AUTO　

用語紹介

今日、自動運転車が公道を走行するなど自動運転の実用化に向けた発展は急速に進んでいる。日本でも高速道路などの限定的な状況下では、自動運転を利用できる車種も登場している。しかし、完全な自動運転への実用化には至っておらず、安全性の問題やイレギュラーな状況への対応など様々な問題が山積みになっている。そこで私たちは、自己位置推定やセンシング、物体検知に加え、プレディクションといった技術に着目することで完全自動運転に向けた研究を行っている。

自動運転技術の”目”の役割となる重要な分野である。環境を認識するために多くのセンサが利用されており、LiDAR、カメラ、IMU、レーダー等を用いてセンシングが行われている。各センサにはそれぞれの利点と欠点が存在し、ロバスト（環境に対して頑強）な自動運転を実現するためには、各種センサのデータ処理アルゴリズムの改良や、複数のセンサを利用し相互に欠点を補い合うことが必要である。

「Light Detection and Ranging」の略。カメラと違い、レーザーを用いて物体との距離を測定することで、周辺環境を三次元に捉えることができる。またレーダーと比較すると波長が短く、小さな物体も検知することができる。欠点としては、悪天候時に検知能力が低下することや、データ処理負荷が大きい傾向にあることが挙げられる。

LiDARは高精度に物体の形状を見ることができるが、カメラと異なり色情報を取得できないため、物体形状から深層学習を用いて分類を行う。しかし点群は1フレームで何万点と情報量が膨大であるため、処理手法や学習アルゴリズムが重要である。一例として、代表的な手法である“pointpillars”では、点群を縦柱（pillar)に見立てて特徴量を抽出し、擬似的な2D画像を生成して深層学習を用いて物体分類を行うことで、軽量かつ高精度に物体検出を行なっている。 

自己位置推定は、センシングした情報をもとに自分のいる場所を推定する技術である。位置推定の正確さは、安全性や車両制御、物体検知など多くのタスクに影響を与える重要な要素であり、高速で移動する自動運転車はその精度も高く求められている。LiDARベースの車両では自己位置推定にGNSS、IMUに加えて、LiDARを利用したスキャンマッチングという手法が用いられている。

スキャンマッチングは事前に作成された地図とLiDARのようなレーザー式のセンサから得た点群を比較することで自己位置推定を行う技術である。自動運転に利用される3次元LiDARのスキャンマッチングは精度が良いといった利点がある一方で、特徴が無いような環境では精度が低下する、点群数が多いため計算コストが高い等の問題点がある。