ホーム > 特許ランキング > 国立大学法人千葉大学
知財求人 - 知財ポータルサイト「IP Force」
特開2024-83940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
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024083940
(43)【公開日】2024-06-24
(54)【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
(51)【国際特許分類】
G01S 19/49 20100101AFI20240617BHJP
G06N 3/0442 20230101ALI20240617BHJP
G06N 20/00 20190101ALI20240617BHJP
G06F 18/15 20230101ALI20240617BHJP
G01S 19/43 20100101ALI20240617BHJP
G08G 1/00 20060101ALN20240617BHJP
G05D 1/43 20240101ALN20240617BHJP
【ＦＩ】
G01S19/49
G06N3/0442
G06N20/00
G06F18/15
G01S19/43
G08G1/00 X
G05D1/02 Z
【審査請求】未請求
【請求項の数】18
【出願形態】ＯＬ
(21)【出願番号】P 2022198042
(22)【出願日】2022-12-12
(71)【出願人】
【識別番号】304021831
【氏名又は名称】国立大学法人千葉大学
(74)【代理人】
【識別番号】100120031
【弁理士】
【氏名又は名称】宮嶋 学
(74)【代理人】
【識別番号】100103263
【弁理士】
【氏名又は名称】川崎 康
(74)【代理人】
【識別番号】100118876
【弁理士】
【氏名又は名称】鈴木 順生
(72)【発明者】
【氏名】大川 一也
(72)【発明者】
【氏名】山中 幸季
【テーマコード（参考）】
5H181
5H301
5J062
【Ｆターム（参考）】
5H181AA01
5H181BB20
5H181CC12
5H181FF05
5H301BB14
5H301CC03
5H301CC07
5H301FF11
5H301GG17
5J062AA12
5J062CC07
5J062FF01
5J062FF04
(57)【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
【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。
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。
【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。
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。
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。
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。
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。
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】
前記モード切替部は、前記第１の動作モードの実行中に、
前記第２の位置がＦｉｘ解の場合、または、前記第２の位置がＦｌｏａｔ解であり、かつ前記第１の位置と前記第２の位置との距離が所定の第１の距離より短い場合には、前記第２の動作モードへ切り替える、請求項１０に記載の推定装置。
前記第２の位置がＦｉｘ解の場合、または、前記第２の位置がＦｌｏａｔ解であり、かつ前記第１の位置と前記第２の位置との距離が所定の第１の距離より短い場合には、前記第２の動作モードへ切り替える、請求項１０に記載の推定装置。
【請求項12】
前記モード切替部は、前記第２の動作モードの実行中に、
前記第２の位置がＦｌｏａｔ解であり、かつ前記第２の位置に基づいて算出される第２の微小移動距離から前記第１の位置に基づいて算出される第１の微小移動距離を減算した差分が所定の第１の閾値以上の場合、または、前記第２の位置が単独測位解の場合、または、前記第２の位置を取得できない場合には、前記第１の動作モードへ切り替える、請求項１０に記載の推定装置。
前記第２の位置がＦｌｏａｔ解であり、かつ前記第２の位置に基づいて算出される第２の微小移動距離から前記第１の位置に基づいて算出される第１の微小移動距離を減算した差分が所定の第１の閾値以上の場合、または、前記第２の位置が単独測位解の場合、または、前記第２の位置を取得できない場合には、前記第１の動作モードへ切り替える、請求項１０に記載の推定装置。
【請求項13】
前記モード切替部は、前記第１の動作モードの実行中に、
前記移動体が静止しておらず、かつ前記第２の位置がＦｉｘ解であるか、あるいは前記第２の位置が前記第１の位置を中心とする誤差円の内部に収まるかのいずれかである状態が、所定の期間継続する場合には、前記第２の動作モードへ切り替える、請求項１０に記載の推定装置。
前記移動体が静止しておらず、かつ前記第２の位置がＦｉｘ解であるか、あるいは前記第２の位置が前記第１の位置を中心とする誤差円の内部に収まるかのいずれかである状態が、所定の期間継続する場合には、前記第２の動作モードへ切り替える、請求項１０に記載の推定装置。
【請求項14】
前記モード切替部は、前記第２の動作モードの実行中に、
前記第２の位置がＦｉｘ解でなく、かつＦｌｏａｔ解でもない場合、または、前記第２の位置がＦｌｏａｔ解であり、かつ前記第２の位置に基づいて算出される第２の微小移動距離から前記第１の位置に基づいて算出される第１の微小移動距離を減算した差分が所定の第１の閾値以上であるか、あるいは前記第２の位置の垂直移動距離が所定の第２の閾値以上の場合には、前記第１の動作モードへ切り替える、請求項１０に記載の推定装置。
前記第２の位置がＦｉｘ解でなく、かつＦｌｏａｔ解でもない場合、または、前記第２の位置がＦｌｏａｔ解であり、かつ前記第２の位置に基づいて算出される第２の微小移動距離から前記第１の位置に基づいて算出される第１の微小移動距離を減算した差分が所定の第１の閾値以上であるか、あるいは前記第２の位置の垂直移動距離が所定の第２の閾値以上の場合には、前記第１の動作モードへ切り替える、請求項１０に記載の推定装置。
【請求項15】
前記モード切替部は、前記移動体が一定距離を移動する毎に、前記第１の位置および前記第２の位置をセーブポイントとして保存しておき、
前記第２の動作モードから前記第１の動作モードへの切り替えの際には、前記第１の位置に係る１つ前のセーブポイントおよび２つ前のセーブポイントが、前記第２の位置に係る１つ前のセーブポイントおよび２つ前のセーブポイントにそれぞれ一致するように、前記第１の位置に対して回転の座標変換を適用する、請求項１０に記載の推定装置。
前記第２の動作モードから前記第１の動作モードへの切り替えの際には、前記第１の位置に係る１つ前のセーブポイントおよび２つ前のセーブポイントが、前記第２の位置に係る１つ前のセーブポイントおよび２つ前のセーブポイントにそれぞれ一致するように、前記第１の位置に対して回転の座標変換を適用する、請求項１０に記載の推定装置。
【請求項16】
請求項１～１５のいずれか一項に記載の推定装置を備える、移動ロボット。
【請求項17】
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、
前記加速度および前記回転角を、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、該第１の機械学習モデルによって逐次推定される前記移動体の速度を取得するステップと
を含む、推定方法。
前記加速度および前記回転角を、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、該第１の機械学習モデルによって逐次推定される前記移動体の速度を取得するステップと
を含む、推定方法。
【請求項18】
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、
前記加速度および前記回転角を、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、該第１の機械学習モデルによって逐次推定される前記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、コンピュータプログラム。
前記加速度および前記回転角を、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、該第１の機械学習モデルによって逐次推定される前記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、コンピュータプログラム。
【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。
【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】
【非特許文献1】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】
【図1】実施の形態１に係る推定システムの概略を示す図である。
【図2】実施の形態１に係る推定装置の詳細な構成を示す図である。
【図3】第１の機械学習モデルの詳細な構成を示す図である。
【図4】第１のＬＳＴＭの構成を示す図である。
【図5】第１の機械学習モデルの教師データの構成を模式的に示す図である。
【図6】実施の形態１に係る推定装置の動作を説明するフローチャートである。
【図7】実施の形態２に係る推定システムの概略を示す図である。
【図8】実施の形態２に係る推定装置の詳細な構成を示す図である。
【図9】第２の機械学習モデルの詳細な構成を示す図である。
【図10】第２の機械学習モデルの教師データの構成を模式的に示す図である。
【図11】実施の形態２に係る推定装置の動作を説明するフローチャートである。
【図12】モード切り替え処理の第１の例の詳細を説明するフローチャートである。
【図13】モード切り替え処理の第１の例の詳細を説明するフローチャートである。
【図14】モード切り替え処理の第２の例の詳細を説明するフローチャートである。
【図15】誤差円を説明する図である。
【図16】モード切り替え処理の第２の例の詳細を説明するフローチャートである。
【図17】第２の位置の垂直移動距離を説明する図である。
【図18】角度変化の閾値を説明する図である。
【図19】モード切り替え時の状態を説明する図である。
【図20】モード切り替え時の補正を説明する図である。
【発明を実施するための形態】
【0012】
以下では、図面を参照しながら、本開示の実施の形態について説明する。図面において同一または対応する要素には同じ参照符号を付し、詳細な説明は適宜省略する。
【0013】
（実施の形態１）
図１は、本開示の実施の形態１に係る推定システム１００の概略を示す図である。移動ロボット１は、移動手段としての車輪２を備える自律走行型のロボットであり、前進、後進、右旋回、左旋回等の動作を行うことができる。なお、本開示において、「移動ロボット」とは、サービスロボットのほか、ドローン、自動運転車などモビリティ全般を指す概念である。
図１は、本開示の実施の形態１に係る推定システム１００の概略を示す図である。移動ロボット１は、移動手段としての車輪２を備える自律走行型のロボットであり、前進、後進、右旋回、左旋回等の動作を行うことができる。なお、本開示において、「移動ロボット」とは、サービスロボットのほか、ドローン、自動運転車などモビリティ全般を指す概念である。
【0014】
移動ロボット１は、慣性センサ３と、ＧＮＳＳ（Global Navigation Satellite System）４の衛星４ａから発射される電波を受信する受信機５と、無線インターフェース６と、移動ロボット１の速度を逐次推定する推定装置１０とを備えている。
【0015】
推定装置１０は、慣性センサ３によって測定される加速度（ｘ成分とｙ成分）および回転角（ヨー角）と、ＧＮＳＳ４から取得される速度データ（ｘ成分とｙ成分）とに基づいて、移動ロボット１の速度（ｘ成分とｙ成分）を逐次推定する。
【0016】
ＧＮＳＳ４の種類は特に限定されるものではないが、例えば、ネットワーク型ＲＴＫ－ＧＮＳＳ（Real Time Kinematic GNSS）を利用することができる。移動ロボット１は、ＧＮＳＳ４の衛星４ａから発射される電波を受信機５によって受信し、受信された電波に含まれる情報を無線通信によって配信事業者４ｂに送信する。配信事業者４ｂは、受信された情報に基づいて算出された速度データを無線通信によって移動ロボット１に返信する。
【0017】
（推定装置１０の構成）
図２は、推定装置１０の詳細な構成を示す図である。推定装置１０は、第１のデータ取得部１１と、記憶部１２と、第２のデータ取得部１３と、第１の機械学習モデル２０と、第１の出力部１４とを備えている。これらの構成要素は、ソフトウェアで実現されてもよいし、ハードウェアで実現されてもよい。
図２は、推定装置１０の詳細な構成を示す図である。推定装置１０は、第１のデータ取得部１１と、記憶部１２と、第２のデータ取得部１３と、第１の機械学習モデル２０と、第１の出力部１４とを備えている。これらの構成要素は、ソフトウェアで実現されてもよいし、ハードウェアで実現されてもよい。
【0018】
第１のデータ取得部１１は、慣性センサ３によって測定される移動ロボット１の加速度および回転角を所定時間毎に取得する。所定時間は任意に設定可能であるが、例えば０．１秒程度に設定される。
【0019】
記憶部１２は、第１のデータ取得部１１によって取得された複数の時刻における加速度を記憶する。具体的には、現在の時刻ｔにおける加速度と、１所定時間前の時刻ｔ－１における加速度と、２所定時間前の時刻ｔ－２における加速度と、３所定時間前の時刻ｔ－３における加速度と、４所定時間前の時刻ｔ－４における加速度とを記憶する。ただし、記憶部１２に記憶される加速度の数は５つに限定されるものではなく、２つ以上であればよい。
【0020】
第２のデータ取得部１３は、ＧＮＳＳ４から速度データを所定時間毎に取得する。なお、屋内環境等でＧＮＳＳ４の電波を受信できない場合には、第２のデータ取得部１３は速度データとして０を設定する。
【0021】
第１の機械学習モデル２０は、記憶部１２に記憶されている複数の時刻における加速度と、第１のデータ取得部１１から取得される回転角と、第２のデータ取得部１３から取得される速度データとに基づいて、移動ロボット１の速度および速度差分を逐次推定する。ここで、速度は、現在の時刻ｔにおける速度である。また、速度差分は、現在の時刻ｔにおける速度と時刻ｔ－ｎ（ただし、ｎは正の整数）における速度との差分である。この速度差分は、第１の機械学習モデル２０における速度の推定精度を高めるための補助的な推定値である。
【0022】
第１の出力部１４は、第１の機械学習モデル２０によって推定された速度を逐次出力する。なお、速度差分は、上記のように補助的な推定値であるため、出力の対象とはならない。
【0023】
図３は、第１の機械学習モデル２０の詳細な構成を示す図である。第１の機械学習モデル２０は、第１の全結合層２１と、第１の正規化層２２と、時系列データを取り扱うことができる機械学習モデルである第１のＬＳＴＭ（Long Short Term Memory）２３と、第２の全結合層２４とを含んでいる。
【0024】
図４は、第１のＬＳＴＭ２３の構成を示す図である。第１のＬＳＴＭ２３は、忘却ゲートを構成する第１のシグモイド層２３ａおよび第１の乗算器２３ｂと、入力ゲートを構成する第２のシグモイド層２３ｃおよび第２の乗算器２３ｄと、第１のｔａｎｈ層２３ｅおよび加算器２３ｆと、出力ゲートを構成する第３のシグモイド層２３ｇおよび第３の乗算器２３ｈと、第２のｔａｎｈ層２３ｉとを含んでいる。
【0025】
図４において、Ｘｔは現在の時刻ｔにおける入力ベクトルであり、複数の時刻ｔ～ｔ－４における加速度と、現在の時刻ｔにおける回転角および速度データとを結合したものである。Ｃｔは現在の時刻ｔにおける状態ベクトルであり、現在の時刻ｔにおける速度および速度差分を結合したものである。Ｃｔ－１は、時刻ｔ－１における状態ベクトルである。
【0026】
ｆｔは忘却ゲートの活性化ベクトルである。ｉｔは入力ゲートの活性化ベクトルである。ｏｔは出力ゲートの活性化ベクトルである。ｈｔは、現在の時刻ｔにおける隠れ状態ベクトルである。ｈｔ－１は、時刻ｔ－１における隠れ状態ベクトルである。
【0027】
なお、ＬＳＴＭの構成には、上記以外にも種々のバリエーションが存在するが、本開示に係る技術は、上記以外のＬＳＴＭの構成を排除するものではない。また、時系列データを取り扱うことができるモデルであれば、他のモデルを採用してもよい。例えば、ＲＮＮ（Recurrent Neural Network）等を採用してもよい。
【0028】
図５は、第１の機械学習モデル２０の学習時に用いられる教師データ２６の構成を模式的に示す図である。教師データ２６は、入力データ２６ａと正解データ２６ｂとから構成されている。入力データ２６ａは、複数の時刻における加速度と、回転角および速度データとを含んでいる。正解データ２６ｂは、速度および速度差分を含んでいる。
【0029】
正解データ２６ｂに含まれる速度および速度差分は、事前にＧＮＳＳ４を利用して取得される速度データを用いて作成することができる。また、入力データ２６ａに含まれる速度データは、事前にＧＮＳＳ４を利用して取得される速度データをランダムに抽出して作成するか、あるいは０を設定してもよい。
【0030】
（推定装置１０の動作）
次に、本実施の形態１に係る推定装置１０の実際の運用時の動作について、図６のフローチャートを参照して説明する。図６のフローチャートの開始時において、第１の機械学習モデル２０の学習は既に完了している。また、記憶部１２には、複数の時刻ｔ～ｔ－４における加速度の初期値として０が記憶されている。
次に、本実施の形態１に係る推定装置１０の実際の運用時の動作について、図６のフローチャートを参照して説明する。図６のフローチャートの開始時において、第１の機械学習モデル２０の学習は既に完了している。また、記憶部１２には、複数の時刻ｔ～ｔ－４における加速度の初期値として０が記憶されている。
【0031】
ステップＳ１０１において、第１のデータ取得部１１は、慣性センサ３によって測定される移動ロボット１の加速度および回転角を取得する。
【0032】
ステップＳ１０２において、記憶部１２は、現在記憶されている最も古い時刻ｔ－４における加速度を破棄し、時刻ｔ～ｔ－３における加速度を時刻ｔ－１～ｔ－４における加速度に順次繰り下げ、上記のステップＳ１０１で取得された加速度を現在の時刻ｔにおける加速度として新たに記憶する。
【0033】
ステップＳ１０３において、第２のデータ取得部１３は、ＧＮＳＳ４から速度データを取得する。この際、屋内環境等でＧＮＳＳ４の電波を受信できない場合には、第２のデータ取得部１３は速度データとして０を設定する。
【0034】
ステップＳ１０４において、第１の機械学習モデル２０は、記憶部１２に記憶されている複数の時刻における加速度と、上記のステップＳ１０１で取得された回転角と、上記のステップＳ１０３で取得された速度データとに基づいて、移動ロボット１の速度および速度差分を推定する。
【0035】
ステップＳ１０５において、第１の出力部１４は、上記のステップＳ１０４で推定された移動ロボット１の速度を出力する。出力された速度は、例えば、移動ロボット１に搭載されている図示しない制御ユニットに入力され、移動ロボット１の自律走行制御に用いられる。
【0036】
上記のステップＳ１０１～Ｓ１０５の処理を所定時間の周期で繰り返し実行することにより、推定装置１０は、移動ロボット１の速度を逐次推定することができる。なお、先述したように、所定時間は任意に設定可能であるが、例えば０．１秒程度に設定される。
【0037】
以上説明したように、本実施の形態１に係る推定装置１０は、慣性センサ３によって測定される移動ロボット１の加速度および回転角を取得する第１のデータ取得部１１と、時系列データを取り扱える第１の機械学習モデル２０とを備えている。第１の機械学習モデル２０は、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、移動ロボット１の速度を逐次推定する。
【0038】
上記のように、本実施の形態１に係る推定装置１０では、慣性センサの測定値を積分するのではなく、時系列データを取り扱える機械学習モデルを用いて、慣性センサの測定値から速度を直接推定している。このような特徴により、本実施の形態１に係る推定装置１０は、慣性センサの測定値から移動ロボットの速度を高精度に推定することができる。
【0039】
また、本実施の形態１に係る推定装置１０は、移動ロボット１の複数の時刻における加速度を記憶する記憶部１２を備えている。第１の機械学習モデル２０は、移動ロボット１の複数の時刻における加速度を逐次入力として受け取り、当該複数の時刻における加速度に基づいて、移動ロボット１の速度を逐次推定する。
【0040】
上記の特徴は、現在の時刻における加速度だけでなく、複数の時刻における加速度を機械学習モデルに入力することにより、速度の推定精度が向上するという、本開示の発明者によって見いだされた知見に基づくものである。このような特徴により、移動ロボットの速度をさらに高精度に推定することができる。
【0041】
また、本実施の形態１では、第１の機械学習モデル２０は、移動ロボット１の速度だけでなく、速度差分も逐次推定している。上述したように、この速度差分は、第１の機械学習モデル２０における速度の推定精度を高めるための補助的な推定値である。
【0042】
上記の特徴は、速度だけでなく、速度差分も併せて推定することにより、結果として速度の推定精度が向上するという、本開示の発明者によって見いだされた知見に基づくものである。このような特徴により、移動ロボットの速度をさらに高精度に推定することができる。
【0043】
また、本実施の形態１に係る推定装置１０は、ＧＮＳＳ４から速度データを取得する第２のデータ取得部１３を備えている。第１の機械学習モデル２０は、速度データを逐次入力として受け取り、当該速度データにさらに基づいて、移動ロボット１の速度を逐次推定する。
【0044】
上記の特徴は、慣性センサの測定値だけでなく、ＧＮＳＳから取得される速度データも併せて機械学習モデルに入力することにより、速度の推定精度が向上するという、本開示の発明者によって見いだされた知見に基づくものである。このような特徴により、移動ロボットの速度をさらに高精度に推定することができる。
【0045】
（実施の形態２）
図７は、本開示の実施の形態２に係る推定システム２００の概略を示す図である。移動ロボット２０１には、移動ロボット２０１の速度および位置を逐次推定する推定装置２１０が搭載されている。
図７は、本開示の実施の形態２に係る推定システム２００の概略を示す図である。移動ロボット２０１には、移動ロボット２０１の速度および位置を逐次推定する推定装置２１０が搭載されている。
【0046】
推定装置２１０は、慣性センサ３によって測定される加速度（ｘ成分とｙ成分）および回転角（ヨー角）と、ＧＮＳＳ４から取得される速度データ（ｘ成分とｙ成分）および位置データ（ｘ成分とｙ成分）とに基づいて、移動ロボット２０１の速度（ｘ成分とｙ成分）および位置（ｘ成分とｙ成分）を逐次推定する。
【0047】
（推定装置２１０の構成）
図８は、推定装置２１０の詳細な構成を示す図である。推定装置２１０は、実施の形態１に係る推定装置１０の構成要素に加えて、第２の機械学習モデル２３０と、第３のデータ取得部２１５と、モード切替部２１６と、第２の出力部２１７とを備えている。これらの構成要素は、ソフトウェアで実現されてもよいし、ハードウェアで実現されてもよい。
図８は、推定装置２１０の詳細な構成を示す図である。推定装置２１０は、実施の形態１に係る推定装置１０の構成要素に加えて、第２の機械学習モデル２３０と、第３のデータ取得部２１５と、モード切替部２１６と、第２の出力部２１７とを備えている。これらの構成要素は、ソフトウェアで実現されてもよいし、ハードウェアで実現されてもよい。
【0048】
第２の機械学習モデル２３０は、第１の機械学習モデル２０によって推定された速度と、第１のデータ取得部１１から取得される回転角とに基づいて、移動ロボット２０１の第１の位置を逐次推定する。
【0049】
第３のデータ取得部２１５は、ＧＮＳＳ４から位置データを所定時間毎に取得し、これを移動ロボット２０１の第２の位置とする。ＧＮＳＳ４の位置データには、精度が５ｍｍ～２０ｍｍ程度のＦｉｘ解と、精度が１０ｃｍ～数ｍ程度のＦｌｏａｔ解と、精度が１０ｍ程度の単独測位解とが定義されている。また、屋内環境等でＧＮＳＳ４の電波を受信できない場合には、第３のデータ取得部２１５は、第２の位置として無効値を意味するＮＵＬＬを設定する。
【0050】
モード切替部２１６は、第２の機械学習モデル２３０によって推定された第１の位置と、第３のデータ取得部２１５によって取得された第２の位置とに基づいて、現在の動作モードから他の動作モードへ切り替えるか否かを決定する。
【0051】
詳細には、本実施の形態２では、第１の動作モードと第２の動作モードとが定義されている。第１の動作モードでは、慣性センサ３の測定値から推定される第１の位置が移動ロボット２０１の正確な位置として採用される。第２の動作モードでは、ＧＮＳＳ４から取得される第２の位置が移動ロボット２０１の正確な位置として採用される。
【0052】
モード切替部２１６は、第１の動作モードの実行中に、ＧＮＳＳ４から取得される第２の位置の信頼性が慣性センサ３の測定値から推定される第１の位置の信頼性よりも高いと判断される場合には、第１の動作モードから第２の動作モードへ切り替える。
【0053】
また、モード切替部２１６は、第２の動作モードの実行中に、慣性センサ３の測定値から推定される第１の位置の信頼性がＧＮＳＳ４から取得される第２の位置の信頼性よりも高いと判断される場合、または、ＧＮＳＳ４から第２の位置を取得できない場合には、第２の動作モードから第１の動作モードへ切り替える。
【0054】
第２の出力部２１７は、モード切替部２１６によって採用された移動ロボット２０１の正確な位置を出力する。
【0055】
図９は、第２の機械学習モデル２３０の詳細な構成を示す図である。第２の機械学習モデル２３０は、第３の全結合層２３１と、第２の正規化層２３２と、時系列データを取り扱うことができる機械学習モデルである第２のＬＳＴＭ（Long Short Term Memory）２３３と、第４の全結合層２３４と、第５の全結合層２３５とを含んでいる。
【0056】
第２のＬＳＴＭ２３３の構成は、図４に示される第１のＬＳＴＭ２３の構成と同様である。ただし、第２のＬＳＴＭ２３３では、現在の時刻ｔにおける入力ベクトルＸｔは、第１の機械学習モデル２０によって推定された現在の時刻ｔにおける速度と、現在の時刻ｔにおける回転角とを結合したものである。また、現在の時刻ｔにおける状態ベクトルＣｔは、現在の時刻ｔにおける第１の位置である。
【0057】
また、先述したように、ＬＳＴＭの構成には種々のバリエーションが存在するが、本開示に係る技術は、上記以外のＬＳＴＭの構成を排除するものではない。また、時系列データを取り扱うことができるモデルであれば、他のモデルを採用してもよい。例えば、ＲＮＮ（Recurrent Neural Network）等を採用してもよい。
【0058】
図１０は、第２の機械学習モデル２３０の学習時に用いられる教師データ２３６の構成を模式的に示す図である。教師データ２３６は、入力データ２３６ａと正解データ２３６ｂとから構成されている。入力データ２３６ａは、速度および回転角を含んでいる。正解データ２３６ｂは、第１の位置を含んでいる。
【0059】
正解データ２３６ｂに含まれる第１の位置は、事前にＧＮＳＳ４を利用して取得される位置データから初期位置を補正して作成することができる。また、入力データ２３６ａに含まれる速度データは、事前にＧＮＳＳ４を利用して取得される速度データをランダムに抽出して作成するか、あるいは０を設定してもよい。
【0060】
（推定装置２１０の動作）
次に、本実施の形態２に係る推定装置２１０の実際の運用時の動作について、図１１のフローチャートを参照して説明する。図１１のフローチャートの開始時において、第１の機械学習モデル２０および第２の機械学習モデル２３０の学習は既に完了している。また、記憶部１２には、複数の時刻ｔ～ｔ－４における加速度の初期値として０が記憶されている。
次に、本実施の形態２に係る推定装置２１０の実際の運用時の動作について、図１１のフローチャートを参照して説明する。図１１のフローチャートの開始時において、第１の機械学習モデル２０および第２の機械学習モデル２３０の学習は既に完了している。また、記憶部１２には、複数の時刻ｔ～ｔ－４における加速度の初期値として０が記憶されている。
【0061】
ステップＳ２０１において、第１のデータ取得部１１は、慣性センサ３によって測定される移動ロボット２０１の加速度および回転角を取得する。
【0062】
ステップＳ２０２において、記憶部１２は、現在記憶されている最も古い時刻ｔ－４における加速度を破棄し、時刻ｔ～ｔ－３における加速度を時刻ｔ－１～ｔ－４における加速度に順次繰り下げ、上記のステップＳ２０１で取得された加速度を現在の時刻ｔにおける加速度として新たに記憶する。
【0063】
ステップＳ２０３において、第２のデータ取得部１３は、ＧＮＳＳ４から速度データを取得する。この際、屋内環境等でＧＮＳＳ４の電波を受信できない場合には、第２のデータ取得部１３は速度データとして０を設定する。
【0064】
ステップＳ２０４において、第１の機械学習モデル２０は、記憶部１２に記憶されている複数の時刻における加速度と、上記のステップＳ２０１で取得された回転角と、上記のステップＳ２０３で取得された速度データとに基づいて、移動ロボット２０１の速度および速度差分を推定する。
【0065】
ステップＳ２０５において、第１の出力部１４は、上記のステップＳ２０４で推定された移動ロボット２０１の速度を出力する。出力された速度は、例えば、移動ロボット２０１に搭載されている図示しない制御ユニットに入力され、移動ロボット２０１の自律走行制御に用いられる。
【0066】
ステップＳ２０６において、第２の機械学習モデル２３０は、上記のステップＳ２０４で推定された速度と、上記のステップＳ２０１で取得された回転角とに基づいて、移動ロボット２０１の第１の位置を推定する。
【0067】
ステップＳ２０７において、第３のデータ取得部２１５は、ＧＮＳＳ４から位置データを取得し、これを移動ロボット２０１の第２の位置とする。なお、屋内環境等でＧＮＳＳ４の電波を受信できない場合には、第３のデータ取得部２１５は、第２の位置として無効値を意味するＮＵＬＬを設定する。
【0068】
ステップＳ２０８において、モード切替部２１６は、上記のステップＳ２０６で推定された第１の位置と、上記のステップＳ２０７で取得された第２の位置とに基づいて、現在の動作モードから他の動作モードへ切り替えるか否かを決定する。この処理の詳細については、図１２～図２０を参照して後述する。
【0069】
第１の動作モードでは、第１の位置が移動ロボット２０１の正確な位置として採用される。第２の動作モードでは、第２の位置が移動ロボット２０１の正確な位置として採用される。
【0070】
ステップＳ２０９において、第２の出力部２１７は、上記のステップＳ２０８で採用された移動ロボット２０１の正確な位置を出力する。出力された正確な位置は、例えば、移動ロボット２０１に搭載されている図示しない制御ユニットに入力され、移動ロボット２０１の自律走行制御に用いられる。
【0071】
上記のステップＳ２０１～Ｓ２０９の処理を所定時間の周期で繰り返し実行することにより、推定装置２１０は、移動ロボット２０１の速度および正確な位置を逐次推定することができる。なお、先述したように、所定時間は任意に設定可能であるが、例えば０．１秒程度に設定される。
【0072】
（モード切り替え処理の第１の例（第１の動作モードの実行中））
図１２は、第１の動作モードの実行中におけるモード切り替え処理の第１の例の詳細を説明するフローチャートである。これらの処理は、第１の動作モードの実行中における図１１のステップＳ２０８の処理として実行される。
図１２は、第１の動作モードの実行中におけるモード切り替え処理の第１の例の詳細を説明するフローチャートである。これらの処理は、第１の動作モードの実行中における図１１のステップＳ２０８の処理として実行される。
【0073】
モード切替部２１６は、第２の位置Ｘ２がＦｉｘ解の場合（Ｓ３０１＝ＹＥＳ）には、第２の動作モードへ切り替える（Ｓ３０４）。また、モード切替部２１６は、第２の位置Ｘ２がＦｌｏａｔ解であり（Ｓ３０２＝ＹＥＳ）、かつ第１の位置Ｘ１と第２の位置Ｘ２との距離が所定の第１の距離Ｌ１より短い場合（Ｓ３０３＝ＹＥＳ）にも、第２の動作モードへ切り替える（Ｓ３０４）。
【0074】
（モード切り替え処理の第１の例（第２の動作モードの実行中））
図１３は、第２の動作モードの実行中におけるモード切り替え処理の第１の例の詳細を説明するフローチャートである。これらの処理は、第２の動作モードの実行中における図１１のステップＳ２０８の処理として実行される。
図１３は、第２の動作モードの実行中におけるモード切り替え処理の第１の例の詳細を説明するフローチャートである。これらの処理は、第２の動作モードの実行中における図１１のステップＳ２０８の処理として実行される。
【0075】
モード切替部２１６は、第２の位置Ｘ２がＦｌｏａｔ解であり（Ｓ４０１＝ＹＥＳ）、かつ第２の微小移動距離ｄＸ２から第１の微小移動距離ｄＸ１を減算した差分が所定の第１の閾値Ｄ１以上の場合（Ｓ４０２＝ＹＥＳ）には、第１の動作モードへ切り替える（Ｓ４０５）。
【0076】
ただし、第１の微小移動距離ｄＸ１は、時刻ｔ－１における第１の位置Ｘ１，ｔ－１から現在の時刻ｔにおける第１の位置Ｘ１，ｔまでの移動距離として、以下の式に従って算出される。
【0077】
【数1】
【0078】
同様に、第２の微小移動距離ｄＸ２は、時刻ｔ－１における第２の位置Ｘ２，ｔ－１から現在の時刻ｔにおける第２の位置Ｘ２，ｔまでの移動距離として、以下の式に従って算出される。
【0079】
【数2】
【0080】
第１の閾値Ｄ１は、移動ロボット２０１の最大速度Ｖｍａｘと所定時間Δｔとの積として、以下の式に従って定義される。
【0081】
【数3】
【0082】
また、モード切替部２１６は、第２の位置Ｘ２が単独測位解の場合（Ｓ４０３＝ＹＥＳ）、または、第２の位置Ｘ２を取得できない場合（Ｓ４０４＝ＹＥＳ）にも、第１の動作モードへ切り替える（Ｓ４０５）。
【0083】
（モード切り替え処理の第２の例（第１の動作モードの実行中））
図１４は、第１の動作モードの実行中におけるモード切り替え処理の第２の例の詳細を説明するフローチャートである。これらの処理は、第１の動作モードの実行中における図１１のステップＳ２０８の処理として実行される。
図１４は、第１の動作モードの実行中におけるモード切り替え処理の第２の例の詳細を説明するフローチャートである。これらの処理は、第１の動作モードの実行中における図１１のステップＳ２０８の処理として実行される。
【0084】
モード切替部２１６は、移動ロボット２０１が静止しておらず（Ｓ５０３＝ＹＥＳ）、かつ第２の位置Ｘ２がＦｉｘ解であるか（Ｓ５０２＝ＹＥＳ）、あるいは第２の位置Ｘ２が第１の位置Ｘ１を中心とする誤差円の内部に収まるか（Ｓ５０９＝ＹＥＳ）のいずれかである状態が、所定の期間T継続する場合（Ｓ５０５＝ＹＥＳ）には、第２の動作モードへ切り替える（Ｓ５１１）。
【0085】
誤差円の半径Ｒは、第１の動作モードの開始時刻ｔｃｈａｎｇｅにおける第１の位置Ｘ１，ｔｃｈａｎｇｅからの移動距離に所定の調整係数ａを乗じることにより、以下の式に従って算出される（Ｓ５０６）。
【0086】
【数4】
【0087】
慣性センサ３の測定値に基づいて推定される第１の位置Ｘ１は、移動距離の増加とともに誤差が増大する傾向がある。そのため、移動距離の増加にともなって誤差円の半径Ｒも増加させる（図１５を参照）。ただし、誤差円の半径Ｒが無制限に増加するのを防ぐために、最大半径Ｒｍａｘを設定している（Ｓ５０７～Ｓ５０８）。
【0088】
最大半径Ｒｍａｘは、例えば１０ｍ程度に設定することができる。調整係数ａは、例えば０．５程度に設定することができる。この場合、移動距離が２０ｍ程度で最大半径Ｒｍａｘに到達する。また、所定の期間Ｔは、所定回数Ｎと所定時間Δｔとの積として、以下の式に従って算出される。
【0089】
【数5】
【0090】
図１４のステップＳ５０４におけるカウント処理がＮ回行われたときに、所定の期間Ｔが経過したことになる。所定回数Ｎは、例えば２０程度に設定することができる。
【0091】
また、移動ロボット２０１が静止している時間は、上記の所定の期間Ｔには算入されない。これはＧＮＳＳ４から取得される第２の位置Ｘ２は、移動ロボット２０１が静止していても若干変動するため、移動ロボット２０１が静止しているだけで第２の動作モードへの切り替えが行われるのを防ぐためである。移動ロボット２０１の静止を判定する所定の閾値Ｍは、例えば０．１ｍ程度に設定することができる。
【0092】
（モード切り替え処理の第２の例（第１の動作モードの実行中））
図１６は、第１の動作モードの実行中におけるモード切り替え処理の第２の例の詳細を説明するフローチャートである。これらの処理は、第１の動作モードの実行中における図１１のステップＳ２０８の処理として実行される。
図１６は、第１の動作モードの実行中におけるモード切り替え処理の第２の例の詳細を説明するフローチャートである。これらの処理は、第１の動作モードの実行中における図１１のステップＳ２０８の処理として実行される。
【0093】
モード切替部２１６は、第２の位置Ｘ２がＦｉｘ解でなく（Ｓ６０１＝ＮＯ）、かつＦｌｏａｔ解でもない場合（Ｓ６０２＝ＮＯ）には、第１の動作モードへ切り替える（ＳＳ６０５）。また、モード切替部２１６は、第２の位置Ｘ２がＦｌｏａｔ解であり（Ｓ６０２＝ＹＥＳ）、かつ第２の微小移動距離ｄＸ２から第１の微小移動距離ｄＸ１を減算した差分が所定の第１の閾値Ｄ１以上であるか（Ｓ６０３＝ＹＥＳ）、あるいは第２の位置の垂直移動距離Ｄｖが所定の第２の閾値Ｄ２以上である場合（Ｓ６０４＝ＹＥＳ）にも、第１の動作モードへ切り替える（Ｓ６０５）。
【0094】
第２の位置の垂直移動距離Ｄｖは、現在の時刻ｔにおける第２の位置Ｘ２，ｔと、時刻ｔ－１における第２の位置Ｘ２，ｔ－１とを用いて、以下の式に従って算出される（図１７を参照）。
【0095】
【数6】
【0096】
第１の閾値Ｄ１は、移動ロボット２０１の最大速度Ｖｍａｘと所定時間Δｔとの積として、以下の式に従って定義される。
【0097】
【数7】
【0098】
第２の閾値Ｄ２は、移動ロボット２０１の最大速度Ｖｍａｘと所定時間Δｔとの積の１／２として、以下の式に従って定義される。
【0099】
【数8】
【0100】
なお、上記の第２の位置の垂直移動距離Ｄｖに基づく判定は、移動ロボット２０１の速度に応じて、第２の位置の角度変化に基づく判定を行っていると解釈することもできる。詳細には、第２の閾値Ｄ２は、移動ロボット２０１の速度Ｖと所定時間Δｔとを用いて、角度変化θの閾値Ａｎｇｊｕｄｇｅに変換することができる（図１８を参照）。
【0101】
【数9】
【0102】
閾値Ａｎｇｊｕｄｇｅは、移動ロボット２０１の速度Ｖが大きいほど小さくなる。例えば、移動ロボット２０１が最高速度Ｖｍａｘで走行している場合には、閾値Ａｎｇｊｕｄｇｅ＝２７度となる。すなわち、移動ロボット２０１が最高速度Ｖｍａｘで走行している場合には、第２の位置の角度変化θが２７度以上の場合に、第１の動作モードへの切り替えが行われる。
【0103】
（モード切り替え時の補正（セーブポイント））
第２の動作モードから第１の動作モードへ切り替える際には、モード切り替え直後に推定される第１の位置Ｘ１と、それまでに取得された第２の位置Ｘ２の軌跡とが連続するように、第１の位置Ｘ１が補正されることが好ましい。補正の方法としては、例えば、モード切り替え直前の第２の位置Ｘ２とモード切り替え直後の第１の位置Ｘ１とが一致するように、第１の位置Ｘ１に対して回転の座標変換を適用することが考えられる。
第２の動作モードから第１の動作モードへ切り替える際には、モード切り替え直後に推定される第１の位置Ｘ１と、それまでに取得された第２の位置Ｘ２の軌跡とが連続するように、第１の位置Ｘ１が補正されることが好ましい。補正の方法としては、例えば、モード切り替え直前の第２の位置Ｘ２とモード切り替え直後の第１の位置Ｘ１とが一致するように、第１の位置Ｘ１に対して回転の座標変換を適用することが考えられる。
【0104】
しかしながら、図１９に示されるように、第２の位置Ｘ２の信頼性が低下して第２の動作モードから第１の動作モードへの切り替えが行われる際には、モード切り替えの少し以前から第２の位置Ｘ２の座標が乱れている場合が多い。そのため、モード切り替え直前の第２の位置Ｘ２に一致するように第１の位置Ｘ１に対して座標変換を適用してしまうと、それ以降に推定される第１の位置Ｘ１に誤りが生じてしまう可能性がある。
【0105】
この問題に対処するために、「セーブポイント」という概念を導入する。モード切替部２１６は、移動ロボット２０１が一定距離を走行する毎に、第１の位置Ｘ１および第２の位置Ｘ２をセーブポイントとして保存しておく。セーブポイントを保存する間隔は任意であるが、例えば５ｍ程度に設定することができる。
【0106】
図２０に示されるように、第２の動作モードから第１の動作モードへの切り替えの際には、第１の位置Ｘ１に係る１つ前のセーブポイントＬ－１および２つ前のセーブポイントＬ－２が、第２の位置Ｘ２に係る１つ前のセーブポイントＧ－１および２つ前のセーブポイントＧ－２にそれぞれ一致するように、第１の位置Ｘ１に対して回転の座標変換を適用する。これにより、モード切り替え直前の信頼性の低い第２の位置Ｘ２ではなく、それ以前のより信頼性の高い第２の位置Ｘ２に連続するように、第１の位置Ｘ１を補正することができる。
【0107】
なお、移動ロボット２０１が一定距離を走行する毎にセーブポイントを保存するのに加えて、第１の動作モードから第２の動作モードへの切り替え時、および第２の動作モードから第１の動作モードへの切り替え時にも、セーブポイントを保存してもよい。
【0108】
以上説明したように、本実施の形態２に係る推定装置２１０は、第２の機械学習モデル２３０を備えている。第２の機械学習モデル２３０は、第１の機械学習モデル２０によって推定される移動ロボット２０１の速度、および慣性センサ３によって測定される移動ロボット２０１の回転角を逐次入力として受け取り、当該速度および回転角に基づいて、移動ロボット２０１の第１の位置を逐次推定する。
【0109】
上記のように、本実施の形態２に係る推定装置２１０では、慣性センサの測定値を積分するのではなく、時系列データを取り扱える機械学習モデルを用いて、慣性センサの測定値から速度を直接推定し、推定された速度と慣性センサの測定値とから位置を推定している。このような特徴により、本実施の形態２に係る推定装置２１０は、慣性センサの測定値から移動ロボットの速度および位置を高精度に推定することができる。
【0110】
また、本実施の形態２に係る推定装置２１０は、ＧＮＳＳ４から位置データを取得して移動ロボット２０１の第２の位置とする第３のデータ取得部２１５と、第１の位置および第２の位置に基づいて、現在の動作モードから他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２１６とを備えている。
【0111】
第１の動作モードでは、第１の位置が移動ロボット２０１の正確な位置として採用される。第２の動作モードでは、第２の位置が移動ロボット２０１の正確な位置として採用される。このような特徴により、第１の位置と第２の位置のうち、より高い精度が期待できる方を移動ロボット２０１の正確な位置として採用することができる。
【0112】
本開示の幾つかの実施の形態を説明したが、これらの実施の形態は例として提示したものであり、開示の範囲を限定することは意図していない、これらの実施の形態は、その他の様々な形態で実施されることが可能であり、開示の要旨を逸脱しない範囲で、種々の省略、置き換え、変更等を行うことができる。これら実施の形態やその変形は、開示の範囲や要旨に含まれると同様に、特許請求の範囲に記載された開示とその均等の範囲に含まれるものである。
【0113】
また、本開示の処理は、特定の規格に限定されるものではなく、例示された設定は、適宜に変更されてよい。また、本開示の処理の手順は、これら一連の手順を有する方法として捉えてもよい。あるいは、本開示の処理の手順は、これら一連の手順をコンピュータに実施させるためのプログラム、または、当該プログラムを記憶する記録媒体として捉えてもよい。その場合、本開示の処理は、コンピュータのＣＰＵ等のプロセッサによって実行される。また、記録媒体の種類は、本開示の実施の形態に影響を及ぼすものではないため、特に限定されるものではない。
【0114】
また、本開示の図２、図３、図４、図８、図９で示された各構成要素は、ソフトウェアで実現されてもよいし、ハードウェアで実現されてもよい。例えば、各構成要素がマイクロプログラム等のソフトウェアで実現されるソフトウェアモジュールであり、プロセッサが当該ソフトウェアモジュールを実行することにより、各構成要素が実現されてもよい。あるいは、各構成要素が、半導体チップ（ダイ）上の回路ブロック、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）またはＦＰＧＡ（Field Programmable Gate Array）等の集積回路によって実現されてもよい。また、構成要素の数と構成要素を実現するハードウェアの数とは一致していなくてもよい。例えば、１つのプロセッサまたは回路が複数の構成要素を実現してもよい。反対に、１つの構成要素が複数のプロセッサまたは回路によって実現されてもよい。
【0115】
また、本開示で述べられたプロセッサは、その種類が限定されるものではない。プロセッサは、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、またはＧＰＵ（Graphics Processing Unit）等であってもよい。
【0116】
なお、本開示は、以下のような構成を取ることもできる。
［項目１］（実１、実２）
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。
［項目２］（実１、実２）
前記第１の機械学習モデルは、第１のＬＳＴＭを含む、項目１に記載の推定装置。
［項目３］（実１、実２）
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、項目２に記載の推定装置。
［項目４］（実１、実２）
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、項目１～３のいずれか一項に記載の推定装置。
［項目５］（実１、実２）
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、項目１～４のいずれか一項に記載の推定装置。
［項目６］（実１、実２）
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、項目１～５のいずれか一項に記載の推定装置。
［項目７］（実２）
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、項目１～６のいずれか一項に記載の推定装置。
［項目８］（実２）
前記第２の機械学習モデルは、第２のＬＳＴＭを含む、項目７に記載の推定装置。
［項目９］（実２）
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、項目８に記載の推定装置。
［項目１０］（実２）
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、項目７～９のいずれか一項に記載の推定装置。
［項目１１］（実２：第１の例）
前記モード切替部は、前記第１の動作モードの実行中に、
前記第２の位置がＦｉｘ解の場合、または、前記第２の位置がＦｌｏａｔ解であり、かつ前記第１の位置と前記第２の位置との距離が所定の第１の距離より短い場合には、前記第２の動作モードへ切り替える、項目１０に記載の推定装置。
［項目１２］（実２：第１の例）
前記モード切替部は、前記第２の動作モードの実行中に、
前記第２の位置がＦｌｏａｔ解であり、かつ前記第２の位置に基づいて算出される第２の微小移動距離から前記第１の位置に基づいて算出される第１の微小移動距離を減算した差分が所定の第１の閾値以上の場合、または、前記第２の位置が単独測位解の場合、または、前記第２の位置を取得できない場合には、前記第１の動作モードへ切り替える、項目１０または１１に記載の推定装置。
［項目１３］（実２：第２の例）
前記モード切替部は、前記第１の動作モードの実行中に、
前記移動体が静止しておらず、かつ前記第２の位置がＦｉｘ解であるか、あるいは前記第２の位置が前記第１の位置を中心とする誤差円の内部に収まるかのいずれかである状態が、所定の期間継続する場合には、前記第２の動作モードへ切り替える、項目１０に記載の推定装置。
［項目１４］（実２：第２の例）
前記モード切替部は、前記第２の動作モードの実行中に、
前記第２の位置がＦｉｘ解でなく、かつＦｌｏａｔ解でもない場合、または、前記第２の位置がＦｌｏａｔ解であり、かつ前記第２の位置に基づいて算出される第２の微小移動距離から前記第１の位置に基づいて算出される第１の微小移動距離を減算した差分が所定の第１の閾値以上であるか、あるいは前記第２の位置の垂直移動距離が所定の第２の閾値以上の場合には、前記第１の動作モードへ切り替える、項目１０または１３に記載の推定装置。
［項目１５］（実２）
前記モード切替部は、前記移動体が一定距離を移動する毎に、前記第１の位置および前記第２の位置をセーブポイントとして保存しておき、
前記第２の動作モードから前記第１の動作モードへの切り替えの際には、前記第１の位置に係る１つ前のセーブポイントおよび２つ前のセーブポイントが、前記第２の位置に係る１つ前のセーブポイントおよび２つ前のセーブポイントにそれぞれ一致するように、前記第１の位置に対して回転の座標変換を適用する、項目１０～１４のいずれか一項に記載の推定装置。
［項目１６］
項目１～１５のいずれか一項に記載の推定装置を備える、移動ロボット。
［項目１７］
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、
前記加速度および前記回転角を、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、該第１の機械学習モデルによって逐次推定される前記移動体の速度を取得するステップと
を含む、推定方法。
［項目１８］
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、
前記加速度および前記回転角を、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、該第１の機械学習モデルによって逐次推定される前記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、コンピュータプログラム。
［項目１］（実１、実２）
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。
［項目２］（実１、実２）
前記第１の機械学習モデルは、第１のＬＳＴＭを含む、項目１に記載の推定装置。
［項目３］（実１、実２）
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、項目２に記載の推定装置。
［項目４］（実１、実２）
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、項目１～３のいずれか一項に記載の推定装置。
［項目５］（実１、実２）
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、項目１～４のいずれか一項に記載の推定装置。
［項目６］（実１、実２）
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、項目１～５のいずれか一項に記載の推定装置。
［項目７］（実２）
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、項目１～６のいずれか一項に記載の推定装置。
［項目８］（実２）
前記第２の機械学習モデルは、第２のＬＳＴＭを含む、項目７に記載の推定装置。
［項目９］（実２）
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、項目８に記載の推定装置。
［項目１０］（実２）
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、項目７～９のいずれか一項に記載の推定装置。
［項目１１］（実２：第１の例）
前記モード切替部は、前記第１の動作モードの実行中に、
前記第２の位置がＦｉｘ解の場合、または、前記第２の位置がＦｌｏａｔ解であり、かつ前記第１の位置と前記第２の位置との距離が所定の第１の距離より短い場合には、前記第２の動作モードへ切り替える、項目１０に記載の推定装置。
［項目１２］（実２：第１の例）
前記モード切替部は、前記第２の動作モードの実行中に、
前記第２の位置がＦｌｏａｔ解であり、かつ前記第２の位置に基づいて算出される第２の微小移動距離から前記第１の位置に基づいて算出される第１の微小移動距離を減算した差分が所定の第１の閾値以上の場合、または、前記第２の位置が単独測位解の場合、または、前記第２の位置を取得できない場合には、前記第１の動作モードへ切り替える、項目１０または１１に記載の推定装置。
［項目１３］（実２：第２の例）
前記モード切替部は、前記第１の動作モードの実行中に、
前記移動体が静止しておらず、かつ前記第２の位置がＦｉｘ解であるか、あるいは前記第２の位置が前記第１の位置を中心とする誤差円の内部に収まるかのいずれかである状態が、所定の期間継続する場合には、前記第２の動作モードへ切り替える、項目１０に記載の推定装置。
［項目１４］（実２：第２の例）
前記モード切替部は、前記第２の動作モードの実行中に、
前記第２の位置がＦｉｘ解でなく、かつＦｌｏａｔ解でもない場合、または、前記第２の位置がＦｌｏａｔ解であり、かつ前記第２の位置に基づいて算出される第２の微小移動距離から前記第１の位置に基づいて算出される第１の微小移動距離を減算した差分が所定の第１の閾値以上であるか、あるいは前記第２の位置の垂直移動距離が所定の第２の閾値以上の場合には、前記第１の動作モードへ切り替える、項目１０または１３に記載の推定装置。
［項目１５］（実２）
前記モード切替部は、前記移動体が一定距離を移動する毎に、前記第１の位置および前記第２の位置をセーブポイントとして保存しておき、
前記第２の動作モードから前記第１の動作モードへの切り替えの際には、前記第１の位置に係る１つ前のセーブポイントおよび２つ前のセーブポイントが、前記第２の位置に係る１つ前のセーブポイントおよび２つ前のセーブポイントにそれぞれ一致するように、前記第１の位置に対して回転の座標変換を適用する、項目１０～１４のいずれか一項に記載の推定装置。
［項目１６］
項目１～１５のいずれか一項に記載の推定装置を備える、移動ロボット。
［項目１７］
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、
前記加速度および前記回転角を、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、該第１の機械学習モデルによって逐次推定される前記移動体の速度を取得するステップと
を含む、推定方法。
［項目１８］
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、
前記加速度および前記回転角を、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、該第１の機械学習モデルによって逐次推定される前記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、コンピュータプログラム。
【符号の説明】
【0117】
１ 移動ロボット（移動体）
２ 車輪
３ 慣性センサ
４ ＧＮＳＳ
４ａ 衛星
４ｂ 配信事業者
５ 受信機
６ 無線インターフェース
１０ 推定装置
１１ 第１のデータ取得部
１２ 記憶部
１３ 第２のデータ取得部
１４ 第１の出力部
２０ 第１の機械学習モデル
２１ 第１の全結合層
２２ 第１の正規化層
２３ 第１のＬＳＴＭ
２３ａ 第１のシグモイド層
２３ｂ 第１の乗算器
２３ｃ 第２のシグモイド層
２３ｄ 第２の乗算器
２３ｅ 第１のｔａｎｈ層
２３ｆ 加算器
２３ｇ 第３のシグモイド層
２３ｈ 第３の乗算器
２３ｉ 第２のｔａｎｈ層
２４ 第２の全結合層
２６ 教師データ
２６ａ 入力データ
２６ｂ 正解データ
１００ 推定システム
２００ 推定システム
２０１ 移動ロボット（移動体）
２１０ 推定装置
２１５ 第３のデータ取得部
２１６ モード切替部
２１７ 第２の出力部
２３０ 第２の機械学習モデル
２３１ 第３の全結合層
２３２ 第２の正規化層
２３３ 第２のＬＳＴＭ
２３４ 第４の全結合層
２３５ 第５の全結合層
２３６ 教師データ
２３６ａ 入力データ
２３６ｂ 正解データ
ａ 調整係数
Ａｎｇｊｕｄｇｅ 角度変化の閾値
Ｄ１ 第１の閾値
Ｄ２ 第２の閾値
Ｄｖ 垂直移動距離
ｄＸ１ 第１の微小移動距離
ｄＸ２ 第２の微小移動距離
Ｇ 第２の位置のセーブポイント
Ｌ 第１の位置のセーブポイント
Ｌ１ 第１の距離
Ｍ 閾値
Ｎ 所定回数
Ｒ 誤差円の半径
Ｒｍａｘ 最大半径
Ｔ 所定の期間
Ｖ 速度
Ｖｍａｘ 最大速度
Ｘ１ 第１の位置
Ｘ２ 第２の位置
Δｔ 所定時間
２ 車輪
３ 慣性センサ
４ ＧＮＳＳ
４ａ 衛星
４ｂ 配信事業者
５ 受信機
６ 無線インターフェース
１０ 推定装置
１１ 第１のデータ取得部
１２ 記憶部
１３ 第２のデータ取得部
１４ 第１の出力部
２０ 第１の機械学習モデル
２１ 第１の全結合層
２２ 第１の正規化層
２３ 第１のＬＳＴＭ
２３ａ 第１のシグモイド層
２３ｂ 第１の乗算器
２３ｃ 第２のシグモイド層
２３ｄ 第２の乗算器
２３ｅ 第１のｔａｎｈ層
２３ｆ 加算器
２３ｇ 第３のシグモイド層
２３ｈ 第３の乗算器
２３ｉ 第２のｔａｎｈ層
２４ 第２の全結合層
２６ 教師データ
２６ａ 入力データ
２６ｂ 正解データ
１００ 推定システム
２００ 推定システム
２０１ 移動ロボット（移動体）
２１０ 推定装置
２１５ 第３のデータ取得部
２１６ モード切替部
２１７ 第２の出力部
２３０ 第２の機械学習モデル
２３１ 第３の全結合層
２３２ 第２の正規化層
２３３ 第２のＬＳＴＭ
２３４ 第４の全結合層
２３５ 第５の全結合層
２３６ 教師データ
２３６ａ 入力データ
２３６ｂ 正解データ
ａ 調整係数
Ａｎｇｊｕｄｇｅ 角度変化の閾値
Ｄ１ 第１の閾値
Ｄ２ 第２の閾値
Ｄｖ 垂直移動距離
ｄＸ１ 第１の微小移動距離
ｄＸ２ 第２の微小移動距離
Ｇ 第２の位置のセーブポイント
Ｌ 第１の位置のセーブポイント
Ｌ１ 第１の距離
Ｍ 閾値
Ｎ 所定回数
Ｒ 誤差円の半径
Ｒｍａｘ 最大半径
Ｔ 所定の期間
Ｖ 速度
Ｖｍａｘ 最大速度
Ｘ１ 第１の位置
Ｘ２ 第２の位置
Δｔ 所定時間
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】
【図18】
【図19】
【図20】