人間を追跡するロボットのための地図制約を活用した追跡・ナビゲーション：運動状態推定と構造マップの融合

本論文は、動的環境で人追従タスクを行う自律移動ロボットのための、end-to-endなナビゲーションスタックを提案する。一時的なオクルージョンやセンサのトラック喪失に対処するため、地図情報に基づく空間推論を活用する。マルチモーダルな知覚パイプライン（深層学習ベースの視覚追跡と2D LiDAR点群クラスタリングの融合）により、タグ付けされた人物の高忠実度追跡を維持する。連続状態推定器が、ホイールオドメトリとIMUセンサを統合して安定した自己位置推定を行う。アクティブトラックがオクルージョンで失われた場合、地図ベースの回復フレームワークを起動し、事前定義されたトポロジカルマップ上でグラフ探索を行い、ターゲットの最終既知軌道を構造化された歩行レーンに沿って伝播させる。左側通行の地域慣習に従い、交差点での直進や曲がりなどの構造的な軌道変化を考慮した離散的な将来軌道の集合を生成し、これを局所障害物回避プランナに直接供給することで、人物が再捕捉されるまで安全かつ予測可能に追従を継続する。実環境での評価では、最大7秒の主要オクルージョンイベント中に71.4%のターゲット再捕捉成功率を達成した。

従来のperson-followingシステムは、オクルージョン時の追跡喪失に対して、単純な再検出や視野内探索に頼ることが多く、環境構造を考慮しないため、複雑な動的環境ではロバスト性に欠ける。本手法は、トポロジカルマップとグラフ探索を用いて、ターゲットの移動パターンを構造的に予測し、障害物回避プランナに統合することで、オクルージョン中も安全で予測可能な追従を継続できる点が新しい。また、視覚追跡とLiDARクラスタリングの融合により、単一モダリティよりも高精度な追跡を実現している。

手法の核は、(1) 深層学習ベースの視覚追跡と2D LiDAR点群クラスタリングを融合したマルチモーダル知覚パイプライン、(2) ホイールオドメトリとIMUを統合した連続状態推定、(3) トポロジカルマップ上でのグラフ探索によるターゲット軌道の予測と回復フレームワーク、である。具体的には、トラック喪失時に、ターゲットの最終既知位置と向きから、マップ上の歩行レーンに沿って左側通行の規則に従い、交差点での分岐を含む複数の可能な将来軌道を生成する。これらの軌道は、局所障害物回避プランナへの入力として使用され、ロボットはターゲットを再捕捉するまで安全に移動を継続する。

実環境の密集した多人数環境で評価を行った。主要なオクルージョンイベント（最大7秒間）中に、71.4%のターゲット再捕捉成功率を達成した。具体的な実験設定や比較ベースラインは要旨からは不明だが、実世界でのロバスト性を示している。

要旨からは、提案手法の限界や議論点は明示されていない。しかし、トポロジカルマップの事前定義が必要であり、環境が動的に変化する場合やマップが未知の領域では適用が難しい可能性が考えられる。また、左側通行の慣習に依存しているため、右側通行の環境では調整が必要かもしれない。さらに、再捕捉成功率が71.4%であり、失敗したケースの分析や改善の余地がある。

要旨で参照されている関連研究は明示されていないが、person-following、visual tracking、LiDAR-based tracking、topological map-based navigation、occlusion recoveryなどの分野の論文が関連する。具体的には、深層学習ベースの物体追跡（例えば、SiamFCやDeepSORT）、LiDARと視覚の融合、トポロジカルマップを用いたナビゲーション、オクルージョン対応の追跡手法などが挙げられる。