レーダセンシングは、暗い照明、悪天候、プライバシーに敏感な環境下でカメラやLiDARがしばしば失敗する中で信頼性高く動作するため、モバイルシステムでの利用が増加しています。しかし、既存のレーダーSLAMシステムのほとんどは、離散化されたレーダーヒートマップ上のスキャンマッチングを通じて動作を推定しており、幾何学的連続性を損ない、重要なレーダーセンシング特性を捉えきれないため、劣化や動的に変化する環境では不安定な姿勢推定やマッピング品質の低下を引き起こすことがよくあります。
この問題に対処するため、Gaurav Bagweら研究チームはDiffRadarを提案しました。これは、レーダ観測を離散スキャンではなく微分可能で物理認識型のガウス場としてモデル化するリアルタイムレーダーSLAMシステムです。DiffRadarはシーンを異方性ガウスプリミティブで表現し、微分可能なレーダ前方モデルを介して距離-方位およびドップラー-方位空間でレーダ測定値をレンダリングすることで、レーダ測定値から直接ロボットの姿勢とシーン構造の同時最適化を可能にします。
研究チームは市販のFMCWレーダハードウェアにDiffRadarを実装し、公開ベンチマークであるRadarizeおよび、廊下退化、運動モード遷移、動的クラッター、長周期ループクロージャなど一般的なレーダーSLAMの故障モードを対象とした制御されたストレステストスイートで評価しました。その結果、DiffRadarはベンチマークで軌跡誤差を大幅に削減し、特に特徴の少ない廊下運動で大きな改善を示しました。さらに、マップ一貫性を2倍以上向上させ、70FPSのリアルタイム性能を維持しました。
これらの結果は、レーダ観測を信号領域で直接モデル化することで、モバイルプラットフォーム向けのレーダー専用SLAMを大幅にロバストかつ一貫性のあるものにできることを示しています。本研究成果はarXiv（番号2607.12265）に提出され、関連コードとデータへのリンクが提供されています。