======================================================================== 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