ロボットを動かす基礎技術としてSLAMと呼ばれる技術がよく用いられています。ロボットが自分の位置情報を知るために欠かせない技術であり、自律走行するロボットが増えるにつれて重要性が高まってきました。

本記事では、ロボットの自律走行を支えているSLAM技術について解説します。

SLAM技術とは？

SLAMは「Simultaneous Localization and Mapping」の略称で、「自己位置推定と環境地図作成を同時に行う」技術のことです。自己位置推定は、自分が今どこにいてどの方向を向いているかを認識することを指し、環境地図作成は、自分の周辺環境を把握して地図を作成することを指します。

自己位置推定と環境地図作成は、私たち人間が日常的に行っていることです。たとえば、見知らぬ旅行先で目的地に向かう場合、私たちはまず周りの風景などから自分の現在地を把握して目的地の方向を向きます。その後、壁や障害物を見てどのルートを歩けばよいか頭の中で地図を描きつつ、目的地に向かって進むでしょう。

ロボットが自律走行で目的地に向かう場合も、人間と同じことをする必要があります。もし自己位置推定と環境地図作成ができなければ、ロボットは目的地とは全く関係ない方向へ移動してしまったり、障害物にぶつかって動けなくなってしまったりするでしょう。ロボットは各種センサーを使って自己位置推定と環境地図作成を行うことで、自律走行を実現しています。

SLAM技術は自動運転やドローン、無人搬送車（AGV）、ロボットなどが自律走行するための基礎技術であり、SLAM技術の性能が全体の性能に大きく影響するほど重要なものです。ロボットの性能をさらに向上させるためにも、より高速かつ正確なSLAM技術が求められています。

SLAM技術の仕組み

SLAM技術にはセンサーが不可欠で、どのセンサーを使うかによって性能が異なります。SLAM技術でよく使われるセンサーは三つあり、それぞれ名前が付いています。

• LiDARを使ったLiDAR SLAM
• カメラを使ったVisual SLAM
• ToFセンサーを使ったDepth SLAM

これらの技術は単体で使用することもありますが、複数を組み合わせることで精度を高めたり、環境の変化に対応したりするケースが増えています。それぞれのSLAM技術の仕組みと特徴を知り、適切に選択できるようにしましょう。

LiDAR SLAM

LiDAR SLAMで用いられるLiDARは、赤外線レーザーを使用したセンサーです。照射した赤外線レーザーが物体に反射して戻ってきたのを検出して、二次元または三次元の点群データが作成されます。LiDAR SLAMはこの点群データの変化を測ることで、自己位置推定や環境地図作成を行う仕組みです。LiDAR SLAMで作成した点群データは距離精度が高く、遠距離まで取得できるのが特徴で、環境地図作成に適しています。光を使わないセンサーのため暗闇であっても精度に影響がなく、夜間や雨天時に利用できるのもメリットです。

ただし、点群データには密度の課題があります。周囲に物体が少ない場合は点群の密度が荒くなるため、位置を見失ってしまう可能性が高まります。また、データ処理の負荷が高いこと、LiDAR自体が他のセンサーに比べると高価なことなどがデメリットとして挙げられます。

Visual SLAM

Visual SLAMでは、カメラから取得した画像データを基に周辺環境を把握します。画像データ内で物体の特徴点を認識し、次に取得した画像データでの特徴点の変化を測定することで自己位置推定と環境地図作成を行う仕組みです。平面の画像データしか取得できないためカメラ一台では距離を測ることができませんが、複数のカメラで取得した画像データを組み合わせることで距離の推定も可能です。

Visual SLAMには、カメラ自体が比較的安価なためコストパフォーマンスに優れている、得られる情報量が多いため自己位置推定と環境地図作成以外の用途でも活用できる、といったメリットがあります。一方で、LiDARほど正確には距離が測れない、夜間や雨天などの悪天候には不向き、といったデメリットもあります。

Depth SLAM

Depth SLAMで使われるToFセンサーは、レーザー光や超音波などを照射し、物体に反射して戻ってきたのを検出して距離を測るという仕組みです。上述したLiDARによく似ていますが、LiDARと異なるのは、ToFセンサーは距離情報を画像の濃淡で奥行きを表現した深度画像データとして取得する点です。ToFセンサーはLiDARとカメラの中間的な性質のセンサーだといえます。

Visual SLAMの課題であった夜間や雨天などの悪天候でも使える点はメリットですが、LiDAR SLAMと比較すると近距離しか測定できず精度も悪いため、現状は屋内環境で使用されることがほとんどです。

SLAM技術の課題と解決方法

ロボットの自律走行を支えているSLAM技術ですが、まだまだ課題はあります。ロボットがより私たちの身近な存在になるためには、SLAM技術の改良が不可欠です。

主な課題として、自己位置推定で誤差が発生することが挙げられます。ロボットが自律走行する際は、常にセンサーで周辺環境を把握して自分自身の移動量を推定していますが、実際の移動量との誤差を完全にはなくせません。若干の誤差であったとしても、累積することで実際の位置とは大きくずれてしまう現象が発生します。自己位置推定がうまくいかなくなった場合は、誤差をリセットして正しい位置に修正しなければなりません。あらかじめ基準となるポイントを記憶しておいて、その情報を基にリセットする方法が一般的です。

また、SLAMの実行における負荷軽減も大きな課題です。ロボットが安定して稼働するためには、センサーで取得した膨大な点群データや画像データをリアルタイムで処理する必要があります。さらに、上述した誤差の修正のようにさまざまな処理も加わるため、ICチップへの負荷が非常に大きくなります。よって、ICチップ自体の性能向上やコスト削減に加えて、処理方法の工夫が必要になるでしょう。

仕組みを理解してロボットを上手に活用しましょう

SLAM技術の進歩によって、ロボットの自律走行が実現できるようになりました。SLAM技術以外にも、ロボットにはさまざまな先端技術が盛り込まれています。ロボットを動かす仕組みを正しく理解し、ロボットをうまく活用していきましょう。