JP2018151388A - Trafficability estimation device and program - Google Patents

Trafficability estimation device and program Download PDF

Info

Publication number
JP2018151388A
JP2018151388A JP2018044723A JP2018044723A JP2018151388A JP 2018151388 A JP2018151388 A JP 2018151388A JP 2018044723 A JP2018044723 A JP 2018044723A JP 2018044723 A JP2018044723 A JP 2018044723A JP 2018151388 A JP2018151388 A JP 2018151388A
Authority
JP
Japan
Prior art keywords
information
trafficability
relative reflectance
soil
unit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2018044723A
Other languages
Japanese (ja)
Other versions
JP7075787B2 (en
Inventor
新吾 山本
Shingo Yamamoto
新吾 山本
拓史 千葉
Takuji Chiba
拓史 千葉
明 北島
Akira Kitajima
明 北島
崇由 堀田
Takayoshi Hotta
崇由 堀田
郁也 坂井
Ikuya Sakai
郁也 坂井
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujita Corp
Original Assignee
Fujita Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fujita Corp filed Critical Fujita Corp
Publication of JP2018151388A publication Critical patent/JP2018151388A/en
Application granted granted Critical
Publication of JP7075787B2 publication Critical patent/JP7075787B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

PROBLEM TO BE SOLVED: To estimate safely and surely trafficability information of a land.SOLUTION: An information acquisition part 34 acquires relative reflectance information which is a multidimensional distribution of a relative reflectance of a ground surface of an object land, together with positional information of the land. An estimation part 36 specifies a soil kind from a soil kind learning model 32A based on the relative reflectance information, specifies a moisture content from a moisture content learning model 32B based on the specified soil kind, and estimates trafficability information from a trafficability learning model 32C based on the specified soil kind and on the specified moisture content.SELECTED DRAWING: Figure 2

Description

本発明は、作業機械の走行に耐え得る地面の能力であるトラフィカビリティを推定するトラフィカビリティ推定装置およびプログラムに関する。   The present invention relates to a trafficability estimation apparatus and program for estimating trafficability, which is the ability of the ground that can withstand traveling of a work machine.

災害復旧工事や土木工事においては、事前に土地のトラフィカビリティを、例えばコーン貫入試験装置を用いて実測しておき、作業機械（重機）が土地の地面上を走行できるか否かを判定している。   In disaster recovery work and civil engineering work, the land trafficability is measured in advance using, for example, a cone penetration test device, and it is determined whether the work machine (heavy equipment) can run on the ground of the land. Yes.

特開２００８−１３９１４０号公報JP 2008-139140 A

しかしながら、上記従来技術では、例えば、災害復旧現場などのように、土地にぬかるみがあったり、土地の地盤が不安定であったりしてトラフィカビリティを実測する作業が困難、あるいは、危険となるような場合に、土地のトラフィカビリティを評価することが難しい。
本発明は、このような事情に鑑みてなされたものであり土地のトラフィカビリティ情報を安全に確実に推定する上で有利なトラフィカビリティ推定装置およびプログラムを提供することを目的とする。 However, with the above-described conventional technology, for example, it may be difficult or dangerous to measure trafficability because the land is muddy or the ground of the land is unstable, such as at a disaster recovery site. In this case, it is difficult to evaluate the trafficability of the land.
The present invention has been made in view of such circumstances, and an object of the present invention is to provide a trafficability estimation apparatus and program that are advantageous in safely and reliably estimating land trafficability information.

本発明は、対象となる土地の地面の相対反射率の多次元分布である相対反射率情報を取得する情報取得部と、前記相対反射率情報に基いて土の種類および含水量を特定し、その特定結果に基いて前記地面のトラフィカビリティ情報を推定する推定部とを備えることを特徴とする。
また、本発明は、情報処理装置において実行されるプログラムであって、前記情報処理装置を、対象となる土地の地面の相対反射率の多次元分布である相対反射率情報を取得する情報取得部と、前記相対反射率情報に基いて土の種類および含水量を特定し、その特定結果に基いて前記地面のトラフィカビリティ情報を推定する推定部として機能させるためのプログラムである。 The present invention specifies an information acquisition unit that acquires relative reflectance information, which is a multi-dimensional distribution of relative reflectance of the ground of the target land, and specifies the type of soil and water content based on the relative reflectance information, And an estimation unit that estimates the ground trafficability information based on the identification result.
The present invention is also a program executed in an information processing apparatus, wherein the information acquisition unit acquires relative reflectance information that is a multi-dimensional distribution of relative reflectance of the ground of a target land. And a soil type and water content based on the relative reflectance information, and a program for functioning as an estimation unit for estimating the ground trafficability information based on the identification result.

本発明によれば、対象となる土地の地面の相対反射率情報に基いて土の種類および含水量を特定し、その特定結果に基いてトラフィカビリティ情報を推定するようにした。
したがって、対象となる土地の地面にコーン貫入試験装置を運び込んで実測する必要がないため、実測する作業が困難、あるいは、危険となるような土地であっても、土地のトラフィカビリティ情報を安全に確実に推定する上で有利となる。 According to the present invention, the soil type and water content are identified based on the relative reflectance information of the ground of the target land, and the trafficability information is estimated based on the identification result.
Therefore, since it is not necessary to carry a cone penetration test device to the ground of the target land and perform the actual measurement, even if it is difficult or dangerous, the traffic information of the land can be safely stored. This is advantageous for reliable estimation.

実施の形態のトラフィカビリティ推定装置の構成を示すブロック図である。It is a block diagram which shows the structure of the trafficability estimation apparatus of embodiment. 実施の形態のトラフィカビリティ推定装置の機能ブロック図である。It is a functional block diagram of the trafficability estimation device of the embodiment. 回転翼機の構成を示すブロック図である。It is a block diagram which shows the structure of a rotary wing machine. 複数種類の土を絶乾状態にして測定した相対反射率を示すグラフである。It is a graph which shows the relative reflectance measured by making multiple types of soil completely dry. 土Ａの波長３５０〜１１００ｎｍの範囲における相対反射率分布を示すグラフである。It is a graph which shows the relative reflectance distribution in the range of the wavelength of the earth A of 350-1100 nm. 土Ｂの波長３５０〜１１００ｎｍの範囲における相対反射率分布を示すグラフである。It is a graph which shows the relative reflectance distribution in the range of the wavelength of 350-1100 nm of the soil B. 土Ｃの波長３５０〜１１００ｎｍの範囲における相対反射率分布を示すグラフである。It is a graph which shows the relative reflectance distribution in the wavelength range of 350-1100 nm of soil C. 土Ａの波長９００〜１７００ｎｍの範囲における相対反射率分布を示すグラフである。It is a graph which shows the relative reflectance distribution in the wavelength range of 900-1700 nm of soil A. 土Ｂの波長９００〜１７００ｎｍの範囲における相対反射率分布を示すグラフである。It is a graph which shows the relative reflectance distribution in the range of wavelength 900-1700nm of soil B. 土Ｃの波長９００〜１７００ｎｍの範囲における相対反射率分布を示すグラフである。It is a graph which shows the relative reflectance distribution in the range of wavelength 900-1700nm of soil C. 土種類学習モデルの説明図である。It is explanatory drawing of a soil kind learning model. 含水量学習モデルの説明図である。It is explanatory drawing of a moisture content learning model. トラフィカビリティ学習モデルの説明図である。It is explanatory drawing of a trafficability learning model. （Ａ）は表示出力された地図情報の説明図、（Ｂ）は地図情報の各領域を識別するために施されたハッチングの種類とトラフィカビリティ情報との対応を示す図である。(A) is explanatory drawing of the map information displayed and output, (B) is a figure which shows a response | compatibility with the kind of hatching performed in order to identify each area | region of map information, and trafficability information. トラフィカビリティ推定装置の動作を示すフローチャートである。It is a flowchart which shows operation | movement of a traffic estimation apparatus.

以下、本発明の実施の形態を図面に基づいて説明する。
図１は本実施の形態に係るトラフィカビリティ推定装置１０の構成を示すブロック図である。
本実施の形態では、トラフィカビリティ推定装置１０は、パーソナルコンピュータで構成されている。
なお、トラフィカビリティ推定装置１０は、パーソナルコンピュータに限定されるものではなく、タブレット型端末など従来公知の様々なコンピュータを用いることができる。 Hereinafter, embodiments of the present invention will be described with reference to the drawings.
FIG. 1 is a block diagram showing a configuration of a trafficability estimation apparatus 10 according to the present embodiment.
In the present embodiment, the trafficability estimation device 10 is configured by a personal computer.
Note that the trafficability estimation apparatus 10 is not limited to a personal computer, and various conventionally known computers such as tablet terminals can be used.

トラフィカビリティ推定装置１０は、ＣＰＵ１２と、バスラインを介して接続されたＲＯＭ１４、ＲＡＭ１６、ハードディスク装置１８、表示部２０、入力部２２、インターフェース２４、通信部２６、カードスロット２８、プリンタ３０などを含んで構成されている。
ＲＯＭ１４は、各種のデータを格納・記憶するものである。
ＲＡＭ１６はＣＰＵ１２のワーキングエリアを提供するものである。
ハードディスク装置１８は、ＣＰＵ１２が実行する本発明に係るプログラムを格納するものである。
また、ハードディスク装置１８は、図２に示す学習モデル３２を構成しており、学習モデル３２については後述する。 The trafficability estimation device 10 includes a CPU 12, a ROM 14, a RAM 16, a hard disk device 18, a display unit 20, an input unit 22, an interface 24, a communication unit 26, a card slot 28, a printer 30 and the like connected via a bus line. It consists of
The ROM 14 stores and stores various data.
The RAM 16 provides a working area for the CPU 12.
The hard disk device 18 stores a program according to the present invention executed by the CPU 12.
The hard disk device 18 constitutes a learning model 32 shown in FIG. 2, and the learning model 32 will be described later.

表示部２０は、文字や画像を表示するものであり、本実施の形態では、トラフィカビリティ推定装置１０によって推定されたトラフィカビリティにまつわる情報を表示出力するものである。
入力部２２は、入力操作を受け付けるものであり、キーボードおよびマウスによって構成されている。なお、入力部２２は、表示部２０の表示面上に設けられたタッチパネルで構成してもよく、入力部２２として従来公知の様々な構成の入力デバイスが使用可能である。 The display unit 20 displays characters and images. In the present embodiment, the display unit 20 displays and outputs information related to trafficability estimated by the trafficability estimation device 10.
The input unit 22 receives an input operation and includes a keyboard and a mouse. Note that the input unit 22 may be configured by a touch panel provided on the display surface of the display unit 20, and various conventionally known input devices can be used as the input unit 22.

インターフェース２４は、通信部２６、カードスロット２８、プリンタ３０との間で通信を行なうものである。
通信部２６は、図３に示すように無線回線を経由して回転翼機４０の通信部５６と通信を行なうものである。
カードスロット２８は、カード型の記録媒体が装脱可能に装着されるものである。
プリンタ３０は、文字や画像を印刷するものであり、本実施の形態では、トラフィカビリティ推定装置１０によって推定されたトラフィカビリティにまつわる情報を印刷出力するものである。 The interface 24 communicates with the communication unit 26, the card slot 28, and the printer 30.
As shown in FIG. 3, the communication unit 26 communicates with the communication unit 56 of the rotary wing machine 40 via a wireless line.
The card slot 28 is a slot in which a card-type recording medium is detachably mounted.
The printer 30 prints characters and images. In the present embodiment, the printer 30 prints and outputs information related to the traffic estimated by the traffic estimation device 10.

ＣＰＵ１２は、図２に示すように、上記プログラムを実行することにより、ハードディスク装置１８を学習モデル３２を記録したデータベースとして機能させるものであり、また、上記プログラムを実行することにより、情報取得部３４と、推定部３６と、地図生成部３８とを実現するものである。
本実施の形態では、土種および含水量と相対反射率との関係を機械学習による学習モデルを用いて解析する。以下では各種データを図面として視覚化できるよう２次元化しているが、実際にはそれ以上の次元数のデータを含んでいる。 As shown in FIG. 2, the CPU 12 causes the hard disk device 18 to function as a database in which the learning model 32 is recorded by executing the program, and the information acquisition unit 34 by executing the program. And the estimation part 36 and the map production | generation part 38 are implement | achieved.
In the present embodiment, the relationship between soil type and water content and relative reflectance is analyzed using a learning model based on machine learning. In the following, various data are two-dimensionalized so that they can be visualized as a drawing, but actually, data of more dimensions is included.

学習モデル３２は、土種類学習モデル３２Ａと、含水量学習モデル３２Ｂと、トラフィカビリティ学習モデル３２Ｃとを含んで構成されている。
土種類学習モデル３２Ａは、土の種類と土の相対反射率のパターンとの関係を規定するものである。
ここで土の種類とは、土壌の性質毎に種類分けされた土壌種別と呼ばれているものであり、以下のような土壌種別が例示される。
岩屑土、砂丘未熟土、黒ボク土、多湿黒ボク土、黒ボクグライ土、褐色森林土、灰色台地土、グライ台地土、赤色土、黄色土、暗赤色土、褐色低地土、灰色低地土、グライ土、黒泥土、泥炭土。
土の相対反射率とは、土に光を照射したときに土から反射される光の強度である。
土の相対反射率のパターンは土の種類に対応して異なっている。
例えば、図４には、７種類の土（Ａ〜Ｈ）を絶乾状態にして測定した相対反射率を示している。図４に示すように、各土Ａ〜Ｈによって相対反射率のパターンが異なっているが、それら土の含水量が変化しても相対反射率の特徴は保たれる。
例えば、図５は図４の土Ａ、図６は図４の土Ｂ、図７は図４の土Ｃについて、それぞれ含水量を変化させて測定した相対反射率である。
図１１に示すように、土種類学習モデル３２Ａは、上述した土の種類Ａ、Ｂ、Ｃ、……、Ｚと、土の相対反射率のパターンａ、ｂ、ｃ、……、ｚとを関連付けて構成されている。
土種類学習モデル３２Ａは、土の種類毎に相対反射率のパターン、すなわち、相対反射率情報を後述するハイパースペクトルカメラ５０を用いて実測することによって構築される。
また、本実施の形態では、土種類学習モデル３２Ａにおける相対反射率のパターンは、４００ｎｍ以上１１００ｎｍ以下の波長範囲で測定されたものとした。
４００ｎｍ以上１１００ｎｍ以下の波長範囲で測定すると、ハイパースペクトルカメラで実測した場合に生成される相対反射率の画像サイズの軽減化を図ることができデータ処理の高速化を図る上で有利となり、土の種類を正確に効率的に判定する上で有利となる。 The learning model 32 includes a soil type learning model 32A, a water content learning model 32B, and a trafficability learning model 32C.
The soil type learning model 32A defines the relationship between the soil type and the soil relative reflectance pattern.
Here, the type of soil is called a soil type classified according to the nature of the soil, and the following soil types are exemplified.
Debris soil, dune immature soil, black my soil, humid black my soil, black mysterious soil, brown forest soil, gray plateau soil, glai plateau soil, red soil, yellow soil, dark red soil, brown lowland soil, gray lowland soil , Glai, black mud, peat soil.
The relative reflectance of the soil is the intensity of light reflected from the soil when the soil is irradiated with light.
The pattern of relative reflectance of the soil differs depending on the type of soil.
For example, FIG. 4 shows the relative reflectance measured with seven types of soils (A to H) in an absolutely dry state. As shown in FIG. 4, the relative reflectance patterns are different for each of the soils A to H, but the characteristics of the relative reflectance are maintained even when the water content of the soils changes.
For example, FIG. 5 shows the relative reflectance measured by changing the water content for soil A in FIG. 4, FIG. 6 for soil B in FIG. 4, and FIG. 7 for soil C in FIG.
As shown in FIG. 11, the soil type learning model 32A includes the above-described soil types A, B, C,..., Z, and the soil relative reflectance patterns a, b, c,. Configured in association.
The soil type learning model 32A is constructed by actually measuring a pattern of relative reflectance for each soil type, that is, relative reflectance information using a hyperspectral camera 50 described later.
In the present embodiment, the pattern of relative reflectance in the soil type learning model 32A is measured in the wavelength range of 400 nm to 1100 nm.
Measuring in the wavelength range of 400 nm or more and 1100 nm or less is advantageous in reducing the image size of the relative reflectance generated when actually measured with a hyperspectral camera, which is advantageous for speeding up data processing. This is advantageous in determining the type accurately and efficiently.

含水量学習モデル３２Ｂは、土の種類と土の特定の波長の相対反射率と土の含水量との関係を規定するものである。
例えば、図８〜図１０に示すように、土Ａ、土Ｂ、土Ｃの特定の波長における相対反射率を含水量を変化させて測定すると、同じ含水量であっても土の種類に応じた特定の相対反射率となることがわかる。
図１２に示すように、含水量学習モデル３２Ｂは、上述した土の種類Ａ、Ｂ、Ｃ、……、Ｚと、土の特定の波長の相対反射率とを関連付けて構成されている。
本実施の形態では、特定の波長を９６０ｎｍ付近の波長と１４５０ｎｍ付近の波長との２種類の波長とした。
この２種類の波長とすると、相対反射率に対応する含水量のばらつきが少ないため、土の含水量の特定を精度良く行なう上で有利となる。
この理由は、判別する波長のバンドを２つ利用し、片方を較正バンドとする事で含水量をより正確に測定できるからである。
含水量学習モデル３２Ｂは、土の種類毎に、含水量を変えながら土の特定の波長の相対反射率を実測することにより構築される。
なお、図１２の例では、含水量を２５％毎に示しているが、含水量をもっと細かい単位、例えば、１０％毎に示すなど任意である。
また、図１２の相対反射率の数値は実際の数値ではなく、大小関係をわかりやすく表示したものである。 The moisture content learning model 32B defines the relationship between the soil type, the relative reflectance of a specific wavelength of the soil, and the moisture content of the soil.
For example, as shown in FIGS. 8 to 10, when the relative reflectance at specific wavelengths of soil A, soil B, and soil C is measured while changing the water content, even if the water content is the same, it depends on the type of soil. It can be seen that the specific relative reflectance is obtained.
As shown in FIG. 12, the water content learning model 32B is configured by associating the above-described soil types A, B, C,..., Z with the relative reflectance of a specific wavelength of the soil.
In the present embodiment, the specific wavelengths are two types of wavelengths, a wavelength near 960 nm and a wavelength near 1450 nm.
When these two types of wavelengths are used, there is little variation in the moisture content corresponding to the relative reflectance, which is advantageous in accurately identifying the moisture content of the soil.
This is because the moisture content can be measured more accurately by using two bands of wavelengths to be discriminated and using one as a calibration band.
The water content learning model 32B is constructed by measuring the relative reflectance of a specific wavelength of the soil while changing the water content for each type of soil.
In the example of FIG. 12, the water content is shown every 25%, but the water content is arbitrary, such as showing a finer unit, for example, every 10%.
Further, the numerical values of the relative reflectance in FIG. 12 are not actual numerical values, but display the magnitude relationship in an easy-to-understand manner.

トラフィカビリティ学習モデル３２Ｃは、土の種類と土の含水量と作業機械の走行に耐え得る地面の能力であるトラフィカビリティを示すトラフィカビリティ情報との関係を規定するものである。
図１３に示すように、トラフィカビリティ学習モデル３２Ｃは、土の種類と、土の含水量と、トラフィカビリティ情報とを関連付けて構成されている。
トラフィカビリティ情報は、ＪＩＳ Ａ１２２８規定のコーン指数試験によるコーン指数、あるいは、ＪＩＳ Ａ１２１９規定の標準貫入試験方法のＮ値で示すことができる。
トラフィカビリティ学習モデル３２Ｃは、土の種類毎に土の含水量を変えてトラフィカビリティ情報を実測することによって構築される。
また、トラフィカビリティ情報として従来公知の様々な地盤の試験方法で特定される評価値を用いることができることは無論である。
しかしながら、本実施の形態のように、トラフィカビリティ情報を、従来から用いられているコーン指数、あるいは、Ｎ値で示すようにすると、トラフィカビリティの良否を的確に判断する上で有利となる。
なお、図１３のトラフィカビリティ情報の数値は実際の数値ではなく、大小関係をわかりやすく表示したものである。 The trafficability learning model 32C defines the relationship between the kind of soil, the moisture content of the soil, and the trafficability information indicating the trafficability that is the ability of the ground to withstand the running of the work machine.
As shown in FIG. 13, the trafficability learning model 32 </ b> C is configured by associating soil types, soil moisture content, and trafficability information.
The trafficability information can be indicated by a cone index according to a cone index test defined in JIS A1228 or an N value of a standard penetration test method defined in JIS A1219.
The trafficability learning model 32C is constructed by actually measuring the trafficability information by changing the moisture content of the soil for each type of soil.
Of course, as the trafficability information, evaluation values specified by various conventionally known ground test methods can be used.
However, as shown in the present embodiment, when the trafficability information is represented by a conventionally used cone index or N value, it is advantageous in accurately judging whether the trafficability is good or bad.
Note that the numerical values of the trafficability information in FIG. 13 are not actual numerical values, but display the magnitude relationship in an easy-to-understand manner.

情報取得部３４は、対象となる土地の地面の相対反射率の多次元分布である相対反射率情報を土地の位置情報と共に取得するものである。
本実施の形態では、後述する回転翼機４０によって測定された相対反射率情報および土地の位置情報を無線回線を介して通信部２６が受信することにより情報取得部３４による相対反射率情報および土地の位置情報の取得がなされる。
あるいは、回転翼機４０によって測定された相対反射率情報および土地の位置情報を記録した記録媒体を、カードスロット２８に挿入することで情報取得部３４による相対反射率情報および土地の位置情報の取得がなされる。 The information acquisition unit 34 acquires relative reflectance information, which is a multi-dimensional distribution of relative reflectance of the ground of the target land, together with the position information of the land.
In the present embodiment, the relative reflectance information and land by the information acquisition unit 34 are received by the communication unit 26 receiving the relative reflectance information and land position information measured by the rotorcraft 40 described later via a wireless line. The position information is acquired.
Alternatively, the information acquisition unit 34 acquires the relative reflectance information and the land position information by inserting a recording medium in which the relative reflectance information and the land position information measured by the rotary wing machine 40 are recorded into the card slot 28. Is made.

推定部３６は、相対反射率情報に基いて土種類学習モデル３２Ａから土種類を特定し、特定された土種類に基いて含水量学習モデル３２Ｂから含水量を特定し、特定された土種類と特定された含水量とに基いてトラフィカビリティ学習モデル３２Ｃからトラフィカビリティ情報を推定するものである。   The estimation unit 36 identifies the soil type from the soil type learning model 32A based on the relative reflectance information, identifies the water content from the water content learning model 32B based on the identified soil type, and identifies the identified soil type. Based on the specified water content, the trafficability information is estimated from the trafficability learning model 32C.

地図生成部３８は、推定されたトラフィカビリティ情報と取得された位置情報とを組み合わせた地図情報を生成するものである。
図１４（Ａ）、（Ｂ）に示すように、地図情報Ｄｍは、例えば、トラフィカビリティ情報であるコーン指数やＮ値の大小に対応した色やハッチングにより表現される。
すなわち、トラフィカビリティ情報が異なる領域を識別するために各領域に異なるハッチングを施し、あるいは各領域を異なる色で表示している。
例えば、図１４（Ａ）は、トラフィカビリティ情報をＮ値で示す場合について示しており、領域ｄ１はＮ＜Ｎ１の範囲であり、領域ｄ２はＮ１≦Ｎ＜Ｎ２の範囲であり、領域ｄ３はＮ２≦Ｎ＜Ｎ３の範囲であり、領域ｄ４はＮ３≦Ｎの範囲である。ただし、Ｎ１＜Ｎ２＜Ｎ３である。
生成された地図情報Ｄｍは、表示部２０に表示され、あるいは、プリンタ３０によって印刷出力され、あるいは、ハードディスク装置やカード型記録媒体に記録される。 The map generation unit 38 generates map information that combines the estimated trafficability information and the acquired position information.
As shown in FIGS. 14A and 14B, the map information Dm is expressed by, for example, a color corresponding to the cone index and the magnitude of the N value, which is traffic information, or hatching.
That is, different areas are hatched in order to identify areas with different trafficability information, or the areas are displayed in different colors.
For example, FIG. 14A shows the case where the trafficability information is indicated by an N value, where the region d1 is in the range of N <N1, the region d2 is in the range of N1 ≦ N <N2, and the region d3 is The range of N2 ≦ N <N3 is satisfied, and the region d4 is in the range of N3 ≦ N. However, N1 <N2 <N3.
The generated map information Dm is displayed on the display unit 20, printed out by the printer 30, or recorded on a hard disk device or a card type recording medium.

次に、図３を参照して回転翼機（ドローン）について説明する。
回転翼機４０は、無人飛行体を構成するものであって、機体４２と、複数のロータ４４と、駆動部４６と、カメラ４８と、ハイパースペクトルカメラ５０、測位部５２と、記録部５４、通信部５６と、制御部５８を含んで構成されている。
複数のロータ４４は回転翼を構成するものである。
駆動部４６は、複数のロータ４４を個別に駆動することにより回転翼機４０を飛行させるものである。
カメラ４８は、機体４２に設けられ、機体４２の周囲を撮影して画像情報を生成するものであり、制御部５８によって動作が制御される。
ハイパースペクトルカメラ５０は、機体４２に設けられ、対象となる土地の地面の相対反射率の多次元分布である相対反射率情報を生成するものである。 Next, a rotary wing machine (drone) will be described with reference to FIG.
The rotary wing aircraft 40 constitutes an unmanned air vehicle, and includes a fuselage 42, a plurality of rotors 44, a drive unit 46, a camera 48, a hyperspectral camera 50, a positioning unit 52, a recording unit 54, The communication unit 56 and the control unit 58 are included.
The plurality of rotors 44 constitute rotating blades.
The drive unit 46 is for driving the rotor blades 40 by individually driving the plurality of rotors 44.
The camera 48 is provided in the machine body 42 and shoots the periphery of the machine body 42 to generate image information. The operation of the camera 48 is controlled by the control unit 58.
The hyperspectral camera 50 is provided in the airframe 42 and generates relative reflectance information that is a multidimensional distribution of relative reflectance of the ground of the target land.

測位部５２は、ＧＰＳ衛星などの測位衛星から送信される測位信号を受信して、回転翼機４０の現在位置（例えば緯度経度および標高など）を特定し、現在位置を示す位置情報を生成するものである。
測位部５２で特定した回転翼機４０の現在位置は、回転翼機４０の飛行経路の制御等に用いてもよい。
記録部５４は、ハイパースペクトルカメラ５０で生成された相対反射率情報と測位部５２で生成された位置情報を関連付けて記録媒体５５に格納するものであり、記録媒体５５は例えば着脱可能なカード型の記録媒体で構成されている。
通信部５６は、機体４２に設けられ、通信部２６、リモートコントローラ６０、管理端末６２とそれぞれ無線回線を介して通信するものである。
通信部５６は、相対反射率情報と、測位部５２で生成された位置情報とを関連付けて通信部２６に送信する。
通信部５６は、作業員が所持するリモートコントローラ６０と通信を行ない、リモートコントローラ６０からの制御情報を受信する。
また、通信部５６は、カメラ４８で撮影された画像情報を管理端末６２に送信する。
管理端末６２は、リモートコントローラ６０を所持している作業員が所持するものであり、例えばパーソナルコンピュータやタブレット端末、スマートホン等である。
管理端末６２は、回転翼機４０の通信部５６と無線通信を行なう不図示の通信部を備え、回転翼機４０の制御部５８から送信される画像情報を受け付ける。
したがって、作業員が管理端末６２に表示される画像を視認しつつリモートコントローラ６０によって回転翼機４０を遠隔制御できるように図られている。 The positioning unit 52 receives a positioning signal transmitted from a positioning satellite such as a GPS satellite, specifies the current position (for example, latitude and longitude, altitude, etc.) of the rotorcraft 40, and generates position information indicating the current position. Is.
The current position of the rotary wing aircraft 40 specified by the positioning unit 52 may be used for controlling the flight path of the rotary wing aircraft 40.
The recording unit 54 stores the relative reflectance information generated by the hyperspectral camera 50 in association with the position information generated by the positioning unit 52 in the recording medium 55. The recording medium 55 is, for example, a removable card type. It is comprised with the recording medium of.
The communication unit 56 is provided in the machine body 42 and communicates with the communication unit 26, the remote controller 60, and the management terminal 62 via wireless lines.
The communication unit 56 associates the relative reflectance information and the position information generated by the positioning unit 52 and transmits the information to the communication unit 26.
The communication unit 56 communicates with the remote controller 60 possessed by the worker and receives control information from the remote controller 60.
In addition, the communication unit 56 transmits image information captured by the camera 48 to the management terminal 62.
The management terminal 62 is possessed by a worker who possesses the remote controller 60, and is, for example, a personal computer, a tablet terminal, a smart phone, or the like.
The management terminal 62 includes a communication unit (not shown) that performs wireless communication with the communication unit 56 of the rotary wing machine 40 and receives image information transmitted from the control unit 58 of the rotary wing machine 40.
Accordingly, the operator can remotely control the rotary wing machine 40 by the remote controller 60 while visually recognizing the image displayed on the management terminal 62.

制御部５８は、ＣＰＵ、制御プログラムなどを格納・記憶するＲＯＭ、制御プログラムの作動領域としてのＲＡＭ、各種データを書き換え可能に保持するＥＥＰＲＯＭなどの記憶手段、周辺回路等とのインターフェースをとるインターフェースなどを含んで構成される。
制御部５８は、通信部５６で受信された制御情報に基いて駆動部４６を介して各ロータ４４を制御することにより機体４２の飛行動作を制御する。
また、制御部５８は、カメラ４８で撮影された画像情報を通信部５６を介して管理端末６２に送信する。
また、制御部５８は、ハイパースペクトルカメラ５０で検出された相対反射率情報と、測位部５２で生成された位置情報を受け付け、それら情報を関連付けて通信部５６を介して通信部２６に送信する。
また、制御部５８は、相対反射率情報と位置情報を受け付け、それら情報を関連付けて記録部５４から記憶媒体５５に記憶させる。 The control unit 58 includes a CPU, a ROM that stores and stores a control program, a RAM as an operation area of the control program, a storage unit such as an EEPROM that holds various data in a rewritable manner, and an interface that interfaces with peripheral circuits and the like It is comprised including.
The control unit 58 controls the flight operation of the airframe 42 by controlling each rotor 44 via the drive unit 46 based on the control information received by the communication unit 56.
Further, the control unit 58 transmits image information captured by the camera 48 to the management terminal 62 via the communication unit 56.
Further, the control unit 58 receives the relative reflectance information detected by the hyperspectral camera 50 and the position information generated by the positioning unit 52, associates the information, and transmits them to the communication unit 26 via the communication unit 56. .
In addition, the control unit 58 receives the relative reflectance information and the position information, and associates the information and stores them in the storage medium 55 from the recording unit 54.

次にトラフィカビリティ推定装置１０の動作について図１５のフローチャートを参照して説明する。
まず、作業員はリモートコントローラ６０、管理端末６２を用いて回転翼機４０を対象となる土地の上空に飛行させる（ステップＳ１０）。
回転翼機４０では、ハイパースペクトルカメラ５０により土地の地面の相対反射率情報が検出されると共に、測位部５２により位置情報を検出する（ステップＳ１２）。
制御部５８は、それら相対反射率情報と位置情報とを関連付けて記録部５４により記憶媒体５５に記憶させる（ステップＳ１４）。
また、制御部５８は、それら相対反射率情報と位置情報とを関連付けて通信部５６を介して通信部２６に送信させる（ステップＳ１６）。
作業員は、対象となる土地に対する検出動作が終了したか否かを、例えば、管理端末６２に表示される画像に基いて判断する（ステップＳ１８）。
対象となる土地に対する検出動作が終了していなければ、ステップＳ１２に戻りリモートコントローラ６０、管理端末６２を用いて回転翼機４０の遠隔操作を行ない土地の検出を継続して行なう。
対象となる土地に対する検出動作が終了したならば、作業員はリモートコントローラ６０、管理端末６２を用いて回転翼機４０を回収する（ステップＳ２０）。
なお、情報取得部３４は、通信部５６を介して互いに関連付けられた相対反射率情報および位置情報をリアルタイムに取得している。
あるいは、情報取得部３４は、回収した回転翼機４０から取り外された記録媒体５５がカードスロット２８に挿入されることで互いに関連付けられた相対反射率情報および位置情報を取得してもよい。
推定部３６は、情報取得部３４により取得された相対反射率情報に基いて土種類学習モデル３２Ａから土種類を特定し、特定された土種類に基いて含水量学習モデル３２Ｂから含水量を特定し、特定された土種類と特定された含水量とに基いてトラフィカビリティ学習モデル３２Ｃからトラフィカビリティ情報を推定する（ステップＳ２２）。
地図生成部３８は、推定されたトラフィカビリティ情報と取得された位置情報とを組み合わせた地図情報Ｄｍを生成する（ステップＳ２４）。
生成された地図情報Ｄｍは、図１４に示すように、表示部２０の画面に表示出力され、あるいは、プリンタ３０により印刷出力される（ステップＳ２６）。
以上でトラフィカビリティ推定装置１０の動作が終了する。 Next, the operation of the trafficability estimation apparatus 10 will be described with reference to the flowchart of FIG.
First, the worker uses the remote controller 60 and the management terminal 62 to fly the rotary wing aircraft 40 over the target land (step S10).
In the rotary wing machine 40, the relative reflectance information of the ground of the land is detected by the hyperspectral camera 50, and the position information is detected by the positioning unit 52 (step S12).
The control unit 58 causes the recording unit 54 to store the relative reflectance information and the position information in the storage medium 55 in association with each other (step S14).
Further, the control unit 58 associates the relative reflectance information and the position information and transmits the information to the communication unit 26 via the communication unit 56 (step S16).
The worker determines whether or not the detection operation for the target land has been completed based on, for example, an image displayed on the management terminal 62 (step S18).
If the detection operation for the target land has not been completed, the process returns to step S12, and the remote controller 60 and the management terminal 62 are used to remotely operate the rotary wing machine 40 to continuously detect the land.
When the detection operation for the target land is completed, the worker collects the rotary wing machine 40 using the remote controller 60 and the management terminal 62 (step S20).
The information acquisition unit 34 acquires relative reflectance information and position information associated with each other via the communication unit 56 in real time.
Alternatively, the information acquisition unit 34 may acquire relative reflectance information and position information associated with each other by inserting the recording medium 55 removed from the collected rotor blade 40 into the card slot 28.
The estimation unit 36 specifies the soil type from the soil type learning model 32A based on the relative reflectance information acquired by the information acquisition unit 34, and specifies the water content from the water content learning model 32B based on the specified soil type. Then, the trafficability information is estimated from the trafficability learning model 32C based on the specified soil type and the specified water content (step S22).
The map generation unit 38 generates map information Dm that combines the estimated traffic information and the acquired position information (step S24).
As shown in FIG. 14, the generated map information Dm is displayed on the screen of the display unit 20 or printed out by the printer 30 (step S26).
Thus, the operation of the trafficability estimation device 10 ends.

本実施の形態によれば、対象となる土地の地面の相対反射率情報に基いて土の種類および含水量を特定し、その特定結果に基いてトラフィカビリティ情報を推定するようにした。
したがって、対象となる土地の地面にコーン貫入試験機を運び込んでコーン値やＮ値を実測する必要がないため、例えば、土地にぬかるみがあったり、土地の地盤が不安定であったりして実測する作業が困難、あるいは、危険となるような場合であっても、土地のトラフィカビリティ情報を安全に確実に推定する上で有利となる。
そのため、作業車両（重機）を使用することができるか否かの判定を的確に行なう上で有利となる。
また、災害復旧現場の他、建物の基礎工事を行なう土地のトラフィカビリティ情報を得ることにより、土地の地面に打つ杭の本数をトラフィカビリティ情報に基いて適切に決定する上でも有利となる。 According to the present embodiment, the soil type and water content are specified based on the relative reflectance information of the ground of the target land, and the trafficability information is estimated based on the specification result.
Therefore, it is not necessary to carry a cone penetration tester to the ground of the target land and actually measure the cone value or N value. For example, the land is muddy or the ground of the land is unstable. Even if it is difficult or dangerous, it is advantageous to safely and reliably estimate the traffic information of the land.
Therefore, it is advantageous in accurately determining whether or not a work vehicle (heavy equipment) can be used.
In addition to the disaster recovery site, obtaining information on the trafficability of the land on which the foundation construction of the building is performed is advantageous in appropriately determining the number of piles hitting the ground of the land based on the trafficability information.

また、本実施の形態によれば、対象となる土地の地面の相対反射率情報に基いて、土種類学習モデル３２Ａと、含水量学習モデル３２Ｂと、トラフィカビリティ学習モデル３２Ｃからトラフィカビリティ情報を推定するようにした。
したがって、それら学習モデル３２Ａ、３２Ｂ、３２Ｃを新たな測定結果に基いて更新することによりトラフィカビリティ情報の推定を精度良く行なう上で有利となる。 Further, according to the present embodiment, the trafficability information is estimated from the soil type learning model 32A, the water content learning model 32B, and the trafficability learning model 32C based on the relative reflectance information of the ground of the target land. I tried to do it.
Therefore, it is advantageous in accurately estimating the trafficability information by updating these learning models 32A, 32B, and 32C based on the new measurement result.

また、本実施の形態によれば、推定されたトラフィカビリティ情報と取得された位置情報とを組み合わせた地図情報を生成するようにした。
したがって、地図情報に基いて、作業車両が走行可能な経路を事前に設定する上で有利となる。そのため、特に災害復旧現場のように迅速な作業が要求される場合に作業効率の向上を図る上で有利となる。 Moreover, according to this Embodiment, the map information which combined the estimated traffic information and the acquired position information was produced | generated.
Therefore, it is advantageous for setting in advance a route on which the work vehicle can travel based on the map information. For this reason, it is advantageous in improving work efficiency particularly when quick work is required, such as at a disaster recovery site.

また、本実施の形態によれば、回転翼機４０に搭載したハイパースペクトルカメラ５０と、測位部５２と、記録部５４を用いて相対反射率情報および位置情報を記録媒体に記憶させ、相対反射率情報および位置情報の取得を記録媒体を用いて行なうようにした。
したがって、対象となる土地から離れた場所において回転翼機４０を遠隔制御することで、土地の相対反射率情報および位置情報を取得することができるため、土地のトラフィカビリティ情報を安全に確実に推定する上でより有利となる。 Further, according to the present embodiment, the relative reflectance information and the position information are stored in the recording medium using the hyperspectral camera 50 mounted on the rotary wing aircraft 40, the positioning unit 52, and the recording unit 54, and the relative reflection is performed. Acquisition of rate information and position information is performed using a recording medium.
Therefore, by remotely controlling the rotary wing aircraft 40 at a location away from the target land, it is possible to obtain the relative reflectance information and position information of the land, so that the traffic information of the land can be estimated safely and reliably. This is more advantageous.

また、本実施の形態によれば、回転翼機４０に搭載したハイパースペクトルカメラ５０と、測位部５２と、通信部５６を用いて相対反射率情報および位置情報の取得を無線回線を用いて行なうようにした。
したがって、対象となる土地から離れた場所において回転翼機４０を遠隔制御することで、土地の相対反射率情報および位置情報をリアルタイムに取得することができるため、土地のトラフィカビリティ情報を安全に確実にかつ早期に推定する上で有利となる。 Further, according to the present embodiment, acquisition of relative reflectance information and position information is performed using a wireless line using the hyperspectral camera 50 mounted on the rotary wing aircraft 40, the positioning unit 52, and the communication unit 56. I did it.
Therefore, by remotely controlling the rotary wing aircraft 40 at a location away from the target land, the relative reflectance information and position information of the land can be obtained in real time, so the traffic information of the land can be safely and reliably obtained. Therefore, it is advantageous for estimation at an early stage.

１０ トラフィカビリティ推定装置
３２Ａ 土種類学習モデル
３２Ｂ 含水量学習モデル
３２Ｃ トラフィカビリティ学習モデル
３４ 情報取得部
３６ 推定部
３８ 地図生成部
４０ 回転翼機（無人飛行体）
５０ ハイパースペクトルカメラ
５２ 測位部
５４ 記録部
５５ 記録媒体
５６ 通信部 DESCRIPTION OF SYMBOLS 10 Trafficability estimation apparatus 32A Soil type learning model 32B Water content learning model 32C Trafficability learning model 34 Information acquisition part 36 Estimation part 38 Map generation part 40 Rotorcraft (unmanned aerial vehicle)
50 Hyperspectral Camera 52 Positioning Unit 54 Recording Unit 55 Recording Medium 56 Communication Unit

Claims (7)

対象となる土地の地面の相対反射率の多次元分布である相対反射率情報を取得する情報取得部と、
前記相対反射率情報に基いて土の種類および含水量を特定し、その特定結果に基いて前記地面のトラフィカビリティ情報を推定する推定部と、
を備えることを特徴とするトラフィカビリティ推定装置。 An information acquisition unit that acquires relative reflectance information that is a multi-dimensional distribution of relative reflectance of the ground of the target land;
An estimation unit that identifies soil type and water content based on the relative reflectance information, and estimates the ground trafficability information based on the identification result;
A trafficability estimation apparatus comprising: 前記土の種類と前記土の含水量と作業機械の走行に耐え得る前記地面の能力であるトラフィカビリティを示すトラフィカビリティ情報との関係を規定するトラフィカビリティ学習モデルを備え、
前記推定部は、前記相対反射率情報に基いて土種類学習モデルから前記土種類を特定し、前記特定された土種類に基いて含水量学習モデルから含水量を特定し、前記特定された土種類と前記特定された含水量とに基いて前記トラフィカビリティ学習モデルから前記トラフィカビリティ情報を推定する、
ことを特徴とする請求項１記載のトラフィカビリティ推定装置。 A trafficability learning model that defines the relationship between the soil type, the moisture content of the soil, and the trafficability information indicating the trafficability that is the capability of the ground that can withstand running of a work machine,
The estimation unit identifies the soil type from a soil type learning model based on the relative reflectance information, identifies a water content from a water content learning model based on the identified soil type, and identifies the identified soil Estimating the trafficability information from the trafficability learning model based on the type and the identified water content;
The trafficability estimation apparatus according to claim 1, wherein: 前記土種類学習モデルは、土の種類と前記土の相対反射率のパターンとの関係を規定するものであり、
前記含水量学習モデルは、前記土の種類と前記土の特定の波長における相対反射率と前記土の含水量との関係を規定するものである、
ことを特徴とする請求項２記載のトラフィカビリティ推定装置。 The soil type learning model defines the relationship between the soil type and the relative reflectance pattern of the soil,
The moisture content learning model defines the relationship between the soil type, the relative reflectance at a specific wavelength of the soil, and the moisture content of the soil.
The trafficability estimation apparatus according to claim 2, wherein: 前記情報取得部は、前記相対反射率情報を前記土地の位置情報と共に取得し、
前記推定されたトラフィカビリティ情報と前記取得された位置情報とを組み合わせた地図情報を生成する地図生成部をさらに備える、
ことを特徴とする請求項１から３の何れか１項記載のトラフィカビリティ推定装置。 The information acquisition unit acquires the relative reflectance information together with position information of the land,
A map generation unit that generates map information that combines the estimated trafficability information and the acquired position information;
The trafficability estimation apparatus according to any one of claims 1 to 3, wherein 前記土地を撮影して前記相対反射率情報を生成するハイパースペクトルカメラと、
測位衛星から測位信号を受信して前記位置情報を生成する測位部と、
前記相対反射率情報および前記位置情報を記録媒体に記録する記録部と、
前記ハイパースペクトルカメラおよび前記測位部と前記記録部とを搭載した無人飛行体とをさらに備え、
前記情報取得部による前記相対反射率情報および前記位置情報の取得は前記記録媒体を用いてなされる、
ことを特徴とする請求項４記載のトラフィカビリティ推定装置。 A hyperspectral camera that images the land and generates the relative reflectance information;
A positioning unit that receives a positioning signal from a positioning satellite and generates the position information;
A recording unit for recording the relative reflectance information and the position information on a recording medium;
Further comprising an unmanned air vehicle equipped with the hyperspectral camera and the positioning unit and the recording unit,
Acquisition of the relative reflectance information and the position information by the information acquisition unit is performed using the recording medium.
The trafficability estimation apparatus according to claim 4, wherein: 前記土地を撮影して前記相対反射率情報を生成するハイパースペクトルカメラと、
測位衛星から測位信号を受信して前記位置情報を生成する測位部と、
前記相対反射率情報および前記位置情報を無線回線を介して通信する通信部と、
前記ハイパースペクトルカメラおよび前記測位部と前記通信部とを搭載した無人飛行体とをさらに備え、
前記情報取得部による前記相対反射率情報および前記位置情報の取得は前記無線回線を用いてなされる、
ことを特徴とする請求項４記載のトラフィカビリティ推定装置。 A hyperspectral camera that images the land and generates the relative reflectance information;
A positioning unit that receives a positioning signal from a positioning satellite and generates the position information;
A communication unit that communicates the relative reflectance information and the position information via a wireless line;
Further comprising an unmanned air vehicle equipped with the hyperspectral camera and the positioning unit and the communication unit,
Acquisition of the relative reflectance information and the position information by the information acquisition unit is performed using the wireless line.
The trafficability estimation apparatus according to claim 4, wherein: 情報処理装置において実行されるプログラムであって、
前記情報処理装置を、
対象となる土地の地面の相対反射率の多次元分布である相対反射率情報を取得する情報取得部と、
前記相対反射率情報に基いて土の種類および含水量を特定し、その特定結果に基いて前記地面のトラフィカビリティ情報を推定する推定部と、
して機能させるためのプログラム。 A program executed in the information processing apparatus,
The information processing apparatus;
An information acquisition unit that acquires relative reflectance information that is a multi-dimensional distribution of relative reflectance of the ground of the target land;
An estimation unit that identifies soil type and water content based on the relative reflectance information, and estimates the ground trafficability information based on the identification result;
Program to make it function.
JP2018044723A 2017-03-14 2018-03-12 Trafficability estimator and program Active JP7075787B2 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017048046 2017-03-14
JP2017048046 2017-03-14

Publications (2)

Publication Number Publication Date
JP2018151388A true JP2018151388A (en) 2018-09-27
JP7075787B2 JP7075787B2 (en) 2022-05-26

Family

ID=63679549

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018044723A Active JP7075787B2 (en) 2017-03-14 2018-03-12 Trafficability estimator and program

Country Status (1)

Country Link
JP (1) JP7075787B2 (en)

Cited By (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112632750A (en) * 2020-12-01 2021-04-09 北方信息控制研究院集团有限公司 Simulation modeling method and system for mutual coupling of different elements in virtual battlefield environment
US11079725B2 (en) 2019-04-10 2021-08-03 Deere & Company Machine control using real-time model
US11178818B2 (en) 2018-10-26 2021-11-23 Deere & Company Harvesting machine control system with fill level processing based on yield data
US11234366B2 (en) 2019-04-10 2022-02-01 Deere & Company Image selection for machine control
US11240961B2 (en) 2018-10-26 2022-02-08 Deere & Company Controlling a harvesting machine based on a geo-spatial representation indicating where the harvesting machine is likely to reach capacity
US20220110251A1 (en) 2020-10-09 2022-04-14 Deere & Company Crop moisture map generation and control system
US11467605B2 (en) 2019-04-10 2022-10-11 Deere & Company Zonal machine control
US11474523B2 (en) 2020-10-09 2022-10-18 Deere & Company Machine control using a predictive speed map
US11477940B2 (en) 2020-03-26 2022-10-25 Deere & Company Mobile work machine control based on zone parameter modification
US11592822B2 (en) 2020-10-09 2023-02-28 Deere & Company Machine control using a predictive map
US11589509B2 (en) 2018-10-26 2023-02-28 Deere & Company Predictive machine characteristic map generation and control system
US11635765B2 (en) 2020-10-09 2023-04-25 Deere & Company Crop state map generation and control system
US11641800B2 (en) 2020-02-06 2023-05-09 Deere & Company Agricultural harvesting machine with pre-emergence weed detection and mitigation system
US11650587B2 (en) 2020-10-09 2023-05-16 Deere & Company Predictive power map generation and control system
US11653588B2 (en) 2018-10-26 2023-05-23 Deere & Company Yield map generation and control system
US11672203B2 (en) 2018-10-26 2023-06-13 Deere & Company Predictive map generation and control
US11675354B2 (en) 2020-10-09 2023-06-13 Deere & Company Machine control using a predictive map
US11711995B2 (en) 2020-10-09 2023-08-01 Deere & Company Machine control using a predictive map
US11727680B2 (en) 2020-10-09 2023-08-15 Deere & Company Predictive map generation based on seeding characteristics and control
US11778945B2 (en) 2019-04-10 2023-10-10 Deere & Company Machine control using real-time model
US11825768B2 (en) 2020-10-09 2023-11-28 Deere & Company Machine control using a predictive map
US11845449B2 (en) 2020-10-09 2023-12-19 Deere & Company Map generation and control system
US11844311B2 (en) 2020-10-09 2023-12-19 Deere & Company Machine control using a predictive map
US11849672B2 (en) 2020-10-09 2023-12-26 Deere & Company Machine control using a predictive map
US11849671B2 (en) 2020-10-09 2023-12-26 Deere & Company Crop state map generation and control system
US11864483B2 (en) 2020-10-09 2024-01-09 Deere & Company Predictive map generation and control system
US11874669B2 (en) 2020-10-09 2024-01-16 Deere & Company Map generation and control system
US11889788B2 (en) 2020-10-09 2024-02-06 Deere & Company Predictive biomass map generation and control
US11889787B2 (en) 2020-10-09 2024-02-06 Deere & Company Predictive speed map generation and control system
US11895948B2 (en) 2020-10-09 2024-02-13 Deere & Company Predictive map generation and control based on soil properties
US11927459B2 (en) 2020-10-09 2024-03-12 Deere & Company Machine control using a predictive map
US11946747B2 (en) 2020-10-09 2024-04-02 Deere & Company Crop constituent map generation and control system
US11957072B2 (en) 2020-02-06 2024-04-16 Deere & Company Pre-emergence weed detection and mitigation system
US11983009B2 (en) 2020-10-09 2024-05-14 Deere & Company Map generation and control system

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012150068A (en) * 2011-01-21 2012-08-09 Zukosha:Kk Method for predicting wet and dry condition of soil and device for the same
JP2015040851A (en) * 2013-08-23 2015-03-02 富士通株式会社 Information processing program, information processing method, and information processing apparatus
JP2015105898A (en) * 2013-11-30 2015-06-08 鹿島建設株式会社 Surface water quantity management method and system of ground material
US20160247075A1 (en) * 2015-02-20 2016-08-25 Iteris, Inc. Modeling of soil tilth and mechanical strength for field workability of cultivation activity from diagnosis and prediction of soil and weather conditions associated with user-provided feedback
JP2017015527A (en) * 2015-06-30 2017-01-19 株式会社トプコン Wide area sensor system, flight detection method and program

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012150068A (en) * 2011-01-21 2012-08-09 Zukosha:Kk Method for predicting wet and dry condition of soil and device for the same
JP2015040851A (en) * 2013-08-23 2015-03-02 富士通株式会社 Information processing program, information processing method, and information processing apparatus
JP2015105898A (en) * 2013-11-30 2015-06-08 鹿島建設株式会社 Surface water quantity management method and system of ground material
US20160247075A1 (en) * 2015-02-20 2016-08-25 Iteris, Inc. Modeling of soil tilth and mechanical strength for field workability of cultivation activity from diagnosis and prediction of soil and weather conditions associated with user-provided feedback
JP2017015527A (en) * 2015-06-30 2017-01-19 株式会社トプコン Wide area sensor system, flight detection method and program

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WELLS, L. G. ET AL.: "The response of various soil strength indices to changing water content and bulk density", TRANSACTIONS OF THE ASAE, vol. 21, no. 5, JPN6021048483, 1978, pages 854 - 861, ISSN: 0004656151 *

Cited By (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11589509B2 (en) 2018-10-26 2023-02-28 Deere & Company Predictive machine characteristic map generation and control system
US11653588B2 (en) 2018-10-26 2023-05-23 Deere & Company Yield map generation and control system
US11178818B2 (en) 2018-10-26 2021-11-23 Deere & Company Harvesting machine control system with fill level processing based on yield data
US11672203B2 (en) 2018-10-26 2023-06-13 Deere & Company Predictive map generation and control
US11240961B2 (en) 2018-10-26 2022-02-08 Deere & Company Controlling a harvesting machine based on a geo-spatial representation indicating where the harvesting machine is likely to reach capacity
US11467605B2 (en) 2019-04-10 2022-10-11 Deere & Company Zonal machine control
US11650553B2 (en) 2019-04-10 2023-05-16 Deere & Company Machine control using real-time model
US11829112B2 (en) 2019-04-10 2023-11-28 Deere & Company Machine control using real-time model
US11778945B2 (en) 2019-04-10 2023-10-10 Deere & Company Machine control using real-time model
US11234366B2 (en) 2019-04-10 2022-02-01 Deere & Company Image selection for machine control
US11079725B2 (en) 2019-04-10 2021-08-03 Deere & Company Machine control using real-time model
US11957072B2 (en) 2020-02-06 2024-04-16 Deere & Company Pre-emergence weed detection and mitigation system
US11641800B2 (en) 2020-02-06 2023-05-09 Deere & Company Agricultural harvesting machine with pre-emergence weed detection and mitigation system
US11477940B2 (en) 2020-03-26 2022-10-25 Deere & Company Mobile work machine control based on zone parameter modification
US11711995B2 (en) 2020-10-09 2023-08-01 Deere & Company Machine control using a predictive map
US11874669B2 (en) 2020-10-09 2024-01-16 Deere & Company Map generation and control system
US11635765B2 (en) 2020-10-09 2023-04-25 Deere & Company Crop state map generation and control system
US11675354B2 (en) 2020-10-09 2023-06-13 Deere & Company Machine control using a predictive map
US11983009B2 (en) 2020-10-09 2024-05-14 Deere & Company Map generation and control system
US11727680B2 (en) 2020-10-09 2023-08-15 Deere & Company Predictive map generation based on seeding characteristics and control
US20220110251A1 (en) 2020-10-09 2022-04-14 Deere & Company Crop moisture map generation and control system
US11592822B2 (en) 2020-10-09 2023-02-28 Deere & Company Machine control using a predictive map
US11825768B2 (en) 2020-10-09 2023-11-28 Deere & Company Machine control using a predictive map
US11474523B2 (en) 2020-10-09 2022-10-18 Deere & Company Machine control using a predictive speed map
US11845449B2 (en) 2020-10-09 2023-12-19 Deere & Company Map generation and control system
US11844311B2 (en) 2020-10-09 2023-12-19 Deere & Company Machine control using a predictive map
US11849672B2 (en) 2020-10-09 2023-12-26 Deere & Company Machine control using a predictive map
US11849671B2 (en) 2020-10-09 2023-12-26 Deere & Company Crop state map generation and control system
US11864483B2 (en) 2020-10-09 2024-01-09 Deere & Company Predictive map generation and control system
US11871697B2 (en) 2020-10-09 2024-01-16 Deere & Company Crop moisture map generation and control system
US11650587B2 (en) 2020-10-09 2023-05-16 Deere & Company Predictive power map generation and control system
US11889788B2 (en) 2020-10-09 2024-02-06 Deere & Company Predictive biomass map generation and control
US11889787B2 (en) 2020-10-09 2024-02-06 Deere & Company Predictive speed map generation and control system
US11895948B2 (en) 2020-10-09 2024-02-13 Deere & Company Predictive map generation and control based on soil properties
US11927459B2 (en) 2020-10-09 2024-03-12 Deere & Company Machine control using a predictive map
US11946747B2 (en) 2020-10-09 2024-04-02 Deere & Company Crop constituent map generation and control system
CN112632750B (en) * 2020-12-01 2023-09-26 北方信息控制研究院集团有限公司 Simulation modeling method and system for mutual coupling of different elements of virtual battlefield environment
CN112632750A (en) * 2020-12-01 2021-04-09 北方信息控制研究院集团有限公司 Simulation modeling method and system for mutual coupling of different elements in virtual battlefield environment

Also Published As

Publication number Publication date
JP7075787B2 (en) 2022-05-26

Similar Documents

Publication Publication Date Title
JP7075787B2 (en) Trafficability estimator and program
US20210142559A1 (en) System and method for vegetation modeling using satellite imagery and/or aerial imagery
US9389084B1 (en) Detecting changes in aerial images
US11733042B2 (en) Information processing apparatus, information processing method, program, and ground marker system
CN108055094B (en) Unmanned aerial vehicle manipulator frequency spectrum feature identification and positioning method
CN108875620B (en) Invasive plant monitoring method and system
EP2393041B1 (en) System for determining representative positions for sampled features
Cledat et al. Mapping quality prediction for RTK/PPK-equipped micro-drones operating in complex natural environment
JP7172400B2 (en) Geological evaluation system, geological evaluation method and geological evaluation program
CN105531748A (en) Landing decision assistance system, landing decision assistance method, and landing decision assistance program
EP4358008A1 (en) Vegetation management system and vegetation management method
CN109813286A (en) A kind of lodging disaster remote sensing damage identification method based on unmanned plane
JP2017035055A (en) Apparatus, method, and program for measuring plant growth parameters
JP6829800B2 (en) Receiver suitability determination method and receiver suitability determination system
CN109358640B (en) Real-time visualization method and system for laser detection of unmanned aerial vehicle and storage medium
JP6908380B2 (en) Ground movement detection device, wireless tag, ground movement detection method and disaster relief support system
JP2011069757A (en) Spectral analysis apparatus
Howell et al. Structure from motion techniques for estimating the volume of wood chips
US11930373B2 (en) 3D spectrum measurement and mapping
JPWO2015145764A1 (en) Image generation system and image generation method
US20220172306A1 (en) Automated mobile field scouting sensor data and image classification devices
Bilgilioglu et al. Object based classification of unmanned aerial vehicle (UAV) imagery for forest fires monitoring
Hoffmann et al. From UAS Data Acquisition to Actionable Information–How an End-to-End Solution Helps Oil Palm Plantation Operators to Perform a More Sustainable Plantation Management
Pradhananga et al. Spatio-temporal safety analysis of construction site operations using GPS data
Pradhananga et al. GPS-based framework towards more realistic and real-time construction equipment operation simulation

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210225

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20211119

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20211207

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220112

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20220510

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220516

R150 Certificate of patent or registration of utility model

Ref document number: 7075787

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150