本研究のねらい："Visual SLAMの民主化"

本研究では、深層学習などの機械学習技術を用いてアルゴリズムを改良・最適化することにより、より軽量で使いやすい （＝「民主的な」）Visual SLAM機能の実現を目指しています。

これにより、IoT用途などの小型で低コストなコンピュータにおいて SLAM を実行したり、様々な分野のアプリケーションに簡単にVisual SLAM機能を追加したりすることが可能となります。

主な研究内容

従来型 Visual SLAMの問題点

個別に設計されたアルゴリズムの雑多な集合体となっている

従来（現行）のVisual SLAMは、様々なアルゴリズムを多数組み合わせて実現されています。例えば、画像撮影、画像の前処理、画像特徴抽出、特徴マッチング、局所地図作成、広域地図統最適化、ループ検出・・・等々です。

その問題点としては、歴史的経緯などもあり、これらのアルゴリズムがそれぞれ個別に手動で最適化されてきた、という点が挙げられます。たとえば画像の特徴抽出であれば、どんなシーンの画像に対しても最善の特徴検出をしよう、という万能の検出器が研究目標となることが多いのです。

しかし、Viusal SLAMの実務応用においては、用途に応じて要求性能が異なってきます。また、コスト制約のため、使える計算量やメモリ容量に制約を受ける場合もあります。それらの要件・制約を満たすためには、アルゴリズムの個別最適ではなく、SLAMシステム全体としての最適化が望ましいのですが、従来のアプローチではそれは困難でした。

機械学習によるRGBD SLAMの仕様制約つき最適化

本研究では、Visual SLAM のうち特にRGBD信号を用いる RGBD SLAMに着目し、そこに適用する画像特徴抽出モデルをAI（深層学習）を用いて構成します。モデルの構造や学習時に適用する損失関数を工夫することにより、応用先のシステム仕様や制御仕様に応じて最適な特徴抽出モデルを与えることができる枠組みの成立を目指します。