RICH-SLAM: レーダSLAMとインクリメンタル・連続ヒルベルト写像

- RICH-SLAMは、radarセンサを用いたSLAMフレームワーク。 - 悪天候や照明条件に強いradarの利点を活かす。 - しかしradar測定はLiDARや視覚データに比べ疎でノイズが多い。 - 密で連続的かつ一貫した地図表現が課題。 - 本手法はRao-Blackwellized particle filterをバックエンドに採用。 - 姿勢推定にparticle filter、地図更新にKalman filterを用いる。 - 増分Hilbert空間低ランクGaussian processマッピングを提案。 - 疎なradar入力から連続的で不確実性を考慮した地図表現を実現。 - 事後分布を考慮したparticle重み付けも導入。

- 従来のradar SLAMは疎でノイズの多い測定のため密な地図構築が困難。 - LiDARや視覚ベースのSLAMと比べ地図の連続性・一貫性で劣る。 - 本手法はHilbert空間低ランクGaussian processにより連続地図を生成。 - 不確実性を明示的に扱える点が先行研究と異なる。 - 事後分布全体を活用したparticle重み付けでロバストな尤度評価を実現。 - 具体的な比較対象は要旨からは不明。

- Rao-Blackwellized particle filterベースのバックエンド。 - particle filterで姿勢推定、Kalman filterで地図更新。 - 増分Hilbert空間低ランクGaussian processマッピング戦略。 - 疎なradar入力から連続的で不確実性を考慮した地図表現を生成。 - 事後分布を考慮したparticle重み付けスキーム。 - 地図パラメータの完全な事後分布を尤度評価に利用。 - これによりロバストな重み計算を実現。

- 自己収集データセットと公開ColoRadarデータセットで実験。 - 疎なradar測定から連続的なoccupancy mapを構築できることを示す。 - 移動ロボットの不確実性を考慮したplanningを支援できることを確認。 - 具体的な評価指標や比較手法は要旨からは不明。

- radarの疎でノイズの多い測定が課題であると議論。 - 連続的で不確実性を考慮した地図表現の重要性を指摘。 - 提案手法がplanningに有効であることを示唆。 - 限界や今後の課題についての具体的な議論は要旨からは不明。

- ColoRadarデータセット（公開ベンチマーク）。 - Rao-Blackwellized particle filterに関する研究。 - Gaussian processを用いたSLAMやマッピング手法。 - radar SLAMの先行研究（具体的名称は要旨からは不明）。 - LiDARや視覚ベースのSLAMとの比較研究。