JP2015152991A - Self-location estimation device and self-location estimation method - Google Patents
Self-location estimation device and self-location estimation method Download PDFInfo
- Publication number
- JP2015152991A JP2015152991A JP2014024068A JP2014024068A JP2015152991A JP 2015152991 A JP2015152991 A JP 2015152991A JP 2014024068 A JP2014024068 A JP 2014024068A JP 2014024068 A JP2014024068 A JP 2014024068A JP 2015152991 A JP2015152991 A JP 2015152991A
- Authority
- JP
- Japan
- Prior art keywords
- self
- coordinate information
- reliability
- relative
- vehicle
- 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
Links
- 238000000034 method Methods 0.000 title claims description 37
- 238000004364 calculation method Methods 0.000 claims abstract description 29
- 230000001174 ascending effect Effects 0.000 claims abstract description 5
- 238000004891 communication Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 description 40
- 230000006870 function Effects 0.000 description 39
- 238000012545 processing Methods 0.000 description 23
- 238000010586 diagram Methods 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Radar Systems Or Details Thereof (AREA)
- Navigation (AREA)
Abstract
Description
本発明は、自車両の位置を自車両の周辺に存在する物体の位置に基づいて推定する自己位置推定装置及び自己位置推定方法に関する。 The present invention relates to a self-position estimation apparatus and a self-position estimation method for estimating the position of a host vehicle based on the positions of objects existing around the host vehicle.
従来からSLAM（Simultaneous Localization And Mapping）という技術が存在する。SLAMとは、ある移動体がセンサーを使い、自己位置と周辺の観測された物体の位置とを推定するものである。この推定には、移動体の自己内部センサーによって得られる、移動体がいかなる速度でどの方向に向いているかの情報と、周囲の静止物と自己との相対座標からなる観測情報とが用いられ、自己の位置の絶対座標及び周囲の静止物の絶対座標の両方が更新されながら計算される。 Conventionally, there is a technology called SLAM (Simultaneous Localization And Mapping). In SLAM, a moving object uses a sensor to estimate its own position and the positions of surrounding observed objects. For this estimation, the information obtained by the moving body's self-internal sensor and which direction the moving body is facing in which direction and the observation information consisting of the relative coordinates of the surrounding stationary object and the self are used. Both the absolute coordinates of its own position and the absolute coordinates of the surrounding stationary object are calculated while being updated.
ここでは、移動体として自動車を一例として述べる。自動車は、自らの内部センサーによってある一定の時間間隔ごとに、速度とハンドルの旋回角度とをノイズによる誤差を含みながらも情報として取得することができる。これは「オドメトリー」と呼ばれる。さらに、自動車に装備されている周辺を観測するセンサー、すなわちミリ波レーダー、レーザー装置、カメラなどにより、周辺の物体の自車からの相対位置が観測できる。周辺の物体は一般に「ランドマーク」と呼ばれる。 Here, an automobile will be described as an example of the moving body. The automobile can acquire the speed and the turning angle of the steering wheel as information while including an error due to noise at certain time intervals by its own internal sensor. This is called “odometry”. Furthermore, the relative position of the surrounding object from the own vehicle can be observed by a sensor for observing the periphery of the automobile, that is, a millimeter wave radar, a laser device, a camera, or the like. Surrounding objects are generally called “landmarks”.
ここでは、図１１ａに示すように、周辺の観測センサーとして自動車（自車）の前方に取り付けられたミリ波レーダーを用いた場合を考える。ミリ波レーダーは、不図示の送信部からミリ波を照射し、周辺の物体から反射して戻ってきた波面を不図示の受信部で受信する。これにより、図１１ｂに示すように、自車は反射点（照射されたミリ波などを反射させた物体）の自車からの相対距離ｒと方向角度θとを数値として取得することができる。これにより、自車は、自車前方のある角度の領域をスキャンし、周辺にどのような物体があるか観測することができる。 Here, as shown in FIG. 11a, consider a case where a millimeter wave radar attached in front of an automobile (own vehicle) is used as a peripheral observation sensor. The millimeter wave radar emits a millimeter wave from a transmission unit (not shown), and receives a wavefront reflected and returned from a surrounding object by a reception unit (not shown). Accordingly, as shown in FIG. 11b, the own vehicle can acquire the relative distance r and the direction angle θ of the reflection point (an object reflecting the irradiated millimeter wave or the like) from the own vehicle as numerical values. Thereby, the own vehicle can scan a certain angle area in front of the own vehicle and observe what kind of object is in the vicinity.
内部センサーにより得られる「オドメトリー」と観測により得られる「ランドマーク」の情報にはノイズが含まれるため、単純にお互いの座標の足し算や引き算で自車の正確な絶対座標、自己位置は求めることができない。そのため、SLAMアルゴリズムでは、拡張カルマンフィルター（EKF：Extended Kalman Filter）を使い、推測した絶対座標を何度も更新しながら、正解値に近づけていく。このSLAMとミリ波レーダーを利用した技術として下記の特許文献１の「無人搬送車」がある。無人搬送車は、周囲の物体を観測してその物体の座標を特定し、かつ自己の位置を正確に推測して自動で移動していくものである。 Since the "odometry" obtained by the internal sensor and the "landmark" information obtained by observation include noise, the exact absolute coordinates and self-position of the vehicle must be obtained simply by adding and subtracting each other's coordinates. I can't. Therefore, in the SLAM algorithm, an extended Kalman filter (EKF) is used, and the estimated absolute coordinates are updated many times while approaching the correct value. As a technology using this SLAM and millimeter wave radar, there is “Unmanned guided vehicle” of Patent Document 1 below. An automated guided vehicle automatically moves by observing surrounding objects, specifying the coordinates of the objects, and accurately estimating its own position.
ここで、図１１ｂに示すように、実際、ミリ波レーダーを装備した自動車の自己位置をSLAMアルゴリズムの技術を適応させて計算した場合を考える。ミリ波レーダーが捉える周辺の物体とは、例えばガードレールや標識であり、ある一つのセンサー（例えば、ミリ波レーダー）は毎時間２０ミリ秒あたり２個から３０個ほどの反射点群を観測できる。図１２から図１４には、観測された反射点群から一つ一つサンプリングして自己位置推定をする計算処理フローが示されている。 Here, as shown in FIG. 11b, consider a case where the self-position of an automobile equipped with millimeter wave radar is actually calculated by applying the SLAM algorithm technique. The peripheral objects captured by the millimeter wave radar are, for example, guardrails and signs, and a single sensor (for example, a millimeter wave radar) can observe about 2 to 30 reflection point groups per 20 milliseconds per hour. FIGS. 12 to 14 show a calculation processing flow for self-position estimation by sampling one by one from the observed reflection point group.
図１２には、ある一つのセンサーにおいて観測された反射点群から一つ一つの反射点をサンプリングしていかに自己位置推定計算を行うかのフローが示されている。図１２のステップＳ１２０１には、反射点は自車からの角度θと自車からの距離ｒとからなる相対円座標で取得されることが示されている。ステップＳ１２０３のサンプリングされた反射点の処理の詳細が図１３に示されている。図１３のフローで使われるEKFアルゴリズムの詳細が図１４に示されている。 FIG. 12 shows a flow of how to perform self-position estimation calculation by sampling each reflection point from a reflection point group observed by a certain sensor. Step S1201 in FIG. 12 indicates that the reflection point is acquired with relative circular coordinates composed of the angle θ from the host vehicle and the distance r from the host vehicle. Details of the processing of the sampled reflection point in step S1203 are shown in FIG. Details of the EKF algorithm used in the flow of FIG. 13 are shown in FIG.
図１４のステップＳ１４０１において、観測された反射点データは自車からの距離ｒと角度θからなる相対円座標であるため、まずこれを相対XY直交座標に変換する。次に、ステップＳ１４０２において、自車の位置、すなわち現在推測されている自己位置の絶対座標（自車自己位置絶対座標）を足して、反射点の相対座標を絶対座標に変換する。ステップＳ１４０３において、観測された反射点が絶対座標に変換されたことで、自車があらかじめ有する反射点データベース（以下、単にデータベースとも言う）の反射点が絶対座標として記録されているため、データベースのどの反射点に近いのか比較することができる。すなわち、データベースから検索し、距離が近い反射点を“複数”候補として求める。この時点で一番近いものを検索し、それが観測された反射点と同一のものであると結論づけられない理由は、観測された反射点座標の値には誤差が含まれているため、複数の候補に絞ることしかできない。 In step S1401 of FIG. 14, since the observed reflection point data is a relative circular coordinate composed of the distance r from the own vehicle and the angle θ, it is first converted into a relative XY orthogonal coordinate. In step S1402, the relative coordinates of the reflection point are converted into absolute coordinates by adding the position of the own vehicle, that is, the absolute coordinates of the currently estimated self position (the own position self position absolute coordinates). In step S1403, since the reflected points observed are converted to absolute coordinates, the reflection points in the reflection point database (hereinafter simply referred to as database) that the vehicle has in advance are recorded as absolute coordinates. It is possible to compare which reflection point is close to. That is, a search is made from the database, and reflection points having a short distance are obtained as “plurality” candidates. The reason why it is not possible to conclude that the closest reflection point at this point is found and that it is the same as the observed reflection point is because the value of the observed reflection point coordinate includes an error. It can only be narrowed down to candidates.
ステップＳ１４０４において、これらのデータベース上の候補の反射点群に対して、それぞれが正しいと仮定して、仮に自車からの相対円座標として観測された場合、どのような座標になるかを計算する（すなわち、相対座標を計算し、更に相対円座標に変換する）。ステップＳ１４０５において、データベース上の候補の反射点で相対円座標として観測されていた場合の座標と、実際に観測された反射点の相対円座標との差分を計算する。両者は円座標であるから、差分は（ｄｒ、ｄθ）となる。EKFアルゴリズムでは、単純にこの差分の２乗の和の値が小さいほど、差分が小さいというようなユークリッド距離で測ることはできない。前述のように、観測された反射点の円座標には誤差が含まれており、誤差は計測誤差と観測誤差とからなり、その誤差に応じたrとθの特有の誤差分布を考慮して、はじめて差分が大きいか判断できる。 In step S1404, assuming that each of the candidate reflection point groups on the database is correct, it is calculated what coordinates will be obtained if observed as relative circular coordinates from the own vehicle. (In other words, the relative coordinates are calculated and further converted into relative circular coordinates). In step S1405, the difference between the coordinate when the candidate reflection point on the database is observed as a relative circle coordinate and the relative circle coordinate of the actually observed reflection point is calculated. Since both are circular coordinates, the difference is (dr, dθ). In the EKF algorithm, it is impossible to measure the Euclidean distance such that the smaller the sum of squares of the difference is, the smaller the difference is. As described above, the circular coordinates of the observed reflection point include an error, and the error consists of a measurement error and an observation error, taking into account the specific error distribution of r and θ corresponding to the error. For the first time, it can be determined whether the difference is large.
EKFアルゴリズムでは、ｄｒ、ｄθの誤差分布を考慮した尤度関数Sを求めることができる。差分が大きいかどうかは、この尤度Sと差分である点（ｄｒ、ｄθ）とのマハラノビス距離（Mahalanobis Distance）mdを計算することで判断できる。値mdが最も小さい候補の反射点が、観測された反射点に該当するものであると判断される。ここまで述べた、観測された反射点がどのデータベースの反射点に対応するのかを計算する一連の作業は、一般的に「データアソシエーション（Data Association）」と呼ばれる。 In the EKF algorithm, a likelihood function S considering the error distribution of dr and dθ can be obtained. Whether or not the difference is large can be determined by calculating a Mahalanobis distance md between the likelihood S and the difference point (dr, dθ). It is determined that the candidate reflection point with the smallest value md corresponds to the observed reflection point. A series of operations described so far for calculating which database reflection point corresponds to the observed reflection point is generally called “data association”.
ステップＳ１４０６において、該当するデータベース上の反射点が決まれば、その反射点の座標から、EKFアルゴリズムによりその時点の自車自己位置を計算し、現在推測されている自車自己位置を更新してより正確な値に近づけることができる。 In step S1406, if the reflection point on the corresponding database is determined, the vehicle's own position at that time is calculated from the coordinates of the reflection point by the EKF algorithm, and the currently estimated vehicle's own position is updated. It can be close to the exact value.
しかし、以上に述べた図１４の処理をするのには時間がかかる。とりわけ、ステップＳ１４０３のデータベースからの候補となる近辺の反射点の検索が最も機器への負担が大きく、遅延、メモリ負荷、消費電力増大となってしまう。これは、データベースのサイズが大きくなるほど問題となることが予想される。 However, it takes time to perform the processing of FIG. 14 described above. In particular, searching for a reflection point near a candidate from the database in step S1403 has the greatest burden on the device, resulting in delay, memory load, and increased power consumption. This is expected to become a problem as the size of the database increases.
なお、上記非特許文献１の既存のEKF-Loc onlyアルゴリズムでは、反射点を“すべて”サンプリングし、尤度を計算することで正しいデータアソシエーションを行うことに関しては述べられている。しかし、計算量を減らすために、反射点を如何に何個だけサンプリングすれば十分であるかという視点では述べられていない。システムの設計の観点からは、より多くの反射点をサンプリングすることで自己位置推定の精度を上げることが可能であるという点と、計算処理負荷を最小限に抑えたいという点とのバランスを考える必要がある。現状では、観測された反射点のうち、事前に経験的に決めた個数のみをサンプリングし計算処理するということが考えられる。 In the existing EKF-Loc only algorithm of Non-Patent Document 1, it is described that correct reflection is performed by sampling all reflection points and calculating the likelihood. However, it is not described from the viewpoint of how many reflection points should be sampled in order to reduce the amount of calculation. From the viewpoint of system design, consider the balance between the point that it is possible to improve the accuracy of self-position estimation by sampling more reflection points and the point that you want to minimize the calculation processing load. There is a need. At present, it is conceivable that only the number of reflection points that have been empirically determined in advance is sampled and calculated.
図１１ｃに示すように、実際の道路状況下は、ガードレール周辺には一時的に駐車する駐車車両や工事などによる一時的な障害物が存在し、それらから反射される反射点のデータを観測してしまうことが多々ある。ミリ波レーダーは、単体では観測された反射点がガードレールなどの本来の反射点から来たものなのか、あるいは障害物から反射されてきた偽物の反射点なのか、カメラの画像などの他の手段でも使わない限り判断することができない。結局のところ、障害物が存在しない場合は、反射点を２、３個サンプリングすれば十分に自己位置が正確に推定できる場合もあれば、障害物が存在する場合は、障害物から来た偽の反射点も含めて、全体で１０個以上サンプリングしなければ、十分な自己位置が推定できない場合もあり得るなど、サンプリングすべき反射点の数は道路状況に応じて著しく大きく変わる。 As shown in FIG. 11c, under actual road conditions, there are temporary obstacles due to parked vehicles or construction temporarily parked around the guardrail, and data of reflection points reflected from them are observed. There are many things that end up. Millimeter-wave radars use a single camera or other means such as whether the observed reflection point came from the original reflection point such as a guardrail or a fake reflection point reflected from an obstacle. But it cannot be judged unless it is used. After all, when there are no obstacles, sampling two or three reflection points may be enough to estimate the self-position sufficiently, and when there are obstacles, The number of reflection points to be sampled varies greatly depending on the road conditions. For example, if a total of 10 or more reflection points are not sampled, a sufficient self-position may not be estimated.
統計学的におけるサンプリング数の最適化に関して、サンプルの数が増えるほど信頼区間が狭まることが算出できるが、これはサンプリングの標本の数が少ない、例えば１０個ほどの場合は正しくなく、またそれらはガウス分布のノイズを持つことが仮定された話であり、道路に障害物が存在するなどの特殊な状況を考慮していない。さらに、今後、計算に使えるサンプリングの対象は、センサーの数が複数になった場合や、自動車の例では車-車間通信、路-車間通信などが実現した場合、大量の観測データのうちどれだけをサンプリングして計算処理をし、どれだけ以上はサンプリングせず計算負荷を最小限にとどめるのか、周辺の環境に応じて自動で判断できる機能が必要とされている。 Regarding statistical optimization of the number of samples, it can be calculated that the confidence interval narrows as the number of samples increases, but this is not true when the number of samples in the sampling is small, for example as many as 10, and The story is supposed to have Gaussian noise, and does not take into account special situations such as the presence of obstacles on the road. Furthermore, in the future, the sampling target that can be used for calculation will be how much of the large amount of observation data when there are multiple sensors, or in the case of automobiles, when vehicle-to-vehicle communication, road-to-vehicle communication, etc. are realized. It is necessary to have a function that can automatically calculate according to the surrounding environment how much is sampled to calculate and how much more is not sampled to minimize the calculation load.
本発明は、上記の問題点に鑑み、観測されたデータの質に応じて、計算処理する量をリソースと精度のバランスを取って調整できる自己位置推定装置などを提供することを目的とする。 In view of the above problems, an object of the present invention is to provide a self-position estimation apparatus that can adjust the amount of calculation processing in a balanced manner with resources and accuracy according to the quality of observed data.
上記目的を達成するために、本発明によれば、自車両の位置を前記自車両の周辺に存在する物体の位置に基づいて推定する自己位置推定装置であって、前記自車両の位置に対する複数の前記物体のそれぞれの相対位置の相対座標情報（後述する相対円座標に相当）をセンサーを介して取得する取得手段と、取得された前記複数の物体のそれぞれの相対座標情報から１つの物体の相対座標情報を選択する選択手段と、選択された前記相対座標情報を所定の手法で変換された絶対座標情報と、あらかじめ前記複数の物体のそれぞれの絶対位置の絶対座標情報を格納したデータベースとに基づいて、前記選択された物体に対応する候補を前記データベースから複数検索し、前記検索された複数の候補の絶対座標を前記自車両の位置に対する相対座標に変換し、変換された前記相対座標と前記選択された物体の相対座標との差分mdをそれぞれ算出する算出手段と、算出された前記複数の差分のうち、最も小さい差分の前記候補が前記選択された物体に該当するものとして、前記候補の絶対座標情報と所定のアルゴリズム（例えば、EKFアルゴリズム）とを用いて前記自車両の自己位置を推定する推定手段と、算出された前記複数の差分を記録する記録手段と、記録された前記複数の差分のうち、差分の小さい順に数えて最小のものから所定の個数（例えば、後述するＮ個）までの差分の平均値が所定の閾値より小さいか否かを判断する判断手段と、前記平均値が前記所定の閾値（Tmd）より小さいと判断された場合に、前記選択手段による相対座標情報の選択を中止し、前記推定手段によって推定された前記自車両の自己位置を出力する出力手段とを備える自己位置推定装置が提供される。この構成により、観測されたデータの質に応じて、計算処理する量をリソースと精度のバランスを取って調整できる。 In order to achieve the above object, according to the present invention, there is provided a self-position estimation apparatus that estimates the position of a host vehicle based on positions of objects existing around the host vehicle, the plurality of positions relative to the position of the host vehicle. Acquisition means for acquiring relative coordinate information (corresponding to relative circular coordinates described later) of each of the objects via a sensor, and from the acquired relative coordinate information of the plurality of objects, Selection means for selecting relative coordinate information, absolute coordinate information obtained by converting the selected relative coordinate information by a predetermined method, and a database that stores in advance absolute coordinate information of each absolute position of the plurality of objects A plurality of candidates corresponding to the selected object are searched from the database, and absolute coordinates of the searched candidates are relative to the position of the host vehicle. And calculating means for calculating the difference md between the converted relative coordinates and the relative coordinates of the selected object, and the candidate of the smallest difference among the plurality of calculated differences is selected. As the corresponding object, the estimation means for estimating the self position of the host vehicle using absolute coordinate information of the candidate and a predetermined algorithm (for example, EKF algorithm), and the calculated plurality of differences are recorded. And whether the average value of the difference from the smallest one of the plurality of recorded differences in ascending order to a predetermined number (for example, N described later) is smaller than a predetermined threshold. Determining means for determining whether the average value is smaller than the predetermined threshold value (Tmd), the selection of the relative coordinate information by the selection means is stopped, and the estimation means estimates There is provided a self-position estimation device comprising output means for outputting the self-position of the vehicle. With this configuration, the amount of calculation processing can be adjusted in a balanced manner with resources and accuracy according to the quality of the observed data.
また、本発明の自己位置推定装置において、前記物体の相対位置の相対座標を変数とする関数であって、前記物体が所定の物体（上述したガードレールや標識など）であるという信頼性の度合いを示す信頼度関数を備え、前記選択手段が、前記信頼度関数に基づいて、信頼度の高い順に前記物体の相対座標情報を選択することは、本発明の好ましい態様である。この構成により、信頼度の高い順に選択（サンプリング）できるため、効率よく、少ないサンプリング数で質のよい反射点を計算処理できる。 Further, in the self-position estimation apparatus of the present invention, a function having the relative coordinates of the relative position of the object as a variable, the degree of reliability that the object is a predetermined object (such as the above-described guardrail or sign). It is a preferable aspect of the present invention that the selection unit selects the relative coordinate information of the object in descending order of reliability based on the reliability function. With this configuration, since selection (sampling) can be performed in descending order of reliability, a high quality reflection point can be efficiently calculated with a small number of samplings.
また、本発明の自己位置推定装置において、前記信頼度関数が所定の時間間隔ごとに更新されることは、本発明の好ましい態様である。この構成により、時間の経過とともに変化する周囲の環境に対応することができる。 In the self-position estimation apparatus of the present invention, it is a preferable aspect of the present invention that the reliability function is updated at predetermined time intervals. With this configuration, it is possible to cope with the surrounding environment that changes over time.
また、本発明の自己位置推定装置において、前記取得手段が複数のセンサーを介して前記複数の物体のそれぞれの相対位置の相対座標情報を取得し、前記選択手段が、１つのセンサーで前記自己位置を推定することができない場合に、他のセンサーを介して取得された前記複数の物体のそれぞれの相対座標情報から１つの物体の相対座標情報を選択することは、本発明の好ましい態様である。この構成により、１つのセンサーで自己位置の推定を行うことができない場合でも複数のセンサーで自己位置の推定を行うことができる。 In the self-position estimation apparatus of the present invention, the acquisition unit acquires relative coordinate information of the relative positions of the plurality of objects via a plurality of sensors, and the selection unit uses a single sensor to acquire the self-position. When it is not possible to estimate the relative coordinate information of one object from the relative coordinate information of each of the plurality of objects acquired through other sensors, it is a preferred aspect of the present invention. With this configuration, even when one sensor cannot estimate the self position, the plurality of sensors can estimate the self position.
また、本発明の自己位置推定装置において、前記複数のセンサーそれぞれに信頼性の度合いを示す信頼度を設け、前記選択手段が、信頼度の高いセンサー順に、センサーを介して取得された前記複数の物体のそれぞれの相対座標情報から１つの物体の相対座標情報を選択することは、本発明の好ましい態様である。この構成により、効率よく、質のよい反射点を計算処理できる。 Further, in the self-position estimation apparatus of the present invention, each of the plurality of sensors is provided with a reliability indicating a degree of reliability, and the selection unit acquires the plurality of the sensors acquired via the sensors in order of the sensor having the highest reliability. Selecting the relative coordinate information of one object from the relative coordinate information of each object is a preferred aspect of the present invention. With this configuration, it is possible to efficiently calculate a high-quality reflection point.
また、本発明の自己位置推定装置において、前記自車両の周辺に位置する、前記物体の相対位置の相対座標情報を取得するためのセンサーを備える他車両と通信するための通信手段を備え、前記推定手段が、前記他車両による前記他車両の自己位置の推定結果を前記通信手段を介して受信し、受信した前記推定結果を用いて前記自車両の自己位置を推定することは、本発明の好ましい態様である。この構成により、自車両のセンサーから十分信頼できる反射点をサンプリングできない場合でも自己位置の推定を行うことができる。 Further, in the self-position estimation device of the present invention, the self-position estimation apparatus includes a communication unit for communicating with another vehicle including a sensor for obtaining relative coordinate information of the relative position of the object, which is located around the own vehicle, The estimation means receives the estimation result of the self-position of the other vehicle by the other vehicle via the communication means, and estimates the self-position of the own vehicle using the received estimation result. This is a preferred embodiment. With this configuration, the self-position can be estimated even when a sufficiently reliable reflection point cannot be sampled from the sensor of the host vehicle.
また、本発明の自己位置推定装置において、前記他車両に信頼性の度合いを示す信頼度を設け、前記信頼度は前記他車両が有するセンサーに設けられた信頼性の度合いを示す信頼度に依存した関数で定義されたことは、本発明の好ましい態様である。この構成により、効率よく、自己位置の推定を行うことができる。 In the self-position estimation apparatus of the present invention, the reliability indicating the degree of reliability is provided in the other vehicle, and the reliability depends on the reliability indicating the degree of reliability provided in a sensor included in the other vehicle. It is a preferred embodiment of the present invention that the function is defined by With this configuration, the self-position can be estimated efficiently.
また、本発明によれば、自車両の位置を前記自車両の周辺に存在する物体の位置に基づいて推定する自己位置推定方法であって、前記自車両の位置に対する複数の前記物体のそれぞれの相対位置の相対座標情報をセンサーを介して取得する取得ステップと、取得された前記複数の物体のそれぞれの相対座標情報から１つの物体の相対座標情報を選択する選択ステップと、選択された前記相対座標情報を所定の手法で変換された絶対座標情報と、あらかじめ前記複数の物体のそれぞれの絶対位置の絶対座標情報を格納したデータベースとに基づいて、前記選択された物体に対応する候補を前記データベースから複数検索し、前記検索された複数の候補の絶対座標を前記自車両の位置に対する相対座標に変換し、変換された前記相対座標と前記選択された物体の相対座標との差分をそれぞれ算出する算出ステップと、算出された前記複数の差分のうち、最も小さい差分の前記候補が前記選択された物体に該当するものとして、前記候補の絶対座標情報と所定のアルゴリズムとを用いて前記自車両の自己位置を推定する推定ステップと、算出された前記複数の差分を記録する記録ステップと、記録された前記複数の差分のうち、差分の小さい順に数えて最小のものから所定の個数までの差分の平均値が所定の閾値より小さいか否かを判断する判断ステップと、前記平均値が前記所定の閾値より小さいと判断された場合に、前記選択ステップによる相対座標情報の選択を中止し、前記推定ステップによって推定された前記自車両の自己位置を出力する出力ステップとを有する自己位置推定方法が提供される。この構成により、観測されたデータの質に応じて、計算処理する量をリソースと精度のバランスを取って調整できる。 In addition, according to the present invention, there is provided a self-position estimation method for estimating the position of the host vehicle based on positions of objects existing around the host vehicle, wherein each of the plurality of the objects with respect to the position of the host vehicle is provided. An acquisition step of acquiring relative coordinate information of a relative position via a sensor; a selection step of selecting relative coordinate information of one object from each of the acquired relative coordinate information of the plurality of objects; and the selected relative Based on the absolute coordinate information obtained by converting the coordinate information by a predetermined method and a database in which the absolute coordinate information of each absolute position of the plurality of objects is stored in advance, candidates corresponding to the selected object are selected from the database. The absolute coordinates of the searched candidates are converted into relative coordinates with respect to the position of the host vehicle, and the converted relative coordinates and the selection are converted. And calculating the difference between the relative coordinates of the object and the absolute coordinates of the candidate, assuming that the candidate of the smallest difference among the calculated differences corresponds to the selected object. An estimation step for estimating the self-position of the host vehicle using information and a predetermined algorithm, a recording step for recording the calculated plurality of differences, and a plurality of the recorded differences in ascending order of the differences. A determination step of determining whether an average value of differences from the smallest one to a predetermined number is smaller than a predetermined threshold; and when the average value is determined to be smaller than the predetermined threshold, the selection A self-position estimation method comprising: an output step of canceling selection of relative coordinate information by the step and outputting the self-position of the host vehicle estimated by the estimation step There is provided. With this configuration, the amount of calculation processing can be adjusted in a balanced manner with resources and accuracy according to the quality of the observed data.
また、本発明の自己位置推定方法において、前記物体の相対位置の相対座標を変数とする関数であって、前記物体が所定の物体であるという信頼性の度合いを示す信頼度関数を備え、前記選択ステップで、前記信頼度関数に基づいて、信頼度の高い順に前記物体の相対座標情報を選択することは、本発明の好ましい態様である。この構成により、信頼度の高い順に選択（サンプリング）できるため、効率よく、少ないサンプリング数で質のよい反射点を計算処理できる。 Further, in the self-position estimation method of the present invention, a function having a relative coordinate of a relative position of the object as a variable, the reliability function indicating a degree of reliability that the object is a predetermined object, In the selection step, it is a preferable aspect of the present invention to select the relative coordinate information of the object in descending order of reliability based on the reliability function. With this configuration, since selection (sampling) can be performed in descending order of reliability, a high quality reflection point can be efficiently calculated with a small number of samplings.
また、本発明の自己位置推定方法において、前記信頼度関数が所定の時間間隔ごとに更新されることは、本発明の好ましい態様である。この構成により、時間の経過とともに変化する周囲の環境に対応することができる。 In the self-position estimation method of the present invention, it is a preferred aspect of the present invention that the reliability function is updated at predetermined time intervals. With this configuration, it is possible to cope with the surrounding environment that changes over time.
また、本発明の自己位置推定方法において、前記取得ステップで、複数のセンサーを介して前記複数の物体のそれぞれの相対位置の相対座標情報を取得し、前記選択ステップで、１つのセンサーで前記自己位置を推定することができない場合に、他のセンサーを介して取得された前記複数の物体のそれぞれの相対座標情報から１つの物体の相対座標情報を選択することは、本発明の好ましい態様である。この構成により、１つのセンサーで自己位置の推定を行うことができない場合でも複数のセンサーで自己位置の推定を行うことができる。 In the self-position estimation method of the present invention, in the acquisition step, relative coordinate information of each relative position of the plurality of objects is acquired via a plurality of sensors, and in the selection step, the self-location is estimated by one sensor. In the case where the position cannot be estimated, it is a preferable aspect of the present invention to select relative coordinate information of one object from relative coordinate information of each of the plurality of objects acquired via another sensor. . With this configuration, even when one sensor cannot estimate the self position, the plurality of sensors can estimate the self position.
また、本発明の自己位置推定方法において、前記複数のセンサーそれぞれに信頼性の度合いを示す信頼度を設け、前記選択ステップで、信頼度の高いセンサー順に、センサーを介して取得された前記複数の物体のそれぞれの相対座標情報から１つの物体の相対座標情報を選択することは、本発明の好ましい態様である。この構成により、効率よく、質のよい反射点を計算処理できる。 Further, in the self-position estimation method of the present invention, each of the plurality of sensors is provided with a reliability indicating a degree of reliability, and in the selection step, the plurality of sensors acquired via the sensors in order of the highest reliability. Selecting the relative coordinate information of one object from the relative coordinate information of each object is a preferred aspect of the present invention. With this configuration, it is possible to efficiently calculate a high-quality reflection point.
また、本発明の自己位置推定方法において、前記自車両の周辺に位置する、前記物体の相対位置の相対座標情報を取得するためのセンサーを備える他車両と通信する通信ステップを有し、前記推定ステップで、前記他車両による前記他車両の自己位置の推定結果を前記通信ステップで受信し、受信した前記推定結果を用いて前記自車両の自己位置を推定することは、本発明の好ましい態様である。この構成により、自車両のセンサーから十分信頼できる反射点をサンプリングできない場合でも自己位置の推定を行うことができる。 Further, in the self-position estimation method of the present invention, the method includes a communication step of communicating with another vehicle provided with a sensor for acquiring relative coordinate information of the relative position of the object, which is located around the own vehicle, and the estimation In a preferred aspect of the present invention, in the step, the estimation result of the self-position of the other vehicle by the other vehicle is received in the communication step, and the self-position of the own vehicle is estimated using the received estimation result. is there. With this configuration, the self-position can be estimated even when a sufficiently reliable reflection point cannot be sampled from the sensor of the host vehicle.
また、本発明の自己位置推定方法において、前記他車両に信頼性の度合いを示す信頼度を設け、前記信頼度は前記他車両が有するセンサーに設けられた信頼性の度合いを示す信頼度に依存した関数で定義されたことは、本発明の好ましい態様である。この構成により、効率よく、自己位置の推定を行うことができる。 In the self-position estimation method of the present invention, the reliability indicating the degree of reliability is provided in the other vehicle, and the reliability depends on the reliability indicating the degree of reliability provided in a sensor of the other vehicle. It is a preferred embodiment of the present invention that the function is defined by With this configuration, the self-position can be estimated efficiently.
本発明の自己位置推定装置及び自己位置推定方法は、上記構成を有し、観測されたデータの質に応じて、計算処理する量をリソースと精度のバランスを取って調整できる。 The self-position estimation apparatus and self-position estimation method of the present invention have the above-described configuration, and can adjust the amount of calculation processing in a balanced manner between resources and accuracy according to the quality of observed data.
＜第１の実施の形態＞
上記問題を踏まえ、本発明では、逐次反射点をサンプリングしていき、図１４のステップＳ１４０５で求められたmd値を使って、観測された反射点の何個分を計算するのかを判断する。md値は、観測された反射点とそれに本来該当するデータベースの反射点との“ズレ”であると考える。その詳細について以下に述べる。本発明の第１の実施の形態を図１及び図２を用いて説明する。なお、図２のステップＳ２０１は上述した図１４に示すEKFアルゴリズムの計算を行うステップである。
<First Embodiment>
Based on the above problem, the present invention sequentially samples the reflection points, and determines how many of the observed reflection points are to be calculated using the md value obtained in step S1405 of FIG. The md value is considered to be a “deviation” between the observed reflection point and the reflection point of the database corresponding to the observed reflection point. The details are described below. A first embodiment of the present invention will be described with reference to FIGS. Note that step S201 in FIG. 2 is a step for calculating the EKF algorithm shown in FIG.
従来の方法と異なり、図１では、反射点の計算後、これ以上サンプリングの必要がないというフラグが立っている場合（サンプリングを中止するリクエストが出ている場合）、それ以上はサンプリングせず、中断リクエストが送られ（ステップＳ１０７）、それに基づいてサンプリングが中止され、その時点での自己位置の推定結果が出力され（ステップＳ１０８）、終了する。一方、フラグがない場合は、データリクエストとして、他のサンプリングデータがないか（反射点群のすべてをサンプリングしたか）更に検索される（ステップＳ１０５）。なければ他のセンサーについて探すことになる（ステップＳ１０６）。 Unlike the conventional method, in FIG. 1, after calculation of the reflection point, when a flag indicating that no further sampling is necessary is set (when a request to stop sampling is issued), no further sampling is performed. An interruption request is sent (step S107), sampling is stopped based on the request, and the estimation result of the self position at that time is output (step S108), and the process is terminated. On the other hand, if there is no flag, the data request is further searched for other sampling data (whether all of the reflection point groups have been sampled) (step S105). If not, it searches for another sensor (step S106).
図２には、具体的に本発明における、サンプリングをすべきかこれ以上はすべきでないかの判断をするアルゴリズム（処理フロー）が記載されている。ステップＳ２０２において、それまでのすべてのサンプリングされた反射点のmd値を不図示の記録領域（例えば、ハードディスクやメモリなど）に記録する。ステップＳ２０３において、それまでサンプリングされた反射点のうち、md値の最も小さい反射点をＮ個選び、それらのmd値の平均を計算する。その平均が事前に決められた閾値Tmdより小さければ「十分にズレの小さい反射点がＮ個分取得できた」と判断し、これ以上のサンプリングは終了し（ステップＳ２０５）、次の時間フレームに移ると判断する。一方、その平均が閾値Tmdより小さくなければ次の反射点群の１つを選択する（ステップＳ２０４）。なお、サンプリングされた数がＮ個に満たない場合はサンプリングを続ける。 FIG. 2 shows an algorithm (processing flow) for determining whether sampling should be performed or not more specifically in the present invention. In step S202, the md values of all the sampled reflection points so far are recorded in a recording area (not shown) (for example, hard disk or memory). In step S203, N reflection points having the smallest md value are selected from the reflection points sampled so far, and the average of these md values is calculated. If the average is smaller than a predetermined threshold value Tmd, it is determined that “N reflection points having sufficiently small deviations have been acquired”, and further sampling ends (step S205), and the next time frame is reached. Judge to move. On the other hand, if the average is not smaller than the threshold value Tmd, one of the next reflection point groups is selected (step S204). If the number of samples is less than N, sampling is continued.
図３ａ〜図３ｃには、図２に示すアルゴリズムを使った実際の実験結果が示されている。ここでの実験は、ミリ波レーダーを自車の前方に取り付け、高速道路を走行した際にガードレールなどの周辺の反射点を検知し、事前に作成されたデータベースの反射点と比較したもので、EKF Loc OnlyアルゴリズムでＮ=３個、Tmd＝0.001として自己位置推定を行った結果である。データは20ミリ秒ごとに観測されている。 3a to 3c show the actual experimental results using the algorithm shown in FIG. In this experiment, millimeter wave radar was installed in front of the vehicle, and when traveling on the highway, the surrounding reflection points such as guardrails were detected and compared with the reflection points in the database created in advance. This is a result of performing self-position estimation with N = 3 and Tmd = 0.001 with the EKF Loc Only algorithm. Data is observed every 20 milliseconds.
図３ａは、横軸に時間フレーム（１フレームあたり20ミリ秒）、縦軸にEKF Loc Onlyのアルゴリズムにより計算された位置推定と正解位置との差分を計算誤差（自己位置推定誤差）として示したものである。図３ａには複数のグラフがあり、それぞれのグラフは、毎時間フレームごとに何個の反射点をEKF Loc Onlyのアルゴリズムでサンプリングし、計算処理したかを示したものである。図３ａでは、横軸の時間フレーム700付近で、自車の速度などを含む異常なオドメトリー情報が計測され、計算誤差が大きくなっている状態が示されている。すなわち、このオドメトリーの異常値を打ち消すほどの多くの反射点をサンプリングして精度よく計算処理しなければ、推定された自己位置が正解と大きくずれていってしまう状況を示している。 In FIG. 3a, the horizontal axis represents the time frame (20 milliseconds per frame), and the vertical axis represents the difference between the position estimate calculated by the EKF Loc Only algorithm and the correct position as a calculation error (self-position estimation error). Is. In FIG. 3a, there are a plurality of graphs, and each graph shows how many reflection points are sampled and calculated by the EKF Loc Only algorithm every frame every hour. FIG. 3A shows a state in which abnormal odometry information including the speed of the vehicle is measured near the time frame 700 on the horizontal axis, and the calculation error is large. In other words, this indicates a situation in which the estimated self-position is greatly deviated from the correct answer unless a large number of reflection points enough to cancel out the abnormal value of odometry are sampled and calculated accurately.
サンプリングする反射点が８個以上であれば、時間フレーム700あたり以降で誤差が少なくなり、自己位置推定が正確に行われていることがわかる。その一方、サンプリングする反射点が７個以下の場合、オドメトリーの異常値に影響され、推定位置と実際の位置が回復せずに更に大きくなっていき、SLAMのアルゴリズムが破たんしていく様子が分かる。さらに本発明の自動でサンプリング数を決定する場合、自動調整の場合は８個以上の場合と同等の精度で計算できることが示されている。 If the number of reflection points to be sampled is 8 or more, it is understood that the error is reduced after the time frame 700 and the self-position estimation is performed accurately. On the other hand, when the number of reflection points to be sampled is 7 or less, it is influenced by the odometry abnormal value, and the estimated position and the actual position become larger without being recovered, and it can be seen that the SLAM algorithm is broken. . Further, it is shown that when the number of samplings is automatically determined according to the present invention, the calculation can be performed with the same accuracy as the case of eight or more in the case of automatic adjustment.
図３ｂは、サンプリング数８個の場合における、横軸に時間フレーム、縦軸に時間フレームごとの観測された反射点群のmd値の平均を示したものである。md値は、データベースの反射点と観測された反射点とのズレを意味することから、時間フレーム700あたりで異常な反射点を計算していることがわかる。この値は、逐次サンプリングした際に計算してわかることから、サンプリングして計算に使われた反射点が妥当なものなのか、すなわち図１１ｂのような状況の場合なのか、図１１ｃの駐車車両などのノイズがある状況の場合なのか推測する手がかりとなる。 FIG. 3B shows the average of the observed md values of the reflection point group for each time frame on the horizontal axis and the vertical axis in the case of 8 samplings. Since the md value means the difference between the reflection point of the database and the observed reflection point, it can be seen that an abnormal reflection point is calculated around the time frame 700. Since this value is obtained by calculation when sequentially sampled, whether the reflection point sampled and used for calculation is appropriate, that is, in the case of the situation shown in FIG. 11b, or the parked vehicle of FIG. 11c. It becomes a clue to guess whether it is a situation with noise such as.
理想的なサンプリングの個数とは、図３ａ、図３ｂに示すように、反射点群のmd値の平均値が低いうちは良質な反射点が得られているとし、サンプリングする反射点の数が少なくても問題ない。それにより計算の負荷を抑えることができる。一方、時間フレーム700あたりに示されるようにmd値の平均値が高くなると、サンプリングされた反射点の質が悪く、多くの反射点をサンプリングしなければいけないとする。そのためには、毎時間フレームごとに、少なくともＮ個の反射点のmd値の平均がある閾値より低い状態の観測がされれば、それ以上はサンプリングをしないという方針を提案する。 As shown in FIGS. 3a and 3b, the ideal number of samplings is that a good reflection point is obtained while the average value of the md values of the reflection point group is low, and the number of reflection points to be sampled is There is no problem even if there are few. Thereby, the calculation load can be suppressed. On the other hand, as shown in the time frame 700, when the average value of the md values increases, the quality of the sampled reflection points is poor, and many reflection points must be sampled. For this purpose, a policy is proposed in which, if an average of md values of at least N reflection points is observed to be lower than a certain threshold every hour frame, no further sampling is performed.
図３ｃは、本発明の自動調整の場合における、横軸に時間フレーム、縦軸に時間フレームごとのサンプリングした反射点の数を示したものである。従来例のサンプリング反射点数が固定の場合と異なり、通常は反射点少なく、反射点が異常と判断された場合は多くの反射点をサンプリングする。反射点数の時間フレームあたりの平均は６個であった。自己位置推定の誤差も図３ａに示されるように、毎時間フレームごとのサンプリング数８個以上のグループと同じ、それ以上の精度で自己位置推定ができた。 FIG. 3c shows the number of sampled reflection points for each time frame on the horizontal axis and the vertical axis in the case of the automatic adjustment of the present invention. Unlike the conventional case where the number of sampling reflection points is fixed, the number of reflection points is usually small, and when it is determined that the reflection points are abnormal, many reflection points are sampled. The average number of reflection points per time frame was 6. As shown in FIG. 3a, the self-position estimation error can be estimated with the same or higher accuracy than the group of 8 or more samplings per frame per hour.
これにより、第１の実施の形態により、反射点の質がよいとされた場合は、処理する反射点の数を低減させることでＣＰＵの負荷や消費電力を抑え、かつ、反射点が異常な場合は多くの反射点をサンプリングし、正確な値を得ようとする機能が達成された。 As a result, when the quality of the reflection point is determined to be good according to the first embodiment, the load and power consumption of the CPU are reduced by reducing the number of reflection points to be processed, and the reflection point is abnormal. In some cases, the function of sampling many reflection points and trying to obtain an accurate value was achieved.
ここでは、本発明の実施の形態に係る自己位置推定装置の一例について図４を用いて説明する。図４に示すように、自己位置推定装置４００は、取得部４０１、選択部４０２、算出部４０３、推定部４０４、記録部４０５、判断部４０６、出力部４０７、通信部４０８から構成されている。取得部４０１は、自車両の位置に対する複数の物体の相対位置の相対座標情報（相対円座標）をセンサー（ミリ波レーダーなど）を介して取得するものである。選択部４０２は、取得された複数の物体の相対座標情報から１つの物体の相対座標情報を選択するものである。 Here, an example of the self-position estimation apparatus according to the embodiment of the present invention will be described with reference to FIG. As illustrated in FIG. 4, the self-position estimation apparatus 400 includes an acquisition unit 401, a selection unit 402, a calculation unit 403, an estimation unit 404, a recording unit 405, a determination unit 406, an output unit 407, and a communication unit 408. . The acquisition unit 401 acquires relative coordinate information (relative circular coordinates) of relative positions of a plurality of objects with respect to the position of the host vehicle via a sensor (such as a millimeter wave radar). The selection unit 402 selects relative coordinate information of one object from the acquired relative coordinate information of a plurality of objects.
算出部４０３は、選択された相対座標情報と、あらかじめ物体の絶対位置の絶対座標情報を格納したデータベースとに基づいて、選択された物体に対応する候補をデータベースから複数検索し、検索された候補の絶対座標を自車両の位置に対する相対座標に変換し、変換された相対座標と選択された物体の相対座標との差分をそれぞれ算出するものである。推定部４０４は、算出された複数の差分のうち、最も小さい差分の候補が選択された物体に該当するものとして、候補の絶対座標情報と所定のアルゴリズム（EKFアルゴリズム）とを用いて自車両の自己位置を推定するものである。 The calculation unit 403 searches the database for a plurality of candidates corresponding to the selected object based on the selected relative coordinate information and a database in which absolute coordinate information of the absolute position of the object is stored in advance, and the retrieved candidates Are converted into relative coordinates with respect to the position of the host vehicle, and the difference between the converted relative coordinates and the relative coordinates of the selected object is calculated. The estimation unit 404 uses the absolute coordinate information of the candidate and a predetermined algorithm (EKF algorithm) as the object corresponding to the selected object of the smallest difference among the plurality of calculated differences. This is to estimate the self-position.
記録部４０５は、算出された複数の差分を不図示の記録領域（例えば、ハードディスクやメモリなど）に記録するものである。判断部４０６は、記録された複数の差分のうち、差分の小さい順に数えて最小のものから所定の個数までの差分の平均値が所定の閾値より小さいか否かを判断するものである。出力部４０７は、平均値が所定の閾値より小さいと判断された場合に、選択部４０２による相対座標情報の選択を中止し、推定部４０４によって推定された自車両の自己位置を不図示のディスプレイなどに出力するものである。通信部４０８は、自車両の周辺に位置する、物体の相対位置の相対座標情報を取得するためのセンサーを備える他車両と通信するためのものである。 The recording unit 405 records a plurality of calculated differences in a recording area (not shown) (for example, a hard disk or a memory). The determination unit 406 determines whether or not the average value of the differences from the smallest to the predetermined number counted from the smallest difference among the plurality of recorded differences is smaller than a predetermined threshold value. When the output unit 407 determines that the average value is smaller than the predetermined threshold value, the output unit 407 stops selecting the relative coordinate information by the selection unit 402, and displays the self-position of the host vehicle estimated by the estimation unit 404 (not shown). It is output to. The communication unit 408 is for communicating with other vehicles provided with sensors for acquiring relative coordinate information of relative positions of objects located around the host vehicle.
＜第２の実施の形態＞
第２の実施の形態では、第１の実施の形態を拡張したものについて述べる。第１の実施の形態では、図１のステップＳ１０２に示すように、観測された反射点群からランダムに一つ一つの反射点をサンプリングしていた。しかし、図１１ｃで示したような誤った反射点となる駐車車両はある一定の大きさを持って空間領域にまたがっているため、ある方角で悪いサンプルが得られた場合は、次のサンプリングではその周辺からの反射点は避けるべきである。
<Second Embodiment>
In the second embodiment, an extension of the first embodiment will be described. In the first embodiment, as shown in step S102 of FIG. 1, each reflection point is sampled at random from the observed reflection point group. However, since the parked vehicle with the wrong reflection point as shown in FIG. 11c has a certain size and spans the space area, if a bad sample is obtained in a certain direction, Reflection points from the periphery should be avoided.
これを実現するために、自車のセンサーから反射点までの方角θと、その方向からの反射点の信頼度を表す関数を提案する。過去のサンプリングの結果は信頼度の関数に反映され、次のサンプリングは、信頼度の高い座標にある反射点からサンプリングすることで効率よく、少ないサンプリング数で質の良い反射点を計算処理することができる。 To achieve this, we propose a function that represents the direction θ from the vehicle sensor to the reflection point and the reliability of the reflection point from that direction. The results of past sampling are reflected in the reliability function, and the next sampling is performed efficiently by sampling from the reflection point at the coordinate with high reliability, and a high quality reflection point is calculated with a small number of samplings. Can do.
図５ａ〜図５ｃには、第２の実施の形態における実施の方法を説明するための図が示されている。図５ａには、ある道路状況下での自車と反射点と駐車車両とが示されている。図５ｂには、横軸に反射点のmd値、縦軸に反射点の信頼度を示す関数が示されている。図５ｃには、横軸に自車のセンサーから反射点までの方角θ、縦軸に反射点の信頼度を示す関数が示されている。図５ａ〜図５ｃでは、例として３つの反射点P1、P2、P3が示されている。反射点P1、P2はガードレールから反射された良質な反射点である。反射点P3は駐車車両から反射されたノイズとしての反射点である。 FIGS. 5a to 5c are diagrams for explaining an implementation method according to the second embodiment. FIG. 5a shows the own vehicle, a reflection point, and a parked vehicle under a certain road condition. In FIG. 5b, the horizontal axis represents the md value of the reflection point, and the vertical axis represents the function indicating the reliability of the reflection point. In FIG. 5c, the horizontal axis represents the direction θ from the vehicle sensor to the reflection point, and the vertical axis represents the function indicating the reliability of the reflection point. In FIGS. 5a to 5c, three reflection points P1, P2, and P3 are shown as an example. The reflection points P1 and P2 are high-quality reflection points reflected from the guardrail. The reflection point P3 is a reflection point as noise reflected from the parked vehicle.
サンプリングして計算を行った反射点のmd値から、図５ｂに示される、事前に定義される反射のmd値と信頼度との関係の関数を使って信頼度を計算する。md値とは予想される観測データからの“ズレ”であるため、md値が小さいほど信頼度が高くなるような関数が望ましい。図５ｂに示す例では単純な直線の場合が考えられている。 The reliability is calculated from the md value of the reflection point sampled and calculated using the function of the relationship between the md value of the reflection and the reliability defined in advance shown in FIG. 5B. Since the md value is a “deviation” from the expected observation data, it is desirable that the function be such that the smaller the md value, the higher the reliability. In the example shown in FIG. 5b, a simple straight line is considered.
さらに、図５ｃに示すように、信頼度と観測される反射点の角度との関数が作成される。反射点の角度θが中心で高さが信頼度で表されるガウス関数をそれぞれ足し合わせていく（P1、P2、P3におけるガウス関数を足す）ことで、ガウス混合分布として一つの信頼度の関数が作成される。信頼度が負の場合には下に窪んだガウスとなり、信頼度が正の場合には上に凸となったガウスとなる。以下の数式１はｎ個の観測された反射点を反映させた場合の信頼度の式を示す。 Furthermore, as shown in FIG. 5c, a function of the reliability and the angle of the observed reflection point is created. By adding the Gaussian functions whose center is the angle θ of the reflection point and whose height is represented by the reliability (adding the Gaussian functions in P1, P2, and P3), one reliability function is obtained as a Gaussian mixture distribution. Is created. When the reliability is negative, the Gauss is depressed downward, and when the reliability is positive, the Gauss is convex upward. Equation 1 below shows an equation of reliability when n observed reflection points are reflected.
信頼度（θ）＝Con１×ガウスP１（σ, θ-θ１）＋Con2×ガウスP２（σ, θ-θ２）＋・・・
Conn×ガウスPn（σ, θ-θn） ・・・・・（数式１）
Reliability (θ) = Con 1 × Gauss P1 (σ, θ−θ 1 ) + Con 2 × Gauss P2 (σ, θ−θ 2 ) +.
Con n × Gauss Pn (σ, θ-θn) (Equation 1)
ここで、角度θ１から観測された反射点P1の図５ｂに示す関数から出される信頼度がCon１であり、角度θ２から観測された反射点P2の図５ｂに示す関数から出される信頼度がCon２である。σは事前に経験則で決められた定数であり、ガウス関数の幅の形状を決定するものである。信頼度が０は未評価を意味し、初期の値となる。したがって、図５ｃに示す関数は初期では値０の関数となる。次のサンプリングは、この更新された図５ｃの関数を使い、反射点群のそれぞれの信頼度を計算し、信頼度の高いものからサンプリングされる。 Here, confidence issued from the function shown in Figure 5b of the angle theta 1 is observed from the reflection point P1 is Con 1, trust issued from the function shown in Figure 5b of the angle theta 2 is observed from the reflection point P2 The degree is Con 2 . σ is a constant determined in advance by an empirical rule, and determines the shape of the width of the Gaussian function. A reliability of 0 means not yet evaluated and is an initial value. Thus, the function shown in FIG. 5c is initially a function of value zero. The next sampling uses the updated function of FIG. 5c, calculates the reliability of each of the reflection points, and samples from the highest reliability.
さらに効率よくサンプリングする方法として、図５ａに示す駐車車両などの障害物は、20ミリ秒ごとの観測データの中で、ある程度の観測時間幅にもまたがって存在することに着目する。すなわち、図５ｃに示す信頼度の関数は、次の時間フレームでもそのまま使用する。時間の経過とともに周囲の環境も変わることから、毎時間フレームごとに信頼度の関数に１より低いある定数である消失定数を掛けることで、未評価状態である０に収縮していく処理を行う。 As a more efficient sampling method, attention is paid to the fact that obstacles such as parked vehicles shown in FIG. 5a exist over a certain observation time width in observation data every 20 milliseconds. That is, the reliability function shown in FIG. 5c is used as it is in the next time frame. Since the surrounding environment also changes with the passage of time, a process of contracting to 0 which is an unevaluated state is performed by multiplying the reliability function by an erasure constant that is a constant lower than 1 every time frame. .
図６は第２の実施の形態における処理フローを示す。第１の実施の形態における図１との差分は、図６のステップＳ６０１、ステップＳ６０３、ステップＳ６０５である。図１の処理に比べて処理が増えるが、全体の繰り返しサンプリング数を減らすことができる。ステップＳ６０１では、図５ｃに示す信頼度の関数（反射点信頼度関数）に消失定数を掛ける。ステップＳ６０２では、センサーから観測された反射点群の相対円座標（ｒ、θ）データを取得する。ステップＳ６０３では、観測された反射点群すべてのθから図５ｃに示す関数から信頼度を求め、信頼度の高い反射点からサンプリングする。 FIG. 6 shows a processing flow in the second embodiment. Differences from FIG. 1 in the first embodiment are steps S601, S603, and S605 in FIG. Although the number of processes increases compared to the process of FIG. 1, the total number of repeated samplings can be reduced. In step S601, the reliability function (reflection point reliability function) shown in FIG. In step S602, the relative circle coordinate (r, θ) data of the reflection point group observed from the sensor is acquired. In step S603, the reliability is obtained from the function shown in FIG. 5c from θ of all the observed reflection point groups, and sampling is performed from the reflection points with high reliability.
ステップＳ６０４では自己位置推定計算を行う。そして、計算された反射点を図５ｂに示す関数を使い、md値から信頼度に変換し、図５ｃに示す信頼度の関数にガウス成分として足し合わせ、信頼度の関数を更新する（計算された反射点を信頼度関数に反映させる）。ステップＳ６０５では、サンプリング中止のリクエストが出ているかを判断する。ステップＳ６０６では、該当するセンサーで観測されたすべての反射点をサンプリングしたかを判断する。ステップＳ６０７では、サンプリングがまだ十分でないため、他のセンサーがあれば検索する。ステップＳ６０８ではサンプリング中止のリクエストが出ているため、サンプリングを終了する。 In step S604, self-position estimation calculation is performed. Then, the calculated reflection point is converted from the md value to the reliability using the function shown in FIG. 5b, and added to the reliability function shown in FIG. 5c as a Gaussian component, and the reliability function is updated (calculated). Reflect the reflected points in the reliability function). In step S605, it is determined whether a sampling stop request has been issued. In step S606, it is determined whether all reflection points observed by the corresponding sensor have been sampled. In step S607, since sampling is not yet sufficient, a search is made if there is another sensor. In step S608, since a request to stop sampling has been issued, sampling ends.
＜第３の実施の形態＞
第１、第２の実施の形態では、センサー１つ、自車１台に関してのみ述べてきた。第３の実施の形態では、１台の自車に複数のセンサーがある場合、さらに自動車が複数台ある場合に拡張した例を述べる。ある１台の自車に複数のセンサーが装備されている場合の道路状況を図７ａに、全体の構成図を図７ｂに、その場合の処理フローを図８に示す。
<Third Embodiment>
In the first and second embodiments, only one sensor and one own vehicle have been described. In the third embodiment, an example will be described in which a plurality of sensors are provided in one vehicle, and the case where a plurality of vehicles are further provided is described. FIG. 7a shows the road situation when a single vehicle is equipped with a plurality of sensors, FIG. 7b shows the overall configuration, and FIG. 8 shows the processing flow in that case.
また、複数の自動車にセンサーが装備されている場合の道路状況を図９ａに、全体の構成図を図９ｂに、その場合の処理フローを図１０に示す。センサーが複数の場合も、センサーが一つの場合を拡張したものとして扱う。すなわち、各センサーに信頼度を設ける。ある一つのセンサーにおけるサンプリングされた反射点群の信頼度を足し合わせることにより、センサー一つとしての信頼度を計算できる。それを以下の数式２で示す。あるセンサーのＮ個の反射点の信頼度conを足し合わせることで、センサー全体としての信頼度を計算する。 Further, FIG. 9a shows a road situation when a plurality of automobiles are equipped with sensors, FIG. 9b shows an overall configuration diagram, and FIG. 10 shows a processing flow in that case. When there are multiple sensors, the case of one sensor is treated as an extension. That is, reliability is provided for each sensor. The reliability of a single sensor can be calculated by adding the reliability of the sampled reflection points in one sensor. This is shown in Equation 2 below. The reliability of the sensor as a whole is calculated by adding the reliability con of N reflection points of a sensor.
センサーの信頼度 ＝ Σconk (k=1 to N) ・・・（数式２） Sensor reliability = Σcon k (k = 1 to N) (Formula 2)
このようにセンサーに信頼度を設けることで、どのセンサーから観測点をサンプリングするかはセンサーの信頼度の高い順に選ばれ、自己位置推定を行う。その処理フローの図を図８に示す。 By providing reliability to the sensor in this way, the sensor from which the observation point is sampled is selected in descending order of sensor reliability, and self-position estimation is performed. A diagram of the processing flow is shown in FIG.
同様に、複数の車両における場合でも、複数のセンサーがある場合を拡張したものとして扱う。すなわち、各車両にも信頼度を設ける。ある一つの車両において、その車両がもつセンサー群の上述の信頼度を足し合わせることにより、車両一つとしての信頼度を計算できる。それを以下の数式３で示す。ある車両が持つＭ個のセンサーの信頼度を足し合わせることで、車両全体としての信頼度を計算する。 Similarly, even in the case of a plurality of vehicles, the case where there are a plurality of sensors is treated as an extension. That is, reliability is also provided for each vehicle. In one vehicle, the reliability of one vehicle can be calculated by adding the above-described reliability of the sensor group of the vehicle. This is shown in Equation 3 below. The reliability of the vehicle as a whole is calculated by adding the reliability of the M sensors of a vehicle.
車両の信頼度 ＝ Σセンサーの信頼度k (k=1 to M) ・・・（数式３） Vehicle reliability = Σ sensor reliability k (k = 1 to M) (Equation 3)
自車のセンサーから十分信頼できる反射点をサンプリングできない場合は、高い信頼度を持つ他車をサンプリングし、観測データを車-車通信などにより、他車が算出した他車の自己位置推定値を読み取り、その他車との相対距離から自車の自己位置推定を行うことができる。その処理フロー図を図１０に示す。 If it is not possible to sample a reflection point that is sufficiently reliable from the sensor of your vehicle, sample the other vehicle with high reliability, and use the vehicle-to-car communication to measure the self-position estimate of the other vehicle calculated by the other vehicle. The self-position estimation of the own vehicle can be performed from the reading and other relative distances from the vehicle. The processing flow diagram is shown in FIG.
なお、上述した本発明の各実施の形態では、模式的なブロック図を用いて説明を行ったが、これらのブロック図に記載されている各ブロックは、ハードウェア及び／又はソフトウェアによって実現可能である。また、フローチャートによって表されている動作は、ハードウェア及び／又は各処理を定めたプログラムをＣＰＵ（Central Processing Unit：中央演算処理装置）によって実行させることによって実現可能である。 In each of the above-described embodiments of the present invention, description has been made using schematic block diagrams. However, each block described in these block diagrams can be realized by hardware and / or software. is there. The operation represented by the flowchart can be realized by causing a CPU (Central Processing Unit) to execute a program that defines hardware and / or each process.
本発明に係る自己位置推定装置及び自己位置推定方法は、観測されたデータの質に応じて、計算処理する量をリソースと精度のバランスを取って調整できるため、自車両の位置を自車両の周辺に存在する物体の位置に基づいて推定する自己位置推定装置などに有用である。 The self-position estimation apparatus and self-position estimation method according to the present invention can adjust the amount of calculation processing in balance of resources and accuracy according to the quality of the observed data. This is useful for a self-position estimation device that estimates based on the position of an object existing in the vicinity.
４００ 自己位置推定装置
４０１ 取得部（取得手段）
４０２ 選択部（選択手段）
４０３ 算出部（算出手段）
４０４ 推定部（推定手段）
４０５ 記録部（記録手段）
４０６ 判断部（判断手段）
４０７ 出力部（出力手段）
４０８ 通信部（通信手段）
400 Self-position estimation apparatus 401 Acquisition unit (acquisition means)
402 Selection unit (selection means)
403 Calculation unit (calculation means)
404 Estimator (estimator)
405 Recording unit (recording means)
406 Determination unit (determination means)
407 Output unit (output means)
408 Communication unit (communication means)
Claims (14)
前記自車両の位置に対する複数の前記物体のそれぞれの相対位置の相対座標情報をセンサーを介して取得する取得手段と、
取得された前記複数の物体のそれぞれの相対座標情報から１つの物体の相対座標情報を選択する選択手段と、
選択された前記相対座標情報を所定の手法で変換された絶対座標情報と、あらかじめ前記複数の物体のそれぞれの絶対位置の絶対座標情報を格納したデータベースとに基づいて、前記選択された物体に対応する候補を前記データベースから複数検索し、前記検索された複数の候補の絶対座標を前記自車両の位置に対する相対座標に変換し、変換された前記相対座標と前記選択された物体の相対座標との差分をそれぞれ算出する算出手段と、
算出された前記複数の差分のうち、最も小さい差分の前記候補が前記選択された物体に該当するものとして、前記候補の絶対座標情報と所定のアルゴリズムとを用いて前記自車両の自己位置を推定する推定手段と、
算出された前記複数の差分を記録する記録手段と、
記録された前記複数の差分のうち、差分の小さい順に数えて最小のものから所定の個数までの差分の平均値が所定の閾値より小さいか否かを判断する判断手段と、
前記平均値が前記所定の閾値より小さいと判断された場合に、前記選択手段による相対座標情報の選択を中止し、前記推定手段によって推定された前記自車両の自己位置を出力する出力手段とを、
備える自己位置推定装置。 A self-position estimation device that estimates the position of the host vehicle based on the position of an object existing around the host vehicle,
Acquisition means for acquiring relative coordinate information of each of the relative positions of the plurality of objects with respect to the position of the host vehicle via a sensor;
Selecting means for selecting relative coordinate information of one object from the obtained relative coordinate information of the plurality of objects;
Corresponding to the selected object based on absolute coordinate information obtained by converting the selected relative coordinate information by a predetermined method and a database in which absolute coordinate information of each absolute position of the plurality of objects is stored in advance. A plurality of candidates to be searched from the database, the absolute coordinates of the searched candidates are converted into relative coordinates with respect to the position of the host vehicle, and the converted relative coordinates and the relative coordinates of the selected object are A calculation means for calculating each difference;
Assuming that the candidate with the smallest difference among the plurality of calculated differences corresponds to the selected object, the self-position of the host vehicle is estimated using absolute coordinate information of the candidate and a predetermined algorithm. An estimation means to
Recording means for recording the calculated plurality of differences;
Judgment means for judging whether or not the average value of the difference from the smallest to the predetermined number counted in ascending order of the difference among the plurality of recorded differences is smaller than a predetermined threshold;
Output means for stopping selection of relative coordinate information by the selection means and outputting the self-position of the host vehicle estimated by the estimation means when it is determined that the average value is smaller than the predetermined threshold value; ,
A self-position estimation apparatus provided.
前記選択手段は、前記信頼度関数に基づいて、信頼度の高い順に前記物体の相対座標情報を選択する請求項１に記載の自己位置推定装置。 A function having a relative coordinate of a relative position of the object as a variable, and a reliability function indicating a degree of reliability that the object is a predetermined object,
The self-position estimation apparatus according to claim 1, wherein the selection unit selects relative coordinate information of the object in descending order of reliability based on the reliability function.
前記選択手段は、１つのセンサーで前記自己位置を推定することができない場合に、他のセンサーを介して取得された前記複数の物体のそれぞれの相対座標情報から１つの物体の相対座標情報を選択する請求項１から３のいずれか１つに記載の自己位置推定装置。 The acquisition means acquires relative coordinate information of the relative positions of the plurality of objects via a plurality of sensors,
The selection means selects relative coordinate information of one object from relative coordinate information of each of the plurality of objects acquired via another sensor when the self-position cannot be estimated by one sensor. The self-position estimation apparatus according to any one of claims 1 to 3.
前記選択手段は、信頼度の高いセンサー順に、センサーを介して取得された前記複数の物体のそれぞれの相対座標情報から１つの物体の相対座標情報を選択する請求項４に記載の自己位置推定装置。 A reliability indicating the degree of reliability is provided for each of the plurality of sensors,
5. The self-position estimation apparatus according to claim 4, wherein the selection unit selects relative coordinate information of one object from relative coordinate information of each of the plurality of objects acquired through the sensors in order of sensors with high reliability. .
前記推定手段は、前記他車両による前記他車両の自己位置の推定結果を前記通信手段を介して受信し、受信した前記推定結果を用いて前記自車両の自己位置を推定する請求項１から５のいずれか１つに記載の自己位置推定装置。 Communication means for communicating with other vehicles provided with sensors for acquiring relative coordinate information of the relative positions of the objects located around the host vehicle,
The said estimation means receives the estimation result of the self-position of the other vehicle by the other vehicle via the communication means, and estimates the self-position of the own vehicle using the received estimation result. The self-position estimation apparatus according to any one of the above.
前記自車両の位置に対する複数の前記物体のそれぞれの相対位置の相対座標情報をセンサーを介して取得する取得ステップと、
取得された前記複数の物体のそれぞれの相対座標情報から１つの物体の相対座標情報を選択する選択ステップと、
選択された前記相対座標情報を所定の手法で変換された絶対座標情報と、あらかじめ前記複数の物体のそれぞれの絶対位置の絶対座標情報を格納したデータベースとに基づいて、前記選択された物体に対応する候補を前記データベースから複数検索し、前記検索された複数の候補の絶対座標を前記自車両の位置に対する相対座標に変換し、変換された前記相対座標と前記選択された物体の相対座標との差分をそれぞれ算出する算出ステップと、
算出された前記複数の差分のうち、最も小さい差分の前記候補が前記選択された物体に該当するものとして、前記候補の絶対座標情報と所定のアルゴリズムとを用いて前記自車両の自己位置を推定する推定ステップと、
算出された前記複数の差分を記録する記録ステップと、
記録された前記複数の差分のうち、差分の小さい順に数えて最小のものから所定の個数までの差分の平均値が所定の閾値より小さいか否かを判断する判断ステップと、
前記平均値が前記所定の閾値より小さいと判断された場合に、前記選択ステップによる相対座標情報の選択を中止し、前記推定ステップによって推定された前記自車両の自己位置を出力する出力ステップとを、
有する自己位置推定方法。 A self-position estimation method for estimating the position of the host vehicle based on the position of an object existing around the host vehicle,
An acquisition step of acquiring, through a sensor, relative coordinate information of each of the relative positions of the plurality of objects with respect to the position of the host vehicle;
A selection step of selecting relative coordinate information of one object from the acquired relative coordinate information of the plurality of objects;
Corresponding to the selected object based on absolute coordinate information obtained by converting the selected relative coordinate information by a predetermined method and a database in which absolute coordinate information of each absolute position of the plurality of objects is stored in advance. A plurality of candidates to be searched from the database, the absolute coordinates of the searched candidates are converted into relative coordinates with respect to the position of the host vehicle, and the converted relative coordinates and the relative coordinates of the selected object are A calculation step for calculating each difference;
Assuming that the candidate with the smallest difference among the plurality of calculated differences corresponds to the selected object, the self-position of the host vehicle is estimated using absolute coordinate information of the candidate and a predetermined algorithm. An estimation step to
A recording step of recording the calculated plurality of differences;
A determination step of determining whether or not an average value of differences from the smallest one counted in ascending order of the difference among the plurality of recorded differences to a predetermined number is smaller than a predetermined threshold;
When it is determined that the average value is smaller than the predetermined threshold, the selection of the relative coordinate information by the selection step is stopped, and an output step of outputting the self position of the host vehicle estimated by the estimation step; ,
A self-position estimation method comprising:
前記選択ステップでは、前記信頼度関数に基づいて、信頼度の高い順に前記物体の相対座標情報を選択する請求項８に記載の自己位置推定方法。 A function having a relative coordinate of a relative position of the object as a variable, and a reliability function indicating a degree of reliability that the object is a predetermined object,
9. The self-position estimation method according to claim 8, wherein in the selection step, relative coordinate information of the object is selected in descending order of reliability based on the reliability function.
前記選択ステップでは、１つのセンサーで前記自己位置を推定することができない場合に、他のセンサーを介して取得された前記複数の物体のそれぞれの相対座標情報から１つの物体の相対座標情報を選択する請求項８から１０のいずれか１つに記載の自己位置推定方法。 In the obtaining step, the relative coordinate information of each relative position of the plurality of objects is obtained via a plurality of sensors,
In the selection step, when the self-position cannot be estimated by one sensor, the relative coordinate information of one object is selected from the relative coordinate information of each of the plurality of objects acquired through another sensor. The self-position estimation method according to any one of claims 8 to 10.
前記選択ステップでは、信頼度の高いセンサー順に、センサーを介して取得された前記複数の物体のそれぞれの相対座標情報から１つの物体の相対座標情報を選択する請求項１１に記載の自己位置推定方法。 A reliability indicating the degree of reliability is provided for each of the plurality of sensors,
The self-position estimation method according to claim 11, wherein in the selection step, relative coordinate information of one object is selected from relative coordinate information of each of the plurality of objects acquired through the sensors in order of sensors with high reliability. .
前記推定ステップでは、前記他車両による前記他車両の自己位置の推定結果を前記通信ステップで受信し、受信した前記推定結果を用いて前記自車両の自己位置を推定する請求項８から１２のいずれか１つに記載の自己位置推定方法。 A communication step of communicating with another vehicle provided with a sensor for acquiring relative coordinate information of a relative position of the object located around the own vehicle;
The said estimation step receives the estimation result of the self-position of the other vehicle by the other vehicle in the communication step, and estimates the self-position of the own vehicle using the received estimation result. The self-position estimation method according to claim 1.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2014024068A JP6246609B2 (en) | 2014-02-12 | 2014-02-12 | Self-position estimation apparatus and self-position estimation method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2014024068A JP6246609B2 (en) | 2014-02-12 | 2014-02-12 | Self-position estimation apparatus and self-position estimation method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2015152991A true JP2015152991A (en) | 2015-08-24 |
| JP6246609B2 JP6246609B2 (en) | 2017-12-13 |
Family
ID=53895210
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2014024068A Expired - Fee Related JP6246609B2 (en) | 2014-02-12 | 2014-02-12 | Self-position estimation apparatus and self-position estimation method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6246609B2 (en) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106871889A (en) * | 2017-03-29 | 2017-06-20 | 科大智能电气技术有限公司 | A kind of control method of changeable navigation pattern |
| JP2017219329A (en) * | 2016-06-03 | 2017-12-14 | 株式会社Ｓｏｋｅｎ | Vehicle position specifying device and vehicle position specifying method |
| JP2018128314A (en) * | 2017-02-07 | 2018-08-16 | 富士通株式会社 | Mobile entity position estimating system, mobile entity position estimating terminal device, information storage device, and method of estimating mobile entity position |
| JP2018141716A (en) * | 2017-02-28 | 2018-09-13 | パイオニア株式会社 | Position estimation device, control method, and program |
| JP2020504387A (en) * | 2017-01-03 | 2020-02-06 | ヴァレオ・シャルター・ウント・ゼンゾーレン・ゲーエムベーハー | Determination of movement information by ambient sensor |
| CN111522041A (en) * | 2020-06-01 | 2020-08-11 | 河北农业大学 | Laying-out method and system for afforestation and greening construction |
| CN112229417A (en) * | 2019-07-17 | 2021-01-15 | 北京新能源汽车技术创新中心有限公司 | Vehicle positioning method and device, computer equipment and storage medium |
| JP2021033685A (en) * | 2019-08-26 | 2021-03-01 | 株式会社デンソー | Learning program and learning method |
| CN112486158A (en) * | 2019-09-11 | 2021-03-12 | 株式会社东芝 | Position estimation device, moving body control system, position estimation method, and program |
| CN113498498A (en) * | 2019-03-06 | 2021-10-12 | 索尼集团公司 | Action control device, action control method, and program |
| EP4040112A1 (en) | 2021-02-08 | 2022-08-10 | Toyota Jidosha Kabushiki Kaisha | Localization device |
| JP2022121706A (en) * | 2020-12-11 | 2022-08-19 | 株式会社三洋物産 | game machine |
| JP2022121710A (en) * | 2020-12-11 | 2022-08-19 | 株式会社三洋物産 | game machine |
| JP2022121711A (en) * | 2020-12-11 | 2022-08-19 | 株式会社三洋物産 | game machine |
| JP2022121702A (en) * | 2020-12-04 | 2022-08-19 | 株式会社三洋物産 | game machine |
| JP2022121707A (en) * | 2020-12-11 | 2022-08-19 | 株式会社三洋物産 | game machine |
| JP2022130739A (en) * | 2020-11-27 | 2022-09-06 | 株式会社三洋物産 | game machine |
| JP2022132677A (en) * | 2020-12-04 | 2022-09-09 | 株式会社三洋物産 | game machine |
| KR20230068811A (en) * | 2021-11-11 | 2023-05-18 | 한국과학기술원 | Mobile robot and position estimation method thereof |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011056123A (en) * | 2009-09-11 | 2011-03-24 | Duskin Co Ltd | Cleaning robot and cleaning method using the same |
| JP2011209203A (en) * | 2010-03-30 | 2011-10-20 | Sony Corp | Self-position estimating device and self-position estimating method |
| JP2013200604A (en) * | 2012-03-23 | 2013-10-03 | Toyota Motor Corp | Mobile robot |
-
2014
- 2014-02-12 JP JP2014024068A patent/JP6246609B2/en not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011056123A (en) * | 2009-09-11 | 2011-03-24 | Duskin Co Ltd | Cleaning robot and cleaning method using the same |
| JP2011209203A (en) * | 2010-03-30 | 2011-10-20 | Sony Corp | Self-position estimating device and self-position estimating method |
| JP2013200604A (en) * | 2012-03-23 | 2013-10-03 | Toyota Motor Corp | Mobile robot |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017219329A (en) * | 2016-06-03 | 2017-12-14 | 株式会社Ｓｏｋｅｎ | Vehicle position specifying device and vehicle position specifying method |
| JP2020504387A (en) * | 2017-01-03 | 2020-02-06 | ヴァレオ・シャルター・ウント・ゼンゾーレン・ゲーエムベーハー | Determination of movement information by ambient sensor |
| JP2018128314A (en) * | 2017-02-07 | 2018-08-16 | 富士通株式会社 | Mobile entity position estimating system, mobile entity position estimating terminal device, information storage device, and method of estimating mobile entity position |
| JP2018141716A (en) * | 2017-02-28 | 2018-09-13 | パイオニア株式会社 | Position estimation device, control method, and program |
| CN106871889B (en) * | 2017-03-29 | 2020-05-12 | 科大智能电气技术有限公司 | Control method capable of switching navigation modes |
| CN106871889A (en) * | 2017-03-29 | 2017-06-20 | 科大智能电气技术有限公司 | A kind of control method of changeable navigation pattern |
| CN113498498A (en) * | 2019-03-06 | 2021-10-12 | 索尼集团公司 | Action control device, action control method, and program |
| CN113498498B (en) * | 2019-03-06 | 2024-04-19 | 索尼集团公司 | Action control device, action control method, and program |
| CN112229417A (en) * | 2019-07-17 | 2021-01-15 | 北京新能源汽车技术创新中心有限公司 | Vehicle positioning method and device, computer equipment and storage medium |
| CN112229417B (en) * | 2019-07-17 | 2023-03-24 | 北京国家新能源汽车技术创新中心有限公司 | Vehicle positioning method and device, computer equipment and storage medium |
| US11727308B2 (en) | 2019-08-26 | 2023-08-15 | Denso Corporation | Learning system and method |
| JP2021033685A (en) * | 2019-08-26 | 2021-03-01 | 株式会社デンソー | Learning program and learning method |
| CN112486158A (en) * | 2019-09-11 | 2021-03-12 | 株式会社东芝 | Position estimation device, moving body control system, position estimation method, and program |
| CN111522041A (en) * | 2020-06-01 | 2020-08-11 | 河北农业大学 | Laying-out method and system for afforestation and greening construction |
| JP2022130739A (en) * | 2020-11-27 | 2022-09-06 | 株式会社三洋物産 | game machine |
| JP2022132677A (en) * | 2020-12-04 | 2022-09-09 | 株式会社三洋物産 | game machine |
| JP2022121702A (en) * | 2020-12-04 | 2022-08-19 | 株式会社三洋物産 | game machine |
| JP2022121707A (en) * | 2020-12-11 | 2022-08-19 | 株式会社三洋物産 | game machine |
| JP2022121711A (en) * | 2020-12-11 | 2022-08-19 | 株式会社三洋物産 | game machine |
| JP2022121710A (en) * | 2020-12-11 | 2022-08-19 | 株式会社三洋物産 | game machine |
| JP2022121706A (en) * | 2020-12-11 | 2022-08-19 | 株式会社三洋物産 | game machine |
| EP4040112A1 (en) | 2021-02-08 | 2022-08-10 | Toyota Jidosha Kabushiki Kaisha | Localization device |
| KR20230068811A (en) * | 2021-11-11 | 2023-05-18 | 한국과학기술원 | Mobile robot and position estimation method thereof |
| KR102654852B1 (en) * | 2021-11-11 | 2024-04-05 | 한국과학기술원 | Mobile robot and position estimation method thereof |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6246609B2 (en) | 2017-12-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6246609B2 (en) | Self-position estimation apparatus and self-position estimation method | |
| US11915099B2 (en) | Information processing method, information processing apparatus, and recording medium for selecting sensing data serving as learning data | |
| US10698100B2 (en) | Method and device for determining the position of a vehicle | |
| CN109975773B (en) | Millimeter wave radar calibration method, device, equipment and storage medium | |
| CN110889808B (en) | Positioning method, device, equipment and storage medium | |
| WO2019126950A1 (en) | Positioning method, cloud server, terminal, system, electronic device and computer program product | |
| US9069055B2 (en) | Wireless positioning method and apparatus using wireless sensor network | |
| US10210403B2 (en) | Method and apparatus for pixel based lane prediction | |
| CN110749901B (en) | Autonomous mobile robot, map splicing method and device thereof, and readable storage medium | |
| US11163308B2 (en) | Method for creating a digital map for an automated vehicle | |
| US11507092B2 (en) | Sequential clustering | |
| US20180307930A1 (en) | Method and apparatus for establishing feature prediction accuracy | |
| US10379542B2 (en) | Location and mapping device and method | |
| US20220113139A1 (en) | Object recognition device, object recognition method and program | |
| US11578991B2 (en) | Method and system for generating and updating digital maps | |
| CN111563450A (en) | Data processing method, device, equipment and storage medium | |
| JP2016080460A (en) | Moving body | |
| JP6740470B2 (en) | Measuring device, measuring method and program | |
| JP6507841B2 (en) | Preceding vehicle estimation device and program | |
| KR101620911B1 (en) | Auto Pilot Vehicle based on Drive Information Map and Local Route Management Method thereof | |
| US11288554B2 (en) | Determination method and determination device | |
| CN110023781B (en) | Method and device for determining the exact position of a vehicle from a radar signature of the surroundings of the vehicle | |
| JP6323222B2 (en) | Vehicle positioning device | |
| US20230221125A1 (en) | Method for ascertaining an initial pose of a vehicle | |
| JPWO2018212280A1 (en) | Measuring device, measuring method and program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20160623 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20170808 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20171010 |
|
| 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: 20171024 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20171115 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6246609 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |