共同深層学習による自動運転レースカート

近年、自動運転技術の向上と普及率拡大により、今まで取り入れられていなかった分野にまで自動運転が拡大した。市販車への普及率向上から推測するに、競技車両の自動運転化は目の前にあると考える。
多くの規定が定められている競技では、安全性はもちろんのこと、速度と正確性が求められる。競技走行において人間は自らが見ているコース情報を基に、走行経路を予測したうえで高速かつ正確に操縦している。
そこで本研究では、視覚から得た情報を基に、目的地へ向かうための指示を出すデータ処理を深層学習で行いレーシングカートに搭載した。目標は、カートレース場（対象：ドリーム平塚）で初心者並みの平均タイムで走行することとした。

事前検討とaして、Jetson Nano（以下「Jetson」とする）を搭載したラジコンカー（以下「Jetracer」とする。Fig.1)を使用した。テストコース(5.36m×8.23m)はFig.2に示す。場所は本学C-5号館1階ロビー、Kaitアリーナで行った。

学習手順は以下通りである。

最初に、本学C-5号館１階ロビーにて走行を行った。その結果、コース内の走行は困難であった。原因としては、窓から差し込む太陽光によって画像が白飛びし、誤認識が引き起こされ、コースアウトに至ったと考えられる。そのため、Kaitアリーナへ実験場所を移動し、再度走行実験を行った。その結果、安定した走行に繋がった。
走行時間は、１周最速ラップタイム9.45sで走行できた。人間の平均タイムが7.0sであるため、ほぼ初心者並みの走行が達成できた。

事前検討を終え、以下の実験材料を揃えた。実験装置の完成形をFig.4に示す。

実験場所を学内にある陸上競技用400mトラック（以下「トラック」とする。Fig.5)へ移し、手順はJetracerと同様に行った。ただし、本実験では駆動用モーターは一定速度に設定し、操舵用モーターをJetsonにより制御した。ハードウェア構成をFig.6に示す。

実験の結果、400mトラックに沿って最大速度15km/h、1周約120秒で周回することができた。
課題は、Jetracer同様に環境要因が働き、正常に走行しない場合があることである。データ例をFig.7に示す。（白〇：設定した目標点、黒●：Jetsonが出力した目標点）

屋外ということもあり、Jetracer以上に環境要因に影響された。トラックレーンの誤認識例として、サッカーコートやベンチ、日差しによる影が挙げられる。晴天時の昼間は比較的影響が少なかった。また、実験場所が広大であるため通信を安定させる必要があった。さらに、人間搭乗状態で学習したため、無人走行させると重量変化により走行結果が異なった。走行性能を向上させるためには、これらの問題解決を行う必要があると考えられる。

本研究では、カートコースでの走行は至らなかったが、晴天の昼間に400mトラックを周回することに成功した。
上述の課題解決により、さらに安定した走行が期待できる。