DynoSLAM：生成的グラフニューラルネットワークによる実環境のソーシャルナビゲーション向けダイナミックSLAM

arXiv cs.RO / 2026/5/5

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

DynoSLAMは、従来のSLAMが前提とする「静的環境」という制約を解消し、歩行者などの移動物が位置推定や地図作成に影響する状況を対象にしています。
この手法は、固定の速度ヒューリスティックや単一エージェントのニューラル事前分布に頼るのではなく、社会性を考慮したGNNを因子グラフの最適化へ直接統合する、密結合型のDynamic GraphSLAM設計です。
歩行者の動きを確率的なワールドモデルとして扱い、学習済みGNNからモンテカルロ・ロールアウトを行うことで、相互作用に伴う多峰性の不確実性を捉え、ダイナミックなマハラノビス距離因子を通じてSLAMグラフに埋め込みます。
シミュレーション実験では、高いレトロスペクティブ追跡精度に加え、「argmax」型の決定論的アプローチに起因する最適化失敗を回避できるなど、頑健性が向上したと報告しています。
将来の歩行者状態について経験的な平均と共分散を得ることで、下流のローカルプランナ向けに数学的に厳密な確率的な「安全エンベロープ」を提供し、混雑した環境での予測的かつ衝突回避のロボットナビゲーションを支えます。

Abstract

従来の同時ローカライゼーションおよびマッピング（SLAM）アルゴリズムは、静的環境という前提に大きく依存しており、歩行者のような移動体によって満たされた実世界の空間への適用を大きく制限しています。本研究では、社会的に配慮したグラフニューラルネットワーク（GNN）を因子グラフ最適化に直接組み込む、密結合型の動的GraphSLAMアーキテクチャであるDynoSLAMを提案します。剛直な定速度ヒューリスティックや、決定論的な単一エージェントのニューラル事前分布を用いる従来手法とは異なり、我々の枠組みは歩行者の運動予測を確率的なワールドモデルとして定式化します。訓練済みGNNからモンテカルロ・ロールアウトを用いることで、人間同士の相互作用における多峰性の（モーダルな）エピステミック不確実性を捉え、それを動的マハラノビス距離因子を介してSLAMグラフへ埋め込みます。大規模なシミュレーション実験により、この確率的な定式化が、非常に高精度な事後的トラッキングを維持するだけでなく、決定論的な「argmax問題」によって引き起こされる最適化失敗をも防ぐことを示します。最終的に、将来の歩行者状態の経験的平均と共分散行列を抽出することで、下流のローカルプランナー向けに数学的に厳密な確率論的安全エンベロープを提供し、密集した環境における先読み型で衝突回避のロボットナビゲーションを可能にします。