カメラとソナーの融合による水中ごみのアクティブマッピング

視界不良とセンサノイズがある水中環境で、カメラとソナーを融合したアクティブな視点選択は、固定経路や単独センサによる探索より効率的に海底のごみを発見できるか。

海洋ごみは小さく視覚的に曖昧で、カメラは濁りや照明不良で画質が劣化し、ソナーはノイズが多く解像度が低い。事前定義された経路では確認済み領域を再観測し、未解決領域の観測が遅れるため時間を浪費する。既存の情報駆動プランナは地図全体の不確実性低減を目的とし、ごみ候補の確定を優先しない。

従来手法は芝刈りや螺旋などの固定被覆経路、または単一センサ（カメラのみ、ソナーのみ）による観測が主流である。情報駆動プランナは相互情報量や地図エントロピーを最小化して均一な不確実性低減を狙うが、ごみ探索では物体候補の確認が重要であり、この区別がない。カメラとソナーの融合はSLAMで報告されているが、物体探索ではなく自己位置不確実性低減に焦点がある。

本手法は前方ソナーとカメラを共有ベイズ占有格子地図（Octomap）に融合する。各センサはデータから学習した距離と方位に依存する検出確率テーブルと誤警報確率テーブルを持ち、Mask R-CNNによるインスタンス分割を利用する。各ステップで候補ウェイポイントを列挙し、ボクセルエントロピーによる探索項と、占有確率が0.7から0.95の範囲にある物体候補ボクセルを数える活用項の和を最大化して次善視点を選ぶ。重みα=5で探索と活用を調整する。両センサの更新は条件付き独立とみなし逐次適用する。

評価はMARUSシミュレータで、[5,38]×[0,24] mの領域に11物体を3クラスタ配置し、UUV速度0.7 m/s。実験1ではカメラとソナー併用でアクティブ探索を芝刈りパターン（12 m間隔、3パス）と比較した。アクティブ探索は走行27 mで全11物体（3クラスタすべて）を発見したのに対し、芝刈りは27 m時点で4物体にとどまり、全物体発見に110 mを要した。実験2ではアクティブ探索でカメラとソナー併用を単独センサと比較し、併用は全物体発見まで単独センサの約半分の距離で済んだ。単独センサ間には明確な優劣はなかった。第2シナリオでもアクティブ探索の優位は維持された。

著者は限定として、ソナーとカメラの尤度間の結合を無視した条件付き独立の融合であること、非近視的プランナや代替目的関数を未検討であることを挙げ、実海域試験を将来課題としている。明らかな限界は、評価がMARUSシミュレータのみで実ロボット実験がないこと、検出モデルが合成データで学習され現実の水中環境の多様性に未対応であること、UUV姿勢と海底地形が既知と仮定していること、物体クラスが立方体と球のみであること、単一UUVによる評価で複数ロボットの協調は報告されていないことである。