衝突時間に基づく動的障害物回避：未構造環境におけるロボットのための事前学習済みビジョンモデルの利用
データ効率が高く解釈可能な視覚ベースの動的障害物回避手法を提案。事前学習済み単眼深度推定モデルUniDepthと特徴対応パイプラインSuperPoint+SuperGlueを活用し、各キーポイントの衝突時間（TTC）を計算して回避動作を選択。M3EDデータセットでの評価では、精度0.49、再現率0.38を達成し、22個の障害物のうち20個でTTCが1秒未満のフレームを検出。ロボット専用モデルの訓練は不要で、ハイパーパラメータ調整に74秒のデータのみを必要とする。
非構造化屋外環境における動的障害物回避は、自律移動ロボットにとって重要な課題です。従来のエンドツーエンド学習手法は大量のロボット固有の訓練データを必要とし、シミュレーション環境で訓練されたポリシーは「シミュレーションから現実への」転送問題を抱えています。本研究は、実世界データのみで動作するデータ効率が高く解釈可能な視覚ベースの動的障害物回避手法を提案し、これらの問題を回避します。
本手法は、大規模な事前学習済み単眼深度推定モデルUniDepthを活用し、RGBビデオのみから高密度深度マップを生成します。動的障害物回避のために、SuperPointとSuperGlueの特徴対応パイプラインを拡張して長フレームシーケンス全体でキーポイントを追跡し、カメラ内部パラメータと予測深度を用いて2D画素位置を3Dに投影し、バンドル調整を実行します。その後、各キーポイントの衝突時間（TTC）を計算し、最小TTCキーポイントの最接近点からロボットを遠ざける地面平面内の2D運動プリミティブを選択します。
M3EDデータセットの実世界データによる評価では、本パイプラインは真のTTCが1秒未満のフレームを識別する際に精度0.49、再現率0.38を達成し、真陽性検出の84%で正しい回避運動方向を生成しました。テストシーケンスに存在する22個の固有の物理障害物のうち20個に対して、TTCが1秒未満のフレームを少なくとも1つ検出しました。数千時間の訓練データを必要とする従来手法とは異なり、本手法はモデル訓練を一切必要とせず、ハイパーパラメータ調整にわずか74秒のデータのみを要します。これは、多様な障害物タイプに対して解釈可能で一般化可能な動作を維持しながら、卓越したデータ効率を示しています。