AIエンジニアの面接対策
「IMU と車輪のオドメトリをどう組み合わせますか」|センサーフュージョンの面接対策
更新日 2026年11月16日 / 書いた人 上田 英介(ジンベイ株式会社 代表取締役/職業紹介責任者)
1つのセンサーだけで、ロボットの位置や姿勢を正確に知ることはできません。車輪のオドメトリは滑ると狂い、IMU(加速度と角速度を測るセンサー)は積分するうちにずれ、GNSS は屋内で使えず、カメラや LiDAR は周りの環境に左右されます。そこで、性質の違う複数のセンサーを組み合わせて推定するのがセンサーフュージョンです。
移動ロボット、ドローン、自動運転の会社の面接では、カルマンフィルタの考え方と、実機で起きる問題(ノイズの決め方、時刻のずれ、遅れて届くデータ)がよく聞かれます。この記事では、答えの骨組みから深掘り、よくある失敗、経験の話し方まで解説します。
よく聞かれる質問
- カルマンフィルタは何をしているのですか。数式を使わずに説明してください
- 拡張カルマンフィルタ(EKF)は、どんなときに使いますか
- 観測ノイズとプロセスノイズの共分散は、どう決めますか
- センサーごとに時刻がずれています。どう扱いますか
- 推定が発散しました。何を疑いますか
答えの骨組み
カルマンフィルタは、「予測」と「更新」の2つの段階を繰り返すと説明します。
- 予測:前の時刻の推定と動きのモデル(速度でどれだけ進むか)から、今の状態を予測する。予測するたびに、不確かさ(共分散)は大きくなる
- 更新:センサーの観測が届いたら、予測と観測のどちらをどれだけ信じるかを、両者の不確かさから決めて混ぜる。混ぜる割合がカルマンゲイン
- 観測の不確かさが小さいほど、観測を強く信じる。予測の不確かさが小さいほど、予測を強く信じる
線形のモデルでノイズが正規分布なら、この方法が最適な推定になります。数式で問われたら、次の形を書ければ十分です。
予測: x = F x + B u P = F P Fᵀ + Q
更新: K = P Hᵀ (H P Hᵀ + R)⁻¹
x = x + K (z − H x) P = (I − K H) P
Q がプロセスノイズ(動きのモデルの不確かさ)、R が観測ノイズの共分散です。
深掘りの質問と答え方
「拡張カルマンフィルタは、どんなときに使いますか」
ロボットの向きが入った動きのモデルや、カメラの投影のように、モデルが線形でないときに使います。その時点の推定値のまわりで線形に近似(ヤコビ行列)して、カルマンフィルタを当てはめます。
非線形が強い場合や、ヤコビ行列を求めるのが難しい場合は、代表的な点をいくつか選んで変換する UKF(アンセンテッドカルマンフィルタ)や、多数の候補で分布を表すパーティクルフィルタを使う、と比べて答えます。パーティクルフィルタは、地図の中の自己位置推定(AMCL など)のように、候補が複数の場所に分かれる場合に向いています。
「IMU と車輪のオドメトリと GNSS を組み合わせるとき、どう構成しますか」
ROS 2 なら robot_localization を例に答えられます。
- 1つ目のフィルタで、車輪のオドメトリと IMU を組み合わせ、odom 座標系での滑らかな位置と速度を出す
- 2つ目のフィルタで、それに GNSS を加え、map 座標系での位置を出す(GNSS の値は navsat_transform で地図の座標に変換する)
滑らかさが必要な制御には1つ目、地図に対する位置には2つ目を使う、と役割を分けて説明します。この構成は座標系の考え方とつながるので、座標変換の理解も示せます。
車輪のオドメトリからは、位置ではなく速度だけを入れる、という点も添えると実務的です。オドメトリの位置は誤差が積み重なった値なので、そのまま観測として入れると、ずれを強く信じてしまいます。
「ノイズの共分散はどう決めますか」
- 観測ノイズ R:センサーを止めた状態でデータを取り、ばらつきを測る。データシートの値は目安にとどめる
- プロセスノイズ Q:直接は測れないので、実際に走らせたデータで調整する。Q が小さすぎると観測をほとんど信じず、変化への追従が遅れる。大きすぎると推定がばたつく
- 確かめ方:観測と予測の差(イノベーション)が、フィルタの見込む範囲に収まっているかを統計的に確かめる(正規化したイノベーションの二乗が、カイ二乗分布に従うかを見る)
最後の点を言えると、感覚だけで調整していないことが伝わります。
「センサーごとに時刻がずれています」
時刻の扱いは、実機で最も問題になる部分です。次の順で答えます。
- 時刻を揃える:センサーのデータには、受け取った時刻ではなく、測った時刻を付ける。複数の計算機があるなら PTP や NTP で時計を合わせる。カメラと LiDAR はハードウェアのトリガー信号で同時に撮る方法もある
- ずれを測る:IMU とカメラの間の時刻のずれを、キャリブレーションのツールで推定する(数ミリ秒のずれでも、速く回転すると大きな誤差になる)
- 遅れて届くデータを扱う:処理に時間がかかる観測(画像の処理など)が、後の時刻の IMU より遅れて届くことがある。状態の履歴を保存しておき、観測の時刻まで戻って更新し、そこから予測をやり直す。またはその遅れを前提にした方法を使う
「推定が発散しました。何を疑いますか」
- 座標系や単位の取り違え(IMU の軸の向き、度とラジアン)
- 時刻のずれ、データの順番の入れ替わり
- 外れ値の観測をそのまま入れている(GNSS のマルチパスなど)。イノベーションが大きすぎる観測を捨てる仕組み(ゲーティング)が要る
- 共分散が小さくなりすぎて、観測を受け付けなくなっている
- 数値の誤差で共分散が対称でなくなった(更新の式を数値的に安定な形にする)
よくある失敗
書き換える前 カルマンフィルタを使って、IMU とオドメトリを組み合わせました。
これでは、何を推定し、何を調整し、何がどれだけ良くなったかが分かりません。
書き換えた後 屋内の搬送ロボットで、車輪の速度と IMU の角速度を EKF で組み合わせ、向きの推定を改善しました。床の継ぎ目で車輪が滑ると向きがずれていたので、IMU の角速度を重く信じるように共分散を調整しました。50メートル走らせたときの向きのずれは、約8度から2度以内になりました。
ほかにも、次のような失敗が多く見られます。
- 受け取った時刻をそのままデータの時刻にしてしまう
- 共分散をすべて同じ値の対角行列にして、調整をしない
- 推定の結果だけを見て、イノベーションを記録していない
実務の経験の話し方
センサーフュージョンの経験は、「どのセンサーの、どんな弱点を、どう補ったか」を軸に話します。車載のソフトウェアや組込みの出身の人は、CAN で届く車速と IMU の組み合わせ、センサーの時刻の扱いなど、ROS を使っていなくても同じ論点の経験を持っていることが多いです。その経験をこの記事の言葉で整理しておくと、面接で話しやすくなります。
まとめ
- カルマンフィルタは「予測」と「更新」の繰り返しで、不確かさに応じて混ぜる割合を決める
- 非線形なら EKF、さらに強い非線形や複数の候補があるなら UKF やパーティクルフィルタ
- 共分散は測れるものは測り、残りは実走のデータとイノベーションで確かめながら調整する
- 実機では、時刻の揃え方と遅れて届くデータの扱いが最も大事
ロボットや自動運転の仕事を探していて、経験の伝え方に迷ったら、ジンベイ AIタレントに相談してください。
