LiDARとは？仕組み・ToF方式・点群処理を実装目線で解説する技術ガイド

LiDAR（ライダー）は、レーザー光を対象へ照射し、反射光が戻るまでの時間から距離を測るセンシング技術です。測った無数の点を集めると、周囲を三次元で写し取った点群データになります。この記事で扱うのは、測距原理のToF方式とFMCW方式の違い、走査方式ごとの向き不向き、LASやPCDといった点群フォーマットの扱い、前処理からレジストレーション・物体検出までの実装の流れです。自動運転と測量で採用条件がどう変わるか、逆にLiDARを見送るべき場面はどこかも、条件付きで言い切ります。

まとめ：LiDAR実装の判断基準と点群処理の勘所

LiDARは「距離を面ではなく点の集合で高精度に測る」センサーです。カメラが色と輪郭を平面で捉えるのに対し、LiDARは暗所や逆光でも数センチ精度の三次元座標を返します。採用可否を分けるのは解像度や価格の単純比較ではありません。必要な測距レンジ・点群密度・許容遅延という要件から逆算して決めるのが実務の順序です。

実装側から見ると、LiDARは「デバイスを選ぶ工程」より「点群を処理する工程」で工数が膨らみます。前処理でノイズと外れ値を落とし、複数フレームをレジストレーションで重ね、必要なら自己位置推定（SLAM）と物体検出を載せる。この点群パイプラインの設計が、製品の精度と処理遅延を左右します。自動運転ではカメラやレーダーとのセンサー冗長化が前提です。測量では絶対精度と現場効率の両立が判断軸になります。近距離・低予算でカメラや超音波で足りる用途なら、LiDARは過剰投資でしかありません。

LiDARの測距原理とToF方式・FMCW方式の技術的な違い

LiDARの核心は距離の測り方にあります。方式によって測れる距離・分解能・速度情報の有無が変わり、これが後段の点群品質を左右する要素になります。原理は大きく3つ。順に押さえます。

レーザーパルスの往復時間から距離を求めるToF計測の基本原理

ToF（Time of Flight）は、発したレーザーが対象で反射して戻るまでの往復時間 t から、距離 d を d = c × t ÷ 2 で求める方式です（c は光速）。光が1メートルを往復する時間は約6.7ナノ秒。この極短時間を測る計測精度が、そのまま距離精度になります。多くの車載・産業用LiDARがこのToFを採り、数十メートルから最大200メートル超のレンジを持ちます。1点の測距値には強度（反射光の強さ）が付随し、路面標示や樹木の葉といった素材差の識別材料になるのです。

dToFとiToFの違いと測距レンジ・分解能に与える設計上の影響

ToFはさらにdToF（direct）とiToF（indirect）に分かれます。dToFはパルスの飛行時間を直接タイムスタンプで測る方式で、長距離と屋外の外乱光に強く、車載LiDARの主流です。iToFは変調した光の位相ずれから距離を逆算する方式。近距離の分解能に優れ、スマートフォンや室内ロボットのToFセンサーで採られています。設計時の目安はシンプルです。屋外・長距離ならdToF、数メートル以内の高密度計測ならiToFという住み分けになります。両者は点群のノイズ特性も異なるため、前処理のパラメータは方式に合わせて調整します。

FMCW方式が相対速度を同時取得できる仕組みと採用場面の判断

FMCW（周波数連続変調）は、周波数を時間変化させた連続光を出し、戻り光との周波数差（ビート周波数）から距離を求める方式です。ドップラー効果を使い、対象の相対速度を距離と同時に1点ごとに取得できる点がToFとの決定的な差になります。太陽光や他車のLiDARによる干渉に強い特性もあり、2020年代の車載開発で採用例が増えました。一方、送受光学系とコヒーレント検出の構成は複雑で、単価が高くなります。速度情報が制御に直結する自動運転向けの選択肢、と位置づけると判断しやすいでしょう。

点群データの構造とLAS・PLY・PCDフォーマットの扱い方

LiDARの出力は、三次元座標を持つ点の集合＝点群です。フォーマットごとに保持できる属性と相性の良いツールが異なり、パイプラインの入口設計に影響します。属性の棚卸しとフォーマット選定を最初に済ませます。

点群が持つ座標・反射強度・リング番号などの各属性データの中身

1つの点は最低でも x・y・z の座標を持ちますが、実運用ではそれ以上の属性が付きます。反射強度（intensity）は素材判別に、リング番号（回転式でどのレーザー層か）は地面除去の高速化に効く属性です。時刻（timestamp）は移動体でのモーション補正に必須です。物体検出モデルの入力設計では、座標だけを使うか強度まで使うかで精度が変わります。だからこそ、センサーが吐く属性を最初に棚卸しするわけです。属性を捨てる前提の圧縮を早い段階で入れると、後段のモデル改善余地を自ら狭めてしまいます。

LAS・PCD・PLYの構造差とツール連携を踏まえた使い分け

点群フォーマットは用途で選びます。下表は実装で遭遇しやすい3種の性格をまとめたものです。

測量成果はLASが事実上の標準。座標系や分類コードを規格として保持できます。ロボットや自動運転の処理系ではPCDが扱いやすい形式です。点群ライブラリのPCLやミドルウェアのROSと直結します。研究や可視化での交換にはPLYが向いています。パイプラインでは「取得はセンサー固有形式、内部処理はPCD、成果物はLAS」のように工程ごとに変換するのが定石です。

走査方式の分類とMEMS・OPA・フラッシュ型センサーの選定

同じToFでも、レーザーを空間へ振る方法（走査方式）で耐久性・視野角・点群密度・単価が大きく変わります。ここは調達と実装の分岐点です。可動部の有無を軸に整理します。

メカ回転式と半導体式で異なる耐久性・コスト・視野角の実務比較

メカ回転式は、発光部を物理的に回して360度の視野を得る古典的な構成です。全周を高密度で測れる一方、可動部の摩耗で寿命と車載振動耐性に不安が残り、単価も高め。これに対し半導体式（ソリッドステート）は可動部を減らし、量産時のコストと耐久性で優位に立ちます。視野角は前方の限られた範囲に絞られがちです。そのぶん複数台を組み合わせて周囲をカバーします。全周監視が要る測量機は回転式、量産車の前方センシングは半導体式、という住み分けが現実的な出発点になります。

フラッシュ型とスキャン型で変わる点群密度と後段に生じる処理負荷

半導体式はさらにMEMS（微小ミラーで走査）、OPA（光の位相制御で走査）、フラッシュ型（面で一括照射）に分かれます。MEMSは走査型で遠距離まで密な点群を得やすい方式。OPAは可動部が皆無で、信頼性に振った構成です。フラッシュ型は一度に面を照らして距離画像を得るため、瞬間的な計測に強い反面、遠距離では出力が拡散して届きにくくなります。処理側の負荷も方式で変わり、密な点群ほどダウンサンプリングを前提にしないと後段が詰まります。方式選定は「必要な密度と距離」を先に決め、そこから逆引きするのが手堅い進め方です。

点群処理パイプラインの実装と前処理・レジストレーションの手法

LiDAR製品の開発工数は、センサー選定よりこの点群処理に集中します。生の点群をそのまま使える場面はほぼありません。前処理と位置合わせが品質の土台になります。

ダウンサンプリングとノイズ除去による前処理の具体的な実装手順

前処理はおおむね次の順で組みます。

1. 関心領域（ROI）で不要範囲の点を切り落とす
2. ボクセルグリッドで点密度を均一化し計算量を削減
3. 統計的外れ値除去でスパイクノイズを落とす
4. 地面点を平面推定で分離し物体候補だけ残す

ボクセルサイズや外れ値判定の閾値は、センサーの方式とレンジで調整します。ここを雑に通すと、後段のレジストレーションや検出が外れ値に引きずられてしまいます。前処理は精度と処理遅延を同時に決める工程。パラメータはログを取りながら詰めるのが実務です。

ICPとNDTを使った点群レジストレーションの精度と適用限界

移動しながら測ると、フレームごとに視点がずれた点群が並びます。これを1つの座標系へ重ねる処理がレジストレーションです。代表手法のICP（Iterative Closest Point）は点同士の対応を反復で詰めていき、初期位置が近ければ高精度に合います。ただし初期ずれが大きいと局所解に落ちます。NDT（Normal Distributions Transform）は空間を正規分布で表して照合するため、初期ずれや疎な点群に比較的強く、車載SLAMでの定番です。実装では「粗く合わせるNDT→仕上げのICP」と段階を分けると安定します。どちらも万能ではなく、特徴の乏しい長い廊下やトンネルでは合わせが破綻する前提で、他センサーの併用を設計に織り込みます。

SLAMで自己位置推定と地図構築を同時に行う処理の組み立て方

SLAM（自己位置推定と地図構築の同時実行）は、GNSSが届かない屋内や地下でLiDARの真価が出る処理です。連続フレームをレジストレーションで繋いで軌跡を作り、ループ閉じ込み（同じ場所への再訪検出）で累積誤差を補正します。実装ではIMU（慣性計測）を融合させ、急な旋回や振動で点群が歪むモーション補正を先に入れると安定するのです。LiDAR単体のSLAMは特徴の少ない環境で弱いため、カメラの視覚情報と組み合わせるLiDAR-Visual SLAMが実運用の落とし所になりつつあります。処理遅延と地図サイズはトレードオフ。リアルタイム性が要る用途では地図の間引きを併せて設計します。

物体検出とセグメンテーションを行う点群認識モデルの実装と評価

整えた点群から「何がどこにあるか」を取り出す工程です。画像認識とは入力構造が違うため、モデル設計とデータ準備の勘所も変わります。2系統のアプローチとデータ作成の順に見ます。

ボクセル化とPointNet系モデルによる点群認識の実装方針

点群は順序を持たず密度も不均一なため、画像用のCNNをそのまま当てられません。実装の主流は2系統です。ボクセル化して三次元CNNへ通す方式は、点群を格子に量子化して規則的なテンソルに直し、車載の物体検出で広く使われています。もう一方のPointNet系は、点群を点の集合として直接扱い、量子化による情報損失を避ける設計。屋内の細かい形状認識では後者、広域の車両・歩行者検出では前者が扱いやすいという目安になります。点群認識は画像認識の延長で語られがちですが、入力の非構造性を吸収する設計がモデル選定の分かれ目です。画像側の基礎を押さえたい場合は画像認識AIとは？仕組み・できること・開発の進め方が土台の整理に使えます。

アノテーションコストを抑える半自動ラベリングの実務的な進め方

点群の物体検出は、教師データ作成の負荷が画像より重くなります。三次元の直方体（バウンディングボックス）を点群空間で1つずつ囲む作業は、平面のアノテーションより手間がかかるためです。実務では、既存モデルで仮ラベルを付けて人が修正する半自動ラベリングや、連続フレーム間でラベルを追跡補間する手法でコストを抑えます。ラベル品質が検出精度を直接決めるため、外注か内製かは「ドメイン知識をどれだけ反映できるか」で切り分けるのが妥当です。評価はmAPやIoUといった指標に加え、実際の走行・現場データでの取りこぼしも見ます。机上の精度と現場性能が乖離しやすいからです。

自動運転と3D測量で異なるLiDAR採用条件と見送り基準の判断

LiDARは用途で採用条件が正反対になります。混同すれば過剰投資か性能不足のどちらか。判断軸を用途別に言い切ります。

自動運転でカメラと組み合わせるときのセンサー冗長化の設計判断

自動運転では、LiDAR単独ではなくカメラ・ミリ波レーダーとの冗長構成が前提です。LiDARは距離と形状に強い一方、色や標識文字はカメラ、悪天候での頑健性はレーダーが補います。逆光や暗所でカメラが弱る場面をLiDARが埋め、霧や雨でLiDARが散乱する場面をレーダーが埋める。この相互補完で安全余裕を確保するわけです。設計判断のコツは「どのセンサーがどの故障モードを埋めるか」を表で整理し、単一障害点をなくすことです。コスト制約でLiDARを1台に絞るなら、死角と検出遅延を他センサーで補える範囲かを先に検証します。車外・現場のセンサーデータを束ねる観点はIoTとは？仕組み・身近な例・AIとの組み合わせも参考になります。

測量と建築で点群精度と現場効率を両立させるための実務導入条件

測量や建築の点群計測では、判断軸が絶対精度と現場効率に移ります。数ミリ級の精度が要る出来形管理では据置型（地上設置）LiDARが向き、広域を素早く回りたい場合は車載やドローン搭載のモバイルマッピングが効きます。導入条件は「要求精度・計測範囲・現場に割ける時間」の三点で決まり、精度を欲張るほど計測と後処理の時間が延びるのです。点群からBIMモデルを起こす工程まで含めて工数を見積もらないと、機材費より処理費が膨らみます。用途が「記録」か「設計流用」かで、必要な点群密度と後処理の重さが変わる点を要件定義で確認します。

LiDARを見送るべき低予算・近距離用途における失敗パターン

LiDARが常に正解とはかぎりません。数十センチ〜1メートル程度の近接検知で足りるなら、超音波センサーやToFカメラの方が安く小さく収まります。屋内の在室検知や簡単な障害物回避に高価な走査型LiDARを載せるのは、典型的な過剰投資です。強い雨・霧・砂塵の環境では点群が乱れ、期待した精度が出ないまま費用だけかさむ失敗もあります。「距離を面ではなく高精度な点で三次元に取る必要が本当にあるか」を最初に問う。要らないなら見送るのが正解です。この判断を飛ばして解像度スペックだけで選ぶと、動くが使えないシステムになってしまいます。

LiDAR搭載システムの受託開発で押さえる要件定義と体制設計

LiDARを組み込んだ製品開発は、センサー調達・点群処理・運用基盤が絡む複合案件です。要件定義と体制の初期設計が、後の手戻りを左右します。数値化とアーキテクチャの切り分けを先に行います。

要件定義で最初に固める測距レンジ・点群密度・処理遅延の各要件

要件定義では、まず「どの距離の何を、どの密度で、どれだけの遅延まで許して検出するか」を数値で固めます。測距レンジと点群密度はセンサー選定を、処理遅延はエッジとクラウドの分担を規定する要件です。ここが曖昧なままモデル開発に進むと、後から性能要件を満たせず設計が巻き戻ります。加えて、点群データの保存容量とプライバシー（人物が写る場合の扱い）も初期に決めておきます。数値化した要件は、センサー方式・走査方式・処理系の選定すべての判断根拠になり、見積もり精度も上がるのです。

エッジ処理とクラウド連携を分ける実装アーキテクチャの設計判断

点群は容量が大きく、生データを全てクラウドへ送るのは現実的ではありません。実装では、前処理・物体検出といったリアルタイム性の要る処理を機器側（エッジ）で行い、地図の蓄積やモデル再学習をクラウドで担う分担が定石です。この切り分けは通信帯域・遅延要件・運用コストのバランスで決まります。センサーからの生成データを収集・監視・連携する基盤づくりは、機械学習と現場データの両輪で設計する領域。一創ではLiDARを含むセンサーデータの取得から点群処理・検出モデルの実装、運用基盤まで一貫して支援するAI／IoTソリューションの開発を手掛けています。要件定義の段階から相談いただくと、方式選定と体制設計の手戻りを抑えられます。

よくある質問

LiDARの導入検討や実装でよく挙がる質問を、技術者向けにまとめます。

LiDARとToFセンサーは何が違うのですか？

ToFは「光の飛行時間で距離を測る原理」の名称で、LiDARはそのToF（またはFMCW）を使って周囲をレーザーで走査し、三次元の点群を作る装置・技術を指します。スマホの「ToFセンサー」は近距離の面計測が中心で、LiDARは走査によって広範囲・長距離の点群を得る点が実装上の違いです。原理と装置は別レイヤーの言葉だと整理すると混乱しません。

LiDARはカメラと比べて何が得意なのですか？

LiDARは距離と形状を数センチ精度で直接測れ、暗所や逆光でも性能が落ちにくい点が強みです。一方、色・文字・テクスチャの認識はカメラが得意とします。実運用では両者を組み合わせ、LiDARが三次元構造を、カメラが意味情報を担う役割分担にすると、それぞれの弱点を補えます。

iPhoneのLiDARと車載LiDARは同じものですか？

原理は同じToFですが、用途と性能が大きく異なります。スマホのLiDARは数メートル以内の近距離をiToFで測り、AR（拡張現実）や写真の深度取得に使う用途です。車載LiDARはdToFやFMCWで数十〜200メートル超を測り、走査機構で高密度の点群を作ります。近距離の面計測と、長距離の走査計測という別物と捉えるのが実装上は正確です。

点群データの処理にはどんなツールを使いますか？

ロボットや自動運転ではPCL（Point Cloud Library）やROS、研究や可視化ではOpen3Dがよく使われます。フォーマットは処理系のPCD、測量成果のLAS、交換のPLYと使い分けるのが通例です。物体検出モデルは三次元CNN系やPointNet系を、扱う対象の粒度に合わせて選定します。

LiDAR導入のコストを抑えるにはどうすればよいですか？

まず要件を数値化し、本当に必要なレンジと点群密度に見合う方式へ絞ることです。全周が要らなければ半導体式で前方に絞る、近距離で足りるならToFカメラや超音波に切り替える、といった判断が費用を左右します。センサー費よりも点群処理・アノテーションの工数がかさむため、処理系の設計まで含めて見積もると総額を抑えられます。

関連記事

• IoTとは？仕組み・身近な例・AIとの組み合わせ：LiDARを含むセンサーデータを収集・連携するIoTの全体像を押さえられます。
• 画像認識AIとは？仕組み・できること・開発の進め方：点群認識と対をなす画像認識の基礎と開発手順を整理できます。
• 需要予測とは？AI・機械学習による手法とシステム導入の進め方：センサーで得たデータを予測へつなげる実装の考え方が分かります。