2.2.1 メカナムホイール

ATはメカナムホイールという特殊なホイールを4個用いており、全方位移動を可能である(図2.3)。メカナムホイールは車軸に対して45度傾けられた小型のローラーを車輪の周囲に等間隔に複数個（たとえば、8つ）並べて取り付けられた車輪である。本体としての車輪はモーターによって制御することができるが、周囲のローラーの回転は制御できず、空転するのみである。メカナムホイールは正転する際、ホイール自体は前方向に移動するように回転するが，車軸に対して45度傾けられた方向に配置されたローラーにより、ローラー軸方向に対して法線方向の推進力が生じない。この結果、メカナムホイールは，ローラー軸と平行の方向に推進力が発生する。したがって、4輪の進行方向の組み合わせによって全方位移動が可能となる。ATは、全方位移動ができる特性を活かして、障害物を回避する際に車体の向きを変更することなく、そのまま横や斜めに移動できる(図2.4)。この仕組みには、車などの移動体のように、回避する際に、現状よりも対象に接近することなく回避することができ、方向転換に余分な空間を必要としない、といった利点がある。

図2.4: 全方位移動による障害物の回避

2.2.2 レーザーレンジセンサー

AT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(図2.3)。このセンサーは、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。この方法で、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。なお、レーザーレンジセンサーには北陽電気のUTM-30LX[http://www.hokuyo-aut.co.jp/02sensor/07scanner/utm\_30lx.html]を使用した。このセンサーをATの前後左右に１つずつ計4つ装備した。レーザーレンジセンサーはそれぞれ図2.5のように180度の範囲の障害物を検出するように設定し、ATから見た角度にセンサーの死角が無いように設置している。ただし、床面からの高さが約30cmの位置にセンサーを固定しているため、その高さの床面に平行な平面上のみがスキャンされる。実際にスキャンした様子が図2.6である。レーザーレンジセンサーはATの目として様々な用途で使われる。例えば、移動障害物を検出して、避ける方向を決めたり、自動走行時に壁の位置と向きを検出して自分の向きを補正したり、コントローラーによるマニュアル走行時に障害物にぶつからないように補助する時などに利用されている。

図2.5: 4つのレンジセンサーの結合

図2.6: レンジセンサーによる障害物の検出

2.2.3 ロータリーエンコーダと3軸角度センサー

ATには車輪の回転数を知るためのロータリエンコーダと、現在の向きを知るための3軸角度センサーを搭載されており、その情報からオドメトリの計算を行う。なお、オドメトリ情報とは、タイヤの回転角度などから推定する移動体の相対的な移動量（前回の位置からの移動距離と前回の向きとの角度変化分のベクトル）である。ATは2.2.1項で説明したように、メカナムホイールという特殊なホイールで全方位移動を実現している。ATの後方左側のメカナムホイールのベルト部分にロータリエンコーダを取り付け、そこで取得した信号をマイコン（PIC）で計算することでATにホイールの回転数を伝達する。ホイールの回転数にホイール一周で進む距離をかけることでATの走行距離を計算することができる。しかし、4つのホイールが独立な力で回転することにより直進以外の全方位移動やその場回転を行っているため、一つのホイールにロータリエンコーダをつけるだけでは全方位移動、その場回転のオドメトリを計算することはできない。そこで、本研究ではATが直進移動とその場回転の時だけのオドメトリを取得した。直進の制御をしている間はロータリエンコーダ、その場回転の制御をしている間は3軸角度センサーと使い分けることによりATのオドメトリ情報を計算している。なお、ATのロータリエンコーダはオムロンのE6A2-C、3軸角度センサーはMicroStrainの3DM-Gを使用した。

2.4.1 二輪走行機構

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(図2.9)。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-500mm/sec～500mm/secの範囲で可変である。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。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いが、3.2節で説明する位置推定の機能で現在位置を推定するための情報としては十分な精度である。これについては3.2.3項で詳しく説明する。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。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iRobot Createの前面の左右にそれぞれ1個ずつ装備し、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、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2.9: iRobot Createのセンサー

2.4.2 レーザーレンジセンサー

SUVには2.2.2項で説明したATに装備されたものと同じレーザーレンジセンサーが搭載されている。図2.10のように前後1つずつレンジセンサーをもち、それぞれの測定範囲を統合することで、全方位の障害物の距離を検知することができる。ちなみに、前のレンジセンサー1台のみの構成でも、3章で説明する自動走行の仕組みには支障はない。ただし、レンジセンサーの取得可能範囲が広いほど、3.2節で説明する位置推定の精度が向上する。

図2.10: レンジセンサーの取得可能範囲

2.4.3 深度センサー

SUVにはKinect\footnote{Kinectは米国Microsoft Corporationの米国およびその他の国における登録商標である。}と呼ばれるデバイスが搭載されている。KinectはRGBカメラに加えて，カメラから物体までの距離が計測できる深度センサーを持つデバイスである。平面上の障害物までの距離が計測できるレンジセンサーと異なり，物体の形状認識に適しているため，特に歩行者の認識に適している。図2.11は深度センサーによって移動障害物の検出を行っている様子である。図2.11右には、深度センサーによって検出された移動障害物の領域が青く表示されている。SUVはATの拡張センサーとして、死角から接近する移動障害物を検出する機能が特に重要であるため、前項のレンジセンサーに加えて深度センサーによって移動障害物を検出する。これについては4.3.2節で詳しく説明する。

図2.11: 深度センサーによる移動障害物の検出

3.1.1 SLAM問題

本節の冒頭で説明した占有格子地図を生成するためには、移動体のオドメトリ情報(これまでの移動距離情報)とセンサー情報から、自己位置と地図を同時に推定しなければならない。これはSimultaneous Localization and Mapping (SLAM)問題として有名な問題\cite{SLAM1}\cite{SLAM2}\cite{SLAM3}\cite{SLAM4}\cite{SLAM5}である。SLAM問題とは時刻0からtまでにおけるセンサー情報$z_{0:t} (={z_{0}, z_{1},..., z_{t}})$とオドメトリ情報$u_{0:t}$が与えられた状態での、時刻$t$の姿勢$a_t=(x_t,y_t,θ_t )$、占有格子地図を表す確率変数の行列$m$（行列の要素は0から1の実数値）の事後確率$p(a_t,m|z_{0:t},u_{0:t})$の分布関数を求めることである。姿勢$a_t$は、時刻tでの位置$p(x_{t},y_{t})$と向き$\theta_{t}$を表す。SLAM問題の難しい点はとは、センサー情報$z_{0:t}$とオドメトリ情報$u_{0:t}$のどちらも誤差を含む値なので、それらを考慮しなければならないことである。SLAM問題に対しては数々の手法が提案されている[19][20][21][22][23]。筆者が所属する研究室では、このSLAM問題を解決する手法の一つであるICP(Iterative Closest Point)アルゴリズム[Besl, P. J., and McKay, N. D. A Method for Registration of 3-D Shapes IEEE Trans. Pattern Anal.Machine Intell . 14 239-256 1992]による地図生成を実現した。次に具体的に説明する。

3.1.2 占有格子地図の生成方法

本節の冒頭で説明した占有格子地図の生成方法について説明する。地図生成の対象となる実環境で、前述のSUVを手動操作で走行させ、レーザーレンジセンサーの計測記録から2次元の占有格子地図を生成する。占有格子地図を表す確率変数の行列$m$を、時刻0から$t$までの姿勢の列を表す$a_{0:t} (={a_{0}, a_{1},..., a_{t}})$と、センサーの計測値$z_{0:t}$から求める。センサーの計測値$z_{0:t}$は時刻$t$におけるセンサーのレンジ内の障害物までの距離（単位はmm）と、センサーから障害物への方向（単位はラジアン）を表すベクトルの組である。最も確からしい$m$を求めるためには、すべての$m$の可能性について$p(m|z_{0:t},a_{0:t})$を計算し、尤度が最大となる$m$を求めればよい。しかし、すべての$m$について$p(m|z_{0:t},a_{0:t})$を求めることは計算量的に困難であるので、$m$の点$(i,j)$における確率変数を$m_{i,j}$とし、$p(m|z_{0:t},a_{0:t}) = \prod_i \prod_j p(m_{i,j}|z_{0:t},a_{0:t})$と近似することで、各格子の確率変数値を推定する問題に分解する。レンジセンサーの値から $ p(m_{i,j}|z_{0:t},a_{0:t})$を求める方法はinverse range sensor model[Thrun, S., Burgard, W., and Fox, D.: ``Probabilistic Robotics," The MIT Press, 2005. 上田隆一 （訳）: 確率ロボティクス, 毎日コミュニケーションズ,2007.]を使用した。このアルゴリズムはセンサーと姿勢の誤差に強く、誤差があった場合も障害物がある地点では1に収束、ない地点は0に収束しやすい。センサーの値$z_{0:t}$と姿勢$a_{t}$には誤差が含まれるため、誤差に強いこのアルゴリズムを使用した。実際に計測したデータから地図を求める手法について説明する。各時刻において、尤度が最大となる姿勢を探索し、その姿勢において地図を更新していく。具体的な手順としては、移動体を走行させることによって得られるオドメトリ情報$u_{0:t}$と、レンジセンサーの情報$z_{0:t}$から以下の方法で求める。

1.$m$の初期値として、全ての要素に未知を意味する0と1の間の値を代入する

なお、多くの環境地図では、障害物が存在する領域の面積より障害物が存在しない領域の面積の方が大きいため、ここでの値を0.5より0に近い値にする方が収束しやすい。

2.地図作成時の出発地点 $a_{0}$ を原点として、$p(m|z_{0},x_{0})$を求める

時刻$i (1 \leq i \leq t)$に対して 3-4 を実行

3.ICP アルゴリズムにより$p(a_{i}|m,z_{i},a_{i-1},u_{i})$が最大となる$a_{i}$を探索する

4.3 で求めた$a_{i}$によって$p(m|z_{i},a_{i})$を求め、$m$を更新する

以上の手法を用いて生成された占有格子地図の例を 図3.2 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に基づいて作成した。なお、参考文献[Thrun, S., Burgard, W., and Fox, D.: ``Probabilistic Robotics," The MIT Press, 2005. 上田隆一 （訳）: 確率ロボティクス, 毎日コミュニケーションズ,2007.]によれば、屋外の環境地図の場合、適切な間隔は経験的に150mm程度であることが述べられている。これ以上間隔を大きくすると、位置推定の精度が下がり、間隔を小さくすると、環境地図のサイズが大きくなり、実時間での計算が困難になるためである。本研究では屋内の環境地図を作るため、若干状況が異なる。屋内は屋外に比べ道幅が狭いため、より正確な現在位置を把握する必要がある。現在位置の精度は環境地図の格子の間隔に依存するため、現在位置の精度を高めるために格子の間隔を50mmとした。

図3.2: 生成された占有格子地図

3.1.3 実環境と生成された地図の比較

前項で生成された占有格子地図がどの程度正確か、実環境と比較することで検証した。具体的には、以下の二点について検証した。

1.生成された地図が実環境とどの程度相似であるか

図3.4はSUVによって生成された地図であり、図3.5はその地図の壁部分を抜き出した図である。図3.5と図3.3の見取り図を重ね合わせることで、実環境と生成された地図が相似な形をしているかを調べた結果、図3.6に示すように、見取り図とかなり正確に重なっていることが分かる。一番下の、黒字で9.91と書かれている壁は見取り図と、生成された地図でずれているように見えるが、見取り図の壁は柱の外側を結ぶ線であるため、これは外壁の線である。よって全体的に相似な地図になっていることが分かる。また、生成された地図ではエレベーターの下側に壁があり見取り図にはない。しかし、実際には薄い壁があり、見取り図と実際の環境は若干異なっている。

2.生成された地図と実際の距離情報にどの程度の誤差があるか

生成された地図はレンジセンサーを用いて作られた地図なので、距離情報を含んでいる。地図上での距離がどの程度正確であるか、実環境の壁の長さを測ることで比較したところ、図3.6に示されるような結果になった。この図で、太い黒字で書いてあるのが実際に計測した距離で、赤字が生成された地図の長さである。単位はメートルである。誤差が一番大きいのは、実際は9.91mで地図上では9.83mの壁である。誤差は-0.8% で、誤差はあまりないことが分かった。

図3.3: 環境の見取り図

図3.4: レンジセンサーにより生成された地図

図3.5: 生成された地図の壁を抜き出した図

図3.6: 実環境と生成された地図の比較

3.1.4 グラフ構造の生成

本節の冒頭で説明した通り、環境地図には壁などの障害物の位置関係を保持する占有格子地図と、経路計算や地図の部分的な領域・地点の属性を保持するグラフ構造データがあり、本項ではグラフ構造データの生成方法について説明する。占有格子地図は地図上の格子ごとにその場所が物体に占められている確率を表現している。その値が一定の閾値以下である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データを自動で生成する。その生成手法は、次の通りである。まず、図3.7の黒い線で表されている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3.7のピンク色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データを作る。図3.8は生成されたグラフ構造データを表している。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場所や、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場所が存在する場合が考えられる。これに対しては、前者は環境地図生成システムのGUI上から簡単に手動でグラフ構造データを編集できる機能、後者はレンジセンサーから取得した値と地図の間で不整合が生じた際にグラフ構造データ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た。地図にない障害物によるグラフ構造データの更新については、さらに3.3.2項で説明する。

図3.7: 地図上の障害物とその境界線

図3.8: 地図に付与されたグラフ構造

3.2.1 パーティクルフィルタによる自己位置推定

パーティクルフィルタは確率的シミュレーション(推定したい確率変数に誤差を加えることで発散させ、尤度を計算することで収束させる手法)によるベイズモデルの推定法の一種である。本項の冒頭で説明した事後確率$p(a_{t}|m,z_{1:t},u_{1:t})$の分布関数をパーティクルフィルタで求めることで自己位置推定を行った。パーティクルフィルタによる自己位置推定は次の4ステップで行われる。

1. 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$a_{t}$を予測する。$a_{t}= a_{t-1}+ R_{t-1} (u_t+ w_t)$ \\$R_t : a_tの向きへの回転行列$ \\$w_t$ : オドメトリ誤差を表す正規分布$N(0,\sum _W)$に従った乱数(ここでの$\sum _W$は経験的に求めた。また乱数はボックスミューラー法により計算した)

2. 尤度計算

各パーティクルについて尤度$p(z_t|a_t,m)$を個々の計測値に対する尤度の積$p(z_t|a_t,m)= \prod_{k=1}^K p(z_t^k |a_t,m)$で求める。個々の尤度は、計測値から占有格子地図上の障害物の最近傍点を求め、最近傍点と計測値のユークリッド距離をM-estimator[24]で評価した。また、最近傍点はkd木[25]によって求めた。M-estimatorは例外値に小さな重みを与えるような評価関数で、計測値には環境地図に存在しない点が含まれる可能性があるのでこの評価方法を使用した。またkd木は高速な最近傍探索として知られるアルゴリズムである。

3. 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。

4. 位置の決定

パーティクルの分布の平均を現在位置とする。以上の方法で位置を推定するが、この方式は最尤の自己位置を一意に決める ICP とは異なり、パーティクルの分布から自己位置を決めるので、多少の誤差はあるが、動的に障害物の位置が変化する実環境においては、よりロバストな手法になっている。

AT や SUV はそれぞれの位置を相互に伝達することが可能である。そのため、レンジセンサーから取得した値のうち AT または SUV の付近の値は移動障害物と見なし、そのデータを自己位置推定において地図とのマッチングには用いない仕組みを導入した。ここでの自己位置推定は、地図の更新が行われないことと実時間で推定する必要があることから、誤差を小さくすることよりも処理速度とロバスト性を上げることが求められる。処理速度を上げるためにレンジ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個用意した。1回の自己位置推定にかかる処理時間は10msec以下（CPU は Core i7 2.80GHz）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自己位置推定を行うことができた。

3.2.2 パーティクルフィルタによる自己位置推定の性質

前項の仕組みで姿勢を推定した。本項ではパーティクルフィルタでの自己位置推定の性質について説明する。なお、この項の説明として使用する図の水色で表される領域は占有格子地図の障害物部分を抜き出した領域である。

1.オドメトリに急激な誤差が現れても正解のパーティクルが含まれていれば収束する。

図3.9左はオドメトリに急激に誤差が乗った時で、図3.9右がその後3回自己位置推定を行った後の状態である。水色が地図情報を表し、オレンジが自己位置推定したSUVの現在地を表し、青が現在のセンサーの値を表している。

図3.9: オドメトリの誤差の収束

2.特徴が少ない時にはパーティクルは分散し、特徴が多い環境では収束しやすい。

図3.10左を見るとSUVの周りに赤い点が散らばっているが、この点は一つのパーティクルの現在地を表す。この図では左の壁と右の壁しかセンサー情報がないため、縦にパーティクルの分散が広がっている。しかし、図3.10右はその後突き当たりの壁をセンサーが認識するようになることで縦方向の分散が収束している。

図3.10: パーティクルの分散の増大、減少する場所

3.地図作成時と多少物の配置が変わっていたり、周りに人がいたりするなど、地図情報と多少ずれがあっても大まかに合っていれば収束する。

図3.11左のように地図生成時にない静止障害物(図の緑の部分)を環境に置いた状態で自己位置推定を行ったのが図3.11右である。現在のセンサーの値で地図との重なりがない部分存在しても他のセンサー情報の重なりにより自己位置推定ができている。

図3.11: 動的環境での収束

以上の性質は実環境を走るためには有効な性質である。性質2のような特徴点が少ない環境で分散してしまうのは、真っ直ぐな壁が続くようなところで分散が壁方向に拡がってしまうためである。しかし、壁の突き当たりや途中で障害物がある環境では位置の分散を収束させることができる。　前項で説明したパーティクルフィルタでは、初期の姿勢を平均としたガウス分布に従ってパーティクルを生成するため、初期の姿勢が大きく異なる場合は正しい姿勢に収束しない。パーティクルの姿勢を環境地図に一様に分布させることで、位置の初期値を決めることなく位置を推定することができる。図3.12はパーティクル数を10000にして地図全体にパーティクルを一様に分布させることで、自己位置推定を行った時の結果である。各パーティクルの位置を赤い点で示している。図の\ding{192}は走行を開始した直後の様子であり、赤い点が地図全体に広がっている。②でいくつかの候補にパーティクルが集まっていき、③ではほとんど一つの候補に集まっている。④では完全に一つの地点にパーティクルが密集している。この例では④で密集した地点が正しい位置であった。しかし、②のような状態から正しい候補に収束するとは限らない。さらに、パーティクルの数を局所的推定よりはるかに多くしなければならないので、処理に時間がかかる。本研究では、より安定した推定法である局所的推定を用いる。

図3.12: 大域的推定の結果

3.2.3 自己位置推定の精度の検証

パーティクルフィルタによる自己位置推定が、オドメトリのみで位置を計算するのと比べて、どの程度正しく位置を推定できているのかを実験によって検証した。ここで検証したいことは、パーティクルフィルタによる自己位置推定を行うことにより現在地情報に誤差が累積することなく、ある一定の誤差内に留まりつづけるかどうかである。実験内容は以下の通りである。

1.出発地点から決まったコース(図3.13)をリモコンによるマニュアル操作で6周する

2.出発地点に目印をつけておき、毎周SUVが目印の位置に来た時点で自己位置推定なしの現在地情報と自己位置推定ありの現在地情報を記録する

3.出発地点と2の現在地情報との距離を調べる。

図3.13: 実環境と実験コース

以上の実験を行えば、2の手順で記録される現在地情報と出発地点との距離が0に近づくほど精度よく現在地を認識できていることになる。また、3で計算した距離のグラフと自己位置推定あり、なしでの1周、6周時の軌跡を示す。

図3.14: 周回後の現在地情報と出発地点との距離

図3.15: 自己位置推定あり・なしの場合のそれぞれの軌跡

図3.14のグラフを見ると、自己位置推定なしのオドメトリ情報のみだと誤差が累積されており、パーティクルフィルタによる自己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で落ち着いていることがわかる。図3.15の軌跡を見ても自己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、自己位置推定ありの方は安定して自己位置推定ができていることが分かる。以上の結果から自己位置推定を行うことにより、現在地の誤差が累積されないことが検証された。

3.3.1 A*アルゴリズムによる経路生成

3.1.4項で説明した環境地図のグラフ構造データ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内の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*はダイクストラ法による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[26]。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3.16に生成された経路を示す。なお、環境地図の格子をそのままグラフとしてA*アルゴリズムを適用して経路を生成することは可能である。しかし、環境地図上に存在しない障害物を認識した場合に、より柔軟な経路生成を行うためにグラフ構造を用いる。これについては次項で詳しく説明する。また別の理由として、ATは動的にSUVに経路情報を送信する必要があり、環境地図の格子より粒度の荒い単純なグラフ構造を生成して通信量を減らす必要があるため、環境地図からグラフ構造データを生成する手法を提案する。

図3.16: 地図に付与されたグラフ構造と生成された経路

3.3.2 地図に含まれない障害物の検出とそれを考慮した経路生成

環境地図中に存在しない障害物、例えば、通路上にダンボール箱などが置かれたりする状況において、移動体はこれを回避する経路を生成する必要がある。これを実現するための3つの機能について説明する。

1.地図にない障害物を検出する機能

占有格子地図とレンジセンサーの値を比較し、レンジセンサーの計測値から占有格子地図上の障害物の最近傍点を求め、最近傍点と計測値のユークリッド距離が閾値以上離れている計測点を地図にない障害物とする。また、ここで検出された地図にない障害物は3で説明する機能によって取り除かれるまで環境内の障害物として保持され続ける。図3.17のピンク色で表される領域が現在のレンジセンサーの値の中で地図にない障害物である。緑の領域が過去に検出した地図にない障害物である。以上の方法で地図にない障害物を検出するが、自己位置推定の精度が悪いときに本来は地図に存在する障害物が誤検出される恐れがある。そこで、自己位置推定の精度を、自己位置推定で用いられるパーティクルフィルタのパーティクルの分散で評価し、分散が十分に小さい場合のみ地図にない障害物を検出する機能を有効にした。図3.18は分散が大きく、自己位置推定の精度が低い例である。赤の点群はパーティクルの位置であり、図3.17の水色の点群に比べ分散が大きいため地図にない障害物の検出を行わない。

図3.17: 地図にない障害物の検出

図3.18: 分散の大きく位置推定の精度が低いケース

2.地図にない障害物の情報を環境地図に反映して経路生成する機能

1の機能によって地図にない障害物が検出されると、障害物の座標とエッジの線分との距離が閾値以下であるエッジを通行不可能なエッジとする。図3.19の黒い線は通行不可能なエッジを表している。前項で説明した経路生成で通行不可能なエッジを計算に含めないことで、地図にない障害物を避けた経路を生成することが可能となる。

図3.19: 地図にない障害物によるエッジ情報の更新

3.地図にない障害物が取り除かれたときにそれを検出し、環境地図に反映する機能

レンジセンサーは最も近い位置にある障害物までの距離を返すため、検出された位置より短い位置には障害物が存在しない。そのため、計測値までの間に、地図にない障害物が存在する場合、この障害物はすでに存在しないため取り除く。2で通行不可能になったエッジも、そこに関連付けられた地図にない障害物が完全に取り除かれた場合に通行可能になる。また、誤検出を防ぐために1で説明したパーティクルの分布が小さい場合のみ、取り除く機能を有効にした。

3.4.1 目標点に対するカーブ走行

2.1節で説明した通り、二輪走行機構は独立で動くサーボモータを左右に持つ。右タイヤと左タイヤの速度を$v_r,v_l$とした時、$v_r = v_l$かつ$v_r> 0 $であれば前進、$v_r = v_l$かつ$v_r< 0 $であれば後退、$v_r = -v_l$であればその場回転となる。その場回転とは、移動体の位置は変わらずに向きだけ変わる動きである。そしてそれ以外の$v_r,v_l$では、図3.20のように移動体は半径の円を描くように平均速度でカーブ走行を行う。$v_r,v_l,r,v$の関係は以下の式の通り。

左カーブの場合 : $\frac{v_r}{v_l} = \frac{r+\frac{\alpha}{2}}{r-\frac{\alpha}{2}} $

右カーブの場合 : $\frac{v_r}{v_l} = \frac{r-\frac{\alpha}{2}}{r+\frac{\alpha}{2}} $

平均速度 : $v = \frac{v_r+ v_l}{2}$

$\alpha$ : 右タイヤと左タイヤの幅

また、ある目標点へ到達するためのカーブ走行の半径$r$は次のように求めることができる。移動体の座標を$(x_1,y_1)$、向きを$\theta _1$、目標点の座標を$(x_2,y_2)$とする。

$d = \sqrt{(x_2-x_1)^{2}+(y_2-y_1)^{2}}$

$\theta = atan2(y_2-y_1,x_2-x_1)- \theta _1$

$r = \frac{d}{2sin|\theta|}$

$※atan2(y,x)は引数yにyの増加分、引数xにxの増加分を入力することで逆正接を4象限表現で返す。atan(a) の範囲が[-\pi/2, \pi/2] であるのに対して、atan2(y,x)は[-\pi, \pi] である$

ただし、$\theta = 0$または$\pi$となる場合は、移動体の向きの直線上に目標点が存在するためカーブ走行はできず、直進または後退を行うことで目標点に到達できる。また、$\theta > 0$の時は左にカーブする場合で、$\theta < 0$の時は右にカーブする場合であり、移動体の平均速度$v$でカーブ走行させるための$v_r,v_l$は前述の式より次のようになる。

左カーブの場合 : $v_r= v + \frac{\alpha}{r} , v_l= v - \frac{\alpha}{r}$

右カーブの場合 : $v_r= v - \frac{\alpha}{r} , v_l= v + \frac{\alpha}{r}$

以上の式で求めた$v_r$, $v_l$で走行するように二輪走行機構に命令を出すことで目標点へ向かう動作が可能である。次項では本項の仕組みを使った自動走行の制御アルゴリズムについて説明する。

図3.20: 二輪走行機構のカーブ走行

3.4.2 自動走行の制御アルゴリズム

前節で説明した方法で経路が生成され、その経路を走行するためのアルゴリズムを説明する。

1.経路の1番目と2番目のノードを結ぶエッジを現在地エッジとする。移動体の現在地が現在地エッジ上のどの地点か計算する計算方法は現在地から現在地エッジに垂線を下ろした時の交点である。この座標をエッジ上の現在地と呼ぶ。図3.21の水色のノードとエッジは前節の仕組みで生成された経路を表し、橙色が移動体の現在地と向きを表している。この例ではノード間のエッジが現在地エッジであり、紫の点がエッジ上の現在地である。

図3.21: 現在地エッジとエッジ上の現在地

2.エッジ上の現在地から$d_{min}$離れた経路上の点から$d_{max}$離れた点までの間の一定間隔ごとの点群を目標候補点とする。図3.22、図3.23の星マークがその例である。全ての目標候補点に対して、現在地から目標候補点へカーブ走行で向かった場合の軌跡を計算し、進行予定領域内にレンジセンサーで取得した値が含まれるかどうか判定する。図3.22は赤の領域で表される進行予定領域内に、青の点群で表されるレンジセンサーの値が含まれる例である。図3.23は進行予定領域内にレンジセンサーの値が含まれない例である。進行予定領域内にレンジセンサーの値が含まれない目標候補点の中で一番経路上離れた位置にある点を目標点とする。したがって、図3.23の目標候補点を目標点とする。

図3.22: 目標候補点に対するカーブ走行の失敗判定

図3.23: 目標候補点に対するカーブ走行の成功判定

3.全ての目的地候補点で走行可能な点が存在しない場合は、現在地エッジの端点のうち経路上離れた位置にあるノード(図3.21の例で言えばノード$n_2$)の方向へその場回転を行い、手順2に戻る

4.目標点が決まったら、目標地点に対してカーブ走行を行う

5. 一定時間走行する

6.経路の最終目的地に到達したかを確認する到達したら自動走行を終了する。到着してなければ手順7に進む。目的地への到達の判定は、移動体の現在地と目的地の距離が閾値以下になるときとした。

7.現在地エッジの変更の判定は、現在地エッジと次のエッジ(図3.21の例で言えば直線$n_1,n_2$と直線$n_2,n_3$のなす角の二等分線を移動体の現在地が越えたかを計算することによって行う。エッジ上の現在地を計算し、手順2に戻る。

3.4.3 自動走行の精度の検証

本節で説明した仕組みでSUVが正しく自動走行が可能かどうかを実験によって検証した。ここで検証したいことは、壁などの障害物にぶつかることなく自動走行が安定して行えることと、自動走行によって、実際にSUVが到着した場所と設定した目的地の間にどの程度のずれがあるかである。地図を生成した時の出発地点は、常に地図上の原点になる。つまり、出発地点と地図上の原点の対応関係は正確である。地図上の原点を目標地点に設定し、実際にSUVが到着した地点との差を計測することで自動走行の精度を確認した。さらに、自動走行の安定性を確認するために、目標地点に至る経路上に別の目標地点を複数設定し、障害物とぶつかることなくその地点に到着できるかどうかを調べた。以下に実験手順を示す。

1.実環境に目印を付けた地点からSUVを手動操作で走らせ、環境地図を生成した。この実験で作成された地図の走行可能な領域の広さは約11m×9mであった。前述のように、目印を付けた地点は環境地図上での原点と対応している。図3.24のオレンジ色の矢印で表される地点が環境地図の原点である。

2.図3.24の7つの緑の四角のエリアから、ランダムに一ヵ所を選択し、目的地とする。1で目印を付けた地点にSUVを置き、目的地に向かって自動走行させた。自動走行には1で生成した地図を用いた。目的地には60cm×60cmの四角をテープで作ってあり、自動走行が終わった時点で、その四角の領域にSUVが入っているかどうかで、自動走行が適切に行われたかを評価した。SUVの大きさは直径34cmであり、今回の実験での速度は300mm/secである。目的地の領域のサイズについては、環境地図生成と自己位置推定の誤算を考慮して、1辺の長さをSUVの直径の約2倍の60cmとした。

3.自動走行が完了したら、その場所から2と同様の手順で次の目的地を選択し、再び自動走行を開始させた。

4.合計5回の自動走行が行われた後、地図上の原点に向かって自動走行を開始させた。到着後に、1で目印を付けた地点と到着地点のずれを、目的地と実際の到着地点の誤差として記録した。

5.2から4の手順を10回行った。

図3.24: 自動走行の目的地候補エリア

実験手順4の目的地と到着地点の誤差の結果を表3.1に示す。環境地図上で設定された目的地に、最大で15.1cm、平均で7.0cmの誤差で到着できることが分かった。この誤差は、目的地へ到着したと判断するのに十分な値だと考えられる。この実験から、SUVが人間の指定した目的地に精度良く到着できることが確認できた。

4.1.1 注意区間の検出方法

高速で移動する移動体は低速で移動する移動体に比べてより多くの場所を注意する必要がある。つまり、注意区間はその定義の性質上、移動体の状態・性質によって判断基準が変わってくる。そこで、事前に6名の被験者にATに搭乗してもらい、二つの経路を手動操作で走行する過程において、各自の判断で注意区間を決定してもらう予備実験を行った。その結果を調査して注意区間を分析したところ，次のような傾向が見られた。

1.左右の、初めて視認できる（つまり、移動体がセンシングできる）領域が急増する区間において注意区間が発生する傾向がある。

2.初めてセンシングした領域について、移動体とより近い領域の増加分を重要視する傾向がある。

3.移動体の走行速度によって注意区間を長めに設定する必要がある。

以上を考慮した結果、注意区間の検出手法は次のようになった。ある経路を$N$個の区間に分割し、 $k$番目の区間の開始点を走行するときの姿勢を$a_k=(a_k,y_k,\theta_k)$ とする。$a_k,y_k$は$k$番目の区間の開始点の座標で、$\theta_k$は$(x_k,y_k)$においての経路の接線の角度に等しい。この経路情報と環境地図を入力として、経路上の全ての注意区間を出力とする検出アルゴリズムを図4.1に示す。注意区間は経路上の二点間の区間であり、その二点を出発地点に近い順で並べたもので表される。図4.1の閾値αは、予備実験のデータに基づいて試行錯誤的に決めた。また、図4.1の3秒という数字は、注意区間を走る移動体が、死角から接近する移動体を回避するために十分であると考えられる時間である。

図4.1: 注意区間の検出アルゴリズム

4.1.2 注意区間の検出精度

3.1節で述べた手法で生成された環境地図から、前節で述べた手法により、適切に注意区間が検出できるかを被験者実験によって検証した。注意区間は、ATが自動走行する経路を手動操作で走行したときに、その搭乗者によって判断することは容易であると思われる。そのため、予備実験と同様に、学生3名に協力してもらい、正解となる注意区間を決定した。まず、事前に注意区間の定義について説明し、その上でATが自動走行する複数の経路を手動操作で走行して、注意区間を指定してもらった。次に、被験者に指定したもらった注意区間と環境地図上の領域を対応付けた。そして、それぞれの経路に関して、3名の指定した領域を足し合わせたものを正解データとした。予備実験によって、一つの経路について学生6名の指定した注意区間がほぼ一致したことを確認し、多少の個人差があった場合も3名程度の人間がいれば注意区間を網羅的に抽出するのに十分であると判断したため、正解データを作成するための被験者数を3名とした。また、実験には、複数の注意区間が含まれると考えられる10種類の経路を用いた。経路の長さの平均は約18mである。実験で使用した経路の一つを図4.3に示す。この図の経路を通る際の注意区間の正解データは同じ図に示した4区間であった。この経路において、前節で説明したアルゴリズムで検出した注意区間を図4.4に示す。正解データとの比較において、正解データと検出結果の注意区間の中心のずれが50cm以内である場合を一致として扱った。図4.3と図4.4を比較すると、検出結果の1箇所を除く区間は正解データと一致している。10経路すべてに関して、正解データと検出結果を比較したところ表4.1のような結果になった。誤検出してしまった区間の原因の一つとして、地形情報を占有格子地図で適切に表現できない場所であったことが挙げられる。具体的には、すきまのある上り階段がある場所である。地図上では壁があるように見えるが、実際には見通しが効く場所であったため、誤検出してしまった。地形を平面地図で適切に表現できない場所では、本研究の手法が必ずしも有効に機能しないことは、今後解決すべき課題の一つである。この実験結果から、十分な精度で注意区間を検出できることを確認した。本章の冒頭で説明したように、本研究で検出したい注意区間は、SUVがATの安全のために先回りし、注意して走りながら周辺を探査する区間である。SUVは無人の移動体であるため、注意区間を多めにとって速度を急激に変化させても特に問題はない。また、この場合、適合率(precision)よりも再現率(recall)の方が重要であり、適合率88.8% は許容できると考えられる。

図4.2: 使用した経路とその注意区間

図4.3: 使用した経路とその検出結果

4.3.1 レンジセンサーによる移動障害物の検出

レンジセンサーによって移動障害物を検出する手順は次の通りである。

1.占有格子地図とレンジセンサーの値の差分を抜き出す

3.3.2項で説明した仕組みで占有格子地図にない障害物の情報を抜き出す。図4.6のピンク色で表されるのが地図にない障害物のレンジセンサー情報である。

図4.5: 占有格子地図に存在しないレンジセンサーの値

2.差分から画像を生成する

手順4のオプティカルフローを行うために手順1で抜き出したレンジセンサー情報を画像データに変換する。図4.7左はある時刻での、図4.7右が次の時刻での変換した画像データである。

図4.6: 地図にない障害物の抜き出し画像

3.2で作った画像2枚をオプティカルフローで比較することで差分点の対応を求める

図4.7の左と右を重ねあわせたのが図4.8左である。この２つの画像の差分点の対応関係をオプティカルフローによって求める。図4.8右がオプティカルフローの計算結果になる。白色の丸を出発点とし、線の向きと長さで移動の方向と長さを表している。

図4.7: オプティカルフローによる画像差分の対応付け

4.オプティカルフローのベクトルの始点をk-Means法でクラスタリングする

移動障害物ごとの移動ベクトルを計算するためには、図4.8右のオプティカルフローをクラスタリングする必要がある。クラスタリング手法としてはk-means法[S. Z. Selim and M. A. Ismail.: `` K-means-type algorithms," IEEE Trans. Pattern Anal. Mach. Intell., vol.6, no.1, pp.81-87, 1984.]を使用した。図4.9がk-means法でクラスタリングした結果である。ピンク色と赤色で示されるオプティカルフローは、それぞれ別のクラスタ、つまり別の移動障害物として認識された。

図4.8: k-Means法によるベクトルのクラスタリング

5.クラス内の重心ベクトルを求める

図4.9の各色ごとのの重心ベクトルを計算した結果が図4.10である。次のステップでこの重心ベクトルを用いて移動障害物オブジェクトの情報を更新するが、移動障害物オブジェクトとは、環境地図内で存在が確認された移動障害物の位置と存在尤度からなる情報である。

図4.9: 検出された移動障害物の移動ベクトル

6. 全ての重心ベクトルについて、近くにすでに移動障害物オブジェクトがある場合は更新、ない場合は新たに移動障害物オブジェクトを生成する

重心ベクトルの近くにすでに移動障害物オブジェクトが存在する場合は、その移動障害物オブジェクトの存在尤度に一定値加算することで尤度を上げる。また、この時尤度が最大値ならば尤度の更新は行わない。重心ベクトルの近くに移動障害物オブジェクトがない場合は、新たに発見された移動障害物であるため、その重心ベクトルの位置に移動障害物オブジェクトを生成する。図4.11の①の移動障害物オブジェクトがすでに1つ生成されている状態で、図4.11の②の左側のような移動障害物の検出結果になった場合は、図4.11の②の右側のように位置更新とオブジェクトの生成が行われる。

7.　移動障害物オブジェクトの更新がないものについて、移動障害物の存在尤度を下げ、尤度が閾値以下となった移動障害物オブジェクを取り除く

6のステップで移動障害物オブジェクトの更新が行われなかったものに関しては、移動障害物が誤って検出されなかったか、移動障害物がセンシング領域外に出た場合であるため、その移動障害物オブジェクトの存在尤度を下げる。図4.11の②の右側のように移動障害物オブジェクトが2つ生成されている状態で、図4.11の③の左側のような移動障害物の検出結果になった場合は、移動障害物オブジェクト1の存在尤度を下げる。この尤度が閾値以下になった場合、図4.11の③の右側のように移動障害物オブジェクトを削除する。

図4.10: 検出された移動障害物の情報による、移動障害物オブジェクトの更新・生成

4.3.2 深度センサーによる移動障害物の検出

SUVには深度センサーの機能をもつKinectが搭載されており、前項で説明したレンジセンサーによる移動障害物の検出の他に、このデバイスを使って移動障害物を検出する。検出には、Microsoft社より提供されるKinect for Windows SDK[http://www.microsoft.com/en-us/kinectforwindows/]を使用することで、深度センサーから人間を検出する機能を使用した。この機能により、人間の重心の座標を取得できるため、そこから移動障害物の重心ベクトルを求め、その値によって、前項で説明した手順6の移動障害物オブジェクトの更新を行う。以上の仕組みで、レンジセンサーによる移動障害物の検出機能に加えて、深度センサーによる移動障害物検出の機能を追加することができる。実際に深度センサーよって検出された深度情報が図4.12左のグレースケールと緑色で表される情報(より遠い程濃い色、また一番薄い色は不明を表す)で、図4.12左の深度情報のうち、緑色の領域で表わされるのが、Kinectによって検出された人間の領域である。図4.12右はKinectのRGBカメラの情報である。人間が移動することで初めてそれが移動障害物であることを認識できるレンジセンサーと異なり、深度センサーによる検出では、静止している人間を検出することができる。静止している人間を検出するのは、それがいつ動き出すか予測できないので早めに注意を向けるためである。深度センサーによる検出の短所としては、検出距離がレンジセンサーに比べて短いことである。これについては次項の実験で詳しく説明する。また、使用した深度センサーのの視野角は57度と狭いことも短所として挙げられる。しかし、レンジセンサーと深度センサーの移動障害物の検出を併用することで、お互いの長所を活かすことができる。併用した際の検出精度についての検証結果を次項で説明する。

図4.11: Kinectによる移動障害物の検出

4.3.3 移動障害物の検出精度

4.3.1項と4.3.2項の仕組みによる移動障害物の検出精度について述べる。様々な状況下における、レンジセンサーと深度センサーのそれぞれの移動障害物の検出率についての実験結果を表4.2に示す。状況1は、注意区間100箇所において、移動障害物を誤検出した確率である。概ね誤検出をしないことが分かったが、深度センサーが1度誤検出していることが分かる。しかし、深度センサーで移動障害物（人間）が誤検出されても、その位置が変化しない。次節で説明する安全走行の仕組みにおいては、移動障害物の移動方向を考慮するため、位置が変化しない障害物については誤検出されても特に問題はない。状況2と3は、人が移動せずに立っている状況での移動障害物の検出率である。レンジセンサーでは、障害物が動かないため検出率は0% となったが、深度センサーは静止した人をある程度の精度で検出できることが分かった。状況4と5は、人が移動している状況での移動障害物の検出率である。次節で説明する安全走行の仕組みにおいては、人が近づいてくる場合の検出率が重要であり、レンジセンサーと深度センサーのそれぞれで、かなり高い精度で、近づいてくる人を検出できることが分かった。レンジセンサーと深度センサーの移動障害物の検出率から、衝突の危険性を感知することに関してSUVが十分な性能を有していることが確認された。

また、検出精度が高くても移動障害物を検出した位置が近過ぎる場合は、次節で説明する安全自動走行の仕組みにおいて問題があるため、検出時のSUVと移動障害物の距離についても評価を行った。注意区間1箇所において、人が近づいてくる状況で、レンジセンサーと深度センサーのそれぞれの移動障害物検出時の移動障害物とSUVの距離をヒストグラムで示したのが図4.13と図4.14である。それぞれ100回試行した。レンジセンサーと深度センサーの平均検出距離はそれぞれ、7.0m、5.9mであった。図4.13と図4.14のヒストグラムで、ほとんどの検出距離がレンジセンサーは6.5mから7.5m、深度センサーは5.9mから6.2mの区間であるため、どちらもほぼ安定した距離で検出できることが分かる。また、SUVの移動障害物検出は、レンジセンサーと深度センサーのどちらかが先に検出した結果を採用する。そのときの距離をSUVの移動障害物検出距離とすると、今回の実験において、その距離は6.0mであった。これは、人間の歩く速度を1m/secとすれば、歩いて近づいてくる人間と衝突まで6.0秒かかる距離である。今回使用したSUVの最大速度は500mm/secであり、6.0秒で3.0m動けることになる。これより、上記の距離は障害物との衝突を回避するためには十分であると考えられる。

図4.12: レンジセンサーによる検出距離

図4.13: Kinectによる検出距離

5.1.1 実験に使用する環境

シミュレータ内の環境について説明する。シミュレータ内で実験に使用する環境は、実在する屋内の環境地図の障害物部分を抜き出し、2mの高さの壁としてシミュレータ内の3次元空間に再現したものである。図5.2に生成された3次元の環境の例を示す。作成した環境と現実での環境の主な差異を以下に挙げる。

1. 地面の段差は存在しない

2. ドアは存在しない

3. 存在する静止障害物は全て視線を覆い隠す程度の高さである

4.環境中に存在する移動体はAT×1、SUV×0-1、そして移動障害物(人間)×100のみ

4の移動障害物の数は100人としたが、これはPCの処理性能によって決めた数である。5章の冒頭で説明した通り、移動障害物の数は多いほど都合が良いが、実験回数を増やすことで実験の規模を拡大できるためPCの処理性能によって人数を決めた。また5.2節、5.3節、5.4節の実験で使用する環境は、50m×50m以上であることを実験で使用する環境の規模の指標として設定した。図5.3が実験で使用した8個の環境地図である。なお、使用した環境地図はインターネットで一般公開しているもの\footnote{http://cres.usc.edu/radishrepository/view-all.php}を使用した。

図5.2: 生成された3次元の環境

図5.3: 実験に使用する環境地図

5.1.2 使用した環境地図の一般性

前項で、使用する実験環境について説明したが、実験に使用する環境は8個であり、この8個の環境で提案手法が有効であると検証された場合、一般的な屋内環境のほぼ全てにおいて提案手法が有効であるかどうかを検証した。具体的には実験に使用する8個の環境と、Google Maps\footnote{http://maps.google.co.jp/}上に屋内地図を表示するGoogleのIndoor Mapサービスによって取得した100個の屋内地図の地形的特徴を比較することで、実験に使用する8個の環境地図の一般性を調べた。提案手法が有効に働く状況は主に視野不明瞭による移動障害物と衝突する可能性が高い地点である。図5.4に具体例を示す。各状況で同じ色の2つの矢印が交わる地点が危険な地点である。このような地点が環境中にどのくらいの頻度で存在するかを地形的特徴量としてその分布を調査した。実験で使用する環境地図8個とGoogle Mapsから抜き出した100個の屋内地図の危険な地点の総数を手動で数え、通路の長さの合計をその地図の規模とすることで、次の式によって危険に関する地形的特徴量を求めた。

危険に関する地形的特徴量 = 危険な地点の総数 / 通路の長さの合計

それぞれの環境ごとに地形的特徴量を計算した結果が図5.5である。図の2つの分布図から実験で使用する環境地図は一般的な屋内地図の地形的特徴量の分布と類似していることが分かる。したがって、実験で使用する環境地図において提案手法が有効であると検証されれば、任意の一般的な屋内環境で提案手法が有効であると考えられる。

図5.4: 危険な地点の例

図5.5: 実験で用いる環境地図とGoogle Mapsから取得した地図の危険に関する地形的特徴量の分布

5.1.3 移動障害物

シミュレータに存在する移動障害物は次の挙動をシミュレータ内で繰り返す。

1. 目的地がランダムに決まり、その目的地までの最短経路を歩き続ける
2. 経路を歩き終えたら、次の目的地がランダムに決まる
3. 人間の視線は常に進行方向を向き続ける
4. 歩く速度は秒速1.2m(時速4.3km)
5. ATやSUVを認識するのは視野のカメラにATやSUVが映ったとき
6. 移動障害物は他の移動障害物・AT・SUVと衝突しても衝突の影響を受けずに歩き続ける
7. 移動障害物は他の移動障害物を認識しない
8. 移動障害物は他の移動障害物によって視界が遮られた場合でもその先の移動体を認識できる

1で歩く経路は3.3節で説明したATとSUVと同じA*アルゴリズムで生成される。5については、図5.6で示すように移動障害物の頭部を頭頂点とする四角錐の領域内の移動体を認識する。なお、壁の向こうの移動体は認識することができない。6については、移動障害物は一切の回避行動をとらないため、衝突による影響を考慮しない。7と8については、ある移動障害物から他の移動障害物は一切認識していない状況を想定しているため、このような挙動にした。1と2の通り、移動障害物は目的地までの最短経路上を歩く挙動しかしないが、現実には人ごみを歩く人は周りの人間と自分の目的地を考慮して歩く経路を決める。これをシミュレータ上で再現することは困難であったため、シミュレータでは複数の移動障害物が及ぼす影響については考慮していない。しかし、実際には環境中に人が多く存在する環境である程、移動体に危険な状況が発生しやすいため、この状況を再現して、提案手法を評価するのは今後の課題である。

図5.6: 移動障害物の視野カメラによるATとSUVの認識

5.1.4 ATとSUV

シミュレータに存在するATとSUVは次の挙動をシミュレータ内で繰り返す。

・共通

1.ATとSUVのレンジセンサの計測範囲は360度

2.移動体を認識するのはレンジセンサのレーザーの一定本数以上が移動体に到達し、かつ移動体までの距離が15m以内の場合

3.レンジセンサは移動体の奥にいる別の移動体も計測できる

・AT単独走行時

4.ATは目的地がランダムに決まり、その目的地までの最短経路を走行する

5.ATは目的地に到着したら、次の目的地がランダムに決まる

・SUV連携走行時

6.SUVは目的地がランダムに決まり、その目的地までの最短経路を走行する

7.SUVは目的地に到着したら、次の目的地がランダムに決まる

8.ATはSUVの設定された間隔を開けて走行する

9.SUVが注意区間を走行する際は、自動走行の半分の速度で走行する

10.SUVが注意区間で減速中もATは設定された速度で走るが、SUVとの距離が1m以下になったときはSUVと近過ぎないように減速して走行する

11.SUVが注意区間を抜けるとATとの距離を設定された間隔になるまで速度を上げる

12.SUVが認識したものはATも認識したものとみなす。また、ATが認識したものはSUVも認識したものとみなす。

1と2については2章で説明したATとSUVに搭載されているレーザーレンジセンサーと同じ分解能と認識距離を設定し、レンジセンサーのレーザーが5本以上移動障害物と交わるとき移動体を認識するとした。図5.7はATとSUVが実際に移動障害物を認識しているときの様子を示している。図の放射状に広がる赤い線は、シミュレータ内のレンジセンサーを可視化したものである。3は5.1.3項で説明した通り、今回のシミュレータ実験では複数の移動障害物が及ぼす影響については考慮しないため、ある移動障害物によってその向こうの移動障害物が見えない状況でもどちらの移動障害物も認識可能とした。8に関して、ATとSUVの間の距離は実験に基づいて決定した。5.4節では、この距離を変化させたときの安全性について評価実験を行い、最適なパラメータについて考察した。

図5.7: ATとSUVのレンジセンサよる移動障害物の認識

5.1.5 本実験で定義される用語

5.2節、5.3節、5.4節の実験の説明および評価で使用されるシミュレータ内での4つの用語について説明する。

認識：

5.1.3項で説明した通り、移動障害物は自身の視野にATやSUVが含まれている場合にそれらを認識する。5.1.4項で説明した通り、ATとSUVは自身のレンジセンサーで移動障害物を捕捉した場合に移動障害物を認識する。また、ATとSUVのいずれかが認識した移動障害物はもう一方も認識したものとみなす。図5.8の①と③はATが移動障害物を認識した瞬間の例である。

非回避衝突：

シミュレータではどの移動体も回避行動をとらないため、離れた位置で認識しても、経路が交叉する場合は衝突する。そのため、現実での衝突とシミュレータ内の衝突では意味が異なり、シミュレータ内での衝突を非回避衝突と呼ぶ。また、移動体間で非回避衝突が起きても、非回避衝突による物理的影響は受けず、移動体同士はすり抜けて移動を続ける。図5.8の②と④はATと移動障害物が非回避衝突した瞬間の例である。④は認識と非回避衝突までの時間が離れているため、現実には④のように衝突は起こらないが、シミュレータ内では都合上回避行動をとらないため衝突する。

衝突時間間隔：

ATがある移動障害物を認識した時刻を$t_1$、ATとその移動障害物が非回避衝突する時刻を$t_2$としたとき、$t_2-t_1$を衝突時間間隔と定義する。衝突時間間隔は回避行動を一切とらない場合の、認識から衝突するまでの時間であるため、衝突時間間隔が十分に小さい時、ATは回避行動をとるための時間がなく移動障害物と衝突する危険性が高いと考えられる。図5.8の左側は衝突時間間隔が小さい例、右側は衝突時間間隔が大きい例である。この図から分かるように衝突時間間隔が小さいほど衝突の危険性が高く、この値を本章の実験の評価値とする。

回避困難衝突：

衝突時間間隔が閾値以下の状況を、ATが回避困難であるとし、その状況を回避困難衝突と定義する。ATは全方位移動ができるため、移動障害物の移動方向に対して垂直方向に回避できる。移動障害物とATの幅を考慮すれば、移動障害物の進行方向の垂直方向に1m移動すれば回避できると考えられる。ATの速度0.5m/secで回避するとして2秒、回避開始と終了の動作準備時間を1秒とし、3秒あれば移動障害物を回避できると考えられる。この3秒を回避困難衝突の閾値とした。本研究の目的をこの言葉を使って言い換えるならば、SUVと連携走行することで回避困難衝突が発生する確率を0% にするのが目的であると言える。図5.8の左側は回避困難衝突の例である。

次節からの実験では、以上の用語を用いて実験について説明する。

図5.8: 衝突時間間隔と回避困難衝突

5.2.1 実験内容

5.1.1項で説明した実験環境8箇所で、SUVの連携走行がある場合とない場合のシミュレーション実験を行った。移動障害物・AT・SUVの挙動は5.1.3項と5.1.4項で説明した通り、ランダムに設定した目的地に対して移動し続ける。終了条件は、ATと移動障害物が2000回、非回避衝突した時とした。ATとSUVの自動走行の速度は0.8m/sec、連携走行の間隔を6mとした。以上の条件で、終了条件に達するまでシミュレーションを行い、そのログから衝突時間間隔の分布を実験環境ごとに調べた。

5.2.2 結果

実験結果を図5.9に示す。実験環境ごとに衝突時間間隔をヒストグラムで示している。各環境ごとのヒストグラム内で青のヒストグラムはATの単独走行時の結果、赤のヒストグラムはSUVとの連携走行時の結果を表している。また表5.1に実験環境ごとのAT単独走行時とSUV連携走行時の衝突時間間隔の平均値と、全ての非回避衝突中の回避困難衝突の発生率を示す。図5.9のそれぞれの環境ごとにAT単独走行とSUV連携走行のヒストグラムの形状が似ており、SUV連携走行時のヒストグラムがAT単独走行時のヒストグラムに比べて右にずれていることが分かる。また、表5.1よりAT単独走行時の衝突時間間隔の平均値が4.9秒、SUV連携走行時の平均値が8.2秒であった。このことから、SUVと連携走行することによってATは移動障害物の認識を平均して3.3秒早めることができたと言える。また、回避困難衝突の発生率はAT単独走行時では平均26.8% であったが、SUVと連携走行時は1.6％まで下がった。以上の結果より、「ATはSUVと連携走行することにより、移動障害物の認識が早め、危険な状況(移動障害物と衝突しそうな状況)を回避することができる」という仮説を検証した。また、表5.1の場所D、E、GでSUVと連携走行時に回避困難衝突の発生率が高い。この原因については次項の考察で述べる。

図5.9: SUVありとなしでの衝突時間間隔のヒストグラム

5.2.3 考察

前項の実験結果よりSUVと連携走行することによりATの移動障害物の認識が平均3.3秒早まることが分かった。しかし、SUVと連携走行時にも衝突時間間隔が短くなる状況があり、特に環境D、E、Gではそれが顕著となった。連携走行あり・なしそれぞれについて衝突時間間隔が短い状況をログから再現することで分析を行った。AT単独走行時に衝突時間間隔が短くなるケースとしては、図5.10に表すような死角から接近する移動障害物と非回避衝突するケースがほとんどであった。しかし、SUVと連携走行時に衝突時間間隔が短くなるケースでは、このような状況はほとんど発生しなかった。これは、ATの前方の死角から接近する移動障害物をSUVによって検出する本研究の手法が有効に働いたためだと考えられる。しかし、SUVと連携走行時では、次の2パターンのケースにおいて衝突時間間隔が短くなる状況が発生した。

1.ATとSUVが目的地に着き、SUVが次の目的地に向かって動いているが、ATはSUVとの距離が設定された間隔以下であるため停止している際に、死角から接近する移動障害物と非回避衝突するケース

2.図5.12のようにATとSUVの間に存在する死角から接近する移動障害物がATと衝突するケース

1の例を図5.11に示す。この時ATはSUVとの距離が近いため停止しており、後方の死角から接近する障害物と非回避衝突した。しかし、このようなケースは衝突時間間隔が短いがATが停止しているため衝突の危険性は比較的低いと考えられる。また、ATが死角の存在する付近で停止することを防ぐような動作をすることによって改善することができると考えられる。2の例を図5.12に示す。ATとSUVの間隔が広くなるほどこの状況の発生頻度が増えると考えられるが、間隔が狭すぎるとSUVの連携走行によって得られる人の認識を早める効果が低くなる。この実験に使用したATとSUVの間隔は5.4節の実験によって得られた結果によって6mとしたが、環境D、E、Gで連携走行時の結果が悪くなったのは図5.12のような状況が起きやすい場所が多く存在するためである。具体的には、通路の脇に部屋が複数存在する環境などでは連携走行による効果が低くなると考えられる。今後の課題として、このような場所を検出する方法を考案し、検出した場所を通るときは連携走行の間隔を狭めて通過するなどの改善が必要であると考えられる。

図5.10: AT単独走行時の衝突時間間隔が短かった例

図5.11: SUVと連携走行時の衝突時間間隔が短かった例1

図5.12: SUVと連携走行時の衝突時間間隔が短かった例2

5.3.1 実験内容

5.1.1項で説明した実験環境8箇所で、ATを注意区間で減速することなく単独で走行させた。 ATの速度は0.8m/secとした。移動障害物およびATの挙動は5.1.3項と5.1.4項で説明した通り、ランダムに設定した目的地に対して移動し続ける。終了条件は、ATと移動障害物が2000回非回避衝突した時とした。以上の条件で、終了条件に達するまでシミュレーションを行い、そのログから回避困難衝突が起きた際に、ATによる移動障害物の認識が注意区間内で発生したのかどうかを確認した。

5.3.2 結果

実験結果を図5.13に示す。全ての回避困難衝突の内、どの程度が注意区間内で発生したのかを環境ごとに表したグラフである。平均91.0% 、最小値86.0% という結果になった。また、表5.2は、ランダムな出発地点と目的地点で100通りの経路を生成したときに、経路の中にどの程度注意区間が含まれていたか（これを注意区間率と呼ぶ）を表している。環境によってばらつきがあるが、経路には平均14.5% の注意区間が含まれることが分かる。以上の結果より、「移動障害物と衝突しそうな状況は注意区間付近で起こりやすい」という仮説が検証された。次項では注意区間外で発生した回避困難衝突についてログを分析した考察を述べる。

図5.13: 注意区間で発生した回避困難衝突の割合

5.3.3 考察

前項の結果より、経路に含まれる15% 程度の注意区間内で、回避困難衝突の90% 程度が発生していることが分かった。残りの10% 程度がどのような場所で発生しているかをログから分析した結果、次のような場所で発生していることが分かった。

1.移動障害物の認識が注意区間の手前で発生し、その後注意区間に入って非回避衝突が発生するケース

2.本来は注意区間として認識されるはずだが、検出されなかったケース

図5.14が1のケースの例である。白の線はATの経路であり、紫の領域は注意区間である。図5.14左はATが移動障害物を認識した瞬間で、図5.14右が非回避衝突した瞬間である。4.1.1項の図4.1の手順7では、注意区間の始点を移動体が3秒間で走行する距離分伸ばしている。この実験ではATは0.8m/secで走行するため2.4m伸ばしており、この距離を変えれば、1のケースの例は少なくなると考えられる。しかし、表5.2で示している経路中の注意区間率が上がり、経路内の多くの部分が注意区間となる。現在の連携走行のアルゴリズムは注意区間内を低速で走るため、経路中の注意区間率が上がれば自動走行の平均速度が下がってしまう。注意区間内の動作を改良し、注意区間を伸ばしても自動走行の平均速度が下がらないようにするのが今後の課題の一つである。2について、図5.15が注意区間として検出されなかった回避困難衝突の例である。しかし、実際にはこの場所は死角があるため注意区間として検出されるべき場所である。4.1.1項で説明したとおり、注意区間は経路上で初めて視認できる（つまり、移動体がセンシングできる）領域が急増する区間を検出するため、図5.16の青色の領域のようにセンシング領域する増加するエリアが小さい場合は検出されない。4.4.1項の検出方法の閾値αを下げることで、この区間は注意区間として検出されるが、注意区間の誤検出が増え、経路中の注意区間率が増えてしまう。注意区間の検出アルゴリズムを改良することで、このような状況を注意区間として検出できるようにすることも今後の課題である。

図5.14: 注意区間外で認識し、注意区間内で衝突する例

図5.15: 注意区間外で認識した回避困難衝突した例

図5.16: 注意区間が検出されなかった例

5.4.1 実験内容

SUVの連携走行がある場合とない場合、さらにSUVとATの間隔を変えてシミュレーション実験を行った。実験は次の5通り行った。

1.ATが単独走行で走り、注意区間を考慮せず一定速度で走行

2.ATが単独走行で走り、注意区間では半分の速度で走行

3.SUVとATが連携走行を行い、SUVとATの間隔は3m

4.SUVとATが連携走行を行い、SUVとATの間隔は6m

5.SUVとATが連携走行を行い、SUVとATの間隔は9m

各項目ごとに自動走行の速度を0.5m/secから1.4m/secまで0.1m/sec間隔で行った。それぞれの速度における終了条件はATと移動障害物が2000回非回避衝突した時とした。移動障害物、AT、SUVの挙動は5.1.3項、5.1.4項で説明した通りランダムな目的地に対して移動し続ける。実験環境は図5.3のFの環境で実験した。これはFの環境が5.1.2項で説明した地形的特徴量が、使用した8個の環境地図の中で中央値であったためである。以上の条件でシミュレーションを行い、そのログから全ての非回避衝突中の回避困難衝突の発生率を調べた。また、ATがシミュレーション中に移動した距離とシミュレーションを行った時間から計算した速度を自動走行の平均速度とし、この速度と設定した速度を以下の式で計算することで自動走行の効率を調べた。

自動走行の効率 = 自動走行の平均速度 / 自動走行に設定した速度

この自動走行の効率は、設定された速度で走り続ければ100% となるが、自動走行中に減速するほど効率は低下する。

5.4.2 結果

図5.17に実験結果として0.5m/secから1.4m/secごとの回避困難衝突の発生率を示している。①の注意区間なしのAT単独走行より、②の注意区間ありのAT単独走行が全ての速度に関して回避困難衝突の発生率が低いことから、SUVなしでも注意区間を低速に走行することでATの自動走行の安全性を上げられることが分かる。さらに、②の結果に比べ、③-⑤の結果が全ての速度に関して回避困難衝突の発生率が大幅に低いことから、SUVの連携走行はATの自動走行の安全性を大きくあげることが分かる。③-⑤の結果ではSUVの連携走行時のATとSUVの間隔を変えた結果であるが、速度が0.8m/secより遅い速度ではATとSUVの間隔が狭い程良い結果となっている。また、0.8m/secより速い速度では、間隔が一番短い3mのケースが一番悪く、続いて9m、6mの順で結果が良くなった。このことから、速度が遅い時は間隔が長いと安全性が下がり、速度が高い時は間隔が短すぎても長すぎても安全性が下がることが分かる。これらの原因や、速度による適切な間隔については次項で述べる。図5.18は0.5m/secから1.4m/secごとの前節で説明した自動走行の効率を示している。①の注意区間なしのAT単独走行は常に一定速度で走り続けるため自動走行の効率は100% である。②の注意区間ありのAT単独走行では、注意区間の度に減速するため、平均して効率が83.0% まで下がった。③-⑤の連携走行で間隔3m、6m、9mのケースの効率は、それぞれ89.4% 、96.9% 、99.1% という結果になった。以上の結果の違いの原因については次項で述べる。図5.17の実験結果から、SUVと連携走行することにより、ATは単独で走行するより安全に自動走行ができることが分かった。また、図5.18の実験結果から、SUVと連携走行する時のATの自動走行の効率は、ATが単独で一定速度で走る時と比べて、ほとんど低下しないことが分かった。以上より、「ATはSUVを使って安全かつ効率的に移動できる」という仮説が検証された。

図5.17: 回避困難衝突の発生頻度と速度の関係

図5.18: 自動走行の効率

5.4.3 考察

実験結果より、AT単独で注意区間を低速に走ることによっても回避困難衝突を減らすことが可能であるが、SUVの連携走行することにより、回避困難衝突の発生率を大幅に下げることができ、より効率的な自動走行ができることが分かった。この実験ではATとSUVの間隔を3m、6m、9mに設定して、それぞれの間隔で速度を変えて実験を行ったが、以下では適切な速度と間隔の関係について考察する。図5.17のグラフで、0.5m/secから0.7m/secに間隔が広い程結果が悪くなっているのは、5.2.3項で述べたATとSUVの間の死角から移動障害物が現れた場合に衝突時間間隔が短くなってしまう問題が発生する頻度が高まるためだと考えられる。また、0.9m/sec以上、間隔が3mの結果において、速度が上がるにつれて悪くなっているのは、移動速度が速いため連携走行による衝突時間間隔の増加が少なくなるためである。図5.9のヒストグラムで言えば、自動走行の速度を上げることにより、AT単独走行時とSUV連携走行時のヒストグラムのずれが少なくなり、回避困難衝突の閾値である3秒を下回るケースが増えたと考えられる。各速度における適切な間隔は、回避困難衝突の発生率が一番低くなる値である。図5.17より、0.5m/secから0.7m/secでは間隔3m 、0.8m/secから1.1m/secでは間隔6mである。1.2m/secから1.4m/secでは、間隔6mと9mでほぼ同等の結果であるが、上で述べた間隔が広くなったときの問題点を考慮すれば間隔6mが適切であると考えられる。また、自動走行の速度が1.4m/secより大きくなった場合は、間隔が6mでも間隔3mの時と同様に回避困難衝突の発生率が高くなると予想されるため、間隔を広げる必要がある。図5.18のグラフで②の注意区間ありのAT単独走行で、自動走行の効率が下がったのは、注意区間で減速するためであると考えられる。また、③の間隔3mの連携走行でも効率が下がっているのは、間隔が短すぎるため、経路中に連続して注意区間が現れる場合に、ATがSUVに接近しすぎて速度が下がるケースが多く発生したためだと考える。④、⑤の間隔が6m、9mのケースでは全ての速度で効率が100% に近い値である。これは、SUVが注意区間で減速しても、間隔が十分開いているため、ATは一定速度で走り続けているためだと考えられる。

7.2.1 注意区間検出アルゴリズムの改良

本研究ではATの経路上の前方をSUVに走らせることでATの安全性を高める手法を実現した。その応用としてATの代わりに、歩行者の前方をSUVに走らせることで、歩行者の安全性を高める手法が考えられる。しかし、SUVは事前に歩行者の目的地までの経路を知っていないと歩行者を先行できないため、歩行者が経路を自由に決める状況ではSUVを利用することは困難である。

そこで、歩行者は目的地だけを決め、SUVを案内ロボットとして使用する状況を想定する。例えば、美術館やショッピングモールなど歩行者にとって地図が把握できてない施設において、歩行者はSUVを呼び、目的地を伝える。目的地までの経路はSUVが決め、歩行者は目的地までの経路を知ることができ、かつSUVによって安全に走行することができる。SUVに目的地を伝え、SUVのセンシングした情報を知る手段としては、現在研究を行っている三次元地図を使用する[11]。この三次元地図は、SUVに搭載されたKinectの深度情報とカメラ情報よって生成された、環境内の立体的な地図である。3章で説明した占有格子地図と異なり、環境内の画像をテクスチャとして立体的な地図にマッピングしているため、人間にとって直感的で分かりやすいものになっている。さらに、この地図には環境内の特徴的な地点の情報(例えば美術館ならば絵画情報)がアノテーションされているため、歩行者はより容易に行き先を決めることができる。この三次元地図を用いて目的地をSUVに伝え、案内を開始した後に三次元地図上にSUVの取得したセンサーの情報を反映させることで、歩行者は安全に、かつ目的地まで容易に到着することが可能となる。今後このような手法でSUVを利用することで、本研究の連携走行による安全性の向上の仕組みを活かすことができる。

7.2.2 回避行動アルゴリズムの改善と評価

本研究の提案手法では、SUVが注意区間で移動障害物を検出すると、SUVが移動障害物を回避するために進行方向と逆の方向に移動し、ATは移動障害物が通り過ぎるまで停止する。遭遇した移動障害物が1つである場合は、従来の回避手法より確実に回避できる仕組みではあるが、環境内に複数の移動障害物が存在する場合は、それらを同時に回避するのは依然として困難である。回避動作のアルゴリズムを改良して、複数の移動障害物に対しても回避できる仕組みを実現するのが今後の課題の一つである。また、SUVと連携走行することによって、ATは移動障害物をより早く認識し、危険な状況を回避することができるのは、5章の実験によって危険な状況の発生頻度を計測することで確認している。しかし、移動障害物の動作の仕様では、目的地に対する最短経路を進み続けるため、実際に複数の移動障害物が存在する状況を考慮していない。実際の環境では、移動障害物は他の移動障害物の位置と進行方向を考慮して自身の経路を決める。シミュレータ内で複数の移動障害物が相互に影響しあって移動する環境をシミュレートすることで、複数の移動障害物を回避する動作について実験することも今後の課題の一つとなる。

7.2.3 案内ロボットとしてのSUV

本研究ではATの経路上の前方をSUVに走らせることでATの安全性を高める手法を実現した。その応用としてATの代わりに、歩行者の前方をSUVに走らせることで、歩行者の安全性を高める手法が考えられる。しかし、SUVは事前に歩行者の目的地までの経路を知っていないと歩行者を先行できないため、歩行者が経路を自由に決める状況ではSUVを利用することは困難である。そこで、歩行者は目的地だけを決め、SUVを案内ロボットとして使用する状況を想定する。例えば、美術館やショッピングモールなど歩行者にとって地図が把握できてない施設において、歩行者はSUVを呼び、目的地を伝える。目的地までの経路はSUVが決め、歩行者は目的地までの経路を知ることができ、かつSUVによって安全に走行することができる。SUVに目的地を伝え、SUVのセンシングした情報を知る手段としては、現在研究を行っている三次元地図を使用する[11]。この三次元地図は、SUVに搭載されたKinectの深度情報とカメラ情報よって生成された、環境内の立体的な地図である。3章で説明した占有格子地図と異なり、環境内の画像をテクスチャとして立体的な地図にマッピングしているため、人間にとって直感的で分かりやすいものになっている。さらに、この地図には環境内の特徴的な地点の情報(例えば美術館ならば絵画情報)がアノテーションされているため、歩行者はより容易に行き先を決めることができる。この三次元地図を用いて目的地をSUVに伝え、案内を開始した後に三次元地図上にSUVの取得したセンサーの情報を反映させることで、歩行者は安全に、かつ目的地まで容易に到着することが可能となる。今後このような手法でSUVを利用することで、本研究の連携走行による安全性の向上の仕組みを活かすことができる。

7.2.4 飛行型SUV

SUVによってATが安全に自動走行できる仕組みを実現し、実験によってそれを検証した。しかし、SUVと移動障害物の衝突については、注意区間で減速するため回避が比較的容易ではあるが確実とは言えない。それに対する具体的な解決策として、SUVが空を飛ぶことで障害物との衝突を回避する方法について、今後の課題として述べる。空中には移動障害物が存在せず、地上よりも自由に移動することができるので拡張型センサーとして地上より空中の方が適切である。人間を乗せて空中を移動できるような乗り物はまだかなり実現が困難であるが、空を飛ぶ小型の移動体はすでに実現されている。パロット社の「AR.Drone」は空中で静止状態を持続することができる移動体である。旋回、上昇下降、全方位移動など柔軟な移動ができる。しかし、AR.Droneは飛んでいる間は常にエネルギーを消費するので、常時飛び続けることは難しい。その問題の解決法として、通常時は空中用のSUVは地上用のSUVの上に設置されており、環境を偵察する必要がある時に分離して飛行する方法を想定している(図7.1)。また、一つの移動体で、地上走行と空中走行を切り替えられる移動体の研究が防衛省で行われている[http://www.afpbb.com/article/environment-science-it/science-technology/2818504/7603912]。この研究では形状が球体で、空を飛ぶ時は内部のプロペラで飛行し、着陸した後は転がりながら地上を進む。今後このような移動体の研究が発展することによって、空中用SUVの実用性が高まり、本研究成果の利用価値がさらに上がると思われる。

図7.1: 地上用小型無人移動体と空中用小型無人移動体の連携

7.2.5 環境インフラとしてのSUV

本研究では、SUVを自律移動するセンサーとしてATに従属した形で利用したが、SUVの自律移動型センサーとしての機能を特定のATとは独立に用い、他の問題の解決手段として用いることが、今後の応用として考えられる。その一つが環境情報を取得するためのインフラとしてSUVを利用することである。環境情報は時間とともに変化する。具体的には、ショッピングモールでの店内の混雑具合や、オフィスでの在室状況などである。そのような環境情報はATに限らず様々な場面で利用することができる。具体的には、無駄な行動を減らして、効率的に目的地を決めることなどである。先の例で言えば、ショッピングモールでは、混んでいる店に行くのを後回しにしたり、オフィスでは、会いに行きたい人が現在どの部屋に在室しているか調べてから、行き先を決めることができる。そこで、複数のSUVに環境内を巡回させることで、このような環境情報を収集することが考えられる。筆者の所属する研究室ではすでに、環境インフラとしてのSUVの研究も同時に進めている[18]。この研究では、動的に変わる環境の、特に道を塞ぐ障害物をSUVによってセンシングすることについて研究している。それは具体的には次のようなものである。複数のSUVが環境内を自律的に巡回し、障害物によってATが走行不可能な場所を検出した場合に、環境内の移動体や障害物の位置などを統合的に管理する地図サーバーに情報を送信する。その情報をオンデマンドに取得し、ATは自動走行中に、経路を動的に変更することで、自動走行の効率化を実現する。しかし、この研究でセンシングする情報は、レーザーレンジセンサーによる距離データのみであるので、先ほどのショッピングモールやオフィスの例を実現することは依然として困難である。今後は様々なセンサーや認識技術を用いて、取得する情報を増やすことが課題である。具体的には音声データ、画像データ、3次元の距離データなどがある。また、先に紹介した環境インフラとしてのSUVの研究では、SUVが時々刻々変化する環境の情報をどの程度の精度で検知できるかを実験するシミュレータを開発した。それにより、効率的に環境情報をセンシングすることができるための、環境に分散的に巡回させるSUVの台数が明らかになっている。それらの情報を用いて、環境インフラとしてのSUVについての機能をより高度化するのが今後の課題である。