AIエンジニアの面接対策
「カメラで見つけた物体を、アームでつかむ座標に直してください」|座標変換の面接対策
更新日 2026年11月16日 / 書いた人 上田 英介(ジンベイ株式会社 代表取締役/職業紹介責任者)
座標変換は、ロボットのソフトウェアのあらゆる場所に出てきます。カメラで見つけた物体の位置をアームの座標に直す、LiDAR の点群を地図の座標に重ねる、移動ロボットの自己位置を更新する。どれも座標変換がずれていると、他がどれだけ正しくても動きません。
そのため、ロボットのスタートアップの技術面接では、座標変換の基本を口頭やホワイトボードで説明させる質問がよく出ます。ROS 2 を使う会社なら、tf2 の使い方と、時刻の扱いまで聞かれます。この記事では、よく聞かれる質問、答えの骨組み、深掘り、よくある失敗、実務の経験の話し方の順に解説します。
よく聞かれる質問
- カメラで検出した物体の位置を、ロボットの台座の座標に直す手順を説明してください
- 同次変換行列とは何ですか。なぜ 4×4 にするのですか
- 回転の表し方にはどんなものがありますか。それぞれの欠点は
- tf2 で座標変換を取得するときに、時刻はどう指定しますか
- ハンドアイキャリブレーションとは何ですか
答えの骨組み
最初の質問には、「どの座標系からどの座標系へ」を明確にしてから、変換をつなぐ順を答えます。
- カメラの画像上の位置と深度から、カメラ座標系での3次元の位置を出す(カメラの内部パラメータを使う)
- カメラ座標系から、カメラを取り付けた手先(またはロボットの台座)への変換をかける(ハンドアイキャリブレーションで求めた値)
- 手先から台座への変換をかける(その時点の関節角度から順運動学で求める)
- 必要なら、つかむ向きも同じように変換する
式で書くと次のようになります。T_A_B は「B の座標系で表した点を、A の座標系に直す変換」とします。
p_base = T_base_hand × T_hand_camera × p_camera
変換の名前の付け方を最初に宣言し、つなぐときに隣り合う座標系の名前が一致しているかを確かめながら書く、と説明すると、間違えにくい書き方をしている人だと伝わります。
同次変換を 4×4 にする理由
回転(3×3)と並進(3×1)を1つの行列にまとめるためです。点に1を足して4次元にすると、回転と並進を掛け算1回で表せ、複数の変換も行列の積でつなげます。逆変換は、回転の部分を転置し、並進を −Rᵀt にすれば求まり、一般の逆行列を計算する必要はありません。
回転の表し方
| 表し方 | 長所 | 欠点 |
|---|---|---|
| 回転行列(3×3) | 変換の合成と点の変換が素直 | 9個の値に対して自由度は3。計算を重ねると直交性が崩れるので、正規化が要る |
| オイラー角(ロール・ピッチ・ヨー) | 人が読みやすい | 回す軸の順番の決まりがいくつもある。特定の角度で自由度が1つ失われる(ジンバルロック)。補間がうまくいかない |
| クォータニオン | 特異点がない。補間(slerp)ができる。値が4つで済む | 直感的に読みにくい。q と −q が同じ回転を表す。値の並び(w が先か後か)がライブラリで違う |
| 回転ベクトル(軸と角度) | 最適化で使いやすい(3個の値) | 角度が大きいところで扱いに注意が要る |
ROS 2 のメッセージの向きはクォータニオンで、並びは x, y, z, w です。Eigen のコンストラクタは w, x, y, z の順なので、ここで取り違える事故がよく起きます。この具体例を言えると、実際に書いたことがある人だと伝わります。
深掘りの質問と答え方
「tf2 で変換を取得するとき、時刻はどう指定しますか」
tf2 は、各フレームの間の変換を時刻付きでしばらく保存しておき、指定した時刻の変換を補間して返します。センサーのデータを変換するときは、そのデータを取得した時刻(メッセージのヘッダーの時刻)を指定するのが基本です。
最新の変換を使う指定(時刻0)にすると、ロボットが動いている間は、データを取った瞬間と違う姿勢で変換してしまいます。逆に、データの時刻を指定したのに、その時刻の変換がまだ届いていないと例外になるので、少し待つ(タイムアウトを付けて取得する、tf2 のメッセージフィルタを使う)と答えます。
「静的な変換と動的な変換の違いは」
センサーの取り付け位置のように変わらないものは静的な変換(/tf_static)として一度だけ送ります。関節の角度やオドメトリのように変わるものは、動的な変換(/tf)として周期的に送ります。静的な変換を /tf に流し続ける、取り付け位置をコードの中に直接書く、といった作りは、後でセンサーの位置を変えたときに直す場所が分からなくなります。URDF にまとめて robot_state_publisher から出すのが一般的です。
「map、odom、base_link の関係は」
移動ロボットでよく聞かれます。
- base_link:ロボットの本体に固定した座標系
- odom:車輪やIMUのオドメトリの基準。短い時間では滑らかに連続するが、長い時間では少しずつずれる
- map:地図の座標系。SLAM や自己位置推定で、ずれを補正する。補正の瞬間に位置が飛ぶことがある
自己位置推定のノードは map から base_link を直接出すのではなく、map から odom への変換を出します。こうすると、制御は滑らかな odom を使い、地図に対する位置は map で正しく保てます。この理由まで説明できると、Nav2 を使った経験が伝わります。
「ハンドアイキャリブレーションとは」
アームの手先(またはロボットの台座)とカメラの間の変換を求める作業です。アームを複数の姿勢に動かし、そのたびにカメラでマーカーを撮影します。手先の動きとカメラから見たマーカーの動きの関係から、間の変換を解きます。姿勢は回転軸が偏らないように選ぶこと、誤差は別の姿勢で既知の点に手先を合わせて確かめること、を添えると良いです。
よくある失敗
書き換える前 カメラの座標を、変換行列を掛けてロボットの座標に直します。
どの変換を、どの順で、どこから得たかがありません。
書き換えた後 画像の位置と深度から、内部パラメータでカメラ座標系の点を出します。それに、ハンドアイキャリブレーションで求めた手先とカメラの間の変換と、その画像を撮った時刻の関節角度から求めた台座と手先の間の変換を、順にかけます。
面接や実務でよくある失敗は、次のとおりです。
- 変換の向き(A から B か、B から A か)を取り違え、逆行列にすべきところをそのまま使う
- 度とラジアン、ミリとメートルを混ぜる
- カメラの光学座標系(z が前、x が右、y が下)と、ROS のロボットの座標系(x が前、y が左、z が上)の違いを忘れる
- 画像を撮った時刻ではなく、処理した時刻の姿勢で変換する
実務の経験の話し方
座標変換の経験は、「ずれをどう見つけて直したか」を話すと具体的になります。
ピッキングで、つかむ位置が数センチずれる問題がありました。RViz で点群とロボットのモデルを重ねて表示したところ、アームを動かしている間だけ点群がずれていたので、画像を撮った時刻ではなく最新の関節角度で変換していることが分かりました。画像の時刻で変換を取得するように直し、ずれは数ミリに収まりました。
組込みや制御の出身の人は、ROS を使っていなくても、運動学の計算や、センサーの取り付け誤差の補正をした経験があれば、それを座標変換の言葉で話せます。
まとめ
- 座標変換は、変換の名前の付け方を宣言し、つなぐ順を明確にして説明する
- 回転の表し方は、それぞれの長所と欠点をセットで答える。クォータニオンの並びの違いに注意する
- tf2 ではデータの時刻で変換を取得する。map・odom・base_link の役割を説明できるようにする
- 経験は、ずれをどう見つけ、何が原因だったかを話す
ロボットのスタートアップへの転職で、これまでの経験をどう話すか迷ったら、ジンベイ AIタレントで相談できます。
