SCOUT：不確実性に基づく走行によるセマンティックシーンカバレッジ

近年、長期運用ロボットの環境理解において、単なる空間訪問ではなく段階的な理解を目指す研究が進んでいる。arXivに投稿された論文「SCOUT: Semantic scene COverage via Uncertainty-guided Traversal」は、能動的な走行と確率的シーングラフ構築を組み合わせた新しいオンライン意味的探索フレームワークを提案する。

従来の3Dシーングラフパイプラインは、知覚を固定データセットに対する後処理段階とみなし、シーン表現と観測を決定する判断を切り離していた。SCOUTはこのループを閉じることで問題を解決する。事前の2D占有マップとポーズ付きRGB-D観測を与えられると、SCOUTは不確実性を考慮した3Dシーングラフをインクリメンタルに構築する。ノードは融合された幾何情報とオープンボキャブラリのオブジェクトラベルに関する事後信念を保持し、エッジは「上」「内部」「所属」「隣」などの構造的関係を符号化する。

これらの信念は不確実性に導かれた走行プランナーにフィードバックされ、プランナーは期待される意味的確定性ゲイン、幾何学的カバレッジゲイン、移動コストのバランスを取って視点を選択する。これにより、ロボットは追加の証拠が重要な場合に曖昧なオブジェクトを再訪し、シーンが不完全な場合には未知の自由空間へ拡張する。

結果として、システムは意味的シーン完全性を受動的な意味マッピングの副産物ではなく、運用目標として扱う。これは、最小限の人間介入で変化する屋内環境をパトロール、更新、推論できる自律エージェントへの一歩となる。本論文は2026年ICRA不確実性オープンワールドロボティクスワークショップで発表される。

さらに、SCOUTは実環境での展開における課題、例えば部分既知環境での効率的な意思決定や、オープンワールドにおける未知物体カテゴリの処理にも対応している。オープンボキャブラリラベルを活用することで、訓練セットにない新物体も識別でき、適応性が向上する。シミュレーションと実環境の両方での実験結果は、SCOUTが従来手法よりもセマンティックカバレッジと探索効率において優れており、長期間の自律ロボット応用に新たな可能性をもたらすことを示している。