ALIVE-LIO：ESKFベースのLiDAR慣性オドメトリを強化するための慣性速度の退化（デジェネラシー）を考慮した学習

arXiv cs.RO / 2026/4/6

📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、LiDARの観測性が不十分な環境（例：長い廊下や、単一壁・狭い視野角のシーン）における状態推定を改善することを目的とした、退化（デジェネラシー）を考慮したLiDAR慣性オドメトリの枠組みALIVE-LIOを提案する。
ALIVE-LIOは、深層ニューラルネットワークを古典的な誤差状態カルマンフィルタ（ESKF）に組み込み、ボディフレーム上の速度を予測し、退化が検出された場合にのみそれをフィルタへ融合する。
この選択的な融合により、ESKFの確率的整合性と構造を維持しつつ、LiDAR計測が得にくい方向を補償することを狙っている。
退化を含む公開データセット、および著者らが収集したデータに対する実験では、姿勢ドリフトが大幅に低減され、32系列中22系列でトップまたは競争力のある性能を達成した。
著者らは、ALIVE-LIOの実装を公開する予定であると述べており、LiDAR慣性オドメトリ研究や応用における再現性と導入を支援する。

要旨: ライダー（LiDAR）と慣性計測ユニット（IMU）を用いた自己位置推定は、長い廊下や、視野が狭いLiDARによる片壁（single-wall）シナリオのような退化環境において、しばしば性能が低下する。これに対処するため、本論文では、退化方向における状態推定を明示的に強化する、退化を考慮したLiDAR慣性オドメトリの枠組みであるALIVE-LIOを提案する。ALIVE-LIOの主な貢献は、LiDARの観測可能性の喪失を補償するために、古典的な誤差状態カルマンフィルタ（ESKF）へ深層ニューラルネットワークを戦略的に統合した点にある。具体的に、ALIVE-LIOはニューラルネットワークを用いてボディフレーム速度を予測し、退化が検出された場合にのみ、この予測をESKFへ選択的に融合することで、退化方向に対して有効な状態更新を実現する。この設計により、ALIVE-LIOはESKFの確率的な構造と整合性を活用しつつ、学習に基づく運動推定の恩恵も得ることができる。提案手法は、退化を示す公開データセットに加えて、我々自身が収集したデータでも評価した。実験結果は、ALIVE-LIOが退化環境における姿勢ドリフトを大幅に低減し、32本のシーケンス中22本で最も競争力の高い結果をもたらすことを示している。ALIVE-LIOの実装は公開される予定である。