JP2022026106A - モデル生成装置、経路探索装置、モデル生成方法、及びモデル生成プログラム - Google Patents
モデル生成装置、経路探索装置、モデル生成方法、及びモデル生成プログラム Download PDFInfo
- Publication number
- JP2022026106A JP2022026106A JP2020129409A JP2020129409A JP2022026106A JP 2022026106 A JP2022026106 A JP 2022026106A JP 2020129409 A JP2020129409 A JP 2020129409A JP 2020129409 A JP2020129409 A JP 2020129409A JP 2022026106 A JP2022026106 A JP 2022026106A
- Authority
- JP
- Japan
- Prior art keywords
- search
- map
- node
- route
- search module
- 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 87
- 238000012549 training Methods 0.000 claims abstract description 145
- 238000004364 calculation method Methods 0.000 claims abstract description 116
- 238000010801 machine learning Methods 0.000 claims abstract description 90
- 238000013528 artificial neural network Methods 0.000 claims description 97
- 238000000605 extraction Methods 0.000 claims description 68
- 238000012545 processing Methods 0.000 claims description 68
- 238000010845 search algorithm Methods 0.000 claims description 50
- 230000006870 function Effects 0.000 description 35
- 230000008569 process Effects 0.000 description 27
- 210000002569 neuron Anatomy 0.000 description 21
- 238000004891 communication Methods 0.000 description 18
- 230000010365 information processing Effects 0.000 description 17
- 238000011156 evaluation Methods 0.000 description 15
- 230000000052 comparative effect Effects 0.000 description 9
- 230000004913 activation Effects 0.000 description 5
- 230000015654 memory Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 239000012636 effector Substances 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- KDYFGRWQOYBRFD-UHFFFAOYSA-N succinic acid Chemical compound OC(=O)CCC(O)=O KDYFGRWQOYBRFD-UHFFFAOYSA-N 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Instructional Devices (AREA)
Abstract
Description
(1)探索空間は、N個(Nは自然数)のノードの集合V(V={V1、・・・、VN})で構成されており、そのうちの1つが開始(起点)ノード(vs∈V)であり、別の1つが目標ノード(vg∈V)である。
(2)推奨経路を構成するか否かを確認する対象となる候補ノードの集合O(O⊂V)、及び確認済みのノードの集合C(C⊂V)を用意する。初期状態では、集合Oには、開始ノードvsのみが属しており(O={vs})、集合Cは空である。
(3)目標ノードvgが集合Oに含まれるまで以下の(A)(B)の手続きを繰り返す。
(A)集合Oの中からコストが最小となるノードv*(v*∈O)を1つ選択し、選択したノードv*を集合Cに追加すると共に、集合Oからノードv*を取り除く。
(B)ノードv*に近接する(例えば、隣接する)ノード(集合VSUCC⊂V)をVから抽出し、抽出されたノードを集合Oに追加する。
(4)目標ノードvgが集合Oに含まれたならば、目標ノードvgを選択して、探索を終了する。
図2は、本発明を適用した場面の一例を模式的に例示する。図2に示されるとおり、本実施形態に係る経路探索システム100は、モデル生成装置1及び経路探索装置2を備えている。
[ハードウェア構成]
<モデル生成装置>
図3は、本実施形態に係るモデル生成装置1のハードウェア構成の一例を模式的に例示する。図3に示されるとおり、本実施形態に係るモデル生成装置1は、制御部11、記憶部12、通信インタフェース13、外部インタフェース14、入力装置15、出力装置16、及びドライブ17が電気的に接続されたコンピュータである。なお、図3では、通信インタフェース及び外部インタフェースを「通信I/F」及び「外部I/F」と記載している。
図4は、本実施形態に係る経路探索装置2のハードウェア構成の一例を模式的に例示する。図4に示されるとおり、本実施形態に係る経路探索装置2は、制御部21、記憶部22、通信インタフェース23、外部インタフェース24、入力装置25、出力装置26、及びドライブ27が電気的に接続されたコンピュータである。
<モデル生成装置>
図5は、本実施形態に係るモデル生成装置1のソフトウェア構成の一例を模式的に例示する。モデル生成装置1の制御部11は、記憶部12に記憶されたモデル生成プログラム81をRAMに展開する。そして、制御部11は、RAMに展開されたモデル生成プログラム81に含まれる命令をCPUにより解釈及び実行して、各構成要素を制御する。これにより、図5に示されるとおり、本実施形態に係るモデル生成装置1は、データ取得部111、学習処理部112、及び保存処理部113をソフトウェアモジュールとして備えるコンピュータとして動作する。すなわち、本実施形態では、モデル生成装置1の各ソフトウェアモジュールは、制御部11(CPU)により実現される。
図5に示されるとおり、本実施形態に係る探索モジュール5に含まれるニューラルネットワーク50は、全結合型ニューラルネットワークであり、入力層501、1つ以上の中間(隠れ)層502、及び出力層503を備えている。
図6は、本実施形態に係る経路探索装置2のソフトウェア構成の一例を模式的に例示する。経路探索装置2の制御部21は、記憶部22に記憶された経路探索プログラム82をRAMに展開する。そして、制御部21は、RAMに展開された経路探索プログラム82に含まれる命令をCPUにより解釈及び実行して、各構成要素を制御する。これにより、図6に示されるとおり、本実施形態に係る経路探索装置2は、マップ取得部211、探索部212、及び出力部213をソフトウェアモジュールとして備えるコンピュータとして動作する。すなわち、本実施形態では、経路探索装置2の各ソフトウェアモジュールも、モデル生成装置1と同様に、制御部21(CPU)により実現される。
モデル生成装置1及び経路探索装置2の各ソフトウェアモジュールに関しては後述する動作例で詳細に説明する。なお、本実施形態では、モデル生成装置1及び経路探索装置2の各ソフトウェアモジュールがいずれも汎用のCPUによって実現される例について説明している。しかしながら、上記ソフトウェアモジュールの一部又は全部が、1又は複数の専用のプロセッサ(例えば、グラフィックスプロセッシングユニット)により実現されてもよい。上記各モジュールは、ハードウェアモジュールとして実現されてもよい。また、モデル生成装置1及び経路探索装置2それぞれのソフトウェア構成に関して、実施形態に応じて、適宜、ソフトウェアモジュールの省略、置換及び追加が行われてもよい。
[モデル生成装置]
図7は、本実施形態に係るモデル生成装置1による機械学習に関する処理手順の一例を示すフローチャートである。以下で説明するモデル生成装置1の処理手順は、モデル生成方法の一例である。ただし、以下で説明するモデル生成装置1の処理手順は一例に過ぎず、各ステップは可能な限り変更されてよい。また、以下の処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が行われてよい。
ステップS101では、制御部11は、データ取得部111として動作し、複数の学習データセット3を取得する。
ステップS102では、制御部11は、学習処理部112として動作し、取得された複数の学習データセット3を使用して、探索モジュール5の機械学習を実施する。
(i)選択演算52(式3)を実行する。
(ii)式4により、集合Cを更新する。集合Cに追加するノードv*が目標ノードvgである場合、経路探索を終了する。
(iii)抽出演算51(式6)、並びに式5及び式7による集合Oの更新を実行し、(i)に戻る。
この第2計算モジュールの順伝播の演算は、ニューラルネットワーク50(第1計算モジュール)の順伝播の演算が完了した後に実行される。バイナリ画像をマップに用いる場合、初期設定により、ニューラルネットワーク50、抽出演算51、及び選択演算52は、以上のように構成されてよい。
ステップS103では、制御部11は、保存処理部113として動作し、機械学習により生成された訓練済みの探索モジュール5に関する情報を学習結果データ125として生成する。そして、制御部11は、生成された学習結果データ125を所定の記憶領域に保存する。
図8は、本実施形態に係る経路探索装置2による経路探索タスクの遂行に関する処理手順の一例を示すフローチャートである。以下で説明する経路探索装置2の処理手順は、経路探索方法の一例である。ただし、以下で説明する経路探索装置2の処理手順は一例に過ぎず、各ステップは可能な限り変更されてよい。また、以下の処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が行われてよい。
ステップS201では、制御部21は、マップ取得部211として動作し、対象マップ221を取得する。
ステップS202では、制御部21は、探索部212として動作し、学習結果データ125を参照して、訓練済みの探索モジュール5の設定を行う。そして、制御部21は、訓練済みの探索モジュール5を使用して、取得された対象マップ221における開始ノードS2から目標ノードG2までのコスト最小となる推奨経路を探索する。
ステップS203では、制御部21は、出力部213として動作し、推奨経路の探索結果225に関する情報を出力する。
以上のとおり、本実施形態に係るモデル生成装置1は、ステップS102において、第1計算モジュール(ニューラルネットワーク50)のみを機械学習の対象として取り扱うのではなく、第1計算モジュール及び第2計算モジュール(抽出演算51及び選択演算52)の両方を機械学習の対象として取り扱う。これにより、ステップS101で取得する各学習データセット3の正解情報32の用意にかかる作業時間及び負担を抑えることができる。したがって、本実施形態によれば、訓練済みの探索モジュール5の生成にかかる手間の低減を図ることができる。
以上、本発明の実施の形態を詳細に説明してきたが、前述までの説明はあらゆる点において本発明の例示に過ぎない。本発明の範囲を逸脱することなく種々の改良又は変形を行うことができることは言うまでもない。例えば、以下のような変更が可能である。なお、以下では、上記実施形態と同様の構成要素に関しては同様の符号を用い、上記実施形態と同様の点については、適宜説明を省略した。以下の変形例は適宜組み合わせ可能である。
上記実施形態に係る経路探索システム100は、与えられたマップにおいて経路を探索するあらゆる場面に適用されてよい。具体例として、上記実施形態に係る経路探索システム100は、移動体に推奨する経路を探索する場面、ロボット装置に推奨する動線を探索する場面等に適用されてよい。以下、適用場面を限定した一具体例を示す。
図9は、第1具体例に係る案内システム100Aの適用場面の一例を模式的に例示する。第1具体例は、移動体に推奨する経路を探索する場面に上記実施形態を適用した例である。第1具体例に係る案内システム100Aは、モデル生成装置1及び案内装置2Aを備える。案内装置2Aは、上記経路探索装置2の一例である。
第1具体例において、モデル生成装置1は、上記実施形態と同様の処理手順により、移動体が移動するのに推奨される経路を探索する能力を獲得した訓練済みの探索モジュール5を生成することができる。
案内装置2Aのハードウェア構成及びソフトウェア構成は、上記実施形態に係る経路探索装置2と同様であってよい。第1具体例において、案内装置2Aは、上記経路探索装置2と同様の処理手順により、移動体が移動するのに推奨される経路を探索することができる。
第1具体例のモデル生成装置1によれば、移動体に推奨する経路を探索する能力を獲得した訓練済みの探索モジュール5の生成にかかる手間の低減を図ることができる。また、案内装置2Aでは、訓練済みの探索モジュール5を使用することで、移動体に推奨する経路を効率的に探索することができる。更に、モデル生成装置1では、機械学習の逆伝播フェーズにおける抽出演算51及び選択演算52の置き換えにより、探索モジュール5の機械学習を適切に実施することができる。その結果、移動体に推奨する経路を探索するタスクを効率的に遂行可能な訓練済みの探索モジュール5を適切に生成することができる。
図10は、第2具体例に係る制御システム100Bの適用場面の一例を模式的に例示する。第2具体例は、ロボット装置RBに推奨する経路を探索する場面に上記実施形態を適用した例である。第2具体例に係る制御システム100Bは、モデル生成装置1及び制御装置2Bを備える。制御装置2Bは、上記経路探索装置2の一例である。
第2具体例において、モデル生成装置1は、上記実施形態と同様の処理手順により、ロボット装置RBが動作するのに推奨される経路を探索する能力を獲得した訓練済みの探索モジュール5を生成することができる。
制御装置2Bのハードウェア構成及びソフトウェア構成は、上記実施形態に係る経路探索装置2と同様であってよい。駆動対象となるロボット装置RBは、通信インタフェース又は外部インタフェースを介して制御装置2Bに接続されてよい。第2具体例において、制御装置2Bは、上記経路探索装置2と同様の処理手順により、ロボット装置RBが動作するのに推奨される経路を探索することができる。
第2具体例のモデル生成装置1によれば、ロボット装置RBに推奨する経路を探索する能力を獲得した訓練済みの探索モジュール5の生成にかかる手間の低減を図ることができる。また、制御装置2Bでは、訓練済みの探索モジュール5を使用することで、ロボット装置RBに推奨する経路を効率的に探索することができる。更に、モデル生成装置1では、機械学習の逆伝播フェーズにおける抽出演算51及び選択演算52の置き換えにより、探索モジュール5の機械学習を適切に実施することができる。その結果、ロボット装置RBに推奨する経路を探索するタスクを効率的に遂行可能な訓練済みの探索モジュール5を適切に生成することができる。
以上、2つの具体例を示したが、上記実施形態を適用可能な場面はこれらに限定されるものではない。他の一例として、上記実施形態に係る経路探索システム100は、交通機関(例えば、航空、鉄道、バス等)を利用する経路を探索する場面に適用されてよい。この場合、マップ(訓練マップ、対象マップ)は、交通機関により形成される交通網の任意の範囲を含むように構成される。マップに含まれる各ノードは、交通機関の拠点(例えば、駅)等の地理上の任意の地点に対応してよい。正解情報は、交通機関を利用して移動するのに推奨される経路を推奨経路として示すように構成されてよい。これにより、モデル生成装置1は、交通機関を利用して移動するのに推奨される経路を探索する能力を獲得した訓練済みの探索モジュール5を生成することができる。また、経路探索装置2は、訓練済みの探索モジュール5を使用して、交通機関を利用して移動するのに推奨される経路を探索することができる。
ニューラルネットワーク50の構成は、上記実施形態の例に限定されなくてよく、実施の形態に応じて適宜変更されてよい。例えば、各ニューロンは、隣接する層の特定のニューロンと接続されたり、隣接する層以外の層のニューロンと接続されたりしてもよい。各ニューロンの結合関係は、実施の形態に応じて適宜決定されてよい。中間層502は、省略されてもよい。ニューラルネットワーク50は、例えば、畳み込み層、プーリング層、正規化層、ドロップアウト層等の他の種類の層を含んでもよい。ニューラルネットワーク50は、畳み込みニューラルネットワーク、再帰型ニューラルネットワーク、グラフニューラルネットワーク等の他の形式のニューラルネットワークにより構成されてよい。
逆伝播フェーズの置き換え及びニューラルネットワークにより得られるコストの推定結果を利用した探索の有効性を検証するために、以下の実施例及び比較例に係る探索モジュールを生成した。ただし、本発明は、以下の実施例に限定されるものではない。
11…制御部、12…記憶部、13…通信インタフェース、
14…外部インタフェース、
15…入力装置、16…出力装置、17…ドライブ、
81…モデル生成プログラム、91…記憶媒体、
111…データ取得部、112…学習処理部、
113…保存処理部、
125…学習結果データ、
2…経路探索装置、
21…制御部、22…記憶部、23…通信インタフェース、
24…外部インタフェース、
25…入力装置、26…出力装置、27…ドライブ、
82…経路探索プログラム、92…記憶媒体、
211…マップ取得部、212…探索部、213…出力部、
221…対象マップ、
3…学習データセット、
31…訓練マップ、32…正解情報、
5…探索モジュール、
50…ニューラルネットワーク、
501…入力層、502…中間(隠れ)層、
503…出力層、
51…抽出する演算、52…選択する演算
Claims (14)
- 訓練マップ、及び前記訓練マップにおける推奨経路を示す正解情報の組み合わせによりそれぞれ構成される複数の学習データセットを取得するデータ取得部と、
前記複数の学習データセットを使用して、探索モジュールの機械学習を実施する学習処理部であって、
前記探索モジュールは、
入力マップに含まれる複数のノードそれぞれのコストを推定するように構成されるニューラルネットワーク、
経由ノードに近接する1つ以上の候補ノードを入力マップに含まれる複数のノードから抽出する演算、及び
前記ニューラルネットワークの推定結果に基づいて、コストの総和が最小となるように、抽出された1つ以上の候補ノードから次の経由ノードを選択する演算、を含み、
前記探索モジュールは、開始ノードを最初の経由ノードに設定し、目標ノードが経由ノードとして選択されるまで、前記抽出する演算及び選択する演算を繰り返すことで、開始ノードから目標ノードまでの経路を探索するように構成され、
前記機械学習は、前記各学習データセットについて、前記訓練マップを前記入力マップとして与えることで前記探索モジュールにより探索される経路が前記正解情報により示される推奨経路に適合するように前記探索モジュールを訓練することにより構成され、
前記機械学習の間、順伝播のフェーズでは、前記抽出する演算及び前記選択する演算をそのまま計算するのに対して、逆伝播のフェーズでは、前記抽出する演算及び前記選択する演算それぞれを微分可能な代替演算に置き換え、置き換えられた前記代替演算の微分計算により、前記抽出する演算及び前記選択する演算それぞれの微分計算に対応する近似勾配を算出する、
学習処理部と、
を備える、
モデル生成装置。 - 前記選択する演算は、前記ニューラルネットワークの推定結果に基づいて、所定の探索アルゴリズムによりコストの総和が最小となるように、抽出された1つ以上の候補ノードから次の経由ノードを選択するように構成される、
請求項1に記載のモデル生成装置。 - 前記所定の探索アルゴリズムは、ダイクストラ法、最良優先探索法、又はA*探索アルゴリズムである、
請求項2に記載のモデル生成装置。 - 前記訓練マップは、移動体の移動を許容する範囲を含み、
前記正解情報により示される前記推奨経路は、前記移動体が移動するのに推奨される経路である、
請求項1から3のいずれか1項に記載のモデル生成装置。 - 前記訓練マップは、ロボット装置の駆動を許容する範囲を含み、
前記正解情報により示される前記推奨経路は、前記ロボット装置が動作するのに推奨される経路である、
請求項1から3のいずれか1項に記載のモデル生成装置。 - 前記推奨経路は、最短経路である、
請求項1から5のいずれか1項に記載のモデル生成装置。 - 前記訓練マップは、画像により構成され、
前記ノードは、画素により構成される、
請求項1から6のいずれか1項に記載のモデル生成装置。 - 前記画像は、実画像又はバイナリ画像により構成される、
請求項7に記載のモデル生成装置。 - 対象マップを取得するマップ取得部と、
訓練済みの探索モジュールを使用して、取得された前記対象マップにおける開始ノードから目標ノードまでの経路を探索する探索部であって、
前記訓練済みの探索モジュールは、訓練マップ、及び前記訓練マップにおける推奨経路を示す正解情報の組み合わせによりそれぞれ構成される複数の学習データセットを使用した機械学習により生成されたものであり、
前記探索モジュールは、
入力マップに含まれる複数のノードそれぞれのコストを推定するように構成されるニューラルネットワーク、
経由ノードに近接する1つ以上の候補ノードを入力マップに含まれる複数のノードから抽出する演算、及び
前記ニューラルネットワークの推定結果に基づいて、コストの総和が最小となるように、抽出された1つ以上の候補ノードから次の経由ノードを選択する演算、を含み、
前記探索モジュールは、開始ノードを最初の経由ノードに設定し、目標ノードが経由ノードとして選択されるまで、前記抽出する演算及び選択する演算を繰り返すことで、開始ノードから目標ノードまでの経路を探索するように構成され、
前記機械学習は、前記各学習データセットについて、前記訓練マップを前記入力マップとして与えることで前記探索モジュールにより探索される経路が前記正解情報により示される推奨経路に適合するように前記探索モジュールを訓練することにより構成され、
前記機械学習の間、順伝播のフェーズでは、前記抽出する演算及び前記選択する演算はそのまま計算されたのに対して、逆伝播のフェーズでは、前記抽出する演算及び前記選択する演算それぞれは微分可能な代替演算に置き換えられ、置き換えられた前記代替演算の微分計算により、前記抽出する演算及び前記選択する演算それぞれの微分計算に対応する近似勾配が算出される、
探索部と、
前記対象マップに対して前記経路を探索した結果に関する情報を出力する出力部と、
を備える、
経路探索装置。 - 前記対象マップは、移動体の移動を許容する範囲を含み、
前記探索部は、前記訓練済みの探索モジュールを使用して、取得された前記対象マップにおける前記開始ノードから前記目標ノードまで前記移動体が移動するのに推奨される経路を探索する、
請求項9に記載の経路探索装置。 - 前記対象マップは、ロボット装置の駆動を許容する範囲を含み、
前記探索部は、前記訓練済みの探索モジュールを使用して、取得された前記対象マップにおける前記開始ノードから前記目標ノードまで前記ロボット装置が動作するのに推奨される経路を探索する、
請求項9に記載の経路探索装置。 - 前記経路を探索した結果に関する情報は、探索された経路に従ったナビゲーションにより構成される、
請求項9から11に記載の経路探索装置。 - コンピュータが、
訓練マップ、及び前記訓練マップにおける推奨経路を示す正解情報の組み合わせによりそれぞれ構成される複数の学習データセットを取得するステップと、
前記複数の学習データセットを使用して、探索モジュールの機械学習を実施するステップであって、
前記探索モジュールは、
入力マップに含まれる複数のノードそれぞれのコストを推定するように構成されるニューラルネットワーク、
経由ノードに近接する1つ以上の候補ノードを入力マップに含まれる複数のノードから抽出する演算、及び
前記ニューラルネットワークの推定結果に基づいて、コストの総和が最小となるように、抽出された1つ以上の候補ノードから次の経由ノードを選択する演算、を含み、
前記探索モジュールは、開始ノードを最初の経由ノードに設定し、目標ノードが経由ノードとして選択されるまで、前記抽出する演算及び選択する演算を繰り返すことで、開始ノードから目標ノードまでの経路を探索するように構成され、
前記機械学習は、前記各学習データセットについて、前記訓練マップを前記入力マップとして与えることで前記探索モジュールにより探索される経路が前記正解情報により示される推奨経路に適合するように前記探索モジュールを訓練することにより構成され、
前記機械学習の間、順伝播のフェーズでは、前記抽出する演算及び前記選択する演算をそのまま計算するのに対して、逆伝播のフェーズでは、前記抽出する演算及び前記選択する演算それぞれを微分可能な代替演算に置き換え、置き換えられた前記代替演算の微分計算により、前記抽出する演算及び前記選択する演算それぞれの微分計算に対応する近似勾配を算出する、
ステップと、
を実行する、
モデル生成方法。 - コンピュータに、
訓練マップ、及び前記訓練マップにおける推奨経路を示す正解情報の組み合わせによりそれぞれ構成される複数の学習データセットを取得するステップと、
前記複数の学習データセットを使用して、探索モジュールの機械学習を実施するステップであって、
前記探索モジュールは、
入力マップに含まれる複数のノードそれぞれのコストを推定するように構成されるニューラルネットワーク、
経由ノードに近接する1つ以上の候補ノードを入力マップに含まれる複数のノードから抽出する演算、及び
前記ニューラルネットワークの推定結果に基づいて、コストの総和が最小となるように、抽出された1つ以上の候補ノードから次の経由ノードを選択する演算、を含み、
前記探索モジュールは、開始ノードを最初の経由ノードに設定し、目標ノードが経由ノードとして選択されるまで、前記抽出する演算及び選択する演算を繰り返すことで、開始ノードから目標ノードまでの経路を探索するように構成され、
前記機械学習は、前記各学習データセットについて、前記訓練マップを前記入力マップとして与えることで前記探索モジュールにより探索される経路が前記正解情報により示される推奨経路に適合するように前記探索モジュールを訓練することにより構成され、
前記機械学習の間、順伝播のフェーズでは、前記抽出する演算及び前記選択する演算をそのまま計算するのに対して、逆伝播のフェーズでは、前記抽出する演算及び前記選択する演算それぞれを微分可能な代替演算に置き換え、置き換えられた前記代替演算の微分計算により、前記抽出する演算及び前記選択する演算それぞれの微分計算に対応する近似勾配を算出する、
ステップと、
を実行させるための、
モデル生成プログラム。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020129409A JP7341387B2 (ja) | 2020-07-30 | 2020-07-30 | モデル生成方法、探索プログラム及びモデル生成装置 |
EP21849538.0A EP4191203A1 (en) | 2020-07-30 | 2021-07-02 | Model generation device, route retrieval device, model generation method, and model generation program |
US18/002,870 US20230342614A1 (en) | 2020-07-30 | 2021-07-02 | Model generation apparatus, pathfinding apparatus, model generation method, and computer-readable storage medium storing a model generation program |
CN202180043798.6A CN115803587A (zh) | 2020-07-30 | 2021-07-02 | 模型生成装置及方法、路径搜索装置以及模型生成程序 |
PCT/JP2021/025066 WO2022024663A1 (ja) | 2020-07-30 | 2021-07-02 | モデル生成装置、経路探索装置、モデル生成方法、及びモデル生成プログラム |
JP2023128769A JP2023164805A (ja) | 2020-07-30 | 2023-08-07 | モデル生成装置、経路探索装置、モデル生成方法、及びモデル生成プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020129409A JP7341387B2 (ja) | 2020-07-30 | 2020-07-30 | モデル生成方法、探索プログラム及びモデル生成装置 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023128769A Division JP2023164805A (ja) | 2020-07-30 | 2023-08-07 | モデル生成装置、経路探索装置、モデル生成方法、及びモデル生成プログラム |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2022026106A true JP2022026106A (ja) | 2022-02-10 |
JP2022026106A5 JP2022026106A5 (ja) | 2023-07-13 |
JP7341387B2 JP7341387B2 (ja) | 2023-09-11 |
Family
ID=80035468
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020129409A Active JP7341387B2 (ja) | 2020-07-30 | 2020-07-30 | モデル生成方法、探索プログラム及びモデル生成装置 |
JP2023128769A Pending JP2023164805A (ja) | 2020-07-30 | 2023-08-07 | モデル生成装置、経路探索装置、モデル生成方法、及びモデル生成プログラム |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023128769A Pending JP2023164805A (ja) | 2020-07-30 | 2023-08-07 | モデル生成装置、経路探索装置、モデル生成方法、及びモデル生成プログラム |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230342614A1 (ja) |
EP (1) | EP4191203A1 (ja) |
JP (2) | JP7341387B2 (ja) |
CN (1) | CN115803587A (ja) |
WO (1) | WO2022024663A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114491294B (zh) * | 2022-02-16 | 2024-06-28 | 平安科技(深圳)有限公司 | 基于图神经网络的数据推荐方法及装置、电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019208248A1 (ja) * | 2018-04-24 | 2019-10-31 | 日本電信電話株式会社 | 学習装置、学習方法及び学習プログラム |
WO2019220755A1 (ja) * | 2018-05-14 | 2019-11-21 | ソニー株式会社 | 情報処理装置および情報処理方法 |
WO2019229931A1 (ja) * | 2018-05-31 | 2019-12-05 | 日本電気株式会社 | 情報処理装置、制御方法、及びプログラム |
JP2020046652A (ja) * | 2019-07-17 | 2020-03-26 | カラクリ株式会社 | サーバ装置、システム、方法およびプログラム |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1021489A (ja) * | 1996-07-02 | 1998-01-23 | Hitachi Ltd | 道路案内方法およびシステム |
DE10004163A1 (de) * | 2000-02-01 | 2001-08-02 | Bosch Gmbh Robert | Navigationssystem und Verfahren zur nutzerspezifischen Anpassung eines Navigationssystems |
KR102546996B1 (ko) * | 2016-08-19 | 2023-06-26 | 모비디어스 리미티드 | 희소 볼륨 데이터를 사용한 연산들 |
US20180113450A1 (en) * | 2016-10-20 | 2018-04-26 | Toyota Motor Engineering & Manufacturing North America, Inc. | Autonomous-mode traffic lane selection based on traffic lane congestion levels |
US10515390B2 (en) * | 2016-11-21 | 2019-12-24 | Nio Usa, Inc. | Method and system for data optimization |
WO2018120013A1 (en) * | 2016-12-30 | 2018-07-05 | Nokia Technologies Oy | Artificial neural network |
JP2020009178A (ja) * | 2018-07-09 | 2020-01-16 | 日本電信電話株式会社 | 変換装置、学習装置、変換方法、学習方法及びプログラム |
-
2020
- 2020-07-30 JP JP2020129409A patent/JP7341387B2/ja active Active
-
2021
- 2021-07-02 EP EP21849538.0A patent/EP4191203A1/en not_active Withdrawn
- 2021-07-02 WO PCT/JP2021/025066 patent/WO2022024663A1/ja active Application Filing
- 2021-07-02 CN CN202180043798.6A patent/CN115803587A/zh active Pending
- 2021-07-02 US US18/002,870 patent/US20230342614A1/en active Pending
-
2023
- 2023-08-07 JP JP2023128769A patent/JP2023164805A/ja active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019208248A1 (ja) * | 2018-04-24 | 2019-10-31 | 日本電信電話株式会社 | 学習装置、学習方法及び学習プログラム |
WO2019220755A1 (ja) * | 2018-05-14 | 2019-11-21 | ソニー株式会社 | 情報処理装置および情報処理方法 |
WO2019229931A1 (ja) * | 2018-05-31 | 2019-12-05 | 日本電気株式会社 | 情報処理装置、制御方法、及びプログラム |
JP2020046652A (ja) * | 2019-07-17 | 2020-03-26 | カラクリ株式会社 | サーバ装置、システム、方法およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
US20230342614A1 (en) | 2023-10-26 |
WO2022024663A1 (ja) | 2022-02-03 |
CN115803587A (zh) | 2023-03-14 |
JP7341387B2 (ja) | 2023-09-11 |
JP2023164805A (ja) | 2023-11-14 |
EP4191203A1 (en) | 2023-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Survey of robot 3D path planning algorithms | |
Peralta et al. | A comparison of local path planning techniques of autonomous surface vehicles for monitoring applications: The ypacarai lake case-study | |
Véras et al. | Systematic literature review of sampling process in rapidly-exploring random trees | |
EP2890954B1 (en) | Route planning | |
JP2023164805A (ja) | モデル生成装置、経路探索装置、モデル生成方法、及びモデル生成プログラム | |
Taniguchi et al. | Hippocampal formation-inspired probabilistic generative model | |
Ntakolia et al. | A swarm intelligence graph-based pathfinding algorithm based on fuzzy logic (sigpaf): A case study on unmanned surface vehicle multi-objective path planning | |
Katsumata et al. | Map completion from partial observation using the global structure of multiple environmental maps | |
Gul et al. | Aquila Optimizer with parallel computing strategy for efficient environment exploration | |
Regier et al. | Classifying obstacles and exploiting class information for humanoid navigation through cluttered environments | |
Hara et al. | Moving object removal and surface mesh mapping for path planning on 3D terrain | |
Vazquez-Otero et al. | Reaction-Diffusion based Computational Model for Autonomous Mobile Robot Exploration of Unknown Environments. | |
Nawaz et al. | A review on path selection and navigation approaches towards an assisted mobility of visually impaired people | |
Zeng et al. | Imperialist competitive algorithm for AUV path planning in a variable ocean | |
Tsompanas et al. | Cellular automata applications in shortest path problem | |
Cheng et al. | Local perception-based intelligent building outline aggregation approach with back propagation neural network | |
Ibrahim et al. | An enhanced frontier strategy with global search target-assignment approach for autonomous robotic area exploration | |
Ngoc et al. | Efficient Evaluation of SLAM Methods and Integration of Human Detection with YOLO Based on Multiple Optimization in ROS2. | |
Luu | Comparing the motion planning methods Hybrid A* and RRT for autonomous off-road driving of bicycle vehicles | |
Wang | LIDAR A | |
WO2023063020A1 (ja) | 経路計画システム、経路計画方法、ロードマップ構築装置、モデル生成装置、及びモデル生成方法 | |
Araújo et al. | Cooperative observation of malicious targets in a 3d urban traffic environment using uavs | |
Caley | Deep learning for robotic exploration | |
RU2808469C2 (ru) | Способ управления роботизированным транспортным средством | |
CN117928568B (zh) | 基于人工智能的导航方法、模型训练方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20200806 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230512 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20230623 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230705 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230705 |
|
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: 20230725 |
|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20230727 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230807 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7341387 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |