つくばチャレンジ2019技術調査報告

つくばチャレンジ2019
技術調査報告
原祥尭（千葉工大 fuRo），冨沢哲雄（防衛大），伊達央
（筑波大），黒田洋司（明治大），坪内孝司（筑波大）
つくばチャレンジ2019シンポジウム 2020-01-11

つくばチャレンジ2019本走行の記録
1
参加チーム：66チーム、メンバー合計：419人
本走行出走ロボット：59台
完走：3台、うち課題達成（完走＋選択課題2つ以上達成）：1台
自律走行のマイルストーン
1/3 確認走行区間：27台、2/3 折り返し地点：4台、3/3 ゴール、完走：3台
選択課題のマイルストーン
A 事前走行なしエリア：1台、B 信号認識横断：2台、
C チェックポイント＋経路封鎖：1台、D 探索対象発見：0台
アンケートへのご協力、誠にありがとうございました（59台分の回答）
歴代記録チーム、達成度ハードウェアソフトウェア

つくばチャレンジのこれまでの記録（第1ステージ）
2
2007 2008 2009 2010 2011 2012(小規模)
参加台数 33 50 72 70 69 36
完走 3 1 5 7 6 5
完走チーム
金沢工大
(岩崎, 小林+),
筑波大(大島),
筑波大(Morales,
竹内, 坪内+)
ヤマハ発動機
(藤本+)
日立(原, 城吉+),
富士ソフト(石田+),
東北大(竹内+),
千葉工大 fuRo
(吉田,入江,友納+),
宇都宮大
(鹿内, 尾崎+)
防衛大(伊達,滝田+),
千葉工大 fuRo
(入江,吉田,友納+),
筑波大(森川,坪内+),
日立(原, 大島+),
電通大(平井,冨沢+),
産総研(横塚+),
富士ソフト
(山田, 石田+)
千葉工大 fuRo
(入江,吉田,友納+),
産総研(横塚+),
宇都宮大
(篠原, 尾崎+),
ミツバ(塩谷+),
筑波大(識名,山田+),
防衛大(伊達,滝田+)
(本走行を複数回実施)
宇都宮大×2
(赤井, 尾崎+),
早稲田大
(北村, 鈴木+),
筑波大(水野,坪内+),
防衛大(菊地, 伊達,
滝田+)
課題達成同上同上同上同上同上同上
ROS 利用 0 0 0 1 明治大(黒田+) 4 3
ROS 完走 0 0 0 0 0 0
第1ステージは選択課題がなかったので「完走」＝「課題達成」

3
2013 2014 2015 2016 2017
参加台数 47 54 56 62 65
完走 3 8 3 4 11
完走チーム
宇都宮大
(宇内, 赤井, 尾崎+),
防衛大
(菊地, 伊達, 滝田+),
筑波大
(吉田, 松本, 大矢+)
宇都宮大(赤井, 尾崎+),
筑波大×2(原, 坪内+
/吉田, 松本, 大矢+),
東北大(遠藤, 永谷+),
防衛大×2
(小林, 伊達, 滝田+),
ミツバ(塩谷+),
宇都宮PJ(江口)
(本走行日が雨天)
宇都宮PJ(江口),
土浦PJ(阪東+),
リバスト(鹿貫+)
(短縮コースでの完走は除く)
リバスト(鹿貫+),
筑波大(安藤, 坪内+),
土浦PJ(阪東+),
宇都宮大(土方, 尾崎+)
千葉工大 fuRo
(入江, 原, 吉田, 友納+),
防衛大(滝田+),
千葉工大×2
(後藤, 上田, 林原+),
芝浦工大(小林, 内村+),
土浦PJ(阪東+),
宇都宮大(土方, 尾崎+),
筑波大(満留, 伊達+),
日工大(福士, 石川+),
千葉大(饗庭, 大川+),
法政大(河野, 小林+)
課題達成
(完走+探索)
3
宇大, 防大, 筑波大
4
宇大,筑大,防大,ミツバ
0
(探索達成は筑波大のみ)
1
筑波大
3
土浦PJ, 宇大, 筑波大
ROS 利用 6 13 21 33 48
ROS 完走 0 1 筑波大(原, 坪内+) 1 リバスト(鹿貫+) 2 6

4
 選択課題として「事前走行なしエリア」「信号認識横断」「チェックポイント通過」「探索対象発見」を設定
 「完走」＋「選択課題2つ以上達成」で「課題達成」
2018 2019 2020 2021 2022
参加台数 75 66 -- -- --
完走 6 3 -- -- --
完走チーム
千葉工大 fuRo
(原, 入江, 吉田, 友納+),
おうち未来PJ(松下+),
千葉大(白川, 大川+),
Tier Ⅳ(安藤, 満留+),
リバスト×2(鹿貫+)
迷探偵子羊(奥村+),
リバスト(鹿貫+),
土浦PJ(阪東+)
-- -- --
課題達成
(完走+選択2)
2
千葉大, リバスト
1
リバスト
-- -- --
ROS 利用 51 49 -- -- --
ROS 完走 5 3 -- -- --

つくばチャレンジのこれまでの記録
5
2012は実施しない予定だった
が、要望を受け急遽2日間のみ
小規模に開催（台数も少ない）
完走台数は、毎年1割前後
課題達成台数は、より少ない
ROS 利用は増えているが、
完走できるのは少数（課題の
難易度は年々向上）
33
50
72 70 69
36
47
54 56
62 65
75
66
3 1
5 7 6 5 3
8
3 4
11
6 33 1
5 7 6 5 3 4
0 1 3 2 10 0 0 1 4 3 6
13
21
33
48 51 49
0 0 0 0 0 0 0 1 1 2
6 5 3
0
20
40
60
80
台数
参加台数完走課題達成 ROS 利用 ROS 完走

チーム、達成度について6

チームメンバー数
7
4人が最多、最大でも10人
それ以上の人数の場合、同じ
所属でも別チームにする傾向
2
4
6
13
8 8
2
5 5
6
0
5
10
15
1 2 3 4 5 6 7 8 9 10
チーム数
チームメンバー数

これまでの参加年数
8
意外にも初参加チームが最多
第1回2007年から皆勤チームも
メンバーの入れ替わりもある
チーム（所属）は変わったが、
メンバーとしては皆勤の人も
14
7
3 3
6
3
2
1
3
7
3 3
4
0
5
10
15
1 2 3 4 5 6 7 8 9 10 11 12 13
チーム数
これまでの参加年数

今年度の実験走行への参加日数（本走行日を含む）
9
全実験走行日に参加している
チームが最多
遠方のチームは本走行の直前
のみ参加か
実験走行日の回数は2018より
少ない（昨年度は9回あった）
3
0 1 2 3
9 10 11
20
0
5
10
15
20
25
0 1 2 3 4 5 6 7 8
チーム数
実験走行への参加日数

チームの拠点地域
10
関東が過半数
中部と近畿も多い
（中之島チャレンジと関連？）
東北、中国、九州は減少傾向
以前は海外からの参加もあった
北海道, 0,
0%
東北, 0,
0%
関東, 47,
80%
中部, 5,
8%
近畿, 6,
10%
中国, 0,
0%
四国, 0,
0%
九州沖縄,
1, 2%
北海道東北関東中部
近畿中国四国九州沖縄

ロボットの輸送方法
11
レンタカーが最多
自家用車／社用車と合わせ、
自分たちでの運搬が多い22
30
0
10
0 10 20 30 40
自家用車／社用車
レンタカー
大型タクシー
宅配便
チーム数

本走行／全実験走行での到達距離 [m]
12
チームによって経路が違う
ため、完走でも距離は異なる
約 600 m を超えられれば、
完走が近い？（2018も同様）
本走行で約 200 m でも、実験
走行はそれ以上に到達できて
いる様子（2018も同様）
7
24
10
8
0
3
1 0 1 0
2 2
0 12
12 12
8
1
5
0 1
5
0
5
7
0 1
0
10
20
30
チーム数
到達距離 [m]
本走行全実験走行

全実験走行での自律走行距離の合計 [km]
13
自律走行できているチームは、
数十 km の実機テストを実施
（全8回の実験走行日で）
それでも本走行では約 2.5 km
のコースを完走できない
36
13
3 4
2 1
0
10
20
30
40
5 10 15 20 25 30
チーム数
全実験走行での自律走行距離の合計 [km]

選択課題へのチャレンジ状況
14
信号認識への取り組みが最多
チェックポイントも人気
事前走行なしと探索は同程度
各課題で、取り組んでいたが
本走行は不実施の場合が多い
（実施したのは各々半数未満）
来年度に向けた意欲は高い
12
20
17
11
32
2
9
7
1
49
18
31
21
18
17
0 10 20 30 40 50 60
A 事前走行なしエリア
B 信号認識横断
C チェックポイント＋経路封鎖
D 探索対象発見
なし
チーム数
取り組んでいた選択課題本走行で実施した選択課題
来年度取り組みたい選択課題

全実験走行での選択課題の成功回数
15
選択課題を複数回達成できた
ロボットはわずか
本走行での達成はさらに少数
本走行の結果は以下
 A 事前走行なしエリア：1台
 B 信号認識横断：2台
 C ﾁｪｯｸﾎﾟｲﾝﾄ＋経路封鎖：1台
 D 探索対象発見：0台
48
3 2 2 0 3 1
53
2 1 1 0 2 0
55
3 1 0 0 0 0
0
20
40
60
0 2 4 6 8 10 12
チーム数
成功回数
B 信号認識横断
C チェックポイント＋経路封鎖
D 探索対象発見

本走行／実験走行での自律走行の失敗原因
16
全体的に2018と同様の傾向
自己位置推定が最多、
地図構築の問題も内包？
 自己位置推定は重要
 環境認識能力が低く、自己位置
推定に依存しすぎとも言える
ハードウェアトラブルも多い、
実環境（フィールド）は過酷
17
16
7
4
11
30
11
12
3
0
2
0 10 20 30 40
進捗不足（未完成）
機構（メカ）
電装（エレキ）
通信
地図構築（SLAM）
自己位置推定
経路・動作計画
障害物検出・回避
信号・交通状況認識
看板認識、探索対象認識
オペレータ操作ミス
チーム数

ハードウェアについて17

ロボットのサイズ（全長、全幅、全高）
18
ロボット仕様条件
 全長：1.2 m 以下
 全幅：0.75 m 以下
 全高：0.6 m 以上、1.5 m 以下
全高のみ低い方に偏りがある
0 0
2
0
4
11
9
10
11
4
5
3
0
2
4
6
8
10
12
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 1.1 1.2
台数
全長 [m]
0 0 1
4
15
20
13
6
0
5
10
15
20
25
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
台数
全幅 [m]
16
8
6
5 5
6
5
4 4
0
5
10
15
20
0.7 0.8 0.9 1 1.1 1.2 1.3 1.4 1.5
台数
全高 [m]

ロボットの重量
19
ロボット仕様条件
 重量：100 kg 以下（60 kg 以下
を推奨）
推奨している 60 kg 以下の
ロボットが多い
安全確保のためには軽量で
あることが望ましい
2
7
11
12
4
9
5
2
4
3
0
5
10
15
10 20 30 40 50 60 70 80 90 100
台数
重量 [kg]

自律走行時の最高速度 [km/h]
20
自律走行では 4 km/h が最多
4 km/h 超過は、リモコン走行
でのデータ取得時が多い様子
高速での安全確保のためには、
より高度な自律機能が必要
1 1 0
4
6 6
3
36
0 1 1 0
0
10
20
30
40
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
台数
自律走行時の最高速度 [km/h]

製作費 [万円]
21
ロボット筐体、コンピュータ、
センサなど一式で約100～200
万円が多い
20万円以下の回答は誤り？
（PCなどで数十万円は必要）
14
7
8
4
10 10
3
1
0
1 1
0
5
10
15
20 40 60 80 100 200 300 400 500 600 700
台数
製作費 [万円]

移動方式
22
ほぼすべてが車輪型
クローラ型、二足歩行型も従来
から数台参加している
四脚などの多脚型は、近年は
ゼロ（初期に少数いた）
多脚／二足での完走はまだない
車輪, 56,
95%
クローラ,
2, 3%
多脚, 0,
0%
二足歩行,
1, 2%
車輪クローラ多脚二足歩行

移動ロボットプラットフォーム
23
独自開発が最多
既存プラットフォームでは
T-frog i-Cart mini が多い
WHILL が2018のゼロから増加
（アンケート未回答も含める
と合計4台）
26
19
2
3
8
1
0 5 10 15 20 25 30
独自
T-frog i-Cart mini
REVAST Mercury
電動車椅子 WHILL Model CR
電動車椅子その他
電動カート（ラジコンカーなど）
台数

モータ
24
T-frog モータが最多
ブラシ付きよりブラシレスの
モータが多い
maxon や日本電産は意外に
少ない
中国製を中心に多様なモータ
が登場
13
16
11
2
4
0
1
0
12
0 5 10 15 20
移動ロボットプラットフォーム付属
T-frog ブラシレスDCモータ
Oriental Motor ブラシレスDCモータ
maxon ブラシ付きDCモータ
maxon ブラシレスDCモータ
日本電産ブラシ付きDCモータ
日本電産ブラシレスDCモータ
山洋電気ブラシ付きDCモータ
その他
台数

モータコントローラ
25
T-frog モータドライバが最多
maxon や日本電産は意外に
少ない
中国製を中心に多様なモータ
ドライバが登場
11
23
7
2
0
0
4
12
0 5 10 15 20 25
移動ロボットプラットフォーム付属
T-frog モータドライバ
Oriental Motor モータドライバ
maxon EPOS モータドライバ
日本電産モータドライバ
山洋電気モータドライバ
オカテック TinyPower モータドライバ
その他
台数

非常停止スイッチの方式
26
構成が簡単な駆動電源遮断が
最多（挙動には注意が必要！）
ウォッチドッグ機能を利用した
通信遮断や、停止信号機能も
重量があるロボットの場合は
斜面対策で電磁ブレーキも必要
（電動車椅子は標準搭載）
クラッチなどで手押しできるように注意！
13
9
29
12
4
0 5 10 15 20 25 30 35
モータ端子開放フリー
モータ端子短絡ブレーキ
モータドライバ駆動電源遮断
モータドライバ通信遮断／停止信号
電磁ブレーキ
台数

非常停止スイッチでの動力供給の遮断方法
27
 モータ端子開放フリー
 ○モータはフリー状態
 △開放時に誘導電流が発生（影響小）
 モータ端子短絡ブレーキ
 ○モータはブレーキ状態
 △運動エネルギーを熱に変換
 モータドライバ駆動電源遮断
 ×モータの状態は挙動不明
 ×高圧の誘導電流が発生
 ×逆起電力がドライバに印加され不安定
 モータドライバ通信遮断／停止信号
 ○モータの状態は仕様で規定
通信線
モータ端子
開放フリー
モータ端子
短絡ブレーキ
モータドライバ
駆動電源遮断
モータドライバ
通信遮断／停止信号
資料提供：渡辺敦志（SEQSENSE/明治大）
キャパシタなど
で対策を！

バッテリ種類
28
鉛畜が最多
リチウムイオンも多い
複数種類の併用も
32
22
4
3
3
0 10 20 30 40
鉛蓄
リチウムイオン
リチウムポリマー
リチウムフェライト
ニッケル水素
台数

コンピュータ種類
29
ノートPCが最多
小型ベアボーン、組み込みPC
も多い
デスクトップPCの搭載も！
（2018より増加）
NVIDIA Jetson の利用も継続
34
5
12
9
4
4
0 5 10 15 20 25 30 35 40
ノートPC
デスクトップPC
小型ベアボーン、組み込みPC
シングルボードコンピュータ
NVIDIA Jetson
シングルボードコンピュータ
その他
マイコン（OS なし）
台数

センサ種類
30
エンコーダ、IMU は基本搭載
ほぼすべてが LIDAR を搭載、
LIDAR 不使用は2台のみ
カメラ、GNSS も増加傾向
（複数センサ統合へ発展中）
49
35
1
45
40
9
11
17
9
19
0 10 20 30 40 50 60
車輪／モータエンコーダ
IMU（ジャイロ、加速度センサ）
磁気センサ
2D-LIDAR
3D-LIDAR
距離画像カメラ
ステレオカメラ
単眼カメラ
全方位カメラ、全天球カメラ
GNSS
台数

ソフトウェアについて31

OS
32
Ubuntu が圧倒的多数
Windows との併用も
Ubuntu,
57, 93%
Windows,
3, 5%
Raspbian,
1, 2%
Ubuntu Windows Raspbian

メッセージ通信ミドルウェア
33
ROS が最多
ROS2 や Ignition も登場
筑波大開発の SSM は他チーム
で使われている
48
1
1
0
5
7
0 10 20 30 40 50 60
ROS
ROS2
Ignition Robotics
Isaac SDK
SSM
独自
台数

自律走行や地図構築（SLAM）に利用したソフト
34
ROS で標準的な navigation と
slam_gmapping が多い
Autoware も多い
Cartographer が増加（2→8）
製品である Stencil の利用も
Visual SLAM は実質ゼロ
中身を理解して使うことが大切
24
9
2
16
0
0
8
1
5
0
0
0
0
0
1
0 5 10 15 20 25 30
ROS navigation
Autoware
MRPT
GMapping
LOAM
Karto SLAM
Cartographer
hdl_graph_slam/hdl_localization
KAARTA Stencil
ORB-SLAM
OpenVSLAM
LSD-SLAM
SVO
DSO
RTAB-Map
台数

地図構築（SLAM）の手法
35
Laser SLAM が圧倒的多数、
2018よりグラフベースも増加
Visual SLAM はゼロに減少
LIDAR・カメラ統合は未登場
SLAM 不使用チームの戦略
 オドメトリ地図で教示再生
 GNSS 主体
 トポロジカル地図
 End-to-End 深層学習
16
17
13
0
0
0
13
0 5 10 15 20
Laser スキャンマッチング
Laser ベイズフィルタ
Laser グラフベース SLAM
Visual SLAM
Laser Visual SLAM
RGB-D SLAM
SLAM 不使用
台数

地図の種類
36
メトリック地図（点群地図、
占有格子地図など）が多い
2次元から3次元へ発展中
トポロジカル地図、事前地図
なしのアプローチも
33
17
5
2
0 10 20 30 40
2次元メトリック地図
3次元メトリック地図
トポロジカル地図
事前地図なし
台数

地図の手作業での調整
37
半数以上が手作業で調整を
行っている
画像／点群編集ソフトで修正、
部分地図に分割して手動での
位置合わせなどあり, 40,
68%
なし, 19,
32%
ありなし

自己位置推定の手法
38
LIDAR によるベイズフィルタ
（主にパーティクルフィルタ）
やスキャンマッチングが多い
カメラによる手法は少数
LIDAR・カメラ統合は未登場
場所認識や GNSS 主体のアプ
ローチも
25
26
1
0
3
4
0
0
0
0 5 10 15 20 25 30
Laser スキャンマッチング
Laser ベイズフィルタ
Visual Localization
Laser Visual Localization
トポロジカル場所認識
GNSS 主体
Laser Localization 深層学習
Visual Localization 深層学習
End-to-End 深層学習
台数

経路・動作計画の手法
39
通常の経路・動作計画の手法
が大半 (ROS navigation が多い)
モデル予測制御 (MPC) も登場
深層学習による経路・動作計画
のアプローチも
20
21
5
1
0
1
6
2
3
0
0 5 10 15 20 25
占有格子地図グラフ探索
Dynamic Window Approach
ポテンシャル法
Timed Elastic Band
Rapidly-Exploring Random Tree
State Lattice Planner
Pure Pursuit
Model Predictive Control
Planning 深層学習
End-to-End 深層学習
台数

信号認識、看板認識、探索対象認識の手法
40
物体認識には深層学習（特に
YOLO）の利用が多い
一方で、従来のアプローチも
使われている
7
1
4
0
2
16
34
0 10 20 30 40
非深層学習：テンプレートマッチング
非深層学習：HOG+SVM
非深層学習：レーザ受光強度
深層学習：Faster R-CNN
深層学習：SSD
深層学習：YOLO
物体認識なし
台数

信号認識、看板認識、探索対象認識に利用したソフト
41
OpenCV が最多、続いて PCL
深層学習フレームワークでは
Darknet が最多 (YOLO のため)
TensorFlow、PyTorch は同数
20
2
8
1
4
4
1
6
0 5 10 15 20 25
OpenCV
Open3D
PCL
scikit-learn
TensorFlow
PyTorch
Chainer
Darknet
台数

特定の場所でのみ必要となる機能の起動方法
42
信号認識、看板認識、探索対象
認識などは、必要なときのみ
起動する状態遷移が望まれる
常時起動して通信でトリガー
する方法が最多
35
22
2
1
1
1
0 10 20 30 40
実施していない
常時起動（通信でトリガー）
C++ から system() や popen() で起動
Python から SWIG や pybind11 で起動
Python から subprocess で起動
シェルスクリプトで状態遷移して起動
台数

まとめ43

まとめ
44
技術調査アンケートに基づき、以下についてまとめた
 本走行／全実験走行での到達距離、選択課題の成功回数
 自律走行の失敗原因
 ハードウェア（プラットフォーム、モータ、コンピュータ、センサの分類など）
 ソフトウェア（OS、ミドルウェア、利用ソフト、手法の概要など）
挑戦的なアプローチとして、3次元地図、トポロジカル地図、カメラや
GNSS の活用とセンサ統合、深層学習による行動計画などが挙げられる

つくばチャレンジ2019技術調査報告

More Related Content

What's hot

Similar to つくばチャレンジ2019技術調査報告

つくばチャレンジ2019技術調査報告