いろは坂 第 2 便――森と霞の山道を、Fullseye のカメラと LiDAR だけで登って下る

国土地理院の標高データから作った山の地形に、森・ガードレール・擁壁・カーブ標識を足したつづら折りを、Fullseye のカメラと LiDAR だけで登り、霞の日に下りた記録です。地図と CARLA の自動運転は走行に使わず、採点だけに使っています。後の章ほど難しくなります。 章 00:00 導入 00:06 第 1 章 森のつづら折り 03:28 第 2 章 対向車とすれ違う 04:03 第 3 章 霞の日、ヘアピンの連続 06:50 第 4 章 霞の下り 09:30 結果とクレジット 画面の見方 主画面: 認識した黄線(桃)と白線(水色)、目標線(赤)、注視点(黄の丸)、LiDAR で見つけた物体(緑の箱) 左上: 速さと、その速さを決めた理由(上限・カーブ・標識・見通し・前方の物体) 左: 望遠カメラが読んだ標識 / 白線が見える距離と、その距離で止まれる速さ 右上: 俯瞰 / 右下: 追走カメラ 使ったもの(すべてルールベース) 車線: 行方向トップハット、色、舗装の上にあるか、車線幅の規則(黄線と白線が 1 車線ぶん離れているか)、路面への逆投影 標識: 色で青い板を拾い、字体で描いたひらがなとの正規化相互相関(Fullseye matching) 見通し: 白線が見える距離 → その中で止まれる速さ(Fullseye driveenv.sight_stop_speed、勾配込み) カーブ: 純追跡、カーブの上限速度(Fullseye drivelateral) 物体: LiDAR の地面除去、ユークリッドクラスタ、TTC 結果(審判 = 地図と CARLA の真値) 登り 3.38 km(晴れの日 2.42 km + 霞の日 0.96 km)、下り 1.33 km(動画は最初の 160 秒) 衝突 0(自車・対向車とも)、車体の重なり 0 コマ、ガードレールまでの最小間隔 2.06 m 車線中央からのずれ 中央値 登り 0.066 m / 下り 0.058 m、最大 0.418 m 霞の日の視程(世界側の真値、霞の無い同じ地図との比較)約 119 m。全コマでその視程の中で止まれる速さ以下 標識 9 枚通過のうち 2 枚(い・は)を読み、読み違い 0 限界 標識は 9 枚中 2 枚しか読めませんでした。霞の中とカーブの途中の標識は、望遠カメラが青い板として拾えません。番号の読みは信用できない(画面では「?」)ので、走りには使っていません。 LiDAR はカーブで対向車線の車を自車線の物と見て、短くブレーキを踏むことがあります(誤検出、衝突はなし)。 画面の「霞 β」は白線のコントラストからの推定で、晴れた区間でも木の影で 0.01〜0.07 /m に振れます(走りには使っていません)。 第 3・4 章は同じ山道を霞の日の地図で走らせ直したもので、第 2 章の終点から続けています。第 2 章の途中 90 秒を省いています。 道路の線形・標識・擁壁の配置は自作で、地形は国土地理院の標高データを左右反転したものです。 データの出典 標高: 地理院タイル(標高タイル(基盤地図情報数値標高モデル))を加工して作成(出典: 国土地理院)。この映像の地形は左右反転しています。 シミュレータ: CARLA(コード MIT、アセット CC-BY)、Unreal Engine 5 映像内の車両・樹木モデルは CARLA 同梱のもので、各社とは無関係です。道路の線形・標識・擁壁の配置は自作で、実際のいろは坂とは異なります。 English subtitles are available (CC). — Fullseye について — Fullseye は、光学・センサの物理シミュレーションと古典画像処理を 3,600 超の演算子(op)として持ち、MCP/RAG で AI に渡して検証可能なパイプラインを組む、オープンソース(Apache-2.0)の開発基盤です。 ▶ ViEW2026 の展示一覧: https://furuse-kazufumi.github.io/ful... ▶ Fullseye とは(読み物): https://furuse-kazufumi.github.io/ful... ▶ ソースコード: https://github.com/furuse-kazufumi/fu... ▶ インストール: pip install fullseye ▶ 使った op: driveenv.sight_stop_speed, drivelateral.curve_speed_limit, drivelateral.pure_pursuit_curvature, drivettc.ttc_from_range, pcseg.remove_ground, pcseg.euclidean_clusters, matching.find_ncc_model