JPH0863581A - 外部環境認識装置 - Google Patents

Abstract

(57)【要約】 （修正有） 【目的】 外部環境を多角的，多面的に効率良く詳細に
認識できる。 【構成】 複数のセンサ１０で検出する外部環境の観測
情報を認識レベルにより階層化した層１２は、外部環境
認識の処理単位となる複数のノード１４を有し、各ノー
ド１４は、隣接層１２における該当のノード１４とリン
クにより結合され、最下位層１２の各ノード１４は、セ
ンサ検出の観測情報を入力する入力部１６、及び観測情
報のパラメータ分布を算出する算出部１８を有し、算出
の分布を階層上位側のリンク先ノード１４へ送出する。
他層１２の各ノード１４は、階層下位側が送出した分布
を取得する取得部２４、取得の分布を前回の結果と融合
して融合結果を保持する融合部２６、並びに取得の分布
及び前回融合の分布について両分布の相関度を算出する
算出部２８を有し、相関度が同一層１２内において最大
で設定値を越えた分布のみを階層上位側のリンク先ノー
ド１４へ送出する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、複数のセンサから入力
された外部環境の観測情報でその環境の認識を行なう装
置に関する。

【０００２】工場などにおいては整備された良好かつ安
定な環境下で予め決められた定型動作を単純に繰り返す
ロボットが使用されているが、ロボット要素の技術が急
速に発達していることから、屋外や未知の環境下におい
てもこれに適応して作業を遂行する自律型ロボットの実
現が期待される。

【０００３】その自律型ロボットでは、作業指令が与え
られたときに外部環境認識装置の処理結果を用いて同作
業の動作計画が生成されるが、作業動作の計画生成時に
は外部環境認識装置で外部環境がどのように認識され、
理解されるかが非常に重要な問題となる。

【０００４】例えば、テーブルに積み上げられた物体群
をカメラなどの視覚センサを用いて観測し、テーブル上
よりいずれかの物体を選択し、選択の物体を把握して移
動させる作業の指令が与えられた場合、視覚センサより
取り込まれた撮影画像から外部環境（テーブル上の物
体）の局所的な特徴情報を抽出し、その情報から把握対
象の物体が置かれている位置，同物体の姿勢，把握すべ
きポイントを正確に予測し推定する外部環境の認識処理
をいかにして行なうかでロボットの性能が大きく左右さ
れる。

【０００５】

【従来の技術】外部環境の局所的な情報とあらかじめ与
えられた環境モデルとのマッチングをとる装置の場合に
は、対象物体の種類やその特徴量の種類がとともにマッ
チングの組み合わせ数が増加し、処理負荷や処理時間が
無視できないものとなる。

【０００６】このため、解釈木を用いたモデルマッチン
グの対象物認識手法（Ｗ．Ｅ．Ｌ．Ｇｒｉｍｓｏｎ ａ
ｎｄ Ｔ．Ｌｏｚａｎｏ−Ｐｅｒｅｚ：Ｍｏｄｅｌ−ｂ
ａｓｅｄ ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ ｌｏｃａ
ｌｉｚａｔｉｏｎ ｆｒｏｍｓｐａｒｓｅ ｒａｎｇｅ
ｏｒ ｔａｃｔｉｌｅ ｄａｔａ，Ｉｎｔ．Ｊ．Ｒｏ
ｂｏｔｉｃｓ Ｒｅｓ．，３，３，ｐｐ．３−３５．１
９８４及びＰ．Ｃ．Ｇａｓｔｏｎ ａｎｄ Ｔ．Ｌｏｚ
ａｎｏ−Ｐｒｅｚ：Ｔａｃｔｉｌｅ ｒｅｃｏｇｎｉｔ
ｉｏｎ ａｎｄ ｌｏｃａｌｉｚａｔｉｏｎ ｕｓｉｎ
ｇ ｏｂｊｅｃｔ ｍｏｄｅｌｓ：Ｔｈｅ ｃａｓｅ
ｏｆ ｐｏｌｙｈｅｄｒａ ｏｎ ａｐｌａｎｅ，ＩＥ
ＥＥ Ｔｒａｎｓ．Ｐａｔｔｅｎ．Ａｎａｌ．Ｍａｃ
ｈ．Ｉｎｔｅｌｌ．，ＰＡＭＩ−６．３．ｐｐ．２５７
−２６５，１９８４参照）が提案されている。

【０００７】ところがこの手法においては、センサ情報
や環境モデルの誤差を取り扱う処理上の難点から、複数
の解釈が生じ、したがって、認識結果の唯一性を保証す
ることが困難となる。

【０００８】そこで、正規確率分布を用いる手法（Ｄｕ
ｒｒａｎｔ−Ｗｈｙｔｅ，Ｕｎｃｅｒｔａｉｎ Ｇｅｏ
ｍｅｔｒｙ ｉｎ Ｒｏｂｏｔｉｃｓ．ＩＥＥＥ Ｊ．
ｏｆＲｏｂｏｔｉｃｓ ａｎｄ Ａｕｔｏｍａｔｉｏ
ｎ．Ｖｏｌ．４．Ｎｏ．１，ｐｐ．２３−３１，１９８
８参照），Ｄｅｍｐｓｔｅｒ−Ｓｈａｆｅｒ理論を用い
る手法（Ｌ．Ｂｏｇｌｅｒ，Ｓｈａｆｅｒ−Ｄｅｍｐｓ
ｔａｒ Ｒｅａｓｏｎｉｎｇ ｗｉｔｈ Ａｐｌｉｃａ
ｔｉｏｎ ｔｏ Ｍｕｌｔｉｓｅｎｓｏｒ Ｔａｒｇｅ
ｔ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ Ｓｙｓｔｅｍｓ，
ＩＥＥＥ Ｔｒａｎｓ．ｏｎ Ｓｙｓｔｅｍ，ｍａｎ．
ａｎｄ Ｃｙｂｅｒｎｅｔｉｃｓ，ｐｐ．９６８−９７
７，１９８７及び川嶋，白川，青木，不確実な局所的セ
ンサ情報に基づく対象物の認識．電子情報通信学会論文
誌．Ｄ−１１．Ｎｏ．３，ｐｐ．３８３−３９１，１９
９０）が提案されており、センサ情報や環境モデルにお
ける誤差などの不確実性から複数の解釈の発生する曖昧
性が解消されている。

【０００９】さらにベイズネットを用いる手法（Ｒｉｍ
ｅｙ ａｎｄ Ｂｒｏｗｎ，Ｔａｓｋ−ｓｐｅｃｉｆｉ
ｃ ｕｔｉｌｉｔｙ ｉｎ ａ ｇｅｎｅｒａｌ Ｂａ
ｙｓｎｅｔ ｖｉｓｉｏｎ ｓｙｓｔｅｍ Ｐｒｏｃ．
１９２２ ＩＥＥＥ Ｃｏｍｐｕｔｅｒ Ｓｏｃｉｅｔ
ｙ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ
Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎ
ｉｔｉｏｎ．ｐｐ．１４２−１４７，１９９２）が提案
されており、この手法によれば、適切なセンシング行動
が選択されて外部環境の認識が効率的に行なわれ、その
結果、処理負荷が軽減され、処理速度が高められる。

【００１０】

【発明が解決しようとする課題】しかしながら従来にお
いては、一種単一のセンサで得られた観測情報のみを入
力としていたので、対象物を多角的に総合して認識する
ことが不可能とされていた。

【００１１】本発明は上記の従来の事情に鑑みて為され
たものであり、その目的は、多種多様なセンサで得られ
た観測情報を入力として外部環境の認識を行なえる装置
を提供することにある。

【００１２】

【課題を解決するための手段】図１において，第１発明
にかかる装置では、複数のセンサ１０が検出した外部環
境の観測情報を入力とし外部環境の認識結果を出力とす
る環境モデル１が，観測情報の入力側から認識結果の出
力側へ，外部環境の認識レベルにより階層化される。

【００１３】そして環境モデル１の各層１２は、外部環
境認識の処理単位となる複数のノード１４を有し、各ノ
ード１４は、隣接層１２における該当のノード１４とリ
ンクにより結合される。

【００１４】さらに最下位層１２の各ノード１４は、該
当のセンサ１０（ノード１４に設けられた各センサ１
０）で検出された外部環境の観測情報を入力する観測情
報入力部１６と、入力された観測情報のパラメータ分布
を算出する確率分布算出部１８と、算出されたパラメー
タ分布を階層上位側のリンク先ノード１４へ送出する第
１の確率分布送出部２２と、を含む。

【００１５】また他層１２の各ノード１４は、階層下位
側のリンク先ノード１４から送出された存在確率分布を
取得する確率分布取得部２４と、階層下位側のリンク先
ノード１４より取得のパラメータ分布を前回の結果と融
合して融合結果を保持する確率分布融合部２６と、階層
下位側のリンク先ノード１４より取得のパラメータ分布
と前回融合のパラメータ分布とについて両パラメータ分
布の相関度を算出する相関度算出部２８と、算出された
相関度が同一層１２内において最大で設定値を越えたパ
ラメータ分布を階層上位側のリンク先ノード１４へ送出
する第２の確率分布送出部３０と、を含む。

【００１６】図１において、第２発明にかかる装置の環
境モデル１も複数のセンサ１０で検出された外部環境の
観測情報を入力とし、外部環境の認識結果を出力とし、
かつ、観測情報の入力側から認識結果の出力側へ外部環
境の認識レベルにより階層化される。

【００１７】そして環境モデル１の各層１２は、外部環
境認識の処理単位となる複数のノード１４を有し、各ノ
ード１４は、隣接層１２における該当のノード１４とリ
ンクにより結合される。

【００１８】さらに最下位層１２の各ノード１４は、該
当のセンサ１０で検出された外部環境の観測情報を入力
する観測情報入力部１６と、入力された観測情報のパラ
メータ分布を算出する確率分布算出部１８と、算出され
たパラメータ分布を階層上位側のリンク先ノード１４へ
送出する第１の確率分布送出部２２と、を含む。

【００１９】ここで他層１２の各ノード１４は、階層下
位側のリンク先ノード１４から送出されたパラメータ分
布を取得する第１の確率分布取得部２４と、階層下位側
のリンク先ノード１４より取得のパラメータ分布を前回
の結果と融合して融合結果を保持する確率分布融合部２
６と、階層下位側のリンク先ノード１４より取得のパラ
メータ分布と前回融合のパラメータ分布とについて両パ
ラメータ分布の相関度を算出する第１の相関度算出部２
８と、算出された相関度が同一層１２内において最大で
設定値を越えたパラメータ分布を階層上位側のリンク先
ノード１４へ送出する第２の確率分布送出部３０と、算
出された相関度が同一層１２内において最大で設定値を
越えたパラメータ分布を階層下位側のリンク先ノード１
４へ送出する第３の確率分布送出部３２と、階層上位側
のリンク先ノード１４から送出されたパラメータ分布を
取得する第２の確率分布取得部３４と、融合されたパラ
メータ分布と階層上位側のリンク先ノード１４より取得
のパラメータ分布とについて両パラメータ分布の相関度
を再び算出する第２の相関度算出部３６と、再び算出さ
れた相関度が同一層１２内において最小のパラメータ分
布を階層下位側のリンク先ノード１４へ送出する第４の
確率分布送出部３８と、を含む。

【００２０】図１３において、第３発明にかかる装置の
環境モデル１も複数のセンサ１０で検出された外部環境
の観測情報を入力とし、外部環境の認識結果を出力と
し、かつ、観測情報の入力側から認識結果の出力側へ外
部環境の認識レベルにより階層化される。

【００２１】そして環境モデル１の各層１２は、外部環
境認識の処理単位となる複数のノード１４を有し、各ノ
ード１４は、隣接層１２における該当のノード１４とリ
ンクにより結合される。

【００２２】さらに最下位層１２の各ノード１４は、該
当のセンサ１０で検出された外部環境の観測情報を入力
する観測情報入力部１６と、入力された観測情報のパラ
メータ分布を算出する確率分布算出部１８と、算出され
たパラメータ分布を階層上位側のリンク先ノード１４へ
送出する第１の確率分布送出部２２と、を含む。

【００２３】ここで他層１２の各ノード１４は、階層下
位側のリンク先ノード１４から送出されたパラメータ分
布を取得する確率分布取得部２４と、階層下位側のリン
ク先ノード１４より取得のパラメータ分布における欠落
部分を該パラメータ分布と以前に取得のパラメータ分布
とから推定して階層下位側のリンク先ノード１４より取
得のパラメータ分布につき欠落部分の補完を行なう欠落
部分推定補完部４０と、欠落部分が補完されたパラメー
タ分布を前回の結果と融合して融合結果を保持する確率
分布融合部２６と、欠落部分が補完されたパラメータ分
布と前回融合のパラメータ分布とについて両パラメータ
分布の相関度を算出して欠落部分が補完されたパラメー
タ分布を蓄積記憶する相関度算出部２８と、を含む。

【００２４】また、蓄積記憶されているパラメータ分布
を階層下位側のリンク先ノード１４より取得の逆順で相
関度算出部２８に忘却させる確率分布忘却部４２と、算
出された相関度が同一層１２内において最大で設定値を
越えたパラメータ分布を階層上位側のリンク先ノード１
４へ送出する第２の確率分布送出部３０と、算出された
相関度が同一層１２内において最大で設定値を越えたパ
ラメータ分布を階層下位側のリンク先ノード１４へ送出
する第３の確率分布送出部３２と、階層上位側のリンク
先ノード１４から送出されたパラメータ分布を取得する
第２の確率分布取得部３４と、融合されたパラメータ分
布と階層上位側のリンク先ノード１４より取得のパラメ
ータ分布とについて両パラメータ分布の相関度を再び算
出する第２の相関度算出部３６と、再び算出された相関
度が同一層１２内において最小のパラメータ分布を階層
下位側のリンク先ノード１４へ送出する第４の確率分布
送出部３８と、を含む。

【００２５】

【作用】我々人間は周囲の環境をその部品が階層的に組
み立てられたものと認識し、周囲の環境に対して何らか
の働きかけを行なう場合、同環境の階層性を意識するこ
となく積極的に利用している。

【００２６】例えば、ある部屋に机，椅子，本棚が存在
し、机の上にコンピュータや本が置かれ、コンピュータ
がディスプレイ，本体，キーボードで構成され、キーボ
ードが英字キーや数字キーを備えている場合において、
この部屋でコンピュータのキーボードを操作しようとす
るときには、椅子や本棚より先に机の上へ視線を移動し
てコンピュータが置かれていることを確認し、コンピュ
ータに接続されたキーボードを発見する。さらに、英字
キー，数字キーやラベルからキーボードの種類を調べ
る。

【００２７】その際には、部屋，机，コンピュータ，キ
ーボード，キーやラベルという階層性を我々人間は無意
識に判断し、これを積極的に利用して探し出す範囲を効
率良く絞る。

【００２８】第１発明の装置には、前述した正規確率分
布（パラメータ分布）の手法やＤｅｍｐｓｔｅｒ−Ｓｈ
ａｆｅｒ理論の手法を適用でき、したがって、複数の解
釈の発生する曖昧性が解消される。

【００２９】ただし環境モデル１は、複数のセンサ１０
で検出された外部環境の観測情報を入力とし、外部環境
の認識結果を出力とし、さらに、観測情報の入力側から
認識結果の出力側へ外部環境の認識レベルで階層化され
る。

【００３０】そして、環境モデル１の各層１２（少なく
とも最下位層１２以外）においてはセンサ１０の出力情
報が融合され（確率分布融合部２６）、かつ、競合関係
となる情報（パラメータ分布／存在確率分布：対象物の
確からしさが示される）から最も適切なもの（ノード１
４の示す要素が現在の観測対象であるという観測の信頼
度が最も高い分布）が選択され、この選択された情報の
みが階層の上位側へ伝播される。

【００３１】すなわち、多種多様なセンサで得られた局
所的な観測情報がボトムアップ的に処理されて大域的な
ものへ逐次統合，集約される。このため、不確実な情報
すべての組み合わせを処理することによる組み合わせ爆
発を回避しながら、多面的，多角的な認識処理を人間と
同様にして効率良く行なうことが可能となる。

【００３２】また第２発明の装置では、相関度が同一層
１２内で最大かつ設定値を越えたパラメータ分布が階層
下位側のリンク先ノード１４へ伝播され、融合された分
布と階層上位側のリンク先ノード１４より伝播の分布と
について両分布の示す要素と観測対象との相関度が再び
算出され、再算出の相関度が同一層１２内において最小
の分布が階層下位側のリンク先ノード１４へ送出される
ので、大域的な環境情報が階層構造に沿ってトップダウ
ン的に伝播され、したがって、同情報から各層１２にお
いて次の観測結果を予測して適切なセンシング行動を選
択でき、このため、外部環境を認識する処理をさらに効
率良く行なうことが可能となる。

【００３３】第３発明の装置では、最下位層１２以外の
層１２における各ノード１４が階層下位側のリンク先ノ
ード１４から取得したパラメータ分布の欠落部分を推定
してその欠落部分の補完を行なう。１回の測定又は単一
のセンサ１０ではパラメータ分布の融合処理に必要な環
境情報を全て得ることが一般に困難となり、例えば、触
覚センサで物体のいずれかの頂点が検出された場合、そ
の情報が示す１つの頂点の位置のみでは同物体の姿勢を
一意的に決定することは不可能となる。

【００３４】また、種別が異なるセンサ１０から次元の
異なる環境情報が得られる装置では、あるセンサ出力で
は環境情報の内容が冗長となるものの、別のセンサ出力
では環境情報が内容的にしばしば不足したものとなる。
そこで、最下位層１２以外の層１２における各ノード１
４は階層下位側のリンク先ノード１４より取得したパラ
メータ分布の欠落部分を推定し、その欠落部分を補完
し、補完後のパラメータ分布で融合処理を行なう。

【００３５】そして最下位層１２以外の層１２における
各ノード１４は、パラメータ分布を階層下位側のリンク
先ノード１４より取得の逆順で忘却する。一般に、動的
に変化する外部環境の観測が行なわれる場合、センサ１
０が新たに検出した環境情報は過去に検出された環境情
報より同時点における外部環境を的確に示しており、そ
の環境情報の精度や信頼性は高いものと考えられる。

【００３６】このため、少なくとも最下位層１２以外は
過去に得られた環境情報を古いものの順で次第に忘却す
る。

【００３７】

【実施例】図１には第１実施例の構成が示されており、
同図において、環境モデル１は複数のセンサ１０で検出
された外部環境の観測情報を入力とし、外部環境の認識
結果を出力とする。

【００３８】本実施例においては同種，異種の環境観測
情報（位置，角度，照度，温度，湿度，対象物体の形
状，面積，色など）がセンサ１０を用いて検出されてお
り、環境モデル１は観測情報の入力側（センサ１０側）
から認識結果の出力側へ外部環境の認識レベルにより階
層化されている。

【００３９】その環境モデル１の各層１２は外部環境認
識の処理単位となる複数のノード１４を有しており、各
ノード１４は隣接層１２における該当のノード１４とリ
ンクされている（図２参照）。

【００４０】ノード１４はその抽象度の違いに応じて階
層的に配置されており、信頼度と存在確率分布を保持し
ている。また、各ノード１４が結合するリンクは各ノー
ド１４間の構成関係や幾何学的関係を保持している。

【００４１】図３にはシーン層（ｓｃｅｎｅ層：上位
層），オブジェクト層（ｏｂｊｅｃｔ層：中間層），特
徴層（ｆｅａｔｕｒｅ層：下位層）の３層構造とされた
環境モデル１が示されている。

【００４２】このモデル例では、シーンの候補としてノ
ード「Ａ」と「Ｂ」が、またオブジェクトの候補として
ノード［ａ」「ｂ」「ｃ」が、さらに特徴の候補として
「α」「β」「γ」「δ」が存在することを示してい
る。

【００４３】そしてオブジェクト層のノード「ａ」に
は、現在観測しているオブジェクトが「ａ」であるとい
う観測の信頼度とオブジェクト［ａ」がいずれの位置に
存在するかを示す存在確率分布が保持される。

【００４４】また、シーン層に含まれるノード「Ａ」は
リンクでオブジェクト層のノード［ａ」、「ｂ」と結合
されている。これはノード「Ａ」がノード［ａ」、
「ｂ」から構成されていることを示し、それらを結ぶリ
ンクについては両者の幾何学的位置関係が記述される。

【００４５】同様に、オブジェクト層のノード「ａ」は
特徴層のノード「α」「β」「γ」と結合され、それら
を結ぶリンクに対しては両者の幾何学的位置関係が記述
される。

【００４６】同環境モデル１は例えば図４の自律型ロボ
ットで採用され、同図の自律型ロボットは３階層の環境
モデル１，複数のセンサ１０（視覚センサとしてのＣＣ
Ｄカメラを含む），マニピュレータ４００を備えてい
る。

【００４７】視覚センサ１０のＣＣＤカメラはマニピュ
レータ４０のハンドに固定され、円形のカラーマーカー
が設けられたブロック玩具を認識対象の物体として任意
の位置から任意の姿勢で撮影する。

【００４８】図１において、最下位層１２の各ノード１
４は観測情報入力部１６，確率分布算出部１８，確率分
布融合部２０，確率分布送出部２２を備えており、観測
情報入力部１６は該当のセンサ１０で検出された外部環
境の観測情報を入力する。

【００４９】また確率分布算出部１８は入力された観測
情報のパラメータ分布（空間的な存在確率分布）を算出
し、確率分布融合部２０（複数のセンサ１０から観測情
報が入力され、それらの情報に関する分布が確率分布算
出部１８で算出される場合に設けられる）は同種のセン
サ１０について得られたパラメータ分布を前回の結果と
してこの融合結果を保持し、確率分布送出部２２は融合
されたパラメータ分布を階層上位側のリンク先ノード１
４へ送出する。

【００５０】ここでセンサ測定値の誤差が一般に正規分
布となることから、確率分布算出部１８はセンサ検出情
報の不確実性を点の座標や直線の方向などの幾何学的パ
ラメータの正規分布（存在確率分布）として表現する。

【００５１】例えば視覚センサで空間上の一点ｘs＝
（ｘs・ｙs・ｚs）の位置情報が得られた場合におい
て、座標ｘsを中心としセンサ１０やセンシング環境に
依存する分散・共分散行列をΣｓとすると、

【００５２】

【数１】

【００５３】の正規分布でセンサ出力を表現する。

【００５４】なおセンサ出力が点座標であるときには、
分散・共分散行列Σｓは

【００５５】

【数２】

【００５６】で表現できる。

【００５７】このように不確実なセンサ情報は、分散・
共分散行列で表されるある広がりを持った確率的な分散
とされる（図５には２次元の場合の存在確率分布の例が
示されている）。

【００５８】距離センサなどから面や線などの情報が得
られた場合、傾きなどのパラメータ誤差を正規分布で表
現することにより、これらの情報は点の位置情報と同様
に取り扱える。

【００５９】また図１の確率分布融合部２０は同種のセ
ンサ１０について得られた複数の存在確率分布をベイズ
推定法で融合する（センサの不確実性を考慮し、複数の
センサ１０から得られた不確実な環境情報を融合し、精
度，信頼度がより高い環境情報を生成する）。

【００６０】例えば環境内のある一点を別々のセンサ
Ａ，Ｂで独立に測定した場合、センサＡにより得られる
観測点の存在確率分布が中心ｘ＝ｘA分散・共分散行列
ΣAである正規分布ＤA（ｘ）で与えられ、センサＢによ
りこの観測点がｘ＝ｘBに観測される事象をＳとしたと
きに、これらの情報を融合して得られる観測点の存在確
率分布Ｄc（ｘ）はベイズ推定法から、

【００６１】

【数３】

【００６２】で表される。

【００６３】ただしＤ（Ｓ｜ｘ）は観測点の真の位置が
ｘであると仮定した場合における事象Ｓの生起確率であ
り、一般に尤度と呼ばれ、尤度Ｄ（Ｓ｜ｘ）はセンサＢ
の分散・共分散行列ΣBを用いて、

【００６４】

【数４】

【００６５】のように表せる。

【００６６】このときにｎは観測情報の次元を表してお
り、これを上記の式へ代入することにより、融合後の存
在確率分布Ｄｃ（ｘ）の中心ｘｃ，分散・共分散行列Σ
cは次のようにして各々求められる。

【００６７】

【数５】

【００６８】

【数６】

【００６９】図１の確率分布送出部２２は、環境モデル
１のリンク上に記述された幾何学的な位置関係が例えば
図６のように上位ノードＡと下位ノードａを結ぶ相対的
位置ベクトルとして表現されることから、下位ノードａ
の位置分布ｘａと上位ノードＡの位置分布ｘAとの幾何
学的位置関係が

【００７０】

【数７】

【００７１】で、その微分関係が

【００７２】

【数８】

【００７３】で与えられる場合、上位ノードＡの分散・
共分散行列ΣAを

【００７４】

【数９】

【００７５】の計算で求め、階層上位側へ向いリンクへ
送出する。なお、式中のＪは微分関係を表すヤコビ行
列，Σaは下位ノードaの分散・共分散行列である。

【００７６】図１において、他層１２（最下位層１２以
外）の各ノード１４は確率分布取得部２４，確率分布融
合部２６，相関度算出部２８，確率分布送出部３０，確
率分布送出部３２，存在確率分布取得部３４，相関度算
出部３６，確率分布送出部３８を備えており、確率分布
取得部２４は階層下位側のリンク先ノード１４から送出
されたパラメータ分布を取得する。

【００７７】また、確率分布融合部２６は確率分布融合
部２０と同様にして、階層下位側のリンク先ノード１４
より取得のパラメータ分布を、前回の結果と融合してそ
の融合結果を保持する。

【００７８】すなわち、ある下位ノードａから伝播され
た位置情報ｘAa．ΣAaと別の下位ノードｂから伝播され
た位置情報ｘAb．ΣAbとを融合する場合、

【００７９】

【数１０】

【００８０】より、

【００８１】

【数１１】

【００８２】

【数１２】

【００８３】とする（図７参照）。

【００８４】さらに図１の相関度算出部２８は階層下位
側のリンク先ノード１４より取得のパラメータ分布と前
回融合のパラメータ分布とについて両パラメータ分布が
示す要素と観測対象との相関度（信頼度）を算出し、確
率分布送出部３０は算出された相関度が同一層１２内に
おいて最大で設定値を越えたパラメータ分布を階層上位
側のリンク先ノード１４へ送出する。

【００８５】例えば同一層内にＡ，Ｂ，Ｃのノードが３
種類存在する場合において、現在観測している要素がＡ
である確率（すなわち要素Ａの信頼度）をＰ（Ｏ＝Ａ）
とし、これらを同一層内のすべてのノードについて並べ
たもの

【００８６】

【数１３】

【００８７】を信頼度ベクトルＰ（Ｏ）とし、下位ノー
ドである観測結果が得られたという事象をＳとすると、
事象Ｓの生起により現在観測している要素がＡである信
頼度Ｐ（Ｏ＝Ａ）はＰ（Ｏ＝Ａ｜Ｓ）へ変化する。

【００８８】このＰ（Ｏ＝Ａ｜Ｓ）はベイズの定理によ
り求められ、

【００８９】

【数１４】

【００９０】となる。

【００９１】式中のＰ（Ｏ＝Ａ）は観測事象Ｓが起こる
前の要素Ａの信頼度（事前確率）であり、また分母は正
規化のための係数である。また、Ｐ（Ｓ｜Ｏ＝Ａ）は現
在観測している要素がＡであると仮定したときの観測事
象Ｓの起こる確率（尤度）であり、

【００９２】

【数１５】

【００９３】のように定義できる。

【００９４】式中で右上の添字oは要素Ａの事前存在確
率分布に関するパラメータを、添字pは下位ノード１４
から伝播された要素Ａの存在確率分布に関するパラメー
タを各々示している。

【００９５】この尤度は図７のように事前存在確率分布
Ｄ0（ｘ）と下位ノードが伝播された存在確率分布Ｄp
（ｘ）から定義され、Ｄ0（ｘ）とＤp（ｘ）が空間的に
近いほど高くなり、両者が一致したときにもっとも大き
な値を示し、数式１５を数式１４へ代入することによ
り、観測事象Ｓが起こった後の要素Ａの信頼度（事後確
率）Ｐ（Ｏ＝Ａ｜Ｓ）を計算できる。

【００９６】以上の信頼度更新は、階層下位側のノード
１４から情報伝播される度に、同一層１２内の全ノード
１４に対して行なわれ、観測の進行とともに、同一１２
層内では信頼度ベクトルの値に偏りが生じてある要素が
設定値を超えると、その最大信頼度を表すノード１４の
情報のみが階層上位側のノード１４へ伝播される。

【００９７】ここで、階層下位側の全情報が階層上位側
へ伝播されて複数の下位ノード１４から伝播される不確
実な情報全ての組み合わせを考慮しなければならず、組
み合わせ爆発が生じるが、本実施例においては、同一の
層１２内で情報の競合，淘汰が行われることから、その
上位側では数の減少した正確な情報だけを取り扱えば良
く、したがって、この問題を回避しながら、外部環境認
識の処理効率を高めることが可能となる。

【００９８】また、本実施例においては、局所的な環境
情報から大域的な環境情報へ統合するボトムアップ的な
情報処理の他に、観測の結果得られた大域的な環境情報
から、次の観測結果を予測して適切なセンシング行動を
選択するトップダウンの情報処理も行なわれる（図９参
照：なお、同図のようにセンサ検出の情報は最下位層１
２以外へ入力しても良い）。

【００９９】このため、図１の確率分布送出部３２は算
出された相関度が同一層１２内において最大であって、
設定値を越えたパラメータ分布を、階層下位側のリンク
先ノード１４へ送出する。

【０１００】また、存在確率分布取得部３４は階層上位
側のリンク先ノード１４から送出されたパラメータ分布
を取得し、さらに、相関度算出部３６は融合されたパラ
メータ分布と階層上位側のリンク先ノード１４より取得
のパラメータ分布とについて両パラメータ分布の相関度
を再び算出する。

【０１０１】そして、確率分布送出部３８は相関度算出
部３６で再び算出された相関度が同一層１２内において
最小のパラメータ分布のみを階層下位側のリンク先ノー
ド１４へ送出する。

【０１０２】すなわち、ある階層１２内の各ノード１４
において更新された信頼度のうち、最も信頼度が高いノ
ード１４のパラメータ分布が階層下位側のリンク先ノー
ド１４へトップダウン的に伝播され、それらリンク先ノ
ード１４においてトップダウン伝播のパラメータ分布と
ノード１４内保持中のパラメータ分布とから信頼度が再
び計算され、これらから最も信頼度の低いノード１４が
次のセンシング目標とされる。

【０１０３】実際にはこのノード１４自信の持っていた
存在位置分布や階層上位側のノード１４から伝播された
存在位置分布などの情報で予測される存在位置，姿勢な
どに基づき適切なセンサ１０及びセンサ位置，センサ姿
勢などが選択され、その結果、最も否定的な証拠が集中
的に観測される。

【０１０４】次に、前述したブロック玩具に関する作用
を概略的に説明する。ここでは、カメラ撮影の画像から
環境情報を抽出するためにテンプレートマッチング法
（検索する特徴のプレートを予め画像中から取り出し、
実際に入力された画像中からテンプレートと最もマッチ
ングのとれていた位置を捜し出す）を用いることとす
る。

【０１０５】また、玩具の自由度は位置２自由度（平面
上の並進），姿勢１自由度（平面の法線軸まわりの回
転）とする。さらに、認識する対象の候補として図９に
示すシーンＡからシーンＣまでの３種類を想定する。そ
して、図１１のように各シーンは３種類のオブジェクト
ａ、ｂ、ｃから構成され、各オブジェクトは特徴α，
β，γ，δから各々構成され、環境モデル１は図１１の
ようにシーン−オブジェクト−特徴層の３階層とされ
る。

【０１０６】ここで全ての観測を行なう前の初期状態と
して、各シーン，オブジェクト，特徴層の信頼度ベクト
ルの要素は全て等しく、その位置、姿勢分布（存在確率
分布）の分散は無限大で与えられるものとする。

【０１０７】この初期状態から認識を開始し、センサよ
り得られる特徴の位置情報に基づいて階層型認識機構で
情報の融合，伝播を繰り返し、シーンの種別とその位
置，姿勢分布を推定する。

【０１０８】より具体的には、まずある特徴を観測し、
そのパラメータ分布をオブジェクト層に伝播する。次に
別の特徴を観測し、そのパラメータ分布をオブジェクト
層に伝播して先程の情報と融合する。

【０１０９】この処理（特徴の観測からオブジェクト層
へ伝播し、融合する処理）を繰り返すと、オブジェクト
層の信頼度ベクトルのうち、ある要素についてのものの
みが設定値を越え、その最大の信頼度を示すオブジェク
トの情報だけがシーン層へ伝播される。

【０１１０】シーン層においても、オブジェクト層と同
様に、伝播された情報と保持していた情報とが融合さ
れ、それぞれの候補シーンについて信頼度とパラメータ
分布が得られる。

【０１１１】このとき、シーン層内における信頼度ベク
トルの要素で設定値値を越えるものが確認されると、そ
れの情報が認識結果として出力される。ただし、設定値
を越えるものがない場合は、最も信頼度の高い推定結果
がトップダウン方向へ伝播されて次に観測すべき特徴が
選択され、再び特徴及びオブジェクト層への伝播，融合
が開始される。

【０１１２】その際には、再び観測が行なわれるオブジ
ェクト層の初期状態として初期の観測と同様に、信頼度
ベクトルの全ての要素は等しく、パラメータ分布の分散
は無限大とされる。

【０１１３】このようにボトムアップ伝播およびトップ
ダウン伝播が繰り返され、その後、シーンに含まれる全
ての特徴が観測されると、この観測終了の時点で、シー
ンの種別や位置，姿勢を正しく認識する結果が得られ
る。

【０１１４】なお、再び観測が行なわれるオブジェクト
層の初期状態として、現在のシーン推定結果から予測さ
れるオブジェクトの信頼度を初期状態として用い、パラ
メータ分布の分散は無限大としても良い。

【０１１５】その場合においても、上記のボトムアップ
伝播およびトップダウン伝播を繰り返し行なうことによ
り、シーンに含まれる全ての特徴を観測し終えた時点
で、シーンの種別，姿勢が正しく認識される。

【０１１６】以上のように、環境モデル１が認識レベル
に応じて階層化され、その各層１２をボトムアップ的に
伝達される際に観測情報（パラメータ分布）が融合さ
れ、淘汰されるので、多種多様なセンサ１０で得られた
局所的な観測情報が大域的なものへ逐次的に統合，集約
される。

【０１１７】このため本実施例によれば、不確実な情報
すべての組み合わせを処理することはなく、したがっ
て、組み合わせ爆発を回避しながら、多くの観点から効
率良く対象物の認識処理を行なうことが可能となる。

【０１１８】その結果、環境の一部分が障害物などに隠
蔽されて部分的に欠落した情報しか得られない場合にお
いても、他の観測可能な特徴部分から欠落部分を推定す
るロバストな環境認識も効率良く行なえる。

【０１１９】また、環境モデル１の階層構造に沿ってト
ップダウン方向へ環境情報が伝播されて大域側から伝播
の情報で次の観測結果が予測され、適切なセンシング行
動が選択されて最も否定的な証拠が集中的に観測される
ので、外部環境の認識処理をより効率良く行なうことが
可能となる。なお、センサ検出の環境情報を全ての層１
２へ入力する構成としたり、最下位層１２の確率分布融
合部２０を省略する構成としても良い。

【０１２０】図１３では第２実施例の構成が説明されて
おり、階層最下位以外のノード１４において，確率分布
取得部２４と確率分布融合部２６，相関度算出部２８と
の間に欠落部分推定補完部４０が挿入されている。

【０１２１】この欠落部分推定補完部４０は階層下位側
のリンク先ノード１４より確率分布取得部２４が取得し
たパラメータ分布における欠落部分を同パラメータ分布
とそれまでに取得のパラメータ分布とから推定し、階層
下位側のリンク先ノード１４より取得のパラメータ分布
につき欠落部分の補完を行なう。

【０１２２】なお、確率分布融合部２６は欠落部分が補
完されたパラメータ分布を前回の結果と融合して融合結
果を保持し、また、相関度算出部２８は欠落部分が補完
されたパラメータ分布と前回融合のパラメータ分布とに
ついて両パラメータ分布の示す要素と観測対象との相関
度を算出して欠落部分が補完されたパラメータ分布を蓄
積記憶する。

【０１２３】欠落部分の情報は例えば二乗誤差最小基準
の計算処理で求められ、一般的には、階層下位側のノー
ドＬにおけるパラメータ分布の期待値をＰLとし、上位
側のノードＵにおけるパラメータ分布の期待値をＰUと
し、下位側期待値ＰLの欠落情報をＥとし、欠落情報Ｅ
の推定値をＥrとした

【０１２４】

【数１６】

【０１２５】を未知のパラメータＥで偏微分し、

【０１２６】

【数１７】

【０１２７】の推定値最小条件を満足する値Ｅをニュー
トン法などで算出する。

【０１２８】図１４は物体ｕの直線エッジｌを示すノー
ドＬから同物体ｕの中心位置を示すノードＵへ環境情報
が伝播されるときの具体的な作用を説明するもので、ノ
ードＵが保持している物体ｕの中心位置の推定値をＰG
とし、直線エッジｌ上に予め設定された代表点をＰhと
し、この代表点Ｐhから物体の中心位置への相対ベクト
ルをｖとする。

【０１２９】観測により直線エッジｌの方向ベクトルｌ
と同エッジｌ上の位置Ｐtが得られると、エッジ代表点
Ｐhはパラメータ変数ｔを用いて

【０１３０】

【数１８】

【０１３１】で表現できる。

【０１３２】またベクトルｖは観測された方向ベクトル
ｌ回りの回転角θをパラメータとして

【０１３３】

【数１９】

【０１３４】で表現できる。

【０１３５】その式でｖ0は物体ｕのモデルについて予
め定義されたエッジ代表点Ｐhから物体中心位置ＰGへ向
う相対ベクトルであり、物体中心位置ＰGが

【０１３６】

【数２０】

【０１３７】となるので、その物体中心位置ＰGとノー
ドＵにおける物体中心位置の推定値ＰGUとの二乗誤差

【０１３８】

【数２１】

【０１３９】が最小となるようにパラメータｔ，θを決
定する。

【０１４０】このように、欠落した情報が推定されて補
完されることから、一回の測定あるいは単一のセンサ１
０により得られた情報でヤコビ行列の計算に必要な変数
（パラメータ分布の期待値）を全て用意できる。種別の
異なるセンサ１０より原理的に欠落部分が存在する情報
が得られた場合であっても、ヤコビ行列の計算を行なえ
る。

【０１４１】したがって、ノード１４間におけるパラメ
ータ分布を情報の欠落にもかかわらず確実に伝播させる
ことが可能となる。

【０１４２】図１３において、確率分布忘却部４２が相
関度算出部２８に設けられており、確率分布忘却部４２
は相関度算出部２８に蓄積記憶されているパラメータ分
布を階層下位側のリンク先ノード１４より取得の逆順で
その相関度算出部２８に忘却させる。

【０１４３】前述したように、動的に変化する外部環境
の観測が行なわれる場合、センサ１０が新たに検出した
環境情報は過去に検出された環境情報より同時点におけ
る外部環境を的確に示しているのが一般的であり、その
環境情報の精度や信頼性は高いものと考えられる。この
ため、少なくとも最下位層１２以外は過去に得られた環
境情報を古いものの順で次第に忘却する処理が行なわれ
る。

【０１４４】具体的には、

【０１４５】

【数２２】

【０１４６】のように、融合後におけるパラメータ分布
の共分散行列Σpに誤差項ΣNOISEを加えて共分散行列Σ
pを更新する。

【０１４７】本実施例及び前述の実施例のようにベイズ
の定理に従って環境情報の融合が行なわれる場合、無限
回の観測後に測定誤差が０となる。その結論はガウスの
仮定から直接的に導かれるものの、共分散行列Σpが零
行列となって測定誤差が０となると、僅かな測定誤差の
発生で信頼度の値が０となる。

【０１４８】本実施例においては、共分散行列Σpに誤
差項ΣNOISEが加えられることにより共分散行列Σpが更
新されて過去の環境情報が忘却されるので、共分散行列
Σpが０へ収束することが防止され、信頼度の耐ノイズ
性が高められる。

【０１４９】図１５には２層の環境モデルが示されてお
り、同モデルは３つのノードからなる上位の物体層と各
頂点の位置を環境情報として出力する８つのノード及び
直線のエッジの位置や方向を環境情報として出力する１
２のノードからなる下位の特徴層で形成される。

【０１５０】ここで、図１６の四角柱，四角錘，三角柱
が提示されてシミュレーションが行なわれた。シミュレ
ーションはモデル上で観測結果から頂点・エッジの対応
付けが可能な場合と不可能な場合に分けて行なわれ、以
下、それらを順に説明する。

【０１５１】・モデル上で観測結果から頂点・エッジの
対応付けが可能な場合についてまず、各頂点とエッジの
双方に識別印を付して四角柱，四角錘，三角柱を任意な
位置及び姿勢で提示したところ（観測された頂点がいず
れであるかを確実に行なえ、特徴層で観測結果を入力す
るノードを観測結果から直ちに決定できる）、図１７，
図１８，図１９の認識結果が得られた。

【０１５２】図１７，図１８，図１９において左側が提
示されたものを示し、右側が認識結果を示す。

【０１５３】これらから理解されるように、四角柱，四
角錘，三角柱の位置と姿勢が全て正確に認識された。

【０１５４】次に、頂点のみ，エッジのみ，頂点及びエ
ッジを順に提示した場合における信頼度の変化する様子
を調べたところ、図２０，図２１，図２２の特性が各々
得られた。

【０１５５】これらの場合における観測回数と位置，姿
勢誤差の関係は図２３，図２４，図２５に各々示され
る。特に図２０及び図２３と図２２及び図２５との比較
から理解されるように、頂点とエッジの双方を観測する
ことにより、物体を直ちにかつ正確に認識することが可
能となる。

【０１５６】・モデル上で観測結果から頂点・エッジの
対応付けが不可能な場合についてこの場合、各頂点やエ
ッジが同様な特徴を有しており、観測された頂点やエッ
ジがモデル上におけるいずれの頂点やエッジであるかを
特定できない。

【０１５７】シミュレーションでは観測結果を入力する
ノードの選択方式として、観測結果を特徴層内の各ノー
ドへ入力した際に、同特徴層内で信頼度が最大となる特
徴層ノードを選択する方式，観測結果を特徴層内の各ノ
ードへ入力し、その結果が物体層へ伝播したときに、物
体層内で計算された信頼度が最大となる特徴層ノードを
選択する方式が採用された。

【０１５８】なお、観測された特徴から頂点とエッジの
判別は可能としたが、８個の頂点候補と１２個のエッジ
候補の判別は不可能とした。

【０１５９】図２６では前者の方式による認識結果が、
図２７では後者の方式による認識結果が説明されてお
り、左側が提示されたものを示し、右側が認識結果を示
す（四角柱を提示）。

【０１６０】前者の方式においては、モデルと観測結果
が適切に対応付けられないことから、１５回の観測が行
なわれても四角柱と四角錘が判別されず、誤った位置，
姿勢で認識されていることが理解される。

【０１６１】また後者の方式では、提示された四角柱が
１５回の観測が行なわれたときに正しい位置，姿勢で認
識される。これは、前者の方式が特徴層内の情報のみを
用いるのに対し、後者の方式が物体層内の大局的な情報
を特徴層内で積極的に使用するためと考えられる。した
がって、後者の方式によれば、人間に極めて近い外部環
境の認識処理が行なわれる高度なシステムを実現するこ
とが可能となる。

【０１６２】

【発明の効果】以上説明したように本発明によれば、多
種多様なセンサを用いて外部環境を多角的，多面的に効
率良く詳細に認識できる高性能なロボットシステムを構
築することが可能となる。

【図面の簡単な説明】

【図１】第１実施例の構成説明図である。

【図２】ノード間リンクの説明図である。

【図３】環境モデルの説明図である。

【図４】自律型ロボットの説明図である。

【図５】存在確率分布の説明図である。

【図６】存在確率分布の伝播作用説明図である。

【図７】存在確率分布の融合作用説明図である。

【図８】信頼度更新の作用説明図である。

【図９】実施例の概略作用説明図である。

【図１０】認識対象の説明図である。

【図１１】認識対象の説明図である。

【図１２】ブロック玩具の環境モデル説明図である。

【図１３】第２実施例の構成説明図である。

【図１４】欠落情報推定の作用の説明図である。

【図１５】２層環境モデルの構成説明図である。

【図１６】２層環境モデルに提示される物体の説明図で
ある。

【図１７】２層環境モデルの認識結果説明図である。

【図１８】２層環境モデルの認識結果説明図である。

【図１９】２層環境モデルの認識結果説明図である。

【図２０】２層環境モデルの認識特性説明図である。

【図２１】２層環境モデルの認識特性説明図である。

【図２２】２層環境モデルの認識特性説明図である。

【図２３】２層環境モデルの認識特性説明図である。

【図２４】２層環境モデルの認識特性説明図である。

【図２５】２層環境モデルの認識特性説明図である。

【図２６】２層環境モデルの認識結果説明図である。

【図２７】２層環境モデルの認識結果説明図である。

【符号の説明】

１ 環境モデル １０ センサ １２ 層 １４ ノード １６ 観測情報入力部 １８ 確率分布算出部 ２０ 確率分布融合部 ２２ 確率分布送出部 ２４ 確率分布取得部 ２６ 確率分布融合部 ２８ 相関度算出部 ３０ 確率分布送出部 ３２ 確率分布送出部 ３４ 確率分布取得部 ３６ 相関度算出部 ３８ 確率分布送出部 ４０ 欠落部分推定補完部 ４２ 確率分布忘却部

フロントページの続き (51)Int.Cl.⁶ 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｇ０６Ｆ 15/18 ５６０ Ｃ 8837−5Ｌ // Ｇ０５Ｄ 1/02 Ｈ

Claims (3)

【特許請求の範囲】
1. 【請求項１】 複数のセンサで検出された外部環境の観
   測情報を入力とし外部環境の認識結果を出力とする環境
   モデルが観測情報の入力側から認識結果の出力側へ外部
   環境の認識レベルにより階層化され、 環境モデルの各層は、 外部環境認識の処理単位となる複数のノードを有し、 各ノードは、 隣接層における該当のノードとリンクにより結合され、 最下位層の各ノードは、 該当のセンサで検出された外部環境の観測情報を入力す
   る観測情報入力部と、 入力された観測情報のパラメータ分布を算出する確率分
   布算出部と、 算出されたパラメータ分布を階層上位側のリンク先ノー
   ドへ送出する第１の確率分布送出部と、 を含み、 他層の各ノードは、 階層下位側のリンク先ノードから送出されたパラメータ
   分布を取得する確率分布取得部と、 階層下位側のリンク先ノードより取得のパラメータ分布
   を前回の結果と融合して融合結果を保持する確率分布融
   合部と、 階層下位のリンク先ノードより取得のパラメータ分布と
   前回融合のパラメータ分布とについて両パラメータ分布
   の相関度を算出する相関度算出部と、 算出された相関度が同一層内において最大で設定値を越
   えたパラメータ分布を階層上位側のリンク先ノードへ送
   出する第２の確率分布送出部と、 を含む、 ことを特徴とした外部環境認識装置。
2. 【請求項２】 複数のセンサで検出された外部環境の観
   測情報を入力とし外部環境の認識結果を出力とする環境
   モデルが観測情報の入力側から認識結果の出力側へ外部
   環境の認識レベルにより階層化され、 環境モデルの各層は、 外部環境認識の処理単位となる複数のノードを有し、 各ノードは、 隣接層における該当のノードとリンクにより結合され、 最下位層の各ノードは、 該当のセンサで検出された外部環境の観測情報を入力す
   る観測情報入力部と、 入力された観測情報のパラメータ分布を算出する確率分
   布算出部と、 算出されたパラメータ分布を階層上位側のリンク先ノー
   ドへ送出する第１の確率分布送出部、 を含み、 他層の各ノードは、 階層下位側のリンク先ノードから送出されたパラメータ
   分布を取得する第１の確率分布取得部と、 階層下位側のリンク先ノードより取得のパラメータ分布
   を前回の結果と融合して融合結果を保持する確率分布融
   合部と、 階層下位側のリンク先ノードより取得のパラメータ分布
   と前回融合のパラメータ分布とについて両パラメータ分
   布の相関度を算出する第１の相関度算出部と、 算出された相関度が同一層内において最大で設定値を越
   えたパラメータ分布を階層上位側のリンク先ノードへ送
   出する第２の確率分布送出部と、 算出された相関度が同一層内において最大で設定値を越
   えたパラメータ分布を階層下位側のリンク先ノードへ送
   出する第３の確率分布送出部と、 階層上位側のリンク先ノードから送出されたパラメータ
   分布を取得する第２の確率分布取得部と、 融合されたパラメータ分布と階層上位側のリンク先ノー
   ドより取得のパラメータ分布とについて両パラメータ分
   布の相関度を再び算出する第２の相関度算出部と、 再び算出された相関度が同一層内において最小のパラメ
   ータ分布を階層下位側のリンク先ノードへ送出する第４
   の確率分布送出部と、 を含む、 ことを特徴とした外部環境認識装置。
3. 【請求項３】 複数のセンサで検出された外部環境の観
   測情報を入力とし外部環境の認識結果を出力とする環境
   モデルが観測情報の入力側から認識結果の出力側へ外部
   環境の認識レベルにより階層化され、 環境モデルの各層は、 外部環境認識の処理単位となる複数のノードを有し、 各ノードは、 隣接層における該当のノードとリンクにより結合され、 最下位層の各ノードは、 該当のセンサで検出された外部環境の観測情報を入力す
   る観測情報入力部と、 入力された観測情報のパラメータ分布を算出する確率分
   布算出部と、 算出されたパラメータ分布を階層上位側のリンク先ノー
   ドへ送出する第１の確率分布送出部と、 を含み、 他層の各ノードは、 階層下位側のリンク先ノードから送出されたパラメータ
   分布を取得する確率分布取得部と、 階層下位側のリンク先ノードより取得のパラメータ分布
   における欠落部分を該パラメータ分布と以前に取得のパ
   ラメータ分布とから推定して階層下位側のリンク先ノー
   ドより取得のパラメータ分布につき欠落部分の補完を行
   なう欠落部分推定補完部と、 欠落部分が補完されたパラメータ分布を前回の結果と融
   合して融合結果を保持する確率分布融合部と、 欠落部分が補完されたパラメータ分布と前回融合のパラ
   メータ分布とについて両パラメータ分布の相関度を算出
   して欠落部分が補完されたパラメータ分布を蓄積記憶す
   る相関度算出部と、 蓄積記憶されているパラメータ分布を階層下位側のリン
   ク先ノードより取得の逆順で相関度算出部に忘却させる
   確率分布忘却部と、 算出された相関度が同一層内において最大で設定値を越
   えたパラメータ分布を階層上位側のリンク先ノードへ送
   出する第２の確率分布送出部と、 算出された相関度が同一層内において最大で設定値を越
   えたパラメータ分布を階層下位側のリンク先ノードへ送
   出する第３の確率分布送出部と、 階層上位側のリンク先ノードから送出されたパラメータ
   分布を取得する第２の確率分布取得部と、 融合されたパラメータ分布と階層上位側のリンク先ノー
   ドより取得のパラメータ分布とについて両パラメータ分
   布の相関度を再び算出する第２の相関度算出部と、 再び算出された相関度が同一層内において最小のパラメ
   ータ分布を階層下位側のリンク先ノードへ送出する第４
   の確率分布送出部と、 を含む、 ことを特徴とした外部環境認識装置。