JP7302161B2 - 情報処理装置、情報処理システム、および情報処理方法、並びにプログラム - Google Patents
情報処理装置、情報処理システム、および情報処理方法、並びにプログラム Download PDFInfo
- Publication number
- JP7302161B2 JP7302161B2 JP2018218123A JP2018218123A JP7302161B2 JP 7302161 B2 JP7302161 B2 JP 7302161B2 JP 2018218123 A JP2018218123 A JP 2018218123A JP 2018218123 A JP2018218123 A JP 2018218123A JP 7302161 B2 JP7302161 B2 JP 7302161B2
- Authority
- JP
- Japan
- Prior art keywords
- home
- data
- information
- probability
- house
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0838—Historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0833—Tracking
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Educational Administration (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Telephonic Communication Services (AREA)
Description
しかし、荷物の配送を行う場合、配送先の家が不在であると荷物の配送を行うことができないという問題がある。
住宅に人がいるか否かの在宅推定を行うデータ処理部を有し、
前記データ処理部は、
住宅外部の外部特徴情報に基づいて在宅推定を実行する情報処理装置にある。
移動装置と、管理サーバを有する情報処理システムであり、
前記移動装置のセンサが、住宅外部の外部特徴情報を取得して、前記管理サーバに送信し、
前記管理サーバが、
前記外部特徴情報に基づいて、住宅に人がいるか否かの在宅推定を行う情報処理システムにある。
情報処理装置において実行する情報処理方法であり、
前記情報処理装置は、住宅に人がいるか否かの在宅推定を行うデータ処理部を有し、
前記データ処理部が、
住宅外部の外部特徴情報に基づいて在宅推定を実行する情報処理方法にある。
移動装置と、管理サーバを有する情報処理システムにおいて実行する情報処理方法であり、
前記移動装置のセンサが、住宅外部の外部特徴情報を取得して、前記管理サーバに送信し、
前記管理サーバが、
前記外部特徴情報に基づいて、住宅に人がいるか否かの在宅推定を行う情報処理方法にある。
情報処理装置において情報処理を実行させるプログラムであり、
前記情報処理装置は、住宅に人がいるか否かの在宅推定を行うデータ処理部を有し、
前記プログラムは、前記データ処理部に、
住宅外部の外部特徴情報に基づいて在宅推定を実行させるプログラムにある。
具体的には、例えば、住宅に人がいるか否かの在宅推定を行うデータ処理部を有する。データ処理部は住宅外部から観測可能な外部特徴情報に基づいて算出された在宅確率データに基づく在宅推定を実行する。在宅確率データは日時に応じて変化するデータであり、在宅確率データから現在日時対応の在宅確率を算出する。データ処理部は住宅の種類に応じて異なる在宅推定ルールと、外部特徴情報との照合処理を実行して、在宅確率を算出する。情報処理装置は自律走行可能な移動装置であり、移動装置のセンサが住宅外部から観測可能な外部特徴情報を取得する。
本構成により、移動装置のセンサが住宅外部から観測可能な外部特徴情報を取得して、住宅に人がいるか否かの在宅推定を行う構成が実現される。
なお、本明細書に記載された効果はあくまで例示であって限定されるものではなく、また付加的な効果があってもよい。
1.本開示の移動装置の実行する処理の概要について
2.(実施例1)住宅の観測情報と在宅推定ルールとの照合に基づく在宅確率データの算出と更新処理について
3.(実施例2)配達の成否に基づく在宅・不在推定を実行する処理について
4.(実施例3)住宅の観測情報と在宅推定ルールとの照合に基づく在宅確率データの算出と更新処理を行うとともに、配達の成否に基づく在宅・不在推定を実行する処理について(実施例1+2)
5.移動装置の構成例について
6.その他の装置のハードウェア構成例について
7.本開示の構成のまとめ
まず、図1以下を参照して本開示の情報処理装置である移動装置の実行する処理の概要について説明する。
本開示の移動装置は、例えばマンション、あるいは、住宅街等、多数の家が集まっている地域において、各住宅に荷物を配送する自走式の移動装置である。例えば、マンションの入り口で、配送会社のトラックからそのマンションの各住宅に配送する複数の荷物を降ろして移動装置の荷台に積み替えて、配送先となる住宅に順次、荷物を配送する処理を行う。
図1(A)に示すように、移動装置10は、すでに荷台に配送する複数の荷物11を搭載している。
荷台に搭載された複数の荷物11は、図1(A)に示すように、移動装置10の走行領域内の家を配送先とした荷物である。すなわち、以下の4つの荷物を搭載している。
A宅宛荷物、
B宅宛荷物、
C宅宛荷物、
D宅宛荷物、
移動装置10は、まず、移動装置10内のメモリ、あるいは移動装置10と通信可能な管理サーバから移動領域内の各住宅の在宅確率データを取得する。
各住宅の在宅確率は、移動装置10に装着されたカメラ等のセンサの取得情報によって解析される住宅の周囲状況や、過去の配送実績に基づいて算出される。この処理の具体例については後述する。
最後に、移動装置10は、各住宅の在宅確率データに基づいて決定した荷物の配送ルートに従って荷物の配送を行う。
移動装置10は、この推定結果に基づいて、在宅推定のなされたB宅とC宅を配送先とする配送ルートを決定し、この決定した配送ルートに従って配送処理を実行する。
図1(B)に示すように、移動装置10は、スタート位置から走行を開始し、スタート位置から在宅推定のなされたB宅で「B宅宛荷物」を配送し、その後、在宅推定のなされたC宅に向かい、C宅で「C宅宛荷物」を配送する。
不在推定のなされたA宅とD宅への荷物配送は、例えば、在宅確率データに基づいて、在宅確率が高いと推定される日時に実行することになる。
このように、本開示の移動装置は、予め生成された各戸の在宅確率データに基づいて配送ルートを決定して配送処理を行う。
このような処理を行うことで、無駄な走行処理や配送処理を行うことなく効率的に荷物を配送することが可能となる。
管理サーバ20は、これらの情報を利用して、各住宅の在宅確率の算出や、配送ルート決定等のデータ処理を実行し、決定した配送ルートを各移動装置10に送信する。
移動装置10は、管理サーバ20の決定したルートに従った配送処理を行う。
なお、移動装置10と管理サーバ20が共同してデータ処理を行う場合の処理区分は、様々な設定が可能である。
図3(S01)には、宅配先の在宅確率データの例として、A宅とB宅の2つの配送先住宅のデータ例を示している。
各グラフの横軸が時間であり、縦軸が在宅確率(%)である。いずれもある1日の在宅確率データを示している。
図4には、在宅確率の算出に適用可能な情報(外観的特徴)例として、以下の3種類の情報を示している。
(a)部屋の照明
(b)自転車
(c)傘
(b)自転車が置いてあれば「在宅」と推定し、置かれていない場合は「不在」と推定することができる。
(c)傘が置いてあれば「在宅」と推定し、置かれていない場合は「不在」と推定することができる。
なお、これらの情報(外観的特徴)は、各住宅に対応付けられた在宅推定用の情報であり、移動装置10または管理サーバ20は、これらの外観的特徴に基づく学習処理を実行して、蓄積した学習データに基づいて、先に図3を参照して説明した在宅確率データを生成、更新する。
この「在宅推定ルール」は、配送先住宅の種類、例えば、マンション、一戸建て等、住宅の種類によって異なる。
図5、図6を参照して、マンションと、一戸建ての各住宅タイプに応じて適用する「在宅推定ルール」の例について説明する。
(1)部屋の照明
(2)自転車
(3)傘
(4)ドア、窓、シャッター
(5)カーテン
なお、住宅タイプがマンション、アパート等の共同住宅の場合、その各部屋に対して推定ルールを適用する。
(2)自転車が置いてあれば「在宅」と推定し、置かれていない場合は「不在」と推定する。
(3)傘が置いてあれば「在宅」と推定し、置かれていない場合は「不在」と推定する。
(4)ドア、窓、シャッターのいずれかが開いていれば「在宅」と推定し、いずれも閉じられている場合は「不在」と推定する。
(5)カーテンについては、昼間と夜間で異なる推定を行う。昼間の場合は、カーテンが開いていれば「在宅」と推定し、閉じられている場合は「不在」と推定する。一方、夜間の場合は、カーテンが開いていれば「不在」と推定し、閉じられている場合は「在宅」と推定する。
(1)部屋の照明
(2)自転車
(3)傘
(4)ドア、窓、シャッター
(5)カーテン
(6)洗濯物
(7)エアコン室外機
(8)ペット
(6)洗濯物は、洗濯物が外に干してあれば「在宅」と推定し、なければ「不在」と推定する。
(7)エアコン室外機は、エアコン室外機が動作していれば「在宅」と推定し、動作していなければ「不在」と推定する。
(8)ペットについては、ペットがいれば「在宅」と推定し、いなければ「不在」と推定する。
この取得情報が、学習処理データとして利用される。
具体例について、図7、図8を参照して説明する。
(a)通常時の一日の在宅確率データ
(b)在宅確率減少特異日(年末年始等)の一日の在宅確率データ
図7の(a),(b)のグラフを比較して理解されるように、(b)在宅確率減少特異日(年末年始等)の一日の在宅確率データは、(a)通常時の一日の在宅確率データより、在宅確率が低下している。
(a)通常時の一日の在宅確率データ
(b)在宅確率増加特異日(テレビ視聴率高イベント(オリンピック等)開催日等)の一日の在宅確率データ
図8の(a),(b)のグラフを比較して理解されるように、(b)在宅確率増加特異日の一日の在宅確率データは、(a)通常時の一日の在宅確率データより、在宅確率が上昇している。
移動装置10は、現在日時に応じて、その日時対応の在宅確率データを取得して、取得したデータに基づいて在宅確率を推定する処理を行う。
次に、本開示の実施例1として、住宅の観測情報と在宅推定ルールとの照合に基づいて在宅確率データを算出し、更新する処理例について説明する。
この「在宅推定ルール」は、配送先住宅の種類、例えば、マンション、一戸建て等、住宅の種類によって異なる。
移動装置10は、配送処理を行う場合、図9に示すステップS01の処理を実行する。具体的には以下の各処理である。
移動装置10は、まず、ステップS01において、適用する在宅推定ルールを決定する。この適用ルール決定処理は、例えば、以下の(a)~(d)のいずれかによって行う。
(a)走行経路の地図の位置(各家やエリア)に適用ルールが紐づいて登録されており、地図上の自己位置から適用ルールを決定する。
(b)カメラ撮影画像等、センサ検出特徴点に基づいて適用ルールを決定する。
(c)管理サーバから受信する適用ルール指定情報に従って決定する。
(d)各戸の玄関等に設置された識別情報(ID、QRコード(登録商標)等)などに基づいて適用ルールを決定する。
この選択のための処理として、上記(a)~(d)のいずれかの処理を行う。
ステップS01において、1つの在宅推定ルールを選択すると、移動装置10は、次のステップS02において、各住宅の周囲状況情報(外観特徴点)を移動装置10に装着したカメラやマイク等のセンサを用いて取得し、取得情報と選択した在宅推定ルールの登録情報を照合して、各住宅の在宅確率を新たに算出、または既に生成済みの在宅確率データがある場合は、そのデータを更新する。
この学習処理によって、各住宅の在宅確率データは、逐次更新される。なお、更新された各住宅の在宅確率データは、移動装置10の記憶部、または管理サーバ20の記憶部に格納される。すなわち、移動装置10は、常に最新の在宅確率データを利用して各住宅の在宅推定を行うことができる。
図10には、同じ住宅(A宅)に関する以下の2つの在宅確率データを示している。
(a)学習処理による更新前の在宅確率データ
(b)学習処理による更新後の在宅確率データ
1月11日(水曜日)、18:30の在宅確率=60%
1月18日(水曜日)、12:15の在宅確率=40%、
これらの在宅確率算出データは、移動装置10が、カメラやマイク等のセンサを用いて取得した情報と在宅推定ルールの登録情報を照合して算出したデータである。
この更新結果が図10(b)に示すデータである。
この更新データは、学習処理期間に取得されたデータ、すなわち、
1月11日(水曜日)、18:30の在宅確率=60%
1月18日(水曜日)、12:15の在宅確率=40%、
これらのデータを反映したデータとなる。
なお、図10に示す在宅確率データは、A宅の水曜日の一日単位の在宅確率データである。
図11には、同じ住宅(A宅)に関する以下の3つの在宅確率データを示している。
(a)学習処理による更新前の在宅確率データ
(b)一か月の学習処理による更新後の在宅確率データ
(c)一か月の学習処理による更新後の在宅確率データ
5月の月曜日、16:00にA宅前で自転車を検出
この情報は、移動装置10が、カメラやマイク等のセンサを用いて取得した情報である。
この観測情報と在宅推定ルールの登録情報を照合して新たな在宅確率データが算出され、この算出値に基づいて在宅確率データの更新処理が実行される。
この更新後のデータが、(b)一か月の学習処理による更新後の在宅確率データである。
6月の月曜日、18:00、雨の日にA宅前で傘を検出、
この情報は、移動装置10が、カメラやマイク等のセンサを用いて取得した情報である。
この観測情報と在宅推定ルールの登録情報を照合して新たな在宅確率データが算出され、この算出値に基づいて在宅確率データの更新処理が実行される。
この更新後のデータが、(c)二か月の学習処理による更新後の在宅確率データである。
なお、図11に示す在宅確率データは、いずれもA宅の月曜日の一日単位の在宅確率データである。
なお、この処理は、移動装置10自身が行う構成としてもよいが、管理サーバ20が実行する構成としてもよい。
図12に示すフローチャートに従った処理は、移動装置10の制御部(データ処理部)が、例えば移動装置10の記憶部に格納されたプログラムに従って実行することが可能である。例えばプログラム実行機能を有するCPU等のプロセッサによるプログラム実行処理として行うことができる。
なお、図12に示すフローは、移動装置10と通信可能な管理サーバ20の処理として実行することも可能である。
以下の説明では、移動装置10が処理を実行する例について説明する。
以下、図12に示すフローの各ステップの処理について説明する。
まず、移動装置10は、現在地に基づいて適用する在宅推定ルールを決定する。
この在宅推定ルール決定処理は、先に図9を参照して説明した処理である。
(a)走行経路の地図の位置(各家やエリア)に適用ルールが紐づいて登録されており、地図上の自己位置から適用ルールを決定する。
(b)カメラ撮影画像等、センサ検出特徴点に基づいて適用ルールを決定する。
(c)管理サーバから受信する適用ルール指定情報に従って決定する。
(d)各戸の玄関等に設置された識別情報(ID、QRコード(登録商標)等)などに基づいて適用ルールを決定する。
次に、移動装置10は、ステップS102において、走行を行い各住宅の周囲状況の情報(外観特徴)を、カメラやマイク等のセンサを用いて取得し、取得情報と、ステップS101で選択した在宅推定ルールの登録情報と照合する。この照合処理に基づいて、各住宅の在宅確率を算出する。
次に、移動装置10は、ステップS102で算出した住宅の在宅確率に基づいて、各住宅対応の在宅確率データを新たに生成、または既に生成済みの在宅確率データの更新処理を実行する。
次に、本開示の実施例2として、荷物配送処理を実行中に実際に荷物が配達できたか否かの情報を取得して、この情報に基づいて在宅・不在推定を実行する処理例について説明する。
以下に説明する実施例は、移動装置10が行う実際の配達処理において、荷物の配達ができた場合とできなかった場合を観測情報として取得し、この荷物配達の成否情報に基づいて各住宅の在宅、不在を推定するための推定用データ(学習データ)を生成する。
図13に示すように、移動装置10は、宅配結果取得部52、在宅推定部(学習処理部)53を有する。
なお、在宅推定部(学習処理部)53の処理は、管理サーバ20が行う構成も可能である。
宅配できた場合は、その住宅は在宅であり、在宅情報が在宅推定部(学習処理部)53に入力される。
一方、宅配できなかった場合は、その住宅は不在であり、不在情報が在宅推定部(学習処理部)53に入力される。
なお、在宅推定部(学習処理部)53は在宅時の外観的特徴情報と、不在時の外観的特徴を分類して記録した学習データ(推定用データ)、すなわち、在宅推定用データを生成する。
さらに、在宅推定部(学習処理部)53は、宅配結果取得部52からの新たな在宅情報や不在情報を入力した際、また新たな外観的特徴を入力した場合に、学習データ(推定用データ)を更新する。
図14(A)に示すように、移動装置10は、すでに荷台に配送する複数の荷物11を搭載している。
荷台に積みこまれた複数の荷物11は、図14(A)に示すように、移動装置10が移動する領域内の家を配送先とした荷物である。すなわち、以下の4つの荷物を搭載している。
A宅宛荷物、
B宅宛荷物、
C宅宛荷物、
D宅宛荷物、
移動装置10は、予め在宅であることが確認されているC宅への配送処理を実行する。A宅、B宅、D宅は在宅か不在か不明であるとする。
この際にB宅の前を通過してC宅へ向かい、C宅で荷物の配達を完了する。
この推定に従い、移動装置10は、C宅への荷物の配送完了後に、B宅に戻り、B宅への荷物配送を実行する。
図15に示すフローチャートに従った処理は、移動装置10の制御部(データ処理部)が、例えば移動装置10の記憶部に格納されたプログラムに従って実行することが可能である。例えばプログラム実行機能を有するCPU等のプロセッサによるプログラム実行処理として行うことができる。
なお、図15に示すフローは、移動装置10と通信可能な管理サーバ20の処理として実行することも可能である。
以下の説明では、移動装置10が処理を実行する例について説明する。
以下、図15に示すフローの各ステップの処理について説明する。
まず、移動装置10は、所定のスタート地点から、荷物の配送処理を開始する。
次に、移動装置10は、ステップS202において、移動装置のセンサ(カメラ、マイク等)を用いて観測情報(画像等)を取得する。
次に、ステップS203において、移動装置10は、荷物配送先の住宅が在宅であったか不在であったかの情報を取得する。
在宅であった場合は、ステップS204に進む。
不在であった場合は、ステップS205に進む。
ステップS204の処理は、ステップS203において、荷物配送先の住宅が在宅であったと推定した場合に実行する処理である。
この場合、移動装置10は、ステップS204において、センサ取得情報(画像の特徴点等)を、在宅を示す学習データ(報酬=1)とする強化学習を実行する。
ステップS204の処理は、在宅推定部(学習処理部)53が宅配結果取得部52から在宅情報を入力した場合の処理である。
宅配結果取得部52から在宅情報を入力した場合、在宅推定部(学習処理部)53は、移動装置10のカメラやマイク等のセンサが取得した外観特徴点情報(観測情報)を、在宅時の特徴点を示す学習データ(推定用データ)として記憶部に記録、保持する。この処理がステップS204の処理に相当する。
一方、ステップS205の処理は、ステップS203において、荷物配送先の住宅が不在であったと推定した場合に実行する処理である。
この場合、移動装置10は、ステップS205において、センサ取得情報(画像の特徴点等)を、不在を示す学習データ(報酬=0)とする強化学習を実行する。
ステップS205の処理は、在宅推定部(学習処理部)53が宅配結果取得部52から不在情報を入力した場合の処理である。
宅配結果取得部52から不在情報を入力した場合、在宅推定部(学習処理部)53は、移動装置10のカメラやマイク等のセンサが取得した外観特徴点情報(観測情報)を、不在時の特徴点を示す学習データ(推定用データ)として記憶部に記録、保持する。この処理がステップS205の処理に相当する。
この処理後の在宅・不在推定には、この記憶部に格納された新たなデータが参照されることになる。
次に、実施例3として、上述した実施例1と実施例2を併せて実行する実施例について説明する。すなわち、住宅の観測情報と在宅推定ルールとの照合に基づく在宅確率データの算出と更新処理を行うとともに、配達の成否に基づく在宅・不在推定を実行する実施例について説明する。
図16には、移動装置10の以下の3つの処理部の処理を示している。
推定用データ選択部51、
宅配結果取得部52、
在宅推定部(学習処理部)53、
これらの3つの処理部である。
在宅不在推定を行うための推定用データは、移動装置10の記憶部、または管理サーバ20の記憶部に格納されている。
この「推定用データ(在宅不在推定用データ)」は、先に説明した実施例1における「在宅推定ルール」と同様、配送先住宅の種類、例えば、マンション、一戸建て等、住宅の種類によって異なる。
例えば、ファミリーマンション、高級マンション、ワンルームマンション、単身アパート、都内一戸建て、郊外一戸建て、豪邸等、様々な住宅タイプに応じて異なる「推定用データ(在宅不在推定用データ)」が記憶部に格納されている。
図16に示す例では、配送先となる住宅の種類=高級マンションであるので、移動装置10の推定用データ選択部51は、高級マンション対応の「推定用データ(在宅不在推定用データ)」を記憶部から選択する。
この実際の荷物の配送時に宅配結果取得部52が処理を実行する。
宅配できた場合は、その住宅は在宅であり、在宅情報を在宅推定部(学習処理部)53に入力する。
一方、宅配できなかった場合は、その住宅は不在であり、不在情報を在宅推定部(学習処理部)53に入力する。
図17は、在宅確率データの生成、更新処理例を示す図である。
(a)学習処理による更新前の在宅確率データ
(b)学習処理による更新後の在宅確率データ
1月11日(水曜日)、18:30の在宅確率=60%
1月18日(水曜日)、12:15の在宅確率=40%、
これらの在宅確率算出データは、移動装置10が、カメラやマイク等のセンサを用いて取得した情報と在宅推定ルールの登録情報を照合して算出したデータである。
この更新結果が図17(b)に示すデータである。
この更新データは、学習処理期間に取得されたデータ、すなわち、
1月11日(水曜日)、18:30の在宅確率=60%
1月18日(水曜日)、12:15の在宅確率=40%、
これらのデータを反映したデータとなる。
なお、図17に示す在宅確率データは、A宅の水曜日の一日単位の在宅確率データである。
図18(A)に示すように、移動装置10は、すでに荷台に配送する複数の荷物11を搭載している。
荷台に積みこまれた複数の荷物11は、図18(A)に示すように、移動装置10が移動する領域内の家を配送先とした荷物である。すなわち、以下の4つの荷物を搭載している。
A宅宛荷物、
B宅宛荷物、
C宅宛荷物、
D宅宛荷物、
移動装置10は、まず、移動装置10内のメモリ、あるいは移動装置10と通信可能な管理サーバ20から荷物配送先の移動領域内の各住宅の在宅確率データを取得する。これは、先の実施例1において生成された在宅確率データである。
この結果、図18(B)に示すように、各住宅の在宅確率が以下のように得られたとする。
A宅の在宅確率=低
B宅の在宅確率=不明
C宅の在宅確率=高
D宅の在宅確率=中
移動装置10は、上記の各住宅A~Dの在宅確率に基づいて、在宅確率=高のC宅への配送を優先して実行する。
この際にB宅の前を通過してC宅へ向かい、C宅で荷物の配達を完了する。
この推定に従い、移動装置10は、C宅への荷物の配送完了後に、B宅に戻り、B宅への荷物配送を実行する。
本実施例3の移動装置10が実行する以下の3処理について個別のフローチャートを参照して、順次、説明する。
(処理1)在宅推定部における学習処理シーケンス(図19)
(処理2)在宅確率の算出処理シーケンス(図20)
(処理3)在宅確率に基づく配送ルートの決定処理シーケンス(図21)
なお、図19~図21に示すフローは、移動装置10と通信可能な管理サーバ20の処理として実行することも可能である。
以下の説明では、移動装置10が処理を実行する例について説明する。
まず図19に示すフローチャートに従って、移動装置10の在宅推定部(学習処理部)53が実行する学習処理シーケンスについて説明する。
以下、図19に示すフローの各ステップの処理について説明する。
まず、移動装置10は、所定のスタート地点から、荷物の配送処理を開始する。
次に、移動装置10は、ステップS302において、在宅推定部(学習処理部)53が利用する在宅推定用データ(学習データ)を、移動装置10の現在地に基づいて切り替える処理を実行する。
(a)走行経路の地図の位置(各家やエリア)に適用ルールが紐づいて登録されており、地図上の自己位置から適用する在宅推定用データを決定する。
(b)カメラ撮影画像等、センサ検出特徴点に基づいて適用する在宅推定用データを決定する。
(c)管理サーバから受信するする在宅推定用データ指定情報に従って決定する。
(d)各戸の玄関等に設置された識別情報(ID、QRコード(登録商標)等)などに基づいて適用する在宅推定用データを決定する。
次に、移動装置10は、ステップS303において、移動装置のセンサ(カメラ、マイク等)を用いて観測情報(画像等)を取得する。
次に、ステップS304において、移動装置10は、荷物配送先の住宅が在宅であったか不在であったかの情報を取得する。
在宅であった場合は、ステップS305に進む。
不在であった場合は、ステップS306に進む。
ステップS305の処理は、ステップS304において、荷物配送先の住宅が在宅であったと推定した場合に実行する処理である。
この場合、移動装置10は、ステップS305において、センサ取得情報(画像の特徴点等)を、在宅を示す学習データ(報酬=1)とする強化学習を実行する。
ステップS305の処理は、在宅推定部(学習処理部)53が宅配結果取得部52から在宅情報を入力した場合の処理である。
宅配結果取得部52から在宅情報を入力した場合、在宅推定部(学習処理部)53は、移動装置10のカメラやマイク等のセンサが取得した外観特徴点情報(観測情報)を、在宅時の特徴点を示す学習データ(推定用データ)として記憶部に記録、保持する。この処理がステップS305の処理に相当する。
一方、ステップS306の処理は、ステップS304において、荷物配送先の住宅が不在であったと推定した場合に実行する処理である。
この場合、移動装置10は、ステップS306において、センサ取得情報(画像の特徴点等)を、不在を示す学習データ(報酬=0)とする強化学習を実行する。
ステップS306の処理は、在宅推定部(学習処理部)53が宅配結果取得部52から不在情報を入力した場合の処理である。
宅配結果取得部52から不在情報を入力した場合、在宅推定部(学習処理部)53は、移動装置10のカメラやマイク等のセンサが取得した外観特徴点情報(観測情報)を、不在時の特徴点を示す学習データ(推定用データ)として記憶部に記録、保持する。この処理がステップS306の処理に相当する。
この処理後の在宅・不在推定には、この記憶部に格納された新たなデータが参照されることになる。
次に、図20に示すフローチャートを参照して、移動装置10のデータ処理部が実行する在宅確率の算出処理シーケンスについて説明する。
以下、図20に示すフローの各ステップの処理について説明する。
まず、移動装置10はステップS321において、在宅推定部(学習処理部)53が利用する在宅推定用データ(学習データ)を、移動装置10の現在地に基づいて切り替える処理を実行する。
(a)走行経路の地図の位置(各家やエリア)に適用ルールが紐づいて登録されており、地図上の自己位置から適用する在宅推定用データを決定する。
(b)カメラ撮影画像等、センサ検出特徴点に基づいて適用する在宅推定用データを決定する。
(c)管理サーバから受信するする在宅推定用データ指定情報に従って決定する。
(d)各戸の玄関等に設置された識別情報(ID、QRコード(登録商標)等)などに基づいて適用する在宅推定用データを決定する。
次に、移動装置10は、ステップS322において、移動装置のセンサ(カメラ、マイク等)を用いて観測情報(画像等)を取得し、取得した観測情報を在宅推定部(学習処理部)53に入力し、在宅推定部(学習処理部)53において、入力観測情報と、ステップS321で選択した在宅推定用データとの照合処理を実行する。
次に、移動装置10は、ステップS323において、ステップS322における観測情報と在宅推定用データとの照合結果と、「予め生成済みの各住宅対応の在宅確率データ」を入力して、
(a)現在の在宅確率の算出、
(b)現在日時に基づく強化学習処理、
これらの処理を実行する。
なお、「予め生成済みの各住宅対応の在宅確率データ」とは、例えば図17に示すデータであり、先に説明した実施例1において生成される在宅確率データである。
上記(b)の処理は、図17を参照して説明した学習処理に相当する処理である。
上記(a)の処理により、各住宅の現在の在宅確率が算出され、上記(b)の処理により、日時対応の在宅確率データが生成、または更新される。
これらのデータが以降の(処理3)として説明する宅配ルートの決定等の処理に用いられる。
なお、日時とは、日付および時間の両方、または、日付または時間の少なくともいずれか一方を表す。
次に、図21に示すフローチャートを参照して、移動装置10のデータ処理部が実行する在宅確率に基づく配送ルートの決定処理シーケンスについて説明する。
以下、図21に示すフローの各ステップの処理について説明する。
まず、移動装置10は、配送先リストから順次、1つの配送先となる住宅を選択する。なお、配送先リストは、予め移動装置10に入力される。あるいは管理サーバ20から取得する。
次に、移動装置10は、ステップS342において、在宅推定部(学習処理部)53が在宅推定用データに基づいて、配送先住宅の"現在"の在宅確率の算出が可能か否かを推定する。
例えば、移動装置10が、この処理の直前に配送先住宅の前を通過し、この配送先住宅の観測情報を取得していれば、この観測情報と、在宅推定用データ(学習データ)との照合によって"現在"の在宅確率の算出が可能であり、ステップS342の推定はYesとなる。
そうでない場合は、ステップS342の推定はNoとなる。
一方、配送先住宅の"現在"の在宅確率の算出が不可能と推定した場合は、ステップS344に進む。
ステップS342において、配送先住宅の"現在"の在宅確率の算出が可能と推定した場合は、ステップS343に進む。
移動装置10は、ステップS343において、配送先住宅の直前の観測情報と、在宅推定用データ(学習データ)との照合によって"現在"の在宅確率の算出を行う。
この処理は、移動装置10の在宅推定部(学習処理部)53が実行する処理である。
一方、ステップS342において、配送先住宅の"現在"の在宅確率の算出が不可能と推定した場合は、ステップS344に進む。
移動装置10は、ステップS344において、予め生成済みの配送先住宅の在宅確率データ、すなわち、例えば図17を参照して説明したような日時対応の在宅確率データを記憶部から取得する。
次に、移動装置10は、ステップS344で取得した配送先住宅の在宅確率データに対して、必要に応じて時間的要因による修正処理を行う。
この処理は、例えば先に図7、図8を参照して説明した処理である。
また、現在日時が、在宅確率増加特異日(テレビ視聴率高イベント(オリンピック等)開催日等)等である場合は、図8を参照して説明したように、通常時の一日の在宅確率データより、在宅確率を上昇させる修正処理を行う。
次に、ステップS342において、S346において、配送先リストの全ての配送先について処理が完了したか否かを推定する。
未処理の配送先がある場合は、未処理の配送先について、ステップS341~S345の処理を実行する。
S346において、配送先リストの全ての配送先について処理が完了したと推定した場合はステップS347に進む。
最後に、移動装置10は、ステップS347において、配送先リストに記録された全ての配送先の在宅確率に基づいて、配送ルートを決定する。
次に図22以下を参照して、移動装置10の構成例について説明する。
図22は、移動装置10の一部構成を示すブロック図であり、上述した各実施例に従った処理を実行するために利用される主要な構成要素を示すブロック図である。
図23は、移動装置10の全体構成例を示す図である。
移動装置10は図22に示すように、センサ群112、データ処理部120、駆動部(アクチュエータ群)113を有する。
データ処理部120は、認識処理部(センサ検出情報解析部)121、行動計画処理部(学習処理部)122、行動制御部123を有する。
センサ群112には、さらに、搭載した荷物の取り出し有無を検出するセンサも含まれる。すなわち、図13、図16を参照して説明した宅配結果取得部52における宅配の成否を推定するための検出情報を取得するセンサも含まれる。
具体的にはカメラの撮影画像の解析、マイクの取得音声の解析、距離センサの検出情報の解析、荷物の取り出し有無の解析等を実行する。
各住宅の外観特徴点の解析は、この認識処理部(センサ検出情報解析部)121において実行される。
行動計画処理部(学習処理部)122は、上述した実施例において説明した在宅確率データの生成、更新、各住宅の在宅確率の算出処理、算出した在宅確率に基づく配送ルートの決定等の処理を実行する。
行動制御処理部123は、行動計画処理部(学習処理部)122の決定した配送ルートに従って、駆動部113を制御して移動装置10を移動させ、配送処理を実行する。
図23には移動装置10に対応する移動装置100の全体構成例を示している。
自律移動制御部110は、図22を参照して説明したデータ処理部120に相当し、認識処理部121、行動計画処理部122、行動制御処理部123を有する。
また、出力制御部105、出力部106、駆動系制御部107、駆動系システム108は、図22を参照して説明した駆動部113の構成要素に相当する。
動作制御部135は、移動装置100の動作の制御を行う。
次に、図24を参照して移動装置10以外の装置である管理サーバ20のハードウェア構成例について説明する。
以上、特定の実施例を参照しながら、本開示の実施例について詳解してきた。しかしながら、本開示の要旨を逸脱しない範囲で当業者が実施例の修正や代用を成し得ることは自明である。すなわち、例示という形態で本発明を開示してきたのであり、限定的に解釈されるべきではない。本開示の要旨を判断するためには、特許請求の範囲の欄を参酌すべきである。
(1) 住宅に人がいるか否かの在宅推定を行うデータ処理部を有し、
前記データ処理部は、
住宅外部の外部特徴情報に基づいて在宅推定を実行する情報処理装置。
住宅外部の外部特徴情報に基づいて算出された在宅確率データに基づく在宅推定を実行する(1)に記載の情報処理装置。
日時に応じて変化する日時対応データであり、
前記データ処理部は、前記在宅確率データから、現在日時に対応する在宅確率を算出する(2)に記載の情報処理装置。
通常時の在宅確率データの他、通常時より在宅確率が増加、または減少する特異日特有のデータを含み、
前記データ処理部は、
現在日時に応じて、最適な利用在宅確率データを選択する(2)または(3)に記載の情報処理装置。
在宅か否かを推定するための予め規定された在宅推定ルールと、前記外部特徴情報との照合処理を実行して、前記在宅確率データを生成する(2)~(4)いずれかに記載の情報処理装置。
自律走行可能な移動装置であり、
前記移動装置のセンサが、前記住宅外部から観測可能な外部特徴情報を取得する(1)~(6)いずれかに記載の情報処理装置。
前記センサが取得した外部特徴情報に基づいて、前記在宅確率データを更新する学習処理を実行する(7)または(8)に記載の情報処理装置。
住宅への荷物配送に成功したか否かの宅配結果を取得する宅配結果取得部と、
前記宅配結果取得部の取得した宅配結果と、宅配時の前記住宅の外観的特徴情報を対応付けて、
在宅時の外観的特徴情報と、不在時の外観的特徴を分類して記録した在宅推定用データを生成する在宅推定部を有する(1)~(9)いずれかに記載の情報処理装置。
前記宅配結果取得部からの新たな在宅情報や不在情報の入力、または、新たな外観的特徴の入力に応じた学習処理を実行して、前記在宅推定用データを更新する(10)に記載の情報処理装置。
複数の住宅各々の在宅確率に応じて荷物の配送ルートを決定する(1)~(12)いずれかに記載の情報処理装置。
在宅確率の高い住宅を優先して配送ルートを決定する(13)に記載の情報処理装置。
前記移動装置のセンサが、住宅外部の外部特徴情報を取得して、前記管理サーバに送信し、
前記管理サーバが、
前記外部特徴情報に基づいて、住宅に人がいるか否かの在宅推定を行う情報処理システム。
予め生成された在宅確率データに基づく在宅推定を実行する(15)に記載の情報処理システム。
前記管理サーバは、
前記在宅確率データから、現在日時に対応する在宅確率を算出する(16)に記載の情報処理システム。
前記情報処理装置は、住宅に人がいるか否かの在宅推定を行うデータ処理部を有し、
前記データ処理部が、
住宅外部の外部特徴情報に基づいて在宅推定を実行する情報処理方法。
前記移動装置のセンサが、住宅外部の外部特徴情報を取得して、前記管理サーバに送信し、
前記管理サーバが、
前記外部特徴情報に基づいて、住宅に人がいるか否かの在宅推定を行う情報処理方法。
前記情報処理装置は、住宅に人がいるか否かの在宅推定を行うデータ処理部を有し、
前記プログラムは、前記データ処理部に、
住宅外部の外部特徴情報に基づいて在宅推定を実行させるプログラム。
具体的には、例えば、住宅に人がいるか否かの在宅推定を行うデータ処理部を有する。データ処理部は住宅外部から観測可能な外部特徴情報に基づいて算出された在宅確率データに基づく在宅推定を実行する。在宅確率データは日時に応じて変化するデータであり、在宅確率データから現在日時対応の在宅確率を算出する。データ処理部は住宅の種類に応じて異なる在宅推定ルールと、外部特徴情報との照合処理を実行して、在宅確率を算出する。情報処理装置は自律走行可能な移動装置であり、移動装置のセンサが住宅外部から観測可能な外部特徴情報を取得する。
本構成により、移動装置のセンサが住宅外部から観測可能な外部特徴情報を取得して、住宅に人がいるか否かの在宅推定を行う構成が実現される。
11 荷物
20 管理サーバ
51 推定用データ選択部
52 宅配結果取得部
53 在宅推定部(学習処理部)
100 移動装置
103 通信部
109 記憶部
110 自律移動制御部
112 センサ群
113 駆動部(アクチュエータ群)
120 データ処理部
121 認識処理部(センサ検出情報解析部)
122 行動計画処理部(学習処理部)
123 行動制御処理部
301 CPU
302 ROM
303 RAM
304 バス
305 入出力インタフェース
306 入力部
307 出力部
308 記憶部
309 通信部
310 ドライブ
311 リムーバブルメディア
Claims (16)
- 自動走行型の移動装置を構成する情報処理装置であり、
住宅に人がいるか否かの在宅推定を行うデータ処理部を有し、
前記データ処理部は、
住宅外部の外部特徴情報に基づいて算出される日時対応の在宅確率データから、現在日時に対応する在宅確率を算出し、算出した在宅確率に応じた荷物配送処理、または荷物配送ルート決定処理を実行する情報処理装置。 - 前記在宅確率データは、
通常時の在宅確率データの他、通常時より在宅確率が増加、または減少する特異日特有のデータを含み、
前記データ処理部は、
現在日時に応じて、最適な利用在宅確率データを選択する請求項1に記載の情報処理装置。 - 前記データ処理部は、
在宅か否かを推定するための予め規定された在宅推定ルールと、前記外部特徴情報との照合処理を実行して、前記在宅確率データを生成する請求項1に記載の情報処理装置。 - 前記在宅推定ルールは、住宅の種類に応じて異なるルールである請求項3に記載の情報処理装置。
- 前記情報処理装置は、
自律走行可能な移動装置であり、
前記移動装置のセンサが、前記住宅外部から観測可能な外部特徴情報を取得する請求項1に記載の情報処理装置。 - 前記センサは画像撮影を行うカメラを含む請求項5に記載の情報処理装置。
- 前記データ処理部は、
前記センサが取得した外部特徴情報に基づいて、在宅確率データを更新する学習処理を実行する請求項5に記載の情報処理装置。 - 前記データ処理部は、
住宅への荷物配送に成功したか否かの宅配結果を取得する宅配結果取得部と、
前記宅配結果取得部の取得した宅配結果と、宅配時の前記住宅の外観的特徴情報を対応付けて、
在宅時の外観的特徴情報と、不在時の外観的特徴を分類して記録した在宅推定用データを生成する在宅推定部を有する請求項1に記載の情報処理装置。 - 前記在宅推定部は、
前記宅配結果取得部からの新たな在宅情報や不在情報の入力、または、新たな外観的特徴の入力に応じた学習処理を実行して、前記在宅推定用データを更新する請求項8に記載の情報処理装置。 - 前記在宅推定用データは、住宅の種類に応じて異なるデータである請求項8に記載の情報処理装置。
- 前記データ処理部は、
複数の住宅各々の在宅確率に応じて荷物の配送ルートを決定する請求項1に記載の情報処理装置。 - 前記データ処理部は、
在宅確率の高い住宅を優先して配送ルートを決定する請求項11に記載の情報処理装置。 - 自動走行型の移動装置と、管理サーバを有する情報処理システムであり、
前記移動装置のセンサが、住宅外部の外部特徴情報を取得して、前記管理サーバに送信し、
前記管理サーバが、
前記外部特徴情報に基づいて算出される日時対応の在宅確率データから、現在日時に対応する在宅確率を算出し、算出した在宅確率に応じた前記移動装置の荷物配送要否決定処理、または荷物配送ルート決定処理を実行する情報処理システム。 - 自動走行型の移動装置を構成する情報処理装置において実行する情報処理方法であり、
前記情報処理装置は、住宅に人がいるか否かの在宅推定を行うデータ処理部を有し、
前記データ処理部が、
住宅外部の外部特徴情報に基づいて算出される日時対応の在宅確率データから、現在日時に対応する在宅確率を算出し、算出した在宅確率に応じた荷物配送処理、または荷物配送ルート決定処理を実行する情報処理方法。 - 自動走行型の移動装置と、管理サーバを有する情報処理システムにおいて実行する情報処理方法であり、
前記移動装置のセンサが、住宅外部の外部特徴情報を取得して、前記管理サーバに送信し、
前記管理サーバが、
前記外部特徴情報に基づいて算出される日時対応の在宅確率データから、現在日時に対応する在宅確率を算出し、算出した在宅確率に応じた前記移動装置の荷物配送要否決定処理、または荷物配送ルート決定処理を実行する情報処理方法。 - 自動走行型の移動装置を構成する情報処理装置において情報処理を実行させるプログラムであり、
前記情報処理装置は、住宅に人がいるか否かの在宅推定を行うデータ処理部を有し、
前記プログラムは、前記データ処理部に、
住宅外部の外部特徴情報に基づいて算出される日時対応の在宅確率データから、現在日時に対応する在宅確率を算出し、算出した在宅確率に応じた荷物配送処理、または荷物配送ルート決定処理を実行させるプログラム。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018218123A JP7302161B2 (ja) | 2018-11-21 | 2018-11-21 | 情報処理装置、情報処理システム、および情報処理方法、並びにプログラム |
US17/293,449 US20210406822A1 (en) | 2018-11-21 | 2019-10-23 | Information processing device, information processing system, and information processing method, and program |
PCT/JP2019/041484 WO2020105347A1 (en) | 2018-11-21 | 2019-10-23 | Automated delivery method based on occupancy prediction |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018218123A JP7302161B2 (ja) | 2018-11-21 | 2018-11-21 | 情報処理装置、情報処理システム、および情報処理方法、並びにプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020086754A JP2020086754A (ja) | 2020-06-04 |
JP7302161B2 true JP7302161B2 (ja) | 2023-07-04 |
Family
ID=68531580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018218123A Active JP7302161B2 (ja) | 2018-11-21 | 2018-11-21 | 情報処理装置、情報処理システム、および情報処理方法、並びにプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210406822A1 (ja) |
JP (1) | JP7302161B2 (ja) |
WO (1) | WO2020105347A1 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6809725B2 (ja) * | 2019-06-24 | 2021-01-06 | Necプラットフォームズ株式会社 | 配達経路生成システム、配達経路生成方法および配達経路生成プログラム |
WO2021049101A1 (ja) * | 2019-09-13 | 2021-03-18 | 京セラ株式会社 | サーバ、システム、サーバの制御方法、プログラム、及び電子機器 |
JP7409276B2 (ja) | 2020-09-30 | 2024-01-09 | トヨタ自動車株式会社 | 制御装置、プログラム及び制御方法 |
JP7188805B2 (ja) * | 2021-04-30 | 2022-12-13 | CBcloud株式会社 | プログラム、方法、情報処理装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013170050A (ja) | 2012-02-21 | 2013-09-02 | Hitachi Automotive Systems Ltd | 配送計画システム |
JP2017219975A (ja) | 2016-06-06 | 2017-12-14 | 大日本印刷株式会社 | 訪問計画策定システムおよび訪問計画策定装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8189925B2 (en) * | 2009-06-04 | 2012-05-29 | Microsoft Corporation | Geocoding by image matching |
US9384668B2 (en) * | 2012-05-09 | 2016-07-05 | Singularity University | Transportation using network of unmanned aerial vehicles |
US9743239B1 (en) * | 2015-09-30 | 2017-08-22 | Amazon Technologies, Inc. | Determining routing points and delivery points |
WO2017132327A1 (en) * | 2016-01-27 | 2017-08-03 | Hitachi Cable America, Inc. | Extended frequency range balanced twisted pair transmission line or communication cable |
CN109415122B (zh) * | 2016-06-06 | 2022-07-05 | 福特全球技术公司 | 用于自动化车辆和无人机递送的系统、方法和装置 |
US11151509B1 (en) * | 2016-06-20 | 2021-10-19 | Amazon Technologies, Inc. | Image-based scene attribute and delivery attribute determination |
US10546268B2 (en) * | 2016-10-27 | 2020-01-28 | International Business Machines Corporation | Recipient customized delivery paths for unmanned aerial vehicle deliveries |
-
2018
- 2018-11-21 JP JP2018218123A patent/JP7302161B2/ja active Active
-
2019
- 2019-10-23 WO PCT/JP2019/041484 patent/WO2020105347A1/en active Application Filing
- 2019-10-23 US US17/293,449 patent/US20210406822A1/en not_active Abandoned
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013170050A (ja) | 2012-02-21 | 2013-09-02 | Hitachi Automotive Systems Ltd | 配送計画システム |
JP2017219975A (ja) | 2016-06-06 | 2017-12-14 | 大日本印刷株式会社 | 訪問計画策定システムおよび訪問計画策定装置 |
Also Published As
Publication number | Publication date |
---|---|
US20210406822A1 (en) | 2021-12-30 |
JP2020086754A (ja) | 2020-06-04 |
WO2020105347A1 (en) | 2020-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7302161B2 (ja) | 情報処理装置、情報処理システム、および情報処理方法、並びにプログラム | |
JP7043755B2 (ja) | 情報処理装置、情報処理方法、プログラム、及び、移動体 | |
WO2019111702A1 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
JP7314798B2 (ja) | 撮像装置、画像処理装置、及び、画像処理方法 | |
JP6891753B2 (ja) | 情報処理装置、移動装置、および方法、並びにプログラム | |
JP7180670B2 (ja) | 制御装置、制御方法、並びにプログラム | |
US20220207883A1 (en) | Information processing apparatus, information processing method, and program | |
JP7257737B2 (ja) | 情報処理装置、自己位置推定方法、及び、プログラム | |
JP7456442B2 (ja) | 情報処理装置、および情報処理方法、並びにプログラム | |
CN111247391A (zh) | 信息处理装置、信息处理方法、程序和移动体 | |
US20210397191A1 (en) | Information processing apparatus, information processing method, and program | |
CN111226094A (zh) | 信息处理装置、信息处理方法、程序和移动体 | |
WO2020241303A1 (ja) | 自動走行制御装置、および自動走行制御システム、並びに自動走行制御方法 | |
CN113195321A (zh) | 车辆控制装置、车辆控制方法、车辆、信息处理装置、信息处理方法以及程序 | |
WO2021065559A1 (ja) | 情報処理システム、および情報処理方法、並びに情報処理装置 | |
WO2022158185A1 (ja) | 情報処理装置、情報処理方法、プログラムおよび移動装置 | |
CN111201420A (zh) | 信息处理装置、自身位置推定方法、程序和移动体 | |
WO2021153176A1 (ja) | 自律移動装置、自律移動制御方法、並びにプログラム | |
JP7135690B2 (ja) | 情報処理装置および方法、プログラム、並びに移動体制御システム | |
WO2021033591A1 (ja) | 情報処理装置、および情報処理方法、並びにプログラム | |
US20220277556A1 (en) | Information processing device, information processing method, and program | |
WO2020213275A1 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
WO2020129810A1 (en) | Information processing apparatus, information processing method, and program | |
US20230289980A1 (en) | Learning model generation method, information processing device, and information processing system | |
JP7371679B2 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210930 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221129 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230120 |
|
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: 20230523 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230605 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7302161 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |