生涯にわたる航空自律性に向けて：動的環境における継続的ビジュアル・プレイス認識のための幾何学的メモリ管理

要旨: 環境条件が変化する中での堅牢なジオローカライゼーションは、長期的な空中自律のために重要である。視覚的プレイス認識（VPR）モデルは、飛行中の視点が学習ドメインと一致している場合には良好に機能するが、連続ミッションの間に分布が変化すると、それらを適応させる際に壊滅的忘却が引き起こされる。既存の継続学習（CL）手法は、地理的特徴がクラス内で著しい変動を示すため、ここではしばしば機能しない。本研究では、空中VPRをミッションベースのドメイン順次増分学習（DIL）問題として定式化し、新規の異種メモリ・フレームワークを提案する。厳しい機上ストレージ制約を尊重するため、我々の「学習して破棄する（Learn-and-Dispose）」パイプラインは、地理知識を静的な衛星アンカー（グローバルな幾何学的事前知識を保持）と、動的な経験リプレイ・バッファ（ドメイン固有の特徴を保持）に分離する。さらに、サンプルの難しさ、または特徴空間の多様性に基づいてバッファ選択を最適化する、空間制約付き割り当て戦略を導入する。体系的な評価を可能にするために、3つの評価基準と、21の多様なミッション系列から導出した包括的なベンチマークを提供する。広範な実験により、提案アーキテクチャが空間的な汎化を大幅に向上させることが示される。多様性に基づくバッファ選択は、知識保持においてランダム基準より7.8%優れている。構造が定義されていない環境で失敗するクラス平均保存手法とは対照的に、構造的多様性を最大化することで、より優れた可塑性−安定性のバランスが達成され、無作為化された系列に対して順序非依存の頑健性が保証される。これらの結果は、終生にわたる空中自律における壊滅的忘却を解決するうえで、サンプルの難しさよりも構造的特徴のカバレッジを維持することのほうが重要であることを示している。