[論文レビュー] Full Stack Navigation, Mapping, and Planning for the Lunar Autonomy Challenge

Adam Dai, Asta Wu+5 more|arXiv (Cornell University)|Mar 18, 2026

Robotics and Sensor-Based Localization被引用数 0

ひとこと要約

論文は、セマンティックセグメンテーション、ステレオ VO、ループクローズを伴うポーズグラフ SLAM、階層的プランニングを組み合わせた月面ローバーナビゲーションとマッピングのモジュラー全-stack自律システムを提案し、センチメートルレベルのローカリゼーションと Lunar Autonomy Challenge での1位を達成します。

ABSTRACT

We present a modular, full-stack autonomy system for lunar surface navigation and mapping developed for the Lunar Autonomy Challenge. Operating in a GNSS-denied, visually challenging environment, our pipeline integrates semantic segmentation, stereo visual odometry, pose graph SLAM with loop closures, and layered planning and control. We leverage lightweight learning-based perception models for real-time segmentation and feature tracking and use a factor-graph backend to maintain globally consistent localization. High-level waypoint planning is designed to promote mapping coverage while encouraging frequent loop closures, and local motion planning uses arc sampling with geometric obstacle checks for efficient, reactive control. We evaluate our approach in the competition's high-fidelity lunar simulator, demonstrating centimeter-level localization accuracy, high-fidelity map generation, and strong repeatability across random seeds and rock distributions. Our solution achieved first place in the final competition evaluation.

研究の動機と目的

• GNSS欠如環境での高対比環境における月面ナビゲーションとマッピングのモジュラー自律スタックを実証する。
• セマンティック知覚、ステレオ視覚オドメトリ、ポーズグラフ SLAM をループ閉鎖と共に統合し、グローバル一貫性を確保する。
• マッピングカバレッジと障害物回避を促進する高レベル計画と反応的モーションプランニングを開発する。
• 局所化とマッピングの精度を評価し、さまざまな地形とランダムシードに対する堅牢性を検証する。
• 再現性とコミュニティの発展を促すため、実装をオープンソース化する。

提案手法

• フロントエンド知覚として前方ステレオ画像のセマンティックセグメンテーション（U-Net++）を10 Hzで実行し、地面、岩、ランダー、 fiducials、空をマスク化する。
• ステレオ視覚オodometyはステレオペアから3Dランドマークを三角測量し、それらを追跡してRANSAC付きPnPで運動を推定する。
• VO/IMU因子を統合し、追跡された3D特徴と記述子を用いてループクローズを行う姿勢グラフ最適化（ファクターグラフ）ベースのSLAMバックエンド。
• ラベル付きランドマークをグローバルフレームへ射影して、180×180の地形高度地図と2値岩占有地図を生成する幾何・セマンティックマッピング。
• 地図カバレッジを最大化しループ閉鎖を奨励する高レベルウェイポイント計画と、岩石回避を含む安全な定曲線アークを選択する局所モーションプランナーを組み合わせる。
• 計画失敗時には反応的なバックアップ逆走を含む故障回復戦略を用いて機動性を維持する。

実験結果

リサーチクエスチョン

• RQ1 GNSS欠如・特徴希薄・光条件が高度に動的な月面環境において、モジュラーな全-stack自律システムはどの程度頑健に月面ナビゲーションとマッピングを実現できるか。
• RQ2 学習された知覚（セマンティックセグメンテーション、学習された特徴マッチング）と従来のSLAMバックエンドの組み合わせは、月面地形でセンチメートルレベルの局所化と高忠実度の地図を生み出すか。
• RQ3 カバレッジとループ閉鎖を重視する階層的計画アプローチは、月面様条件下で地図の精度とドリフト補正を改善するか。
• RQ4 高忠実な月面シミュレータにおけるランダムシードと岩分布に対するシステムの頑健性と再現性はどの程度か。
• RQ5 提案システムは未見の地形や光条件を含む競技マップへ一般化できるか。

主な発見

Preset	RMSE (m)	Geometric Map Score	Rock Map Score	Total Score
1	0.0434	269.6	153.6	823.3
2	0.0379	272.3	155.2	827.5
3	0.0605	200.8	146.2	746.9
4	0.0612	190.2	154.8	745.0
5	0.0510	224.7	150.6	775.3

• センチメートルレベルの局所化RMSEを達成（例えばプリセットとシード間で0.0379–0.0628 m程度まで低下）。
• 地形の高さ誤差が小さく、複数の岩分布に対して堅牢な岩占有地図を含む高忠実度の幾何地図を生成。
• ループ閉鎖付きの姿勢グラフ SLAMによってグローバルな一貫性を維持し、ループ閉鎖後に誤差が顕著に減少。
• 月面 autonの決勝競技 評価で上位を獲得し、全体1位および幾何マッピングと岩検出でトップスコアを獲得。
• 学習特徴を用いたセマンティックセグメンテーション（SuperPoint、LightGlue）は、極端な月光条件と地形テクスチャ下でVOの頑健性を向上。
• 再現性を可能とするオープンソース実装（コードは提供されたGitHubリポジトリで公開）。