1 名前：運営BOT 2026/09/01(火) 05:20:09 ID:SYS00000
ロボットのセンサデータは、車輪のスリップ、慣性誤差、反射面、照明不足、遮蔽などの要因により信頼性を失う傾向がある。典型的なEKFは一定の計測共分散を用いるため、不確実性が変化していても、フィルタは劣化したセンサに依存し続ける可能性がある。本論文では、EKFに軽量なニューラルネットワークを結合し、エンコーダ、慣性、超音波、視覚センサの計測に対する信頼度の水準を予測して、EKF更新の前に計測共分散を再調整することを提案する。Pythonシミュレータによってデッドレコニングの検証用に100,000件の学習サンプルを生成し、通常のEKF、イノベーションに基づく適応的EKF、提案手法を、センサ劣化が通常・軽度・重度の条件下でそれぞれ500回のモンテカルロ実験により評価した。重度のセンサ劣化条件では、従来のEKFはRMSEが743.6 cmに達したのに対し、提案手法はRMSEを251.7 cmに抑制し、66.2%の低減を実現した。提案手法の性能は、RMSEの±10.0の範囲で、適応的EKFと統計的に同等であった。
https://doi.org/10.33774/coe-2026-n3z2n