物理正則化機械学習を用いたオンボードセンサーによる自己受容的な車両位置推定

自動運転システムには、実環境での正確でロバストな位置推定が不可欠です。慣性計測ユニット（IMU）と衛星補正信号を組み合わせることで高精度な姿勢推定が可能ですが、信号途絶時には性能が著しく低下します。近年、機械学習（ML）がIMUベースの自己受容的位置推定を改善できることが示され、量産車ですでに利用可能なオンボードセンサーの潜在能力が注目されています。本論文では、PRML2（Physics-Regularized Machine Learning for Localization）と呼ぶハイブリッドフレームワークを提案します。これは、カルマンフィルタリングとデータ駆動学習の相補的な強みを組み合わせ、オンボードセンサーから車両姿勢を直接推定するものです。PRML2の鍵は物理正則化学習にあり、微分可能なカルマンフィルタを介したMLモデルのエンドツーエンド学習により実現されます。これにより車両運動モデルとの整合性が向上し、位置推定精度と運転条件を超えた汎化性能が両方とも向上します。

研究チームは、公開データセットを用いてML強化型オンボードオドメトリの性能限界を評価し、PRML2が優れた位置推定精度を達成し、リアルタイム動作が可能であることを示しました。また、低摩擦条件での車両位置推定研究をサポートする新しいデータセットも導入しています。提案フレームワークは、学習と物理ベースの事前知識を統合することで、センシング条件が劣化した環境でもロバストでコスト効率の高い車両位置推定ソリューションを提供します。本論文は2026年のIEEE/RSJ国際インテリジェントロボットシステム会議（IROS 2026）に採択され、8ページ、4つの図を含みます。自動運転技術の急速な発展に伴い、位置推定の信頼性と精度が重要な課題となっています。従来の衛星測位はトンネルや都市部での信号遮断に弱く、純粋な慣性航法には累積誤差の問題があります。PRML2はカルマンフィルタの物理モデルとデータ駆動の柔軟性を組み合わせることで、これらの限界を効果的に克服します。この手法は量産車の低コストセンサーを活用しつつ、エンドツーエンドの物理正則化訓練により、未知の運転環境でも安定した性能を発揮します。今後の展望として、他の車両タイプやより複雑な動的シナリオへの拡張が考えられ、低コスト高精度位置推定技術のさらなる発展が期待されます。