Japanese subtitles

← 05x-01 Office Hours Week 4

dummy description

Get Embed Code
2 Languages

Showing Revision 1 created 10/29/2014 by Udacity.

  1. こんにちは 第4回オフィスアワーへようこそ
  2. フォーラムではいい議論と質問が
    いろいろありました
  3. まずマイトゥールの質問から紹介します
  4. 前回のオフィスアワーでは講義終了時に
    課題プロジェクトを出す話がありましたが
  5. 実際にロボットカーは作りますか?
  6. 実は最終講義を撮り終えたばかりで
  7. 車のシミュレーションのまとめに
    多くの時間を割きました
  8. しかし残念ながら実際の車ではありません
  9. 内容をすべてまとめるには丸一日かかりました
  10. 表面上はすべての要素をうまく組み合わせますが
  11. プランナが作り出すものとコントローラが
    必要とするものが違うことに気づきます
  12. 実はパラメータを調整することが難題でしたが
  13. 最終講義では先に環境を与えて車をAからBまで
    運転させる問題を解いてもらいます
  14. 実際に現場で試してもらってもかまいません
  15. 講義が進むにつれ
    私の実装のほとんどをお教えしますので
  16. それが動作するように細部を入力してください
  17. 残念ながら本物の車を
    皆さんに提供することはできませんが
  18. 最終の例題からも分かるように
    講義してきたのは中核となる方法です
  19. 方向性は与えてくれますが
    実際の運転に十分な方法ではありません
  20. この講義の内容をさらに深めていけば
    よりスムーズで簡潔に実現できるでしょう
  21. タングルドの質問です レッスン4ー14で車の
    クラクションの話題が出ましたが
  22. ジュニアはクラクションを聞き分けられますか?
  23. またマイクロホンセンサにより音の影響を受けたり
    自動でクラクションを鳴らしたりしますか?
  24. ジュニアはどちらもできません
  25. 自信を持って安全に運転するにはクラクションが
    必要だという国や地域もあります
  26. しかし私たちは音声通信を
    実験に取り入れないことに決めました
  27. 次はジョージからの質問です
    十分な計算能力があるなら
  28. 何度も再計画することが可能ですが
  29. A*は静的で決定論的な世界を仮定します
  30. A*を使用する際に陥りやすい点はありますか?
  31. またその代わりとなるアルゴリズムは何ですか?
  32. 非常に深くて すばらしい質問です
  33. 私はその研究に何年も捧げましたし
  34. 何人もの博士課程の学生に
    その主題で学位を与えました
  35. A*は計画のすばらしさを体験できますが
    未解決の問題点も多くあります
  36. たとえばコイン投げをして
    両方の結果を追求するような
  37. 分岐結果には対応できないのです
  38. 情報収集にも対応できません
  39. 計画においてやるべきことは
    不確実性を減らすためにある動作を取ることです
  40. たとえば食料品店に行く時
    お金があるか分からないとします
  41. 私は財布があるか確認するでしょう
  42. この確認動作はポケットに財布があるという情報を
    もたらす以外に影響はありません
  43. そして今のところA*では
    このようなことはまったくできません
  44. 私が以前に話したダイナミック・プログラミングは
  45. 実際に複数の結果を追求して
    まとめることができます
  46. 計算上では低効率なので
    全状態空間を確認する必要があります
  47. ユニバーサル計画を書いたことは
  48. すべての可能な組み合わせを
    追求する上での副産物でした
  49. 状態空間が拡大すると
    ダイナミック・プログラミングはスケールしません
  50. これも大きな未解決問題です
  51. さてGoogleマップなどを使うと
    二点間の経路計画を即座に作成できます
  52. Googleが行っていたのは主な代替案を
    事前にキャッシュに格納することです
  53. 計画問題で最短経路を見つけることは
    テーブルを参照することです
  54. 実に最適な方法で行われました
  55. 経路計画において最適であることを証明できます
  56. これはA*をはるかに超えたすばらしい成果です
  57. 計画分野は講座で触れた内容より
    さらに面白いので皆さんに興味を持ってほしいです
  58. 私たちがA*を使い現在の環境でいかに
    再計画に取り組んだかというと
  59. 非常に早く計画を行いました
  60. 高速のA*バージョンがありましたので
  61. 新しいものがあれば
    再計画を行うだけでよかったのです
  62. ダイナミック・プログラミングについて
    触れましたが
  63. ジュニアの計画ポリシーの大きさは?
    という関連した質問がありました
  64. ジュニアやGoogle自動運転車の場合は
    あまり計画を行いません
  65. 基本的に車両そのものの視覚地平線以内の
    計画を行ないます
  66. ここからパリへの経路や
    どの道路を使うかの問題には取り組みません
  67. Googleマップで解決済みと仮定しています
  68. すべての自動運転において固定進路を仮定し
    詳細が決まれば
  69. 計画はすべて
    ロボットの視覚範囲内で行われます
  70. 一般的な三次元状態空間でxとyと方向です
  71. また一部の実験には速度を状態変数として使います
  72. 状況の改善や速度を上げるために
    少し回り道をしたくなるかもしれません
  73. ですが比較的 低次元空間です
  74. コストのかかる左折について
    もう1点質問があります
  75. 動作のコストは動的変数として
  76. 絶えず更新されていますか?
    それとも固定ですか?
  77. 動作のコストに取り組む方法として
    全体像を見ます
  78. たとえばAからB地点までのコストを調べて
    局所像へ戻ります
  79. この局所像変数は
    今この時点で車を考慮するためで
  80. 逆に全体像では静止した世界を仮定します
  81. そして左折用に固定のコストを作ります
  82. 局所像では局所的に展開しA*と
    相違のない局所先読み計画もします
  83. そして左折の想定したコストを
    実際のコストで置き換えます
  84. 時には車線変更を計画しても
    違う動作をする場合がありますが
  85. その時点でのコストが高すぎるからです
  86. 車線が空くまで遅い車の後ろについて
    我慢する方を選びます
  87. 2つの計画レベルの間に相互作用があります
  88. 次は多目的環境とは?という質問です
  89. 多目的環境の分かりやすい例は
    駐車場で空いている場所に駐車する場合です
  90. いい問題ですし明確な答えがあるので
    皆さんに課題として出すべきでした
  91. A*において確かに多目的状態を
    ゴール状態として指定することができます
  92. ただヒューリスティック関数が許容できるかを
    確かめなければいけません
  93. いずれかのゴール状態への距離を
    低く見積もるか
  94. または正しく見積もった値が必要です
  95. ダイナミック・プログラミングも同様に
  96. 多目的状態が可能で
    定式化において何の問題もありません
  97. ヒューリスティック関数についても質問があります
  98. 皆さんが知りたいと思っているのは
  99. 選択するヒューリスティック関数によっては
    A*は早くなるのですが
  100. アルゴリズムで推定するのか
    それとも直感や試行錯誤で行われるのか
  101. どうやって決めるのですか?
  102. すばらしい質問ですね 実に深い問題です
  103. 車の領域では実際に
    ヒューリスティック関数を計算し
  104. 2つのヒューリスティック関数を重ね合わせます
  105. 両者とも問題の要点に取り組みますが
    より簡単に計算できます
  106. 障害がある環境があるとしましょう
  107. 計画空間がx、y、方向といった
    三次元だとします
  108. ヒューリスティックを働かせる1つの方法は
    回転自由度を無視して
  109. あらゆる方向へ車輪を移動できると仮定します
  110. 当然ながらロボットを
    あらゆる方向へ移動することは
  111. フィルタや車で制約されるよりも簡単です
  112. 今は二次元問題になり
    三次元から二次元へ行くことによって
  113. 問題全体を即座に解決できます
  114. 二次元で計画し二次元計画の結果を
  115. 三次元プランナで
    ヒューリスティック関数として使います
  116. 二次元のほうが三次元計画より
    はるかに早いので成功します
  117. 車の物理的制約条件を無視することにより
  118. どんな時でもあらゆる方向へ移動できる
    単純な車モデルを選びます
  119. 2つ目のヒューリスティック関数は
    障害のない三次元の問題についてです
  120. x、y、方向という三次元空間で
    回転制約がある三次元ロボットの
  121. ゴール位置への最適動作を
    事前に計画できます
  122. 1回行えばその値は永遠に正解で障害はありません
  123. つまりある目標方向を得るために時には
  124. ある回転が何が何でも必要で
    障害はそれをさらに悪化させます
  125. 障害なしヒューリスティック関数を計算すれば
  126. 過小評価に至り障害があると悪化しますが
    許容できるヒューリスティック関数です
  127. これらの2つのヒューリスティック関数を
    A*に投入すれば
  128. 実際に10から100倍プランナを加速します
  129. とても面白いですね
  130. 今のは例として挙げただけです
  131. すぐに実装しなくてかまいません
    質問がいかに深いかということです
  132. 制約を減らし近道をして問題を解決する
    よい方法を考えることができれば
  133. A*において
    よいヒューリスティック関数になるはずです
  134. 今回はいい質問が多く寄せられました
    また次回も期待しています
  135. ではレッスン5と6の概要をお願いします
  136. その前に皆さんからの質問に感謝します
  137. 質問の深さや内容の理解をうれしく思いました
  138. すばらしいことです
  139. いつ自動運転車を買えますか?という質問より
    うれしい疑問が多く寄せられました
  140. 講義の内容は本当に奥が深いと思います
  141. そして皆さんにはさらに深く応用できるように
    なってほしいと考えています
  142. ですからどんどん質問をしてください
  143. レッスン5と6では制御について学びます
  144. 制御というのは
    抽象的で離散的なブツ切りのコースを
  145. 実際の運転動作へ変える技術です
  146. 運転や時間と同様に制御も連続性があります
  147. つまり離散世界から離れて連続的世界を学ぶのです
  148. レッスン6ではすべてをまとめます
  149. そして私も手伝いながら
    ロボットカーをプログラミングし
  150. 同時に位置推定や
    経路計画や制御を行います
  151. できればシミュレートした車で
    実際の軌道を出力します
  152. 生徒の皆さんも楽しみにしていると思います
  153. また講義でお会いしましょう