自動運転で、SLAM（Simultaneous Localization and Mapping）という技術がよく使われています。
SLAMは、センサーとしてLiDAR（Light Detection and Ranging）を用いるLiDAR SLAM、 カメラ画像を用いるVisual SLAM等に分類されますが、本記事では、LiDAR SLAMについて紹介します。
LiDARは、レーザーの反射により検出した距離を点群として返す手法であり、 点群は位置（xyz座標）を持つ点の集合です。
LiDAR SLAMの概要
SLAMとは、移動体の位置を推定する自己位置推定と、その周辺環境の地図の作成を同時に行う技術です。
LiDAR SLAMでは、LiDARを搭載した移動体を走行させながら周辺環境の点群情報を取得し、 点群情報を重ねることにより、周辺環境の地図を作成します。
この技術は、ロボット掃除機、配膳ロボット、ロボット草刈り機など、様々なものに応用されています。
LiDAR SLAMはVisual SLAMと比べると、時間帯や天候に関係なく使用できる、 店舗や農場にマーカーを設置する必要がない、といった利点があります。
LiDAR SLAMの処理の流れ
以下では、LiDARを搭載した車体を移動させながらSLAMの地図を作成する方法について説明します。
ここでは説明のため、2つの座標系を定義します。
・地図座標系：原点を固定した、車体の位置に依存しない座標系
・車体座標系：車体の位置を原点とした、周辺環境の点群位置を表す座標系
LiDAR SLAMでは、①から④の処理の反復により地図を作成します。
① 大まかな自己位置推定
地図座標系における自己の位置の直近の変化量から、自己の現在の位置を推定します。
② 対応点の探索
これまで作成した地図上の点群と最新の計測点群から、 同じ物体や特徴点を示す点の組み合わせを探索します。
対応する点のペアを「対応点」と呼びます。
③ 正確な自己位置推定
車体座標系における自己と対応点の位置関係と、 地図座標系における自己と対応点の位置関係が一致するように、地図座標系における自己位置を求めます。
ここで求めた自己位置により、①で求めた自己の推定位置を更新します。
④ 計測点群の地図への追加
③で求めた地図座標系における自己位置と、地図座標系における計測点群の位置をもとに、 最新の計測点群を地図に追加します。
SLAMが難しいケース
SLAMに失敗する主なケースと対策について紹介します。
①で失敗するケース：大まかな自己位置推定が大きく間違っている
このケースは計測に問題があるときなどに起きることがあります。
対策として、IMU（Inertial Measurement Unit）などのセンサーを用いて 取得可能な移動量を用いる方法があります。
②で失敗するケース：周辺環境の分布に特徴がない
周辺環境に特徴がないと、自己位置が一つに定まらなくなることがあります。
例えば、周囲に何もない広大な土地では、時系列的に連続して似た点群が観測されます。
対策として、何かしらの物体を置いて環境を複雑にする方法があります。
最後に
本記事ではSLAMについて紹介しました。
最後までお読みいただき、ありがとうございました。
- 参考文献
田崎豪 『Autowareではじめる自律移動技術入門』
