JP6684533B2 - 進路予測装置および進路予測方法 - Google Patents

Description

本発明は、所定の施設内を有人走行する予測対象車両の進路を予測する進路予測装置等に関する。

下記特許文献１に開示されているように、複数の無人搬送車の動作を制御して、工場内において荷物を自動で搬送する技術が知られている。この従来技術では、無人搬送車のみで荷物を搬送することを想定しているため、各無人搬送車を適切に制御していれば、無人搬送車同士が接触する等の問題は避けることができる。

特開２０００−１１８９９５号公報

しかしながら、無人搬送車は、定型的な作業しか行うことができないため、無人搬送車のみで工場などの施設を運営することは現実的には難しい。そこで、有人の作業用車両を併用することになるが、有人の作業用車両を併用した場合、有人の作業用車両の進路を完全に制御することは難しいため、無人搬送車と有人の作業用車両が接触する等の問題が生じる可能性がある。

また、無人搬送車を用いず、有人の作業用車両のみで工場や倉庫等の施設を運営する場合であっても、有人の作業用車両同士、または、有人の作業用車両と作業者とが接触する等の問題が生じる可能性がある。このような問題は、有人走行する予測対象車両の進路を予測することができれば回避することが可能である。

本発明の一態様は、上記の問題点に鑑みてなされたものであり、その目的は、所定の施設内を有人走行する予測対象車両のある時点における状態を考慮した、その時点以後の進路を予測することができる進路予測装置等を提供することにある。

上記の課題を解決するために、本発明の一態様に係る進路予測装置は、所定の施設内で有人走行した車両の有人走行中のある時点における走行に関する情報と、該時点以後に上記車両が進行した進路との相関関係を機械学習させた学習済みモデルを用いて、上記所定の施設内で有人走行する予測対象車両の現時点における走行に関する情報から、現時点以後の上記予測対象車両の進路を予測する予測部を備えている。

また、上記の課題を解決するために、本発明の一態様に係る進路予測方法は、進路予測装置による、所定の施設内で有人走行する予測対象車両の進路予測方法であって、上記所定の施設内で有人走行した車両の有人走行中のある時点における走行に関する情報と、該時点以後に上記車両が進行した進路との相関関係を機械学習させた学習済みモデルを用いて、上記予測対象車両の現時点における走行に関する情報から、現時点以後の上記予測対象車両の進路を予測する予測ステップを含む。

本発明の一態様によれば、所定の施設内を有人走行する予測対象車両の進路を予測することができる。

本発明の実施形態１に係る予測装置の要部構成の一例を示すブロック図である。 上記予測装置による予測対象車両の進路予測の概要を示す図である。 上記予測装置が実行する処理の一例を示すフローチャートである。 本発明の実施形態２に係る予測装置による予測の概要を示す図である。 本発明の実施形態３に係る予測装置の要部構成の一例を示すブロック図である。

〔実施形態１〕
（予測装置による進路予測の概要）
本実施形態の予測装置による予測対象車両の進路予測について図２に基づいて説明する。図２は、本実施形態の予測装置による予測対象車両の進路予測の概要を示す図である。以降、本実施形態の予測装置を「予測装置１」と記載する。予測装置１（進路予測装置）は、有人走行する予測対象車両の、現時点における走行に関する情報（以下、「走行情報」と称する）に基づいて、現時点以降の該予測対象車両の進路を予測する装置である。図２に示す例では、該予測対象車両は、所定の施設内で荷役などの所定の作業を行う作業用車両である有人フォークリフト２である。なお、予測対象車両は、所定の施設内を走行する車両であればよく、有人フォークリフト２に限定されない。

図２の（ａ）（ｂ）には、所定の施設に設けられた走行ルート５上を有人フォークリフト２と無人搬送車３とが走行している様子を示している。走行ルート５には、複数の分岐点（以下、「ノード」と称する）が存在する。図２に示す例では、走行ルート５にノード４Ａ〜４Ｈが存在する。なお、ノード４Ａ〜４Ｈを特に区別する必要がないときには、「ノード４」と記載する。また、ノード４の間のルートを「リンク」と称する場合がある。

有人フォークリフト２は、運転手の制御に基づいて走行ルート５上を走行する。予測装置１（図２には示していない）は、例えば、有人フォークリフト２がノード４のいずれかに到達したときに、有人フォークリフト２の、そのノード４に到達した時点における走行情報に基づいて、有人フォークリフト２の以降の進路を予測する。

一例として、図２の（ａ）では、予測装置１は、有人フォークリフト２がノード４Ａに到達したときに、その時点の走行情報に基づいて有人フォークリフト２の以降の進路を予測する。予測装置１は、例えば、有人フォークリフト２が次に到達するノード４を予測してもよい。図２の（ａ）に示す例では、予測装置１は、有人フォークリフト２が次に到達するノード４がノード４Ｃであると予測している。言い換えれば、予測装置１は、有人フォークリフト２の進路はノード４Ａから４Ｃに向かう進路であると予測している。このように、予測装置１によれば、有人フォークリフト２のある時点における走行情報を考慮した、その時点以後の進路を予測することができる。

上記の予測結果を用いることにより、例えば、予測された進路上に位置する他の車両や作業者などに対して、有人フォークリフト２が到達する前に通知や制御などを行うことができる。図２に示す例では、予測装置１は、上記の予測結果に基づき、有人フォークリフト２と遭遇しないように無人搬送車３を制御している。無人搬送車３は、走行ルート５上を走行しながら荷役などの所定の作業を自動で行う作業用車両である。また、無人搬送車３は、無線通信機能を備えており、この機能を利用して外部から無人搬送車３の走行を制御することができるようになっている。

なお、予測装置１が制御の対象とする車両は、走行ルート５を走行する有人フォークリフト２以外の車両であればよく、無人搬送車３に限られない。一例として、他の車両は、運転手の制御で走行する有人の作業用車両（例えば有人フォークリフト２とは別の有人フォークリフト）であってもよい。ただし、有人フォークリフトを制御対象とした場合、その運転手は自身の操作によらず有人フォークリフトが動作することに混乱してしまうことも想定される。このため、制御の対象とする車両が有人操作の車両である場合、予測装置１はその車両を直接制御するのではなく、その運転者に有人フォークリフト２の接近を報知したり、迂回路を提示したりして、有人フォークリフト２を回避する操作を促してもよい。

図２の（ａ）に示す例では、無人搬送車３には、ノード４Ｃを経由してノード４Ａに向かう予定進路が設定されている。このため、図２の（ａ）に示す例では、予測装置１は、予測した進路を走行する有人フォークリフト２と、無人搬送車３とが遭遇すると判定する。そして、予測装置１は、予測通りの進路を有人フォークリフト２が走行した場合に、有人フォークリフト２と無人搬送車３が遭遇しないように、無人搬送車３を制御する。図２の（ｂ）の例では、予測装置１は、無人搬送車３がノード４Ｃを経由してノード４Ｈに向かうように、すなわち、無人搬送車３が進路変更を行うように、無人搬送車３を制御している。

このように、予測装置１は、無人搬送車３の走行を制御して、有人フォークリフト２と遭遇しないようにするので、これら車両間の接触事故を未然に回避することができる。また、有人フォークリフト２の運転者は、接触事故の回避のための操作を何ら行う必要がないから、運転者に負担をかけることもない。

なお、図２の例では、進路予測の対象となる有人フォークリフト２は１台のみであるが、予測装置１は、複数の予測対象車両の進路予測を行うこともできる。また、予測装置１は、予測対象車両以外の複数の他の車両が走行ルート５を走行している場合、それら複数の他の車両の走行を制御することもできる。また、予測装置１が進路予測する対象が無人搬送車３のみである場合等には、予測装置１を無人搬送車３に搭載してもよい。これにより、有人フォークリフト２の進路を予測しながら自律走行する無人搬送車３を提供することができる。

（予測装置１の要部構成）
予測装置１の要部構成について図１に基づいて説明する。図１は、予測装置１の要部構成の一例を示すブロック図である。図示のように、予測装置１は、予測装置１の各部を統括して制御する制御部１０と、予測装置１が使用する各種データを記憶する記憶部２０とを備えている。さらに、予測装置１は、予測装置１が他の装置と通信するための通信部３０を備えている。他の装置とは、例えば、有人フォークリフト２、無人搬送車３などである。制御部１０には、走行情報生成部１０１、予測部１０２、遭遇判定部１０３、および、車両制御部１０４が含まれている。

走行情報生成部１０１は、有人フォークリフト２のある時点における走行情報を生成する。走行情報は、例えば、有人フォークリフト２の進行方向、行き先、現在位置、出発位置から現在位置までの経路、および、走行速度の少なくとも何れかを示す情報である。本実施形態では、走行情報は、これらすべてを示す情報であるとして説明する。これらの情報は、いずれも有人フォークリフト２の進路に密接に関連する情報であるから、これらの情報を走行情報として用いることにより、有人フォークリフト２の進路を精度よく予測することができる。

一例として、走行情報生成部１０１は、有人フォークリフト２がノード４の何れかに到達したときに、有人フォークリフト２の走行に関する各種情報を取得し、それらの情報に基づいて走行情報を生成する。そして、走行情報生成部１０１は、取得した走行情報を予測部１０２に入力する。詳細は後述するが、走行情報は、予測部１０２が予測に使用する学習済みモデルに入力する入力データである。

走行に関する各種情報の取得方法は特に限定されないが、例えば走行する有人フォークリフト２を撮影した画像を解析することによって取得してもよい。この場合、有人フォークリフト２を撮影するための撮影装置を施設内の各所（例えば各ノードの直上の天井部など）に設置しておいてもよい。走行情報生成部１０１は、この撮影装置で撮影された画像を解析することにより、ノード４を通過する有人フォークリフト２の進行方向と進行速度を特定することができる。また、走行情報生成部１０１は、いずれのノード４に対応する撮影装置に有人フォークリフト２が撮影されたかにより、有人フォークリフト２の現在位置を特定することもできる。また、例えば走行ルート５が設けられている施設に天井などの遮蔽物が設けられておらず、ＧＰＳ（Global Positioning System）が利用可能である場合には、走行情報生成部１０１は、ＧＰＳを利用して有人フォークリフト２の現在位置、進行方向、および、走行速度等を特定してもよい。なお、進行方向、進行速度、および、現在位置は、撮影装置と通信可能に接続された他の装置で特定し、走行情報生成部１０１がその特定結果を取得する構成としてもよい。

走行に関する各種情報のうち、有人フォークリフト２の行き先、および、出発位置から現在位置までの経路については、例えば、有人フォークリフト２の作業予定表から特定可能である。一例として、走行情報生成部１０１は、記憶部２０に予め記憶されている作業予定表を参照して、これらを特定してもよい。別の例として、走行情報生成部１０１は、他の装置から作業予定表を受信して、これらを特定してもよい。また、出発位置から現在位置までの経路については、例えば、有人フォークリフト２の現在位置を随時記録しておくことにより特定することができる。

予測部１０２は、教師ありの機械学習によって生成された学習済みモデルを用いて、有人フォークリフト２の進路を予測する。本実施形態では、予測部１０２は、あるノード４に到達した有人フォークリフト２が次に向かうノード４を予測する。詳細は後述するが、上記学習済みモデルは、ある時点における車両の走行情報と、該時点以後に上記車両が進行した進路との相関関係をニューラルネットワークに機械学習させることにより生成されたものである。

遭遇判定部１０３は、無人搬送車３が、予測部１０２が予測した進路を走行する有人フォークリフト２と遭遇するか否かを判定する。一例として、遭遇判定部１０３は、予測部１０２が予測した有人フォークリフト２の進路と、無人搬送車３の進路とが重なる場合、無人搬送車３が有人フォークリフト２と遭遇すると判定する。

一例として、遭遇判定部１０３は、ある時間帯に有人フォークリフト２が走行していると予想されたリンクと、その時間帯に無人搬送車３が走行を予定しているリンクとが同じリンクである場合に、無人搬送車３が有人フォークリフト２と遭遇すると判定してもよい。例えば、図２の（ａ）の例では、予測部１０２は有人フォークリフト２の進路がノード４Ａから４Ｃに向かう進路であると予測している。よって、遭遇判定部１０３は、ノード４Ａを通過した有人フォークリフト２は、ノード４Ａの通過時点からノード４Ｃに到達するまでの期間、ノード４Ａと４Ｃを結ぶリンクを走行すると判定する。また、遭遇判定部１０３は、上記期間を算出する。例えば、遭遇判定部１０３は、ノード４Ａの通過時点の有人フォークリフト２の速度と、ノード４Ａと４Ｃを結ぶリンクの長さ（ノード４Ａから４Ｃまでの走行距離）から上記期間を算出してもよい。これにより、遭遇判定部１０３は、有人フォークリフト２が上記リンクを走行している期間を特定することができる。また、遭遇判定部１０３は、無人搬送車３の走行スケジュールから、上記期間に無人搬送車３が走行するリンクを特定する。そして、遭遇判定部１０３は、無人搬送車３が走行予定のリンクがノード４Ａと４Ｃを結ぶリンクであれば、無人搬送車３が有人フォークリフト２と遭遇すると判定する。

車両制御部１０４は、遭遇判定部１０３が、無人搬送車３が有人フォークリフト２と遭遇すると判定した場合、予測部１０２が予測した進路を走行する有人フォークリフト２と遭遇しないように、無人搬送車３を制御する。一例として、車両制御部１０４は、無人搬送車３が、有人フォークリフト２が走行すると予測されたリンクに侵入する前に、無人搬送車３に制御信号を送信することで、無人搬送車３に進路変更させる。また、車両制御部１０４は、例えば無人搬送車３の走行速度を変更させる、あるいは無人搬送車３を一時停止させる等の制御によって、無人搬送車３を有人フォークリフト２と遭遇しないように走行させてもよい。

（学習済みモデルについて）
本実施形態の予測部１０２が、有人フォークリフト２の進路を予測するために用いる学習済みモデルについて説明する。なお、以下では、ニューラルネットワーク（ＮＮ：Neural Network）の学習済みモデルを生成する例を説明するが、有人フォークリフト２の進路を予測することが可能な学習済みモデルを構築できるものであれば、他のアルゴリズムを適用することも可能である。ＮＮの学習済みモデルを生成する場合、高い特定精度が期待できる多層のＮＮの学習済みモデルを生成することが好ましい。

上記学習済モデルの生成には、教師データとして、過去にある有人フォークリフトが走行ルート５を走行したときの、ある時点の走行情報と、該時点以降に該有人フォークリフトが進行した進路とが対応付けられたデータを用いることができる。本実施形態では、「ある時点」が、有人フォークリフトがノード４のいずれかに到達した時点であるとして説明する。この有人フォークリフトは、有人フォークリフト２、すなわち、進路の予測対象の有人フォークリフトでなくてもよい。なお、これらのデータのうち、走行情報が入力データとなり、進路が正解データである。

上記進路は、例えば、到達したノード４から、いずれのノード４へ向かったかを示す情報であってもよい。一例として、図２において、到達したノード４がノード４Ａである場合、進路はノード４Ｂ、ノード４Ｃ、およびノード４Ｄのいずれかである。別の例として、到達したノード４がノード４Ｂである場合、進路はノード４Ｅおよびノード４Ｆのいずれかである。これらの取り得る進路のうち、実際に有人フォークリフトが取った進路に対応するノード４が正解データとなる。なお、正解データは、有人フォークリフトが進行した進路を示すデータであればよく、進路上のノード４を示すデータに限定されない。

過去の走行について、このような教師データをそれぞれ生成し、生成した教師データを用いて機械学習を行うことにより、予測部１０２の学習済みモデルを生成することができる。この学習済みモデルに、走行情報生成部１０１が生成した入力データすなわち走行情報を入力することにより、各ノード４について、そのノード４に有人フォークリフト２が進む確率がそれぞれ出力される。そして、予測部１０２は、有人フォークリフト２が次に進み得るノード４の中で、出力された確率が最も高いノード４を、有人フォークリフト２が次に進むノード４であると予測する。例えば、有人フォークリフト２の現在位置がノード４Ａである場合には、予測部１０２は、学習済みモデルからノード４Ａ〜４Ｈのそれぞれについて出力された確率のうち、ノード４Ａに隣接するノード４Ｂ〜４Ｄの確率を参照する。そして、予測部１０２は、ノード４Ｂ〜４Ｄのうち、出力された確率が最も高いノード４を、有人フォークリフト２が次に進むノード４であると予測する。

なお、本実施形態のように、有人フォークリフト２がノード４のいずれかに到達した時点で予測を行う場合、ノード４ごとにそのノード４から次に何れのノード４に進んだかを学習させた学習済みモデルを構築しておいてもよい。この場合、予測部１０２は、有人フォークリフト２が到達したノード４に応じた学習済みモデルを用いて進路を予測する。なお、この場合、学習済みモデルへの入力データに現在位置を示す情報を含める必要はない。

（処理の流れ）
予測装置１が実行する処理の流れを図３に基づいて説明する。図３は、予測装置１が実行する処理（進路予測方法）の一例を示すフローチャートである。

Ｓ１では、走行情報生成部１０１が、有人フォークリフト２の走行に関する各種情報の取得を待機する状態となっている。有人フォークリフト２がノード４のいずれかに到達した場合、走行情報生成部１０１は、該各種情報を取得し（Ｓ１でＹＥＳ）、Ｓ２において、該各種情報に基づいて走行情報を生成する。走行情報生成部１０１は、生成した走行情報を予測部１０２に入力する。

Ｓ３（予測ステップ）では、予測部１０２が、有人フォークリフト２の進路を予測する。具体的には、予測部１０２は、Ｓ２で生成された走行情報を上述の学習済みモデルに入力し、該学習済みモデルの出力に基づいて、有人フォークリフト２が次に進むノード４を特定する。予測部１０２は、予測した進路を示す情報、すなわち特定した上記ノード４を示す情報を遭遇判定部１０３へ出力する。

Ｓ４では、遭遇判定部１０３が、予測部１０２が予測した有人フォークリフト２の進路と、無人搬送車３の進路とが重なるか否かを判定する。ここで、これら２つの進路が重ならないと判定された場合（Ｓ４でＮＯ）にはＳ１の処理に戻る。一方、これら２つの進路が重なると判定された場合（Ｓ４でＹＥＳ）には、遭遇判定部１０３は、判定結果を車両制御部１０４へ通知し、処理はＳ５に進む。

Ｓ５では、車両制御部１０４が、予測部１０２が予測した進路を走行する有人フォークリフト２と遭遇しないように、無人搬送車３を制御する。これにより、車両間の接触事故を未然に回避することができる。Ｓ５の終了後、処理はＳ１に戻る。

（実施形態１のまとめ）
以上のように、予測装置１は、有人フォークリフト２の現時点における走行情報から、現時点以後の有人フォークリフト２の進路を予測する予測部１０２を備えている。この予測部１０２は、所定の施設内で有人走行した車両（例えば有人フォークリフト）の有人走行中のある時点における走行情報と、該時点以後に上記車両が進行した進路との相関関係を機械学習させた学習済みモデルを用いて進路を予測する。このように、予測装置１によれば、所定の施設内を有人走行する有人フォークリフト２の進路を予測することができる。

また、予測装置１は、上記予測結果を利用するために、遭遇判定部１０３と車両制御部１０４とを備えている。遭遇判定部１０３は、上記所定の施設内で走行する無人搬送車３が、予測部１０２が予測した進路を走行する有人フォークリフト２と遭遇するか否かを判定する。そして、車両制御部１０４は、遭遇判定部１０３が遭遇すると判定したとき、予測部１０２が予測した進路を走行する有人フォークリフト２と遭遇しないように無人搬送車３を制御する。これにより、予測装置１は、有人フォークリフト２と無人搬送車３との接触事故を未然に回避することができる。また、無人搬送車３を制御するため、有人フォークリフト２の運転者は、接触事故の回避のための操作を何ら行う必要がない。従って、該運転者に負担をかけることもない。

〔実施形態２〕
本発明の他の実施形態について、以下に説明する。なお、説明の便宜上、上記実施形態１にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。実施形態３以降も同様である。

実施形態１の予測装置１は、あるノード４に到達した有人フォークリフト２が次に進むノード４を予測する。これに対して、本実施形態の予測装置１は、予測した進路にノード４（分岐点）がある場合に、分岐後の進路をさらに予測する。これにより、本実施形態の予測装置１は、有人フォークリフト２が次に進むノード４を予測する場合と比べて、より早期に有人フォークリフト２との接触回避のための処理（無人搬送車３の制御や施設内の作業者への報知など）を実行することが可能になる。

本実施形態の予測装置１による予測の概要を図４に基づいて説明する。図４は、本実施形態の予測装置１による予測の概要を示す図である。図４の（ａ）に示す例では、有人フォークリフト２は、ノード４Ａに位置している。この状態において、本実施形態の予測部１０２は、上記実施形態と同様にして、有人フォークリフト２が次に進むノード４を予測する。以下、この予測を第１の予測と呼ぶ。図４の（ａ）に示す例では、ノード４Ａと４Ｂとの間に破線矢印で示しているように、第１の予測では、有人フォークリフト２は次にノード４Ｂに進むと予測されたことを想定している。

次に、本実施形態の走行情報生成部１０１は、有人フォークリフト２の現在位置をノード４Ｂであるとした走行情報を生成する。なお、生成する走行情報は、第１の予測に用いた走行情報から、現在位置を示す情報のみ変更したものとしてもよい。また、走行情報に出発位置から現在位置までの経路を示す情報が含まれている場合には、走行情報生成部１０１は、第１の予測に用いた経路に、第１の予測の結果である経路（図４の例ではノード４Ａから４Ｂまでの経路）を追加して、経路を示す情報としてもよい。

そして、予測部１０２は、生成された上記走行情報を用いて、有人フォークリフト２がノード４Ｂの次に進むノード４を予測する。以下、この予測を第２の予測と呼ぶ。図４の（ａ）に示す例では、ノード４Ｂの左方に破線矢印で示しているように、第２の予測では、有人フォークリフト２は次にノード４Ｅに進むと予測されたことを想定している。

このように、予測部１０２は、第１の予測で予測した進路にノード４Ｂがある場合に、有人フォークリフト２のノード４Ｂにおける走行情報から、ノード４Ｂで有人フォークリフト２がいずれの分岐に進むかをさらに予測する（第２の予測）。これにより、より早期に有人フォークリフト２と他の車両や作業者との接触回避のための処理を実行することが可能になる。例えば、図４の（ａ）に示すように、遭遇判定部１０３は、有人フォークリフト２がノード４Ａを走行している時点で、ノード４Ｂと４Ｅを結ぶリンクにおいて、有人フォークリフト２が無人搬送車３と遭遇すると予測することができる。よって、車両制御部１０４は、図４の（ｂ）に示すように、早い段階で無人搬送車３の進路を変更させることができる。

なお、同様にして、第２の予測により有人フォークリフト２が進むことが予測されたノード４で有人フォークリフト２がいずれの分岐に進むかを予測（第３の予測）することもできる。また、この予測を繰り返すことにより、有人フォークリフト２の行き先を予測することもできる。また、予測部１０２は、あるノード４に到達した有人フォークリフトが、次の次に到達したノード４を正解データとした教師データを用いた機械学習により構築した学習済みモデルを用いてもよい。このような構成であっても、有人フォークリフト２が次の次に到達するノード４を予測することもできる。

〔実施形態３〕
本実施形態の予測装置１は、無人搬送車３が有人フォークリフト２の近くに存在する場合に限り、有人フォークリフト２の進路の予測を行う点で、実施形態１および２の予測装置１と異なっている。これについて、図５に基づいて説明する。図５は、本実施形態に係る予測装置１の要部構成を示す図である。図５に示すように、本実施形態の予測装置１の制御部１０には、無人搬送車検出部１０５が含まれている。

無人搬送車検出部１０５は、有人フォークリフト２から所定範囲内に存在する無人搬送車３を検出する。上記所定範囲は、有人フォークリフト２の現在位置を基準に設定すればよい。例えば、無人搬送車検出部１０５は、走行ルート５のうち、有人フォークリフト２の現在位置から所定の走行距離の範囲のルートを上記所定範囲内としてもよいし、上記現在位置から所定距離の範囲（例えば上記現在位置を中心とする円形の範囲）のルートを上記所定範囲内としてもよい。また、無人搬送車検出部１０５は、後述するように、ノード４を基準として上記所定範囲を設定してもよい。なお、無人搬送車検出部１０５は、有人フォークリフト２の現在位置が移動するのに応じて上記所定範囲も更新する。

本実施形態では、無人搬送車検出部１０５が、ノード４を基準として上記所定範囲を設定する例を説明する。具体的には、無人搬送車検出部１０５は、有人フォークリフト２が位置しているノード４と、該ノード４に隣接するノード４とを結ぶリンクを上記所定範囲とする。例えば、有人フォークリフト２の現在位置がノード４Ａである場合、無人搬送車検出部１０５は、ノード４Ａと４Ｂの間のリンク、ノード４Ａと４Ｃの間のリンク、および、ノード４Ａと４Ｄの間のリンクを上記所定範囲とする。

以上のようにして上記所定範囲を設定した無人搬送車検出部１０５は、その所定範囲内に無人搬送車３が存在するか否かを判定する。無人搬送車３の現在位置を特定する方法は特に限定されない。例えば、無人搬送車検出部１０５は、無人搬送車３の走行予定、すなわち無人搬送車３がいずれの時点でいずれの位置を走行するかを示す情報を参照して、無人搬送車３の現在位置を特定してもよい。また、無人搬送車検出部１０５は、上記実施形態で説明した、有人フォークリフト２の現在位置を特定するための方法を用いて無人搬送車３の現在位置を特定してもよい。

そして、本実施形態の走行情報生成部１０１は、無人搬送車検出部１０５が、上記所定範囲内に無人搬送車３が存在すると判定したことを契機として走行情報を生成する。その後は、上述の各実施形態と同様に、生成された上記走行情報を用いて予測部１０２が有人フォークリフト２の進路を予測する。このように、本実施形態の予測装置１は、無人搬送車検出部１０５を備えているので、無人搬送車３が有人フォークリフト２の近くに存在している状況、つまり有人フォークリフト２の進路予測の必要性が高い状況となったときに進路予測を行うことができる。これにより、進路を予測する処理の実行回数を必要最小限に抑え、予測装置１の処理負荷を抑えることができる。

〔変形例〕
（道幅の考慮）
有人フォークリフト２と無人搬送車３が走行する走行ルート５には、有人フォークリフト２と無人搬送車３が行き違いできる程度の比較的広い道幅の走行ルート（以下、幅広ルート）と、行き違いできない道幅の走行ルート（以下、幅狭ルート）が含まれ得る。この場合、車両制御部１０４は、有人フォークリフト２との行き違いが幅広ルートで行われるように、無人搬送車３の走行を制御してもよい。言い換えれば、車両制御部１０４は、有人フォークリフト２と無人搬送車３が遭遇すると判定されたリンクが幅狭ルートであれば無人搬送車３の進路変更を行う一方、上記リンクが幅広ルートであれば予定通り無人搬送車３にそのリンクを走行させてもよい。これにより、有人フォークリフト２と無人搬送車３が行き違いできずに立ち往生したり衝突したりする等の問題の発生を回避しつつ、無人搬送車３の走行の自由度をさらに高めることができる。また、無人搬送車３の進路変更の回数を必要最小限とすることができるため、無人搬送車３の作業効率の低下を抑えることができる。

なお、走行ルート５のうち何れのルートが幅広ルートであるかは予め調べて記憶しておいてもよいし、走行ルート５を撮影した画像の解析等によって特定してもよい。走行ルート５の撮影は、工場内に設置した撮影装置で行ってもよいし、有人フォークリフト２および無人搬送車３の少なくとも何れかに撮影装置を搭載し、その撮影装置で行ってもよい。

また、有人フォークリフト２との遭遇が予想された幅広ルートを無人搬送車３に走行させる場合、車両制御部１０４は、有人フォークリフト２と無人搬送車３とが衝突する可能性が低減されるように、無人搬送車３を制御することが好ましい。例えば、車両制御部１０４は、遭遇が予想されたリンク内では無人搬送車３の走行速度を当該リンク外よりも遅くしてもよいし、無人搬送車３を幅広ルートの端に寄せて停止させてもよい。また、これらの措置に加えて、車両制御部１０４は、無人搬送車３の存在を有人フォークリフト２の運転者に通知してもよい。これにより、有人フォークリフト２と無人搬送車３とが衝突する可能性を低減できる。

また、有人フォークリフト２の走行速度が速い場合には、ある程度道幅が広かったとしても、有人フォークリフト２と無人搬送車３とが衝突する可能性が懸念される。そこで、一例として、有人フォークリフト２の走行速度が閾値以上である場合には、車両制御部１０４は、有人フォークリフト２との遭遇が予想されたリンクが幅広ルートであっても、そのリンクを避けるように無人搬送車３を走行させてもよい。また、他の例として、車両制御部１０４は、幅広ルートの中でも特に道幅が広く、有人フォークリフト２が比較的高速で移動していても無人搬送車３と衝突する可能性が低い走行ルートについてのみ、有人フォークリフト２との遭遇が予想されたリンク内であっても無人搬送車３の走行を許容してもよい。

（報知による衝突回避）
進路予測の結果に基づいて予測装置１が実行する処理は、無人搬送車３の制御に限定されない。例えば、予測装置１は、有人フォークリフト２を運転する運転者に、無人搬送車３の存在を報知してもよい。該報知の態様は特に限定されない。例えば、有人フォークリフト２がスピーカ等の音声出力装置を備えている場合には、予測装置１は、該音声出力装置に無人搬送車３の存在を報知するメッセージを出力させてもよい。また、例えば、有人フォークリフト２が表示装置を備えている場合には、予測装置１は、該表示装置に上記のようなメッセージを表示させることにより運転者への報知を行ってもよい。また、この場合、無人搬送車３の予定進路や、遭遇が予測される位置を示す情報についても表示させてもよい。この他にも、例えば有人フォークリフト２が点灯部を備えている場合には、予測装置１は、該点灯部を点灯あるいは点滅させることにより運転者への報知を行ってもよい。また、予測装置１が上記の報知を行わせる対象も有人フォークリフト２に限られず、例えば運転者が所持する携帯端末装置等に報知させてもよい。

また、例えば、予測装置１は、走行ルート５を有人フォークリフト２と異なる他の有人走行の作業用車両が走行している場合、該作業用車両を運転する運転者に、有人フォークリフト２と遭遇する可能性があることを報知してもよい。該報知の態様は特に限定されない。例えば、上述した音声出力装置、表示装置、または点灯部による報知を行なってもよい。

また、有人フォークリフト２と遭遇する可能性があることを報知する報知対象は、有人走行する作業用車両の運転者に限定されない。例えば、報知対象は、車両に乗車することなく作業を行っている作業者であってもよい。該作業者に報知する場合、予測装置１は、例えば、該作業者が保持している鳴動装置を鳴動させることにより、有人フォークリフト２と遭遇する可能性があることを報知してもよい。

（確率値による予測）
上記実施形態では、学習済みモデルから出力される確率が最も高いノード４を、有人フォークリフト２の進路としているが、予測部１０２は、学習済みモデルから出力される確率の値を予測結果として出力してもよい。この場合、車両制御部１０４は、予測部１０２が出力する確率に基づいて無人搬送車３の制御を行う。例えば、車両制御部１０４は、予測部１０２が、あるノード４について出力した確率が所定の閾値未満であればそのノード４およびそのノード４から延びるリンクを無人搬送車３に走行させ、閾値以上であればそれらノード４およびリンクを走行させないようにしてもよい。

（有人フォークリフトに関する情報を考慮した予測）
有人フォークリフト２について、その車種、車体サイズ、作業内容、および運転者等に応じて、走行するルートに一定の傾向がみられる場合、これらの情報を考慮して有人フォークリフト２の進路を予測してもよい。これにより、予測精度をさらに高めることができる。具体的には、走行情報生成部１０１が、上記のような情報を含む走行情報を生成し、予測部１０２が、上記のような情報を含む入力データで機械学習した学習済みモデルに上記走行情報を入力することにより、進路を予測してもよい。また、例えば、有人フォークリフト２の車種、車体サイズ、作業内容、および運転者等に応じた学習済みモデルを構築しておいてもよい。この場合、予測部１０２は、有人フォークリフト２の車種、車体サイズ、作業内容、および運転者等を特定し、その特定結果に応じた学習済みモデルを用いて進路を予測する。

〔教師データ生成と学習済みモデルの更新について〕
上記各実施形態で説明した予測装置１の制御部１０には、有人フォークリフト２の進路の予測に用いた走行情報に対し、実際に有人フォークリフト２が走行した進路を正解データとして対応付けて教師データを生成する教師データ生成部が含まれていてもよい。さらに、上記制御部１０には、上記教師データ生成部が生成した教師データを用いた再学習を行い、予測部１０２が使用する学習済みモデルを更新する学習部が含まれていてもよい。なお、実際に有人フォークリフト２が走行した進路は、走行情報生成部１０１が取得する、有人フォークリフト２の現在位置を示す情報から特定することができる。

これにより、予測装置１が有人フォークリフト２の進路を予測する度に教師データが蓄積され、蓄積された教師データにより予測部１０２の学習済みモデルが更新されるので、有人フォークリフト２の進路予測の精度を維持または向上させることができる。

〔分散処理について〕
上記各実施形態で説明した予測装置１の実行する処理の一部は、予測装置１と通信接続された１または複数の装置に実行させてもよい。例えば、予測部１０２以外の各部が実行する処理を、予測装置１と通信接続された装置に実行させてもよい。この例の場合、予測装置１は、ＡＩサーバであってもよい。また、例えば、予測装置１は、進路の予測を行い、その予測結果を用いた報知や制御を他の装置に実行させる構成としてもよい。

〔ソフトウェアによる実現例〕
予測装置１の制御ブロック（特に制御部１０に含まれる各部）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。

後者の場合、予測装置１は、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータを備えている。このコンピュータは、例えば１つ以上のプロセッサを備えていると共に、上記プログラムを記憶したコンピュータ読み取り可能な記録媒体を備えている。そして、上記コンピュータにおいて、上記プロセッサが上記プログラムを上記記録媒体から読み取って実行することにより、本発明の目的が達成される。上記プロセッサとしては、例えばＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）を用いることができる。上記記録媒体としては、「一時的でない有形の媒体」、例えば、ＲＯＭ（Read Only Memory）等の他、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムを展開するＲＡＭ（Random Access Memory）などをさらに備えていてもよい。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。なお、本発明の一態様は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。

本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。

１ 予測装置（進路予測装置）
２ 有人フォークリフト（予測対象車両）
３ 無人搬送車（他の車両）
１０２ 予測部
１０３ 遭遇判定部
１０４ 車両制御部

Claims (3)

1. 所定の施設内で有人走行した車両の有人走行中のある時点における走行に関する情報と、該時点以後に上記車両が進行した進路との相関関係を機械学習させた学習済みモデルを用いて、上記所定の施設内で有人走行する予測対象車両の現時点における走行に関する情報から、現時点以後の上記予測対象車両の進路を予測する予測部と、
   上記所定の施設内で走行する、上記予測対象車両と異なる他の車両が、上記予測部が予測した進路を走行する上記予測対象車両と遭遇するか否かを判定する遭遇判定部と、
   上記遭遇判定部が遭遇すると判定したとき、上記予測部が予測した進路を走行する上記予測対象車両と遭遇しないように上記他の車両の進路を変更する車両制御部とを備え、
   上記走行に関する情報は、上記予測対象車両の行き先および出発位置から現在位置までの経路の少なくとも一方を示す情報である
   ことを特徴とする進路予測装置。
2. 上記予測部は、予測した上記予測対象車両の進路に分岐点がある場合に、上記予測対象車両の上記分岐点における走行に関する情報から、上記分岐点で上記予測対象車両がいずれの分岐に進むかをさらに予測する、
   ことを特徴とする請求項１に記載の進路予測装置。
3. 進路予測装置による、所定の施設内で有人走行する予測対象車両の進路予測方法であって、
   上記所定の施設内で有人走行した車両の有人走行中のある時点における走行に関する情報と、該時点以後に上記車両が進行した進路との相関関係を機械学習させた学習済みモデルを用いて、上記予測対象車両の現時点における走行に関する情報から、現時点以後の上記予測対象車両の進路を予測する予測ステップと、
   上記所定の施設内で走行する、上記予測対象車両と異なる他の車両が、上記予測ステップにて予測した進路を走行する上記予測対象車両と遭遇するか否かを判定するステップと、
   上記遭遇するか否かを判定するステップにて遭遇すると判定したとき、上記予測ステップにて予測した進路を走行する上記予測対象車両と遭遇しないように上記他の車両の進路を変更するステップと、を含み、
   上記走行に関する情報は、上記予測対象車両の行き先および出発位置から現在位置までの経路の少なくとも一方を示す情報である
   ことを特徴とする進路予測方法。

Images