つくばチャレンジ2018技術調査報告

つくばチャレンジ2018技術調査
アンケートの報告
原祥尭（千葉工大 fuRo），冨沢哲雄（防衛大），伊達央
（筑波大），黒田洋司（明治大），坪内孝司（筑波大）
つくばチャレンジ2018シンポジウム 2019-01-14

本走行の記録
参加チーム数：63チーム、ロボット数：75台
本走行出走ロボット数：62台
課題達成：2台（内1台が完全課題達成）
走行距離のマイルストーン
1/3 確認走行区間：27台、2/3 折り返し点：9台、3/3 完走（ゴール）：6台
選択課題のマイルストーン
A 信号認識横断：7台、B チェックポイント通過：4台、C 探索対象発見：1台
アンケートへのご協力、誠にありがとうございました（67台分の回答）
1
達成度・課題ハードウェアソフトウェア

実験走行への参加日数
全実験走行日に参加している
チームが多い
遠方のチームは、本走行の
直前のみ参加か
地域ごとの分析ができると
良いかも
2
8
2
4
7 7 8
6
8
24
0
5
10
15
20
25
30
1 2 3 4 5 6 7 8 9
台数
参加日数

本走行／記録走行での走行距離 [m]
チームによって経路が違う
ため、完走でも距離は異なる
約 600 m を超えられれば、
完走が近い？
本走行で約 200 m 走行できた
ロボットは、記録走行では
400 m 以上走行できていた？
3
18
29
9
6
1 2
0 1 1 2
4
1
15
19 18
5
0
2
0 1 1
4
6
3
0
5
10
15
20
25
30
35
台数
走行距離 [m]
本走行
本走行／記録走行

本走行／記録走行での走行距離 [%]
コースの 30 % を超えると、
完走が見えてくる？
完走していないが 100 % との
回答もあり、自分たちの目的
は達成したということか
4
19
26
8
6
2 2
0 0
2
0
9
16
18
15
5
1
4
0 1 2 1
11
0
5
10
15
20
25
30
0 10 20 30 40 50 60 70 80 90 100
台数
走行距離 [%]
本走行
本走行／記録走行

本走行／記録走行での選択課題の成功回数
公式記録で選択課題を達成
できたロボットはわずか
通常の実験としては、もっと
成功回数を積み重ねていると
思われる
事務局記録と異なる回答あり
5
65
3 3 0 2 1
65
6 3 0 0 0
71
2 0 0 0 1
0
20
40
60
80
0 1 2 3 4 5
台数
成功回数
A 信号認識横断
B チェックポイント通過
C 探索対象発見

本走行／記録走行での失敗原因（今後の課題）
自己位置推定が最多
地図構築の課題も内包？
ハードウェアトラブルも意外
に多い
選択課題の内、信号認識は
失敗すると横断できず致命的
6
7
11
4
6
23
8
5
4
3
5
0 5 10 15 20 25
進捗（未完成）
ハードウェア
通信
地図構築
自己位置推定
経路計画
障害物検出・回避
信号認識
オペレータ操作
なし

ロボットのサイズ
幅広く分布している
遵守事項である全幅 0.75 m
を超過、また全高 0.6 m 未満
の計3件は回答ミス？
7
0
0.4
0.8
1.2
1.6
0
0.2
0.4
0.6
0.8
0 0.2 0.4 0.6 0.8 1 1.2 1.4
全高[m]
全幅[m]
全長 [m]

ロボットの重量
遵守事項で推奨している
60 kg 以下のロボットが多い
安全確保のためには軽量で
あることが望ましい
8
6
8
15
13
4
6
2
5
4 4
0
5
10
15
20
10 20 30 40 50 60 70 80 90 100
台数
重量 [kg]

移動ロボットプラットフォーム
独自開発が多い
既存プラットフォームでは
T-frog i-Cart mini が最多
電動車椅子ベースは意外と
少ない
ほぼすべてが車輪型
9
31
24
3
1
1
5
1
1
0 10 20 30 40
独自
T-frog i-Cart mini
REVAST Mercury
Open Robotics TurtleBot
MobileRobots Pioneer
電動車椅子
シニアカー
電動カート

バッテリ種類
鉛畜が最多
リチウムイオンも匹敵
リチウムフェライト、リチウ
ムポリマーはリチウムイオン
の回答に含まれる可能性あり
複数種類の併用も
10
35
30
5
4
3
0 10 20 30 40
鉛畜
リチウムイオン
リチウムフェライト
リチウムポリマー
ニッケル水素

コンピュータ種類
ノートPCが最多
通常のデスクトップPCを搭載
したロボットも！
小型ベアボーン（組み込み
PC）が意外に多い
NVIDIA Jetson の利用も
11
45
1
19
5
10
0 10 20 30 40 50
ノートPC
デスクトップPC
小型ベアボーン（組み込み）
シングルボードコンピュータ
（NVIDIA Jetson 以外）
NVIDIA Jetson

センサ種類
ほぼすべてが LIDAR を搭載、
LIDAR 不使用は4チームのみ
カメラ系はそれほど多くない
今年から開けた環境になり、
GNSS が増加？
IMU は意外に少ない
エンコーダも 100 % 近く搭載
されていると思うが、有効な
回答を得られず
12
47
32
6
6
16
5
16
29
0 10 20 30 40 50
2D-LIDAR
3D-LIDAR
距離画像カメラ
ステレオカメラ
単眼カメラ
全天球カメラ
GNSS
IMU

様々な 3D-LIDAR が登場
 Velodyne LIDAR
https://velodynelidar.com/
 北陽電機株式会社
https://www.hokuyo-aut.co.jp/
 Ouster
https://www.ouster.io/
 HESAI
http://www.hesaitech.com/
 RoboSense LiDAR
https://www.robosense.ai/
 LeiShen LiDAR
http://en.leishen-lidar.com/
13

OS
Ubuntu が圧倒的多数
Windows との併用も
OS なしのロボットも！
14
Ubuntu
61
87%
CentOS
2
3%
Windows
6
9%
なし
1
1%
Ubuntu CentOS Windows なし

プロセス間通信（IPC）
ROS 利用は過去最多
筑波大の SSM も他チームで
使われている
プロセス間通信なしの場合も
15
独自
14
19%
ROS
51
71%
SSM
4
6%
なし
3
4%
独自 ROS SSM なし

自律走行や地図構築（SLAM）に使用した既存ソフト
ROS で標準的な navigation
と slam_gmapping が多い
Autoware も多い
Cartographer は意外に少ない
（試用して諦めたとの声も）
製品である Stencil の利用も
Visual SLAM では RTAB-Map
と ORB-SLAM
16
18
20
1
1
8
2
1
1
2
1
0 5 10 15 20 25
ROS navigation
ROS slam_gmapping
ROS hector_slam
ROS slam_karto
Autoware
Cartographer
MRPT
Kaarta Stencil
RTAB-Map
ORB-SLAM

地図構築（SLAM）の手法
Laser SLAM が圧倒的多数
ただし、グラフベース SLAM
はまだ少ない
RGB-D、Visual SLAM は少数
SLAM 不使用チームの戦略
 オドメトリ地図で教示再生
 GNSS
 トポロジカル地図
 End-to-End 学習
17
13
25
8
2
2
15
0 5 10 15 20 25 30
Laser スキャンマッチング
Laser ベイズフィルタ
Laser グラフベース SLAM
RGB-D SLAM
Visual SLAM
SLAM 不使用

地図の種類
2次元メトリック地図が最多
3次元メトリック地図も多い
トポロジカル地図や事前地図
なしでのチャレンジも
18
2次元メトリック
（形状）地図
39
58%
3次元メトリック
（形状）地図
15
22%
トポロジカル
（位相）地図
4
6%
事前地図なし
6
9%
その他
3
5%
2次元メトリック（形状）地図 3次元メトリック（形状）地図
トポロジカル（位相）地図事前地図なし
その他

地図の手動での修正や分割
半分以上が手作業で調整を
行っている
画像編集ソフトでの修正や、
部分地図に分割して手動での
位置合わせなど
19
あり
38
57%
なし
29
43%
ありなし

自己位置推定の手法
LIDAR によるベイズフィルタ
（主にパーティクルフィルタ）
が多い
カメラによる手法は少数
場所認識の手法も少数
GNSS は増加？
深層学習によるアプローチも
20
22
30
3
3
12
2
0 10 20 30 40
Laser スキャンマッチング
Laser ベイズフィルタ
Visual Localization
トポロジカル場所認識
GNSS
End-to-End 学習

経路計画・動作計画の手法
非常に多岐にわたる
占有格子地図でグラフ探索
Dynamic Window Approach
ポテンシャル法
Timed-Elastic-Band
Rapidly-Exploring Random Tree
State Lattice Planner
Pure Pursuit
End-to-End 学習
21
通常の経路計画・動作計画の手法
が大半
学習による方策獲得のチャレンジ
も行われている

信号認識や探索対象認識の手法
深層学習が半分以上
YOLO の利用が多い
従来のアプローチも使われて
いる
22
深層学習
18
64%
それ以外
10
36%
深層学習それ以外

信号認識や探索対象認識のプログラム起動方法
自律走行機能本体とは異なり、
必要なときのみ起動する枠組
みの構築が望まれる
常時起動で通信によりトリ
ガーする方法が最多
23
18
3
1
2
0 5 10 15 20
常時起動（通信でトリガー）
C++ から system()
Python から SWIG
シェルスクリプト

まとめ
技術調査アンケートに基づき、以下についてまとめた
 本走行／記録走行での走行距離、選択課題の成功回数
 失敗原因、今後の課題
 ハードウェア（プラットフォーム、コンピュータ、センサの分類など）
 ソフトウェア（OS、利用ソフト、手法の概要など）
挑戦的なアプローチとして、3次元地図、トポロジカル地図、カメラや
GNSS の活用、深層学習による行動計画などが挙げられる
24

つくばチャレンジ2018技術調査報告

Recommended

Recommended

More Related Content

Similar to つくばチャレンジ2018技術調査報告

Similar to つくばチャレンジ2018技術調査報告 (20)

More from Yoshitaka HARA

More from Yoshitaka HARA (7)

つくばチャレンジ2018技術調査報告