LRTKレフィクシア株式会社

SLAMのループ閉合精度を高める6つのパラメータ|誤検出を防ぐ調整方法

SLAM(Simultaneous Localization and Mapping)は、センサーから取得した情報をもとに自己位置を推定しながら、周囲の環境地図を生成する技術です。移動しながら計測するため、測位誤差やセンサーの観測誤差が少しずつ蓄積し、時間の経過とともに推定軌跡と実際の移動経路にずれが生じることがあります。

このずれを補正する重要な仕組みがループ閉合です。ループ閉合とは、過去に観測した場所へ再び到達したことを検出し、現在の観測結果と過去の観測結果を対応付ける処理です。正しく検出できれば、蓄積した位置推定誤差を補正し、地図全体の整合性を改善できます。

一方、ループ閉合の判定が不適切だと、実際には異なる場所を同じ場所として認識する誤検出が発生します。誤ったループ閉合制約が地図に追加されると、軌跡が不自然に変形したり、点群が二重に重なったりするなど、計測結果の信頼性を損なう可能性があります。

こうした問題を防ぐには、ループ閉合アルゴリズムの仕組みを理解したうえで、候補検索、幾何検証、最適化に関係するパラメータを適切に調整することが重要です。単純に検出条件を厳しくするだけでは、正しい再訪まで見逃してしまうため、誤検出と未検出の両方を考慮する必要があります。

本記事では、SLAMのループ閉合精度を高めるために重要な6つのパラメータを解説します。それぞれの役割や調整方法、誤検出が発生した場合の対処法、実際の計測現場で検証する手順まで紹介します。SLAMによる点群生成や三次元計測の品質を改善したい実務担当者は、ぜひ参考にしてください。

SLAMのループ閉合とは何か

SLAMのループ閉合とは、移動中に過去に訪れた場所を再び観測したとき、現在の位置と過去の位置が同一の場所であることを認識し、位置推定の誤差を補正する仕組みです。英語ではLoop Closureと呼ばれます。

SLAMでは、連続するセンサー観測から移動量を推定し、現在位置を更新していきます。例えば、レーザーセンサーを搭載した計測機器が通路を進む場合、各時点で取得した点群や特徴情報を比較することで、前の観測位置からどの程度移動したかを推定します。

しかし、移動量の推定には必ず何らかの誤差が含まれます。センサーの測距誤差、特徴点の対応付けの不確かさ、機器の振動、環境の変化などが原因となり、推定位置は徐々に実際の位置からずれていきます。

この現象はドリフトと呼ばれます。

例えば、建物内の通路を一周して出発地点に戻る計測を考えてみましょう。実際には出発地点と到着地点は同じですが、SLAMの推定軌跡では両者が数メートル離れている場合があります。これは移動量の推定誤差が積み重なった結果です。

ループ閉合では、現在の観測データと過去の観測データを比較し、同じ場所を再訪した可能性を評価します。同一地点であることが十分に確認できれば、その関係をループ閉合制約として追加します。

その後、グラフ最適化などによって軌跡全体の位置関係を調整します。現在位置だけを強制的に過去の位置へ戻すのではなく、途中の移動履歴や各観測間の相対位置関係も考慮して、全体の整合性を改善する点が特徴です。

ループ閉合が適切に機能すると、長距離移動による累積誤差を抑えやすくなります。建物内部の三次元計測、地下空間の測量、プラント設備の形状取得、トンネルの点群生成など、同じ場所を繰り返し通過する計測で特に重要です。

ただし、ループ閉合は常に正しい場所を認識できるわけではありません。外観が似ている別の通路や、同じ形状の設備が並ぶ空間では、異なる場所を同一地点と判断する可能性があります。

このような誤った対応関係を追加すると、補正前よりも地図の整合性が悪化することがあります。そのため、ループ閉合では再訪を検出する能力だけでなく、誤った候補を排除する能力も重要になります。

ループ閉合処理の基本的な仕組み

ループ閉合の精度を改善するには、処理全体の流れを把握する必要があります。実装によってアルゴリズムや処理順序は異なりますが、一般的には過去の観測データを検索し、候補を抽出してから幾何学的な検証を行い、最終的に地図の最適化へ反映します。

最初に行うのは、現在の観測データから過去の観測データに類似したものを探す処理です。例えば、点群から環境の特徴を抽出し、特徴記述子を作成します。特徴記述子とは、観測した空間の形状や構造を数値化した情報です。

現在の記述子と過去の記述子を比較することで、再訪した可能性のある場所を検索できます。この段階では、まだ同じ場所であることが確定したわけではありません。あくまで候補を絞り込む処理です。

次に、抽出した候補について幾何学的な検証を実施します。現在の点群と過去の点群を対応付け、両者の形状や位置関係に矛盾がないかを確認します。

代表的な方法として、ICPやRANSACを利用した位置合わせがあります。ICPは、二つの点群間で対応点を探索しながら、位置や姿勢のずれを小さくする手法です。RANSACは、外れ値を含む対応関係から整合性の高いモデルを推定する手法です。

幾何検証では、対応点の距離、整合する点の数、対応関係の割合などを確認します。記述子が似ていても、実際の空間形状が一致しなければループ閉合候補から除外します。

検証を通過した候補は、現在のキーフレームと過去のキーフレームを結ぶ制約として扱われます。キーフレームとは、SLAMの処理で代表的な観測状態として保存されるデータです。

最後に、ループ閉合制約を含むポーズグラフを最適化します。ポーズグラフは、各キーフレームの位置と姿勢をノードとして表現し、それらの相対的な関係をエッジとして管理する構造です。

通常の移動による相対位置制約に加えて、ループ閉合による制約を追加することで、軌跡全体の矛盾を減らします。

ここで重要なのは、ループ閉合の検出と地図の最適化は別の処理であるという点です。正しい再訪を検出できても、制約の重み付けや最適化方法が適切でなければ、期待する精度改善につながらない場合があります。

したがって、ループ閉合の調整では、候補検索の段階だけでなく、幾何検証と最適化まで含めて評価する必要があります。

ループ閉合精度を評価するための指標

パラメータを調整する前に、何をもって精度が改善したと判断するのかを決めておく必要があります。単純にループ閉合の検出回数が増えたことだけでは、精度が向上したとはいえません。

重要なのは、正しい再訪をどれだけ検出できたか、誤った再訪をどれだけ排除できたか、そして最適化後の地図がどれだけ整合しているかです。

まず確認したいのが適合率です。適合率は、ループ閉合として検出した候補のうち、実際に正しい再訪だったものの割合です。適合率が低い場合は、異なる場所を同一地点と判断する誤検出が多いことを意味します。

次に再現率があります。再現率は、実際に再訪しているケースのうち、正しくループ閉合を検出できた割合です。再現率が低い場合は、判定条件が厳しすぎる、特徴情報が不足している、環境変化によって類似度が低下しているなどの可能性があります。

適合率と再現率は、互いに影響し合う関係にあります。検出条件を厳しくすれば誤検出を減らせる場合がありますが、正しい候補まで除外してしまうことがあります。反対に条件を緩めれば候補数は増えますが、誤検出も増える可能性があります。

そのため、両方の指標を確認しながら調整することが重要です。

また、最適化後の軌跡を評価する指標として、ATEとRPEがあります。ATEは推定軌跡と基準となる軌跡の全体的な位置誤差を評価する指標です。RPEは、一定の時間間隔や移動間隔における相対的な位置・姿勢の誤差を評価します。

ATEが改善していても、局所的な移動軌跡が不自然に変化している場合があります。そのため、RPEや局所的な点群の重なりも併せて確認することが望ましいです。

さらに、ループ閉合制約を追加した前後で、対応点の残差やポーズグラフの残差がどの程度変化したかも確認します。残差が小さくなったとしても、必ずしも正しい閉合とは限らないため、基準データや現場の既知点との照合が必要です。

このように、ループ閉合の評価では、候補検出の品質、幾何学的な整合性、軌跡全体の精度という複数の観点を組み合わせることが大切です。

パラメータ1:記述子の類似度しきい値

最初に調整したいのが、過去の観測データを検索する際に使用する記述子の類似度しきい値です。

ループ閉合では、現在の観測データと過去の観測データを比較し、同じ場所である可能性が高い候補を抽出します。このとき、記述子の類似度を利用して候補を絞り込む方式が広く使われています。

例えば、点群から環境の形状を表す特徴量を生成し、現在の特徴量と過去の特徴量を比較します。空間内の柱、壁、天井、設備などの配置が似ていれば、記述子の類似度が高くなる可能性があります。

類似度の判定方式はアルゴリズムによって異なります。スコアが高いほど類似している方式もあれば、距離値が小さいほど類似している方式もあります。そのため、しきい値を調整する際には、使用している記述子の評価方向を最初に確認する必要があります。

類似度しきい値を緩く設定すると、候補として抽出される観測データが増えます。これによって、環境が多少変化していても正しい再訪を検出できる可能性が高まります。

一方、異なる場所であっても似た形状を持つ場合には、誤った候補が増える可能性があります。

例えば、同じ構造の柱が一定間隔で並ぶ建物や、同じ設備構成を持つ複数の部屋では、場所が異なっていても記述子が似る場合があります。こうした環境では、類似度だけでループ閉合を確定させることは危険です。

反対に、しきい値を厳しくすると、明らかに異なる場所の候補を排除しやすくなります。しかし、家具の配置変更や人の移動、照明条件の変化、計測方向の違いなどによって記述子が変化すると、正しい再訪を見逃すことがあります。

調整する際は、まず実際の計測データから正しい再訪の組み合わせと、似ているものの異なる場所の組み合わせを用意します。それぞれの類似度を比較し、両者の分布を確認します。

正しい再訪の類似度が十分に高く、誤った候補の類似度が低い場合は、その間にしきい値を設定することが基本です。ただし、両者の分布が大きく重なっている場合は、類似度だけで完全に分類することは困難です。

このような場合は、後段の幾何検証を強化する必要があります。

また、記述子の種類によっても適切なしきい値は変わります。高さ方向の形状を重視する記述子と、周囲の点群分布を重視する記述子では、スコアの分布が異なるためです。

異なるデータセットや環境に同じしきい値を適用する場合も注意が必要です。開放空間、狭い通路、設備が密集した空間では特徴情報の量や分布が異なります。

そのため、記述子の類似度しきい値は、使用するアルゴリズムと計測環境の組み合わせに応じて調整することが重要です。候補を増やすこと自体を目的にせず、次の幾何検証で正しく判定できる候補を残すことを意識しましょう。

パラメータ2:時間的除外ウィンドウ

2つ目は、時間的除外ウィンドウです。これは、現在の観測データに対して、直近の過去データをループ閉合候補から除外するための設定です。

SLAMでは、現在位置の周辺にある過去のキーフレームと現在のキーフレームが似た特徴を持つことは珍しくありません。しかし、連続して観測した近接地点をループ閉合として扱ってしまうと、独立した再訪ではない観測同士に不要な制約が追加される可能性があります。

例えば、直線の通路を移動しているとき、隣接するキーフレームは似た壁面や天井の形状を持っています。これらは同じ場所を再訪した結果ではなく、単に近い位置で観測した結果です。

時間的除外ウィンドウを設定すると、現在の観測時刻から一定時間以内に記録されたキーフレームを候補検索の対象から外せます。

この設定によって、近接する観測データをループ閉合候補として扱うことを抑制できます。

ただし、除外する時間を長くしすぎると、短時間で再訪した場所を検出できなくなる可能性があります。例えば、狭い通路を往復する計測や、小規模な施設内を移動する計測では、再訪までの時間が短いことがあります。

そのため、時間的除外ウィンドウは、計測対象の広さ、移動速度、キーフレームの生成頻度に応じて調整する必要があります。

特に注意したいのが、時間と移動距離は必ずしも比例しないことです。移動速度が一定であれば時間による除外でも管理できますが、現場では歩行速度が変わったり、立ち止まって計測したりすることがあります。

そのため、実装によっては時間だけでなく、キーフレーム間の移動距離を基準に候補を除外する方法も有効です。

例えば、現在位置から一定の距離以内にある観測データを除外し、十分に離れた過去の観測データだけを候補検索の対象にする方法です。ただし、自己位置推定にドリフトがある場合、推定位置に基づく距離判定自体が不正確になる可能性もあります。

時間的除外ウィンドウを調整するときは、候補として残すべき再訪と、除外すべき近接観測を分けて検証することが重要です。

具体的には、実際の軌跡を確認し、同じ地点へ戻るまでの時間や距離を調べます。そのうえで、通常の連続観測を除外でき、必要な再訪は候補として残せる設定を探します。

また、キーフレームの生成間隔を変更した場合には、時間的除外ウィンドウの再調整が必要になることがあります。観測頻度が変われば、同じ時間内に生成されるキーフレーム数も変化するためです。

適切な時間的除外ウィンドウは、不要な候補を減らしながら、再訪の検出機会を確保するための重要な条件です。

パラメータ3:幾何検証の対応点距離しきい値

3つ目は、幾何検証で使用する対応点距離しきい値です。

記述子の類似度によって抽出した候補が本当に同じ場所なのかを確認するには、実際の点群や特徴点の位置関係を検証する必要があります。その際に重要になるのが、対応点同士の距離です。

例えば、現在の観測点群と過去の観測点群を位置合わせするとき、ある点と別の点が対応しているかどうかを距離によって判定します。

位置合わせ後の対応点間距離が小さければ、両者の形状が整合している可能性があります。反対に、対応点間の距離が大きければ、誤った対応関係である可能性が高くなります。

この判定に使う距離の上限が対応点距離しきい値です。

しきい値を小さくすると、位置関係がよく一致する点だけが対応点として残ります。その結果、異なる場所の点群を誤って一致させる可能性を抑えられます。

しかし、しきい値が小さすぎると、正しい再訪であっても対応点が十分に得られなくなる場合があります。

原因としては、センサーの測距誤差、点群密度の違い、観測角度の変化、移動中の振動、初期位置合わせの誤差などが挙げられます。

例えば、同じ壁面を異なる方向から計測した場合、点群の分布は完全には一致しません。点群密度が異なれば、対応する点同士の位置にも一定の差が生じます。

このような条件でしきい値を過度に小さくすると、正しい点群同士であっても対応関係が不足し、ループ閉合候補が棄却される可能性があります。

一方、しきい値を大きくすると、多少の位置ずれがあっても対応点として認識されやすくなります。しかし、形状が似ている別の場所まで一致したと判断する危険性があります。

特に、長い壁面が並ぶ通路や、同じ形状の機械設備が繰り返し配置されている空間では注意が必要です。局所的な形状だけを見ると、異なる場所でも似た点群が形成されることがあります。

調整する際は、まずセンサーの測距精度と点群の密度を確認します。そのうえで、同一地点の点群を異なる位置や角度から取得し、位置合わせ後の対応点距離の分布を確認します。

正しい対応点がどの程度の距離に分布するかを把握すれば、適切なしきい値を検討しやすくなります。

また、距離しきい値は点群の前処理にも影響されます。ボクセルダウンサンプリングによって点群を間引いた場合、点の配置が変わり、対応点距離の分布も変化する可能性があります。

そのため、前処理を変更した場合には、幾何検証のしきい値も再確認する必要があります。

重要なのは、センサーの精度だけを基準にしないことです。実際の計測条件、点群密度、位置合わせの初期誤差などを考慮し、誤検出を防ぎながら十分な対応点を確保できる条件を設定しましょう。

パラメータ4:RANSACの反復回数と成功確率

4つ目は、RANSACの反復回数と成功確率です。

RANSACは、誤った対応点が混在するデータから、整合性の高い対応関係を抽出するために使用されるアルゴリズムです。ループ閉合では、現在の観測データと過去の観測データを幾何学的に照合する際に利用されることがあります。

点群の対応付けでは、すべての対応点が正しいとは限りません。誤った対応点が混在した状態で位置合わせを行うと、不正確な変換行列が推定される可能性があります。

RANSACでは、対応点の中からランダムに一部を抽出し、その組み合わせから位置や姿勢の変換モデルを推定します。次に、推定したモデルが残りの対応点とどの程度整合するかを評価します。

この処理を複数回繰り返し、最も多くの対応点を説明できるモデルなどを選択します。

ここで重要になるのが反復回数です。反復回数が少ない場合、正しい対応点だけを含むサンプルを抽出できないまま処理が終了する可能性があります。

反対に、反復回数を増やせば、正しいモデルを見つけられる可能性は高くなりますが、処理時間も長くなります。

RANSACの反復回数は、インライア率、サンプル数、目標成功確率などに関係します。

一般的な考え方では、必要な反復回数は次の式で表せます。

N ≥ log(1-p) / log(1-w^s)

ここで、Nは必要な反復回数、pは少なくとも一度は正しいサンプルを抽出する目標確率、wは対応点全体に占めるインライアの割合、sは1回のモデル推定に必要な最小サンプル数です。

例えば、正しい対応点の割合が低い場合、正しいサンプルだけを選択できる確率は低くなります。そのため、目標とする成功確率を満たすには、より多くの反復が必要になります。

逆に、正しい対応点の割合が高い場合は、比較的少ない反復でも適切なモデルを抽出できる可能性があります。

実務では、反復回数だけを増やせばよいわけではありません。データの品質や処理時間とのバランスを考慮する必要があります。

例えば、特徴点の対応関係が十分に正確な環境であれば、過剰な反復は処理時間を増やすだけになる可能性があります。一方、似た形状の設備が多い環境や、外れ値が多い点群では、反復回数が不足すると誤ったモデルを採用する危険があります。

調整する際は、同じデータセットを使用し、反復回数を段階的に変更しながら検証します。

各条件で正しいループ閉合が検出された割合、誤検出の発生状況、処理時間を記録します。これによって、精度と処理負荷のバランスを把握できます。

なお、RANSACの反復回数は、実装によっては成功確率を指定することで自動的に決定されます。また、最大反復回数に上限を設けている場合もあります。

そのため、設定値だけでなく、実際に何回の反復が実行されたのか、早期終了が発生しているのかも確認することが大切です。

パラメータ5:インライア数とインライア率の判定条件

5つ目は、幾何検証で採用するインライア数とインライア率の判定条件です。

インライアとは、推定した位置関係や幾何モデルと整合する対応点のことです。反対に、モデルと整合しない対応点はアウトライアと呼ばれます。

ループ閉合では、単に一部の点が一致しているだけでは、同じ場所であると判断するには不十分です。十分な数の対応点が整合していることを確認する必要があります。

例えば、二つの点群を比較した結果、少数の点だけが一致していたとしても、それは偶然の一致かもしれません。壁面の一部や柱の一部分だけが似ている場合、別の場所でも同じような対応関係が成立する可能性があります。

そこで、モデルと整合するインライアが一定数以上存在することをループ閉合の採用条件にします。

インライア数のしきい値を高くすると、十分な対応点が得られた候補だけが採用されます。これによって、偶然の一致による誤検出を抑制しやすくなります。

ただし、点群が疎な環境や、観測範囲が小さい環境では、正しい再訪であってもインライア数が少なくなる場合があります。

例えば、狭い通路で取得した点群と広い空間で取得した点群では、観測点の総数が異なります。固定のインライア数だけで判定すると、点群密度が低い環境で正しい候補まで除外してしまう可能性があります。

そこで、インライア数と併せてインライア率を利用します。

インライア率は、対応点全体のうち、幾何モデルと整合した点が占める割合です。インライア数が多くても、対応点全体に対する割合が極端に低い場合は、誤った対応関係が多く含まれている可能性があります。

逆に、インライア率が高くても、対応点の総数が非常に少なければ、十分な信頼性があるとは限りません。

例えば、対応点が数個しかない状態で、そのほとんどが整合していたとしても、空間全体の形状を正しく表現できているとは判断できません。

そのため、実務では最小インライア数と最小インライア率を組み合わせて判定する方法が有効です。

さらに、対応点の空間的な分布も確認することが望ましいです。対応点が一部分に集中している場合、局所的には一致していても、空間全体の位置関係が正しいとは限りません。

例えば、長い壁面の一部分だけで対応点が集中している場合、壁面に沿った方向の位置や姿勢を十分に拘束できない可能性があります。

そのため、インライア数とインライア率だけでなく、対応点が空間内にどの程度広がっているかも評価すると、誤検出の防止につながります。

調整時には、正しい再訪と誤った候補の双方について、インライア数、インライア率、空間分布を記録します。

そのうえで、正しい候補を十分に残しながら、誤った候補を排除できる判定条件を設定します。

点群密度や観測範囲が異なる環境では、単一の固定しきい値が適さない場合もあります。必要に応じて、点群の規模や特徴情報の量を考慮した判定方法を検討しましょう。

パラメータ6:ロバストカーネルのスケール

6つ目は、ポーズグラフ最適化で使用するロバストカーネルのスケールです。

ここまで紹介した5つのパラメータは、主にループ閉合候補の検索や幾何検証に関係するものでした。一方、ロバストカーネルのスケールは、採用した制約を最適化に反映する際の影響を調整するためのパラメータです。

SLAMでは、ループ閉合が検出されると、現在のキーフレームと過去のキーフレームの間に制約が追加されます。この制約を利用してポーズグラフを最適化し、軌跡全体の整合性を改善します。

しかし、ループ閉合候補が正しいと判断されていても、観測データの品質や幾何検証の誤差によって、制約に一定の不確かさが残る場合があります。

特に、複雑な環境では、一部の制約だけが他の制約と矛盾することがあります。そのような制約を通常の最小二乗法で強く反映すると、地図全体の形状が不自然に変化する可能性があります。

そこで利用されるのがロバストカーネルです。

ロバストカーネルは、大きな残差を持つデータの影響を抑え、外れ値によって最適化結果が大きく変化することを防ぐための仕組みです。

代表的なものとして、HuberカーネルやCauchyカーネルがあります。

Huberカーネルは、小さな残差に対しては通常の二乗誤差に近い扱いを行い、大きな残差に対しては影響を抑える方式です。

Cauchyカーネルは、残差が大きくなるにつれて、その影響を徐々に弱める方式です。

これらのカーネルでは、残差に対する影響の変化を決めるスケールパラメータが重要になります。

スケールを小さく設定すると、大きな残差を持つ制約の影響が早い段階から抑えられます。誤ったループ閉合制約が混入した場合には、その影響を小さくできる可能性があります。

ただし、スケールを小さくしすぎると、正しいループ閉合制約まで十分に反映されなくなる場合があります。

例えば、長距離移動によって蓄積した誤差を補正するために正しいループ閉合制約が追加されたとしても、残差が大きいという理由だけで影響が弱められる可能性があります。

反対に、スケールを大きく設定すると、多くの制約が通常の最小二乗法に近い形で反映されます。正しい制約を強く利用できる一方で、誤った制約が含まれている場合には、その影響を十分に抑えられない可能性があります。

調整では、まずループ閉合制約の残差分布を確認します。正しい制約と疑わしい制約の残差がどの程度異なるのかを把握することが重要です。

また、最適化に使用する情報行列や制約の重み付けも併せて確認します。情報行列は、制約の位置や姿勢に関する不確かさを表現するために使われます。

位置と姿勢では観測精度が異なる場合があるため、すべての制約に同じ重みを与えることが適切とは限りません。

ロバストカーネルのスケールは、残差の定義や正規化方法、情報行列の設定によっても適切な値が変わります。そのため、異なる実装の設定値をそのまま流用するのは避けるべきです。

最適化前後の軌跡、点群の重なり、制約の残差を確認し、正しいループ閉合を活用しながら外れ値の影響を抑えられる条件を探しましょう。

6つのパラメータを効率よく調整する手順

6つのパラメータは、それぞれ独立しているわけではありません。候補検索の条件を変えれば、幾何検証に渡されるデータの性質が変わります。また、幾何検証の判定条件を変更すれば、最適化に追加されるループ閉合制約の数や品質も変化します。

そのため、すべてのパラメータを同時に変更するのではなく、処理の流れに沿って段階的に調整することが重要です。

最初に行うのは、基準となる計測データの準備です。建物内や通路など、実際に再訪が発生する環境を選び、計測軌跡と観測データを保存します。

可能であれば、既知点や外部の基準計測によって正解となる位置関係を確認できるデータを用意します。これによって、正しいループ閉合と誤ったループ閉合を区別しやすくなります。

次に、記述子の類似度しきい値を調整します。候補検索の段階で誤った候補が大量に残っている場合、後段の処理負荷が増加するためです。ただし、この段階で検出条件を過度に厳しくしないように注意します。

続いて、時間的除外ウィンドウを調整します。連続した近接観測がループ閉合候補に含まれていないかを確認し、不要な候補を排除します。

候補検索が安定したら、幾何検証の対応点距離しきい値を調整します。点群の位置合わせが適切に行われているか、対応点が不自然な位置に集中していないかを確認します。

その後、RANSACの反復回数と成功確率を調整します。外れ値が多い環境でも適切な変換モデルを推定できるように、検出率と処理時間のバランスを確認します。

次に、最小インライア数とインライア率を調整します。十分な対応点が得られていない候補や、偶然の一致による候補が採用されていないかを検証します。

最後に、ロバストカーネルのスケールを調整します。採用したループ閉合制約がポーズグラフ最適化に適切に反映されているか、誤った制約の影響が抑制されているかを確認します。

この順番で調整すると、どの段階で問題が発生しているのかを特定しやすくなります。

また、調整前後の結果を比較するために、使用したデータ、各パラメータの設定値、検出された候補数、採用された制約数、処理時間などを記録しておくことが重要です。

一度に複数の条件を変更すると、改善した原因や悪化した原因が分かりにくくなります。基本的には一つのパラメータを変更し、同じデータセットで再計算して結果を比較します。

ただし、パラメータ間には相互作用があるため、個別調整だけで最終的な最適値が決まるわけではありません。各パラメータの初期調整を終えた後に、組み合わせによる再検証を実施することが望ましいです。

さらに、異なる環境のデータでも同様の結果が得られるかを確認します。特定の建物や通路だけで良好な結果が出ても、他の現場で安定して動作するとは限りません。

最終的には、複数のデータセットを使用して、誤検出、未検出、最適化後の誤差、処理時間を総合的に評価します。

ループ閉合の誤検出を防ぐ実践的な対策

ループ閉合の精度を高めるには、パラメータの調整だけでなく、誤検出が発生する原因を理解して対策することも重要です。

代表的な原因の一つが、環境の繰り返し構造です。

工場やプラントでは、同じ形状の配管、柱、機械設備が一定の間隔で配置されている場合があります。また、建物内部でも同じ幅の通路や似た形状の部屋が複数存在することがあります。

このような環境では、局所的な特徴だけでは場所を正しく識別できない場合があります。

対策としては、局所的な形状だけでなく、周囲の構造を含めて特徴を比較することが有効です。例えば、柱単体の形状だけでなく、柱の配置や壁面との位置関係、天井構造なども考慮します。

複数の特徴を組み合わせることで、異なる場所を同じ地点として認識するリスクを抑えられます。

次に注意したいのが、動的物体の存在です。

人や車両、移動する設備などが多い環境では、時間によって点群の構成が変化します。過去には存在しなかった物体が現在の観測に含まれたり、反対に過去の観測に存在した物体がなくなったりすることがあります。

こうした動的物体の点群が多く含まれると、特徴記述子の類似度や幾何検証の結果が不安定になる可能性があります。

対策として、可能であれば動的物体を検出して除外し、壁面や柱、床、固定設備などの安定した構造を中心に比較します。

ただし、すべての設備が固定されているとは限らないため、計測対象に応じて静的な特徴を判断する必要があります。

さらに、観測範囲の違いも誤検出の原因になります。

同じ場所を再訪していても、移動方向やセンサーの向きが異なれば、取得できる点群の範囲は変わります。壁面の裏側や障害物によって遮蔽された部分は、異なる観測結果になります。

このような条件では、点群全体を単純に比較するだけでは、正しい再訪を検出できない場合があります。

観測範囲が重なっている部分を中心に比較したり、異なる視点からでも安定して取得できる特徴を利用したりすることが重要です。

また、センサーの設置状態やキャリブレーションの不備も見逃せません。

センサーと移動体の間の位置関係に誤差があると、観測された点群の位置関係が実際の環境とずれる可能性があります。外部パラメータが適切でない場合、同じ場所を観測しても幾何学的な整合性が低下することがあります。

計測前にはセンサーの取り付け状態やキャリブレーション結果を確認し、異常がないことを確かめましょう。

さらに、ループ閉合が発生した後の地図全体の変化も監視する必要があります。

誤った制約が追加されると、局所的な位置合わせでは問題が見つからなくても、最適化後に軌跡が不自然に変形することがあります。

例えば、直線だった通路が不自然に曲がる、離れていた設備の点群が重なる、壁面が二重に見えるといった現象です。

このような場合には、ループ閉合制約の残差や情報行列を確認し、問題となる制約を特定します。

誤検出を防ぐには、候補検索、幾何検証、最適化という各段階で異なる観点から検証することが大切です。

現場でループ閉合精度を検証するときの注意点

実際の現場でループ閉合を利用する場合、アルゴリズム上の精度だけでなく、計測環境や作業方法も考慮する必要があります。

最初に確認したいのが、計測ルートです。

ループ閉合を検証するには、同じ場所へ戻る経路を含むデータを取得することが望ましいです。出発地点から直線的に移動して終了するだけでは、再訪の検出性能を十分に評価できません。

建物内を一周するルートや、複数の通路を往復するルートなど、再訪が発生する条件を含めて計測します。

このとき、出発地点と到着地点だけでなく、途中で再訪する場所も設定しておくと、さまざまな条件でループ閉合を検証できます。

次に、計測速度を安定させることが重要です。

移動速度が急激に変化すると、観測間隔や点群の重なり方が変化する場合があります。特に、急停止や急旋回を繰り返すと、位置推定や特徴抽出が不安定になる可能性があります。

実務では、可能な範囲で一定の速度を保ち、急激な方向転換を避けながら計測することが望ましいです。

また、センサーの向きや高さも重要です。同じ場所を再訪していても、観測方向が大きく変わると、取得される点群の範囲が異なります。

例えば、最初の計測では壁面を正面から観測し、再訪時には壁面に対して斜め方向から観測した場合、点群の重なりが少なくなる可能性があります。

こうした条件では、観測範囲が十分に重なるように計測ルートやセンサーの姿勢を工夫することが有効です。

さらに、現場の環境変化にも注意が必要です。

工場では設備の稼働状況や作業物の配置が変わることがあります。建設現場では資材の搬入や仮設物の設置によって、以前の計測時とは空間の状態が変わる場合があります。

このような変化が大きい場合、過去の点群と現在の点群をそのまま比較することは難しくなります。

安定した構造物を中心に比較する、動的物体を除外する、特徴情報を再評価するといった対策が必要です。

検証では、基準となるデータを用意することも重要です。

既知点や測量によって位置が確認されている場所を利用すれば、ループ閉合によって補正された軌跡が実際の位置に近づいているかを評価できます。

基準データがない場合でも、計測開始地点と終了地点の位置関係や、同じ壁面の重なり具合などから一定の評価は可能です。ただし、点群同士が重なっていることだけでは、絶対的な位置精度が確保されているとは判断できません。

相対的な整合性と絶対的な位置精度を区別して評価することが大切です。

また、ループ閉合の検証ログを保存しておくと、後から問題の原因を調査しやすくなります。

候補検索で抽出されたキーフレーム、類似度スコア、幾何検証の対応点数、インライア率、位置合わせ後の残差、最適化前後の軌跡などを記録しておきましょう。

これらの情報があれば、誤検出が候補検索の段階で発生したのか、幾何検証で見逃されたのか、最適化によって問題が拡大したのかを切り分けやすくなります。

最後に、同じ現場で複数回の計測を実施することも有効です。

一度だけ良好な結果が得られても、再現性があるとは限りません。計測方向や速度を変えた条件でも同様の結果が得られるかを確認し、実務で使用できる安定性を評価しましょう。

SLAMのループ閉合を安定運用するためのポイント

ループ閉合を実務で安定して利用するには、導入時のパラメータ調整だけでなく、継続的な品質管理が必要です。

まず重要なのは、使用するセンサーや環境に応じて設定値を管理することです。

異なるセンサーでは測距精度や点群密度、観測範囲が異なります。同じアルゴリズムを使用していても、適切な対応点距離しきい値やインライア判定条件が変わる可能性があります。

また、同じセンサーでも、屋内と屋外、広い空間と狭い通路では観測データの特徴が異なります。

そのため、すべての環境に同じパラメータを適用するのではなく、代表的な環境ごとに設定値を検証し、適用範囲を明確にすることが重要です。

次に、パラメータの変更履歴を残すことが大切です。

例えば、記述子の類似度しきい値を変更した場合、変更前後の候補数や誤検出数を記録します。RANSACの反復回数を変更した場合は、成功率だけでなく処理時間も確認します。

このように、設定変更と検証結果を関連付けて管理すれば、問題が発生したときに原因を追跡しやすくなります。

また、処理速度と精度のバランスも考慮する必要があります。

ループ閉合の候補を大量に検索し、すべてに対して複雑な幾何検証を実施すると、処理時間が増加します。リアルタイム処理が求められる場合は、候補検索の効率化や検証対象の絞り込みが重要になります。

一方、後処理によって高精度な地図を生成する場合は、ある程度の処理時間を許容して、検証条件を強化する選択肢もあります。

利用目的に応じて、リアルタイム性と精度のどちらを優先するのかを決めておきましょう。

さらに、ループ閉合が成功したという情報だけで計測結果を採用しないことも重要です。

最適化後の軌跡が不自然になっていないか、点群の重複やずれが残っていないか、基準となる位置情報と矛盾していないかを確認します。

SLAMで生成した点群は、現場の状況を三次元的に把握するために利用できますが、その品質はセンサーの性能、計測方法、環境条件、後処理の方法などによって変わります。

ループ閉合は地図の整合性を改善する重要な技術ですが、すべての誤差を自動的に解消するものではありません。

現場写真や位置情報、施工記録などの情報も併せて管理し、点群や軌跡の品質を確認できる体制を整えることが、実務での安定運用につながります。

まとめ

SLAMのループ閉合精度を高めるには、再訪候補の検索から幾何検証、ポーズグラフ最適化まで、一連の処理を理解してパラメータを調整することが重要です。

特に、記述子の類似度しきい値、時間的除外ウィンドウ、対応点距離しきい値、RANSACの反復回数、インライア数とインライア率、ロバストカーネルのスケールという6つのパラメータは、誤検出と未検出のバランスに大きく関係します。

これらは互いに影響するため、一度にすべてを変更するのではなく、候補検索、幾何検証、最適化の順に段階的に調整することが基本です。

また、適合率や再現率だけでなく、ATEやRPE、対応点の残差、最適化後の点群の整合性なども確認し、複数の観点から精度を評価する必要があります。

実際の計測現場では、繰り返し構造、動的物体、観測方向の違い、点群密度の変化などがループ閉合の精度に影響します。複数の環境で検証し、再現性のある設定を構築することが大切です。

さらに、SLAMで取得した三次元データを施工管理や現場記録に活用する場合は、点群だけでなく、位置情報や現場写真などの関連情報も整理しておくと、計測結果の確認や後日の比較がしやすくなります。

現場写真・位置情報・施工記録を効率的に管理したい場合は、LRTK Phoneの活用も選択肢になります。SLAMによる三次元計測と位置情報付きの現場記録を組み合わせることで、計測結果の確認や施工状況の把握を支援する運用体制を構築できます。

ループ閉合のパラメータ調整によって点群の整合性を高めるとともに、現場情報を適切に記録・管理し、信頼性の高い三次元計測データの活用につなげていきましょう。

現場を3Dで残して、あとから測る。
実際の画面と動画で使い方を確認できます。

LRTK Phoneの使い方・実例を見る
資料請求導入相談
現場をスマホで3DスキャンLRTK Phone実例を見る