Empfohlen
Weitere ähnliche Inhalte
Empfohlen
Empfohlen (20)
つくばチャレンジ2020第1回LT大会 環境変化に頑健なLiDARベースの自己位置推定
- 2. つくばチャレンジとの関わり ⚫ 2011年（学士4年）からつくばチャレンジに参加 • 2011年から15年まで宇都宮大学尾崎研究室の学生として参加 • 2011年から14年までメインオペレータとして参加・全課題達成 ⚫ 2016年から名古屋大学で研究を開始 • 2016年も参加するが課題達成できず… • 2017年はデータ取りだけ実施 → IROS2018に採録！ • 2018・19年は参加せず 今日はこの話
- 3. どうでも良いけど ⚫ つくばチャレンジ2013本番で探索対象（竹内栄二朗先生）を発見！ • 赤井はIROS 2015で竹内さんに声をかけてもらい名古屋大へ • つくばチャレンジで繋がる未来もある
- 4. どうして自己位置推定に失敗するか？ ⚫ 環境が変わるから • 予め構築した地図を基にどんな観測が得られるか予測する • この予測（モデル化）がいわゆる観測モデル • 環境が変われば実際の観測とモデルが乖離する • 結果として，マッチング（尤度計算）が狙い通りにならなくなる ⚫ どう改善するか • 観測モデルをもう一度考え直す必要がある • 少しだけ確率ロボティクス*を復習します * S. Thrun et al., “Probabilistic robotics,” MIT Press 2005.
- 5. 観測モデル ⚫ 与えられた地図を基にどんな観測が起こりうるかを考える • レーザビームで考えると「ビームモデル」 • 地図上の障害物（hit），未知障害物（short），ランダムな値 （random），最大値（max）の4つの計測を考えたモデル 4つの事象の 確率モデル 各事象の起こりや すさを表す割合
- 6. 観測モデル ⚫ 本当にこれで実環境で耐えられるか • 未知障害物の計測の割合zshortってわかるの？ • 地図から障害物が消える事象は考慮しなくて良いの？ • もっと他の属性って考慮しなくて良いの？ 4つの事象の 確率モデル 各事象の起こりや すさを表す割合
- 7. 提案モデル* ⚫ センサが観測した「物体のクラス」を考慮できるモデルを提案 • 左が一般的な自己位置推定モデル，右が提案モデル • 物体クラスcを隠れ変数（推定したい変数）として導入 * N. Akai et al., “Mobile robot localization considering class of sensor observations,” In IROS 2018.
- 8. 提案モデル ⚫ 何が変わるか？ • 尤度計算のモデルに物体クラスcが条件として付く • 観測物体のクラスを明示的に条件として考慮できる 尤度分布
- 9. 提案モデル ⚫ 実装では「地図にある・ない」という2つのクラスを導入 • 明示的に地図にあるなしを考慮したモデルを考えることができる ⚫ これにより，モデル化がもう少し簡単で妥当なものとなりえる （詳細は省きますが質問は歓迎です）
- 12. 宣伝（ソフトウェア） ⚫ 今回のソフトはGitHubで公開しています • NaokiAkai/AutoNavi https://github.com/NaokiAkai/AutoNavi • ROSのAMCLをセルフ実装したようなもの • 2次元のみ対応 ⚫ 3次元版は諸事情により実装だけ論文で公開 • Intelligent Vehicles Symposium（IV）2020で発表します* • 3次元の尤度場表現を工夫して実装した話 * N. Akai et al., “3D Monte Carlo localization with efficient distance field representation for automated driving in dynamic environments,” In IV 2020 (to appear).
- 13. 宣伝（その他の研究） ⚫ ミスマッチ検出と位置推定の失敗検知 • RA-L 2019 with IROS 2019 option • マルコフ確率場を用いたモデル化 ⚫ End-to-End位置推定とMCLの融合 • ICRA 2020 • 重点サンプリングを用いた融合 ⚫ セマンティクス with 確率的位置推定 • RA-L 2020 with IROS 2020 option • ディリクレ分布を用いた尤度計算
- 16. Use only geometric information Use semantics without uncertainty consideration Proposed method
- 17. まとめ ⚫ 環境変化に頑健な自己位置推定 • 観測物体のクラスを考慮できるモデルを提案（IROS 2018） • 地図にある・なしというクラスを明示的に考慮して頑健性向上 • 尤度場モデルと比較してメモリ・計算コストも増加しない ⚫ 今の研究 • 自律移動をやると直面する位置推定の諸問題を解決しているつもり （論文を参照していただけると嬉しいですhttps://www.researchgate.net/profile/Naoki_Akai2）
- 18. クラス条件付き観測モデル（Akai IROS’18） ⚫ 「観測が地図にある」という条件の場合は尤度場モデル ⚫ 「観測が地図にない」という条件の場合は一様分布を仮定 • 「地図にない」以上予測できないので一様であるとみなす 地図上の障害物の観測（hit）と それ以外のノイジーな観測（max，rand）を仮定