What some of the terms are, some of the needed algorithms, and what makes this problem difficult in certain environments.

いくつかの用語、必要なアルゴリズム、そして特定の環境においてこの問題を難しくしているもの。

So that's what we're going to cover over a few videos.

だから、これから数本のビデオでそれを取り上げていくつもりだ。

But in this first one, I want to set the stage a bit and just introduce the idea of autonomous navigation.

しかし、この第1回目では、少し舞台を整え、自律航法というアイデアを紹介したい。

I think it's pretty interesting, so I hope you stick around for it.

かなり面白いと思うので、ぜひお付き合いいただきたい。

I'm Brian, and welcome to a MATLAB Tech Talk.

MATLABテックトークへようこそ。

Navigation is the ability to determine your location within an environment and to be able to figure out a path that will take you from your current location to some goal.

ナビゲーションとは、ある環境の中で自分の位置を特定し、現在地から目的地までの経路を把握する能力のことである。

Navigating in the wilderness might require, say, GPS to determine where you are, and a map to plan the best path to get around mountains and lakes to reach your campsite, or whatever your goal is.

大自然の中でのナビゲートには、たとえばGPSで現在地を確認し、地図で山や湖を回り込んでキャンプ場に到着するための最適な経路を計画する、などといった目的が必要かもしれない。

Now, autonomous navigation is doing exactly this, but without a human in the loop.

現在、自律航法はまさにこれを実行しているが、ループの中に人間がいない。

Broadly speaking, it's how we get a vehicle to determine its location using a set of sensors, and then to move on its own through an environment to reach a desired goal.

大雑把に言えば、センサーを使って車両に位置を特定させ、目的地に到達するために環境内を自力で移動させる方法だ。

And when I say vehicle, I mean any kind of mobile machine.

乗り物というのは、あらゆる種類の移動機械のことだ。

It could be a car traveling down a road, or a UAV making its way back to the airport, or a spacecraft journeying across the solar system, or a submersible exploring the depths of the ocean, or some other mobile robot.

それは、道路を走行する自動車であったり、空港に戻るUAVであったり、太陽系を横断する宇宙船であったり、深海を探査する潜水艇であったり、その他の移動ロボットであったりする。

In this way, we've given the vehicle autonomy, the ability to make decisions and act on its own.

このようにして、私たちは車両に自律性、つまり自分で判断し行動する能力を与えたのだ。

But there are different levels of autonomy, and they range from a vehicle that is simply operated by a human from a remote location, but it has some simple algorithms on board that will take over and autonomously keep it from running off a cliff or something, all the way up to a fully autonomous vehicle with no human interaction at all.

しかし、自律性にはさまざまなレベルがあり、遠隔地から人間が操作するだけで、崖から飛び降りたりしないように自律的に制御する簡単なアルゴリズムを搭載した車両から、人間がまったく関与しない完全な自律走行車までさまざまだ。

Now, for this series, we're mostly going to focus on what it takes to make a fully autonomous vehicle.

さて、このシリーズでは、完全自律走行車を作るために何が必要なのかに焦点を当てる。

This is because there's a lot more involved in it, and we can apply that knowledge to other vehicles that fall elsewhere on this autonomy spectrum.

なぜなら、これにはもっと多くのことが関係しており、私たちはその知識を、この自律性スペクトラムの別の場所に位置する他の自動車に応用することができるからだ。

But even with fully autonomous navigation, we can further divide this into two different approaches.

しかし、完全自律航法であっても、さらに2つの異なるアプローチに分けることができる。

A heuristic approach, where autonomy is accomplished through a set of practical rules or behaviors.

ヒューリスティックなアプローチで、自律性は一連の実践的なルールや行動によって達成される。

This doesn't guarantee an optimal result, but it's good enough to achieve some immediate goal.

これは最適な結果を保証するものではないが、当面の目標を達成するには十分だ。

The benefit of heuristics is that you don't need complete information about the environment to accomplish autonomy.

ヒューリスティックの利点は、自律性を達成するために環境に関する完全な情報を必要としないことだ。

And then on the other side, there is an optimal approach, which typically requires more knowledge of the environment.

そしてもう一方には最適なアプローチがあり、これは通常、環境に関するより多くの知識を必要とする。

And then a plan and resulting actions comes from maximization or minimization of an objective function.

そして、計画とその結果としての行動は、目的関数の最大化または最小化から生まれる。

So let's go into a little bit more detail into each of these.

では、それぞれについてもう少し詳しく説明しよう。

An example of a heuristic approach is a maze solving vehicle where the simple rules might be to drive forward and keep the wall on the left.

ヒューリスティックなアプローチの例としては、迷路を解く乗り物がある。

So it turns left when the wall turns left, makes a U-turn at the end of a wall, and it turns right at a corner.

だから、壁が左に曲がれば左折し、壁の先でUターンし、コーナーで右折する。

This type of autonomous vehicle will proceed to wander up and down the hallways until it happens to reach the goal.

このタイプの自律走行車は、ゴールにたどり着くまで廊下を行ったり来たりする。

So in this way, the vehicle doesn't have to maintain a map of the maze or even know that it's in a maze in order to find the end.

このように、車両は迷路の地図を維持する必要がなく、終点を見つけるために迷路の中にいることさえ知る必要がない。

It follows an optimal path, but it works, at least as long as it doesn't get itself stuck in a loop.

最適な経路をたどるが、少なくともループにはまらない限りは機能する。

Other types of heuristic-based autonomy include things like the simplest of robotic vacuums, where when it approaches an obstacle like a wall, it rotates to a new random angle and just keeps going.

ヒューリスティックに基づく自律性の他のタイプには、最も単純なロボット掃除機のようなものがあり、壁のような障害物に近づくと、新しいランダムな角度に回転し、そのまま進み続ける。

And as time increases, the chance that the entire floor is covered approaches 100%.

そして、時間が長くなるにつれて、フロア全体がカバーされる確率は100％に近づいていく。

And so in the end, the goal of having a clean floor is met, even if the vehicle doesn't take the optimal path to achieve it.

そうして最終的には、たとえ車両がそのために最適な経路を取らなかったとしても、きれいな床という目標は達成されるのだ。

So this brings us to the second type of fully autonomous vehicles, ones that are solving an optimization problem.

そこで2つ目のタイプの完全自律走行車、つまり最適化問題を解決する車が登場する。

In these systems, the vehicle builds a model of the environment, or it updates a model that was given to it, and then it figures out an optimal path to reach the produce a much better result than their heuristic-based counterparts.

これらのシステムでは、車両は環境のモデルを構築するか、あるいは与えられたモデルを更新し、最適な経路を割り出してその経路に到達する。

Possibly the most famous at the moment is autonomous driving, where a vehicle has to navigate to a destination through dynamic and chaotic streets, and relying on simple behaviors like drive forward and keep the curb to your right is probably not the best approach to safely and quickly get to where you want to go.

おそらく現在最も有名なのは自律走行で、車両はダイナミックで混沌とした道路を目的地までナビゲートしなければならないが、前進して縁石を右側に保つといった単純な行動に頼ることは、安全かつ迅速に目的地までたどり着くための最善のアプローチではないだろう。

It makes more sense to give the vehicle the ability to if that model is imperfect, and then use it to determine an optimal solution.

もしそのモデルが不完全であったとしても、車両にその能力を与え、それを使って最適解を決定する方が理にかなっている。

Now, it's not usually the case where a solution is either 100% heuristic or 100% optimal.

通常、解決策が100％発見的であるか、100％最適であるかということはない。

Often we can use both approaches to achieve a larger goal.

より大きな目標を達成するために、両方のアプローチを使うことがよくある。

For example, with an autonomous car, when it approaches a slower car, it has to make a decision to either slow down or to change lanes and pass.

例えば、自律走行車の場合、遅い車に近づくと、速度を落とすか、車線を変更して追い越すかの決断を迫られる。

Now, if it was going to make this decision optimally, it would have to have knowledge beyond the front car to determine if changing lanes is the best solution, and that can be difficult to obtain.

さて、この判断を最適に行おうとするなら、車線変更が最善の解決策かどうかを判断するために、前車以上の知識を持つ必要があるが、それを得るのは難しい。

So possibly a better solution is to have a heuristic behavior that says something like, if it's safe to do so, always attempt to pass slower cars.

だから、より良い解決策は、安全なら常に遅い車を追い越そうとするようなヒューリスティックな振る舞いをすることかもしれない。

And once that decision is made, an optimal path to the adjacent lane can be created.

そして、その決定がなされれば、隣接する車線への最適なパスを作ることができる。

And in this way, these two approaches can complement each other depending on the situation.

このように、この2つのアプローチは状況に応じて互いに補い合うことができる。

Autonomous cars aren't the only examples of systems that make use of these two approaches.

この2つのアプローチを利用したシステムの例は、自律走行車だけではない。

There are other ground vehicles like they have in Amazon warehouses that have to quickly maneuver to a given storage area to move packages around while not running into other mobile vehicles and stationary shelves.

アマゾンの倉庫にあるような地上車両は他にもあり、他の移動車両や固定棚にぶつからないようにしながら、荷物を移動させるために所定の保管場所まで素早く移動しなければならない。

Or vehicles that search within disaster areas that have to navigate unknown and hazardous terrain.

あるいは、未知の危険な地形を移動しなければならない災害地域を捜索する車両。

There are space missions like OSIRIS-REx which has to navigate around the previously unvisited asteroid Bennu and prepare for a located touch and go to collect a sample to return to Earth.

OSIRIS-RExのような宇宙ミッションもある。OSIRIS-RExは、未訪問の小惑星ベンヌの周囲を航行し、地球に帰還するサンプルを採取するためにタッチアンドゴーの準備をしなければならない。

There are robotic arms and manipulators that navigate within their local space to pick things up and move them to new locations.

ロボットアームやマニピュレーターが、その局所的な空間内を移動し、物を拾って新しい場所に移動させる。

There's UAVs and drones that survey areas.

地域を調査するUAVやドローンがある。

And many, many more applications.

そして、もっともっと多くのアプリケーションがある。

But autonomous navigation isn't necessarily easy, despite how common it's becoming in the world.

しかし、自律航法は世界でどれほど一般的になりつつあるとはいえ、必ずしも簡単ではない。

And most of what makes it difficult is that the vehicle has to navigate through an environment that isn't perfectly known.

そして、それを難しくしているほとんどの原因は、車両が完全に把握されていない環境の中をナビゲートしなければならないことだ。

And so in order to create a plan, it has to build up a model of the environment over time.

計画を立てるためには、時間の経過とともに環境のモデルを構築しなければならない。

And the environment is constantly changing, and so the model has to be constantly updated.

そして環境は常に変化しているため、モデルは常に更新されなければならない。

And then there's obstacles that move around and aren't necessarily obvious, so sensing and recognizing them is difficult as well.

それに、障害物は動き回るし、必ずしも明白ではないので、それを察知して認識するのも難しい。

And the more uncertainty there is in the environment and the environment model, the harder the navigation problem becomes.

そして、環境と環境モデルの不確実性が高ければ高いほど、ナビゲーション問題は難しくなる。

For example, building an autonomous spacecraft that's orbiting the Earth is typically a simpler navigation problem than an autonomous aircraft, at least in terms of environment complexity.

例えば、地球を周回する自律型宇宙船を作ることは、少なくとも環境の複雑さという点では、自律型航空機よりも単純な航行問題であることが一般的だ。

Space is a more predictable environment than air because we have less uncertainty with the forces that act on the vehicle, and we have more certainty in the tracks that other nearby objects are on.

宇宙空間は空気中よりも予測しやすい環境だ。なぜなら、乗り物に作用する力の不確実性が少なく、近くにある他の物体の軌道がより確実だからだ。

Therefore, we can have more confidence in a plan, and then have a better expectation that the spacecraft will autonomously be able to follow that plan.

そのため、私たちは計画により自信を持つことができ、宇宙船が自律的にその計画に従うことができるという、より良い期待を持つことができる。

With aircraft, we have to deal with unknown turbulence, and flocks of birds flying around, and other human-controlled planes, and landing, and taxiing around an airport.

航空機の場合は、未知の乱気流や、飛び交う鳥の群れ、他の人間が操縦する飛行機、着陸、空港でのタキシングなどに対処しなければならない。

But an autonomous aircraft is itself typically a simpler problem than an autonomous car, for the same reasons.

しかし、自律走行する航空機は、同じ理由で自律走行する自動車よりも単純な問題である。

There's much more uncertainty driving around in a city than there is flying around in relatively open air.

比較的オープンな空中を飛び回るよりも、街中を走り回るほうがはるかに不確実性が高い。

So the thing I want to stress here is that what makes these vehicles impressive is not the fact that they can move on their own.

つまり、私がここで強調したいのは、これらの車を印象的にしているのは、自分で動けるという事実ではないということだ。

I mean, it's pretty trivial to get a car to drive forward by itself.

つまり、クルマを自力で前進させるのはとても簡単なことなんだ。

You just need an actuator that compresses the gas pedal.

アクセルを踏み込むアクチュエーターがあればいい。

The car will take off and drive forward.

車は離陸し、前進する。

The difficult part is getting it to navigate autonomously, within an uncertain and changing environment.

難しいのは、不確実で変化する環境の中で、自律的に航行できるようにすることだ。

For the car, it's to get to the destination efficiently, and to follow local traffic laws, and to avoid potholes and balls rolling into the street, and to reroute around construction, and to avoid other cars driven by unpredictable humans, and to do all of this in the snow, and in the rain, and so on.

車にとっては、目的地まで効率よく行くこと、地域の交通法規に従うこと、道路に転がる穴やボールを避けること、工事を迂回すること、予測不可能な人間が運転する他の車を避けること、雪や雨の中でこれらすべてを行うことなどだ。

It's not an easy feat.

簡単なことではない。

So, to understand how we get vehicles to do that, and other incredible autonomous tasks, we need to revisit the capabilities of autonomous systems that we covered in the first video of the Sensor Fusion and Tracking series.

そこで、どのようにして車両にそのようなことをさせるのか、また他の驚くべき自律タスクを理解するためには、センサーフュージョンとトラッキング・シリーズの最初のビデオで取り上げた自律システムの能力をもう一度見直す必要がある。

And if you haven't seen it and want a longer description, I've left a link below.

まだご覧になっていない方で、もっと詳しい説明をお望みの方は、下にリンクを貼っておきます。

But here's a quick recap.

しかし、ここで簡単に振り返ってみよう。

Autonomous systems need to interact with the sensors.

自律システムはセンサーと相互作用する必要がある。

This sensor data has to be interpreted into something that is more useful than just measured quantities.

このセンサーデータは、単に測定された量だけでなく、より有用なものに解釈されなければならない。

These are things like understanding where other objects and obstacles are, and building a model or a map of the environment, and understanding the state of the autonomous vehicle itself, what its location is and orientation.

例えば、他の物体や障害物がどこにあるかを理解したり、環境のモデルやマップを構築したり、自律走行車自体の状態や位置、向きを理解したりといったことだ。

And with this information, the vehicle has everything it needs to plan a path from the current location to the goal, avoiding obstacles and other objects along the way.

そしてこの情報によって、車両は現在地からゴールまでの経路を、障害物などを避けながら計画するために必要なすべてを手に入れる。

And then the last step is to act on that plan, to drive the motors and the actuators in such a way that the vehicle follows the path.

そして最後のステップは、その計画に基づいて行動し、モーターやアクチュエーターを駆動させ、車両が進路をたどるようにすることだ。

The actuators impact the physical world, and the whole loop continues.

アクチュエーターが物理的な世界に影響を与え、ループが続く。

We sense the environment, we understand where we are in relation to landmarks in the environment, we perceive and to follow that plan, and so on until we get to the goal.

私たちは環境を感じ取り、環境の目印と自分の位置関係を理解し、知覚し、そのプランに従うということを、ゴールにたどり着くまで繰り返す。

Now, in the Sensor Fusion video, we talked about how Sensor Fusion and Tracking straddled the Sense and Perceive steps.

さて、センサー・フュージョンのビデオでは、センサー・フュージョンとトラッキングが、センスとパーセプションのステップにまたがっていることをお話ししました。

And while Sensor Fusion and Tracking are absolutely necessary parts of autonomous navigation, in this series, we're going to focus our attention on other algorithms within the Perceive step, and on the Planning step.

センサー・フュージョンとトラッキングは自律航法に絶対に必要な要素ですが、このシリーズでは、知覚ステップ内の他のアルゴリズムと、プランニング・ステップに注目します。

And we're going to answer questions like, what does it mean to How does a vehicle know where it is within that model?

そして、次のような質問に答えるつもりだ。 車はそのモデルの中でどこにいるかをどうやって知るのか？

How does a vehicle track other large objects and obstacles?

車両はどのようにして他の大きな物体や障害物を追跡するのか？

What are some of the ways path planning is accomplished?

パスプランニングの方法にはどのようなものがありますか？

And then how do you know that the system is going to work in the end?

そして、そのシステムが最終的にうまくいくことをどうやって知るのか？

So that's what you have to look forward to.

だから、それを楽しみにしていてほしい。

In the next video, we're going to explore how a vehicle can determine its location within an environment model using a particle filter and Monte Carlo localization.

次のビデオでは、パーティクルフィルターとモンテカルロ・ローカリゼーションを使って、車両がどのように環境モデル内の位置を決定できるかを探ります。

So if you don't want to miss that, or any other future tech talk videos, don't forget to subscribe to this channel.

このビデオ、あるいは今後の技術トークのビデオを見逃したくなければ、このチャンネルを購読することをお忘れなく。

And if you want to check out my channel, Control System Lectures, I cover more control theory topics there as well.

また、私のチャンネル『制御システム講義』をチェックしたいなら、そこでも制御理論のトピックを取り上げている。

Thanks for watching, and I'll see you next time.

見てくれてありがとう、また次回。