プロの高周波基板、高速基板、ICパッケージ基板、半導体テスト基板、HDI基板、リジットフレッキ基板、PCB設計とPCB メーカー
位置付けは自動運転の中でかけがえのない地位を占めており、将来的には有望な発展があります。現在の自動運転における位置付けはすべてRTKに依存して高精細な地図を配合しており、これは自動運転の着地に多くのコストと難度を増加させました。人間の運転を考えてみると、自分のグローバル高精細な位置付けや周囲の詳細な環境を知る必要はありません。グローバルナビゲーションパスがあり、そのパス上の車両の位置に合わせていれば十分ですが、ここに関連するのはSLAM分野の重要な技術です。
SLAMとは
SLAM（Simultaneous Localization and Mapping）、CML（Concurrent Mapping and Localization）とも呼ばれ、即時測位と地図構築、または同時構築図と測位とのことです。問題は、ロボットを未知の環境の未知の位置に配置し、ロボットがその環境の完全な地図を描きながら、ロボットがどの方向に進むべきかを決める方法があるかどうかを説明することができます。例えば、掃除ロボットは典型的なSLAM問題であり、完全な地図（a consistent map）とは、障害を受けずに部屋の中に入ることができる隅々まで進むことを意味します。
SLAMは1988年にSmith、Self、Cheesemanによって提案されていました。その重要な理論と応用価値のため、多くの学者は真の全自律移動ロボットを実現する鍵だと考えています。
シミュレーション人間が見知らぬ環境に来たとき、環境を迅速に熟知し、自分の任務（例えばレストランを探し、ホテルを探す）を遂行するためには、次のことを順番に行う必要があります。
a.建築、大木、花壇などの周囲のランドマークを目で観察し、特徴を記憶する（特徴抽出）。
b.自分の頭の中で、両目で得た情報に基づいて、特徴的なランドマークを3次元地図の中で再建する（3次元再建）。
c.自分が歩いている間に、新しい特徴的なランドマークを取得し続け、自分の頭の中の地図モデル（bundle adjustment or EKF）を修正する。
d.自分の前の時間に歩いて得られた特徴的なランドマークに基づいて、自分の位置を決定する（trajectory）。
e.何気なく長い道のりを歩いたとき、頭の中の従来のランドマークとマッチングして、元の道（loop-closure detection）に戻ったかどうかを見てみましょう。実際にはこの一歩はあってもなくてもいい。
以上の5ステップは同時に行われるので、SLMです。
レーザーSLAMと視覚SLAMについて
現在SLAMに使用されているセンサーは主に2つの種類に分けられ、レーザーレーダーとカメラがあります。レーザーレーダーには単線多線の分があり、角度分解能と精度にもそれぞれ長所があります。
VSLAMは主にカメラで実現され、カメラの種類は多く、主に片目、両目、片目構造光、両目構造光、ToFのいくつかの種類に分けられます。彼らのすべてはRGBとdepth map（深さ情報）を取得することです。
制作コストの影響で、視覚SLAMはここ数年ますます流行しており、低コストのカメラを通じて、リアルタイムの構築と位置決めを行うことは、技術的な難しさも非常に大きいです。ToF（Time of Flight）、将来性の高い深さ取得方法を例にします。センサは変調された近赤外光を放出し、物体に遭遇した後に反射し、センサは光線の放出と反射の時間差または位相差を計算することにより、被写体の距離を換算し、深さ情報を生成します。レーダーに似ているか、コウモリを想像してみてください。softkineticのDS325はToFスキーム（TIが設計した）を採用しています。しかし、受信機のミクロ構造は特殊で、2つ以上のシャッターがあり、psレベルの時間差を測定していますが、単位画素サイズは通常100 umのサイズなので、現在の解像度は高くありません。
デプスマップができてから、SLAMアルゴリズムが動作し始めました。センサーと需要の違いで、SLAMの提示形式は少し違います。大きく分けてレーザーSLAM（2 Dと3 Dにも分けられる）と視覚SLAM（Sparse、semiDense、Denseにも分けられる）に分けることができるが、その主な考え方は大同小異です。
SLAMアルゴリズムによって実現される要素について
SLAM技術は非常に実用的であり、同時に難易度もかなり高く、時刻に位置決めが必要な自動運転の分野では、SLAMの着地を完了するのも困難です。一般的に、SLAMアルゴリズムは実装時に主に以下の4つの側面を考慮してください。
1、地図は問題を表して、例えばdenseとsparseはすべてその異なる表現方式で、これは実際のシーンの需要によって選択する必要があります
2、情報感知問題、どのように全面的にこの環境を感知するかを考慮する必要があり、RGBDカメラFOVは通常比較的に小さいが、レーザーレーダーは比較的に大きいです。
3、データ関連問題、異なるsensorのデータ型、タイムスタンプ、座標系の表現方法はそれぞれ異なり、統一的に処理する必要があります。
4、位置決めと構図問題とは、どのようにしてビット姿勢推定とモデリングを実現するかを意味し、これは多くの数学問題、物理モデルの構築、状態推定と最適化に関連しています。
他にもループバック検出問題、探索問題（exploration）、拉致問題（kidnapping）があります。
現在流行している視覚SLAMフレームワークには、主にフロントエンドとバックエンドが含まれています。
フロントエンド：フロントエンドはVO（視覚距離計）に相当し、フレームとフレームの間の変換関係を研究します。
まずフレーム毎の画像特徴点を抽出し、隣接フレーム画像を用いて特徴点マッチングを行い、その後RANSACを用いて大ノイズを除去し、その後マッチングを行い、1つのpose情報（位置と姿勢）を得るとともに、IMU（Inertial measurement unit慣性測定ユニット）から提供される姿勢情報を用いてフィルタ融合することができ、後端は主に前端の結果を最適化し、フィルタ理論（EKF、UKF、PF）、あるいは最適化理論TORO、G2Oを用いてツリーまたは図の最適化を行います。最終的に得られた姿勢推定をします。
後端：後端はこちらの方が難点が多く、関連する数学の知識も比較的に多く、総じて言えばみんなはだんだん伝統的なフィルタ理論を捨てて図の最適化に向かっています。
フィルタリングの理論に基づいているため、フィルタの安定度の成長が速すぎ、これは頻繁に逆を求めるEKF（拡張カルマンフィルタ）にとって、PF圧力が大きいです。
一方、図に基づくSLAMは、通常keyframe（キーフレーム）を基礎として、複数のノードとノードの間の相対変換関係、例えばアフィン変換行列を構築し、そして絶えずキーノードのメンテナンスを行い、図の容量を保証し、精度を保証すると同時に、計算量を低減しました。
自動運転分野におけるSLAMの将来の応用について
Slam技術は現在、室内の移動ロボット、ARシーン、ドローンなど、多くの分野で優れた着地効果と成績を収めています。自動運転の分野では、SLAM技術はあまり重視されていません。現在の自動運転業界ではRTKによって解決されることが多いため、あまり多くの資源を投入して深い研究を行うことはないが、一方では技術が未熟であるため、自動運転という生命に関わる分野では、どの新しい技術も時間の検査を経なければ受け入れられません。
将来的には、センサーの精度が徐々に向上するにつれて、SLAMも自動運転の分野で活躍し、そのコストの低昂揚性、性能のロバスト性は、自動運転に革命的な変化をもたらすだろう。SLAM技術が徐々に熱くなるにつれて、自動運転分野にはますます多くの測位人材が流入し、自動運転に新鮮な血液を注入し、新しい技術方向と研究分野をもたらすだろう。
（株）iPCBはPCB＆PCBAの設計、製造販売及びこれらの付随業務の電子相関事業を手掛けています。弊社の詳細はリンク：https://www.ipcb.jp/ 或いはhttps://www.ipcb.com/jp をご覧ください。
