LiDARを用いた自己位置推定の基礎と高度自己位置推定システム
開催日
2023年1月27日(金) 13時00分
～
17時00分
修得知識
自己位置推定の基本 (なぜ必要か、どのように行うか、なぜ難しいか)
自動運転において自己位置推定は重要な技術ですが、その重要性はまだ広く認知されていないようにも思えます。
最新の自己位置推定 (動的物体への頑健性、マルチレイヤーLiDARと必要性)
上述の「なぜ難しいか」を理解していただいた後には、その難しさを解決するために行われている最新の研究例を紹介します。もちろん最新研究は難しい内容が多いので、概略を理解していただければ、後ほど個別に質問には対応いたします。またこれらに加え、近年加速するLiDARの開発動向も踏まえながら、「マルチレイヤーLiDARは必要か」という議論も展開していきます。この際には、自己位置推定だけでなく、自動運転システムという全体を見渡した上で、その必要性を議論していきます。
「推定」を超える新たなアプローチ (これからのブレイクスルー)
自己位置「推定」と言いますが、推定とは「正しそうなことを求めること」であり、求めたものの正しさは保証されていません。しかし現状の自動運転システムは、その推定結果を信じて走行しています。すなわち、間違った解が求められていたとしても、その間違いに自動運転車両が気づく術がありません。本セミナーの最後では、この課題を解決するために近年行われているアプローチを解説します。
プログラム
自己位置推定がなぜ必要か、どの様な自己位置推定法があるのか
自動運転において自己位置推定は重要な技術です。しかし、自己位置推定とはその名の通り「自己 (自動運転車両) の位置を知る」技術でしかありませんので、なぜ自動運転に重要かが想像しにくい部分があると思います。本セミナーではまず「なぜ自己位置推定が必要なのか」という基本的なことから説明します。また、自己位置推定がないと自動運転の実装がどうして難しくなるのかといった説明を行います。そして、現在使われている自己位置推定法に関して、その概略・概要をまとめて説明します。
自己位置推定をどのように行うか、なぜ自己位置推定は難しいのか
自己位置推定をどの様に行うか、つまり定式化に関する説明を行います。これにより、自己位置推定問題が数学的にどの様な問題として帰着するかを理解して頂きます。そして、この問題を解く具体的な実装方法 (観測モデルのモデル化など) を説明します。
上述の「なぜ難しいか」を理解していただいた後に、その問題解決を行うことを目的とした講演者の最新研究について紹介します。講演者はこれらの試みを「自己位置推定の高度化」と呼んでいます。これは単に、自己位置推定の精度や頑健性を上げることを目的とせず、「自己位置推定のできないことをできるようにする」ということをモチベーションとしているためです。またこれを実現するにあたり、自己位置推定以外の問題も解きます。そしてその結果自己位置推定の性能が向上するため、自己位置推定の高度化と呼んでいます。
サンプルプログラム
本セミナーではまず自己位置推定に関する基礎的なこと、および自己位置推定問題の定式化について説明します。その後、自己位置推定を実施するにあたり最も重要な役割を担う「観測モデル」について説明します。そして、この観測モデルを構築する際に用いる「観測の独立性」について解説します。観測の独立性を理解することで、自己位置推定の限界を理解することができます。その後、パーティクルフィルタを用いた自己位置推定であるモンテカルロ自己位置推定 (MCL ) の説明を行います。ここまでは一般的な話となります。なお、4で説明するMCLの実装例に関しては、ROSのパッケージとして以下で公開しています。
その後、講演者の最近の研究を基にした「自己位置推定の高度化」という内容に関する説明を行います。5では、MCLと機械学習を用いたEnd – to – End自己位置推定の融合を行うことにより、自己位置推定の失敗からの高速な復帰方法の実現について説明します。6では、動的環境下で頑健に自己位置推定を行うための高度化方法に関して説明します。7では、自己位置推定結果の信頼度を推定する方法に関して説明します。なお、5から7の説明の順序は、わかりやすさを優先した順序となっています。
自己位置推定の基礎
自己位置推定とは何か
なぜ自動運転に自己位置推定が重要か
自己位置推定のあるなしの自動運転の違い
Iterative Closest Points (ICP ) とMonte Carlo Localization (MCL )
ベイズフィルタSLAMとグラフSLAM
自己位置推定とSLAMの手法
自己位置推定の定式化
グラフィカルモデルからの定式化
自己位置推定問題のベイズフィルタとしてへの帰着
ベイズフィルタと最適化の違い
観測モデル
ビームモデルと尤度場モデル
動的環境で自己位置が失敗するかの理解
観測の独立性の仮定の重要性とそれが引き起こす問題
パーティクルフィルタを用いた自己位置推定 (MCL )
MCLの概要
MCLの実装 (C++を例に)
MCLと機械学習を用いたEnd-to-End自己位置推定の融合
重点サンプリング
End-to-End自己位置推定とモンテカルロドロップアウト
重点サンプリングを介したEnd-to-End自己位置とMCLの融合
動的環境下での自己位置推定
観測物体のクラスを考慮した自己位置推定
環境変化に対する頑健性の向上
計算・メモリコストを増大させない頑健性の向上
自己位置推定結果の信頼度推定
信頼度付き自己位置推定
深層学習を用いた自己位置推定の失敗検出
深層学習の不確かさを考慮したモデル化
信頼度に基づく自己位置推定結果の正誤理解
まとめ
講師
赤井 直紀 氏
名古屋大学
大学院 工学研究科
航空宇宙工学専攻
助教
主催
お支払い方法、キャンセルの可否は、必ずお申し込み前にご確認をお願いいたします。
お問い合わせ
(主催者への直接のお問い合わせはご遠慮くださいませ。)
受講料
1名様
:
46,000円 (税別) / 50,600円 (税込)
1口
:
56,000円 (税別) / 61,600円 (税込)
(3名まで受講可)
ライブ配信セミナーについて
本セミナーは「Zoom」を使ったライブ配信セミナーとなります。
お申し込み前に、 視聴環境 と テストミーティングへの参加手順 をご確認いただき、 テストミーティング にて動作確認をお願いいたします。
開催日前に、接続先URL、ミーティングID、パスワードを別途ご連絡いたします。
セミナー開催日時に、視聴サイトにログインしていただき、ご視聴ください。
ご自宅への書類送付を希望の方は、通信欄にご住所・宛先などをご記入ください。
タブレットやスマートフォンでも受講可能ですが、機能が制限される場合があります。
ご視聴は、お申込み者様ご自身での視聴のみに限らせていただきます。不特定多数でご覧いただくことはご遠慮下さい。
講義の録音、録画などの行為や、権利者の許可なくテキスト資料、講演データの複製、転用、販売などの二次利用することを固く禁じます。
Zoomのグループにパスワードを設定しています。お申込者以外の参加を防ぐため、パスワードを外部に漏洩しないでください。