2.1 SUVのコンセプト

SUVは、自身を取り巻く環境を認識して人間に情報を提示することができ、また、環境内を探査することで様々なデータを蓄積し、 そのデータを再利用することで高度なサービスを提供することを目的とした、無人で自律走行可能な小型のロボットである。

例えば、人は一人で歩くよりも、誰かの後ろについていく方がより安全であり、安心することができる。そこで、SUVに前方を走行させることにより、 後ろを歩く人の安全性と安心感を向上させることができる。人が移動する上で最も注意すべきなのは死角から突然現れる移動障害物である。 そこで、人がより安全に移動するためには死角から接近している移動障害物を事前に察知することが必要である。 しかし、人が実際に死角の情報を得ることは難しい。そこで、いかに環境側に周囲の情報を収集し伝達する仕組みを実現するか、ということが重要になってくる。

しかし、複雑で数多く存在する歩道の全域に渡ってそのようなインフラを整備することはコストの面で実現が困難である。そこで、 上記の問題をインフラを整備する以外の方法で解決したい。まず、歩行者の安全に大きく関わる環境の情報は現在地から離れた場所ではなく、 歩行者の進行方向前方に集中していると考えられる。そこで、SUVは歩行者の前方を走行することで、道案内をすると同時に、歩行者から見て 死角となる領域のセンシングを行い移動障害物を事前に検知することができる。そうして、人はSUVについて歩くことで道に迷うこともなく 安全に安心して目的地まで移動することができる。

また、SUVは環境内を任意に動き回ることにより様々なデータを記録、蓄積し、それらのデータを再利用して環境の情報をより詳細に解析することで、 高度なナビゲーション等のサービスを提供することができる。本研究の目標である3次元地図の自動生成はここに位置付けられる。

2.2 システム構成

SUVは、ベースとなる対向二輪型の移動機構、環境地図生成と自己推定に利用するレーザーレンジセンサー、 3次元地図生成に利用するRGB-D (カラーおよび深度)カメラ、そして、それらを制御するためのノートPCから構成されている (図を参照)。

図2.1: SUVの構成

次に二輪走行機構、レーザーレンジセンサー、RGB-Dカメラについて説明する。制御については次節以降で詳しく説明する。

2.2.1 二輪走行機構と本体内蔵のセンサー

SUVはベースとなる移動体としてiRobot社のiRobot Create を使用している。iRobot Createは、お掃除ロボットとして知られるRoombaをベースとした、 教育・開発者向けのプログラム可能なロボットである。iRobot Createはサーボモーターによって独立に動く二つの車輪を持ち、 これにより前後移動・その場回転・カーブ移動が可能である。速度は-500?500mm/sまで出すことが可能である。また、 二つのタイヤの回転数を内部で計算することによって、走った距離と回転角度(オドメトリ情報)を知ることができる。 しかし、このオドメトリ情報は必ずしも正しい値ではなく、誤差を含む値である。モーターの回転数が高出力の時と、 低出力の時の誤差は特に大きく、出発地点からの相対位置を知るためには不十分な精度である。これについての問題解決の方法として、 環境地図とレーザーレンジセンサーを用いた自己位置推定を行っている。詳しくは2.4節で述べる。また、iRobot Create本体には様々な センサーが標準で搭載されている。図に示すバンパーセンサー、ホイールセンサー、PSDセンサー、IRレシーバーである。 このうち、バンパーセンサーはSUVの前面の左右にそれぞれ持ち、進行中に右のバンパーセンサーが反応したら左へ回転し軌道を修正するなど、 このセンサーの値によってSUVの動作を決定することができる。また、バンパーは壁と衝突した時の衝撃を吸収してくれる。 ホイールセンサーはタイヤが地面に着いているかを調べるセンサーである。タイヤが地面に着いていない時は、制御PCの信号を無視して 必ずモーターの回転を停止する機能を持つ。PSDセンサーは赤外線を使ってiRobot Createの側面の壁との距離を測ることができるが、 SUVはレーザーレンジセンサーによって、広範囲の障害物までの距離を測定可能なため、本研究ではPSDセンサーは使用しない。 IRレシーバーは赤外線の信号を受信することができるセンサーである。これによりiRobot Createに付属するリモコンから命令を送信することができる。

図2.2: iRobot Createのセンサー

2.2.2 レーザーレンジセンサー

SUVは自分から見た障害物までの距離と角度を知ることができるレーザーレンジセンサーを搭載している。このレンジセンサーは物体にレーザー光をあて、 その反射光を受光して物体までの距離を算出する。これを一定角度間隔で距離を測定することで、平面上に扇状の距離情報を最大30m、 角度240度の範囲で得ることができる (図を参照)。レーザーレンジセンサーはSUVの目として、環境地図の生成や現在地の推定、 障害物の検出などに利用される。

図2.3: レーザーレンジセンサーの取得可能範囲

2.2.3 RGB-Dカメラ

SUVはRGB-DカメラとしてKinectを搭載している。KinectとはMicrosoftから発売されている家庭用ゲーム機Xbox360用の入力デバイスであり、 プレイヤーの動きや姿勢を認識することで、コントローラを使わずに操作が可能になるというものである。

KinectはRGBカラーセンサー (カメラ)に加えて、カメラから視た物体までの距離が計測できる深度センサーを持ち、 平面上の障害物までの距離が分かるレーザーレンジセンサーと違い、物体の3次元スキャンを行うことが可能である。 この深度センサーは赤外線レーザーで特徴のあるパターンを照射し、赤外線カメラでそのパターンを解析することで奥行きを計算することができる。 Kinectは水平視野57度、垂直視野43度、センサー範囲は1.2m?3.5mの範囲を撮影することができる。図 は左がKinectのカメラの画像で、右が深度センサーの画像である。RGB画像は640x480、Depth (深度)画像は320x240で共に30フレーム/秒で取得できる。 この二種類のデータを使って実際に3次元形状復元したものを図に示す。本研究ではこの機能を利用して3次元地図の生成を行っている。 詳しくは第3章で述べる。

図2.4: Kinectのセンサーデータ

図2.5: 3次元形状の復元

また、Kinectは専用のソフトウェアを動作させるプロセッサが内蔵されており、このソフトウェアにより人の検出、トラッキングすることが可能である。 この機能は2.6節の移動障害物の検出に利用している。

2.3 環境地図生成

SUVが現在地を把握したり、目的地を決めてその場所まで自律走行するためにはSUVが走行する環境を認識していなければならない。 SUVが環境を認識するためには走行する環境の地図が必要となる。そこで、SUVは事前に環境内を走行することで、レーザーレンジセンサーの計測記録から 環境地図を作成する。移動体の地図生成は、自己位置推定と地図生成を同時に行う必要があり、これはSLAM (Simultaneous Localization and Mapping) 問題として有名な問題である。SUVはICP (Iterative Closest Point)アルゴリズムによりセンサーデータの重ね合わせを行いSLAM問題を解決している。

SUVは環境地図として2次元の占有格子地図を使用する。占有格子地図とは、等間隔の格子に配置された確率変数で表現される地図のことであり、 確率変数の値が高いほどその領域が物体によって占められている可能性が高いことを意味する。占有格子地図の求め方は次の通りである。 この地図$p(m_i|z_{1:t},x_{1:t})$を求める方法はinverse_range_sensor_modelを使用している。

実際に計測したデータから地図を求める手法について説明する。各時刻において、尤度最大となる姿勢を探索し、 その尤もらしい姿勢において地図を更新していくのが基本的な方法である。具体的な手順として、SUVを環境に走らせることによって得られる オドメトリ情報$z_{1:t}$から以下の方法で求める。

1. $p(m|z_0,x_0)$を求める。

2. 時刻$i (1\leq i\leq t)$に対して3を実行

3. ICPアルゴリズムにより$x_i$を探索する。

4. 2で求めた$m$をinverse_range_sensor_modelにより更新する。

以上の方法で作った占有格子地図の例を図に示す。画像の各画素の色の濃さが占有格子地図の各格子の確率変数の値の大きさを表す。 黒は障害物有り、白は障害物無し、灰色が初期状態を表している。各格子の間隔は50mm, SUVが300mm進むごとに記録したデータから作成した。

図2.6: 生成された占有格子地図

2.4 自己位置推定

設計した経路に沿った柔軟な自律走行を行うためにはSUVは環境地図上での自身の位置を常に知っていなければならないため、自己位置推定 を行う必要がある。ここでいう位置とは、2次元のグローバルな座標系、つまり地図の座標系において、移動体の姿勢$\theta$によって決まる値である。

前節で生成した環境地図と現在のレーザーレンジセンサーの値を比較することで、環境地図上での位置を推定する。環境地図生成と同様にレーザーレンジセンサー の値を利用するので、2.3節で説明した地図生成アルゴリズムのステップ3のように、ある時刻$t$において$a_t$を 推定し続けることが重要となるので、確率で位置の推定を行うパーティクルフィルタを用いている。

パーティクルフィルタ(または逐次モンテカルロ法)とは、N個のサンプル点(パーティクル)の集合を近似的に事後確率の分布関数として扱う方法である。 ここでは事後確率$p(a_t|m,z_t,a_{t-1},u_t)$の分布関数をパーティクルフィルタで求めることで位置推定を行う。 パーティクルフィルタによる位置推定は次の3ステップで行われる。

• 予測

  各パーティクルについて、次の運動モデルに従って次状態の$a_t=a_{t-1}+R_{t-1}(u_t+w_t)$

  $a_t$の向きへの回転行列

  $\Sigma_W$ は経験的に求めている。また乱数はボックスミューラー法により計算する)

• 尤度計算

  各パーティクルについて尤度$p({\bf z}_t^k|{\bf a}_t,{\bf m})= \left(\begin{array}{c} {\bf z}_{\rm hit}\\ {\bf z}_{\rm short}\\ {\bf z}_{\rm max} \end{array}\right) \cdot \left(\begin{array}{c} p_{\rm hit}({\bf z}_t^k|{\bf a}_t,{\bf m})\\ p_{\rm short}({\bf z}_t^k|{\bf a}_t,{\bf m})\\ p_{\rm max}({\bf z}_t^k |{\bf a}_t,{\bf m}) \end{array}\right)$

  $p_{\rm max} (z_t^k |a_t,m)$はそれぞれ正しい計測時の局所的な計測雑音、想定外の物体、計測失敗の確率分布を表す。 それぞれの分布図のグラフを図に示す。

• リサンプリング

  前の状態の各パーティクルの尤度を元にパーティクルを選び直す。高い尤度が与えられたパーティクルを多くのパーティクルにコピーし、 尤度の低いパーティクルを消去することにより、パーティクル数を一定に保つ。

位置推定はオンタイムで推定を行う必要があるので、処理速度とロバスト性が求められる。そこで、処理速度を向上させるために地図とのマッチングを 行うセンサーの分解能を15度に設定し、ロバスト性を上げるためにパーティクルを多めの500個用意して位置推定を行っている。1回の位置推定にかかる 処理時間は10msec以下で、これを1秒間に4回繰り返すことで、オドメトリの誤差に対してロバストな位置推定を行っている。

パーティクルフィルタによる位置推定が、オドメトリのみで位置を計算した場合に比べてどの程度正しく位置を推定できているかを示したものが 図と図である。これはリモコンによるマニュアル操作で同じコースを6周したときの様子である。 図のグラフから分かるように、位置推定なしのオドメトリ情報のみでは誤差が累積されており、パーティクルフィルタによる 位置推定ありの結果が1周目から6周目まで一定の誤差範囲内に留まっている。図の軌跡を見ても位置推定なしの場合は誤差の 累積のため現在地情報と実世界の現在地の対応が全く取れていないが、位置推定ありの方は安定して位置推定ができていることが分かる。

図2.7: 周回後の現在地情報と出発点との距離

図2.8: 位置推定なし・ありの場合のそれぞれの軌跡

2.5 SUVの自律走行

SUVは目的地が設定されると、現在の位置から指定された任意の座標に対して走行可能な経路を生成し、自律走行を行う機能を持つ。 本節ではその手法について説明する。環境地図に用いた占有格子地図は地図上の格子ごとに物体に占められている確率を表現しているが、 一定の閾値以下の領域を走行可能領域として、走行可能領域に経路生成のためのグラフ構造を自動で生成する。生成手法は、次の通りである。 まず、図の黒い線の部分で表されているような障害物から一定距離内の領域を塗りつぶし、その境界線にノードを一定間隔で追加する。 さらに、障害物から一定距離外の領域を塗りつぶし、その境界線にも同様にノードを追加する。図の点は この手法で生成されたノードである。生成されたそれぞれのノードについて一定距離内にあるノードをつなげることによってグラフ構造を作る。 図は実際に生成されたグラフ構造である。

図2.9: 地図上の障害物とその境界線

次にグラフ構造から経路を生成する手法を説明する。環境地図の走行可能領域で任意の場所が目的地として指定された時、 現在地と目的地のそれぞれの最近傍のノード間をA*アルゴリズムで探索することで経路を生成する。A*はダイクストラ法の推定値が小さいものから順に探索し、 経路が見つかった時点で探索を終了するアルゴリズムである。このアルゴリズムは目的地までの推定値をユークリッド距離 とすることで最短経路を探索できることが保証されている。図に示す赤色の線は実際に生成された経路である。 また、占有格子地図上では通行可能な領域ではあるが、人間の都合によって移動体に通って欲しくない状況や、地図作成後に障害物が置かれたこと によって通行不可能となる状況が考えられる。これに対しては、前者はGUI上から簡単に手動でグラフ構造を編集できる機能、 後者はレーザーレンジセンサーから取得した値で地図上に矛盾が生じた際にグラフ構造を更新する機能を用意することで柔軟な経路生成を可能としている。

図2.10: 地図に付与されたグラフ構造と生成された経路

この手法では、点と点を線で結ぶように経路を生成したため、SUVが実際に経路を走行する際に経路を忠実にトレースしようとすると、 各ノード上で一時停止し、次のノードの向きへその場回転を行い、直進するという行動を取る。しかしそのような行動は、 その場回転を行うため効率が悪く、位置推定の誤差や車輪の回転のずれにより忠実に経路をトレースすることが難しい。 そのため、対向二輪型の移動機構を持つSUVにあった軌道計画を行う必要がある。また、ノードを目標点とするのではなく、 現在のSUVの位置を基に経路上に一時的な目標地点を設定し、常に目標となる点を更新することで、ずれに対して強い制御を行うことができる。 SUVは、旋回半径と移動速度を指定することで走行を行う。そこで、図の青色の線のように、 現在のSUVの位置から一定距離先の経路上の点を一時的な目標地点として設定し、SUVの位置と目標地点を通り、SUVの進行方向を接線とする 円の半径を旋回半径に指定することで、SUVは図に示す赤色の線に沿うように走行する。また、 SUVの位置が経路から大きく外れてしまった場合やUターンような急な方向転換を行う必要がある場合には、その場回転を行い経路に復帰する。 位置推定を行う度に目標地点を更新することで、生成された経路にできるだけ沿うように、スムーズに移動することができる。

図2.11: 自律走行のアルゴリズム

2.6 移動障害物の検出

SUVは安全に走行するため、自律走行中に移動障害物を検出したら移動を停止し、衝突の危険がなくなったら移動を再開するという機能がある。 本節ではその仕組みについて説明する。

SUVはレーザーレンジセンサーとKinectを同時に用いた移動障害物の検出を行う。レーザーレンジセンサーによる検出方法は、 センサーの値と地図を比較することで地図にない障害物を一定時間ごとに発見し、この情報からオプティカルフローを用いることで、 動いている障害物を検出する方法である。Kinectは距離画像に基づいて人間を検出する機能を有しているのでそれを用いて人間を検出する。 レーザーレンジセンサーは検出距離が長く、距離の誤差が少ないため移動障害物の進行方向を計算するのに適しているが、動いている障害物にしか反応せず、 SUVが移動している場合にはオプティカルフローを正確に計算できない。一方、Kinectは検出距離が短いが、静止している人間を検出でき、 SUVが移動していても人間を検出することができる。このため、レーザーレンジセンサーとKinectの検出結果を統合することでより確実に 移動障害物(特に人間)を検出することができる。ここでは、検出時点で静止している人間も移動障害物と見なしている。 実際に検出した時の様子を図に示す。左上の画像がKinectで取得したRGB画像で、左下がKinectで取得した障害物までの 深度と人間の検出結果である。右の環境地図上に検出した人間の位置がピクトグラムで表示される。

図2.12: SUVの移動障害物の検出

次章では、SUVを利用した3次元地図の自動生成について詳しく説明する。

3.1 3次元地図生成

収集したデータ(RGB画像、Depth画像、SUVの位置情報)から3次元地図生成を行う。RGB-Dカメラのデータから3次元形状の復元を行い、 3次元形状モデルの重ね合わせを行うことで3次元地図を生成する。環境地図生成の際にもセンサーデータの重ね合わせを行い地図を生成したが、 ここでは3次元地図をより利用しやすくするために環境地図と同じ座標系で3次元地図を生成する必要がある。そのため3次元地図生成では センサーデータだけでなく環境地図とも重ね合わせを行う。収集したデータにはSUVの環境地図上での位置情報も含まれるため、 重ね合わせを行う際に初期値としてSUVの位置情報を利用することで、ある程度環境地図と対応の取れた位置にセンサーデータを配置することができ、 環境地図と重ね合わせを行うことができる。しかし、SUVが取得できる位置情報はx,y座標および左右方向の向き(ヨー)のみで3次元的な位置および角度情報 は取得することができない。そのためセンサーが必ず水平に固定されていないと取得したセンサーデータおよび位置情報のみで環境地図の座標系 と対応するように3次元的な重ね合わせを行うことは難しい。しかし、実際にはSUVは移動しながらデータを収集するため、センサーが常に 水平に固定されているとは言えない。そこで、取得したセンサーデータから3次元的な位置情報であるSUVのz座標および上下方向の向きと 進行方向に対しての回転角(ピッチ、ロール)の推定を行うことでSUVの3次元的な位置情報を取得する。

3次元的な位置情報は、取得したセンサーデータから床の検出を行い、床が水平面と一致するようなz座標およびピッチ、ロールの推定 を行うことによって求められる。これについては3.1.1項で詳しく説明する。センサーデータの重ね合わせには、画像特徴点の マッチングとICPアルゴリズムを組み合わせたRGBD-ICPアルゴリズムを、環境地図ともマッチング できるように拡張したアルゴリズムを用いて行う。このアルゴリズムについては3.1.2項で詳しく説明する。3.1.3項では、 生成した3次元地図を環境地図と対応付けを行うことで、3次元地図の精度の検証を行う。

3.1.1 床の検出と位置推定

RGB-DカメラはSUVに固定されているため、床の検出はRGB-Dカメラが床に対してある程度水平になっていることを前提として行う。 床は面の方程式$a,b,c$を求める手順について説明する。

1. 全ての点からランダムに3点${\rm P}_1,{\rm P}_2,{\rm P}_3$を取り出す

2. 3点を含む面がある程度水平でなければ手順1に戻る

   RGB-Dカメラは床と水平に設置されているため、3点を含む面がある程度水平でなければ床ではないと見なし手順1からやり直す。 水平かどうかの判断は、水平面と3点を含む面のずれを計算することで行う。面のずれは垂直上向きベクトルと3点を含む面の 法線ベクトルの内積によって求める。面の法線ベクトルは${{\rm P}_1 {\rm P}_3}$の外積を求めることで計算する。

3. 3点を含む面を計算する

   面の方程式$a,b,c$を求める。

4. 求めた面と全ての点の誤差を計算し投票を行う

   求めた面と点の誤差は面と点の距離として計算を行う。本論文では面と点の距離が1cm以下の場合はそのパラメータに対して投票を行った。

5. 手順1-4を繰り返し実行する

6. 得票数が最も多いパラメータに投票した点を抽出する

7. 抽出した点から尤もらしいパラメータを求める

   抽出した点と面との距離の総和が最小になるような最小二乗問題を、特異値分解を用いて解くことで尤もらしいパラメータ$a,b,c$を求める。

ただし、データによってはデータ中に床の領域が含まれず、正しく床が検出されない場合がある。そのため手順5で抽出された点が極端に少ない場合は 床の検出に失敗したものとして、そのデータを除外する。

RANSACアルゴリズムは繰り返し回数が多く、センサーデータすべての点を用いてアルゴリズムを適用するとかなりの計算時間がかかってしまうため、 センサーデータからサンプリングしたものに対してアルゴリズムを適用する。本論文ではセンサーデータからサンプリングした1000個の点を全データとし、 繰り返し回数を1000回としてアルゴリズムを適用した。実際に床を検出した様子を図に示す。 床の検出は左図のように3次元に復元されたものを利用して検出する。床として検出された面に含まれる領域を赤色で示している。 右上および右下の図は検出された領域をDepth画像およびRGB画像に反映したものである。

図3.1: 床の検出

次に、検出した床を利用してSUVの3次元的な位置情報 (高さ${\rm P}_1 (0,0,0), {\rm P}_2 (0,1,0), {\rm P}_3 (1,0,0)$とする。

1. 点${\rm Q}_3$とする。

2. 以下のようにベクトル${\bf y}_1={\rm Q}_1 {\rm Q}_2 , {\bf y}_2={\rm Q}_1 {\rm Q}_3 , {\bf y}_3={\bf y}_1\times {\bf y}_2$

3. ${\bf T}$を求める。

4. x軸に対する回転行列を${\bf T}$のz成分から求まる。 このとき平行移動行列のx成分およびy成分は0になるはずである。

実際に床を水平に修正したものを図に示す。修正前では上の図で奥方向、下の図では右にわずかに傾いているが、修正後は水平になっていることが分かる。

図3.2: 床の向き修正前後の比較

3.1.3 環境地図との対応付け

SUVが一定間隔進むたびにRGB-Dカメラの値とSUVの位置情報を記録し、走行終了後にセンサーデータの重ね合わせを行うことで地図を生成した。 実際に生成した地図を図に示す。生成された地図がどの程度正確か、環境地図と比較することで検証した。 3次元地図中のレーザーレンジセンサーの高さ付近のデータを環境地図にマッピングしたものを図に示す。 この図から、生成した3次元地図が環境地図と正確に重なっていることが分かる。

図3.3: 生成された3次元地図

図3.4: 環境地図と生成された3次元地図の対応付け

その他の手法で生成した3次元地図と比較するため、その他の手法で生成した3次元地図を同様に環境地図上にマッピングしたものを図に示す。 ?は前項で説明した重ね合わせを行わずSUVの位置情報だけを基に3次元地図を生成したものである。 SUVの位置情報に誤差があるため環境地図とうまく重なっていないことが分かる。?は環境地図との対応点だけで重ね合わせを行った3次元地図である。 環境地図とは正確に重なっているが、点群同士の重ね合わせを行っていないため?の提案手法と比べ赤い線の幅が太くなり点群同士がしっかりと重なっていないことが分かる。 また、?の手法では、床を事前に検出し補正することで2次元的な重ね合わせだけで地図生成を行ったが、3次元的な重ね合わせを行う場合、 環境地図との重ね合わせだけでは2次元的な対応しか表現できないため正確に重ね合わせることができないことが予想される。 提案手法では特徴点や点群とも重ね合わせを行うため最適化するパラメータを変更することで3次元的な重ね合わせも行うことができる。 ?はRGBD-ICPを用いて生成した3次元地図を示している。環境地図との重ね合わせを行っていないため環境地図とのずれが目立つ。 本研究ではSUVの位置を初期値としたため環境地図から大きくずれてしまうことはないが、環境地図とずれた点群とマッチングしてしまうとマッチングに 失敗するまで徐々に誤差がたまっていってしまう。以上の結果から、事前に環境地図が生成されており、データ収集時の環境地図上 での位置情報が取得できている状況において、本提案手法は有効であるといえる。

図3.5: 各手法の比較

3.2 3次元地図のポリゴン化

前節で説明した3次元地図は膨大な数の点の集合であり、データ量が非常に大きく扱うのが非常に困難である。 そこで点の集合である3次元地図から面を検出しポリゴン化することで3次元地図の構造の単純化を行う。本研究では、 特に建物を構成する主な要素である壁や床に着目し、ある程度の大きさをもった面だけをポリゴン化する。 面を膨大な数の点の集合である3次元地図から直接検出することは困難であるため、一つ一つのセンサーデータから面を抽出し、 抽出した面の重ね合わせを行うことで、3次元地図のポリゴン化を行う。

3.2.1 面の検出とテクスチャの作成

面の検出は3.1.1項の床の検出と同様のアルゴリズムで行う。ただし、ここでは面の向きを指定しないので手順2は行わない。 また、複数の面を検出するため点群から検出された面に含まれる点を取り除き、面が検出されなくなるまで繰り返し面の検出を行う。 実際に検出した様子を図に示す。図では床と壁と扉の3つの面が検出されている。

図3.6: 面の検出

次に、ポリゴンを描画するため、面のテクスチャを生成し描画範囲を指定する手順について説明する。図は 図の床のテクスチャを生成する様子を示している。まず、面に含まれる点を平面上にマッピングする(?)。 このままでは点が離散的であり描画範囲を指定することができないので、モルフォロジーフィルタを 用いて画像を平滑化する(?)。画像の輪郭線を抽出し描画する必要がある領域を求める(?)。赤色の線が輪郭線であり、輪郭線の内側を描画する必要がある。 ポリゴンを描画するには描画範囲を3角形に分割する必要があるが、凹凸のある輪郭線を3角形に分割するのは難しい、そこで輪郭線の凸包を求め、 この凸包を一つの面として描画する(?)。この時、輪郭線の内側の面積が小さいものはノイズとして無視する。図の 左側の図はセンサーデータから復元した3次元形状モデルであり、右側の図は検出した面をポリゴン表示したものを示す。 画像の平滑化を行っているため画像が粗くなってしまっているが、検出した面のテクスチャが作られていることが分かる。 本研究では、点群を面にマッピングしたものをテクスチャとして利用したため、画像の平滑化を行う必要があったが、カメラ画像を用いて3Dポリゴンへの テクスチャマッピングを行う手法が研究されており、そのような手法を取り入れることで、 画像の平滑化を行わず、より詳細なテクスチャを生成することが今後の課題である。

図3.7: テクスチャの生成と描画範囲

図3.8: 3次元モデルとポリゴン表示の比較

3.2.2 面の重ね合わせ

前項で求めた面と一致する面を探し、一致する面が存在する場合は面の重ね合わせを行う。一致する面が存在しない場合はその面を新しい面として登録する。 一致する面の検出は次のように行う。入力面とターゲットとなる面の向きのずれをそれぞれの面の法線ベクトルの内積から求め、 ずれが閾値以下のものを検出する。さらに、入力面の重心とターゲットとなる面の距離を求め、この距離が一定値以下で最も短くなる面を一致する面として検出する。 面の重ね合わせは二つの面から新しい面を作ることで行う。入力面とターゲット面の法線ベクトルをそれぞれの面の面積で重み付けして平均を求めたものを重ね合わせて できる面の法線ベクトルとする。面のテクスチャは前項のテクスチャの生成方法と同様に入力面とターゲットとなる面それぞれに含まれる3次元上の点を新しい面に 垂直に降ろした位置に点をマッピングすることでテクスチャを生成する。ただし、全ての点に対してマッピングを行うのは非常に時間がかかるため、 入力面とターゲットとなる面でそれぞれ基準となる3点のみマッピングを行い、残りの点はテクスチャ上の2次元アフィン変換を求めることで新しいテクスチャを生成する。 テクスチャの重ね合わせの様子を図に示す。

図3.9: 面の重ね合わせ

図の点群から成る3次元地図をポリゴン化した地図を図に示す。点群から成る3次元地図は約1500万点の 頂点データから構成されていたが、ポリゴン化した3次元地図では面の枚数が34枚、頂点数は767点とかなり単純化することができた。 本研究では、問題を単純化するため、ポリゴンを表示する際に凸包の描画を行ったが、ポリゴンを描画する順番によっては透過処理が適切に 行われず裏側にある面が見えなくなってしまうという問題が発生してしまった。そのため凸包を描画するのではなく、 輪郭線の内側だけを描画することが今後の課題である。また、データが抜けている部分はデータの取り直しを行う必要があるが、 そのような場所を人が探すのは非常に手間がかかる。そこで、明らかにデータが抜けている部分を自動的に補完、検出するといった仕組みも今後の課題である。

図3.10: ポリゴン化した地図

3.3 経路生成

3次元地図生成のために必要なデータを自動的に収集するため、SUVが走行するデータ収集経路を事前に生成する必要がある。 3.1節で説明したように3次元地図生成では画像特徴点を利用して3次元形状モデルの重ね合わせを行っている。そのため、 収集するデータには画像特徴点が多く含まれることが理想的である。屋内において画像特徴点が検出されやすい領域は掲示物や扉などが 含まれる壁沿いである。逆に床は特徴的な部分が少なく画像特徴点検出されにくい。図に、 取得したRGB画像の特徴点を検出したものを示す。この図から、壁沿いに特徴点が集中し、床には特徴点がほとんどないことが分かる。 特徴点を多く含むようなデータを収集するには、壁だけのデータを取るのが好ましいように思えるが、3次元地図を生成するためには、 特徴点を含まない床のデータも収集する必要がある。そのため、3次元モデルをうまく重ね合わせるためには、特徴点が多く含まれる壁と 特徴点があまり含まれない床のデータを同時に取得することができる経路を生成する工夫が必要となる。そこで、壁と床のデータを同時に取得 するためにSUVが壁から一定距離の位置を壁に沿って走行する経路を生成する。壁からの距離は経験的におよそ60cmとする。ただし、 道幅が120cm以下の狭い通路では通路の中央を走行する。

3次元地図を生成するためには環境中をくまなく探索する必要があるが、壁沿いを走行するだけでは環境中のデータをくまなく収集することはできない。 そこで、道幅が広く壁沿いからでは道の中央付近のデータが収集できない通路や開けた場所では、データを収集するために通路の中央付近も走行すること でデータを収集するようにする。また、生成した経路を一周するだけでは物陰になってしまいデータが取れない領域ができてしまう可能性があるため、 経路を一周した後、経路を逆向きにもう一周することでくまなくデータを収集する。

SUVは2.5節で説明したように、ノードのグラフ構造を利用して自律走行することが可能であるので、まずは経路生成の基準となるノードを生成する。 これについては3.3.1項および3.3.2項で詳しく説明する。3.3.3項では、このノードを利用した経路生成のアルゴリズムについて説明する。 3次元地図を作成したくない場所や、特定の場所だけの3次元地図を作成したい場合が考えられるので、3次元地図を生成する範囲を限定できる機能を実現した。 これについて3.3.4項で説明する。3.3.5項では、生成した経路の評価を行う。

図3.11: 画像特徴点を検出した様子

3.3.1 ノードの生成

SUVは、ノードとノードの間のつながりによるグラフ構造から経路を生成し、自律走行することが可能である。そこで、ここではデータ収集経路の基準 となるノードの生成方法について説明する。ここでは、ノードの生成条件の違いから、ノードを壁から一定距離のノード、狭い通路の中央のノード、 狭い通路と広い通路の交差点のノードの3タイプに分け、それぞれをノードA,B,Cとする。

1. 最近傍の計算はk-d木を使って行う。環境地図の黒色の点つまり障害物有りの点からk-d木を作成し、 走行可能領域つまり白色の点からの最近傍とその距離を計算する。この時、手順3で利用するため近傍とその距離は10近傍まで計算を行う。

   走行可能領域の壁からの距離を計算する

2. 壁からの距離で走行可能領域を分割する

   SUVは壁から60cmの位置を走行し、広い通路および開けた場所ではそこからさらに60cm間隔ごとに走行しデータの収集を行う。 そのためのノード生成の手がかりとするため、走行可能領域を壁からの距離が60cmになる位置で分割する。図の ?は分割した領域を色で表している。壁から近いほど濃く、遠くなるにつれて薄い青になる。

3. 道幅が狭い通路の中央を探す

   道幅が狭い通路では通路の中央をSUVが走行するため、通路の中央にノード生成の手がかりを作る必要がある。そこで、 最近傍点と手順1で計算した10近傍をそれぞれ比較し、最近傍点とk近傍点の位置が大きく離れていた場合その走行可能領域は道の中央にあると判断する。 ただし、最近傍までの距離とk近傍までの距離の差が環境地図の格子間隔の2倍以上だった場合はノイズとして除去する。図の?の 赤色の線が道幅の狭い通路の中央を表している。

4. グリッド線を引きノードAおよびノードBを生成する

   一定間隔でグリッド線を引き、手順2で分割した領域の境界線および、手順3で検出した通路の中央線とグリッド線が交差する点にノードを生成する。 図の?は60cm間隔でグリッド線を引いたものである。図の?の赤色の点がノードA、 緑色の点がノードBである。このとき、一定距離内にノードが複数生成される場合、ノードAとノードBをそれぞれ一つ生成する。ただし、 ノードAにおいてノード生成位置の境界線の向きが違う場合はノードを複数生成する。図の赤色の円で囲った部分は境界線の 向きが同じであるためノードを一つだけ生成し、黄色の円で囲った部分は境界線の向きが違うため両方のノードを生成している。

5. 狭い通路と別の通路の交差点にノードCを生成する

   手順2の境界線と手順3の中央線が交差する点にノードCを生成する。ノードCを生成するのはノードの接続時にノードAとノードBの間に壁が入ってしまい ノードの接続ができなくなることを防ぐためである。図の?の黄色の点がノードCを表している。

図3.12: ノード生成アルゴリズム

図3.13: 密集したノードの除去

3.3.2 ノード間の接続

前項で述べた手法で生成したノード同士を接続しグラフ構造を生成する。壁沿いを走行する経路を生成するため、 ノード間の関係を隣接するノードと到達可能なノードの2種類定義する。隣接するノードはノードAおよびノードCで同じ境界線に生成された隣り合ったノード同士、 もしくはノードBおよびノードCで隣り合ったノード同士の関係である。到達可能なノードは隣接したノード以外で近くにあり間に障害物のないノード同士の関係である。 近くにあるノードは基準のノードの周りを矩形で囲み矩形の内側にあるノードを探すことで求める。隣接するノードは基準のノードから境界線をたどっていくことで見つける。 ノード間の障害物の有無は、ノードとノードの間にある程度の太さを持った線を引き、線が障害物と重なるかどうかで判定する。線の太さはSUVの直径が約30cmで あるので位置推定の誤差を考慮しておよそ40cmに相当する太さとする。これをすべてのノードで実行することでノード同士を接続しグラフ構造を生成する。 実際にグラフ構造を生成したものを図に示す。赤色の線が隣接するノードであり、青色の線が到達可能なノードを表している。

図3.14: ノード間のグラフ構造

3.3.3 経路生成のアルゴリズム

生成したグラフ構造を利用して経路の生成を行う。基本的には壁沿いを一周し、出発地点に戻ってくる経路を生成する。以下のようなアルゴリズムで経路を生成した。

1. スタート地点を設定する

   スタート地点はSUVの現在地から最も近いノードAまたはノードCを選択する。

2. 指定されたノードから隣接するノードをたどって1周する経路${\rm R}$を生成する}

   隣接するノードをたどって一周する経路${\rm N}_j={\rm R}_i$となる探索候補が存在する場合それを削除する。

3. 未探索のノードを通る経路${\rm R}$に挿入する}

   探索候補のうち、${\rm R'}$を挿入したものを示している。

4. 探索候補がなくなるまで手順3を繰り返し実行する

5. 経路上のすべてのノードCに対して手順6を実行する

6. 狭い通路を通る経路${\rm R}$に挿入する

   ノードCからノードBへ進む経路${\rm R''}$を示す。

7. 一周した経路を逆向きにもう一周するため経路$R$を反転したものを経路Rの末尾に追加する。

   経路${\rm R}$の末尾に追加する

以上のアルゴリズムを用いて、図の環境地図から実際に生成された経路を図に示す

図3.15: 生成された経路

3.3.4 経路生成範囲の指定

実際の環境で3次元地図を生成する場合、下り階段のような段差は環境地図上からは判断することができず、環境地図を利用して経路を生成すると、 段差を無視して経路を生成してしまうため、実際には走行不能な経路が生成されてしまう可能性がある。また、トイレやスタッフルームといった、 3次元地図を生成したくない場所が存在することも考えられる。そのため、経路を生成する際には、SUVが侵入可能な範囲を環境地図上で指定できる必要がある。 机やいすなどの障害物が環境中に存在する場合には、レーザーレンジセンサーは床から一定の高さの領域しかセンシングすることができないため、 環境地図上では机やいすの足だけが離散的な点として現れる。このような離散的な点は、経路生成においてノイズとなり、正確に経路を生成することができなく なってしまうため、環境地図上に障害物の情報を付与し、それを経路生成時に利用する仕組みが必要となる。そこで、仮想的な壁や障害物の情報をSUVのGUI上から 簡単に環境地図に付与できる機能を実現した。環境地図上に、直線や矩形、楕円形の図を描くことで、それらを仮想的な壁や障害物と見なして経路生成に利用する。 3次元地図を生成したい範囲を直線で囲むことで、直線を仮想的な壁と見なし、囲まれた範囲のデータを収集する経路を生成する。環境地図上に正確な形状が現れない 机やいすが存在する位置に、矩形や楕円形の図を配置することで、経路生成時には配置された図形を障害物と見なし、障害物情報を考慮した経路を生成する。 実際に環境地図に情報を付与したものを図に示す。これらの情報は、経路生成時のみ利用され、位置推定には影響しない。

図3.16: 経路生成範囲の指定と障害物情報の付与

3.3.5 生成した経路の評価

生成した経路が実際にデータを収集できるか検証を行う。3次元地図の生成のためには、3次元的なデータの収集を行う必要があるため、 環境中をくまなく探索できているかという点と、データが十分に収集できているかという点から経路の網羅性を判断しなければならない。 しかし、3次元的なデータが十分に取れているかをシミュレータ上で検証することは難しく、実際にSUVが走行する際には、位置推定の誤差やSUVの制御の問題から、 生成した経路を正確にトレースすることは難しい。そのため、シミュレータ上で網羅性が保証されても、実環境でも同様に網羅性が保証されるとは考えづらい。 そこで、本研究では、問題を単純化し、2次元的な網羅性を考える。少なくとも一度はデータの収集を行っている領域はデータが十分に収集できているものとして、 データが収集できると思われる領域を2次元の環境地図上にマッピングし網羅性の検証を行う。

経路の網羅性の検証を行うため、SUVが走行する経路を基に、RGB-Dカメラのセンシング領域を計算し、環境地図を塗りつぶす機能を実現した。 実際にセンシング領域を塗りつぶした様子を図に示す。緑色の線で示す経路を走行した際にセンシングできる領域が赤色で塗りつぶされている。 赤色で塗りつぶされた領域が、データを十分収集することができたと思われる領域である。

図3.17: センシング領域の塗りつぶし

図の左側に示す経路を生成し、網羅性の検証を行った。SUVが経路を走行した際に、センシング可能だと思われる領域を塗りつぶしたものが 図の右側の図である。この図から、ほぼすべての領域のデータを収集することができていることが分かる。しかし、 地図の左下に一部データを収集できていない領域が存在する。これは、建物の構造が入り組んでいるため、その領域のデータを収集する経路が生成されなかったことが原因だと思われる。

図3.18: 生成した経路と網羅性の検証

次に、図の経路を実際にSUVに走行させ、収集したデータから生成した3次元地図を図に示す。 センシング領域を求めた際に、データを取得することができなかった領域では、3次元地図が大きく欠けてしまっていることが分かる。これは上記の理由に加えて、 RGB-Dカメラは距離が近すぎるとデータが取得できないことと、生成した経路と実際に走行した経路のずれが原因でデータが収集できなかったものと思われる。 また、3次元地図の上部でも床が欠けている部分が複数見られる。これは、センサーデータの重ね合わせの失敗や、データが十分に取れていなかったことが原因だと考えられる。 これについては、センサーデータの重ね合わせの収束条件の変更や、サンプリング点の選択方法の変更によって3次元地図の精度を改善することや、 欠けている領域を自動的に検出し補完する機能を実現することで解決することができると思われる。以上から、本研究で生成した経路は、 入り組んだ場所では生成する経路を工夫する必要があるが、それ以外の場所では十分に環境を網羅できていると言える。

図3.19: 生成された3次元地図

センシング領域を塗りつぶす機能は、厳密にセンシング領域を計算するものではないが、データを収集できない領域をある程度検出することが可能であることが 確認できた。そのため、実際にデータを収集する前に、この機能を利用して経路の妥当性を評価することが可能であると思われる。データを収集することができ ない領域が検出された場合には、データが収集できない領域を考慮して、経路の再計算を行うことで、より網羅性の高い経路を生成する事ができる。また、先に も述べたように、この機能はセンシング領域を厳密に計算するものではないため、データ収集後にデータ不足が判明する事も考えられる。そのような場合には、 データが不足した領域を検出し、その領域のデータのみを収集する経路を生成し、データの再収集を行う仕組みが必要である。このような仕組みを実現する事も 今後の課題の一つである。

4.1 様々な情報の提示

生成した3次元地図は地図上に存在する施設などに関する情報を持たず、テクスチャも不鮮明で分かりにくいため、生成した3次元地図そのままではナビゲーションシステムなどの 応用には適していない。そこで、テクスチャ画像の貼り付けやアノテーションを行うことで地図に情報を付与する必要がある。まずは3次元地図へのテクスチャ画像の貼り付けに ついて説明する。鮮明なテクスチャ画像を貼り付けることは、扉や階段の位置、ショッピングモールなどでは店舗の外観など、地図にとって非常に重要であるだけでなく、 人が現在地を認識するためにも役立つと考えられる。画像データは、SUVに高解像度なカメラを搭載し、3次元地図生成用のデータを収集する際に同時に収集する。 そうすることで撮影した時のSUVの位置情報からある程度自動的にテクスチャを作成できると考えられる。また、テクスチャ画像の貼り付けは内装のシミュレーション などにも利用できるため、自動で行うだけでなくユーザーが任意の画像を貼り付ける仕組みも必要である。図に手動でテクスチャ画像を貼り付けたものを示す。

図4.1: テクスチャ画像が貼り付けられた3次元地図

次に3次元地図へのアノテーションについて説明する。地図に含まれる施設や店舗などの位置や詳細情報をアノテーションする。 地図上の施設などの情報を自動的に地図にアノテーションすることは困難であるため手動で簡単にアノテーションできる仕組みを提供する必要がある。 アノテーション情報は地図上にはアイコンとして表示され選択することで詳細情報を閲覧することができる。また、地図に含まれる施設の情報だけでなく、 地図の利用者が店の評価やコメントなどを自由にアノテーションすることで地図がより高度になり利用価値が高くなると考えられる。これらの情報を地図利用者が 携帯端末などで閲覧できるようにすることで環境の認識や情報の検索が容易になり、3次元地図を疑似体験システムやナビゲーションシステムに利用できるようになると考えられる。 図に情報を付与した3次元地図を示す。エレベーターやトイレなどの一般的な施設はアイコンで表示し、掲示板の位置や部屋番号などのラベル情報を付与し、 3次元地図上にマーカーを表示する。マーカーを選択することで選択したマーカーに関する詳細情報がポップアップ表示される。

図4.2: アノテーションが付与された3次元地図

4.2 ナビゲーションへの利用

地図に様々な情報を付与したことで3次元地図をナビゲーションに利用することができるようになる。ここではSUVを道案内ロボットとしたナビゲーションシステムについて説明する。 図に示したような、ラベル情報やアイコン、詳細情報などのアノテーション情報が付与された地図を提示することで、ユーザーは建物に関する様々な 情報を入手することができ、これらの情報を基に目的地を決定することで、ユーザーが本当に行きたい場所を目的地として決定することが容易になる。また、 3次元地図上で目的地を決定することにより、3次元地図と対応のとれた環境地図上でも目的地を把握することができ、環境地図を持つSUVが、 現在地から目的地までの経路を探索して自動走行を行うことができ、利用者はSUVの後ろをついていくことで目的地まで到達することができる。また、この仕組みは、 ナビゲーションとしての利用法以外にも荷物運びロボットとしての利用も考えられる。SUVは障害物や人の検出を行うことが可能であるため、 経路の途中で通路が障害物によりふさがれ通行不能であった場合には、通行不能な通路を迂回するルートへと経路を変更することができ、移動障害物を検知した場合には回避行動 をとるなどの動作が可能である。ただし、SUVを道案内ロボットとする場合にはRGB-Dカメラを後方に向けるなどの工夫をして利用者がついて来ているかを確認する仕組みを考える 必要があると思われる。図に3次元地図を利用したナビゲーションシステムの画面例を示す。

図4.3: 3次元地図を利用したナビゲーションシステムの画面例

次に、自動走行可能な乗り物のインタフェースとしての3次元地図について説明する。我々の研究室ではAT (Attentive Townvehicle)と呼ばれる自動走行可能な個人用知的移動体 の研究開発をしている。ATの外観を図に示す。AT は、搭乗者である人間や自身を取り巻く環境に適応し、 周囲の環境や他の移動体との通信によって協調的に動作することが可能な個人用の乗り物である。ATの位置情報に関するインタフェースに3次元地図を利用することで様々 な関連情報を搭乗者に提示できるようになるほか、実世界のATの位置と連動して3次元地図上の視点が移動することで、搭乗者が自身の位置を容易に把握することができ、 目的地を容易に決定することができる。また、ATにはSUVと連携走行を行う機能がある(図を参照)。 これは、ATが自動走行をする際に、SUVがATの前方を走行しATの死角になる領域をSUVがセンシングするという、SUVをATの拡張センサーとして利用する仕組みである。 この機能を利用し、SUVが撮影したRGB-DカメラのデータをリアルタイムにATのインタフェースである3次元地図上に反映し、死角領域の情報を搭乗者に知らせることが可能になる。

図4.4: ATとSUVの連携走行

4.3 ARへの応用

3次元地図やそれに付与されたアノテーションを位置情報を基に実世界に重畳表示する仕組みについて説明する。カメラの位置情報を基にカメラ画像にアノテーション情報や 3次元地図を重畳表示することでARを実現することができる。カメラの位置情報はカメラ画像と3次元地図から生成した画像の重ね合わせやオプティカルフローを計算する ことで推定することができると考えられる。一般的にARはオブジェクトを表示したい位置にマーカーを設置する必要があり、このマーカーの設置の手間がARの問題点の一つであった。 しかし、我々の仕組みは位置推定を行うことができるので、マーカーを設置する必要がなく、環境側に特別なインフラを整備する必要がないことが利点の一つである。 利用者に表示する情報は、3次元地図へのアノテーション情報だけでなく、死角となる領域の3次元地図をカメラ画像に重畳表示することで、壁の裏側に何があるかなどを見ることができる。 図に 壁の裏側にある机といすをカメラ画像に重畳表示した画面例を示す。このように死角領域の情報をユーザーに提示することで、 ユーザーが建物の構造を把握するのに役立つと考えられる。また、SUVによるリアルタイムな情報を重畳表示することで、死角領域に人がいないかなどを確認することができ、 より安全に移動することができる。この仕組みはヘッドマウントディスプレイ(Head-Mounted Display、以下HMD)を用いて利用する場合に特に効果的であると考えられる。 最近ではシースルー型のHMDも登場し、将来的には自分の視界に直接デジタル情報が重畳表示されているように見えるようになると思われる。

図4.5: 死角領域のAR表示

4.4 複数SUVの連携

これまで説明してきたように、SUVには様々な役割がある。将来的には図に示すように、環境内に複数のSUVが存在し、 それぞれのSUVがそれぞれの役割を持って行動していると考えられる。そのような環境では、複数のSUV同士が連携することは、データ収集の効率化や 障害物情報の共有などにおいて非常に重要な課題である。SUV同士が連携するためには全てのSUVをサーバーで管理する必要がある。 サーバーで管理することによりSUV同士が情報を共有できるようになり、より質の高いサービスを提供できると考えられる。具体的には、 施設の混雑状況を共有し3次元地図上に反映することでサービス利用者が目的地の混雑状況を把握できたり、障害物情報を共有することで走行不能な通路が検出 された場合に全てのSUVがその場所まで行かなくても事前に経路を変更することができる。また、あるSUVからは死角になってしまう領域を別のSUVがカバーし、 その情報を3次元地図上に反映することで、より安全なナビゲーションシステムを実現することができると考えられる。また、データ収集時には、 複数のSUVでデータの収集を行う経路を生成し、複数のSUVが共同でデータを収集することによって、より効率的にデータの収集を行うことができる。

図4.6: 様々な役割を持つSUV

5.1 RGB-D Mapping: Using Depth Cameras for Dense 3D Modeling of Indoor Environments

Henryらは、屋内環境の精密な3次元地図の生成にRGB-Dカメラがどのように利用できるか調査を行い、RGB-Dカメラを用いて3次元地図を生成する 手法を提案している。RGB-Dカメラによって取得できる3次元の点群は、フレーム間の重ね合わせに適しており、 3次元構造の再構成をすることができるが、画像に含まれる様々な情報を考慮していない。一方、RGB画像は様々な視覚情報を持ち、 Simultaneous Localization and Mapping (SLAM)における ループの検出に適している。しかし、カメラ画像のみから3次元構造を再構成することは困難である。 そこで、提案手法では、フレーム間の画像特徴点の対応点から初期位置を決定し、3次元の点群と画像特徴点にICP アルゴリズムを適用し重ね合わせを行う。 これにより、ICP (Iterative Closest Point)アルゴリズムが局所解に収束してしまう可能性を抑えることができる。また、画像特徴点からループの検出を行い、 TORO (Tree-based Network Optimizer)を用いてループ解決を行うことで3次元地図の生成を行う。

本研究では、SUVを用いてデータの収集を行うため、環境地図とデータ収集時のSUVの位置情報を知ることができるという点がこの研究と大きく異なる点である。 環境地図を事前に持っているため、環境地図と対応の取れた3次元地図を生成することが可能である。本研究では、この研究の提案手法であるRGBD-ICPアルゴリズムを、 環境地図との対応も利用するように拡張した重ね合わせ手法を提案した。環境地図を利用して重ね合わせを行うため、この研究のようにループ解決を行う必要がないことも 本提案手法の利点である。また、この研究では重ね合わせには連続したデータが必要になるが、本研究ではSUVの位置情報を利用することで、 連続的なデータでなくても扱うことができる。これにより、データを一度にすべて収集する必要がなくなるほか、地図の一部分だけを更新することが可能になる。

5.2 レーザレンジファインダ搭載移動ロボットによる動的環境の3次元地図生成

地図生成}中本らは、レーザレンジファインダ(Laser Range Finder、以下LRF)を搭載した移動ロボットを用いて動的環境の2次元地図および静的環境の 3次元地図の生成を行っている。具体的にはLRFを移動ロボットに2台搭載し、周囲の環境における2次元情報と3次元情報を取得する。 LRFは、1台は水平に、もう1台は傾けて搭載する。水平に搭載したLRFはSUVにおけるLRF (レーザーレンジセンサー)と同様の役割を果たし、 傾けて搭載されたLRFはRGB-Dカメラに相当する。この研究では、2つ目のLRFの設置する角度を下向きと上向きの2通りに変えて、2回同じ場所を計測することで、 環境全体の3次元地図を生成する。LRFは平面のセンシングを行うため 、3次元的な重ね合わせを行うことができず、位置推定の結果とセンサーの設置角度から、 センサーデータの3次元的な位置を決定する。そのため、正確な位置推定が難しい環境では、3次元地図を生成する事が困難であると思われる。 本研究では、RGB-Dカメラを用いることで、センサーデータの重ね合わせを可能とし、環境地図と対応付けを行うため、位置推定に多少の誤差が含まれる環境でも 問題なく3次元地図を生成する事ができる。しかし、本研究では、RGB-Dカメラの傾きを変えると、角度によっては床を検出できなくなるため、 RGB-Dカメラの向きが固定されており、センサーの届かない位置、特に上方はデータを取得することができないという問題がある。 そのため、センサーを傾けたり、向きを変えたりする仕組みは今後の課題の一つである。

5.3 施設におけるバリアフリー情報の3次元地図としての視覚化

和泉らは、バリアフリー情報を3次元地図として提供する研究を行っている。 具体的には、施設の構造を表現する基本地図データとバリア情報、施設の3次元モデルから成る3次元バリアフリーマップシステム(3DBFMS)の構築を行った。 基本地図データとは施設内の区画や部屋などが地図要素として定義されたものを指す。この研究では、「詳細な3次元モデルは、バリア情報を正確に表現できるが、 ユーザーに必要以上の情報を与えることになり、バリア情報の取得を妨げる」として、3次元モデルは建物構造の把握に利用し、 アイコンやテキストによりバリア情報の提供を行っている。これらの情報をブラウザ上で閲覧することができ、施設全体の構造やバリア情報を把握するための俯瞰表示や、 目的地までのウォークスルーシミュレーションを行うことができる。この研究では、3次元モデルの作成に多くのコストがかかることを問題点として挙げているが、 本研究で提案した3次元地図生成手法を利用することで、このようなシステムに利用できる簡略化された3次元地図を容易に作成できる。また、 本研究では地図生成時に実環境のデータ収集を行っているため、収集したデータの分析を行うことで、ある程度自動的にバリア情報を地図上に反映することができると考えられる。 また、施設内をSUVが動き回ることで、障害物情報などのリアルタイム性の高い情報が利用できるようになる。このような3次元地図を利用したシステムを開発することは、 本研究の今後の課題として重要なテーマである。

5.4 格子点配置を用いた自律移動ロボットによる環境掃引経路計画

ロボットのセンシング範囲のような、ある一定の領域により作業環境全体を覆い尽くす作業は掃引作業(Continuous Area Sweeping)と呼ばれる。 計画行動型の基本手法としてContour Parallel (沿輪郭)型とDirection Parallel (蛇行)型が挙げられる。これらは、線分によって環境を掃引する手法であるが、 点によって環境を被覆する手法として、深澤らは、格子点配置を用いて自律移動ロボットの環境掃引経路計画を行う手法の提案をしている。 具体的には、掃引対象領域に周囲を観測すべき地点を配置し、それらの点群を結ぶ経路を求めることで掃引経路計画を実現している。 この研究では、ロボットのセンシング範囲を、ロボットを中心とした円形の範囲として、観測点の配置を行っている。しかし、本研究では、センシング領域は円形ではなく、 RGB-Dカメラのセンシング領域であるため、観測点は位置だけでなく、ロボットの向きも考慮する必要がある。そのため、問題が非常に複雑になり、観測点を求めることが困難である。 本研究では、センシング領域を考慮せず、主に壁沿いを走行することで環境中を探索する経路を生成し、実際にデータの収集を行った。しかし、センシング領域を考慮しなければ、 環境中をくまなく探索する事は困難であるため、センシング領域を考慮した経路の生成も、本研究の今後の課題に含まれる。

また、この研究では、未知障害物に遭遇した場合のオンラインでの経路再計画手法についても提案している。具体的には、すでに掃引した領域と、 新たに発見された障害物が占める領域を掃引領域から除き、再定義された掃引対象領域に観測点の再配置を行う。再配置には反応拡散方程式を利用して、 すでにある観測点を移動させることにより、掃引対象領域の変動が起きた境界付近の観測点のみが移動し、ほかの観測点は移動しない。そこで、 移動しなかった点同士を結ぶ経路情報はそのまま利用することで、経路生成に要する計算量を低減する。この研究では、未知障害物は静止障害物であるという仮定の下、 経路の再計画を行っているが、実際の環境では移動障害物の検出も行う必要がある。特に屋内において、移動障害物は人である可能性が高く、本研究では、 RGB-Dカメラを用いて人の検出を行い、データ収集中に人を検出した場合にはデータの収集を一時中断する機能を実現した。

6.1 まとめ

本研究では、小型無人移動体を用いて自動的に実環境に関するデータの収集を行い、収集したデータから環境地図と対応の取れた3次元地図を生成する仕組みを実現した。

その仕組みは、筆者の所属する研究室で研究開発された小型無人移動体SUV (Small Unmanned Vehicle)を利用する。SUVは、事前に環境内を走行することにより、 SUVが環境を認識するために必要な2次元環境地図を生成する機能を持ち、その環境地図を利用して自身の位置推定を行い、設計された経路に沿った柔軟な自律走行が可能である。

本研究では、SUVにRGB-Dカメラを搭載し、3次元地図生成のためのデータを収集する機能を実現した。3次元地図の生成には、SUVが持つ環境地図とRGB-Dカメラのセンサーデータ、 データ収集時のSUVの位置情報が必要になる。SUVの自律走行機能を利用して、環境地図を基にデータを収集する経路を生成する機能を追加し、SUVが生成した経路に 沿って走行しながらデータを収集することで、実際に3次元地図を生成できることを確認した。

また、地図の精度を向上させるため、収集したセンサーデータの重ね合わせを行う前処理として、RANSAC (Random Sample Consensus)アルゴリズムを用いて センサーデータから床の検出を行い、床が水平になるようにデータの修正を行う機能を実現した。センサーデータの重ね合わせに関して、SUVの位置情報を初期値として利用し、 RGBD-ICP (Iterative Closest Point)アルゴリズムを拡張して、センサーデータ間の3次元の点群と画像特徴点の対応点だけでなく、センサーデータと環境地図との対応点も 利用することで、環境地図と対応の取れた3次元地図を生成する機能を実現した。

センサーデータの重ね合わせに基づいて生成された3次元地図は膨大な点の集合であり、そのままでは利用が困難であるため、 点群から平面を検出しポリゴン化する機能を実現した。3次元地図全体から平面を検出することは困難であるため、それぞれのセンサーデータから平面を検出し、 検出した面の重ね合わせを行うことで3次元地図のポリゴン化を行う仕組みを実現した。

6.2 今後の課題