OpenSpace Lab、IROS 2026屋内探査競技で単独公開1位、非公開では単独・複数とも3位

限られたステップ予算内で未知環境を最大限探査し、基地局へ確実に帰還して収集データをアップロードするにはどうすればよいか。

既存の自律探査手法は実行時間や経路長を受動的な評価指標として扱い、実時間の意思決定に制約として組み込んでいない。このため、バッテリ制約のある月面ローバーや災害対応ロボットのように時間制限付きの探査では、帰還コストを逐次評価しながらフロンティア評価と経路計画を行うことが難しかった。

従来手法はフロンティア探索や情報利得に基づく局所的な目標選択が中心で、時間や経路長はミッション完了後の評価に留まっていた。帰還制約を明示的に組み込んだフレームワークはほとんど存在しなかった。

OpenSpace Labは、事前学習済みのLaMaモデルをMapEx内で用いた地図補完予測をグローバル計画に利用し、最大7つのマクロ領域をビームサーチ（幅36、最大長6）で訪問順序を最適化する。残りステップ予算に応じて目標選択と経路規則を動的に調整し、帰還コストを安全マージン10ステップとともに逐次評価する。複数ロボットでは共有地図と意図情報に基づく効用駆動の目標選択を行い、イベントトリガーの中継と動的ハンドオフで通信と予算を両立する。

予備段階の公開7マップでは平均カバレッジ61.04%で1位となり、大規模マップでは2位チームに対して3.53パーセンテージポイント差（49.81%対46.28%）をつけた。最終段階の非公開10マップでは単独ロボット39.53%（3位、1位MobilityAIの40.26%に次ぐ）、複数ロボット39.91%（3位、1位HeRoLabの42.64%に次ぐ）だった。単独ロボット中規模マップカテゴリでは42.53%で1位を獲得した。評価は単独が小・中・大マップに1000・1500・2000ステップ、複数が2〜5台で500・1000・1500ステップの予算で実施され、最終段階は未公開マップで単一提出のみで評価された。

論文では限界は明示されていない。明らかな限界として、本報告は査読前のプレプリントであり、競技固有のヒューリスティクスに依存している。コードは論文受理後に公開予定で現時点では非公開である。非公開トラックでは上位2チームに及ばず、一般環境での有効性は未検証である。