日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

ナビゲーションarXiv:2603.28890

ハードウェア深度故障下での屋内ロボットナビゲーションのためのブートストラップ知覚

Bootstrap Perception Under Hardware Depth Failure for Indoor Robot Navigation

シェア:XThreadsFacebookLINEはてブBluesky

屋内ロボットナビゲーションにおいて、深度カメラの故障時にLiDARと学習ベースの単眼深度を選択的に融合し、故障を自己補完する知覚システムを提案した。

詳しい要約

1. どんなもの?

屋内ロボットナビゲーションにおいて、ハードウェア深度センサ(time-of-flight camera)が反射面で最大78%の深度ピクセルを失う問題に対処するbootstrap perception systemを提案。2D LiDAR単体ではスキャン面より上の障害物を検知できないため、生き残った有効ピクセルで学習ベース単眼深度をメートルスケールにキャリブレーションし、外部データなしで自己のギャップを埋める。failure-aware sensing hierarchyを形成し、LiDARを幾何学的アンカー、ハードウェア深度を有効な範囲で保持、学習深度を必要な箇所のみに導入する。

2. 先行研究と比べてどこがすごい?

従来のLiDAR単体ではスキャン面より上の障害物を検知できず、ハードウェア深度は反射面で最大78%のピクセルを失う。本手法はこの故障の自己参照的性質を利用し、生存ピクセルで学習単眼深度をメートルスケールに校正することで外部データ不要でギャップを補完。選択的融合によりLiDAR単体比でcostmap障害物カバレッジを55-110%向上させ、foundation modelのコストの一部でground-truth深度ベースラインに匹敵する性能を達成。

3. 技術・手法の肝は?

故障を認識するセンシング階層を採用。LiDARを幾何学的アンカーとし、ハードウェア深度は有効な箇所で保持、学習深度は必要な箇所のみに導入する選択的融合。学習単眼深度は生存する有効ピクセルを用いてメートルスケールに自己校正。さらにコンパクトな蒸留studentモデルをJetson Orin Nano上で218 FPSで動作させる。

4. どうやって有効だと検証した?

corridorおよび動的歩行者評価において、選択的融合がLiDAR単体比でcostmap障害物カバレッジを55-110%増加させることを確認。閉ループシミュレーションで9/10のナビゲーション成功と衝突ゼロを達成し、ground-truth深度ベースラインに匹敵する性能をfoundation modelのコストの一部で実現。

5. 議論はある?

要旨からは不明。

6. 次に読むべき論文は?

要旨で参照/比較されている研究は明示されていない。関連手法としてmonocular depth estimation、knowledge distillation、sensor fusion、time-of-flight camera、2D LiDAR、Jetson Orin Nano、closed-loop simulationなどが挙げられる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Nishant Pushparaju, Vivek Mattam, Aliasghar Arab

分類: cs.RO

原文アブストラクト

We present a bootstrap perception system for indoor robot navigation under hardware depth failure. In our corridor data, the time-of-flight camera loses up to 78% of its depth pixels on reflective surfaces, yet a 2D LiDAR alone cannot sense obstacles above its scan plane. Our system exploits a self-referential property of this failure: the sensor's surviving valid pixels calibrate learned monocular depth to metric scale, so the system fills its own gaps without external data. The architecture forms a failure-aware sensing hierarchy, conservative when sensors work and filling in when they fail: LiDAR remains the geometric anchor, hardware depth is kept where valid, and learned depth enters only where needed. In corridor and dynamic pedestrian evaluations, selective fusion increases costmap obstacle coverage by 55-110% over LiDAR alone. A compact distilled student runs at 218\,FPS on a Jetson Orin Nano and achieves 9/10 navigation success with zero collisions in closed-loop simulation, matching the ground-truth depth baseline at a fraction of the foundation model's cost.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  3. 3GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI