Tomoya Sato Bachelor Thesis

1. Normal Distributions Transformアルゴリズムを
用いた3次元自己位置推定のGPU実装
GPU Implementation of 3D Self-Localization
using the Normal Distributions Transform Algorithm
理学部情報科学科４年 加藤研究室
佐藤 友哉
1

2. 背景
•自律移動ロボットの実用化
➢ センシングによる物体検出
➢ 自己位置推定
➢ 目的地までの経路生成
➢ アクチュエータ制御
2

3. スキャンマッチングによる自己位置推定
•事前に用意した点群地図（参照スキャン）とセンサーから得られた
点群（入力スキャン）の重ね合わせ
•重ねあわせるための変換行列を計算
参照スキャン 入力スキャン
3

4. Normal Distributions Transform (NDT)
4
参照スキャン 入力スキャン
正規分布で
近似
変換
各点で確率を計算
෍
𝑖=1
𝑛
𝑒𝑥𝑝 −
𝑥𝑖 − 𝑢 𝑇
Σ−1
𝑥𝑖 − 𝑢
2
計算量：O(N)
[Biber & Strasser, 2003]

5. 課題
•LiDARの入力スキャンの周期に間に合うリアルタイム処理
•入力スキャンの大規模点群に対する高性能計算
5

6. 提案手法
GPUを用いてO(N)の処理を並列に計算することで
入力スキャンの点数の増加による処理時間の増加を抑制
従来手法 提案手法
6

7. 実装
Point Cloud Library1 (PCL) のNDT関数をGPU用に拡張
•PCLの関数はボクセルをkd-tree[Muja & Lowe, 2009]で
管理しているため対応するボクセルの探索にO(logM)
•GPU実装では配列で管理しO(1)
7
kd-tree 配列
（M：参照スキャンの点数）
注1: 点群処理ライブラリ（http://pointclouds.org）

8. 実装
CPU
GPU
8
O(N)
計測対象部分

9. 評価
•自動運転システム用オープンソースソフトウェア
“Autoware”[Kato+ 2015]のシミュレーションで
実行時間を計測
➢ 提案手法のCPU実装も性能測定
•環境
9
環境A：ラップトップ 環境B：DRIVE PX2
コア Intel Core i7-7700HQ ×4 ARM Cortex-A53 ×4
NVIDIA Denver ×2
GPU GeForce GTX1060 Pascalアーキテクチャ

10. 評価
•三種類のVelodyne社製センサーを使用
10
VLP-16 HDL-32E HDL-64E
•ダウンサンプリング（ボクセルグリッドフィルター）
ボクセル内の点群を平均

11. 評価
11

12. 結果
約３分間
1904回スキャンマッチング
12
PCL PCLの提供する
CPU実装
CPU 提案手法の
CPU実装
GPU 提案手法の
GPU実装
DRIVE PX2

13. 0
20
40
60
80
100
120
140
160
180
200
1.5 2 2.5 1.5 2 2.5 1.5 2 2.5
VLP-16 HDL-32E HDL-64E
PCL
CPU
GPU
結果
13
ラップトップ DRIVE PX2
平均実行時間

14. 結果
14
GPU実装の実行時間内訳
ラップトップ DRIVE PX2

15. 結論
•NDTのkd-treeを配列に変更
•マッチング処理はGPUで並列化
•提案手法は従来のPCLの実装に対し高速
➢ラップトップ：実行時間が60〜80%減少
➢DRIVE PX2：実行時間が64〜74%減少
15

16. 今後の課題
•メモリ操作の最適化
➢データをまとめて転送
•スレッド数・ブロック数の最適化
•GPUでの実行時間がCPUより増加している点が
存在しその改善
16