～自動運転のための～
LiDARによる自己位置推定技術


　S200414K

開催日時：2020年7月9日（木） 13:00-17:00

会　　場：オームビル（東京都千代田区神田錦町3‐1）

受 講 料：お1人様受講の場合　43,000円[税別]／1名

　　　　　1口でお申込の場合　56,000円[税別]／1口（3名まで受講可能）

　赤井 直紀　氏　

　　　　　　名古屋大学　情報学研究科　知能システム学専攻
　　　　　　　　　　　　　　　特任助教 　博士（工学）　



■講師のことば■
　　　つくばチャレンジという屋外自律移動ロボットに関する技術チャレンジに
　　2011年から14年まで開発者として携わり，すべての課題を達成しています
　　（課題達成は毎年参加の1割以下）．
　　　また，2016年から名古屋大学に異動し，公道での自動運転などの実証実験に
　　携わりました．いずれの実験・検証においても，自己位置推定系のプログラ
　　ムを自作して携わっております．
　　　これらの経験も踏まえて，少しでも有益な自己位置推定に関する知見を本セ
　　ミナーで提供できればと思います．

■セミナーポイント■
　　　本セミナーでは，LiDARを用いた自己位置推定技術に関する基礎，および最新の
　　技術について述べます．
　　　まず，自己位置推定の基本ともなっているProbabilistic Robotics (MIT Press 2005)で
　　述べられている「観測モデル」に関して説明します．この説明を基にして「なぜ自己位置
　　推定が難しいのか」という根本的課題を共有します．この理解を前提として，現状なぜ自
　　己位置推定が達成できているのかという理由や，マルチレイヤーLiDARなどの必要性に
　　ついて議論して行きたいと思います．
　　　さらにこれらの議論を踏まえた上で，我々のグループや世界で行われている最新の研究
　　成果を紹介いたします．この紹介の中では特に，
　　　1．どのように動的環境下で頑健な自己位置推定を行うか，
　　　2．自己位置推定結果に対する保証をどのように行うか，
　　というようなオープンイシューに焦点を当てていきます．

■この講座を受講して得られる情報・知見■
　　・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．
　　　　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
　　　　ことから触れます．その後「どのように自己位置推定を行うか」を簡単に
　　　　説明した上で，「なぜ難しいのか」という根本の問に対する解を提供いた
　　　　します．これらを理解していただければ，自己位置推定技術に対する評価
　　　　指針などを理解できます．

　　・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．

　　1.　自動運転の基礎
　　　　1.1　自動運転の開発現状
　　　　1.2　自動運転の要素技術
　　　　1.3　自動運転の実用化に向けた課題、何が難しいのか
　　　　1.4　自動運転と自己位置推定

　　2.　自己位置推定の基本
　　　　2.1　自己位置推定とはどのような問題か
　　　　2.2　どのように自己位置推定の問題を解くか
　　　　2.3　なぜ自己位置推定が難しいのか

　　3.　最近の自己位置推定問題へのアプローチと問題点
　　　　3.1　ICP（Iterative Closet Point）スキャンマッチング
　　　　3.2　NDT（Normal Distributions Transform）スキャンマッチング
　　　　3.3　KF（Kalman Filter）とPF（Particle Filter）

　　4.　観測モデル
　　　　4.1　地図と観測データのマッチング
　　　　4.2　LFM（Likelihood Field Model）とBM（Beam Model）
　　　　4.3　既存観測モデルの問題点

　　5.　動的環境下での自己位置推定
　　　　5.1　動的物体の棄却
　　　　5.2　環境の動的特性を考慮した観測モデル
　　　　5.3　観測誤差をオンラインで同定する観測モデル
　　　　5.4　環境変化をオンラインで更新（SLAMよりの話）

　　6.　自己位置推定結果の性能保証
　　　　6.1　自己位置「推定」の問題
　　　　6.2　自己位置推定における失敗の認識
　　　　6.3　自己位置推定結果の信頼度

　　7.　まとめ