2016 Fiscal Year Annual Research Report
自動運転に関する都市部における全環境を考慮した統合的研究
| Project/Area Number |
16H02843
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
上條 俊介 東京大学, 大学院情報学環・学際情報学府, 准教授 (70334357)
|
|---|
| Project Period (FY) |
2016-04-01 – 2019-03-31
|
| Keywords | 自動運転 / ディジタル地図 / 運転支援 / LIDAR / self-localization |
|---|
| Outline of Annual Research Achievements |
自動運転のself-localizationには、走行する車線を特定するために1.5m程度のlateral測位精度が必要である。本研究では、車載のCAN(Car Area Network)やGyroscope等のIMU(Inertial Motion Unit)から得られる情報と3D-GNSS技術を融合して、1.5m以内の測位精度を目標として研究を行った。CANデータは速度、加速度、Gyroscopeは角速度等の情報が高精度に取得できる反面、誤差蓄積によるドリフトが発生する。これに対し、GNSS測位はIMUに比べてランダム誤差が大きいが、誤差のフィルター機能を付加しない状態では誤差の蓄積が発生しない。GNSS測位を観測量とし、IMUデータを状態遷移とするKalman filterやparticle filterにより、それぞれに特異な誤差をキャンセルできる。本研究では、すでに市販されている安価な普及品のMEMS振動型Gyroscopeを活用しながら、0.9mの測位精度を達成することができた。
また、一ツ橋および新宿のテストベッドにおいて、ステレオカメラおよびLIDARを用いた基礎データの取得を行った。周辺車両に遮られることでlocalizationが難しい場面もみられたが、lateral方向の測位に関しては車線情報が入った二次元地図を参照し、カメラ画像の車線認識機能から得られた情報とマッチングを行うことで、localizationに問題は生じないことが確認できた。Longitudinal方向の測位については、CANデータおよびIMUセンサーを活用した累積走行距離推定により、300mの走行で5m～10m程度の誤差が出ることが分かった。今後の研究で、この誤差を軽減する方法、この誤差が自動運転にどのように影響するかといった点を明らかにしていきたい。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
本研究は、一ツ橋付近と新宿副都心をテストベッドとして行った。三次元GNSSのアルゴリズムに適用するための三次元地図（ビルの構造を反映したディジタル地図）は、国土地理院が提供する二次元ディジタル地図（道路構造と建造物の二次元境界の情報を含むもの）を活用し、市販のDSMデータを組み合わせて自作した簡便なものである。しかし、三次元GNSSアルゴリズムでは、反射面の大局的な構造があれば適用可能である。一方、反射面の位置については、電波の伝達距離に直接的に影響を与えるため、できるだけ正確な情報を必要とする。そこで、本研究では、道路面上の座標が既知の地点からGNSS電波を観測することで、反射面の座標を最適化するアルゴリズムを開発し、三次元ディジタル地図の精度を50cm程度まで高めることができた。その結果、三次元GNSS単体で2～3mの測位精度を得ることができた。本研究では、車載のCAN(Car Area Network)やGyroscope等のIMU(Inertial Motion Unit)から得られる情報と3D-GNSS技術を融合して、1.5m以内の測位精度を目標として研究を行った。その結果、自動車用途に普及している、安価なMEMS振動型Gyroscopeを活用しながら、0.9mの測位精度を達成することができた。
また、一ツ橋および新宿のテストベッドにおいて、ステレオカメラおよびLIDARを用いた基礎データの取得を行った。周辺車両に遮られることでlocalizationが難しい場面もみられたが、lateral方向の測位に関しては車線情報が入った二次元地図を参照し、カメラ画像の車線認識機能から得られた情報とマッチングを行うことで、localizationに問題は生じないことが確認できた。
|
| Strategy for Future Research Activity |
車載カメラによる画像認識は、レーンキープ、車線変更認識、停止線までの距離計測等の機能を実装することで、GNSS/CAN/ジャイロによる測位エラーをキャンセルすることができる。また、交差点での右左折時に、侵入する道路の複数車線を同時認識することで、右左折のタイミングを同定し、どのレーンへ侵入するかを判定することが可能である。ステレオカメラを用いたvisual odometry技術は、三次元特徴点のデプス計測と特徴点データベースとのマッチングにより車両の回転角を正確に計測しようとするものであり、目的のレーンへ正確に誘導するための技術として不可欠である。本年度は、これまでに開発してきたセンサー技術を統合し、こうしたシナリオにおいて、人間のドライバーによる自然な運転行動の機械学習を行い、自動運転車両のdecisionアルゴリズムの開発を行う。
また、自動運転に活用可能な三次元地図の自動生成技術の研究を行う。これまでLIDARを用いた自動運転の研究では、自作のpoint cloudをレファレンスとしたマッチングが主体であった。しかし、自動運転の普及に向けて三次元地図データベースを整備する場合、point cloudはデータ量が膨大であり、三次元データの抽象化が不可欠であり、ディジタル地図の専門家による検討が始まっている。本研究では、compactかつcomprehensiveという概念に基づき、LIDARを活用したself-localizationにとって必要十分なデータフォーマットを検討する。本研究では、航空レーザースキャンデータおよびMMSによる地上からのレーザースキャンデータを、国土地理院が整備している構造物の境界情報を含んだ二次元ディジタル地図へ統合するための技術を開発する。
|
