JP2023126399A

JP2023126399A - 測定装置、測定方法およびプログラム

Info

Publication number: JP2023126399A
Application number: JP2023114360A
Authority: JP
Inventors: 多史藤谷; Kazufumi Fujitani; 智昭岩井; Tomoaki Iwai; 正浩加藤; Masahiro Kato
Original assignee: Pioneer Electronic Corp
Current assignee: Pioneer Corp
Priority date: 2017-05-19
Filing date: 2023-07-12
Publication date: 2023-09-07
Also published as: US11519727B2; WO2018212280A1; JPWO2018212280A1; EP3637053A1; JP2022034051A; EP3637053A4; US20230105255A1; US20200208977A1

Abstract

【課題】状況に応じて白線を検出する範囲を適切に調整し、自車位置推定の精度低下を防止する。【解決手段】測定装置は、周囲の地物を検出するためのセンサ部からの出力データを取得し、出力データのうち、自己位置から所定の位置関係にある所定範囲の検出結果に相当するデータを抽出する。所定範囲は、前記自己位置の精度によって決定される。そして、測定装置は、抽出されたデータに基づいて所定の処理を行う。【選択図】図４

Description

本発明は、地物の位置に基づいて移動体の位置を推定する技術に関する。

自動運転車両では、ＬｉＤＡＲ（ＬｉｇｈｔＤｅｔｅｃｔｉｏｎａｎｄＲａｎｇｉｎｇ）などのセンサで計測した地物位置と、自動運転用の地図情報の地物位置をマッチングして高精度に自車位置を推定する必要がある。ここで利用する地物としては、白線、標識、看板などが挙げられる。特許文献１は、ＬｉＤＡＲを用いて検出した地物位置と、地図情報の地物位置とを用いて自車位置を推定する手法の一例を記載している。また、特許文献２は、道路面に電磁波を送信し、その反射率に基づいて白線を検出する技術を開示している。

特開２０１７－７２４２２号公報特開２０１５－２２２２２３号公報

白線を用いて自車位置を推定する場合、白線の種類（連続線、破線など）や塗装の劣化などによって、ＬｉＤＡＲにより計測できるデータ数に差が生じる。このため、白線を用いて自車位置推定を行う際、白線の検出に使用するＬｉＤＡＲのデータ数が少ない場合と多い場合とでは白線の検出精度が変わり、その結果自車位置推定の精度が変わってくる。

本発明が解決しようとする課題としては、上記のものが例として挙げられる。本発明は、状況に応じて白線を検出する範囲を適切に調整し、自車位置推定の精度低下を防止することを目的とする。

請求項１に記載の発明は、測定装置であって、周囲の地物を検出するためのセンサ部からの出力データを取得する取得部と、前記出力データのうち、自己位置から所定の位置関係にある所定範囲の検出結果に相当するデータを抽出する抽出部と、抽出されたデータに基づいて所定の処理を行う処理部と、を備え、前記所定範囲は、前記自己位置の精度によって決定されることを特徴とする。

請求項８に記載の発明は、測定装置により実行される測定方法であって、周囲の地物を検出するためのセンサ部からの出力データを取得する取得工程と、前記出力データのうち、自己位置から所定の位置関係にある所定範囲の検出結果に相当するデータを抽出する抽出部と、抽出されたデータに基づいて所定の処理を行う処理工程と、を備え、前記所定範囲は、前記自己位置の精度によって決定されることを特徴とする。

請求項９に記載の発明は、コンピュータを備える測定装置により実行されるプログラムであって、周囲の地物を検出するためのセンサ部からの出力データを取得する取得部、前記出力データのうち、自己位置から所定の位置関係にある所定範囲の検出結果に相当するデータを抽出する抽出部、抽出されたデータに基づいて所定の処理を行う処理部、として前記コンピュータを機能させ、前記所定範囲は、前記自己位置の精度によって決定されることを特徴とする。

白線抽出方法を説明する図である。白線予測範囲の決定方法を説明する図である。白線中心位置の算出方法を説明する図である。白線予測範囲の補正方法を説明する図である。測定装置の構成を示すブロック図である。白線を利用した自車位置推定処理のフローチャートである。

本発明の１つの好適な実施形態では、測定装置は、周囲の地物を検出するためのセンサ部からの出力データを取得する取得部と、前記出力データのうち、自己位置から所定の位置関係にある所定範囲の検出結果に相当するデータを抽出する抽出部と、抽出されたデータに基づいて所定の処理を行う処理部と、を備え、前記所定範囲は、前記自己位置の精度によって決定される。

上記の測定装置は、周囲の地物を検出するためのセンサ部からの出力データを取得し、出力データのうち、自己位置から所定の位置関係にある所定範囲の検出結果に相当するデータを抽出する。そして、抽出されたデータに基づいて所定の処理を行う。ここで、前記所定範囲は、前記自己位置の精度によって決定される。よって、自己位置の精度に応じて所定範囲が適切に決定され、所定範囲から抽出されたデータに基づいて所定の処理が行われる。

上記の測定装置の一態様では、前記地物は路面に描かれた路面線であり、前記所定範囲は、前記路面線の長手方向と交わる第１方向における前記自己位置の精度によって決定される。この態様では、路面線の長手方向と交わる第１方向における自己位置の精度に応じて所定範囲が決定される。なお、本明細書においての「路面線」とは、測定対象である白線や黄色線などの区画線、および停止線や横断歩道などの線状の道路標示等である。

上記の測定装置の好適な例では、前記抽出部は、前記第１方向における前記自己位置の精度に応じて、前記所定範囲の前記第１方向における長さを変化させる。他の好適な例では、前記抽出部は、前記路面線の前記第１方向における長さと、前記自己位置の精度とに基づいて、前記所定範囲の第１方向における長さを決定する。他の好適な例では、前記抽出部は、前記自己位置の精度が低いほど、前記第１方向における長さを大きくする。

上記の測定装置の他の一態様では、前記測定装置は、移動体に搭載され、前記抽出部は、前記移動体の位置を基準として右前方、右後方、左前方、左後方の４か所に前記所定範囲を設定する。この態様では、移動体の周囲の４か所においてデータが抽出され、それに基づいて所定の処理が行われる。好適には、前記処理部は、前記地物の位置を検出し、当該地物の位置に基づいて前記測定装置の位置を推定する処理を行う。

本発明の他の好適な実施形態では、測定装置により実行される測定方法は、周囲の地物を検出するためのセンサ部からの出力データを取得する取得工程と、前記出力データのうち、自己位置から所定の位置関係にある所定範囲の検出結果に相当するデータを抽出する抽出工程と、抽出されたデータに基づいて所定の処理を行う処理工程と、を備え、前記所定範囲は、前記自己位置の精度によって決定される。この方法によっても、自己位置の精度に応じて所定範囲が適切に決定され、所定範囲から抽出されたデータに基づいて所定の処理が行われる。

本発明の他の好適な実施形態では、コンピュータを備える測定装置により実行されるプログラムは、周囲の地物を検出するためのセンサ部からの出力データを取得する取得部、前記出力データのうち、自己位置から所定の位置関係にある所定範囲の検出結果に相当するデータを抽出する抽出部、抽出されたデータに基づいて所定の処理を行う処理部、として前記コンピュータを機能させ、前記所定範囲は、前記自己位置の精度によって決定される。このプログラムをコンピュータで実行することにより、上記の測定装置を実現することができる。このプログラムは、記憶媒体に記憶して取り扱うことができる。

以下、図面を参照して本発明の好適な実施例について説明する。
［白線抽出方法］
図１は、白線抽出方法を説明する図である。白線抽出とは、道路面にペイントされた白線を検出し、その所定位置、例えば中心位置を算出することをいう。

（白線予測位置の算出）
図示のように、地図座標系（Ｘ_ｍ，Ｙ_ｍ）に車両５が存在し、車両５の位置を基準として車両座標系（Ｘ_ｖ，Ｙ_ｖ）が規定される。具体的に、車両５の進行方向を車両座標系のＸ_ｖ軸とし、それに垂直な方向を車両座標系のＹ_ｖ軸とする。

車両５の左右の側方には車線境界線である白線が存在する。白線の地図座標系における位置、即ち、白線地図位置は、サーバなどにより管理される高度化地図に含まれており、サーバなどから取得される。本実施例では、白線のデータは座標点列として高度化地図内に記憶されているものとする。また、車両５に搭載されたＬｉＤＡＲはスキャンライン２に沿ってスキャンデータを計測する。なお、スキャンライン２は、ＬｉＤＡＲによるスキャンの軌跡を示す。

図１では、車両５の左側の白線ＷＬ１を構成する点の座標、即ち白線地図位置ＷＬＭＰ１は（ｍｘ_ｍ１，ｍｙ_ｍ１）であり、車両５の右側の白線ＷＬ２を構成する点の座標、即ち白線地図位置ＷＬＭＰ２は（ｍｘ_ｍ２，ｍｙ_ｍ２）であるとする。また、地図座標系における予測自車位置ＰＶＰは（ｘ’_ｍ，ｙ’_ｍ）で与えられ、地図座標系における予測自車方位角はΨ’_ｍで与えられる。

ここで、白線の予測位置を示す白線予測位置ＷＬＰＰ（ｌ’ｘ_ｖ，ｌ’ｙ_ｖ）は、白線地図位置ＷＬＭＰ（ｍｘ_ｍ，ｍｙ_ｍ）と、予測自車位置ＰＶＰ（ｘ’_ｍ，ｙ’_ｍ）と、予測自車方位角Ψ’_ｍとを用いて、以下の式（１）により与えられる。

よって、式（１）により、白線ＷＬ１について白線予測位置ＷＬＰＰ１（ｌ’ｘ_ｖ１，ｌ’ｙ_ｖ１）が得られ、白線ＷＬ２について白線予測位置ＷＬＰＰ２（ｌ’ｘ_ｖ２，ｌ’ｙ_ｖ２）が得られる。こうして、白線ＷＬ１、ＷＬ２のそれぞれについて、白線ＷＬ１、ＷＬ２に対応する複数の白線予測位置ＷＬＰＰ１、ＷＬＰＰ２が得られる。

（白線予測範囲の決定）
次に、白線予測位置ＷＬＰＰに基づいて、白線予測範囲ＷＬＰＲが決定される。白線予測範囲ＷＬＰＲは、予測自車位置ＰＶＰを基準として、白線が存在すると考えられる範囲を示す。白線予測範囲ＷＬＰＲは、最大で車両５の右前方、右後方、左前方及び左後方の４か所に設定される。

図２は、白線予測範囲ＷＬＰＲの決定方法を示す。図２（Ａ）において、車両５の前方の任意の位置（距離α_ｖ前方の位置）に前方基準点（α_ｖ，０_ｖ）を設定する。そして、前方基準点（α_ｖ，０_ｖ）と、白線予測位置ＷＬＰＰとに基づいて、前方基準点（α_ｖ，０_ｖ）から最も近い白線予測位置ＷＬＰＰを探索する。具体的には、白線ＷＬ１については、前方基準点（α_ｖ，０_ｖ）と、白線ＷＬ１を構成する複数の白線予測位置ＷＬＰＰ１（ｌ’ｘ_ｖ１，ｌ’ｙ_ｖ１）とに基づいて、以下の式（２）により距離Ｄ１を算出し、距離Ｄ１が最小値となる白線予測位置ＷＬＰＰ１を予測範囲基準点Ｐｒｅｆ１とする。

同様に、白線ＷＬ２については、前方基準点（α_ｖ，０_ｖ）と、白線ＷＬ２を構成する複数の白線予測位置ＷＬＰＰ２（ｌ’ｘ_ｖ２，ｌ’ｙ_ｖ２）とに基づいて、以下の式（３）により距離Ｄ２を算出し、距離Ｄ２が最小値となる白線予測位置ＷＬＰＰ２を予測範囲基準点Ｐｒｅｆ２とする。

そして、図２（Ｂ）に示すように、予測範囲基準点Ｐｒｅｆを基準とした任意の範囲、例えば予測範囲基準点ＰｒｅｆからＸ_ｖ軸方向に±ΔＸ、Ｙ_ｖ軸方向に±ΔＹの範囲を白線予測範囲ＷＬＰＲと設定する。こうして、図１に示すように、車両５の前方の左右位置に白線予測範囲ＷＬＰＲ１とＷＬＰＲ２が設定される。同様に、車両５の後方に後方基準点を設定して予測範囲基準点Ｐｒｅｆを設定することにより、車両５の後方の左右位置に白線予測範囲ＷＬＰＲ３とＷＬＰＲ４が設定される。こうして、車両５に対して４つの白線予測範囲ＷＬＰＲ１～４が設定される。

（白線中心位置の算出）
次に、白線予測位置ＷＬＰＰを用いて白線中心位置ＷＬＣＰを算出する。図３は白線中心位置ＷＬＣＰの算出方法を示す。図３（Ａ）は、白線ＷＬ１が実線である場合を示す。白線中心位置ＷＬＣＰ１は、白線を構成するスキャンデータの位置座標の平均値により算出される。いま、図３（Ａ）に示すように、白線予測範囲ＷＬＰＲ１が設定されると、ＬｉＤＡＲから出力されるスキャンデータのうち、白線予測範囲ＷＬＰＲ１内に存在する白線スキャンデータＷＬＳＤ１（ｗｘ’_ｖ，ｗｙ’_ｖ）が抽出される。白線上は通常の道路上と比較して反射率が高いので、白線上で得られたスキャンデータは、反射強度の高いデータとなる。ＬｉＤＡＲから出力されたスキャンデータのうち、白線予測範囲ＷＬＰＲ１内に存在し、路面上、かつ、反射強度が所定以上値であるスキャンデータが白線スキャンデータＷＬＳＤとして抽出される。そして、抽出された白線スキャンデータＷＬＳＤの数を「ｎ」とすると、以下の式（４）により、白線中心位置ＷＬＣＰ１（ｓｘ_ｖ１，ｓｙ_ｖ１）の座標が得られる。

また、図３（Ｂ）に示すように、白線が破線である場合も同様に白線中心位置ＷＬＣＰ２が算出される。

（白線予測範囲の補正）
次に、白線予測範囲ＷＬＰＲの補正について説明する。前述のように、白線予測範囲ＷＬＰＲは、白線予測位置ＷＬＰＰに基づいて決定されるが、白線予測位置ＷＬＰＰの推定精度が低いと、白線予測範囲ＷＬＰＲの精度が低下し、白線ＷＬが白線予測範囲ＷＬＰＲから外れてしまうことが起こりうる。

図４（Ａ）は、白線予測位置ＷＬＰＰの推定精度が低い場合、具体的には、車両５の予測自車位置ＰＶＰの精度が車両５の横方向、即ち、Ｙ_ｖ軸方向に１ｍであるとする。この場合、車両５の予測自車位置ＰＶＰはＹ_ｖ軸方向に±１ｍの誤差を含むため、この予測自車位置ＰＶＰを用いて白線予測位置ＷＬＰＰを算出し、白線予測範囲ＷＬＰＲを設定すると、図４（Ａ）に示すように、白線予測範囲ＷＬＰＲが実際の白線ＷＬ１の位置からずれてしまうことが起こりうる。この場合、白線予測範囲ＷＬＰＲ内で得られる白線スキャンデータＷＬＳＤの数は少なくなるため、白線抽出の精度が低下し、その結果、自車位置推定の精度も低下してしまう。

この不具合を解決するため、本実施例では、図４（Ｂ）に示すように、車両５の予測自車位置ＰＶＰの推定精度に基づいて白線予測範囲ＷＬＰＲの幅を補正する。即ち、予測自車位置ＰＶＰの精度に応じた値だけ、白線予測範囲ＷＬＰＲの幅を変更する。基本的な補正の方法としては、予測自車位置ＰＶＰのＹ_ｖ軸方向の推定精度が低いほど、白線予測範囲ＷＬＰＲのＹ_ｖ軸方向の長さ（幅）を大きくする。

例えば、予測自車位置ＰＶＰのＹ_ｖ軸方向の推定精度が１ｍである場合には、図２を参照して説明した方法により設定した白線予測範囲ＷＬＰＲの幅をＹ_ｖ軸方向に左右に１ｍ広げる補正を行う。これにより、補正後の白線予測範囲ＷＬＰＲは予測自車位置ＰＶＰの推定誤差分を加味した幅となり、白線ＷＬが白線予測範囲ＷＬＰＲから外れる可能性を低減することができる。なお、上記の例は単なる一例であり、例えば予測自車位置ＰＶＰの推定精度に対してある係数を乗算した値だけＹ_ｖ軸方向の幅を広げることとしてもよい。

また、具体例として拡張カルマンフィルタを用いて自車位置推定を行う場合には、拡張カルマンフィルタで逐次計算する共分散行列の値から現在の予測自車位置ＰＶＰの精度を求め、白線予測範囲ＷＬＰＲを補正してもよい。一般的な地物（ランドマーク）についての予測範囲は下記の式により与えられる。

ここで、「Ｄ_Ｍ」、「Ｗ_Ｍ」、「Ｈ_Ｍ」は高度化地図に格納されている地物のサイズであり、「√Ｐ_１１（ｔ）」及び「√Ｐ_２２（ｔ）」は共分散行列の要素の平方根であってそれぞれｘ方向とｙ方向の推定精度を示す。「Ｃ_ｚ」はｚ方向（垂直方向）成分を示す定数であり、「ｃ」は係数である。この式により、予測自車位置ＰＶＰの推定精度が高いと予測範囲は小さくなり、予測自車位置ＰＶＰの推定精度が低いと予測範囲は大きくなる。本実施例では地物として白線を利用しているので、式（５）で得られた予測範囲のサイズＳ（ｔ）のＹ_ｖ軸方向成分に基づいて白線予測範囲ＷＬＰＲの幅（補正量）を決定すればよい。

［装置構成］
図５は、本発明の測定装置を適用した自車位置推定装置の概略構成を示す。自車位置推定装置１０は、車両に搭載され、無線通信によりクラウドサーバなどのサーバ７と通信可能に構成されている。サーバ７はデータベース８に接続されており、データベース８は高度化地図を記憶している。データベース８に記憶された高度化地図は、ランドマーク毎にランドマーク地図情報を記憶している。また、白線については、白線を構成する点列の座標を示す白線地図位置ＷＬＭＰを記憶している。自車位置推定装置１０は、サーバ７と通信し、車両の自車位置周辺の白線に関する白線地図情報をダウンロードする。

自車位置推定装置１０は、内界センサ１１と、外界センサ１２と、自車位置予測部１３と、通信部１４と、白線地図情報取得部１５と、白線位置予測部１６と、スキャンデータ抽出部１７と、白線中心位置算出部１８と、自車位置推定部１９とを備える。なお、自車位置予測部１３、白線地図情報取得部１５、白線位置予測部１６、スキャンデータ抽出部１７、白線中心位置算出部１８及び自車位置推定部１９は、実際には、ＣＰＵなどのコンピュータが予め用意されたプログラムを実行することにより実現される。

内界センサ１１は、ＧＮＳＳ（ＧｌｏｂａｌＮａｖｉｇａｔｉｏｎＳａｔｅｌｌｉｔｅＳｙｓｔｅｍ）／ＩＭＵ（ＩｎｅｒｔｉａＭｅａｓｕｒｅｍｅｎｔＵｎｉｔ）複合航法システムとして車両の自車位置を測位するものであり、衛星測位センサ（ＧＰＳ）、ジャイロセンサ、車速センサなどを含む。自車位置予測部１３は、内界センサ１１の出力に基づいて、ＧＮＳＳ／ＩＭＵ複合航法により車両の自車位置を予測し、予測自車位置ＰＶＰを白線位置予測部１６に供給する。

外界センサ１２は、車両の周辺の物体を検出するセンサであり、ステレオカメラ、ＬｉＤＡＲなどを含む。外界センサ１２は、計測により得られたスキャンデータＳＤをスキャンデータ抽出部１７へ供給する。

通信部１４は、サーバ７と無線通信するための通信ユニットである。白線地図情報取得部１５は、車両の周辺に存在する白線に関する白線地図情報を通信部１４を介してサーバ７から受信し、白線地図情報に含まれる白線地図位置ＷＬＭＰを白線位置予測部１６へ供給する。

白線位置予測部１６は、白線地図位置ＷＬＭＰと自車位置予測部１３から取得した予測自車位置ＰＶＰとに基づいて、前述の式（１）により白線予測位置ＷＬＰＰを算出する。また、白線位置予測部１６は、白線予測位置ＷＬＰＰに基づいて、前述の式（２）、（３）により白線予測範囲ＷＬＰＲを決定し、さらに前述のように予測自車位置ＰＶＰの推定精度に応じて白線予測範囲ＷＬＰＲの補正を行う。そして、白線位置予測部１６は、補正後の白線予測範囲ＷＬＰＲをスキャンデータ抽出部１７へ供給する。

スキャンデータ抽出部１７は、白線位置予測部１６から供給された白線予測範囲ＷＬＰＲと、外界センサ１２から取得したスキャンデータＳＤとに基づいて白線スキャンデータＷＬＳＤを抽出する。具体的には、スキャンデータ抽出部１７は、スキャンデータＳＤのうち、白線予測範囲ＷＬＰＲに含まれ、路面上、かつ、反射強度が所定値以上であるスキャンデータを、白線スキャンデータＷＬＳＤとして抽出し、白線中心位置算出部１８へ供給する。

白線中心位置算出部１８は、図３を参照して説明したように、式（４）により白線スキャンデータＷＬＳＤから白線中心位置ＷＬＣＰを算出する。そして、白線中心位置算出部１８は、算出された白線中心位置ＷＬＣＰを自車位置推定部１９へ供給する。

自車位置推定部１９は、高度化地図における白線地図位置ＷＬＭＰと、外界センサ１２による白線の計測データである白線中心位置ＷＬＣＰとに基づいて、車両の自車位置と自車方位角を推定する。なお、高度化地図のランドマーク位置情報と外界センサによるランドマークの計測位置情報をマッチングすることにより自車位置を推定する方法の一例が特開２０１７－７２４２２に記載されている。

上記の構成において、外界センサ１２は本発明のセンサ部の一例であり、スキャンデータ抽出部１７は本発明の取得部及び抽出部の一例であり、自車位置推定部１９は本発明の処理部の一例である。

［自車位置推定処理］
次に、自車位置推定装置１０による自車位置推定処理について説明する。図６は、自車位置推定処理のフローチャートである。この処理は、ＣＰＵなどのコンピュータが予め用意されたプログラムを実行し、図５に示す各構成要素として機能することにより実現される。

まず、自車位置予測部１３は、内界センサ１１からの出力に基づいて、予測自車位置ＰＶＰを取得する（ステップＳ１１）。次に、白線地図情報取得部１５は、通信部１４を通じてサーバ７に接続し、データベース８に記憶された高度化地図から白線地図情報を取得する（ステップＳ１２）。なお、ステップＳ１１とＳ１２はいずれが先でもよい。

次に、白線位置予測部１６は、ステップＳ１２で得られた白線位置情報に含まれる白線地図位置ＷＬＭＰと、ステップＳ１１で得られた予測自車位置ＰＶＰに基づいて、白線予測位置ＷＬＰＰを算出する（ステップＳ１３）。また、白線位置予測部１６は、白線予測位置ＷＬＰＰに基づいて白線予測範囲ＷＬＰＲを決定し、さらに予測自車位置ＰＶＰの推定精度に基づいて白線予測範囲ＷＬＰＲを補正してスキャンデータ抽出部１７へ供給する（ステップＳ１４）。

次に、スキャンデータ抽出部１７は、外界センサ１２としてのＬｉＤＡＲから得たスキャンデータＳＤのうち、白線予測範囲ＷＬＰＲ内に属し、路面上、かつ、反射強度が所定値以上であるスキャンデータを白線スキャンデータＷＬＳＤとして抽出し、白線中心位置算出部１８へ供給する（ステップＳ１５）。

次に、白線中心位置算出部１８は、白線予測範囲ＷＬＰＲと白線スキャンデータＷＬＳＤに基づいて白線中心位置ＷＬＣＰを算出し、自車位置推定部１９へ供給する（ステップＳ１６）。そして、自車位置推定部１９は、白線中心位置ＷＬＣＰを利用して自車位置推定を行い（ステップＳ１７）、自車位置及び自車方位角を出力する（ステップＳ１８）。こうして自車位置推定処理は終了する。

［変形例］
上記の実施例では、車線を示す車線境界線である白線を使用しているが、本発明の適用はこれには限られず、横断歩道、停止線などの線状の道路標示を利用してもよい。また、白線の代わりに、黄色線などを利用しても良い。これら、白線、黄色線などの区画線や、道路標示などは本発明の路面線の一例である。

５車両
７サーバ
８データベース
１０自車位置推定装置
１１内界センサ
１２外界センサ
１３自車位置予測部
１４通信部
１５白線地図情報取得部
１６白線位置予測部
１７スキャンデータ抽出部
１８白線中心位置算出部
１９自車位置推定部

Claims

周囲の地物を検出するためのセンサ部からの出力データを取得する取得部と、
前記出力データのうち、自己位置から所定の位置関係にある所定範囲の検出結果に相当するデータを抽出する抽出部と、
抽出されたデータに基づいて所定の処理を行う処理部と、
を備え、
前記所定範囲は、前記自己位置の精度によって決定されることを特徴とする測定装置。