煙・粉塵環境に強い分散型レーダーLiDAR慣性オドメトリ
Resilient Decentralized Radar-LiDAR-Inertial Odometry in Challenging Subterranean Environments
LiDAR・レーダー・慣性センサを分散融合し、センサ劣化を自動検知して信頼性の低い計測を除外する耐障害的な自己位置推定フレームワークを提案し、煙のある地下トンネルで実証した。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ 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: Moumita Mukherjee, Avijit Banerjee, Anton Koval, George Nikolakopoulos
分類: cs.RO
原文アブストラクト
Accurate localization in GPS-denied and visually degraded environments affected by smoke, dust, or fog remains a critical challenge for autonomous systems. While LiDAR provides high-resolution spatial perception, its performance deteriorates under particulate occlusion. In contrast, frequency-modulated continuous-wave (FMCW) radar offers robustness under such conditions but suffers from sparse measurements and outliers. This article presents a resilient decentralized LiDAR Radar Inertial Odometry (LRIO) framework that fuses the complementary strengths of LiDAR, radar, and inertial sensing to achieve robust pose estimation in challenging subterranean environments. At the core of the framework is an Adaptive Residual Thresholding (ART) mechanism that autonomously detects temporal sensor degradation and selectively adjusts the fusion process to minimize unreliable measurements. Building on this, a Robust Error-Tolerant Optimal Information Filter (RETOIF) is employed within a decentralized fusion architecture to integrate LiDAR-inertial and multiple radar-inertial odometry estimates in a fault-aware manner, enhancing resilience to environmental disturbances and intermittent sensor failures. The proposed framework is evaluated using real-world sensor data collected in GPS-denied subterranean tunnels under smoke-free and smoke-degraded conditions. In the smoke-free experiment, the proposed RETOIF framework achieves a root mean square localization error (RMSE) of 2.1733, compared with 2.9929 for the conventional centralized LRIO approach, corresponding to a 27.4\% reduction in RMSE. Experimental results further demonstrate the framework's ability to maintain pose estimation under smoke-induced sensor degradation, highlighting its potential for resilient autonomous navigation and mapping in challenging subterranean environments.
関連論文
- 折り紙車輪とセンサフュージョンによるロボット知覚と適応性の向上センサフュージョン
- カルマンフィルタを用いた傾斜角推定アルゴリズムの設計と実装センサフュージョン
- 多数のMEMS IMUを用いた陸上ナビゲーションのためのロバスト拡張カルマンフィルタセンサフュージョン
- FusionCore: ROS 2におけるIMU、車輪エンコーダ、GPS、ビジュアルSLAM融合のための23状態Unscentedカルマンフィルタセンサフュージョン
- 拡散生成学習によるMEMS IMUの性能限界克服センサフュージョン
- SODA-CitrON: マルチモーダルセンサ検出のオンラインクラスタリングによる静的物体データ関連付けセンサフュージョン
