世界初のTrue-solid-state型マルチビーム方式LiDAR
周辺環境計測システム「XenoLidar」

ベルギー・XenomatiX N.V.（以下、XenomatiX社）製の周辺環境計測システム「XenoLidar」は、自動車のルーフなどに取り付け、レーザーを照射し反射光を検知することで周辺環境を測定する、高精度な光学センサーです。世界で初めて^※1LiDARにマルチビームを採用したTrue-solid-state型マルチビーム方式のLiDARとして特許を出願中です。可動部分と回転機構を持たないため、壊れにくく、かつ自動車へ導入する際には設置場所の自由度が限りなく広がります。さらに、数千本のレーザー照射により一度に多くのターゲットをより高速で高分解能に検出でき、XenomatiX社独自のレーザー技術により、昼夜・天候を問わず、小さな対象物においても200m先まで正確に検知・計測します。対象物の位置情報、車両との距離情報、移動情報など、様々な情報が取得できます。

^※1 True-solid-state型マルチビーム方式LiDARとして。2018年8月27日時点。東陽テクニカ調べ。

◆「XenoLidar」の特長◆

・True-solid-state型
　可動部分、回転機構を持たないため、小型で壊れにくく、設置場所の自由度が広がる

・3D点群データと2D画像のリアルタイム取得
　2つのデータ取得により、対象物の高精細な判別が可能

・200mの距離計測能力
　20%の反射率で測定が可能で、昼夜・天候問わず正確な計測を実現

・マルチビーム方式
　160,000点/秒（50Hzデータ出力）と高速で高空間分解能な計測が可能

◆アプリケーション例◆
1. オブジェクトトラッキング
車両や人、建物など一度に多くの対象物を追跡できます。車両と各対象物との距離も正確に測定することができ、移動している対象物の速度を算出することも可能です。

2. 走行可能エリア（フリースペース）検出
通行する人や車両、車道と歩道の道幅、その他様々な対象物を「XenoLidar」で認識することにより、自動運転車が走行可能なエリア（フリースペース）を高速・高空間分解能で検出することが可能です。

◆公道での実測例◆
「XenoLidar」は、3D点群データだけではなく同時に2D画像を取得することが可能で、対象物の判別がしやすくなります。下図は、3D点群データと2D画像を合成した公道での実測例で、自転車がこちらに近づいてくる様子が分かります。 点群の色の違いは対象までの距離を表し、青色の点は近くを、赤色の点は遠くを表しています。

◆仕様◆

★本件に関するお問い合わせ先★
株式会社東陽テクニカ　機械制御計測部　水戸部 涼太（みとべ りょうた）
TEL：03-3245-1242（直通） E-mail：ele2@toyo.co.jp
周辺環境計測システム「XenoLidar」紹介ページ：
https://www.toyo.co.jp/mecha/products/detail/xenolidar.html
（関連製品）路面形状計測システム「XenoTrack-RT」紹介ページ：
https://www.toyo.co.jp/mecha/products/detail/xenotrack_rt.html

自動車用センサという言葉が世間の注目を集めるようになったのは多分1970年代のエンジンの電子制御に関連した部品としてではないかと思う。当時排ガス規制への対応のために多くのセンサからの情報をもとにマイクロコンピュータにより最適な燃料噴射や点火時期を計算してアクチュエータを制御するような電子システムが開発され、それにともない様々なセンサが用いられるようになった。この頃カーエレクトロニクスという言葉がよく使われるようになり、自動車が従来の機械からメカトロニクスのシステムへと変貌していったというような印象を受けたことが思い出される。但し、センサはよく「千差万別」と言われるようにその内容が検出対象やシステムによりかなり異なり、必要とされる技術が多岐にわたるために一義的に述べるのは容易ではないように思う。本稿では著者の自動車用半導体センサの研究開発の経験をもとに「自動車用センサとは何か」というテーマと関連する事柄について、以下4回にわたって記述していきたいと思う。

１．自動車用センサの特徴

最初に自動車用センサの特徴について述べたいと思う。一般に自動車用センサの要件としては次の3点がよく挙げられる¹⁾。

１）小型，軽量　
２）高い信頼性（温度，振動，EMI）
３）低コスト

自動車用センサの仕様／･価格を家電用及び産業用のセンサと比較した例を表１に示す。これらの値は代表的なものを挙げてあるだけで全ての場合に当てはまるわけではないが、全体としての傾向が示されているように思う。自動車用センサは近年の携帯機器やウェアラブルエレクトロニクスほどではないが、設置型の機器と比較するとより小型・軽量化が求められ、1980年代のエレクトロニクス勃興期に従来の機械式から電子式へと大きく変貌していった²⁾。この電子化において大きな役割を果たしたのが半導体チップの中で微小な機械構造体を実現するMEMS (Micro Electro Mechanical Systems) 技術であり、これについては第3回でもっと詳しく述べていきたいと思う。またセンサを含む電子部品の小型化には表面実装や小型パッケージなどによる実装技術の進歩が大きく貢献している。

自動車用センサは家電用や産業用と比較して使用環境が飛びぬけて過酷であり、また自動車用電子部品は10～20年という極めて長い製品寿命を要求される。これを満足させるために長期の信頼性試験を行うことが自動車用センサ開発の大きな課題となっている。最近のセンサの傾向として、メカ部のＭＥＭＳ化や信号処理ＬＳＩ内蔵による高機能化といった半導体素子の占める比重が高くなっており、センサの信頼性試験も半導体の試験にセンサ固有の試験を追加するような構成となっているものが多い。自動車用半導体の信頼性試験については代表的なものとして米国における規格化の団体AEC（Automotive Electronics Counsil）が規定しているIC用の信頼性試験仕様Q100が参考になると思う。この中では対象のICをその使用温度範囲によって５つのグレードに分けて、試験内容を規定している。例えば、最も厳しい使用温度範囲-40～150℃の”grade 0″では温度サイクル試験は-50⇔150℃で2000サイクルと規定されている。特に高温環境下で使用されるセンサについては必要とされる信頼性試験期間が極めて長くなり、その開発期間（Turn Around Time）を短くすること重要な課題となっている。

さらに自動車用センサの信頼性を考える上で重要なポイントとしては、それが故障したときに電子システムに及ぼす影響を極力抑えるように構成することがある。一般に自動車用部品の開発においてはFMEA（Failure Mode and Effect Analysis）を用いて、いろいろな故障モードの影響を検討し、重大度、発生頻度、検出度の総合評価をもとにその結果を設計にフィードバックする手法が取られている。センサについてもこれらの結果により形状・ピン配置・材料などについて見直すことがある。

全体として自動車用センサを家電用や産業用と比較すると、精度は家電用と産業用の中間的な値だが、使用環境は両者よりもずっと厳しく、数量的には大量に使用されるものの価格は家電用並みに低く抑え込まれているとまとめることができる。次回以降では自動車用センサの具体的な中身について述べていきたいと思う。

次週に続く―

１．自動運転時代に求められるドライバモニタリング

近年、運転中のドライバをセンシングする技術への関心が高まってきている。この目的のひとつとして、ドライバ起因による交通事故を未然に防止することが挙げられる。統計によれば、日本における交通事故発生件数は2004年をピークとして減少しているものの、2018年の交通事故死傷者数は約58万人を超えており、依然として高い発生件数で推移している¹⁾。事故原因の分析によると、発見の遅れ、判断の誤りなど、事故直前のドライバの行動・状態が不適切であることが要因の75％を占めている²⁾。そのため、ドライバが運転に適切な状態であるかをセンシングし、その状態に応じてドライバへの働きかけができれば、多くの事故を未然に防止できると考えられる。

一方、今後実用化が期待される自動運転においても、ドライバ状態をセンシングするニーズは高い。自動運転はその自動化段階によってレベルが定義されており、SAEインターナショナルによる５段階のレベル分けが一般的に使われることが多い。近年の自動運転関連技術の開発状況および自動車業界動向等から、自動運転の実用化は段階的に進展すると考えられており、当面の間はレベル０～２が主流を占めると予想される。レベル２までの自動運転においては、自動運転中もドライバが運転の安全に責任を持つこととなり、周辺状況や運転状態を監視することが求められる。また、道路環境や交通状況が自動運転システムの想定範囲を超える場合など、自動運転から手動運転への急な変更要請も発生することが想定され、そのような場合に備えてドライバは常に運転に即座に戻れる状態である必要がある。こういった状態を担保するため、ドライバ状態をモニタリングする機能が重要となる。
本稿ではドライバ状態を高精度に認識するためにわれわれが近年開発した³⁾「ドライバ運転集中度センシング技術」を例に取り上げ、自動車に搭載したセンサによってリアルタイムにドライバ状態をセンシングするための手法について解説する。

２． 運転集中度センシング技術の構成

図１に本センサによるドライバ状態認識の処理の流れを記載する。カメラから得られた画像列に対して認識処理が適用される。認識処理は大きく分けて３つの要素から構成されており、まず顔画像センシング技術を適用することにより顔の局所的な情報を取得する。同時にConvolutional Neural Network（以下CNN）⁴⁾ を用いドライバの姿勢に相当する特徴を取得する。そしてこれらの出力を統合し、再帰型ニューラルネットワークの1種である、Long Short-Term Memory(以下LSTM)⁵⁾を用いて、時々刻々変化するドライバ状態の遷移を認識する。以下各要素について概要を述べる。

次週に続く―

1 自動運転技術への取り組みが活発化

最近，各種の自動走行移動サービスの実現に向け，米国をはじめとして，自動運転に関する技術開発が世界各国で目覚ましく活発化している。Google社が自動運転機能を乗用車（トヨタ・プリウス）に搭載して初めて高速道路を走行したのは2009年であるが^1），その後に同社は，着々と技術蓄積を進め，2016年10月末には，自動運転モードでの公道での走行距離が2.23 百万マイル（約3.6百万km）に達した^2）。同社が現在公道で走行させている自動運転機能搭載車は，レクサスRX450h SUV24台及びプロトタイプ車34台である。

またTesla 社は，2016年10月19日，同社が販売する全車両への自動運転機能の搭載を同日から実施すると発表した^3）。また，Uber 社は，2016年9月14日，米国ペンシルバニア州ピッツバーグで，選ばれた顧客向けに「自動運転車」の配車サービスを開始した^4）。ドイツでは，Audi 社が2017年中に自動運転機能を搭載したA8 を発売する予定である^5）。日本では，2020年の東京オリンピック・パラリンピックに向け，自動走行システム実用化の加速を図るべく，戦略的イノベーション創造プログラム（SIP）「自動走行システム」の一環として，2017年9月頃から2019年3月にわたり，「自動走行システム」の大規模実証実験を実施することが，内閣府から2016年11月15日に発表された^6）。

NHTSA（米国運輸省・道路交通安全局）は，自動運転車の開発と普及による交通安全の加速を図るべく，メーカーが自社製品を公道で走行させる前に満たす必要のある15項目の基準を盛り込んだ自動運転車に関する指針^7）を，2016年9月20日に正式に発表した。NHTSAは，加速・操舵・制御及び運転環境の監視などを，ドライバーとシステムのいずれが行うのかという観点などから，これまで自動制御システムをレベル1からレベル4までの4段階で区分していたが，2016年9月に発表された上記の指針では，SAE（自動車技術者協会）が策定したレベル5までの5段階の区分を採用した。なお，SAEによる自動運転車に関するガイドの初版の発行年月は2014年1月であるが，2016年9月にはその改訂版^8）が発行された。

2 自動運転レベルの分類と自動運転に必要と想定されるセンサーの市場予測

表1 に，SAEによる自動運転レベルの分類の概要を示す。詳しくは，原資料^8）を参照されたい。これによれば，レベル2まではドライバー側に運転環境監視の責任がある。レベル2のシステムは，部分的自動運転システムであって自動運転システムの範疇には含まれない。レベル3 からは運転環境監視の責任がシステム側にある自動運転システムとなるが，緊急時への対応などに応じていくつかのレベルが分かれている。自動運転という場合には，どのレベルに相当するのかによってユーザーに必要な対応などが異なるので注意が必要である。

自動運転レベルに応じて，必要となるセンサーモジュールの種類及び個数は異なる。また，自動運転システムを開発しているメーカーごとに，システムの設計思想が異なっているため，必要となるセンサーの種類及び個数も異なる。例えば，Ford 社の自動運転用テスト車には，レ－ダーやカメラのほかに4 台のLiDARが搭載されている^9）が，Tesla社が市販している自動運転機能搭載車には，多数のレーダーやカメラは搭載されているものの，LiDARを搭載する予定は現在のところないらしい^10）。自動運転レベルに必要と推定されるセンサーモジュールの種類並びに個数に関するYOLE Development 社による市場予測の一例を表2に示す^11）。なお，センサー技術は日進月歩であり，またセンサーのコストダウン率はセンサーごとに異なるので，将来に必要となるセンサーの種類及び個数は，現在想定されているものと大幅に異なる可能性があるので，この点留意する必要がある。

Goldman Sachs社は，運転支援及び自動運転機能に係わる各種の構成要素に関する2015年から2050年にかけての長期にわたる詳しい市場予測を報告している^12）。これによれば，運転支援及び自動運転機能に関する市場規模は，2015 年は約28.9 億ドルであるが，2020年，2030年，2040年及び2050年には， それぞれ約275億ドル， 約1,970 億ドル，約3,130 億ドル及び約3,120億ドルになると推定されている。運転支援及び自動運転機能に係わる各種構成要素のうち，カメラ，レーダー及びLiDARに関する市場規模の予測値を抜き出し，図1にそれらの推移をグラフにして示す。これによれば，LiDARの普及はレーダーよりも数年遅れるが，2035 年以降のLiDARの市場規模は，レーダーのそれよりもかなり大きい。

レーダーは，レベル2のシステムでも大きなニーズあると想定されているのに対して，LiDARはレベル3以降のシステムでないとニーズがあまり大きくならないと想定されている。このためLiDARの普及はレーダーよりも遅れるが，LiDARの単価がレーダーの単価よりも一般に高価であるため，自動運転レベルの高いシステムが普及するようになる2030 年頃になると，LiDARの市場規模が急増するものと考えられる。

表3 に，各種センサーの機能・性能を相互比較した例を示す^13）。各種センサーにはそれぞれ一長一短があるので，これら各種センサーを組み合わせてセンサーフュージョンを行うことにより，センサー単独では足りなかった機能・性能を補うことができ，自動運転に最適なシステムを構築できる。

■Recent Trends in LiDARs for Automotive Applications
■Kumihiko Washio
■Paradigm Laser Reasearch Ltd.
ワシオ　クニヒコ
所属：㈲パラダイムレーザーリサーチ　取締役社長

（月刊ＯＰＴＲＯＮＩＣＳ2017年2月号より転載）

次週へ続く―