WO2011101945A1

WO2011101945A1 - 物体位置補正装置、物体位置補正方法、及び物体位置補正プログラム

Info

Publication number: WO2011101945A1
Application number: PCT/JP2010/007469
Authority: WO
Inventors: 徹谷川
Original assignee: パナソニック株式会社
Priority date: 2010-02-19
Filing date: 2010-12-24
Publication date: 2011-08-25
Also published as: US8401234B2; JPWO2011101945A1; US20120008831A1; JP4875228B2; CN102449427A

Abstract

　観測対象の物体を検出して観測値を得る観測装置（１０１）と、前記物体の観測履歴を記録する観測履歴データベース（１０２）と、前記物体の位置の推定履歴を記録する位置推定履歴データベース（１０３）と、前記物体の位置における存在確率を表す予測分布を作成する予測分布作成部（１０４）と、前記物体のＩＤと位置を推定する物体位置推定部（１０５）と、前記観測値の重心位置を算出する重心位置算出部（１０６）と、前記物体の推定位置の補正を行う物体位置補正部（１０７）と、前記物体の補正された位置を表示する表示部（１０８）とを備えるように構成されている。

Description

物体位置補正装置、物体位置補正方法、及び物体位置補正プログラム

　本発明は、観測対象の位置をユーザ表示する物体位置補正装置、物体位置補正方法、及び物体位置補正プログラムに関する。

　物体の位置を検出可能なセンサとして、カメラが用いられることがある。

　カメラは、（カメラから得られる画像的な特徴（形状又は色など）から物体のＩＤを識別するため）物体のＩＤ識別精度は１００％となり得ない。カメラを通じた識別結果が物体Ａであっても、実際には、物体Ａ以外の物体（物体Ｂ，物体Ｃ）を識別していた可能性がある。このような場合、例えば、カメラが識別した物体は、物体Ａであった確率が８０％、物体Ｂであった確率が１０％、物体Ｃであった確率が１０％、と表現することができる。更に、画像的特徴が類似した物体の識別率は低くなってしまう。例えば、トマトとリンゴなど、色又は形状が似た物体を互いに高精度で識別することは難しい。また、カメラの性能又は配置によって多少異なるが、通常は観測位置（測位結果）にもある程度の誤差が含まれる。この物品の識別ＩＤと観測位置をまとめて観測値と呼ぶ。

　このような、物品の識別ＩＤ又は観測位置が曖昧なセンサの観測値を複数統合することで、観測精度の不足を補い合いながら物体の位置をベイズ推定の枠組みにて確率的に推定する技術がある（非特許文献１）。

　しかし、非特許文献１では、僅かな確率（前記例の場合、カメラが識別した物体が物体Ｂであった確率など）でも物体位置推定の処理に利用するため、推定結果は他のセンサ観測値の影響を受けてしまう。図１９に例を示す。観測値１は、物体識別の結果、物体Ａである確率が９０％、物体Ｂである確率が１０％であった。観測値２は、物体識別の結果、物体Ａである確率が１０％、物体Ｂである確率が９０％であった。このような観測状況において位置推定を行うと、物体Ａの推定位置は、観測値２の影響も僅かながら受けてしまい、観測値１の位置から僅かに観測値２の方向にずれた位置に位置ズレしてしまうことになる（物体位置推定の詳細は後述する。）。観測値２が物体Ａを観測して得られた可能性がある以上、図１９の推定結果は確率的には正しい。しかしながら、前記位置ズレによる推定位置（例えば、ガウス分布における平均値）は、ユーザの視覚的には違和感のある位置となることがある。例えば、観測対象が車であれば、車の推定位置が道路上にない、また、観測対象が人であれば、人の推定位置がテーブルの上にある、などが考えられる。

　このような、推定位置のズレを補正する技術として、マップマッチングを用いる技術がある（特許文献１）。ＧＰＳ（Ｇｌｏｂａｌ　Ｐｏｓｉｔｉｏｎｉｎｇ　Ｓｙｓｔｅｍ）によって取得した自車位置情報には誤差が含まれているため、アクセルセンサ、ブレーキセンサ、ウインカセンサからの出力を基に、マップマッチングの技術を用いてユーザに対する提示情報を柔軟に変更可能とするものである。

特開平１１－２７１０７３号公報

Ｈｉｒｏｆｕｍｉ　Ｋａｎａｚａｋｉ，　Ｔａｋｅｈｉｓａ　Ｙａｉｒｉ，　Ｋａｚｕｏ　Ｍａｃｈｉｄａ，　Ｋｅｎｊｉ　Ｋｏｎｄｏ，　Ｙｏｓｈｉｈｉｋｏ　Ｍａｔｓｕｋａｗａ，　"Ｖａｒｉａｔｉｏｎａｌ　Ａｐｐｒｏｘｉｍａｔｉｏｎ　Ｄａｔａ　Ａｓｓｏｃｉａｔｉｏｎ　Ｆｉｌｔｅｒ"，　１５ｔｈ　Ｅｕｒｏｐｅａｎ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｃｏｎｆｅｒｅｎｃｅ（ＥＵＳＩＰＣＯ２００７）．

　しかしながら、特許文献１では、マップマッチングのためのマップを予め作成しておく必要がある。

　そこで、本発明の目的は、環境情報を記録したマップを予め作成することなく、観測対象の推定位置をユーザにとって違和感の無い位置に補正し、提示することができる物体位置補正装置、物体位置補正方法、及び物体位置補正プログラムを提供することである。

　前記目的を達成するために、本発明は以下のように構成する。

　本発明の第１態様によれば、環境内に存在する複数の物体を観測装置で観測してそれぞれ取得された前記各物体の（１）ＩＤ尤度と（２）観測位置と、前回観測時に取得された前記各物体のＩＤ尤度と観測位置に基づいて求められた前記各物体のＩＤと位置との推定結果に基づいて作成された、前記各物体の位置における存在確率を表す（３）予測分布とに基づいて、前記物体のＩＤと位置とを推定して前記物体の推定位置を求める物体位置推定部と、
　前記観測位置の重心位置を算出する重心位置算出手段と、
　前記重心位置算出手段で算出された前記重心位置からの距離と方角とに基づいて、前記物体の推定位置の補正を行う物体位置補正手段と、
を備える物体位置補正装置を提供する。

　本発明の第１２態様によれば、環境内に存在する複数の物体を観測装置で観測してそれぞれ取得された前記各物体の（１）ＩＤ尤度と（２）観測位置と、物体位置推定部により、前回観測時に取得された前記各物体のＩＤ尤度と観測位置に基づいて求められた前記各物体のＩＤと位置との推定結果に基づいて作成された、前記各物体の位置における存在確率を表す（３）予測分布とに基づいて、前記物体のＩＤと位置を推定して前記物体の推定位置を求め、
　前記観測位置の重心位置を重心位置算出手段で算出し、
　前記重心位置算出手段で算出された前記重心位置からの距離と方角とに基づいて、前記物体の推定位置を物体位置補正手段で補正する物体位置補正方法を提供する。

　本発明の第１３態様によれば、コンピュータに、
　環境内に存在する複数の物体を観測装置で観測してそれぞれ取得された前記各物体の（１）ＩＤ尤度と（２）観測位置と、物体位置推定部により、前回観測時に取得された前記各物体のＩＤ尤度と観測位置に基づいて求められた前記各物体のＩＤと位置との推定結果に基づいて作成された、前記各物体の位置における存在確率を表す（３）予測分布とに基づいて、前記物体のＩＤと位置を推定して前記物体の推定位置を求める機能と、
　前記観測位置の重心位置を重心位置算出手段で算出する機能と、
　前記重心位置算出手段で算出された前記重心位置からの距離と方角とに基づいて、前記物体の推定位置の補正を物体位置補正手段で行う機能と、
を実現させるための物体位置補正プログラムを提供する。

　本発明によれば、観測装置で検出された物体の観測位置の位置関係に基づいて、前記物体の推定位置を補正することができる。そのため、環境情報を記録したマップを使用することなく、物体位置推定の結果をユーザにとって違和感の無い位置に補正することができる。

　本発明のこれらと他の目的と特徴は、添付された図面についての好ましい実施形態に関連した次の記述から明らかになる。この図面においては、
図１は、本発明の第１実施形態に係る物体位置補正装置の構成を示すブロック図であり、図２Ａは、本発明の前記第１実施形態に係る物体位置補正装置での観測対象が存在する環境である生活空間としての部屋における観測状況を説明する図であり、図２Ｂは、前記第１実施形態に係る前記物体位置補正装置の観測装置の一例であるカメラの構成を示すブロック図であり、図３は、本発明の前記第１実施形態に係る物体位置補正装置の位置推定履歴データベースに記録された物体位置推定手段の推定履歴の例を示す図であり、図４は、本発明の前記第１実施形態に係る物体位置補正装置での重心位置算出手段による、観測値の重心位置を算出する簡単な例を示す図であり、図５は、本発明の前記第１実施形態に係る物体位置補正装置において、重心位置算出手段によって算出された重心位置に基づいて、物体位置補正手段による物品の推定位置の補正の概略を示しており、重心位置から各物品の推定位置（分布の平均位置）までの距離と方角を算出している様子を表す図であり、図６は、本発明の前記第１実施形態に係る物体位置補正装置において、図１２で算出した距離と方角に基づいて物体の推定位置（分布の平均位置）を補正している様子を表す図であり、図７は、本発明の前記第１実施形態に係る物体位置補正装置の全体処理を示すフローチャートであり、図８は、本発明の前記第１実施形態に係る物体位置補正装置の観測装置に記録された物体テンプレートデータの例を示す図であり、図９は、本発明の前記第１実施形態に係る物体位置補正装置のＩＤ尤度変換テーブルの例（ＩＤに関するセンサモデル）を示す図であり、図１０は、本発明の前記第１実施形態に係る物体位置補正装置の観測履歴データベースに記録されたカメラによる物品の観測履歴の例を示す図であり、図１１は、本発明の前記第１実施形態に係る物体位置補正装置において、時刻１２：００：０３に得られた観測値と、時刻１２：００：０２時点で得られた各物品の推定位置の状況の例を示す図であり、図１２は、カルマンフィルタの動作例を示す図であり、図１３は、本発明の前記第１実施形態に係る物体位置補正装置での物体位置の推定状況の例を示す図であり、図１４は、本発明の前記第１実施形態に係る物体位置補正装置において、クラスタリングの結果の一例を示す図であり、図１５は、本発明の前記第１実施形態に係る物体位置補正装置において、物体位置推定手段の結果の一例を示すグラフであり、図１６は、本発明の前記第１実施形態に係る物体位置補正装置において、物体位置補正手段の結果の一例を示すグラフであり、図１７は、本発明の前記第１実施形態に係る物体位置補正装置において、物体（１，１）と物体（１，２）の移動軌跡の真の位置を示すが、本物体位置補正装置は各物体の真の位置は分かっていない場合の例を示す図であり、図１８は、本発明の前記第１実施形態に係る物体位置補正装置において、図１５と図１６で示した物体の推定位置と補正位置の表示例を示す図であり、図１９は、従来技術における物体位置の推定状況を示す図であり、図２０は、本発明の前記第１実施形態に係る物体位置補正装置での観測対象の別の例として複数の人が存在する環境である生活空間としての部屋における観測状況を説明する図である。

　以下、図面を参照して本発明における実施形態を詳細に説明する前に、本発明の種々の態様について説明する。

　本発明の第２態様によれば、前記物体位置補正手段は、前記重心位置から前記物体の推定位置までの距離に対して重み付けを行うことにより算出された補正距離分、前記物体の推定位置を、前記重心位置から前記物体の推定位置に対する方角に移動させる、第１の態様に記載の物体位置補正装置を提供する。

　本発明の第３態様によれば、前記物体位置補正手段は、更に、前記補正距離に対して、前記観測装置が出力した観測値数を重み付けした値を加えた距離分、前記物体の推定位置を、前記重心位置から前記物体の推定位置に対する方角に移動させる、第２の態様に記載の物体位置補正装置を提供する。

　本発明の第４態様によれば、前記物体位置補正手段は、補正距離を求めるための重み付けの割合を、前記観測装置のＩＤ識別性能に基づいて決定する、第２の態様に記載の物体位置補正装置を提供する。

　本発明の第５態様によれば、前記物体位置補正手段は、補正距離を求めるための重み付けの割合を、前記観測装置のセンシング領域の広さに基づいて決定する、第２の態様に記載の物体位置補正装置を提供する。

　本発明の第６態様によれば、前記物体位置推定部は、
　　前記物体のＩＤと位置の前記推定結果を記録する物体位置推定履歴データベースと、
　　前記物体のＩＤと位置の前記推定結果に基づいて、前記物体の位置における前記存在確率を表す前記予測分布を作成する予測分布作成手段と、
　　前記予測分布と前記ＩＤ尤度と前記観測位置に基づいて、前記物体のＩＤと位置を推定する物体位置推定手段とを備えている、第１の態様に記載の物体位置補正装置を提供する。

　本発明の第７態様によれば、前記環境内に存在する前記複数の物体を検出して、前記各物体のＩＤ尤度と観測位置とをそれぞれ取得する前記観測装置をさらに備える、第１又は６の態様に記載の物体位置補正装置を提供する。

　本発明の第８態様によれば、前記物体のＩＤと補正された位置の結果を表示する表示手段をさらに備える、第１～７のいずれか１つの態様に記載の物体位置補正装置を提供する。

　本発明の第９態様によれば、前記重心位置算出手段は、位置に基づいてクラスタリングされた観測位置のクラスタ毎に重心位置を算出することを特徴とする第１～８のいずれか１つの態様に記載の物体位置補正装置を提供する。

　本発明の第１０態様によれば、更に、前記物体位置補正手段は、前記重心位置算出手段が用いた前記観測位置の数に基づいて、前記物体の推定位置の補正を行うことを特徴とする第１～９のいずれか１つの態様に記載の物体位置補正装置を提供する。

　本発明の第１１態様によれば、前記表示手段は、前記物体位置推定手段の推定結果に前記物体位置補正手段の補正結果をオーバーレイ表示させることを特徴とする第８の態様に記載の物体位置補正装置を提供する。

　以下、本発明の実施の形態について、図面を参照しながら説明する。

　（第１実施形態）
　図１は、本発明の第１実施形態に係る物体位置補正装置の構成を示した図である。

　本発明の第１実施形態に係る物体位置補正装置は、観測装置１０１と、観測履歴データベース１０２と、位置推定履歴データベース１０３と、予測分布作成手段１０４と、物体位置推定手段１０５と、重心位置算出手段１０６と、物体位置補正手段１０７と、表示手段１０８と、を備えるように構成されている。位置推定履歴データベース１０３と、予測分布作成手段１０４と、物体位置推定手段１０５とは、合わせて１つの物体位置推定部１２０として構成されていてもよい。

　図２Ａに、閉じた環境の具体的な例として、部屋２０１を示す。この部屋２０１には、本発明の第１実施形態に係る物体位置補正装置の構成要素である観測装置１０１の一例として、１台又は複数台のカメラ２０２を備えている。部屋２０１の天井の中央付近には、１台のカメラ２０２が設置されている。カメラ２０２は１台に限られず、複数台設置してもよい。また、部屋２０１内には、観測対象である物体の一例として、物品２０３Ａと物品２０３Ｂと物品２０３Ｃと物品２０３Ｄと物品２０３Ｅが床又はテーブルなどの上に存在していると仮定する。各物品には、それぞれ固有の識別情報としてＩＤを持っているものとする。

　以後、部屋２０１内の物品２０３Ａと物品２０３Ｂと物品２０３Ｃと物品２０３Ｄと物品２０３Ｅとのうちの任意の物品を、物品２０３として代表的に説明する。なお、一例としては、物品２０３Ａはペットボトル、物品２０３Ｂは財布、物品２０３Ｃは書籍、物品２０３Ｄは携帯電話、物品２０３Ｅは時計が図２Ａに図示されている。

　以下に図１と図２Ａと図２Ｂを用いて、本実施形態にかかる物体位置補正装置の各構成要素について説明する。

　観測装置１０１の一例としてのカメラ２０２は、部屋２０１内を観測し、部屋２０１内に存在する物品２０３の検出を行う。すなわち、カメラ２０２では、後述するように、部屋２０１内を撮像して取得した画像データを、背景差分法などを用いて画像処理して、物品２０３を検出する。物品２０３を検出すると、観測ＩＤ（カメラ２０２で観測してデータ又は情報を取得する度に各データ又は情報に付する固有のＩＤであって、他の観測データ又は情報と識別するためのＩＤである。）と、物品２０３が検出された時刻と、検出した物品２０３の識別ＩＤと観測位置とを取得し、観測履歴データベース１０２に記録する。尚、識別ＩＤは、ＩＤ尤度変換テーブルにしたがってＩＤ尤度に変換可能である。ＩＤ尤度とは、検出した物体（本実施形態では、物品２０３）が、どのＩＤの物体（物品）であるらしいかを確率的に表したものである。

　上述した通り、カメラ２０２の物体のＩＤ識別精度は、１００％となり得ない。例えば、カメラ２０２を通じた識別結果が物体Ａであっても、実際には物体Ａ以外の物体（物体Ｂ，物体Ｃ）を識別していた可能性がある。そのため、ＩＤ尤度は、物体Ａである確率が０．８であり、物体Ｂである確率が０．１であり、物体Ｃである確率が０．１である、というように、部屋２０１に存在する（又は、部屋２０１に存在する可能性のある）物体のすべてに確率が割り振られる。尚、これはＩＤ尤度を決定する一例であり、本発明はこれに限るものではない。

　観測履歴データベース１０２には、観測ＩＤと、物品２０３が検出された時刻と、検出された物品２０３の識別ＩＤと、物品２０３が検出された観測位置とが記録される。尚、識別ＩＤとは、観測装置１０１が検出した物体の物体識別結果である。尚、各観測装置１０１、例えば、カメラ２０２は、観測周期及び時刻の情報などを取得するためのタイマを備えており、物品２０３が検出された時刻をカメラ２０２から出力可能としている。

　位置推定履歴データベース１０３には、物体位置推定手段１０５の出力結果である物品２０３の平均値と分散共分散行列と、物体位置推定手段１０５が使用した観測値が得られた最終時刻とが記録されている。

　図３に位置推定履歴データベース１０３の一例を示す。

　例えば、物品の識別ＩＤ＝Ｏｂｊ００１の物品は、時刻２００８／０９／０２＿１２：００：０１には

の確率密度分布（ガウス分布）で表現される位置に存在すると推定されている。

　予測分布作成手段１０４は、位置推定履歴データベース１０３に記録されている物品２０３の過去の推定位置を基に、物品２０３の位置の確率密度分布を推定して、その結果を物体位置推定手段１０５に出力する。予測分布作成手段１０４で確率密度分布が推定される物品２０３の位置は、物体位置推定手段１０５が物品２０３の位置推定に使用するのに用いる観測値が得られた時刻の位置である。なお、通常は、前回観測値を用いて推定された物体位置（最新の推定位置）を使用すればよいが、前回観測値を用いて推定された物体位置（最新の推定位置）よりも以前の古い推定位置を用いて、推定することもできる。

　物体位置推定手段１０５は、観測履歴データベース１０２の記録されている情報を基に、検出した物品２０３のＩＤ尤度と観測位置と、そして予測分布を基に物品２０３の位置とを推定する。ここで、物体位置推定手段１０５は、アソシエーション値を算出するアソシエーション手段１０９を備えているものとする。この物体（例えば物品２０３）の位置の推定には、カメラ２０２などの観測装置１０１の観測値と、観測装置１０１が物体を観測した時刻における物体の予測位置（予測分布）が必要となる。言い換えれば、尤度情報に基づいて、予測位置を観測値の方向へ移動させるのが、物体位置推定の処理とも言える。この予測位置は、後述するように、観測装置１０１が物体を前回観測した時刻における物体の推定位置に基づいて算出される。

　アソシエーション値とは、観測値（ＩＤ尤度と観測位置との情報）と実際の物体との関連付けを表す値である。つまり、観測履歴データベース１０２から受け取った物体のＩＤ尤度と観測位置とが、どのＩＤの物体を検出することによって得られた値であるかを表す値である。前述した、物体のＩＤ尤度と、観測位置とは、それぞれの観測値が、ある物体を観測して得られた観測値であるという確からしさを表す値であり、アソシエーション値はこのＩＤ尤度と位置尤度との積で表される。

　ここで、位置尤度について説明する。位置尤度とは、観測位置と前記予測分布の平均位置との距離に基づいて算出される値であり、距離が短いほど位置尤度は高くなり、逆に、距離が長いほど位置尤度は低くなる。また、観測装置１０１の位置誤差特性と前記予測分布の分散共分散行列とを考慮したマハラノビス距離に基づいて、位置尤度を求めても良い。この場合も、マハラノビス距離が短いほど位置尤度は高くなり、逆に、マハラノビス距離が長いほど位置尤度は低くなる。

　重心位置算出手段１０６は、観測履歴データベース１０２の記録されている情報を基に、観測値の重心位置を算出する。ただし、重心位置を算出するのに使用する観測値は、物体位置推定手段１０５が、前回物品２０３の位置を推定するのに使用した観測値のみとする。尚、重心位置算出手段１０６が使用する観測値に関する情報は、物体位置推定手段１０５から得られるものとする。図４に簡単な例を示す。図４の例では、１次元座標中に観測値が３つ得られている。観測値１はＸ＝１０の位置、観測値２はＸ＝３０の位置、観測値３はＸ＝５０の位置でそれぞれ得られており、これら３つの観測値の重心位置は、Ｘ＝３０の位置となる。

　物体位置補正手段１０７は、重心位置算出手段１０６によって算出された重心位置及び物体位置推定手段１０５からの物品２０３の推定位置に基づいて、物品２０３の推定位置を補正する。

　推定位置の補正の概略を図５と図６を用いて説明する。

　図５は、重心位置（図４のＸ＝３０の位置）から各物品２０３の推定位置（分布の平均位置）までの距離と方角とを物体位置補正手段１０７で算出している様子を表している。その結果、重心位置（図４のＸ＝３０の位置）から物体Ａの推定位置ＥＰ_Ａまでの距離は２０、方角は－Ｘ方向となっている。また、重心位置（図４のＸ＝３０の位置）から物体Ｂの推定位置ＥＰ_Ｂまでの距離は０、方角は無し（重心位置と一致しているため）となっている。重心位置（図４のＸ＝３０の位置）から物体Ｃの推定位置ＥＰ_Ｃまでの距離は２０、方角は＋Ｘ方向となっている。

　図６は、図５で物体位置補正手段１０７により算出した距離と方角とに基づいて、物体の推定位置（分布の平均位置）を物体位置補正手段１０７により補正している様子を表している。すなわち、物体位置補正手段１０７により、重心位置から物体の推定位置までの距離に対して重み付けを行うことにより算出された補正距離分、物体の推定位置を、重心位置から物体の推定位置に対する方角に移動させるようにしている。具体的には、重心位置からの距離が離れていた物体Ａと物体Ｃの推定位置は、距離＝２０に応じた重み付けがなされ、重心位置から各推定位置への方角に向けて位置が物体位置補正手段１０７により補正される。物体Ａの補正後の推定位置はＣＥＰ_Ａであり、物体Ｂの補正後の推定位置はＣＥＰ_Ｂである。推定位置が重心位置と同じであった物体Ｂの推定位置に関しては、補正されない。より詳細な内容については、後述する。

　表示手段１０８は、物体位置補正手段１０７によって補正された推定位置をユーザに提示するモニタなどで構成されている。

　図７には、本発明の前記第１実施形態に係る物体位置補正装置の全体処理を示すフローチャートを示す。以下、この図７のフローチャートに対応させながら、物体位置補正装置の詳細な動作について説明する。

　ステップＳ３０１では、部屋２０１内をカメラ２０２で観測し、カメラ２０２が撮像した画像から物品２０３を検出する処理を行う。具体例を以下に記述する。

　カメラ２０２を用いて物品２０３を検出するには、カメラ２０２の撮像部２０２ａが取得した画像データを画像処理する必要がある。その方法として、例えば、背景差分法を用いることができる。図２Ｂに示すように、カメラ２０２の撮像部２０２ａで予め撮像してカメラ２０２内に内蔵された内部記憶部２０２ｂに記憶しておく。そして、物品２０３が存在していないときの部屋２０１の背景画像データと、カメラ２０２で撮像した現在の画像データとを、カメラ２０２内に内蔵された画像処理部２０２ｃで比較する。その後、画素値が異なる領域を差分領域として画像処理部２０２ｃで取り出す。この差分領域が、検出した物品２０３に相当する。ただし、画像データにはノイズが混じっている可能性があるため、前記差分領域が物品２０３に対して十分に小さいと画像処理部２０２ｃで判断できる場合には、前記差分領域は物品２０３ではないと画像処理部２０２ｃで判断しても良い。ここで、差分領域が物品２０３に対して十分に小さい場合とは、前記差分領域の画素数が、物品２０３と認識可能な最低画素数を基に予め設定した閾値以下である場合が考えられる。逆に言えば、前記差分領域の画素数が、物品２０３と認識可能な最低画素数を基に予め設定した閾値を越えておれば、差分領域が、検出した物品２０３であると画像処理部２０２ｃで判断する。尚、検出した物品２０３の観測位置は、例えば前記差分領域の重心位置とすることができる。

　また、前記差分領域の画像とテンプレート画像とのマッチングを画像処理部２０２ｃで行うことで、カメラ２０２が検出した物品のＩＤ識別を画像処理部２０２ｃで行うことができる。尚、マッチング用のテンプレート画像は、カメラ２０２の内部記憶部２０２ｂに予め記録されているものとする。

　図８に、カメラ２０２の内部記憶部２０２ｂに記録されている物品テンプレートの画像データの例を示す。カメラ２０２の内部記憶部２０２ｂに記録されている情報は、Ｏｂｊ００１からＯｂｊ００５までの物体の識別ＩＤと、物体の識別ＩＤがＯｂｊ００１からＯｂｊ００５までの５個の物体のそれぞれにおけるテンプレート画像である。物体のＩＤ識別が行われると、次に、ＩＤ尤度変換テーブルにしたがってＩＤ尤度を決定する。尚、物体の識別ＩＤとは、物体を一意に特定することのできるＩＤ番号である。

　図９にＩＤ尤度変換テーブルの例を示す。図９のＩＤ尤度変換テーブルに従えば、ＩＤ識別の結果がＯｂｊ００１であった場合、カメラ２０２が検出した物体がＯｂｊ００１の物体識別ＩＤである確率は０．８０である。同様に、カメラ２０２が検出した物体がＯｂｊ００２の物体識別ＩＤである確率は０．０５、Ｏｂｊ００３の物体識別ＩＤである確率は０．１０、Ｏｂｊ００４の物体識別ＩＤである確率は０．０３、Ｏｂｊ００５の物体識別ＩＤである確率は０．０２となる。尚、ＩＤ尤度変換テーブルも、カメラ２０２の内部記憶部２０２ｂに記録されているものとする。尚、ＩＤ尤度変換テーブルは、事前に、Ｏｂｊ００１からＯｂｊ００５の物体をそれぞれカメラ２０２の撮像部２０２ａで、例えば姿勢を変えながら複数回数撮像させてＩＤ識別を行い、ＩＤ識別間違いの傾向に基づいて作成する。図９に示すＩＤ尤度変換テーブルの場合、事前に撮像した画像によるＩＤ識別の結果、各物品についてＯｂｊ００１と識別された比率が、Ｏｂｊ００１：Ｏｂｊ００２：Ｏｂｊ００３：Ｏｂｊ００４：Ｏｂｊ００５＝０．８０：０．０５：０．１０：０．０３：０．０２であることを表す。

　また、以後、カメラ２０２の観測周期は一例として１秒であるとして説明する。カメラ２０２の観測周期は１秒に限らず、所定の周期でよい。

　ここで、カメラ２０２の画像処理部２０２ｃが前記した背景差分領域の重心位置を求める処理、及び、前記テンプレートマッチングによる物品２０３のＩＤ識別を行ってＩＤ尤度を求める処理は、図７のフローチャートにおけるステップＳ３０２の処理にあたる。

　次いで、ステップＳ３０３では、カメラ２０２の画像処理部２０２ｃにより、カメラ２０２で検出した物品２０３の観測位置とＩＤ尤度を観測履歴データベース１０２に記録する処理を行う。

　図１０に観測履歴データベース１０２の一例を示す。

　カメラ２０２により、図１０の観測履歴データベース１０２に、カメラ２０２が物品２０３を検出したときの時刻と観測位置と物品の識別ＩＤと、そして観測ＩＤとが、記録できるようになっている。

　カメラ２０２の観測周期が１秒、そして、部屋２０１内に物品が５個存在していることから（図２Ａ参照）、観測履歴データベース１０２には、１秒毎に５個の観測値がカメラ２０２により記録されている。例えば、時刻２００８／０９／０２＿１２：００：００１では、観測ＩＤ＝ＯＢＳ００１～ＯＢＳ００５の５個の観測値が記録されている。尚、カメラ２０２がノイズ等の影響により物品２０３を検出ミスした場合は、５個未満の観測値しか記録されない可能性はある。同様に、物品２０３以外のもの（壁又は柱など）を誤って物品２０３であると過検出した場合には、６個以上の観測値が記録される可能性がある。

　例えば、観測ＩＤ＝ＯＢＳ００１の観測値は、時刻２００８／０９／０２＿１２：００：００１に観測位置（８０，５００）で物品の識別ＩＤ＝Ｏｂｊ００１を検出したことを示している。観測ＩＤ＝ＯＢＳ００１の観測値及び観測ＩＤ＝ＯＢＳ００６の観測値は、物品の識別ＩＤ＝Ｏｂｊ００１を有する図２Ａにおける物品２０３Ａを検出して得られたものであるが、観測位置が異なっている。これは、カメラ２０２が撮像した画像に含まれるノイズが影響しているためである。具体的には、撮像の度にノイズの加わり方が異なるため、背景差分により切り出される差分領域も微小に変化する。それによって、観測位置となる前記差分領域の重心位置も変化してしまう。

　また、観測ＩＤ＝ＯＢＳ００４及び観測ＩＤ＝ＯＢＳ００９の観測値は、物品の識別ＩＤ＝Ｏｂｊ００４を有する図２Ａにおける物品２０３Ｄを検出して得られたものであるが、物品の識別ＩＤが互いに異なっている。これも、カメラ２０２が撮像した画像に含まれるノイズの影響による誤差が原因となっている。具体的には、撮像ごとに背景差分により切り出される差分領域内の画素がノイズにより微小に変化することによって、テンプレートとのマッチング結果も変化してしまっているため、物品の識別ＩＤが異なって検出されている。

　次いで、ステップＳ３０４では、予測分布作成手段１０４が、位置推定履歴データベース１０３に記録されている物品２０３の推定位置に基づいて物品２０３の予測分布を作成する。具体例を以下に記述する。

　書籍又は携帯電話のように、位置推定の対象物である物体が自ら移動することのない静止物体である場合（本実施形態の例の物品２０３Ｃ又は物品２０３Ｄ場合）、予測分布は、位置推定履歴データベース１０３に記録されているガウス分布と同一のものとして良い。

　もし、車、又は、飛行機、又は、ロボットのように、位置推定の対象物の移動方向又は速度が既知である場合、前記対象物の運動方程式に基づいて予測分布を作成する。例えば、部屋２０１内で玩具の車がが＋Ｘ方向に毎秒３０ｃｍの速度で移動しているとする。
位置推定履歴データベース１０３に記録されている推定位置が

であって、物体位置推定手段１０５が使用する観測値の得られた時刻が１秒後であったとする。この場合、予測分布は、前記対象物の平均位置が＋Ｘ方向に３０ｃｍ移動した位置（１３０，４５０）となり、分散共分散行列は

となる。ここで、分散共分散行列の値が大きくなる理由について説明する。例えば、玩具の車が移動する場合、秒速３０ｃｍで玩具の車が移動したとしても、玩具の車が、床面状態（板の間でのスリップ、絨毯での摩擦など）又は空気抵抗の影響を受けるため、１秒後にちょうど３０ｃｍ先に玩具の車があるとは限らない。そのため、予測分布作成手段１０４により、分散共分散行列の値を大きくすることで、確率的な位置精度の曖昧性を高めている。

　また、人又は動物のように、位置推定の対象物の移動方向又は速度が不明である（運動方程式が未知である）場合、予測分布作成手段１０４により、位置推定履歴データベース１０３に記録されている推定位置の分散共分散行列の値のみを大きくすることで、予測分布を予測分布作成手段１０４により作成することができる。

　尚、位置推定履歴データベース１０２に物品２０３の推定位置が記録されていない場合、予測分布作成手段１０４により、予測分布の平均値はランダムに決定する。そして、分散は１σの距離が立方体の部屋２０１の一辺の距離になるように設定しておくことが望ましい。

　次いで、ステップＳ３０５では、カメラ２０２の観測値と予測分布に基づいた物体位置推定処理を物体位置推定手段１０５により行う。

　観測履歴データベース１０２から物体のＩＤ尤度と観測位置を受け取ると、先ず、アソシエーション手段１０９によって、アソシエーション値の計算を行う。

　次に、前記アソシエーション値を用いて物品２０３の位置をアソシエーション手段１０９によって推定する。具体的には、カルマンフィルタなどに代表されるベイズ推定の枠組みを用いて物品２０３の位置を推定（前回の推定位置から推定位置を更新）することができる。検出した物品２０３のＩＤ尤度と位置尤度とに基づいて位置の更新を行うが、このとき、物品２０３の位置の更新は、前記アソシエーション値が閾値を超えた観測値のみを用いる。閾値は予め設定しておく必要があるが、事前実験等から閾値を見積もっておくことが必要となる。傾向としては、画像処理による識別間違いを起こし易い場合には、閾値を低く設定しておくことが望ましい。識別間違いを起こし易いということは、検出した物体のＩＤ尤度が小さいということであり、アソシエーション値も小さくなる傾向にあるということである。また、アソシエーション値の大小に関わらず全ての観測値を用いても良いが、このときには、物品２０３の位置の更新量に、前記アソシエーション値で重み付けを行うことが望ましい。つまり、アソシエーション値が高いほど物体の位置の更新量は大きくなる。これは、ある物体の観測データである可能性が高い観測データの位置更新への寄与率が高くなるということである。

　ここで、図１１に、時刻１２：００：０３に得られた観測値と、時刻１２：００：０２の時点で得られた各物品の推定位置の状況の例を示す。図１１の例では位置の尤度を距離の逆数で与えているものとすると、物品の識別ＩＤ＝Ｏｂｊ００１に対する観測値ＯＢＳ０１１のアソシエーション値は、ＩＤ尤度（０．０８）×距離尤度（１／４４．７）に正規化項を掛けた値となる。すなわち、図１０の観測値ＯＢＳ０１１には、物体ＩＤの識別結果が識別ＩＤ＝Ｏｂｊ００３と記録されており、図９のＩＤ尤度変換テーブルによると、カメラが物体を識別ＩＤ＝Ｏｂｊ００３と識別した場合、実際には、カメラが検出していた物体は識別ＩＤ＝Ｏｂｊ００１である確率が０．０８であることを意味している。他の観測値（ＯＢＳ０１２～ＯＢＳ０１５）についても同様に計算すると、物品の識別ＩＤ＝Ｏｂｊ００１に対する観測値ＯＢＳ０１１のアソシエーション値が０．９６７となり、観測値ＯＢＳ０１３のアソシエーション値が０．０３２となり、その他の観測値のアソシエーション値については０．００１未満となる。ここで、物品の識別ＩＤ＝Ｏｂｊ００１の位置の更新に使用する観測値のアソシエーション値の閾値を０．０１とすると、物品の識別ＩＤ＝Ｏｂｊ００１の位置の更新には、ＯＢＳ０１１とＯＢＳ０１３の二つの観測値が使用されることになる。

　以下にカルマンフィルタについての説明を行う。

　カルマンフィルタとは、物体位置補正装置の状態（本発明の第１実施形態においては、例えば、物体の位置）の情報、及び、観測装置１０１の観測データ（観測情報）双方にノイズが含まれるという仮定のもとに、尤もらしい物体位置補正装置の状態を推定するものである。

　図１２に物体位置推定処理にカルマンフィルタを利用した例を示す。縦軸は確率、横軸は物体の位置を表す。

　物体が（式１）に表されるような移動を行うとき、観測装置１０１は（式２）で求められる観測値９０３を得ることができる。ここで、Ａは物体の運動モデル、ｘは物体位置、ｖは移動の際に生じるプロセスノイズを表している。また、ｙは観測値、Ｈは物体位置ｘと観測値ｙを対応付ける観測モデル、ｗは観測ノイズ、ｔは時間を表している。

　ここで、プロセスノイズｖ及び観測ノイズｗは、白色ガウスノイズとすると、ｐ（ｗ）は（式３）のように表されるとともに、ｐ（ｖ）は（式４）のように表される。尚、Ｎ（０，Ｑ）は、平均０、分散Ｑのガウス分布を表している。Ｎ（０，Ｒ）も同様に、平均０、分散Ｒのガウス分布を表している。

　観測値９０３が得られると、現在得られている物体の位置に関する事前確率分布９０１（以後、「事前分布」と呼ぶ。）を物体位置推定手段１０５で更新し、予測確率分布９０２（以後、「予測分布」と呼ぶ。）を物体位置推定手段１０５で作成する。（式５）で予測分布９０２の平均（位置）を物体位置推定手段１０５で求め、（式６）で予測分布９０２の分散を物体位置推定手段１０５で求めることができる。尚、Ｘ_ａ｜ｂは時刻ｂの情報を基にした時刻ａのＸの推定値を表す。例えば、（式５）の「ｘ_{ｔ｜ｔ-１}」は時刻ｔ-１の情報を基にした時刻ｔの物体位置ｘの推定値を表しており、（式６）の「Ｐ_{ｔ｜ｔ-１}」は時刻ｔ－１の情報を基にした時刻ｔのＰの推定値を表している。ここで、Ｐは分布の分散を表している。

　予測分布９０２が物体位置推定手段１０５で得られると、観測値９０３と予測分布９０２とから事後分布９０４を物体位置推定手段１０５で求める。（式７）で事後分布の平均（位置）を物体位置推定手段１０５で求め、（式８）で事後分布の分散を物体位置推定手段１０５で求めることができる。ここで、Ｋはカルマンゲインと呼ばれる値であり、（式９）にて求められる。カルマンゲインは更新量を決定する値である。観測値の精度が良い（分散Ｒが非常に小さい）場合には、更新量を大きくするため、カルマンゲインの値は大きくなる。逆に、事前分布の精度が良い（分散Ｐが非常に小さい）場合には、更新量を小さくするため、カルマンゲインの値は小さくなる。

　図１３に物体位置推定手段１０５の推定結果の例を示す。図１３は、時刻２００８／０９／０２＿１２：００：０３における観測値を用いて物体位置推定を行った結果である。図１３と図１０を見比べてみると、物体の推定位置は、カメラ２０２の観測位置と全く同一の位置には推定されていない。この主な要因として、他の観測値の影響が考えられる。例えば、識別ＩＤ＝Ｏｂｊ００１の物品は、アソシエーション値が０．９６７であった観測ＩＤ＝ＯＢＳ０１１で観測された可能性が高く、物品の識別ＩＤ＝Ｏｂｊ００１は、観測ＩＤ＝ＯＢＳ０１１の観測値を基に位置の推定が行われる。しかしながら、Ｏｂｊ００１に対するアソシエーション値は低いものの、観測ＩＤ＝ＯＢＳ０１１以外の他の観測値（観測ＩＤ＝ＯＢＳ０１２，ＯＢＳ０１３，ＯＢＳ０１４，ＯＢＳ０１５）に関しても、物品の識別ＩＤ＝Ｏｂｊ００１を検出することによって得られた観測値である確率が存在する（図９参照）。

　その結果、前記他の観測値も、物品の識別ＩＤ＝Ｏｂｊ００１の物品の位置推定に影響を及ぼすこととなる。そして、全ての観測値が物品２０３の位置推定に影響を及ぼしていることから、物品２０３の推定位置は、観測値の重心位置に引き寄せられる傾向がある。

　尚、アソシエーション値で物品２０３の位置の更新量に重み付けを行う場合、（式９）を（式１０）に置き換えれば良い。Ｄは物品２０３に対するアソシエーション値を表す。前記アソシエーション値での重み付けの情報は、アソシエーション手段１０９から物体位置推定手段１０５へ出力される。

　以上のように、物体位置推定手段１０５により、位置推定履歴データベース１０３内の物品２０３の位置を更新する。全ての観測値を用いて物品２０３の位置を更新するには、前記処理を観測値の数の分だけ繰り返す必要がある。

　次いで、ステップＳ３０６では、物体位置推定手段１０５が使用した観測値の重心位置を重心位置算出手段１０６で求める処理を行う。

　前記重心位置に引き寄せられた物品２０３の推定位置を補正するために、まず、重心位置算出手段１０６によって観測値の重心位置を算出する。ここで、重心位置を算出する観測値は、物体位置推定手段１０５が使用した観測値のみとする。尚、重心位置算出手段１０６が使用する観測値に関する情報は、物体位置推定手段１０５から得られるものとする。
つまり、図１３で示した物体位置推定手段１０５の推定結果を補正する場合、重心位置を求めるために使用する観測値は、時刻２００８／０９／０２＿１２：００：０３に観測された５個の観測値（ＯＢＳ０１１～ＯＢＳ０１５）ということになる。また、重心位置は、（ｘ，ｙ）＝（３００，３１０）となっている。

　また、上述したように、推定位置はその周辺の観測値の影響を受けるが、その影響力は一定ではなく、アソシエーション値の大きさに関わっている。そして、前記アソシエーション値は位置尤度の大きさに関わっている。つまり、推定位置は、より近くに存在する観測値からの影響を受けている可能性が高い。そこで、重心位置算出手段１０６により、観測値を位置に関してクラスタリングし、クラスタ化された観測値の中での重心位置を求めても良い。そして、各推定位置から最も近くに存在する重心位置を用いて、後述する推定位置の補正を行っても良い。クラスタリングの手法としては、例えばｋ－ｍｅａｎｓ法などを用いることができる。その手法として、先ず、複数の観測値から任意の数（例えば２個）の代表値をランダムに選択する。代表値の数は、例えば物体の滞在しやすい場所の数などとすることができる。次に、代表値以外の各観測値について、各代表値までの距離を計測する。そして、最も距離の短くなる代表値が、その観測値が属するクラスタであるとする。全ての観測値の配属が完了すると、次に、各クラスタの重心を新たな代表値とし、全ての観測値について各代表値までの距離を計測する。そして、最も距離の短くなる代表値が、その観測値が属するクラスタであるとする。以下、代表値の作成と配属を繰り返し、各観測値が属するクラスタに変化が生じなくなれば処理を終える。これらの処理は、すべて、重心位置算出手段１０６により行う。

　尚、クラスタリングの手法はこれに限るものではない。図１４にクラスタリングの結果の一例を示す。例えば、環境が壁１９０１で２つの領域隔てられていることが事前に分かっていた場合、前記代表値数の数を予め２と決定しておくことができる。前記２個の代表値に基づいてｋ－ｍｅａｎｓ法を実行することにより、ＯＢＳ０１１，ＯＢＳ０１２，ＯＢＳ０１３がクラスタＡ（図１４の１９０２で示す領域）に属する観測値であり、ＯＢＳ０１４，ＯＢＳ０１５がクラスタＢ（図１４の１９０３で示す領域）に属する観測値であることが示されている。

　次いで、ステップＳ３０７では、観測値の数及び位置関係に基づいて物品２０３の推定位置を物体位置補正手段１０７により補正する処理を行う。

　まず、重心位置から推定位置に向かう方向を、補正する方向として物体位置補正手段１０７により決定する。例えば、物体Ｏｂｊ００４の推定位置の補正する方向は、

となる。

　次に、補正する距離を重心位置から推定位置までの距離に基づいて、物体位置補正手段１０７により決定する。前述したように、推定位置は、通常、全ての観測値の影響を受ける。そのため、観測値の重心付近に存在した推定位置は、その周囲の観測値から受ける影響が相殺されることにより、結果として推定位置は重心付近に留まる傾向が強い。それに対して、観測値の端の方に存在した推定位置は、他の観測値から受ける影響の方向が同じため、その影響度（推定位置がずれる量）は大きくなる傾向が強い。以上から、重心位置から推定位置までの距離が大きいほど、補正する距離も大きくすることが望ましい。

　具体的には、（式１１）及び（式１２）のように重心位置から推定位置までの距離と物体位置推定手段１０５が使用した観測値の数に基づき、物体位置補正手段１０７により重み付けを行い、補正距離を物体位置補正手段１０７により算出する。すなわち、物体位置補正手段１０７は、補正距離に対して、観測装置１０１が出力した観測値数を重み付けした値を加えた距離分、物体の推定位置を、重心位置から物体の推定位置に対する方角に移動させるようにしている。ここで、Ｄは補正距離、Ａは重心位置と観測位置間の距離、αは重み係数となる。重み係数（言い換えれば、補正距離を求めるための重み付けの割合）αは、前記環境の広さ（言い換えれば、観測装置１０１のセンシング領域の広さ）と観測装置１０１の物体識別性能に基づいて決定される。観測装置１０１の物体識別性能が高い場合、誤った物体ＩＤに割り振られる尤度は少なくなる。すると、誤った物体ＩＤの推定位置を更新する影響力も少なくなる（物体位置推定手段１０５の説明参照）。つまり、観測装置１０１の物体識別性能が高いほど、重み係数αの値は小さくしておくことが望ましい。

　更に、観測値の数が多いほど、推定位置が受ける影響の数も多くなり、推定位置のずれる量も大きくなる傾向がある。以上から、物体位置推定手段１０５が使用した観測値の数が多いほど、補正する距離も大きくすることが望ましい。

　（式１３）及び（式１４）に、観測値の数を利用した補正距離Ｄの算出方法を示す。ここで、Ｂは観測値数、βは重み係数を表す。重み係数βは、重み係数αと同様に前記環境の広さと観測装置１０１の物体識別性能に基づいて決定される。観測装置１０１の物体識別性能が高い場合、誤った物体ＩＤに割り振られる尤度は少なくなる。すると、誤った物体ＩＤの推定位置を更新する影響力も少なくなる（物体位置推定手段１０５の説明参照）。つまり、観測装置１０１の物体識別性能が高いほど、重み係数βの値は小さくしておくことが望ましい。

　以上のように、各物体の推定位置毎に補正の方向と距離を求め、推定位置の補正を物体位置補正手段１０７により行う。

　図１５に物体位置推定手段１０５の結果の一例を示し、図１６に物体位置補正手段１０７の結果の一例を示す。図１５の例では、物体（１，１）と物体（１，２）の２つの物体の位置の推定結果の履歴が軌跡として示されており、図１６の例では、補正結果の履歴が軌跡として示されている。
説明のために、図１７に物体（１，１）と物体（１，２）の移動軌跡の真の位置を示すが、この第１実施形態にかかる物体位置補正装置では、各物体の真の位置は分かっていないものとする。物体（１，１）と物体（１，２）は、２００ｃｍの間隔を保ちながら図１７の左端から右端へと並走移動している。具体的には、物体（１，１）は、座標（－５００，８００）から座標（５００，８００）へ移動し、物体（１，２）は、座標（－５００，６００）から座標（５００，６００）へ移動している。尚、各物体は同時刻に移動を開始し、更に、同じ速度で移動しているものとする。図１５に示された物体位置推定手段１０５の結果を見ると、物体位置推定は、移動開始直後から互いの観測値の影響を受け始め、２００ｃｍ程進んだ地点では物体（１，１）と物体（１，２）が互いに８０ｃｍ程度ずつ引き寄せられていることが分かる。それに対して、図１６に示された物体位置補正手段１０７の結果を見てみると、物体（１，１）と物体（１，２）の物体間隔は維持されたまま物体位置の推定（補正）が行われている。尚、この例ではパラメータを、α＝７００，β＝２と設定している。

　次いで、ステップＳ３０８では、物体位置補正手段１０７によって補正された推定位置をユーザに表示手段１０８で提示する処理を行う。

　表示手段１０８は、物体位置補正手段１０７によって補正された推定位置をユーザに提示する。尚、前記推定位置に物体位置推定手段１０５が算出した分散共分散を同時にユーザに表示手段１０８で提示しても良い。また、物体位置推定手段１０５が算出した推定位置（補正前の推定位置）を同時にユーザに表示手段１０８で提示しても良い。

　図１８に、図１５と図１６で示した物体の推定位置と補正位置の表示例を示す。図１８で示されるモニタ１４０１の画面内には、障害物１４０２と、補正前の物体推定位置を直線で結んだ実線で示される軌跡と、補正後の物体推定位置を直線で結んだ点線で示される軌跡とがオーバーレイ表示されている。障害物１４０２の一例としては、例えば本棚又はテーブルなどである。

　以上のような構成により、観測装置１０１で検出された物体の観測値の位置関係及び数に基づいて、前記物体の推定位置を補正することができる。これによって、環境情報を記録したマップを使用することなく、物体位置推定の結果をユーザにとって違和感の無い位置に補正することができる。

　なお、本発明は前記実施形態に限定されるものではなく、その他種々の態様で実施できる。

　例えば、図２０に示すように、物体の他の例として、物品２０３に代えて、カメラ２０２で複数の人２１２を観測するようにしてもよい。

　なお、各実施形態において、物体位置推定部１２０と、重心位置算出手段１０６と、物体位置補正手段１０６となどのそれぞれ、又は、そのうちの任意の一部は、それ自体がソフトウェアで構成することができる。よって、例えば、本願明細書のそれぞれの実施形態の制御動作を構成するステップを有するコンピュータプログラムとして、記憶装置（ハードディスク等）などの記録媒体に読み取り可能に記憶させ、そのコンピュータプログラムをコンピュータの一時記憶装置（半導体メモリ等）に読み込んでＣＰＵを用いて実行することにより、前記した各機能又は各ステップを実行することができる。

　なお、前記様々な実施形態又は変形例のうちの任意の実施形態又は変形例を適宜組み合わせることにより、それぞれの有する効果を奏するようにすることができる。

　本発明に係る物体位置補正装置、物体位置補正方法、及び物体位置補正プログラムは、環境情報を記録したマップを使用することなく、物体位置推定の結果をユーザにとって違和感の無い位置に補正することができる。よって、マップを予め作成しておくことが困難な場所、環境変動の起こり得る場所（家庭内、オフィス、工場など）での物体の監視、表示装置又は方法に関して特に有用である。

　本発明は、添付図面を参照しながら好ましい実施形態に関連して充分に記載されているが、この技術の熟練した人々にとっては種々の変形又は修正は明白である。そのような変形又は修正は、添付した請求の範囲による本発明の範囲から外れない限りにおいて、その中に含まれると理解されるべきである。

Claims

　環境内に存在する複数の物体を観測装置で観測してそれぞれ取得された前記各物体の(１)ＩＤ尤度と(２)観測位置と、前回観測時に取得された前記各物体のＩＤ尤度と観測位置に基づいて求められた前記各物体のＩＤと位置との推定結果に基づいて作成された、前記各物体の位置における存在確率を表す(３)予測分布とに基づいて、前記物体のＩＤと位置とを推定して前記物体の推定位置を求める物体位置推定部と、
　前記観測位置の重心位置を算出する重心位置算出手段と、
　前記重心位置算出手段で算出された前記重心位置からの距離と方角とに基づいて、前記物体の推定位置の補正を行う物体位置補正手段と、
を備える物体位置補正装置。
　前記物体位置補正手段は、前記重心位置から前記物体の推定位置までの距離に対して重み付けを行うことにより算出された補正距離分、前記物体の推定位置を、前記重心位置から前記物体の推定位置に対する方角に移動させる、請求項１に記載の物体位置補正装置。
　前記物体位置補正手段は、更に、前記補正距離に対して、前記観測装置が出力した観測値数を重み付けした値を加えた距離分、前記物体の推定位置を、前記重心位置から前記物体の推定位置に対する方角に移動させる、請求項２に記載の物体位置補正装置。
　前記物体位置補正手段は、補正距離を求めるための重み付けの割合を、前記観測装置のＩＤ識別性能に基づいて決定する、請求項２に記載の物体位置補正装置。
　前記物体位置補正手段は、補正距離を求めるための重み付けの割合を、前記観測装置のセンシング領域の広さに基づいて決定する、請求項２に記載の物体位置補正装置。
　前記物体位置推定部は、
　　前記物体のＩＤと位置の前記推定結果を記録する物体位置推定履歴データベースと、
　　前記物体のＩＤと位置の前記推定結果に基づいて、前記物体の位置における前記存在確率を表す前記予測分布を作成する予測分布作成手段と、
　　前記予測分布と前記ＩＤ尤度と前記観測位置に基づいて、前記物体のＩＤと位置を推定する物体位置推定手段とを備えている、請求項１に記載の物体位置補正装置。
　前記環境内に存在する前記複数の物体を検出して、前記各物体のＩＤ尤度と観測位置とをそれぞれ取得する前記観測装置をさらに備える、請求項１又は６に記載の物体位置補正装置。
　前記物体のＩＤと補正された位置の結果を表示する表示手段をさらに備える、請求項１～７のいずれか１つに記載の物体位置補正装置。
　前記重心位置算出手段は、位置に基づいてクラスタリングされた観測位置のクラスタ毎に重心位置を算出することを特徴とする請求項１～７のいずれか１つに記載の物体位置補正装置。
　更に、前記物体位置補正手段は、前記重心位置算出手段が用いた前記観測位置の数に基づいて、前記物体の推定位置の補正を行うことを特徴とする請求項１～７のいずれか１つに記載の物体位置補正装置。
　前記表示手段は、前記物体位置推定手段の推定結果に前記物体位置補正手段の補正結果をオーバーレイ表示させることを特徴とする請求項８に記載の物体位置補正装置。
　環境内に存在する複数の物体を観測装置で観測してそれぞれ取得された前記各物体の（１）ＩＤ尤度と（２）観測位置と、物体位置推定部により、前回観測時に取得された前記各物体のＩＤ尤度と観測位置に基づいて求められた前記各物体のＩＤと位置との推定結果に基づいて作成された、前記各物体の位置における存在確率を表す（３）予測分布とに基づいて、前記物体のＩＤと位置を推定して前記物体の推定位置を求め、
　前記観測位置の重心位置を重心位置算出手段で算出し、
　前記重心位置算出手段で算出された前記重心位置からの距離と方角とに基づいて、前記物体の推定位置を物体位置補正手段で補正する物体位置補正方法。
　コンピュータに、
　環境内に存在する複数の物体を観測装置で観測してそれぞれ取得された前記各物体の（１）ＩＤ尤度と（２）観測位置と、物体位置推定部により、前回観測時に取得された前記各物体のＩＤ尤度と観測位置に基づいて求められた前記各物体のＩＤと位置との推定結果に基づいて作成された、前記各物体の位置における存在確率を表す（３）予測分布とに基づいて、前記物体のＩＤと位置を推定して前記物体の推定位置を求める機能と、
　前記観測位置の重心位置を重心位置算出手段で算出する機能と、
　前記重心位置算出手段で算出された前記重心位置からの距離と方角とに基づいて、前記物体の推定位置の補正を物体位置補正手段で行う機能と、
を実現させるための物体位置補正プログラム。