自律走行清掃ロボット（AV）が、定常作業中に列車と衝突しました。この事故は、単なる機械的な故障ではなく、認識システムにおける重大な脆弱性を明らかにしました。RoboGuide、CloudCompare、Blenderを用いた3Dシミュレーションによるその後の分析により、列車の窓ガラスの形状がLiDARセンサーにオクルージョンを発生させ、ナビゲーションソフトウェアが予測できなかった死角を生み出していたことが実証されました。
窓ガラスの形状によるLiDARオクルージョン分析 🚆
エンジニアリングチームは、列車とロボットの3Dモデルをインポートし、RoboGuideでシナリオを再現しました。CloudCompareを使用した点群分析により、列車の湾曲したガラス表面へのLiDAR光線の入射角が鏡面反射を引き起こしていることが判明しました。これにより、側面エッジやパネルの継ぎ目などの重要な領域に、影領域やデータの欠落が生じていました。Blenderでは、ロボットの軌跡を可視化し、オクルージョンマップを重ね合わせることで、衝突時にセンサーが障害物の存在を記録していなかったことが確認されました。故障の原因はハードウェアではなく、環境の幾何学的解釈にあったのです。
キャリブレーションと経路設計の教訓 🤖
解決策は、単にセンサーを追加することではなく、キャリブレーションと経路計画を再考することにあります。3Dシミュレーションにより、これらのオクルージョン条件を再現し、視野を調整したり、冗長なチェックポイントを組み込んだりすることが可能になります。今回のケースでは、清掃経路を再設計して事前の側面スキャンを追加し、反射による誤検出を除去するためにLiDARを再調整することが提案されました。教訓は明らかです。反射率の高い表面が存在する環境では、実装に先立ってシミュレーションを実施し、回避可能な衝突を防ぐ必要があります。
3Dシミュレーションにより、LiDARセンサーが検出できなかった清掃ロボットの死角を特定できたように、この事例は、鉄道向け自律航法システムにおけるセンサーフュージョンの冗長性を向上させるために、どのような教訓を提供するのでしょうか？
(追伸：ロボットのシミュレーションは楽しいですが、命令に従わないと決めた時は別です。)