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:2605.02809

LiDARで教え、レーダーで繰り返す:劣化・変動環境における頑健なクロスモーダルナビゲーション

LiDAR Teach, Radar Repeat: Robust Cross-Modal Navigation in Degenerate and Varying Environments

シェア:XThreadsFacebookLINEはてブBluesky

教示・反復ナビゲーションにおいて、教示時はLiDAR、実行時は4Dミリ波レーダーを用いることで、悪天候や環境変化に頑健なナビゲーションを実現するシステムを提案した。

詳しい要約

1. どんなもの?

LiDARで教示し4D radarで再走行する初のcross-modal cross-platform Teach-and-Repeat (T&R) ナビゲーションシステムLTR$^2$を提案。教示段階でLiDARにより通常条件下の精密な構造情報を取得し、再走行段階で4D millimeter-wave radarを用いて環境劣化下でも堅牢に動作する。

2. 先行研究と比べてどこがすごい?

既存のT&Rシステムは天候劣化・一時的動体・構造変化などの環境変動に体系的な解決策を持たない。LTR$^2$はcross-modalかつcross-platformでこれらを体系的に扱い、open-access datasetでstate-of-the-artのcross-modal registration性能を達成し、既存手法を大幅に上回る。

3. 技術・手法の肝は?

sparseでnoisyな前方視4D radarとdenseで正確な全周3D LiDARを位置合わせするCross-Modal Registration (CMR) networkを導入。Dopplerベースのmotion priorとLiDAR intensityおよびradar power densityの物理法則を jointly に活用。さらにlocalization errorに基づきCMR networkを逐次更新するadaptive fine-tuning strategyを提案し、ground-truth labelなしで長期的な静的環境変化に適応。

4. どうやって有効だと検証した?

open-access dataset上でCMR networkのcross-modal registration性能がstate-of-the-artであることを示す。3つのrobot platformを用い、大規模・長期展開(6ヶ月で40+ km)でLTR$^2$を検証。nighttime smokeなどの困難条件を含み、実験結果とablation studyでcentimeter-level accuracyと多様な環境外乱への強いrobustnessを実証。

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Teach-and-Repeat (T&R) navigation、4D millimeter-wave radar、Cross-Modal Registration (CMR)、LiDAR intensity、radar power density、Doppler-based motion prior、adaptive fine-tuning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: Renxiang Xiao, Yichen Chen, Yuanfan Zhang, Qianyi Shao, Yushuai Chen, Yuxuan Han, Yunjiang Lou, Liang Hu

分類: cs.RO

原文アブストラクト

Long-term autonomy requires robust navigation in environments subject to dynamic and static changes, as well as adverse weather conditions. Teach-and-Repeat (T\&R) navigation offers a reliable and cost-effective solution by avoiding the need for consistent global mapping; however, existing T\&R systems lack a systematic solution to tackle various environmental variations such as weather degradation, ephemeral dynamics, and structural changes. This work proposes LTR$^2$, the first cross-modal, cross-platform LiDAR-Teach-and-Radar-Repeat system that systematically addresses these challenges. LTR$^2$ leverages LiDAR during the teaching phase to capture precise structural information under normal conditions and utilizes 4D millimeter-wave radar during the repeating phase for robust operation under environmental degradations. To align sparse and noisy forward-looking 4D radar with dense and accurate omnidirectional 3D LiDAR data, we introduce a Cross-Modal Registration (CMR) network that jointly exploits Doppler-based motion priors and the physical laws governing LiDAR intensity and radar power density. Furthermore, we propose an adaptive fine-tuning strategy that incrementally updates the CMR network based on localization errors, enabling long-term adaptability to static environmental changes without ground-truth labels. We demonstrate that the proposed CMR network achieves state-of-the-art cross-modal registration performance on the open-access dataset. Then we validate LTR$^2$ across three robot platforms over a large-scale, long-term deployment (40+ km over 6 months), including challenging conditions such as nighttime smoke. Experimental results and ablation studies demonstrate centimeter-level accuracy and strong robustness against diverse environmental disturbances, significantly outperforming existing approaches.

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

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI