て環境認識と合わせて経路計画を行うのが一般的です経路が決定したら次に経路に従ってロボットを動かします昔のテーマパークなどにある無人車両はこの経路に磁気レールをあらかじめ敷いておきその磁気を感知しながらライントレースをしていますこの方法ですと磁気レールのないところは走れませんのでインフ

Size: px

Start display at page:

Download "て環境認識と合わせて経路計画を行うのが一般的です経路が決定したら次に経路に従ってロボットを動かします昔のテーマパークなどにある無人車両はこの経路に磁気レールをあらかじめ敷いておきその磁気を感知しながらライントレースをしていますこの方法ですと磁気レールのないところは走れませんのでインフ"

こおがさくもと
5 years ago
Views:

1 特別講演三次元地図とロボット制御の関わり日本工業大学機械工学科准教授石川貴一朗 1. はじめに日本工業大学の石川と申しますご紹介ありがとうございました MMS( モバイルマッピングシステム ) は元は自律移動ロボットからの技術を応用して作られたものですが現在ではそのMMSで取得されたデータが逆にロボットの制御に関わるようになってきています本日のお話は MMSの技術的な背景から現在のロボット制御におけるMMS データの位置づけについて紹介したいと思います最近自動運転という言葉がマスコミ界隈を騒がせておりますがこの自動運転に必要な技術の一つにダイナミックマップがよく出てきていると思いますダイナミックマップは高精度な三次元地図と言われていますがなぜ自動運転に高精度地図が必要になるのか? この技術的な背景を2000 年代前半頃の自律移動ロボットの技術に沿って遡って説明していきますまず自律移動ロボットには様々なタイプのものがありますが大きく 2 通りに分けられます一つは未知環境の中を移動していくロボットもう一つは事前知識をロボットに与えた状態すでに既知の環境を移動して行くロボットの 2 通りがあります前者はレスキューロボットや惑星探査ロボットなど人が簡単には行けないようなところに行くロボットで状況が発災前と変化してしまうようなレスキューや惑星など全く未知の場所で行動する必要があるロボットですこれらのロボットでは事前に正確な地図は持っていないという中で安全に ( ロボットに対しても環境に対しても ) 移動しなければならないため地図を構築しながら移動することになります後者は既知の環境で目的地まで移動するロボットすなわち自動運転や案内用ロボットなどが該当しますこれらのロボットは決められたところを走行するためにあらかじめ行動範囲の正確な地図を持っていますこれらのロボットが目的地まで安全に到達するためにはロボットがおかれた状況をロボット自身が正しく認識する必要がありますそのために必要となる大前提の技術が位置推定技術になります自律移動ロボットに必要とされる基本機能として位置推定経路計画環境認識走行制御がありますロボットが目的地に移動するためにはまずどのように動くか行動決定をする必要がありますそのためにはロボットの現在位置と目的地の関係が分かっている必要がありますロボットの位置と目的地との関係が明らかであれば次にどのような経路を通るのかを選択しますこの際にロボットの周辺の環境がわかっていなければ壁などに衝突することになります経路計画は現在地から目的地までの経路を決定する大域的経路計画と局所的に障害物 ( 事前の地図情報にない人や駐車車両など ) を回避する経路を計算する局所経路計画の 2つがあります経路計画法ではダイクストラ法 A* 法ポテンシャル法などがよく使われる手法になります画像やレーザスキャナの距離データを使っ 8 先端測量技術 109 号

て環境認識と合わせて経路計画を行うのが一般的です経路が決定したら次に経路に従ってロボットを動かします昔のテーマパークなどにある無人車両はこの経路に磁気レールをあらかじめ敷いておきその磁気を感知しながらライントレースをしていますこの方法ですと磁気レールのないところは走れませんのでインフラ整備をする必要があります現在のロボットではインフラ整備が不要なように

2 て環境認識と合わせて経路計画を行うのが一般的です経路が決定したら次に経路に従ってロボットを動かします昔のテーマパークなどにある無人車両はこの経路に磁気レールをあらかじめ敷いておきその磁気を感知しながらライントレースをしていますこの方法ですと磁気レールのないところは走れませんのでインフラ整備をする必要があります現在のロボットではインフラ整備が不要なように磁気レールの代わりに座標で仮想的にレールのようなものを敷いてあげます仮想レールの敷設方法は例えば一定の間隔でWayPoint と呼ばれる通過点の座標を用意します WayPoint には座標だけでなくロボットによっては減速や一時停止などのロボット動作命令を一緒に記述することもありますこの座標でロボットを制御するためにはロボット自身がこの座標に対して何処にいるかというのが正確にわかっていないとうまいこと制御できなくなります特に座標も重要ですが向いている方向が間違っていれば当然全然違う方向に進んでしまうため自律移動ロボットはあくまでも仮想のここを通りなさいというラインに対してどう動くかというのが重要になりますもしロボットが位置推定に失敗するとロボットが思っている経路は実際の空間とずれてしまいます例えばこの経路が建物と衝突するような経路ですとロボットは建物に向かって走っていき建物手前で本来道であると思っている場所に障害物があると勘違いし動けなくなりますそのためロボットではこの位置をどうやって正確に推定するかということが非常に重要なテーマの一つとして長年研究されています 2. ロボットにおける自己位置推定自己位置推定の方法としていくつか手法が提案されてきたわけなのですがここで大まかに三つ紹介します一つが GNSS/INS 複合航法 UAVでも使われることが多いですが測量の世界だと一番メジャーな手法になるかと思いますそのほかにSLAM MCL(Monte Carlo Localization) など様々な手法があります自己位置推定の説明を行う前に使用される一般的なセンサを紹介します車速を測るロータリエンコーダ姿勢を測るジャイロ GNSS レーザスキャナカメラなどが使われますこれは本日色々な方が講演されたようなドローンや MMSでもスペックの差はありますが同じものが使われますセンサ系統としては自律移動ロボットも移動計測装置も変わらないということになりますまず最初に最も簡単な方法でデッドレコ図 1 ロボットの位置推定失敗 9

3 図 2 デッドレコニングニングがありますこれはタイヤにロータリエンコーダをつけタイヤの回転を測りタイヤの回転角から進んだ距離を積分により求める手法ですこの方法ではスリップしてしまうと検知できなかったり微小誤差が累積しますので移動するほど誤差が累積していったりという問題がありますこの方法はロボットの左右の駆動輪にそれぞれモータがついており駆動輪の速度差で方向転換する差動駆動型と呼ばれるロボットで使われますステアリングタイプのロボットでは角速度を測るジャイロスコープと合わせてデッドレコニングをする場合がありますがジャイロも角速度を積分して角度を求めますので累積誤差が発生しますまた完全に止めた状態であってもゼロ点の部分がゼロにはならないので必ずノイズが乗ってしまいますノイズが乗っているのでこれを単純にそのまま積分してしまうと静止状態であっても角度は動いていっているように見えるドリフト現象が発生しますどんなに高いセンサを使ったとしてもデッドレコニングを採用する限りは累積誤差が必ず発生するためこの累積誤差をいかに減らすかが課題になりますその方法の一つとして GPSデッドレコニング複合航法があります MMSの原型になる技術ですこれは GPSの場合衛星観測さえできれば数cmレベルで位置が求められドリフトや累積誤差がない逆にGPS 単体で使うと場所によっては電波が受信できず全く位置が求められないもしくはマルチパスにより位置が大幅にずれてしまうという特徴とデッドレコニングの累積誤差は発生するものの常に位置が出力され外力等により強制的にスリップしない限り突然大幅に位置がずれることはないという 2つの特徴を合わせた手法になります基本的にはデッドレコニングによる予測値と GPSによる観測値を使って拡張カルマンフィルタにより真値を推定する方法になりますこの方法の問題点は都市部や山間部など空が開けていない状況が長時間続くとデッドレコニングのみを使った位置推定と同じ状況になりますので累積誤差が増えてしまうという点ですもしロバスト性が求められる自動運転でこの方法を使えば都市部では必ず位置誤差が発生し事故につながる可能性がありますのでこの方法だけでは使えませんその他の位置推定方法ではモンテカルロ位置推定という方法がありますこれは予め作った環境地図とリアルタイムにレーザスキャナなどで取得した断面形状を使って地図に対しての位置を推定するという方法ですモンテカルロ位置推定ではパーティクルフィルターを使い 10 先端測量技術 109 号

図 3 GPS/INS 複合航法概略図 4 モンテカルロ位置推定ます色々な方法がありますが最も単純なものを説明しますある時刻 tの位置からδt 秒後の位置を求めることを考えます最初に時刻 tにおける位置から Δt 秒後の位置はデッドレコニングにより予測します当然この予測値には誤差が含まれますので移動距離やセンサ性能などにより

4 図 3 GPS/INS 複合航法概略図 4 モンテカルロ位置推定ます色々な方法がありますが最も単純なものを説明しますある時刻 tの位置からδt 秒後の位置を求めることを考えます最初に時刻 tにおける位置から Δt 秒後の位置はデッドレコニングにより予測します当然この予測値には誤差が含まれますので移動距離やセンサ性能などによりいると予測される範囲にパーティクルと呼ばれる候補を多数ランダムにばらまきます各パーティクルには位置と姿勢のデータが含まれています次にこのパーティクルの中から最も真値に近いと思われるパーティクルを選択します選択に当たっては Δt 秒後にレーザスキャナで計測した断面形状と環境地図の形状を比較して最もマッチングするものを位置の推定結果として選択しますこの過程をひたすら繰り返していきますこの手法では同じような形状が続く特徴のない場所 ( 長い廊下や野原など ) では最尤推定ができず失敗することがありますまた環境の地図が不正確であったり環境が変わっていたりするとマッチングがうまくできず失敗することがあります 11

MCLでは環境地図を事前に作る必要がありますがこの環境地図を作る方法はいくつかあり例えば先ほどの GPS/INS 複合航法とレーザスキャナで取ったデータを合わせて地図を作りますまた他にもレーザスキャナを使った S L A M により作ることもありますがデッドレコニングと同様に累積誤差が発生しますので始点と終点の位置を合わせることで誤差を減らすなど

5 MCLでは環境地図を事前に作る必要がありますがこの環境地図を作る方法はいくつかあり例えば先ほどの GPS/INS 複合航法とレーザスキャナで取ったデータを合わせて地図を作りますまた他にもレーザスキャナを使った S L A M により作ることもありますがデッドレコニングと同様に累積誤差が発生しますので始点と終点の位置を合わせることで誤差を減らすなど何かしらの方法で工夫し補正するのが一般的ですここまでが基礎的な位置推定の知識になります当時はロボットで使われるレーザスキャナは2Dのものしかなく水平に設置し 2Dの地図を作ったり障害物回避をしたりするためのセンサとして使われていましたこの時にレーザスキャナを水平ではなく傾けて使えば断面を計測する形で三次元の形状を計測することができることに気づきこの頃に開発していたロボットを改造し三次元地図を作るプロジェクトがスタートしましたこの頃は携帯電話で人のナビゲーションが始まったりカーナビに 3Dのモデルが表示されるようになったりしていた頃でこのロボットを 3. 自律移動ロボットから M M Sへの技術転用ここから自律移動ロボットの技術がどのようにMMSに転用されたのか説明します 2000 年代前半頃自律移動ロボットの位置推定方法として有力な方法が大きく 2 つありました一つは RTK-GPS/INS 複合航法もう一つはレーザスキャンマッチングになりますこの頃のロボットはセンサとして RTK- GPS 光ファイバジャイロレーザスキャナカメラなどを搭載していることが多く今の M M S の計測技術はこの頃のロボットで採用されていた RTK-GPS/INS 複合航法やロボット用のマッピング技術が元になっています使ってこれら 3Dデータを自動で作ることを目標にしていましたまたITSの分野では白線の位置情報や標識の内容などが含まれるもっと細かい地図があれば速度制御や車線変更指示高度情報があればエンジンの最適制御による燃費向上ができるといったことが考えられていましたこのような社会的背景のもと自律移動ロボットの技術から自律移動の機能を廃して三次元形状を取得する機能に特化させるために開発したのが MMSになります図はMMSの試作機になります当時はどこにレーザをつければ良いか道路周辺のどんな設備を計測することに注力すべきかということがわかっていなかったため色々な配置を試図 5 自律移動ロボットや MMS で使われるセンサの例 12 先端測量技術 109 号

6 図 6 MMS 試作機図 7 MMS による初めての色つき三次元点群せるように作っていました使っているセンサも先に開発した自律移動車両から流用して使っています最終的には製品版のような形に落ち着いていますが自律移動ロボットと比較していただくとセンサの数は変わるもののほぼ同じ構成であることがわかるかと思います MMSなどの移動計測において最も難しいのは GPS/INS 複合航法で姿勢角を正確に求めることになります一番 MMSの計測性能に反映されるのは姿勢角です姿勢角が0.1 ずれれば長距離離れるほど誤差は大きくなりますまたジャイロには累積誤差が発生しますので何かしら他のセンサにより姿勢角を観測更新する必要があります通常の GPS/INS 複合航法では複数回の連続した GPSのfix 解により姿勢角を更新しますが都市部での運用を考えると一回でも fixすることにより姿勢角を更新できるほうが姿勢角性能を向上できるのではと考え三台の GPSを使うGPS-Gyro 形式を採用しています図は初めてカラー化した三次元点群になります元々カラー点群という発想はなく偶々 13

7 筑波大学の先生からしっかりと技術的に追い込んだ実空間の三次元復元結果があれば図が欲しいと依頼されたため作ったものになりますこれが2006 年のことで以降広範囲の三次元環境地図が MMSを使えば手に入る環境が整ったことになります 4. レーザを使った位置推定技術の発展一方で同時期に自律移動ロボットの世界では GP Sが使えない環境下でもロボットが位置推定をする必要があるために SLAM 技術や 2Dスキャンマッチング技術が盛んに研究され PCの性能向上と合わせて発展してきました図は私の研究室で開発したロボットとそのロボットを使って実験的に学生にSLAMと 2D スキャンマッチング ( アダプティブモンテカルロ位置推定 ) を実装させたものです写真で搭載しているレーザスキャナは Velodyne VLP-16で 3Dのスキャナですが実験のために意図的に 2Dレーザスキャナを模擬して使っています左右のモータ駆動軸にはロータリエンコーダが車両の旋回中心には MEMSジャイロが搭載されています車両には制御用に PCが一台搭載されておりセンサのデータはこのPC で処理してモータに動作用の指令値を送信します環境地図はあらかじめ Hector SLAMにより取得しています地図は占有グリッドマップと呼ばれるもので白い個所が移動可能な空間黒い個所が壁面などの障害物と判定された箇所灰色は未計測領域になります地図は画像として保存しておきます自律移動の際には事前に作成した地図に対して A M C L( アダプティブモンテカルロ位置推定 ) を使用して位置を推定しますがロボットは初期位置を知らされていませんのでこちら側で与える必要がありますこの 2Dの地図を使った位置推定は屋内環境ではあまり失敗しませんが屋外環境の場合地面が平坦でない空間が広すぎ特徴となるものが無いなどの要因によりよく失敗しますまた環境地図は GPS 等で補正しない場合はたいていの場合は歪みます周回コースのような場合で 1 周した後の位置がズレていると問題になりますがそういった接続関係がない場合はロボットにとって多少の歪みは問題にはならないことが多いですというのはロボットを動かすために図 8 自律移動ロボット 14 先端測量技術 109 号

この 2Dのモンテカルロ位置推定は屋内などの地面が平坦な場所では成功しやすいですが坂道などの起伏のあるところでは環境地図がうまく作れなかったりマッチングがうまく合わず失敗することが起きていましたが近年では 2Dで行っていたこの手法を 3Dで行うことが主流になってきています図 9 AMCL による位置推定 5.

あくまでも地図上の座標であり位置推定も絶対座標ではなく地図上のどこにロボットがいるのかがわかれば良いからですこの関係が破綻しない限りロボットが地図の歪みを要因として自律移動を失敗することはまずありませんがどこまでの歪みであれば許容されるのかといった定量的な数値はわかっていませんのでやはりできる限りきれいに地図が作られている方が望ましいです

8 この 2Dのモンテカルロ位置推定は屋内などの地面が平坦な場所では成功しやすいですが坂道などの起伏のあるところでは環境地図がうまく作れなかったりマッチングがうまく合わず失敗することが起きていましたが近年では 2Dで行っていたこの手法を 3Dで行うことが主流になってきています図 9 AMCL による位置推定 5.MMS データと 3Dスキャンマッチングによる位置推定 3Dのスキャンマッチングにすると計算コストは高くなりますが 3Dで情報量が多くミスマッチングが 2Dに比べて減るという特徴があります 3Dスキャンマッチングでの位置推定で重宝されている手法でNDTマッチングがあります NDTマッチングは ICPマッチングよりも計算用意する Way Pointは絶対位置ではなくあくまでも地図上の座標であり位置推定も絶対座標ではなく地図上のどこにロボットがいるのかがわかれば良いからですこの関係が破綻しない限りロボットが地図の歪みを要因として自律移動を失敗することはまずありませんがどこまでの歪みであれば許容されるのかといった定量的な数値はわかっていませんのでやはりできる限りきれいに地図が作られている方が望ましいですこの環境地図をどれだけきっちり作ってあげられるかというのが自律移動の成功の鍵を握っています量が軽い特徴があります NDTは点群そのものを比較してマッチングをかける手法ではなくボクセル内に含まれる点群数や点群の共分散を比較する方法になりますこの方法であればボクセル内の点群密度が高くても計算量は変わらないため MMSなど大規模な点群を取り扱っても実時間で計算できます計算時間なのですが私の研究室にある標準的なPC (Core-i5 程度 ) で大体一回のマッチングで 0.3 秒ほどですまとめますと 2000 年初頭のころは GPSを主体として位置推定する手法と SLAM で位置を推定する手法事前地図を正確に作り図 10 NDT SLAM イメージ 15

スキャンマッチングにより位置推定する手法がありましたが最近では Velodyneのようなリアルタイムに 3 次元が取得できるレーザスキャナが登場してきたことにより 2Dから3D への位置推定に進化しさらに MMSで簡単に3 次元点群が取得できるようになったことによりわざわざ自前で環境地図を作らなくてもデータを購入したりMMS で計測したりすれば簡単に環境地図を用意できるということで

9 スキャンマッチングにより位置推定する手法がありましたが最近では Velodyneのようなリアルタイムに 3 次元が取得できるレーザスキャナが登場してきたことにより 2Dから3D への位置推定に進化しさらに MMSで簡単に3 次元点群が取得できるようになったことによりわざわざ自前で環境地図を作らなくてもデータを購入したりMMS で計測したりすれば簡単に環境地図を用意できるということで MMS 点群がロボットで注目されるようになりましたその結果として最近では自動運転での位置推定手法の一つとして MMSの点群と Velodyneのような3Dセンサを使う方法を採用する人もでてきましたただこの手法の課題はこの環境地図をどのくらいの頻度で更新するのかが重要になります環境地図が古ければ当然工事などにより環境が変わる可能性がありますのでその情報が更新されていなければ位置推定に失敗することがあります特に工事中などのような個所は状況が絶えず変化しますので大抵失敗します 6.SLAM 技術の計測システムへの応用ここまでの話では MMSがもともと自律移動ロボットの技術から作られたものでその後他のSLAM やスキャンマッチング技術の発展とともに両方の技術が組み合わされ自動運転の位置推定手法の一つとして結びついてきた話でしたが今度はこのスキャンマッチングやSLAMの技術をMMS 3D 移動計測に応用するということが増えてきていますここからは私の研究室での事例を紹介しますこれまでの MMSでは道路は走れますが道路以外は走れないためそういった道路の無いようなところでかつ人が行くには大変なところを遠隔操縦で三次元計測するロボットを作っていますロボットを作っているといってもベースとなる車両は買い物で不整地走行用の水陸両用車両を購入してきて MMS+αの機能を付与させていますこのロボットは上部にVelodyneのレーザスキャナ VLP16が搭載されているほかカメラ MEMSジャイロ一周波のGPSが搭載されていますエンコーダは図 11 遠隔操縦型水陸両用移動計測システム 16 先端測量技術 109 号

搭載していませんがモータの回転数を取得できるようになっています通信機は複数の系統があり WiFi 無線 LAN 特小無線が搭載されており運用距離によって使い分けています WiFiはLTE 回線などの公共の電波が届く範囲で使っておりインターネットを介して運用します通信速度が無線

りも高速に通信することができます中継局を途中に増やせば通信距離を延ばすことができます特小無線では通信速度はかなり遅くなりリアルタイムにカメラ画像等を送信するのは難しいですが無線 LANよりも電波が回り込むため障害物に強い通信環境になります遠隔操縦では

10 搭載していませんがモータの回転数を取得できるようになっています通信機は複数の系統があり WiFi 無線 LAN 特小無線が搭載されており運用距離によって使い分けています WiFiはLTE 回線などの公共の電波が届く範囲で使っておりインターネットを介して運用します通信速度が無線 LANより落ちますが理論上インターネットに接続できる環境であればどこからでも操縦が可能になります現時点で 11 km離れたところからの運用実績があります無線 LANは5GHz 帯の少し特殊なものを使っていて 1 中継局あたり見通し500mで通信することが可能で WiFiよりも高速に通信することができます中継局を途中に増やせば通信距離を延ばすことができます特小無線では通信速度はかなり遅くなりリアルタイムにカメラ画像等を送信するのは難しいですが無線 LANよりも電波が回り込むため障害物に強い通信環境になります遠隔操縦ではカメラ画像での操縦を想像される方が多いかと思いますがカメラ画像は 1 秒程度時間が遅れますので操縦が難しいことが知られていますですのでこのシステムでは簡単な自律移動の機能をつけていますこの自律移動機能ではレーザで計測されている範囲内において目的地を指定すると自動図 12 不整地における運用図 13 水上での運用 17

図 14 水上から計測した SLAM による三次元復元結果で経路を計算して移動するといったものですさらに目的地に到達するまでに障害物があれば回避経路を自分で判断して回避していきますまたレーザの三次元データをリアルタイムに操縦局に送信しており遠隔で三次元形状を確認することができますまた車両の位置は GPS で取得していますので地図上にプロットしていくことが可能です

11 図 14 水上から計測した SLAM による三次元復元結果で経路を計算して移動するといったものですさらに目的地に到達するまでに障害物があれば回避経路を自分で判断して回避していきますまたレーザの三次元データをリアルタイムに操縦局に送信しており遠隔で三次元形状を確認することができますまた車両の位置は GPS で取得していますので地図上にプロットしていくことが可能ですベース車両そのものの性能は最高速度が 18km /h カタログスペックですがフル充電で大体 18km走行することができます約 40 度の傾斜まで走行可能で様々な不整地環境を走行することが可能ですまた水陸両用の車両になっていますので水辺であっても走行可能になります深さのあるところでは車両は浮いた状態になりタイヤについた水かきで推進します水上では時速 4 kmが最高速度になるため流れのある川で運用するとおそらく流されるかと思いますこのシステムを使って不整地走行可能な三次元復元装置を研究していますが GPSが使用できない場所での運用を考えていますので今までのMMSとは異なりレーザのSLAMにより三次元復元していますこの車両にはGPSやジャイロなどスペック上は従来の MMSと変わらない機材を搭載していますが図は Velodyneのみを使った三次元復元結果になります SLAM にはNDT SLAMを使用していますまたリアルタイムに復元することができますので計測中に三次元復元結果を確認することができます定量的な評価は行っていませんが柱の断面形状などを把握することはできます図はあくまでもレーザSLAMによる結果ですので累積誤差はデッドレコニング程ではありませんが発生しますので絶対位置や歪みを補正するためには GCPによる補正や GPS 複合航法などと組み合わせる必要があります 7. まとめ今日の話をまとめますともともと自律移動ロボットの技術を使って MMSなどの 3D 計測の技術に発展しそれと同時にロボットでは SLAMやスキャンマッチングの技術の研究が行われ互いに発展した結果 MMSで取った三次元データが一部の自律移動ロボット自動運転でも使われるようになりましたさらに最近ではロボット側で開発が進んだSLAMの技術が計測に使われるようになってきています自律移動の方法は多数あり必ずしも三次元地図を使った位置推定手法が全てではありま 18 先端測量技術 109 号

せんが一定の成功は収めています自動運転では MMSの三次元地図を使うシステム画像主体で白線認識に主軸を置いているシステムなど色々な方法がありますまた人間と同じように位置を正確に知らなくても移動できるような方法を模索しているグループもありますただ現時点で環境地図を事前に作りそれに対して MCLで位置推定をするという方法が一定の成功を収めているという状況にあります

12 せんが一定の成功は収めています自動運転では MMSの三次元地図を使うシステム画像主体で白線認識に主軸を置いているシステムなど色々な方法がありますまた人間と同じように位置を正確に知らなくても移動できるような方法を模索しているグループもありますただ現時点で環境地図を事前に作りそれに対して MCLで位置推定をするという方法が一定の成功を収めているという状況にあります将来的に自動運転にどのような手法が採用されるかは自動車会社各社の思惑もあり判断が難しいところですが安全に関わる部分の情報は多いに越したことはありません例えば自動運転の車が信号無視をしたというニュースがありましたが事前にダイナミックマップなどで信号の位置がわかっていれば少なくとも見落とすことはなくなるはずですもしカメラで認識できなければ速度を落としたり停止したりという選択ができることになりますもしダイナミックマップがなければそこに信号があるかないかといった事前情報がないためカメラの認識率を100% にしなければなりませんし逆に信号がないところで過検出してしまえば誤動作を起こしかねませんこういった道路上の運転にかかわるインフラの位置情報特に安全に関わる部分というのは絶対的に必要になってきますさらにダイナミックマップを運用していく中でどうやって更新するかという話に当然なります三次元形状に対してマッチングをかけて位置合わせをして差分を抽出するなど色々な方法が考えられますが最も簡単なのは精度良く測っておけば差分抽出さえすればよいことになりますですので精度を担保して測るということが重要ですし管理も楽になりますまた三次元地図といってももとは点群情報ですのでその中からどうやって必要な情報だけを抽出するかという認識部分をどの程度まで進歩させれば十分かといったことがもう一つ課題になるのではないかと考えておりますちょうど 1 時間くらい話ましたのでこれで今日の私の講演を終わりにしたいと思いますありがとうございました講演者石川貴一朗 ( いしかわきいちろう ) 日本工業大学機械工学科准教授本稿は平成 29 年 6 月 2 日当協会の第 39 回測量調査技術発表会において特別講演をしていただいた石川准教授のご講演内容をまとめたものです 19

Kumamoto University Center for Multimedia and Information Technologies Lab. 熊本大学アプリケーション実験 ~ 実環境における無線 LAN 受信電波強度を用いた位置推定手法の検討 ~ InKIAI 宮崎県美郷

Kumamoto University Center for Multimedia and Information Technologies Lab. 熊本大学アプリケーション実験 ~ 実環境における無線 LAN 受信電波強度を用いた位置推定手法の検討 ~ InKIAI 宮崎県美郷熊本大学アプリケーション実験 ~ 実環境における無線 LAN 受信電波強度を用いた位置推定手法の検討 ~ InKIAI プロジェクト @ 宮崎県美郷町熊本大学副島慶人川村諒 1 実験の目的従来信号の受信電波強度 (RSSI:RecevedSgnal StrengthIndcator) により対象の位置を推定する手法として無線 LAN の AP(AccessPont) から受信する信号の減衰量をもとに位置を推定する手法が多く検討されている