Scout Eに決定

🔹 ロボット候補の比較

  • Waveshare JetBot（ROS対応・LiDAR付き）
    • Jetson Nano（別売）を搭載すれば、本格的なSLAM・経路計画・センサフュージョン・AI最適化研究が可能。
    • LiDAR＋IMU＋エンコーダが揃っており、Gmapping / Cartographer / AMCL などを動かせる。
    • 室内での自律運搬ロボット（AMR）研究に最適。
  • Moorebot Scout E
    • 1080pカメラ、ToF、IMU、トラック駆動、IPX4防滴。
    • CPUは軽量（ARM A7 / 512MB）でAI処理は外部PC併用が前提。
    • 屋外寄りの実験（除草、巡回、監視、地図なし航法など）に適する。

🔹 用途ごとの適性

用途 JetBot Scout E
室内搬送・AMR研究 ◎ △
除草・屋外巡回 △ ◎
除雪 ×（どちらも非対応） ×
AI/SLAMアルゴリズム検証 ◎ △
屋外耐久性・通信実験 △ ○

🔹 予算別の方向性

  • JetBot (No Jetson)：Jetson Nano B01（約2万円）を追加すれば、SLAM・ナビ・TensorRT最適化など、以前挙げた高度な研究テーマはすべて実施可能。
  • Scout E（単体）：PC併用で軽量ナビ／ランドマーク巡回／低計算量AI／通信信頼性などのテーマを進められる。

🔹 あなたが選んだ方向性

  • 予算の都合から Moorebot Scout E を使用。
  • 研究テーマは 「地図なし（ランドマーク）巡回」 に決定。

🔹 「地図なし（ランドマーク）巡回」計画の概要

  • **AprilTag/ArUcoをランドマーク（ノード）**として配置。
  • タグ間をトポロジ（有向グラフ）で結び、巡回経路を構築。
  • センサ：Scout Eのカメラ＋ToF＋IMUを利用。
  • ナビゲーション方式：地図やオドメトリを使わず、タグ検出・角度制御・距離閾値のみで到達判定。
  • 評価指標：成功率、到達時間、停止回数、タグロストからの再探索回数など。
  • 条件実験：照度、タグサイズ、間隔、遮蔽、床材を変化させて信頼性を比較。
  • 拡張案として、MDP化（報酬設計による探索方策学習）やIMU/光フロー併用によるロスト耐性向上も提案。

🔹 次のステップ提案

  1. AprilTag/ArUcoの印刷と配置設計（例：5ノード・2m間隔）。
  2. apriltag_ros（またはaruco_ros）をPC側で実行し、タグIDと姿勢を受信。
  3. patrol_manager（巡回管理）とnavigator（姿勢制御）のROSノード実装。
  4. 成功率・到達時間・停止回数を10周×3反復で計測。
希望があれば、
  • 印刷用タグPDF（A4サイズ）
  • ROSノードの最小テンプレート（patrol_manager / navigator） を作成して提供できます。 どちらから進めたいですか？
 

つくばチャレンジとは

以下が今回の会話の要約です。

🔹 1. つくばチャレンジとは

  • 茨城県つくば市で毎年行われる自律移動ロボットの公開実験イベント。
  • 実際の遊歩道・街中を舞台にスタートからゴールまで完全自律走行を行う。
  • 順位や賞金はなく、研究・教育・社会実証の場として位置づけられている。
  • 2025年も開催予定で、走行距離は約2.2 km、横断歩道・封鎖回避などの課題が設定されている。

🔹 2. 関連論文の包括的調査

  • 2007年からの歴史を含め、技術的・教育的・社会的意義に関する主要論文を整理。
  • 技術論文：LiDAR SLAM、Teach & Repeat、信号認識、封鎖回避、人物探索、ディープラーニング、磁場補正など。
  • 教育・社会論文：地域連携・公開実験の意義、ロボット教育モデルとしての評価。
  • 油田信一・水川真・橋本秀紀・伊達久史・原慶隆らの一連の成果が中核。

🔹 3. つくばチャレンジ走破戦略

  • まず完走（2.2 km 100分）を最優先、その後に選択課題 B（信号認識）・C（封鎖迂回）で「課題達成」を狙う。
  • 戦略構成：
    1. 安全・合規対策：E-stop、状態表示灯、速度制限6 km/h、防滴対策。
    2. 自己位置推定：LiDAR + IMU + オドメトリでPose-Graph整合、Teach & Repeat併用。
    3. 経路制御：停止線判定・早め減速、動的速度プロファイル。
    4. 知覚処理：コーン検出、信号認識（2回ルール）、封鎖時リプラン。
    5. テスト計画：確認走行500 m合格→混雑・雨天データ回帰→本走行準備。

🔹 4. Scout Eへの落とし込み

  • 課題：Scout Eは小型・非防水・E-stop等非搭載のため、そのままでは規格不足。
  • A案（推奨）：Scout Eを“副脳（カメラ／監視）”として用い、別の4WD台車をメイン車体に。
    • LiDAR + IMU + Jetson構成で本走行対応。Scout Eは信号認識や映像監視を担当。
  • B案（挑戦的）：Scout E単体で走破を目指すが、転倒・防滴・段差対策が必須で難易度が高い。
  • 両案共通でROS 2構成、E-stop・状態表示・速度リミット・安全チェック必須。
  • 推定部品費：およそ ¥60 000 〜 ¥150 000 程度。

🔹 5. 今後の提案

  • A案／B案のどちらを選ぶか決めれば、 → 具体的BOM・ROS 2ノード構成・配線図・CADラフまで作成可能。
  • 目標は 「安全に完走 ＋ B/C課題達成」 を現実的に実現する構成。

SLAMとは

以下がこれまでの会話の要約です。

🧭 全体の流れ

ユーザーさんは SLAM（自己位置推定と地図生成） の基本を理解したうえで、 自分の取り組む 地図を持たない自律走行方式（Scout E などで実装予定） が、どの分類に当たるかを明確にしたいと考えています。

🧩 会話の要点まとめ

1. SLAMの基本構造

  • SLAMは「自己位置推定（Localization）」と「地図生成（Mapping）」を同時に行う技術。
  • センサー（LIDAR・カメラ・IMUなど）を使って未知環境でナビゲーションを実現。

2. カメラ画像から直接速度指令を出す方式

  • 地図を介さず、カメラ画像から直接ロボットの動作を決める手法がある。
  • 主な方式：
    • End-to-End Deep Learning（画像→速度をニューラルネットで学習）
    • Visual Servoing（画像誤差→速度制御量）
    • 行動分類型（RL or 模倣学習）

3. SLAMは地図を持つか？

  • 従来型SLAM：地図を生成・保持する（LIDARやVisual SLAM）。
  • 地図レス方式（VO/VIO）：地図を作らず相対的に移動を推定する。

4. 従来方式の脆弱性

  • 地図更新が必要で、動的環境に弱く、高価なセンサ前提。
  • 更新誤差・ループ閉じ込み失敗・計算負荷などが脆弱性。

5. 地図を固定すれば脆弱性はなくなるか？

  • 地図を更新しなければ破綻は減るが、
    • 環境変化に対応できない
    • 誤差補正ができない
    • 実世界とのズレが増える
  • → 実用上は「地図固定＋ローカル動的更新（ハイブリッド）」が多い。

6. 「従来の地図更新型＝高価センサ前提方式」

  • 意味は通じるが、補足説明が必要。
  • より自然な言い方： 「正確な地図を常に更新し続けるために高価なセンサを必要とする従来型SLAM」。

7. ユーザーさんの方式との関係

  • ユーザーさんの研究は、
    • 地図を持たず、
    • ランドマークを頼りに、
    • 安価なカメラやIMUで走行。
  • → これは 「地図レスSLAM（Mapless Navigation）」 や 「ランドマークベース自律走行（Landmark-based Navigation）」 に該当。

🧾 結論

ユーザーさんの研究は、従来の「地図中心・高価センサ前提SLAM」ではなく、 地図レス＋ランドマークベース自律走行方式（Mapless Navigation） に属します。 特徴は、軽量・安価・動的環境に強い一方、長距離での誤差蓄積をランドマーク検出で補正する構成です。
ご希望なら、この内容を**研究概要や発表要旨（200〜300文字）**に整えた文章にもできますが、作成しますか？  

方法

これまでの会話の要約です👇

🎯 全体の目的

あなたは Moorebot Scout E と RDK X3（Jetson Orin NX搭載） を使い、 「地図や通信に依存しない自律走行基盤」を構築し、 将来的に つくばチャレンジへの参加を見据えた研究申請を準備しています。

🧩 研究内容の整理

  • 目的： 地図維持や外部通信に依存せず、環境変動に強い自律走行アルゴリズムを開発。
  • 手法：
    • カメラ画像→速度指令 (v, ω) を直接出力するエンドツーエンド視覚学習（模倣学習）
    • 軽量モデル（CNN/Transformer）をRDK X3上で量子化推論
    • IMU・ToFによる安全シールド、E-Stopによる緊急停止
    • 評価は SPL ・成功率 ・Near-miss率 など定量指標
  • 研究段階： 今年度はコースで教示データを収集し、モデル学習・リアルタイム動作を確認。 次年度はつくばチャレンジで実証・外部資金申請へ展開。

🛠️ ハードウェア計画

  • Scout E：小型・防滴ロボット。屋外での低速走行に適する。
  • RDK X3：外付け計算機として使用（Jetson Orin NX 相当性能）。 → Scout E単体では演算不足のため、RDK X3が自動運転中の推論装置となる。
  • 追加必要装備：
    • 非常停止スイッチ（E-Stop）
    • 表示灯（状態表示）
    • モバイル電源（USB-PD 65 W以上）
    • 外付けSSD (500 GB) ／ 距離センサ (ToF)
    • 防滴・固定ブラケット類

📅 日程計画（年度内）

時期 内容
4〜6月 環境構築・Scout E /RDK X3 設定・教示コース設計
7〜9月 操縦データ収集・学習データ整備・量子化モデル試作
10〜12月 実装・走行実験・安全機構の検証
1〜3月 評価・成果整理・つくばチャレンジ準備・外部資金資料化

🤖 学習モデルの中身

  • 入力：カメラ画像（+IMU/ToF）
  • 出力：前進速度 v と旋回速度 ω
  • 学ぶ内容：
    • 人間操縦の判断（直進・旋回・減速）
    • 歩道の中央を保つなどの横位置維持
    • 光量・路面・人流の変化に対する頑健性
  • 学習データ目安：
    • 初期：60–90 分（約5–8 万枚）
    • 拡張：3–5 時間（多条件・多時間帯）
    • 汎化：8–12 時間（多地点・多天候）

🌐 学習データの外部ソース

  • Tsukuba Challenge Dataset（過去走行ログ、画像・IMUあり）
  • EgoWalk Dataset（屋外歩行映像 50 h）
  • SCAND Dataset（人混みを避けるナビデータ） → 模倣学習や転移学習の補助データとして利用可能。

🔍 あなたの方式の位置づけ

  • **SLAM非使用チームの「教示再生方式」**を発展させた新型。 地図や通信に頼らず、視覚学習と安全シールドで完結する。 小型・低コストでも研究実証が可能な方向性。
次のステップとしては：
  1. RDK X3でのROS2環境構築
  2. Scout Eの手動操縦データ収集
  3. 初期モデル学習（60〜90分分のデータ）
  4. 量子化してRDK X3上で推論実験 を順に行えば、年度内に「地図不要の自律走行基盤」の実証まで到達できます。