JP7444277B2 - 挙動推定装置、挙動推定方法、経路生成装置、経路生成方法、及びプログラム - Google Patents
挙動推定装置、挙動推定方法、経路生成装置、経路生成方法、及びプログラム Download PDFInfo
- Publication number
- JP7444277B2 JP7444277B2 JP2022558717A JP2022558717A JP7444277B2 JP 7444277 B2 JP7444277 B2 JP 7444277B2 JP 2022558717 A JP2022558717 A JP 2022558717A JP 2022558717 A JP2022558717 A JP 2022558717A JP 7444277 B2 JP7444277 B2 JP 7444277B2
- Authority
- JP
- Japan
- Prior art keywords
- behavior
- environment
- model
- analysis data
- data
- 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
- 238000000034 method Methods 0.000 title claims description 57
- 230000006399 behavior Effects 0.000 claims description 385
- 238000004458 analytical method Methods 0.000 claims description 184
- 238000003891 environmental analysis Methods 0.000 claims description 62
- 230000007613 environmental effect Effects 0.000 claims description 32
- 230000001172 regenerating effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 28
- 238000012545 processing Methods 0.000 description 12
- 230000007423 decrease Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 239000000446 fuel Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
-
- 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
- G01C21/20—Instruments for performing navigational calculations
-
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3826—Terrain data
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/20—Control system inputs
- G05D1/24—Arrangements for determining position or orientation
- G05D1/246—Arrangements for determining position or orientation using environment maps, e.g. simultaneous localisation and mapping [SLAM]
- G05D1/2464—Arrangements for determining position or orientation using environment maps, e.g. simultaneous localisation and mapping [SLAM] using an occupancy grid
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/60—Intended control result
- G05D1/644—Optimisation of travel parameters, e.g. of energy consumption, journey time or distance
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D2101/00—Details of software or hardware architectures used for the control of position
- G05D2101/10—Details of software or hardware architectures used for the control of position using artificial intelligence [AI] techniques
- G05D2101/15—Details of software or hardware architectures used for the control of position using artificial intelligence [AI] techniques using machine learning, e.g. neural networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D2107/00—Specific environments of the controlled vehicles
- G05D2107/30—Off-road
- G05D2107/36—Catastrophic areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D2109/00—Types of controlled vehicles
- G05D2109/10—Land vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Mathematical Physics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Traffic Control Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Navigation (AREA)
Description
第一の環境において移動体の実際の挙動を表す第一の挙動解析データを生成する、挙動解析部と、
前記第一の環境の状態を表す環境状態データに基づいて前記第一の環境について解析をし、環境解析データを生成する、環境解析部と、
前記環境解析データを、前記第一の環境における移動体の挙動を推定するためのモデルに入力して、前記第一の環境における前記移動体の挙動を推定する、推定部と、
前記モデルにより推定された挙動推定結果データに基づいて信頼区間を設定し、設定した前記信頼区間に前記第一の挙動解析データが存在しない場合、前記モデルを学習する学習部に、前記モデルを再学習させるための指示をする、学習指示部と、
を有することを特徴とする。
第一の環境において移動体の実際の挙動を表す第一の挙動解析データを生成する、挙動解析部と、
前記第一の環境の状態を表す環境状態データに基づいて前記第一の環境について解析をし、環境解析データを生成する、環境解析部と、
前記環境解析データを、前記第一の環境における移動体の挙動を推定するためのモデルに入力して、前記第一の環境における前記移動体の挙動を推定する、推定部と、
前記モデルにより推定された挙動推定結果データに基づいて信頼区間を設定し、設定した前記信頼区間に前記第一の挙動解析データが存在しない場合、前記モデルを学習する学習手段に、前記モデルを再学習させるための指示をする、学習指示部と、
前記モデルが再学習された場合、再学習された前記モデルを用いて生成された挙動推定結果データに基づいて、現在位置から目的地までの移動経路を表す移動経路データを再生成する、移動経路生成部と、
を有することを特徴とする。
第一の環境において移動体の実際の挙動を表す第一の挙動解析データを生成する、挙動解析ステップと、
前記第一の環境の状態を表す環境状態データに基づいて前記第一の環境について解析をし、環境解析データを生成する、環境解析ステップと、
前記環境解析データを、前記第一の環境における移動体の挙動を推定するためのモデルに入力して、前記第一の環境における前記移動体の挙動を推定する、推定ステップと、
前記モデルにより推定された挙動推定結果データに基づいて信頼区間を設定し、設定した前記信頼区間に前記第一の挙動解析データが存在しない場合、前記モデルを学習する学習部に、前記モデルを再学習させるための指示をする、学習指示ステップと、
を有することを特徴とする。
第一の環境において移動体の実際の挙動を表す第一の挙動解析データを生成する、挙動解析ステップと、
前記第一の環境の状態を表す環境状態データに基づいて前記第一の環境について解析をし、環境解析データを生成する、環境解析ステップと、
前記環境解析データを、前記第一の環境における移動体の挙動を推定するためのモデルに入力して、前記第一の環境における前記移動体の挙動を推定する、推定ステップと、
前記モデルにより推定された挙動推定結果データに基づいて信頼区間を設定し、設定した前記信頼区間に前記第一の挙動解析データが存在しない場合、前記モデルを学習する学習手段に、前記モデルを再学習させるための指示をする、学習指示ステップと、
前記モデルが再学習された場合、再学習された前記モデルを用いて生成された挙動推定結果データに基づいて、現在位置から目的地までの移動経路を表す移動経路データを再生成する、移動経路生成ステップと、
を有することを特徴とする。
コンピュータに、
第一の環境において移動体の実際の挙動を表す第一の挙動解析データを生成する、挙動解析ステップと、
前記第一の環境の状態を表す環境状態データに基づいて前記第一の環境について解析をし、環境解析データを生成する、環境解析ステップと、
前記環境解析データを、前記第一の環境における移動体の挙動を推定するためのモデルに入力して、前記第一の環境における前記移動体の挙動を推定する、推定ステップと、
前記モデルにより推定された挙動推定結果データに基づいて信頼区間を設定し、設定した前記信頼区間に前記第一の挙動解析データが存在しない場合、前記モデルを学習する学習部に、前記モデルを再学習させるための指示をする、学習指示ステップと、
を実行させることを特徴とする。
コンピュータに、
第一の環境において移動体の実際の挙動を表す第一の挙動解析データを生成する、挙動解析ステップと、
前記第一の環境の状態を表す環境状態データに基づいて前記第一の環境について解析をし、環境解析データを生成する、環境解析ステップと、
前記環境解析データを、前記第一の環境における移動体の挙動を推定するためのモデルに入力して、前記第一の環境における前記移動体の挙動を推定する、推定ステップと、
前記モデルにより推定された挙動推定結果データに基づいて信頼区間を設定し、設定した前記信頼区間に前記第一の挙動解析データが存在しない場合、前記モデルを学習する学習手段に、前記モデルを再学習させるための指示をする、学習指示ステップと、
前記モデルが再学習された場合、再学習された前記モデルを用いて生成された挙動推定結果データに基づいて、現在位置から目的地までの移動経路を表す移動経路データを再生成する、移動経路生成ステップと、
を実行させることを特徴とする。
従来、被災地、建設現場、山林、惑星などの未知の環境において作業をする自律型の作業車両は、作業車両に搭載された撮像装置から未知の環境を撮像した画像データを取得し、取得した画像データに対して画像処理をし、画像処理の結果に基づいて未知の環境の状態を推定している。
以下、図面を参照して実施形態について説明する。図3を用いて、本実施形態における挙動推定装置10の構成について説明する。図3は、挙動推定装置の一例を説明するための図である。
図3に示す挙動推定装置10は、未知の環境において、移動体の挙動を精度よく推定するために用いるモデルを学習する装置である。また、図3に示すように、挙動推定装置10は、挙動解析部11と、学習部12と、環境解析部13と、推定部14と、学習指示部15とを有する。
モデルは、未知の環境において作業車両1などの移動体の挙動を推定するために用いるモデルである。モデルは、数1に示すような関数で表すことができる。
続いて、図5を用いて、本実施形態におけるシステム100の構成について説明する。図5は、挙動推定装置を有するシステムの一例を説明するための図である。
挙動推定装置10と経路生成装置20について具体的に説明する。実施例1では、未知の環境における作業車両1の斜面走行時のスリップ(挙動)を、低斜面を走行時に取得したデータから推定する場合について説明する。実施例1では、スリップを推定するので、スリップを、対象環境の地形形状(傾斜角、凹凸)の関数としてモデル化する。
実施例1の学習において、挙動解析部11は、作業車両1を、対象環境のリスクの低いなだらかな地形を一定速度で走行させ、一定間隔で、計測部30のセンサ31から移動体状態データを取得する。挙動解析部11は、例えば、0.1[秒]間隔、又は0.1[m]間隔などで移動体状態データを取得する。
推定において、作業車両1がこれから走行する地形形状を計測し、学習したモデルに基づいて対象環境におけるスリップを推定する。
環境解析部13は、まず、図7に示すように、対象環境(空間)を格子に区切り、格子それぞれに点群を割り振る。図7は、地形形状に関する情報の一例を説明するための図である。
(1)格子の最大傾斜角のみをモデルに入力してスリップを推定する。ただし、実際には、作業車両1のスリップは、斜面に対して作業車両1がどの向きを向いているかどうかによって決まる。例えば、最大傾斜角方向(一番傾斜が急な向き)を作業車両1が向いている場合、最もスリップが大きくなるので、最大傾斜角を使用してスリップを推定することは、保守的に予測を行うことを意味する。なお、作業車両1のピッチ角=最大傾斜角、ロール角=0として、スリップを推定してもよい。
実施例2では、未知の環境における移動体の移動経路の計画及び移動制御の方法について説明する。具体的には、実施例2では、実施例1で求めた推定結果に基づいて移動経路を求め、求めた移動経路にしたがって移動体を移動させる。
Cost = a * L + b * Slip
Cost :ノード間の移動コスト
L :ユークリッド距離
Slip :スリップ
a,b :移動経路を生成に用いる重み(0以上の値)
次に、本発明の実施形態、実施例1、実施例2における挙動推定装置10、経路生成装置20の動作について図を用いて説明する。
図12に示すように、まず、挙動解析部11は、センサ31から移動体状態データを取得する(ステップA1)。次に、挙動解析部11は、移動体の状態を表す移動体状態データに基づいて、移動体の挙動を解析し、移動体の挙動を表す第一の挙動解析データを生成する(ステップA2)。
図13に示すように、まず、ステップA1からA8の挙動推定処理を実行する。次に、推定部14は、環境解析データを、再学習したモデルに入力して、新たに対象環境における移動体の挙動を推定する(ステップB1)。
以上のように実施形態、実施例1、実施例2によれば、未知の環境におけるモデルの再学習の回数を低減できる。その結果、作業車両などの移動体の挙動を精度よく推定でき、更に、作業車両の運用効率の低下を抑制できる。
実施形態、実施例1、実施例2におけるプログラムは、コンピュータに、図12、図13に示すステップA1からA9、ステップB1からB5を実行させるプログラムであればよい。このプログラムをコンピュータにインストールし、実行することによって、実施形態、実施例1、実施例2における挙動推定装置10、経路生成装置20、システム100とそれらの方法を実現することができる。この場合、コンピュータのプロセッサは、挙動解析部11、学習部12、環境解析部13、推定部14、学習指示部15、移動経路生成部16、再計画指示部17、移動体制御部50として機能し、処理を行なう。
ここで、実施形態、実施例1、実施例2におけるプログラムを実行することによって、挙動推定装置10、経路生成装置20、システム100を実現するコンピュータについて図14を用いて説明する。図14は、挙動推定装置又は経路生成装置を有するシステムを実現するコンピュータの一例を示すブロック図である。
以上の実施形態に関し、更に以下の付記を開示する。上述した実施形態の一部又は全部は、以下に記載する(付記1)から(付記12)により表現することができるが、以下の記載に限定されるものではない。
第一の環境において移動体の実際の挙動を表す第一の挙動解析データを生成する、挙動解析部と、
前記第一の環境の状態を表す環境状態データに基づいて前記第一の環境について解析をし、環境解析データを生成する、環境解析部と、
前記環境解析データを、前記第一の環境における移動体の挙動を推定するためのモデルに入力して、前記第一の環境における前記移動体の挙動を推定する、推定部と、
前記モデルにより推定された挙動推定結果データに基づいて信頼区間を設定し、設定した前記信頼区間に前記第一の挙動解析データが存在しない場合、前記モデルを学習する学習部に、前記モデルを再学習させるための指示をする、学習指示部と、
を有する挙動推定装置。
付記1に記載の挙動推定装置であって、
前記学習部は、前記第一の挙動解析データと、第二の環境ごとに生成された第二の挙動解析データと、前記第一の環境及び前記第二の環境それぞれにおける位置ごとの地質特性の類似度とを用いて、前記モデルを学習する
挙動推定装置。
第一の環境において移動体の実際の挙動を表す第一の挙動解析データを生成する、挙動解析部と、
前記第一の環境の状態を表す環境状態データに基づいて前記第一の環境について解析をし、環境解析データを生成する、環境解析部と、
前記環境解析データを、前記第一の環境における移動体の挙動を推定するためのモデルに入力して、前記第一の環境における前記移動体の挙動を推定する、推定部と、
前記モデルにより推定された挙動推定結果データに基づいて信頼区間を設定し、設定した前記信頼区間に前記第一の挙動解析データが存在しない場合、前記モデルを学習する学習部に、前記モデルを再学習させるための指示をする、学習指示部と、
前記モデルが再学習された場合、再学習された前記モデルを用いて生成された挙動推定結果データに基づいて、現在位置から目的地までの移動経路を表す移動経路データを再生成する、移動経路生成部と、
を有する経路生成装置。
付記3に記載の経路生成装置であって、
前記学習部は、前記第一の挙動解析データと、第二の環境ごとに生成された第二の挙動解析データと、前記第一の環境及び前記第二の環境それぞれにおける位置ごとの地質特性の類似度とを用いて、前記モデルを学習する
経路生成装置。
第一の環境において移動体の実際の挙動を表す第一の挙動解析データを生成する、挙動解析ステップと、
前記第一の環境の状態を表す環境状態データに基づいて前記第一の環境について解析をし、環境解析データを生成する、環境解析ステップと、
前記環境解析データを、前記第一の環境における移動体の挙動を推定するためのモデルに入力して、前記第一の環境における前記移動体の挙動を推定する、推定ステップと、
前記モデルにより推定された挙動推定結果データに基づいて信頼区間を設定し、設定した前記信頼区間に前記第一の挙動解析データが存在しない場合、前記モデルを再学習させるための指示をする、学習指示ステップと、
を有する挙動推定方法。
付記5に記載の挙動推定方法であって、
前記第一の挙動解析データと、第二の環境ごとに生成された第二の挙動解析データと、前記第一の環境及び前記第二の環境それぞれにおける位置ごとの地質特性の類似度とを用いて、前記モデルを学習する
挙動推定方法。
第一の環境において移動体の実際の挙動を表す第一の挙動解析データを生成する、挙動解析ステップと、
前記第一の環境の状態を表す環境状態データに基づいて前記第一の環境について解析をし、環境解析データを生成する、環境解析ステップと、
前記環境解析データを、前記第一の環境における移動体の挙動を推定するためのモデルに入力して、前記第一の環境における前記移動体の挙動を推定する、推定ステップと、
前記モデルにより推定された挙動推定結果データに基づいて信頼区間を設定し、設定した前記信頼区間に前記第一の挙動解析データが存在しない場合、前記モデルを学習する学習部に、前記モデルを再学習させるための指示をする、学習指示ステップと、
前記モデルが再学習された場合、再学習された前記モデルを用いて生成された挙動推定結果データに基づいて、現在位置から目的地までの移動経路を表す移動経路データを再生成する、移動経路生成ステップと、
を有する経路生成方法。
付記7に記載の経路生成方法であって、
前記第一の挙動解析データと、第二の環境ごとに生成された第二の挙動解析データと、前記第一の環境及び前記第二の環境それぞれにおける位置ごとの地質特性の類似度とを用いて、前記モデルを学習する
経路生成方法。
コンピュータに、
第一の環境において移動体の実際の挙動を表す第一の挙動解析データを生成する、挙動解析ステップと、
前記第一の環境の状態を表す環境状態データに基づいて前記第一の環境について解析をし、環境解析データを生成する、環境解析ステップと、
前記環境解析データを、前記第一の環境における移動体の挙動を推定するためのモデルに入力して、前記第一の環境における前記移動体の挙動を推定する、推定ステップと、
前記モデルにより推定された挙動推定結果データに基づいて信頼区間を設定し、設定した前記信頼区間に前記第一の挙動解析データが存在しない場合、前記モデルを再学習させるための指示をする、学習指示ステップと、
を実行させる命令を含むプログラム。
付記9に記載のプログラムであって、
前記第一の挙動解析データと、第二の環境ごとに生成された第二の挙動解析データと、前記第一の環境及び前記第二の環境それぞれにおける位置ごとの地質特性の類似度とを用いて、前記モデルを学習する
プログラム。
コンピュータに、
第一の環境において移動体の実際の挙動を表す第一の挙動解析データを生成する、挙動解析ステップと、
前記第一の環境の状態を表す環境状態データに基づいて前記第一の環境について解析をし、環境解析データを生成する、環境解析ステップと、
前記環境解析データを、前記第一の環境における移動体の挙動を推定するためのモデルに入力して、前記第一の環境における前記移動体の挙動を推定する、推定ステップと、
前記モデルにより推定された挙動推定結果データに基づいて信頼区間を設定し、設定した前記信頼区間に前記第一の挙動解析データが存在しない場合、前記モデルを学習する学習部に、前記モデルを再学習させるための指示をする、学習指示ステップと、
前記モデルが再学習された場合、再学習された前記モデルを用いて生成された挙動推定結果データに基づいて、現在位置から目的地までの移動経路を表す移動経路データを再生成する、移動経路生成ステップと、
を実行させる命令を含むプログラム。
付記11に記載のプログラムであって、
前記第一の挙動解析データと、第二の環境ごとに生成された第二の挙動解析データと、前記第一の環境及び前記第二の環境それぞれにおける位置ごとの地質特性の類似度とを用いて、前記モデルを学習する
プログラム。
10 挙動推定装置
11 挙動解析部
12 学習部
13 環境解析部
14 推定部
15 学習指示部
16 移動経路生成部
17 再計画指示部
20 経路生成装置
30 計測部
31、32 センサ
40 記憶装置
50 移動体制御部
100 システム
110 コンピュータ
111 CPU
112 メインメモリ
113 記憶装置
114 入力インターフェイス
115 表示コントローラ
116 データリーダ/ライタ
117 通信インターフェイス
118 入力機器
119 ディスプレイ装置
120 記録媒体
121 バス
Claims (10)
- 第一の環境において移動体の実際の挙動を表す第一の挙動解析データを生成する、挙動解析手段と、
前記第一の環境の状態を表す環境状態データに基づいて前記第一の環境について解析をし、環境解析データを生成する、環境解析手段と、
前記環境解析データを、前記第一の環境における移動体の挙動を推定するためのモデルに入力して、前記第一の環境における前記移動体の挙動を推定する、推定手段と、
前記モデルにより推定された挙動推定結果データに基づいて信頼区間を設定し、設定した前記信頼区間に前記第一の挙動解析データが存在しない場合、前記モデルを学習する学習手段に、前記モデルを再学習させるための指示をする、学習指示手段と、
を有する挙動推定装置。 - 請求項1に記載の挙動推定装置であって、
前記学習手段は、前記第一の挙動解析データと、第二の環境ごとに生成された第二の挙動解析データと、前記第一の環境及び前記第二の環境それぞれにおける位置ごとの地質特性の類似度とを用いて、前記モデルを学習する
挙動推定装置。 - 第一の環境において移動体の実際の挙動を表す第一の挙動解析データを生成する、挙動解析手段と、
前記第一の環境の状態を表す環境状態データに基づいて前記第一の環境について解析をし、環境解析データを生成する、環境解析手段と、
前記環境解析データを、前記第一の環境における移動体の挙動を推定するためのモデルに入力して、前記第一の環境における前記移動体の挙動を推定する、推定手段と、
前記モデルにより推定された挙動推定結果データに基づいて信頼区間を設定し、設定した前記信頼区間に前記第一の挙動解析データが存在しない場合、前記モデルを学習する学習手段に、前記モデルを再学習させるための指示をする、学習指示手段と、
前記モデルが再学習された場合、再学習された前記モデルを用いて生成された挙動推定結果データに基づいて、現在位置から目的地までの移動経路を表す移動経路データを再生成する、移動経路生成手段と、
を有する経路生成装置。 - 請求項3に記載の経路生成装置であって、
前記学習手段は、前記第一の挙動解析データと、第二の環境ごとに生成された第二の挙動解析データと、前記第一の環境及び前記第二の環境それぞれにおける位置ごとの地質特性の類似度とを用いて、前記モデルを学習する
経路生成装置。 - コンピュータが、
第一の環境において移動体の実際の挙動を表す第一の挙動解析データを生成し、
前記第一の環境の状態を表す環境状態データに基づいて前記第一の環境について解析をし、環境解析データを生成し、
前記環境解析データを、前記第一の環境における移動体の挙動を推定するためのモデルに入力して、前記第一の環境における前記移動体の挙動を推定し、
前記モデルにより推定された挙動推定結果データに基づいて信頼区間を設定し、設定した前記信頼区間に前記第一の挙動解析データが存在しない場合、前記モデルを再学習させるための指示をする
挙動推定方法。 - 請求項5に記載の挙動推定方法であって、
前記第一の挙動解析データと、第二の環境ごとに生成された第二の挙動解析データと、前記第一の環境及び前記第二の環境それぞれにおける位置ごとの地質特性の類似度とを用いて、前記モデルを学習する
挙動推定方法。 - コンピュータが、
第一の環境において移動体の実際の挙動を表す第一の挙動解析データを生成し、
前記第一の環境の状態を表す環境状態データに基づいて前記第一の環境について解析をし、環境解析データを生成し、
前記環境解析データを、前記第一の環境における移動体の挙動を推定するためのモデルに入力して、前記第一の環境における前記移動体の挙動を推定し、
前記モデルにより推定された挙動推定結果データに基づいて信頼区間を設定し、設定した前記信頼区間に前記第一の挙動解析データが存在しない場合、前記モデルを再学習させるための指示をし、
前記モデルが再学習された場合、再学習された前記モデルを用いて生成された挙動推定結果データに基づいて、現在位置から目的地までの移動経路を表す移動経路データを再生成する
経路生成方法。 - 請求項7に記載の経路生成方法であって、
前記第一の挙動解析データと、第二の環境ごとに生成された第二の挙動解析データと、前記第一の環境及び前記第二の環境それぞれにおける位置ごとの地質特性の類似度とを用いて、前記モデルを学習する
経路生成方法。 - コンピュータに、
第一の環境において移動体の実際の挙動を表す第一の挙動解析データを生成し、
前記第一の環境の状態を表す環境状態データに基づいて前記第一の環境について解析をし、環境解析データを生成し、
前記環境解析データを、前記第一の環境における移動体の挙動を推定するためのモデルに入力して、前記第一の環境における前記移動体の挙動を推定し、
前記モデルにより推定された挙動推定結果データに基づいて信頼区間を設定し、設定した前記信頼区間に前記第一の挙動解析データが存在しない場合、前記モデルを再学習させるための指示をする
処理を実行させる命令を含むプログラム。 - コンピュータに、
第一の環境において移動体の実際の挙動を表す第一の挙動解析データを生成し、
前記第一の環境の状態を表す環境状態データに基づいて前記第一の環境について解析をし、環境解析データを生成し、
前記環境解析データを、前記第一の環境における移動体の挙動を推定するためのモデルに入力して、前記第一の環境における前記移動体の挙動を推定し、
前記モデルにより推定された挙動推定結果データに基づいて信頼区間を設定し、設定した前記信頼区間に前記第一の挙動解析データが存在しない場合、前記モデルを再学習させるための指示をし、
前記モデルが再学習された場合、再学習された前記モデルを用いて生成された挙動推定結果データに基づいて、現在位置から目的地までの移動経路を表す移動経路データを再生成する
処理を実行させる命令を含むプログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/040670 WO2022091305A1 (ja) | 2020-10-29 | 2020-10-29 | 挙動推定装置、挙動推定方法、経路生成装置、経路生成方法、及びコンピュータ読み取り可能な記録媒体 |
Publications (3)
Publication Number | Publication Date |
---|---|
JPWO2022091305A1 JPWO2022091305A1 (ja) | 2022-05-05 |
JPWO2022091305A5 JPWO2022091305A5 (ja) | 2023-06-29 |
JP7444277B2 true JP7444277B2 (ja) | 2024-03-06 |
Family
ID=81382085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022558717A Active JP7444277B2 (ja) | 2020-10-29 | 2020-10-29 | 挙動推定装置、挙動推定方法、経路生成装置、経路生成方法、及びプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240019250A1 (ja) |
JP (1) | JP7444277B2 (ja) |
WO (1) | WO2022091305A1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115220449B (zh) * | 2022-07-14 | 2023-11-21 | 小米汽车科技有限公司 | 路径规划的方法、装置、存储介质、芯片及车辆 |
WO2024069781A1 (ja) * | 2022-09-28 | 2024-04-04 | 日産自動車株式会社 | 車両の走行支援方法及び車両の走行支援装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017227656A (ja) | 2017-10-05 | 2017-12-28 | ヤフー株式会社 | 判定装置、判定方法及び判定プログラム |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1074188A (ja) * | 1996-05-23 | 1998-03-17 | Hitachi Ltd | データ学習装置およびプラント制御装置 |
JP5531643B2 (ja) * | 2010-01-25 | 2014-06-25 | 株式会社Ihi | 通路検出方法、装置、及びプログラム |
GB2541884A (en) * | 2015-08-28 | 2017-03-08 | Imp College Of Science Tech And Medicine | Mapping a space using a multi-directional camera |
US10274331B2 (en) * | 2016-09-16 | 2019-04-30 | Polaris Industries Inc. | Device and method for improving route planning computing devices |
WO2019176354A1 (ja) * | 2018-03-13 | 2019-09-19 | 住友電気工業株式会社 | 学習用データ収集方法、学習用データ収集装置、異変検知システム及びコンピュータプログラム |
JP7215077B2 (ja) * | 2018-10-26 | 2023-01-31 | 富士通株式会社 | 予測プログラム、予測方法及び予測装置 |
-
2020
- 2020-10-29 JP JP2022558717A patent/JP7444277B2/ja active Active
- 2020-10-29 WO PCT/JP2020/040670 patent/WO2022091305A1/ja active Application Filing
- 2020-10-29 US US18/032,864 patent/US20240019250A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017227656A (ja) | 2017-10-05 | 2017-12-28 | ヤフー株式会社 | 判定装置、判定方法及び判定プログラム |
Also Published As
Publication number | Publication date |
---|---|
JPWO2022091305A1 (ja) | 2022-05-05 |
US20240019250A1 (en) | 2024-01-18 |
WO2022091305A1 (ja) | 2022-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gonzalez et al. | Slippage estimation and compensation for planetary exploration rovers. State of the art and future challenges | |
Zaidner et al. | A novel data fusion algorithm for low-cost localisation and navigation of autonomous vineyard sprayer robots | |
CN106406320A (zh) | 机器人路径规划方法及规划路线的机器人 | |
JP7444277B2 (ja) | 挙動推定装置、挙動推定方法、経路生成装置、経路生成方法、及びプログラム | |
JP6856575B2 (ja) | 能動的探索なしの強化学習に基づく制御ポリシー学習及び車両制御方法 | |
JP2017004373A (ja) | 情報処理装置、情報処理プログラム、および情報処理システム | |
CN113433937A (zh) | 基于启发式探索的分层导航避障系统、分层导航避障方法 | |
Miller et al. | Cornell university's 2005 DARPA grand challenge entry | |
CN115639823A (zh) | 崎岖起伏地形下机器人地形感知与移动控制方法及系统 | |
Klein | Data-driven meets navigation: Concepts, models, and experimental validation | |
Hu et al. | Path planning of UGV based on Bézier curves | |
CN117246425A (zh) | 四足机器人导航避障与攀爬楼梯方法及系统 | |
Toscano-Moreno et al. | DEM-AIA: Asymmetric inclination-aware trajectory planner for off-road vehicles with digital elevation models | |
McAllister et al. | Motion planning and stochastic control with experimental validation on a planetary rover | |
JP7464130B2 (ja) | 挙動学習装置、挙動学習方法、挙動推定装置、挙動推定方法、及びプログラム | |
Gregory et al. | Improving trajectory tracking accuracy for faster and safer autonomous navigation of ground vehicles in off-road settings | |
JP7211605B2 (ja) | 地形を考慮したルート計画 | |
Ugur et al. | Fast and efficient terrain-aware motion planning for exploration rovers | |
Inotsume et al. | Adaptive terrain traversability prediction based on multi-source transfer gaussian processes | |
CN115828463A (zh) | 基于数字孪生六维模型的掘进机位姿估计方法、系统 | |
Davis et al. | Motion planning under uncertainty: application to an unmanned helicopter | |
Kilic | Planetary rover inertial navigation applications: Pseudo measurements and wheel terrain interactions | |
Jaroszek et al. | Localization of the wheeled mobile robot based on multi-sensor data fusion | |
Kobayashi et al. | Mobile robot decision-making based on offline simulation for navigation over uneven terrain | |
Ostafew | Learning-based control for autonomous mobile robots |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230411 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230411 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231024 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231124 |
|
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: 20240123 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240205 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7444277 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |