特許ウォッチ

公開番号2024083940
公報種別公開特許公報(A)
公開日2024-06-24
出願番号2022198042
出願日2022-12-12
発明の名称推定装置、当該推定装置を備える移動ロボット、推定方法およびコンピュータプログラム
出願人国立大学法人千葉大学
代理人個人,個人,個人
主分類G01S 19/49 20100101AFI20240617BHJP(測定;試験)
要約【課題】慣性センサの測定値から移動体の速度や位置を高精度に推定することができる、推定装置、当該推定装置を備える移動ロボット、推定方法およびコンピュータプログラムを提供する。
【解決手段】本開示の推定装置は、慣性センサによって測定される移動体の加速度および回転角を取得する第1のデータ取得部と、時系列データを取り扱える機械学習モデルであって、加速度および回転角を逐次入力として受け取り、当該加速度および回転角に基づいて、移動体の速度を逐次推定する第1の機械学習モデルとを備える。
【選択図】図2
特許請求の範囲【請求項１】
慣性センサによって測定される移動体の加速度および回転角を取得する第１のデータ取得部と、
時系列データを取り扱える機械学習モデルであって、前記加速度および前記回転角を逐次入力として受け取り、該加速度および該回転角に基づいて、前記移動体の速度を逐次推定する第１の機械学習モデルと
を備える、推定装置。
続きを表示（約 1,200 文字）【請求項２】
前記第１の機械学習モデルは、第１のＬＳＴＭを含む、請求項１に記載の推定装置。
【請求項３】
前記第１の機械学習モデルは、
前記第１のＬＳＴＭの前段に設けられる第１の正規化層と、
前記第１の正規化層の前段に設けられる第１の全結合層と、
前記第１のＬＳＴＭの後段に設けられる第２の全結合層と
をさらに含む、請求項２に記載の推定装置。
【請求項４】
前記移動体の複数の時刻における加速度を記憶する記憶部をさらに備え、
前記第１の機械学習モデルは、前記移動体の前記複数の時刻における加速度を逐次入力として受け取り、該複数の時刻における加速度に基づいて、前記移動体の前記速度を逐次推定する、請求項１に記載の推定装置。
【請求項５】
前記第１の機械学習モデルはさらに、前記加速度および前記回転角に基づいて、前記移動体の速度差分を逐次推定する、請求項１に記載の推定装置。
【請求項６】
ＧＮＳＳから速度データを取得する第２のデータ取得部をさらに備え、
前記第１の機械学習モデルは、前記速度データを逐次入力として受け取り、該速度データにさらに基づいて、前記移動体の前記速度を逐次推定する、請求項１に記載の推定装置。
【請求項７】
時系列データを取り扱える機械学習モデルであって、前記第１の機械学習モデルによって推定される前記移動体の前記速度、および前記回転角を逐次入力として受け取り、該速度および該回転角に基づいて、前記移動体の第１の位置を逐次推定する第２の機械学習モデルをさらに備える、請求項１に記載の推定装置。
【請求項８】
前記第２の機械学習モデルは、第２のＬＳＴＭを含む、請求項７に記載の推定装置。
【請求項９】
前記第２の機械学習モデルは、
前記第２のＬＳＴＭの前段に設けられる第２の正規化層と、
前記第２の正規化層の前段に設けられる第３の全結合層と、
前記第２のＬＳＴＭの後段に設けられる第４の全結合層と、
前記第４の全結合層の後段に設けられる第５の全結合層と
をさらに含む、請求項８に記載の推定装置。
【請求項１０】
ＧＮＳＳから位置データを取得して前記移動体の第２の位置とする第３のデータ取得部と、
前記第１の位置および前記第２の位置に基づいて、第１の動作モードから第２の動作モードへ切り替えるか否か、または前記第２の動作モードから前記第１の動作モードへ切り替えるか否かを決定するモード切替部と
をさらに備え、
前記第１の動作モードでは、前記第１の位置が前記移動体の正確な位置として採用され、
前記第２の動作モードでは、前記第２の位置が前記移動体の正確な位置として採用される、請求項７に記載の推定装置。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本開示は、推定装置、当該推定装置を備える移動ロボット、推定方法およびコンピュータプログラムに関する。
続きを表示（約 1,500 文字）【背景技術】
【０００２】
移動体の速度や位置を推定する方法として、全球測位衛星システム（Global Navigation Satellite System：ＧＮＳＳ）を利用して速度データや位置データを取得する方法が知られている。しかしながら、屋内環境等でＧＮＳＳの電波を受信できない場合には、ＧＮＳＳからデータを取得することができない。また、屋外環境であってもマルチパス等の影響を受ける場合には、ＧＮＳＳから取得されるデータの精度が低下してしまう。
【０００３】
ＧＮＳＳを利用できない場合や、利用できても取得されるデータの精度が低い場合に対処するために、移動体に慣性センサ（Inertial Measurement Unit：ＩＭＵ）を搭載し、慣性センサの測定値に基づいて移動体の速度や位置を推定することが行われている。具体的には、慣性センサによって測定される加速度を積分して速度を推定し、推定された速度をさらに積分して位置を推定する。
【０００４】
しかしながら、上記のように慣性センサの測定値を積分する方法では、時間の経過とともに誤差が累積していき、推定される速度や位置が次第に不正確になってしまうという欠点がある。
【先行技術文献】
【非特許文献】
【０００５】
Uche Onyekpe, Vasile Palade and Stratis Kanarachos, “Learning to Localise Automated Vehicles in Challenging Environments using Inertial Navigation Systems (INS),” Appl. Sci. 2021, 11(3), 1270
【発明の概要】
【発明が解決しようとする課題】
【０００６】
本開示は、上記のような課題を解決するためのものであり、慣性センサの測定値から移動体の速度や位置を高精度に推定することができる、推定装置、当該推定装置を備える移動ロボット、推定方法およびコンピュータプログラムを提供することを目的とする。
【課題を解決するための手段】
【０００７】
上記の課題を解決するために、本開示に係る推定装置は、慣性センサによって測定される移動体の加速度および回転角を取得する第１のデータ取得部と、時系列データを取り扱える機械学習モデルであって、加速度および回転角を逐次入力として受け取り、当該加速度および回転角に基づいて、移動体の速度を逐次推定する第１の機械学習モデルとを備える。
【０００８】
また、本開示に係る移動ロボットは、上記の推定装置を備える。
【０００９】
また、本開示に係る推定方法は、慣性センサによって測定される移動体の加速度および回転角を取得するステップと、加速度および回転角を、時系列データを取り扱える第１の機械学習モデルに逐次入力し、当該第１の機械学習モデルによって逐次推定される移動体の速度を取得するステップとを含む。
【００１０】
また、本開示に係るコンピュータプログラムは、慣性センサによって測定される移動体の加速度および回転角を取得するステップと、加速度および回転角を、時系列データを取り扱える第１の機械学習モデルに逐次入力し、当該第１の機械学習モデルによって逐次推定される移動体の速度を取得するステップとをコンピュータに実行させる。
【図面の簡単な説明】
（【００１１】以降は省略されています）

関連特許