自律運転システムにおいて、ロボットが既に訪れた場所を認識する「ループクロージング問題」は重要な課題です。本研究は、スパイキングニューラルネットワーク（SNN）と教師なし学習手法であるスパイク時間依存可塑性（STDP）を組み合わせた視覚的場所認識（VPR）パイプラインの実装方法を提案しています。 従来のSTDP学習ベースのモデルは分類精度が高い一方で、自律運転に必要とされる「100%精度での再現率（R@100P）」に達していないという課題がありました。研究チームはPyTorchとsnnTorchを用いて、離散的でテンソル互換性を持つSNN-VPRパイプラインの実装を開発し、100カ所の北欧Nordlandデータセットで15の独立した訓練済みネットワークを用いて評価しました。 実装における3つの重要な設計判断の貢献を調査しています。第一に、ニューロン割り当てを閉形式の決定論的テンソルパイプラインで行う方法を示し、従来のargmax手続きと比べて大幅に高いR@100Pを実現することを証明しました。第二に、各クエリ後の状態リセットがニューロン割り当て方法に関わらずR@100P改善に有効であることをアブレーション研究で実証しました。第三に、速度補正された連続フレームのスライディングウィンドウ集約により、定速走行時にk=5フレームでR@100P=100%を達成し、追加遅延はわずか0.20ミリ秒です。 これらの知見は、STDP基盤のSNN-VPRにおいて推論段階の設計判断が再現率精度に大きな影響を与えることを示しており、ニューロモルフィックデバイスでの効率的なオンデバイス推論実現への道を開くものです。