JP2005108246A - センサフュージングを利用した無人移動体の位置推定方法、その装置およびプログラムを記録したコンピュータ読み取り可能な記録媒体。 - Google Patents

Abstract

【課題】 センサフュージングを利用した無人移動体の位置推定方法およびその装置を提供すること。
【解決手段】 無人移動体の位置推定を検知できる少なくとも２つ以上のセンサにおいて所定のパラメータ値を測定する第１段階と、前記パラメータ値を選択的に結合する第２段階と、前記パラメータの予想される範囲内でその変化を検出する第３段階と推定とエラー分布を利用して、センサデータと所定のデータ偏差とにより表現される無人移動体の位置を推定する第４段階とを含むセンサフュージングを利用した無人移動体の位置推定方法を提供する。
【選択図】 図３

Description

本発明は無人移動体の位置推定方法およびその装置に係り、より詳細にはセンサフュージングを利用した位置推定方法およびその装置に関する。

現状のセンサデータフュージョン技術では、特定の問題に対して的確な解決手法を提供できていない。データフュージョンによる解決手法を定義する場合、研究者は、例えばカルマンフィルタスキームのような公知のカーネルを利用できるものの、専用の手法を構築する必要がある。データを組み合わせるためにこのようなアプローチを用いるシステムは、計算が極端に複雑になることがあり、そのコストも高いものとなり、実現は極めて難しい。

一連の評価者は、現実的な計画としてこれらのいくつかを組み合わせること、および、評価者がリアルタイムで処理しなければならない制約があることを提案してきた。センサデータフュージョンでの主要なアプローチとしては、一般的なカルマンフィルタリング（ＫＦ：ordinary Kalman Filtering）、拡張カルマンフィルタリング（ＥＫＦ：Extended Kalman Filtering）、共分散共通部（ＣＩ：Covariance Intersection）、隠れマルコフモデル（ＨＭＭ：Hidden Markov Models）、部分観測マルコフ決定過程（ＰＯＭＤＰ：Partially Observable Markov Decision Process）およびベイズネットワークによる手法（Bayesian Networks solution）などがある。

これらの手法の使用には、それぞれ制約および限界がある。主な制約は、分散に依存するモデルを使用する必要があるということであり、ＥＫＦの場合には、相互相関の積を計算する必要があり、ＰＯＭＤＰの場合には、いくつかのプロセスにおける、以前の状態と現在の状態との間の低い関連を分析する必要がある。それにより、センシング構造を構築する幾つかのよく知られた手法がある。よく知られたセンシング構造は、分散化されたフュージョン構造（a decentralized fusion structure）、分配されたフュージョン構造（a distributed fusion structure）、連合化されたフュージョン構造（a federated fusion structure）、階層化されたフュージョン構造（a hierarchical fusion structure）である。そして、これらのフュージョン構造は、それぞれ幾つかの長所および短所を有している。

分散化され、分配されたフュージョン構造は、拡大縮小可能（scalable）であり、生存可能（survivable）であり、そしてモジュール化可能であるという長所がある。しかしながら、エラー推定がフュージョンチャンネル（a fusion channel）に依存しているという短所を有している。
連合化され、階層化されたフュージョン構造は、フュージョンカスケード（fusion cascade）ごとに回帰的なエラー推定が可能であり、そして、モジュール化できるという長所がある。しかしながら、拡大縮小性が低く（non-scalable）、生存率（survivable）が低いという短所がある。

移動ロボット分野におけるセンサデータフュージョンでは、幾つかの主なアプローチが用いられる。これまでは、ＥＫＦが主な状態推定技術であった。ＥＫＦは、状態遷移における１次テーラー近似と、観測された状態軌道に関する観測方程式とに基づいている。したがって、ＥＫＦの適用は、要求される導関数（derivatives）が存在するという仮定に基づいて、適当な労力により求められる。テーラー線形近似は、多くの場合において、正確な表現（representation）を十分に提供することができない。そして、あまりに粗い近似により、重大な偏り（biases）または収束問題（convergent problems）が多く現れる。

反復、高次フィルタリングおよび統計的な線形近似のような、ＥＫＦよりさらに複雑な推定手法を利用可能である。より進んだ手法は、一般的に推定の正確性を向上させるが、具現するためにはあまりにも複雑であり、かつ計算負担が増加してしまう。

したがって、本発明が解決しようとする技術的課題は、拡張可能であり、生存可能であり、そして、モジュール化可能なセンサフュージングを利用した無人移動体の位置推定方法およびその装置を提供することである。

前記した技術的課題を解決するためになされた本発明に係るセンサフュージングを利用した無人移動体の位置推定方法は、無人移動体の位置推定を検知できる少なくとも２つ以上のセンサにおいて所定のパラメータ値を測定する第１段階と、前記パラメータ値を選択的に結合する第２段階と、前記パラメータの予想される範囲内でその変化を検出する第３段階と推定とエラー分布を利用して、センサデータと所定のデータ偏差とにより表現される無人移動体の位置を推定する第４段階とを含むことを特徴としている。

また、前記第１段階は、ソース信号を受信する段階と、前記ソース信号を、高速フーリエ変換（ＦＦＴ：Fast Fourier Transformation）を使用して周波数領域信号に変換し、スペクトル密度関数を計算する段階と、
多項式を、スペクトルおよび信号に依存した表現で表して、対応する相関関数を計算し、係数を求める段階とを含むことを特徴としている。

前記した技術的課題を解決するためになされた本発明に係るセンサフュージングを利用した無人移動体の位置推定装置は、センサハードウェア階層と対応するソフトウェア階層とから構成され、前記ソフトウェア階層は、電源部のあるセンサを具備し、電源部のあるセンサを提供し、制御信号シーケンス提供を担当し、前記センサからの加工されていないデータを抽出して前処理階層に受け渡すことを担当するセンサチャンネル部と、フュージョンアルゴリズムを通じてプロセシングのための交差および自動相関チャンネルを含む交差プロダクトを計算し、チャンネルパラメータのためのエラーフィードバックを支援し、信号処理表現に対するエラー推定を取得する交差チャンネルモデル計算／フィードバック支援部と、直交加重関数の線形結合を生成し、信号キー特性に対応する推定信号の表現に対する加重関数のセットを生成し、エラー推定方程式を用いて、エラー補償に対する適切な規則を生成する推定分解部と、前記推定分解部において生成された加重関数のセットを、分解された加重係数のセットおよびそれに対応する測定された信号値に対する分散された任意値の推定セットに重畳させ、フュージングされた信号推定の最終結果を取得して、エラー最小化関数を推定する推定重畳部と、最終結果の計算に関する必要な情報を抽出し、前記無人移動体の位置および現状に応じた位置測定に関するキーとなる特徴を抽出し、最終結果を環境状態と関連付け、前記無人移動体の位置に関する、スケーリングおよび調整されていない情報を取得する、最終結果計算部とを含むことを特徴としている。

また、前記センサチャンネル部は、高速フーリエ変換を用いて信号データを処理することによって、スペクトル領域で信号を分析することを特徴としている。

また、前記センサチャンネル部は、スペクトル関数の状態を追跡し、センサチャンネルの状態を予測および分析し、自己回帰法および最小二乗誤差法により、スペクトル関数を多項式に当てはめ、前記センサチャンネルの抽象モデルを用いて前記センサチャンネルのキーパラメータを取得し、環境条件によって所定時間、前記センサチャンネルのチューニングを行うことを特徴としている。

さらに、前記交差チャンネルモデル計算／フィードバック支援部は、相関関数の計算のために、積分畳み込みによる加工されていない信号の変換、スペクトル関数およびパワースペクトル関数を利用し、前記スペクトル関数および前記パワースペクトル関数により、信号チャンネルの交差雑音加重値を決定し、信号スペクトル関数を分析し、初期段階で環境に関する情報を抽出し、交差関連結果、エラー最小化フィードバックのサポートおよびセンサチャンネルのキー周波数を取得することを特徴としている。

そして、本発明は、前記したセンサフュージングを利用した無人移動体の位置推定方法を、コンピュータに実行させるためのプログラムを記録したコンピュータ読み取り可能な記録媒体を提供する。

本発明によれば、拡大縮小可能であり、いかなる環境条件であっても容易に拡張または圧縮することができる。そして、生存可能であって、もしセンサソースの１つがなくなるか、誤作動すると、システム全体に被害がおよぶことなく、指数的に関連したエラー推定が減少するだけである。また、モジュール化可能であって、どの種類のセンサが、どの種類のセンシングをつかさどっているかを容易に特定できる。また、フュージョンチャンネルごとにエラー推定および出力補正が可能である。したがって、すべてのセンサソースは、次のレベルのデータフュージョンに対する非回帰的なエラー推定および警告の能力を、それぞれ有している。

以下、本発明の実施の形態を添付した図面を参照して詳細に説明する。

１．導入
本発明は、オブジェクト様式（object-like）の階層化構造アプローチによる、新しいセンサデータフュージョンの技術を提供する。この技術は、カルーネン・レーベ分解方法の多次元拡張により得られた非線形変形の近似化に基づいている。このアプローチの背景となる原理は、通常のフィルタリング技術とは異なっている。このカルーネン・レーベ分解方法のために、補間公式の導関数は不要である。あらかじめ定義された方程式さえも不要である。これはセンサ信号から計算されたスペクトル関数に基づいた自動復帰多項式フィッティング原理によるものである。もちろん、多項式の次数に対する上限を制限する必要はある。本発明の実施形態がテーラー近似化に基づいたフィルタのように複雑であっても、計算に対する負担は極めて小さい。また、推定エラーが分散されるという仮定のもとで、本発明のフュージョンの技術は、エラーの補償により、エラー計算をさらに正確なものとすることができる。本発明によるフュージョンの技術のエントリーポイントに対する深いフィードバックに基づいた最小化によって、他のフィルタリング技術（テーラー近似化を含み）より高精度なエラー推定が可能である。

２．一般的なアプローチ
信号処理のための分解方法およびその長所を説明する。一般的な信号処理方法のうち１つは、係数を有する明確な周期関数のセットで信号を表現することである。この方法の利点は、信号を量および質のパラメータで容易に説明できるということである。このようなアプローチにより、周波数領域において信号が検討されることが公知となっている（スペクトル表現）。

本発明における信号の周波数領域における表現は、キー周波数とセンサチャンネルの一般的なピクチャとを示す。センサフュージョン技術で最も広く使われる構造を分析してみると、信号をあらかじめ分析する方法や構造は使われないことが分かる。このような技術が産業応用分野で広範囲に適用されているにもかかわらず、移動ロボットへの応用では、ほぼ適用されることはない。ソース品質の分析によって、現在の方法（信号表現方法）の信頼性はよく知られている。ソース品質の分析を通じて、チャンネル状態の予測をモニタリングおよび診断することが可能である。

ＳＬＡＭ（Simultaneous Localization and Mapping）またはセルフナビゲーション技術について、ロボットシステムの認識装置において発生する主要な問題のひとつはセンサ信号の処理、とりわけ、センサデータフュージョンである。しかし、もし信号がなくなるか、またはノイズによって妨害されると、センサデータフュージョンパートに入力される値は妨害され、その結果、妨害された測定結果が、センサデータフュージョンパートから出力され、データ処理の最終段階において誤った位置と方向情報が出力される。このため、ソース信号のモニタリングと診断とを容易に具現する軽くて強固な技術を用いることが必要である。したがって、結合または複合化されたセンサデータフュージョン方法が提案されている。

本発明では、ソース信号の前処理およびデータフュージョンに対応する幾つかの適当な階層がある。明確な理解のために、本発明による方法を詳しく説明する。

次のようなソース信号の前処理に対する一般的な構造が提案される。
（１）ソース信号を受信
（２）高速フーリエ変換（ＦＦＴ：Fast Fourier Transformation）を使用して前記ソース信号を周波数領域信号に変換
（３）スペクトル密度関数を計算
（４）スペクトルおよび信号に依存する表現として、多項式に当てはめる（処理中の信号の分析−チャンネルの安定性と品質）
（５）対応する相関（共変動）関数および対応する係数を算出
（６）本発明のカーネルに相当する分解方法を実行。
（７）予測とエラー推定モデルとを計算

次に、前記した方法の各段階を説明する。第１に、スペクトル関数を示す代表的な多項式を求める。第２に、この多項式を利用してＴ−Ｒ領域における多項式のルート分布を用いて信号の品質の分析が可能である。プロセス（プロセスの代表信号）の状態および条件を表す変換関数を取得することが主な要件である場合に、このようなアプローチは極めて有用である。そして、キー周波数（プロセスの主要で、かつ特徴的な周波数）を取得することができ、ハードウェアのどの部分が信号処理に影響を与えるかを分析することが可能である。

第３に、相関（共変動）関数は、２種の方式で計算される。１）ソース、加工されていない信号を用いる−この方法は、ソースの元の形態を与える。２）スペクトル関数を用いる−この方法は、周波数領域から相関の形態を与える。
次に、本発明の数学的な背景で、幾つかのキーとなる事項を検討する。

３．定義および説明
本発明の要点を定義する。簡略に説明するために、１次元である場合を考える。この方法は容易にｎ次元に拡張することができる。次元の効果によって独立チャンネルの数が想定される。

本発明の基本概念は、明確な制約条件下で確率的（任意の）なプロセスのような観測可能なプロセスを表現するアルゴリズムにある。本発明の主な原理は、非周期の確率的なプロセスを、相関関係のない係数を有する一連の直交関数に分解することである。同時に、直交関数に分解する過程の間、エラー最小化方法を使用する。このエラー最小化は、クロスチャンネルおよびインチャンネルのノイズおよびエラーの抑制に非常に効果的である。その結果、前記した方法で得られる結果は、必要な情報の抽出のために容易に使われる。データ分析のための付加的な性質は、前記スペクトル関数を概観するのに用いられる。次に、前記した方法を、順を追って説明する。

３．１ 推定の定義
ソース信号の定義は、時間に相関する関数と考えられる。本発明において、環境状態を記述する結果関数を、明確かつ確実に特定することが必要である。そのため、信号システム（ＳＳ：Signal System）の統計に基づく推定値

は、演算子Ｆ（Ｘ（ｔ））パラメータの決定により求められ、この推定値は、物理的に測定された状態座標ＳＳ・Ｘ（ｔ）Ｒ^qを用いてインジケータ

の

により求められる。

ここで、１次元の場合（ｐ＝ｑ＝１）を考え、線形推定の生成および適用の側面から説明する。

ここで、ａ＝ａ（ｔ）は、ソース信号を分析して決定関数を得ることを意味している。Ｘ＝Ｘ（ｔ）は［０，τ］確率過程の連続的な平均値の２乗であり、ソース信号の偏差のように表現される。ｂは、任意の値であり、［０，τ］は、ＳＳ関数の周期であり、Ｔ∈［０，τ］は、測定のために決定された時間を意味している。
任意値のセットＹ、Ｘ（ｔ）、ｔ∈［０，τ］のあらゆる有限次元の分布は、一様分布であり、数式１の線形推定でのａとｂパラメータはエラー伝播の最小値

から得られ、数式２の最小値を意味する。

数式２よると、加重関数ａは普通ｔ∈［０、Ｔ］の関数のクラスに属する。このような関数のクラスは、推定的な決定、または、または任意値セットＹ,Ｘ（ｔ）,ｔ∈［０，τ］の過去の分析に基づいて選択される。
Ｌ₂［０,Ｔ］を固定すれば、数式２は数式３のようになる。

数式３からＪは、ｂ＝ｂ⁰および

で最小値を有する。ここで、ｂ⁰＝ｂ⁰（ａ）は数式４により決定される。

Ｅ（estimation）を用いて任意値ＹとＸ（ｔ）とをセンタリングした後、

が、得られる。数式６を考える。

数式４を数式１および数式２に代入し、数式５および数式６を考えると、数式７、数式８そして数式９が得られる。

数式７および数式８から、Ｙの推定およびエラー推定εが次式から得られる。

数式１０は、ｂ＝ｂ⁰の場合の、数式１のバイアスのない推定の特性を表している。
ａに依存する数式９の関数から、Ｊ＝Ｊ（ａ）と考えられる。この点から、よく定義されたエラー最小化関数と決定された関数との間の関係が得られる。前記のように、エラー推定システムと一定した定義との間の依存性は、無視されて避けられる。

３．２ 分解
相関関数およびクロス相関関数への旧来のアプローチにより、数式１１および数式１２が得られる。

数式９は、数式１３のように書換えられる。

パラメータａを決定するために、加重関数のクラスを考えるにあたって、加重関数のクラスおよびＪ＝Ｊ（ａ）の効果的な最小化アルゴリズムが表現されなくてはならない。
基本的に、仮想技術領域での他の課題のようにこの問題を解決するために、［０,Ｔ］でプライベート相関関数Ｒ（ｔ,ｓ）の直交システム[φｉ：１≦ｉ≦∞]が必要となる。

そして、カルーネン・ローベ直交分解は数式１５で表される。

ここでξは実数または複素数であり、数式１６のように定義される。

非周期の任意のプロセスは、非相関の任意の係数を有するフーリエ級数で表現できないが、非相関係数を有する直交関数[φ_i：１≦ｉ≦∞]の級数に拡張される。
数式１５は、［０,Ｔ］において、２乗平均値に集束する。直交システム[φ_i：１≦ｉ≦∞]は、Ｌ₂［０,Ｔ］におよぶ。結果的に、それぞれの加重関数ａ∈Ｌ₂［０,Ｔ］は、ある程度の正確性を有し（Ｌ₂［０,Ｔ］空間メトリックスで）、φ_i関数の有限セットの線形的な組合せで近似化することが可能である。
システム[φ_i：１≦ｉ≦∞]はＬ₂［０,Ｔ］で直交であるので、数式１７のように示すことができる。

ここで、δ_ijはクロネッカーのデルタである。
数式１２および数式１５ないし数式１７から数式１８が得られる。

プライベート相関関数Ｒ（ｔ,ｓ）の非負の決定からプライベート値（λ_i≧０）を考える。数式１７と前記数式から数式１８は数式１９のように表現される。

数式１７および数式１８は、数式１５における直交分解の性質を示している。任意のプロセスｘ＝ｘ（ｔ）が集中するために、数式１６と数式１９から数式２０を得る。

前記の式のように、同一のプロセスＸ＝Ｘ（ｔ）を考えると、数式１６、数式１９および数式２０から数式１５の係数ξ_iは均一に分布した任意の値から独立し、ξ_i∈Ｎ（０,λ_i）である。数式１５の分解において、正のλ_iに対応する要素だけが重要であることが明らかである。

３．３ 結合および重畳
この時点で分解の最終結果は、出力関数の推定およびエラー推定−システム品質の決定に対する最小化関数−により示される。ｍの値を固定させ、数式２１のように加重関数を考える。

数式６と数式９に戻って数式２２を受け入れ、

数式１５、数式１７および数式１９を基礎として数式２３と数式２４を得られる。

数式２１および数式２２から、もしも、ｉでλ_i＝０であれば、ρ_i＝０であり、したがって、数式２４は加重関数ａのα_iに対して独立している。これがλ_i（１≦ｉ≦ｍ）を正数である理由である。加重関数の係数

を考えると、数式２５が得られる。

数式２５は、数式２１のクラスでＪ＝Ｊ（ａ）に対する最小値を提供し、

は数式２６のように示される。

数式２６を数式２４に代入すれば、数式２７が得られる。

これから数式２１に注目すれば、数式２８の結論が得られる。

ここでcor(ξ_i，ｙ)は任意値ξ_iとｙとの相関係数である。
数式２３と数式２６によれば、数式２４のα⁰での応答である推定値

は数式２９のように与えられる。

伝播エラー

の分散

は数式２７か数式２８から得られる。
実際には、任意値Ｙの特性である

と、相関関数ｒ（ｔ）およびＲ（ｔ,ｓ）とは常にあらかじめ定義されるものではない。

ここで、ｎは、観察の番号であり、ＹνおよびＸν（ｔ）は、観察ｖ（１≦ｖ≦ｎ）に応答するＹとＸ（ｔ）に対する任意の値である。

３．４ 分析
前記した数式は、ＳＳに基づいた移動装置の現在位置と方向の伝播および推定システムに対する数学的なツールである。
これらの結果は、多次元のケースに容易に拡張でき、推定値の多様なパラメータを考慮して、プロセスの幾つかの特性の交差関係および交差ファンクションの解析を可能にする。

４．完全な分解アルゴリズム
本発明によるマルチセンサデータフュージョンは、次のように具現される。第１に、プロセスを初期化する。第２に、ソース信号は、デトレンド（detrend）されて集約される。第３に、アナログおよびデジタルごとのアプローチによって、カルーネン・ローベ分解が行われる。第４に、

と

とを計算する。第５には、Ｊ（ａ⁰）（２８）を用いて、エラー推定値を計算する。そして、所定の時間内で、推定値を更新し、エラー推定に対する最小化関数を計算する。そして、前記の第２の段階を繰り返す。
これらの手順は、フュージョン信号処理と予測に対するクローズ−ループシーケンスを提供する。

５．オブジェクト様式のセミレベル情報のフュージョン
前記した内容により、（図１および図２に示すように、）拡大縮小が可能で、生存可能で、かつモジュール化可能な特性を有し、フュージョンチャンネルごとに、出力の修正およびエラー推定が可能なフュージョンシステムを構築できる。拡大縮小が可能な特性によって、フュージョンシステムは、環境条件に応じて、容易に拡張または圧縮される。また、生存可能な特性により、センサソースの１つがなくなるか、または誤作動した場合であっても、システム全体に障害が及ぶことなく、関連したエラー推定が減少するだけである。また、モジュール化が可能な特性により、如何なる種類のセンサが如何なる種類のセンシングに対して関連があるかを容易に識別できる。フュージョンチャンネル当たりエラー推定および出力補正が可能である。これによってあらゆるセンサソースは次のレベルのデータフュージョンに対する自身の非回帰的なエラー推定および警告能力を有する。

センサフュージングを利用した無人移動体の位置推定方法は、次のような段階よりなる。（１）無人移動体の位置の推定を感知するために、複数のモデルパラメータを利用して、センサデータを動的に観測する。（２）パラメータ値を選択的に結合する。（３）所定の予測される範囲内で、前記パラメータ値の変化を検出する。（４）推定およびエラー分布を利用して、センサデータと所定のデータ偏差とにより表現される無人移動体の位置を推定する。

前記した（１）段階で、動的に観測されたパラメータ値は、センサからのリアルタイムの情報である。前記センサによって、同じ動的モデル（モデル成分の分解で表現されるセンサ伝達関数）を構成できる。このセンサ伝達関数を使用して、どのパラメータがより重要であるかを判断できる。このために、あらゆるパラメータ値を計算することが必要である。つまり、各パラメータ加重係数が計算される。加重係数を計算するために自動回帰分析手法を使用できる。数式１４ないし数式１９はチャンネル（センサ）分解モデルを示す。

前記した（２）段階で、どのパラメータが入力されたかを決定する。センサフュージョン方法を利用した適切な計算のためにセンサパラメータモデル間の関連性を決定する必要がある。このために、交差相関を計算する必要がある。これはモデルの自由度と全体モデルの他のパートとの間の相関度を決定する標準的な手法である。この分析により、どのチャンネル（センサモデル）が、物体の位置およびエラーの推定に効果的であるかを決定できる。

また、エラー分布とそれに対応するチャンネルエラー補償を分析するために、この結果を使用できる。数式９、１３、２４および２８はエラー推定を示し、数式１４ないし１９は分解モデルを示し、数式２１ないし２４と２７はエラー推定と分解モデル間の連結を示している。

前記した（３）段階では、チャンネル（センサ）のモデルおよびそれに対応するパラメータを、適切なモデル性能のために追跡する必要がある。このために、Ｊ（ａ）をリアルタイムで追跡することが必要である。これは従来技術によれば、膨大なデータ量およびそのフローのために難しい作業である。しかし、本発明では分解モデルを使用するため、リアルタイムで計算可能である。つまり、数式２８を利用してリアルタイムでパラメータ値の変化量を追跡できる。

前記した（４）段階で、アルゴリズムに対する最終方程式、すなわち数式２８ないし数式３３は、チャンネル（センサ）モデル、分解モデルおよび交差相関分析の実行後に生成される。これらの数式は、推定とエラー分散を得るための主な結果である。

図３は、本発明の構成を示すブロック図であって、センサチャンネル部３００、交差チャンネルモデル計算／フィードバック支援部３２０、推定分解部３４０、推定重畳部３６０および最終結果計算部３８０を含んで構成されている。

センサチャンネル部３００は、センサハードウェア階層とそれに対応するソフトウェア階層で構成される。ソフトウェア階層は、センサに電源および制御信号シーケンスを供給し、センサからの加工されていないデータを抽出して前処理階層に受け渡すことを担当する。この時点で信号と関連したモデルが構成される。このようなモデルの構成方法を次に説明する。

（１）高速フーリエ変換（ＦＦＴ）を用いて信号データをプロセシングすることによってスペクトル領域で信号を分析できる。第１に、スペクトル関数形態の状態を追跡し、センサチャンネルの状態を予測または分析することが可能である。第２に、最小平均２乗誤差方法のアプローチによりスペクトル関数で自動回帰方法を用いて多項式をフィットすることが可能である。この方法の長所は、信号関連モデルを用いてインプロセス信号のモニタリングおよび分析を容易にできることである。これにより、診断のような信号チャンネルプロセシングを行える。

（２）信号チャンネルに、チャンネルパラメータブロックのモデルを導入する。チャンネルパラメータに対する柔軟性あるフィードバックを提供するブロックの主なアイディアは、チャンネルパラメータチューニングを支援する。なぜなら、あらゆるディバイスの演算サイクルの間に、インプロセスまたは適切に機能させるオフラインチューニングを行うことが必要であるためである。そのため、もしも、チャンネルの抽象的なモデルを取得することが可能であれば、そのチャンネルのキーパラメータを取得することが可能である。そして、後で環境条件によって所定の時間、そのチャンネルのチューニングを行うことが可能である。

交差チャンネルモデル計算／フィードバック支援部３２０は、フュージョンアルゴリズムのプロセシングのための交差積を計算する。このために、交差および自動相関チャンネルのような交差関連プロダクトが必要である。チャンネルパラメータのチューニングためのエラーフィードバックの支援として、信号処理方法による理由で、全体信号処理の状況の表現のためのエラー推定を取得するために、幾つかのポイントを規定することが必要である。第１に、相関関数の計算のための２種類の方法がある。１つは積分畳み込みを経て一般的な加工のされていない信号の変換を用いる方法である。そして、もう１つはスペクトル関数およびパワースペクトル関数を用いる方法である。第２に、前記方法は信号チャンネルで簡単な相関関数の計算だけでなく、交差雑音加重値を決定することが可能である。信号のスペクトル関数を分析することによって、初期段階で、環境の重要な特徴に関する情報を抽出できる。これにより、前記交差チャンネルモデル計算／フィードバック支援部３２０において、交差関連した結果、エラー最小化フィードバック支援、および、センサチャンネルのキー周波数を取得できる。

推定分解部３４０は、直交加重関数の線形組合せを作りうる。信号キー特性と相応する数学的背景に助けられて推定信号の表現に対した加重関数のセットを作る。エラー推定方程式も考慮せねばならない。そういう方程式でセンサチャンネル部３００でエラー補償に対する適切な規則を得る。次のパートは最適信号処理に対する推定計算と最小化方程式とを考慮する。

推定重畳部３６０は、分解推定された加重関数のセットを、分解加重係数のセットおよび測定された信号値に対する分散任意値の推定の対応するセットに重畳する。この時点で、フュージングされた信号推定の最終結果が得られる。また、エラー最小化関数を推定することも必要である。

前記した最終結果計算部３８０は、移動ディバイス位置情報の抽出およびエラー関連データ分析し、最終結果の計算と関連した必要な情報を抽出する。移動ディバイスの位置および現状に応じてキー特徴が抽出される。前記方法の次の段階は、環境状態の最終結果を容易に相関させることである。その結果、図４に示したように、移動ディバイスの位置について、スケーリングされず、かつ調整されていない情報を取得する。

一方、この他にセンサからの信号処理に対して次のようなシーケンスを考える。図５に示すように、信号を受信して、システムの加重関数を用いて信号を処理する。（時間移動Ｔｓ≦４０ｍｓであるリアルタイムバッファ）ＦＦＴを用いて信号を処理し、信号のスペクトル関数を取得する。スペクトル関数の範囲内で、信号の定性的性質を分析することが可能である。これは加重周波数、スペクトル範囲、形態とタイプおよび全体システムのどのパートが、スペクトルでの周波数部分を定義しているのかを含んでいる。スペクトル関数に対応して、自動回帰モデルを取得して、ルート分布Ｔ−Ｒ領域によりスペクトルの性質を分析することが可能である。このような分布のタイプおよび種類は、モデル分解階層を表している。このような分析によって、システム全体の幾つかのパラメータ間の連結性および関連性が取得される（例えば、差動ロボットモデルでの速度と方向パラメータ間の関係）。このような自動回帰モデルを取得した後、リアルタイムのモニタリングと各センシングチャンネルが診断することによって簡潔で、かつ柔軟な数学的ソフトウェアセットを構成することができる。

本発明は無人移動物体、例えばロボットの位置推定およびエラー補正に有効に適用することができる。

本発明によるセンサフュージングを利用した無人移動体の位置推定のための装置を示したブロック図である。 本発明によるセンサフュージングを利用した無人移動体の位置推定のための装置のより詳しく示したブロック図である。 本発明の構成を示したブロック図である。 移動体の位置情報（Ｘ、Ｙおよびシータ）を示した図面である。 移動体の加工されていない信号を示した図面である。

符号の説明

３００ センサチャンネル部
３２０ 交差チャンネルモデル計算／フィードバック支援部
３４０ 推定分解部
３６０ 推定重畳部
３８０ 最終結果計算部

Claims (7)

1. （ａ）少なくとも２つ以上のセンサから無人移動体の位置推定を検知できる所定のパラメータ値を測定する段階と、
   （ｂ）前記パラメータ値を選択的に結合する段階と、
   （ｃ）所定の予想される範囲内で、前記パラメータ値の変化を検出する段階と、
   （ｄ）推定とエラー分布を利用して、センサデータと所定のデータ偏差とにより表現される無人移動体の位置を推定する段階と、
   を含むことを特徴とするセンサフュージングを利用した無人移動体の位置推定方法。
2. 前記段階（ａ）は、
   ソース信号を受信する段階と、
   前記ソース信号を、高速フーリエ変換（ＦＦＴ：Fast Fourier Transformation）を使用して周波数領域信号に変換し、スペクトル密度関数を計算する段階と、
   多項式を、スペクトルおよび信号に依存した表現で表して、対応する相関関数を計算し、係数を求める段階と、
   を含むことを特徴とする請求項１に記載のセンサフュージングを利用した無人移動体の位置推定方法。
3. 複数のセンサを具備し、前記センサからの加工されていないデータを抽出して前処理階層に受け渡すセンサチャンネル部と、
   所定のフュージョンアルゴリズムを通じて、プロセシングのための交差および自動相関チャンネルを含む交差プロダクトを計算し、チャンネルパラメータのためのエラーフィードバックを支援し、信号処理表現に対するエラー推定を取得する交差チャンネルモデル計算／フィードバック支援部と、
   直交加重関数の線形結合を生成し、信号キー特性に対応する推定信号表現に対する加重関数のセットを生成し、エラー推定方程式を用いて、エラー補償に対する規則を生成する推定分解部と、
   前記推定分解部において生成された加重関数を、分解された加重係数のセットおよびそれに対応する測定された信号値に対する分散された任意値の推定セットに重畳させ、フュージングされた信号推定の最終結果を取得し、エラー最小化関数を推定する推定重畳部と、
   最終結果の計算に関する必要な情報を抽出し、前記無人移動体の位置および現状に応じた位置測定に関するキーとなる特徴を抽出し、最終結果を環境状態と関連付け、前記無人移動体の位置に関する、スケーリングおよび調整されていない情報を取得する、最終結果計算部と、
   を含むことを特徴とするセンサフュージングを利用した無人移動体の位置推定装置。
4. 前記センサチャンネル部は、
   高速フーリエ変換を用いて信号データを処理することによって、スペクトル領域で信号を分析すること、
   を特徴とする請求項３に記載のセンサフュージングを利用した無人移動体の位置推定装置。
5. 前記センサチャンネル部は、
   スペクトル関数の状態を追跡し、センサチャンネルの状態を予測および分析し、自己回帰法および最小二乗誤差法により、スペクトル関数に多項式を当てはめ、前記センサチャンネルの抽象モデルを用いて前記センサチャンネルのキーパラメータを取得し、環境条件によって所定時間に前記センサチャンネルのチューニングを行うこと、
   を特徴とする請求項４に記載のセンサフュージングを利用した無人移動体の位置推定装置。
6. 前記交差チャンネルモデル計算／フィードバック支援部は、
   相関関数計算のために、積分畳込みによる加工されていない信号の変換、スペクトル関数およびパワースペクトル関数を利用し、前記スペクトル関数および前記パワースペクトル関数により、信号チャンネルの交差雑音加重値を決定し、信号スペクトル関数を分析し、初期段階で環境に関する情報を抽出し、交差関連結果、エラー最小化フィードバックのサポートおよびセンサチャンネルのキー周波数を取得すること、
   を特徴とする請求項３に記載のセンサフュージングを利用した無人移動体の位置推定装置。
7. 請求項１または請求項２に記載のセンサフュージングを利用した無人移動体の位置推定方法を、コンピュータに実行させるためのプログラムを記録したコンピュータ読み取り可能な記録媒体。

Images