JP2019027909A - 無人移動体による対象物の位置推定方法 - Google Patents

Abstract

【課題】遭難者の位置の分布を推定し、観測を得るごとに分布を更新することで遭難者の位置を能動的に推定する手法を提供すること。
【解決手段】本発明による位置推定方法は、無人移動体によって行われる。方法は、対象物の推定位置を仮決めするステップと、無人移動体によって、対象物から発信される信号を観測するステップと、推定位置を更新し更新後に次の観測場所を決定するステップと、更新後の観測場所に移動して再び観測を行うステップと、を繰り返すことによって、対象物の位置を漸次的に推定する。
【選択図】図１

Description

本発明は、無人移動体による対象物の位置推定方法に関する。

近年はＵＡＶ（Ｕｎｍａｎｎｅｄ Ａｅｒｉａｌ Ｖｅｈｉｃｌｅ）の発展が目覚ましく、空撮や探索などその用途は多岐にわたる。ＵＡＶによりターゲットを探索する研究もいくつかあるが、ドローンの動き方はあらかじめ決められている。

また、山や森林における行方不明者を捜索する際に、できるだけ迅速に行方不明者を発見することは重要なことであるが、行方不明者の最後の目撃情報などだけから位置を絞り込み発見することは難しく、最終的にローラー作戦のように網羅的な探索がなされることも珍しくない。

登山者などにあらかじめビーコンを持たせ、行方不明になった場合はそのビーコンからの信号を元に位置推定を行い効率的な探索を行うことを考える。複数のセンサーで信号を観測する、あるいは一つのセンサーで複数回観測を行うことで信号源の位置を検出する手法はいくつかある。それらの手法は大きく分けて二つのグループに分類することができる。

一つは受信した信号の到来方向や、信号源までの距離を計算し、その情報を元に位置検出を行う方法でＲａｎｇｅ−Ｂａｓｅｄ方式と呼ばれるものである。もう一つは受信した信号から信号源までの距離そのものは計算することなく位置検出を行う方法でＲａｎｇｅ−Ｆｒｅｅ方式と呼ばれるものである。一般的にはＲａｎｇｅ−Ｂａｓｅｄ方式の方が精度は高いが計算コストが高くなり、逆にＲａｎｇｅ−Ｆｒｅｅ方式は精度は低いが計算コストは低く、ロバストであるという特徴がある。

大槻知明．位置推定技術．信学技報（２００９）

非特許文献１に記載の技術は、観測場所を適切に選択することに関するものはほとんどない。

そこで、本発明は、Ｐａｒｔｉｃｌｅ Ｆｉｌｔｅｒ を用いて遭難者の位置の分布を推定し、観測を得るごとに分布を更新することで遭難者の位置を能動的に推定する手法を提案する。また、観測する場所を適切に選ぶことにより、少ない観測回数で精度の高い推定を行うことができることを示す。広範囲の情報を迅速にに集めるための技術を提供することを一つの目的とする。

本発明によれば、無人移動体による対象物の位置推定方法であって、
対象物の推定位置を仮決めするステップと、前記無人移動体によって、対象物から発信される信号を観測するステップと、前記推定位置を更新し更新後に次の観測場所を決定するステップと、更新後の観測場所に移動して再び観測を行うステップと、を繰り返すことによって、前記対象物の位置を漸次的に推定する、
位置推定方法が得られる。

本発明によれば、広範囲の情報を迅速にに集めることができる。

本発明の実施の形態による無人飛行体の機能ブロック図である。 管理サーバの機能ブロック図である。 本実施の形態による推定方法のシミュレーション結果である。

本発明の実施形態の内容を列記して説明する。本発明の実施の形態による無人移動体による対象物の位置推定方法は、以下のような構成を備える。
［項目１］
無人移動体による対象物の位置推定方法であって、
対象物の推定位置を仮決めするステップと、前記無人移動体によって、対象物から発信される信号を観測するステップと、前記推定位置を更新し更新後に次の観測場所を決定するステップと、更新後の観測場所に移動して再び観測を行うステップと、を繰り返すことによって、前記対象物の位置を漸次的に推定する、
位置推定方法。
［項目２］
請求項１に記載の位置推定方法であって、
前記信号を観測するステップはＰａｒｔｉｃｌｅ Ｆｉｌｔｅｒを用い、次の観測場所を決定するステップはＡｃｔｉｖｅ ｌｅａｒｎｉｎｇを用いる、
位置推定方法。

＜実施の形態の詳細＞
以下、本発明の実施の形態による無人移動体による対象物の位置推定方法を利用した位置推定システムについて、説明する。

＜概要＞
本発明の実施の形態による位置推定システムは、無人飛行体とコンピュータ端末とを用いて実現可能である。

本実施の形態における無人飛行体は、ドローン（Ｄｒｏｎｅ）、マルチコプター（Ｍｕｌｔｉ Ｃｏｐｔｅｒ）、無人航空機（Ｕｎｍａｎｎｅｄ ａｅｒｉａｌ ｖｅｈｉｃｌｅ：ＵＡＶ）、ＲＰＡＳ（ｒｅｍｏｔｅ ｐｉｌｏｔｅｄ ａｉｒｃｒａｆｔ ｓｙｓｔｅｍｓ）、又はＵＡＳ（Ｕｎｍａｎｎｅｄ Ａｉｒｃｒａｆｔ Ｓｙｓｔｅｍｓ）等と称呼されることがある。無人飛行体は、電池、複数のモータ、位置検出部、制御部、ドライバ、記憶装置、無線通信装置、電圧センサ、及び電流センサ等を備えている。これらの構成要素は、所定形状のフレームに搭載されている。無人飛行体に搭載される情報処理装置のハードウェア構成については後述する。なお、これらの飛行のための基本構造については、既知の技術を適宜採用可能である。

＜無人飛行体＞
図２に示されるように、無人飛行体１は、情報処理装置１００を搭載している。情報処理装置１００は、サーバ１と通信を介して情報処理を実行することにより、情報伝達システムの一部を構成する。情報処理装置１００は、少なくとも、プロセッサ１０、メモリ１１、ストレージ１２、送受信部１３、出力部１４、測位部１６、検知部１７等を備え、これらはバス１５を通じて相互に電気的に接続される。情報処理装置１００は、例えばマイクロコンピューター、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）で構成されていてもよく、或いはクラウド・コンピューティングによって論理的に実現されてもよい。

プロセッサ１０は、情報処理装置１００の動作を制御し、各要素間におけるデータの送受信の制御、及びアプリケーションの実行に必要な処理等を行う演算装置である。例えばプロセッサ１０はＣＰＵ及び／又はＧＰＵ（Ｇｒａｐｈｉｃａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等であり、ストレージ１２に格納されメモリ１１に展開されたプログラム等を実行することによって、必要な各情報処理を実施する。

メモリ１１は、ＲＡＭなどの揮発性記憶装置で構成される主記憶と、フラッシュメモリやＨＤＤ等の不揮発性記憶装置で構成される補助記憶と、を含む。メモリ１１はプロセッサ１０のワークエリア等として使用され、また、情報処理装置１００の起動時に実行されるＢＩＯＳ、及び各種設定情報等が格納される。ストレージ１２には、アプリケーション・プログラム等が格納される。

送受信部１３は、情報処理装置１００をネットワーク４に接続し、ＬＰＥＡネットワークを介して管理サーバ１と通信を行う。なお、送受信部１３は、Ｂｌｕｅｔｏｏｔｈ（登録商標）及びＢＬＥ（Ｂｌｕｅｔｏｏｔｈ Ｌｏｗ Ｅｎｅｒｇｙ）の近距離通信インタフェースを備えていてもよい。

入出力部１４は、スイッチ類等の情報入力機器、及びディスプレイ等の出力機器である。無人飛行体１は自律飛行を行うものであるが、外部から遠隔で手動又は自動で操作されることとしてもよい。本実施の形態による無人飛行体１は、入力機能としてカメラを備えており、静止画・動画の空撮が可能である。また、収集すべき情報に応じて、赤外線サーモカメラ、Ｘ線カメラ、高感度カメラ、暗視カメラ等種々のカメラを備えることとしてもよい。

バス１５は、上記各要素に共通に接続され、例えば、アドレス信号、データ信号及び各種制御信号を伝達する。

測位部１６は、無人飛行体１の位置と高度を少なくとも検出する。本実施の形態による測位部２６は、例えばＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）検出器であって、無人飛行体１の現在位置の緯度、経度、及び高度を検出する。

検知部１７は、無人飛行体１の外部環境を音声、画像、赤外線等種々のセンサによってセンシングするためのものであり、自立飛行の補助機能を司る。

本実施の形態による無人飛行体１は、情報処理装置１００の他に、当該無人飛行体１の移動・飛行のための、電源、回転翼に接続されたモータ、情報処理装置１００とモータとを中継するドライバを少なくとも更に有している。情報処理装置１００は、複数のモータを制御して監視ドローンの飛行制御（上昇、下降、水平移動などの制御）や、無人飛行体１に搭載されているジャイロ（図示せず）を使用して複数のモータを制御することによって姿勢制御をも行う。ドライバは、情報処理装置１００からの制御信号に従ってモータを駆動する。例えば、モータは直流モータであり、ドライバは制御信号により指定された電圧をモータに印加する可変電圧電源回路である。なお、無人飛行体１００は図示しない他の要素を有していてもよい。

＜管理サーバ＞
図２に示されるように、管理サーバ２は、情報伝達システムを通じてサービスを提供するための情報処理装置であり、例えばワークステーションやパーソナルコンピュータのような汎用コンピュータとしてもよいし、或いはクラウド・コンピューティングによって論理的に実現されてもよい。図２に示されるように、サーバ２は、プロセッサ２０、メモリ２１、ストレージ２２、送受信部２３、及び入出力部２４等を備え、これらはバス２５を通じて相互に電気的に接続される。

プロセッサ２０は、サーバ２全体の動作を制御し、各要素間におけるデータの送受信の制御、及びアプリケーションの実行に必要な情報処理等を行う演算装置である。例えばプロセッサ２０はＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）であり、ストレージ２２に格納されメモリ２１に展開されたプログラム等を実行して各情報処理を実施する。

メモリ２１は、ＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等の揮発性記憶装置で構成される主記憶と、フラッシュメモリやＨＤＤ（Ｈａｒｄ Ｄｉｓｃ Ｄｒｉｖｅ）等の不揮発性記憶装置で構成される補助記憶と、を含む。メモリ２１は、プロセッサ２０のワークエリア等として使用され、また、サーバ２の起動時に実行されるＢＩＯＳ（Ｂａｓｉｃ Ｉｎｐｕｔ ／ Ｏｕｔｐｕｔ Ｓｙｓｔｅｍ）、及び各種設定情報等を格納する。ストレージ２２は、アプリケーション・プログラム、及び各無人飛行体１の認証プログラム等の各種プログラムを格納する。各処理に用いられるデータを格納したデータベース（後述するロケーションデータ、ルートデータ等）がストレージ２２に構築されていてもよい。

＜本発明による方法＞
関連研究のＲＳＳＩを用いた位置推定では、信号を観測するセンサーの位置についてはセンサーの周囲に格子状に並べるなどの方法がとられている。

この方法では一度に観測を行い、得られたデータを用いて位置推定を行うことになる。本発明では、遭難者が所持しているビーコンの信号をＵＡＶに搭載したセンサーで観測をしながら推定を進めることを考えるので、Ｐａｒｔｉｃｌｅ Ｆｉｌｔｅｒを用いて分布を推定し、観測が得られるごとに更新していくことにする。さらに、本発明では遭難者の位置推定を行うことを考えているため、少ない観測回数で高精度の位置推定を行うことも重要である。このため観測場所を適切に選択する必要がある。

本発明においてこの問題を解決するために、機械学習の一つの分野であるＡｃｔｉｖｅ ｌｅａｒｎｉｎｇで用いられている方法を適用することを考える。Ａｃｔｉｖｅ ｌｅａｒｎｉｎｇとは、あるデータに対する正解のラベルを得るのにコストや時間がかかる場合に、できるだけ少ないデータに対する正解ラベルで効率的に学習を行うための学習方法である。本発明においてはＰａｒｔｉｃｌｅＦｉｌｔｅｒとＡｃｔｉｖｅ ｌｅａｒｎｉｎｇで用いられる方法を組み合わせることで、効率的かつ高精度な位置推定を実現する方法を提案する。

提案手法では信号を観測して推定位置を更新し、更新後に次の観測場所を決定する。その場所で再び観測を行い、推定位置を更新する、という操作を繰り返し行うことで漸次的に推定を進める。

本発明では遭難者の位置の分布は非ガウスな分布であると考えられるため、単純なカルマンフィルタは使えない。ここでは実装の容易さから、信号源の位置推定にはＰａｒｔｉｃｌｅ Ｆｉｌｔｅｒを用い、次の観測場所の決定にはＡｃｔｉｖｅ ｌｅａｒｎｉｎｇで用いられる手法を適用する。

本実施形態ではＰａｒｔｉｃｌｅ ＦｉｌｔｅｒとしてＳａｍｐｌｉｎｇ Ｉｍｐｏｒ−ｔａｎｃｅ Ｒｅｓａｍｐｌｉｎｇアルゴリズムを用いるものとする。つまり観測データを得るたびに各粒子に対して尤度を計算し、尤度に応じてリサンプリングを行うことで粒子の状態を更新し推定を行う。

Ａｃｔｉｖｅ ｌｅａｒｎｉｎｇは機械学習の一つの分野で、あるデータに対する正解のラベルを得るのにコストや時間がかかる場合に、できるだけ少ないデータに対する正解ラベルで効率的に学習を行うためのアルゴリズムである。Ａｃｔｉｖｅ ｌｅａｒｎｉｎｇでは次にどのデータを得るべきかを決定するのにはいくつかのアプローチがある。本発明では行方不明者の位置をできるだけ早く推定するために、観測する場所を適切に選び推定を効率的に進める必要があるためＡｃｔｉｖｅ ｌｅａｒｎｉｎｇで用いられる手法を参考にする。次節以降で、本発明におけるＰａｒｔｉｃｌｅ Ｆｉｌｔｅｒと、Ａｃｔｉｖｅ ｌｅａｒｎｉｎｇで用いられる手法の具体的な適用方法をついて述べる。

＜Ｒａｎｇｅ−Ｂａｓｅｄ方式に基づく提案手法＞
Ｒａｎｇｅ−Ｂａｓｅｄ方式に基づく提案手法では、Ｒａｎｇｅ−Ｂａｓｅｄ方式の中でもＲＳＳＩを用いて位置検出を行う。ある観測が得られたらＰａｒｔｉｃｌｅ Ｆｉｌｔｅｒ各粒子に対して、信号強度の理論値との差に応じて尤度を設定し、リサンプリングを行うことで推定を更新し、次の観測場所を決定する、という操作を繰り返す。以下ではその具体的な更新方法と観測場所の決定方法について述べる。また、今後は理論式（１）中の単位距離ｄ_０＝１として扱う。

＜分布の更新＞
粒子の個数をＮ_ｐとし、（ｉ−１） 番目の観測を受けて、リサンプリングされたあとの粒子を数式１で表す。
さらに粒子の番号を添え字ｊ （ｊ＝１， ２，・・・， Ｎｐ） で表すことにすると、各粒子は、それぞれ粒子の位置、単位距離での信号強度、減衰係数の情報を持ち、数式２で表すことができる。
また、ｉ番目の観測場所を数式３、観測値を数式４とする。
ここで、観測値（数式４）が得られると、観測ノイズが平均０、分散２の正規分布に従うと仮定することで、各粒子に対しての尤度ｗを以下の数式５により計算することができる。
尤度ｗが計算できれば、これに従ってリサンプリングすることで、更新された粒子（数式６）を得ることができる。

＜観測場所の決定＞
ｉ番目の観測を受けて、リサンプリングされたあとの粒子（数式６）が得られたとき、次にどの場所で観測すべきかを考える。例えば、ある位置［ｘ_０， ｙ_０］^Ｔで観測を行うとする。このとき、各粒子から得られるＮｐ個の観測値の組Ｒは［ｘ_０， ｙ_０］^Ｔに依存し、数式７のように書くことができる。
Ｎｐ個の観測値Ｒ_ｊ（ｊ＝１， ２， ・・・， Ｎｐ）が同じような値になる位置で観測を行なっても、そのときの観測を受けてリサンプリングした後の分布はリサンプリングする前の分布とあまり変化しない。逆に、できるだけ異なった観測が得られる場所で観測を行なった方が、リサンプリング前後での分布の変化は大きくなる。このような考え方はＡｃｔｉｖｅｌｅａｒｎｉｎｇにおいてはｕｎｃｅｒｔａｉｎｔｙ ｓａｍｐｌｉｎｇと呼ばれ、観測場所は以下の数式１１に従って決定することができる。

＜シミュレーション結果＞
Ｒａｎｇｅ−Ｂａｓｅｄ方式、Ｒａｎｇｅ−Ｆｒｅｅ方式に基づく提案手法のそれぞれに対して行なったシミュレーションの結果を示す。Ｐａｒｔｉｃｌｅ Ｆｉｌｔｅｒにより位置推定が行えていること、Ａｃｔｉｖｅ ｌｅａｒｎｉｎｇで用いられる手法により、ランダムに観測場所を選択するよりも推定の精度が向上していることを確認した。シミュレーションの問題設定として、Ｐａｒｔｉｃｌｅ Ｆｉｌｔｅｒの粒子の数は１，０００とし、更に、パラメータの初期値及び信号源の位置（ｘ_ｔ， ｙ_ｔ）は、数式１２の範囲でランダムに選択する。
更に、信号源の定数はＰ_０＝６０．０、κ＝２．２に設定する。簡単のため、ビーコン及び受信機は無指向性であるとする。観測には平均０、分散１のガウス白色ノイズをのせる。受信機は信号強度が０ｄＢより小さい信号は観測できないものとし、計算上は全てＰ＝−３０として扱う。

Ｒａｎｇｅ−Ｂａｓｅｄ方式に基づく提案手法のシミュレーション結果を以下の表１及び表２（Ｔａｂ１， Ｔａｂ２）に示す。表中のδは推定誤差である。
ここでは、各観測回数について１００回シミュレーションを行い、その平均値を載せている。観測場所をランダムに選択するよりもｕｎｃｅｒｔａｉｎｔｙ ｓａｍｐｌｉｎｇに従って選択することで、少ない観測回数で高精度の推定を実現できていることが確認できる。また、ｕｎｃｅｒｔａｉｎｔｙ ｓａｍｐｌｉｎｇを用いることにより次の観測場所を適切に選択できている様子を図３に示す。図において赤い星印がターゲットの位置、青丸がセンサーの位置、緑の丸が粒子の位置である。図（ａ）は、ある時刻ｔ＝Ｔでの状態であり、その状態から次の時刻において観測場所をランダムに選択し、観測・リサンプリングを行なった後の状態が図（ｂ）であり、観測場所をｕｎｃｅｒｔａｉｎｔｙ ｓａｍｐｌｉｎｇにより選択し、観測・リサンプリングを行なった後の状態が図（ｃ）である。

以上説明したように、本発明では、信号源の位置推定を行う際にＰａｒｔｉｃｌｅ Ｆｉｌｔｅｒを用いることで、オンラインで推定を進めることができることを示した。さらに観測場所を決定するときにはＡｃｔｉｖｅ ｌｅａｒｎｉｎｇに従って決定することで、少ない観測で効率的に推定を行うことができることも確認し、その有用性も示した。しかし遭難者の位置推定を行う際に最も重要なのは観測回数を減らすことではなく、推定にかかる時間を短くすることである。観測回数を減らすことは推定にかかる時間を短くするために重要なことではあるが、必ずしも推定時間の短縮には繋がらない。観測場所同士が非常に離れているなどの要因で、観測回数自体は少ないが移動に時間がかかる、ということも考えられるためである。そのため、今後の課題として観測場所間の移動時間も考慮に入れたモデルを構築する必要がある。

本実施の無人移動体は、飛行するものであったが、例えば、地上を移動するもの、水中を移動するものなど、自立又は手動で移動させることができるものであれば、どのようなものでも適用可能である。

上述した実施の形態は、本発明の理解を容易にするための例示に過ぎず、本発明を限定して解釈するためのものではない。本発明は、その趣旨を逸脱することなく、変更、改良することができると共に、本発明にはその均等物が含まれることは言うまでもない。

１ 無人飛行体
２ 管理サーバ

Claims (2)

1. 無人移動体による対象物の位置推定方法であって、
   対象物の推定位置を仮決めするステップと、前記無人移動体によって、対象物から発信される信号を観測するステップと、前記推定位置を更新し更新後に次の観測場所を決定するステップと、更新後の観測場所に移動して再び観測を行うステップと、を繰り返すことによって、前記対象物の位置を漸次的に推定する、
   位置推定方法。
2. 請求項１に記載の位置推定方法であって、
   前記信号を観測するステップはＰａｒｔｉｃｌｅ Ｆｉｌｔｅｒを用い、次の観測場所を決定するステップはＡｃｔｉｖｅ ｌｅａｒｎｉｎｇを用いる、
   位置推定方法。