JP7347431B2 - 情報処理装置および情報処理方法、並びにプログラム - Google Patents

情報処理装置および情報処理方法、並びにプログラム Download PDF

Info

Publication number
JP7347431B2
JP7347431B2 JP2020539336A JP2020539336A JP7347431B2 JP 7347431 B2 JP7347431 B2 JP 7347431B2 JP 2020539336 A JP2020539336 A JP 2020539336A JP 2020539336 A JP2020539336 A JP 2020539336A JP 7347431 B2 JP7347431 B2 JP 7347431B2
Authority
JP
Japan
Prior art keywords
weight
sensors
allan variance
unit
sensor
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
JP2020539336A
Other languages
English (en)
Other versions
JPWO2020045099A1 (ja
Inventor
晴登 武田
功誠 山下
裕之 鎌田
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.)
Sony Corp
Sony Group Corp
Original Assignee
Sony Corp
Sony Group Corp
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 Sony Corp, Sony Group Corp filed Critical Sony Corp
Publication of JPWO2020045099A1 publication Critical patent/JPWO2020045099A1/ja
Application granted granted Critical
Publication of JP7347431B2 publication Critical patent/JP7347431B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D3/00—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups
    • G01D3/08—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups with provision for safeguarding the apparatus, e.g. against abnormal operation, against breakdown
    • 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
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
    • G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D1/00—Measuring arrangements giving results other than momentary value of variable, of general application
    • G01D1/04—Measuring arrangements giving results other than momentary value of variable, of general application giving integrated values
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D3/00—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups
    • G01D3/028—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups mitigating undesired influences, e.g. temperature, pressure
    • G01D3/036—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups mitigating undesired influences, e.g. temperature, pressure on measuring arrangements themselves
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)

Description

本開示は、情報処理装置および情報処理方法、並びにプログラムに関し、特に、複数のセンサのノイズ特性と、観測値に対する条件に応じて、複数のセンサの観測値を適切に合成できるようにした情報処理装置および情報処理方法、並びにプログラムに関する。
IMU(Inertial Measurement Unit)等に代表されるセンサを複数に備え、複数のセンサの観測値を合成することで検出精度を向上させる技術が提案されている。
複数のセンサの観測値を合成する技術として、例えば、マルチIMUの観測値を、遠心力を含めて合成し、角速度の推定値の精度を上げることを、理論的解析、シミュレーションと実測値で検証する技術が提案されている（非特許文献１参照）。
Isaac Skog, et.al.: Inertial Sensor Arrays, Maximum Likelihood, and Cram´er-Rao Bound, IEEE Transactions on Signal Processing 64(16) 2016.
しかしながら、非特許文献１に記載の技術においては、各IMUの個別のノイズ特性の差を利用したカスタマイズや最適化は行われていない。
本開示は、このような状況に鑑みてなされたものであり、特に、複数のセンサのノイズ特性と、観測値に対する条件に応じて、複数のセンサの観測値を適切に合成できるようにするものである。
本開示の一側面の情報処理装置およびプログラムは、複数のセンサのそれぞれの特性に基づいて、前記センサ毎の重みを計算する重み計算部と、前記複数のセンサのそれぞれの観測値と、前記重み計算部により計算された前記センサ毎の重みとの積和により、前記複数のセンサの観測値を合成し、合成観測値として出力する重み合成部とを含み、前記重み計算部は、前記複数のセンサのそれぞれの観測値のアラン分散を、前記センサの特性として計算するアラン分散計算部と、前記アラン分散計算部により計算された前記アラン分散に基づいて、前記センサ毎の前記重みを計算し、決定する重み決定部とを含む情報処理装置である。
本開示の一側面の情報処理方法は、複数のセンサのそれぞれの特性に基づいて、前記センサ毎の重みを計算する重み計算処理と、前記複数のセンサのそれぞれの観測値と、前記重み計算処理により計算された前記センサ毎の重みとの積和により、前記複数のセンサの観測値を合成し、合成観測値として出力する重み合成処理とを含み、前記重み計算処理は、前記複数のセンサのそれぞれの観測値のアラン分散を、前記センサの特性として計算するアラン分散計算処理と、前記アラン分散計算処理により計算された前記アラン分散に基づいて、前記センサ毎の前記重みを計算し、決定する重み決定処理とを含む情報処理方法である。
本開示の一側面においては、複数のセンサのそれぞれの特性に基づいて、前記センサ毎の重みが計算され、前記複数のセンサのそれぞれの観測値と、前記重み計算部により計算された前記センサ毎の重みとの積和により、前記複数のセンサの観測値が合成され、合成観測値として出力され、前記複数のセンサのそれぞれの観測値のアラン分散が、前記センサの特性として計算され、計算された前記アラン分散に基づいて、前記センサ毎の前記重みが計算され、決定される。
複数のセンサの観測値を平均化するマルチセンサの構成例を説明する図である。 本開示の概要を説明する図である。 アラン分散とノイズの関係を説明する図である。 本開示のマルチセンサの構成例を説明するハードウェア図である。 図４のマルチセンサにより実現される機能の第１の実施の形態を説明する図である。 図５のマルチセンサによる時間窓長が指定された場合の重み計算処理（その１－１）を説明するフローチャートである。 図５のマルチセンサによる時間窓長が指定されない場合の重み計算処理（その１－２）を説明するフローチャートである。 図４のマルチセンサによる重み合成処理（その１）を説明するフローチャートである。 図４のマルチセンサにより実現される機能の第２の実施の形態を説明する図である。 図９のマルチセンサによる重み計算処理（その２）を説明するフローチャートである。 図９のマルチセンサによる重み合成処理（その２）を説明するフローチャートである。 図４のマルチセンサにより実現される機能の第３の実施の形態を説明する図である。 図１２のマルチセンサによる重み計算処理（その３）を説明するフローチャートである。 図１２のマルチセンサによる重み合成処理（その３）を説明するフローチャートである。 汎用のパーソナルコンピュータの構成例を説明する図である。
以下に添付図面を参照しながら、本開示の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。
以下、本技術を実施するための形態について説明する。説明は以下の順序で行う。
１．本開示の概要
２．第１の実施の形態
３．第２の実施の形態
４．第３の実施の形態
５．ソフトウェアにより実行させる例
＜＜１．本開示の概要＞＞
本開示は、複数のセンサのノイズ特性と、観測値に対する条件に応じて、複数のセンサの観測値を適切に合成できるようにするものである。
まず、本開示の概要について説明する。
複数の同一のパラメータをセンシングするセンサを備え、複数のセンサの観測値を合成して１つの観測値として出力する装置は、一般に、マルチセンサと称されている。
マルチセンサは、白色ノイズを低減させるような場合、例えば、図１で示されるような構成とされる。
すなわち、図１のマルチセンサ１１は、複数のセンサ３１－１乃至３１－Ｎと平均化部３２とを備えている。
尚、センサ３１－１乃至３１－Ｎについて、特に区別する必要がない場合、単に、センサ３１と称するものとし、その他の構成についても同様に称する。
複数のセンサ３１－１乃至３１－Ｎは、同一のパラメータとして、例えば、加速度や角速度を検出するセンサであり、それぞれの観測値を平均化部３２に出力する。
平均化部３２は、複数のセンサ３１－１乃至３１－Ｎからの観測値を平均化して、マルチセンサ１１の観測値として出力する。
このマルチセンサ１１は、例えば、マルチIMU(Inertial Measurement Unit)として機能するような場合、マルチセンサ１１の出力はマルチIMUの出力となり、センサ３１－１乃至３１－Ｎのそれぞれの加速度および角速度の平均値が出力される。
しかしながら、図１のマルチセンサ１１の場合、白色ノイズの低減は、実現できるが、量子化ノイズ、フリッカノイズ、ランダムウォークなどのその他のノイズは必ずしも低減できない恐れがある。
また、図１のマルチセンサ１１の場合、複数のセンサ３１－１乃至３１－Ｎのそれぞれのノイズ特性に応じた調整や、複数のセンサ３１－１乃至３１－Ｎの観測値の使用目的に応じて、例えば、どのような種別のノイズに対する耐性を高めた調整が必要であるかを示すような条件に応じた調整がなされていない。
そこで、本開示のマルチセンサは、複数のセンサのノイズ特性と、観測値の使用目的に応じた条件とに基づいて、複数のセンサの観測値に対する重みを設定し、設定した重みに基づいて観測値を適切に合成して出力する。
より詳細には、例えば、本開示のマルチセンサ５１は、センサ６１－１乃至６１－Ｎ、重み計算部６２、および重み合成部６３を備えている。
センサ６１－１乃至６１－Ｎは、それぞれ同一のパラメータを観測（検出）し、観測値Ｘ１（ｔ）乃至ＸＮ（ｔ）を重み計算部６２に出力する。
重み計算部６２は、センサ６１－１乃至６１－Ｎのそれぞれの観測値を取得して、それぞれのノイズ統計量を計算する。そして、重み計算部６２は、使用目的に応じた条件に基づいて、ノイズ統計量を選択的に利用し、センサ６１－１乃至６１－Ｎのそれぞれの重みｗ１乃至ｗＮ（０≦ｗ１，ｗ２，ｗ３，・・・，ｗＮ≦１，ｗ１＋ｗ２＋ｗ３＋・・・＋ｗＮ＝１）として計算し、重み合成部６３に出力する。
重み合成部６３は、重み計算部６２より供給される重みｗ１乃至ｗＮに基づいて、観測値Ｘ１（ｔ）乃至ＸＮ（ｔ）を合成して、合成結果（Σｗ１Ｘｎ（ｔ））をマルチセンサ５１の観測値Ｙ（ｔ）として出力する。
ここで、ノイズ統計量について説明する。
ノイズ統計量としては、例えば、アラン分散を用いる。
アラン分散は、時間窓長τに対応する分散σである。尚、図３は、縦軸がアラン分散の平方根（Root Allan Variance）σであり、横軸が時間窓長τである。
各ノイズは、アラン分散σの特定の時間窓長τにおいて優勢に観測される。
このため、図３で示されるように、時間窓長τが10-3近傍であるときには、AD変換の量子化誤差である量子化ノイズ（quantization noise）が優勢に観測され、時間窓長τが10-1近傍であるときには、周波数特性が理想的に平らなノイズである白色ノイズ（white noise）が優勢に観測される。
また、時間窓長τが100近傍であるときには、高周波成分ほど確実に小さくなる周波数スペクトルを持つノイズであるフリッカノイズ（flicker noise）が優勢に観測され、時間窓長τが102近傍であるときには、帯域制限されたノイズであるノイズ（correlated noise）が優勢に観測される。
さらに、時間窓長τが104近傍であるときには、ランダムウォーク（random walk）が優勢に観測され、時間窓長τが106近傍であるときには、一定の傾きで変化するドリフト（linear drift）が優勢に観測される。
このように、アラン分散においては、時間窓長τに応じて、優勢に観測されるノイズの種別が異なる。また、アラン分散における時間窓長τが短い程、ノイズが支配的になり、時間窓長τが長い程、バイアス安定性が支配的になる。
このため、重み計算部６２は、例えば、マルチセンサ１１の観測値を、量子化ノイズを低減させたい場合については、センサ６１－１乃至６１－Ｎのそれぞれのノイズ統計量である、時間窓長τが10-3近傍であるアラン分散が最小になるように、重みｗ１乃至ｗＮ（ｗ１＋ｗ２＋ｗ３＋・・・＋ｗＮ＝１）を計算する。
重み合成部６３は、量子化ノイズを低減するために、量子化ノイズが優勢に観測されるアラン分散を最小にする重みｗ１乃至ｗＮを用いて、観測値Ｘ１（ｔ）乃至ＸＮ（ｔ）を合成して、合成結果（Σｗ１Ｘｎ（ｔ））をマルチセンサ５１の観測値Ｙ（ｔ）として出力する。
その他の種別のノイズについても同様に、特定の種別のノイズが優勢に観測される時間窓長τのアラン分散を最小にするように、重みが計算されるようにする。
そして、マルチセンサ１１の観測値の使用目的に応じた低減させたい種別のノイズが低減されるように計算された重みを用いて、センサ６１－１乃至６１－Ｎのそれぞれの観測値を合成する。
この処理により、マルチセンサ１１における複数のセンサ６１－１乃至６１－Ｎのそれぞれのノイズ特性に基づいた、使用目的に応じたノイズが優勢に観測される時間窓長τのアラン分散を最小にする重みの設定が可能となり、複数のセンサ６１－１乃至６１－Ｎの観測値を、センサ６１－１乃至６１－Ｎのそれぞれのノイズ特性と、センサ６１－１乃至６１－Ｎの観測値を合成した観測値の使用目的とに応じて適切に合成することが可能となる。
観測値の使用目的が、例えば、GPSやカメラ等の外部からの観測信号と融合して慣性航法への適用であるような場合、観測信号のバイアス変動を小さくしたいため、長めの時間窓長τを条件に設定して重みを設定する。
一方、観測値の使用目的が、例えば、GPSやカメラ等の外部からの観測信号を利用することのできない純粋な慣性航法への適用や、地球の自転方向から方位角を求めるような適用である場合、短めの時間窓長τに設定して重みを設定する。
＜＜２．第１の実施の形態＞＞
＜マルチセンサの構成例＞
次に、図４のブロック図を参照して、本開示のマルチセンサのハードウェアの構成例について説明する。
図４のマルチセンサ１０１は、制御部１２１、センサ１２２－１乃至１２２－Ｎ、入力部１２３、出力部１２４、記憶部１２５、通信部１２６、ドライブ１２７、およびリムーバブル記憶媒体１２８より構成されており、相互にバス１２９を介して接続されており、データやプログラムを送受信することができる。
制御部１２１は、プロセッサやメモリから構成されており、マルチセンサ１０１の動作の全体を制御する。制御部１２１は、重み計算部１５１、および重み合成部１５２を備えている。
重み計算部１５１は、図２の重み計算部６２に相当する構成であり、センサ１２２－１乃至１２２－ｎのそれぞれの観測値に基づいて、それぞれのノイズ特性をノイズ統計量として計算する。ここで、センサ１２２－１乃至１２２－ｎは、例えば、IMU(Inertial Measurement Unit)であり、図２のセンサ６１－１乃至６１－Nに相当する。
そして、重み計算部１５１は、マルチセンサ１０１の観測値の使用用途や目的に応じて、必要とされるノイズ統計量に基づいて、重みを計算して重み合成部１５２に出力する。
重み合成部１５２は、重み計算部１５１より供給される重みに基づいて、センサ１２２－１乃至１２２－ｎのそれぞれのセンシング結果を合成して、マルチセンサ１０１のセンシング結果として出力する。
尚、制御部１２１により実現される重み計算部１５１、および重み合成部１５２の機能の詳細な構成例については、図５を参照して、後述する。
入力部１２３は、ユーザが操作コマンドを入力するキーボード、マウスなどの入力デバイスより構成され、入力された各種の信号を制御部１２１に供給する。
出力部１２４は、制御部１２１により制御され、供給される操作画面や処理結果の画像を図示せぬ表示デバイスに出力して表示する。
記憶部１２５は、HDD（Hard Disk Drive）、SSD（Solid State Drive）、または、半導体メモリなどからなり、制御部１２１により制御され、コンテンツデータを含む各種のデータおよびプログラムを書き込む、または、読み出す。
通信部１２６は、制御部１２１により制御され、有線（または無線（図示せず））により、LAN（Local Area Network）などに代表される通信ネットワークを介して、各種の装置との間で各種のデータやプログラムを送受信する。
ドライブ１２７は、磁気ディスク（フレキシブルディスクを含む）、光ディスク（CD-ROM(Compact Disc-Read Only Memory)、DVD(Digital Versatile Disc)を含む）、光磁気ディスク（ＭＤ(Mini Disc)を含む）、もしくは半導体メモリなどのリムーバブル記憶媒体１２８に対してデータを読み書きする。
＜重み計算部および重み合成部の機能の第１の構成例＞
次に、図５を参照して、図４のマルチセンサ１０１の制御部１２１により実現される重み計算部１５１および重み合成部１５２の機能の第１の構成例について説明する。
重み計算部１５１は、アラン分散計算部１７１、および重み決定部１７２を備えている。
アラン分散計算部１７１は、オフラインでセンサ１２２－１乃至１２２－ｎの観測値に基づいたノイズ統計情報として、時間窓長τを様々に変化させて、アラン分散を計算し、センサ１２２－１乃至１２２－ｎのそれぞれについてのノイズ特性として記憶する。
重み決定部１７２は、センサ１２２－１乃至１２２－ｎのノイズ特性である、アラン分散と、ユーザにより指定される条件とに基づいて、センサ１２２－１乃至１２２－ｎの観測値の重みｗ１乃至ｗｎを決定して重み合成部１５２に出力する。尚、条件に応じた重み決定方法については、詳細を後述する。
重み合成部１５２は、重み合成計算部１９１を備えている。
重み合成計算部１９１は、以下の式（１）で示される演算により、センサ１２２－１乃至１２２－ｎの観測値Ｘ１（ｔ）乃至Ｘｎ（ｔ）と、重み決定部１７２より供給される重みｗ１乃至ｗｎとの積和（重み和）をマルチセンサ１０１の観測値Y（ｔ）として計算する。
Figure 0007347431000001
換言すれば、重み合成計算部１９１は、式（１）を計算することにより、センサ１２２－１乃至１２２－ｎの観測値Ｘ１（ｔ）乃至Ｘｎ（ｔ）を、重み決定部１７２より供給される重みｗ１乃至ｗｎを用いて合成し、マルチセンサ１０１の観測値Y（ｔ）として出力する。
尚、重み計算部１５１は、マルチセンサ１０１本体ではなく、マルチセンサ１０１とネットワークで接続されるクラウドサーバ等における機能として実現されるようにしてもよい。すなわち、この場合、重み合成部１５２の重み合成計算部１９１は、ネットワークを介して、クラウドサーバ上の重み計算部１５１において、センサ１２２－１乃至１２２－ｎのそれぞれの特性に応じて計算された重みｗ１乃至ｗｎを取得する。そして、重み合成計算部１９１は、式（１）を計算することにより、センサ１２２－１乃至１２２－ｎの観測値Ｘ１（ｔ）乃至Ｘｎ（ｔ）を、クラウドサーバより取得した重みｗ１乃至ｗｎを用いて合成し、マルチセンサ１０１の観測値Y（ｔ）として出力するようにしてもよい。
（時間窓長τが指定される場合の重み決定方法）
次に、入力部１２３が操作されて、条件として時間窓長τが指定される場合の重み決定方法について説明する。
条件として時間窓長τが指定されるということは、図３を参照して説明したように、実質的に、調整すべきノイズの種類が指定されることになる。
換言すれば、ノイズの種類が指定される場合、対応する時間窓長τが指定されたものとみなすことができる。
重み決定部１７２は、時間窓長τが指定される場合、以下の式（２）に基づいて、指定された時間窓長τのアラン分散σが最小になるときの、上記式（１）による重み合成計算結果である観測値Ｙ（ｔ）となる重みｗ１乃至ｗｎを決定する。
Figure 0007347431000002
ここで、ｆ（ｗ）は、時間窓長τのセンサ１２２－１乃至１２２－ｎの観測値Ｘ１（ｔ）乃至Ｘｎ（ｔ）の合成結果である観測値Ｙ（ｔ）のアラン分散σ（τ；Ｙ）が最小であるときの重みｗ１乃至ｗｎを用いて表現される関数である。
また、時間窓長τの観測値Ｙ（ｔ）のアラン分散σ（τ；Ｙ）は、以下の式（３）で表される。
Figure 0007347431000003
ここで、ｗｎは、センサ１２２－ｎの重みであり、Ｘｎ（ｔ）は、センサ１２２－ｎの観測値である。
すなわち、時間窓長τのアラン分散に基づいて計算された重みｗｎを用いたセンサ１２２－１乃至１２２－ｎの観測値Ｘ１（ｔ）乃至Ｘｎ（ｔ）の合成結果としての観測値Ｙ（ｔ）のアラン分散σ（τ；Ｙ）は、センサ１２２－ｎのそれぞれの時間窓長τのアラン分散σ（τ；Ｘ）の重みｗｎの二乗和となる。
つまり、重み決定部１７２は、センサ１２２のそれぞれの時間窓長τのアラン分散σ（ｔ；Ｘ）と、重みｗｎの二乗との積和が最小となるように、重みｗ１乃至ｗｎを計算する。
このように決定される重みｗ１乃至ｗｎが用いられて、センサ１２２－１乃至１２２－ｎのそれぞれの観測値Ｘ１（ｔ）乃至Ｘｎ（ｔ）が合成されることで、時間窓長τの合成結果である観測値Ｙ（ｔ）のアラン分散σ（τ；Ｙ）が最小とされる。
結果として、時間窓長τで特定される種別のノイズ特性による影響をセンサ１２２－１乃至１２２－ｎのそれぞれのノイズ特性に応じて低減することが可能となる。
また、条件には、センサ１２２－１乃至１２２－ｎのうち稼働させる数を含めるようにしてもよい。
すなわち、例えば、省電力化を図るために、全体として100個設けられているセンサ１２２のうちの半分の50個のみを稼働させて、その他の50個を停止させて運用する場合について考える。
この場合、重み決定部１７２は、100個の全センサ１２２のアラン分散に基づいたノイズ特性に応じて、停止させる50個のセンサ１２２の観測値の重みを0にして、残りの稼働させる50個のセンサ１２２の観測値にどのような重みを付すのかを計算する。
より具体的には、重み決定部１７２は、指定された時間窓長τにおける100個の全センサ１２２のアラン分散のうち、アラン分散の大きさの上位50個を停止させるセンサ１２２として重みを0に設定し、それ以外の稼働させる50個のセンサ１２２のアラン分散と重みの二乗との積和が最小になるように重みを計算する。
これにより、重みが0に設定される50個のセンサ１２２の動作を停止せることで省電力化を実現することが可能になると共に、残りの稼働させる50個のセンサ１２２のセンサ特性により最適な重み合成を実現させることが可能となる。
尚、センサ１２２が100個であり、50個を停止させ、残りの50個を稼働させるという例について、センサ１２２の総数や停止させるセンサ１２２または稼働させるセンサ１２２の個数については、これに限定されるものではなく、その他の数であってもよい。
（時間窓長τが指定されない場合の重み決定方法）
次に、条件として時間窓長τが指定されない場合の重み決定方法について説明する。条件として時間窓長τが指定されないということは、図３を参照して説明したように、実質的に、調整すべきノイズの種類が指定されないことになる。
換言すれば、ノイズの種類が指定されない場合、重みを設定するのに最適な時間窓長τと共に、重みを決定する必要がある。
重み決定部１７２は、時間窓長τが指定されない場合、以下の式（４）で示されるように、ノイズモデルに基づいたノイズパラメータで表すアラン分散の式を用いて、重みｗ１乃至ｗｎを決定する。
Figure 0007347431000004
ここで、ｇ（τ；Θ）は、ノイズモデル（ノイズ理論）に基づいた、時間窓長τとしたときのノイズパラメータΘで表現されるアラン分散である。
式（４）においては、第１項が、量子化ノイズ（quantization noise）のアラン分散を表しており、このうちσQが、量子化ノイズのノイズパラメータである。
また、第２項が、白色ノイズ（white noise）のアラン分散を表しており、このうちσνが、白色ノイズのノイズパラメータである。
さらに、第３項が、フリッカノイズ（1/fノイズ）（flicker noise）のアラン分散を表しており、このうちσｆが、フリッカノイズのノイズパラメータである。
また、第４項が、相関のあるノイズ（correlated noise）ＢＢＮのアラン分散を表しており、このうちσｎ，ＴＢが、相関のあるノイズＢＢＮのノイズパラメータである。
さらに、第５項が、ランダムウォーク（random walk）のアラン分散を表しており、このうちσｕが、ランダムウォークのノイズパラメータである。
また、第６項が、線形ドリフト（linear drift）のアラン分散を表しており、Ｒが、線形ドリフトのノイズパラメータである。
尚、式（４）の各項で表現される種別のノイズのアラン分散は、図３の時間窓長τに応じた図中の左から順に表現される種別のノイズのアラン分散に対応している。また、ノイズパラメータΘは、（σQ，σν，σｆ，σｎ，ＴＢ，σｕ，Ｒ）である。
重み決定部１７２は、以下の式（５）で表現される関数Ｆ（Θ）を定義して、センサ１２２－１乃至１２２－ｎの観測値Ｘ１（ｔ）乃至Ｘｎ（ｔ）のアラン分散と、ノイズモデルに基づいたノイズパラメータΘで表されるアラン分散との誤差である関数Ｆ（Θ）を最小にするノイズパラメータΘを計算する。
Figure 0007347431000005
ここで、かっこ内の第１項のσκは、時間窓長τκのときの静止状態のセンサ１２２－ｎの観測値Ｘｎ（ｔ）から計算されるアラン分散であり、第２項のｇ（τκ；Θ）は、時間窓長τκのときのノイズモデルに基づいたノイズパラメータΘで表現されるアラン分散である。
すなわち、式（５）は、非線形な関数からなるノイズモデルに基づいたノイズパラメータΘで表現されるアラン分散にセンサ１２２の観測値から求められるアラン分散をフィッティングさせることで、ノイズパラメータΘを求める一般的な最小二乗推定の解法式である。
そこで、重み決定部１７２は、時間窓長τを固定して、アラン分散ｇ（τ；Θ）を求め、求めたアラン分散ｇ（τ；Θ）から重みを求める。
次に、重み決定部１７２は、求めた重みを固定して、最小時間窓長τを求める。
重み決定部１７２は、再び、求められた最小時間窓長τを固定し、アラン分散ｇ（τ；Θ）を求め、求めたアラン分散ｇ（τ；Θ）から重みを求める。
そして、重み決定部１７２は、再び、求められた重みを固定して、最小時間窓長τを求める。
重み決定部１７２は、いわゆる、Newton-Rapson法により、時間窓長τが収束するまで、以上の処理を繰り返すことで、収束した時間窓長τと共に、収束した時間窓長τに対応する重みｗ１乃至ｗｎを計算し、出力する。尚、計算方法は、Newton-Rapson法のみならず、一般的な数値計算手法であれば他の手法でもよく、例えば、Levenberg-Marquardt法でもよい。
以上の処理により、時間窓長τが指定されていない場合でも、センサ１２２のノイズ特性に応じて、適切な時間窓長τと共に、適切な時間窓長τに対する重みｗ１乃至ｗｎを計算することが可能となる。
尚、この場合についても、条件として使用するセンサ１２２の個数を指定するようにしてもよい。
また、以上においては、時間窓長τが指定されない場合、モデルに基づいたノイズパラメータΘで表現されるアラン分散を用いて、時間窓長τと重みを求める例について説明してきたが、理論的には、通常のアラン分散の式を用いても求めることができる。
さらに、以上の式（２）において重みについての正則化項を加えたスパース制約を設けて重みを推定するようにしてもよい。
＜時間窓長が指定された場合の重み計算処理（その１－１）＞
次に、図６のフローチャートを参照して、時間窓長が指定された場合の重み計算処理について説明する。
尚、重み計算処理は、重み計算に使用するアラン分散を計算するために十分に長い時間の観測値の統計が必要となるので、センサ１２２による観測値を出力するタイミングとは異なるタイミングでなされるオフライン処理であることを前提とする。しかしながら、重み計算処理は、アラン分散をオンライン処理（リアルタイム処理）で計算するダイナミックアラン分散をもとに重みを計算することで、センサ１２２の経時変化に対応した最適な重みに更新することも可能である。このアラン分散のオンライン処理（リアルタイム処理）については、以下を参照されたい（L. Galleani, et.al: Interpretation of the Dynamic Allan Variance of Nonstationary Clock Data. In Proceedings of the IEEE International Frequency Control Symposium, 2007 pp. 992-997.）。
ステップＳ１１において、重み計算部１５１の重み決定部１７２は、ユーザにより入力部１２３が操作されることで入力される条件の入力を受け付ける。ここでは、条件として時間窓長τと、センサ１２２の使用数とが入力されるものとする。
ステップＳ１２において、重み計算部１５１のアラン分散計算部１７１は、静止状態の全センサ１２２－１乃至１２２－ｎの観測値を計測する。
ステップＳ１３において、重み計算部１５１のアラン分散計算部１７１は、計測した観測値に基づいて、全センサ１２２－１乃至１２２－ｎのそれぞれのアラン分散を計算する。
ステップＳ１４において、重み計算部１５１の重み決定部１７２は、条件に基づいて、センサ１２２－１乃至１２２－ｎのアラン分散と重みの積和が最小となるように、重みｗ１乃至ｗｎを計算する。
この際、重み決定部１７２は、使用するセンサ１２２の個数の制限がある場合については、制限された個数のセンサ１２２のアラン分散と重みの積和が最小となるように、制限された個数のセンサ１２２に対する重みを計算する。
この場合、制限された個数のセンサ１２２としてどのセンサ１２２が選択されて、使用されないかがアラン分散に基づいて求められた後、使用されるセンサ１２２のそれぞれについて重みが設定される。
すなわち、ノイズ特性に応じて、使用されないセンサ１２２に対する重みは0とされ、制限された個数の使用されるセンサ１２２の重みが設定される。
これにより、ユーザは、自ら意識する種別のノイズに対して、センサ１２２の個別のノイズ特性に応じた適切な観測値を合成することが可能となる。
＜時間窓長が指定されない場合の重み計算処理（その１－２）＞
次に、図７のフローチャートを参照して、時間窓長τが指定されない場合の重み計算処理について説明する。
ステップＳ３１において、重み計算部１５１の重み決定部１７２は、ユーザからの条件の入力を受け付ける。ここでは、条件として、センサ１２２の使用数のみが入力されるものとする。
ステップＳ３２において、重み計算部１５１のアラン分散計算部１７１は、静止状態の全センサ１２２－１乃至１２２－ｎの観測値を計測する。
ステップＳ３３において、重み計算部１５１のアラン分散計算部１７１は、計測した観測値に基づいて、全センサ１２２－１乃至１２２－ｎのそれぞれのアラン分散を計算する。
ステップＳ３４において、重み決定部１７２は、時間窓長τを初期化する。
ステップＳ３５において、重み決定部１７２は、時間窓長τを固定して、観測値から求められるアラン分散と、式（４）を参照して説明したノイズパラメータΘにより求められるアラン分散との誤差が最小となるノイズパラメータΘを特定し、特定されたノイズパラメータΘによりモデル化されたアラン分散から重みｗ１乃至ｗｎを計算する。
ステップＳ３６において、重み決定部１７２は、求められた重みｗ１乃至ｗｎを固定して、最小時間窓長τを求める。
ステップＳ３７において、重み決定部１７２は、求められた最小時間窓長τが直前に求められた最小時間窓長τと比較して、Newton法などにより収束しているか否かを判定する。
ステップＳ３７において、収束していないと判定された場合、処理は、ステップＳ３８に進む。
ステップＳ３８において、重み決定部１７２は、求められた最小時間窓長τを固定して、観測値から求められるアラン分散と、ノイズパラメータΘにより求められるアラン分散との誤差が最小となるノイズパラメータΘを特定し、特定されたノイズパラメータΘによりモデル化されたアラン分散から重みｗ１乃至ｗｎを計算する。そして、処理は、ステップＳ３６に戻る。
すなわち、時間窓長τが収束したと判定されるまで、ステップＳ３６乃至Ｓ３８の処理が繰り返されて、求められた重みｗ１乃至ｗｎを固定して、最小時間窓長τを求める処理と、求められた時間窓長τを固定して、観測値から求められるアラン分散と、ノイズパラメータΘにより求められるアラン分散との誤差が最小となるノイズパラメータΘを特定し、特定されたノイズパラメータΘによりモデル化されたアラン分散から重みｗ１乃至ｗｎを計算する処理が繰り返される。
そして、ステップＳ３７において、時間窓長τが収束したと判定された場合、処理は、ステップＳ３９に進む。
ステップＳ３９において、重み決定部１７２は、計算により収束が確認されている時間窓長τを固定したとき特定される、観測値から求められるアラン分散と、ノイズパラメータΘにより求められるアラン分散との誤差が最小となるノイズパラメータΘが特定されて計算される重みｗ１乃至ｗｎを重み合成部１５２に出力する。
以上の処理により、時間窓長τが指定されていない状態でも、観測値から求められるアラン分散と、ノイズパラメータΘにより求められるアラン分散との誤差が最小となるノイズパラメータΘが特定されて、重みｗ１乃至ｗｎが計算させることが可能となる。
結果として、時間窓長τ、すなわち、ノイズの種別が特定されない状態でも、最もアラン分散が小さくなる種別のノイズが特定されて、特定された種別のノイズに対して、センサ１２２－１乃至１２２－ｎのノイズ特性に応じた重みが計算される。
尚、この際においても、センサ１２２の使用する個数が指定されることにより、上述した場合と同様に指定された個数を使用するときのセンサ特性に基づいて、使用するセンサ１２２が選択されると共に、選択された個数が制限されたセンサ１２２におけるノイズ特性に応じた重みを計算することが可能となる。
また、以上においては、時間窓長τが指定される場合と、指定されない場合とに分けて重み計算処理がなされる例について説明してきたが、条件として時間窓長τが指定されたか否かを判定し、判定結果に基づいて、時間窓長τが指定された場合には、図６の重み計算処理がなされ、時間窓長τが指定されない場合には図７の重み計算処理がなされるように切り替えて処理されるようにしてもよい。
＜重み合成処理（その１）＞
次に、図８のフローチャートを参照して、重み合成処理について説明する。
尚、この処理は、上述した図６または図７のいずれかの重み計算処理がなされることにより、重み計算部１５１により重みｗ１乃至ｗｎが計算されて、重み合成部１５２の重み合成計算部１９１に供給されていることが前提とされる。
ステップＳ５１において、重み合成計算部１９１は、センサ１２２－１乃至１２２－ｎの全ての観測値Ｘ１（ｔ）乃至Ｘｎ（ｔ）を計測する。
ステップＳ５２において、重み合成計算部１９１は、観測値Ｘ１（ｔ）乃至Ｘｎ（ｔ）と、重みｗ１乃至ｗｎとの積和を求めて、マルチセンサ１１としての観測値Ｙ（ｔ）として出力する。
以上の処理により、条件と、複数のセンサ１２２のノイズ特性とに基づいて計算された重みにより、複数のセンサ１２２の観測結果を適切に合成することが可能となる。
＜＜３．第２の実施の形態＞＞
以上においては、センサ１２２の観測値をそのまま使用して、条件と、各センサ１２２のノイズ特性とに応じて重みを設定して、観測値を重み合成する例について説明してきたが、高周波成分と低周波成分とに分けて重みを設定し、重み合成した後、高周波成分と低周波成分とを合成するようにしてもよい。
図９は、高周波成分と低周波成分とに分けて重みを設定し、重み合成した後、高周波成分と低周波成分とを合成するようにしたマルチセンサ１１の構成例を示している。
尚、図９のマルチセンサ１１において、図５のマルチセンサ１１と同一の機能を備えた構成については、同一の符号を付しており、その説明は適宜省略する。
すなわち、図９のマルチセンサ１１において、図５のマルチセンサ１１と異なる点は、以下の点である。
まず、重み計算部１５１、および重み合成部１５２のそれぞれにHPF（High Pass Filter）２１１，２３１、およびLPF（Low Pass Filter）２１２，２３２が新たに設けられている点で、両者は異なる。
また、アラン分散計算部１７１、および重み決定部１７２に代えて、高周波成分を処理するアラン分散計算部１７１－１、および重み決定部１７２－１、並びに、低周波成分を処理するアラン分散計算部１７１－２、および重み決定部１７２－２が設けられている点で、両者は異なる。
さらに、重み合成計算部１９１に代えて、高周波成分を処理する重み合成計算部１９１－１、および低周波成分を処理する重み合成計算部１９１－２を備えている点で、両者は異なる。
また、重み合成計算部１９１－１，１９１－２のそれぞれの重み合成結果を合成する出力合成部２３３を新たに備えている点で異なる。
すなわち、HPF２１１は、センサ１２２－１乃至１２２－ｎのそれぞれの観測値に対してHPF処理を施して、高周波成分を抽出して、アラン分散計算部１７１－１に出力する。
これにより、アラン分散計算部１７１－１、および重み決定部１７２－１は、センサ１２２－１乃至１２２－ｎのノイズ特性のうち高周波成分に対する重みを決定し、重み合成部１５２の重み合成計算部１９１－１に出力する。
また、LPF２１２は、センサ１２２－１乃至１２２－ｎのそれぞれの観測値に対してLPF処理を施して、低周波成分を抽出して、アラン分散計算部１７１－２出力する。
これにより、アラン分散計算部１７１－２、および重み決定部１７２－２は、センサ１２２－１乃至１２２－ｎのノイズ特性のうち低周波成分に対する重みを決定し、重み合成部１５２の重み合成計算部１９１－２に出力する。
また、HPF２３１は、センサ１２２－１乃至１２２－ｎのそれぞれの観測値に対してHPF処理を施して、高周波成分を抽出して、重み合成計算部１９１－１に出力する。
これにより、重み合成計算部１９１－１は、センサ１２２－１乃至１２２－ｎの観測値のうちの高周波成分について、重み計算部１５１の重み決定部１７２－１より供給された重みを用いて、重み合成し、出力合成部２３３に出力する。
さらに、LPF２３２は、センサ１２２－１乃至１２２－ｎのそれぞれの観測値に対してLPF処理を施して、低周波成分を抽出して、重み合成計算部１９１－２に出力する。
これにより、重み合成計算部１９１－２は、センサ１２２－１乃至１２２－ｎの観測値のうちの低周波成分について、重み計算部１５１の重み決定部１７２－２より供給された重みを用いて、重み合成し、出力合成部２３３に出力する。
出力合成部２３３は、重み合成計算部１９１－１より供給されるセンサ１２２－１乃至１２２－ｎの観測値の高周波成分の重み合成された観測値と、重み合成計算部１９１－２より供給されるセンサ１２２－１乃至１２２－ｎの観測値の低周波成分の重み合成された観測値とを合成して出力する。
このような構成により、ユーザの条件と、センサ１２２－１乃至１２２－ｎのノイズ特性に応じて、センサ１２２－１乃至１２２－ｎの観測値の高周波成分と低周波成分とを、それぞれに適切な重み合成した上で、観測値を合成することが可能となる。
結果として、高周波成分と低周波成分とに適切な重み合成がなされるので、適切な観測値の合成が可能となる。
＜重み計算処理（その２）＞
次に、図９のマルチセンサ１１によるLPFとHPFとを用いた場合の重み計算処理について説明する。
ステップＳ７１において、重み計算部１５１の重み決定部１７２－１，１７２－２は、それぞれユーザからの条件の入力を受け付ける。この場合、重み決定部１７２－１，１７２－２は、高周波成分と低周波成分とでそれぞれ独立した条件の入力を受け付けるようにしてもよい。
ステップＳ７２において、重み計算部１５１のHPF２１１、およびLPF２１２は、それぞれ静止状態の観測値を計測する。
ステップＳ７３において、HPF２１１は、静止状態の観測値に対してHPF処理を施して、高周波成分を抽出して、アラン分散計算部１７１－１に出力する。
ステップＳ７４において、アラン分散計算部１７１－１、および重み決定部１７２－１は、高周波成分重み計算処理を実行して、計測した観測値に基づいた、全センサ１２２－１乃至１２２－ｎのそれぞれの高周波成分の重みを計算し、重み合成計算部１９１－１に出力する。
尚、高周波成分重み計算処理については、全センサ１２２－１乃至１２２－ｎのそれぞれの高周波成分の重みを求めるための重み計算処理であり、実質的に、図６のステップＳ１３，Ｓ１４の処理、または、図７のステップＳ３３乃至Ｓ３９の処理であるので、その説明は省略する。
ステップＳ７５において、LPF２１２は、静止状態の観測値に対してLPF処理を施して、低周波成分を抽出して、アラン分散計算部１７１－２に出力する。
ステップＳ７６において、アラン分散計算部１７１－２、および重み決定部１７２－２は、低周波成分重み計算処理を実行して、計測した観測値に基づいた、全センサ１２２－１乃至１２２－ｎのそれぞれの低周波成分の重みを計算し、重み合成計算部１９１－２に出力する。
尚、低周波成分重み計算処理については、全センサ１２２－１乃至１２２－ｎのそれぞれの低周波成分の重みを求めるための重み計算処理であり、実質的に、図６のステップＳ１３，Ｓ１４の処理、または、図７のステップＳ３３乃至Ｓ３９の処理であるので、その説明は省略する。
この際、重み決定部１７２－１，１７２－２は、使用するセンサ１２２の個数の制限を設定するようにしてもよい。また、センサ１２２－１乃至１２２－ｎのうちの使用する個数の制限は、高周波成分と低周波成分とで異なる個数であってもよい。
これにより、ユーザは、時間窓長τを指定した条件により自ら意識する種別のノイズに対して、または、時間窓長τを指定しない条件により意識しないノイズに対して、センサ１２２の個別のノイズ特性に応じた適切な観測値の合成を実現することが可能となる。
さらに、高周波成分と低周波成分とで、それぞれ独立したノイズ特性に応じた重み合成を実現することが可能となる。
＜重み合成処理（その２）＞
次に、図９のマルチセンサ１１によるLPFとHPFとを用いた場合の重み計算処理について説明する。
ステップＳ９１において、重み合成部１５２のHPF２３１、およびLPF２３２は、センサ１２２－１乃至１２２－ｎのそれぞれの静止状態の観測値を計測する。
ステップＳ９２において、HPF２３１は、観測値に対してHPF処理を施して、高周波成分を抽出して、重み合成計算部１９１－１に出力する。
ステップＳ９３において、重み合成計算部１９１－１は、高周波成分重み合成処理を実行して、計測した観測値に対して、上述した重み計算処理により求められた高周波成分に対する重みを用いて、重み合成を行い出力合成部２３３に出力する。
尚、ステップＳ９３の処理は、実質的に、高周波成分に対する、図８のステップＳ５２の処理であるので、その説明は省略する。
ステップＳ９４において、LPF２３２は、観測値に対してLPF処理を施して、低周波成分を抽出して、重み合成計算部１９１－２に出力する。
ステップＳ９５において、重み合成計算部１９１－２は、低周波成分重み合成処理を実行して、計測した観測値に対して、上述した重み計算処理により求められた低周波成分に対する重みを用いて、重み合成を行い出力合成部２３３に出力する。
尚、ステップＳ９５の処理は、実質的に、高周波成分に対する、図８のステップＳ５２の処理であるので、その説明は省略する。
ステップＳ９６において、出力合成部２３３は、重み合成計算部１９１－１より供給されるセンサ１２２－１乃至１２２－ｎの観測値の高周波成分の重み合成結果と、重み合成計算部１９１－２より供給されるセンサ１２２－１乃至１２２－ｎの観測値の低周波成分の重み合成結果とを合成して、マルチセンサ１１による観測値として出力する。
これにより、ユーザは、時間窓長τを指定した条件により自ら意識する種別のノイズに対して、または、時間窓長τを指定しない条件により意識しないノイズに対して、センサ１２２の個別のノイズ特性に応じた適切な観測値の合成を実現することが可能となる。
さらに、高周波成分と低周波成分とで、それぞれ独立したノイズ特性に応じた重み合成を実現することが可能となる。
＜＜４．第３の実施の形態＞＞
以上においては、センサ１２２－１乃至１２２－ｎの観測結果を、HPFとLPFとを用いて、高周波成分と低周波成分とに分けて、それぞれについてアラン分散を求めて、条件に応じて重みを設定し、重み合成した上で、高周波成分の重み合成結果と低周波成分の重み合成結果を合成する例について説明してきた。
しかしながら、HPFとLPFに代えて、フィルタバンク（FB）を用いて、より多くの帯域に分割して、それぞれの帯域でアラン分散を求めて、条件に応じて重みを計算し、重み合成した上で、全帯域の重み合成結果を帯域合成するようにしてもよい。
図１２は、フィルタバンク（FB）を用いて、より多くの帯域に分割して、それぞれの帯域でアラン分散を求めて、条件に応じて重みを設定し、重み合成した上で、全帯域の重み合成結果を帯域合成するようにしたマルチセンサ１１の構成例を示している。
尚、図１２のマルチセンサ１１において、図５，図９のマルチセンサ１１における構成と同一の機能を備えた構成については、同一の符号を付しており、その説明は適宜省略する。
図１２のマルチセンサ１１においては、図９におけるHPF２１１，２３１、およびLPF２１２，２３２に代えて、フィルタバンク（以下、単にFBとも称する）２５１－１乃至２５－ｎ、および２６１－１乃至２６１－ｎが設けられている。
また、FB２５１は、それぞれＮ個の帯域（バンド）に帯域分割し、１番上位の帯域Ｂ１をアラン分散計算部１７１－１に出力し、２番目に上位の帯域Ｂ２をアラン分散計算部１７１－２に出力し、・・・ｎ番目の帯域ＢＮをアラン分散計算部１７１－ｎに出力する。
尚、FB２５１の帯域毎の出力である帯域Ｂ１，Ｂ２，・・・ＢＮについては、図中のFB２５１－１のみに図示されており、FB２５１－２，２５１－ｎには図示されていないが、図示が省略されているのみであり、FB２５１－２，２５１－ｎでも同様である。
そして、アラン分散計算部１７１－１乃至１７１－ｎは、それぞれの帯域におけるセンサ１２２－１乃至１２２－ｎの観測値のアラン分散を計算して重み決定部１７２－１乃至１７２－ｎに出力する。
重み決定部１７２－１乃至１７２－ｎは、それぞれ各帯域（バンド）の条件と、センサ１２２－１乃至１２２－ｎのそれぞれのノイズ特性とに基づいて、それぞれ各帯域の重みを設定し、重み合成部１５２の重み合成計算部１９１－１乃至１９１－ｎに出力する。
また、FB２６１は、FB２５１のそれぞれに対応するＮ個の帯域（バンド）に帯域分割し、１番上位の帯域Ｂ１を重み合成計算部１９１－１に出力し、２番目に上位の帯域Ｂ２を重み合成計算部１９１－２に出力し、・・・ｎ番目の帯域ＢＮを重み合成計算部１９１－ｎに出力する。
尚、FB２６１の帯域毎の出力である帯域Ｂ１，Ｂ２，・・・ＢＮについては、図中のFB２６１－１のみに図示されており、FB２６１－２，２６１－ｎには図示されていないが、図示が省略されているのみであり、FB２６１－２，２６１－ｎでも同様である。
重み合成計算部１９１－１乃至１９１－ｎは、それぞれ重み決定部１７２－１乃至１７２－ｎより供給される重みに基づいて、それぞれの帯域のセンサ１２２－１乃至１２２－ｎの観測値を重み合成し、帯域合成部２６２に出力する。
帯域合成部２６２は、重み合成計算部１９１－１乃至１９１－ｎより供給されてくる各帯域のセンサ１２２－１乃至１２２－ｎの観測値の重み合成結果を帯域合成して、マルチセンサ１１の観測値として出力する。
このような構成により、複数の帯域毎に適切に重みが設定されて、重み合成されることになるので、条件と、センサ１２２－１乃至１２２－ｎのそれぞれの帯域毎のノイズ特性とに応じた重み合成を実現することが可能となる。
尚、以上においては、HPF/LPFにより合成する例について説明してきたが、センサ１２２－１乃至１２２－ｎの各個体が任意の周波数特性を持つときにノッチフィルタやバンドパスフィルタ(BPF)などで最適なバイアス安定性、または低ノイズを実現することができる。すなわち、例えば、センサ１２２－１乃至１２２－ｎのうちの特定のセンサ１２２で、特定の周波数帯域だけが精度が低い場合については、特定のセンサ以外の1つ以上のセンサでその特定の精度の低い周波数帯域を補うような相補的なフィルタとして使用することも可能である。
より具体的な例として、例えば、センサ１２２－１乃至１２２－３の３個から構成される場合であって、周波数帯域Ａの範囲についてのみ、何らかの原因で、センサ１２２－１の検出精度が低下してしまうときについて考える。
このようなときに、センサ１２２－１乃至１２２－３の検出結果を、周波数帯域Ａ以外の帯域における場合と同様に合成すると、センサ１２２－１の検出精度の低下に起因して、合成された検出結果の精度が低下してしまう恐れがある。
そこで、このようなときについては、周波数帯域Ａの検出結果についてのみ、センサ１２２－１の重みを低減し、センサ１２２－２，１２２－３の少なくともいずれかの重みを高めるようにして、それぞれの検出結果を合成する。
このようにすることで、周波数帯域Ａにおけるセンサ１２２－１の検出精度の低下を、センサ１２２－２，１２２－３の少なくともいずれかの検出結果でカバーすることが可能となり、センサ１２２－１乃至１２２－３の検出結果の合成結果に対する検出精度の低下を抑制させることが可能となる。
＜重み計算処理（その３）＞
次に、図１２のマルチセンサ１１によるFBを用いた場合の重み計算処理について説明する。
ステップＳ１１１において、重み計算部１５１の重み決定部１７２－１乃至１７２－ｎは、それぞれユーザからの条件の入力を受け付ける。この場合、重み決定部１７２－１乃至１７２－ｎは、FB２５１の帯域Ｂ１乃至ＢＮのそれぞれで独立した条件の入力を受け付けるようにしてもよい。
ステップＳ１１２において、重み計算部１５１のFB２５１－１乃至２５１－ｎは、センサ１２２－１乃至１２２－ｎのそれぞれの静止状態の観測値を計測する。
ステップＳ１１３において、重み計算部１５１は、帯域をカウントするカウンタＣを１に初期化する。
ステップＳ１１４において、FB２５１－１乃至２５１－ｎは、静止状態の観測値に対してＣ番目の帯域（バンド）成分を抽出する処理を施して、抽出したＣ番目の帯域ＢＣの成分を、アラン分散計算部１７１－１に出力する。
ステップＳ１１５において、アラン分散計算部１７１－１、および重み決定部１７２－１は、Ｃ番目の帯域成分重み計算処理を実行して、計測した観測値に基づいた、全センサ１２２－１乃至１２２－ｎのそれぞれのＣ番目の帯域ＢＣの成分の重みを計算し、重み合成計算部１９１－１に出力する。
尚、Ｃ番目の帯域成分重み計算処理については、全センサ１２２－１乃至１２２－ｎのそれぞれのＣ番目の帯域ＢＣの成分の重みを求めるための重み計算処理であり、実質的に、図６のステップＳ１３，Ｓ１４の処理、または、図７のステップＳ３３乃至Ｓ３９の処理であるので、その説明は省略する。
ステップＳ１１６において、重み計算部１５１は、カウンタＣが帯域数であるＮであるか否かを判定し、Ｃ＝Ｎではない場合、処理は、ステップＳ１１７に進む。
ステップＳ１１７において、重み計算部１５１は、カウンタＣを１インクリメントして、処理は、ステップＳ１１４に戻る。
すなわち、Ｎ個の全帯域のそれぞれについて重みが設定されるまで、ステップＳ１１４乃至Ｓ１１７の処理が繰り返される。
そして、Ｎ個の全帯域のそれぞれの重みが設定され、ステップＳ１１６において、カウンタＣ＝Ｎであると判定された場合、処理は、終了する。
この際、重み決定部１７２－１乃至１７２－ｎは、使用するセンサ１２２の個数の制限を設定するようにしてもよい。また、センサ１２２－１乃至１２２－ｎのうちの使用する個数の制限は、帯域毎に異なる個数であってもよい。
これにより、ユーザは、時間窓長τを指定した条件により自ら意識する種別のノイズに対して、または、時間窓長τを指定しない条件により意識しないノイズに対して、センサ１２２の個別のノイズ特性に応じた適切な観測値の合成を実現することが可能となる。
さらに、複数の帯域成分毎に、それぞれ独立したノイズ特性に応じた重み合成を実現することが可能となる。
＜重み合成処理（その３）＞
次に、図１２のマルチセンサ１１によるFBを用いた場合の重み計算処理について説明する。
ステップＳ１３１において、重み合成部１５２のFB２６１－１乃至２６１－ｎは、センサ１２２－１乃至１２２－ｎのそれぞれの観測値を計測する。
ステップＳ１３２において、重み合成部１５２は、帯域をカウントするカウンタＣを１に初期化する。
ステップＳ１３３において、FB２６１－１乃至２６１－ｎは、静止状態の観測値に対してＣ番目の帯域（バンド）成分を抽出する処理を施して、抽出したＣ番目の帯域ＢＣの成分を、重み合成計算部１９１－Ｎに出力する。
ステップＳ１３４において、重み合成計算部１９１－Ｎは、Ｃ番目の帯域成分重み合成処理を実行して、計測した観測値に対して、上述した重み計算処理により求められたＣ番目の帯域ＢＣの成分に対する重みを用いて、重み合成を行い帯域合成部２６２に出力する。
尚、ステップＳ１３４の処理は、実質的に、Ｃ番目の帯域ＢＣの成分に対する、図８のステップＳ５２の処理である。
ステップＳ１３５において、重み合成部１５２は、カウンタＣが帯域数であるＮであるか否かを判定し、Ｃ＝Ｎではない場合、処理は、ステップＳ１３６に進む。
ステップＳ１３６において、重み合成部１５２は、カウンタＣを１インクリメントして、処理は、ステップＳ１３３に戻る。
すなわち、Ｎ個の全帯域のそれぞれについて重みが設定されるまで、ステップＳ１３３乃至Ｓ１３６の処理が繰り返される。
そして、Ｎ個の全帯域のそれぞれの重みが設定され、ステップＳ１３５において、カウンタＣ＝Ｎであると判定された場合、処理は、ステップＳ１３７に進む。
ステップＳ１３７において、帯域合成部２６２は、重み合成計算部１９１－１乃至１９１－ｎより供給されるセンサ１２２－１乃至１２２－ｎの観測値の各帯域成分の重み合成結果を合成して、マルチセンサ１１による観測値として出力する。
これにより、ユーザは、時間窓長τを指定した条件により自ら意識する種別のノイズに対して、または、時間窓長τを指定しない条件により意識しないノイズに対して、センサ１２２の個別のノイズ特性に応じた適切な観測値の合成を実現することが可能となる。
さらに、複数の帯域成分毎に、それぞれ独立したノイズ特性に応じた重み合成を実現することが可能となる。
＜＜５．ソフトウェアにより実行させる例＞＞
ところで、上述した一連の処理は、ハードウェアにより実行させることもできるが、ソフトウェアにより実行させることもできる。一連の処理をソフトウェアにより実行させる場合には、そのソフトウェアを構成するプログラムが、専用のハードウェアに組み込まれているコンピュータ、または、各種のプログラムをインストールすることで、各種の機能を実行することが可能な、例えば汎用のコンピュータなどに、記録媒体からインストールされる。
図１５は、汎用のコンピュータの構成例を示している。このパーソナルコンピュータは、CPU(Central Processing Unit)１００１を内蔵している。CPU１００１にはバス１００４を介して、入出力インタフェース１００５が接続されている。バス１００４には、ROM(Read Only Memory)１００２およびRAM(Random Access Memory)１００３が接続されている。
入出力インタフェース１００５には、ユーザが操作コマンドを入力するキーボード、マウスなどの入力デバイスよりなる入力部１００６、処理操作画面や処理結果の画像を表示デバイスに出力する出力部１００７、プログラムや各種データを格納するハードディスクドライブなどよりなる記憶部１００８、LAN（Local Area Network）アダプタなどよりなり、インターネットに代表されるネットワークを介した通信処理を実行する通信部１００９が接続されている。また、磁気ディスク（フレキシブルディスクを含む）、光ディスク（CD-ROM(Compact Disc-Read Only Memory)、DVD(Digital Versatile Disc)を含む）、光磁気ディスク（ＭＤ(Mini Disc)を含む）、もしくは半導体メモリなどのリムーバブルメディア１０１１に対してデータを読み書きするドライブ１０１０が接続されている。
CPU１００１は、ROM１００２に記憶されているプログラム、または磁気ディスク、光ディスク、光磁気ディスク、もしくは半導体メモリ等のリムーバブルメディア１０１１ら読み出されて記憶部１００８にインストールされ、記憶部１００８からRAM１００３にロードされたプログラムに従って各種の処理を実行する。RAM１００３にはまた、CPU１００１が各種の処理を実行する上において必要なデータなども適宜記憶される。
以上のように構成されるコンピュータでは、CPU１００１が、例えば、記憶部１００８に記憶されているプログラムを、入出力インタフェース１００５及びバス１００４を介して、RAM１００３にロードして実行することにより、上述した一連の処理が行われる。
コンピュータ（CPU１００１）が実行するプログラムは、例えば、パッケージメディア等としてのリムーバブルメディア１０１１に記録して提供することができる。また、プログラムは、ローカルエリアネットワーク、インターネット、デジタル衛星放送といった、有線または無線の伝送媒体を介して提供することができる。
コンピュータでは、プログラムは、リムーバブルメディア１０１１をドライブ１０１０に装着することにより、入出力インタフェース１００５を介して、記憶部１００８にインストールすることができる。また、プログラムは、有線または無線の伝送媒体を介して、通信部１００９で受信し、記憶部１００８にインストールすることができる。その他、プログラムは、ROM１００２や記憶部１００８に、あらかじめインストールしておくことができる。
なお、コンピュータが実行するプログラムは、本明細書で説明する順序に沿って時系列に処理が行われるプログラムであっても良いし、並列に、あるいは呼び出しが行われたとき等の必要なタイミングで処理が行われるプログラムであっても良い。
尚、図１５におけるCPU１００１が、図４における制御部１２１の機能を実現させる。
また、本明細書において、システムとは、複数の構成要素（装置、モジュール（部品）等）の集合を意味し、すべての構成要素が同一筐体中にあるか否かは問わない。したがって、別個の筐体に収納され、ネットワークを介して接続されている複数の装置、及び、１つの筐体の中に複数のモジュールが収納されている１つの装置は、いずれも、システムである。
なお、本開示の実施の形態は、上述した実施の形態に限定されるものではなく、本開示の要旨を逸脱しない範囲において種々の変更が可能である。
例えば、本開示は、１つの機能をネットワークを介して複数の装置で分担、共同して処理するクラウドコンピューティングの構成をとることができる。
また、上述のフローチャートで説明した各ステップは、１つの装置で実行する他、複数の装置で分担して実行することができる。
さらに、１つのステップに複数の処理が含まれる場合には、その１つのステップに含まれる複数の処理は、１つの装置で実行する他、複数の装置で分担して実行することができる。
尚、本開示は、以下のような構成も取ることができる。
＜１＞ 複数のセンサのそれぞれの観測値と、前記複数のセンサのそれぞれの特性に基づいて計算された前記センサ毎の重みとの積和により、前記複数のセンサの観測値を合成し、合成観測値として出力する重み合成部
を含む情報処理装置。
＜２＞ 前記複数のセンサのそれぞれの特性に基づいて、前記センサ毎の重みを計算する重み計算部をさらに含み、
前記重み合成部は、前記複数のセンサのそれぞれの観測値と、前記重み計算部により計算された前記センサ毎の重みとの積和により、前記複数のセンサの観測値を合成し、合成観測値として出力する
＜１＞に記載の情報処理装置。
＜３＞ 前記重み計算部は、
前記複数のセンサのそれぞれの観測値のアラン分散を、前記センサの特性として計算するアラン分散計算部と、
前記アラン分散計算部により計算された前記アラン分散に基づいて、前記センサ毎の前記重みを計算し、決定する重み決定部をさらに含む
＜２＞に記載の情報処理装置。
＜４＞ 前記重み決定部は、前記複数のセンサのそれぞれの観測値のアラン分散の重み和を最小にする、前記センサ毎の前記重みを計算し、決定する
＜３＞に記載の情報処理装置。
＜５＞ 前記重み決定部は、前記複数のセンサのそれぞれの観測値のアラン分散と、ノイズモデルに基づくノイズパラメータを用いたアラン分散との誤差の和が最小となる、前記ノイズモデルに基づく前記ノイズパラメータを用いたアラン分散に基づいて、前記センサ毎の前記重みを計算し、決定する
＜４＞に記載の情報処理装置。
＜６＞ 前記重み決定部は、前記複数のセンサのそれぞれの観測値のアラン分散と、前記ノイズモデルに基づく前記ノイズパラメータを用いたアラン分散との誤差の和が最小となる、時間窓長と、前記時間窓長の前記ノイズモデルに基づく前記ノイズパラメータを用いたアラン分散の前記ノイズパラメータとを計算し、計算した前記時間窓長と、前記ノイズパラメータとで特定される前記ノイズモデルに基づく前記ノイズパラメータを用いたアラン分散に基づいて、前記センサ毎の前記重みを計算し、決定する
＜５＞に記載の情報処理装置。
＜７＞ 前記合成観測値に対する条件の入力を受け付ける入力部をさらに含み、
前記重み決定部は、前記複数のセンサのそれぞれの観測値のアラン分散のうち、前記条件に応じたアラン分散の重み和を最小にする、前記センサ毎の前記重みを計算し、決定する
＜３＞に記載の情報処理装置。
＜８＞ 前記合成観測値に対する条件は、前記複数のセンサのそれぞれの観測値のアラン分散の時間窓長を含み、
前記重み決定部は、前記複数のセンサのそれぞれの観測値のアラン分散のうち、前記時間窓長のアラン分散の重み和を最小にする、前記センサ毎の前記重みを計算する
＜３＞に記載の情報処理装置。
＜９＞ 前記合成観測値に対する条件は、前記複数のセンサのうち、稼働させるセンサ数を含み、
前記重み決定部は、前記複数のセンサのそれぞれの観測値のアラン分散に基づいて、前記稼働させないセンサの重みをゼロとしたときの、前記時間窓長の、前記アラン分散の重み和を最小にする、前記稼働させるセンサの前記センサ毎の前記重みを計算し、決定する
＜８＞に記載の情報処理装置。
＜１０＞ 前記重み計算部は、
前記複数のセンサのそれぞれの観測値の高周波成分を抽出する第１の高周波成分抽出部と、
前記複数のセンサのそれぞれの観測値の低周波成分を抽出する第１の低周波成分抽出部と、
前記第１の高周波成分抽出部により抽出された、前記高周波成分についての重みを計算し、決定する高周波成分重み決定部と、
前記第１の低周波成分抽出部により抽出された、前記低周波成分についての重みを計算し、決定する低周波成分重み決定部とを含み、
前記重み合成部は、
前記複数のセンサのそれぞれの観測値の高周波成分を抽出する第２の高周波成分抽出部と、
前記複数のセンサのそれぞれの観測値の低周波成分を抽出する第２の低周波成分抽出部と、
前記第２の高周波成分抽出部により抽出された、前記複数のセンサのそれぞれの観測値の高周波成分と、前記高周波成分重み決定部により決定された前記センサ毎の重みとの積和により、前記複数のセンサの観測値の高周波成分を合成し、高周波成分合成値として出力する高周波成分合成部と、
前記第２の低周波成分抽出部により抽出された、前記複数のセンサのそれぞれの観測値の低周波成分と、前記低周波成分重み決定部により決定された前記センサ毎の重みとの積和により、前記複数のセンサの観測値の低周波成分を合成し、低周波成分合成値として出力する低周波成分合成部とを含み、
前記高周波成分合成値と、前記低周波成分合成値とを合成し、前記合成観測値として出力する出力合成部とをさらに含む
＜２＞に記載の情報処理装置。
＜１１＞ 前記重み計算部は、
前記複数のセンサのそれぞれの観測値の複数の帯域成分を抽出する第１の帯域成分抽出部と、
前記第１の帯域成分抽出部により抽出された、前記複数の帯域成分毎に前記複数のセンサのそれぞれの重みを計算し、決定する複数の帯域成分毎の帯域成分重み決定部とを含み、
前記重み合成部は、
前記複数のセンサのそれぞれの観測値の複数の帯域成分を抽出する第２の帯域成分抽出部と、
前記第２の帯域成分抽出部により抽出された、前記複数のセンサのそれぞれの前記複数の帯域成分と、前記複数の帯域成分毎の前記帯域成分重み決定部により決定された前記センサ毎の、前記複数の帯域成分毎の重みとの積和により、前記複数のセンサの観測値の複数の帯域成分をそれぞれ合成し、前記複数の帯域成分のそれぞれの帯域成分合成値として出力する前記複数の帯域成分毎の帯域成分合成部を含み、
前記複数のセンサのそれぞれの観測値の、前記複数の帯域成分のそれぞれの前記帯域成分合成値を帯域合成し、前記合成観測値として出力する帯域合成部とをさらに含む
＜２＞に記載の情報処理装置。
＜１２＞ 前記重み合成部は、
ネットワークを介して通信されるクラウドサーバより、前記クラウドサーバにおいて、前記複数のセンサのそれぞれの特性に基づいて計算された、前記センサ毎の重みを取得し、
前記複数のセンサのそれぞれの観測値と、前記クラウドサーバより取得した前記センサ毎の重みとの積和により、前記複数のセンサの観測値を合成し、合成観測値として出力する
＜１＞乃至＜１１＞のいずれかに記載の情報処理装置。
＜１３＞ 前記センサは、IMUである
＜１＞乃至＜１２＞のいずれかに記載の情報処理装置。
＜１４＞ 複数のセンサのそれぞれの観測値と、前記複数のセンサのそれぞれの特性に基づいて計算された前記センサ毎の重みとの積和により、前記複数のセンサの観測値を合成し、合成観測値として出力する重み合成処理
を含む情報処理方法。
＜１５＞ 複数のセンサのそれぞれの観測値と、前記複数のセンサのそれぞれの特性に基づいて計算された前記センサ毎の重みとの積和により、前記複数のセンサの観測値を合成し、合成観測値として出力する重み合成部
としてコンピュータを機能させるプログラム。
１０１ マルチセンサ， １２１ 制御部， １２２，１２２－１乃至１２２－ｎ センサ， １５１ 重み計算部， １５２ 重み合成部， １７１，１７１－１乃至１７１－ｎ アラン分散計算部， １７２，１７２－１乃至１７２－ｎ 重み決定部， １９１，１９１－１乃至１９１－ｎ 重み合成計算部， ２１１ HPF， ２１２ HPF， ２３１ HPF， ２３２ LPF， ２３２ 出力合成部， ２５１，２５１－１乃至２５１－ｎ，２６１，２６１－１乃至２６１－ｎ フィルタバンク（FB）， ２６２ 帯域合成部

Claims (13)

  1. 複数のセンサのそれぞれの特性に基づいて、前記センサ毎の重みを計算する重み計算部と、
    前記複数のセンサのそれぞれの観測値と、前記重み計算部により計算された前記センサ毎の重みとの積和により、前記複数のセンサの観測値を合成し、合成観測値として出力する重み合成部とを含み、
    前記重み計算部は、
    前記複数のセンサのそれぞれの観測値のアラン分散を、前記センサの特性として計算するアラン分散計算部と、
    前記アラン分散計算部により計算された前記アラン分散に基づいて、前記センサ毎の前記重みを計算し、決定する重み決定部と
    を含む情報処理装置。
  2. 前記重み決定部は、前記複数のセンサのそれぞれの観測値のアラン分散の重み和を最小にする、前記センサ毎の前記重みを計算し、決定する
    請求項１に記載の情報処理装置。
  3. 前記重み決定部は、前記複数のセンサのそれぞれの観測値のアラン分散と、ノイズモデルに基づくノイズパラメータを用いたアラン分散との誤差の和が最小となる、前記ノイズモデルに基づく前記ノイズパラメータを用いたアラン分散に基づいて、前記センサ毎の前記重みを計算し、決定する
    請求項２に記載の情報処理装置。
  4. 前記重み決定部は、前記複数のセンサのそれぞれの観測値のアラン分散と、前記ノイズモデルに基づく前記ノイズパラメータを用いたアラン分散との誤差の和が最小となる、時間窓長と、前記時間窓長の前記ノイズモデルに基づく前記ノイズパラメータを用いたアラン分散の前記ノイズパラメータとを計算し、計算した前記時間窓長と、前記ノイズパラメータとで特定される前記ノイズモデルに基づく前記ノイズパラメータを用いたアラン分散に基づいて、前記センサ毎の前記重みを計算し、決定する
    請求項３に記載の情報処理装置。
  5. 前記合成観測値に対する条件の入力を受け付ける入力部をさらに含み、
    前記重み決定部は、前記複数のセンサのそれぞれの観測値のアラン分散のうち、前記条件に応じたアラン分散の重み和を最小にする、前記センサ毎の前記重みを計算し、決定する
    請求項１に記載の情報処理装置。
  6. 前記合成観測値に対する条件は、前記複数のセンサのそれぞれの観測値のアラン分散の時間窓長を含み、
    前記重み決定部は、前記複数のセンサのそれぞれの観測値のアラン分散のうち、前記時間窓長のアラン分散の重み和を最小にする、前記センサ毎の前記重みを計算する
    請求項１に記載の情報処理装置。
  7. 前記合成観測値に対する条件は、前記複数のセンサのうち、稼働させるセンサ数を含み、
    前記重み決定部は、前記複数のセンサのそれぞれの観測値のアラン分散に基づいて、前記稼働させないセンサの重みをゼロとしたときの、前記時間窓長の、前記アラン分散の重み和を最小にする、前記稼働させるセンサの前記センサ毎の前記重みを計算し、決定する
    請求項６に記載の情報処理装置。
  8. 前記重み計算部は、
    前記複数のセンサのそれぞれの観測値の高周波成分を抽出する第１の高周波成分抽出部と、
    前記複数のセンサのそれぞれの観測値の低周波成分を抽出する第１の低周波成分抽出部とを含み、
    前記アラン分散計算部は、
    前記第１の高周波成分抽出部により抽出された、前記観測値の高周波成分についてのアラン分散を計算する高周波成分アラン分散計算部と、
    前記第１の低周波成分抽出部により抽出された、前記観測値の低周波成分についてのアラン分散を計算する低周波成分アラン分散計算部とを含み、
    前記重み計算部は、
    前記観測値の高周波成分についてのアラン分散に基づいて、前記高周波成分についての重みを計算し、決定する高周波成分重み決定部と、
    前記観測値の低周波成分についてのアラン分散に基づいて、前記低周波成分についての重みを計算し、決定する低周波成分重み決定部とを含み、
    前記重み合成部は、
    前記複数のセンサのそれぞれの観測値の高周波成分を抽出する第２の高周波成分抽出部と、
    前記複数のセンサのそれぞれの観測値の低周波成分を抽出する第２の低周波成分抽出部と、
    前記第２の高周波成分抽出部により抽出された、前記複数のセンサのそれぞれの観測値の高周波成分と、前記高周波成分重み決定部により決定された前記センサ毎の重みとの積和により、前記複数のセンサの観測値の高周波成分を合成し、高周波成分合成値として出力する高周波成分合成部と、
    前記第２の低周波成分抽出部により抽出された、前記複数のセンサのそれぞれの観測値の低周波成分と、前記低周波成分重み決定部により決定された前記センサ毎の重みとの積和により、前記複数のセンサの観測値の低周波成分を合成し、低周波成分合成値として出力する低周波成分合成部とを含み、
    前記高周波成分合成値と、前記低周波成分合成値とを合成し、前記合成観測値として出力する出力合成部とをさらに含む
    請求項１に記載の情報処理装置。
  9. 前記重み計算部は、
    前記複数のセンサのそれぞれの観測値の複数の帯域成分を抽出する第１の帯域成分抽出部を含み、
    前記アラン分散計算部は、
    前記第１の帯域成分抽出部により抽出された、前記複数の帯域成分毎にアラン分散を計算する帯域成分アラン分散計算部を含み、
    前記重み計算部は、
    前記複数の帯域成分毎のアラン分散に基づいて、前記複数の帯域成分毎に前記複数のセンサのそれぞれの重みを計算し、決定する複数の帯域成分毎の帯域成分重み決定部を含み、
    前記重み合成部は、
    前記複数のセンサのそれぞれの観測値の複数の帯域成分を抽出する第２の帯域成分抽出部と、
    前記第２の帯域成分抽出部により抽出された、前記複数のセンサのそれぞれの前記複数の帯域成分と、前記複数の帯域成分毎の前記帯域成分重み決定部により決定された前記センサ毎の、前記複数の帯域成分毎の重みとの積和により、前記複数のセンサの観測値の複数の帯域成分をそれぞれ合成し、前記複数の帯域成分のそれぞれの帯域成分合成値として出力する前記複数の帯域成分毎の帯域成分合成部を含み、
    前記複数のセンサのそれぞれの観測値の、前記複数の帯域成分のそれぞれの前記帯域成分合成値を帯域合成し、前記合成観測値として出力する帯域合成部とをさらに含む
    請求項１に記載の情報処理装置。
  10. 前記重み合成部は、
    ネットワークを介して通信されるクラウドサーバより、前記クラウドサーバにおいて、前記複数のセンサのそれぞれの特性に基づいて計算された、前記センサ毎の重みを取得し、
    前記複数のセンサのそれぞれの観測値と、前記クラウドサーバより取得した前記センサ毎の重みとの積和により、前記複数のセンサの観測値を合成し、合成観測値として出力する
    請求項１に記載の情報処理装置。
  11. 前記センサは、IMU(Inertial Measurement Unit)である
    請求項１に記載の情報処理装置。
  12. 複数のセンサのそれぞれの特性に基づいて、前記センサ毎の重みを計算する重み計算処理と、
    前記複数のセンサのそれぞれの観測値と、前記重み計算処理により計算された前記センサ毎の重みとの積和により、前記複数のセンサの観測値を合成し、合成観測値として出力する重み合成処理とを含み、
    前記重み計算処理は、
    前記複数のセンサのそれぞれの観測値のアラン分散を、前記センサの特性として計算するアラン分散計算処理と、
    前記アラン分散計算処理により計算された前記アラン分散に基づいて、前記センサ毎の前記重みを計算し、決定する重み決定処理と
    を含む情報処理方法。
  13. 複数のセンサのそれぞれの特性に基づいて、前記センサ毎の重みを計算する重み計算部と、
    前記複数のセンサのそれぞれの観測値と、前記重み計算部により計算された前記センサ毎の重みとの積和により、前記複数のセンサの観測値を合成し、合成観測値として出力する重み合成部とを含み、
    前記重み計算部は、
    前記複数のセンサのそれぞれの観測値のアラン分散を、前記センサの特性として計算するアラン分散計算部と、
    前記アラン分散計算部により計算された前記アラン分散に基づいて、前記センサ毎の前記重みを計算し、決定する重み決定部と
    としてコンピュータを機能させるプログラム。
JP2020539336A 2018-08-28 2019-08-15 情報処理装置および情報処理方法、並びにプログラム Active JP7347431B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201862723937P 2018-08-28 2018-08-28
US62/723,937 2018-08-28
PCT/JP2019/032013 WO2020045099A1 (ja) 2018-08-28 2019-08-15 情報処理装置および情報処理方法、並びにプログラム

Publications (2)

Publication Number Publication Date
JPWO2020045099A1 JPWO2020045099A1 (ja) 2021-09-02
JP7347431B2 true JP7347431B2 (ja) 2023-09-20

Family

ID=69644955

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020539336A Active JP7347431B2 (ja) 2018-08-28 2019-08-15 情報処理装置および情報処理方法、並びにプログラム

Country Status (5)

Country Link
US (1) US11874138B2 (ja)
EP (1) EP3845863B1 (ja)
JP (1) JP7347431B2 (ja)
CN (1) CN112585427B (ja)
WO (1) WO2020045099A1 (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022004375A1 (ja) * 2020-06-30 2022-01-06 ソニーグループ株式会社 駆動制御装置、および駆動制御方法
CN116209948A (zh) * 2020-06-30 2023-06-02 索尼集团公司 固态成像元件、成像装置、用于操作成像装置的方法、移动对象装置、用于操作移动对象装置的方法以及程序
JP2022158236A (ja) * 2021-04-01 2022-10-17 セイコーエプソン株式会社 センサーモジュールおよび計測システム
JPWO2023007789A1 (ja) 2021-07-28 2023-02-02

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007143226A (ja) 2005-11-15 2007-06-07 Nippon Pulse Motor Co Ltd シャフト型リニアモータの位置検出装置
JP2011108111A (ja) 2009-11-19 2011-06-02 Chugoku Electric Power Co Inc:The 制御方法及び制御システム
JP2014507628A (ja) 2010-12-03 2014-03-27 クゥアルコム・インコーポレイテッド Ｇｎｓｓ車両ナビゲーションのための慣性センサにより支援された進行方向および測位

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6882964B2 (en) * 2002-03-06 2005-04-19 California Institute Of Technology High accuracy inertial sensors from inexpensive components
JP4390569B2 (ja) 2004-01-19 2009-12-24 株式会社ミツトヨ 信号処理装置、および測定機
CN106342175B (zh) 2010-01-14 2013-11-13 西北工业大学 一种提高陀螺精度的数据融合方法
EP2492637A1 (en) * 2011-02-23 2012-08-29 Nederlandse Organisatie voor toegepast -natuurwetenschappelijk onderzoek TNO Measurement device and method for measuring
EP3754381A1 (en) * 2013-12-10 2020-12-23 SZ DJI Technology Co., Ltd. Sensor fusion
CN104199061B (zh) 2014-08-22 2018-02-02 北京无线电计量测试研究所 一种建立gps系统和bds系统载波相位频率标准的方法
CN104280047A (zh) 2014-09-10 2015-01-14 天津航天中为数据系统科技有限公司 一种多传感器融合的陀螺漂移滤波系统及方法
EP3165877B1 (en) * 2015-11-04 2020-03-25 Tata Consultancy Services Limited Systems and methods for fusing inertial and bluetooth low energy sensor data for localization

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007143226A (ja) 2005-11-15 2007-06-07 Nippon Pulse Motor Co Ltd シャフト型リニアモータの位置検出装置
JP2011108111A (ja) 2009-11-19 2011-06-02 Chugoku Electric Power Co Inc:The 制御方法及び制御システム
JP2014507628A (ja) 2010-12-03 2014-03-27 クゥアルコム・インコーポレイテッド Ｇｎｓｓ車両ナビゲーションのための慣性センサにより支援された進行方向および測位

Also Published As

Publication number Publication date
CN112585427B (zh) 2024-01-30
WO2020045099A1 (ja) 2020-03-05
US20210270635A1 (en) 2021-09-02
EP3845863A1 (en) 2021-07-07
JPWO2020045099A1 (ja) 2021-09-02
US11874138B2 (en) 2024-01-16
CN112585427A (zh) 2021-03-30
EP3845863B1 (en) 2023-06-14
EP3845863A4 (en) 2021-10-20

Similar Documents

Publication Publication Date Title
JP7347431B2 (ja) 情報処理装置および情報処理方法、並びにプログラム
US20180225166A1 (en) Abnormality detection apparatus, abnormality detection method, and non-transitory computer readable medium
WO2018170454A2 (en) Using different data sources for a predictive model
JP5437328B2 (ja) 観測値信頼度評価装置、観測値信頼度評価方法及び観測値信頼度評価プログラム
US20220413482A1 (en) System for rule management, predictive maintenance and quality assurance of a process and machine using reconfigurable sensor networks and big data machine learning
JP6636214B1 (ja) 診断装置、診断方法及びプログラム
TW202223750A (zh) 用於在光譜量化期間避免誤報識別的設備和方法以及相關的非暫時性電腦可讀取媒體
JP7108780B2 (ja) 映像システム、撮像装置、および映像処理装置
US11024034B2 (en) Image segmentation confidence determination
CN114443412A (zh) 用于基于功率测量的温度检测和热管理的方法及设备
JP7237124B2 (ja) 近赤外分光法及び機械学習技術による、製造工程におけるエンドポイント検出
US20190178814A1 (en) State assessing device, state assessing method, and storage medium for storing program
US7801650B2 (en) Inferring the altitude of computing devices using multivariate pattern recognition of telemetry signals
WO2019026193A1 (ja) 情報処理装置、情報処理システム、情報処理方法、及び、記録媒体
JP6681082B2 (ja) 情報処理装置、情報システム、情報処理方法、およびプログラム
CN115834859A (zh) 一种四目立体视觉摄像机5g软件标定方法及系统
US10467750B2 (en) Display control apparatus, display control method, and recording medium
JP6223897B2 (ja) 異常検知装置及び異常検知システム
JP2017174230A (ja) 軌跡データ処理方法、軌跡データ処理プログラム及び軌跡データ処理装置
KR101615346B1 (ko) 반도체 제조 공정에서의 이상 감지 방법, 장치 및 기록매체
JP2023508075A (ja) データ同化フレームワーク内の物理センサの統合
US20210248726A1 (en) Multistage process model training
CN110264333B (zh) 一种风险规则确定方法和装置
JP7430863B2 (ja) 情報処理方法、装置及びプログラム
SE545781C2 (en) Method for on line monitoring of air flow at air tenninals of a ventilation system

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220623

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230418

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230609

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: 20230808

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230821

R151 Written notification of patent or utility model registration

Ref document number: 7347431

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151