自動運転のためのリアルタイム測位技術の詳細説明

1 概要

自動運転車 (AV) が安全で効率的な運転を実現するには、リアルタイムで正確かつ堅牢な位置特定が不可欠であり、AV が意思決定に間に合うように現在の位置を認識するにはリアルタイムのパフォーマンスが重要です。これまで、さまざまなハードウェア プラットフォームとプログラミング言語に基づくさまざまなローカリゼーション手法間のリアルタイム パフォーマンスを定量的に比較し、ローカリゼーション方法、リアルタイム パフォーマンス、および精度の関係を分析したレビュー記事はありませんでした。したがって、この論文では、最先端のローカリゼーション技術について説明し、AV アプリケーションにおけるその全体的なパフォーマンスを分析します。

これをさらに分析するために、本論文ではまず、測位アルゴリズム動作能力 (LAOC) に基づく同等の比較方法を提案し、さまざまな測位技術の相対的な計算の複雑さを比較します。次に、方法論、計算の複雑さ、および精度の関係を包括的に説明します。分析結果によると、測位方法の計算複雑度は最大で約 107 倍異なり、精度は約 100 倍異なることがわかりました。 LIDAR ベースの測位と比較して、ビジョンとデータ融合ベースの測位技術は、精度を約 2 ～ 5 倍向上させる可能性があります。 LiDAR とビジョンベースの位置特定により、画像登録方法の効率が向上し、計算の複雑さが軽減されます。

LIDAR やビジョンベースの測位と比較すると、データ融合ベースの測位では、各独立したセンサーが最適な測位の可能性を実現するために複雑なアルゴリズムを開発する必要がないため、より優れたリアルタイム パフォーマンスを実現できます。 V2X テクノロジーは測位の堅牢性を向上させることができます。最後に、定量的な比較結果に基づいた AV の位置特定に関する潜在的な解決策と将来の方向性について説明します。

2 はじめに

自動運転車（AV）は、安全運転の確保、交通圧力の緩和、エネルギー消費の削減の可能性を秘めているため、将来のインテリジェント交通システムで重要な役割を果たすことが期待されています。現在、AVの研究は路上試験の段階に入っています。例えば、百度はカーブや特別な標示のない交差点などの複雑な道路シナリオでアポロ5.0システムをテストしました[1]。 Google Waymoプロジェクトは、米国の公道で1,000万マイル以上の路上テストと、シミュレーションでの70億マイルの路上テストも完了しています[2]。

しかし、AV が商品化される前に、業界はまだいくつかの重要な課題に対処する必要があります。これらの課題には、a) リアルタイムで正確かつ低コストの自己位置特定ソリューションを提案すること、b) リアルタイムで正確な環境認識モデルを実装すること、c) 複雑なシナリオでインテリジェントで安全かつ効率的な意思決定を実現することが含まれます。一方、環境認識および意思決定モジュールは、安全な運転を実現するために、自動運転車のリアルタイムかつ正確な自己位置決めに大きく依存しています。したがって、セルフポジショニングは AV の中核要素の 1 つです。さらに、衝突回避などの安全運転は、自動測位がミリ秒レベルのリアルタイム性能とセンチメートルレベルの精度を達成して初めて確保できる[3]。

代表的な方法として、マップマッチングアルゴリズムは、LIDAR[4]、レーダー[5]、カメラ[6]、V2X[7]を搭載した多くの測位ソリューションで広く使用されています。マップ マッチング方法の 1 つは、既存のマップを使用して検出された環境の特徴 (コーナーや道路標示など) をマッチングし、車両の位置情報を取得することです。もう 1 つの技術は、事前マップを必要としないアプリケーションで使用される SLAM です。環境モデル（マップ）を同時に構築し、順次マッピングすることで車両の位置特定を実現します。マッピング アルゴリズムは、主に、LIDAR、レーダー、カメラなどのさまざまなセンサーやそれらの組み合わせから抽出された抽象データに焦点を当てています。センサーベースの測位技術に関しては、車載センサーを利用して車両の絶対位置または相対位置を推定します。これについては以前のレビュー[8]で詳しく議論されている。

多くのセンサーベースの位置特定研究では、「センサー」が主要な位置特定センサーとみなされており、著者らは、いくつかの特殊なシナリオにおける位置特定課題に対処することを目指して、主にセンサーの測定に基づいた革新的なアプローチを模索しています。これは、測位システムが車両の位置特定に単一のセンサーのみを使用することを意味するものではありません。この概念を説明する例として、IMUベースの位置推定の場合、参考文献[9]では、IMUとオドメトリセンサーデータを使用して全地球測位システム（GPS）の停止やGPS信号のブロックによって引き起こされるシステムドリフトを排除することで、このような運転シナリオでの位置推定の堅牢性と整合性のパフォーマンスを向上させる相互作用マルチモデル（IMM）アプローチを提案しました。センサーベースの測位テクノロジーは、センサー、測位アルゴリズム、融合アルゴリズム、リアルタイムのパフォーマンスを満たすコンピューティング リソースの選択方法など、AV 測位システムの展開に役立ちます。

さらに、ローカリゼーション入力 (センサー ハードウェア) に焦点を当てることで、読者は精度、リアルタイム パフォーマンス、堅牢性、コストの観点から、さまざまなシステム展開の長所と短所をより深く理解できるようになります。したがって、この調査では、車載センサーから始めて、さまざまなセンサーベースの測位技術について説明し、次に V2X 測位技術について説明し、最後にデータ融合ベースの測位について説明します。

図 1 は、車載センサー、V2X、データ融合ベースのテクノロジーなど、さまざまな車両の自己位置特定テクノロジーを示しています。アクティブおよびパッシブ センサー ベースのテクノロジを含む車載センサー ベースの測位システムは、車載センサーを使用して周囲の環境を認識し、車両の位置を推定します。 V2X ベースの測位方法は、周囲の環境ノード (近隣の車両やインフラストラクチャなど) と通信して位置情報を受信します。これには、測位アルゴリズムに複数の参照座標を提供できる車両間 (V2V) および車両対インフラストラクチャ (V2I) ベースのテクノロジが含まれます。データフュージョンは位置を直接センシングする方法ではなく、後処理による位置センシング技術です。目標は、さまざまなセンサーからの測定値を融合して、単一のセンサーで得られる結果よりも優れた結果を得ることです。

アクティブ センサー ベースの位置特定では、車載センサー (LIDAR、レーダー、超音波センサーなど) を使用して周囲の環境をアクティブに認識し、車両の位置を推定します。それらの測距原理は同じで、到着時間 (TOA) 方式に基づいています。これらは信号搬送波が異なり、LIDAR、レーダー、超音波センサーの場合はレーザー、無線、超音波となります。信号搬送波の波長の違いにより、これらのセンサーのコストと精度に大きなばらつきが生じます。例えば、ライダーは一般的にコストが最も高いが精度が最も高く、超音波の場合はその逆である[10]-[13]。

パッシブセンサーベースの測位は、環境情報を受動的に受信し、そこから車両の位置を計算します。センサーには、GPS、IMU、ビジョン（単眼カメラまたは双眼カメラなど）が含まれます。 GPS では、空間三角測量法に基づいて車両の位置 (2～10 m) を取得するために、開けた空の領域に 3 つ以上の衛星が必要です。 GPS の利点は低コストですが、都市環境ではマルチパスや非見通し (NLOS) エラーが発生し、位置更新速度が遅くなることがよくあります。 IMU は、高周波サンプリング レート (>100Hz) を使用して車両の加速度と回転速度を測定します。

したがって、初期姿勢が与えられれば、推測航法によって車両の位置と向きを推測することができる[14]。 IMU は位置更新速度が速く信頼性も高いですが、累積誤差が大きくなりやすいという欠点もあります。ビジョンベースの位置特定では、単眼カメラまたはステレオカメラからの画像を入力として使用して車両の位置を推定します。これは、平面の三角測量に基づいて障害物の位置を決定する人間の視覚システムに似ています。画像内の豊富な環境情報は、適切な照明条件下では満足のいく位置特定パフォーマンスを提供できますが、大量のメモリとコンピューティング リソースを消費します。

V2V ベースの測位とは、専用短距離通信 (DSRC) または長期進化技術を使用して他の車両の位置を特定し、それによって車両の位置精度を向上させる、車両アドホック ネットワーク (VANET) 内の自律走行車を指します。 V2I ベースの位置特定とは、対象車両と静的インフラストラクチャ間の通信を指し、正確に知られている位置を使用して対象車両の位置を特定します。インフラストラクチャの種類には、磁気タグ、無線周波数識別 (RFID) タグ、路側ユニット (RSU)、GPS 基地局などがあります。 V2Xベースの測位は、地球全体で広い認識範囲（300m[15]）を持ちますが、ネットワークの遅延や都市の混雑の影響を受ける可能性があります。

既存の自己位置特定技術を要約し、その長所と短所、および各センサーベースのアプローチの潜在的な用途について包括的に議論した調査が多数公開されています。ただし、さまざまなローカリゼーション方法を評価する場合、最新のレビュー論文では次の点にのみ焦点が当てられています。

• a) 経済的で信頼性の高い測位技術[8]。ここで、経済的とは測位システムのコストに相当し、信頼性とは測位性能（精度と信頼性を含む）に相当し、これらの技術はさまざまな運転シナリオ（例：雪の降る天候）で実装できます。
• b) 精度、信頼性、可用性[16]、可用性は、トンネル内のGPSベースの測位システムや通信遅延がある場合のV2Vアプローチなど、さまざまな環境で測位システムを利用できることに対応する。
• c) 堅牢性と拡張性[17]、[18]。堅牢性とは、季節や交通状況の違いにかかわらず、長期間にわたって低い故障率で測位システムが動作することに対応し、拡張性は、大規模な自動運転に対応する車両の能力に対応します。

自動位置推定のリアルタイム性能は、AV の安全運転を評価するための重要な指標の 1 つです。上記の調査では、研究者は測位システムを設計する際に、さまざまな技術の計算負荷とリアルタイム性能を慎重に考慮する必要があるとも述べられています。しかし、これまでのところ、さまざまな自己位置特定技術のリアルタイム性能を比較し、詳細に議論した調査はありません。ドライバーの行動と意思決定プロセスの反応時間を比較することによって[28]。障害物を感知した瞬間から制御アクションを実行する瞬間までの AV 動作の反応時間を示すために文献レビューを実施しました (表 I を参照)。コンピューターシミュレーションと実際のテストによると、安全運転の要件を満たすために、AV の意思決定プロセス全体の反応時間は通常 0.5 秒に短縮されます。ただし、極端なケースでは、検出および認識モジュール、計画および決定モジュール、実行モジュールに約 0.5 秒かかり、ローカリゼーション モジュールに予約される実行時間が非常に限られてしまいます。

したがって、高速なリアルタイム位置特定ソリューションは、意思決定などの AV システムの他のモジュールのコンピューティング リソースを節約し、安全な運転を確保するための複雑な戦略を実装できます。現在、さまざまなハードウェア プラットフォームとプログラミング言語で、さまざまな位置決めソリューションのリアルタイム パフォーマンスが紹介されています。各自己位置特定研究論文で提供されるデータを直接使用してリアルタイム パフォーマンスを比較することは意味がなく、AV におけるメモリとコンピューティング リソースの相対的な消費を反映しません。また、ローカリゼーション システムのリアルタイム パフォーマンスと展開コストに関連する、さまざまなローカリゼーション ソリューションの計算の複雑さを同じベンチマークで定量化する調査も行われていません。本論文の目的は、既存の最先端の測位技術を研究し、各ソリューションに提案されている革新的なアルゴリズムや方法、およびリアルタイム性能、精度、堅牢性の観点から見た全体的な測位性能に焦点を当て、さまざまなハードウェア プラットフォームとプログラミング言語に基づくさまざまな測位ソリューション間の相対的なリアルタイム性能を定量的に比較するための同等の方法を提案し、最後に、既存の測位技術を要約し、AV における定量的な比較結果に基づいて潜在的なソリューションと将来の方向性について議論することです。表 II は、私たちの調査と最近の既存の調査との関係および相違点をまとめたものです。

写真

3 アクティブセンサーによる位置測定

LiDARベースの測位

LiDAR ベースの位置特定には通常、ポイント クラウド データまたは LiDAR 反射強度データと一致するための事前に構築された参照マップが必要です。しかし、事前の地図がない場合には、SLAM 技術を使用して、以前に生成された地図と一致するリアルタイム マップを構築します。 AVアプリケーションでは、高次元マップには豊富な特徴情報が含まれており、位置推定の精度が向上しますが、ストレージ効率が低下し、処理時間が長くなります[29]、[30]。

イムら[31]は、都市道路の両側にある建物の垂直角度に基づいて、マッチングと位置合わせのための1次元角度マップを作成した。彼らは反復エンドポイントフィッティングを使用して垂直角度の特徴を抽出し、垂直線の長さと方向に基づいて角度特徴マップを構築しました。次に、特徴マッチングとポイントクラウドデータを適用して車両の位置を計算しました。この方法では、抽出される特徴情報が少ないため、マッチング時間とマップデータファイルのサイズ（約 14KB/km）が削減されます。ただし、水平位置の誤差は最大で 0.46 m に達し、さらにこの方法は建物のないエリアには適用できません。文献[32]は、道路標示に基づく高密度道路反射率マップと垂直構造に基づく確率的占有グリッドマップからなる2D占有グリッドマップを構築した。まず、道路標示とコーナーの線の特徴を抽出して、1D 拡張線マップ (ELM) を構築しました。これらのフィーチャには、線の 2 つの端点の緯度と経度の情報のみが含まれます。次に、ローカリゼーション プロセス中にマッチングするために、ELM を 2D グリッド マップに変換しました。 [31]と比較して、[32]では精度性能を向上させるために道路標示機能を追加しましたが、この方法ではELMデータサイズが134KB/kmに増加しました。

LIDAR 位置特定のための 2 次元平面マップ マッチングは、現在の研究では非常に人気があります。例えば、Levinsonら[4]はSLAMスタイルの緩和アルゴリズムを使用して、潜在的な移動物体のない平坦な地面の反射率マップを作成し、部分フィルタ(PF)を使用してLIDARを相関させて車両の位置を取得しました。堅牢性をさらに向上させるために、参考文献[33]では、固定赤外線送金値として表される以前のマップの代わりに、送金値のガウス分布として表される確率マップを使用しています。これにより、マップ内の静止した物体と一貫した角度反射率をベイズ推論によって迅速に識別できるようになります。次に、オフライン SLAM を使用して、以前のシーケンス マップからの重複する軌跡を調整します。これにより、ローカリゼーション システムはマップを継続的に学習して改善できるようになります。文献[4]の方法と比較して、文献[33]は動的な都市環境におけるAVの位置推定精度と堅牢性を向上させます。ただし、どちらのアプローチでも、マップ データのサイズは 1 マイルあたり約 10 MB に増加しました。その他の関連アルゴリズム[29]、[35]～[42]については、それぞれの論文を参照してください。

3D マップベースのマッチングには環境オブジェクトの高さ情報が含まれているため、より正確な位置決めを実現できます。文献[43]は道路標示の特徴を抽出して3Dマップを構築した。次に、システムは正規分布変換 (NDT) を使用して不確実性情報を処理し、PF に基づいて堅牢性と正確な位置決めを導出します。しかし、3D NDT法では、NDボクセルを保存するために大量のメモリが必要になる可能性があり（マッチングに使用される3D NDボクセルの総量は最大100MB [30]）、その結果、位置特定時間が第2レベルと同じくらい長くなります[44]。 Liら[45]は、3D占有グリッドマップを構築し、ハイブリッドフィルタリングフレームワーク（すなわち、立体カルマンフィルタとPFの組み合わせ）を使用して大規模な屋外位置推定を計算し、マップデータのサイズを縮小することを提案した。実験では、データ量が削減されたにもかかわらず、提案された方法は安定した信頼性の高い測位性能を維持できることが示されており、測位誤差は 0.097 m 未満です。

レーダーによる測位

ライダーやビジョンベースの位置推定と比較して、レーダーベースの位置推定は、高いメモリ効率と低い計算負荷により、リアルタイムのパフォーマンス要件を満たすことができます[46]、[47]。しかし、レーダーベースのSLAMでは、非現実的な特徴が抽出されることがあり、マップマッチングでデータの誤登録が発生するリスクがあり、その結果、位置推定精度が低下するリスクがあります[5]。軌道指向の拡張カルマン フィルタ (EKF)-SLAM 技術は、フーリエ メリン変換を使用してレーダー画像を順次登録し、特徴を一致させずに車両の位置を計算して、そのような特徴によってもたらされるリスクを回避します。欠点は測位誤差が13m（平均値）に達することである[46]。

文献[48]は、半マルコフ連鎖をレヴィ過程に拡張し、長期的に変化する環境における堅牢性を向上させることを目指しており、推定位置誤差の83%が0.2m未満となっている。雨や雪の状況については、[49]は誤差伝播の不確実性をモデル化し、レーダー画像を照合して信頼性の高い位置特定を行う参照マップを作成しました。文献[50]では、密度ベースのフロークラスタリングアルゴリズムを使用して動的環境内のレーダー信号をクラスタリングするクラスタリングSLAM技術が提案されている。マップマッチングのために、測定ノイズのない環境スキャンが提案されています。 PF はマッチング結果を使用して車両の位置を計算するために使用されます。この技術で使用されるマップのサイズはわずか 200 KB です。

さらに、文献[51]と[52]では、測位速度をさらに向上させるために、空間とドップラーに基づく共同最適化フレームワークが提案されている。このフレームワークは、計算の複雑さを軽減できるスパース確率密度関数であるスパースガウス混合モデルを構築することによって参照ポイントクラウドを表現します。この方法の位置決めリフレッシュ レートは 17Hz に達します。文献[47]では、同じ道路のレーダースキャンデータを使用して参照地図を作成している。次に、反復最近点 (ICP) を使用してレーダー画像を照合し、車両の位置を推定します。最後に、推定値を平滑化するために EKF が適用されます。この技術により、必要なマッピング データのサイズが小さくなるため、マップ マッチングの計算負荷が軽減されます。しかし、課題は、一致させるために、同じモデルのセンサーからの最新データと、参照と同じ道路からのサンプルを取得することです。

さらに、文献[53]では、道路地下地図を作成するために、車載型局所地中探査レーダー（LGPR）システムを設計した。このシステムは、シャーシの下にレーダーを搭載して地面をスキャンするため、複雑な天候による信号干渉に耐えることができます。さらに、高い精度 (RMSE 12.7cm) と優れたリアルタイム パフォーマンス (約 126Hz のリフレッシュ レート) を実現できます。しかし、著者らは、より多くの乗用車を収容するためには、LGPR アレイの高さをさらに低くする必要があるとも述べています。

超音波測位

超音波ベースの位置特定は、超音波センサーが低コストであるため、屋内ロボットの位置決めに広く使用されています。しかし、検出距離が短く、周囲の温度、湿度、ほこりに敏感なため、AVポジショニングにおける超音波センサーの広範な応用は制限されています[54]、[55]。 Moussaら[56]はEKFアルゴリズムを使用して超音波ベースの補助ナビゲーションソリューションを実装した。このソリューションは、GPS が車両位置のドリフトを制限できず、システムの堅牢性を高めることができない場合に、超音波センサーを測位の主要センサーとして使用します。優れたリアルタイム性能（約92Hzのリフレッシュレート）を実現できますが、位置誤差は7.11mと高くなります。 Jungら[13]は、超音波センサー、エンコーダー、ジャイロスコープ、デジタル磁気コンパス、およびSLAM法を使用して車両の絶対位置を推定しました。この方法の平均位置更新時間は 10.65 秒と長くなります。さらに、SLAM 計算プロセスが長いと、測位システムが更新される前に IMU によって発生した累積エラーが発生する可能性があります。したがって、位置精度要件を満たすことができる平均走行距離は約 5.2 m にすぎません。結論として、超音波ベースの測位技術は、低コストで低電力の測位システムを実現できます。しかし、その測位精度と堅牢性は、依然として自動運転の要件を満たすことができません。

話し合う

LIDARベースのマップマッチング技術における正確で堅牢な特徴検出方法は、AVの位置特定における精度と堅牢性を向上させることができる[57]。要約すると、LiDARベースの1Dマップマッチング技術に関する限り、この方法は、参考文献[31]および[32]に示されているように垂直角度などのいくつかのプロファイルされた線のみを特徴として使用するため、特徴登録における計算負荷とメモリ使用量は低くなります。

しかし、このアプローチでは、道路沿いに垂直の建物が存在しないという課題に対処する必要があります。 1D マップと比較すると、2D マップにはより豊富なフィーチャ タイプが含まれますが、より多くのマップ ストレージ スペースが必要になります。強度ベースの 2D マップ手法により、雪道シーンでの道路表現を強化できます。ハイブリッドマップベースのアルゴリズムは、メモリ使用量を削減し、文献[38]に示されているトポロジカルメトリックマップなどのリアルタイムパフォーマンスと位置推定精度のトレードオフに対処できます。 3D マップベースのマッチング アルゴリズムは、3D 機能のメリットを生かした正確で堅牢な位置を取得できます。

ただし、1D マップや 2D マップ ベースの方法と比較すると、最大のコンピューティング リソースが必要になるため、AV ローカリゼーション システムの導入コストが増加します。高価なLIDARベースの測位と比較すると、レーダーは費用対効果の高いソリューションですが、ミリ波レーダーによって取得される環境モデルの解像度が低く、物体の高さ情報が不足しているため、測位システムが堅牢性と精度を実現することは困難です。現在、レーダーは車両と障害物間の距離を検出するための補助測位センサーとして広く使用されています。超音波センサーの検出範囲（約 3 メートル）により、超音波ベースの測位は、複数の参照ターゲットが近距離にある自動駐車などの短距離測位アプリケーションで主に使用されることが決定されます。

4 パッシブセンサーによる測位

GPSベースの測位

GPS は、AV に低コストで効率的な測位ソリューションを提供できます。しかし、GPSはNLOS、マルチパス、都市部での信号遮断などの影響を受けることが多く、これらはすべて信頼性の高い車両位置測定を提供するという目標にとって課題となります[58]、[59]。

現在主流となっているGPSベースの測位では、異なるソースからの測定値の融合[60]、外れ値信号のフィルタリング[61]、地図支援[62]などの位置補正技術によって精度と信頼性が向上しています。文献[63]は、GPS、RFID、V2Vなどの他のソースからの測定値を融合することでGPSベースの測位を改善しています。著者らはさまざまなデータソースの精度を分析し、冗長な接続を除外しました。 GPS が劣化した環境での堅牢性要件を満たすために、必要な精度の接続のみを保持します。提案手法の位置精度は約2.9mで、計算量は[64]の約0.8%である。文献[61]では、GPSベースの測位の堅牢性を向上させるために、GPS異常信号の識別と処理のフレームワークが提案されている。フレームワークは、元の GPS の品質に応じて、元の GPS、推定された GPS、または異常な信号が除去された GPS を出力することを決定できます。これまでの2つの手法とは異なり、Luら[65]は低精度のオープンソースマップをマッチングさせることでGPSの精度を向上させました。しかし、この方法の限界は、道路交差点の車線標示の特徴を抽出することが難しいことです。同時に[66]は異常なGPS信号を除去し、デジタル地図の地形高度補助を組み合わせることで、全地球航法衛星システム（GNSS）に基づく測位方法を提案した。文献[67]はNLOS信号の遅延を一致させることでGNSSの精度を向上させた。しかしながら、[66]と[67]の位置RMS誤差は都市部では依然として約10mと高い。要約すると、スタンドアロンの GPS 受信機を使用して信頼性が高く正確な車両位置測定を実現することは困難です。

IMUベースの測位

IMUは慣性航法システム（INS）の構成要素であり、加速度とピッチレートを測定でき、強力な耐干渉機能を備えている[68]。しかし、誤差が蓄積されるという欠点があるため、自動運転システムでは IMU を使用して長距離の位置を計算することはできません。この文脈において、IMUはバックアップセンサーとして、または主要な測位センサーの短時間の停止中に継続的な測位を確保するための融合ソースの1つとして広く使用されています[69]。

文献[70]では、都市部での精度性能を向上させるために、推測航法（DR）に基づく密結合（TC）方式の使用を提案した。文献[71]では、GPSが無効な環境でも連続測位を実現するために、異常なGPS測定を抑制した改良TCを使用している。王ら[72]は、自己回帰、移動平均予測モデルと占有グリッド制約のセットに基づく方式を提案し、測位精度をさらに向上させました。この方式は、DRシステムの累積誤差とGPSのマルチパス干渉も削減できます。その他の関連アルゴリズム[73]-[76]については、それぞれの論文を参照してください。 DR方式に加え、IMUが出力するピッチレート信号のパターン認識によって車両位置を計算することもできます。この方法の原理は、ピッチレート信号を分析して車両の振動と動きのパターンを抽出することです。次に、事前に構築されたインデックス マップを使用してパターン マッチングを実行し、位置を推定します。この手法には累積誤差がないため、妥当な精度（約 5 m）が得られます。しかし、測定ノイズの影響を受けやすいという欠点がある[68]、[77]、[78]。

視覚ベースのポジショニング

視覚ベースの位置特定は通常、妥当な精度を達成できます。マルチコアCPUとGPUの普及とそれらの強力な並列画像処理機能により、このような位置決め方法の計算複雑性の負担が軽減されました[79]、[80]。

文献[81]では、4台の魚眼カメラ、事前に構築された地図、および現在の車両の姿勢を使用して、自動駐車シナリオで指定された範囲内の対称的な駐車マークを検出します。検出結果は、事前に作成されたマップと照合するための方向マーカーとして使用されます。この方法により、平行位置誤差 0.3 メートル、測位時間 0.04 秒で車両測位を実現できます。 Duら[82]は、特徴マッチングのために画像から車線を効果的に抽出するための改良された順次RANSACアルゴリズムを開発しました。車線のあるシーンでは、位置誤差約0.06mと位置決め更新レート0.12秒を達成しました。文献[83]では、道路のランドマークに基づいて特徴マッチングのための軽量3Dセマンティックマップを構築し、残差登録誤差を最小化して車両の位置を推定した。このマップによりメモリ使用量が削減され、画像マッチングの反復回数が 4 回のみになります。ただし、このアプローチの欠点は、曲線道路のシナリオで使用する場合、さらにテストが必要になることです。その他の関連アルゴリズム[6]、[84]、[85]、[86]、[87]については、それぞれの論文を参照してください。

一方、文献[88]では、参照マップから撮影画像に近い可能性のあるノードの集合を取得するためのトポロジカルモデルを開発した。次に、抽出された全体的な特徴を最も近いノードの可能性のあるノードと照合しました。最後に、ノードの特徴を画像内のローカル特徴と関連付けることで、0.45 m の位置精度で信頼性の高い車両位置決めが実現されます。しかし、この方法は照明に対する感度に問題があり、位置特定に失敗する可能性があります。文献[89]では、全方向画像データセットから意味的記述と特徴抽出を行い、トポロジカルマップを構築するための拡張ハル変換法を提案した。この研究では、シーン認識にコンテンツベースと特徴ベースの画像検索手法を組み合わせ、認識結果をトポロジカルマップと照合することで、明るさが変動し、障害物が動的に存在するシーンでも約 85.5% の信頼度で堅牢な位置特定を実現します。しかし、この技術の課題は、位置更新サイクルが 2 秒もかかることです。

話し合う

要約すると、パッシブ センサー ベースの位置特定技術の分析により、低コストの AV 位置特定を実現する上で大きな利点があることがわかります。ただし、スタンドアロンのパッシブ センサーでは精度と堅牢性の要件を満たすことができないことに注意してください。 GPS は、NLOS、マルチパス、または都市部での信号ブロックの影響を受けることが多く、測位の一貫性と整合性に課題が生じます。 GPS ベースの測位は、さまざまなソースからの GPS 測定、欠陥信号の境界、およびマップ補助を融合することで改善できます。 GPS 信号が利用できない場合、DR システムはリアルタイムで一貫した車両の位置を提供できます。

例えば、[9]に示されているように、DRベースのIMMアプローチはシステムドリフトを低減し、GPS停止またはGPS信号ブロック環境における測位の堅牢性と整合性を向上させます。ただし、GPS ベースおよび IMU ベースの測位では、GPS-IMU 信号の長期的な異常下での精度、一貫性、整合性のパフォーマンスをさらに向上させる必要があります。ビジョンベースの測位では、0.14 メートルの測位 RMSE を達成できます。しかし、適切な位置決め時間を実現するには、通常、加速のためにシステムに GPU を搭載する必要があります。

さらに、暗い場所や悪天候（霧や雨など）でのカメラの信頼性については、さらに研究が必要です。上記の議論は、データ融合技術が、複数の低コストのセンサーを融合することでコスト効率の高い位置決めソリューションを実現するトレンドになることを示しています。同時に、参照[90] - [93]のセンサー障害検出および識別方法に関する最新の研究は、IMMに基づく障害識別方法、複数のモデル、ファジーロジックなどに基づく障害検出方法など、ポジショニングの堅牢性を改善する上で重要な利点があることを示しています。将来の研究では、これらの手法と欠陥データモデリング方法に焦点を当てる必要があります。

5 V2Xベースのポジショニング

V2Vベースのポジショニング

V2Vベースのポジショニングでは、Vanetの下での正確なポジショニングを実現するために、高精度センサーを装備するための車両を装備する必要はありません。代わりに、他の接続された車両から粗いポーズ情報を融合することにより、合理的な位置の精度を達成できます[94]。しかし、その欠点は、道路上の参加車両の不十分または不十分な分布が、局所化の精度が不十分になる可能性があることです[95]、[96]。

Liu et al。彼らは、分散位置推定アルゴリズムを使用して共有データを融合し、約4メートルのポジショニング精度を達成しました。このソリューションは、ランダムノイズの影響を減らし、車両間の距離を計算する精度を改善します。参照[97]は、ベイジアンアプローチを使用して、ターゲット車両のGPS位置情報と、車両のローカリゼーションのために他の車両からの車両間距離を融合することを提案しました。この方法では、ポジショニングの不確実性を大幅に減らすことができます。データ融合を達成するために参加車両に事前定義された動的モーションモデルを要求するという課題を排除するために、参照[98]は、車両の現在の場所についての信頼を計算します。次に、到着角度とTOAテクニックを使用して、隣接する車両の相対的な位置を示す車両間距離を測定しました。最後に、隣接する位置の加重合計を計算することにより、車両の位置が推定されます。この方法の位置精度は約1.95mですが、リフレッシュレートは1.4秒ほど高く（ネットワークに接続された7台）。他の関連するアルゴリズム[99] - [103]については、特定の論文を参照してください。

V2Xベースのポジショニング

V2iベースのローカリゼーションは、近くのインフラストラクチャの位置に基づいて車両の位置を推進します。正確でリアルタイムで堅牢なポジショニングパフォーマンスを実現できます。 V2Iテクノロジーの利点には、インフラストラクチャの高精度の位置付け、時間とは無関係に安定したデータソース、および計算の複雑さが低いことが含まれます。

参考文献[104]および[105]は、磁気マーカーに基づいてV2Iの局在化を提案しました。第一に、ユニークなガウス極アレイ分布を備えた磁気マーカーは、道路上の特定の間隔で配置され、各マーカーの位置と分布はデータベースに保存されます。次に、各マーカーが検出され、そのガウス分布は車両の移動中に計算されます。最後に、車両の場所は、データベースでこの分布を検索することにより決定されます。この方法は、歪みの影響を最小限に抑え、センチメートルレベル（<10cm）の位置決めの精度を達成します。低コストのRFIDリーダーやRFIDタグを含むRFIDテクノロジーも、ポジショニングに使用されます。 RFIDタグは路面に展開され、RFIDリーダーを装備した車両はタグ[106]、[107]に基づいて場所を決定できます。欠点に関しては、これらのテクノロジーは高密度インフラストラクチャを必要とし、インフラストラクチャの輻輳の影響を受けやすいです。他の関連するアルゴリズム[108] - [113]については、特定の論文を参照してください。

話し合う

V2Xポジショニングテクノロジーのレビューから、V2VソリューションとV2Iソリューションの両方が高価な専用ハードウェアを必要としないことがわかります。 V2Vベースのソリューションの場合、道路上の参加車両の十分かつ均一な分布により、ローカリゼーションの精度と堅牢性が向上する可能性があります。ただし、車両の数が増えると、精度を大幅に改善することなく、システムの計算オーバーヘッドが高くなる可能性があります。ノード間に階層構造を作成するための効率的なクラスターアーキテクチャは、Vanetの下で長距離の正確なV2V通信サービスを提供できます。

このようなアーキテクチャに関するさらなる調査を通じて、車両間の正確な情報交換の課題を克服することができます。 CMMメソッドは、アンテナ間のマルチパスエラーを排除する潜在的な方法を提供できますが、伝播信号遅延の問題をさらに解決する必要があります。 V2Xシステムの信号遅延は、10ms以内になることをお勧めします[3]。信号の劣化とパケット損失の問題は、ネットワークパラメーター（例：データボーレート、伝播頻度、アンテナパワーなど）を最適化することで対処できます。これは、以前の調査で詳細に説明されています[8]。 RFIDベースのV2Iシステムは、費用対効果の高いAVポジショニングを実現できます。

ただし、これらのアプローチには高密度インフラストラクチャが必要であり、インフラストラクチャの輻輳の影響を受けやすいです。 RFIDベースのテクノロジーは、動物園でのツアーバスや港での積み込みトラックなど、AVSが固定ルートで移動するアプリケーションに最適です。 RSUの高さ、伝播角、および伝送力との関係を最適化すると、RSUベースのV2Iポジショニングを実現するために、広い信号強度とネットワークカバレッジを確保できます。ただし、ポジショニングの精度を向上させるには、信号遅延をさらに解決する必要があります。

データ融合に基づく6ポジショニング

マルチセンサーに基づくデータ融合位置

以前の議論は、AVローカリゼーションの精度、リアルタイム、および信頼性の要件を満たすことができるスタンドアロンセンサーがないことを示しています。複数のセンサーからのデータ融合は、正確でリアルタイム、信頼性の高い自己ローカリゼーションを達成するための大きな可能性を示しています。

参照[114]は、低コストセンサーを使用して費用対効果の高いAVローカリゼーションを実現するための車両ダイナミクスモデルと車両運動学モデルで構成されるインタラクティブマルチモデル（IMM）フィルターを開発しました。 GPSデータと車両内センサー（つまり、ホイール速度センサーとステアリング角度センサー）データがこのフィルターに使用されます。 IMMフィルターは、さまざまな運転シナリオに基づいて、データ融合実装に適したモデルを比較検討できます。

この方法では、32ビット組み込みプロセッサで合理的なポジショニングパフォーマンスを実現できます。参照[115]は、GPSや慣性センサーなどの低コストセンサーデータを融合するために、3つのIMMベースのUKFSを使用してモデルを構築することを提案しました。このモデルは、慣性センサーからの不確実性ノイズのほとんどを減らし、位置決めエラーを予測および補償し、GPSの停止中に1.18メートルの位置の精度を達成できます。強い加速、高速ターン、および開始と停止などの動的な操作については、Ndjeng et al。彼らは、IMMベースのローカリゼーションの堅牢性パフォーマンスは、EKFベースの車両ダイナミクス操作の高い変動性よりも優れていると実際の実験を通じて結論付けました。他の関連するアルゴリズム[117] - [131]については、特定の論文を参照してください。

マップベースのデータ融合位置

マップベースのデータ融合技術は、マルチセンサー測定に基づいており、マップ情報を追加することによりポジショニングパフォーマンスを改善します。たとえば、Suhr et al。これらは、レーンとロードマーキングの機能をキーポイントのセットとして表し、将来の見通しカメラモジュールを使用してキャプチャされた画像を処理します。このソリューションは、メモリの使用量と計算オーバーヘッドを減らすことができます。

Cai et al。高解像度マップを使用して、カメラのGPS位置と横方向の距離を修正し、両方の情報を融合データとして使用しました。純粋なGPSポジショニングと比較して、この方法の位置誤差は1/3に減少します。 Gruyer et al。

彼らは最初に、車両の左側と右側にある車両と道路マーキング間の距離を、2つのサイドカメラを介して推定します。次に、EKFを使用して、GPSおよびIMUセンサー測定を介して車両の位置を推定しました。最後に、彼らは、以前に推定された車両の位置を、ポイントツーラインセグメントベースのマップマッチングアルゴリズムによって得られた一致セグメントの位置を組み合わせて、ポジショニングの精度と信頼性をさらに改善しました。その他の関連するアルゴリズム[136] - [139]は、特定の論文を参照できます。

話し合う

分析によると、低コストのマルチセンサー（GPS、IMU、カメラ、臭気など）に基づくテクノロジーは、自律車両の費用対効果の高い商用ポジショニングソリューションを提供できることが示されています。 GPS測定を統合するマルチセンサーデータ融合技術は、GPSの整合性の問題を解決するために依然として必要です。 IMMベースの融合方法は、慣性センサーからの不確実なノイズのほとんどを減らし、GPS中断またはGPS信号ブロック中のポジショニングの精度と堅牢性を改善することができます。ただし、IMMの位置決め誤差は依然としてメーターレベルに達します。

欠陥データを間隔としてモデル化することにより、インターバル方法は、高い完全性と一貫性を備えた車両の位置決めを実現できます。メソッドの位置決めRSSEと更新時間は、それぞれ約15 cmと約170ミリ秒です。スペーサーテクノロジーは、潜在的な収束ベースのポジショニングソリューションを市場に提供できます。ただし、さまざまな複雑な環境での全体的なポジショニングパフォーマンスには、完全なAVを達成するためにさらに検証が必要です。マップとの融合への共同アプローチは、正確で堅牢なポジショニングソリューションも可能にします。

たとえば、参照[136]は、複数のセンサー（GPS、カメラなど）、スラム、マップを使用した融合による位置決めの精度と堅牢性を高めることができる共同アプローチを示しています。さらに、さまざまなセンサーの障害検出技術と識別技術は、より堅牢なAVポジショニングを確保するために注意を払うことができます。要約すると、上記の議論は、データ融合ベースのテクノロジーが、経済的、リアルタイム、正確性、堅牢性の間の商用自動運転車の位置的パフォーマンスを比較検討する大きな可能性があることを示しています。

7精度とリアルタイムのパフォーマンスディスカッション

ポジショニングパフォーマンス評価に関する関連作業

リアルタイムで正確で堅牢なAVポジショニングは、安全な運転を確保するための重要な要素の1つです。さまざまなポジショニングテクノロジーのパフォーマンス比較により、AVシステムのセンサーの選択と研究目的を導くことができます。さまざまなポジショニングアルゴリズムの精度と堅牢なパフォーマンスの比較に関連する多くの作業が公開されています。 Zhang et al。 Zhang et al。

さらに、Mourllion et al。 Gruyer et al。 ndjeng et al。これまでのところ、リアルタイムのパフォーマンスをポジショニングと比較した仕事はほとんどありません。参考文献[6]および[149]は、CPUプラットフォームとGPUプラットフォームに基づいて、同じソリューションの位置時間を比較します。参考文献[143] CPUとGPUでフィルタリングアルゴリズムを実行して、実行時間を比較します。

ただし、上記のリアルタイムパフォーマンスの比較は、さまざまなプラットフォームで同じアルゴリズムのみを実行します。さまざまなポジショニングソリューションのリアルタイムパフォーマンスは、さまざまなハードウェアプラットフォームとプログラミング言語で実証されています。さらに、ソリューション全体の場所は、データ抽出と元の検索手順、コアロケーションアルゴリズムの実行、マップストレージ、更新（マップが使用されている場合）の影響を受けます。実際のテストなしで異なるソリューションの高速リアルタイムパフォーマンス比較を行うために、まず、さまざまな研究論文に示されているロケーション時間は、アルゴリズムだけでなく、完全な位置ソリューションに関連していると仮定します。第二に、各ソリューションで実行されているコードがすべての計算ソースを最大限に活用していると仮定します。したがって、さまざまなソリューションのローカリゼーション時間を、異なるハードウェアコンピューティング機能とプログラミング言語実行効率に基づいて、同じベンチマークに変換できます。さまざまなソリューションのリアルタイムパフォーマンスをほぼ定量的に比較できます。

同等の比較方法

さまざまなポジショニングテクノロジーの議論は、AVポジショニングが主にハードウェアプラットフォームとしてCPUとGPUに依存していること、およびMATLABとC/C ++がプログラミング言語として依存していることを示しています。誰もが知っているように、異なるハードウェアには異なるコンピューティング能力があります。たとえば、フィルタリングアルゴリズムを使用してLIDAR 3Dポイントクラウドデータを処理する場合、GPUはCPUの52倍高速です[143]。プログラミング言語の場合、C/C ++は、実行前に機械言語に翻訳されるコンパイルされた言語です。 Matlabは、実行中に通訳によってコードの各行を読み取り、解釈する必要がある解釈言語であり、コンパイルされた言語よりもはるかに遅くなります[144]、[145]。したがって、さまざまなポジショニングテクノロジーのリアルタイムパフォーマンスを比較する場合、ハードウェアとプログラミング言語を使用する要因を考慮する必要があります。

最初のステップとして、CPU/GPUシリーズとCPUとGPU間のアルゴリズム操作機能（LAOC）を配置する等価変換係数（LAOC）を決定する必要があります。 CPU/GPUファミリーのすべてのCPU/GPUは、さまざまなポジショニングテクノロジーを備えたハードウェアプラットフォームから派生しています。このホワイトペーパーでは、配置アルゴリズムには通常SPFP操作が含まれるため、GPU/CPUファミリーのLAOC等価変換関係を決定するために、単一精度の浮動小数点（SPFP）ピーク性能を使用しています。 CPUファミリーでは、SpecCPU®2006ベンチマーク[146]は、ハードウェアレベルでの異なるCPUの計算集約型パフォーマンスを比較するように設計されています。プロセッサ、メモリ構造、バスの要因に依存します。このベンチマークにより、異なるCPUのハードウェア性能の包括的な評価と比較が可能になります[147]。したがって、CPUファミリ間のLAOC同等の変換関係は、SPICFP2006 [148]に基づいており、CPU相対ピークフローティングポイント操作（FLOPS）パフォーマンスを1秒あたりに与えます。正規化のために、このペーパーに示されている相対ピークフロップパフォーマンスの最小値はベースラインとして使用され、そのlaoc等価変換係数が決定されます。表IIIに示すように、CPUシリーズ間のLAOC等価変換係数が使用されます。

写真

GPUシリーズの場合、FLOPS機能に影響を与える要因には、各コアFMAのサイクルあたりの周波数f、コア数、および単一精度の融合乗算および付加操作（FMA）が含まれます。 FMAは、選択したGPUの公式Webサイトにあります。理論的には、次の方程式を使用して、単一精度のピーク性能を推定できます。

写真

同じデータ送信と複製の場合、GPUの実際のSPFPコンピューティングパワーを表現でき、GPUシリーズ間の変換関係は基づいています。正規化のために、このペーパーでは、このペーパーで与えられた最小フロップのピーク性能をベースラインとして定義し、LAOC同等の変換係数が存在します。表IVに示すように、GPUシリーズ間のLAOC等価変換係数は、Aを使用して計算されます。

写真

CPUとGPUのLAOC同等の関係に関して、[6]は、アプリケーションのポジショニングにおけるCPUとGPUのコンピューティングパフォーマンスを比較する際に多くの代表的な作業を実施しました。この論文では、CPUとGPUの間の変換因子は、最新の研究結論に基づいています[6]。結論は、同じ方法でのGPUの位置決め時間がCPUの約45倍であることを示しています。著者は、ポジショニングのためにデュアルコアCPUにはコアが1つしかないと述べました。したがって、この論文は、[6]のCPUのピークフロップパフォーマンスは、表IIIに示すように同じデュアルコアCPUの半分であると考えています。 [6]では、CPUとGPUの間のLAOC等価変換係数が決定されます。

このペーパーでは、C/C ++をプログラミング言語ベンチマークと見なし、そのLAOC同等の変換係数が設定されています。 Matlabはに設定されています。

最後に、このペーパーでは、ハードウェアベンチマークとしてベンチマークピークフロップパフォーマンスを選択し、プログラミング言語ベンチマークとしてC/C ++を選択します。さまざまなハードウェアとプログラミング言語に基づくポジショニング時間は、比較のためにこのベンチマークに転送する必要があります。変換方法は、次の方程式によって与えられます。

写真

ここで、TRは実際の位置決め時間、TCはこの参照でポジショニング時間が実行されると想定される時間です。 TCは、各ポジショニングの相対的な計算複雑度手法を反映しています。

メソッド検証

この記事では、参照[29]を使用して、提案されたLAOCベースの等価比較方法を評価します。参考文献[29] CPUプラットフォームとGPUプラットフォームに基づいた同じソリューションの位置決め時間を比較します。 CPUおよびGPUのTRとTC、およびハードウェアとソフトウェアのLAOC等価変換係数HとSをそれぞれ表Vにリストします。表Vは、変換前の位置決め時間の違いが異なるハードウェアプラットフォーム（CPUとGPU）によるものであることを示しています。ハードウェアベンチマークのピークフロップパフォーマンスが最も低く、プログラミング言語が同じであるため、変換後のポジショニング時間は大幅に増加します。さらに、変換の結果は、これは、変換後のCPUおよびGPUに基づくポジショニング時間が類似していることを意味することを示しています。これは、ソリューションAとソリューションBの両方が同じソリューションであるが、異なるハードウェアプラットフォームに実装されているためです。したがって、LAOCに基づく同等の比較方法は合理的であり、異なるポジショニングソリューションを近似および定量的に比較するために使用できます。表VIは、式（2）を使用して計算されたさまざまなポジショニング技術の相対的な計算複雑さをまとめたものです。

写真

話し合う

1）精度とリアルタイムのパフォーマンス：このセクションでは、上記のすべての位置決め手法の計算の複雑さと位置誤差を定量的に比較します。図2は、LIDARベースのポジショニングでは、3Dマップベースの方法は、リッチな機能情報が含まれているため、精度の点で2Dマップベースの方法よりも優れていることを示しています。ただし、3D MAPベースのテクノロジーにより、メモリの使用量と計算負荷が増加し、アルゴリズムの計算の複雑さが高くなります。さらに、2Dマップベースの手法の精度の違いは小さいですが、計算の複雑さは方法によって大きく異なります。

たとえば、[29]の2D GMMマッチング手法は、[42]のマルチレイヤーRANSAC登録と2Dマップマッチング方法の組み合わせの約2000倍の計算の複雑さを持っています。 LIDARベースのポジショニング技術と比較して、レーダーおよび超音波ポジショニング技術は、低密度の電磁波を放出するため、計算の複雑さが低くなります。レーダーポジショニングの計算の複雑さと位置誤差は、LIDARと超音波位置の間にあります。超音波センサーの精度が低いため、超音波ベースの技術的位置の精度の位置精度は約10mです。

写真

図3は、Open Skyでの純粋なGPS位置では、GPSレシーバーが1Hzの周波数と2〜10mの精度で位置情報を出力し、車両オペレーティングシステムに制限されないことを示しています。他のセンサーベースのポジショニングと比較して、IMUベースのテクノロジーは、ポジションリフレッシュレートが高速であるため、最低の計算の複雑さを達成できますが、その累積エラーにより、10分間の運転時間内に約1mの位置決めエラーが発生します。視覚ベースのポジショニングの観点から、画像に含まれる豊富な環境情報は、Lidarベースのアプローチの複雑さと同様になります。ただし、画質とレンズの歪みの課題により、ビジョンは周囲のオブジェクトの範囲を正確に測定することはできません。したがって、その位置決めの精度は、LIDARベースのテクノロジーの精度よりも低いです。さらに、その計算の複雑さは参照マップの寸法とともに減少しますが、その位置の精度はそれほど変化しません。

写真

図4に示すように、V2Xベースのポジショニングは、LIDARやビジョンベースのポジショニングに比べてリアルタイムのパフォーマンスが向上していますが、信号の遅延または参加ノードの課題が不十分なため、その精度は不十分です。

写真

図5は、データ融合ベースのテクノロジーが、他のセンサーベースのポジショニングと比較して、精度とリアルタイムのパフォーマンスのバランスをとることができることを示しています。これは、各センサーの利点を利用して他のセンサーの欠点の影響を減らすためであり、各独立したセンサーは、最適な位置決めの可能性を実現するために複雑なアルゴリズムの開発を必要としないためです。

要するに、異なるセンサーベースのポジショニング技術の最大計算の複雑さは約10^7倍変化しますが、位置エラーは約100倍変化します。表VIIは、精度とリアルタイムのパフォーマンスの観点から、さまざまなセンサー技術のパフォーマンスをまとめたものです。

写真

2）アプリケーションシナリオ：AVアプリケーションの安全性運転要件を満たす精度とリアルタイムのパフォーマンスは、それぞれ位置エラーと位置出力頻度であり、要件はそれぞれ30cm [3]および100ms [151]未満です。分析によると、LIDAR、視覚、データの融合に基づく位置決めは、精度のパフォーマンスを満たす可能性があることが示されています。 LIDARおよびビジョンベースのテクノロジーは、リアルタイムのパフォーマンス要件を満たすために、高性能GPUやマルチコアCPUなどの強力なプロセッサを使用しています。データ融合ベースのテクノロジーは、複数の低コストセンサー（カメラ、GPS、IMUS、および上車両センサー）を組み合わせたものと、LIDARと視力に基づくものよりも計算の複雑さが少ない。要するに、融合技術は、費用対効果の高い自律的なポジショニングを達成する上でかなりの可能性を秘めています。

さらに、表VIIは、さまざまなシナリオでのポジショニングソリューションの選択をガイドすることもできます。歩行者や車両が交通に非常に関与している都市環境の場合、ポジショニングの精度とリアルタイムの要件は、他の一般的な運転環境と比較して最も高くなります。 LIDARベース、ビジョンベース、LIDARベースのデータ融合技術またはビジョンベースのデータ融合技術は、リアルタイムパフォーマンスのハードウェア展開コストを増加させる可能性がありますが、これらのテクノロジーは正確な位置決めの精度を達成できます。高速道路や郊外のシーンでは、AVの周りにある歩行者や車両が少なくなっています。これらのシナリオの精度要件は、都市環境のシナリオよりも低い場合があります。

ただし、AVSは、高速運転を満たすために、周囲の障害と高周波位置出力を感知するために長距離検出センサーを必要とします。したがって、長距離センサー認識とリアルタイムのパフォーマンスを備えた配置技術は、データ融合、レーダー、V2Vに基づくものなど、潜在的なオプションである可能性があります。専用のレーンの障害物が少なく、都市バスや観光バスとして使用されるAVSの低速があるため、精度とリアルタイムの要件は上記の要件よりも低くなっています。この場合、低コストのデータ融合、V2I、およびレーダーベースのポジショニング技術が好ましいオプションになる場合があります。自動駐車場のシナリオでは、検出距離とポジショニングのリアルタイムパフォーマンスは、上記のアプリケーションほど高くする必要はありません。したがって、低コストの超音波技術とレーダー技術が最も有望な選択かもしれません。

8結論

このペーパーでは、アクティブなセンサー、パッシブセンサー、V2X、およびデータ融合に基づいた最新の自己ポジションテクノロジーをレビューし、精度と計算の複雑さのパフォーマンスを定量的に比較します。 1Dマップおよび3Dマップマッチング方法と比較して、LIDARベースの2Dマップマッチング方法は、コスト、精度、リアルタイム、堅牢性の間の商用AVSポジショニングパフォーマンスのバランスをとるための最も重要な見通しを示しています。ただし、LIDARベースのポジショニングは、レーダーベースのポジショニング、ビジョンベースのポジショニング、V2Xベースのポジショニングなど、他のセンサーベースのポジショニングよりも高価です。

さらに、LIDARベースの（2D）ソリューションのリアルタイムパフォーマンスは、システムのコンピューティングパワーによって制限され、強力なCPU/GPU加速度が必要になる場合があり、AVSの展開コストが増加します。低コストのプロセッサを使用してポジショニングの更新時間を短縮するには、Lidarベースの（2D）ソリューションのさらなる改善が必要です。パッシブセンサーベースのポジショニングソリューションは、展開コストの低いコストに大きな利点を示しています。課題は、GPSベースのセンサーやIMUSなどの典型的なパッシブセンサーの場合、ポジショニングの完全性と一貫性により、AVSに適用することが依然として困難であることです。ビジョンベースのポジショニングにより、高精度の車両ポジショニングが可能になりますが、大量の画像データを処理するにはGPU加速が必要になる場合があります。

照明下または悪天候でのカメラの信頼性もさらに対処する必要があります。 V2Xテクノロジーは、Vanetの幅広い信号強度とネットワークカバレッジ全体で、費用対効果の高いAVポジショニングソリューションを提供できます。 RFIDベースのテクノロジーは、動物園の観光バスや容器の積み込みや港のアンロードトラックなど、固定ルートAVアプリケーションに非常に適しています。

ただし、V2Xシステムの信号遅延とパケット損失の問題は、ポジショニングの精度と一貫性を改善するためにさらに最適化する必要があります。他のセンサーベースのポジショニングソリューションと比較して、データ融合ベースのテクノロジーは、商用AVの経済性、リアルタイム、精度、堅牢なポジショニングパフォーマンスを比較検討する最大の可能性があります。たとえば、インターバル理論ベースの技術は、GPS、IMU、走行距離などの低コストセンサーデータを融合することにより、高い完全性と一貫性を備えた車両の位置付けを実現できます。商業化の前に、さまざまな変化する環境や長距離運転などのさまざまな運転条件の下で、テクノロジーをさらに調査および検証することが重要です。

さらに、リアルタイムと精度のパフォーマンスの比較分析により、異なるセンサーベースのポジショニング技術の位置エラーの最大差が約100倍であることが示されています。 LIDAR、ビジョン、データの融合に基づくポジショニングテクノロジーは、AVセーフドライビングの精度要件を満たす場合があります（30cm未満）。他のセンサーベースのテクノロジーと比較して、LIDARベースのテクノロジーは最適な位置決めの精度を実現し、異なるLIDARメソッドによって達成される位置精度は類似しています。さらに、高次元マップマッチングまたは強度ベースのマッチング方法は、位置エラーを約2〜3倍減らすことができますが、計算の複雑さを約20〜2000倍増加させる可能性があります。 LIDARベースのポジショニングと比較して、視覚的およびデータ融合ベースのポジショニングは、位置の精度を改善する可能性が約2〜5倍です。

リアルタイムのパフォーマンスに関しては、最大コンピューティングの複雑さは、異なるセンサーベースのテクノロジー間で約10^7倍変化します。精度に比べて改善の余地がたくさんあります。 IMU、超音波、マルチセンサー融合、レーダーベースの自己ポジションは、低コストのプロセッサを介した安全な運転のリアルタイムパフォーマンス要件（<100ms）を満たすことができますが、LIDARとビジョンベースのポジショニングは強力なプロセッサを使用してリアルタイムのポジショニングを実現できます。ただし、IMU、超音波、レーダーに基づくテクノロジーのポジショニング精度は不十分であり、AVSの補助ポジショニングソリューションとしてしばしば使用されます。

さまざまな方法と比較して、LIDARベースのテクノロジーは、計算の複雑さが最も高く、最大差は約2000回です。 LIDAR画像登録方法の改善に焦点を当てることで、LIDARベースのテクノロジーのリアルタイムポジショニングパフォーマンスを改善できます。視覚ベースのポジショニングの計算の複雑さは、LIDARベースの方法の複雑さと類似しており、最大差は異なる方法と比較して約1000倍です。キャプチャされた画像関連の効率と精度を向上させると、精度とリアルタイムのパフォーマンスが向上します。さらに、低次元の特徴を一致させると、計算の複雑さが低下する可能性がありますが、精度に大きな影響はありません。データ融合ベースのポジショニングは、LIDARやビジョンベースのポジショニングに比べてリアルタイムのパフォーマンスが向上します。各独立したセンサーは、最適なポジショニングポテンシャルを達成するために複雑なアルゴリズムの開発を必要としないためです。さらに、精度とリアルタイムのパフォーマンスの間で最高のバランスをとっています。要するに、LIDARに基づいたテクノロジー、ビジョンとデータの融合は、リアルタイムのパフォーマンスを依然として大幅に改善しています。

議論は、自律運転のすべてのポジショニング要件を満たすことができるセンサーがないことを示しています。単一センサーに基づいた他のテクノロジーと比較して、データ融合ベースのテクノロジーは、AVSの費用効率の高い自己ポジションを達成するための研究の焦点となります。 GPSやIMUなどの従来の収束情報源とは別に、V2Xは主に光と天候に対する優れた堅牢性のために有望なソリューションになります。幅広い検出範囲（約300m）があり、データソースを増やして安定性を向上させることができます。

ただし、精度、リアルタイムのパフォーマンス、堅牢性のトレードオフは、さらにさらなる研究が必要です。さらに、将来の研究では、堅牢で一貫したAVポジショニングを確保するために、センサー障害検出と識別技術と欠陥データモデリング方法に焦点を当てる必要があります。機械学習やディープラーニングなど、新しい新たな方法が台頭しています。人工知能アルゴリズムには機能を自動的に学習する可能性があるため、マップベースのポジショニングパフォーマンスを強化できます。我们让读者参考Fayyad等人最近的调查[152]，该调查对基于深度学习的定位进行了全面综述。