自動運転のための季節による環境変化にロバストな自己位置推定に関する研究

西村　駿（慶應義塾大学大学院）・大前　学（慶應義塾大学）

本研究では，植物に起因する環境変化が生じる場所での長期的な自己位置推定精度の信頼性向上を目的に，人工物を活用した自己位置推定手法を提案する．本発表では，人工物を対象とした高精度地図と自己位置推定アルゴリズムの構築，および複数時期の走行データに基づく位置推定精度の結果について報告する．

4Dイメージングレーダを用いた自己位置推定の実現

泉　颯太・米陀　佳祐・柳瀬　龍・Mohammad Aldibaja・菅沼　直樹（金沢大学）

安全な自動運転実現のため，正確な自己位置推定が重要である．従来，積雪や大雨など環境変化に対しロバスト性確保のため，低分解能のミリ波レーダで位置推定していた．本研究では，高分解能の4Dイメージングレーダを用いた自己位置推定を実現し，環境変化に対し高いロバスト性を維持しつつ位置推定精度の向上を目的とする．

CNNを用いた環境変化に対するマップマッチングのロバスト化

神保　航大・米陀　佳祐・柳瀬　龍・Mohammad Aldibaja・菅沼　直樹（金沢大学）

自動運転車の安全な走行の実現には，自己位置推定が必要である．雨天時における路面の濡れや，路面の経年変化などの環境変化が発生した場合，LiDARによる赤外線反射率を用いた位置推定では，推定精度が低下する．本研究では，機械学習モデルであるCNNを用いて環境変化に対してロバストなマッチングを行うことを目的とする．

Multi-Agent Approach for AD/ADAS Cross-Country Virtual Validation

Reza Rezaei･Ravibhai Vaghasiya･Jacob Grandmontagne･Morteza Molaei･Frank Reifenrath (IAV)

This paper introduces a novel Multi-Agent Approach coupled with high-precision environment modeling for cross-country virtual validation of AD/ADAS systems. It focuses on accurately representing country-specific traffic signs, rules, conditions, and driving scenarios, highlighting critical situations under various operating conditions.
Through the utilization of advanced AI-based multi-agent modeling, the realism and accuracy of simulated scenarios are further enhanced. The advantages and limitations of multi-agent approach, considering diverse driver behaviors, traffic rule violations, etc. for providing a comprehensive assessment of the AD functions will be discussed based on representative simulation results from traffic scenarios in Japan and Germany.

SIL・HIL・OTA：シミュレーションによる妥当性確認の使い分けに関する一考察

Andreas Himmler（dSPACE）・花岡　弘樹・山田　崇（dSPACE Japan）

ADAS・自動運転における認知・制御アルゴリズムの開発においては，開発成果物をできるだけ早い段階で検証することが開発期間短縮，品質確保双方の観点で重要とされている．シミュレーションの忠実度，テストのフレキシビリティなどを勘案しながらシミュレーション手法をいかに使い分けるかが課題となる．本稿では，ADAS・自動運転アプリケーションにおいて近年必要不可欠であるレーダーセンサを用いたシステムの妥当性確認において，シミュレーションの使い分け，とりわけover-the-airシミュレーションが有効なシーンはどのようなときかについて検討する．