自律走行と走行用地図について...自律走行と走行用地図について...
TRANSCRIPT
自律走行と走行用地図について
2013年12月6日
豊田工業大学
三田誠一
発表内容
• 自動運転の世の中の状況
• 実験用車両の構成
• 自律走行のための基本事項 SLAM (Simultaneous Localization and Mapping)
– 地図データベース
• 自己位置推定に関する現在の取り組み – Lidar + 地図 – OpenStreetMapを用いたデータベースの作成 – 安価なGPSを使ったデータ取得
Toyota Technological Institute at Chicago
(TTIC)
自動車開発ニーズ
情報科学の
基礎理論開拓
豊田工業大学
スマートビークル研究センター (設立2010年)
運転支援および自動運転システムのための基礎理論とその応用技術の研究
連携および研究協力大学
センター直属グループ
電磁システム研究室
知能数理研究室
トヨタグループ
企業
研究者および学生交流など
名古屋大学 上海交通大学
北京大学など
知的情報処理研究室
研究組織
豊田工業大学
スマートエネルギー技術
研究センター
自動運転の世の中の状況
(1) Google self driving car:通算無事故走行距離>500,000Km (2) Vislab car Parma:周辺の高速道、郊外、市街道路 ステレオカメラ主体 (3) Mercedes-Benz car:マンハイムからプフォルツハイムまで 103キロメートル ステレオカメラ+ミリ波レーダ
市街地も含めた一般道走行例
名称 搭載機器
Google Bosch 2013年6月
Nissan 2013年6月
Toyota Benz
LIDAR Velodyne ( HDL-64E)
Velodyne ( HDL-64E)
5(前方左右
後方側部左右、後方)
有
Camera 有
Stereo 1 Mono 1
5(前後方、 サイドミラー部 バックミラー部)
有
Stereo 1 Mono 前後 2
ミリ波 長距離 2 中距離 6
有
有(車々間通信)
長距離 前後 2 中距離 前後 2 側方長距離 左右 2
超音波 有
Bosch Nissan (日経新聞より) (Wall street Journalより) (東洋経済より)
Toyota (日経新聞より)
Benz Google (Google home page より)
最近の試作車代表例
2025 2020 2015 2030
Bosch 高速道路限定 運転者常時監視(2016)
高速道路限定 運転者常時監視不要
高速道路全体 (インタチェンジ、料金所)
一般道路全体
Nissan 自動運転車製品化
Google 自動運転車実用化(2017) Driverless Taxi
国土交通省 有識者 検討会
高速道路本線限定 高速道路、合流部分 や渋滞多発部分を含む
Traffic Jam assist 低速自動走行(50Km/h以下)(2014)
Volvo Audi Ford
Mercedes-Benz
高速道路での自動走行(200Km/hまで)(2014)
オートメイテッド ハイウェイ ドライビング アシスト(AHDA) Toyota
オートパイロット
ITS2013 世界会議 シンポジウム
Level 2 Combined functions
Level 3 Limited Self-driving
Level 4 Full self-driving
Driverless Taxi
Lane keeping assist Auto cruse control
実現年代
実験用車両の構成
実験用車両外観
Side Camera
Bumblebee Stereo Camera
Grasshopper Front Camera
Velodyne Lidar
Ibeo Lidar
POS/LV GPS
Ladybug Camera
ハードウェア構成
Interfaces
USB3.0 IEEE1394b
Grasshopper
GS3-U3-28S4C-C
Bumblebee
BBX3-13S2C-38
IEEE1394b
Ladybug NTSC
Estima’s Camera
Side Camera
Front & Rear Camera
CAN
Vector
VN1610
USB2.0
GPS
Cheap GPS
Module
GPS
POS/LV
Ethernet
&RS232C
Ethernet
Ethernet
Lidar
Velodyne
HDL-32E
Ibeo
ALASKA Rotary Encoder
研究具体例
ステレオビジョンシステム
ディスパリティ真値 提案手法(マルチパスビタビ)
走行経路計画
提案手法 (サポートベクターマシン)
典型的他手法 (ボロノイダイアグラム)
狭路自動駐車システム 統合化環境認識システム
生成経路例 SLAM
必要装備追加 統合ソフトウェアと データベース整備
認識系整備
バーチャル走行実験例
本学校内 名古屋駅前周辺
統合化環境認識システム
ランドマークをもとにした位置推定
Android GPS OSM Road Database
Detect Current Road
CAN Data (Velocity, Yaw Rate)
Traffic Light Database
White Line Database
OSM Building Database
Lidar Data
Estimate Current Position, Current Lane
Kalman Filter
Image Data
Particle Filter
走行に必要な情報の例
• 画像特徴量
• 白線・信号機のランドマーク
SURF特徴量 ORB特徴量
白線検出
ステレオビジョンシステム
高速道入口
障害物への安全距離 大きく
走行距離 短く
ギア切り換え回数 少なく
曲率 小さく
1
1 2 1
1 1
( ) ( ) | ( ) ( ) |N N
i i i i
i i
C p w d p w g p g p
1
3 4
1 1
| ( ) |N N
i i
i i
w p w p
Closeness to
obstacles
Gear change
g = 1: forward
g = -1: backward
Distance between
path points
Curvature
狭路自動駐車アルゴリズム
Support vector machine + Fast marching method
18
Proposed method Hybrid A*and Risk Potential
Case A Unstructured map with complicated obstacles’ shapes
Method H-A*+RP Proposed method
Safety Margin for Obtained
Paths (cell) 4.783 5.9611
Number of gear change 3 1
Average curvature 0.218145 0.17069
Average computation time (ms) 561 234
実験結果
19
Case B SLAM of real cluttered environment
Proposed method Hybrid A* and Risk Potential
Method H-A*+RP Proposed method
Safety Margin for Obtained
Paths (cell) 17.3708 19.1896
Number of gear change 4 2
Average curvature 0.218145 0.17069
Average computation time (ms) 145 317
自律走行のための基本事項
自己位置推定に対する考え方
(1) 簡単な地図情報と高精度観測情報 (2) 詳細な地図情報と簡易な観測情報 (3) 詳細な地図情報と高精度観測情報
観測は天候、照明条件、車両周辺の交通状況により、常に変化!
詳細な地図情報で補間
センサ固有のスティルス特性
LIDAR : 吸収性塗料、高反射物体、降雪 カメラ : ガラスなどの透明物、霧、雪 ミリ波 : ピンポイント検出 超音波 : 長距離にある物体 GPS : 電波遮蔽物(地下道)
地図情報の利用 どのようなデータを地図に含めるべきか?
– 緯度、経度、高度 – 白線、信号機 – 道路の形状データ – 曲率 – Pitch角 – 縁石 – 進入禁止 – 制限速度 – 停止線 – 横断歩道 – 街路樹、植込み – 電柱位置: 歩行者との区別 – 交差点の構成 高速道路では他に – 側壁位置 – 合流点、分岐点 – 車線数 走行レーン位置を地図に書き込む
(白線検出の有無にかかわらず)
地図の利用例
フィンランドNokiaは9月10日(現地時間)、独自動車大手Daimler傘下のMercedes-Benz、自動車部品大手の伊 Magneti Marelliおよび独Continentalと、自動運転機能を含む地図ソリューション「HERE Connected Driving」構築で提携したと発表した。Mercedes-Benzが、同日から独フラン
クフルトで開催の国際モーターショーで同ソリューションのデモを行う。
NokiaがNavteq(地図作成会社)を買収
自己位置の予測と確認
現在位置
車両の運動モデル
を考慮した地図による次位置の予測
観測による 確認
現在位置
観測による 次位置の予測
従来
現在 センサごとに確認内容が異なる
SLAM • Simultaneous Localization and Mapping
– センサの観測情報から自己位置推定と環境地図を同時に行う
– 観測地図を作成 相対的な位置の推定
地図例:3D SLAM @ TTI
150m
地図例:3D SLAM @ Nagoya St.
350m
歩行者・車両を除去するため地上3[m]の点群から地図を作成
Surf特徴量によるマッチング
29
0 50 100 150 200 250 3000
0.01
0.02
0.03
0.04
0.05
0.06
位置決め結果
フレーム数
誤差
自己位置推定に関する 現在の取り組みについて
自己位置推定
• リアルタイムな自己位置推定 – 作成した地図とセンサの観測から位置を推定
• MCL (Monte Carlo Localization) • UKF (Unscented Kalman Filter)
– 事前に作成する地図 • 2次元レーザスキャナで作成したSLAM地図
– 画像データ
• 3次元レーザスキャナで作成したSLAM地図 – 3次元点群データ
• その他 – 各地点の画像特徴量 – ランドマーク情報
確率分布による自己位置の推定
• Monte Carlo Localization (MCL) • 車の状態(位置(x,y),姿勢θ )を粒子による確率分布で表現
• センサデータにより確率分布を補正・更新して状態を推定
予測 重み付け リサンプリング
真の値
状態空間
x
𝑋𝑡−1 𝑋 𝑡 𝑋𝑡
Lidar+2D地図の自己位置推定
• Velodyneの観測点を3段階の高さで分割
– 各高さごとの地図を作成
• 位置推定:Particle Filter
– センサ:Velodyne, オドメトリ, GPSの差分値
1.0-1.5 [m] 1.5-2.0 [m] 2.0-2.5 [m]
Localization Results (z=1.0m)
Localization Results (z=1.5m)
Localization Results (z=2.0m)
OpenStreetMap
• GoogleMapと同様ベクトルデータの地図
– ユーザが地図を更新可能
– 全世界のデータをダウンロード可能
OpenStreetMapの地図データ
OSM
Download Rawdata
Extract “road” data
Save as a map-database
OSM Data + GPS Data
OSM Data + GPS Data
Localization (Velodyne)
OSM building data
Point Data
Apply Particle Filter
Velodyne data
Extract z>0 (higher than estima)
White Line Database(1)
Transform to Latitude & Longitude
OpenStreetMap Data
White Line Database(2)
確認できていること
• Particle Filterによる位置推定
– 全体的には良好
– 市街地の場合は高い地点の情報が有効
• 課題
– 画像として地図は敷地内など範囲が限定される
– 点群の場合も全地形データでは容量が多すぎる
• 必要な特徴を整理してデータ量の削減が必要
安価なGPSを用いたデータ計測(1)
• 携帯電話用のGPSの活用
– 緯度経度を取得
• 日本国内の場合はAGPSによるサポート
– 速度や方位は不安定
– 更新間隔(1[sec])
Bluetooth
安価なGPSを用いたデータ計測(2)
• PA6C, GlobalTop
– 2cm程度のアンテナ内蔵小型GPSモジュール
– 緯度経度を取得
– 更新間隔(100[msec])
名古屋駅–栄 (Android, 4km/h)
Android GPS (5km/h-10km/h)
PA6C GPS (5km/h-10km/h)
市内で計測したGPSデータ
• ◎:1[m]以下
• ○:10~20[m]以下
• △:取得可能/計測不能
• ×:計測不能 GPS Android GPS PA6C
河川沿い ◎ 未検証(○?) ○
高速道路 ◎ 未検証(○?) ○
高速道路(トンネル) ○ 未検証(×?) ×
市街地 ◎ ○ △
高速道路の下 ◎ 未検証(○?) ×
ご清聴ありがとう ございました!