Embedded Files
完全自動運転の実現
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。
自動運転におけるセンシング
環境認識は自動運転の”目”の役割となる重要な分野であり、多くのセンサが利用されている。LiDAR、カメラ、IMU、レーダー等が利用され、各センサの特製を活かして周辺状況を把握している。またロバスト（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各センサーの欠点を補い合う融合が必要である。
LiDAR
「Light Detection and Ranging」の略。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。またレーダーよりも短波長で小さな物体も検知することができるが、悪天候時に弱く、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を用いた物体検出
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。
マルチセンサ融合
各種センサの利点を生かし欠点を補い合うためには、複数のセンサ情報を統合する「マルチセンサ融合」が重要である。たとえば、カメラは色情報の認識に優れ、LiDARは測距性能に優れる。複数のセンサ結果を組み合わせることで、より信頼性の高い認識が可能となる。融合には、時系列の整合性やセンサデータの不確実性を適切に扱う必要がある。
自己位置推定
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
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。
Page updated
Report abuse