WO2021192082A1 - 位置誤差予測装置、モデル作成装置、位置誤差予測方法、モデル作成方法及びプログラム - Google Patents

位置誤差予測装置、モデル作成装置、位置誤差予測方法、モデル作成方法及びプログラム Download PDF

Info

Publication number
WO2021192082A1
WO2021192082A1 PCT/JP2020/013290 JP2020013290W WO2021192082A1 WO 2021192082 A1 WO2021192082 A1 WO 2021192082A1 JP 2020013290 W JP2020013290 W JP 2020013290W WO 2021192082 A1 WO2021192082 A1 WO 2021192082A1
Authority
WO
WIPO (PCT)
Prior art keywords
error
magnitude
probability distribution
prediction
feature data
Prior art date
Application number
PCT/JP2020/013290
Other languages
English (en)
French (fr)
Inventor
陽平 知識
山田　昌弘
健司 ▲高▼尾
剛志 是永
Original Assignee
三菱重工機械システム株式会社
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 三菱重工機械システム株式会社 filed Critical 三菱重工機械システム株式会社
Priority to PCT/JP2020/013290 priority Critical patent/WO2021192082A1/ja
Priority to JP2022509872A priority patent/JP7317212B2/ja
Publication of WO2021192082A1 publication Critical patent/WO2021192082A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/22—Multipath-related issues

Definitions

  • the present invention relates to a position error prediction device, a model creation device, a position error prediction method, a model creation method, and a program.
  • position information and information indicating the magnitude of the error in the position information (hereinafter, referred to as the magnitude of the position error) can be obtained.
  • the magnitude of the position error For example, when a vehicle traveling on road A positions its own vehicle's traveling position by a satellite positioning system, it seems as if it is traveling on a nearby road B depending on the degree of error in the positioned position information. Results may be obtained.
  • charging is performed according to the road on which the vehicle travels, misrecognition of the road on which the vehicle travels becomes a problem.
  • the failure rate the probability of making a mistake on the road on which the vehicle is traveling
  • Patent Document 1 discloses a technique for estimating the error of the estimated altitude when estimating the altitude of the measurement position based on the atmospheric pressure value measured by the atmospheric pressure sensor.
  • Patent Document 1 does not disclose a method for predicting the probability distribution of the magnitude of the position error.
  • the present disclosure provides a position error prediction device, a model creation device, a position error prediction method, a model creation method, and a program that can solve the above-mentioned problems.
  • the position error prediction device predicts the probability distribution of the magnitude of the error of the position information in which the moving body is considered to exist, and the position error prediction device is a feature of the terrain at a certain point. Based on the prediction model showing the relationship between the terrain feature data showing the above and the probability distribution of the magnitude of the error at the point, and the terrain feature data at the prediction target point, the magnitude of the error at the prediction target point. It is provided with a prediction unit for predicting the probability distribution of.
  • the model creation device includes topographical feature data indicating the topographical features of a certain point and position information measured by the satellite positioning system obtained at the point multiple times from the satellite positioning system.
  • a data acquisition unit that acquires information indicating the magnitude of the error
  • a learning data creation unit that calculates a probability distribution of the magnitude of the error based on information indicating the magnitude of the error acquired a plurality of times.
  • a prediction model creation unit that creates a prediction model showing the relationship between the topography feature data and the probability distribution of the magnitude of the error based on the topography feature data and the probability distribution of the magnitude of the error.
  • the position error prediction method predicts the probability distribution of the magnitude of the error of the position information in which the moving body is considered to exist, and the position error prediction method is a feature of the terrain at a certain point. Based on the prediction model showing the relationship between the terrain feature data showing the above and the probability distribution of the magnitude of the error at the point, and the terrain feature data at the prediction target point, the magnitude of the error at the prediction target point. Predict the probability distribution of.
  • the model creation method includes topographical feature data indicating the topographical features of a certain point and position information measured by the satellite positioning system obtained at the point multiple times from the satellite positioning system.
  • Information indicating the magnitude of the error is acquired, and the probability distribution of the magnitude of the error is calculated based on the information indicating the magnitude of the error acquired a plurality of times, and the topographical feature data and the error are obtained.
  • a prediction model showing the relationship between the topographical feature data and the probability distribution of the magnitude of the error is created.
  • the program is a position error prediction method for predicting the probability distribution of the magnitude of the error of the position information in which the moving body is considered to exist in the computer, and the feature of the terrain at a certain point is detected. Based on the prediction model showing the relationship between the terrain feature data shown and the probability distribution of the magnitude of the error at the point, and the terrain feature data at the point to be predicted, the magnitude of the error at the point to be predicted is The process of predicting the probability distribution is executed.
  • the program uses a computer to obtain topographical feature data indicating the topographical features of a certain point and position information measured by the satellite positioning system at the point a plurality of times.
  • the information indicating the magnitude of the error and the information indicating the magnitude of the error are acquired, and the probability distribution of the magnitude of the error is calculated based on the information indicating the magnitude of the error acquired a plurality of times.
  • the process of creating a prediction model showing the relationship between the topographical feature data and the probability distribution of the magnitude of the error is executed.
  • position error prediction device position error prediction method and program
  • model creation device model creation method, and program described above, it is possible to create a prediction model that predicts the distribution of the magnitude of the position error in positioning using satellites.
  • FIG. 1A is a diagram showing an example of a position error prediction device according to the first embodiment of the present invention.
  • the position error prediction device 10 inputs the topographical feature data of a certain point, the position error prediction device 10 predicts the probability distribution of the magnitude of the position error provided by the satellite positioning system at that point.
  • the position error prediction device 10 includes a terrain feature data acquisition unit 11, a prediction unit 12, a storage unit 13, an output unit 14, and a learning unit 15.
  • the topographical feature data acquisition unit 11 acquires topographical feature data indicating the topographical features of a certain point, which is necessary for predicting the probability distribution of the magnitude of the positional error at that point.
  • the prediction unit 12 predicts the probability distribution of the magnitude of the position error based on the terrain feature data acquired by the terrain feature data acquisition unit 11 and the prediction model M.
  • the storage unit 13 stores the prediction model M and various data.
  • the output unit 14 outputs the prediction result by the prediction unit 12.
  • the learning unit 15 inputs the topographical feature data of a certain point, the learning unit 15 creates a prediction model M that outputs a probability distribution of the magnitude of the position error at that point.
  • the learning unit 15 includes a data acquisition unit 151, a learning data creation unit 152, and a model creation unit 153.
  • the data acquisition unit 151 acquires topographical feature data for learning, position information provided by the satellite positioning system, and the magnitude of the position error.
  • the learning data creation unit 152 calculates the path shape described later from the position information, and calculates the probability distribution of the size of the position error from the size of the position error.
  • the model creation unit 153 creates a prediction model M that predicts the probability distribution of the magnitude of the position error.
  • the learning unit 15 may be configured as a device independent of the position error prediction device 10.
  • FIG. 1B is a diagram showing an example of a position error prediction system according to the first embodiment of the present disclosure.
  • the position error prediction system 1 includes a position error prediction device 10'and a model creation device 150.
  • the position error prediction device 10'and the model creation device 150 may be communicably connected to each other.
  • the model creation device 150 includes a data acquisition unit 151, a learning data creation unit 152, and a model creation unit 153. The functions of each functional unit are as described with reference to FIG. 1A.
  • the model creation device 150 creates a prediction model M that predicts the probability distribution of the magnitude of the error of the position information provided by the satellite positioning system.
  • the position error prediction device 10 'acquires the prediction model M created by the model creation device 150, and stores the prediction model M in the storage unit 13.
  • the position error prediction device 10 illustrated in FIG. 1A will be described as an example, but even if the position error prediction system 1 is used, the prediction model M can be created by the same processing and the magnitude of the position error at an arbitrary point. It is possible to predict the probability distribution of.
  • the size of the position information and position error provided by satellite positioning systems such as GNSS is affected by the topography of that point.
  • the terrain is the presence or absence of buildings and trees at that point and their height. For example, when a high-rise building is built, it is difficult to receive signals from satellites, and the position error tends to be large.
  • the position information of a vehicle in addition to static features such as the presence or absence of a building, height, etc., the direction and speed at which the vehicle travels and the positional relationship with the building at that point are also included. Affects the magnitude of position error. From this point of view, the topographical feature data also includes the shape of the road and the traveling direction at that point.
  • FIGS. 2A to 2D are the first to fourth views for explaining the method of processing the map data in the present disclosure, respectively.
  • FIG. 2A shows an example of the target point P and the surrounding terrain.
  • the target point P is, for example, the current position of the vehicle.
  • With the target point P as the center for example, with reference to the north direction, buildings and the like existing in that direction are detected for each azimuth angle ⁇ .
  • the height of the building or the like is shown by shading, and the whiter the height, the higher the building or the like exists.
  • the high-rise building BH and the low-rise building LH2 exist at the position where the azimuth angle ⁇ indicated by the arrow A exists, and the low-rise building LH exists in the south direction.
  • the elevation angle ⁇ between the line connecting the apex of a building or the like and the target point P and the ground is calculated for each range of a predetermined azimuth angle ⁇ .
  • the elevation angle ⁇ formed by the horizon and the line connecting the target point P and the apex of the high-rise building BH is calculated.
  • the elevation angle ⁇ with the tallest building or the like existing in that range is calculated.
  • FIG. 2C shows the relationship between the azimuth angle ⁇ and the elevation angle ⁇ .
  • the vertical axis of the graph of FIG. 2C shows the elevation angle
  • the horizontal axis shows the azimuth angle.
  • L1 indicates the boundary elevation angle.
  • the lower part of the boundary elevation angle L1 indicates a space in which signals from satellites are shielded by a building or the like
  • the upper part of the boundary elevation angle L1 indicates a space in which there is no shielding.
  • the unshielded angle for each elevation angle ⁇ is shown.
  • the unshielded angle indicates the total of the range of the azimuth angle of 360 ° that is not shielded by a building or the like.
  • Lines 301, 302, and 303 in FIG. 2D indicate an unshielded range at an elevation angle of 30 °, that is, an upper range of the boundary elevation angle L1.
  • 190 means that the total of the unshielded ranges (lines 301, 302, 303) is 190 °. That is, at the target point P in FIG. 2A, the building or the like exists at a position where the elevation angle is 30 ° in the range of 170 ° (360-190) out of 360 °.
  • the unshielded range at an elevation angle of 30 ° is described as 190 °
  • the unshielded angle at an elevation angle of 30 ° is described as 190 °
  • the unshielded angle at an elevation angle of 45 ° (the total range of azimuths corresponding to lines 451 and 452) is 280 °
  • the unshielded angle at an elevation angle of 60 ° (the total range of azimuths corresponding to lines 601 and 602). Total) is 280 °.
  • the unshielded angle is 360 °. This means that there are no buildings or the like in any direction at a height where the elevation angle is 75 ° when viewed from the target point P.
  • the unshielded angle is related to the ease of receiving signals from satellites and the magnitude of position error. For example, the larger the unshielded angle, the easier it is to receive a signal from the satellite, and the smaller the position error tends to be. In the present disclosure, this unshielded angle is used to predict the probability distribution of the magnitude of the positional error.
  • the process of calculating the unshielded angle from the above three-dimensional map data may be performed by the user, or the position error prediction device 10 may have a function of executing the above process. Next, the parameters (terrain feature data) used for predicting the probability distribution of the magnitude of the position error will be described with reference to FIGS. 3A to 3C.
  • FIG. 3A shows the number of boundaries for each elevation angle ⁇ .
  • the number of boundaries indicates the boundary between the shielded portion and the unshielded portion.
  • Arrows 30A to 30D indicate boundaries at an elevation angle of 30 °.
  • the number of boundaries with an elevation angle of 30 ° is four.
  • Arrows 45A to 45B indicate boundaries at an elevation angle of 45 °
  • arrows 60A to 60B indicate boundaries at an elevation angle of 60 °.
  • the number of boundaries at elevation angles of 45 ° and 60 ° is two.
  • the number of boundaries is related to the number of buildings, etc. at each elevation angle.
  • the number of boundaries is used as a parameter that affects the reception status of the signal from the satellite, that is, the magnitude of the position error.
  • the graph shown in FIG. 3B shows the unshielded angle.
  • the unshielded angle has already been described with reference to FIG. 2D.
  • the unshielded angle for each elevation angle is further divided into eight equal parts for each azimuth angle range, and the unshielded angle in the azimuth angle range of 0 ° to 90 ° and the azimuth angle of 45 ° to 135 °.
  • Unshielded angle in the range of ° unshielded angle in the range of azimuth angle 90 ° to 180 °, unshielded angle in the range of azimuth angle 135 ° to 225 °, azimuth angle in the range of 180 ° to 270 ° It may be divided into an unshielded angle, an unshielded angle in the range of 225 ° to 315 °, an unshielded angle in the range of 270 ° to 0 °, and an unshielded angle in the range of 315 ° to 15 °.
  • an unshielded angle in the range of 225 ° to 315 ° an unshielded angle in the range of 270 ° to 0 °
  • an unshielded angle in the range of 315 ° to 15 ° for example, in the case of FIG.
  • the unshielded angle in the range of azimuth 0 ° to 90 ° at an elevation angle of 30 ° is 90 °
  • the unshielded angle in the range of azimuth angle 270 ° to 360 ° at an elevation angle of 30 ° is 30 °. ..
  • the unshielded angle for each elevation angle and each predetermined azimuth angle range is used as a parameter that affects the magnitude of the positional error.
  • the sum of the unshielded angles for each elevation angle described with reference to FIG. 2D may be used as a parameter that affects the magnitude of the position error.
  • FIG. 3C shows the traveling direction of the vehicle and the position information P1 to P5 during traveling.
  • the position information P1, P2, P3, P4, and P5 are, for example, the position information of the vehicle acquired from the map data in this order while the vehicle is traveling.
  • the position information P1 to P5 is obtained by referring to the map data before or after the travel, and acquiring the position information of the planned travel or the position information of the route actually traveled from the map data.
  • the satellite positioning system provides the case where the vehicle travels from the lower side of the paper through P1 to P5 and the case where the vehicle travels in the opposite direction from the right side of the paper.
  • the size of the location information provided is different.
  • the vector L31 indicating the traveling direction of the vehicle formed by connecting the position information P5 observed immediately before the target point P and the position information positioned at the target point P and the vector L31 observed before the target point P are observed.
  • Position information P1 or position information P1 observed in front of the target point P by a predetermined distance based on the mileage calculated based on the speed of the vehicle
  • position information measured at the target point P are set to the magnitude of the positional error. Used as an influential parameter.
  • the line L31 represents the latest traveling direction of the vehicle, and the line L32 represents the average traveling direction of the vehicle in the most recent predetermined period.
  • the cos ⁇ and the traveling direction of the vehicle are referred to as a path shape.
  • the traveling direction of the vehicle may be specified by, for example, the azimuth angle described with reference to FIG. 2A.
  • the above number of boundaries, unshielded angle, and path shape are used as topographical feature data indicating the topographical features of the target point P, and these are input parameters, and the probability distribution of the magnitude of the position error at the target point P is output.
  • learn the relationship between the two when the topographical feature data of an arbitrary point is input, a prediction model M for predicting the probability distribution of the magnitude of the positional error at that point is created.
  • the above number of boundaries and unshielded angle can be obtained by analyzing three-dimensional map data.
  • the path shape of the target point P can be obtained by actually analyzing the position information obtained from the satellite positioning system when the vehicle is actually driven on the target point P.
  • the data acquisition unit 151 of the learning unit 15 acquires the position information measured at the target point P, and the learning data creation unit 152 calculates the path shape.
  • FIG. 4 is a diagram for explaining the probability distribution of the error information of the present disclosure.
  • the position information P1, P2, P3, P4, P5, P positioned during the driving and the position error range information Q1 indicating the magnitude of the error of the position information are shown as illustrated in FIG. 4a.
  • Q2, Q3, Q4, Q5, Q are obtained.
  • Positional error range information Q1 and the like are indicated by broken line circles.
  • the position error range information Q1, Q2, Q3, Q4, Q5, and Q at that time can be obtained corresponding to the position information P1, P2, P3, P4, P5, and P.
  • the target point P is traveled N times and the position error is measured, and the magnitude of the position error for N times is recorded.
  • Graph 100a shows an example of the probability distribution of the magnitude of the position error at the target point P. The vertical axis of the graph 100a shows the probability, and the horizontal axis shows the magnitude of the position error.
  • the data acquisition unit 151 of the learning unit 15 acquires the magnitude of the position error measured a predetermined number of times (for example, 50 times) at the target point P.
  • the learning data creation unit 152 calculates the probability distribution of the magnitude of the positional error based on the magnitude of the acquired positional error.
  • FIG. 5 is a diagram illustrating the prediction model of the present disclosure.
  • the learning unit 15 inputs the input parameters (topographical feature data) described with reference to FIGS. 3A to 3C, the learning unit 15 obtains a probability distribution 100b of the magnitude of the position error based on the actually measured value calculated by the method described with reference to FIG.
  • the output prediction model M is created by using a regression method capable of multiple outputs such as a neural network.
  • FIG. 6 is a flowchart showing an example of the learning process according to the first embodiment of the present disclosure.
  • the data acquisition unit 151 acquires topographical feature data at a plurality of points (step S11).
  • the terrain feature data is the number of boundaries described in FIG. 3A and the unshielded angle described in FIG. 2D or FIG. 3B. Since it is preferable to have as much learning data as possible in order to create an accurate prediction model M, topographical feature data of each target point is acquired with points having various topographical features as target points.
  • the data acquisition unit 151 may acquire three-dimensional map data including information on a plurality of points, and the learning unit 15 may calculate the number of boundaries and the unshielded angle of each point from the map data.
  • the data acquisition unit 151 records all the target points in the storage unit 13 in association with each target point, the number of boundaries, and the unshielded angle.
  • the vehicle is driven a predetermined number of times or more at each of the plurality of target points, and the position information of the vehicle and the magnitude of the position error are obtained at predetermined time intervals in the travel path of the vehicle including the target points by using a satellite positioning system. measure.
  • the data acquisition unit 151 acquires the position information measured at each of the plurality of points a predetermined number of times or more and the magnitude of the position error (step S12).
  • the data acquisition unit 151 records all the target points in the storage unit 13 in association with each target point, the position information, and the magnitude of the position error.
  • the learning data creation unit 152 calculates the route shape of each point (step S13). As described with reference to FIG. 3C, the learning data creation unit 152 calculates the route shape (cos ⁇ and traveling direction in FIG. 3C) based on the latest traveling direction of the vehicle and the average traveling direction for each target point. .. The learning data creation unit 152 records all the target points in the storage unit 13 in association with each target point and the path shape.
  • the learning data creation unit 152 calculates the probability distribution of the magnitude of the position error at each point (step S14). As described with reference to FIG. 4, the learning data creation unit 152 calculates the probability distribution of the magnitude of the position error for each target point based on the magnitude of the position error measured more than a predetermined number of times at each target point. .. The learning data creation unit 152 records in the storage unit 13 in association with each target point and the probability distribution of the magnitude of the position error for all the target points.
  • the model creation unit 153 generates a prediction model M (step S15).
  • the model creation unit 153 reads out the number of boundaries for each target point, the unshielded angle, the path shape, and the probability distribution of the magnitude of the position error recorded in the storage unit 13 for each target point. For example, when 100 target points 1 to 100 are set, the model creation unit 153 selects some of the target points 1 to 100 and gives them to the prediction model M being trained. Then, for example, when the target point 1 is included in the selection, when the number of boundaries of the target point 1, the unshielded angle, and the path shape are input, the probability of the magnitude of the position error calculated for the target point 1 is obtained. Train the prediction model M to output the distribution. The same applies to the remaining selected target points.
  • the model creation unit 153 repeats the process of selecting some of the target points 1 to 100 and using these as training data to learn the prediction model M a predetermined number of times.
  • the prediction model M that outputs the probability distribution of the magnitude of the position error obtained at the point P.
  • FIG. 7 is a flowchart showing an example of the prediction process according to the first embodiment of the present disclosure.
  • the terrain feature data acquisition unit 11 acquires terrain feature data at a new point (step S21).
  • a new point is a point where the probability distribution of the magnitude of the positional error is unknown.
  • the terrain feature data acquisition unit 11 acquires the number of boundaries, the unshielded angle, and the path shape of the prediction target point. For example, the user calculates the number of boundaries and the unshielded angle by the method described with reference to FIGS. 2A to 2D and FIGS.
  • the terrain feature data acquisition unit 11 acquires the terrain feature data (number of boundaries, unshielded angle, path shape) input to the position error prediction device 10, and passes these to the prediction unit 12.
  • the prediction unit 12 predicts the distribution of the magnitude of the position error at the new point (step S22).
  • the prediction unit 12 inputs the number of boundaries, the unshielded angle, and the path shape into the trained prediction model M.
  • the prediction model M predicts the probability distribution of the magnitude of the position error.
  • the output unit 14 outputs the prediction result by the prediction model M (step S23). For example, the output unit 14 outputs a graph of the probability distribution such as the graph 100a in FIG. 4 and the graph 100b in FIG. 5 to a display or the like.
  • the satellite positioning system it is possible to obtain a probability distribution of the magnitude of the position error provided by the satellite positioning system at an arbitrary point. Therefore, for example, even when the failure rate is calculated based on the magnitude of the position error, the accuracy of the failure rate can be grasped.
  • the probability distribution of the magnitude of the positional error at that point can be obtained. Can be done.
  • FIG. 8A is a diagram showing an example of the position error prediction device according to the second embodiment of the present disclosure.
  • the position error prediction device 10A includes a terrain feature data acquisition unit 11, a prediction unit 12, a storage unit 13, an output unit 14, and a learning unit 15A. The description of the same configuration as that of the first embodiment will be omitted.
  • the learning unit 15A includes a data acquisition unit 151, a learning data creation unit 152, a model creation unit 153, and a learning data selection unit 154.
  • the model creation unit 153 repeats the process of selecting some of the plurality of target points and learning the prediction model M a predetermined number of times to obtain the accuracy of the prediction model M.
  • the learning data selection unit 154 classifies the probability distribution of the magnitude of the position error into groups having similar distributions when the prediction model M is trained. Then, in the process of selecting the target point, the learning data selection unit 154 selects the target point so that the ratio of the number of learning data selected from each group is substantially equal.
  • the model creation unit 153 creates a prediction model M using the probability distribution of the selected position error magnitude and the corresponding set of input data.
  • the learning unit 15A may be configured as a device independent of the position error prediction device 10.
  • FIG. 8B is a diagram showing an example of the position error prediction system according to the second embodiment of the present disclosure.
  • the position error prediction system 1A includes a position error prediction device 10'and a model creation device 150A.
  • the model creation device 150A includes a data acquisition unit 151, a learning data creation unit 152, a model creation unit 153, and a learning data selection unit 154. These functions are as described with reference to FIG. 8A.
  • the position error prediction device 10' is as described with reference to FIG. 1B.
  • a description will be given using the position error prediction device 10A illustrated in FIG. 8A as an example.
  • FIG. 9 is a diagram illustrating a learning data selection process according to the second embodiment of the present disclosure.
  • the number of data is adjusted so that the pattern of the probability distribution is not biased as shown in FIG.
  • the training data selection unit 154 selects 10 out of 1000 probability distributions similar to the graph 9a, 10 probability distributions similar to the graph 9b, and 8 probability distributions similar to the graph 9c, respectively. Select the terrain feature data corresponding to as the training data.
  • the model creation unit 153 trains the prediction model M using the selected training data. As a result, the prediction model M is created from the learning data without bias, and the prediction error (bias) is prevented.
  • FIG. 10 is a flowchart showing an example of the learning process according to the second embodiment of the present disclosure.
  • the data acquisition unit 151 acquires topographical feature data at a plurality of points (step S11).
  • the data acquisition unit 151 acquires the position information measured at each of the plurality of points a predetermined number of times or more and the magnitude of the position error (step S12).
  • the learning data creation unit 152 calculates the path shape of each point (step S13).
  • the learning data creation unit 152 calculates the probability distribution of the magnitude of the position error at each point (step S14).
  • the learning data selection unit 154 classifies the probability distribution of the magnitude of the position error (step S151).
  • the learning data selection unit 154 classifies, for example, those having similar peaks of the probability of position error into the same group.
  • the model creation unit 153 generates the prediction model M (step S152).
  • the learning data selection unit 154 selects the learning data from the classified group without bias. For example, when classified into group A and group B, the training data selection unit 154 selects 10 probability distributions each so that the ratio of the number of probability distributions selected from group A and group B is equal. Then, the topographical feature data corresponding to the selected probability distribution is read out from the storage unit 13.
  • the model creation unit 153 gives the selected topographical feature data and the probability distribution of the magnitude of the position error to the prediction model M for learning.
  • the learning data selection unit 154 selects the learning data without bias, and the model creation unit 153 repeats the process of training the prediction model M using the selected learning data, and the prediction model M is created.
  • the effect of improving the prediction accuracy can be obtained.
  • FIG. 11 is a diagram showing an example of the hardware configuration of the position error prediction device and the model creation device in each embodiment of the present disclosure.
  • the computer 900 is, for example, a PC (Personal Computer) including a CPU 901, a main storage device 902, an auxiliary storage device 903, an input / output interface 904, and a communication interface 905, a server terminal device, and the like.
  • the above-mentioned position error prediction devices 10, 10A and model creation devices 150, 150A are mounted on the computer 900.
  • the operation of each processing unit described above is stored in the auxiliary storage device 903 in the form of a program.
  • the CPU 901 reads the program from the auxiliary storage device 903, expands it to the main storage device 902, and executes the above processing according to the program.
  • the CPU 901 secures a storage area corresponding to the storage unit 13 in the main storage device 902 according to the program.
  • the CPU 901 secures a storage area for storing the data being processed in the auxiliary storage device 90
  • the auxiliary storage device 903 is an example of a non-temporary tangible medium.
  • Other examples of non-temporary tangible media include magnetic disks, magneto-optical disks, CD-ROMs, DVD-ROMs, semiconductor memories, etc., which are connected via the input / output interface 904.
  • the distributed computer 900 may expand the program to the main storage device 902 and execute the above processing.
  • the program may be for realizing a part of the above-mentioned functions.
  • the program may be a so-called difference file (difference program) that realizes the above-mentioned function in combination with another program already stored in the auxiliary storage device 903.
  • the number of boundaries, the unshielded angle, and the path shape are used as the input parameters for the prediction model M, but only one or two of these may be used.
  • the position error prediction devices 10 and 10A are position error prediction devices that predict the probability distribution of the magnitude of the error of the position information in which the moving body is considered to exist, and are the topography of a certain point. Based on the prediction model M showing the relationship between the terrain feature data showing the characteristics of the above point and the probability distribution of the magnitude of the error at the point, and the terrain feature data at the prediction target point, the error at the prediction target point. It is provided with a prediction unit 12 for predicting a probability distribution of the size of. As a result, it is possible to obtain a probability distribution of the magnitude of the error of the position information obtained from the satellite positioning system at an arbitrary point.
  • the position error prediction devices 10, 10A according to the second aspect are the position error prediction devices 10, 10A of (1), and the topographical feature data is the ground of the point above the point. It is a value indicating the size of the space without shielding from the satellite of the satellite positioning system for each reference angle of elevation.
  • the position error prediction devices 10, 10A according to the third aspect are the position error prediction devices 10, 10A of (1) to (2), and the topographical feature data is obtained in the sky above the point. It is a value indicating the number of boundaries between the unshielded space and the shielded space between the satellites of the satellite positioning system for each elevation angle with respect to the ground at the point.
  • the position error prediction devices 10 and 10A according to the fourth aspect are the position error prediction devices 10 and 10A of (1) to (3), and the topographical feature data is a moving object passing through the point. It is a predetermined feature amount based on the shape of the traveling path of the above and the traveling direction of the moving body.
  • the position error prediction devices 10 and 10A according to the fifth aspect are the position error prediction devices 10 and 10A of (1) to (4), and are the points having the topographical feature data and the topographical feature data. Further provided is a learning unit 15 that learns the relationship with the probability distribution calculated based on the magnitude of the plurality of errors measured in the above and creates the prediction model.
  • the position error prediction device 10A is the position error prediction device 10A of (5), and the learning unit 15 classifies the probability distributions into similar groups, and the group
  • the ratio of the number of the probability distributions selected from each is a ratio in a predetermined range that can be regarded as equal (for example, in the case of two groups, a range of 1: 1.5 to 1.5: 1 based on 1: 1). ),
  • the probability distribution is selected from each of the groups, and the prediction model is created based on the selected probability distribution and the topographical feature data corresponding to the probability distribution. As a result, it is possible to prevent a decrease in prediction accuracy due to a bias in the learning data.
  • the model creation devices 150 and 150A have terrain feature data indicating the features of the terrain at a certain point and position information measured by the satellite positioning system acquired from the satellite positioning system at the point.
  • a data acquisition unit 151 that acquires a plurality of information indicating the magnitude of the error
  • a learning data creation unit 152 that calculates a probability distribution of the magnitude of the error based on a plurality of information indicating the magnitude of the error.
  • a prediction model creation unit that creates a prediction model showing the relationship between the topography feature data and the probability distribution of the magnitude of the error based on the topography feature data and the probability distribution of the magnitude of the error.
  • a prediction model that outputs the probability distribution of the magnitude of the error of the position information obtained from the satellite positioning system at that point can be created.
  • the position error prediction method is a position error prediction method for predicting the probability distribution of the magnitude of the error of the position information in which a moving body is considered to exist, and describes the characteristics of the topography at a certain point. Based on the prediction model showing the relationship between the terrain feature data shown and the probability distribution of the magnitude of the error at the point, and the terrain feature data at the point to be predicted, the magnitude of the error at the point to be predicted Predict the probability distribution.
  • the program according to the tenth aspect is a position error prediction method for predicting the probability distribution of the magnitude of the error of the position information in which a moving body is considered to exist in a computer, and displays the characteristics of the terrain at a certain point. Based on the prediction model showing the relationship between the terrain feature data shown and the probability distribution of the magnitude of the error at the point, and the terrain feature data at the point to be predicted, the magnitude of the error at the point to be predicted is The process of predicting the probability distribution is executed.
  • the program according to the eleventh aspect is an error between the terrain feature data indicating the terrain features of a certain point and the position information measured by the satellite positioning system acquired from the satellite positioning system at the point on a computer.
  • a plurality of pieces of information indicating the magnitude are acquired, a probability distribution of the magnitude of the error is calculated based on the plurality of information indicating the magnitude of the error, and the topographical feature data and the magnitude of the error are calculated.
  • the process of creating a prediction model showing the relationship between the topographical feature data and the probability distribution of the magnitude of the error is executed.
  • Position error prediction system 10 Position error prediction device 11 Topographic feature data acquisition unit 12 Prediction unit 13 Storage unit 14 Output unit 15 Learning unit 150, 150A Model creation device 151 Data acquisition unit 152 Learning data creation unit 153 Model creation unit 900 Computer 901 CPU 902 Main storage device 903 Auxiliary storage device 904 Input / output interface 905 Communication interface

Abstract

移動体が存在すると考えられる位置情報の誤差の大きさの確率分布を予測する位置誤差予測装置は、地形の特徴を示す地形特徴データとその地形特徴データを有する地点における前記誤差の大きさの確率分布との関係を示す予測モデルと、予測対象地点の前記地形特徴データと、に基づいて、前記予測対象地点における前記誤差の大きさの確率分布を予測する予測部、を備える。

Description

位置誤差予測装置、モデル作成装置、位置誤差予測方法、モデル作成方法及びプログラム
　本発明は、位置誤差予測装置、モデル作成装置、位置誤差予測方法、モデル作成方法及びプログラムに関する。
　ＧＮＳＳなどの衛星測位システムを利用すると、位置情報と、その位置情報の誤差の大きさを示す情報（以下、位置誤差の大きさと記載する。）が得られる。例えば、道路Ａを走行している車両が、自車両の走行位置を衛星測位システムによって測位した場合、測位された位置情報の誤差の程度によっては、近くの道路Ｂを走行しているかのような結果が得られる可能性がある。走行する道路に応じて課金を行う場合、車両が走行する道路の誤認識は問題となる。衛星測位システムが提供する位置誤差の情報を利用して、走行中の道路を間違える確率（以下、失敗率と記載する。）を算出し、道路の誤認識に備える技術が提供されている。
　誤差の推定に関し、特許文献１には、気圧センサにより計測された気圧値に基づいて、その計測位置の高度を推定するときに、推定された高度の誤差を推定する技術が開示されている。
特開２０１７－９５１２号公報
　しかし、衛星測位システムが提供する位置誤差の大きさは、同じ地点であってもその時々により異なり、その値は、確率分布に従う。従って、例えば、あるときに得られた位置誤差の大きさから失敗率を算出しても信頼性の面で課題が残る。位置誤差の大きさ情報を用いて算出する情報（例えば、失敗率）の精度を高めるためには、位置誤差の大きさの確率分布を予測することが必要である。特許文献１には、位置誤差の大きさの確率分布を予測する方法については開示が無い。
　本開示は、上述の課題を解決することのできる位置誤差予測装置、モデル作成装置、位置誤差予測方法、モデル作成方法及びプログラムを提供する。
　本発明の一態様によれば、移動体が存在すると考えられる位置情報の誤差の大きさの確率分布を予測する位置誤差予測装置であって、前記位置誤差予測装置は、ある地点の地形の特徴を示す地形特徴データと前記地点における前記誤差の大きさの確率分布との関係を示す予測モデルと、予測対象地点の前記地形特徴データと、に基づいて、前記予測対象地点における前記誤差の大きさの確率分布を予測する予測部、を備える。
　本発明の一態様によれば、モデル作成装置は、ある地点の地形の特徴を示す地形特徴データと、前記地点で衛星測位システムから複数回取得した、前記衛星測位システムによって測位された位置情報の誤差の大きさを示す情報と、を取得するデータ取得部と、複数回取得された前記誤差の大きさを示す情報に基づいて、前記誤差の大きさの確率分布を算出する学習データ作成部と、前記地形特徴データと、前記誤差の大きさの確率分布と、に基づいて、前記地形特徴データと前記誤差の大きさの確率分布との関係を示す予測モデルを作成する予測モデル作成部と、を備える。
　本発明の一態様によれば、移動体が存在すると考えられる位置情報の誤差の大きさの確率分布を予測する位置誤差予測方法であって、前記位置誤差予測方法は、ある地点の地形の特徴を示す地形特徴データと前記地点における前記誤差の大きさの確率分布との関係を示す予測モデルと、予測対象地点の前記地形特徴データと、に基づいて、前記予測対象地点における前記誤差の大きさの確率分布を予測する。
　本発明の一態様によれば、モデル作成方法は、ある地点の地形の特徴を示す地形特徴データと、前記地点で衛星測位システムから複数回取得した、前記衛星測位システムによって測位された位置情報の誤差の大きさを示す情報と、を取得し、複数回取得された前記誤差の大きさを示す情報に基づいて、前記誤差の大きさの確率分布を算出し、前記地形特徴データと、前記誤差の大きさの確率分布と、に基づいて、前記地形特徴データと前記誤差の大きさの確率分布との関係を示す予測モデルを作成する。
　本発明の一態様によれば、プログラムは、コンピュータに、移動体が存在すると考えられる位置情報の誤差の大きさの確率分布を予測する位置誤差予測方法であって、ある地点の地形の特徴を示す地形特徴データと前記地点における前記誤差の大きさの確率分布との関係を示す予測モデルと、予測対象地点の前記地形特徴データと、に基づいて、前記予測対象地点における前記誤差の大きさの確率分布を予測する処理、を実行させる。
　本発明の一態様によれば、プログラムは、コンピュータに、ある地点の地形の特徴を示す地形特徴データと、前記地点で衛星測位システムから複数回取得した、前記衛星測位システムによって測位された位置情報の誤差の大きさを示す情報と、を取得し、複数回取得された前記誤差の大きさを示す情報に基づいて、前記誤差の大きさの確率分布を算出し、前記地形特徴データと、前記誤差の大きさの確率分布と、に基づいて、前記地形特徴データと前記誤差の大きさの確率分布との関係を示す予測モデルを作成する処理、を実行させる。
　上記した位置誤差予測装置、位置誤差予測方法及びプログラムによれば、衛星を利用した測位における位置誤差の大きさの分布を推定することができる。上記したモデル作成装置、モデル作成方法及びプログラムによれば、衛星を利用した測位における位置誤差の大きさの分布を予測する予測モデルを作成することができる。
本開示の第一実施形態における位置誤差予測装置の一例を示す図である。 本開示の第一実施形態における位置誤差予測システムの一例を示す図である。 本開示における地図データの処理方法について説明する第１の図である。 本開示における地図データの処理方法について説明する第２の図である。 本開示における地図データの処理方法について説明する第３の図である。 本開示における地図データの処理方法について説明する第４の図である。 本開示の地形特徴データについて説明する第１の図である。 本開示の地形特徴データにについて説明する第２の図である。 本開示の地形特徴データにについて説明する第３の図である。 本開示の誤差情報の確率分布について説明する図である。 本開示の予測モデルについて説明する図である。 本開示の第一実施形態における学習処理の一例を示すフローチャートである。 本開示の第一実施形態における予測処理の一例を示すフローチャートである。 本開示の第二実施形態における位置誤差予測装置の一例を示す図である。 本開示の第二実施形態における位置誤差予測システムの一例を示す図である。 本開示の第二実施形態における学習データの選択処理について説明する図である。 本開示の第二実施形態における学習処理の一例を示すフローチャートである。 本発明の各実施形態における位置誤差予測装置及びモデル作成装置のハードウェア構成の一例を示す図である。
＜第一実施形態＞
　以下、本発明の第一実施形態による位置誤差の大きさの確率分布の予測方法について図１Ａ～図７を参照して説明する。
（構成）
　図１Ａは、本発明の第一実施形態における位置誤差予測装置の一例を示す図である。位置誤差予測装置１０は、ある地点の地形特徴データを入力すると、その地点で衛星測位システムが提供する位置誤差の大きさの確率分布を予測する。図１に示すように位置誤差予測装置１０は、地形特徴データ取得部１１と、予測部１２と、記憶部１３と、出力部１４と、学習部１５と、を備える。
　地形特徴データ取得部１１は、ある地点での位置誤差の大きさの確率分布の予測に必要な、その地点の地形の特徴を示す地形特徴データを取得する。
　予測部１２は、地形特徴データ取得部１１が取得した地形特徴データと、予測モデルＭとに基づいて、位置誤差の大きさの確率分布を予測する。
　記憶部１３は、予測モデルＭや各種データを記憶する。
　出力部１４は、予測部１２による予測結果を出力する。
　学習部１５は、ある地点の地形特徴データを入力すると、その地点における位置誤差の大きさの確率分布を出力する予測モデルＭを作成する。学習部１５は、データ取得部１５１と、学習データ作成部１５２と、モデル作成部１５３とを備える。データ取得部１５１は、学習用の地形特徴データ、衛星測位システムが提供する位置情報、位置誤差の大きさを取得する。学習データ作成部１５２は、位置情報から後述する経路形状を算出し、位置誤差の大きさから位置誤差の大きさの確率分布を算出する。モデル作成部１５３は、位置誤差の大きさの確率分布を予測する予測モデルＭを作成する。
　学習部１５は、位置誤差予測装置１０と独立した装置として構成してもよい。図１Ｂに例を示す。図１Ｂは、本開示の第一実施形態における位置誤差予測システムの一例を示す図である。
　位置誤差予測システム１は、位置誤差予測装置１０´と、モデル作成装置１５０とを備える。位置誤差予測装置１０´とモデル作成装置１５０とは、通信可能に接続されていてもよい。位置誤差予測装置１０´は、地形特徴データ取得部１１と、予測部１２と、記憶部１３と、出力部１４と、を備える。モデル作成装置１５０は、データ取得部１５１と、学習データ作成部１５２と、モデル作成部１５３と、を備える。各機能部の機能については、図１Ａを用いて説明したとおりである。モデル作成装置１５０は、衛星測位システムが提供する位置情報の誤差の大きさの確率分布を予測する予測モデルＭを作成する。位置誤差予測装置１０´は、モデル作成装置１５０が作成した予測モデルＭを取得して、記憶部１３に予測モデルＭを記憶する。以下、図１Ａに例示する位置誤差予測装置１０を例に説明を行うが、位置誤差予測システム１を用いても、同様の処理によって予測モデルＭの作成や、任意の地点における位置誤差の大きさの確率分布の予測が可能である。
　ＧＮＳＳ等の衛星測位システムが提供する位置情報および位置誤差の大きさは、その地点の地形の影響を受ける。地形とは、その地点における建物、樹木の有無やその高さ等のことである。例えば、高層ビルが建っていると、衛星からの信号を受信しにくく、位置誤差は大きくなる傾向がある。また、車両の位置情報を対象とする場合には、建物等の有無、高さのような静的な特徴の他、その車両が走行する方向や速度と、その地点の建物との位置関係も位置誤差の大きさに影響を及ぼす。このような観点から、地形特徴データには、その地点における道路の形状、走行方向も含まれる。
（３次元地図データの処理）
　次に図２Ａ～図２Ｄを参照して、３次元の地図データから地形特徴データを算出する方法について説明を行う。図２Ａ～図２Ｄは、それぞれ、本開示における地図データの処理方法について説明する第１～第４の図である。
　図２Ａに対象地点Ｐと、その周囲の地形の一例を示す。対象地点Ｐとは、例えば、車両の現在位置である。対象地点Ｐを中心として、例えば、北方向を基準にして、方位角αごとにその方向に存在する建物等を検出していく。図２Ａでは、濃淡で建物等の高さを示しており、白くなるほど高い建物等が存在することを示している。例えば、矢印Ａで示す方位角がαの位置には高層建物ＢＨと低層建物ＬＨ２が存在し、南方向には低層建物ＬＨが存在する。
　図２Ｂに示すように、所定の方位角αの範囲ごとに、建物等の頂点と対象地点Ｐを結ぶ線と地面との間の仰角βを計算する。図２Ｂのように手前に高層建物ＢＨ、高層建物ＢＨの背後に低層建物ＢＬ２が存在する場合、対象地点Ｐと高層建物ＢＨの頂点を結ぶ線と地平線がなす仰角βを算出する。そして、方位角αの所定の範囲ごと（例えば、４５°の範囲ごと）にその範囲に存在する最も高い建物等との仰角βを算出する。
　図２Ｃに方位角αと仰角βの関係を示す。図２Ｃのグラフの縦軸は仰角、横軸は方位角を示す。Ｌ１は、境界仰角を示す。境界仰角Ｌ１の下部は、建物等により衛星からの信号が遮蔽される空間を示し、境界仰角Ｌ１の上部は、遮蔽が無いこと空間であることを示す。
　図２Ｄに示すグラフでは、仰角βごとの無遮蔽角度を示す。無遮蔽角度とは、方位角３６０°の範囲のうち、建物等による遮蔽が無い範囲の合計を示す。図２Ｄの線３０１、３０２、３０３は、仰角３０°において、無遮蔽である範囲、つまり境界仰角Ｌ１の上部の範囲を示す。１９０とは、無遮蔽の範囲（線３０１，３０２，３０３）の合計が１９０°であることを示す。つまり、図２Ａの対象地点Ｐにおいて、仰角３０°となる位置に建物等が存在するのは、３６０°のうちの１７０°（３６０－１９０）の範囲である。本開示では、仰角３０°にて無遮蔽となる範囲が１９０°であることを、仰角３０°の無遮蔽角度が１９０°と記載する。仰角４５°での無遮蔽角度（線４５１，４５２に対応する方位角の範囲の合計）は２８０°であり、仰角６０°での無遮蔽角度（線６０１，６０２に対応する方位角の範囲の合計）は２８０°である。また、仰角７５°では、無遮蔽角度（線７５１に対応する方位角の範囲の合計）は３６０°である。これは、対象地点Ｐからみて、仰角が７５°となる高さにはどの方向にも建物等が存在しないことを意味している。
　無遮蔽角度は、衛星からの信号の受信のしやすさ、位置誤差の大きさと関係する。例えば、無遮蔽角度が大きい程、衛星から信号を受信しやすく、位置誤差は小さくなる傾向がある。本開示では、この無遮蔽角度を、位置誤差の大きさの確率分布の予測に用いる。上記の３次元地図データから無遮蔽角度を算出するまでの処理は、ユーザが行ってもよいし、位置誤差予測装置１０が、上記処理を実行する機能を有していてもよい。
　次に位置誤差の大きさの確率分布の予測に用いるパラメータ（地形特徴データ）について、図３Ａ～図３Ｃを用いて説明する。
（地形特徴データ）
　図３Ａ～図３Ｃは、それぞれ、本開示の地形特徴データについて説明する第１～第３の図である。
　図３Ａに示すグラフでは、仰角βごとの境界数を示す。境界数とは、遮蔽部と無遮蔽部の境界を示す。矢印３０Ａ～３０Ｄは、仰角３０°における境界を示す。仰角３０°の境界数は４個である。矢印４５Ａ～４５Ｂは、仰角４５°における境界を示し、矢印６０Ａ～６０Ｂは、仰角６０°における境界を示す。仰角４５°、６０°における境界数は何れも２個である。境界数は、仰角ごとの建物等の数と関係する。無遮蔽角度が同じでも、境界数が異なれば、その仰角における建物等の数が異なる。例えば、北方向に大きなビルが１棟建てられている場合と、東西南北のそれぞれに小さなビルが１棟ずつ建てられている場合とでは、無遮蔽角度が同じでも衛星からの信号の受信のし易さが異なる可能性がある。従って、本開示では、境界数を、衛星からの信号の受信状況、つまり、位置誤差の大きさに影響を及ぼすパラメータとして用いる。
　図３Ｂに示すグラフでは、無遮蔽角度を示す。無遮蔽角度については、既に図２Ｄを用いて説明した。入力パラメータとして用いる場合、例えば、仰角ごとの無遮蔽角度を、さらに方位角の範囲別ごとに８等分し、方位角０°～９０°の範囲での無遮蔽角度、方位角４５°～１３５°の範囲での無遮蔽角度、方位角９０°～１８０°の範囲での無遮蔽角度、方位角１３５°～２２５°の範囲での無遮蔽角度、方位角１８０°～２７０°の範囲での無遮蔽角度、方位角２２５°～３１５°の範囲での無遮蔽角度、方位角２７０°～０°、方位角３１５°～１５°の範囲での無遮蔽角度に分割してもよい。例えば、図３Ｂの場合、仰角３０°における方位角０°～９０°の範囲の無遮蔽角度は９０°、仰角３０°における方位角２７０°～３６０°の範囲の無遮蔽角度は３０°である。本開示では、仰角ごと、所定の方位角範囲ごとの無遮蔽角度を、位置誤差の大きさに影響を及ぼすパラメータとして用いる。あるいは、図２Ｄを用いて説明した仰角ごとの無遮蔽角度の合計を、位置誤差の大きさに影響を及ぼすパラメータとして用いてもよい。
　図３Ｃに車両の走行方向と、走行中の位置情報Ｐ１～Ｐ５を示す。位置情報Ｐ１、Ｐ２、Ｐ３、Ｐ４、Ｐ５は、例えば、車両の走行中にこの順で地図データから取得した車両の位置情報である。あるいは、位置情報Ｐ１～Ｐ５は、走行前または走行後に地図データを参照して、走行予定の位置情報または実際に走行した経路の位置情報を地図データから取得したものである。例えば、同じ対象位置Ｐで測位する場合であっても、Ｐ１～Ｐ５を経て紙面の下側から走行してきた場合と、紙面の右側から逆方向に走行してきた場合とでは、衛星測位システムから提供される位置情報の大きさは異なる。そこで、本開示では、対象地点Ｐの１つ前に観測された位置情報Ｐ５と対象地点Ｐで測位された位置情報を結んでできる車両の走行方向を示すベクトルＬ３１と、所定個前に観測された位置情報Ｐ１（あるいは、車両の速度に基づいて算出された走行距離に基づいて、対象地点Ｐよりも所定の距離だけ手前で観測された位置情報Ｐ１）と対象地点Ｐで測位された位置情報を結んでできる車両の走行方向を示すベクトルＬ３２と、がなす角度θについて算出されるｃｏｓθおよび対象地点Ｐを通過するときの車両の走行方向（線Ｌ３１の矢印方向）を位置誤差の大きさに影響を及ぼすパラメータとして用いる。線Ｌ３１は車両の最新の走行方向、線Ｌ３２は直近の所定期間における車両の平均走行方向を表す。ｃｏｓθおよび車両の走行方向（線Ｌ３１の方向）を経路形状と呼ぶ。車両の走行方向は、例えば、図２Ａで説明した方位角で指定してもよい。
　本実施形態では、上記の境界数、無遮蔽角度、経路形状を対象地点Ｐの地形の特徴を示す地形特徴データとして、これらを入力パラメータ、対象地点Ｐにおける位置誤差の大きさの確率分布を出力として、両者の関係を学習する。そして、任意の地点の地形特徴データを入力すると、その地点における位置誤差の大きさの確率分布を予測する予測モデルＭを作成する。上記の境界数、無遮蔽角度については、３次元地図データを解析することによって得ることができる。対象地点Ｐの経路形状については、実際に車両を、対象地点Ｐを走行させるときに衛星測位システムから得た位置情報を解析することによって得ることができる。学習部１５のデータ取得部１５１は、対象地点Ｐで計測された位置情報を取得して、学習データ作成部１５２は、経路形状を算出する。
　図４は、本開示の誤差情報の確率分布について説明する図である。
　実際に車両を走行させると、図４ａに例示するように走行中に測位した位置情報Ｐ１、Ｐ２、Ｐ３、Ｐ４、Ｐ５、Ｐと、その位置情報の誤差の大きさを表す位置誤差範囲情報Ｑ１、Ｑ２、Ｑ３、Ｑ４、Ｑ５、Ｑが得られる。位置誤差範囲情報Ｑ１等を破線の丸印で示す。車両の走行を何度も繰り返すと、位置情報Ｐ１、Ｐ２、Ｐ３、Ｐ４、Ｐ５、Ｐに対応して、その時々の位置誤差範囲情報Ｑ１、Ｑ２、Ｑ３、Ｑ４、Ｑ５、Ｑが得られる。例えば、対象地点ＰについてＮ回の走行および位置誤差の計測を行い、Ｎ回分の位置誤差の大きさを記録する。この情報から対象地点Ｐにおける位置誤差の大きさの確率分布を算出することができる。例えば、Ｎ＝１０回、位置誤差の情報として、位置誤差の大きさｘ１が３回、ｘ２が２回、ｘ３が５回、計測されたとすると、位置誤差の大きさがｘ１となる確率が３０％、ｘ２となる確率が２０％、ｘ３となる確率が５０％という確率分布が得られる。グラフ１００ａに、対象地点Ｐにおける位置誤差の大きさの確率分布の一例を示す。グラフ１００ａの縦軸は確率、横軸は位置誤差の大きさを示す。学習部１５のデータ取得部１５１は、対象地点Ｐで所定回数（例えば、５０回）計測された位置誤差の大きさを取得する。学習データ作成部１５２は、取得された位置誤差の大きさに基づいて、位置誤差の大きさの確率分布を算出する。
　図５は、本開示の予測モデルについて説明する図である。
　学習部１５は、図３Ａ～図３Ｃで説明した入力パラメータ（地形特徴データ）を入力すると、図４を用いて説明した方法で算出された実測値に基づく位置誤差の大きさの確率分布１００ｂを出力する予測モデルＭを、ニューラルネットワークなどの多出力可能な回帰手法を用いて作成する。
　次に予測モデルＭの作成処理について説明する。
　図６は、本開示の第一実施形態における学習処理の一例を示すフローチャートである。
　まず、データ取得部１５１が、複数地点の地形特徴データを取得する（ステップＳ１１）。地形特徴データとは、図３Ａで説明した境界数、図２Ｄ又は図３Ｂで説明した無遮蔽角度である。精度の良い予測モデルＭの作成には、なるべく多くの学習データがあった方が好ましいので、様々な地形の特徴を有する地点を対象地点として、各対象地点の地形特徴データを取得する。なお、データ取得部１５１が、複数地点の情報が含まれる３次元の地図データを取得して、学習部１５が、この地図データから各地点の境界数と無遮蔽角度を算出してもよい。データ取得部１５１は、全ての対象地点について、それぞれの対象地点と境界数と無遮蔽角度とを対応付けて記憶部１３に記録する。
　次に、複数の対象地点のそれぞれで所定回数以上車両を走行させ、対象地点を含む車両の走行経路において所定の時間間隔で車両の位置情報、位置誤差の大きさを、衛星測位システムを用いて計測する。データ取得部１５１は、複数地点のそれぞれで所定回数以上計測された位置情報と位置誤差の大きさを取得する（ステップＳ１２）。データ取得部１５１は、全ての対象地点について、それぞれの対象地点と位置情報と位置誤差の大きさとを対応付けて記憶部１３に記録する。
　次に学習データ作成部１５２は、各地点の経路形状を算出する（ステップＳ１３）。図３Ｃを用いて説明したように学習データ作成部１５２は、各対象地点について、車両の最新の走行方向と、平均走行方向とに基づいて経路形状（図３Ｃのｃｏｓθと走行方向）を算出する。学習データ作成部１５２は、全ての対象地点について、それぞれの対象地点と経路形状とを対応付けて記憶部１３に記録する。
　次に学習データ作成部１５２は、各地点の位置誤差の大きさの確率分布を算出する（ステップＳ１４）。図４を用いて説明したように学習データ作成部１５２は、各対象地点において所定回数以上計測された位置誤差の大きさに基づいて、対象地点ごとに位置誤差の大きさの確率分布を算出する。学習データ作成部１５２は、全ての対象地点について、それぞれの対象地点と位置誤差の大きさの確率分布とを対応付けて記憶部１３に記録する。
　次にモデル作成部１５３は、予測モデルＭを生成する（ステップＳ１５）。モデル作成部１５３は、記憶部１３に記録された対象地点別の境界数と、無遮蔽角度と、経路形状と、位置誤差の大きさの確率分布と、を対象地点ごとに読み出す。例えば、対象地点１～１００の１００ヶ所設定されている場合、モデル作成部１５３は、対象地点１～１００のうちのいくつかを選択して、これらを学習中の予測モデルＭに与える。そして、例えば、選択された中に対象地点１が含まれている場合、対象地点１の境界数、無遮蔽角度および経路形状を入力すると、対象地点１について算出された位置誤差の大きさの確率分布を出力するように予測モデルＭを訓練する。選択された残りの対象地点についても同様である。モデル作成部１５３は、対象地点１～１００の中から幾つかを選択してこれらを学習データとして、予測モデルＭの学習を行うという処理を所定回数だけ繰り返し行う。これにより、境界数、無遮蔽角度、経路形状という地点Ｐの地形特徴データを入力すると、地点Ｐで得られる位置誤差の大きさの確率分布を出力する予測モデルＭを作成することができる。
　次に図６の処理で作成された予測モデルＭに基づいて、任意の地点で衛星測位システムから得られる位置誤差分布情報を予測する処理について説明する。
　図７は、本開示の第一実施形態における予測処理の一例を示すフローチャートである。
　まず、地形特徴データ取得部１１が、新たな地点の地形特徴データを取得する(ステップＳ２１)。新たな地点とは、位置誤差の大きさの確率分布が未知な地点である。地形特徴データ取得部１１は、予測対象地点の境界数、無遮蔽角度および経路形状を取得する。例えば、ユーザが、予測対象地点を含む３次元の地図データに基づいて、図２Ａ～図２Ｄ、図３Ａ～図３Ｂを用いて説明した方法で、境界数、無遮蔽角度を算出し、これらを位置誤差予測装置１０へ入力する。また、経路形状については、ユーザが、予測対象地点での車両の走行方向、速度の想定値と、地図データ上の予測対象地点の道路の形状に基づいて、経路形状（ｃｏｓθと走行方向）を算出し、この値を位置誤差予測装置１０へ入力する。地形特徴データ取得部１１は、位置誤差予測装置１０へ入力された地形特徴データ（境界数、無遮蔽角度、経路形状）を取得し、これらを予測部１２へ渡す。
　予測部１２は、新たな地点における位置誤差の大きさの分布を予測する(ステップＳ２２)。予測部１２は、境界数、無遮蔽角度、経路形状を学習済みの予測モデルＭへ入力する。予測モデルＭは、位置誤差の大きさの確率分布を予測する。次に出力部１４は、予測モデルＭによる予測結果を出力する(ステップＳ２３)。例えば、出力部１４は、図４のグラフ１００ａ、図５のグラフ１００ｂのような確率分布のグラフをディスプレイ等に出力する。
　本実施形態によれば、任意の地点で衛星測位システムから提供される位置誤差の大きさの確率分布を得ることができる。従って、例えば、位置誤差の大きさに基づいて失敗率を算出する場合でも、その失敗率の精度を把握することができる。また、対象地点の地形特徴データが分かれば、その地点の位置誤差の大きさの確率分布を得ることができるので、初めて走行する道路についても事前に位置誤差の大きさの確率分布を予測することができる。
＜第二実施形態＞
　次に図８Ａ～図１０を参照して、第二実施形態における位置誤差の大きさの確率分布の予測処理について説明する。
　図８Ａは、本開示の第二実施形態における位置誤差予測装置の一例を示す図である。位置誤差予測装置１０Ａは、地形特徴データ取得部１１と、予測部１２と、記憶部１３と、出力部１４と、学習部１５Ａと、を備える。第一実施形態と同様の構成については説明を省略する。
　学習部１５Ａは、データ取得部１５１と、学習データ作成部１５２と、モデル作成部１５３と、学習データ選択部１５４と、を備える。図６を用いて説明したように、モデル作成部１５３は、複数の対象地点のうちのいくつかを選択して、予測モデルＭの学習を行うという処理を所定回数繰り返して、予測モデルＭの精度を高めていく。学習データ選択部１５４は、予測モデルＭの学習時に、位置誤差の大きさの確率分布を、分布が類似するグループごとに分類する。そして、学習データ選択部１５４は、対象地点を選択する処理において、各グループから選択される学習データの数の比率がほぼ均等となるように対象地点を選択する。モデル作成部１５３は、選択された位置誤差の大きさの確率分布とそれに対応する入力データの組みを用いて予測モデルＭを作成する。
　学習部１５Ａは、位置誤差予測装置１０と独立した装置として構成してもよい。図８Ｂに例を示す。図８Ｂは、本開示の第二実施形態における位置誤差予測システムの一例を示す図である。位置誤差予測システム１Ａは、位置誤差予測装置１０´と、モデル作成装置１５０Ａとを備える。モデル作成装置１５０Ａは、データ取得部１５１と、学習データ作成部１５２と、モデル作成部１５３と、学習データ選択部１５４と、を備える。これらの機能については、図８Ａを用いて説明したとおりである。位置誤差予測装置１０´については、図１Ｂを用いて説明したとおりである。以下、図８Ａに例示する位置誤差予測装置１０Ａを例に説明を行う。
　図９は、本開示の第二実施形態における学習データの選択処理について説明する図である。
　位置誤差の大きさの分布は異なる地点で同じ、あるいは、近い分布となることがある。例えば、地形の特徴が異なる複数の地点で位置誤差の大きさを所定回数計測した結果、グラフ９ａに類似する確率分布が１０００個、グラフ９ｂに類似する確率分布が１０個、グラフ９ｃに類似する確率分布が８個得られるようなことがあり得る。（位置誤差の大きさ＝０付近の確率が高いグラフ９ａのような結果は、多くの地点で比較的多く得られる。）これらのデータの中から任意に学習データを選択して、予測モデルＭの学習を行うという処理を繰り返すと、選択される学習データが、グラフ９ａに類似するデータに偏り、どのような地形特徴データを与えてもグラフ９ａに類似する確率分布の予測を行う予測モデルＭが作成される。このような事態を防ぐために第二実施形態では、図９に示すように確率分布のパターンに偏りがなくなるようにデータ数を調整する。例えば、学習データ選択部１５４は、グラフ９ａに類似する確率分布が１０００個の中から１０個を選択して、グラフ９ｂに類似する確率分布１０個、グラフ９ｃに類似する確率分布８個とそれぞれに対応する地形特徴データを学習データとして選択する。モデル作成部１５３は選択された学習データを用いて、予測モデルＭの学習を行う。これにより、偏りのない学習データによって予測モデルＭを作成し、予測の誤り（偏り）を防止する。
　次に第二実施形態における予測モデルＭの作成処理について説明する。
　図１０は、本開示の第二実施形態における学習処理の一例を示すフローチャートである。第一実施形態と同様の処理については簡単に説明する。
　まず、データ取得部１５１が、複数地点の地形特徴データを取得する（ステップＳ１１）。次にデータ取得部１５１は、複数地点のそれぞれで所定回数以上計測された位置情報と位置誤差の大きさを取得する（ステップＳ１２）。次に学習データ作成部１５２は、各地点の経路形状を算出する（ステップＳ１３）。次に学習データ作成部１５２は、各地点の位置誤差の大きさの確率分布を算出する（ステップＳ１４）。
　次に学習データ選択部１５４は、位置誤差の大きさの確率分布を分類する(ステップＳ１５１)。学習データ選択部１５４は、例えば、位置誤差の確率のピークが類似するもの同士を同じグループに分類する。
　次にモデル作成部１５３が、予測モデルＭを生成する（ステップＳ１５２）。このとき、学習データ選択部１５４は、分類後のグループから偏りなく学習データを選択する。例えば、グループＡとグループＢに分類された場合、学習データ選択部１５４は、グループＡとグループＢから選択される確率分布の数の比率が均等となるように、それぞれ１０個の確率分布を選択し、選択した確率分布に対応する地形特徴データを記憶部１３から読み出す。モデル作成部１５３は、選択された地形特徴データおよび位置誤差の大きさの確率分布を予測モデルＭに与えて学習を行う。学習データ選択部１５４が、偏りなく学習データを選択し、モデル作成部１５３が、選択された学習データを用いて予測モデルＭを訓練するという処理を繰り返し行い、予測モデルＭが作成される。
　本実施形態によれば、第一実施形態の効果に加え、予測精度を向上する効果が得られる。
　図１１は、本開示の各実施形態における位置誤差予測装置及びモデル作成装置のハードウェア構成の一例を示す図である。
　コンピュータ９００は、ＣＰＵ９０１、主記憶装置９０２、補助記憶装置９０３、入出力インタフェース９０４、通信インタフェース９０５を備える例えばＰＣ（Personal Computer）、サーバ端末装置などである。上述の位置誤差予測装置１０，１０Ａ、モデル作成装置１５０，１５０Ａは、コンピュータ９００に実装される。そして、上述した各処理部の動作は、プログラムの形式で補助記憶装置９０３に記憶されている。ＣＰＵ９０１は、プログラムを補助記憶装置９０３から読み出して主記憶装置９０２に展開し、当該プログラムに従って上記処理を実行する。ＣＰＵ９０１は、プログラムに従って、記憶部１３に対応する記憶領域を主記憶装置９０２に確保する。ＣＰＵ９０１は、プログラムに従って、処理中のデータを記憶する記憶領域を補助記憶装置９０３に確保する。
　少なくとも１つの実施形態において、補助記憶装置９０３は、一時的でない有形の媒体の一例である。一時的でない有形の媒体の他の例としては、入出力インタフェース９０４を介して接続される磁気ディスク、光磁気ディスク、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、半導体メモリ等が挙げられる。このプログラムが通信回線によってコンピュータ９００に配信される場合、配信を受けたコンピュータ９００が当該プログラムを主記憶装置９０２に展開し、上記処理を実行しても良い。当該プログラムは、前述した機能の一部を実現するためのものであっても良い。さらに、当該プログラムは、前述した機能を補助記憶装置９０３に既に記憶されている他のプログラムとの組み合わせで実現するもの、いわゆる差分ファイル（差分プログラム）であっても良い。
　その他、本発明の趣旨を逸脱しない範囲で、上記した実施の形態における構成要素を周知の構成要素に置き換えることは適宜可能である。この発明の技術範囲は上記の実施形態に限られるものではなく、本発明の趣旨を逸脱しない範囲において種々の変更を加えることが可能である。
　例えば、実施形態では、予測モデルＭに対する入力パラメータとして、境界数、無遮蔽角度、経路形状の３つを用いることとしたが、これらのうちの１つ、又は２つのみを用いてもよい。
＜付記＞
　実施形態に記載の位置誤差予測装置１０，１０Ａ、位置誤差予測方法およびプログラムは、例えば以下のように把握される。
（１）第１の態様に係る位置誤差予測装置１０，１０Ａは、移動体が存在すると考えられる位置情報の誤差の大きさの確率分布を予測する位置誤差予測装置であって、ある地点の地形の特徴を示す地形特徴データと前記地点における前記誤差の大きさの確率分布との関係を示す予測モデルＭと、予測対象地点の前記地形特徴データと、に基づいて、前記予測対象地点における前記誤差の大きさの確率分布を予測する予測部１２、を備える。
　これにより、任意の地点において衛星測位システムから得られる位置情報の誤差の大きさの確率分布を得ることができる。
（２）第２の態様に係る位置誤差予測装置１０，１０Ａは、（１）の位置誤差予測装置１０，１０Ａであって、前記地形特徴データは、前記地点の上空において、当該地点の地面を基準とした仰角ごとの衛星測位システムの衛星との間に遮蔽がない空間の大きさを示す値である。
（３）第３の態様に係る位置誤差予測装置１０，１０Ａは、（１）～（２）の位置誤差予測装置１０，１０Ａであって、前記地形特徴データは、前記地点の上空において、当該地点の地面を基準とした仰角ごとの、衛星測位システムの衛星との間に遮蔽がない空間と遮蔽がある空間との境界の数を示す値である。
（４）第４の態様に係る位置誤差予測装置１０，１０Ａは、（１）～（３）の位置誤差予測装置１０，１０Ａであって、前記地形特徴データは、前記地点を通過する移動体の走行経路の形状に基づく所定の特徴量と前記移動体の走行方向である。
（５）第５の態様に係る位置誤差予測装置１０，１０Ａは、（１）～（４）の位置誤差予測装置１０，１０Ａであって、前記地形特徴データと、その地形特徴データを有する地点で計測された複数の前記誤差の大きさに基づいて算出された前記確率分布と、の関係を学習して、前記予測モデルを作成する学習部１５、を更に備える。
（６）第６の態様に係る位置誤差予測装置１０Ａは、（５）の位置誤差予測装置１０Ａであって、前記学習部１５は、前記確率分布を類似するグループごとに分類し、前記グループの各々から選択される前記確率分布の数の比率が、均等とみなせる所定の範囲の比率（例えば、グループが２つの場合、１：１を基準に１：１．５～１．５：１の範囲）となるように、前記グループの各々から前記確率分布を選択し、選択した前記確率分布と、その前記確率分布に対応する前記地形特徴データに基づいて前記予測モデルを作成する。
　これにより、学習データの偏りによる予測精度の低下を防止することができる。
（７）第７の態様に係るモデル作成装置１５０、１５０Ａは、ある地点の地形の特徴を示す地形特徴データと、前記地点で衛星測位システムから取得した前記衛星測位システムによって測位された位置情報の誤差の大きさを示す情報を複数と、を取得するデータ取得部１５１と、複数の前記誤差の大きさを示す情報に基づいて、前記誤差の大きさの確率分布を算出する学習データ作成部１５２と、前記地形特徴データと、前記誤差の大きさの確率分布と、に基づいて、前記地形特徴データと前記誤差の大きさの確率分布との関係を示す予測モデルを作成する予測モデル作成部１５３と、を備える。
　これにより、任意の地点の地形特徴データを入力すると、その地点で衛星測位システムから得られる位置情報の誤差の大きさの確率分布を出力する予測モデルを作成することができる。
（８）第８の態様に係る位置誤差予測方法は、移動体が存在すると考えられる位置情報の誤差の大きさの確率分布を予測する位置誤差予測方法であって、ある地点の地形の特徴を示す地形特徴データと前記地点における前記誤差の大きさの確率分布との関係を示す予測モデルと、予測対象地点の前記地形特徴データと、に基づいて、前記予測対象地点における前記誤差の大きさの確率分布を予測する。
（９）第９の態様に係るモデル作成方法は、ある地点の地形の特徴を示す地形特徴データと、前記地点で衛星測位システムから取得した前記衛星測位システムによって測位された位置情報の誤差の大きさを示す情報を複数と、を取得し、複数の前記誤差の大きさを示す情報に基づいて、前記誤差の大きさの確率分布を算出し、前記地形特徴データと、前記誤差の大きさの確率分布と、に基づいて、前記地形特徴データと前記誤差の大きさの確率分布との関係を示す予測モデルを作成する。
（１０）第１０の態様に係るプログラムは、コンピュータに、移動体が存在すると考えられる位置情報の誤差の大きさの確率分布を予測する位置誤差予測方法であって、ある地点の地形の特徴を示す地形特徴データと前記地点における前記誤差の大きさの確率分布との関係を示す予測モデルと、予測対象地点の前記地形特徴データと、に基づいて、前記予測対象地点における前記誤差の大きさの確率分布を予測する処理、を実行させる。
（１１）第１１の態様に係るプログラムは、コンピュータに、ある地点の地形の特徴を示す地形特徴データと、前記地点で衛星測位システムから取得した前記衛星測位システムによって測位された位置情報の誤差の大きさを示す情報を複数と、を取得し、複数の前記誤差の大きさを示す情報に基づいて、前記誤差の大きさの確率分布を算出し、前記地形特徴データと、前記誤差の大きさの確率分布と、に基づいて、前記地形特徴データと前記誤差の大きさの確率分布との関係を示す予測モデルを作成する処理、を実行させる。
　上記した位置誤差予測装置、誤差予測方法及びプログラムによれば、衛星を利用した測位における測位された位置誤差の大きさの分布を推定することができる。上記したモデル作成装置、モデル作成方法及びプログラムによれば、衛星を利用した測位における位置誤差の大きさの分布を予測する予測モデルを作成することができる。
１　　　　位置誤差予測システム
１０　　　位置誤差予測装置
１１　　　地形特徴データ取得部
１２　　　予測部
１３　　　記憶部
１４　　　出力部
１５　　　学習部
１５０、１５０Ａ　　　モデル作成装置
１５１　　　データ取得部
１５２　　　学習データ作成部
１５３　　　モデル作成部
９００　　　コンピュータ
９０１　　　ＣＰＵ
９０２　　　主記憶装置
９０３　　　補助記憶装置
９０４　　　入出力インタフェース
９０５　　　通信インタフェース

Claims (11)

  1. 　移動体が存在すると考えられる位置情報の誤差の大きさの確率分布を予測する位置誤差予測装置であって、
    　ある地点の地形の特徴を示す地形特徴データと前記地点における前記誤差の大きさの確率分布との関係を示す予測モデルと、予測対象地点の前記地形特徴データと、に基づいて、前記予測対象地点における前記誤差の大きさの確率分布を予測する予測部、
    　を備える位置誤差予測装置。
  2. 　前記地形特徴データは、前記地点の上空において、当該地点の地面を基準とした仰角ごとの衛星測位システムの衛星との間に遮蔽がない空間の大きさを示す値である、
    　請求項１に記載の位置誤差予測装置。
  3. 　前記地形特徴データは、前記地点の上空において、当該地点の地面を基準とした仰角ごとの、衛星測位システムの衛星との間に遮蔽がない空間と遮蔽がある空間との境界の数を示す値である、
    　請求項１または請求項２に記載の位置誤差予測装置。
  4. 　前記地形特徴データは、前記地点を通過する移動体の走行経路の形状に基づく所定の特徴量と前記移動体の走行方向である、
    　請求項１から請求項３の何れか１項に記載の位置誤差予測装置。
  5. 　前記地形特徴データと、その地形特徴データを有する地点で計測された複数の前記誤差の大きさに基づいて算出された前記確率分布と、の関係を学習して、前記予測モデルを作成する学習部、
    　を更に備える請求項１から請求項４の何れか１項に記載の位置誤差予測装置。
  6. 　前記学習部は、前記確率分布を類似するグループごとに分類し、前記グループの各々から選択される前記確率分布の数の比率が、均等とみなせる所定の範囲の比率となるように、前記グループの各々から前記確率分布を選択し、選択した前記確率分布と、その前記確率分布に対応する前記地形特徴データに基づいて、前記予測モデルを作成する、請求項５に記載の位置誤差予測装置。
  7. 　ある地点の地形の特徴を示す地形特徴データと、前記地点で衛星測位システムから取得した前記衛星測位システムによって測位された位置情報の誤差の大きさを示す情報を複数と、を取得するデータ取得部と、
    　複数の前記誤差の大きさを示す情報に基づいて、前記誤差の大きさの確率分布を算出する学習データ作成部と、
    　前記地形特徴データと、前記誤差の大きさの確率分布と、に基づいて、前記地形特徴データと前記誤差の大きさの確率分布との関係を示す予測モデルを作成する予測モデル作成部と、
    　を備えるモデル作成装置。
  8. 　移動体が存在すると考えられる位置情報の誤差の大きさの確率分布を予測する位置誤差予測方法であって、
    　ある地点の地形の特徴を示す地形特徴データと前記地点における前記誤差の大きさの確率分布との関係を示す予測モデルと、予測対象地点の前記地形特徴データと、に基づいて、前記予測対象地点における前記誤差の大きさの確率分布を予測する、
    　位置誤差予測方法。
  9. 　ある地点の地形の特徴を示す地形特徴データと、前記地点で衛星測位システムから取得した前記衛星測位システムによって測位された位置情報の誤差の大きさを示す情報を複数と、を取得し、
    　複数の前記誤差の大きさを示す情報に基づいて、前記誤差の大きさの確率分布を算出し、
    　前記地形特徴データと、前記誤差の大きさの確率分布と、に基づいて、前記地形特徴データと前記誤差の大きさの確率分布との関係を示す予測モデルを作成する、モデル作成方法。
  10. 　コンピュータに、
    　移動体が存在すると考えられる位置情報の誤差の大きさの確率分布を予測する位置誤差予測方法であって、
    　ある地点の地形の特徴を示す地形特徴データと前記地点における前記誤差の大きさの確率分布との関係を示す予測モデルと、予測対象地点の前記地形特徴データと、に基づいて、前記予測対象地点における前記誤差の大きさの確率分布を予測する処理、
    　を実行させるプログラム。
  11. 　コンピュータに、
    　ある地点の地形の特徴を示す地形特徴データと、前記地点で衛星測位システムから取得した前記衛星測位システムによって測位された位置情報の誤差の大きさを示す情報を複数と、を取得し、
    　複数の前記誤差の大きさを示す情報に基づいて、前記誤差の大きさの確率分布を算出し、
    　前記地形特徴データと、前記誤差の大きさの確率分布と、に基づいて、前記地形特徴データと前記誤差の大きさの確率分布との関係を示す予測モデルを作成する処理、を実行させるプログラム。
PCT/JP2020/013290 2020-03-25 2020-03-25 位置誤差予測装置、モデル作成装置、位置誤差予測方法、モデル作成方法及びプログラム WO2021192082A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/JP2020/013290 WO2021192082A1 (ja) 2020-03-25 2020-03-25 位置誤差予測装置、モデル作成装置、位置誤差予測方法、モデル作成方法及びプログラム
JP2022509872A JP7317212B2 (ja) 2020-03-25 2020-03-25 位置誤差予測装置、モデル作成装置、位置誤差予測方法、モデル作成方法及びプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/013290 WO2021192082A1 (ja) 2020-03-25 2020-03-25 位置誤差予測装置、モデル作成装置、位置誤差予測方法、モデル作成方法及びプログラム

Publications (1)

Publication Number Publication Date
WO2021192082A1 true WO2021192082A1 (ja) 2021-09-30

Family

ID=77891158

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/013290 WO2021192082A1 (ja) 2020-03-25 2020-03-25 位置誤差予測装置、モデル作成装置、位置誤差予測方法、モデル作成方法及びプログラム

Country Status (2)

Country Link
JP (1) JP7317212B2 (ja)
WO (1) WO2021192082A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050010365A1 (en) * 2001-08-02 2005-01-13 Lee Chapman Road weather prediction system and method
JP2007003287A (ja) * 2005-06-22 2007-01-11 Nissan Motor Co Ltd Ｇｐｓロストの予測方法、ｇｐｓロストの予測装置及び車両用走行制御装置
JP2012220371A (ja) * 2011-04-11 2012-11-12 Seiko Epson Corp 位置算出方法及び位置算出装置
US20140185940A1 (en) * 2012-12-31 2014-07-03 Korea Aerospace Research Institute Apparatus and Method for Calculating Satellite Navigation Visibility
JP2019027799A (ja) * 2017-07-25 2019-02-21 日本電信電話株式会社 測位精度情報算出装置及び測位精度情報算出方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050010365A1 (en) * 2001-08-02 2005-01-13 Lee Chapman Road weather prediction system and method
JP2007003287A (ja) * 2005-06-22 2007-01-11 Nissan Motor Co Ltd Ｇｐｓロストの予測方法、ｇｐｓロストの予測装置及び車両用走行制御装置
JP2012220371A (ja) * 2011-04-11 2012-11-12 Seiko Epson Corp 位置算出方法及び位置算出装置
US20140185940A1 (en) * 2012-12-31 2014-07-03 Korea Aerospace Research Institute Apparatus and Method for Calculating Satellite Navigation Visibility
JP2019027799A (ja) * 2017-07-25 2019-02-21 日本電信電話株式会社 測位精度情報算出装置及び測位精度情報算出方法

Also Published As

Publication number Publication date
JP7317212B2 (ja) 2023-07-28
JPWO2021192082A1 (ja) 2021-09-30

Similar Documents

Publication Publication Date Title
CN101285686B (zh) 一种农业机械导航分级定位的方法和系统
JP6504316B2 (ja) 走行車線推定システム
CN104614750B (zh) 车辆位置确定方法
EP3432287A1 (en) Navigation driving metric
CN105378431A (zh) 利用磁场异常进行户内定位-寻找
Davidson et al. Application of particle filters to a map-matching algorithm
CN101563625A (zh) 用于二维和三维精确位置和定向确定的布置和方法
Gikas et al. A novel geodetic engineering method for accurate and automated road/railway centerline geometry extraction based on the bearing diagram and fractal behavior
Cossaboom et al. Augmented Kalman filter and map matching for 3D RISS/GPS integration for land vehicles
US20230408260A1 (en) Operating Modes of Magnetic Navigation Devices
CN110271553A (zh) 用于稳健地定位车辆的方法和设备
Dawson et al. Radar-based multisensor fusion for uninterrupted reliable positioning in GNSS-denied environments
US11680802B2 (en) Correlating overlapping magnetic measurement data from multiple magnetic navigation devices and updating a geomagnetic map with that data
Dasanayaka et al. Analysis of vehicle location prediction errors for safety applications in cooperative-intelligent transportation systems
WO2021192082A1 (ja) 位置誤差予測装置、モデル作成装置、位置誤差予測方法、モデル作成方法及びプログラム
CN102385060A (zh) 用于二维和三维精确位置和定向确定的布置和方法
Ma et al. A robust fusion terrain-aided navigation method with a single Beam Echo Sounder
Fernández et al. Development of a simulation tool for collaborative navigation systems
Retscher et al. An intelligent personal navigator integrating GNSS, RFID and INS for continuous position determination
EP3255465B1 (en) Buried asset locate device motion sensing for quality control
CN111801549A (zh) 用于选择出车辆的可能位置的有限或空假设集合的方法
CN114881543B (zh) 道路等级确定方法及装置、电子设备和介质
JP7279403B2 (ja) 車両位置推定装置、車両位置推定方法、及び、車両位置推定システム
US20220334285A1 (en) Quality assurance system for buried asset detection data
US9753173B1 (en) Generation of buffer zones for buried assets using line forming processes

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20927343

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022509872

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20927343

Country of ref document: EP

Kind code of ref document: A1