●対象聴講者
・ロボットや自動車の自動走行に興味がある方
・自己位置推定に関する知識を深めたい方
・確率モデリングに興味のある方

●講演の目標
・自己位置推定の背景などを含めた基礎的な知識を習得する
（なぜ自動走行に必要か，なぜ難しいか，どのように発展したか，など）
・パーティクルフィルタによる自己位置推定が自身で実装できる，
　かつそれに関する数学的知識を身に付ける
・現状の問題を把握し，先端研究がどのような問題を解決しようとしているかを理解する


●内容
1 なぜ自動運転に自己位置推定が重要なのか
　1.1 自己位置推定とは
　1.2 環境コンテクストの理解と自己位置推定

2 自己位置推定（とSLAM）の発展と機械学習を用いた最新手法
　2.1 自己位置推定・SLAMとは
　2.2 従来法発展の流れ
　2.3 最近の手法の紹介

3 自己位置推定の定式化
　3.1 確率の復習・および自己位置推定問題の確率的定式化
　3.2 グラフィカルモデル
　3.3 ベイズフィルタとの対応

4 観測モデル（自己位置推定における困難な点）
　4.1 観測モデルとは
　4.2 代表的な観測モデル（ビーム・尤度場モデル）
　4.3 観測の独立性がもたらす利点と欠点

5 パーティクルフィルタに基づく自己位置推定（モンテカルロ位置推定：MCL）
　5.1 最適化ベースと確率ベースの位置推定の違い
　5.2 モンテカルロ位置推定における工夫

6 環境変化に頑健な自己位置推定
　6.1 自己位置推定はなぜ環境変化に脆弱か
　6.2 環境変化を明示的に考慮する観測モデル

7 信頼度付き自己位置推定
　7.1 通常の自己位置推定の問題点
　7.2 自己位置推定における信頼度
　7.3 機械学習の活用による自己位置推定の信頼度の推定

8 観測値と地図の間に生じるミスマッチの認識
　8.1 ミスマッチを認識することの困難さ
　8.2 観測全体の関係性を考慮するための確率モデル

9 深層学習を用いた自己位置推定とMCLの融合
　9.1 深層学習を用いたEnd-to-End自己位置推定の利点と欠点
　9.2　パーティクルの尤度はどう決まるか（重点サンプリング）
　9.3 End-to-End自己位置推定の欠点を克服する融合方法

10 まとめ

●参考文献
・赤井 直紀 著，LiDARを用いた高度自己位置推定システム，コロナ社．




位置推定のイメージ画像