JPH10160463A - 全方位視覚センサを用いた位置検出方法 - Google Patents

Abstract

(57)【要約】 【課題】 カメラの撮影画像から精度よく位置検出を行
なう。 【解決手段】 移動ロボットに設置した双曲面ミラー１
を介してカメラ２により全方位画像を動画のように時系
列的に取得する。この取得した画像の特徴パターンを標
準パターンと比較する。一致の標準パターンが得られた
ときはその標準パターンを採取した位置を位置の検出結
果とする。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は移動ロボット等を使
用して位置検出を行うための全方位視覚センサを用いた
位置検出方法に関する。

【０００２】

【従来の技術】オフィス、家庭のような実世界における
移動ロボットの位置推定、誘導法では、実時間処理が必
要不可欠であるとともに、走行外乱（スリップや揺れな
ど）に対するロバスト性が要求される。このような場
合、内界センサのみによる位置推定法では誤差が蓄積さ
れやすい。そこで、外界センサから環境情報を求め、あ
らかじめ獲得した環境モデルとの照合により自己位置を
推定する方法が用いられている。外界センサとしては、
超音波センサ、レーザレンジファインダ、視覚センサな
どがあるが、なかでも多くの情報を獲得できる視覚セン
サが有望視されている。

【０００３】

【発明が解決しようとする課題】しかしながら、このよ
うな視覚センサを移動ロボットに搭載して、位置検出を
行うために、地上の特定位置に光学的特徴を持つ識別
板、たとえばバーコードや特定の色を記載した識別板を
撮像装置の視野に入るように設置しなければならない。
このような制限は装置コストの増大となるのみならず、
識別板を好適な場所に設置できない場所では位置検出が
できないという事態も生じる。

【０００４】そこで、本発明の目的は、上述の点に鑑み
て、視覚センサを使用して位置検出を行う際に識別板を
設置しなくてもあるいは識別板の設置位置の制限を緩和
しても精度よく位置検出を行うことができる全方位視覚
センサを用いた位置検出方法を提供することにある。

【０００５】

【課題を解決するための手段】このような目的を達成す
るために、全方位に視野を持つ全方位視覚センサを移動
体に予め搭載しておき、前記移動体を特定の経路上を移
動させて、前記全方位視覚センサにより該移動体周辺の
環境の画像を時系列的に標準パターンとして取得し、当
該取得した画像と位置を予め関連付けておき、前記移動
体が任意の経路を移動しているときに前記全方位視覚セ
ンサの取得画像と前記標準パターンの画像とを比較し、
一致の画像が得られた場合には前記標準パターンの画像
に関連付けられている位置を検出結果とすることを特徴
とする。

【０００６】請求項１に記載の全方位視覚センサを用い
た位置検出方法において、前記移動体が特定経路移動し
たときに前記全方位視覚センサにより取得した画像から
その画像特徴を抽出して該画像特徴を前記標準パターン
となし、前記全方位視覚センサの取得画像と前記標準パ
ターンの画像との比較に際し、前記全方位視覚センサの
取得画像から画像特徴を抽出して該画像特徴および前記
標準パターンの画像特徴とを比較することを特徴とす
る。

【０００７】請求項２に記載の全方位視覚センサを用い
た位置検出方法において、前記画像特徴の比較を連続Ｄ
Ｐマッチングの手法により行うことを特徴とする。

【０００８】請求項３に記載の全方位視覚センサを用い
た位置検出方法において、前記画像特徴の比較は時系列
的に連続して得られる複数組の画像特徴を前記連続ＤＰ
マッチングの対象とすることを特徴とする。

【０００９】請求項４に記載の全方位視覚センサを用い
た位置検出方法において、前記複数組の画像特徴の比較
において、前記標準パターンの複数組の画像特徴を時系
列の順序とは逆の方向に並べて位置検出対象の複数組の
時系列的に並べた複数組の画像特徴と比較することを特
徴とする。

【００１０】明細書の記載内容は高度で難解であるの
で、特許請求の範囲に記載の構成要件と発明の実施の形
態の記載の構成との対応関係をここで補足説明してお
く。

【００１１】請求項１に記載の画像比較は発明の実施の
形態では請求項２に記載のように画像特徴（特徴ベクト
ルと表現）の形態で行なわれ、位置の検出結果は画像特
徴が一致した標準パターン番号ｖ^* （ｔ）およびフレー
ム番号（τ^* （ｔ））で表現されている。

【００１２】請求項３に記載の連続ＤＰマッチングの手
法は数２式から数１４式により表わされている。ただ
し、従来のＤＰの手法と一部異なる点は標準パターンの
画像特徴を請求項５に記載のように逆順に並び変える処
理を含めていることであり、この点については実施の形
態では図７，図８を使用した最適パスの説明の記載によ
り表現されている。特に図８のＳｅａｒｃｈ ａｒｅａ
で標準パターンの最後部（ｒτ〜ｒ_r ）がマッチングの
検索対象になっていることからも上記点が当事者に理解
されよう。

【００１３】

【発明の実施の形態】以下、図面を参照して本発明の実
施の形態を詳細に説明する。

【００１４】一般に、環境モデルは、経路モデルとこれ
に付随する作業空間や物体の３次元モデルにより記述さ
れる。この場合、３次元モデルと視覚情報とのマッチン
グには、多くの計算量が必要なため、マッチングの前に
経路モデル中のおよその位置、つまり「大局的な位置」
を求めている。（ここでは「大局位置」は数ｍ程度、
「局所位置」は数ｃｍ程度の精度の位置とする）。

【００１５】一方、次のような設定を行うことで、大局
的な位置推定のみでロボットの視覚誘導が可能であると
考える。

【００１６】設定１ 画像系列による環境モデルの採用
環境モデルは、図１に示すように、簡単な圧縮処理を
行った画像系列そのものによりトポロジー地図として表
現する（３次元モデルを用いない）。このとき、画像系
列同士の位置関係は不要、つまり、走行情報や内界セン
サの情報を使用しないこととする。また、「ここは、Ａ
さんの席」「ここは、本棚の前」などの情報はモデル教
示時に、画像のフレーム番号に付随して記憶しておく。

【００１７】設定２ 超音波センサなどで障害物回避可
能 我々は、Ｎｏｍａｄ２００というロボットを用いて
超音波センサと赤外線センサによる誘導を行なっている
（参考文献６参照。一覧表にて後述）。

【００１８】設定３ 誘導時の走行軌跡の精度は低くて
も良い ロボットが誘導経路から外れたことが視覚情報
から分かれば、引き返して別の経路を選択することによ
り、誘導可能とする。

【００１９】設定４ 環境照明の変化は小さい 走行環
境は、窓からの光の影響が小さいオフィスなどの屋内と
する。

【００２０】このような条件設定のもと、本報告では、
大局的位置推定法によりロボットの誘導を行う手法を提
案する。ただし、局所位置推定により高精度な軌道制御
や物体認識などへの機能拡張が可能なシステム構成を目
指す。また、大局的位置を推定するときは、次の２つの
処理が重要である。

【００２１】１．特徴抽出 簡単な圧縮処理により、入
力画像から特徴ベクトルを求める。

【００２２】２．地図とのマッチング 地図中の位置を
推定するため、入力画像とのマッチングを行う。

【００２３】本実施の形態では、特徴抽出法として全方
位視覚センサを用いたカメラ方向に依存しない手法を提
案し、さらに、マッチング法としてＮｏｎ−ｍｏｎｏｔ
ｏｎｉｃ Ｃｏｎｔｉｎｕｏｕｓ Ｄｙｎａｍｉｃ Ｐ
ｒｏｇｒａｍｉｎｇ（Ｎｏｎ−ｍｏｎｏｔｏｎｉｃ Ｃ
ＤＰ）を用いた手法を提案する。

【００２４】環境撮影時の視野としては、通常のカメラ
程度のもの（参考文献２，９参照）と全方位を捉えたも
の（ｐａｎｏｒａｍｉｃ ｖｉｅｗ）とに大別できる。
前者の通常の視野を用いる手法では、局所的な位置・方
向の推定が困難なだけでなく、ロボットの方向が地図作
成時の方向と大きく異なるときは、大局的位置の推定も
困難となる。

【００２５】一方、全方位を視野に持つ様々な全方位視
覚センサが研究されている（参考文献３参照）。周囲３
６０度の画像を用いれば、局所的な方向や大局的位置を
容易に推定できる。特に、山澤ら（参考文献３参照）が
提案した双曲面ミラー（図２参照）を用いた全方位視覚
センサ（ＨｙｐｅｒＯｍｎｉ Ｖｉｓｉｏｎ）は、下方
視野を含んだ全方位画像を実時間で得るだけでなく、画
像の補正も容易である。さらに、前者と異なり、局所的
な方向や大局的位置を容易に推定できるという利点があ
る。

【００２６】大局位置の推定をするため、Ｚｈｅｎｇら
（参考文献４）は、視野として進行方向と異なる方向の
垂直スリットを用いた。各位置における情報は、このス
リット内の画素値をＲＧＢ毎に積算するためカメラ（図
２参照）の垂直方向の揺れにロバストである。ただし、
カメラの水平方向や回転方向の揺れの影響が懸念され
る。また、前田ら（参考文献１参照）は、画像サイズ
が、垂直方向６４画素、水平方向（周方向）２５６画素
の全方位画像を用いている。そして、この画像の各水平
ラインをフーリエ変換し、この低周波数側の強度成分
（６４×３２画素）を用いて位置推定している。この方
法は、ロボットのカメラ方向によらず、位置推定可能で
あるが記憶すべき情報量が大きい。Ｂａｎｇら（参考文
献５参照）も全方位センサを用いてロボット誘導を行な
っているが大局的な位置推定手法については述べていな
い。

【００２７】一方、本出願人は通常のカメラを用い、リ
ダクション画像（平滑化後間引きした画像）による環境
モデルを用いた大局的位置推定法を提案し（参考文献
９，１０参照）、複数の大幅にリダクションした画像を
用いることでカメラの揺れに対処できることを示した
（参考文献１１参照）。そこで、本報告では、図２に示
すように、全方位視野を水平にＮ分割し（Ｎ＜約１
０）、各領域の画素値をＲＧＢ毎に積算したわずか３Ｎ
次元の情報を特徴ベクトルとして用いる大局的位置推定
法を提案する。（ここで、視野のＮ分割前にラプラシア
ンフィルタなどのような等方性のフィルタ処理を行うこ
とも有用である）この方法は、 １．カメラの揺れにロバスト ２．ロボットのカメラ方向に依存しない ３．記憶すべき情報量が少ない という特徴を持つ。特に、この特徴２により、軌道誤差
は大きいもののＨｉｌｌｃｌｉｍｂ法などによる誘導が
可能となる。

【００２８】本手法の有効性を調べるため、全方位視覚
センサとして、山澤ら（参考文献３参照）が提案したＨ
ｙｐｅｒＯｍｎｉ Ｖｉｓｉｏｎ（ＨＯＢＩ）をＮｏｍ
ａｄに設置し（図３）、実験を行った。オフィス内の３
点において次のように条件を変化させてデータを採取
し、特徴ベクトルへの影響を調べた。

【００２９】カメラ位置の変化 通路内でＮｏｍａｄを
約３ｍ走行させた。

【００３０】カメラの回転 停止させたＮｏｍａｄを回
転させた。

【００３１】カメラの揺れ 停止したＮｏｍａｄを人手
で揺らし走行時の振動を模擬した。

【００３２】環境の変化（人物通過） 図４に示すよう
に、停止したＮｏｍａｄ近傍を人が通り過ぎた。

【００３３】初めに、目視で全方位画像の中心位置と半
径を求め、水平方向の分割数Ｎを１，３，１６として同
心円状にＮ等分し各領域内の平均化を行い、３Ｎ次元の
特徴ベクトルを求めた。次に、基準点における特徴ベク
トルｓ₀ ＝（ｓ₀ （１），ｓ₀ （２），…，ｓ₀ （３
Ｎ））と条件変化時の特徴ベクトルｓ＝（ｓ（１），ｓ
（２），…，ｓ（３Ｎ））との距離ｄを求めその変化を
調べた。距離ｄは、特徴ベクトルの次元数３Ｎを用い以
下の式で求めた。

【００３４】

【数１】

【００３５】図５にカメラ位置の変化の影響をプロット
した。３≦Ｎにおいて位置が１ｍ離れると距離ｄが平均
１００以上になり、位置弁別能力があることが分かっ
た。ただし、数点において距離ｄが小さくなり、１地点
における情報のみでの位置推定が困難であることが分か
った。

【００３６】図６に一例として地点Ｎｏ．１におけるカ
メラの回転や揺れ、人物の通過により距離ｄが受ける影
響をプロットした。３地点における平均値は、揺れの影
響がＮ＝１のとき１０、Ｎ＝１６のとき２０、人物通過
の影響がＮ＝１のとき３０、Ｎ＝１６のとき６０であっ
た。このことから、カメラ位置の変化が１ｍの場合の方
が人物通過の影響より小さいことが分かった。ただし、
実験データ量がまだ少ないため、さらに、評価実験を行
なう必要がある。以上の結果から、カメラの回転や揺
れ、環境の変化にロバストに位置推定可能であることが
示せた。これは、全方位視覚センサが広い視野を持つた
めと考えられる。

【００３７】地図中に似た画像が含まれていると、１枚
の入力画像で位置を推定できない。しかし、この場合で
も地図中の複数画像と走行中の複数画像とのマッチング
を行うことで位置推定可能である。ここで、ロボットが
地図作成時と異なるスピードで走行してもマッチング可
能とするために、入力パターンを時間的に伸縮させる非
線形マッチングを行なう必要がある。

【００３８】Ｚｈｅｎｇ（参考文献４参照）らは、動的
計画、つまりＤｙｎａｍｉｃ Ｐｒｏｇｒａｍｍｉｎｇ
（ＤＰ）を用いて大局的な位置を推定した。この方法で
は、非線形マッチング可能であるが、始点と終点が既知
である必要があるため、ロボットは地図と同じ経路を走
行しなくてはならない。また、松本ら（参考文献２参
照）は、画像間の距離がある閾値以下な位置を候補と
し、ロボットが走行するに従い、この候補位置を絞り込
んでいく方法を用いている。

【００３９】一方、Ｃｏｎｔｉｎｕｏｕｓ（連続）ＤＰ
（ＣＤＰ）（参考文献８参照）によるマッチング法で
は、最適性原理に基づき最適な位置を推定でき、経路の
始点と終点も地図と一致させる必要がない。さらに、本
願出願人はロボットが地図の任意の部分区間を走行して
も位置推定ができるよう、Ｒｅｆｅｒｅｎｃｅ Ｉｎｔ
ｅｒｖａｌ−Ｆｒｅｅ ＣＤＰ（ＲＩＦＣＤＰ）による
位置推定法を提案している（参考文献９参照）。

【００４０】ＲＩＦＣＤＰは、音声認識で提案された手
法（参考文献７参照）であり、入力フレームと同期して
地図中の任意の部分区間長のフレーム列をスポッティン
グ的に検出することができるため、地図中の部分区間の
走行時や走行速度の変化時でも位置推定可能である。実
際、入力パターンに、時間軸方向に対して順方向（ｍｏ
ｎｏｔｏｎｉｃ）に１／２倍以上２倍以下の伸縮があっ
てもマッチング可能である。しかし、位置推定の場合、
入力パターンの伸縮はロボット停止時や逆方向走行時
に、例えば−２倍以上２倍以下となる。（地図作成時の
２倍の速度制限がある場合） 従って、位置推定のためには、停止時や逆方向の入力に
も対応できる‘ｎｏｎ−ｍｏｎｏｔｏｍｉｃ ＣＤＰ’
を実現する必要がある。ここでは、この‘ｎｏｎ−ｍｏ
ｎｏｔｏｍｉｃ ＣＤＰ’を実現するための一手法を提
案し、その有効性を示す。

【００４１】Ｎｏｎ−ｍｏｎｏｔｏｎｉｃ連続ＤＰにつ
いて説明する。一つの標準パターンＺは特徴ベクトルｚ
τの系列

【００４２】

【数２】

【００４３】で表す。ここで、特徴ベクトルｚτはその
次元数をＮとして

【００４４】

【数３】

【００４５】と表す。入力画像からも同様な特徴ベクト
ル系列が随時得られる。この特徴ベクトル系列をｕ
_t （０≦ｔ＜∞）とし、ｕ_t とｚτの局所距離ｄ（ｔ，
τ）を以下の式で定義する。

【００４６】

【数４】

【００４７】また、点（ｔ，τ）を終点とする標準パタ
ーンと入力系列との最適マッチングするときの累積距離
をＳ（ｔ，τ）で表す。Ｎｏｎ−ｍｏｎｏｔｏｎｉｃ連
続ＤＰではＳ（ｔ，τ）を以下のような漸化式で更新す
る。

【００４８】

【数５】

【００４９】

【数６】

【００５０】ここで、αは正規化係数（０≦α≦１）で
あり、式を簡単にするために、以下の２項を仮定した。

【００５１】（仮定１）標準パターンは、特徴ベクトル
の１次元系列で表現できる。（本手法は、分岐のある場
合や２次元系列に拡張可能） （仮定２）入力パターンの速度変化は、標準パターンの
１倍以下 （仮定２）では、図７（ａ）のような傾斜パターンを採
用している。しかし、（６）式のｍの範囲を変化させれ
ば、入力パターンの速度変化に対して様々な制限を付加
できる（図７（ｂ））など。

【００５２】（５）（６）式の漸化式を解くと次式のよ
うになる。

【００５３】

【数７】

【００５４】ここでｐ（ｋ）は以下のように定義する。

【００５５】

【数８】

【００５６】つまり、Ｎｏｎ−ｍｏｎｏｔｏｎｉｃ連続
ＤＰは、距離（ｔ，τ）を終点として図８の斜線領域内
において最小の累積距離となるマッチング経路を求めて
いる。

【００５７】よく知られている「連続ＤＰ」では、終点
となる点は（ｔ，Ｔ）とされてきた。また、それへの最
適パスは（ｔ，τ）平面においてｔ，τについて単調に
増加するものとされてきた。これは、傾斜のとり方に依
っている。従って、「連続ＤＰ」はその最適パスの形成
においてｍｏｎｏｔｏｎｉｃなものといえるものであ
る。しかし、Ｎｏｎ−ｍｏｎｏｔｏｎｉｃ ＣＤＰで
は、図７（ａ）の様に（ｔ，τ）において（ｔ−１，τ
−１），（ｔ−１，τ），（ｔ−１，τ＋１）の各点か
ら局所最適パスがとられ、図８の実線のように（ｔ，
τ）平面での最適パスがτに関して単調に増加するもの
とはなっていない。この意味により、ここで提案するも
のを「Ｎｏｎ−ｍｏｎｏｔｏｎｉｃ連続ＤＰ」と呼ぶこ
ととする。

【００５８】また、（６）式のｄ（ｋ，ｐ（ｋ））に対
する重みをｗ（ｋ）とすると、重みｗ（ｋ）の和は、

【００５９】

【数９】

【００６０】となり、いかなるｔにおいても重みｗ
（ｋ）の和が１に正規化された累積距離が得られること
が分かる。これにより、各ｔにおいて点の集合｛（ｔ，
τ）｜１≦τ＜Ｔ｝における累積距離の集合｛Ｓ（ｔ，
τ）｜１≦τ≦Ｔ｝中での比較が可能であり、また、異
なる標準パターンの最短累積距離の比較も可能となる。
これは、（６）式の漸化式において、重みの和がα＋
（１−α）＝１となることからも、常に重みの和が正規
化されていることが分かる。（このことは、正規化係数
αが、時間的に変化する場合でも同様である。） 図９には、ｔとαを変化させたときの重み係数ｗ（ｋ）
の値をプロットした。現時点に近いほど重みｗ（ｋ）の
値が大きくなっている。特に、ｔがある程度大きい定常
状態では、（７）式は

【００６１】

【数１０】

【００６２】と簡略化できる。このとき、重み係数ｗ
（ｋ）の半値幅ｗ_1/2 （α）を

【００６３】

【数１１】

【００６４】と定義するとき、

【００６５】

【数１２】

【００６６】と、半値幅ｗ_1/2 （α）からαを決定でき
る。表１にαと半値幅ｗ_1/2 （α）との例を表記した。

【００６７】

【表１】

【００６８】通常、入力される特徴ベクトルの変化が小
さい場合は、過去の履歴を多く持つ（ｗ_1/2 （α）を大
きくする）方が良い。このためには、正規化係数αを、
特徴ベクトルの変化に比例するように時間的に変化させ
れば可能である。一例として次のようにα（ｔ）を可変
にすればよい。

【００６９】

【数１３】

【００７０】ここで、ｕ_t ′は入力される特徴ベクトル
の微分値、α₁ ，α₂ は標準パターンの長さＴを考慮し
て定めた定数である。

【００７１】ここで、標準パターンがＬ個存在すると
し、各パターンの累積距離をＳ_v （ｔ，τ）（１≦ｖ≦
Ｌ）、閾値をｈ_v 、標準パターンのフレーム数をＴ_v と
する。Ｎｏｎ−ｍｏｎｏｔｏｎｉｃ連続ＤＰの出力は、
マッチングした標準パターン番号ｖ^* （ｔ）とその標準
パターン内でマッチングしたフレーム番号（τ
^* （ｔ））であり、

【００７２】

【数１４】

【００７３】と表せる。ここで、Ａｒｇは引数｛ｖ
（ｔ），τ（ｔ）｝を返す関数、ｎｕｌｌは空のカテゴ
リーを表す。

【００７４】実験データは、フロアがカーペット敷きの
オフィス内約１００ｍの通路をリモートコントロールで
ロボットを走行させて採集した。このとき、人はロボッ
トから約２ｍ離れていた。ロボットの速度は最高５０ｃ
ｍ／秒、２Ｈｚのフレームレートでサイズ１２０×１６
０の画像に変換した。入力時の走行経路は同じ経路を順
方向逆方向に走行し、随時停止している。また、地図作
成時の経路より約±３０ｃｍ程度ずれた経路を走行させ
た箇所もある。

【００７５】このデータからＮｏｎ−ｍｏｎｏｔｏｎｉ
ｃ ＣＤＰを用いて位置推定した結果の一例を図１０に
示す。Ｎ＝４の場合について、α＝１．０とα＝０．２
の場合を比較して示してある。図１０（ａ）の太線が実
際に走行した経路である。この図から入力画像１枚の情
報のみで位置推定した場合（α＝１．０の場合）に比
べ、約５枚の過去の履歴画像を用いることで（α＝０．
２のとき）位置推定がロバストになっていることが分か
る。また、ロボット停止時や逆走時にも位置推定可能で
あることが分かる。

【００７６】全方位画像を水平にＮ分割し（Ｎ＜１
０）、各領域の画素値をＲＧＢ毎に積算した３Ｎ次元の
情報を利用した大局的位置推定における特徴抽出法を提
案した。また、ロボットの移動速度や方向の制限が少な
い、Ｎｏｎ−ｍｏｎｏｔｏｎｉｃ連続ＤＰを用いたマッ
チング法を提案し、簡単な実験により本手法の有効性を
示した。

【００７７】参考文献 １ Ｔ．Ｍａｅｄａ，Ｈ．Ｉｓｈｉｇｕｒｏ ａｎｄ
Ｓ．Ｔｕｊｉ，Ｍｅｍｏｒｙ−Ｂａｓｅｄ Ｎａｖｉｇ
ａｔｉｏｎ ｕｓｉｎｇ Ｏｍｎｉ−ｄｉｒｅｃｔｉｏ
ｎａｌ Ｖｉｅｗ ｉｎ Ｕｎｋｎｏｗｎ Ｅｎｖｉｒ
ｏｎｍｅｎｔ．ＩＰＳＪ，ＣＶ−９２，ｐｐ．７３−８
０，１９９５ ２ Ｙ．Ｍａｔｓｕｍｏｔｏ，Ｍ．Ｉｎａｂａ ａｎｄ
Ｈ．Ｉｎｏｕｅ，Ｎａｖｉｇａｔｉｏｎ ｏｆ Ａ
Ｍｏｂｉｌｅ Ｒｏｂｏｔ ｆｏｒ Ｉｎｄｏｏｒ Ｅ
ｎｖｉｒｏｎｍｅｎｔｓ Ｂａｓｅｎ ｏｎ Ｓｃｅｎ
ｅ ＩｍａｇｅＳｅｑｕｅｎｃｅ．ＭＳＪ Ｃｏｎｖｅ
ｎｔｉｏｎ ｍｅｅｔｉｎｇ，Ｖｏｌ．Ａ，ｐｐ．４８
１−４８４，１９９５ ３ Ｋ．Ｙａｍａｚａｗａ，Ｙ．Ｙａｇｉ ａｎｄ
Ｍ．Ｙａｃｈｉｄａ，Ｏｍｎｉ−ｄｉｒｅｃｔｉｏｎａ
ｌ Ｉｍａｇｉｎｇ ｗｉｔｈ Ｈｙｐｅｒｂｏｌｏｉ
ｄａｌ Ｐｒｏｊｅｃｔｉｏｎ．Ｐｒｏｃ．ＩＥＥＥ／
ＲＳＪ Ｉｎｔ．Ｃｏｎｆ．Ｉｎｔｅｌｌｉｇｅｎｔ
Ｒｏｂｏｔｓ ａｎｄ Ｓｙｓｔｅｍｓ，２，ｐｐ．１
０２９−１０３４，１９９３． ４ Ｊ．Ｙ．Ｚｈｅｎｇ ａｎｄ Ｓ．Ｔｓｕｊｉ，Ｐ
ａｎｏｒａｍｉｃ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｆ
ｏｒ Ｒｏｕｔｅ Ｒｅｃｏｇｎｉｔｉｏｎｂｙ ａ
Ｍｏｂｉｌｅ ｒｏｂｏｔ．Ｉｎｔｅｒｎａｔｉｏｎａ
ｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｏｒ Ｖｉｓ
ｉｏｎ，９：１，ｐｐ．５５−７６，１９９２ ５ Ｓ．Ｗ．Ｂａｎｇ，Ｗ．Ｙｕ ａｎｄ Ｍ．Ｊ．Ｃ
ｈｕｎｇ，Ｓｅｎｓｏｒ−Ｂａｓｅｄ Ｌｏｃａｌ Ｈ
ｏｍｉｎｇ Ｕｓｉｎｇ Ｏｍｎｉ−ｄｉｒｅｃｔｉｏ
ｎａｌ Ｒａｎｇｅ ａｎｄ Ｉｎｔｅｎｓｉｔｙ Ｓ
ｅｎｓｉｎｇＳｙｓｔｅｍ ｆｏｒ Ｉｎｄｏｏｒ Ｍ
ｏｂｉｌｅ Ｒｏｂｏｔ Ｎａｖｉｇａｔｉｏｎ．Ｐｒ
ｅｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １９９５ ＩＥＥ
Ｅ／ＲＳＪ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅ
ｒｅｎｃｅ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｒｏｂｏ
ｔｓ ａｎｄ Ｓｙｓｔｅｍｓ，Ｖｏｌ．２，ｐｐ．５
４２−５４８，１９９５ ６ Ａｎｄｒｅａｓ Ｈｅｌｄ ａｎｄ Ｒｙｕｉｃｈ
ｉ Ｏｋａ，“Ｓｏｎａｒ Ｂａｓｅｄ Ｍａｐ Ａｃ
ｑｕｉｓｉｔｉｏｎ ａｎｄ Ｅｘｐｌｏｒａｔｉｏｎ
ｉｎ ａｎ Ｕｎｋｎｏｗｎ Ｏｆｆｉｃｅ Ｅｎｖ
ｉｒｏｎｍｅｎｔ”，Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓ
ｙｍｐｏｓｉｕｍ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｒ
ｏｂｏｔｉｃ Ｓｙｓｔｅｍｓ ９５，Ｎｏｖ．１９９
５． ７ 伊藤慶明，木山次郎，岡隆一、“標準パターンの任
意区間によるスポッティングのためのＲｅｆｅｒｅｎｃ
ｅ Ｉｎｔｅｒｖａｌ−ｆｒｅｅ連続ＤＰ（ＲＩＦＣＤ
Ｐ）”，信学技報，ＳＰ９５−３４，Ｊｕｎｅ １９９
５． ８ 岡隆一，“連続ＤＰを用いた連続音声認識”，音響
学会音声研資料，Ｓ７８−２０，ｐｐ．１４５−１５２
（１９７８−０６） ９ 小島浩，伊藤慶明，岡隆一，“Ｒｅｆｅｒｅｎｃｅ
Ｉｎｔｅｒｖａｌ−ｆｒｅｅ連続ＤＰを利用した移動
ロボットの動画像による位置同定”，信学技報，ｐｐ．
１３９−１４４，Ｊｕｌｙ １９９５． １０ 小島浩，伊藤慶明，岡隆一，“Ｒｅｆｅｒｅｎｃ
ｅ Ｉｎｔｅｒｖａｌ−ｆｒｅｅ連続ＤＰを利用した移
動ロボットの時系列画像による位置同定システム”，信
学投稿中 １１ Ｔ．Ｎｉｓｈｉｍｕｒａ，Ｈ．Ｋｏｊｉｍａ，
Ａ．Ｈｅｌｄ ａｎｄＲ．Ｏｋａ，Ｅｆｆｅｃｔ ｏｆ
Ｔｉｍｅ−ｓｐａｔｉａｌ Ｓｉｚｅ ｏｆＭｏｔｉ
ｏｎ Ｉｍａｇｅ ｆｏｒ Ｌｏｃａｌｉｚａｔｉｏｎ
ｂｙ ｕｓｉｎｇ ｔｈｅ Ｓｐｏｔｔｉｎｇ Ｍｅ
ｔｈｏｄ．ＩＣＰＲ’９６

【００７８】

【発明の効果】請求項１の発明では全方位視覚センサの
取得画像は撮影位置の全方位（３６０°）の画像となる
ので、移動体たとえば移動ロボットがどの方向を向いて
いても同一の画像が得られる。したがって、上記移動ロ
ボットが標準パターンを取得した経路以外の経路を走行
しても、合致画像により、位置検出が可能となる。

【００７９】請求項２の発明では、画像特徴によるパタ
ーンマッチングを行うので、比較に用いるデータ量を削
減でき、位置検出時間を短縮することができる。

【００８０】請求項３，４の発明では、パターンマッチ
ングに連続ＤＰの手法を使用することで複数個の連続す
る画像の比較が可能となる。これにより、連続する画像
のつながりから、移動体の進行方向を検出することも可
能となる。標準パターンを採取した特定経路上にある単
一地点の位置検出に関しても検出精度が向上する。

【００８１】請求項５の発明では標準パターンの画像特
徴のならびを逆にすること、あたかも移動体が標準パタ
ーンの走行経路を逆に走行した場合と同様の標準パター
ンが得られる。これにより、標準パターンの記憶量を半
分に削減する。

【図面の簡単な説明】

【図１】トポロジー地図の一例を示す説明図である。

【図２】特徴抽出処理の内容を示す説明図である。

【図３】全方位視覚センサを設置した移動ロボットの外
観を模式的に示す斜視図である。

【図４】撮影した全方向画像の一例をディスプレイ上に
示す写真である。

【図５】カメラ位置の変化の影響を示す説明図である。

【図６】ロボットの揺れ、人物の影響を示す説明図であ
る。

【図７】ノンモノトニック連続ＤＰの傾斜パターン例を
示す説明図である。

【図８】ノンモノトニック連続ＤＰのパス検索範囲を示
す説明図である。

【図９】重み係数の値を示す説明図である。

【図１０】実験結果を示す説明図である。

【符号の説明】

１ 双曲面ミラー ２ カメラ

Claims (5)

【特許請求の範囲】
1. 【請求項１】 全方位に視野を持つ全方位視覚センサを
   移動体に予め搭載しておき、 前記移動体を特定の経路上を移動させて、前記全方位視
   覚センサにより該移動体周辺の環境の画像を時系列的に
   標準パターンとして取得し、 当該取得した画像と位置を予め関連付けておき、 前記移動体が任意の経路を移動しているときに前記全方
   位視覚センサの取得画像と前記標準パターンの画像とを
   比較し、 一致の画像が得られた場合には前記標準パターンの画像
   に関連付けられている位置を検出結果とすることを特徴
   とする全方位視覚センサを用いた位置検出方法。
2. 【請求項２】 請求項１に記載の全方位視覚センサを用
   いた位置検出方法において、前記移動体が特定経路移動
   したときに前記全方位視覚センサにより取得した画像か
   らその画像特徴を抽出して該画像特徴を前記標準パター
   ンとなし、前記全方位視覚センサの取得画像と前記標準
   パターンの画像との比較に際し、前記全方位視覚センサ
   の取得画像から画像特徴を抽出して該画像特徴および前
   記標準パターンの画像特徴とを比較することを特徴とす
   る全方位視覚センサを用いた位置検出方法。
3. 【請求項３】 請求項２に記載の全方位視覚センサを用
   いた位置検出方法において、前記画像特徴の比較を連続
   ＤＰマッチングの手法により行うことを特徴とする全方
   位視覚センサを用いた位置検出方法。
4. 【請求項４】 請求項３に記載の全方位視覚センサを用
   いた位置検出方法において、前記画像特徴の比較は時系
   列的に連続して得られる複数組の画像特徴を前記連続Ｄ
   Ｐマッチングの対象とすることを特徴とする全方位視覚
   センサを用いた位置検出方法。
5. 【請求項５】 請求項４に記載の全方位視覚センサを用
   いた位置検出方法において、前記複数組の画像特徴の比
   較において、前記標準パターンの複数組の画像特徴を時
   系列の順序とは逆の方向に並べて位置検出対象の複数組
   の時系列的に並べた複数組の画像特徴と比較することを
   特徴とする全方位視覚センサを用いた位置検出方法。