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

1. Title:
   05x-01 Office Hours Week 4
2. Description:

   dummy description

3. 500 0:00 - 0:02
   こんにちは　第4回オフィスアワーへようこそ
4. 2000 0:02 - 0:06
   フォーラムではいい議論と質問が
   いろいろありました
5. 6000 0:06 - 0:09
   まずマイトゥールの質問から紹介します
6. 9000 0:09 - 0:15
   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
7. 15000 0:15 - 0:18
   実際にロボットカーは作りますか？
8. 18000 0:18 - 0:21
   実は最終講義を撮り終えたばかりで
9. 21000 0:21 - 0:25
   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
10. 25000 0:25 - 0:29
    しかし残念ながら実際の車ではありません
11. 29000 0:29 - 0:32
    内容をすべてまとめるには丸一日かかりました
12. 32000 0:32 - 0:37
    表面上はすべての要素をうまく組み合わせますが
13. 37000 0:37 - 0:44
    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
14. 44000 0:44 - 0:47
    実はパラメータを調整することが難題でしたが
15. 47000 0:47 - 0:53
    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
16. 53000 0:53 - 0:58
    実際に現場で試してもらってもかまいません
17. 58000 0:58 - 1:02
    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
18. 62000 1:02 - 1:05
    それが動作するように細部を入力してください
19. 66000 1:06 - 1:11
    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
20. 71000 1:11 - 1:16
    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
21. 76000 1:16 - 1:20
    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
22. 80000 1:20 - 1:26
    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
23. 86000 1:26 - 1:32
    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
24. 92000 1:32 - 1:34
    ジュニアはクラクションを聞き分けられますか？
25. 94000 1:34 - 1:39
    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？
26. 99000 1:39 - 1:42
    ジュニアはどちらもできません
27. 102000 1:42 - 1:49
    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
28. 109000 1:49 - 1:54
    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
29. 114000 1:54 - 1:58
    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
30. 118000 1:58 - 2:01
    何度も再計画することが可能ですが
31. 121000 2:01 - 2:04
    A＊は静的で決定論的な世界を仮定します
32. 124000 2:04 - 2:07
    A＊を使用する際に陥りやすい点はありますか？
33. 127000 2:07 - 2:11
    またその代わりとなるアルゴリズムは何ですか？
34. 131000 2:11 - 2:14
    非常に深くて すばらしい質問です
35. 134000 2:14 - 2:17
    私はその研究に何年も捧げましたし
36. 137000 2:17 - 2:21
    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
37. 141000 2:21 - 2:27
    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
38. 147000 2:27 - 2:31
    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
39. 151000 2:31 - 2:34
    分岐結果には対応できないのです
40. 154000 2:34 - 2:37
    情報収集にも対応できません
41. 157000 2:37 - 2:43
    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
42. 163000 2:43 - 2:47
    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
43. 167000 2:47 - 2:50
    私は財布があるか確認するでしょう
44. 170000 2:50 - 2:55
    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
45. 175000 2:55 - 2:59
    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
46. 179000 2:59 - 3:02
    私が以前に話したダイナミック・プログラミングは
47. 182000 3:02 - 3:05
    実際に複数の結果を追求して
    まとめることができます
48. 185000 3:05 - 3:09
    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
49. 189000 3:09 - 3:12
    ユニバーサル計画を書いたことは
50. 192000 3:12 - 3:15
    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
51. 195000 3:15 - 3:19
    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
52. 199000 3:19 - 3:21
    これも大きな未解決問題です
53. 201000 3:21 - 3:26
    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
54. 206000 3:26 - 3:31
    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
55. 211000 3:31 - 3:37
    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
56. 217000 3:37 - 3:39
    実に最適な方法で行われました
57. 219000 3:39 - 3:41
    経路計画において最適であることを証明できます
58. 221000 3:41 - 3:45
    これはA＊をはるかに超えたすばらしい成果です
59. 225000 3:45 - 3:51
    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
60. 231000 3:51 - 3:56
    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
61. 236000 3:56 - 3:58
    非常に早く計画を行いました
62. 238000 3:58 - 4:01
    高速のA＊バージョンがありましたので
63. 241000 4:01 - 4:05
    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
64. 245000 4:05 - 4:08
    ダイナミック・プログラミングについて
    触れましたが
65. 248000 4:08 - 4:14
    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
66. 254000 4:14 - 4:19
    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
67. 259000 4:19 - 4:23
    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
68. 263000 4:23 - 4:27
    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
69. 267000 4:27 - 4:29
    Googleマップで解決済みと仮定しています
70. 269000 4:29 - 4:34
    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
71. 274000 4:34 - 4:38
    計画はすべて
    ロボットの視覚範囲内で行われます
72. 278000 4:38 - 4:43
    一般的な三次元状態空間でxとyと方向です
73. 283000 4:43 - 4:47
    また一部の実験には速度を状態変数として使います
74. 287000 4:47 - 4:51
    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
75. 291000 4:51 - 4:54
    ですが比較的 低次元空間です
76. 294000 4:54 - 5:00
    コストのかかる左折について
    もう1点質問があります
77. 300000 5:00 - 5:03
    動作のコストは動的変数として
78. 303000 5:03 - 5:06
    絶えず更新されていますか？
    それとも固定ですか？
79. 306000 5:06 - 5:10
    動作のコストに取り組む方法として
    全体像を見ます
80. 310000 5:10 - 5:17
    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
81. 317000 5:17 - 5:21
    この局所像変数は
    今この時点で車を考慮するためで
82. 321000 5:21 - 5:24
    逆に全体像では静止した世界を仮定します
83. 324000 5:24 - 5:27
    そして左折用に固定のコストを作ります
84. 327000 5:27 - 5:33
    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
85. 333000 5:33 - 5:38
    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
86. 338000 5:38 - 5:43
    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
87. 343000 5:43 - 5:45
    その時点でのコストが高すぎるからです
88. 345000 5:45 - 5:49
    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
89. 349000 5:49 - 5:53
    2つの計画レベルの間に相互作用があります
90. 353000 5:53 - 5:56
    次は多目的環境とは？という質問です
91. 356000 5:56 - 6:02
    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
92. 362000 6:02 - 6:07
    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
93. 367000 6:07 - 6:11
    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
94. 371000 6:11 - 6:15
    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
95. 375000 6:15 - 6:19
    いずれかのゴール状態への距離を
    低く見積もるか
96. 379000 6:19 - 6:22
    または正しく見積もった値が必要です
97. 382000 6:22 - 6:25
    ダイナミック・プログラミングも同様に
98. 385000 6:25 - 6:29
    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
99. 389000 6:29 - 6:32
    ヒューリスティック関数についても質問があります
100. 392000 6:32 - 6:34
     皆さんが知りたいと思っているのは
101. 394000 6:34 - 6:39
     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
102. 399000 6:39 - 6:42
     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
103. 402000 6:42 - 6:44
     どうやって決めるのですか？
104. 404000 6:44 - 6:49
     すばらしい質問ですね　実に深い問題です
105. 409000 6:49 - 6:55
     車の領域では実際に
     ヒューリスティック関数を計算し
106. 415000 6:55 - 6:59
     2つのヒューリスティック関数を重ね合わせます
107. 419000 6:59 - 7:03
     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
108. 423000 7:03 - 7:06
     障害がある環境があるとしましょう
109. 426000 7:06 - 7:10
     計画空間がx、y、方向といった
     三次元だとします
110. 430000 7:10 - 7:13
     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
111. 433000 7:13 - 7:16
     あらゆる方向へ車輪を移動できると仮定します
112. 436000 7:16 - 7:19
     当然ながらロボットを
     あらゆる方向へ移動することは
113. 439000 7:19 - 7:22
     フィルタや車で制約されるよりも簡単です
114. 442000 7:22 - 7:26
     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
115. 446000 7:26 - 7:28
     問題全体を即座に解決できます
116. 448000 7:28 - 7:32
     二次元で計画し二次元計画の結果を
117. 451800 7:32 - 7:35
     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
118. 455000 7:35 - 7:39
     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
119. 459000 7:39 - 7:43
     車の物理的制約条件を無視することにより
120. 463000 7:43 - 7:47
     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
121. 467000 7:47 - 7:53
     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
122. 473000 7:53 - 7:58
     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
123. 478000 7:58 - 8:03
     ゴール位置への最適動作を
     事前に計画できます
124. 483000 8:03 - 8:07
     1回行えばその値は永遠に正解で障害はありません
125. 487000 8:07 - 8:11
     つまりある目標方向を得るために時には
126. 491000 8:11 - 8:15
     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
127. 495000 8:15 - 8:18
     障害なしヒューリスティック関数を計算すれば
128. 498000 8:18 - 8:22
     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
129. 502000 8:22 - 8:25
     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
130. 505000 8:25 - 8:30
     実際に10から100倍プランナを加速します
131. 510000 8:30 - 8:32
     とても面白いですね
132. 512000 8:32 - 8:34
     今のは例として挙げただけです
133. 514000 8:34 - 8:38
     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
134. 518000 8:38 - 8:44
     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
135. 524000 8:44 - 8:47
     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
136. 527000 8:47 - 8:52
     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
137. 532000 8:52 - 8:55
     ではレッスン5と6の概要をお願いします
138. 535000 8:55 - 8:57
     その前に皆さんからの質問に感謝します
139. 537000 8:57 - 9:01
     質問の深さや内容の理解をうれしく思いました
140. 541000 9:01 - 9:03
     すばらしいことです
141. 543000 9:03 - 9:09
     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
142. 549000 9:09 - 9:12
     講義の内容は本当に奥が深いと思います
143. 552000 9:12 - 9:18
     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
144. 558000 9:18 - 9:21
     ですからどんどん質問をしてください
145. 561000 9:21 - 9:26
     レッスン5と6では制御について学びます
146. 566000 9:26 - 9:32
     制御というのは
     抽象的で離散的なブツ切りのコースを
147. 572000 9:32 - 9:35
     実際の運転動作へ変える技術です
148. 575000 9:35 - 9:38
     運転や時間と同様に制御も連続性があります
149. 578000 9:38 - 9:42
     つまり離散世界から離れて連続的世界を学ぶのです
150. 582000 9:42 - 9:46
     レッスン6ではすべてをまとめます
151. 586000 9:46 - 9:52
     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
152. 592000 9:52 - 9:56
     同時に位置推定や
     経路計画や制御を行います
153. 596000 9:56 - 10:01
     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
154. 601000 10:01 - 10:04
     生徒の皆さんも楽しみにしていると思います
155. 604000 10:04 - 10:07
     また講義でお会いしましょう