1 自己位置推定の基礎
1.1 自己位置推定とは何か
1.2 なぜ自動運転に自己位置推定が重要か
1.3 自己位置推定のあるなしの自動運転の違い
1.4 Iterative Closest Points(ICP)とMonte Carlo Localization(MCL)
1.5 ベイズフィルタSLAMとグラフSLAM
1.6 自己位置推定とSLAMの手法
2 自己位置推定の定式化
2.1 グラフィカルモデルからの定式化
2.2 自己位置推定問題のベイズフィルタとしてへの帰着
2.3 ベイズフィルタと最適化の違い
3 観測モデル
3.1 ビームモデルと尤度場モデル
3.2 動的環境で自己位置が失敗するかの理解
3.3 観測の独立性の仮定の重要性とそれが引き起こす問題
4 パーティクルフィルタを用いた自己位置推定(MCL)
4.1 MCLの概要
4.2 MCLの実装(C++を例に)
5 MCLと機械学習を用いたEnd-to-End自己位置推定の融合
5.1 重点サンプリング
5.2 End-to-End自己位置推定とモンテカルロドロップアウト
5.3 重点サンプリングを介したEnd-to-End自己位置とMCLの融合
6 動的環境下での自己位置推定
6.1 観測物体のクラスを考慮した自己位置推定
6.2 環境変化に対する頑健性の向上
6.3 計算・メモリコストを増大させない頑健性の向上
7 自己位置推定結果の信頼度推定
7.1 信頼度付き自己位置推定
7.2 深層学習を用いた自己位置推定の失敗検出
7.3 深層学習の不確かさを考慮したモデル化
7.4 信頼度に基づく自己位置推定結果の正誤理解
8 まとめ