自律UAV剪定のためのリアルタイム・ブランチ対ツール距離推定：シミュレーションからJetson展開までの5つのDEFOM-Stereoバリアントのベンチマーク

Abstract

無人航空機（UAV）による自律的な樹木剪定は、安全性が極めて重要な現実世界のタスクである。搭載された知覚システムは、剪定用ツールから細い樹木の枝までのメートル単位の距離をリアルタイムに推定し、UAVが衝突することなく接近・整列・剪定動作を行えるようにする必要がある。本研究では、最近提案された基盤モデルベースのステレオマッチャであるDEFOM-Stereoの5つの派生モデルを、タスク固有の合成データセットで学習し、チェックポイントをNVIDIA Jetson Orin Super 16 GBにデプロイすることでこの問題に取り組む。学習用コーパスはUnreal Engine 5で構築し、模擬ZED Miniステレオカメラで115本の樹木インスタンスに対して3つの視点から距離2mで5,520組のステレオペアを取得する。高密度EXR深度マップが、細い枝に対して空間的に完全な厳密な教師信号を提供する。合成テストセットでは、DEFOM-Stereo ViT-Sが最良の深度領域精度（EPE 1.74 px, D1-all 5.81%, delta-1 95.90%, depth MAE 23.40 cm）を達成するが、Jetson上での推論速度が約2.2 FPS（1フレームあたり約450 ms）と遅く、応答性の高い閉ループでのツール制御には不十分である。新たに導入したバランス型のバリアント、DEFOM-PrunePlus（約21Mのバックボーン、Jetsonで約3.3 FPS）は、デプロイ可能な精度と速度の最良のトレードオフを提供する（EPE 5.87 px、depth MAE 64.26 cm、delta-1 87.59%）。このフレームレートはリアルタイムな誘導に十分であり、深度精度は2mの運用範囲における安全な枝への接近計画を支える。軽量なDEFOM-PruneStereo（約6.9 FPS）およびDEFOM-PruneNano（約8.5 FPS）は高速に動作する一方で、深度MAEが57 cm超といった形で大幅に精度を犠牲にし、安全な作動のための推定が信頼できないものとなる。実写真に対するゼロショット推論により、フルキャパシティのモデルが枝の幾何形状を保持しており、シム・ツー・リアルの転移が検証される。以上より、DEFOM-PrunePlusは搭載環境での距離推定において最も実用的な精度・レイテンシのバランスを提供することを結論づける。ViT-Sは将来のハードウェアに向けた基準となる。