多くの主要な自動運転企業は、最も過酷な環境でも信頼性が高く、手頃な価格で動作できる、究極のユビキタス自動運転車を設計および展開するための競争にしのぎを削っています。

​

しかし、LiDARを中心とする自動運転システムのセンサーのコストは10万ドルを超え、さらに3万ドルのコンピューティングシステムのコストが必要になります。その結果、各車両のコストが非常に高くなるということだけでなく、高精細の3Dマップの作成と保守のための高額な運用コストをどのようにカバーするかという大きな課題があります。

​

さらに、最先端のセンサーを使用しても、複雑な交通状況で自律走行車と人が運転する車両を共存させることは依然として危険な挑戦です。今後、センサー、コンピューティングシステム、高精細の3Dマップのコストを大幅に削減し、ローカリゼーション、認識、意思決定アルゴリズムを画期的に改善しなければなりません。

​

PerceptInは、地方の中山間部などの交通量の少ない限定されたエリアでの早期の実用化を目指し、LiDARを使用しないビジュアルSLAMベースの、独自の自動運転技術を開発しました。

 

ローカリゼーション

ステレオカメラによるビジョンシステムと慣性測定ユニット（IMU）による視覚慣性オドメトリ（VIO）によってローカリゼーション（自己位置推定）を行います。

​

最新のPerceptInコンピュータビジョン（写真）では、ビジョンシステムとIMUが、別のコンピュータユニットを介さずにハードウェアレベルで統合され、独自のVIOアルゴリズムによって正確な車両の位置と向きをリアルタイムで検出します。

​

ただし、VIOには累積誤差(ドリフト)があり、車両が移動する距離が長くなるほど位置が不正確になります。この問題を解決するために、さらに、リアルタイムキネマティック（RTK）GNSSを統合してVIOの結果に対してセンサーフュージョンを実行します。

 

パーセプション

同時に、コンピュータビジョンは、PerceptInの独自の認識アルゴリズム（パーセプション）を実行して、正確な障害物の空間情報と意味（セマンティック）情報を抽出します。空間情報とは、ステレオビジョンを使用して、車両の前部の中心に対するオブジェクトの距離を検出することを意味します。意味情報とは、ディープラーニングモデルを使用して、障害物のタイプ（歩行者、自転車、車両など）を抽出することを意味します。この情報を組み合わせることで、現在の車両に対するさまざまな種類の障害物の距離を把握できます。

​

さらに、コンピュータビジョンからのアクティブな知覚結果と、レーダー（中距離）やソナー（近距離）からのパッシブな知覚結果を組み合わせて、車両の現在の周囲状況を包括的に把握します。

 

マップシステム

高精細の3Dマップは非常に複雑で、車線や道路だけでなく、現実世界のランドマークの意味や位置も表す1兆バイトものデータが含まれています。PerceptInは、高精細マップを最初から作成する代わりに、既存のデジタルマップ（Open Street Map）を視覚情報で拡張した、4層の高精細ビジュアルマップ（HPVM）によってデシメートルレベルの精度を実現します。

​

• 最下層は、Open Street Mapです。このレイヤーの解像度は約1mです。

• 2番目は路面フィーチャーレイヤーです。路面の視覚的特徴を記録して、マッピング解像度をデシメートルレベルへ向上させます。このレイヤーは、周囲が他の車両や歩行者で混雑した都市環境で特に役立ちます。

• 3番目は空間フィーチャーレイヤーであり、環境の視覚的特徴を記録します。これにより、路面フィーチャーレイヤーと比較してより多くの視覚的特徴が記録されます。このレイヤーは、田舎などの混雑していないオープンな環境で特に役立ちます。

• 最上層はセマンティックレイヤーであり、車線ラベル、交通信号灯、交通標識ラベルなどが含まれています。セマンティックレイヤーは、車両がルーティングなどの計画決定を行う際に役立ちます。
   

しかし、交通量の少ない限定エリアでの低速（例えば時速30km未満の）自動運転などの特定のシナリオでは、本格的な高精細マップは不要であり、自動運転を可能にする正確な車線情報（RTK GNSS による）と、そのトポロジを表すグラフベースのデータによって、既存のデジタルマップを拡張します。