JP7317212B2 - 位置誤差予測装置、モデル作成装置、位置誤差予測方法、モデル作成方法及びプログラム - Google Patents

Description

本発明は、位置誤差予測装置、モデル作成装置、位置誤差予測方法、モデル作成方法及びプログラムに関する。

ＧＮＳＳなどの衛星測位システムを利用すると、位置情報と、その位置情報の誤差の大きさを示す情報（以下、位置誤差の大きさと記載する。）が得られる。例えば、道路Ａを走行している車両が、自車両の走行位置を衛星測位システムによって測位した場合、測位された位置情報の誤差の程度によっては、近くの道路Ｂを走行しているかのような結果が得られる可能性がある。走行する道路に応じて課金を行う場合、車両が走行する道路の誤認識は問題となる。衛星測位システムが提供する位置誤差の情報を利用して、走行中の道路を間違える確率（以下、失敗率と記載する。）を算出し、道路の誤認識に備える技術が提供されている。

誤差の推定に関し、特許文献１には、気圧センサにより計測された気圧値に基づいて、その計測位置の高度を推定するときに、推定された高度の誤差を推定する技術が開示されている。

特開２０１７－９５１２号公報

しかし、衛星測位システムが提供する位置誤差の大きさは、同じ地点であってもその時々により異なり、その値は、確率分布に従う。従って、例えば、あるときに得られた位置誤差の大きさから失敗率を算出しても信頼性の面で課題が残る。位置誤差の大きさ情報を用いて算出する情報（例えば、失敗率）の精度を高めるためには、位置誤差の大きさの確率分布を予測することが必要である。特許文献１には、位置誤差の大きさの確率分布を予測する方法については開示が無い。

本開示は、上述の課題を解決することのできる位置誤差予測装置、モデル作成装置、位置誤差予測方法、モデル作成方法及びプログラムを提供する。

本発明の一態様によれば、移動体が存在すると考えられる位置情報の誤差の大きさの確率分布を予測する位置誤差予測装置であって、前記位置誤差予測装置は、ある地点の地形の特徴を示し、前記地点の地面を基準とした仰角ごとの前記地点の上空の空間が有する、衛星測位システムの衛星からの信号の受信のし易さに関係する値が含まれる地形特徴データと前記地点における前記誤差の大きさの確率分布との関係を示す予測モデルと、予測対象地点の前記地形特徴データと、に基づいて、前記予測対象地点における前記誤差の大きさの確率分布を予測する予測部、を備える。

本発明の一態様によれば、モデル作成装置は、ある地点の地形の特徴を示す地形特徴データと、前記地点で衛星測位システムから複数回取得した、前記衛星測位システムによって測位された位置情報の誤差の大きさを示す情報と、を取得するデータ取得部と、複数回取得された前記誤差の大きさを示す情報に基づいて、前記誤差の大きさの確率分布を算出する学習データ作成部と、前記地形特徴データと、前記誤差の大きさの確率分布と、に基づいて、前記地形特徴データと前記誤差の大きさの確率分布との関係を示す予測モデルを作成する予測モデル作成部と、を備え、前記地形特徴データには、前記地点の地面を基準とした仰角ごとの前記地点の上空の空間が有する、衛星測位システムの衛星からの信号の受信のし易さに関係する値が含まれる。

本発明の一態様によれば、移動体が存在すると考えられる位置情報の誤差の大きさの確率分布を予測する位置誤差予測方法であって、前記位置誤差予測方法は、ある地点の地形の特徴を示し、前記地点の地面を基準とした仰角ごとの前記地点の上空の空間が有する、衛星測位システムの衛星からの信号の受信のし易さに関係する値が含まれる地形特徴データと前記地点における前記誤差の大きさの確率分布との関係を示す予測モデルと、予測対象地点の前記地形特徴データと、に基づいて、前記予測対象地点における前記誤差の大きさの確率分布を予測する。

本発明の一態様によれば、モデル作成方法は、ある地点の地形の特徴を示し、前記地点の地面を基準とした仰角ごとの前記地点の上空の空間が有する、衛星測位システムの衛星からの信号の受信のし易さに関係する値が含まれる地形特徴データと、前記地点で衛星測位システムから複数回取得した、前記衛星測位システムによって測位された位置情報の誤差の大きさを示す情報と、を取得し、複数回取得された前記誤差の大きさを示す情報に基づいて、前記誤差の大きさの確率分布を算出し、前記地形特徴データと、前記誤差の大きさの確率分布と、に基づいて、前記地形特徴データと前記誤差の大きさの確率分布との関係を示す予測モデルを作成する。

本発明の一態様によれば、プログラムは、コンピュータに、移動体が存在すると考えられる位置情報の誤差の大きさの確率分布を予測する位置誤差予測方法であって、ある地点の地形の特徴を示し、前記地点の地面を基準とした仰角ごとの前記地点の上空の空間が有する、衛星測位システムの衛星からの信号の受信のし易さに関係する値が含まれる地形特徴データと前記地点における前記誤差の大きさの確率分布との関係を示す予測モデルと、予測対象地点の前記地形特徴データと、に基づいて、前記予測対象地点における前記誤差の大きさの確率分布を予測する処理、を実行させる。

本発明の一態様によれば、プログラムは、コンピュータに、ある地点の地形の特徴を示し、前記地点の地面を基準とした仰角ごとの前記地点の上空の空間が有する、衛星測位システムの衛星からの信号の受信のし易さに関係する値が含まれる地形特徴データと、前記地点で衛星測位システムから複数回取得した、前記衛星測位システムによって測位された位置情報の誤差の大きさを示す情報と、を取得し、複数回取得された前記誤差の大きさを示す情報に基づいて、前記誤差の大きさの確率分布を算出し、前記地形特徴データと、前記誤差の大きさの確率分布と、に基づいて、前記地形特徴データと前記誤差の大きさの確率分布との関係を示す予測モデルを作成する処理、を実行させる。

上記した位置誤差予測装置、位置誤差予測方法及びプログラムによれば、衛星を利用した測位における位置誤差の大きさの分布を推定することができる。上記したモデル作成装置、モデル作成方法及びプログラムによれば、衛星を利用した測位における位置誤差の大きさの分布を予測する予測モデルを作成することができる。

本開示の第一実施形態における位置誤差予測装置の一例を示す図である。 本開示の第一実施形態における位置誤差予測システムの一例を示す図である。 本開示における地図データの処理方法について説明する第１の図である。 本開示における地図データの処理方法について説明する第２の図である。 本開示における地図データの処理方法について説明する第３の図である。 本開示における地図データの処理方法について説明する第４の図である。 本開示の地形特徴データについて説明する第１の図である。 本開示の地形特徴データにについて説明する第２の図である。 本開示の地形特徴データにについて説明する第３の図である。 本開示の誤差情報の確率分布について説明する図である。 本開示の予測モデルについて説明する図である。 本開示の第一実施形態における学習処理の一例を示すフローチャートである。 本開示の第一実施形態における予測処理の一例を示すフローチャートである。 本開示の第二実施形態における位置誤差予測装置の一例を示す図である。 本開示の第二実施形態における位置誤差予測システムの一例を示す図である。 本開示の第二実施形態における学習データの選択処理について説明する図である。 本開示の第二実施形態における学習処理の一例を示すフローチャートである。 本発明の各実施形態における位置誤差予測装置及びモデル作成装置のハードウェア構成の一例を示す図である。

＜第一実施形態＞
以下、本発明の第一実施形態による位置誤差の大きさの確率分布の予測方法について図１Ａ～図７を参照して説明する。
（構成）
図１Ａは、本発明の第一実施形態における位置誤差予測装置の一例を示す図である。位置誤差予測装置１０は、ある地点の地形特徴データを入力すると、その地点で衛星測位システムが提供する位置誤差の大きさの確率分布を予測する。図１に示すように位置誤差予測装置１０は、地形特徴データ取得部１１と、予測部１２と、記憶部１３と、出力部１４と、学習部１５と、を備える。

地形特徴データ取得部１１は、ある地点での位置誤差の大きさの確率分布の予測に必要な、その地点の地形の特徴を示す地形特徴データを取得する。
予測部１２は、地形特徴データ取得部１１が取得した地形特徴データと、予測モデルＭとに基づいて、位置誤差の大きさの確率分布を予測する。
記憶部１３は、予測モデルＭや各種データを記憶する。
出力部１４は、予測部１２による予測結果を出力する。
学習部１５は、ある地点の地形特徴データを入力すると、その地点における位置誤差の大きさの確率分布を出力する予測モデルＭを作成する。学習部１５は、データ取得部１５１と、学習データ作成部１５２と、モデル作成部１５３とを備える。データ取得部１５１は、学習用の地形特徴データ、衛星測位システムが提供する位置情報、位置誤差の大きさを取得する。学習データ作成部１５２は、位置情報から後述する経路形状を算出し、位置誤差の大きさから位置誤差の大きさの確率分布を算出する。モデル作成部１５３は、位置誤差の大きさの確率分布を予測する予測モデルＭを作成する。

学習部１５は、位置誤差予測装置１０と独立した装置として構成してもよい。図１Ｂに例を示す。図１Ｂは、本開示の第一実施形態における位置誤差予測システムの一例を示す図である。
位置誤差予測システム１は、位置誤差予測装置１０´と、モデル作成装置１５０とを備える。位置誤差予測装置１０´とモデル作成装置１５０とは、通信可能に接続されていてもよい。位置誤差予測装置１０´は、地形特徴データ取得部１１と、予測部１２と、記憶部１３と、出力部１４と、を備える。モデル作成装置１５０は、データ取得部１５１と、学習データ作成部１５２と、モデル作成部１５３と、を備える。各機能部の機能については、図１Ａを用いて説明したとおりである。モデル作成装置１５０は、衛星測位システムが提供する位置情報の誤差の大きさの確率分布を予測する予測モデルＭを作成する。位置誤差予測装置１０´は、モデル作成装置１５０が作成した予測モデルＭを取得して、記憶部１３に予測モデルＭを記憶する。以下、図１Ａに例示する位置誤差予測装置１０を例に説明を行うが、位置誤差予測システム１を用いても、同様の処理によって予測モデルＭの作成や、任意の地点における位置誤差の大きさの確率分布の予測が可能である。

ＧＮＳＳ等の衛星測位システムが提供する位置情報および位置誤差の大きさは、その地点の地形の影響を受ける。地形とは、その地点における建物、樹木の有無やその高さ等のことである。例えば、高層ビルが建っていると、衛星からの信号を受信しにくく、位置誤差は大きくなる傾向がある。また、車両の位置情報を対象とする場合には、建物等の有無、高さのような静的な特徴の他、その車両が走行する方向や速度と、その地点の建物との位置関係も位置誤差の大きさに影響を及ぼす。このような観点から、地形特徴データには、その地点における道路の形状、走行方向も含まれる。

（３次元地図データの処理）
次に図２Ａ～図２Ｄを参照して、３次元の地図データから地形特徴データを算出する方法について説明を行う。図２Ａ～図２Ｄは、それぞれ、本開示における地図データの処理方法について説明する第１～第４の図である。
図２Ａに対象地点Ｐと、その周囲の地形の一例を示す。対象地点Ｐとは、例えば、車両の現在位置である。対象地点Ｐを中心として、例えば、北方向を基準にして、方位角αごとにその方向に存在する建物等を検出していく。図２Ａでは、濃淡で建物等の高さを示しており、白くなるほど高い建物等が存在することを示している。例えば、矢印Ａで示す方位角がαの位置には高層建物ＢＨと低層建物ＬＨ２が存在し、南方向には低層建物ＬＨが存在する。

図２Ｂに示すように、所定の方位角αの範囲ごとに、建物等の頂点と対象地点Ｐを結ぶ線と地面との間の仰角βを計算する。図２Ｂのように手前に高層建物ＢＨ、高層建物ＢＨの背後に低層建物ＢＬ２が存在する場合、対象地点Ｐと高層建物ＢＨの頂点を結ぶ線と地平線がなす仰角βを算出する。そして、方位角αの所定の範囲ごと（例えば、４５°の範囲ごと）にその範囲に存在する最も高い建物等との仰角βを算出する。

図２Ｃに方位角αと仰角βの関係を示す。図２Ｃのグラフの縦軸は仰角、横軸は方位角を示す。Ｌ１は、境界仰角を示す。境界仰角Ｌ１の下部は、建物等により衛星からの信号が遮蔽される空間を示し、境界仰角Ｌ１の上部は、遮蔽が無いこと空間であることを示す。

図２Ｄに示すグラフでは、仰角βごとの無遮蔽角度を示す。無遮蔽角度とは、方位角３６０°の範囲のうち、建物等による遮蔽が無い範囲の合計を示す。図２Ｄの線３０１、３０２、３０３は、仰角３０°において、無遮蔽である範囲、つまり境界仰角Ｌ１の上部の範囲を示す。１９０とは、無遮蔽の範囲（線３０１，３０２，３０３）の合計が１９０°であることを示す。つまり、図２Ａの対象地点Ｐにおいて、仰角３０°となる位置に建物等が存在するのは、３６０°のうちの１７０°（３６０－１９０）の範囲である。本開示では、仰角３０°にて無遮蔽となる範囲が１９０°であることを、仰角３０°の無遮蔽角度が１９０°と記載する。仰角４５°での無遮蔽角度（線４５１，４５２に対応する方位角の範囲の合計）は２８０°であり、仰角６０°での無遮蔽角度（線６０１，６０２に対応する方位角の範囲の合計）は２８０°である。また、仰角７５°では、無遮蔽角度（線７５１に対応する方位角の範囲の合計）は３６０°である。これは、対象地点Ｐからみて、仰角が７５°となる高さにはどの方向にも建物等が存在しないことを意味している。

無遮蔽角度は、衛星からの信号の受信のしやすさ、位置誤差の大きさと関係する。例えば、無遮蔽角度が大きい程、衛星から信号を受信しやすく、位置誤差は小さくなる傾向がある。本開示では、この無遮蔽角度を、位置誤差の大きさの確率分布の予測に用いる。上記の３次元地図データから無遮蔽角度を算出するまでの処理は、ユーザが行ってもよいし、位置誤差予測装置１０が、上記処理を実行する機能を有していてもよい。
次に位置誤差の大きさの確率分布の予測に用いるパラメータ（地形特徴データ）について、図３Ａ～図３Ｃを用いて説明する。

（地形特徴データ）
図３Ａ～図３Ｃは、それぞれ、本開示の地形特徴データについて説明する第１～第３の図である。
図３Ａに示すグラフでは、仰角βごとの境界数を示す。境界数とは、遮蔽部と無遮蔽部の境界を示す。矢印３０Ａ～３０Ｄは、仰角３０°における境界を示す。仰角３０°の境界数は４個である。矢印４５Ａ～４５Ｂは、仰角４５°における境界を示し、矢印６０Ａ～６０Ｂは、仰角６０°における境界を示す。仰角４５°、６０°における境界数は何れも２個である。境界数は、仰角ごとの建物等の数と関係する。無遮蔽角度が同じでも、境界数が異なれば、その仰角における建物等の数が異なる。例えば、北方向に大きなビルが１棟建てられている場合と、東西南北のそれぞれに小さなビルが１棟ずつ建てられている場合とでは、無遮蔽角度が同じでも衛星からの信号の受信のし易さが異なる可能性がある。従って、本開示では、境界数を、衛星からの信号の受信状況、つまり、位置誤差の大きさに影響を及ぼすパラメータとして用いる。

図３Ｂに示すグラフでは、無遮蔽角度を示す。無遮蔽角度については、既に図２Ｄを用いて説明した。入力パラメータとして用いる場合、例えば、仰角ごとの無遮蔽角度を、さらに方位角の範囲別ごとに８等分し、方位角０°～９０°の範囲での無遮蔽角度、方位角４５°～１３５°の範囲での無遮蔽角度、方位角９０°～１８０°の範囲での無遮蔽角度、方位角１３５°～２２５°の範囲での無遮蔽角度、方位角１８０°～２７０°の範囲での無遮蔽角度、方位角２２５°～３１５°の範囲での無遮蔽角度、方位角２７０°～０°、方位角３１５°～１５°の範囲での無遮蔽角度に分割してもよい。例えば、図３Ｂの場合、仰角３０°における方位角０°～９０°の範囲の無遮蔽角度は９０°、仰角３０°における方位角２７０°～３６０°の範囲の無遮蔽角度は３０°である。本開示では、仰角ごと、所定の方位角範囲ごとの無遮蔽角度を、位置誤差の大きさに影響を及ぼすパラメータとして用いる。あるいは、図２Ｄを用いて説明した仰角ごとの無遮蔽角度の合計を、位置誤差の大きさに影響を及ぼすパラメータとして用いてもよい。

図３Ｃに車両の走行方向と、走行中の位置情報Ｐ１～Ｐ５を示す。位置情報Ｐ１、Ｐ２、Ｐ３、Ｐ４、Ｐ５は、例えば、車両の走行中にこの順で地図データから取得した車両の位置情報である。あるいは、位置情報Ｐ１～Ｐ５は、走行前または走行後に地図データを参照して、走行予定の位置情報または実際に走行した経路の位置情報を地図データから取得したものである。例えば、同じ対象位置Ｐで測位する場合であっても、Ｐ１～Ｐ５を経て紙面の下側から走行してきた場合と、紙面の右側から逆方向に走行してきた場合とでは、衛星測位システムから提供される位置情報の大きさは異なる。そこで、本開示では、対象地点Ｐの１つ前に観測された位置情報Ｐ５と対象地点Ｐで測位された位置情報を結んでできる車両の走行方向を示すベクトルＬ３１と、所定個前に観測された位置情報Ｐ１（あるいは、車両の速度に基づいて算出された走行距離に基づいて、対象地点Ｐよりも所定の距離だけ手前で観測された位置情報Ｐ１）と対象地点Ｐで測位された位置情報を結んでできる車両の走行方向を示すベクトルＬ３２と、がなす角度θについて算出されるｃｏｓθおよび対象地点Ｐを通過するときの車両の走行方向（線Ｌ３１の矢印方向）を位置誤差の大きさに影響を及ぼすパラメータとして用いる。線Ｌ３１は車両の最新の走行方向、線Ｌ３２は直近の所定期間における車両の平均走行方向を表す。ｃｏｓθおよび車両の走行方向（線Ｌ３１の方向）を経路形状と呼ぶ。車両の走行方向は、例えば、図２Ａで説明した方位角で指定してもよい。

本実施形態では、上記の境界数、無遮蔽角度、経路形状を対象地点Ｐの地形の特徴を示す地形特徴データとして、これらを入力パラメータ、対象地点Ｐにおける位置誤差の大きさの確率分布を出力として、両者の関係を学習する。そして、任意の地点の地形特徴データを入力すると、その地点における位置誤差の大きさの確率分布を予測する予測モデルＭを作成する。上記の境界数、無遮蔽角度については、３次元地図データを解析することによって得ることができる。対象地点Ｐの経路形状については、実際に車両を、対象地点Ｐを走行させるときに衛星測位システムから得た位置情報を解析することによって得ることができる。学習部１５のデータ取得部１５１は、対象地点Ｐで計測された位置情報を取得して、学習データ作成部１５２は、経路形状を算出する。

図４は、本開示の誤差情報の確率分布について説明する図である。
実際に車両を走行させると、図４ａに例示するように走行中に測位した位置情報Ｐ１、Ｐ２、Ｐ３、Ｐ４、Ｐ５、Ｐと、その位置情報の誤差の大きさを表す位置誤差範囲情報Ｑ１、Ｑ２、Ｑ３、Ｑ４、Ｑ５、Ｑが得られる。位置誤差範囲情報Ｑ１等を破線の丸印で示す。車両の走行を何度も繰り返すと、位置情報Ｐ１、Ｐ２、Ｐ３、Ｐ４、Ｐ５、Ｐに対応して、その時々の位置誤差範囲情報Ｑ１、Ｑ２、Ｑ３、Ｑ４、Ｑ５、Ｑが得られる。例えば、対象地点ＰについてＮ回の走行および位置誤差の計測を行い、Ｎ回分の位置誤差の大きさを記録する。この情報から対象地点Ｐにおける位置誤差の大きさの確率分布を算出することができる。例えば、Ｎ＝１０回、位置誤差の情報として、位置誤差の大きさｘ１が３回、ｘ２が２回、ｘ３が５回、計測されたとすると、位置誤差の大きさがｘ１となる確率が３０％、ｘ２となる確率が２０％、ｘ３となる確率が５０％という確率分布が得られる。グラフ１００ａに、対象地点Ｐにおける位置誤差の大きさの確率分布の一例を示す。グラフ１００ａの縦軸は確率、横軸は位置誤差の大きさを示す。学習部１５のデータ取得部１５１は、対象地点Ｐで所定回数（例えば、５０回）計測された位置誤差の大きさを取得する。学習データ作成部１５２は、取得された位置誤差の大きさに基づいて、位置誤差の大きさの確率分布を算出する。

図５は、本開示の予測モデルについて説明する図である。
学習部１５は、図３Ａ～図３Ｃで説明した入力パラメータ（地形特徴データ）を入力すると、図４を用いて説明した方法で算出された実測値に基づく位置誤差の大きさの確率分布１００ｂを出力する予測モデルＭを、ニューラルネットワークなどの多出力可能な回帰手法を用いて作成する。

次に予測モデルＭの作成処理について説明する。
図６は、本開示の第一実施形態における学習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１５１が、複数地点の地形特徴データを取得する（ステップＳ１１）。地形特徴データとは、図３Ａで説明した境界数、図２Ｄ又は図３Ｂで説明した無遮蔽角度である。精度の良い予測モデルＭの作成には、なるべく多くの学習データがあった方が好ましいので、様々な地形の特徴を有する地点を対象地点として、各対象地点の地形特徴データを取得する。なお、データ取得部１５１が、複数地点の情報が含まれる３次元の地図データを取得して、学習部１５が、この地図データから各地点の境界数と無遮蔽角度を算出してもよい。データ取得部１５１は、全ての対象地点について、それぞれの対象地点と境界数と無遮蔽角度とを対応付けて記憶部１３に記録する。

次に、複数の対象地点のそれぞれで所定回数以上車両を走行させ、対象地点を含む車両の走行経路において所定の時間間隔で車両の位置情報、位置誤差の大きさを、衛星測位システムを用いて計測する。データ取得部１５１は、複数地点のそれぞれで所定回数以上計測された位置情報と位置誤差の大きさを取得する（ステップＳ１２）。データ取得部１５１は、全ての対象地点について、それぞれの対象地点と位置情報と位置誤差の大きさとを対応付けて記憶部１３に記録する。

次に学習データ作成部１５２は、各地点の経路形状を算出する（ステップＳ１３）。図３Ｃを用いて説明したように学習データ作成部１５２は、各対象地点について、車両の最新の走行方向と、平均走行方向とに基づいて経路形状（図３Ｃのｃｏｓθと走行方向）を算出する。学習データ作成部１５２は、全ての対象地点について、それぞれの対象地点と経路形状とを対応付けて記憶部１３に記録する。

次に学習データ作成部１５２は、各地点の位置誤差の大きさの確率分布を算出する（ステップＳ１４）。図４を用いて説明したように学習データ作成部１５２は、各対象地点において所定回数以上計測された位置誤差の大きさに基づいて、対象地点ごとに位置誤差の大きさの確率分布を算出する。学習データ作成部１５２は、全ての対象地点について、それぞれの対象地点と位置誤差の大きさの確率分布とを対応付けて記憶部１３に記録する。

次にモデル作成部１５３は、予測モデルＭを生成する（ステップＳ１５）。モデル作成部１５３は、記憶部１３に記録された対象地点別の境界数と、無遮蔽角度と、経路形状と、位置誤差の大きさの確率分布と、を対象地点ごとに読み出す。例えば、対象地点１～１００の１００ヶ所設定されている場合、モデル作成部１５３は、対象地点１～１００のうちのいくつかを選択して、これらを学習中の予測モデルＭに与える。そして、例えば、選択された中に対象地点１が含まれている場合、対象地点１の境界数、無遮蔽角度および経路形状を入力すると、対象地点１について算出された位置誤差の大きさの確率分布を出力するように予測モデルＭを訓練する。選択された残りの対象地点についても同様である。モデル作成部１５３は、対象地点１～１００の中から幾つかを選択してこれらを学習データとして、予測モデルＭの学習を行うという処理を所定回数だけ繰り返し行う。これにより、境界数、無遮蔽角度、経路形状という地点Ｐの地形特徴データを入力すると、地点Ｐで得られる位置誤差の大きさの確率分布を出力する予測モデルＭを作成することができる。

次に図６の処理で作成された予測モデルＭに基づいて、任意の地点で衛星測位システムから得られる位置誤差分布情報を予測する処理について説明する。
図７は、本開示の第一実施形態における予測処理の一例を示すフローチャートである。
まず、地形特徴データ取得部１１が、新たな地点の地形特徴データを取得する(ステップＳ２１)。新たな地点とは、位置誤差の大きさの確率分布が未知な地点である。地形特徴データ取得部１１は、予測対象地点の境界数、無遮蔽角度および経路形状を取得する。例えば、ユーザが、予測対象地点を含む３次元の地図データに基づいて、図２Ａ～図２Ｄ、図３Ａ～図３Ｂを用いて説明した方法で、境界数、無遮蔽角度を算出し、これらを位置誤差予測装置１０へ入力する。また、経路形状については、ユーザが、予測対象地点での車両の走行方向、速度の想定値と、地図データ上の予測対象地点の道路の形状に基づいて、経路形状（ｃｏｓθと走行方向）を算出し、この値を位置誤差予測装置１０へ入力する。地形特徴データ取得部１１は、位置誤差予測装置１０へ入力された地形特徴データ（境界数、無遮蔽角度、経路形状）を取得し、これらを予測部１２へ渡す。

予測部１２は、新たな地点における位置誤差の大きさの分布を予測する(ステップＳ２２)。予測部１２は、境界数、無遮蔽角度、経路形状を学習済みの予測モデルＭへ入力する。予測モデルＭは、位置誤差の大きさの確率分布を予測する。次に出力部１４は、予測モデルＭによる予測結果を出力する(ステップＳ２３)。例えば、出力部１４は、図４のグラフ１００ａ、図５のグラフ１００ｂのような確率分布のグラフをディスプレイ等に出力する。

本実施形態によれば、任意の地点で衛星測位システムから提供される位置誤差の大きさの確率分布を得ることができる。従って、例えば、位置誤差の大きさに基づいて失敗率を算出する場合でも、その失敗率の精度を把握することができる。また、対象地点の地形特徴データが分かれば、その地点の位置誤差の大きさの確率分布を得ることができるので、初めて走行する道路についても事前に位置誤差の大きさの確率分布を予測することができる。

＜第二実施形態＞
次に図８Ａ～図１０を参照して、第二実施形態における位置誤差の大きさの確率分布の予測処理について説明する。
図８Ａは、本開示の第二実施形態における位置誤差予測装置の一例を示す図である。位置誤差予測装置１０Ａは、地形特徴データ取得部１１と、予測部１２と、記憶部１３と、出力部１４と、学習部１５Ａ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。

学習部１５Ａは、データ取得部１５１と、学習データ作成部１５２と、モデル作成部１５３と、学習データ選択部１５４と、を備える。図６を用いて説明したように、モデル作成部１５３は、複数の対象地点のうちのいくつかを選択して、予測モデルＭの学習を行うという処理を所定回数繰り返して、予測モデルＭの精度を高めていく。学習データ選択部１５４は、予測モデルＭの学習時に、位置誤差の大きさの確率分布を、分布が類似するグループごとに分類する。そして、学習データ選択部１５４は、対象地点を選択する処理において、各グループから選択される学習データの数の比率がほぼ均等となるように対象地点を選択する。モデル作成部１５３は、選択された位置誤差の大きさの確率分布とそれに対応する入力データの組みを用いて予測モデルＭを作成する。

学習部１５Ａは、位置誤差予測装置１０と独立した装置として構成してもよい。図８Ｂに例を示す。図８Ｂは、本開示の第二実施形態における位置誤差予測システムの一例を示す図である。位置誤差予測システム１Ａは、位置誤差予測装置１０´と、モデル作成装置１５０Ａとを備える。モデル作成装置１５０Ａは、データ取得部１５１と、学習データ作成部１５２と、モデル作成部１５３と、学習データ選択部１５４と、を備える。これらの機能については、図８Ａを用いて説明したとおりである。位置誤差予測装置１０´については、図１Ｂを用いて説明したとおりである。以下、図８Ａに例示する位置誤差予測装置１０Ａを例に説明を行う。

図９は、本開示の第二実施形態における学習データの選択処理について説明する図である。
位置誤差の大きさの分布は異なる地点で同じ、あるいは、近い分布となることがある。例えば、地形の特徴が異なる複数の地点で位置誤差の大きさを所定回数計測した結果、グラフ９ａに類似する確率分布が１０００個、グラフ９ｂに類似する確率分布が１０個、グラフ９ｃに類似する確率分布が８個得られるようなことがあり得る。（位置誤差の大きさ＝０付近の確率が高いグラフ９ａのような結果は、多くの地点で比較的多く得られる。）これらのデータの中から任意に学習データを選択して、予測モデルＭの学習を行うという処理を繰り返すと、選択される学習データが、グラフ９ａに類似するデータに偏り、どのような地形特徴データを与えてもグラフ９ａに類似する確率分布の予測を行う予測モデルＭが作成される。このような事態を防ぐために第二実施形態では、図９に示すように確率分布のパターンに偏りがなくなるようにデータ数を調整する。例えば、学習データ選択部１５４は、グラフ９ａに類似する確率分布が１０００個の中から１０個を選択して、グラフ９ｂに類似する確率分布１０個、グラフ９ｃに類似する確率分布８個とそれぞれに対応する地形特徴データを学習データとして選択する。モデル作成部１５３は選択された学習データを用いて、予測モデルＭの学習を行う。これにより、偏りのない学習データによって予測モデルＭを作成し、予測の誤り（偏り）を防止する。

次に第二実施形態における予測モデルＭの作成処理について説明する。
図１０は、本開示の第二実施形態における学習処理の一例を示すフローチャートである。第一実施形態と同様の処理については簡単に説明する。
まず、データ取得部１５１が、複数地点の地形特徴データを取得する（ステップＳ１１）。次にデータ取得部１５１は、複数地点のそれぞれで所定回数以上計測された位置情報と位置誤差の大きさを取得する（ステップＳ１２）。次に学習データ作成部１５２は、各地点の経路形状を算出する（ステップＳ１３）。次に学習データ作成部１５２は、各地点の位置誤差の大きさの確率分布を算出する（ステップＳ１４）。

次に学習データ選択部１５４は、位置誤差の大きさの確率分布を分類する(ステップＳ１５１)。学習データ選択部１５４は、例えば、位置誤差の確率のピークが類似するもの同士を同じグループに分類する。

次にモデル作成部１５３が、予測モデルＭを生成する（ステップＳ１５２）。このとき、学習データ選択部１５４は、分類後のグループから偏りなく学習データを選択する。例えば、グループＡとグループＢに分類された場合、学習データ選択部１５４は、グループＡとグループＢから選択される確率分布の数の比率が均等となるように、それぞれ１０個の確率分布を選択し、選択した確率分布に対応する地形特徴データを記憶部１３から読み出す。モデル作成部１５３は、選択された地形特徴データおよび位置誤差の大きさの確率分布を予測モデルＭに与えて学習を行う。学習データ選択部１５４が、偏りなく学習データを選択し、モデル作成部１５３が、選択された学習データを用いて予測モデルＭを訓練するという処理を繰り返し行い、予測モデルＭが作成される。

本実施形態によれば、第一実施形態の効果に加え、予測精度を向上する効果が得られる。

図１１は、本開示の各実施形態における位置誤差予測装置及びモデル作成装置のハードウェア構成の一例を示す図である。
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。上述の位置誤差予測装置１０，１０Ａ、モデル作成装置１５０，１５０Ａ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。

少なくとも１つの実施形態において、補助記憶装置９０３は、一時的でない有形の媒体の一例である。一時的でない有形の媒体の他の例としては、入出力インタフェース９０４を介して接続される磁気ディスク、光磁気ディスク、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、半導体メモリ等が挙げられる。このプログラムが通信回線によってコンピュータ９００に配信される場合、配信を受けたコンピュータ９００が当該プログラムを主記憶装置９０２に展開し、上記処理を実行しても良い。当該プログラムは、前述した機能の一部を実現するためのものであっても良い。さらに、当該プログラムは、前述した機能を補助記憶装置９０３に既に記憶されている他のプログラムとの組み合わせで実現するもの、いわゆる差分ファイル（差分プログラム）であっても良い。

その他、本発明の趣旨を逸脱しない範囲で、上記した実施の形態における構成要素を周知の構成要素に置き換えることは適宜可能である。この発明の技術範囲は上記の実施形態に限られるものではなく、本発明の趣旨を逸脱しない範囲において種々の変更を加えることが可能である。
例えば、実施形態では、予測モデルＭに対する入力パラメータとして、境界数、無遮蔽角度、経路形状の３つを用いることとしたが、これらのうちの１つ、又は２つのみを用いてもよい。

＜付記＞
実施形態に記載の位置誤差予測装置１０，１０Ａ、位置誤差予測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。

（１）第１の態様に係る位置誤差予測装置１０，１０Ａは、移動体が存在すると考えられる位置情報の誤差の大きさの確率分布を予測する位置誤差予測装置であって、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における前記誤差の大きさの確率分布との関係を示す予測モデルＭと、予測対象地点の前記地形特徴データと、に基づいて、前記予測対象地点における前記誤差の大きさの確率分布を予測する予測部１２、を備える。
これにより、任意の地点において衛星測位システムから得られる位置情報の誤差の大きさの確率分布を得ることができる。

（２）第２の態様に係る位置誤差予測装置１０，１０Ａは、（１）の位置誤差予測装置１０，１０Ａであって、前記地形特徴データは、前記地点の上空において、当該地点の地面を基準とした仰角ごとの衛星測位システムの衛星との間に遮蔽がない空間の大きさを示す値である。

（３）第３の態様に係る位置誤差予測装置１０，１０Ａは、（１）～（２）の位置誤差予測装置１０，１０Ａであって、前記地形特徴データは、前記地点の上空において、当該地点の地面を基準とした仰角ごとの、衛星測位システムの衛星との間に遮蔽がない空間と遮蔽がある空間との境界の数を示す値である。

（４）第４の態様に係る位置誤差予測装置１０，１０Ａは、（１）～（３）の位置誤差予測装置１０，１０Ａであって、前記地形特徴データは、前記地点を通過する移動体の走行経路の形状に基づく所定の特徴量と前記移動体の走行方向である。

（５）第５の態様に係る位置誤差予測装置１０，１０Ａは、（１）～（４）の位置誤差予測装置１０，１０Ａであって、前記地形特徴データと、その地形特徴データを有する地点で計測された複数の前記誤差の大きさに基づいて算出された前記確率分布と、の関係を学習して、前記予測モデルを作成する学習部１５、を更に備える。

（６）第６の態様に係る位置誤差予測装置１０Ａは、（５）の位置誤差予測装置１０Ａであって、前記学習部１５は、前記確率分布を類似するグループごとに分類し、前記グループの各々から選択される前記確率分布の数の比率が、均等とみなせる所定の範囲の比率（例えば、グループが２つの場合、１：１を基準に１：１．５～１．５：１の範囲）となるように、前記グループの各々から前記確率分布を選択し、選択した前記確率分布と、その前記確率分布に対応する前記地形特徴データに基づいて前記予測モデルを作成する。
これにより、学習データの偏りによる予測精度の低下を防止することができる。

（７）第７の態様に係るモデル作成装置１５０、１５０Ａは、ある地点の地形の特徴を示す地形特徴データと、前記地点で衛星測位システムから取得した前記衛星測位システムによって測位された位置情報の誤差の大きさを示す情報を複数と、を取得するデータ取得部１５１と、複数の前記誤差の大きさを示す情報に基づいて、前記誤差の大きさの確率分布を算出する学習データ作成部１５２と、前記地形特徴データと、前記誤差の大きさの確率分布と、に基づいて、前記地形特徴データと前記誤差の大きさの確率分布との関係を示す予測モデルを作成する予測モデル作成部１５３と、を備える。
これにより、任意の地点の地形特徴データを入力すると、その地点で衛星測位システムから得られる位置情報の誤差の大きさの確率分布を出力する予測モデルを作成することができる。

（８）第８の態様に係る位置誤差予測方法は、移動体が存在すると考えられる位置情報の誤差の大きさの確率分布を予測する位置誤差予測方法であって、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における前記誤差の大きさの確率分布との関係を示す予測モデルと、予測対象地点の前記地形特徴データと、に基づいて、前記予測対象地点における前記誤差の大きさの確率分布を予測する。

（９）第９の態様に係るモデル作成方法は、ある地点の地形の特徴を示す地形特徴データと、前記地点で衛星測位システムから取得した前記衛星測位システムによって測位された位置情報の誤差の大きさを示す情報を複数と、を取得し、複数の前記誤差の大きさを示す情報に基づいて、前記誤差の大きさの確率分布を算出し、前記地形特徴データと、前記誤差の大きさの確率分布と、に基づいて、前記地形特徴データと前記誤差の大きさの確率分布との関係を示す予測モデルを作成する。

（１０）第１０の態様に係るプログラムは、コンピュータに、移動体が存在すると考えられる位置情報の誤差の大きさの確率分布を予測する位置誤差予測方法であって、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における前記誤差の大きさの確率分布との関係を示す予測モデルと、予測対象地点の前記地形特徴データと、に基づいて、前記予測対象地点における前記誤差の大きさの確率分布を予測する処理、を実行させる。

（１１）第１１の態様に係るプログラムは、コンピュータに、ある地点の地形の特徴を示す地形特徴データと、前記地点で衛星測位システムから取得した前記衛星測位システムによって測位された位置情報の誤差の大きさを示す情報を複数と、を取得し、複数の前記誤差の大きさを示す情報に基づいて、前記誤差の大きさの確率分布を算出し、前記地形特徴データと、前記誤差の大きさの確率分布と、に基づいて、前記地形特徴データと前記誤差の大きさの確率分布との関係を示す予測モデルを作成する処理、を実行させる。

上記した位置誤差予測装置、誤差予測方法及びプログラムによれば、衛星を利用した測位における測位された位置誤差の大きさの分布を推定することができる。上記したモデル作成装置、モデル作成方法及びプログラムによれば、衛星を利用した測位における位置誤差の大きさの分布を予測する予測モデルを作成することができる。

１ 位置誤差予測システム
１０ 位置誤差予測装置
１１ 地形特徴データ取得部
１２ 予測部
１３ 記憶部
１４ 出力部
１５ 学習部
１５０、１５０Ａ モデル作成装置
１５１ データ取得部
１５２ 学習データ作成部
１５３ モデル作成部
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 (11)

1. 移動体が存在すると考えられる位置情報の誤差の大きさの確率分布を予測する位置誤差予測装置であって、
   ある地点の地形の特徴を示し、前記地点の地面を基準とした仰角ごとの前記地点の上空の空間が有する、衛星測位システムの衛星からの信号の受信のし易さに関係する値が含まれる地形特徴データと前記地点における前記誤差の大きさの確率分布との関係を示す予測モデルと、予測対象地点の前記地形特徴データと、に基づいて、前記予測対象地点における前記誤差の大きさの確率分布を予測する予測部、
   を備える位置誤差予測装置。
2. 前記受信のし易さに関係する値は、前記地点の上空において、当該地点の地面を基準とした仰角ごとの前記衛星測位システムの衛星との間に遮蔽がない空間の大きさを示す値である、
   請求項１に記載の位置誤差予測装置。
3. 前記受信のし易さに関係する値は、前記地点の上空において、当該地点の地面を基準とした仰角ごとの、前記衛星測位システムの衛星との間に遮蔽がない空間と遮蔽がある空間との境界の数を示す値である、
   請求項１または請求項２に記載の位置誤差予測装置。
4. 前記地形特徴データには、さらに前記地点を通過する移動体の走行経路の形状に基づく所定の特徴量と前記移動体の走行方向が含まれる、
   請求項１から請求項３の何れか１項に記載の位置誤差予測装置。
5. 前記地形特徴データと、その地形特徴データを有する地点で計測された複数の前記誤差の大きさに基づいて算出された前記確率分布と、
   の関係を学習して、前記予測モデルを作成する学習部、
   を更に備える請求項１から請求項４の何れか１項に記載の位置誤差予測装置。
6. 前記学習部は、前記確率分布を類似するグループごとに分類し、前記グループの各々から選択される前記確率分布の数の比率が、均等とみなせる所定の範囲の比率となるように、前記グループの各々から前記確率分布を選択し、選択した前記確率分布と、その前記確率分布に対応する前記地形特徴データに基づいて、前記予測モデルを作成する、請求項５に記載の位置誤差予測装置。
7. ある地点の地形の特徴を示す地形特徴データと、前記地点で衛星測位システムから取得した前記衛星測位システムによって測位された位置情報の誤差の大きさを示す情報を複数と、を取得するデータ取得部と、
   複数の前記誤差の大きさを示す情報に基づいて、前記誤差の大きさの確率分布を算出する学習データ作成部と、
   前記地形特徴データと、前記誤差の大きさの確率分布と、に基づいて、前記地形特徴データと前記誤差の大きさの確率分布との関係を示す予測モデルを作成する予測モデル作成部と、
   を備え、
   前記地形特徴データには、前記地点の地面を基準とした仰角ごとの前記地点の上空の空間が有する、衛星測位システムの衛星からの信号の受信のし易さに関係する値が含まれる、
   モデル作成装置。
8. 移動体が存在すると考えられる位置情報の誤差の大きさの確率分布を予測する位置誤差予測方法であって、
   ある地点の地形の特徴を示し、前記地点の地面を基準とした仰角ごとの前記地点の上空の空間が有する、衛星測位システムの衛星からの信号の受信のし易さに関係する値が含まれる地形特徴データと前記地点における前記誤差の大きさの確率分布との関係を示す予測モデルと、予測対象地点の前記地形特徴データと、に基づいて、前記予測対象地点における前記誤差の大きさの確率分布を予測する、
   位置誤差予測方法。
9. ある地点の地形の特徴を示し、前記地点の地面を基準とした仰角ごとの前記地点の上空の空間が有する、衛星測位システムの衛星からの信号の受信のし易さに関係する値が含まれる地形特徴データと、前記地点で衛星測位システムから取得した前記衛星測位システムによって測位された位置情報の誤差の大きさを示す情報を複数と、を取得し、
   複数の前記誤差の大きさを示す情報に基づいて、前記誤差の大きさの確率分布を算出し、
   前記地形特徴データと、前記誤差の大きさの確率分布と、に基づいて、前記地形特徴データと前記誤差の大きさの確率分布との関係を示す予測モデルを作成する、モデル作成方法。
10. コンピュータに、
    移動体が存在すると考えられる位置情報の誤差の大きさの確率分布を予測する位置誤差予測方法であって、
    ある地点の地形の特徴を示し、前記地点の地面を基準とした仰角ごとの前記地点の上空の空間が有する、衛星測位システムの衛星からの信号の受信のし易さに関係する値が含まれる地形特徴データと前記地点における前記誤差の大きさの確率分布との関係を示す予測モデルと、予測対象地点の前記地形特徴データと、に基づいて、前記予測対象地点における前記誤差の大きさの確率分布を予測する処理、
    を実行させるプログラム。
11. コンピュータに、
    ある地点の地形の特徴を示し、前記地点の地面を基準とした仰角ごとの前記地点の上空の空間が有する、衛星測位システムの衛星からの信号の受信のし易さに関係する値が含まれる地形特徴データと、前記地点で衛星測位システムから取得した前記衛星測位システムによって測位された位置情報の誤差の大きさを示す情報を複数と、を取得し、
    複数の前記誤差の大きさを示す情報に基づいて、前記誤差の大きさの確率分布を算出し、
    前記地形特徴データと、前記誤差の大きさの確率分布と、に基づいて、前記地形特徴データと前記誤差の大きさの確率分布との関係を示す予測モデルを作成する処理、を実行させるプログラム。

Images