特許 7322616 情報処理装置、情報処理方法、プログラム及び掘削システム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2023-07-31

(45)【発行日】2023-08-08

(54)【発明の名称】情報処理装置、情報処理方法、プログラム及び掘削システム

(51)【国際特許分類】

   G01V 3/12 20060101AFI20230801BHJP

   E02F 3/43 20060101ALI20230801BHJP

   E02F 9/20 20060101ALI20230801BHJP

【ＦＩ】

G01V3/12 B

E02F3/43 B

E02F9/20 M

【請求項の数】 7

(21)【出願番号】P 2019166453

(22)【出願日】2019-09-12

(65)【公開番号】P2021043107

(43)【公開日】2021-03-18

【審査請求日】2022-07-15

(73)【特許権者】

【識別番号】000003687

【氏名又は名称】東京電力ホールディングス株式会社

(74)【代理人】

【識別番号】100114557

【弁理士】

【氏名又は名称】河野 英仁

(74)【代理人】

【識別番号】100078868

【弁理士】

【氏名又は名称】河野 登夫

(72)【発明者】

【氏名】木庭 義嗣

(72)【発明者】

【氏名】下田 康太

(72)【発明者】

【氏名】高木 秀人

(72)【発明者】

【氏名】山下 純二

【審査官】佐々木 崇

(56)【参考文献】

【文献】特表２００４－５１４９１３（ＪＰ，Ａ）

【文献】特開平０５－００５７８５（ＪＰ，Ａ）

【文献】特開２００８－２１６１４３（ＪＰ，Ａ）

【文献】特許第４６４２２８８（ＪＰ，Ｂ２）

【文献】米国特許第０６３７７８７２（ＵＳ，Ｂ１）

【文献】特開２００４－１９８１９５（ＪＰ，Ａ）

【文献】特開平１１－１４７５９（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｅ０２Ｆ ３／４２－ ３／４３

３／８４－ ３／８５

９／２０－ ９／２２

Ｇ０１Ｖ １／００－９９／００

(57)【特許請求の範囲】

【請求項1】

埋設物が埋設された埋設地を地中探査装置で計測した計測データを取得する取得部と、
教師用の前記計測データと、該教師用の計測データに対応する地中の前記埋設物の位置とを学習済みの学習済みモデルを用いて、取得した前記計測データから前記埋設物の位置を推定する推定部と、
前記埋設物の位置に基づき、掘削装置による前記埋設地の掘削可能範囲を特定する特定部と、
前記埋設物の位置を入力した場合に前記埋設地の地中の状況を再現した画像データを生成するよう学習済みの第２学習済みモデルに、推定した前記埋設物の位置を入力することで前記画像データを生成する生成部と
を備えることを特徴とする情報処理装置。

【請求項2】

前記掘削装置の位置及び状態を示す掘削装置情報を取得する第２取得部と、
前記掘削装置情報に基づき、前記掘削可能範囲を掘削するように前記掘削装置を制御する制御信号を生成する第２生成部と、
生成した前記制御信号を前記掘削装置に出力する出力部と
を備えることを特徴とする請求項１に記載の情報処理装置。

【請求項3】

前記取得部は、所定の深さまで掘削が完了する毎に前記地中探査装置で計測した前記計測データを逐次取得し、
前記推定部は、前記計測データを取得する毎に前記埋設物の位置を逐次推定し、
前記特定部は、逐次推定した前記埋設物の位置に基づき、現在の前記埋設地の地表面から前記所定の深さまでを上限とする前記掘削可能範囲を特定する
ことを特徴とする請求項１又は２に記載の情報処理装置。

【請求項4】

前記推定部は、前記埋設物の位置と、該埋設物の種類とを推定する
ことを特徴とする請求項１～３のいずれか１項に記載の情報処理装置。

【請求項5】

埋設物が埋設された埋設地を地中探査装置で計測した計測データを取得し、
教師用の前記計測データと、該教師用の計測データに対応する地中の前記埋設物の位置とを学習済みの学習済みモデルを用いて、取得した前記計測データから前記埋設物の位置を推定し、
前記埋設物の位置に基づき、掘削装置による前記埋設地の掘削可能範囲を特定し、
前記埋設物の位置を入力した場合に前記埋設地の地中の状況を再現した画像データを生成するよう学習済みの第２学習済みモデルに、推定した前記埋設物の位置を入力することで前記画像データを生成する
処理をコンピュータが実行することを特徴とする情報処理方法。

【請求項6】

埋設物が埋設された埋設地を地中探査装置で計測した計測データを取得し、
教師用の前記計測データと、該教師用の計測データに対応する地中の前記埋設物の位置とを学習済みの学習済みモデルを用いて、取得した前記計測データから前記埋設物の位置を推定し、
前記埋設物の位置に基づき、掘削装置による前記埋設地の掘削可能範囲を特定し、
前記埋設物の位置を入力した場合に前記埋設地の地中の状況を再現した画像データを生成するよう学習済みの第２学習済みモデルに、推定した前記埋設物の位置を入力することで前記画像データを生成する
処理をコンピュータに実行させることを特徴とするプログラム。

【請求項7】

埋設物が埋設された埋設地を探査する地中探査装置と、前記埋設地を掘削する掘削装置と、前記地中探査装置及び掘削装置に接続された情報処理装置とを有する掘削システムであって、
前記情報処理装置は、
前記埋設地を前記地中探査装置で計測した計測データを取得する取得部と、
教師用の前記計測データと、該教師用の計測データに対応する地中の前記埋設物の位置とを学習済みの学習済みモデルを用いて、取得した前記計測データから前記埋設物の位置を推定する推定部と、
前記埋設物の位置に基づき、前記掘削装置による前記埋設地の掘削可能範囲を特定する特定部と、
前記掘削装置の位置及び状態を示す掘削装置情報を取得する第２取得部と、
前記掘削装置情報に基づき、前記掘削可能範囲を掘削するように前記掘削装置を制御する制御信号を生成する生成部と、
生成した前記制御信号を前記掘削装置に出力する出力部と、
前記埋設物の位置を入力した場合に前記埋設地の地中の状況を再現した画像データを生成するよう学習済みの第２学習済みモデルに、推定した前記埋設物の位置を入力することで前記画像データを生成する第２生成部と
を備えることを特徴とする掘削システム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、情報処理装置、情報処理方法、プログラム及び掘削システムに関する。

【背景技術】

【0002】

地中化された送電ケーブルを格納した電力用配管、水道管、ガス管などのように、地中に埋設された埋設物の保守点検のため、埋設物付近の土を掘削する作業が行われている。この掘削作業の際に、油圧ショベル等の重機（掘削装置）を使って掘削を行う場合がある。しかし、誤って重機が埋設物に接触する事故が起こる場合などがあり、問題となっている。

【0003】

このような背景から、掘削作業を支援する種々の方法が提案されている。例えば特許文献１では、地中における埋設物の絶対座標を地中探査装置で検出し、検出された絶対座標に基づいて、油圧ショベルのバケットで掘削する際の掘削位置及び掘削深さを決定する地下埋設物掘削システムが開示されている。

【先行技術文献】

【特許文献】

【0004】

【文献】特許第４６４２２８８号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかしながら、地中探査装置で計測されるデータは、計測対象である地中の状況によっては非常に複雑なデータとなり、必ずしも埋設物の位置を検出することは容易ではない。

【0006】

一つの側面では、掘削作業を好適に支援することができる情報処理装置等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】

一つの側面に係る情報処理装置は、埋設物が埋設された埋設地を地中探査装置で計測した計測データを取得する取得部と、教師用の前記計測データと、該教師用の計測データに対応する地中の前記埋設物の位置とを学習済みの学習済みモデルを用いて、取得した前記計測データから前記埋設物の位置を推定する推定部と、前記埋設物の位置に基づき、掘削装置による前記埋設地の掘削可能範囲を特定する特定部と、前記埋設物の位置を入力した場合に前記埋設地の地中の状況を再現した画像データを生成するよう学習済みの第２学習済みモデルに、推定した前記埋設物の位置を入力することで前記画像データを生成する生成部とを備えることを特徴とする。

【発明の効果】

【0008】

一つの側面では、掘削作業を好適に支援することができる。

【図面の簡単な説明】

【0009】

【図1】掘削システムの構成例を示す模式図である。

【図2】サーバの構成例を示すブロック図である。

【図3】端末の構成例を示すブロック図である。

【図4】地中探査装置及び重機の構成例を示すブロック図である。

【図5】地中探査に関する説明図である。

【図6】推定モデルを用いた掘削可能範囲の特定処理に関する説明図である。

【図7】埋設物の掘削方法に関する説明図である。

【図8】推定モデルの生成処理の手順を示すフローチャートである。

【図9】埋設物掘削処理の手順を示すフローチャートである。

【図10】マップ画像の一例を示す説明図である。

【図11】マップ画像の生成処理に関する説明図である。

【図12】生成モデルの生成処理の手順を示すフローチャートである。

【図13】実施の形態２に係る埋設物掘削処理の手順を示すフローチャートである。

【発明を実施するための形態】

【0010】

以下、本発明をその実施の形態を示す図面に基づいて詳述する。
（実施の形態１）
図１は、掘削システムの構成例を示す模式図である。本実施の形態では、埋設物が埋設されている埋設地を地中探査装置３で計測し、計測データから埋設物の位置を推定して、推定した位置に基づいて重機４（掘削装置）を遠隔制御して埋設物を掘削する掘削システムについて説明する。掘削システムは、情報処理装置１、端末２、地中探査装置３、重機４を含む。情報処理装置１及び端末２は、インターネット等のネットワークＮを介して通信接続されている。

【0011】

情報処理装置１は、種々の情報処理、情報の送受信が可能な情報処理装置であり、例えばサーバコンピュータ、パーソナルコンピュータ等である。本実施の形態では情報処理装置１がサーバコンピュータであるものとし、以下では簡潔のためサーバ１と読み替える。サーバ１は、地中探査装置３による計測データから埋設物の位置を推定し、重機４で掘削可能な範囲を特定する。具体的には後述するように、サーバ１は、教師用の計測データと、当該計測データが示す埋設物の位置、種類等を機械学習で学習済みの推定モデル１４１（図６参照）を用いて、地中探査装置３の計測データから埋設物の位置を推定する。サーバ１は、埋設物を損傷しないように、埋設物から所定距離内の地中領域を除く範囲を重機４の掘削可能範囲として特定する。

【0012】

端末２は、掘削現場で作業を行う作業者が操作する端末装置であり、例えばタブレット端末、パーソナルコンピュータ等である。端末２は、地中探査装置３による計測データをサーバ１に送信し、埋設物の位置等を推定した推定結果をサーバ１から取得して表示する。

【0013】

なお、本実施の形態では、クラウド上のサーバ１がローカルの端末２から情報を取得して埋設物の位置等を推定するものとするが、端末２を介さず地中探査装置３及び重機４を直接サーバ１に接続し、推定を行うようにしてもよい。すなわち、サーバ１は地中探査装置３及び重機４に直接又は間接的に接続されていればよい。また、サーバ１で実行する処理をローカルの端末２（あるいは地中探査装置３又は重機４）で実行するようにしてもよい。

【0014】

地中探査装置３は、埋設地の地中を探査する探査レーダであり、例えば電磁波レーダ法で計測を行う探査レーダである。地中探査装置３はパルス電磁波を地中に放射し、地中からの反射波を計測する。地中探査装置３は端末２との間で無線通信を行い、計測データを端末２に送信する。

【0015】

重機４は、油圧ショベル等の機械であり、埋設地を掘削する掘削装置である。本実施の形態に係る重機４は無人重機であり、端末２から送信される制御信号に従って遠隔操作される。端末２は、サーバ１が特定した掘削可能範囲を掘削するよう重機４を制御し、埋設物を除く地中領域を掘削させる。

【0016】

図２は、サーバ１の構成例を示すブロック図である。サーバ１は、制御部１１、主記憶部１２、通信部１３、及び補助記憶部１４を備える。
制御部１１は、一又は複数のＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）、ＧＰＵ（Graphics Processing Unit）等の演算処理装置を有し、補助記憶部１４に記憶されたプログラムＰ１を読み出して実行することにより、種々の情報処理、制御処理等を行う。主記憶部１２は、ＳＲＡＭ（Static Random Access Memory）、ＤＲＡＭ（Dynamic Random Access Memory）、フラッシュメモリ等の一時記憶領域であり、制御部１１が演算処理を実行するために必要なデータを一時的に記憶する。通信部１３は、通信に関する処理を行うための通信モジュールであり、外部と情報の送受信を行う。

【0017】

補助記憶部１４は、大容量メモリ、ハードディスク等の不揮発性記憶領域であり、制御部１１が処理を実行するために必要なプログラムＰ１、その他のデータを記憶している。また、補助記憶部１４は、推定モデル１４１を記憶している。推定モデル１４１は、上述の如く機械学習によって生成された学習済みモデルであり、地中探査装置３の計測データを入力として、埋設物の位置、種類等の情報を出力するモデルである。

【0018】

なお、補助記憶部１４はサーバ１に接続された外部記憶装置であってもよい。また、サーバ１は複数のコンピュータからなるマルチコンピュータであっても良く、ソフトウェアによって仮想的に構築された仮想マシンであってもよい。

【0019】

また、本実施の形態においてサーバ１は上記の構成に限られず、例えば操作入力を受け付ける入力部、画像を表示する表示部等を含んでもよい。また、サーバ１は、ＣＤ（Compact Disk）－ＲＯＭ、ＤＶＤ（Digital Versatile Disc）－ＲＯＭ等の可搬型記憶媒体１ａを読み取る読取部を備え、可搬型記憶媒体１ａからプログラムＰ１を読み取って実行するようにしても良い。あるいはサーバ１は、半導体メモリ１ｂからプログラムＰ１を読み込んでも良い。

【0020】

図３は、端末２の構成例を示すブロック図である。端末２は、制御部２１、主記憶部２２、通信部２３、表示部２４、入力部２５、及び補助記憶部２６を備える。
制御部２１は、ＣＰＵ等の演算処理装置を有し、補助記憶部２６に記憶されたプログラムＰ２を読み出して実行することにより、種々の情報処理、制御処理等を行う。主記憶部２２はＲＡＭ等の一時記憶領域であり、制御部１１が演算処理を実行するために必要なデータを一時的に記憶する。通信部２３は、通信アンテナ等を備えた通信モジュールであり、外部と情報の送受信を行う。表示部２４は液晶ディスプレイ等の表示画面であり、制御部２１から与えられた画像を表示する。入力部２５は、タッチパネル、メカニカルキー等の操作インターフェイスであり、操作入力を受け付ける。補助記憶部２６は、ハードディスク等の不揮発性記憶領域であり、制御部２１が処理を実行するために必要なプログラムＰ２、その他のデータを記憶している。

【0021】

なお、端末２は、可搬型記憶媒体２ａを読み取る読取部を備え、可搬型記憶媒体２ａからプログラムＰ２を読み取って実行するようにしても良い。あるいは端末２は、半導体メモリ２ｂからプログラムＰ２を読み込んでも良い。

【0022】

図４は、地中探査装置３及び重機４の構成例を示すブロック図である。地中探査装置３は、制御部３１、通信部３２、送信器３３、受信器３４、移動駆動部３５、及び位置取得部３６を備える。
制御部３１はＭＰＵ等の演算処理装置であり、地中探査装置３の各部を制御する。通信部３２は、通信アンテナ等を備えた通信モジュールであり、外部と情報の送受信を行う。送信器３３は、パルス電磁波を発生させるパルス発生器、送信アンテナ等を備え、地表面にパルス電磁波を放射する。受信器３４は、地中から反射した電磁波を受信する受信アンテナ等を備え、反射波を計測する。移動駆動部３５は、地中探査装置３の移動手段（車輪等）を駆動するための駆動手段（モータ等）であり、地中探査装置３を移動させる。位置取得部３６は、例えばＧＰＳ（Global Positioning System）信号を受信する受信モジュールであり、地中探査装置３の位置情報を取得する。

【0023】

重機４は、制御部４１、通信部４２、位置取得部４３、旋回角度センサ４４、ブーム角度センサ４５、アーム角度センサ４６、及びバケット角度センサ４７を備える。
制御部４１はＭＰＵ等の演算処理装置であり、重機４の各部を制御する。通信部４２は、通信アンテナ等を備えた通信モジュールであり、外部と情報の送受信を行う。位置取得部４３は、例えばＧＰＳ信号を受信する受信モジュールであり、重機４の位置情報を取得する。旋回角度センサ４４、ブーム角度センサ４５、アーム角度センサ４６、バケット角度センサ４７はそれぞれ、重機４の上部に備わる旋回体の旋回角度、及び旋回体に備え付けられたブーム、アーム、バケットそれぞれの屈折角度を検出するセンサであり、例えばジャイロセンサである。

【0024】

図５は、地中探査に関する説明図である。図５では、埋設地の地中の様子と、地中探査装置３で埋設地を計測した場合の計測データとを概念的に図示している。以下、本実施の形態の概要を説明する。

【0025】

図５上側に、埋設地の地中断面を概念的に図示する。本実施の形態では、地中に埋設された電力用配管、水道管、ガス管などの埋設管を掘削する場合について説明する。図５では、丸印が掘削管の断面を示す。

【0026】

なお、埋設物は管状の物体に限定されず、その他の形状の物体でも良いことは勿論である。また、「埋設物」は物体に限定されず、地中に形成された空洞なども含み得る。

【0027】

本実施の形態に係る掘削方法について説明する前に、一般的な掘削方法について説明する。一般的な掘削方法では、埋設物を地中に埋設した際に作成された設計図面等を参考に、重機４による掘削と手作業での掘削とを組み合わせて埋設物を掘削する。具体的には、まず表層部分をある程度の深さまで掘削し、その後、作業者が「先掘り」と呼ばれる作業を行って、埋設物がないかを確認する。埋設物がないと確認された場合、作業者は設計図面等に記載された埋設物の位置も参考に、重機４で埋設物付近まで掘削する。最後は作業者が手作業で掘削を行い、埋設物の周囲の土を取り除く。

【0028】

しかしながら、設計図面に記載された位置が不正確である、あるいは「先掘り」による確認が不十分であるなどの理由で、重機４が埋設物に接触してしまう事故が発生している。そこで本実施の形態では、地中探査装置３の計測データから埋設物の正確な位置を推定し、重機４で掘削可能な範囲を特定する。

【0029】

図５下側に、地中探査装置３の計測データを概念的に図示する。図５において左右は地中探査装置３の走査方向（移動方向）を、上下は地中の深さ方向を表す。なお、本実施の形態では便宜上、地中探査装置３の走査方向を前後方向として、走査方向に直交する方向を横方向として説明する。

【0030】

地中探査装置３は、パルス電磁波を送信する送信器３３と、地中で反射した電磁波を受信する受信器３４とを備える。地中探査装置３は、一定の走査方向に移動しながら継続的に電磁波を放射し、地中からの反射波を受信することで計測を行う。電磁波レーダ法に基づく地中探査レーダは公知であるため、計測方法に関する詳細な説明は省略する。

【0031】

なお、本実施の形態では地中探査方法として電磁波レーダ法を挙げたが、電磁波レーダ法は一例であり、他の方法で地中探査を行ってもよい。

【0032】

本実施の形態に係る地中探査装置３は、重機４と同様に、端末２から受信する制御信号に従って遠隔操作される。例えば端末２は、作業者から地中探査装置３の移動方向、移動速度等の入力を受け付け、地中探査装置３に制御信号を送信する。地中探査装置３は、端末２から受信した制御信号に従い、一定の方向に移動しながら埋設地の計測を行う。

【0033】

なお、本実施の形態では端末２を介して地中探査装置３を遠隔操作するものとするが、一般的な地中探査レーダと同様に、地中探査装置３を手動で移動させてもよい。また、例えば地中探査装置３を所定の車両に取り付け、地中探査装置３を牽引するようにしてもよい。

【0034】

端末２は、埋設地の地中を計測した計測データを地中探査装置３から受信する。図５下側では、計測データを概念的に図示する。計測データは埋設地の土壌、埋設物などに応じた形状を呈する。特に埋設物が存在する位置は、図５に示すように、上に凸となる特徴的な形状で表れる。

【0035】

なお、本実施の形態では計測データを２次元のデータ（前後方向及び深さ方向のみのデータ）として図示するが、計測データは３次元のデータであってもよい。

【0036】

上述の如く、計測データにおいて埋設物の位置は特徴的な形状となって表れるが、実際の計測データは地中の状況に応じて図５の例示よりも複雑となり、人間が埋設物の位置を判断するには困難な場合もある。また、コンピュータがパターンマッチング等で埋設物の位置を判定する場合にも、あらゆるパターンの形状に対応して判断用のルールを用意することは困難であり、誤判定が発生する恐れがある。

【0037】

そこで本実施の形態では、教師用の計測データを学習する機械学習を行い、計測データから埋設物の位置を推定する推定モデル１４１を用意しておく。サーバ１は、推定モデル１４１に計測データを入力して埋設物の位置を推定し、重機４が掘削可能な範囲を特定する。

【0038】

図６は、推定モデル１４１を用いた掘削可能範囲の特定処理に関する説明図である。本実施の形態においてサーバ１はディープラーニングを行い、ＣＮＮ（Convolution Neural Network）に係るニューラルネットワークを推定モデル１４１として生成する。例えばサーバ１は、物体検出に用いられるＲ－ＣＮＮ（Region CNN）を推定モデル１４１として生成する。

【0039】

推定モデル１４１は、計測データの入力を受け付ける入力層と、計測データの特徴量を抽出する中間層と、埋設物の位置等の情報を出力する出力層とを有する。入力層は、計測データの入力を受け付ける複数のニューロンを有し、入力されたデータを中間層に受け渡す。中間層は、計測データの特徴量を抽出する複数のニューロンを有し、抽出した特徴量を出力層に受け渡す。推定モデル１４１がＣＮＮである場合、中間層は、入力層に入力された計測データを畳み込むコンボリューション層と、コンボリューション層で畳み込んだデータをマッピングするプーリング層とが交互に連結された構成を有し、計測データを圧縮しながら最終的に特徴量を抽出する。出力層は、埋設物の位置等の推定結果を出力する一又は複数のニューロンを有し、中間層から出力された特徴量に基づいて、埋設物の位置等を推定する。

【0040】

なお、本実施の形態では推定モデル１４１がＣＮＮであるものとして説明するが、推定モデル１４１はＣＮＮに限定されず、ＣＮＮ以外のニューラルネットワーク、ＳＶＭ（Support Vector Machine）、決定木など、他の学習アルゴリズムで構築されたモデルであってよい。

【0041】

例えばサーバ１は、図６左上に示すように、教師用の計測データに対し、正解の埋設物の位置（座標値）のほか、埋設物の種類等の情報がラベル付けされた教師データを用いて推定モデル１４１を生成する。なお、埋設物の種類とは、例えば電力用配管、水道管、ガス管等の別、あるいは電力用配管等の中でもその詳細な種類（例えば電力用配管であれば、直接埋設式、管路式、暗渠式の別など）であるが、掘削作業を行う上で埋設物を適切に識別可能な情報であればよい。サーバ１は、図６で例示する計測データを推定モデル１４１に入力し、埋設物の位置、種類等を推定する。サーバ１は、教師データでラベル付けされた埋設物の位置、種類等を推定結果と比較し、両者が近似するようにニューロン間の重み等のパラメータを最適化する。これによりサーバ１は、推定モデル１４１を生成する。

【0042】

なお、上記では推定モデル１４１の推定結果の例示として埋設物の位置及び種類を挙げたが、埋設物の形状（埋設管の太さ等）を推定してもよい。すなわち、推定モデル１４１は埋設物に関する情報を推定可能であればよく、少なくとも埋設物の位置を推定可能であればよい。

【0043】

端末２を介して掘削現場の地中探査装置３から計測データを取得した場合、サーバ１は、推定モデル１４１に計測データを入力して埋設物の位置、種類等を推定する。例えば埋設物が電力用配管である場合、サーバ１は、電力用配管が埋設されている深さ方向及び前後方向の座標値と、埋設物の種類が「電力用配管」であることを示すラベルとを推定結果として取得する。なお、計測データが２次元ではなく３次元のデータである場合、深さ方向及び前後方向だけでなく横方向の座標値も推定することは勿論である。

【0044】

サーバ１は、推定した埋設物の位置に基づき、図６下側にハッチングで示すように、重機４による掘削可能範囲を特定する。具体的には、サーバ１は、地中探査装置３が前後に移動した移動範囲（走査範囲）を前後方向における掘削範囲とし、地表面から埋設物の位置に対応する深さまでを深さ方向の掘削範囲とする。そしてサーバ１は、埋設物の位置を中心点として所定距離内の地中領域を掘削範囲から除外し、最終的な掘削可能範囲とする。

【0045】

なお、この場合にサーバ１は、埋設物の位置だけでなく、埋設物の種類も参照して掘削可能範囲を特定してもよい。例えば、埋設物の種類によっては接触せずとも掘削時の振動等で破損する恐れがある場合、サーバ１は、掘削可能範囲から除外する埋設物からの距離を変動させる。これにより、埋設物の種類に応じて好適な掘削が可能となる。

【0046】

掘削可能範囲を特定した場合、サーバ１は、重機４に掘削可能範囲を自動的に掘削させるための制御信号を生成する。例えばサーバ１は、上記で特定した掘削可能範囲のほかに、地中探査装置３の位置情報、及び重機４（掘削装置）の現在の位置及び状態を示す掘削装置情報に基づき、重機４の動作を指示する制御信号を生成する。

【0047】

例えばサーバ１は、地中探査装置３から計測データを取得する際に、計測時の地中探査装置３の位置情報を含む計測データを取得する。サーバ１は、計測データに含まれる位置情報に基づき、埋設地の位置を特定する。

【0048】

また、サーバ１は、端末２を介して重機４から掘削装置情報を取得する。掘削装置情報は、例えば重機４の各種センサで検出した重機４の位置情報、旋回体の旋回角度、ブーム、アーム、バケットの屈折角度（支点を中心にした回転角度）を含む。サーバ１は、掘削装置情報に基づき、重機４の現在位置、掘削を行うバケットの位置などを特定する。

【0049】

例えばサーバ１は、地中探査装置３及び重機４それぞれの位置情報に基づき、埋設地の掘削を行う上で最適な位置に重機４を移動させるよう、制御信号を生成する。また、サーバ１は、旋回体の旋回角度、及びブーム、アーム、バケットそれぞれの屈折角度を参照して、最適位置に在る重機４が掘削可能範囲の土を掘削するように、旋回体、ブーム、アーム、バケット等を動作させる制御信号を生成する。

【0050】

サーバ１は、生成した制御信号を、推定モデル１４１による推定結果と共に端末２に送信する。端末２は推定結果を表示して作業者に提示すると共に、制御信号を重機４に転送して掘削を行わせる。

【0051】

なお、上記ではサーバ１が重機４の制御信号を生成するものとしたが、サーバ１から推定結果を受信した端末２が制御信号を生成するようにしてもよい。

【0052】

また、上記では重機４に自動掘削を行わせる場合について説明したが、掘削可能範囲を作業者に提示するのみで、重機４の制御（運転）は作業者が手動で行うようにしてもよい。

【0053】

図７は、埋設物の掘削方法に関する説明図である。図７では、所定の深さ毎に段階を分け、埋設地を徐々に掘削していく様子を概念的に図示している。

【0054】

本実施の形態では、埋設物が埋設されている深さまで一度に掘削するのではなく、所定の深さに到達する毎に地中探査装置３で逐次計測を行い、埋設物の位置を逐次推定して掘削を進める。当該所定の深さは、例えば数十センチメートル単位の深さである。図７の例では、３段階に分けて計測及び推定が行われ、掘削が進められている。

【0055】

サーバ１は、重機４の制御信号を生成する際に、現在の地表面から所定の深さまでを深さ方向の上限として掘削可能範囲を特定し、重機４の制御信号を生成する。すなわち、現在の地表面から所定の深さまでの間に埋設物が存在しない場合、当該所定の深さまでの範囲を掘削可能範囲として特定し、掘削させる。一方で、現在の地表面から所定の深さまでの間に埋設物が存在する場合、埋設物の位置から所定距離内の地中領域を除外し、残る領域を掘削可能範囲に指定して掘削させる。

【0056】

重機４が掘削した深さが所定の深さに到達した場合、端末２は作業者からの入力に従って地中探査装置３を遠隔制御し、掘削後の地表面を移動させて計測を行わせる。サーバ１は、端末２から次の計測データを取得した場合、推定モデル１４１に入力して埋設物の位置等を再度推定し、所定の深さを上限とする掘削可能範囲を特定する。サーバ１は、当該範囲を掘削させるための制御信号を端末２に送信し、重機４による掘削を行わせる。

【0057】

上記の処理を繰り返し、サーバ１は所定の深さに到達する毎に推定を行って掘削を行わせる。これにより、接触事故等をより確実に防止することができる。

【0058】

図８は、推定モデル１４１の生成処理の手順を示すフローチャートである。図８に基づき、機械学習によって推定モデル１４１を生成する際の処理内容について説明する。
サーバ１は、地中探査装置３で計測された教師用の計測データと、当該教師用の計測データに対応する埋設物の位置、種類等の情報とを含む教師データを取得する（ステップＳ１１）。具体的には、サーバ１は、地中探査装置３で計測（受信）したパルス電磁波の反射波のデータに対し、埋設物の座標値、種類等の情報がラベル付けされた教師データを取得する。

【0059】

サーバ１は教師データを用いて、埋設物の位置、種類等を推定する推定モデル１４１を生成する（ステップＳ１２）。例えばサーバ１はＣＮＮに係るニューラルネットワークを推定モデル１４１として生成する。サーバ１は、教師用の計測データを推定モデル１４１に入力し、埋設物の位置、種類等の情報を出力として取得する。サーバ１は、推定した埋設物の位置、種類等と、教師データに含まれる正解の位置、種類等とを比較して、両者が近似するように重み等の各種パラメータを最適化する。サーバ１は、生成した推定モデル１４１を補助記憶部１４に格納し、一連の処理を終了する。

【0060】

図９は、埋設物掘削処理の手順を示すフローチャートである。図９に基づき、埋設物を掘削する際の処理内容について説明する。
端末２は、地中探査装置３に制御信号を送信して埋設地の計測を行わせ、地中探査装置３から計測データを取得する（ステップＳ３１）。計測データは、例えば送信器３３及び受信器３４で計測したパラメータのほかに、計測時の地中探査装置３の位置情報を含む。端末２は、取得した計測データをサーバ１に送信する（ステップＳ３２）。

【0061】

端末２から計測データを取得した場合、サーバ１は推定モデル１４１に計測データを入力して、埋設地に埋設されている埋設物の位置、種類等を推定する（ステップＳ３３）。サーバ１は、推定した埋設物の位置に基づき、計測対象の埋設地における重機４の掘削可能範囲を特定する（ステップＳ３４）。例えばサーバ１は、埋設物の位置から所定距離内の地中領域を除外し、当該領域を除く範囲を掘削可能範囲として特定する。この場合にサーバ１は、複数段階に分けて逐次掘削させるため、現在の埋設地の地表面から所定の深さまでを上限として掘削可能範囲を特定する。

【0062】

サーバ１は、特定した掘削可能範囲を重機４に掘削させるための制御信号を生成する（ステップＳ３５）。例えばサーバ１は、計測データに含まれる地中探査装置３の位置情報と、端末２を介して重機４から取得した掘削装置情報とを参照して制御信号を生成する。掘削装置情報は、重機４（掘削装置）の位置及び状態を示す情報であり、例えば位置情報、旋回体の旋回角度、ブーム、アーム、バケットの屈折角度などを含む。サーバ１は、掘削作業を行う上で最適な位置に重機４を移動させ、バケットで掘削可能範囲を掘削させるように動作させる制御信号を生成する。サーバ１は、ステップＳ３３における推定結果と、重機４の制御信号とを端末２に送信する（ステップＳ３６）。

【0063】

サーバ１から埋設物の推定結果及び重機４の制御信号を取得した場合、端末２は、埋設物の位置、種類等の情報を表示する（ステップＳ３７）。また、端末２は、サーバ１から取得した制御信号を重機４に送信し、埋設地を掘削させる（ステップＳ３８）。

【0064】

端末２は、埋設物の位置に対応する深さに到達したか否かを判定する（ステップＳ３９）。到達していないと判定した場合（Ｓ３９：ＮＯ）、端末２は処理をステップＳ３１に戻す。到達したと判定した場合（Ｓ３９：ＹＥＳ）、端末２は一連の処理を終了する。

【0065】

以上より、本実施の形態１によれば、埋設物の位置を正確に推定することができる。また、地中探査装置３及び重機４を遠隔操作することで、作業者の負担を軽減することができる。これにより、掘削作業を好適に支援することができる。

【0066】

また、本実施の形態１によれば、所定の深さ毎に逐次計測、推定、及び掘削を行うことで、より安全に掘削作業を進めることができる。

【0067】

また、本実施の形態１によれば、埋設物の種類を推定することもでき、作業効率の向上を期待することができる。

【0068】

（実施の形態２）
本実施の形態では、埋設物が埋設されている地中の状況を再現したマップ画像を生成する形態について述べる。なお、実施の形態１と重複する内容については同一の符号を付して説明を省略する。

【0069】

図１０は、マップ画像の一例を示す説明図である。本実施の形態においてサーバ１は、推定モデル１４１で推定した埋設物の位置、種類等の情報に基づき、地中の状況を再現したマップ画像を生成する。例えば図１０に示すように、サーバ１は３次元のマップ画像を生成する。なお、図１０の例ではハッチングの種類が埋設物の種類を表し、図中のｘ、ｙ、ｚ方向がそれぞれ前後方向、横方向、及び深さ方向を表す。

【0070】

サーバ１は、推定モデル１４１を用いて推定した埋設物の位置、種類等に基づき、上記のマップ画像を生成する。なお、地中探査装置３の計測データが前後方向及び深さ方向のみの２次元のデータ（断面のみのデータ）である場合、例えば横方向に沿って所定間隔毎に計測を行い、複数の計測データ（画像フレーム）それぞれから埋設物の位置等を推定して３次元のマップ画像を生成すればよい。また、計測データが横方向を含む３次元のデータである場合、埋設物の３次元の座標値からそのままマップ画像を生成すればよい。

【0071】

サーバ１はルールベースでマップ画像を生成してもよいが、本実施の形態では、事前に機械学習を行ってマップ画像生成用の生成モデル２０１（学習済みモデル）を用意し、生成モデル２０１を用いてマップ画像を生成する場合について述べる。

【0072】

図１１は、マップ画像の生成処理に関する説明図である。図１１では、マップ画像生成用の生成モデル２０１を概念的に図示している。例えばサーバ１は、生成モデル２０１としてＧＡＮ（Generative Adversarial Network）を用意する。ＧＡＮは、入力データから出力データを生成する生成器２１１（Generator）と、生成器２１１が生成したデータの真偽を識別する識別器２１２（Discriminator）とから構成されるネットワークである。

【0073】

生成器２１１は、ランダムなノイズ（潜在変数）の入力を受け付け、出力データを生成する。識別器２１２は、学習用に与えられる真のデータと、生成器から与えられるデータとを用いて、データの真偽を学習する。ＧＡＮでは生成器２１１及び識別器２１２が競合して学習を行い、最終的に生成器２１１の損失関数が最小化し、かつ、識別器２１２の損失関数が最大化するようにネットワークを生成する。データを生成する際には、生成器２１１を用いてデータを生成する。

【0074】

例えばサーバ１は、生成モデル２０１としてＧＡＮの一種であるＩｎｆｏＧＡＮを生成し、推定モデル１４１から出力された埋設物の位置、種類等の情報を生成器２１１の入力に用いる。サーバ１は、潜在変数のほかに埋設物の位置、種類等の情報を生成器２１１に入力し、生成器２１１からの出力データとして、地中の状況を再現したマップ画像を生成する。

【0075】

例えばサーバ１は、生成モデル２０１を生成するための学習用データとして、地中探査装置３で計測した学習用の計測データと、当該計測データに対応するマップ画像のサンプルとを用いて学習を行う。サーバ１は、学習用の計測データを推定モデル１４１に入力し、埋設物の位置、種類等を推定する。サーバ１は、推定モデル１４１から出力された埋設物の位置、種類等の情報を生成器２１１への入力データとして用い、偽のマップ画像を生成する。サーバ１は、生成器２１１から出力された偽のマップ画像と、学習用に与えられた真のマップ画像とを識別器２１２に入力し、真偽を識別させる。サーバ１は、生成器２１１及び識別器２１２を競合させて学習を行い、生成モデル２０１を生成する。

【0076】

端末２から掘削現場の計測データを取得し、推定モデル１４１に入力して埋設物の位置、種類等を推定した場合、サーバ１は学習時と同様に、埋設物の位置、種類等の情報を生成モデル２０１（生成器２１１）に入力し、マップ画像を生成する。サーバ１は、生成したマップ画像を端末２に送信し、表示させる。これにより、図１０で例示したマップ画像が作業者に提示され、何の埋設物がどの位置に埋設されているか、作業者は容易に把握することができる。

【0077】

図１２は、生成モデル２０１の生成処理の手順を示すフローチャートである。図１２に基づき、機械学習を行って生成モデル２０１を生成する際の処理内容について説明する。なお、埋設物の位置等を推定するための推定モデル１４１は生成済み（学習済み）であるものとして説明する。
サーバ１は、地中探査装置３で計測した学習用の計測データと、当該計測データに対応するマップ画像のサンプルとを取得する（ステップＳ２０１）。マップ画像は、埋設地の地中の状況を再現した画像データであり、少なくとも地中に存在する埋設物を再現した画像データである。サーバ１は、学習用の計測データを推定モデル１４１に入力して、埋設物の位置、種類等を推定する（ステップＳ２０２）。

【0078】

サーバ１は、ステップＳ２０２の推定結果と、学習用のマップ画像とを用いて、マップ画像を生成するための生成モデル２０１を生成する（ステップＳ２０３）。例えばサーバ１は、生成モデル２０１としてＧＡＮを生成する。具体的には、サーバ１はまず、埋設物の位置、種類等の情報を生成器２１１に入力して偽のマップ画像を生成する。サーバ１は、生成器２１１で生成した偽のマップ画像と、教師データに含まれる真のマップ画像とを識別器２１２に入力し、両者の真偽を識別させる。サーバ１は、生成器２１１及び識別器２１２を競合させて学習を行い、最終的に生成器２１１の損失関数が最小化し、かつ、識別器２１２の損失関数が最大化する生成モデル２０１を生成する。サーバ１は生成モデル２０１を補助記憶部１４に格納し、一連の処理を終了する。

【0079】

図１３は、実施の形態２に係る埋設物掘削処理の手順を示すフローチャートである。重機４の制御信号を生成した後（ステップＳ３５）、サーバ１は以下の処理を実行する。
サーバ１は、推定モデル１４１から出力された埋設物の位置、種類等の情報を生成モデル２０１（生成器２１１）に入力し、埋設物が埋設されている地中の状況を再現したマップ画像を生成する（ステップＳ２２１）。サーバ１は、重機４の制御信号と共にマップ画像を端末２に送信する（ステップＳ２２２）。端末２は、サーバ１が生成したマップ画像を表示し（ステップＳ２２３）、処理をステップＳ３８に移行する。

【0080】

以上より、本実施の形態２によれば、埋設地の地中の状況を再現したマップ画像を作業者に提示することで、埋設物の位置、種類等を作業者が容易に把握することができる。

【0081】

今回開示された実施の形態はすべての点で例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。

【符号の説明】

【0082】

１ サーバ（情報処理装置）
Ｐ１ プログラム
１４１ 推定モデル
２０１ 生成モデル
２１１ 生成器
２１２ 識別器
２ 端末
３ 地中探査装置
４ 重機

【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】