セマンティックマップを活用した都市規模のクロスビューローカリゼーション

ロボットの自己位置推定は、自律移動の基本的な課題である。特に、未訪問の環境において、GPSに依存せずに精度よく位置を特定する手法が求められている。従来の研究では、OpenStreetMapなどの公開地図データを利用する試みがあるが、多くの手法は地図に含まれるセマンティック情報を無視し、パノラマ画像と航空画像を直接マッチングするか、限られた固定クラスに情報を圧縮していた。

MITとカリフォルニア大学バークレー校の研究チームは、視覚言語モデル（VLM）を活用し、OpenStreetMapの豊富なセマンティック情報を最大限に利用する新たな位置推定手法を提案した。この手法では、まずロボットが取得したパノラマ画像からVLMを用いて建物や交差点などのランドマークを抽出する。次に、これらのランドマークをOpenStreetMap上の事前マップと対応付ける。しかし、VLMを直接使って全ての対応関係を計算すると、マップ上の地物数が増えるにつれて計算コストが急増する（例えば、628平方キロメートルのエリアでは数千のランドマークが存在する）。

そこで、研究チームはVLMから軽量なマッチャーを蒸留する手法を考案した。このマッチャーは、マップ上の全エンティティと観測されたランドマークとの対応を効率的に計算し、観測尤度を生成する。そして、ベイズフィルタを用いて時系列の観測を統合し、連続的な姿勢推定を行う。実験では、単一都市の晴天データのみで学習したモデルが、異なる場所、照明条件、さらにはボストンの吹雪や夜間といった過酷な環境でも高い汎化性能を示した。

研究チームは、11種類の環境（吹雪や夜間のボストンを含む）からなるデータセットも公開しており、セマンティック情報を活用したクロスビュー位置推定のさらなる研究を促進する。コードとデータセットはオープンソースとして提供されている。この研究は、既存のセマンティックマップを利用したロバストな位置推定の可能性を示し、高精度地図の構築に依存しないロボット展開への道を開く。