Recommended
More Related Content
What's hot
What's hot (20)
Viewers also liked
Viewers also liked (20)
Similar to Webエンジニアが学ぶ自動運転を支える技術
Similar to Webエンジニアが学ぶ自動運転を支える技術 (20)
More from Hideo Kimura
Webエンジニアが学ぶ自動運転を支える技術
- 2. Copyright (C) 2016 DeNA Co.,Ltd. All Rights Reserved. ⾃⼰紹介 p ⽊村秀夫 (@hidek) p 2009年: DeNA ⼊社 p 2010年〜: Mobage オープンプラットフォーム⽴ち上げ p 2014年〜: システム本部 本部⻑ p 2015年〜: ロボットタクシー株式会社 サービス開発部 部⻑ p もともと ISP からキャリアスタートしたインターネット業界の⼈ p 今⽇はそんなインターネット業界の⼈が、⾃動運転技術に携わって学んだことを紹介 します 2
- 3. Copyright (C) 2016 DeNA Co.,Ltd. All Rights Reserved. ロボットタクシー株式会社紹介 p DeNA と株式会社ZMPの合弁会社 (2015年5⽉28⽇設⽴) p ⾃動運転技術によって移動サービスを提供する n 地⽅や交通弱者に対する貢献 n 2020年東京オリンピック・パラリンピックに合わせて事業計画中 3 Ｘ=
- 4. Copyright (C) 2016 DeNA Co.,Ltd. All Rights Reserved. はじめに p 今⽇お話しする内容は、2016年1⽉現在のものです p ⾃動運転技術の進化は⽇進⽉歩です p 2020年には違う未来が待っているかも知れません p ご了承ください m(_ _)m 4
- 5. Copyright (C) 2016 DeNA Co.,Ltd. All Rights Reserved. ⾃動運転 技術 法規制 社会受容性 ⾃動運転を取り巻く環境 5 p 現在の⾃動運転技術では⽇本中のあらゆる道路環境を⾛ れるまでには⾄っていない 技術 p ジュネーブ道路交通条約(1949年)やウィーン道路交通条 約(1968年)、道路交通法（1960年)では運転者の存在を 規定している 法規制 p 新しい技術に対する安全性などへの不安 社会受容性 p ⾞両販売ではなく限定エリアから のサービスモデル p 世界的な法改正の動き(国連WP1/ WP29) p ⾏政等と協⼒して限定地域からの スタート p ⼈間より安全であることのアピー ル p 地⽅や交通弱者への貢献 ⾃動運転の実⽤化は 移動サービスから
- 6. Copyright (C) 2016 DeNA Co.,Ltd. All Rights Reserved. 近い将来想定しているサービス 6 p 限定エリア内の道路を網羅的に安全確認を⾏ い、その道路から運⾏ エリア限定から p 乗りたいときにスマホで配⾞ p 配⾞予約から決済まで完結したサービス p ⾼効率の配⾞アルゴリズムでムダのない運⾏ p 全⾞両の状態を中央管制しながら安全確保 オンデマンド ITを使った配⾞/管制システム p ⾃動運転技術を使った無⼈移動サービス p 無⼈ならではの移動時間の提供 無⼈運転 =3 予約 配⾞ 乗⾞ 移動 降⾞ 待機 =3
- 7. Copyright (C) 2016 DeNA Co.,Ltd. All Rights Reserved. これまでの歩み 7 p 藤沢市（神奈川県） 国家戦略特区の指定地域の 神奈川県からサポートを受けて ⾃動運転技術の公道実証実験中 p 2015年11⽉5⽇開催の官⺠対話での 安倍総理の発⾔ ⁃ 「第１に、2020年オリンピック・ パラリンピックでの無⼈⾃動⾛⾏に よる移動サービスや⾼速道路での⾃ 動運転が可能となるようにする。」 ⁃ 「このため、2017年までに必要な 実証を可能とすることを含め、制度 やインフラを整備する。」
- 9. Copyright (C) 2016 DeNA Co.,Ltd. All Rights Reserved. ⾃動運転とは？ 9 p ⾃⼰位置や周辺環境を把握して ▷ Localiza@on ▷ Sta@c Object Detec@on ▷ DATMO p 最適な経路⽣成や⾏動計画を⾏って ▷ Local Path Planner ▷ Behavior Generator p ⾞両の制御を⾏う ▷ 加速: アクセル ▷ 制動: ブレーキ ▷ 操舵: ステアリング 認知: ⽬・⽿ 判断: 脳 制御: ⼿・⾜ これらを⾞両に 任せるのが⾃動運転 ⾞の運転
- 10. Copyright (C) 2016 DeNA Co.,Ltd. All Rights Reserved. ⾃動運転のレベル 10 10 p 制御をどこまでを⾃動⾞に任せるかで⾃動運転のレベルが決まる Ø ロボットタクシーが実現したいのは “NHTSA Level 4” (無⼈) による旅客サービス p 運転⼿が⾃ら完全にコントロール p ADAS が付いていても運転⼿が制御する場合は Level 0 Level 0: No-AutomaMon p 単独の機能をシステムに任せる状態 例) アダプティブクルーズコントール、⾃動ブレーキ、レーンキープ Level 1: FuncMon-specific AutomaMon p ⼆つ以上の機能をシステムに任せる状態 例) ACCとレーンセンタリングの併⽤ Level 2: Combined FuncMon AutomaMon p 全てのコントロールを完全にシステムに任せられる状態 p ただし、システムの要請に応じてドライバーが対応する Level 3: Limited Self-Driving AutomaMon p 全てのコントロールを完全にシステムに任せて、ドライバーが全く関与しない状態 p Level 4 には有⼈状態と無⼈状態がある Level 4: Full Self-Driving AutomaMon NHTSA (アメリカ国家道路交通安全局) による⾃動化レベル定義
- 16. Copyright (C) 2016 DeNA Co.,Ltd. All Rights Reserved. Sensor: 種類と特徴 16 センサー ⽤途 利点 ⽋点 GPS/IMU p Localiza@on p RTK-GPS を使うと数cmの精 度で⾃⼰位置が取れる p 照明条件・天候条件に強い p GPS が⼊らない環境では IMUに頼る必要があるが誤 差が広がる カメラ p Localiza@on p Sta@c Object Detec@on p DATMO p 検知対象が何か分かる p ステレオカメラを使うと相 対距離が取れる p ⽐較的安価 p 照明条件に弱い (夜間・逆 光) p 測定距離が⻑くなると精度 が下がる LiDAR p Localiza@on p DATMO p 検出精度が⽐較的⾼い p 夜間に強い p 2D LiDAR は⽐較的安価 p 検知対象が何か分からない p 測定距離が短い(20〜80m) p ⼤⾬・濃霧に弱い p 3D LiDAR は⽐較的⾼価 ミリ波レーダー p DATMO p 相対距離と相対速度が取れ る p 測定距離が⻑い (150m〜 200m) p 天候条件に強い p 検知対象が何か分からない p 精度が⽐較的低い p ⽐較的⾼価 p それぞれ得意不得意があるので複数の種類を組み合わせてロバスト性を⾼める必要がある
- 18. Copyright (C) 2016 DeNA Co.,Ltd. All Rights Reserved. LocalizaMon: Sensing p GPS ⁃ RTK-GPS: 補正情報を基地局から移動体に送信してリアルタイムに位置を測定 する⽅法 ⁃ 通常のGPSと違い、数cm 単位での精度 p IMU (Inertial Measurement Unit) ⁃ GPS が⼊らないところで慣性航法に⽤いるセンサー ⁃ 加速度と⾓速度を取得できる ⁃ 時間の経過とともに誤差が累積する p Odometer ⁃ ⾞両から取得する⾞速・操舵⾓等 18
- 19. Copyright (C) 2016 DeNA Co.,Ltd. All Rights Reserved. LocalizaMon: Matching p Map Matching ⁃ 予め⽤意した⾼精度地図とカメラやレーザーでスキャンした結果を照らし合わ せて⾃⼰位置を推定する p Lane Matching ⁃ カメラやレーザーで⽩線を検知して⾃⼰位置を推定する これら様々な情報から確率的に⾃⼰位置を推定している = Particle Filter 19
- 20. Copyright (C) 2016 DeNA Co.,Ltd. All Rights Reserved. LocalizaMon: ParMcle Filter p 予測 ⁃ 状態⽅程式に基づいて各パーティクルを移動させる p 重み付け ⁃ 尤度関数を⽤いて重み付けする p リサンプリング ⁃ ⼤きく重みが付いたパーティクル周辺では多くのパーティクルをまく 20 予測 重み付け リサンプリング ここ！
- 21. Copyright (C) 2016 DeNA Co.,Ltd. All Rights Reserved. Object DetecMon: Deep Learning p ニューラルネットを何層にも重ねてクラス分類や回帰を⾏う⼿法 ⁃ 特徴量抽出を必要としないパターン認識を⾏える ⁃ 現在はオブジェクト検出に利⽤ 21 Step ⽬的 ⼊⼒ 出⼒ Step1 オブジェクト検出 静⽌画 オブジェクトラベル（歩⾏者、⾃転⾞、⾞、レーン など）と、距離、向き Step2 アクション検出 動画 動作ラベル（急ブレーキ、危険運転、信号の変化な ど） Step3 運転者として 動画、 ⽬的地と地図 次のアクションを判断する 画像 特徴量抽出 パラメータ学習 認識結果 今までの機械学習 画像 特徴量抽出 パラメータ学習 認識結果 Deep Learning ⼈間 ⾃動運転への段階的応⽤
- 22. Copyright (C) 2016 DeNA Co.,Ltd. All Rights Reserved. StaMc Object DetecMon p Lane Detection ⁃ ⽩線を検出して Localization に使う p Signal Detection ⁃ 信号機の検出 ⁃ 信号の状態の認識 22
- 23. Copyright (C) 2016 DeNA Co.,Ltd. All Rights Reserved. DetecMon and Tracking Moving Object p ⾞両検知 ⁃ 「矩形領域」ではなく「画素単位」で⾞両を検知 p 歩⾏者検知 ⁃ ステレオカメラによる歩⾏者胴体部分の距離検出 23
- 24. Copyright (C) 2016 DeNA Co.,Ltd. All Rights Reserved. もう⼀つの⾃動運転を⽀える技術: V2X p V2I (路⾞間通信)、V2V (⾞⾞間通信)、V2P(⾞歩間通信)など p ⾞載器と路側帯や信号機などインフラに埋め込まれた通信機、歩⾏者が 携帯する通信機、⾞載器同志で通信を⾏って⾛⾏を⼿助けする仕組み p ⾃律型⾃動運転を補完する可能性 例えば p ⾒通しの悪い交差点での通⾏ p 信号の認識 p 狭い道での譲り合い → これらがセンシング無しで実現できる 24
- 25. Copyright (C) 2016 DeNA Co.,Ltd. All Rights Reserved. V2X を取り巻く現在 事例 p トヨタ ITS Connect p Connected Vehicle Safety Pilot Program (⽶ミシガン州) 問題 p コスト ⁃ 全国の信号機の数: 20万機 → 狭い地域からであれば導⼊可能性もゼロではない p 国際協調: 欧⽶と⽇本の規格の違いによる普及障壁 ⁃ 通信帯の違い: ⽇本 = 760MHz、欧⽶ = 5.9GHz ⁃ 暗号化の違い: ⽇本 = 秘密鍵暗号、欧⽶ = 公開鍵暗号 → ガラパゴス化の危機 25
- 26. Copyright (C) 2016 DeNA Co.,Ltd. All Rights Reserved. まとめ p ⾃動運転は移動サービスから始まる p ⾃動運転に関わる技術は多様 p ⾃動運転技術の進化は⽇進⽉歩 p ⾃動運転は100%の安全を保証するものではなく、今より便利に安全に 移動を実現する技術 p その技術があることで助かる地域や⼈々に貢献していきたいです 26