========================================================================
線検出精度向上方針 (Line Detection Accuracy Improvement)
========================================================================
1. 概要 (Overview)
------------------------------------------------------------------------
1-0. 目的
黒線の検出精度がコースアウトの有無を左右する最重要ファクターで
あることを示し，現在の手法の課題と改善手法の選択肢を定義する．
1-1. 線検出がコースアウトの最重要ファクターである理由
自律走行の制御フローは以下の通りである．
カメラ画像 → 線検出 → position_error/heading/curvature
→ PD 制御 → 操舵量
PD 制御以降はいかにパラメータを調整しても，入力である
position_error が誤っていれば正しい操舵は得られない．
すなわち，線検出の精度がシステム全体の制御品質の上限を決める．
・線が正しく検出できる → 正確な偏差 → 正確な操舵
・線の検出が崩れる → 誤った偏差 → 反対方向への操舵 → コースアウト
速度を上げるほど 1 フレームあたりの移動距離が増えるため，
検出の崩れが即コースアウトにつながる．高速化と精度向上は
不可分の関係にある．
1-2. パイプライン構成
線検出パイプラインは 4 段階で構成される．
各段階ごとに手法を選択・組み合わせることで精度を向上させる．
[Stage 1] 前処理（照明正規化）
[Stage 2] 二値化（線と背景の分離）
[Stage 3] 後処理（穴埋め・ノイズ除去・幅正規化）
[Stage 4] 特徴抽出（中心線 → 多項式フィッティング）
2. 検出対象の特性 (Target Characteristics)
------------------------------------------------------------------------
2-1. 黒線の物理的特性
本システムの走行コースは，道路の白線に近い性質を持つ黒線である．
・形状: 幅一定の単一直線（カーブも含むが幾何学的に連続）
・色: 高輝度の床面に対して明確に暗い（理想条件下）
・連続性: 途切れがなく，2次多項式で十分近似できる
・幅: 画像上で数ピクセル〜数十ピクセル程度
2-2. 理想条件と実環境の乖離
理想条件（均一な拡散光，均質な床面）では固定閾値の2値化でも
明確に検出できる．しかし実環境では以下の要因が存在する．
・光源の影響
- 蛍光灯・LED 照明による局所的な輝度ムラ
- 窓からの外光による時間変動
- カメラの自動露出による全体輝度の変動
・影の影響
- ロボット車体自体が床に影を落とす
- 床の継ぎ目・段差による輝度の乱れ
・床面の影響
- 床材の光沢による反射スポット
- 黒線上の光沢（テープの反射）
これらにより，黒線と背景の輝度差が局所的に縮小・逆転し，
固定閾値の2値化では正しい線形状を得られないことがある．
2-3. 実環境で発生する2つの典型的な劣化
■ 穴（光による欠損）
黒線テープの表面が光を反射し，反射部分の輝度が背景と同程度に
なるため，二値化後に線の中央が白抜け（穴）になる現象．
多項式フィッティングの点が欠損し，検出が不安定になる．
■ 広がり（陰による膨張）
車体の影や照明ムラにより黒線の周囲の床が暗くなり，
二値化後に線の幅が実際より広がる現象．
広がった行はピクセル数が多いためフィッティングを支配し，
線の位置がずれる原因になる．
3. 現在の手法と限界 (Current Approach and Limitations)
------------------------------------------------------------------------
3-1. 現在の処理パイプライン
・Stage 1（前処理）: グレースケール → CLAHE → ガウシアンブラー
・Stage 2（二値化）: 固定閾値（BINARY_INV）
・Stage 3（後処理）: オープニング → 横方向クロージング
・Stage 4（特徴抽出）: 全白ピクセルに2次多項式フィッティング
詳細は `TECH_01_操舵量計算仕様.txt` の
「2. 画像処理パイプライン」を参照する．
3-2. 現在の対策とその効果・限界
■ CLAHE（局所コントラスト強調）
・効果: 局所的な輝度ムラを補正し，黒線と背景の差を拡大する
・限界: 輝度差が完全になくなった領域では効果がない
■ 固定閾値二値化
・効果: 実装がシンプルで処理が高速
・限界: 1つの閾値で画像全体を判定するため，
照明ムラが大きい場合に不均一な分離が生じる
- 閾値を低くする → 反射スポットが黒線として誤検出
- 閾値を高くする → 影の下の黒線が検出されない
■ モルフォロジー処理
・効果: 孤立ノイズの除去（オープニング），
線の途切れの補間（横方向クロージング）
・限界: 線の位置が大きくずれたノイズには対処できない．
誤検出された大きな塊はフィッティングを大幅に歪める
■ 全白ピクセルフィッティング
・効果: 実装が単純
・限界: 陰で幅が広がった行はピクセル数が多く，
フィッティングへの寄与が大きいため線の位置がずれる
3-3. 残存する課題
・強い照明ムラ環境では固定閾値が不安定になりやすい
・カメラの自動露出でシーンが変わると適切な閾値が変動する
・黒線上に光沢がある場合，線の中央が白抜けして線幅が細くなる
・陰による幅の広がりが全白ピクセルフィッティングを歪める
4. Stage 1: 前処理の手法比較 (Pre-processing)
------------------------------------------------------------------------
4-0. 目的
照明ムラや輝度変動の影響を低減し，後段の二値化を安定させる．
4-1. CLAHE（現在の手法）
局所領域ごとにヒストグラム均等化を行い，コントラストを強調する．
・計算量: 低
・穴への効果: △（反射が強い場合は輝度差を復元できない）
・陰への効果: ○（局所コントラスト向上で境界が明確になる）
・実装: `cv2.createCLAHE(clipLimit, tileGridSize)`
・備考: 現在の手法．照明ムラには有効だが根本的な正規化ではない
4-2. 背景除算正規化
画像を大きなカーネルでぼかした画像で割り，
照明の勾配（低周波成分）を除去する．
・計算量: 低（ガウシアンブラー1回 + 除算）
・穴への効果: ○（局所的な高輝度を正規化できる）
・陰への効果: ◎（照明勾配が除去されるため暗い領域も正規化）
・実装:
blur_bg = cv2.GaussianBlur(gray, (ksize, ksize), 0)
normalized = (gray.astype(np.float32) * 255.0
/ (blur_bg.astype(np.float32) + 1.0))
normalized = np.clip(normalized, 0, 255).astype(np.uint8)
・パラメータ: ksize は線幅の 10 倍程度（大きいほど広い照明ムラに対応）
・備考: 照明の勾配が緩やかな場合に最も効果的．
急激な明暗境界（影の縁）には効きにくい
4-3. Black-hat 変換
モルフォロジーのクロージング結果から原画像を引くことで，
「背景より暗い構造」だけを直接抽出する．
・計算量: 低（モルフォロジー演算1回）
・穴への効果: ○（暗い構造として線全体を検出できる）
・陰への効果: ◎（背景の輝度変動が除去される）
・実装:
kernel = cv2.getStructuringElement(
cv2.MORPH_ELLIPSE, (ksize, ksize))
blackhat = cv2.morphologyEx(
gray, cv2.MORPH_BLACKHAT, kernel)
・パラメータ: ksize は線幅の 2〜3 倍（線より大きく，
影より小さいサイズ）
・備考: 黒線検出に原理的に最もフィットした手法．
「背景に対してどれだけ暗いか」を直接出力するため，
背景の絶対輝度に依存しない
4-4. ホモモルフィックフィルタ
画像の対数を取り，FFT で低周波（照明成分）と
高周波（反射率成分）を分離し，照明成分を抑制する．
・計算量: 中（FFT + 逆 FFT）
・穴への効果: ○（照明成分を分離するため反射の影響が減る）
・陰への効果: ◎（照明成分の除去が原理的に正確）
・実装: `np.fft.fft2` + ハイパスフィルタ + `np.fft.ifft2`
・備考: 理論的には最も正確だが，FFT の計算量が
リアルタイム処理に影響する可能性がある．
320x240 であれば実用範囲内
4-5. LAB 色空間 L チャネル
BGR → LAB 変換し，知覚均等な輝度チャネル L を使用する．
・計算量: 極低（色変換のみ）
・穴への効果: △（グレースケールと大差ない）
・陰への効果: △（輝度の表現が若干改善される程度）
・実装: `cv2.cvtColor(frame, cv2.COLOR_BGR2LAB)[:,:,0]`
・備考: 単体での効果は限定的．他の手法と組み合わせて使う
5. Stage 2: 二値化の手法比較 (Binarization)
------------------------------------------------------------------------
5-0. 目的
前処理後の画像から黒線と背景を分離する．
5-1. 固定閾値（現在の手法）
1つの閾値で画像全体を二値化する．
・計算量: 極低
・穴への効果: ✕（反射で輝度が上がった部分は検出できない）
・陰への効果: ✕（影で暗くなった床を誤検出する）
・実装: `cv2.threshold(src, thresh, 255, THRESH_BINARY_INV)`
・備考: Stage 1 で照明が正規化されていれば十分機能する．
Stage 1 が弱い場合は照明ムラに脆弱
5-2. 大津の方法（Otsu）
ヒストグラムからクラス間分散を最大化する閾値を自動決定する．
・計算量: 極低（ヒストグラム計算のみ）
・穴への効果: ✕（グローバル閾値のため局所問題に弱い）
・陰への効果: △（全体の明暗変化には追従する）
・実装: `cv2.threshold(src, 0, 255,
THRESH_BINARY_INV + THRESH_OTSU)`
・備考: 閾値の手動調整が不要になる利点がある．
ただし局所的な照明ムラには固定閾値と同様に弱い
5-3. 適応的閾値（ガウシアン加重平均）
各ピクセルの周囲 blockSize x blockSize 領域の
ガウシアン加重平均から閾値を算出する．
・計算量: 低（積分画像ベース）
・穴への効果: ○（局所的に閾値が変わるため反射領域にも対応）
・陰への効果: ○（影のある領域で閾値が下がるため追従できる）
・実装:
cv2.adaptiveThreshold(
src, 255,
cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
cv2.THRESH_BINARY_INV,
blockSize, C)
・パラメータ: blockSize（局所領域サイズ，奇数），
C（閾値からの減算定数）
・備考: 局所照明ムラへの耐性が固定閾値より大幅に向上する．
Stage 1 が弱い場合の有力な選択肢
5-4. 適応的閾値（平均値）
ガウシアン加重ではなく単純平均で閾値を算出する．
・計算量: 低
・穴への効果: ○
・陰への効果: △（ガウシアンより若干ノイズに弱い）
・実装: `cv2.ADAPTIVE_THRESH_MEAN_C` を指定
・備考: ガウシアン版より高速だが精度はやや劣る
5-5. Sauvola 閾値
局所の平均値と標準偏差から閾値を計算する．
コントラストが低い領域（= 線がない領域）を自動的に
背景として扱える特性がある．
・計算量: 低〜中（積分画像 + 二乗積分画像）
・穴への効果: ○
・陰への効果: ◎（低コントラスト領域を無視できる）
・実装: OpenCV 標準にないため自前実装が必要
mean = cv2.blur(src, (k, k))
sq_mean = cv2.blur(
(src.astype(np.float32)) ** 2, (k, k))
std = np.sqrt(sq_mean - mean.astype(np.float32) ** 2)
thresh = mean * (1.0 + coeff * (std / 128.0 - 1.0))
・備考: 文書画像の文字検出で実績が高い．
黒線検出にも適している
5-6. 行ごと Otsu
画像を行（または行のブロック）単位で分割し，
行ごとに Otsu の方法で閾値を決定する．
・計算量: 低（行数分の Otsu 計算）
・穴への効果: ○（行単位で閾値が変わる）
・陰への効果: ○（行ごとの照明変化に追従できる）
・実装: for ループで行ブロックごとに `cv2.threshold` + Otsu
・備考: 縦方向の照明勾配に強い．横方向のムラには弱い
6. Stage 3: 後処理の手法比較 (Post-processing)
------------------------------------------------------------------------
6-0. 目的
二値化後の画像から穴を埋め，ノイズを除去し，
線の幅を正規化して特徴抽出の精度を向上させる．
6-1. オープニング（現在の手法）
収縮 → 膨張で孤立した小さなノイズピクセルを除去する．
・計算量: 極低
・穴への効果: -（穴の除去には寄与しない）
・陰への効果: △（小さな誤検出は除去できる）
・備考: 現在の手法．孤立ノイズ除去として引き続き有効
6-2. 横方向クロージング（現在の手法）
膨張 → 収縮で線の横方向の途切れを補間する．
・計算量: 極低
・穴への効果: ○（横方向の途切れを埋める）
・陰への効果: -
・備考: 現在の手法．横長の穴には有効だが丸い穴には効きにくい
6-3. 等方クロージング
円形カーネルによるクロージングで，
方向を問わず穴（光スポット等）を埋める．
・計算量: 極低
・穴への効果: ◎（丸い穴にも対応できる）
・陰への効果: -
・実装:
hole_kernel = cv2.getStructuringElement(
cv2.MORPH_ELLIPSE, (hole_size, hole_size))
binary = cv2.morphologyEx(
binary, cv2.MORPH_CLOSE, hole_kernel)
・パラメータ: hole_size は想定される穴の最大径
・備考: 横方向クロージングの代替または補完として使用する
6-4. 距離変換 + 閾値マスク
二値画像の各白ピクセルについて，最も近い黒ピクセルまでの
距離を算出し，閾値以上の距離（= 中心部）だけを残す．
・計算量: 低
・穴への効果: -（穴の除去には寄与しない．先にクロージングが必要）
・陰への効果: ◎（陰で広がった外縁は距離が短いため除去される）
・実装:
dist = cv2.distanceTransform(
binary, cv2.DIST_L2, 5)
_, center_mask = cv2.threshold(
dist, half_width_px, 255, cv2.THRESH_BINARY)
・パラメータ: half_width_px は黒線の幅の半分（ピクセル単位）
・備考: 陰による幅の広がりを削り取る最も直接的な手法．
クロージングで穴を埋めた後に適用すると効果的
6-5. スケルトン化（細線化）
二値画像の塊を反復的に収縮し，
1ピクセル幅の中心線（骨格）を抽出する．
・計算量: 中（反復処理のため塊の幅に比例）
・穴への効果: -（穴があると骨格が分断される．先にクロージングが必要）
・陰への効果: ◎（幅に関わらず中心線が得られる）
・実装: `cv2.ximgproc.thinning(binary)`
・依存: `opencv-contrib-python` の `ximgproc` モジュールが必要
・備考: 幅の正規化としては最も確実だが，
追加依存と計算量を考慮する必要がある
6-6. 連結成分フィルタ
連結成分分析で各塊の面積・アスペクト比を算出し，
線として不適切な塊（小さすぎる，横に広すぎる等）を除去する．
・計算量: 低
・穴への効果: -
・陰への効果: ○（大きな誤検出塊を面積で除去できる）
・実装:
n, labels, stats, _ = cv2.connectedComponentsWithStats(
binary)
# stats で面積・幅・高さを確認し，
# 異常な塊のラベルを 0（背景）に置換
・備考: 線から離れた場所の大きな誤検出に有効．
線に隣接した陰は連結成分が線と結合するため効かない
6-7. 幅フィルタ（行ごと）
各行の白ピクセルの幅（右端 - 左端）を計算し，
期待される線幅の範囲外の行を除外する．
・計算量: 極低
・穴への効果: -
・陰への効果: ◎（幅が広すぎる行を直接除外できる）
・実装:
for y in range(height):
xs = np.where(binary[y] > 0)[0]
if len(xs) > 0:
width = xs[-1] - xs[0] + 1
if width > max_line_width:
binary[y] = 0 # 幅が異常な行を除去
・パラメータ: max_line_width は線幅の最大許容値（ピクセル）
・備考: 実装が最も簡単で陰への効果が高い．
ただし陰が線の片側だけに広がった場合は中心がずれる
7. Stage 4: 特徴抽出の手法比較 (Feature Extraction)
------------------------------------------------------------------------
7-0. 目的
二値化・後処理後の画像から線の位置・傾き・曲率を算出する．
7-1. 全白ピクセルフィッティング（現在の手法）
検出された全白ピクセルの (y, x) 座標に
2次多項式 x = f(y) をフィッティングする．
・計算量: 低
・穴への効果: △（点が欠損した行の影響は小さいが精度は下がる）
・陰への効果: ✕（幅が広い行のピクセルがフィッティングを支配する）
・実装: `np.polyfit(ys, xs, 2)`
・備考: 現在の手法．Stage 3 で幅が正規化されていれば有効だが，
陰の影響を受けやすい根本的な弱点がある
7-2. 行ごと中心抽出 + フィッティング
各行の白ピクセル群の中心（平均 x）を1点ずつ抽出し，
中心点列に対してフィッティングする．
・計算量: 極低
・穴への効果: ○（穴のある行は中心が計算できず除外される）
・陰への効果: ◎（幅が広がっても中心位置はほぼ変わらない．
各行が等しく1票なので幅による支配が発生しない）
・実装:
centers_y, centers_x = [], []
for y in range(height):
xs = np.where(binary[y] > 0)[0]
if len(xs) >= min_line_width:
centers_y.append(y)
centers_x.append(float(np.mean(xs)))
coeffs = np.polyfit(centers_y, centers_x, 2)
・備考: コード変更が最小で効果が最大の改善．
幅による重み付けの偏りを根本的に解消する
7-3. 行ごと中央値抽出 + フィッティング
7-2 の亜種．平均値の代わりに中央値を使用する．
・計算量: 極低
・穴への効果: ○
・陰への効果: ◎（中央値は外れ値に更に強い）
・実装: `np.mean(xs)` を `np.median(xs)` に変更
・備考: 陰が線の片側だけに広がった場合に平均値より頑健
7-4. RANSAC フィッティング
ランダムにサンプルした点から仮モデルを作り，
外れ値を除去しながらフィッティングする．
・計算量: 中（反復回数 x サンプル数に比例）
・穴への効果: ◎（欠損があっても外れ値として除外）
・陰への効果: ◎（外れ値（= 陰のピクセル）を直接除外）
・実装: `sklearn.linear_model.RANSACRegressor` または自前実装
・依存: scikit-learn を使う場合は追加依存が発生
・備考: 最もロバストだが計算量が最大．
行ごと中心抽出で十分な場合はオーバースペック
7-5. 重み付きフィッティング
距離変換値（= 線の中心からの距離）を重みとして
フィッティングに使用する．中心に近いピクセルほど重みが大きい．
・計算量: 低
・穴への効果: ○
・陰への効果: ○（外縁のピクセルの重みが自動的に小さくなる）
・実装: `np.polyfit(ys, xs, 2, w=weights)`
・備考: 全ピクセルを使いつつ陰の影響を低減できる折衷案
7-6. スプライン補間
2次多項式の代わりにスプライン曲線を使用する．
・計算量: 低
・穴への効果: ○
・陰への効果: ○
・実装: `scipy.interpolate.UnivariateSpline`
・依存: scipy（多くの場合すでにインストール済み）
・備考: S 字カーブ等，2次多項式では表現できない
複雑な形状に対応できる．ただし過学習のリスクがある
8. Stage 0: 撮影条件の最適化 (Camera Settings)
------------------------------------------------------------------------
8-0. 目的
ソフトウェア処理の前段階として，撮影条件を制御することで
入力画像の品質を安定させる．
8-1. カメラ露出の固定
Picamera2 の自動露出（AE）を無効化し，固定値で撮影する．
・コスト: なし（ソフトウェア設定のみ）
・効果: ◎（フレーム間の輝度変動を排除し，閾値パラメータを安定させる）
・注意: 環境ごとに適切な露出値を設定する必要がある
・参照: `src/pi/camera/capture.py` の撮影パラメータ設定
8-2. ホワイトバランスの固定
自動ホワイトバランス（AWB）を無効化する．
・コスト: なし
・効果: ○（色味変動によるグレースケール値の揺れを防止）
8-3. 赤外 LED + IR カメラ
赤外光源と IR パスフィルタを使用して撮影する．
・コスト: 高（ハードウェア追加が必要）
・効果: ◎（黒は赤外線を吸収するため，可視光の影響を完全に排除）
・備考: コスト面で優先度は低いが，原理的には最も頑健な手法
9. 推奨する組み合わせ案 (Recommended Combinations)
------------------------------------------------------------------------
9-0. 選定の考え方
コースアウトを防ぐ上で「安定性」は「精度」より優先する．
誤検出が 1 フレームでも入るとコースアウトしうるため，
頑健性（ロバスト性）の高い手法を選択すること．
以下の3案はいずれも穴・陰の両方に対して高い耐性を持つ．
処理時間は 320x240 画像での概算値であり，
30fps（~33ms/フレーム）に対していずれも十分な余裕がある．
9-1. 案A: Black-hat 中心型（推奨）
Black-hat が「背景より暗い構造」を直接抽出するため，
照明正規化後の画像は非常にクリーンになり，
固定閾値でも安定する．計算量が最も少なくパラメータも少ない．
まず試すべき案である．
・パイプライン:
グレースケール → Black-hat → ブラー → 固定閾値
→ 等方クロージング → 距離変換マスク
→ 行ごと中心抽出 → polyfit
・各段階の処理時間（概算）:
- Stage 1: Black-hat 変換 ~0.2ms
- Stage 1: ガウシアンブラー ~0.2ms
- Stage 2: 固定閾値 ~0.05ms
- Stage 3: 等方クロージング ~0.1ms
- Stage 3: 距離変換 + 閾値マスク ~0.2ms
- Stage 4: 行ごと中心抽出 + polyfit ~0.2ms
- 合計 ~1.0ms
・穴: ◎（クロージングで穴を埋め，距離変換で中心を抽出）
・陰: ◎（Black-hat が背景輝度を除去 + 距離変換が外縁を削る
+ 中心抽出が幅変動を無視）
・変更量: 中
・追加パラメータ: 3個（Black-hat カーネルサイズ，
等方クロージングサイズ，距離変換閾値）
・追加依存: なし
9-2. 案B: 二重正規化型
背景除算で大域的な照明勾配を除去した上で，
適応的閾値が局所的なムラも処理する．
原理の異なる2手法が補完し合う「二重防壁」構成であり，
どちらか一方では対処できないケースにも対応できる．
・パイプライン:
グレースケール → 背景除算正規化
→ 適応的閾値（ガウシアン）
→ 等方クロージング → 距離変換マスク
→ 行ごと中心抽出 → polyfit
・各段階の処理時間（概算）:
- Stage 1: 背景除算（大カーネルブラー + 除算） ~0.5ms
- Stage 2: 適応的閾値（ガウシアン） ~0.3ms
- Stage 3: 等方クロージング ~0.1ms
- Stage 3: 距離変換 + 閾値マスク ~0.2ms
- Stage 4: 行ごと中心抽出 + polyfit ~0.2ms
- 合計 ~1.3ms
・穴: ◎（背景除算で反射の影響を低減
+ 適応的閾値が局所的に追従）
・陰: ◎（背景除算が影の勾配を除去
+ 適応的閾値が局所閾値を調整）
・変更量: 中
・追加パラメータ: 4個（背景除算カーネルサイズ，
blockSize，C，距離変換閾値）
・追加依存: なし
9-3. 案C: 最高ロバスト型
全段階で最もロバストな手法を選択した構成．
Black-hat + 適応的閾値の二重正規化に加え，
RANSAC で前段を突破した外れ値も排除する．
全段階に防壁があるため，極端な照明環境でも破綻しにくい．
・パイプライン:
グレースケール → Black-hat → 適応的閾値（ガウシアン）
→ 等方クロージング → 距離変換マスク
→ 行ごと中央値抽出 → RANSAC polyfit
・各段階の処理時間（概算）:
- Stage 1: Black-hat 変換 ~0.2ms
- Stage 2: 適応的閾値（ガウシアン） ~0.3ms
- Stage 3: 等方クロージング ~0.1ms
- Stage 3: 距離変換 + 閾値マスク ~0.2ms
- Stage 4: 行ごと中央値抽出 ~0.2ms
- Stage 4: RANSAC polyfit ~1.5ms
- 合計 ~2.5ms
・穴: ◎
・陰: ◎
・変更量: 大
・追加パラメータ: 5個（Black-hat カーネルサイズ，
blockSize，C，距離変換閾値，RANSAC 閾値）
・追加依存: scikit-learn（RANSAC）
・備考: RANSAC が処理時間の大部分を占める．
案A・B で十分な精度が得られる場合はオーバースペック
9-4. 3案の総合比較
・処理時間:
- 案A: ~1.0ms（対現在比 ~1.0x）
- 案B: ~1.3ms（対現在比 ~1.3x）
- 案C: ~2.5ms（対現在比 ~2.5x）
・穴耐性: 案A ◎，案B ◎，案C ◎
・陰耐性: 案A ◎，案B ◎，案C ◎
・追加パラメータ数: 案A 3個，案B 4個，案C 5個
・追加依存: 案A なし，案B なし，案C scikit-learn
・実装変更量: 案A 中，案B 中，案C 大
いずれも 30fps に対して十分な余裕がある．
まず案A を実装して効果を確認し，不足があれば
案B・案C に段階的に進めることを推奨する
10. 評価方法 (Evaluation)
------------------------------------------------------------------------
10-1. 定性評価
デバッグオーバーレイ（`TECH_03_デバッグオーバーレイ仕様.txt` 参照）
を使い，二値化画像と多項式フィッティング結果を目視確認する．
・確認ポイント
- 二値化画像で黒線が一本の連続した塊として描かれているか
- 床面（背景）の誤検出塊がないか
- 多項式フィッティング線が実際の黒線に重なっているか
- 光の穴や陰の広がりが後処理で正しく補正されているか
10-2. 定量評価
実走テストでコースアウトに至るまでの周回数・走行距離を記録し，
手法変更前後で比較する．
・評価環境: 通常照明，強照明，照明ムラありの3条件を推奨
・計測項目: 周回数，コースアウト回数，position_error の分散
