TL;DR

• 都市峡谷やトンネルで GNSS が壊れても動くように、連続時間の因子グラフで GNSS・IMU・速度・LiDAR odometry をまとめて融合する `gnssFGO` を提案している。
• Gaussian process による連続時間軌跡表現を使うので、非同期センサを無理に同期させず、任意時刻の状態を補間して因子を張れる。
• Aachen の 17 km シーケンスでは、tight coupling で平均 2D 誤差 0.48 m を出しており、GNSS 劣化区間で LiDAR 中心の従来法よりかなり粘る。

何を解決？

都市環境では GNSS が multipath や NLOS で壊れやすく、LiDAR 側もトンネルや退化区間で外すので、単一センサ主導の localization だと破綻しやすい。

何が新しい？

センサ周波数に依存しない **time-centric** な因子グラフ構築にして、推定時刻を任意に選べるようにした点。

どうやってる？

軌跡は GP prior 付きの連続時間状態列として表現し、測定時刻に厳密な state がなくても補間して残差評価する。

TL;DR

• EKF 系 LIO の弱点である線形化誤差と不整合を減らすために、equivariant filter を使った tightly coupled LIO `Eq-LIO` を提案している。
• IMU bias と LiDAR extrinsic まで含めた半直積群の対称性を使い、常に固定された原点で線形化することで一貫性を改善する設計。
• 公開・私有データセットのベンチマークでは、計算コストを大きく増やさずに精度・堅牢性・consistency の改善を狙っている。

何を解決？

EKF ベースの LIO は非線形性が強い場面で線形化誤差が大きく、covariance が過信気味になる不整合が出やすい。

何が新しい？

EqF を LIO に持ち込み、navigation state・IMU bias・LiDAR extrinsic を半直積群の対称性でまとめて扱った点。

どうやってる？

state は navigation pose / velocity / position に加え、gyro・acc bias と LiDAR extrinsic を含む多様体上で定義する。

TL;DR

• LiDAR odometry が corridor のような退化環境で壊れやすい原因を、単一の ICP error metric 依存だと捉え、`GenZ-ICP` を提案している。
• point-to-plane と point-to-point を局所幾何に応じて切り替え、adaptive weighting で混ぜることで、構造化環境と非構造化環境の両方に対応する。
• 一般環境では SOTA 級と同等、長廊下のような退化ケースではかなり強く、ill-posed optimization を避けるのが効いている。

何を解決？

point-to-plane は structured 環境では強いが、normal が信用できない場面では弱い。

何が新しい？

対応点ごとの **planarity classification** によって、点対平面と点対点を局所的に使い分ける点。

どうやってる？

scan-to-map matching の各 correspondence について、局所幾何から planar か non-planar かを判定する。

TL;DR

• 動的環境の VINS が急に動き出す物体で壊れる問題に対して、`DynaVINS++` は adaptive truncated least squares と state recovery を組み合わせて立て直す。
• 視覚残差の外れ値処理だけでなく、IMU bias の崩れも監視して rollback する構成になっているのがポイント。
• public / real-world dataset で、abruptly dynamic object が出る場面でも既存 robust VINS より安定している。

何を解決？

動的環境向け VINS は多数あるが、「途中から急に動き出す物体」による外れ値は依然つらい。

何が新しい？

視覚残差に対して truncation range を固定せず、状況に応じて調整する **adaptive TLS** を入れた点。

どうやってる？

bundle adjustment / VINS optimization の中で、feature association と IMU preintegration を見ながら truncation range を調整する。

TL;DR

• optimization-based VINS の camera-IMU time offset を、追加 state と Jacobian で online に同時推定する手法。
• optical flow に強く依存せず、姿勢・速度由来の補正式を視覚残差へ直接組み込むので、既存 VINS に比較的入れやすい。
• EuRoC と simulation では noisy sensor 条件でも time offset 推定が安定し、収束速度も良いという主張。

何を解決？

camera と IMU の時間ずれは、見た目以上に VINS の初期化・追跡・精度に効く。

何が新しい？

time offset `t_d` を state に足し、視覚残差の Jacobian に明示的に入れて online 最適化できるようにした点。

どうやってる？

IMU 姿勢・位置を画像タイムスタンプへずらす補正式を導き、視覚因子の residual に `t_d` の寄与を追加する。

TL;DR

• IMU preintegration を、bias を外付け state として扱う従来形ではなく、Galilean group の拡張空間で幾何的に定式化し直した論文。
• bias と navigation state をまとめた preintegration error を導き、線形化誤差と consistency を改善したい立場。
• EuRoC では NEES などの一貫性指標で既存 preintegration より良い結果を示しており、理論色の強い基盤論文。

何を解決？

既存の IMU preintegration は bias を別空間に持つことが多く、幾何構造と linearization の噛み合いが悪くなりやすい。

何が新しい？

bias と navigation state を幾何的に結合した新しい preintegration error を導いた点。

どうやってる？

continuous-time biased INS を Galilean group に沿って書き換え、preintegrated increment を群の指数写像で更新する。

TL;DR

• Gaussian mixture likelihood を含む robotics の MAP 推定を NLS として解くとき、既存の Max-Mixture / Sum-Mixture 系より筋の良い Hessian 近似を与える論文。
• LogSumExp の非線形性を正面から見て、各 mixture 成分の Gauss-Newton 近似を chain rule でまとめる `Hessian-Sum-Mixture` を提案している。
• 既存 solver と互換性を保ちながら、収束性と uncertainty characterization を改善するのが狙い。

何を解決？

data association や outlier を扱うために Gaussian mixture likelihood を入れると、NLS の Hessian 近似が難しくなる。

何が新しい？

mixture likelihood 全体の Hessian を、成分ごとの GN 近似と chain rule で組み上げる `HSM` を提案した点。

どうやってる？

負の対数 mixture likelihood を LogSumExp 付きの目的関数として定義し、その一階・二階構造を展開する。

TL;DR

• 限定 FOV の LiDAR でも使える place recognition descriptor `SOLiD` を提案しており、solid-state LiDAR や制約付き mount を強く意識した論文。
• BEV に潰すのでなく、球座標ベースの range/elevation・azimuth/elevation 表現と IEV 重み付けで狭視野の情報欠損を扱う。
• descriptor はかなり軽く、CPU ベースで高速。limited FOV 条件でも既存法より壊れにくい。

何を解決？

実ロボットではセンサ統合や mount 制約で LiDAR の FOV が狭くなることが多く、既存 descriptor は full-view 前提で崩れやすい。

何が新しい？

range-elevation / azimuth-elevation の二つの投影で limited FOV に向いた global descriptor を作った点。

どうやってる？

点群を球座標系の 3D bin に分け、REC / AEC を構成する。

TL;DR

• moving target TSP with obstacles in 3D に対して、初めて **complete かつ bounded-suboptimal** なアルゴリズム `FMC*-TSP` を与えた論文。
• target order を決める高レベル探索と、GCS 上で軌跡を解く低レベル探索を組み合わせ、訪問順序と時空間 feasibility を両方見る。
• 3D 障害物環境・時間窓付き moving targets を、理論保証つきで扱っているのが大きい。

何を解決？

moving targets を time window 内に捕捉しつつ障害物回避して帰還する問題は、順序計画と幾何計画が強く結び付く。

何が新しい？

MT-TSP-O を **3D** で扱い、complete + bounded-suboptimal を同時に出している点。

どうやってる？

高レベルでは、target と time window をまとめた graph 上で GTSP-TW 風に候補 tour を探索する。

TL;DR

• endpoint constraints を正確に扱える constrained DDP を提案しており、既存の inexact 解法より **quadratic convergence** を狙っている。
• Schur complement と nullspace decomposition を使い、rank-deficient な endpoint / stagewise equality constraints も処理する。
• inverse dynamics や接触制約を含む optimal control 問題で、体操動作のような複雑タスクまで扱っている。

何を解決？

constrained DDP で endpoint constraints を入れたいとき、既存法は ADMM 的な inexact resolution に寄りがちで収束が鈍い。

何が新しい？

endpoint constraints を **exact** に解く DDP ステップを作り、quadratic convergence を主張している点。

どうやってる？

各 iteration で constraint 付き QP を解くが、その KKT 系を Schur complement / nullspace decomposition で解消する。

TL;DR

• 予測ステップ幅そのものを最適化変数に入れた `variable time-step MPC` を提案し、固定ステップ MPC より長い horizon と細かい maneuver を両立させる。
• dynamic target interception / monitoring のような KOP 的タスクに対して、報酬と機動性を両方見ながら UAV 軌跡を作る。
• onboard 実験まで通していて、agile UAV planning を実践寄りに詰めた MPC 論文。

何を解決？

fixed time-step MPC は、長い horizon を見たければ step 数を増やす必要があり、計算量がすぐ増える。

何が新しい？

prediction step の `Δt_k` を最適化変数にし、horizon 長と sampling density を同時に調整する点。

どうやってる？

quadrotor は differential flatness を使って簡略化し、jerk 入力の点質量モデル上で MPC を定式化する。

TL;DR

• unidirectional parallel spring (UPS) を持つ脚ロボットに対して、その弾性を活かす kinodynamic MPC を設計した論文。
• SLIP → SRB MPC → kinodynamic MPC の階層 warm-start 構造で、非凸な locomotion NLP を実時間で解きやすくしている。
• energy efficiency と peak motor torque の両方を下げており、parallel elasticity を controller がちゃんと使う設計になっている。

何を解決？

ばね機構を持つ脚ロボットは、機械としては省エネ余地があるのに、controller 側がその弾性を十分活かせないことが多い。

何が新しい？

UPS の torque contribution を kinodynamic MPC の中へ明示的に入れた点。

どうやってる？

最上位では SLIP で CoM 的な粗い reference を出し、中段で SRB MPC により torso dynamics を入れた reference に整える。