JP7235931B2 - 予測モデル作成装置、予測モデル作成方法及びプログラム - Google Patents
予測モデル作成装置、予測モデル作成方法及びプログラム Download PDFInfo
- Publication number
- JP7235931B2 JP7235931B2 JP2022505712A JP2022505712A JP7235931B2 JP 7235931 B2 JP7235931 B2 JP 7235931B2 JP 2022505712 A JP2022505712 A JP 2022505712A JP 2022505712 A JP2022505712 A JP 2022505712A JP 7235931 B2 JP7235931 B2 JP 7235931B2
- Authority
- JP
- Japan
- Prior art keywords
- prediction model
- distribution
- positioning error
- failure rate
- positioning
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/23—Testing, monitoring, correcting or calibrating of receiver elements
Description
以下、本発明の第一実施形態による測位誤差の予測方法について図1~図4を参照して説明する。
(構成)
図1は、本発明の第一実施形態における予測モデル作成装置の一例を示す図である。図1に示すように予測モデル作成装置10は、データ取得部11と、予測モデル作成部12と、記憶部13と、を備える。
評価部122は、予測モデルMが予測する測位誤差に基づいて算出された失敗率を、観測された測位誤差の分布から算出された失敗率と比較して評価を行う。本実施形態では、測位誤差ではなく、失敗率を評価関数(損失関数)として用いる。
更新部123は、予測モデルMに基づく失敗率に対する評価部122の評価に基づいて、予測モデルMのパラメータを更新する。
衛星測位システムを用いた測位では、同一地点で複数回の測位を行っても、測位誤差は一定ではなくばらつきが生じる。測位誤差とは、衛星測位システムが測位した位置情報の誤差の大きさを示し、例えば、位置情報を中心、測位誤差を半径とする円の範囲で誤差が生じ得ることを示す。本実施形態では、測位誤差のばらつきを確率分布で表す。例えば、ある地点Qを車両で100回走行しながら、地点Qにおける位置情報と測位誤差を衛星測位システムから受信する。例えば、100回のうち測位誤差2[m]が30回、測位誤差3[m]が20回、・・・、測位誤差11[m]が1回観測された場合、地点Pの測位誤差が2[m]である確率は30%、3[m]である確率は20%、・・・、11[m]である確率は1%となる。本実施形態の予測モデルMは、地点Qの地形特徴データ、車両の速度などを入力すると、地点Qで観測される測位誤差の確率分布を出力する。
失敗率fは、次の式(1)で算出する。
f=f2・r2+f3・r3+・・・+f11・r11・・・(1)
ここで、fkは測位誤差がk[m]のときの失敗率、rkは測位誤差がk[m]となる真の確率である。真の確率とは、nkを測位誤差がk[m]が観測された回数、観測回数の合計をNとし、N→∞とした際に想定されるnk÷Nの値である。
rkは一般には観測できないため、nk、Nの値から推定する。nk(k=2,3、・・・11)、Nが既知である場合に、真の確率がrkである事後確率p(r2,r3,・・・,r11|n2,n3,・・・,n11)は、ディリクレ分布に従う。事後確率pを以下の式(2)に示す。
事後確率pがディリクレ分布に従うので、失敗率も分布を持ち、その分布は、以下の式(3)で算出することができる。
f=∫(f2・r2+f3・r3+・・・+f11・r11)×p(r2,r3,・・・,r11|n2,n3,・・・,n11)dr2dr3・・・dr11・・・(3)
予測値算出部121は、式(2)を用いて真の測位誤差分布の推定値を算出し、式(3)によって失敗率の観測値を算出する。さらに本実施形態では、失敗率の真値を式(3)で算出されるfと仮定し、予測モデルMが予測する測位誤差の確率分布と式(1)から算出される失敗率fpredを、式(3)で算出されるfに基づいて評価する。
なお、式(2)ではディリクレ分布によって測位誤差の分布を推定したが、ディリクレ分布ではなく2項分布の積によって算出してもよい。
予測モデルMが予測する測位誤差の確率分布と式(1)から算出される失敗率をfpredとすると、fpredの評価値Lを以下の式(4)のように、観測結果から式(3)によって推定される失敗率の事後確率の、予測値近傍での累積確率とする。ここで、式(4)のbは、失敗率の許容誤差である。
図2、図3は、それぞれ、本開示の予測モデルの作成方法を説明する第1の図、第2の図である。図2は全観測回数が少ない場合、図3は全観測回数が多い場合の図である。
図2(a)は、測位誤差観測回数空間を示すグラフである。n2、n3はそれぞれ、測位誤差2[m]が観測された回数、測位誤差3[m]が観測された回数を示す。説明の便宜のため、n2~n11のうちのn2、n3を取り出して図示している。このことは、以下においても同様である。図2(b)は、測位誤差分布空間を示すグラフである。r2、r3はそれぞれ、測位誤差2[m]が観測される確率、測位誤差3[m]が観測される確率を示す。
図4は、本開示の予測モデル作成処理の一例を示すフローチャートである。
まず、データ取得部11が、学習データを取得する(ステップS11)。例えば、データ取得部11は、複数の地点のそれぞれについて、その地点の地形特徴データ、車両の速度、対象地点を複数回通過した際に観測された測位誤差の大きさとその観測回数、全観測回数を取得する。地形特徴データとは、例えば、対象地点を中心として各方向に存在する建物の数やその高さ、車両が走行した経路(道路の形状)などである。地形特徴データ、車両の速度は何れも対象地点での衛星測位システムからの信号の受信に影響を及ぼす要素である。地形特徴データは、3次元の地図データを解析して得ることができる。車両の速度と測位誤差については、同一の対象地点について、実際に車両を同一方向に同一の速度で複数回走行させ、そのときの速度、衛星測位システムから取得した位置情報、測位誤差情報を記録することによって得ることができる。本実施形態では、地形特徴データ、車両の速度と、測位誤差ごとの観測回数、全観測回数を1組みの学習データとする。例えば、ある地点を10回走行して、測位誤差2[m]が5回、3[m]が3回、4[m]が2回観測された場合、測位誤差ごとの観測回数とは、「測位誤差2[m]が5回、3[m]が3回、4[m]が2回」という情報であり、全観測回数は10回である。データ取得部11は、様々な地形の特徴を有する複数の地点について、学習データを取得し、記憶部13に記録する。
なお、上記例では、地形特徴データと車両の速度を入力すると測位誤差の確率分布を予測する予測モデルMを作成することとしたが、予測モデル作成部12は、地形特徴データを入力すると測位誤差の確率分布を予測する予測モデルMを作成するように構成されていてもよい。このことは、第二実施形態についても同様である。
次に図5~図7を参照して、第二実施形態における予測モデル作成装置について説明する。
図5は、本開示の第二実施形態における予測モデル作成装置の一例を示す図である。予測モデル作成装置10Aは、データ取得部11と、予測モデル作成部12と、記憶部13と、信頼性評価部14と、を備える。第一実施形態と同様の構成については説明を省略する。
予測モデルMがRNN等のネットワークの場合、信頼性評価部14は、ネットワークの要素の一部を故意に欠落させるドロップアウトと呼ばれる手法を適用する。例えば、信頼性評価部14は、所定回数だけ、その都度、異なるネットワークのドロップアウトを行い、同じ入力に対して、ドロップアウト適用済みの予測モデルMが出力する予測値を記録する。信頼性評価部14は、予測モデルMが出力した予測値のばらつきを評価する。ばらつきが大きい場合、予測モデルMによって予測された測位誤差の確率分布の信頼性は低く、ばらつきが小さければ、信頼性は高いと評価する。
図3(c)を用いて説明したように、学習時に、全観測回数が多い場合は予測値fpredが観測失敗率の分布Wと離れていると評価値Lが大きく低下する。反対に、図2(c)を用いて説明したように、全観測回数が少ない場合には予測値fpredが観測失敗率の分布Wと離れていても、分布Wの広がりが大きいため、評価値Lの低下が小さい。この性質を利用して、学習時の観測回数に基づく信頼性の評価として式(2)のディリクレ分布を用いる。ただし、予測モデルMの作成後は、予測値に対応したnk(k=2,3,・・・,11)が存在しないため、nk=N×rkとおいてディリクレ分布を算出する。信頼性評価部14は、ディリクレ分布の広がりが大きい場合、予測モデルMによって予測された測位誤差の確率分布の信頼性は低く(全観測回数が少ない)、広がりが小さければ(全観測回数が多い)、信頼性は高いと評価する。
図6(a)~図6(c)は、全観測回数が多い場合の評価処理を説明する図である。図6(a)は、特徴量空間を示す。特徴量とは予測モデルに入力するパラメータである。点H1は、特徴量g1(例えば、地形の特徴量)の値がG1で、特徴量g2(例えば、車両の速度)の値がG2である入力パラメータを示す。図6(b)は、測位誤差分布空間を示す。点I1は、点H1の入力パラメータを、学習済みの予測モデルMに入力した時の出力、つまり測位誤差の確率分布を示す。分布J1は、ドロップアウト適用時に発生したばらつき、または、全観測回数に応じたばらつき、または、その両方を示す。信頼性評価部14は、学習済みの予測モデルMにドロップアウトを適用して、点H1の入力パラメータを入力したときの予測値を、記憶部13に記録する。信頼性評価部14は、I1が示すr2,r3,・・・,r11(それぞれ、測位誤差=2、3、・・・、11[m]が観測される確率)と、予測モデル作成時の観測回数の合計値N(Nは既知である。)を用いて、nk=N×rk(k=2~11)を算出する。そして、信頼性評価部14は、nk、rk、N、と式(2)により2~11[m]の各測位誤差がそれぞれnk回(k=2~11)ずつ観測されるときの測位誤差の事後確率の分布(ディリクレ分布)を算出する。信頼性評価部14は、算出した事後確率の分布を、記憶部13に記録する。分布J1は、ドロップアウト適用時に記録した予測値をプロットしたもの、算出した事後確率の分布、の何れか又は両方である。分布J1に基づいて、観測失敗率の分布W1を算出すると図6(c)のような分布が得られる。
図7は、本開示の第二実施形態における予測モデルの評価処理の一例を示すフローチャートである。
まず、信頼性評価部14は、モデルの不確かさに基づく信頼性の評価を行う(ステップS21)。信頼性評価部14は、ある予測値に関して、その予測値が得られたときの入力パラメータn値を、ドロップアウトを適用した予測モデルMに入力し、予測値を取得する。信頼性評価部14は、ドロップアウトするネットワークを変えて同様の処理を複数回行い、予測値のばらつきを算出する。
次に信頼性評価部14は、学習時の全観測回数に基づく信頼性の評価を行う(ステップS22)。信頼性評価部14は、評価対象の予測値fpredに関して、nk=N×rkを算出し、式(2)から事後確率の分布を算出する。
次に信頼性評価部14は、予測値を評価する(ステップS23)。信頼性評価部14は、ステップS21、S22で得られた分布の大きさに基づいて、予測値の信頼性を評価する。
コンピュータ900は、CPU901、主記憶装置902、補助記憶装置903、入出力インタフェース904、通信インタフェース905を備える例えばPC(Personal Computer)、サーバ端末装置などである。上述の予測モデル作成装置10,10Aは、コンピュータ900に実装される。そして、上述した各処理部の動作は、プログラムの形式で補助記憶装置903に記憶されている。CPU901は、プログラムを補助記憶装置903から読み出して主記憶装置902に展開し、当該プログラムに従って上記処理を実行する。CPU901は、プログラムに従って、記憶部13に対応する記憶領域を主記憶装置902に確保する。CPU901は、プログラムに従って、処理中のデータを記憶する記憶領域を補助記憶装置903に確保する。
実施形態に記載の予測モデル作成装置10,10A、予測モデル作成方法およびプログラムは、例えば以下のように把握される。
これにより、正確な失敗率が算出可能な測位誤差を予測する予測モデルMを作成することができる。所定の関数とは、失敗率を算出する関数を示し、式(1)や式(3)が所定の関数に該当する。
これにより、失敗率の真の分布を算出することができる。
これにより、正確な失敗率を算出できる予測モデルMを作成することができる。
第4~第6の態様に係る予測モデル作成装置10Aによれば、予測モデルMの作成後であっても、予測モデルMが出力する予測値について、評価を行うことができる。
11 データ取得部
12 予測モデル作成部
121 予測値算出部
122 評価部
123 更新部
13 記憶部
14 信頼性評価部
900 コンピュータ
901 CPU
902 主記憶装置
903 補助記憶装置
904 入出力インタフェース
905 通信インタフェース
Claims (8)
- 衛星測位システムが測位した位置の誤差を示す測位誤差の確率分布を予測する予測モデルを作成する予測モデル作成装置であって、
ある地点の地形の特徴を示す地形特徴データと、前記地点を移動体で複数回通過したときに前記衛星測位システムが観測した前記移動体の位置に対する前記測位誤差および前記測位誤差ごとの観測回数と、を取得するデータ取得部と、
前記地形特徴データを入力すると、前記測位誤差の確率分布を出力する予測モデルを作成する予測モデル作成部と、
前記予測モデルが出力する前記測位誤差の確率分布と、所定の関数と、に基づいて算出される、前記移動体が実際に存在する道と異なる道に存在するという誤認識が生じる可能性の大きさを示す失敗率について、前記失敗率の評価値を、前記測位誤差ごとの観測回数と前記関数に基づいて算出される観測失敗率に基づいて算出する評価部と、
前記評価値が最適値となるように前記予測モデルを更新する更新部と、
を備える予測モデル作成装置。 - 前記測位誤差ごとの観測回数が、前記データ取得部によって取得された前記観測回数となるための前記測位誤差の事後確率の分布と、前記関数と、に基づいて、前記観測失敗率の分布を算出し、該分布を前記失敗率の予測値として出力する予測値算出部、
をさらに備える請求項1に記載の予測モデル作成装置。 - 前記評価部は、前記予測モデルに基づいて算出された前記失敗率を中心とする所定幅の領域と、前記失敗率の予測値が示す分布が占める領域と、が重なる面積を前記評価値として算出し、
前記更新部は、前記評価値が最大となるように前記予測モデルのパラメータを更新する、
請求項2に記載の予測モデル作成装置。 - 前記予測モデルが出力する前記測位誤差の確率分布の予測値に対する信頼性を評価する信頼性評価部、をさらに備える請求項1から請求項3の何れか1項に記載の予測モデル作成装置。
- 前記予測モデルがニューラルネットワークで構築されている場合、前記信頼性評価部は、所定の前記地形特徴データおよび前記移動体の速度を前記予測モデルに入力した場合の、前記予測モデルへのドロップアウトの適用時のばらつきに基づいて、前記信頼性の評価を行う、
請求項4に記載の予測モデル作成装置。 - 前記信頼性評価部は、前記観測回数の合計値の大きさに基づく前記予測値の事後確率の分布の広がりを算出し、前記分布の広がりに基づいて、前記信頼性の評価を行う、
請求項4又は請求項5に記載の予測モデル作成装置。 - 衛星測位システムが測位した位置の誤差の確率分布を示す測位誤差を予測する予測モデルを作成する予測モデル作成方法であって、
ある地点の地形の特徴を示す地形特徴データと、前記地点を移動体で複数回通過したときに前記衛星測位システムが観測した前記移動体の位置に対する前記測位誤差および前記測位誤差ごとの観測回数と、を取得するステップと、
前記地形特徴データを入力すると、前記測位誤差の確率分布を出力する予測モデルを作成するステップと、を有し、
前記予測モデルを作成するステップでは、
前記予測モデルが出力する前記測位誤差の確率分布と、所定の関数と、に基づいて算出される、前記移動体が実際に存在する道と異なる道に存在するという誤認識が生じる可能性の大きさを示す失敗率について、前記失敗率の評価値を、前記測位誤差ごとの観測回数と前記関数に基づいて算出される観測失敗率に基づいて算出し、
前記評価値が最適値となるように前記予測モデルを更新する、
予測モデル作成方法。 - コンピュータに、
衛星測位システムが測位した位置の誤差を示す測位誤差の確率分布を予測する予測モデルを作成する予測モデル作成方法であって、
ある地点の地形の特徴を示す地形特徴データと、前記地点を移動体で複数回通過したときに前記衛星測位システムが観測した前記移動体の位置に対する前記測位誤差および前記測位誤差ごとの観測回数と、を取得するステップと、
前記地形特徴データを入力すると、前記測位誤差の確率分布を出力する予測モデルを作成するステップと、を有し、
前記予測モデルを作成するステップでは、
前記予測モデルが出力する前記測位誤差の確率分布と、所定の関数と、に基づいて算出される、前記移動体が実際に存在する道と異なる道に存在するという誤認識が生じる可能性の大きさを示す失敗率について、前記失敗率の評価値を、前記測位誤差ごとの観測回数と前記関数に基づいて算出される観測失敗率に基づいて算出し、
前記評価値が最適値となるように前記予測モデルを更新する処理、
を実行させるプログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/011219 WO2021181687A1 (ja) | 2020-03-13 | 2020-03-13 | 予測モデル作成装置、予測モデル作成方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2021181687A1 JPWO2021181687A1 (ja) | 2021-09-16 |
JP7235931B2 true JP7235931B2 (ja) | 2023-03-08 |
Family
ID=77672172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022505712A Active JP7235931B2 (ja) | 2020-03-13 | 2020-03-13 | 予測モデル作成装置、予測モデル作成方法及びプログラム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7235931B2 (ja) |
WO (1) | WO2021181687A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113834792B (zh) * | 2021-09-22 | 2023-07-21 | 中国科学院合肥物质科学研究院 | 一种基于max-doas的50米分辨率痕量气体廓线反演方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003215228A (ja) | 2002-01-23 | 2003-07-30 | Hitachi Ltd | 位置表示機能付き移動端末装置及び位置表示方法 |
JP2007203860A (ja) | 2006-02-01 | 2007-08-16 | Xanavi Informatics Corp | 車両速度制御装置および同装置における目標速度設定方法ならびにプログラム |
US20120139775A1 (en) | 2010-12-02 | 2012-06-07 | Honda Motor Co., Ltd. | Method for Testing GNSS-Based Positioning Systems in Obstructed Environments |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0792388B2 (ja) * | 1989-04-17 | 1995-10-09 | 住友電気工業株式会社 | 位置検出装置 |
JP3598597B2 (ja) * | 1995-07-27 | 2004-12-08 | 神鋼電機株式会社 | 無人車の走行制御装置 |
-
2020
- 2020-03-13 WO PCT/JP2020/011219 patent/WO2021181687A1/ja active Application Filing
- 2020-03-13 JP JP2022505712A patent/JP7235931B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003215228A (ja) | 2002-01-23 | 2003-07-30 | Hitachi Ltd | 位置表示機能付き移動端末装置及び位置表示方法 |
JP2007203860A (ja) | 2006-02-01 | 2007-08-16 | Xanavi Informatics Corp | 車両速度制御装置および同装置における目標速度設定方法ならびにプログラム |
US20120139775A1 (en) | 2010-12-02 | 2012-06-07 | Honda Motor Co., Ltd. | Method for Testing GNSS-Based Positioning Systems in Obstructed Environments |
Also Published As
Publication number | Publication date |
---|---|
WO2021181687A1 (ja) | 2021-09-16 |
JPWO2021181687A1 (ja) | 2021-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11009355B2 (en) | Method and apparatus for positioning vehicle | |
Scholte et al. | A nonlinear set‐membership filter for on‐line applications | |
US20170139423A1 (en) | Control system and method for multi-vehicle systems | |
Luders et al. | Robust sampling-based motion planning with asymptotic optimality guarantees | |
EP3382341B1 (en) | Integrity monitoring method for navigation systems with heterogeneous measurements | |
EP1733287B1 (en) | System and method for adaptive path planning | |
Valencia et al. | Localization in highly dynamic environments using dual-timescale NDT-MCL | |
Carr et al. | Counterexample-guided strategy improvement for pomdps using recurrent neural networks | |
Hug et al. | Particle-based pedestrian path prediction using LSTM-MDL models | |
Blanco et al. | A novel measure of uncertainty for mobile robot slam with rao—blackwellized particle filters | |
Mohamed et al. | Population MCMC methods for history matching and uncertainty quantification | |
CN112800616B (zh) | 基于比例加速退化建模的设备剩余寿命自适应预测方法 | |
Maddern et al. | Continuous appearance-based trajectory SLAM | |
CN110889862B (zh) | 一种网络传输攻击环境中多目标跟踪的组合测量方法 | |
Hakobyan et al. | Distributionally robust risk map for learning-based motion planning and control: A semidefinite programming approach | |
Saarinen et al. | Fast 3D mapping in highly dynamic environments using normal distributions transform occupancy maps | |
JP7235931B2 (ja) | 予測モデル作成装置、予測モデル作成方法及びプログラム | |
CN112632202A (zh) | 一种基于高阶隐马尔可夫模型的动态地图匹配方法 | |
Zhang et al. | Neural network based uncertainty prediction for autonomous vehicle application | |
Bouman et al. | Adaptive coverage path planning for efficient exploration of unknown environments | |
Korkin et al. | Multiparticle Kalman filter for object localization in symmetric environments | |
CN110749325A (zh) | 航迹规划方法和装置 | |
Havyarimana et al. | A Hybrid Approach‐Based Sparse Gaussian Kernel Model for Vehicle State Determination during Outage‐Free and Complete‐Outage GPS Periods | |
Ma et al. | A robust fusion terrain-aided navigation method with a single Beam Echo Sounder | |
Hamidi et al. | Prediction of MEMS-based INS error using interval type-2 fuzzy logic system in INS/GPS integration |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220215 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221206 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230131 |
|
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: 20230214 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230224 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7235931 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |