odometryとは？初心者が知っておくべき基礎と使い方の解説共起語・同意語・対義語も併せて解説！

この記事を書いた人

高岡智則

年齢：33歳性別：男性職業：Webディレクター（兼ライティング・SNS運用担当）居住地：東京都杉並区・永福町の1LDKマンション出身地：神奈川県川崎市身長：176cm 体系：細身〜普通（最近ちょっとお腹が気になる）血液型：A型誕生日：1992年11月20日最終学歴：明治大学・情報コミュニケーション学部卒通勤：京王井の頭線で渋谷まで（通勤20分）家族構成：一人暮らし、実家には両親と2歳下の妹恋愛事情：独身。彼女は2年いない（本人は「忙しいだけ」と言い張る）

odometryとは？

odometryとは、ロボットや車などの移動体が、どれくらいの距離を移動し、どの方向に回転したかを推定する技術のことです。英語の odometry は、日本語では「オドメトリ」と呼ばれます。これはデッドレコニングとほぼ同義で、過去の移動量を積み重ねて現在地を推定する考え方です。

よく使われる場面としては、掃除ロボット、ドローン、自動運転車、工場の搬送ロボットなどが挙げられます。GPSが使えない室内などで特に重要になることが多く、現在地を知る・方向を決めるための基本となる技術です。

odometry の主な種類

odometry にはいくつかの種類があります。代表的なものを紹介します。

種類	特徴	長所・注意点
Wheel odometry	車輪の回転を測って距離と方向を推定	安価で実装が簡単。床の摩擦や車輪の滑りで誤差が増えることがある
Visual odometry	カメラの映像から特徴点を追跡し移動を推定	センサーが一つで済むが、照明条件や動きの速さに影響を受けやすい
Inertial odometry	IMU（加速度計・ジャイロ）を使って運動を推定	短時間の推定には強いが、長く続くとノイズが蓄積しやすい

現実にはこれらを組み合わせた“センサフュージョン”が使われます。例えば、Wheel odometry の推定と IMU のデータ、そして Visual odometry を統合して、誤差を抑えつつ安定した位置推定を目指します。統合にはカルマンフィルタなどの数理手法が用いられます。

odometry の課題として「ドリフト」が挙げられます。長く推定を続けると、少しずつ実際の位置とずれていく現象です。これを防ぐために、GPS や地図情報、周囲の特徴などを補正として取り入れることがあります。

身近な例

家電の掃除ロボットや自動配送ロボットは、odometryを使って自分の位置を知り、部屋の中を計画的に動きます。初心者でもイメージしやすいのは、車の走行距離を測るメータと同じ考え方です。ただしロボットでは“室内”という限られた空間での推定になることが多く、周囲の障害物や床の摩擦、回転のブレなどが影響します。

要点のまとめ

odometry は移動体の位置と姿勢の推定に使われる基本的な技術であり、実務では他のセンサーと組み合わせて使われます。初心者は、まず「車輪の回転量から距離を求める方法」と「センサを組み合わせて誤差を減らす考え方」を押さえると良いでしょう。

odometryの関連サジェスト解説

visual inertial odometry とは: visual inertial odometry とは、カメラの映像情報とジャイロ・加速度などの慣性計測データを組み合わせて、自分が空間のどこにいるかを推定する技術のことです。コンピュータが動く物体の位置と向きを、写真（関連記事：写真ACを三ヵ月やったリアルな感想【写真を投稿するだけで簡単副収入】）の連続とセンサーの動きから推測します。Visualはカメラの映像、InertialはIMU（慣性計測装置）を指します。VIOは、単独のカメラを使うVisual Odometry（VO）よりも、IMUを併用することで、動きが速かったりブレが起きやすい場面でも安定して推定できます。例えば、自転車に乗って走るときや、ドローンが急上昇する場面でも、カメラだけよりIMUの情報を足すと姿勢の変化を滑らかに追えます。しくみとしては、まずカメラ画像から特徴点を追跡し、次にIMUの加速度と角速度のデータを用いて、短時間の動きの推定を補います。これを連続で繰り返すことで、現在の位置と姿勢（向き）を時系列でつなぎ合わせていきます。内部では、カルマンフィルターや最適化（ファクターグラフと呼ばれる方法）といった統計的手法を使い、ノイズや外れ値を抑えつつ推定を安定化させます。現実の課題としては、光の条件が悪い場所、動きが速い、捨てきれないノイズ、カメラのキャリブレーションのずれなどがあります。これらを補う工夫として、事前キャリブレーションや、ループを検出して再調整するリセット機構、剛性の高い特徴点の選択などが使われます。VIOはロボット工学だけでなく、AR/VRの体験を滑らかにするためにも重要です。スマートフォンのナビゲーション、ドローンの自動操縦、建物内部の地図作成など、地図を作る前の「位置の見え方」を安定させる役割を果たします。初心者が知っておくべきポイントは3つです。1) センサーの組み合わせが大事で、カメラだけでは弱い。2) 事前のキャリブレーションと動作環境が結果を左右する。3) 推定には統計的な手法が使われ、ノイズや外れ値を処理する工夫が詰まっている、ということです。
visual odometry とは: visual odometry とは、カメラやセンサーだけを使って、移動した距離や向きを推定する技術のことです。車やロボットが動くとき、周りの景色を連続する写真から読み取って、いま自分がどこにいるのかを計算します。特徴的なのは、まず地図を作る前提ではなく、自分の動きを連続して追跡する点です。これをオドメトリの一種として、前のフレームと次のフレームの間で同じ特徴点を探し、それらがどう動いたかを分析します。対応点がはっきり見つかれば、カメラの動き（平行移動と回転）を推定できます。モノラルカメラ（単眼カメラ）の場合、距離のスケールは別の情報が必要で、スケールの推定が難しくなります。ステレオカメラやRGB-Dカメラを使うと、実際の距離を測る手がかりが得られ、動きの大きさも正確に求められやすくなります。実世界での使い方としては、自動車の運転支援システム、ドローンの飛行安定、家の掃除ロボットなどが挙げられます。VOはリアルタイムで動きを知るのに向いており、地図を少しずつ作るSLAMの部品として使われることも多いです。ただし、視界が悪い場所や特徴が少ない場所では精度が落ちやすく、長く使うと誤差が積み重なるドリフトが生じます。そのため、他のセンサーと組み合わせたり、後から地図を修正するSLAMと組み合わせて使うことが多いです。手順の要点は次のとおりです。1) 連続する画像を読み取り、2) 画像から特徴点を検出し、3) それらの点の対応を見つけ、4) 点の動きからカメラの姿勢を推定する、5) 推定結果を連続的に積み上げる。難しい場所では信頼性を評価して、不要なフレームを除外することもあります。まとめとして、visual odometry とは、カメラだけで自分の動きを知るための基本的な技術です。モノラルだとスケールが不確定になりがちですが、ステレオやRGB-Dを使えば実世界の距離も測れます。リアルタイム性に優れる反面、データのノイズや視界の悪化で誤差が蓄積しやすいため、SLAMなど他の技術と組み合わせて使われることが多いです。
lidar odometry とは: lidar odometry とは、LiDARと呼ばれる光で距離を測るセンサーを使って、車やロボットの移動距離と向きを推定する仕組みのことです。LiDARは周囲の景色を点の集まりとして測り、光が物体に当たって跳ね返る時間を計測して距離を出します。この点群データを時系列でつなぐと、ロボットがどのくらい前に進んだのか、どの方向に向きを変えたのかを知る手がかりになります。これを「odometry（オドメトリー）」と呼び、連続するスキャン同士の対応を見つけて「位置と姿勢（位置・向き）の変化」を計算します。代表的な考え方は、前のスキャンと現在のスキャンの対応点を結びつけて、3次元の変換（平行移動と回転）を推定することです。これにより、車やロボットの現在地を連続的に追跡できます。時には ICP（Iterative Closest Point）などのアルゴリズムを使い、点群同士の最適な対応を探します。lidar odometry は、GPSが使えない場所でも正確な移動量を知るのに役立ちます。さらにこれだけを続けると地図も作れる「SLAM（同時自己位置推定と地図作成）」へと発展します。実際の車やドローン、掃除ロボットなどで使われ、周囲の形をぐるぐると記録していきます。ただし課題もあります。動く車や人が混ざると点群の対応が難しくなったり、反射しやすい素材、霧や雨の影響でデータが悪くなることがあります。こうしたノイズを減らす工夫や、複数のセンサーと組み合わせる工夫が研究されています。lidar odometry とは、要するに「LiDARの点群を時系列で比べて位置の変化を推定する技術」です。GPSが使えない場所でも移動を把握できる強力な方法であり、SLAMの基礎として自動運転やロボットの地図作成に使われます。

odometryの同意語

オドメトリ: ロボットや車両が移動した距離や方向の変化を、センサーのデータから連続的に推定する手法のこと。主に車輪の回転量を用い、現在位置の変化を積み上げて算出します。
デッドレコニング: 既知の位置と移動量・回転を元に、現在の位置を推定する古典的な手法。オドメトリを含む場合が多いが、誤差が蓄積しやすい点に注意します。
車輪オドメトリ: 車輪の回転データから機体の移動量を推定するオドメトリの一種。
車輪式オドメトリ: 車輪の動きから位置変化を推定する、車輪を用いたオドメトリの別称です。
慣性オドメトリ: IMUなど慣性センサーのデータを用いて位置や姿勢の変化を推定するオドメトリの手法。
視覚オドメトリ: カメラ画像の変化から移動量を推定するオドメトリの一種。英語では Visual Odometry（VO）と呼ばれます。
ビジュアルオドメトリ: カメラ映像を使って位置の変化を推定するオドメトリの代表的手法。VOとも略されます。
IMUオドメトリ: 慣性計測装置(IMU)のデータを用いたオドメトリの呼び方。移動量を推定する一つの手法です。
自己位置推定: ロボットが現在いる位置を推定する総称。オドメトリを含む複数の手法の集合として使われます。
位置推定: 現在の位置を推定することを指す一般的な用語。オドメトリのほか、地図情報やセンサー融合を用いることもあります。
慣性航法: 加速度・角速度のデータから位置・姿勢を推定する、広い意味の航法手法。オドメトリの一部として用いられることもあります。

odometryの対義語・反対語

絶対位置推定: オドメトリが内部センサの情報を積分して局所的・相対的な位置を推定するのに対し、地図情報やランドマークを用いて現在の位置を地図座標系で決定する手法。
グローバルローカリゼーション: 地図座標系でロボットの正確な現在位置を特定する定位の総称。オドメトリのような相対推定に偏らず、絶対的位置を求めることを目的とする。
ランドマークベースの定位: 建物・看板・特徴点など、既知のランドマークを使って現在位置を推定する方法。外部情報を活用する点がオドメトリの反対となる。
地図合わせ定位: センサデータを既知の地図と照合して位置を決定する手法。地図を参照することで絶対位置を得ることができる。
外部参照定位: GPSなど外部の参照情報を用いて自己位置を決定する定位。オドメトリは内部情報に依存するのに対し、外部情報を取り入れる点が対義。
衛星測位による定位: 衛星信号を用いて地上の絶対座標を求める手法（例：GPS/GNSS）。オドメトリの局所推定を超える大域的定位手法。
ランドマークマッチングによる絶対定位: 既知のランドマークとの特徴点マッチングを通じて絶対位置を推定する方法。

odometryの共起語

デッドレコニング: 出発点から現在の位置を推定する古典的推定手法。オドメトリの積み重ねによる誤差を扱う場面で使われる。
車輪エンコーダ: 車輪の回転数を測定するセンサ。走行距離や移動量を算出する基本データ源。
車輪オドメトリ: 車輪エンコーダを用いて車両の位置と姿勢を推定するオドメトリの一種。
走行距離: ロボットが移動した総距離の推定値。デッドレコニングや地図作成の入力になる。
姿勢推定: ロボットの向き（Yaw、Pitch、Roll）を推定する工程。オドメトリと組み合わせて使われる。
相対位置: 出発点から見た現在の相対的な座標位置のこと。デッドレコニングでよく使われる。
位置推定: 現在の位置を推定すること。地図作成やナビゲーションの基盤データとなる。
デッドレコニング誤差: 長時間の推定で蓄積する誤差の総称。オドメトリの課題の一つ。
ノイズ: 計測データに混入する小さな揺らぎ。推定の精度に影響する。
センサノイズ: 各センサ固有の乱れ。オドメトリの補正対象となる。
センサフュージョン: 複数のセンサデータを組み合わせて推定の精度を高める手法。
カルマンフィルタ: ノイズを抑えつつ状態を推定する基本的な最適化手法。
EKF: 拡張カルマンフィルタ。非線形システム向けの推定アルゴリズム。
UKF: アンセンティッドカルマンフィルタ。非線形性が大きい場合の推定に適する手法。
PF: パーティクルフィルタ。確率分布を多くの粒子で表現して推定する手法。
SLAM: 同時地図作成。オドメトリは位置推定と地図作成の基盤データ。
視覚オドメトリ: カメラだけで自己位置を推定する方法。車輪エンコーダと併用されることが多い。
視覚慣性オドメトリ: カメラとIMUを組み合わせた視覚・慣性によるオドメトリ。
IMU: 慣性測定装置。角速度と加速度データを提供し、推定を安定化させる。
データ補正: センサデータの不整合を整える作業。
キャリブレーション: センサの内部パラメータや軸ずれを調整する作業。オドメトリの精度向上に不可欠。
地図作成: 周囲の地図を生成する作業。オドメトリは地図作成の基盤データとなる。
位置合わせ: 現在の推定位置と地図・ランドマークを整合させる工程。
整合性: 推定結果と地図・環境モデルとの矛盾を減らすこと。
トラッキング: 位置・姿勢を連続的に追跡すること。リアルタイム性が重要。
ロバスト性: ノイズや外乱に対する推定の頑健さ。
地図精度: 生成された地図の正確さ。オドメトリの品質と深く関係する。
グローバルリファレンスフレーム: 全体座標系、地図座標系を繋ぐ基準となる座標系。

odometryの関連用語

odometry: ロボットが出発点から現在位置・姿勢を推定する方法。主に連続するセンサの変化量を積み重ねて動きを追い、リアルタイム性に優れる一方、測定誤差が時間とともに蓄積しやすいのが特徴。
デッドレコニング: 過去の位置情報と現在の運動量だけを使って現在の位置を推定する古典的な手法。地図や環境情報を前提とせずに自己位置を推定するが、長時間の推定は誤差が蓄積しやすい。
車輪オドメトリ: 車輪の回転数や角度から進んだ距離と向きを計算するオドメトリ。車輪滑りや床面抵抗の影響で誤差が蓄積しやすい。
視覚オドメトリ: カメラの連続画像から特徴点の追跡と幾何変換を使って運動を推定する方法。モノクロカメラ1台ではスケール復元が難しいことがある。
LiDARオドメトリ: ライダーのスキャンを時系列で合わせて動きを推定する方法。回転・並進を高精度に測れるが計算負荷が大きいことがある。
IMU: 慣性計測ユニット。加速度と角速度を測定し、短時間の運動推定を補助するが長時間の積分でドリフトが生じやすい。
センサフュージョン: 複数のセンサ情報を組み合わせて推定精度を高める技術。カルマンフィルタや因子グラフなどが用いられる。
EKF: 拡張カルマンフィルタ。非線形な動作モデルにも対応する近似的推定手法。
UKF: Unscented Kalman Filter。非線形性をより正確に扱えるカルマンフィルタの一種。
SLAM: 同時に自己位置推定と地図作成を行う技術。 odometryだけだと地図が作れずドリフトを補正する必要がある。
姿勢推定: ロボットの位置だけでなく向き（姿勢）を推定すること。一般に6自由度（x, y, z, ロール, ピッチ, ヤー）を扱う。
トラジェクトリ: ロボットが移動した軌跡。オドメトリの出力として可視化されることが多い。
ドリフト: 長時間の推定で誤差が蓄積して、位置や姿勢が実際とずれていく現象。
スケール問題: 単眼カメラの視覚オドメトリなどで、実世界の長さスケールを自動的に決定できない問題。外部情報で補正することが多い。
キャリブレーション: センサの内部パラメータやセンサ間の外部パラメータを正確に求める作業。推定の前提を整える。
内部パラメータ: カメラの焦点距離、主点、レンズ歪みなど、カメラ自体の特性を表すパラメータ。
外部パラメータ: 複数センサ間の相対姿勢を表すパラメータ。例：カメラとIMUの相対位置・姿勢。
座標系: 計算で使う基準となる座標の枠組み。世界座標系、ロボット座標系、カメラ座標系などがある。
同次変換行列: 位置と姿勢を4×4の行列で表す座標変換の表現。座標系の間の変換を一度に扱える。
クォータニオン: 姿勢を表す表現の一つ。回転の連続を滑らかに表現でき、ジンバルロックを回避しやすい。
オイラー角: 姿勢を表す別の表現。roll・pitch・yawの3つの角度で表すが、近接回転で特異点が生じやすい。
ワールド座標系: 固定された全体の基準座標系。地図の原点となることが多い。
ロボット座標系: ロボット自身を原点とする座標系。オドメトリの計算対象として用いられる。
ループクローズ: 地図内で以前通った場所を再認識してドリフトを低減する技術。SLAMの重要な要素。
地図: 周囲の環境の情報を表すデータ。SLAMでは点群、メッシュ、グリッド地図などが用いられる。
運動モデル: ロボットの動作を数学的に表すモデル。例：ディファレンシャル駆動車モデル、バイシクルモデル。
ノイズモデル: 測定値の誤差の性質を仮定するモデル。ガウスノイズなど、推定手法の前提となる。