JP6240595B2 - Self-position estimation apparatus and mobile body equipped with self-position estimation apparatus - Google Patents

Self-position estimation apparatus and mobile body equipped with self-position estimation apparatus Download PDF

Info

Publication number
JP6240595B2
JP6240595B2 JP2014250066A JP2014250066A JP6240595B2 JP 6240595 B2 JP6240595 B2 JP 6240595B2 JP 2014250066 A JP2014250066 A JP 2014250066A JP 2014250066 A JP2014250066 A JP 2014250066A JP 6240595 B2 JP6240595 B2 JP 6240595B2
Authority
JP
Japan
Prior art keywords
self
position estimation
unit
moving
abnormality determination
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.)
Active
Application number
JP2014250066A
Other languages
Japanese (ja)
Other versions
JP2016110576A (en
Inventor
亮暢 藤井
亮暢 藤井
田中 稔
稔 田中
英典 藪下
英典 藪下
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toyota Motor Corp
Toyota Central R&D Labs Inc
Original Assignee
Toyota Motor Corp
Toyota Central R&D Labs Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Toyota Motor Corp, Toyota Central R&D Labs Inc filed Critical Toyota Motor Corp
Priority to JP2014250066A priority Critical patent/JP6240595B2/en
Publication of JP2016110576A publication Critical patent/JP2016110576A/en
Application granted granted Critical
Publication of JP6240595B2 publication Critical patent/JP6240595B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Description

本明細書に開示する技術は、移動体に関する。詳しくは、移動体の位置を推定する技術に関する。   The technology disclosed in this specification relates to a moving object. Specifically, the present invention relates to a technique for estimating the position of a moving object.

所定の移動領域内を移動する移動体であって、移動領域内における自己位置を推定できる移動体が知られている。移動体の自己位置推定は、種々の原因で失敗することがある。このとき、移動体自身が自己位置推定に成功したか失敗したかを自己判定することができないと、移動体は自己位置推定に失敗してもその事実を認識することなくそのまま移動を続けるため、移動領域内の物体(障害物等)と衝突するといった問題が生じる。   2. Description of the Related Art A moving body that moves within a predetermined moving area and that can estimate its own position within the moving area is known. The self-position estimation of a mobile object may fail for various reasons. At this time, if the mobile body itself cannot determine whether the self-position estimation succeeds or fails, the mobile body continues to move without recognizing the fact even if the self-position estimation fails, There arises a problem that it collides with an object (such as an obstacle) in the moving area.

非特許文献1には、自己位置推定に成功したか否かを自己判定できる機能を備えた移動体が開示されている。この移動体は、自己位置推定結果の信頼度を表す式を記憶しており、自己位置推定の際に取得される変数を当該式に入力して得られる値が所定値を超えたときは自己位置推定に成功したと判定し、所定値以下のときは失敗したと判定する。これにより、移動体自身が自己位置推定に失敗したことを認識できるため、自己位置推定に失敗した際の対応手段を移動体に組み込むことにより、移動体が自己位置推定に失敗しても、上述したような衝突の危険等を回避できる。   Non-Patent Document 1 discloses a moving body having a function capable of self-determining whether self-position estimation is successful. This moving object stores an expression representing the reliability of the self-position estimation result, and when the value obtained by inputting a variable acquired at the time of self-position estimation into the expression exceeds a predetermined value, the mobile body It is determined that the position estimation has succeeded, and it is determined that the position has failed when the position is below a predetermined value. As a result, it can be recognized that the mobile body itself has failed in self-position estimation, so even if the mobile body fails in self-position estimation by incorporating the corresponding means when the self-position estimation has failed into the mobile body, The risk of such a collision can be avoided.

横塚将志、安達弘典、松本治、“LRFを用いたパーティクル・フィルタによる自己位置推定の異常検出とGPSによるリカバリ”、自動車技術会論文集、自動車技術会、2012年3月、第43巻、第2号、p.587〜592Masashi Yokozuka, Hironori Adachi, Osamu Matsumoto, “Abnormality detection and self-position detection by particle filter using LRF and recovery by GPS”, Automobile Engineering Society Proceedings, Automobile Engineering Society, March 2012, Vol. 43, No. 2, p. 587-592

非特許文献1では、自己位置推定結果の信頼度を表す式を、自己位置推定に用いるアルゴリズムに基づき理論的に導き出している。しかしながら、理論的に構築した式では、理論と実際とのずれによって式の精度が低下し、自己位置推定に成功したか失敗したかの判定精度が低くなる可能性がある。   In Non-Patent Document 1, an expression representing the reliability of the self-position estimation result is theoretically derived based on an algorithm used for self-position estimation. However, in the formula constructed theoretically, the accuracy of the formula is lowered due to the difference between the theory and the actual, and there is a possibility that the accuracy of determination as to whether the self-position estimation has succeeded or failed has been lowered.

本明細書では、移動体が自己位置推定に成功したか失敗したかを、従来よりも高い精度で判定できる移動体を開示する。   The present specification discloses a moving body that can determine whether the moving body has succeeded or failed in self-position estimation with higher accuracy than before.

本明細書は、所定の移動領域内を移動する移動体の自己位置を推定する自己位置推定装置を開示する。自己位置推定装置は、自己位置推定部と、異常判定式記憶部と、異常判定部と、を備える。自己位置推定部は、自己位置を推定する。異常判定式記憶部は、移動体の学習移動時の自己位置推定に基づいて取得された学習データを機械学習して得られた異常判定式を記憶する。異常判定部は、移動体が本移動を行ったときに、自己位置推定部における自己位置推定が成功したか失敗したかを判定する。自己位置推定部は、移動領域の環境地図と、直前の自己位置推定により推定された自己位置からの移動体の移動距離及び移動方向と、移動体から移動領域内に存在している物体までの距離及び移動体に対する物体の方位と、に基づいて自己位置を推定する。学習データは、学習移動時に自己位置推定部において自己位置を推定したときの複数の変数と、そのときの自己位置推定結果を正常又は異常に分類したときの分類結果と、を関連付けたデータを複数有する。異常判定部は、異常判定式に、移動体が本移動を行った際に自己位置推定部で取得される複数の変数を入力することで、自己位置推定が成功したか失敗したかを判定する。   The present specification discloses a self-position estimation apparatus that estimates the self-position of a moving body that moves within a predetermined movement area. The self-position estimation device includes a self-position estimation unit, an abnormality determination formula storage unit, and an abnormality determination unit. The self position estimating unit estimates the self position. The abnormality determination expression storage unit stores an abnormality determination expression obtained by machine learning of learning data acquired based on self-position estimation during learning movement of the moving body. The abnormality determination unit determines whether the self-position estimation in the self-position estimation unit has succeeded or failed when the mobile body performs the main movement. The self-position estimation unit includes an environment map of the moving area, a moving distance and moving direction of the moving body from the self-position estimated by the immediately preceding self-position estimation, and an object existing in the moving area from the moving body. The self-position is estimated based on the distance and the orientation of the object with respect to the moving object. The learning data includes a plurality of data that associates a plurality of variables when the self-position estimation unit estimates the self-position at the time of learning movement and a classification result when the self-position estimation result at that time is classified as normal or abnormal. Have. The abnormality determination unit determines whether the self-position estimation has succeeded or failed by inputting, into the abnormality determination formula, a plurality of variables acquired by the self-position estimation unit when the moving body performs the main movement. .

上記の移動体の自己位置推定装置は、異常判定式記憶部において、自己位置推定が成功したか失敗したかを判定する基準となる異常判定式を記憶している。この異常判定式は、移動体が学習移動することで取得される学習データを機械学習することにより得られる。このため、理論的に構築された異常判定式よりも高い精度で自己位置推定が成功したか失敗したかを判定することができる。また、移動体の自己位置推定性能は、取得される観測情報(即ち、移動体から移動領域内に存在している物体までの距離及び移動体に対する物体の方位)の精度等により移動体毎にばらつきがある。学習データにはこのばらつきが反映されるため、学習データを機械学習して得られる異常判定式は、移動体毎に固有の式となる。即ち、上記の移動体は、個々の移動体に即した異常判定式に基づいて自己位置推定が成功したか否かを判定できる。また、1つの移動体においても、その自己位置推定性能は走行年数等により変化していく。上記の移動体では、移動体に定期的に学習移動させることで、異常判定式を更新することができる。このため、移動体は、自身の現状の自己位置推定性能をより反映した異常判定式に基づいて自己位置推定が成功したか否かを判定できる。   In the above-described mobile body self-position estimation device, the abnormality determination expression storage unit stores an abnormality determination expression serving as a reference for determining whether the self-position estimation has succeeded or failed. This abnormality determination formula is obtained by machine learning of learning data acquired when the moving body learns and moves. For this reason, it is possible to determine whether the self-position estimation has succeeded or failed with higher accuracy than a theoretically constructed abnormality determination formula. In addition, the self-position estimation performance of the moving object is determined for each moving object depending on the accuracy of the observation information acquired (that is, the distance from the moving object to the object existing in the moving region and the orientation of the object with respect to the moving object). There is variation. Since this variation is reflected in the learning data, the abnormality determination formula obtained by machine learning of the learning data is a formula specific to each moving object. In other words, the above moving body can determine whether or not the self-position estimation has succeeded based on an abnormality determination formula adapted to each moving body. In addition, even in a single moving body, the self-position estimation performance changes depending on the running years and the like. In the above moving body, the abnormality determination formula can be updated by periodically making the moving body learn and move. For this reason, the moving body can determine whether or not the self-position estimation has succeeded based on the abnormality determination formula that more reflects the current self-position estimation performance of the mobile body.

本明細書が開示する技術の詳細、及び、さらなる改良は、発明を実施するための形態及び実施例にて詳しく説明する。   Details of the technology disclosed in this specification and further improvements will be described in detail in the detailed description and examples.

移動体のシステム構成を示す。The system configuration of a mobile object is shown. 移動体が自己位置推定処理を実施する際のシステム構成を示す。1 shows a system configuration when a mobile object performs self-position estimation processing. 移動体が学習データ生成処理を実施する際のシステム構成を示す。1 shows a system configuration when a moving body performs learning data generation processing. 移動体が学習移動する移動領域の一例を示す。An example of the movement area | region where a moving body learns and moves is shown. 学習データの一例を示す。An example of learning data is shown. 移動体が異常判定式生成処理を実施する際のシステム構成を示す。The system configuration | structure when a moving body implements abnormality determination type | formula production | generation processing is shown. 異常判定式のグラフを示す。The graph of an abnormality judgment formula is shown. 移動体が異常判定処理及び推定手段切替処理を実施する際のシステム構成を示す。1 shows a system configuration when a moving body performs an abnormality determination process and an estimation means switching process.

以下に説明する実施例の主要な特徴を列記しておく。なお、以下に記載する技術要素は、それぞれ独立した技術要素であって、単独であるいは各種の組合せによって技術的有用性を発揮するものであり、出願時請求項記載の組合せに限定されるものではない。   The main features of the embodiments described below are listed. The technical elements described below are independent technical elements and exhibit technical usefulness alone or in various combinations, and are not limited to the combinations described in the claims at the time of filing. Absent.

(特徴1) 本明細書が開示する移動体の自己位置推定装置では、学習データの自己位置推定結果は、学習移動時に自己位置推定部で推定された自己位置と、移動体の実際の位置との位置誤差が所定値以下の場合には正常と分類され、位置誤差が所定値を超える場合には異常と分類されていてもよい。この構成では、移動体の実際の位置を基準として、自己位置推定結果が正常であるか異常であるかの分類が行われる。このため、信頼性の高い分類結果を取得でき、学習データの信頼性が向上し、結果として判定精度の高い異常判定式を取得できる。 (Feature 1) In the mobile body self-position estimation device disclosed in this specification, the self-position estimation result of the learning data includes the self-position estimated by the self-position estimation unit during the learning movement, and the actual position of the mobile body. If the position error is less than or equal to a predetermined value, it is classified as normal, and if the position error exceeds a predetermined value, it may be classified as abnormal. In this configuration, the self position estimation result is classified as normal or abnormal based on the actual position of the moving object. For this reason, a highly reliable classification result can be acquired, the reliability of learning data is improved, and as a result, an abnormality determination expression with high determination accuracy can be acquired.

(特徴2) 本明細書が開示する移動体の自己位置推定装置は、学習データを記憶する学習データ記憶部をさらに備えていてもよい。この構成によると、推定装置自体に学習データを記憶しているため、移動体の異常判定精度に不具合が生じた場合等には、学習データのログを分析してエラーがないかどうか検証することが可能となり、移動体の信頼性が向上する。 (Characteristic 2) The mobile body self-position estimation apparatus disclosed in the present specification may further include a learning data storage unit that stores learning data. According to this configuration, since the learning data is stored in the estimation device itself, if a failure occurs in the abnormality determination accuracy of the moving body, the learning data log is analyzed to verify whether there is any error. This improves the reliability of the moving object.

(特徴3) 本明細書が開示する移動体の自己位置推定装置は、学習データを生成する学習データ生成部と、学習データ生成部で生成された学習データを機械学習して異常判定式を生成する異常判定式生成部と、をさらに備えていてもよい。この構成によると、自己位置推定装置自身が学習データを生成し、その学習データに基づいて異常判定式を生成することができる。このため、自己位置推定装置自身が異常判定式を更新し、環境変化(例えば、移動体の経年変化等)に適切に対応することができる。 (Feature 3) A mobile body self-position estimation device disclosed in the present specification generates a learning data generation unit that generates learning data, and machine learning the learning data generated by the learning data generation unit to generate an abnormality determination formula And an abnormality determination formula generation unit that performs the above-described operation. According to this configuration, the self-position estimation apparatus itself can generate learning data, and an abnormality determination formula can be generated based on the learning data. For this reason, the self-position estimation apparatus itself can update the abnormality determination formula, and can appropriately cope with an environmental change (for example, a secular change of the moving body).

(特徴4) 本明細書が開示する移動体の自己位置推定装置では、自己位置推定部が、移動体の状態の確率分布を更新することにより自己位置を推定してもよい。異常判定式に入力される変数は、移動体の最新の状態の確率分布に基づいて自己位置が推定されたときの変数であってもよい。この構成によると、移動体の状態の確率分布が最新のものに更新される前の変数を異常判定式に入力する構成と比較して、異常判定式の判定精度が向上する。 (Characteristic 4) In the mobile body self-position estimation apparatus disclosed in this specification, the self-position estimation unit may estimate the self-position by updating the probability distribution of the state of the mobile body. The variable input to the abnormality determination formula may be a variable when the self-position is estimated based on the probability distribution of the latest state of the moving object. According to this configuration, the determination accuracy of the abnormality determination formula is improved as compared with the configuration in which the variable before the probability distribution of the state of the moving body is updated to the latest one is input to the abnormality determination formula.

(特徴5) 本明細書が開示する移動体の自己位置推定装置では、機械学習が、多変量解析の手法を用いて行われてもよい。 (Feature 5) In the mobile body self-position estimation apparatus disclosed in the present specification, machine learning may be performed using a multivariate analysis technique.

(特徴6) 本明細書が開示する移動体の自己位置推定装置では、多変量解析は、ロジスティック回帰分析又は判別分析であってもよい。 (Characteristic 6) In the mobile location estimation apparatus disclosed in the present specification, the multivariate analysis may be logistic regression analysis or discriminant analysis.

(特徴7) 本明細書が開示する移動体の自己位置推定装置では、機械学習が、サポートベクターマシーンの手法を用いて行われてもよい。 (Characteristic 7) In the mobile device self-position estimation apparatus disclosed in this specification, machine learning may be performed using a support vector machine technique.

(特徴8) 本明細書が開示する移動体の自己位置推定装置では、機械学習が、ニューラルネットワークの手法を用いて行われてもよい。 (Characteristic 8) In the mobile body self-position estimation apparatus disclosed in this specification, machine learning may be performed using a neural network technique.

(特徴9) 本明細書が開示する自己位置推定装置は、所定の移動領域内を移動する移動体に搭載することができる。移動体は、移動情報取得部と、観測情報取得部と、環境地図記憶部と、自己位置推定装置と、異常時処理実行部と、を備えていてもよい。移動情報取得部は、直前の自己位置推定が行われた位置からの移動体の移動距離及び移動方向を取得してもよい。観測情報取得部は、移動領域内に存在している物体を観測し、移動体から物体までの距離及び移動体に対する物体の方位を取得してもよい。環境地図記憶部は、移動領域の環境地図を記憶していてもよい。異常時処理実行部は、自己位置推定装置の異常判定部において自己位置推定が失敗したと判定された場合に、少なくとも以下の動作、即ち、警報を鳴らす、一時的に停止する、自己位置推定部において自己位置を再度計算する、又は別の自己位置推定手段に切り替える、の1つを実行してもよい。この構成によると、移動体が自己位置推定に失敗したにも関わらず、同じ自己位置推定装置を用いて走行を継続することを抑制できる。 (Feature 9) The self-position estimation apparatus disclosed in the present specification can be mounted on a moving body that moves within a predetermined movement region. The mobile body may include a movement information acquisition unit, an observation information acquisition unit, an environment map storage unit, a self-position estimation device, and an abnormal time process execution unit. The movement information acquisition unit may acquire the movement distance and movement direction of the moving body from the position where the previous self-position estimation is performed. The observation information acquisition unit may observe an object existing in the moving region, and acquire a distance from the moving object to the object and an orientation of the object with respect to the moving object. The environment map storage unit may store an environment map of the moving area. The abnormal time process execution unit, when it is determined by the abnormality determination unit of the self-position estimation device that the self-position estimation has failed, at least the following operation, that is, a warning is sounded, and the self-position estimation unit is temporarily stopped One of recalculating the self-position or switching to another self-position estimation means. According to this configuration, it is possible to suppress the traveling of the moving body from continuing using the same self-position estimation device even though the self-position estimation has failed.

実施例1では、図1〜図8を参照して移動体10について説明する。移動体10は、左右に車輪を有する車輪駆動型の移動体であり、所定の移動領域内を自律的に走行する。移動体10の左右の車輪は独立して駆動され、左右の車輪の回転速度を変えることで、移動体10は進行方向を変えることができる。移動体10は、移動領域内を走行する際に、移動領域内における自己位置を推定し、その自己位置推定結果に基づいて目的地まで走行する。また、移動体10は、推定した自己位置推定結果が正常(即ち、自己位置推定に成功)であるか異常(即ち、自己位置推定に失敗)であるかを、異常判定式(後述)に基づいて自己判定する。自己位置推定結果が異常である場合は、自己位置推定プログラムを別のプログラムに切り替える。以下では、移動体10が異常判定式に基づいて自己位置推定結果の正常、異常を自己判定する走行を、「本走行」と称する。なお、厳密には、移動体10は、自身の位置及び方位を推定するが、以下では、移動体10の位置と方位をまとめて「自己位置」と称する。   In the first embodiment, the moving body 10 will be described with reference to FIGS. The moving body 10 is a wheel drive type moving body having wheels on the left and right, and autonomously travels within a predetermined moving area. The left and right wheels of the moving body 10 are driven independently, and the moving body 10 can change the traveling direction by changing the rotational speed of the left and right wheels. When the mobile body 10 travels within the travel area, the mobile body 10 estimates its own position within the travel area, and travels to the destination based on the self-position estimation result. Further, the moving body 10 determines whether the estimated self-position estimation result is normal (that is, self-position estimation is successful) or abnormal (that is, self-position estimation is unsuccessful) based on an abnormality determination formula (described later). And judge yourself. If the self-position estimation result is abnormal, the self-position estimation program is switched to another program. Hereinafter, the traveling in which the moving body 10 self-determines whether the self-position estimation result is normal or abnormal based on the abnormality determination formula is referred to as “main traveling”. Strictly speaking, the mobile object 10 estimates its own position and orientation, but hereinafter, the position and orientation of the mobile object 10 are collectively referred to as “self-position”.

図1に示すように、移動体10は、エンコーダ12と、レーザレンジファインダ14(以下、LRF14と称する)と、三角測量センサ16(後述)と、コンピュータ18を備える。
エンコーダ12は、左右の車輪の回転角度を検出し、コンピュータ18の自己位置推定部28(後述)に出力する。即ち、左右の車輪はそれぞれ図示しないモータによって駆動される。左右の車輪を駆動するモータにはエンコーダ12がそれぞれ設けられ、各エンコーダ12は左右の車輪の回転角度をそれぞれ検出する。エンコーダ12で検出される左右の車輪の回転角度は、コンピュータ18に入力される。
LRF14は、レーザ光を射出し、射出したレーザ光が物体で反射して返ってくるまでの時間を計測する。LRF14で計測される時間から、LRF14(即ち、移動体10)から物体までの距離が計測される。また、LRF14からレーザ光を射出した方向(即ち、物体から反射されるレーザ光の入射角度)は既知であるため、LRF14に対する物体の方位を決定することができる。以下、物体までの距離及び物体の方位を「観測情報」とも称する。LRF14で取得した観測情報は、コンピュータ18の自己位置推定部28に出力される。LRF14は、移動体10の進行方向に対して所定の角度範囲(例えば、進行方向に対して左右方向にそれぞれ60°)でレーザ光を射出する。
コンピュータ18は、演算処理を行うCPU20、演算処理のデータが一時的に記憶されるRAM22、及びCPUによって実行される演算プログラムが記憶されたROM24を備えている。コンピュータ18は、後述する様々な処理を実行する。CPU20がROM24に記憶された演算プログラムを実行することで、CPU20は、自己位置推定部28、真値計算部32等として機能する。なお、コンピュータ18は、自己位置推定部28で推定される自己位置からモータの駆動量を計算し、その計算した駆動量でモータ(車輪)を駆動する。これによって、移動体10は目標の位置まで走行する。なお、コンピュータ18による移動体10の走行制御については、公知の方法で行うことができるため、ここでは、コンピュータ18による自己位置推定等の処理について詳細に説明する。
As shown in FIG. 1, the moving body 10 includes an encoder 12, a laser range finder 14 (hereinafter referred to as LRF 14), a triangulation sensor 16 (described later), and a computer 18.
The encoder 12 detects the rotation angles of the left and right wheels and outputs them to a self-position estimation unit 28 (described later) of the computer 18. That is, the left and right wheels are each driven by a motor (not shown). The motors that drive the left and right wheels are each provided with an encoder 12, and each encoder 12 detects the rotation angle of the left and right wheels. The rotation angles of the left and right wheels detected by the encoder 12 are input to the computer 18.
The LRF 14 emits laser light and measures the time until the emitted laser light is reflected by an object and returned. From the time measured by the LRF 14, the distance from the LRF 14 (that is, the moving body 10) to the object is measured. Further, since the direction in which the laser beam is emitted from the LRF 14 (that is, the incident angle of the laser beam reflected from the object) is known, the orientation of the object with respect to the LRF 14 can be determined. Hereinafter, the distance to the object and the direction of the object are also referred to as “observation information”. The observation information acquired by the LRF 14 is output to the self-position estimation unit 28 of the computer 18. The LRF 14 emits laser light in a predetermined angle range with respect to the traveling direction of the moving body 10 (for example, 60 ° in the left-right direction with respect to the traveling direction).
The computer 18 includes a CPU 20 that performs arithmetic processing, a RAM 22 that temporarily stores arithmetic processing data, and a ROM 24 that stores arithmetic programs executed by the CPU. The computer 18 executes various processes described later. When the CPU 20 executes the calculation program stored in the ROM 24, the CPU 20 functions as the self-position estimation unit 28, the true value calculation unit 32, and the like. The computer 18 calculates a motor drive amount from the self-position estimated by the self-position estimation unit 28, and drives the motor (wheel) with the calculated drive amount. Thereby, the moving body 10 travels to the target position. Since the traveling control of the moving body 10 by the computer 18 can be performed by a known method, processing such as self-position estimation by the computer 18 will be described in detail here.

(自己位置推定処理)
図2に示すように、コンピュータ18は、環境地図記憶部26と、自己位置推定部28を備える。
環境地図記憶部26は、ROM24に設けられており、xy座標平面上に移動領域内の物体の位置及び高さが記録された環境地図を記憶している。環境地図に記憶される物体としては、例えば、移動領域内の障害物(例えば、壁、床面等)が含まれる。
自己位置推定部28は、ROM24に予め格納されている公知の運動モデルに基づいて、モンテカルロ位置同定法(Monte Carlo Localization(以下、MCLと称する))により移動体10の自己位置を推定する。この処理は、CPU20で実施される。MCLは、パーティクルフィルタを用いて移動体が自己位置を推定する公知の手法である。具体的には、自己位置推定部28は、(1)まず、初期パーティクル集合を生成する。各パーティクルは移動体10の位置候補を表すベクトルであり、ベクトル要素として、xy座標系における移動体10のx座標、y座標、及びヨー角を備える。(2)次に、自己位置推定部28は、エンコーダ12から取得した各車輪の回転角度を元に、基準地点(後述)からの移動体10の移動距離及び移動方向(以下、移動距離及び移動方向を「移動情報」とも称する)を算出する。そして、運動モデルにこれらの移動情報を入力し、各パーティクルを運動モデルに従って移動させる。(3)続いて、自己位置推定部28は、各パーティクルにおいて、LRF14から入力された観測情報を環境地図記憶部26から取得した環境地図とマッチングさせて、各パーティクルの尤度(確からしさ)を計算する。(4)そして、パーティクル数が、尤度の高い領域で多く、尤度の低い領域で少なくなるようにパーティクルを選択し、ノイズを加えて新たな集合を生成する。自己位置推定部28は、上記(2)〜(4)の処理を繰り返すことでパーティクルの尤度を上げて観測情報と最も適合するパーティクルを発見し、その適合パーティクルを移動体10の自己位置と推定する。別言すれば、自己位置推定部28は、パーティクル集合に移動体10の実際の位置(以下、真値とも称する)が含まれる(即ち、パーティクル集合を構成するパーティクルのいずれかと真値が一致する)まで、或いは、パーティクル集合のいずれかのパーティクルが真値に極めて近くなるまで、上記(2)〜(4)の処理を繰り返す。即ち、1回の自己位置推定処理では、パーティクル集合の分布は複数回更新される。なお、上記の「基準地点」とは、直前の自己位置推定処理により推定された自己位置を指す。
(Self-position estimation process)
As shown in FIG. 2, the computer 18 includes an environment map storage unit 26 and a self-position estimation unit 28.
The environment map storage unit 26 is provided in the ROM 24 and stores an environment map in which the position and height of an object in the moving area are recorded on the xy coordinate plane. Examples of the objects stored in the environment map include obstacles (for example, walls, floor surfaces, etc.) in the moving area.
The self-position estimation unit 28 estimates the self-position of the moving body 10 based on a known motion model stored in advance in the ROM 24 by Monte Carlo localization identification (hereinafter referred to as MCL). This process is performed by the CPU 20. MCL is a known technique in which a moving body estimates its own position using a particle filter. Specifically, the self-position estimating unit 28 (1) first generates an initial particle set. Each particle is a vector that represents a position candidate of the moving body 10, and includes, as vector elements, the x coordinate, y coordinate, and yaw angle of the moving body 10 in the xy coordinate system. (2) Next, the self-position estimation unit 28, based on the rotation angle of each wheel acquired from the encoder 12, the moving distance and moving direction (hereinafter referred to as moving distance and moving) of the moving body 10 from a reference point (described later). The direction is also referred to as “movement information”). And these movement information is input into a movement model, and each particle is moved according to a movement model. (3) Subsequently, the self-position estimation unit 28 matches the observation information input from the LRF 14 with the environment map acquired from the environment map storage unit 26 for each particle, and sets the likelihood (probability) of each particle. calculate. (4) Then, particles are selected so that the number of particles is large in the high likelihood region and small in the low likelihood region, and noise is added to generate a new set. The self-position estimation unit 28 increases the likelihood of the particles by repeating the processes (2) to (4) above, finds a particle that most closely matches the observation information, and sets the matching particle as the self-position of the mobile object 10. presume. In other words, the self-position estimation unit 28 includes the actual position of the moving body 10 (hereinafter also referred to as a true value) in the particle set (that is, the true value matches one of the particles constituting the particle set). ) Or until any particle in the particle set is very close to the true value, the above processes (2) to (4) are repeated. That is, in one self-position estimation process, the particle set distribution is updated a plurality of times. The above “reference point” refers to the self-position estimated by the immediately preceding self-position estimation process.

(学習データ生成処理)
移動体10は、本走行を行う前に、学習走行と呼ばれる走行を行う。以下では、移動体10の学習走行、及び学習走行時に得られるデータを元に学習データを生成する処理について説明する。
(Learning data generation process)
The mobile body 10 performs a travel called a learning travel before performing the main travel. Below, the process which produces | generates learning data based on the learning driving | running | working of the moving body 10 and the data obtained at the time of learning driving | running | working is demonstrated.

図3に示すように、コンピュータ18は、自己位置推定処理で使用される環境地図記憶部26及び自己位置推定部28の他に、真値計算用地図記憶部30、真値計算部32、位置誤差計算部34、学習データ生成部36、及び学習データ記憶部38を備える。環境地図記憶部26には、移動体10が学習走行を行う移動領域の環境地図が記憶されている。移動体10が学習走行を行う移動領域は、本走行を行う移動領域と異なっていてもよい。このため、学習走行時と本走行時とで移動領域が異なる場合は、環境地図記憶部26は、両方の移動領域の環境地図を記憶している。以下では、学習走行時の移動領域と本走行時の移動領域とを区別するために、前者を「第1移動領域」と称し、後者を「第2移動領域」と称する。また、第1移動領域の環境地図を「第1環境地図」と称し、第2移動領域の環境地図を「第2環境地図」と称する。   As shown in FIG. 3, the computer 18 includes a true value calculation map storage unit 30, a true value calculation unit 32, a position in addition to the environmental map storage unit 26 and the self position estimation unit 28 used in the self position estimation process. An error calculation unit 34, a learning data generation unit 36, and a learning data storage unit 38 are provided. The environment map storage unit 26 stores an environment map of a moving area in which the moving body 10 performs learning travel. The moving area in which the moving body 10 performs the learning travel may be different from the moving area in which the main traveling is performed. For this reason, when a movement area differs at the time of learning driving | running | working and the time of this driving | running | working, the environment map memory | storage part 26 has memorize | stored the environment map of both movement area | regions. In the following, in order to distinguish the movement area during the learning run from the movement area during the main run, the former is referred to as a “first movement area” and the latter is referred to as a “second movement area”. The environment map of the first movement area is referred to as “first environment map”, and the environment map of the second movement area is referred to as “second environment map”.

図4は、移動体10が学習走行を行う第1移動領域40を示す。図4に示すように、第1移動領域40の一部には、障害物としての塀42が配置されている。塀42は互いに対向するように配置されており、塀42の対向面(内側の面)にはリフレクタ44が等間隔で固定されている。学習走行時の移動体10の走行は、リモートコントローラ(リモコン)で制御される。破線は、学習走行時の移動体10の走行ルートを示す。破線で示すように、移動体10は、塀42が配置されていない領域、及び対向する塀42の間の領域の双方を走行する。   FIG. 4 shows a first movement area 40 in which the moving body 10 performs a learning run. As shown in FIG. 4, a ridge 42 as an obstacle is arranged in a part of the first movement region 40. The collars 42 are arranged so as to face each other, and reflectors 44 are fixed to the opposing surface (inner surface) of the collar 42 at equal intervals. The travel of the moving body 10 during the learning travel is controlled by a remote controller (remote controller). A broken line indicates a travel route of the moving body 10 during the learning travel. As indicated by a broken line, the moving body 10 travels both in a region where the rod 42 is not disposed and in a region between the opposite rods 42.

真値計算用地図記憶部30は、ROM24に設けられており、環境地図記憶部26が記憶している第1環境地図に、塀42及びリフレクタ44の位置が記録された地図を記憶している。別言すれば、第1環境地図には、作為的に配置された塀42及びリフレクタ44の情報は記憶されていない。   The true value calculation map storage unit 30 is provided in the ROM 24 and stores a map in which the positions of the ridges 42 and the reflectors 44 are recorded in the first environment map stored in the environment map storage unit 26. . In other words, the first environment map does not store information on the artificially arranged basket 42 and the reflector 44.

三角測量センサ16は、全方位(360°)にレーザ光を射出し、リフレクタ44で反射して返ってくるレーザ光を検知することで、リフレクタ44までの距離及び移動体10に対するリフレクタ44の方位を計測し、これらの情報をコンピュータ18の真値計算部32に出力する。三角測量センサ16は、移動体10に搭載されている   The triangulation sensor 16 emits laser light in all directions (360 °), detects the laser light that is reflected back by the reflector 44, and detects the distance to the reflector 44 and the orientation of the reflector 44 relative to the moving body 10. And outputs this information to the true value calculation unit 32 of the computer 18. The triangulation sensor 16 is mounted on the moving body 10.

真値計算部32は、三角測量センサ16から取得した距離及び方位の情報から、リフレクタ44に対する移動体10の相対位置(厳密には、相対方位も含む)を特定する。真値計算用地図記憶部30から取得した地図にはリフレクタ44の位置が記録されているため、当該地図に移動体10の相対位置をマッピングすることで、当該地図上における移動体10の位置を特定できる。このようにして、真値計算部32は、移動体10の実際の位置(真値)を計算する。この処理は、CPU20で行われる。移動体10の真値は、位置誤差計算部34に出力される。   The true value calculation unit 32 specifies the relative position of the moving body 10 with respect to the reflector 44 (strictly, including the relative azimuth) from the distance and azimuth information acquired from the triangulation sensor 16. Since the position of the reflector 44 is recorded on the map acquired from the map storage unit 30 for true value calculation, the position of the moving body 10 on the map is determined by mapping the relative position of the moving body 10 on the map. Can be identified. In this way, the true value calculation unit 32 calculates the actual position (true value) of the moving body 10. This process is performed by the CPU 20. The true value of the moving body 10 is output to the position error calculation unit 34.

一方、自己位置推定部28は、第1環境地図を用いて第1移動領域40における移動体10の自己位置を推定し、その結果を位置誤差計算部34に出力する。自己位置推定処理と真値計算処理は同じタイミングで行われる。また、自己位置推定部28は、最新のパーティクル集合(即ち、自己位置が推定されたときのパーティクル集合)の分布からx方向の標準偏差σ、y方向の標準偏差σ、及びパーティクルの尤度の最大値wmaxを計算し、これらの情報(標準偏差σ、標準偏差σ、最大尤度wmax)を学習データ生成部36に出力する。なお、標準偏差σ、標準偏差σ、最大尤度wmaxが「変数」の一例に相当する。 On the other hand, the self-position estimating unit 28 estimates the self-position of the moving body 10 in the first moving region 40 using the first environment map, and outputs the result to the position error calculating unit 34. The self-position estimation process and the true value calculation process are performed at the same timing. Further, the self-position estimation unit 28 determines the standard deviation σ x in the x direction, the standard deviation σ y in the y direction, and the likelihood of particles from the distribution of the latest particle set (that is, the particle set when the self position is estimated). The maximum degree w max is calculated, and these pieces of information (standard deviation σ x , standard deviation σ y , maximum likelihood w max ) are output to the learning data generation unit 36. The standard deviation σ x , the standard deviation σ y , and the maximum likelihood w max correspond to an example of “variable”.

位置誤差計算部34は、真値計算部32から取得した真値と、自己位置推定部28から取得した自己位置との差(位置誤差)を計算し、学習データ生成部36に出力する。この処理は、CPU20で行われる。   The position error calculation unit 34 calculates a difference (position error) between the true value acquired from the true value calculation unit 32 and the self position acquired from the self position estimation unit 28 and outputs the difference to the learning data generation unit 36. This process is performed by the CPU 20.

学習データ生成部36は、位置誤差計算部34から取得した位置誤差が15cm以下の場合は、自己位置推定部28が自己位置推定に成功したとみなし、自己位置推定結果を「正常」と分類する。一方、位置誤差が15cmを超える場合は、自己位置推定部28が自己位置推定に失敗したとみなし、自己位置推定結果を「異常」と分類する。学習走行では、位置誤差が「異常」と分類される事態を意図的に作り出している。即ち、第1移動領域40には、第1環境地図に記録されていない塀42が配置されている。このため、移動体10が塀42の間を走行する際は、LRF14により取得される観測情報と第1環境地図とのマッチング度が低くなり、適合パーティクルの発見が困難になる。これは、仮にパーティクル集合の中に真値が含まれていたとしても、移動体10は真値と一致するパーティクルを適合パーティクルとして発見できないことを意味する。このため、移動体10が塀42の間を走行する場合は、真値とは異なるパーティクルを適合パーティクルとみなし、そのパーティクルを自己位置と推定する可能性が極めて高くなる。この結果、推定自己位置と真値との位置誤差が大きくなり、その位置誤差が15cmを超える場合は、「異常」と分類されることになる。   If the position error acquired from the position error calculation unit 34 is 15 cm or less, the learning data generation unit 36 considers that the self-position estimation unit 28 has succeeded in self-position estimation, and classifies the self-position estimation result as “normal”. . On the other hand, if the position error exceeds 15 cm, the self-position estimation unit 28 regards that the self-position estimation has failed and classifies the self-position estimation result as “abnormal”. In the learning run, the situation where the position error is classified as “abnormal” is intentionally created. That is, in the first movement area 40, the ridge 42 that is not recorded in the first environment map is arranged. For this reason, when the moving body 10 travels between the eaves 42, the degree of matching between the observation information acquired by the LRF 14 and the first environment map becomes low, and it becomes difficult to find suitable particles. This means that even if a true value is included in the particle set, the moving body 10 cannot find a particle that matches the true value as a matching particle. For this reason, when the moving body 10 travels between the eaves 42, a particle different from the true value is regarded as a compatible particle, and the possibility that the particle is estimated as the self-position becomes extremely high. As a result, the position error between the estimated self-position and the true value increases, and when the position error exceeds 15 cm, it is classified as “abnormal”.

このように、学習データ生成部36では、位置誤差を基準として、即ち、「真値」に対する移動体10の推定自己位置のずれ量を基準として、自己位置推定結果が正常であるか異常であるかの分類が行われる。このため、信頼性の高い分類結果を取得できる。なお、本実施例では、自己位置推定結果の正常/異常の分類基準値を15cmに設定したが、分類基準値はこれに限られない。分類基準値を低くするほど、異常判定式の判定精度を高くすることができる。   As described above, in the learning data generation unit 36, the self-position estimation result is normal or abnormal based on the position error, that is, based on the deviation amount of the estimated self-position of the moving body 10 with respect to the “true value”. Is classified. For this reason, a highly reliable classification result can be acquired. In this embodiment, the normal / abnormal classification reference value of the self-position estimation result is set to 15 cm, but the classification reference value is not limited to this. The lower the classification reference value, the higher the determination accuracy of the abnormality determination formula.

図5は、学習データ生成部36により生成される学習データの例を示す。図5に示すように、学習データ生成部36は、自己位置推定時の時刻と、位置誤差計算部34から取得した位置誤差と、自己位置推定結果の分類結果と、自己位置推定部28から取得した3つの変数(標準偏差σ、標準偏差σ、最大尤度wmax)と、を関連付けたデータセットを時系列に並べたデータセット群(学習データ)を生成する(σ、σ、wmaxのアルファベットは、実際には数値である)。学習データを参照することで、各時刻における位置誤差、自己位置推定結果の正常/異常、及び自己位置が推定されたときの変数を知ることができる。例えば、時刻t=2sでは、推定自己位置と真値との位置誤差は7cmであるため、自己位置推定結果は「正常」と分類されており、そのときの変数σ、σ、wmaxは、それぞれb、g、lであることがわかる。また、時刻t=10sでは、推定自己位置と真値との位置誤差は20cmであるため、自己位置推定結果は「異常」と分類されており、そのときの変数σ、σ、wmaxは、それぞれc、h、mであることがわかる。学習データ生成処理は、CPU20で行われる。このように、移動体10自身が学習データを生成することにより、移動体10の外部において学習データを生成する構成と比較して、システム構成を簡素化することができる。 FIG. 5 shows an example of learning data generated by the learning data generation unit 36. As shown in FIG. 5, the learning data generation unit 36 acquires the time at the time of self-position estimation, the position error acquired from the position error calculation unit 34, the classification result of the self-position estimation result, and the self-position estimation unit 28. A data set group (learning data) in which data sets in which the three variables (standard deviation σ x , standard deviation σ y , maximum likelihood w max ) are associated in time series is generated (σ x , σ y , W max alphabet is actually a number). By referring to the learning data, it is possible to know the position error at each time, normality / abnormality of the self-position estimation result, and variables when the self-position is estimated. For example, at time t = 2s, since the position error between the estimated self position and the true value is 7 cm, the self position estimation result is classified as “normal”, and the variables σ x , σ y , w max at that time are classified. Are b, g, and l, respectively. At time t = 10 s, since the position error between the estimated self position and the true value is 20 cm, the self position estimation result is classified as “abnormal”, and the variables σ x , σ y , and w max at that time are classified. Are c, h, and m, respectively. The learning data generation process is performed by the CPU 20. As described above, the mobile body 10 itself generates the learning data, so that the system configuration can be simplified as compared with the configuration in which the learning data is generated outside the mobile body 10.

学習データ記憶部38は、ROM24に設けられており、学習データ生成部36で生成された学習データを記憶する。学習データ記憶部38に記憶された学習データは、後述する異常判定式生成部46に出力される。このように、移動体10自身が学習データを記憶しておくことにより、移動体10に不具合が生じた場合等に、学習データのログを分析してエラーがないかどうか検証することが可能となる。このため、移動体10に不具合が生じた場合にその原因を発見し易くなり、移動体10の信頼性を向上させることができる。なお、本実施例では、データセットには自己位置推定時の時刻が含まれているが、この構成に限られない。例えば、データセットは時刻を含んでいなくてもよく、学習データは、データセットが自己位置推定時刻とは無関係に並べられたデータ群により構成されていてもよい。また、学習データには位置誤差が含まれていなくてもよい。   The learning data storage unit 38 is provided in the ROM 24 and stores the learning data generated by the learning data generation unit 36. The learning data stored in the learning data storage unit 38 is output to an abnormality determination formula generation unit 46 described later. In this way, by storing the learning data by the mobile body 10 itself, it is possible to verify whether there is an error by analyzing the log of the learning data when a malfunction occurs in the mobile body 10 or the like. Become. For this reason, it becomes easy to discover the cause when the malfunction occurs in the moving body 10, and the reliability of the moving body 10 can be improved. In this embodiment, the data set includes the time at the time of self-position estimation. However, the present invention is not limited to this configuration. For example, the data set may not include time, and the learning data may be configured by a data group in which the data set is arranged regardless of the self-position estimation time. Further, the learning data may not include a position error.

(異常判定式生成処理)
移動体10が異常判定式を生成する処理について説明する。図6に示すように、コンピュータ18は、自己位置推定処理及び学習データ生成処理で使用される各部の他に、異常判定式生成部46と、異常判定式記憶部48を有する。
異常判定式生成部46は、学習データ記憶部38に記憶されている学習データを取得し、学習データをロジスティック回帰分析して、異常判定式を生成する。ロジスティック回帰分析は多変量解析の一手法であり、結果が2値の場合に、その結果の起きる確率を予測できる統計的な回帰モデルを生成する手法である。具体的には、次の数式で表されるロジスティックモデル;

Figure 0006240595
(Z:目的変数、X〜X:説明変数、b:定数、b〜b:回帰係数)に学習データを適用して、定数b及び回帰係数b〜bの値を求める。学習データを適用する際は、目的変数Zに分類結果(正常:0、異常:1)を用い、説明変数X、X、Xに学習データの標準偏差σ、標準偏差σ、最大尤度wmaxをそれぞれ用いる。これにより、次の数式で表される異常判定式;
Figure 0006240595
が生成される(図7参照)。pは、移動体10の本走行時における自己位置推定結果が異常と判定される確率(以下、異常判定確率とも称する)である。説明変数X〜Xに用いる変数(σ、σ、wmax)は互いに独立しているため、回帰係数b〜bは、項目間の影響が排除された係数となる。従って、異常判定確率を算出する際は、より正確に項目ごとの影響度を量ることができる。異常判定式生成処理は、CPU20で行われる。
異常判定式記憶部48は、ROM24に設けられており、異常判定式生成部46で生成された異常判定式を記憶する。 (Abnormality judgment expression generation processing)
A process in which the moving body 10 generates an abnormality determination formula will be described. As illustrated in FIG. 6, the computer 18 includes an abnormality determination formula generation unit 46 and an abnormality determination formula storage unit 48 in addition to the units used in the self-position estimation process and the learning data generation process.
The abnormality determination formula generation unit 46 acquires the learning data stored in the learning data storage unit 38, performs logistic regression analysis on the learning data, and generates an abnormality determination formula. Logistic regression analysis is a method of multivariate analysis, and when the result is binary, it is a method of generating a statistical regression model that can predict the probability that the result will occur. Specifically, a logistic model represented by the following formula:
Figure 0006240595
(Z: objective variable, X 1 to X 3: explanatory variable, b 0: constant, b 1 ~b 3: regression coefficient) by applying the learning data, the value of the constant b 0 and regression coefficient b 1 ~b 3 Ask for. When applying the learning data, the classification result (normal: 0, abnormal: 1) is used for the objective variable Z, and the standard deviation σ x , standard deviation σ y of the learning data is used for the explanatory variables X 1 , X 2 , X 3 , Each maximum likelihood w max is used. As a result, the abnormality determination formula represented by the following formula:
Figure 0006240595
Is generated (see FIG. 7). p is a probability (hereinafter, also referred to as an abnormality determination probability) that the self-position estimation result during the main traveling of the moving body 10 is determined to be abnormal. Since the variables (σ x , σ y , w max ) used for the explanatory variables X 1 to X 3 are independent from each other, the regression coefficients b 1 to b 3 are coefficients in which the influence between items is eliminated. Therefore, when calculating the abnormality determination probability, the influence degree for each item can be measured more accurately. The abnormality determination formula generation process is performed by the CPU 20.
The abnormality determination formula storage unit 48 is provided in the ROM 24 and stores the abnormality determination formula generated by the abnormality determination formula generation unit 46.

(異常判定処理、推定手段切替処理)
移動体10は、第2移動領域において本走行を行う前に、上述した学習データ生成処理及び異常判定式生成処理を実施する。そして、移動体10が本走行を行う際は、自己位置推定に成功したか失敗したかを異常判定式に基づいて判定し、自己位置推定に失敗した場合は自己位置推定手段(即ち、自己位置推定プログラム)を切替える。以下では、移動体10の本走行時における異常判定処理及び推定手段切替処理について説明する。図8に示すように、コンピュータ18は、自己位置推定処理、学習データ生成処理、及び異常判定式生成処理で使用される各部の他に、異常判定部50及び推定手段切替部52を有する。
(Abnormality judgment processing, estimation means switching processing)
The mobile body 10 performs the above-described learning data generation processing and abnormality determination formula generation processing before performing the main traveling in the second movement region. When the mobile body 10 performs the main travel, it determines whether the self-position estimation has succeeded or failed based on the abnormality determination formula. If the self-position estimation fails, the self-position estimation means (that is, the self-position estimation means) Switch the estimation program. Below, the abnormality determination process and estimation means switching process at the time of the main travel of the moving body 10 will be described. As shown in FIG. 8, the computer 18 includes an abnormality determination unit 50 and an estimation unit switching unit 52 in addition to the units used in the self-position estimation process, the learning data generation process, and the abnormality determination formula generation process.

移動体10が第2移動領域において本走行を行う際は、自己位置推定部28は、第2環境地図を用いて自己位置を推定する。自己位置推定部28で自己位置が推定されたときの3つの変数σ、σ、wmaxは、異常判定部50に出力される。なお、「自己位置推定部28で自己位置が推定されたとき」とは、1回の自己位置推定処理におけるパーティクル集合の分布が最新の状態であることを意味する。 When the moving body 10 performs the main traveling in the second movement area, the self-position estimating unit 28 estimates the self-position using the second environment map. The three variables σ x , σ y , and w max when the self position is estimated by the self position estimation unit 28 are output to the abnormality determination unit 50. Note that “when the self position is estimated by the self position estimating unit 28” means that the distribution of the particle set in one self position estimation process is the latest state.

異常判定部50は、自己位置推定部28から取得した3つの変数σ、σ、wmaxを、異常判定式記憶部48から取得した異常判定式のX、X、Xにそれぞれ入力し、p≦0.5のときは自己位置推定結果が正常(即ち、自己位置推定に成功)と判定し、p>0.5のときは自己位置推定結果が異常(即ち、自己位置推定に失敗)と判定する。判定結果は、推定手段切替部52に出力される。上述したように、異常判定式のX〜Xには、最新のパーティクル集合の分布から得られた変数が入力される。このため、パーティクル集合が最新の状態に更新される前のパーティクル集合の変数を入力する構成と比較して、判定結果の精度がより高くなる。 The abnormality determination unit 50 converts the three variables σ x , σ y , and w max acquired from the self-position estimation unit 28 into X 1 , X 2 , and X 3 of the abnormality determination formula acquired from the abnormality determination formula storage unit 48, respectively. When p ≦ 0.5, it is determined that the self-position estimation result is normal (ie, self-position estimation is successful), and when p> 0.5, the self-position estimation result is abnormal (ie, self-position estimation). )). The determination result is output to the estimation means switching unit 52. As described above, variables obtained from the distribution of the latest particle set are input to the abnormality determination formulas X 1 to X 3 . For this reason, compared with the structure which inputs the variable of the particle set before a particle set is updated to the newest state, the precision of a determination result becomes higher.

推定手段切替部52は、異常判定部50から取得した判定結果が「異常」である場合は、自己位置推定手段(自己位置推定プログラム)をMCLからオドメトリに切替える。MCLを用いた自己位置推定では、移動体10は、直前の自己位置推定時の推定自己位置を元に自己位置を推定する。このため、一旦自己位置推定に失敗すると(特に、一旦パーティクル集合の中に真値が含まれなくなると)、その後の推定自己位置は真値からますます離れていく可能性があり、移動体が物体(障害物)に衝突する等の危険性が高くなる。しかしながら、移動体10は、自己位置推定に失敗した場合は、直ちに自己位置推定手段(即ち、MCLを用いた自己位置推定プログラム)を別の手段(オドメトリを用いた自己位置推定プログラム)に切替える。このため、移動体10の推定自己位置が真値から離れていくことを抑制でき、移動体10が物体に衝突する等の危険を回避できる。なお、本実施例では自己位置推定結果の判定基準値を0.5に設定したが、これに限られない。判定基準値を低く設定するほど、異常判定精度が向上する。また、推定手段切替部52では、オドメトリ以外の自己位置推定プログラム(例えば、GPSを用いた自己位置推定プログラム)に切替えてもよい。   When the determination result acquired from the abnormality determination unit 50 is “abnormal”, the estimation unit switching unit 52 switches the self-position estimation unit (self-position estimation program) from MCL to odometry. In self-position estimation using MCL, the mobile 10 estimates its own position based on the estimated self-position at the time of the previous self-position estimation. For this reason, once self-position estimation fails (especially once the true value is not included in the particle set), the estimated self-position after that may move away from the true value. The risk of collision with an object (obstacle) increases. However, when the mobile unit 10 fails in the self-position estimation, the mobile unit 10 immediately switches the self-position estimation means (that is, the self-position estimation program using MCL) to another means (self-position estimation program using odometry). For this reason, it can suppress that the estimated self-position of the mobile body 10 leaves | separates from a true value, and can avoid danger, such as the mobile body 10 colliding with an object. In this embodiment, the determination reference value of the self-position estimation result is set to 0.5, but is not limited to this. As the determination reference value is set lower, the abnormality determination accuracy is improved. Further, the estimation means switching unit 52 may switch to a self-position estimation program other than odometry (for example, a self-position estimation program using GPS).

実施例1の移動体10の作用効果について説明する。移動体10は、異常判定式記憶部48において、自己位置推定に成功したか失敗したかを判定する基準となる異常判定式を記憶している。この異常判定式は、移動体10が学習走行することで取得される学習データを、機械学習の一手法であるロジスティック回帰分析の手法を用いて解析することにより得られる。このため、理論的に構築された異常判定式よりも高い精度で自己位置推定に成功したか失敗したかを判定することができる。また、移動体10の自己位置推定性能は、移動体10に搭載されるLRF14の数等により移動体毎にばらつきがある。学習データにはこのばらつきが反映されるため、学習データを解析して得られる異常判定式は、移動体毎に固有の式となる。即ち、移動体10は、移動体10自身の性能に応じた異常判定式に基づいて自己位置推定が成功したか否かを判定できる。また、駆動部分(例えば車輪)の摩耗等により、移動体10の自己位置推定性能は走行年数により変化する。本実施例では、移動体10に定期的に学習走行させることで異常判定式を更新することができる。このため、移動体10は、自身の現状の自己位置推定性能をより反映した異常判定式に基づいて自己位置推定が成功したか否かを判定できる。このため、移動体毎の性能とは無関係に一律に異常判定式を設定する構成と比較して、異常判定精度を向上させることができる。   The effect of the moving body 10 of Example 1 is demonstrated. The moving body 10 stores an abnormality determination expression serving as a reference for determining whether the self-position estimation has succeeded or failed in the abnormality determination expression storage unit 48. This abnormality determination formula is obtained by analyzing learning data acquired when the mobile body 10 learns and travels using a logistic regression analysis technique which is one of machine learning techniques. For this reason, it is possible to determine whether the self-position estimation has succeeded or failed with higher accuracy than a theoretically constructed abnormality determination formula. Further, the self-position estimation performance of the mobile body 10 varies from mobile body to mobile body depending on the number of LRFs 14 mounted on the mobile body 10 and the like. Since this variation is reflected in the learning data, the abnormality determination formula obtained by analyzing the learning data is a formula specific to each moving object. That is, the mobile body 10 can determine whether or not the self-position estimation has succeeded based on the abnormality determination formula corresponding to the performance of the mobile body 10 itself. In addition, the self-position estimation performance of the moving body 10 varies depending on the number of years of travel due to wear of the driving portion (for example, wheels). In the present embodiment, the abnormality determination formula can be updated by causing the mobile body 10 to regularly learn and travel. For this reason, the mobile body 10 can determine whether or not the self-position estimation has succeeded based on the abnormality determination formula that more reflects the current self-position estimation performance of the mobile body 10. For this reason, compared with the structure which sets an abnormality determination formula uniformly irrespective of the performance for every moving body, abnormality determination accuracy can be improved.

特に、実施例1では、自己位置推定手段としてMCLを用いている。この場合、例えば第2移動領域内に、第2環境地図には記録されていない物体が配置されていると、LRF14で取得される観測情報と環境地図とのマッチング度が低くなり、移動体10が自己位置推定に失敗する可能性が高くなる。即ち、たとえパーティクル集合の中に真値が含まれていたとしても、移動体10が真値に相当するパーティクルを適合パーティクルと見なすことができず、別のパーティクルを適合パーティクルとみなす可能性が高くなる。実施例1の移動体10は、このようにパーティクル集合の中に真値が含まれている場合(即ち、推定自己位置が真値からそれほど離れていない場合)であっても、異常判定式から導かれる異常判定確率が0.5を超える場合は、自己位置推定結果が異常であると判定することができる。このため、移動体10は高い異常判定精度を発揮できる。
一方、非特許文献1では、パーティクル集合に真値が含まれているときに移動体が自己位置推定に失敗する可能性については考慮されていない。非特許文献1の技術は、パーティクル集合に真値が含まれていない場合(即ち、推定自己位置が真値から比較的離れている場合)を前提とした技術である。このため、非特許文献1の移動体は、位置誤差が比較的に大きい場合にしか、自身の自己位置推定結果が異常であると判定できず、結果として異常判定精度が低くなる。
In particular, in the first embodiment, MCL is used as the self-position estimating means. In this case, for example, if an object that is not recorded in the second environment map is arranged in the second movement area, the degree of matching between the observation information acquired by the LRF 14 and the environment map becomes low, and the moving object 10 Is likely to fail in self-position estimation. That is, even if a true value is included in the particle set, the moving object 10 cannot regard a particle corresponding to the true value as a conforming particle, and it is highly likely that another particle is regarded as a conforming particle. Become. Even when the moving object 10 of the first embodiment includes a true value in the particle set as described above (that is, when the estimated self-position is not so far from the true value), the abnormality determination formula When the derived abnormality determination probability exceeds 0.5, it can be determined that the self-position estimation result is abnormal. For this reason, the moving body 10 can exhibit high abnormality determination accuracy.
On the other hand, Non-Patent Document 1 does not consider the possibility that the moving body may fail in self-position estimation when a true value is included in the particle set. The technique of Non-Patent Document 1 is a technique premised on a case where a true value is not included in the particle set (that is, a case where the estimated self-position is relatively far from the true value). For this reason, the mobile body of Non-Patent Document 1 can determine that its own position estimation result is abnormal only when the position error is relatively large, and as a result, the abnormality determination accuracy decreases.

また、学習データの元になる情報(即ち、自己位置推定結果や標準偏差σ等の変数)は、移動体10に実際に第1移動領域40を走行させることで取得する。このため、学習データには、移動体10の自己位置推定性能が直接的に反映される。このように、実際に特定の領域を走行させて得られる情報を元に学習データを生成することにより、より精度の高い異常判定式を生成できる。 In addition, information (that is, variables such as a self-position estimation result and a standard deviation σ x ) that is the basis of the learning data is acquired by causing the moving body 10 to actually travel in the first movement area 40. For this reason, the self-position estimation performance of the moving body 10 is directly reflected in the learning data. Thus, by generating learning data based on information obtained by actually traveling in a specific area, a more accurate abnormality determination expression can be generated.

以上、本明細書が開示する技術の実施例について詳細に説明したが、これらは例示にすぎず、本明細書が開示する移動体は、上記の実施例を様々に変形、変更したものが含まれる。   As mentioned above, although the Example of the technique which this specification discloses was described in detail, these are only illustrations, and the mobile body which this specification discloses contains what changed and changed the said Example variously. It is.

例えば、自己位置推定部28では、MCLの代わりに拡張カルマンフィルタを用いて自己位置推定処理を行ってもよい。この場合、推定誤差共分散行列から得られる値(例えば、分散値、誤差共分散行列の各要素の値、誤差楕円の長軸及び短軸等)を説明変数に用いて異常判定式を生成することができる。また、本走行時に得られるこれらの変数を異常判定式に入力することで、自己位置推定結果の正常/異常を精度良く判定することができる。   For example, the self-position estimation unit 28 may perform self-position estimation processing using an extended Kalman filter instead of MCL. In this case, an abnormality determination formula is generated using the values obtained from the estimated error covariance matrix (for example, the variance value, the value of each element of the error covariance matrix, the major axis and minor axis of the error ellipse) as explanatory variables. be able to. Moreover, normal / abnormality of the self-position estimation result can be accurately determined by inputting these variables obtained at the time of the actual driving into the abnormality determination formula.

また、移動体10は学習データ生成部36を有していなくてもよく、学習データは移動体10の外部で生成されてもよい。また、移動体10は、学習データ記憶部38を有していなくてもよい。即ち、学習データを元に異常判定式が生成されたら、学習データを消去する構成であってもよい。また、移動体10は、異常判定式生成部46を有していなくてもよく、異常判定式は移動体10の外部で生成されてもよい。   In addition, the moving body 10 may not have the learning data generation unit 36, and the learning data may be generated outside the moving body 10. Further, the moving body 10 may not have the learning data storage unit 38. That is, the learning data may be deleted when the abnormality determination formula is generated based on the learning data. Further, the moving body 10 may not have the abnormality determination formula generation unit 46, and the abnormality determination formula may be generated outside the moving body 10.

また、異常判定式生成部46では、多変量解析の代わりにサポートベクターマシーンを用いてもよい。サポートベクターマシーンは、パターン認識のモデリングにおいて公知の手法であり、クラスの帰属が未知の特徴ベクトルを入力すると、当該特徴ベクトルが帰属するクラスを2値で出力する識別関数を構成する手法である。識別関数は、クラスの帰属が既知の訓練用のサンプル集合から構成される。このため、実施例1の学習データを訓練用のサンプル集合に用いて学習データをサポートベクターマシーンで学習することで、識別関数(異常判定式)を構成することができる。そして、当該識別関数に自己位置推定部28から取得される3つの変数σ、σ、wmaxを入力することで、自己位置推定結果の正常/異常を判定することができる。この方法によっても、実施例1と同様の作用効果を奏することができる。 Further, the abnormality determination formula generation unit 46 may use a support vector machine instead of the multivariate analysis. The support vector machine is a well-known technique in pattern recognition modeling, and is a technique for constructing an identification function that outputs a class to which a feature vector belongs in binary when a feature vector with an unknown class assignment is input. The discriminant function is composed of a training sample set with known class membership. For this reason, a discriminant function (abnormality determination formula) can be configured by using the learning data of the first embodiment as a training sample set and learning the learning data with a support vector machine. Then, by inputting the three variables σ x , σ y , and w max acquired from the self-position estimation unit 28 to the discrimination function, it is possible to determine normality / abnormality of the self-position estimation result. Also by this method, the same effects as those of the first embodiment can be obtained.

また、異常判定式生成部46では、多変量解析の代わりにニューラルネットワークを用いてもよい。ニューラルネットワークは、パターン認識のモデリングにおいて公知の手法であり、クラスの帰属が未知の変数を入力すると、当該変数が帰属するクラスを2値で出力する識別関数を構成する手法である。この手法では、教師あり学習と教師なし学習の2通りで識別関数を構成できる。教師あり学習では、学習例と、当該学習例に対する目標出力が与えられ、初期状態の関数に学習例を入力して得られる出力が目標出力と一致するように初期状態の関数の重みを調整することで、識別関数が構成される。このため、実施例1の学習データの3つの変数σ、σ、wmaxを学習例とし、そのときの分類結果(正常/異常)を目標出力として、学習データをニューラルネットワークで学習することで、識別関数(異常判定式)を構成することができる。そして、当該識別関数に自己位置推定部28から取得される3つの変数σ、σ、wmaxを入力することで、自己位置推定結果の正常/異常を判定することができる。この方法によっても、実施例1と同様の作用効果を奏することができる。なお、学習データを機械学習する手法は、実施例1〜3に挙げた手法に限られない。 Further, the abnormality determination formula generation unit 46 may use a neural network instead of the multivariate analysis. The neural network is a well-known technique in pattern recognition modeling, and is a technique for constructing a discriminant function that outputs a class to which a variable belongs in binary when a variable with unknown class assignment is input. In this method, the discrimination function can be configured in two ways, supervised learning and unsupervised learning. In supervised learning, a learning example and a target output for the learning example are given, and the weight of the function in the initial state is adjusted so that the output obtained by inputting the learning example to the function in the initial state matches the target output Thus, an identification function is configured. For this reason, learning variables are learned by a neural network with the three variables σ x , σ y , and w max of the learning data of the first embodiment as learning examples, and the classification result (normal / abnormal) at that time as a target output. Thus, an identification function (abnormality determination formula) can be configured. Then, by inputting the three variables σ x , σ y , and w max acquired from the self-position estimation unit 28 to the discrimination function, it is possible to determine normality / abnormality of the self-position estimation result. Also by this method, the same effects as those of the first embodiment can be obtained. Note that the method of machine learning learning data is not limited to the methods described in the first to third embodiments.

また、学習データを解析する際は、ロジスティック回帰分析の代わりに判別分析を用いてもよい。   When analyzing learning data, discriminant analysis may be used instead of logistic regression analysis.

また、異常判定処理を行う際に異常判定式に入力される変数は、最新のパーティクル集合の分布から求められる変数に限られない。例えば、最新のパーティクル集合に更新される直前のパーティクル集合の分布から求められる変数を異常判定式に入力するようにしてもよい。また、変数の種類は標準偏差や最大尤度に限られない。また、変数の数は3つに限られず、回帰モデルが精度よく回帰するように適宜増減させてもよい。   Moreover, the variable input to the abnormality determination formula when performing the abnormality determination process is not limited to the variable obtained from the latest particle set distribution. For example, a variable obtained from the distribution of the particle set immediately before being updated to the latest particle set may be input to the abnormality determination formula. The type of variable is not limited to standard deviation or maximum likelihood. Further, the number of variables is not limited to three, and may be increased or decreased as appropriate so that the regression model can be accurately regressed.

また、移動体10は、推定手段切替部52の代わりに、自己位置推定結果が異常と判定された場合に警報を鳴らす機能を備えていてもよいし、一時停止する機能を備えていてもよいし、自己位置推定部28において自己位置を再計算する機能を備えていてもよい。警報を鳴らすことにより、移動体10の管理者に移動体10が自己位置推定に失敗したことを知らせることができる。また、移動体10が一時停止することにより、そのまま走行を継続することによる危険を回避できる。また、移動する存在(例えば、歩行者や車両)により移動体10が自己位置推定に失敗した場合は、一定時間経過後に再度自己位置推定処理を行うことにより、歩行者や車両が移動体10の観測範囲から遠ざかり、自己位置推定結果が「正常」に覆る可能性がある。このため、自己位置を再計算することにより、引き続きMCLを用いた自己位置推定処理を実施できる。   Moreover, the mobile body 10 may be provided with a function of sounding an alarm when the self-position estimation result is determined to be abnormal, or may be provided with a function of temporarily stopping, instead of the estimation means switching unit 52. In addition, the self-position estimating unit 28 may have a function of recalculating the self-position. By sounding the alarm, it is possible to inform the manager of the mobile body 10 that the mobile body 10 has failed in the self-position estimation. Moreover, the danger by continuing driving | running | working as it is can be avoided by the mobile body 10 stopping temporarily. In addition, when the moving body 10 fails in self-position estimation due to a moving presence (for example, a pedestrian or a vehicle), the pedestrian or the vehicle is There is a possibility that the self-position estimation result may be "normal" away from the observation range. For this reason, the self-position estimation process using MCL can be continued by recalculating the self-position.

また、学習走行は、実際に移動体に特定の領域を走行させる代わりに、シミュレーションにより行ってもよい。   In addition, the learning travel may be performed by simulation instead of actually traveling a specific area on the moving body.

また、移動体10は車輪駆動型でなくてもよく、例えば、二足歩行型でもよい。また、移動体10はLRF14を複数個有していてもよい。   Moreover, the moving body 10 may not be a wheel drive type, for example, may be a bipedal walking type. Further, the moving body 10 may have a plurality of LRFs 14.

また、真値計算部32では、三角測量センサ16及びリフレクタ44を用いて移動体10の真値を計算したが、真値を計算する方法はこれに限られない。例えば、モーションキャプチャや磁気レールの手法を用いて真値を計算してもよい。   Further, in the true value calculation unit 32, the true value of the moving body 10 is calculated using the triangulation sensor 16 and the reflector 44, but the method of calculating the true value is not limited to this. For example, the true value may be calculated using a motion capture or magnetic rail technique.

以上、本発明の具体例を詳細に説明したが、これらは例示にすぎず、特許請求の範囲を限定するものではない。特許請求の範囲に記載の技術には、以上に例示した具体例を様々に変形、変更したものが含まれる。また、本明細書または図面に説明した技術要素は、単独であるいは各種の組合せによって技術的有用性を発揮するものであり、出願時請求項記載の組合せに限定されるものではない。また、本明細書または図面に例示した技術は複数目的を同時に達成するものであり、そのうちの一つの目的を達成すること自体で技術的有用性を持つものである。   Specific examples of the present invention have been described in detail above, but these are merely examples and do not limit the scope of the claims. The technology described in the claims includes various modifications and changes of the specific examples illustrated above. The technical elements described in this specification or the drawings exhibit technical usefulness alone or in various combinations, and are not limited to the combinations described in the claims at the time of filing. In addition, the technology illustrated in the present specification or the drawings achieves a plurality of objects at the same time, and has technical utility by achieving one of the objects.

10:移動体、12:エンコーダ、14:レーザレンジファインダ(LRF)、28:自己位置推定部、36:学習データ生成部、38:学習データ記憶部、46:異常判定式生成部、48:異常判定式記憶部、50:異常判定部 10: mobile body, 12: encoder, 14: laser range finder (LRF), 28: self-position estimation unit, 36: learning data generation unit, 38: learning data storage unit, 46: abnormality determination formula generation unit, 48: abnormality Determination formula storage unit, 50: Abnormality determination unit

Claims (10)

所定の移動領域内を移動する移動体の自己位置を推定する装置であって、
自己位置を推定する自己位置推定部と、
前記移動体の学習移動時の自己位置推定に基づいて取得された学習データを機械学習して得られた異常判定式を記憶する異常判定式記憶部と、
前記移動体が本移動を行ったときに、前記自己位置推定部における自己位置推定が成功したか失敗したかを判定する異常判定部と、を備えており、
前記自己位置推定部は、前記移動領域の環境地図と、直前の自己位置推定により推定された自己位置からの前記移動体の移動距離及び移動方向と、前記移動体から前記移動領域内に存在している物体までの距離及び前記移動体に対する前記物体の方位と、に基づいて自己位置を推定し、
前記学習データは、学習移動時に前記自己位置推定部において自己位置を推定したときの複数の変数と、そのときの自己位置推定結果を正常又は異常に分類したときの分類結果と、を関連付けたデータを複数有しており、
前記異常判定部は、前記異常判定式に、前記移動体が本移動を行った際に前記自己位置推定部で取得される複数の変数を入力することで、自己位置推定が成功したか失敗したかを判定する、移動体の自己位置推定装置。
An apparatus for estimating a self-position of a moving body that moves within a predetermined moving area,
A self-position estimating unit for estimating the self-position;
An abnormality determination expression storage unit that stores an abnormality determination expression obtained by machine learning of learning data acquired based on self-position estimation during learning movement of the mobile body;
An abnormality determination unit that determines whether the self-position estimation in the self-position estimation unit is successful or unsuccessful when the mobile body performs a main movement;
The self-position estimation unit exists in the moving area from the moving body, the environment map of the moving area, the moving distance and moving direction of the moving body from the self-position estimated by the immediately preceding self-position estimation, and Estimating the self-position based on the distance to the moving object and the orientation of the object relative to the moving object,
The learning data is data in which a plurality of variables when the self-position estimation unit estimates the self-position at the time of learning movement and a classification result when the self-position estimation result at that time is classified as normal or abnormal Have multiple
The abnormality determination unit has succeeded or failed in self-position estimation by inputting a plurality of variables acquired by the self-position estimation unit when the moving body performs a main movement in the abnormality determination formula. A mobile body self-position estimation apparatus for determining whether or not
前記学習データの前記自己位置推定結果は、学習移動時に前記自己位置推定部で推定された自己位置と、前記移動体の実際の位置との位置誤差が所定値以下の場合には正常と分類され、前記位置誤差が所定値を超える場合には異常と分類されている、請求項1に記載の移動体の自己位置推定装置。   The self-position estimation result of the learning data is classified as normal when the position error between the self-position estimated by the self-position estimation unit during learning movement and the actual position of the moving object is equal to or less than a predetermined value. 2. The mobile body self-position estimation apparatus according to claim 1, wherein the position error is classified as abnormal when the position error exceeds a predetermined value. 前記学習データを記憶する学習データ記憶部をさらに備えている、請求項1又は2に記載の移動体の自己位置推定装置。   The mobile body self-position estimation apparatus according to claim 1, further comprising a learning data storage unit that stores the learning data. 前記学習データを生成する学習データ生成部と、
前記学習データ生成部で生成された前記学習データを機械学習して異常判定式を生成する異常判定式生成部と、をさらに備えている、請求項1〜3の何れか一項に記載の移動体の自己位置推定装置。
A learning data generation unit for generating the learning data;
The movement according to claim 1, further comprising: an abnormality determination expression generation unit that generates an abnormality determination expression by machine learning of the learning data generated by the learning data generation unit. Body self-position estimation device.
前記自己位置推定部では、前記移動体の状態の確率分布を更新することにより自己位置を推定し、
前記異常判定式に入力される変数は、前記移動体の最新の状態の確率分布に基づいて自己位置が推定されたときの変数である、請求項1〜4の何れか一項に記載の移動体の自己位置推定装置。
The self-position estimation unit estimates the self-position by updating the probability distribution of the state of the moving object,
5. The movement according to claim 1, wherein the variable input to the abnormality determination formula is a variable when a self-position is estimated based on a probability distribution of a latest state of the moving body. Body self-position estimation device.
前記機械学習は、多変量解析の手法を用いて行われる、請求項1〜5の何れか一項に記載の移動体の自己位置推定装置。   The said machine learning is a self-position estimation apparatus of the moving body as described in any one of Claims 1-5 performed using the method of multivariate analysis. 前記多変量解析は、ロジスティック回帰分析又は判別分析である、請求項6に記載の移動体の自己位置推定装置。   The mobile body self-position estimation apparatus according to claim 6, wherein the multivariate analysis is logistic regression analysis or discriminant analysis. 前記機械学習は、サポートベクターマシーンの手法を用いて行われる、請求項1〜5の何れか一項に記載の移動体の自己位置推定装置。   The mobile machine self-position estimation apparatus according to any one of claims 1 to 5, wherein the machine learning is performed using a support vector machine technique. 前記機械学習は、ニューラルネットワークの手法を用いて行われる、請求項1〜5の何れか一項に記載の移動体の自己位置推定装置。   The mobile machine self-position estimation apparatus according to any one of claims 1 to 5, wherein the machine learning is performed using a neural network technique. 所定の移動領域内を移動する移動体であって、
直前の自己位置推定が行われた位置からの前記移動体の移動距離及び移動方向を取得する移動情報取得部と、
前記移動領域内に存在している物体を観測し、前記移動体から前記物体までの距離及び前記移動体に対する前記物体の方位を取得する観測情報取得部と、
前記移動領域の環境地図を記憶している環境地図記憶部と、
請求項1〜6の何れか一項に記載の自己位置推定装置と、
前記自己位置推定装置の異常判定部において自己位置推定が失敗したと判定された場合に、少なくとも以下の動作、即ち、警報を鳴らす、一時的に停止する、前記自己位置推定部において自己位置を再度計算する、又は別の自己位置推定手段に切り替える、の1つを実行する異常時処理実行部と、を備える移動体。
A moving body that moves within a predetermined movement area,
A movement information acquisition unit that acquires the movement distance and movement direction of the mobile body from the position where the previous self-position estimation was performed;
An observation information acquisition unit for observing an object existing in the moving region and acquiring a distance from the moving object to the object and an orientation of the object with respect to the moving object;
An environmental map storage unit storing an environmental map of the moving area;
The self-position estimation apparatus according to any one of claims 1 to 6,
When it is determined that the self-position estimation has failed in the abnormality determination unit of the self-position estimation device, at least the following operation, that is, an alarm is sounded or temporarily stopped, the self-position estimation unit re-establishes the self-position. A moving object comprising: an abnormality processing execution unit that executes one of calculating or switching to another self-position estimation means.
JP2014250066A 2014-12-10 2014-12-10 Self-position estimation apparatus and mobile body equipped with self-position estimation apparatus Active JP6240595B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2014250066A JP6240595B2 (en) 2014-12-10 2014-12-10 Self-position estimation apparatus and mobile body equipped with self-position estimation apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2014250066A JP6240595B2 (en) 2014-12-10 2014-12-10 Self-position estimation apparatus and mobile body equipped with self-position estimation apparatus

Publications (2)

Publication Number Publication Date
JP2016110576A JP2016110576A (en) 2016-06-20
JP6240595B2 true JP6240595B2 (en) 2017-11-29

Family

ID=56124356

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2014250066A Active JP6240595B2 (en) 2014-12-10 2014-12-10 Self-position estimation apparatus and mobile body equipped with self-position estimation apparatus

Country Status (1)

Country Link
JP (1) JP6240595B2 (en)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6773471B2 (en) * 2016-07-26 2020-10-21 株式会社豊田中央研究所 Autonomous mobile and environmental map updater
WO2018179960A1 (en) * 2017-03-27 2018-10-04 日本電産株式会社 Mobile body and local position estimation device
JP7106413B2 (en) * 2018-09-27 2022-07-26 三菱重工業株式会社 Abnormality monitoring device, its abnormality monitoring method, and abnormality monitoring program
JP7133497B2 (en) * 2019-03-05 2022-09-08 株式会社日立製作所 Moving range setting system and moving range setting method
KR102233885B1 (en) * 2019-11-18 2021-03-30 울산과학기술원 Method of determining a location where terminal has moved and terminal location determination device performing method
JP7373448B2 (en) * 2020-03-31 2023-11-02 日産自動車株式会社 Self-location estimation method and self-location estimation device
JP7555072B2 (en) 2020-12-16 2024-09-24 株式会社豊田自動織機 Self-location estimation device and mobile body
JP7409330B2 (en) 2021-01-28 2024-01-09 トヨタ自動車株式会社 Self-position estimation accuracy verification method, self-position estimation system

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100707168B1 (en) * 2003-09-30 2007-04-13 삼성전자주식회사 Method and Apparatus for unmanned vehicle navigation using sensors fusion
JP2006065703A (en) * 2004-08-30 2006-03-09 Inst Of Systems Information Technologies Kyushu Self-position estimation device, self-position estimation method, program capable of executing self-position estimation method by computer, and recording medium recording program
JP2008059218A (en) * 2006-08-30 2008-03-13 Fujitsu Ltd Method for restoring self-position of autonomously traveling robot
JP5914382B2 (en) * 2013-02-20 2016-05-11 日立建機株式会社 Status monitoring system, status monitoring device, and terminal device
JP6151546B2 (en) * 2013-03-29 2017-06-21 株式会社富士通アドバンストエンジニアリング Movement control method, movement control program, and movement control apparatus
JP2014203144A (en) * 2013-04-02 2014-10-27 パナソニック株式会社 Autonomous mobile apparatus
JP5768834B2 (en) * 2013-04-12 2015-08-26 横河電機株式会社 Plant model management apparatus and method
JP6136543B2 (en) * 2013-05-01 2017-05-31 村田機械株式会社 Autonomous mobile
JP6260983B2 (en) * 2013-05-24 2018-01-17 株式会社Ihi Self-position estimation apparatus and method

Also Published As

Publication number Publication date
JP2016110576A (en) 2016-06-20

Similar Documents

Publication Publication Date Title
JP6240595B2 (en) Self-position estimation apparatus and mobile body equipped with self-position estimation apparatus
JP6773471B2 (en) Autonomous mobile and environmental map updater
Duisterhof et al. Sniffy bug: A fully autonomous swarm of gas-seeking nano quadcopters in cluttered environments
US10127677B1 (en) Using observations from one or more robots to generate a spatio-temporal model that defines pose values for a plurality of objects in an environment
WO2019124001A1 (en) Moving body behavior prediction device and moving body behavior prediction method
CN109186610B (en) Robust BSLAM method for AUV terrain matching navigation
US11493930B2 (en) Determining changes in marker setups for robot localization
Wang et al. Autonomous flights in dynamic environments with onboard vision
JP6032163B2 (en) 3D object recognition apparatus, 3D object recognition method, and moving body
TWI772743B (en) Information processing device and mobile robot
KR101202108B1 (en) Localizing method for mobile robot
US20210213619A1 (en) Robot and control method therefor
JP2017010234A (en) Moving robot system and moving robot control method
JP6572687B2 (en) Grasping determination method
JP2019152575A (en) Object tracking device, object tracking method, and computer program for object tracking
JP6438354B2 (en) Self-position estimation apparatus and mobile body equipped with self-position estimation apparatus
Neuman et al. Segmentation-based online change detection for mobile robots
US10572802B1 (en) Learning state-dependent sensor measurement models for localization
Li et al. Real time obstacle detection in a water tank environment and its experimental study
Seçkin Adaptive Positioning System Design Using AR Markers and Machine Learning for Mobile Robot
Tsai et al. Cooperative localization using fuzzy decentralized extended information filtering for homogenous omnidirectional mobile multi-robot system
CN112363498A (en) Underwater robot intelligent motion control method based on laser radar
Hassan et al. Real time obstacle motion prediction using neural network based extended Kalman filter for robot path planning: 10.48129/kjs. 18361
US20220400599A1 (en) Work management system
Zhao et al. People following system based on lrf

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20170116

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20171019

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: 20171031

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20171106

R150 Certificate of patent or registration of utility model

Ref document number: 6240595

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

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250