[go: up one dir, main page]

WO2012086029A1 - 自律移動システム - Google Patents

自律移動システム Download PDF

Info

Publication number
WO2012086029A1
WO2012086029A1 PCT/JP2010/073131 JP2010073131W WO2012086029A1 WO 2012086029 A1 WO2012086029 A1 WO 2012086029A1 JP 2010073131 W JP2010073131 W JP 2010073131W WO 2012086029 A1 WO2012086029 A1 WO 2012086029A1
Authority
WO
WIPO (PCT)
Prior art keywords
prediction error
unit
autonomous mobile
self
shape model
Prior art date
Application number
PCT/JP2010/073131
Other languages
English (en)
French (fr)
Inventor
祥尭 原
柄川　索
山本　健次郎
Original Assignee
株式会社日立製作所
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 株式会社日立製作所 filed Critical 株式会社日立製作所
Priority to PCT/JP2010/073131 priority Critical patent/WO2012086029A1/ja
Publication of WO2012086029A1 publication Critical patent/WO2012086029A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device

Definitions

  • the present invention relates to an autonomous mobile system that moves an autonomous mobile body to a destination while estimating a self-position based on data of a measuring device.
  • the autonomous mobile system in the prior art is provided with a map in which object shapes in a real environment that can be used as landmarks (marks) used for estimating the self-location are stored.
  • Self-position estimation has been realized by matching (positioning) this map with the shape of surrounding objects existing in the actual environment measured using a measuring device such as a laser scanner.
  • the autonomous mobile system may actually deviate from the route.
  • the autonomous mobile system collides with obstacles (static obstacles such as buildings, roadside trees, and power poles, and dynamic obstacles such as people and other vehicles that are moving objects) or breaks at intersections. There was a possibility of going on the wrong path.
  • obstacles static obstacles such as buildings, roadside trees, and power poles, and dynamic obstacles such as people and other vehicles that are moving objects
  • breaks at intersections There was a possibility of going on the wrong path.
  • the autonomous mobile system completely loses its own position and it is difficult to continue the subsequent movement.
  • An object of the present invention is to provide an autonomous mobile system that plans a route that allows the autonomous mobile system to move appropriately without losing sight of its own position and reaches the destination.
  • the above-mentioned purpose is to input a travel environment shape model in an autonomous mobile system in which an autonomous mobile body travels to a destination while estimating its own position by referring to a map based on measurement data from a peripheral object shape measurement unit.
  • An environmental shape model input unit, a self-position error prediction unit that calculates a prediction error of self-position estimation based on information from the driving environment shape model input unit, and the prediction error in an area where the autonomous mobile body can travel A prediction error map generation storage unit that generates and stores a predicted error map, and a route plan unit that performs route planning based on the prediction error corresponding to the route traveled by the autonomous mobile body with reference to the prediction error map This is achieved by providing
  • the object is that the travel environment shape model input unit, the self-position error prediction unit, and the prediction error map generation storage unit are installed in a management system, the route planning unit is installed in a terminal system, and the management system And the terminal system are preferably connected by a wireless network.
  • the object is that the prediction error map generated and stored by the prediction error map generation storage unit divides the travelable area into a plurality of small areas and holds the prediction error corresponding to the small areas. Is preferred.
  • the above object holds the prediction error corresponding to each of a plurality of directions in the small area.
  • the prediction error map generation storage unit extracts a shape having a predetermined height from the shape model input to the driving environment shape model input unit, and the self-position error prediction unit generates the prediction error map. It is preferable to calculate the prediction error using the shape extracted by the storage unit.
  • an autonomous mobile system that reaches a destination by planning a route that allows the autonomous mobile system to move appropriately without losing sight of its own position.
  • road structures such as a building, a roadside tree, and a telephone pole, and a runnable field (road) concerning one example.
  • FIG. 6 is a plan view of landmark data that has been coordinate-transformed and an environmental shape model according to the present embodiment. It is a top view of the measurement range and environmental shape model which extracted the landmark data in a certain node concerning a present Example.
  • FIG. 6 is a plan view of landmark data that has been coordinate-transformed and an environmental shape model according to the present embodiment. It is a top view of the measurement range and environmental shape model which extracted the landmark data in a certain node concerning a present Example.
  • FIG. 6 is a plan view of landmark data that has been coordinate-transformed and an environmental shape model according to the present embodiment.
  • FIG. 1 is a block diagram of an autonomous mobile system according to an embodiment of the present invention.
  • an autonomous mobile system 1 is mounted on a vehicle v such as an autonomous mobile robot or an autonomous mobile vehicle and provides an autonomous mobile function.
  • the autonomous mobile system 1 includes a traveling environment shape model input unit 2, a prediction error map generation storage unit 3, a self-position error prediction unit 4, a landmark map storage unit 5, a peripheral object shape measurement unit 6, a self-position estimation unit 7,
  • the destination input unit 8, the route planning unit 9, and the traveling unit 10 are configured.
  • the traveling environment shape model input unit 2 is a portion for inputting a shape model of a traveling environment such as a building in a city, a road structure such as a roadside tree, and a power pole.
  • the environmental shape model m to be input is used in recent car navigation systems, or uses CityGML (http://www.citygml.org/), which is standardized worldwide by the Open Geospatial Consortium (OGC). .
  • These environmental shape models m have information such as the shape and texture of road structures represented by polygons and the like, and information such as sidewalks / roadways as attribute information.
  • the prediction error map generation storage unit 3 is a part that generates and stores a prediction error map in the travelable region using the environment shape model m input from the travel environment shape model input unit 2.
  • processing is performed in cooperation with the self-position error prediction unit 4 (specific processing contents will be described later).
  • the self-position error prediction unit 4 is a part that predicts in advance a self-position estimation error that occurs at each position in the travelable area on the map by using a geometric calculation method. Data necessary for the calculation is acquired from the prediction error map generation storage unit 3, and the calculated prediction error of the self-position estimation is returned to the prediction error map generation storage unit 3 (specific processing contents will be described later).
  • the landmark map storage unit 5 is a part that extracts a portion that can be used as a landmark (mark) from the environmental shape model m input from the traveling environment shape model input unit 2 and stores it as a landmark map. If a landmark map can be acquired separately in advance, the separately acquired landmark map may be stored without extracting the landmark from the environmental shape model m.
  • the peripheral object shape measuring unit 6 is a part that measures the shape of an object (a building, a road tree such as a tree, a telephone pole, a person, or another vehicle) existing around the vehicle v.
  • a laser scanner, a stereo camera, a “Time of Flight”, a Distance image camera, or the like can be used.
  • the self-position estimation unit 7 detects a portion to be a landmark (mark) from the shape of the surrounding object measured by the surrounding object shape measurement unit 6 at the current position, and the landmark map stored in the landmark map storage unit 5. This is a part for estimating the current self-position on the map by performing matching (position alignment).
  • a landmark mark
  • the method described in the book “Probabilistic Robotics” (author: Sebastian Thrun, Wolfram Burgard, and Dieter Fox, publisher: The MIT Press, publication year: 2005) can be used.
  • the destination input unit 8 is a part where the user of the vehicle v inputs a destination to the autonomous mobile system 1. For example, as in the car navigation system, the user inputs a destination by operating a touch panel displaying a map.
  • the route planning unit 9 is a part that plans a route from the current self-position estimated by the self-position estimation unit 7 to the destination input from the destination input unit 8 using the prediction error of the self-position estimation as a cost. .
  • the prediction error map stored in the prediction error map generation storage unit 3 is used (specific processing contents will be described later).
  • the traveling unit 10 is a part for driving and driving the wheels of the vehicle v on which the autonomous mobile system 1 is mounted. Control is performed so that the vehicle v travels according to the route planned by the route planning unit 9. In addition, the movement form by a crawler and a leg may be sufficient instead of a wheel.
  • FIG. 2 is a block diagram of another form of the autonomous mobile system according to one embodiment.
  • the traveling environment shape model input unit 2, the prediction error map generation storage unit 3, the self-position error prediction unit 4, and the landmark map storage unit 5 in the autonomous mobile system 1 are not on the vehicle v.
  • a terminal system 1b is installed in the vehicle v, and the autonomous mobile system 1 is configured by combining the management system 1a and the terminal system 1b.
  • each component of the autonomous mobile system 1 is the same as that of the embodiment of FIG. 1, but between the prediction error map generation storage unit 3 and the route plan unit 9, and the landmark map storage unit 5 and the self-position estimation unit 7 is different in that communication between 7 is performed via a wireless network.
  • FIG. 3 is a plan view in which a travelable area is extracted from an environmental shape model according to an embodiment and divided by a grid.
  • a travelable region (road) is extracted from the environment shape model m input from the travel environment shape model input unit 2.
  • the top view of FIG. 3 shows a plan view of the result of extracting the travelable area from the environmental shape model m.
  • the environmental shape model m not only has a shape and a texture, but also has information such as a sidewalk / roadway as attribute information. For example, when an autonomous mobile robot traveling on a sidewalk is targeted, By extracting, it is possible to extract the travelable area.
  • the travelable area is divided by a grid 11 or the like to express discretely.
  • a grid 11 In the lower part of FIG. 3, an example is shown in which the grid 11 is divided by a uniform size. Actually, for example, the travelable area is divided by a grid 11 of 1 m square.
  • how to divide the travelable area is not limited to the grid 11 of uniform size, but the book “Introduction to Intelligent Robots—Solution of Motion Planning Problems” (authors: Junjun Ohta, Daisuke Kurabayashi, Tomio Arai, Publishing) (A company: Corona, publication year: 2001).
  • FIG. 4 is a plan view showing a result of constructing a graph structure with nodes and links by dividing a travelable area according to an embodiment by a grid.
  • a node 12 is generated at the center of each divided grid 11.
  • one round 360 deg is divided into one grid, and a plurality of nodes 12 are generated.
  • one round 360 deg is divided into eight every 45 deg to generate eight nodes 12. Therefore, each node 12 becomes a node 12 in a three-dimensional space of (x, y, ⁇ ).
  • the measurement range 14 of the peripheral object shape measurement unit 6 cannot cover the entire circumference, and the measurable region changes depending on the azimuth ⁇ .
  • some peripheral object shape measuring units 6 such as an omnidirectional stereo camera
  • many peripheral object shape measuring units 6 such as a laser scanner cannot cover the entire circumference, so each node 12 has information on the direction ⁇ . It is effective to have
  • a graph structure is constructed by connecting nodes corresponding to 8 neighbors as viewed in the two-dimensional plane of (x, y) with links 13.
  • This graph structure is the basic data structure used by the route planning unit 9.
  • the route planning unit 9 that does not use the link 13 (details will be described in the description of the route planning unit 9).
  • the prediction error map generation storage unit 3 generates data for passing to the self-position error prediction unit 4.
  • the self-position error prediction unit 4 generates data necessary for calculation for each node 12 in order to predict an error of self-position estimation for each node 12.
  • FIG. 5 is a plan view of an environmental shape model having information on road structures such as buildings, roadside trees, utility poles, and travelable areas (roads) according to an embodiment.
  • FIG. 6 is a diagram illustrating an example of extracting landmark data from measurement data in a region higher than a person according to the present embodiment.
  • the node 12a in FIG. 5 will be described as an example.
  • measurement data is generated by simulating an object that exists at the position (x, y, ⁇ ) of the node 12 a and exists in the measurement range 14 of the peripheral object shape measurement unit 6.
  • the measurement data can be simulated by performing ray casting, which is a computer graphics technique, and obtaining the reflection point of the laser irradiated from the laser scanner. It is. Note that the measurement data simulated at this time may be thinned out evenly. For example, thinning is performed at intervals of 0.1 m.
  • landmark data z used as a landmark is extracted from the measured measurement data.
  • the landmark data is extracted by extracting a predetermined height using the height information of each measurement data. Extract z.
  • data used as a landmark may be extracted from the result of clustering measurement data or extracting features.
  • the above processing is performed for each node 12 and the landmark data z is extracted for each node 12.
  • the landmark data z extracted here and the environment shape model m input from the traveling environment shape model input unit 2 are data used by the self-position error prediction unit 4 for calculation.
  • FIG. 7 is a flowchart illustrating a processing procedure of the self-position error prediction unit according to the embodiment.
  • the self-position error prediction unit 4 obtains a prediction error of self-position estimation as a covariance matrix ⁇ by geometric calculation using the landmark data z and the environment shape model m for each node 12. .
  • the basic idea is to move the position of the landmark data z by a small amount and evaluate the degree of overlap with the environmental shape model m at that time to obtain the nature of the error (deviation) during matching, From there, the covariance matrix ⁇ is calculated.
  • the degree of overlap with the environmental shape model m changes greatly when the landmark data z is moved, it means that the uniqueness of the shape of the landmark data z is high. Has the property of becoming smaller. Conversely, if the degree of overlap does not change much when the landmark data z is moved, this means that the uniqueness is low, and as a result, the matching error becomes large. Further, since the nature of how the error changes when moved, the nature of the error can be obtained not as a value but as a distribution represented by the covariance matrix ⁇ . First, the movement amount (x T , y T , ⁇ T ) for moving the landmark data z is determined (S11).
  • the maximum value and the minimum value of the movement amount are set in advance, and the range is equally divided at regular intervals.
  • the maximum value and the minimum value may be determined based on the error magnitude of the self-position estimation unit 7. For example, for x T and y T respectively 10 divided for each 0.5m range of + 2.5 m from -2.5m, for theta T is 12 divided for each 10deg a range of + 60 deg from -60Deg. In this case, there are 1200 combinations of movement amounts of 10 ⁇ 10 ⁇ 12.
  • the landmark data z is coordinate-converted with the movement amount (x T , y T , ⁇ T ) (S12).
  • the homogeneous transformation matrix representing the coordinate transformation by the movement amount (x T , y T , ⁇ T ) is T
  • the landmark data after the coordinate transformation is expressed as Tz.
  • the degree of overlap is calculated as the matching evaluation value DT using the coordinate-converted landmark data Tz and the environmental shape model m (S13).
  • Equation (1) and Equation (2) are used. *
  • the correspondence c between the point group of the landmark data Tz and the polygon vertex group of the environmental shape model m is obtained by the nearest neighbor search of Expression (1).
  • the number of point groups of the landmark data Tz is N.
  • the matching evaluation value DT is obtained by the root mean square of the distance between corresponding points in Expression (2) using the obtained correspondence c.
  • n is a normal direction unit vector of the polygon surface of the environmental shape model m.
  • the likelihood L T calculates the likelihood L T from the matching evaluation value D T (S14).
  • the likelihood L T here approximates the likelihood of overlapping with the environmental shape model m when the landmark data z is coordinate-transformed with the movement amount (x T , y T , ⁇ T ) by a normal distribution. Is.
  • the calculation of likelihood L T for example using equation (3).
  • ⁇ is a constant representing the nature of the error of the peripheral object shape measuring unit 6.
  • a specific value may be determined based on the magnitude of the error of the peripheral object shape measurement unit 6.
  • the calculation of the likelihood L T for the above movement amounts (x T , y T , ⁇ T ) is performed for all combinations of movement amounts (S15). In the above example, there are 1200 combinations.
  • Equation (4) each amount of movement (x T, y T, ⁇ T) was weighted likelihood L T for all the combinations of a calculation of the covariance matrix ⁇ by weighted least squares method.
  • sigma T is a mathematical symbol indicates a total for each amount of movement.
  • the processing of the self-position error prediction unit 4 is finished (S17, S18). Thereby, the prediction error of the self-position estimation in each node 12 in the travelable area is obtained as a covariance matrix ⁇ . Further, the obtained prediction error of the self-position estimation in each node 12 is returned to the prediction error map generation storage unit 3.
  • the prediction error map generation storage unit 3 can generate and store a prediction error map with a data structure of each node 12 in the travelable area and a prediction error of self-position estimation associated with each node 12. .
  • FIG. 8 is a plan view of a measurement range and an environmental shape model obtained by extracting landmark data at a certain node according to one embodiment.
  • the processing from S11 to S14 in the flowchart of the self-position error prediction unit 4 shown in FIG. 7 in such a situation will be described as an example.
  • the movement amount (x T , y T , ⁇ T ) is determined to be (+1.0 m, +2.0 m, 0 deg) (S11).
  • the landmark data z1 extracted from the measurement range 14 is coordinate-converted with the movement amount (S12).
  • FIG. 9 is a plan view of the landmark data subjected to coordinate conversion and the environmental shape model according to the present embodiment.
  • the landmark data Tz1 subjected to coordinate conversion and the environmental shape model m do not overlap (the deviation is large).
  • the degree of overlap between the landmark data z1 and the environmental shape model m is greatly changed. If the degree of overlap with the environmental shape model m changes greatly when the landmark data z1 is moved, it means that the uniqueness of the shape of the landmark data z1 is high. It has the property that the matching error becomes smaller with respect to the direction.
  • a matching evaluation value DT is calculated in order to quantitatively determine the degree of overlap between the coordinate-converted landmark data Tz1 and the environmental shape model m (S13).
  • the matching evaluation value DT which is the mean square of the distance between corresponding points, is a large value.
  • the likelihood L T is obtained by approximating the likelihood of overlap in the normal distribution, the likelihood L T as the matching evaluation value D T is large (low degree of overlap) is a small value.
  • FIG. 10 shows a plan view of the measurement range 14b from which the landmark data z is extracted and the environmental shape model m, as seen from above, in a certain node 12c in a situation different from that in FIG.
  • FIG. 11 is a plan view of the landmark data subjected to coordinate conversion and the environmental shape model according to one embodiment.
  • the landmark data Tz2 subjected to coordinate conversion and the environmental shape model m are relatively overlapped (the deviation is small). That is, it can be seen that there is a deviation in the x direction, but there appears to be no deviation in the y direction.
  • the degree of overlap between the landmark data z2 and the environmental shape model m does not change much. If the degree of overlap with the environmental shape model m does not change much when the landmark data z2 is moved, it means that the uniqueness of the shape of the landmark data z2 is low. It has the property that the matching error increases with respect to the direction.
  • a matching evaluation value DT is calculated in order to quantitatively determine the degree of overlap between the landmark data Tz2 subjected to coordinate conversion and the environmental shape model m (S13).
  • the matching evaluation value DT which is the mean square of the distance between corresponding points, is a small value.
  • the likelihood L T is obtained by approximating the likelihood of overlap in the normal distribution, the likelihood L T as the matching evaluation value D T is smaller (higher degree of overlap) is a large value.
  • the route plan unit 9 plans a route using the prediction error map stored in the prediction error map generation storage unit 3.
  • the prediction error map has a data structure of each node 12 obtained by dividing the travelable area shown in FIG. 4 by the grid 11 and a prediction error of self-position estimation associated with each node 12.
  • Each node 12 is a node 12 in a three-dimensional space of (x, y, ⁇ ), and there are a plurality of nodes 12 having different azimuths ⁇ in the same place as seen in the two-dimensional plane of (x, y). .
  • the route planning unit 9 As an embodiment of the route planning unit 9, at least two forms are conceivable.
  • the first is a form in which a route plan is performed by a shortest route search algorithm in the graph theory for a graph structure constructed by connecting nodes with links 13 as described above.
  • the shortest path search is performed using the prediction error of the self-position estimation of each node 12 as a cost.
  • the travelable region is discretely expressed in a three-dimensional (x, y, ⁇ ) configuration space, and the target route in the region is represented. Can be requested.
  • the current self-position estimated by the self-position estimation unit 7 is set as the start position
  • the destination input from the destination input unit 8 is set as the goal position
  • the path planning is performed using the prediction error of the self-position estimation of each node 12 as the cost. Do.
  • the path planning unit 9 calculates the cost, the plurality of nodes 12 through which the path passes have.
  • the covariance matrix ⁇ By fusing the covariance matrix ⁇ by maximum likelihood estimation, the covariance at the time of passing through each node 12 is obtained.
  • simulation of covariance when traveling along a route is performed using the driving model described in the book “Probabilistic Robotics” (Author: Sebastian Thrun, Wolfram Burgard, and Dieter Fox, Publisher: The MIT Press, Publication year: 2005)
  • the cost can be obtained by fusing the covariance matrix ⁇ of the node 12 with the maximum likelihood estimation.
  • the prediction error represented by the fused covariance As the cost of the path plan, it is determined whether the covariance at the time of passing through each node 12 exceeds a predetermined threshold, thereby increasing the prediction error. It is possible to plan a route to the destination considering that the route does not pass. To determine whether the covariance exceeds a predetermined threshold, the elements of the matrix may be compared, or the eigenvalues of the matrix may be compared.
  • each node 12 has a cost as a value, and each node 12 represents the cost as a covariance matrix ⁇ , instead of evaluating the route by the sum of the costs of a plurality of nodes 12 through which the route passes. And the route is evaluated by covariance when the route passes through each node 12. This makes it possible to plan a route in consideration of differences in the nature (size and direction of deviation) of errors that occur in self-position estimation at each position.
  • an error in self-position estimation at each position in the travelable region is predicted in advance, and a route that increases the prediction error does not pass. It is possible to plan the route to the destination in consideration of the above.
  • this invention can acquire the outstanding effect of implement

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

周辺物体形状計測部による計測データに基づいて地図を参照することで自己位置を推定しながら目的地まで走行する自律移動システムであって、走行環境の形状モデルを入力する走行環境形状モデル入力部と、前記形状モデルに基づき自己位置推定の予測誤差を計算する自己位置誤差予測部と、前記自律移動システムが走行可能な領域において前記予測誤差を対応付けた予測誤差地図を生成して記憶する予測誤差地図生成記憶部と、前記予測誤差地図を参照し、前記自律移動システムが走行する経路に対応した前記予測誤差に基づいて経路計画を行う経路計画部と、を備えることを特徴とする。

Description

自律移動システム
　本発明は、計測装置のデータに基づき自己位置を推定しながら自律移動体を目的地まで移動させる自律移動システムに関する。
　従来、車両に搭載された計測装置（外界センサや内界センサ）のデータに基づいて、実環境に対応した地図上での自己位置を推定しながら、計画された経路に従って実環境を自律移動することで目的地に到達する自律移動システム（例えば、特許文献１～３参照）が知られている。
特開２００４－１１０８０２号公報 特開２００４－２１９３３２号公報 特開２００８－１６５２７５号公報
　従来技術における自律移動システムは、自己位置を推定するために用いるランドマーク（目印）として利用可能な実環境の物体形状が記憶されている地図を備えている。この地図とレーザスキャナなどの計測装置を用いて計測した実環境中に存在する周辺物体の形状とをマッチング（位置合わせ）することにより自己位置推定を実現していた。
　しかしながら、レーザスキャナなどの計測装置の計測範囲は限られているため、移動する経路によっては自己位置を正確に推定するのに充分なランドマークを検出することができない。あるいは幾何学的にマッチングの誤差（ずれ）が大きくなってしまう性質を持つランドマーク形状しか計測できず、自律移動システムで推定される自己位置と当該自律移動システムが実際にいる実位置との間に大きな誤差が生まれる場合があった。
　その結果、自律移動システム自体が目標経路に沿って移動していると認識していても、実際には自律移動システムが前記経路から逸脱する場合があった。その結果、自律移動システムが障害物（建物や街路樹や電柱などの静的障害物や、移動体である人や他の車両などの動的障害物）と衝突して破損したり、交差点において誤った道に進んでしまう可能性があった。また、自律移動システムが自己位置を完全に見失ってしまい、それ以降の移動の継続が困難になるなどの問題点がある。
　本発明の目的は、自律移動システムが自己位置を見失うことなく、適切に移動することができる経路を計画して目的地に到達する自律移動システムを提供することにある。
　上記目的は、周辺物体形状計測部による計測データに基づいて地図を参照することで自己位置を推定しながら自律移動体が目的地まで走行する自律移動システムにおいて、走行環境の形状モデルを入力する走行環境形状モデル入力部と、この走行環境形状モデル入力部からの情報に基づき自己位置推定の予測誤差を計算する自己位置誤差予測部と、前記自律移動体が走行可能領域において前記予測誤差を対応付けた予測誤差地図を生成して記憶する予測誤差地図生成記憶部と、前記予測誤差地図を参照して前記自律移動体が走行する経路に対応した前記予測誤差に基づいて経路計画を行う経路計画部とを備えたことにより達成される。
　また上記目的は、前記走行環境形状モデル入力部と前記自己位置誤差予測部と前記予測誤差地図生成記憶部は管理システムに設置されており、前記経路計画部は端末システムに設置され、前記管理システムと前記端末システムとが無線ネットワークによって接続されていることが好ましい。
　また上記目的は、前記予測誤差地図生成記憶部が生成して記憶する前記予測誤差地図は前記走行可能領域を複数の小領域に区切り、前記小領域に対応した前記予測誤差を保持していることが好ましい。
　また上記目的は、前記小領域に複数の方位毎に対応した前記予測誤差を保持していることが好ましい。
　また上記目的は、前記予測誤差地図生成記憶部は前記走行環境形状モデル入力部に入力される前記形状モデルから所定の高さの形状を抽出し、前記自己位置誤差予測部は前記予測誤差地図生成記憶部により抽出された前記形状を用いて前記予測誤差を計算することが好ましい。
　本発明によれば、自律移動システムが自己位置を見失うことなく、適切に移動することができる経路を計画して目的地に到達する自律移動システムを提供できる。
本発明の一実施例に係る自律移動システムのブロック図である。 一実施例に係る自律移動システムの別形態のブロック図である。 一実施例に係る環境形状モデルから走行可能領域を抽出してグリッドで区切った平面図である。 一実施例に係る走行可能領域をグリッドで区切りノードとリンクによるグラフ構造を構築した結果を示す平面図である。 一実施例に係る建物や街路樹や電柱などの道路構造物や走行可能領域（道路）などの情報を持った環境形状モデルの平面図である。 一実施例に係り、人よりも高い領域の計測データからランドマークデータを抽出する例を示す図である。 本実施例に係る自己位置誤差予測部の処理手順を示すフロー図である。 本実施例に係り、あるノードにおけるランドマークデータを抽出した計測範囲と環境形状モデルの平面図である。 本実施例に係り、座標変換されたランドマークデータと環境形状モデルの平面図である。 本実施例に係り、あるノードにおけるランドマークデータを抽出した計測範囲と環境形状モデルの平面図である。 本実施例に係り、座標変換されたランドマークデータと環境形状モデルの平面図である。
　以下、本発明の実施形態を図を参照しながら詳細に説明する。
　まず、本発明の実施例となる自律移動システムの構成を図１を参照して説明する。　
　図１は本発明の一実施例に係る自律移動システムのブロック図である。　
　図１において、自律移動システム１は、自律移動ロボットや自律移動車などの車両ｖに搭載されて自律移動機能を提供するものである。この自律移動システム１は、走行環境形状モデル入力部２、予測誤差地図生成記憶部３、自己位置誤差予測部４、ランドマーク地図記憶部５、周辺物体形状計測部６、自己位置推定部７、目的地入力部８、経路計画部９、走行部１０から構成されている。
　以上の構成要素の個々について説明すると、走行環境形状モデル入力部２は、都市内の建物や街路樹や電柱などの道路構造物などの走行環境の形状モデルを入力する部分である。入力する環境形状モデルｍには、近年のカーナビゲーションシステムにおいて利用されていたり、Open Geospatial Consortium（OGC）により世界標準化されているCityGML（http://www.citygml.org/）などを用いたりする。これらの環境形状モデルｍは、ポリゴンなどで表現される道路構造物の形状やテクスチャといった情報と共に、属性情報として歩道／車道などの情報も持っている。
　予測誤差地図生成記憶部３は、走行環境形状モデル入力部２から入力された環境形状モデルｍを用い、走行可能領域における予測誤差地図を生成して記憶する部分である。予測誤差地図を生成する際には、自己位置誤差予測部４と連携して処理を行う（具体的な処理内容については後述する）。
　自己位置誤差予測部４は、幾何学的な計算手法を用いることで、地図上の走行可能領域における各位置で発生する自己位置推定の誤差を事前に予測する部分である。予測誤差地図生成記憶部３から計算に必要なデータを取得し、計算した自己位置推定の予測誤差を予測誤差地図生成記憶部３に返す（具体的な処理内容については後述する）。
　ランドマーク地図記憶部５は、走行環境形状モデル入力部２から入力された環境形状モデルｍの内、ランドマーク（目印）として利用可能な部分を抽出してランドマーク地図として記憶する部分である。なお、あらかじめ別途ランドマーク地図が取得可能である場合は、環境形状モデルｍからランドマークを抽出することなく、別途取得したランドマーク地図を記憶しても良い。
　周辺物体形状計測部６は、車両ｖの周辺に存在する物体（建物や街路樹や電柱などの道路構造物、人や他の車両など）の形状を計測する部分である。例えば、レーザスキャナやステレオカメラや Time of Flight 距離画像カメラなどを用いることができる。
　自己位置推定部７は、周辺物体形状計測部６が現在位置で計測した周辺物体の形状からランドマーク（目印）となる部分を検出し、ランドマーク地図記憶部５が記憶しているランドマーク地図とマッチング（位置合わせ）を行うことで、地図上での現在の自己位置を推定する部分である。　
　例えば、書籍「Probabilistic Robotics」（著者：Sebastian Thrun, Wolfram Burgard, and Dieter Fox、出版社：The MIT Press、出版年：２００５年）に記載の方法などを用いることができる。
　目的地入力部８は、車両ｖのユーザが自律移動システム１に対して目的地を入力する部分である。例えばカーナビゲーションシステムと同様に、地図を表示したタッチパネルをユーザが操作することで、目的地の入力を行う。
　経路計画部９は、自己位置推定部７が推定した現在の自己位置から、目的地入力部８から入力された目的地までの経路を、自己位置推定の予測誤差をコストとして計画する部分である。この際に、予測誤差地図生成記憶部３が記憶している予測誤差地図を利用する（具体的な処理内容については後述する）。
　走行部１０は、自律移動システム１が搭載された車両ｖの車輪などを駆動し、走行させるための部分である。経路計画部９が計画した経路に従って車両ｖが走行するように制御を行う。なお、車輪でなくクローラや脚による移動形態でも良い。
　続いて、図２を参照して、自律移動システム１の別形態の構成について説明する。　
　図２は一実施例に係る自律移動システムの別形態のブロック図である。　
　図２において、自律移動システム１の内、走行環境形状モデル入力部２、予測誤差地図生成記憶部３、自己位置誤差予測部４、ランドマーク地図記憶部５に関しては、車両ｖの上ではなく、無線ネットワークによって接続された管理システム１ａに設置されていても良い。車両ｖには、端末システム１ｂが設置され、管理システム１ａと端末システム１ｂを併せて自律移動システム１を構成する。この場合も自律移動システム１の各構成要素は図１の実施形態と同様であるが、予測誤差地図生成記憶部３と経路計画部９の間、及びランドマーク地図記憶部５と自己位置推定部７の間の通信が無線ネットワークを介して行われるという部分が異なる。
　次に、図３から図６を参照して、予測誤差地図生成記憶部３の具体的な処理内容について説明する。　
　図３は一実施例に係る環境形状モデルから走行可能領域を抽出してグリッドで区切った平面図である。　
　図３において、まず、走行環境形状モデル入力部２から入力された環境形状モデルｍから、走行可能領域（道路）を抽出する。図３の上部に、環境形状モデルｍから走行可能領域を抽出した結果の平面図を示す。環境形状モデルｍは、単に形状やテクスチャを持つだけでなく、属性情報として歩道／車道などの情報も持っているため、例えば歩道を走行する自律移動ロボットを対象としている場合には、歩道部分を抜き出すことで走行可能領域が抽出できる。
　続いて走行可能領域を、離散的に表現するためにグリッド１１などで区切る。図３の下部に、均一な大きさのグリッド１１で区切った例を示す。実際には、例えば１ｍ四方のグリッド１１で走行可能領域を区切る。なお、走行可能領域の区切り方は均一な大きさのグリッド１１に限定されるものではなく、書籍「知能ロボット入門―動作計画問題の解法―」（著者：太田 順，倉林 大輔，新井 民夫、出版社：コロナ社、出版年：２００１年）に記載の４分木などを用いて階層的にグリッド分割しても良い。
　図４は一実施例に係る走行可能領域をグリッドで区切りノードとリンクによるグラフ構造を構築した結果を示す平面図である。　
　図４において、分割した各グリッド１１の中心にノード１２を生成する。ただし、１つのグリッドに、一周３６０ｄｅｇを分割して複数のノード１２を生成する。例えば一周３６０ｄｅｇを４５ｄｅｇ毎に８分割して８個のノード１２を生成する。よって、各ノード１２は（ｘ，ｙ，θ）の３次元空間でのノード１２となる。方位θの情報を持たせることにより、周辺物体形状計測部６の計測範囲１４が全周をカバーできず、方位θによって計測可能な領域が変化することを考慮できる。全方位ステレオカメラなどの一部の周辺物体形状計測部６を除き、レーザスキャナなどの多くの周辺物体形状計測部６は計測範囲１４が全周をカバーできないため、各ノード１２が方位θの情報を持つことは有効である。
　さらに、（ｘ，ｙ）の２次元平面で見て８近傍に相当するノード間をリンク１３で接続することで、グラフ構造を構築する。このグラフ構造が、経路計画部９が用いる基礎となるデータ構造である。ただし、リンク１３を利用しない経路計画部９の実施形態もある（詳細については、経路計画部９の説明にて述べる）。
　続いて、予測誤差地図生成記憶部３が自己位置誤差予測部４に渡すためのデータを生成する。自己位置誤差予測部４は各ノード１２毎に自己位置推定の誤差を予測するため、各ノード１２毎に計算に必要なデータを生成する。
　図５は一実施例に係る建物や街路樹や電柱などの道路構造物や走行可能領域（道路）などの情報を持った環境形状モデルの平面図である。　
　図６は本実施例に係り、人よりも高い領域の計測データからランドマークデータを抽出する例を示す図である。以降、図５中のノード１２ａを例として説明する。　
　図５において、まず、ノード１２ａの位置（ｘ，ｙ，θ）であって、周辺物体形状計測部６の計測範囲１４内に存在する物体に対して、計測データをシミュレーションして生成する。例えば周辺物体形状計測部６としてレーザスキャナを用いている場合には、コンピュータグラフィックスの技術であるレイキャスティングを行い、レーザスキャナから照射されるレーザの反射点を求めることで計測データのシミュレーションが可能である。　
　なお、この際にシミュレーションした計測データを均等に間引いても良い。例えば、０．１ｍ間隔で間引きを行う。
　続いて、シミュレーションした計測データの中から、ランドマークとして使用するランドマークデータｚを抽出する。例えば、図６に示すように人ｈよりも高い領域ｄの計測データをランドマークとして用いる場合には、各計測データの高さの情報を用いて、所定の高さを抜き出すことでランドマークデータｚを抽出する。あるいは、計測データをクラスタリングしたり特徴抽出した結果から、ランドマークとして使用するデータを抽出しても良い。
　以上の処理を各ノード１２毎に行い、各ノード１２毎にランドマークデータｚを抽出する。ここで抽出したランドマークデータｚと、走行環境形状モデル入力部２から入力された環境形状モデルｍが、自己位置誤差予測部４が計算に用いるデータである。
　次に、図７を参照して、自己位置誤差予測部４の具体的な処理内容について説明する。　
　図７は一実施例に係る自己位置誤差予測部の処理手順を示すフロー図である。　
　図７において、自己位置誤差予測部４は、各ノード１２毎にランドマークデータｚと環境形状モデルｍを用いて、幾何学的な計算により、自己位置推定の予測誤差を共分散行列Σとして求める。基本的な考え方は、ランドマークデータｚの位置を微小量ずつ移動させ、その際の環境形状モデルｍとの重なりの程度を評価することで、マッチングの際の誤差（ずれ）の性質を求め、そこから共分散行列Σを計算するというものである。
　ランドマークデータｚを移動させた際に環境形状モデルｍとの重なりの程度が大きく変化する場合は、当該ランドマークデータｚの形状の一意性が高いことを意味するため、結果としてマッチングの誤差が小さくなる性質を持つ。逆に、ランドマークデータｚを移動させた際に重なりの程度があまり変化しない場合は、一意性が低いことを意味するため、結果としてマッチングの誤差が大きくなる性質を持つ。また、どのように移動させた際に誤差がどう変化するかの性質が分かるため、誤差の性質は値としてではなく共分散行列Σで表される分布として求めることができる。
まず、ランドマークデータｚを移動させる移動量（ｘＴ，ｙＴ，θＴ）を決定する（Ｓ１１）。
　移動量の最大値と最小値を事前に設定しておき、その範囲内を一定間隔で等分する。この最大値と最小値は、自己位置推定部７の誤差の大きさを基準に決定すれば良い。例えば、ｘＴとｙＴに関しては－２．５ｍから＋２．５ｍの範囲を０．５ｍ毎にそれぞれ１０分割し、θＴに関しては－６０ｄｅｇから＋６０ｄｅｇの範囲を１０ｄｅｇ毎に１２分割する。この場合では１０×１０×１２で１２００通りの移動量の組み合わせが存在することになる。
　次に、ランドマークデータｚを移動量（ｘＴ，ｙＴ，θＴ）で座標変換する（Ｓ１２）。移動量（ｘＴ，ｙＴ，θＴ）による座標変換を表す同次変換行列をＴとすると、座標変換後のランドマークデータはＴｚと表現される。　
　座標変換されたランドマークデータＴｚと環境形状モデルｍを用いて、重なりの程度をマッチング評価値ＤＴとして計算する（Ｓ１３）。
　この計算には、例えば式(１)と式(２)を用いる。　
Figure JPOXMLDOC01-appb-M000001
Figure JPOXMLDOC01-appb-M000002
　最初に、ランドマークデータＴｚの点群と環境形状モデルｍのポリゴン頂点群の間の対応関係ｃを、式(１)の最近傍探索により求める。ここで、ランドマークデータＴｚの点群の数をＮとしている。続いて求めた対応関係ｃを用いて、マッチング評価値ＤＴを式(２)の対応点間距離の二乗平均により求める。ここで、ｎは環境形状モデルｍのポリゴン面の法線方向単位ベクトルである。法線方向単位ベクトルｎとの内積を計算することにより、点対面の距離として対応点間距離を計算している。なお、法線方向単位ベクトルｎとの内積を計算せず、通常の点対点の距離として対応点間距離を計算しても良い。
　続いて、マッチング評価値ＤＴから尤度ＬＴを計算する（Ｓ１４）。ここでの尤度ＬＴは、当該移動量（ｘＴ，ｙＴ，θＴ）でランドマークデータｚを座標変換した際の、環境形状モデルｍとの重なりの尤もらしさを正規分布で近似したものである。尤度ＬＴの計算には、例えば式(３)を用いる。ここでσは、周辺物体形状計測部６の誤差の性質を表す定数である。具体的な値は、周辺物体形状計測部６の誤差の大きさを基準に決定すれば良い。
Figure JPOXMLDOC01-appb-M000003
　以上の移動量（ｘＴ，ｙＴ，θＴ）に対する尤度ＬＴの計算を、すべての移動量の組み合わせに対して実施する（Ｓ１５）。前述の例では、１２００通りの組み合わせである。
　ひとつのノード１２に対して、すべての移動量の組み合わせ個数分の尤度ＬＴを計算したら、例えば式(４)を用いて共分散行列Σを計算する（Ｓ１６）。式(４)は、各移動量（ｘＴ，ｙＴ，θＴ）のすべての組み合わせにおける尤度ＬＴを重みとした、重み付き最小二乗法による共分散行列Σの計算である。ここでΣＴは、各移動量に関する総和を意味する数学記号である。
Figure JPOXMLDOC01-appb-M000004
　この共分散行列Σの計算を、すべてのノード１２に対して実施したら、自己位置誤差予測部４の処理は終了となる（Ｓ１７、Ｓ１８）。これにより、走行可能領域における各ノード１２での自己位置推定の予測誤差が、共分散行列Σとして求まる。また、求めた各ノード１２における自己位置推定の予測誤差を、予測誤差地図生成記憶部３に返す。
　これにより予測誤差地図生成記憶部３は、走行可能領域における各ノード１２と、各ノード１２に対応付いた自己位置推定の予測誤差というデータ構造で、予測誤差地図を生成して記憶することができる。
　続いて、図８から図１１を参照して、自己位置誤差予測部４の具体的な処理内容の例について説明する。
　図８は一実施例に係り、あるノードにおけるランドマークデータを抽出した計測範囲と環境形状モデルの平面図である。　
　このような状況での、図７に示した自己位置誤差予測部４のフローチャート中のＳ１１からＳ１４の処理を、例として説明する。
　まず、例えば移動量（ｘＴ，ｙＴ，θＴ）が（＋１．０ｍ，＋２．０ｍ，０ｄｅｇ）と決定されたとする（Ｓ１１）。
　次に、計測範囲１４から抽出したランドマークデータｚ１を、当該移動量で座標変換する（Ｓ１２）。
　図９は一本実施例に係り、座標変換されたランドマークデータと環境形状モデルの平面図である。　
　図９において、座標変換されたランドマークデータＴｚ１と環境形状モデルｍが重なり合っていない（ずれが大きい）。座標変換する前と比較すると、ランドマークデータｚ１と環境形状モデルｍの重なりの程度が大きく変化している。ランドマークデータｚ１を移動させた際に環境形状モデルｍとの重なりの程度が大きく変化する場合は、当該ランドマークデータｚ１の形状の一意性が高いことを意味するため、結果として当該移動量の方向に対してマッチングの誤差が小さくなる性質を持つ。
　続いて、座標変換されたランドマークデータＴｚ１と環境形状モデルｍの重なりの程度を定量的に求めるため、マッチング評価値ＤＴを計算する（Ｓ１３）。図９では重なりの程度は低いため、対応点間距離の二乗平均であるマッチング評価値ＤＴは大きな値となる。
　さらに、マッチング評価値ＤＴから尤度ＬＴを計算する（Ｓ１４）。尤度ＬＴは重なりの尤もらしさを正規分布で近似したものであるため、マッチング評価値ＤＴが大きい（重なりの程度が低い）と尤度ＬＴは小さな値となる。
　図１０は、図８とは異なる状況における、あるノード１２ｃにおける、ランドマークデータｚを抽出した計測範囲１４ｂと環境形状モデルｍを上から見た平面図を示している。
　このような状況での、図７に示した自己位置誤差予測部４のフローチャート中のＳ１１からＳ１４の処理を、例として説明する。　
　まず、例えば移動量（ｘＴ，ｙＴ，θＴ）は図９の例と同じく（＋１．０ｍ，＋２．０ｍ，０ｄｅｇ）と決定されたとする（Ｓ１１）。　
　次に、計測範囲１４から抽出したランドマークデータｚ２を、当該移動量で座標変換する（Ｓ１２）。
　図１１は一実施例に係り、座標変換されたランドマークデータと環境形状モデルの平面図である。　
　図１１において、座標変換されたランドマークデータＴｚ２と環境形状モデルｍは比較的重なり合っている（ずれが小さい）。すなわち、ｘ方向のずれが存在することは見て分かるが、ｙ方向のずれは存在しないように見える。座標変換する前と比較すると、ランドマークデータｚ２と環境形状モデルｍの重なりの程度はあまり変化していない。ランドマークデータｚ２を移動させた際に環境形状モデルｍとの重なりの程度があまり変化しない場合は、当該ランドマークデータｚ２の形状の一意性が低いことを意味するため、結果として当該移動量の方向に対してマッチングの誤差が大きくなる性質を持つ。
　続いて、座標変換されたランドマークデータＴｚ２と環境形状モデルｍの重なりの程度を定量的に求めるため、マッチング評価値ＤＴを計算する（Ｓ１３）。図１１では重なりの程度は高いため、対応点間距離の二乗平均であるマッチング評価値ＤＴは小さな値となる。
　さらに、マッチング評価値ＤＴから尤度ＬＴを計算する（Ｓ１４）。尤度ＬＴは重なりの尤もらしさを正規分布で近似したものであるため、マッチング評価値ＤＴが小さい（重なりの程度が高い）と尤度ＬＴは大きな値となる。
次に、経路計画部９の具体的な処理内容について説明する。
　経路計画部９は、予測誤差地図生成記憶部３が記憶している予測誤差地図を利用して、経路を計画する。前述のとおり予測誤差地図は、図４に示した走行可能領域をグリッド１１で区切った各ノード１２と、各ノード１２に対応付いた自己位置推定の予測誤差というデータ構造である。また、各ノード１２は（ｘ，ｙ，θ）の３次元空間でのノード１２であり、（ｘ，ｙ）の２次元平面で見て同一箇所に方位θが異なる複数のノード１２が存在する。
　経路計画部９の実施形態としては、少なくとも２つの形態が考えられる。１つ目は、前述のとおりノード間をリンク１３で接続して構築したグラフ構造に対して、グラフ理論における最短経路探索アルゴリズムで経路計画を行う形態である。各ノード１２が持つ自己位置推定の予測誤差をコストとして、最短経路探索を行う。２つ目は、各ノード１２が持つ自己位置推定の予測誤差をグリッド１１のコストとして、論文「経路探索問題―ロボットの動作計画―」（著者：比留川 博久、出版社：情報処理学会誌、出版年：１９９４年）に記載の大域的ポテンシャル法を用いて経路計画を行う形態である。大域的ポテンシャル法を用いる場合は、リンク１３を生成する必要はない。
　いずれの実施形態においても、各ノード１２は走行可能領域中に存在するため、走行可能領域を３次元（ｘ，ｙ，θ）のコンフィギュレーション空間で離散的に表現し、その中での目標経路を求めることができる。自己位置推定部７が推定した現在の自己位置をスタート位置とし、目的地入力部８から入力された目的地をゴール位置として、各ノード１２が持つ自己位置推定の予測誤差をコストとして経路計画を行う。
　各ノード１２が持つ自己位置推定の予測誤差は共分散行列Σで表される分布として求まっているため、経路計画部９がコストとして計算する際には、経路が通過する複数のノード１２が持つ共分散行列Σを最尤推定により融合することで、各ノード１２を通過する時点での共分散を求める。また、書籍「Probabilistic Robotics」（著者：Sebastian Thrun, Wolfram Burgard, and Dieter Fox、出版社：The MIT Press、出版年：２００５年）に記載の走行モデルによって、経路を走行する際の共分散をシミュレーションし、ノード１２が持つ共分散行列Σと最尤推定により融合してコストとすることもできる。
　経路計画のコストとして、融合した共分散により表される予測誤差を用いて、各ノード１２を通過する時点での共分散が所定の閾値を超えているかを判断することにより、予測誤差の大きくなる経路は通行しないように考慮した目的地までの経路計画が可能となる。共分散が所定の閾値を超えているかの判断は、行列の要素を比較しても良いし、あるいは行列の固有値を比較しても良い。
　各ノード１２がコストを値として持ち、経路が通過する複数のノード１２のコストの総和により当該経路を評価するのではなく、各ノード１２がコストを共分散行列Σで表される予測誤差の分布として持ち、経路が各ノード１２を通過する時点での共分散により当該経路を評価する。これにより、各位置での自己位置推定で発生する誤差の性質（大きさやずれる方向）が異なることを考慮した経路計画が可能となる。このようなコストの評価方法に基づき、書籍「知能ロボット入門―動作計画問題の解法―」（著者：太田 順，倉林 大輔，新井 民夫、出版社：コロナ社、出版年：２００１年）に記載の経路計画方法（グラフ理論における最短経路探索や大域的ポテンシャル法）を用いることで、自己位置推定の予測誤差を考慮に入れて経路計画を行う（当該予測誤差の大きくなる経路は避けて、目的地までの経路を計画する）ことができる。
　以上のごとく本発明によれば、上記構成の自律移動システムとすることにより、走行可能領域中の各位置における自己位置推定の誤差を事前に予測し、当該予測誤差の大きくなる経路は通行しないように考慮した目的地までの経路計画が可能となる。
　もって、本発明は自己位置を見失うことなく、目的地まで適切に移動することができる自律移動システムを実現するという優れた効果を得ることができる。
　１・・・自律移動システム、２・・・走行環境形状モデル入力部、３・・・予測誤差地図生成記憶部、４・・・自己位置誤差予測部、５・・・ランドマーク地図記憶部、６・・・周辺物体形状計測部、７・・・自己位置推定部、８・・・目的地入力部、９・・・経路計画部、１０・・・走行部、１１・・・グリッド、１２・・・ノード、１３・・・リンク、１４・・・計測範囲。

Claims (5)

  1. 　周辺物体形状計測部による計測データに基づいて地図を参照することで自己位置を推定しながら自律移動体が目的地まで走行する自律移動システムにおいて、
    　走行環境の形状モデルを入力する走行環境形状モデル入力部と、この走行環境形状モデル入力部からの情報に基づき自己位置推定の予測誤差を計算する自己位置誤差予測部と、
    　前記自律移動体が走行可能領域において前記予測誤差を対応付けた予測誤差地図を生成して記憶する予測誤差地図生成記憶部と、
    　前記予測誤差地図を参照して前記自律移動体が走行する経路に対応した前記予測誤差に基づいて経路計画を行う経路計画部とを備えたことを特徴とする自律移動システム。
  2. 　前記請求項１に記載の自律移動システムにおいて、
    　前記走行環境形状モデル入力部と前記自己位置誤差予測部と前記予測誤差地図生成記憶部は管理システムに設置されてなり、
    　前記経路計画部は端末システムに設置され、前記管理システムと前記端末システムとが無線ネットワークによって接続されていることを特徴とする自律移動システム。
  3. 　請求項１乃至２のいずれかに記載の自律移動システムにおいて、
    　前記予測誤差地図生成記憶部が生成して記憶する前記予測誤差地図は前記走行可能領域を複数の小領域に区切り、前記小領域に対応した前記予測誤差を保持していることを特徴とする自律移動システム。
  4. 　前記請求項３記載の自律移動システムにおいて、
    　前記小領域に複数の方位毎に対応した前記予測誤差を保持していることを特徴とする自律移動システム。
  5. 　請求項１乃至２に記載の自律移動システムにおいて、
    　前記予測誤差地図生成記憶部は前記走行環境形状モデル入力部に入力される前記形状モデルから所定の高さの形状を抽出し、
    　前記自己位置誤差予測部は前記予測誤差地図生成記憶部により抽出された前記形状を用いて前記予測誤差を計算することを特徴とする自律移動システム。
PCT/JP2010/073131 2010-12-22 2010-12-22 自律移動システム WO2012086029A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2010/073131 WO2012086029A1 (ja) 2010-12-22 2010-12-22 自律移動システム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2010/073131 WO2012086029A1 (ja) 2010-12-22 2010-12-22 自律移動システム

Publications (1)

Publication Number Publication Date
WO2012086029A1 true WO2012086029A1 (ja) 2012-06-28

Family

ID=46313333

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2010/073131 WO2012086029A1 (ja) 2010-12-22 2010-12-22 自律移動システム

Country Status (1)

Country Link
WO (1) WO2012086029A1 (ja)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014139821A1 (en) * 2013-03-15 2014-09-18 Volkswagen Aktiengesellschaft Automatic driving route planning application
WO2015025599A1 (ja) * 2013-08-21 2015-02-26 シャープ株式会社 自律移動体
JP2016162013A (ja) * 2015-02-27 2016-09-05 株式会社日立製作所 自己位置推定装置および移動体
CN106444756A (zh) * 2016-09-22 2017-02-22 纳恩博（北京）科技有限公司 一种信息处理方法及电子设备
WO2017060947A1 (ja) * 2015-10-05 2017-04-13 パイオニア株式会社 推定装置、制御方法、プログラム及び記憶媒体
JP2017101944A (ja) * 2015-11-30 2017-06-08 パイオニア株式会社 速度算出装置、制御方法、プログラム及び記憶媒体
WO2017199333A1 (ja) * 2016-05-17 2017-11-23 パイオニア株式会社 情報出力装置、端末装置、制御方法、プログラム及び記憶媒体
JP2018504650A (ja) * 2014-12-26 2018-02-15 ヘーレ グローバル ベスローテン フェンノートシャップ 装置の位置特定のための幾何学的指紋法
EP3106836B1 (en) * 2015-06-16 2018-06-06 Volvo Car Corporation A unit and method for adjusting a road boundary
JP2019192206A (ja) * 2018-04-27 2019-10-31 深セン市優必選科技股▲ふん▼有限公司Ｕｂｔｅｃｈ Ｐｏｂｏｔｉｃｓｃｏｒｐ Ｌｔｄ 充電台の認識方法、装置及びロボット
JP2020098196A (ja) * 2019-10-23 2020-06-25 パイオニア株式会社 推定装置、制御方法、プログラム及び記憶媒体
JP2021044008A (ja) * 2020-12-01 2021-03-18 パイオニア株式会社 情報出力装置、端末装置、制御方法、プログラム及び記憶媒体
JP2022025118A (ja) * 2019-10-23 2022-02-09 パイオニア株式会社 推定装置、制御方法、プログラム及び記憶媒体
WO2022070324A1 (ja) * 2020-09-30 2022-04-07 日本電気株式会社 移動体制御装置、移動体制御方法、移動体制御システム及び移動体制御プログラムを記録したコンピュータ読み取り可能な非一時的な記憶媒体
JP2023105152A (ja) * 2021-11-01 2023-07-28 パイオニア株式会社 推定装置、制御方法、プログラム及び記憶媒体

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH02259913A (ja) * 1989-03-31 1990-10-22 Glory Ltd 移動体の自己定位方法
JP2003015739A (ja) * 2001-07-02 2003-01-17 Yaskawa Electric Corp 外環境地図、並びに自己位置同定装置および誘導制御装置
WO2007069726A1 (ja) * 2005-12-16 2007-06-21 Ihi Corporation 自己位置同定方法と装置および三次元形状の計測方法と装置
JP2007322138A (ja) * 2006-05-30 2007-12-13 Toyota Motor Corp 移動装置及び移動装置の自己位置推定方法
JP2010152787A (ja) * 2008-12-26 2010-07-08 Fujitsu Ltd 環境地図生成プログラム、環境地図生成方法及び移動ロボット
JP2010238217A (ja) * 2009-03-09 2010-10-21 Yaskawa Electric Corp 移動ロボットの自己位置同定方法及び移動ロボット

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH02259913A (ja) * 1989-03-31 1990-10-22 Glory Ltd 移動体の自己定位方法
JP2003015739A (ja) * 2001-07-02 2003-01-17 Yaskawa Electric Corp 外環境地図、並びに自己位置同定装置および誘導制御装置
WO2007069726A1 (ja) * 2005-12-16 2007-06-21 Ihi Corporation 自己位置同定方法と装置および三次元形状の計測方法と装置
JP2007322138A (ja) * 2006-05-30 2007-12-13 Toyota Motor Corp 移動装置及び移動装置の自己位置推定方法
JP2010152787A (ja) * 2008-12-26 2010-07-08 Fujitsu Ltd 環境地図生成プログラム、環境地図生成方法及び移動ロボット
JP2010238217A (ja) * 2009-03-09 2010-10-21 Yaskawa Electric Corp 移動ロボットの自己位置同定方法及び移動ロボット

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105229422A (zh) * 2013-03-15 2016-01-06 大众汽车有限公司 自动驾驶路线规划应用
US10451428B2 (en) 2013-03-15 2019-10-22 Volkswagen Aktiengesellschaft Automatic driving route planning application
WO2014139821A1 (en) * 2013-03-15 2014-09-18 Volkswagen Aktiengesellschaft Automatic driving route planning application
CN105247431B (zh) * 2013-08-21 2017-09-19 夏普株式会社 自主移动体
CN105247431A (zh) * 2013-08-21 2016-01-13 夏普株式会社 自主移动体
JP2015041203A (ja) * 2013-08-21 2015-03-02 シャープ株式会社 自律移動体
WO2015025599A1 (ja) * 2013-08-21 2015-02-26 シャープ株式会社 自律移動体
US9804598B2 (en) 2013-08-21 2017-10-31 Sharp Kabushiki Kaisha Autonomous mobile body
JP7111794B2 (ja) 2014-12-26 2022-08-02 ヘーレ グローバル ベスローテン フェンノートシャップ 装置の位置特定のための幾何学的指紋法
JP2021060602A (ja) * 2014-12-26 2021-04-15 ヘーレ グローバル ベスローテン フェンノートシャップ 装置の位置特定のための幾何学的指紋法
JP2020101833A (ja) * 2014-12-26 2020-07-02 ヘーレ グローバル ベスローテン フェンノートシャップ 装置の位置特定のための幾何学的指紋法
JP2018504650A (ja) * 2014-12-26 2018-02-15 ヘーレ グローバル ベスローテン フェンノートシャップ 装置の位置特定のための幾何学的指紋法
JP2016162013A (ja) * 2015-02-27 2016-09-05 株式会社日立製作所 自己位置推定装置および移動体
US9881379B2 (en) 2015-02-27 2018-01-30 Hitachi, Ltd. Self-localization device and movable body
EP3106836B1 (en) * 2015-06-16 2018-06-06 Volvo Car Corporation A unit and method for adjusting a road boundary
WO2017060947A1 (ja) * 2015-10-05 2017-04-13 パイオニア株式会社 推定装置、制御方法、プログラム及び記憶媒体
US11199850B2 (en) 2015-10-05 2021-12-14 Pioneer Corporation Estimation device, control method, program and storage medium
JPWO2017060947A1 (ja) * 2015-10-05 2018-08-02 パイオニア株式会社 推定装置、制御方法、プログラム及び記憶媒体
JP2017101944A (ja) * 2015-11-30 2017-06-08 パイオニア株式会社 速度算出装置、制御方法、プログラム及び記憶媒体
JPWO2017199333A1 (ja) * 2016-05-17 2019-03-14 パイオニア株式会社 情報出力装置、端末装置、制御方法、プログラム及び記憶媒体
WO2017199333A1 (ja) * 2016-05-17 2017-11-23 パイオニア株式会社 情報出力装置、端末装置、制御方法、プログラム及び記憶媒体
CN106444756A (zh) * 2016-09-22 2017-02-22 纳恩博（北京）科技有限公司 一种信息处理方法及电子设备
JP2019192206A (ja) * 2018-04-27 2019-10-31 深セン市優必選科技股▲ふん▼有限公司Ｕｂｔｅｃｈ Ｐｏｂｏｔｉｃｓｃｏｒｐ Ｌｔｄ 充電台の認識方法、装置及びロボット
JP2020098196A (ja) * 2019-10-23 2020-06-25 パイオニア株式会社 推定装置、制御方法、プログラム及び記憶媒体
JP2022025118A (ja) * 2019-10-23 2022-02-09 パイオニア株式会社 推定装置、制御方法、プログラム及び記憶媒体
WO2022070324A1 (ja) * 2020-09-30 2022-04-07 日本電気株式会社 移動体制御装置、移動体制御方法、移動体制御システム及び移動体制御プログラムを記録したコンピュータ読み取り可能な非一時的な記憶媒体
JP7601105B2 (ja) 2020-09-30 2024-12-17 日本電気株式会社 移動体制御装置、移動体制御方法、移動体制御システム及び移動体制御プログラム
US12332647B2 (en) 2020-09-30 2025-06-17 Nec Corporation Mobile body control apparatus, mobile body control method, mobile body control system, and non-transitory computer-readable storage medium storing mobile body control program
JP2021044008A (ja) * 2020-12-01 2021-03-18 パイオニア株式会社 情報出力装置、端末装置、制御方法、プログラム及び記憶媒体
JP2023105152A (ja) * 2021-11-01 2023-07-28 パイオニア株式会社 推定装置、制御方法、プログラム及び記憶媒体

Similar Documents

Publication Publication Date Title
WO2012086029A1 (ja) 自律移動システム
JP6813703B2 (ja) 装置の位置特定のための幾何学的指紋法
Kim et al. Robust vehicle localization using entropy-weighted particle filter-based data fusion of vertical and road intensity information for a large scale urban area
RU2756439C1 (ru) Определение локализации для работы транспортного средства
Gwon et al. Generation of a precise and efficient lane-level road map for intelligent vehicle systems
EP3237923B1 (en) Localization of a device using multilateration
EP3238494B1 (en) Selecting feature geometries for localization of a device
CN108089572A (zh) 用于稳健且有效的车辆定位的算法和基础设施
Kim et al. Updating point cloud layer of high definition (hd) map based on crowd-sourcing of multiple vehicles installed lidar
Huang et al. Task-specific performance evaluation of UGVs: Case studies at the IVFC
CN109059942A (zh) 一种井下高精度导航地图构建系统及构建方法
Singh et al. Evaluating the performance of map matching algorithms for navigation systems: an empirical study
US11798225B2 (en) 3D building generation using topology
US20210003415A1 (en) Submap geographic projections
CN113741503B (zh) 一种自主定位式无人机及其室内路径自主规划方法
Li et al. Hybrid filtering framework based robust localization for industrial vehicles
JP2023126893A (ja) 汎用的に使用可能な特徴マップを生成する方法
JP2011059043A (ja) 経路探索装置及び移動システム
JPWO2012160630A1 (ja) 軌跡補正方法、軌跡補正装置および移動体装置
WO2021112078A1 (ja) 情報処理装置、制御方法、プログラム及び記憶媒体
Basiri Open area path finding to improve wheelchair navigation
Ugur et al. Fast and efficient terrain-aware motion planning for exploration rovers
Zhou et al. An autonomous navigation approach for unmanned vehicle in off-road environment with self-supervised traversal cost prediction
Zakaria et al. Autonomous shuttle development at Universiti Malaysia Pahang: LiDAR point cloud data stitching and mapping using iterative closest point cloud algorithm
Zhu et al. Terrain‐inclination‐based Three‐dimensional Localization for Mobile Robots in Outdoor Environments

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: 10861072

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 10861072

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP