自動運転システムの実用化には、あらゆる環境における正確で堅牢な位置推定が不可欠である。現在、慣性計測装置（IMU）と衛星測位システムの補正信号を融合させることで高精度な車両姿勢推定が実現されているが、衛星信号が遮断される環境ではその精度が大幅に低下してしまう。近年の研究では、機械学習（ML）がIMUベースの自己位置推定を改善できる可能性を示唆しており、量産車に搭載されている車載センサーの活用にはまだ開発の余地が残されている。 本研究は、Physics-Regularized Machine Learning for Localization（PRML2）と名付けられたハイブリッドフレームワークを提案している。このフレームワークは、カルマンフィルタリングとデータ駆動学習の相補的な強みを結合させ、車載センサーから直接車両姿勢を推定するものである。PRML2の核となる特徴は、微分可能なカルマンフィルタを通じたエンド・ツー・エンドの学習により実現される物理制約機械学習である。この手法により車両運動モデルとの整合性が向上し、位置推定精度の向上と様々な運転条件での汎化性能の向上がもたらされる。 研究チームは公開されているデータセットを用いてML強化型の車載オドメトリの性能限界を評価し、PRML2が優れた位置推定精度を実現するとともに、リアルタイム動作の能力を備えていることを実証した。また、低摩擦条件下での車両位置推定研究を支援するための新規データセットも導入されている。この提案フレームワークは、物理ベースの先験的知識と学習を統合することで、衛星信号喪失時などの機能低下したセンサー環境においても、堅牢で費用効果的な位置推定ソリューションを提供する。