JP6973257B2 - 動線推定装置、動線推定方法およびコンピュータプログラム - Google Patents

Description

本発明は、動線推定装置、動線推定方法およびコンピュータプログラムに関し、特に、複数のマーカが設置された所定エリア内を走行する車両の動線を推定する動線推定装置、動線推定方法およびコンピュータプログラムに関する。

工場内では、物品を搬送するためにフォークリフトなどの産業用車両が走行する。このような車両が効率的に作業を行っているかを判断するためには、車両の動線を正確に推定する必要がある。しかしながら、工場などの屋内ではＧＰＳ（Global Positioning System）衛星などの航法衛星からの電波を受信することが困難である。このため、当該電波に基づいて車両の動線を推定することは困難である。

そこで、工場内に複数のマーカを設置し、車両に搭載されたカメラで撮像した車両の周囲の画像データを画像処理することによりマーカを識別し、識別されたマーカの工場内での位置から車両の位置を推定することが考えられる。このような処理を周期的に実行することにより、車両の動線を追跡することができる。

例えば、特許文献１には、マーカの一例として、マークと呼ばれる色領域を複数含む二次元コードが示されている。この二次元コードに含まれるマークの色およびマークの位置を識別することにより、マーカを識別することができる。

特開２０１１−０７６３９５号公報

矢野浩一、「粒子フィルタの基礎と応用：フィルタ・平滑化・パラメータ推定」、日本統計学会誌、日本統計学会、２０１４年９月、第４４巻、第１号、Ｐ．１８９〜２１６ 北川源四郎、「モンテカルロ・フィルタおよび平滑化について」、統計数理、統計数理研究所、１９９６年、第４４巻、第１号、Ｐ．３１−４８

しかしながら、車両の動線を正確に推定するためには、工場内の至る所にマーカを設置しなければならない。マーカの種類が膨大になると、マーカに含まれるマークの組み合わせの数を増やさなければならない。これに伴い、マーカに含まれるマークが多くなる。マークのサイズを変化させることなくマークを多くするには、マーカのサイズを大きくする必要がある。一方、マーカのサイズを変化させることなくマークを多くするには、マークのサイズを小さくする必要が生じる。マーカのサイズを大きくすると、マーカを設置可能なエリアの面積制約により、マーカを設置できない可能性が増大する。一方、マークのサイズを小さくすると、画像データ中に占めるマーク領域のサイズが小さくなるため、マーカの検出漏れまたは識別誤りの可能性が増大する。マーカまたはマークのサイズをできるだけ大きくするためにも、マーカの種類はできるだけ少ないことが望まれる。

本発明は、このような事情に鑑みてなされたものであり、少ない種類のマーカを用いて車両の動線を正確に推定することのできる動線推定装置、動線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。

（１）上記目的を達成するために、本発明の一実施態様に係る動線推定装置は、複数のマーカが設置された所定エリア内を走行する車両から観測した前記マーカの観測結果に基づいて、前記車両の動線を推定する動線推定装置であって、第１時点において前記車両が各前記マーカに係るマーカ位置に存在する確率に基づいて、前記第１時点よりも後の第２時点において前記車両が各前記マーカ位置に存在する確率を予測する確率予測部と、前記第２時点における前記観測結果に基づいて、各前記マーカ位置において、前記車両が、前記観測結果が示す前記マーカを観測する確率を推定する確率推定部と、前記確率予測部の予測結果および前記確率推定部の推定結果に基づいて、前記第２時点において前記車両が各前記マーカ位置に存在する確率を更新する更新部と、前記更新部による更新後の前記確率の時系列情報に基づいて、前記車両の動線を推定する動線推定部と、を備える。

（１２）本発明の他の実施態様に係る動線推定方法は、複数のマーカが設置された所定エリア内を走行する車両から観測した前記マーカの観測結果に基づいて、前記車両の動線を推定する動線推定装置による動線推定方法であって、第１時点において前記車両が各前記マーカに係るマーカ位置に存在する確率に基づいて、前記第１時点よりも後の第２時点において前記車両が各前記マーカ位置に存在する確率を予測するステップと、前記第２時点における前記観測結果に基づいて、各前記マーカ位置において、前記車両が、前記観測結果が示す前記マーカを観測する確率を推定するステップと、予測された前記確率および推定された前記確率に基づいて、前記第２時点において前記車両が各前記マーカ位置に存在する確率を更新するステップと、更新後の前記確率の時系列情報に基づいて、前記車両の動線を推定するステップと、を含む。

（１３）本発明の他の実施態様に係るコンピュータプログラムは、コンピュータを、複数のマーカが設置された所定エリア内を走行する車両から観測した前記マーカの観測結果に基づいて、前記車両の動線を推定する動線推定装置として機能させるためのコンピュータプログラムであって、前記コンピュータを、第１時点において前記車両が各前記マーカに係るマーカ位置に存在する確率に基づいて、前記第１時点よりも後の第２時点において前記車両が各前記マーカ位置に存在する確率を予測する確率予測部と、前記第２時点における前記観測結果に基づいて、各前記マーカ位置において、前記車両が、前記観測結果が示す前記マーカを観測する確率を推定する確率推定部と、前記確率予測部の予測結果および前記確率推定部の推定結果に基づいて、前記第２時点において前記車両が各前記マーカ位置に存在する確率を更新する更新部と、前記更新部による更新後の前記確率の時系列情報に基づいて、前記車両の動線を推定する動線推定部と、して機能させる。

なお、本発明は、このような特徴的な処理部を備える動線推定装置として実現することができるだけでなく、動線推定装置の一部又は全部を実現する半導体集積回路として実現したり、動線推定装置を含むシステムとして実現したりすることもできる。

本発明によると、少ない種類のマーカを用いて車両の動線を正確に推定することができる。

本発明の実施の形態１に係る走行経路管理システムの構成の一例を示す図である。 本発明の実施の形態１に係るフォークリフトの走行経路の一例を示す図である。 本発明の実施の形態１に係るマーカの一例を示す図である。 本発明の実施の形態１に係るフォークリフトのカメラが撮像した画像データの一例を示す図である。 本発明の実施の形態１に係るフォークリフトの構成の一例を示すブロック図である。 本発明の実施の形態１に係るセンサ情報作成部が作成するセンサ情報の一例を示す図である。 本発明の実施の形態１に係るフォークリフトに搭載された車載装置の動作手順の一例を示すフローチャートである。 本発明の実施の形態１に係るサーバの構成の一例を示すブロック図である。 ランダムウォークについて説明するための図である。 Ｚ１（地点Ａ）を出発したフォークリフト１が、ｔ秒後に地点Ａ〜Ｄに到達する確率を示す到達確率情報を示す図である。 Ｚ１（地点Ｂ）を出発したフォークリフト１が、ｔ秒後に地点Ａ〜Ｄに到達する確率を示す到達確率情報を示す図である。 Ｚ１（地点Ｃ）を出発したフォークリフト１が、ｔ秒後に地点Ａ〜Ｄに到達する確率を示す到達確率情報を示す図である。 Ｚ１（地点Ｄ）を出発したフォークリフト１が、ｔ秒後に地点Ａ〜Ｄに到達する確率を示す到達確率情報を示す図である。 サーバが実行する処理について説明するための図である。 観測モデルの作成方法について説明するための図である。 記憶部に記憶されている観測モデルの一例を示す他の図である。 記憶部に記憶されている、図１６と同じ観測モデルにおいて観測結果が異なる場合の確率を示した観測モデルの一例を示す図である。 記憶部に記憶されている、図１６と同じ観測モデルにおいて観測結果が異なる場合の確率を示した観測モデルの一例を示す図である。 記憶部に記憶されている、図１６と同じ観測モデルにおいて観測結果が異なる場合の確率を示した観測モデルの一例を示す図である。 本発明の実施の形態１に係るサーバの動作手順の一例を示すフローチャートである。 平滑化部による平滑化処理について説明するための図である。 フォークリフトのカメラが撮像した画像データにオプティカルフローを重畳させた図である。 走行方向を考慮した到達確率情報について説明する図である。 走行方向を考慮した到達確率情報について説明する図である。 本発明の実施の形態３に係るフォークリフトの走行経路の一例を示す図である。 本発明の実施の形態３に係る車載装置が送信するセンサ情報の一例を示す図である。 観測モデルの一例を示す図である。 本発明の変形例に係るマーカの一例を示す図である。

［本願発明の実施形態の概要］
最初に本発明の実施形態の概要を列記して説明する。
（１）本発明の一実施形態に係る動線推定装置は、複数のマーカが設置された所定エリア内を走行する車両から観測した前記マーカの観測結果に基づいて、前記車両の動線を推定する動線推定装置であって、第１時点において前記車両が各前記マーカに係るマーカ位置に存在する確率に基づいて、前記第１時点よりも後の第２時点において前記車両が各前記マーカ位置に存在する確率を予測する確率予測部と、前記第２時点における前記観測結果に基づいて、各前記マーカ位置において、前記車両が、前記観測結果が示す前記マーカを観測する確率を推定する確率推定部と、前記確率予測部の予測結果および前記確率推定部の推定結果に基づいて、前記第２時点において前記車両が各前記マーカ位置に存在する確率を更新する更新部と、前記更新部による更新後の前記確率の時系列情報に基づいて、前記車両の動線を推定する動線推定部と、を備える。

このように、確率予測部は、過去の第１時点に予測された各マーカ位置に車両が存在する確率に基づいて現時点である第２時点の確率を予測することができる。一方、確率推定部は、車両が各マーカ位置に存在する場合に、観測結果が示すマーカを観測する確率を推定することができる。更新部は、これら２つの確率に基づいて、現時点の確率を更新することができる。従来の方法では、マーカの観測結果のみに基づいて現時点の確率を予測していた。しかし、この構成によると、観測結果に基づく確率に加え、さらに、過去の予測確率を考慮して、現時点の確率を予測することができる。

仮に車両の走行経路上の複数箇所に同じ構成のマーカが設置されており、このうちいずれかのマーカが観測されたとする。この場合、マーカの観測結果のみから確率を予測する従来の方法によると、車両が各マーカ位置に存在する確率はほぼ同じになる。これに対し、この構成によると、過去の予測確率を考慮している。つまり、車両が過去に存在していたマーカ位置を基準として、そのマーカ位置からは大きく移動しないであろうとの仮定の下で、現時点の確率を予測することができる。これにより、同一のマーカが複数箇所に存在していたとしても、車両の時間的な前後関係を用いて現時点の確率を予測し、車両の動線を推定することができる。つまり、少ない種類のマーカを用いたとしても車両の動線を正確に推定することができる。

（２）好ましくは、前記確率予測部は、前記第１時点から前記第２時点までの間に、前記車両が各前記マーカ位置から当該車両の走行速度に従いランダムウォークした場合に各前記マーカ位置へ到達する確率に基づいて、前記第２時点において前記車両が各前記マーカ位置に存在する確率を予測する。

この構成によると、車両の走行速度を考慮して、車両が次に到達可能な位置を推定して第２時点における各マーカ位置の車両の存在確率を算出することができる。これにより、車両の各マーカ位置における確率を正確に算出することができるため、車両の動線を正確に推定することができる。

（３）さらに好ましくは、前記確率予測部は、各前記マーカ位置へ到達する確率を、前記車両が当該マーカの設置位置から所定範囲内の各位置に到達する確率に基づいて算出する。

この構成によると、マーカの設置位置のみならず、当該設置位置から所定範囲内の位置に車両が到達する確率に基づいて、自マーカのマーカ位置に到達する確率を算出することができる。

（４）さらに好ましくは、各前記マーカの前記所定範囲は、当該マーカの設置位置からの距離が他のマーカの設置位置からの距離以下となる範囲である。

この構成によると、互いに隣接するマーカ間の中点よりも自マーカに近い位置に車両が到達する確率を、自マーカのマーカ位置に到達する確率として推定することができる。

（５）また、前記確率予測部は、前記マーカ位置ごとに用意された以下の到達確率情報と、前記第１時点における前記車両が各前記マーカ位置に存在する確率とに基づいて、前記第２時点において前記車両が各前記マーカ位置に存在する確率を予測してもよい。
到達確率情報：前記車両が当該マーカ位置を出発してから所定時間後に各前記マーカ位置に到達する確率の情報

この構成によると、マーカ位置ごとに用意された到達確率情報を用いて、第２時点における車両の存在確率を予測することができる。このため、確率予測部による予測処理を行うたびに、ランダムウォークの確率を算出する必要がなく、高速に車両の存在確率を予測することができる。

（６）また、前記確率予測部は、前記車両の走行速度および走行方向に基づいて、前記第１時点から前記第２時点までの間に、各前記マーカ位置から前記車両が前記走行方向に走行したと推定される場合に各前記マーカ位置へ到達する確率に基づいて、前記第２時点において前記車両が各前記マーカ位置に存在する確率を予測してもよい。

この構成によると、車両の走行速度および走行方向を考慮して、車両が次に到達可能な位置を推定して第２時点における各マーカ位置の車両の存在確率を算出することができる。これにより、車両の各マーカ位置における確率を正確に算出することができるため、車両の動線を正確に推定することができる。

（７）さらに好ましくは、上述の動線推定装置は、さらに、前記更新部による更新後の前記確率の時系列情報に基づいて、各時点において前記車両が各前記マーカ位置に存在する確率を平滑化する平滑化部を備え、前記動線推定部は、前記平滑化部による平滑化後の前記確率の時系列情報に基づいて、前記車両の動線を推定する。

この構成によると、各マーカ位置における確率の時間的な前後関係を考慮して、確率を予測することができる。これにより、確率を正確に予測することができる。よって、車両が時間的に連続して移動するような車両の動線を推定することができる。

（８）また、前記動線推定部は、前記確率の時系列情報を用いて、各時点において確率が最大のマーカ位置に基づいて、前記車両の動線を推定してもよい。

この構成によると、車両が存在する確率が最大の位置から車両の動線を推定することができるため、車両の動線を正確に推定することができる。

（９）また、上述の動線推定装置は、さらに、前記車両に備えられたカメラで撮像した画像データを取得する画像データ取得部を備え、前記確率推定部は、前記画像データ取得部が取得した前記第２時点に撮像された前記画像データに基づいて当該画像データに含まれる前記マーカを識別し、各前記マーカ位置において、前記車両が、識別結果が示す前記マーカを観測する確率を推定してもよい。

この構成によると、マーカを撮像した画像データに基づいて、車両が各マーカ位置に存在する場合に、識別結果が示すマーカを観測する確率を推定することができる。このため、車両の周囲を監視する監視カメラの画像データを利用して、確率を推定することができる。よって、特別な機器を追加することなく、低コストで車両の動線を推定することができる。

（１０）また、上述の動線推定装置は、さらに、前記所定エリア内に設置された無線送信機から前記車両に備えられた無線受信部が受信したデータを取得する受信データ取得部を備え、前記確率推定部は、前記受信データ取得部が取得した前記データに基づいて当該データの前記第２時点における送信元の前記無線送信機を識別し、各前記マーカ位置において、前記車両が、識別結果が示す前記無線送信機から前記データを受信する確率を推定してもよい。

この構成によると、無線送信機が送信したデータに基づいて、車両が各マーカ位置に存在する場合に、識別結果が示す送信元の無線送信機からデータを受信する確率を推定することができる。このため、マーカが柱等の死角に入りカメラでマーカを撮影できない場合であっても、上記確率を推定することができる。

（１１）また、前記確率推定部は、さらに、前記無線送信機の設置位置において、前記車両が、前記識別結果が示す前記無線送信機から前記データを受信する確率を推定し、前記更新部は、さらに、前記確率予測部の予測結果および前記確率推定部の推定結果に基づいて、前記第２時点において前記車両が前記無線送信機の設置位置に存在する確率を更新してもよい。

この構成によると、無線送信機が送信したデータに基づいて、車両が各無線送信機の設置位置に存在する場合に、識別結果が示す送信元の無線送信機からデータを受信する確率を推定することができる。このため、マーカが柱等の死角に入りカメラでマーカを撮影できない場合であっても、上記確率を推定することができる。

（１２）本発明の他の実施形態に係る動線推定方法は、複数のマーカが設置された所定エリア内を走行する車両から観測した前記マーカの観測結果に基づいて、前記車両の動線を推定する動線推定装置による動線推定方法であって、第１時点において前記車両が各前記マーカに係るマーカ位置に存在する確率に基づいて、前記第１時点よりも後の第２時点において前記車両が各前記マーカ位置に存在する確率を予測するステップと、前記第２時点における前記観測結果に基づいて、各前記マーカ位置において、前記車両が、前記観測結果が示す前記マーカを観測する確率を推定するステップと、予測された前記確率および推定された前記確率に基づいて、前記第２時点において前記車両が各前記マーカ位置に存在する確率を更新するステップと、更新後の前記確率の時系列情報に基づいて、前記車両の動線を推定するステップと、を含む。

この構成は、上述の動線推定装置が備える特徴的な処理部に対応するステップを含む。このため、上述の動線推定装置と同様の作用および効果を奏することができる。

（１３）本発明の他の実施形態に係るコンピュータプログラムは、コンピュータを、複数のマーカが設置された所定エリア内を走行する車両から観測した前記マーカの観測結果に基づいて、前記車両の動線を推定する動線推定装置として機能させるためのコンピュータプログラムであって、前記コンピュータを、第１時点において前記車両が各前記マーカに係るマーカ位置に存在する確率に基づいて、前記第１時点よりも後の第２時点において前記車両が各前記マーカ位置に存在する確率を予測する確率予測部と、前記第２時点における前記観測結果に基づいて、各前記マーカ位置において、前記車両が、前記観測結果が示す前記マーカを観測する確率を推定する確率推定部と、前記確率予測部の予測結果および前記確率推定部の推定結果に基づいて、前記第２時点において前記車両が各前記マーカ位置に存在する確率を更新する更新部と、前記更新部による更新後の前記確率の時系列情報に基づいて、前記車両の動線を推定する動線推定部と、して機能させる。

この構成によると、コンピュータを上述の動線推定装置として機能させることができる。このため、上述の動線推定装置と同様の作用および効果を奏することができる。

［本願発明の実施形態の詳細］
以下、本発明の実施の形態について、図面を用いて詳細に説明する。なお、以下で説明する実施の形態は、いずれも本発明の好ましい一具体例を示すものである。以下の実施の形態で示される数値、形状、材料、構成要素、構成要素の配置位置および接続形態、ステップ、ステップの順序などは、一例であり、本発明を限定する主旨ではない。本発明は、特許請求の範囲によって特定される。よって、以下の実施の形態における構成要素のうち、本発明の最上位概念を示す独立請求項に記載されていない構成要素については、本発明の課題を達成するのに必ずしも必要ではないが、より好ましい形態を構成するものとして説明される。

また、同一の構成要素には同一の符号を付す。それらの機能および名称も同様であるため、それらの説明は適宜省略する。

［実施の形態１］
＜走行経路管理システムの全体構成＞
図１は、本発明の実施の形態１に係る走行経路管理システムの構成の一例を示す図である。

図１を参照して、走行経路管理システム１０は、フォークリフト１と、基地局６と、サーバ７とを備える。

フォークリフト１は、所定エリアである工場内等で大型の物品４を搬送するために用いられる産業用車両である。フォークリフト１は、そのオーバーハング１Ｘに物品４を積載して走行することにより、物品４を搬送することができる。フォークリフト１には、カメラ２と、車載装置３とが取り付けられている。カメラ２は、フォークリフト１の後方を撮像可能な位置（例えば、フォークリフト１のフォークヘッドガード後端位置など）に取り付けられ、フォークリフト１の後方の画像を撮像する。カメラ２のカメラレンズは、例えば、画角１２０°以上の超広角レンズである。カメラ２は、フォークリフト１の後方を監視する目的で用いられるが、後述するマーカを撮像する目的でも用いられる。なお、カメラ２は、フォークリフト１の前方を撮像可能な位置に取り付けられていてもよい。

フォークリフト１に取り付けられる車載装置３は、カメラ２と有線または無線で接続されており、基地局６と無線通信を行うための機能を備えている。車載装置３は、基地局６および基地局６が接続されるネットワークを介してサーバ７に、カメラ２が撮像した画像データと、フォークリフト１の識別子である車両ＩＤとを含むセンサ情報を無線で送信する。

基地局６は、インターネット等のネットワークに接続されており、車載装置３と無線通信を行う。基地局６は、例えば、Ｗｉ−Ｆｉ（登録商標）等のアクセスポイントであってもよいし、５Ｇ（第５世代移動通信システム）またはＬＴＥ（Long Term Evolution）などの無線基地局であってもよい。

サーバ７は、動線推定装置として機能し、ネットワークを経由して車載装置３からセンサ情報を受信する。サーバ７は、センサ情報に基づいて、車載装置３の移動経路を解析するとともに、車載装置３により搬送される物品４の搬送経路を解析する。

＜フォークリフト１について＞
図２は、本発明の実施の形態１に係るフォークリフト１の走行経路の一例を示す図である。

図２は、一例として、工場内におけるフォークリフト１の走行経路を示している。フォークリフト１は、工場内で物品４を搬送するが、工場内には、柱、壁または設備などのフォークリフト１が走行することのできない固定物８が存在する。つまり、フォークリフト１は、固定物８以外の場所を走行可能である。ただし、固定物８以外であっても、フォークリフト１が立ち入ることのできない場所を工場内に設けてもよい。

図２には、便宜上、１台のフォークリフト１を記載しており、フォークリフト１は、例えば、地点Ａから地点Ｂに向かって走行する。なお、フォークリフト１の台数は１台に限定されるものではなく、工場内を複数のフォークリフト１が走行していてもよい。

固定物８には、予め、位置を識別するためのマーカ９が取り付けられている。例えば、図２に示す工場内には、マーカ９として、フォークリフト１の走行経路上の地点Ａ〜Ｄの周囲にマーカＭ１〜Ｍ４が取り付けられている。ただし、マーカ９の取り付け位置および取り付け個数は図２に示したものに限定されるものではない。

例えば、フォークリフト１が、地点Ａ、地点Ｂ、地点Ｃ、地点Ｄの順に移動走行した場合には、フォークリフト１のカメラ２は、マーカＭ１、マーカＭ２、マーカＭ３、マーカＭ４の順に、各マーカ９を撮像する。

ここで、地点Ａ〜Ｄにそれぞれ設置されたマーカＭ１〜Ｍ４の識別結果、つまり、マーカＭ１〜Ｍ４を画像処理により識別した結果を、それぞれ、ＩＤ１〜ＩＤ４とする。

図３は、本発明の実施の形態１に係るマーカ９の一例を示す図である。

図３を参照して、マーカ９は、例えば、平行に配置された赤ラベル９Ｒ、緑ラベル９Ｇおよび青ラベル９Ｂにより構成される。赤ラベル９Ｒと緑ラベル９Ｇとの間、および緑ラベル９Ｇと青ラベル９Ｂとの間には、間隙領域９Ｓが設けられている。間隙領域９Ｓは、例えば黒色の領域である。ただし、間隙領域９Ｓは、マーカ９に必ずしも設けられていなくてもよい。

マーカ９は、取り付けられる位置ごとに構成が異なる。つまり、図３に示すマーカ９が貼り付けられた地点とは異なる地点には、別の構成のマーカ９が貼り付けられる。例えば、位置ごとに、図３に示した各色ラベルの配置順や各色ラベルの数を異ならせることでマーカ９の構成を変更してもよい。また、各色ラベルを横方向に平行となるように配置するのではなく縦方向に平行となるように配置することで、位置ごとにマーカ９の構成を変更してもよいし、各色ラベルの形状を矩形形状にするのではなく、三角形状や円形状など他の形状にすることにより、位置ごとにマーカ９の構成を位置ごとに変更してもよい。さらに、位置ごとに、各色ラベルの色を異ならせることでマーカ９の構成を変更してもよい。このような構成の違いにより、マーカ９を撮像した画像データを画像処理することにより、マーカ９を識別することができる。

なお、本実施の形態によると、同種のマーカ９が工場内に含まれていたとしても、マーカ９の位置を推定することができる。その理由については後述する。

図４は、本発明の実施の形態１に係るフォークリフト１のカメラ２が撮像した画像データの一例を示す図である。カメラ２は、フォークリフト１の後方を監視し、例えば、固定物８に貼り付けられたマーカ９を周期的に撮像することにより画像データを取得する。

図４に示すように、マーカ９は壁面に設置されることが多い。このため、フォークリフト１が壁面の傍を走行している状態においてカメラ２がマーカ９を撮像した場合には、画像上で横方向のモーションブラーが生じやすい。しかし、上述したようにマーカ９を構成する各色ラベルは横方向に平行となるように配置されている。このため、モーションブラーの影響により各色ラベル間で色が混じり合うのを防ぐことができる。これにより、マーカ９を正確に識別することができる。

図５は、本発明の実施の形態１に係るフォークリフト１の構成の一例を示すブロック図である。

図５を参照して、フォークリフト１は、カメラ２と、車載装置３とを備える。なお、フォークリフト１には、これらの構成以外にも、フォークリフト１を移動させるための構成が当然備わっている。
カメラ２は、上述したように、フォークリフト１の後方の画像を撮像する。

車載装置３は、送受信部３１と、アンテナ３２と、画像データ取得部３３と、センサ情報作成部３４とを備える。

車載装置３は、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等を備えるコンピュータ装置により実現可能である。画像データ取得部３３およびセンサ情報作成部３４は、ＲＯＭ等に記憶されたコンピュータプログラムをＣＰＵ上で実行することにより実現される機能的な処理部である。ただし、画像データ取得部３３およびセンサ情報作成部３４の一部または全部が半導体装置などのハードウェアにより構成されていてもよい。

画像データ取得部３３は、カメラ２により撮像されたフォークリフト１の後方の画像データを、インタフェースを介して取得する。なお、画像データ取得部３３は、画像データを画像処理し、マーカ９を含む画像データを切り出してもよい。例えば、画像データ取得部３３は、画像データ中に、予め定められた２色以上の領域（ここでは、赤色領域、緑色領域、青色領域）が含まれているか否かの判定処理を実行する。画像データ取得部３３は、当該領域が含まれていると判定した場合には、当該領域を含み、当該領域から所定の距離内の画像データを切り出す。

センサ情報作成部３４は、フォークリフト１の識別子である車両ＩＤと、画像データ取得部３３が取得した画像データとを含むセンサ情報を作成する。なお、車両ＩＤは、車載装置３の記憶部に記憶されている。

送受信部３１は、センサ情報作成部３４が作成したセンサ情報を、アンテナ３２を介して、基地局６および基地局６に接続されるネットワークを経由してサーバ７に送信する。送受信部３１は、Ｗｉ−Ｆｉ（登録商標）、５ＧまたはＬＴＥなどの無線通信規格に従い、基地局６と無線通信する。

図６は、本発明の実施の形態１に係るセンサ情報作成部３４が作成するセンサ情報の一例を示す図である。
センサ情報は、時刻情報、画像データなどより構成される。

時刻情報は、画像データ取得部３３がカメラ２から画像データを取得した時刻を示す情報である。センサ情報作成部３４は、車載装置３に設けられたタイマまたはクロックの出力信号に基づいて、画像データを取得した時刻を特定する。

車両ＩＤは、フォークリフト１の識別子（車両ＩＤ）（例えば、「ＦＬ１」）を示す情報である。なお、フォークリフト１と車載装置３とは一対一に対応付けられている。このため、車両ＩＤとして、車載装置３の識別子である車載装置ＩＤを利用することもできる。フォークリフト１と車載装置３との対応関係（車両ＩＤと車載装置ＩＤとの対応関係）は、サーバ７において管理される。

センサ情報は、画像データ取得部３３がカメラ２から取得した画像データもしくは当該画像データから切り出したマーカ９を含む画像データ（マーカ画像データ）を示す情報である。

図７は、本発明の実施の形態１に係るフォークリフト１に搭載された車載装置３の動作手順の一例を示すフローチャートである。

図７を参照して、画像データ取得部３３は、カメラ２から、フォークリフト１の後方の画像データを取得する（Ｓ１１）。

画像データ取得部３３は、取得した画像データを画像処理することにより、マーカ９を含む画像データを切り出す（Ｓ１２）。

センサ情報作成部３４は、ステップＳ１２の処理で得られた画像データに基づいて、図６に示したようなセンサ情報を作成する（Ｓ１３）。

送受信部３１は、作成されたセンサ情報を、サーバ７に送信する（Ｓ１４）。

車載装置３は、フォークリフト１の走行が終了するまでの間（Ｓ１５でＮＯ）、ステップＳ１１〜Ｓ１４の処理を繰り返し実行し、フォークリフト１の走行が終了すると（Ｓ１５でＹＥＳ）、処理を終了する。例えば、車載装置３は、フォークリフト１のエンジンが停止したことを示す信号を受信した場合に、フォークリフト１の走行が終了したと判断する。

図７では、センサ情報を作成する度に送信することとしているが、定期的（例えば、１日１回）に複数のセンサ情報をまとめて、サーバ７に送信してもよい。なお、リアルタイムでサーバ７にセンサ情報を送信する必要がない場合には、センサ情報を記憶させたメモリカード等を利用して、オフラインでサーバ７にセンサ情報を与えるようにしてもよい。

＜サーバ７について＞
図８は、本発明の実施の形態１に係るサーバ７の構成の一例を示すブロック図である。

サーバ７は、ＣＰＵ、ＲＯＭ、ＲＡＭ等を備えるコンピュータ装置により実現される。サーバ７は、通信部７１と、記憶部７２と、制御部７３とを備える。

通信部７１は、無線または有線によりサーバ７をネットワークに接続するための通信インタフェースである。通信部７１は、ネットワークを経由して、フォークリフト１の車載装置３から、センサ情報を受信する。

記憶部７２は、ＲＯＭ、ＲＡＭ等により構成され、ＣＰＵで実行されるコンピュータプログラムの他、コンピュータプログラム実行時の一時的なデータなどを記憶する。また、記憶部７２は、工場内に取り付けられたマーカ９の画像データと、マーカ９の識別子（例えば、後述するＩＤ１〜ＩＤ４）およびマーカ９の位置（例えば、後述する地点Ａ〜Ｄ）との対応関係を示すマーカ位置情報を記憶している。

制御部７３は、ＣＰＵ等により構成され、記憶部７２に記憶されているコンピュータプログラムを実行することにより実現される機能的な処理部として、センサ情報取得部７４と、確率予測部７５と、確率推定部７６と、更新部７７と、平滑化部７８と、動線推定部７９とを備える。

センサ情報取得部７４は、画像データ取得部として機能し、通信部７１を経由して、車載装置３からセンサ情報を取得する。

確率予測部７５は、第１時点においてフォークリフト１が各マーカ９に係るマーカ位置に存在する確率に基づいて、第１時点よりも後の時点においてフォークリフト１が各マーカ位置に存在する確率を予測する。ここで、マーカ位置とは、マーカ９が設置される地点およびその周辺の地点を示す。なお、マーカ位置のことを地点とも言う。

例えば、第１時点および第２時点は、画像データが取得された時点または取得した画像データに画像処理を行ってマーカの識別に成功した時点としてもよい。つまり、図６に示したセンサ情報の時刻情報が示す時刻を上記時点としてもよい。当該時点は、マーカ９の観測時刻でもある。

ここで、ｘ_ｎ，ｙ_ｎ，Ｙ_ｎを以下のように定義する。
ｘ_ｎ：ｎ回目のマーカ９観測時（識別成功時）のフォークリフト１の位置（例、地点Ａ、Ｂ、Ｃ、Ｄ）
ｙ_ｎ：ｎ回目のマーカ９の識別結果（例、ＩＤ１、ＩＤ２、ＩＤ３、ＩＤ４）
Ｙ_ｎ＝｛ｙ_１，…，ｙ_ｎ｝

確率予測部７５は、以下の式１に従って、ｎ−１回目のマーカ９観測時においてフォークリフト１が各マーカ位置（各地点）に存在する確率ｐ（ｘ_ｎ−１｜Ｙ_ｎ−１）に基づいて、ｎ回目のマーカ９観測時においてフォークリフト１が各マーカ位置に存在する確率ｐ（ｘ_ｎ｜Ｙ_ｎ−１）を予測する。以下では、ｉ回目のマーカ９観測時を、単にｉ回目と表現する。

確率予測部７５は、ｎ−１回目からｎ回目の間に、フォークリフト１がランダムウォークすると仮定して、式１に示す確率を計算する。式１のｐ（ｘ_ｎ｜ｘ_ｎ−１）がランダムウォークのシステムモデルを示す。

ランダムウォークのシステムモデルｐ（ｘ_ｎ｜ｘ_ｎ−１）は、以下の式２と等価である。
ｐ（ｘ_ｎ｜ｘ_ｎ−１）＝ｆ（ｘ_ｎ−１，ｘ_ｎ，ｔ_ｎ） …（式２）
ここで、ｔ_ｎ、ｆ（ｚ_１，ｚ_２，ｔ）は以下の通りである。
ｔ_ｎ：ｎ−１回目とｎ回目のマーカ９の観測時刻の差（単位：［秒］）
ｆ（ｚ_１，ｚ_２，ｔ）：地点ｚ_１から時間ｔ後にランダムウォークによって地点ｚ_２の領域に入る確率

ランダムウォークでは、微小時間Δｔの間にフォークリフト１が移動可能な各方向に等確率で微小距離Δｘだけ移動するものとする。ただし、以下の式３の関係が成立するものとする。
（Δｘ）^２／Δｔ〜Ｖ^２Ｔ …（式３）
ここで、Ｖ、Ｔは以下の通りである。また、「〜」は、オーダー的に等しいこと、具体的には左辺および右辺の一方が他方の１０倍以下の数倍程度であることを示す。
Ｖ：フォークリフト１の平均的な移動速度
Ｔ：マーカ９を観測する平均的な時間間隔

図９は、ランダムウォークについて説明するための図である。図９を参照して、ｚ_１を地点Ａ、ｚ_２を地点Ａ、Ｂ、ＣおよびＤ、時間ｔを３．６［秒］とした場合のランダムウォークについて説明する。

図９に示すように、フォークリフト１はＺ１（地点Ａ）を出発したとする。この場合、地点Ａにフォークリフト１が存在する確率は１．０である。フォークリフト１は、地点Ａを出発して微小時間Δｔの間にΔｘだけランダムウォークするものとする。ここで、Ｖ＝１０［ｋｍ／ｈ］、Ｔ＝２．７［秒］、（Δｘ）^２／Δｔ＝Ｖ^２Ｔとする。

図１０は、Ｚ１（地点Ａ）を出発したフォークリフト１が、ｔ秒後に地点Ａ〜Ｄに到達する確率を示す到達確率情報を示す図である。地点Ａを出発したフォークリフト１が、ｔ（＝３．６［秒］）後に地点Ａ〜Ｄに到達する確率を、関数ｆ（ｚ_１，ｚ_２，ｔ）の定義に従い計算すると、図１０の（Ａ）に示す確率となる。つまり、地点Ａ〜Ｄに到達する確率は、０．３、０．２、０．２、０．３となる。なお、関数ｆ（ｚ_１，ｚ_２，ｔ）に従い確率を計算する際には、地点間の距離（例えば、地点ＡＢ間：１０ｍ、地点ＢＣ間：５ｍ、地点ＣＤ間：１０ｍ、地点ＤＡ間：５ｍ）を考慮して確率が計算される。

なお、図１０の（Ａ）に示す地点Ａとは、マーカＭ１の設置位置と当該設置位置から所定範囲内の位置を含む。例えば、地点Ａは、破線で示した領域内の位置であり、マーカＭ１から、マーカＭ１に隣接するマーカＭ２またはＭ４との中点までのフォークリフト１の走行経路を含む領域内の位置である。つまり、地点Ａに到達する確率は、上記の破線で示した領域内のいずれかの位置（地点Ａから所定範囲内のいずれかの位置）にフォークリフト１が到達する確率であり、領域内の各位置にフォークリフト１が到達する確率を合計したものである。地点Ｂ〜Ｄも同様に定義される。

これにより、Ｚ１（地点Ａ）を出発したフォークリフト１が、ｔ秒後に地点Ａ〜Ｄに到達する確率は、図１０の（Ｂ）に示すようになる。つまり、ｔ秒後に地点Ａ〜Ｄに到達する確率は、それぞれ、０．３、０．２、０．２、０．３となる。

なお、所定範囲の決め方は上記したものに限定されるものではない。例えば、地点間の通路幅が一定でなく、通路幅の広い場所ほどフォークリフト１の存在確率が高くなることが想定される場合には、幅の広い通路に近い地点の到達確率を高い値に調整した方が良い。このため、地点間の中点以外の点で所定範囲を分割してもよい。

また、マーカ９の設置位置から所定距離以内の領域を所定範囲としてもよい。ただし、この場合には、地点ごとの到達確率の合計が１になるように正規化するものとする。

サーバ７は、図１０の（Ｂ）に示される結果（以下、「到達確率情報」という。）を記憶部７２に記憶している。到達確率情報は、マーカ位置ごとに用意され、フォークリフト１が当該マーカ位置を出発してから所定時間ｔ後に各マーカ位置に到達する確率の情報である。

同様に、サーバ７の記憶部７２は、Ｚ１（地点Ｂ、Ｃ、Ｄ）を出発したフォークリフト１が、ｔ秒後に地点Ａ〜Ｄに到達する確率を記憶している。

図１１は、Ｚ１（地点Ｂ）を出発したフォークリフト１が、ｔ秒後に地点Ａ〜Ｄに到達する確率を示す到達確率情報を示す図である。つまり、ｔ秒後に地点Ａ〜Ｄに到達する確率は、０．２、０．３、０．３、０．２となる。

図１２は、Ｚ１（地点Ｃ）を出発したフォークリフト１が、ｔ秒後に地点Ａ〜Ｄに到達する確率を示す到達確率情報を示す図である。つまり、ｔ秒後に地点Ａ〜Ｄに到達する確率は、０．２、０．３、０．３、０．２となる。

図１３は、Ｚ１（地点Ｄ）を出発したフォークリフト１が、ｔ秒後に地点Ａ〜Ｄに到達する確率を示す到達確率情報を示す図である。つまり、ｔ秒後に地点Ａ〜Ｄに到達する確率は、０．３、０．２、０．２、０．３となる。

図１４は、サーバ７が実行する処理について説明するための図である。図１４の（Ａ）は、ｎ−１回目にフォークリフト１が各地点に存在する確率を示す。つまり、ｎ−１回目にフォークリフト１が地点Ａ〜Ｄに存在する確率は、それぞれ、０．６、０．２、０．０、０．２である。

図１４の（Ｂ）は、確率予測部７５が予測したｎ回目にフォークリフト１が各地点に存在する確率を示す。つまり、図１４の（Ｂ）は、図１４の（Ａ）に示したｎ−１回目のフォークリフト１の存在確率の下で、フォークリフト１がランダムウォークした場合に、ｎ回目に各地点に到達する確率を示している。一例として、ｎ回目にフォークリフト１が地点Ａ〜Ｄに到達する確率は、それぞれ、０．３、０．２、０．２、０．３である。

地点Ａの確率０．３は、以下のように計算される。つまり、確率予測部７５は、記憶部７２から地点Ａに対応した到達確率情報を読み出す。確率予測部７５は、図１４の（Ａ）に示したｎ−１回目の確率分布と、読み出した到達確率情報とに基づいて、以下の式４に従い、地点Ａの確率０．３を算出する。
ｐ（ｘ_ｎ＝Ａ｜Ｙ_ｎ−１）
＝ｐ（ｘ_ｎ＝Ａ｜ｘ_ｎ−１＝Ａ）ｐ（ｘ_ｎ−１＝Ａ｜Ｙ_ｎ−１）
＋ｐ（ｘ_ｎ＝Ａ｜ｘ_ｎ−１＝Ｂ）ｐ（ｘ_ｎ−１＝Ｂ｜Ｙ_ｎ−１）
＋ｐ（ｘ_ｎ＝Ａ｜ｘ_ｎ−１＝Ｃ）ｐ（ｘ_ｎ−１＝Ｃ｜Ｙ_ｎ−１）
＋ｐ（ｘ_ｎ＝Ａ｜ｘ_ｎ−１＝Ｄ）ｐ（ｘ_ｎ−１＝Ｄ｜Ｙ_ｎ−１）
＝０．３×０．６＋０．２×０．２＋０．２×０＋０．３×０．２
≒０．３ …（式４）
その他の地点Ｂ〜Ｄの確率０．２、０．２、０．３も同様に算出される。

次に、確率推定部７６が実行する処理について説明する。確率推定部７６は、第２時点におけるマーカ９の観測結果に基づいて、フォークリフト１が各マーカ位置（各地点）に存在する場合に、観測結果が示すマーカ９を観測する確率を推定する。具体的には、確率推定部７６は、センサ情報取得部７４が取得したセンサ情報に含まれる各画像データに基づいて、当該画像データに含まれるマーカ９を識別する。確率推定部７６は、マーカ９の識別結果に基づいて、フォークリフト１が、識別結果が示すマーカ９を観測する確率を推定する。

記憶部７２には、各地点ｘ_ｎ（例、地点Ａ、Ｂ、Ｃ、Ｄ）において、マーカ９の識別結果がｙｎ（例、ＩＤ１、ＩＤ２、ＩＤ３、ＩＤ４）となる確率ｐ（ｙ_ｎ｜ｘ_ｎ）を示す観測モデルが記憶されている。

図１５は、観測モデルの作成方法について説明するための図である。例えば、地点ＡにおいてＩＤ１のマーカ９を繰り返し撮像し、画像データからマーカ９を識別した結果を示している。１０００件のうち、７００件は正しくＩＤ１と識別されているが、１００件はＩＤ２と識別され、１００件はＩＤ３と識別され、１００件はＩＤ４と識別されている。このため、地点ＡにおいてＩＤ１のマーカ９を観測した場合に、ＩＤ１と識別される確率は０．７であり、ＩＤ２と識別される確率は０．１であり、ＩＤ３と識別される確率は０．１であり、ＩＤ４と識別される確率は０．１である。同様に、地点ＢにおいてＩＤ２のマーカ９を繰り返し撮像し、画像データからマーカ９を識別する。また、地点ＣにおいてＩＤ３のマーカ９を繰り返し撮像し、画像データからマーカ９を識別する。さらに、地点ＤにおいてＩＤ４のマーカ９を繰り返し撮像し、画像データからマーカ９を識別する。これら識別結果から以下の観測モデルが作成される。

図１６は、記憶部７２に記憶されている観測モデルの一例を示す他の図である。図１６は、観測結果がＩＤ１の場合に観測モデルから得られる確率を示している。つまり、フォークリフト１が地点Ａ〜Ｄのそれぞれにおいて、ＩＤ１のマーカ９を観測する確率は０．７、０．１、０．１および０．１である。

図１７は、記憶部７２に記憶されている、図１６と同じ観測モデルにおいて観測結果が異なる場合の確率を示した観測モデルの一例を示す図である。図１７は、観測結果がＩＤ２の場合に観測モデルから得られる確率を示している。つまり、フォークリフト１が地点Ａ〜Ｄのそれぞれにおいて、ＩＤ２のマーカ９を観測する確率は０．１、０．７、０．１および０．１である。

図１８は、記憶部７２に記憶されている、図１６と同じ観測モデルにおいて観測結果が異なる場合の確率を示した観測モデルの一例を示す図である。図１８は、観測結果がＩＤ３の場合に観測モデルから得られる確率を示している。つまり、フォークリフト１が地点Ａ〜Ｄのそれぞれにおいて、ＩＤ３のマーカ９を観測する確率は０．１、０．１、０．７および０．１である。

図１９は、記憶部７２に記憶されている、図１６と同じ観測モデルにおいて観測結果が異なる場合の確率を示した観測モデルの一例を示す図である。図１９は、観測結果がＩＤ４の場合に観測モデルから得られる確率を示している。つまり、フォークリフト１が地点Ａ〜Ｄのそれぞれにおいて、ＩＤ３のマーカ９を観測する確率は０．１、０．１、０．１および０．７である。

図１４の（Ｃ）に示すように、例えば、フォークリフト１が地点Ｂの近傍を走行中に、カメラ２が撮像したＩＤ２のマーカ９の画像データを、確率推定部７６が画像処理したとする。画像処理の結果、確率推定部７６は、画像データ中のマーカ９をＩＤ２と識別したとする。このとき、確率推定部７６は、ＩＤ２に対応する観測モデル（図１７）を記憶部７２から読み出すことにより、フォークリフト１が各地点においてＩＤ２のマーカ９を観測する確率を推定する。つまり、確率推定部７６は、観測モデルから、図１４の（Ｄ）に示すように、フォークリフト１が地点Ａ〜ＤにおいてＩＤ２のマーカ９を観測する確率を、それぞれ、０．１、０．７、０．１、０．１と推定する。

更新部７７は、確率予測部７５の予測結果および確率推定部７６の推定結果に基づいて、第２時点においてフォークリフト１が各マーカ位置（各地点）に存在する確率を更新する。具体的には、式５に従って、確率推定部７６が推定した観測モデルｐ（ｙ_ｎ｜ｘ_ｎ）を用いて、確率予測部７５が予測したフォークリフト１の各地点の存在確率ｐ（ｘ_ｎ｜Ｙ_ｎ−１）に対するフィルタ操作を行う。

例えば、更新部７７は、図１４の（Ｂ）に示したｎ回目にフォークリフト１が各地点に存在する予測確率ｐ（ｘ_ｎ｜Ｙ_ｎ−１）と、図１４の（Ｄ）に示したｎ回目の観測モデルｐ（ｙ_ｎ｜ｘ_ｎ）との各地点の確率を、地点ごとに乗算し、図１４の（Ｅ）に示すような確率を算出する。更新部７７は、図１４の（Ｅ）に示した確率を、確率の合計が１となるように正規化することにより、図１４の（Ｆ）に示すような各地点にフォークリフト１が存在する確率を予測する。

更新部７７は、各時点で推定された確率を記憶部７２に記憶させる。つまり、更新部７７は、各時点の存在確率の時系列情報を記憶部７２に記憶させる。

平滑化部７８は、各時点の存在確率の時系列情報を記憶部７２から読み出し、読み出した時系列情報に基づいて、各時点においてフォークリフト１が各マーカ位置（各地点）に存在する確率を平滑化する。

つまり、平滑化部７８は、以下の式６に従いｎ回目の予測確率ｐ（ｘ_ｎ｜Ｙ_ｎ）を平滑化する。

ここで、Ｎｍａｘ：マーカ９の全観測回数（０≦ｎ≦Ｎｍａｘ）

平滑化処理を行うことにより、時間的に後の確率に基づいて、時間的に前の確率を修正し、時間的に整合性のとれた確率の時系列情報を作成することができる。

動線推定部７９は、平滑化部７８により平滑化された確率の時系列情報に基づいて、フォークリフト１の動線を推定する。つまり、動線推定部７９は、各時点において確率が最大となる地点を時間的に接続することにより、フォークリフト１の動線を推定する。例えば、時間的に進むにつれ、確率最大の地点が地点Ａ、地点Ｂ、地点Ｃ、地点Ｄの順に変化したとする。この場合、動線推定部７９は、フォークリフト１が地点Ａ、地点Ｂ、地点Ｃ、地点Ｄの順に移動するフォークリフト１の動線を推定する。

制御部７３は、動線推定部７９が推定したフォークリフト１の動線に基づいて、フォークリフト１の無駄な動きや、作業むら、待ち状態などを解析することができる。これにより、制御部７３は、効率的な移動順路などを算出し、作業者に提示することができる。

図２０は、本発明の実施の形態１に係るサーバ７の動作手順の一例を示すフローチャートである。なお、図２０に示す動作は、フォークリフト１の走行が終了した後に行われるものとする。つまり、サーバ７が処理対象とするセンサ情報には、フォークリフト１が走行を開始してから走行を終了するまでの間に撮像された複数の画像データが含まれているものとする。ただし、サーバ７は、フォークリフト１が走行している状態において逐次センサ情報を取得し、リアルタイムで、フォークリフト１の存在確率を予測し、後述する推定処理（Ｓ２６）、フィルタ処理（Ｓ２７）および動線推定処理（Ｓ３０）を実行してもよい。

図２０を参照して、確率予測部７５は、存在確率を初期化する（Ｓ２１）。例えば、工場内に４つの地点Ａ〜Ｄが存在する場合には、初期時点ではフォークリフト１がどの地点に存在するかが不明である。このため、初期時点（０回目）においてフォークリフト１が各マーカ位置（各地点）に存在する確率ｐ（ｘ_０｜Ｙ_０）を全て０．２５（＝１／４）に設定する。なお、フォークリフト１の駐車位置が既知の場合には、駐車位置が属する地点の確率を１．０に設定し、それ以外の地点の確率を０に設定してもよい。

センサ情報取得部７４は、フォークリフト１の車載装置３からセンサ情報を取得する（Ｓ２２）。

確率推定部７６は、取得されたセンサ情報に含まれる画像データを画像処理し、当該画像データ中に、記憶部７２に記憶されているマーカ位置情報に含まれるマーカ９の画像データが含まれるか否かを検出する。マーカ９の画像データが検出された場合には、確率推定部７６は、マーカ位置情報に基づいて、検出したマーカ９の画像データに対応するマーカ９を識別（マーカ９の識別子ＩＤ１〜ＩＤ４を特定）する（Ｓ２３）。なお、マーカ９の検出および識別は、例えば、以下のようにして行われる。つまり、確率推定部７６は、上記画像データを画像処理することにより、画像データから色や形状等の特徴量を抽出する。確率推定部７６は、抽出した特徴量と、各マーカ９の画像データが有する特徴量とを比較することにより、いずれかのマーカ９の特徴量に合致する領域を画像データ中から検出することで、マーカ９の検出および識別を行う。

マーカ９を識別することができた場合、つまり、マーカ９の識別子を特定することができた場合には（Ｓ２４でＹＥＳ）、確率予測部７５は、過去のフォークリフト１の存在確率に基づいて、画像データの取得時刻におけるフォークリフト１の存在確率を予測する（Ｓ２５）。つまり、確率予測部７５は、式１に基づいて、前回（ｎ−１回目）のフォークリフト１が各地点に存在する確率ｐ（ｘ_ｎ−１｜Ｙ_ｎ−１）に基づいて、今回（ｎ回目）のフォークリフト１が各地点に存在する確率ｐ（ｘ_ｎ｜Ｙ_ｎ−１）を予測する。例えば、確率予測部７５は、図１４の（Ａ）に示した前回の地点Ａ〜Ｄにおけるフォークリフト１の存在確率に基づいて、図１４の（Ｂ）に示した今回の地点Ａ〜Ｄにおけるフォークリフト１の存在確率を予測する。

なお、式１に示すランダムウォークのシステムモデルｐ（ｘ_ｎ｜ｘ_ｎ−１）は、地点ごとに用意され記憶部７２に記憶されている到達確率情報を用いて算出される。到達確率情報では、ｎ回目とｎ−１回目の間の時間を例えば、ｔ秒としているが、ｎ−１回目からｎ回目までの時間が、例えば、Ｍ×ｔ秒の場合には、確率予測部７５は、式１の演算をＭ回行うことにより、フォークリフト１の到達確率情報を算出してもよい。また、記憶部７２に、複数の時間に対応する到達確率情報が記憶されている場合には、確率予測部７５は、Ｍ×ｔ秒に対応した到達確率情報を記憶部７２から読み出して、読み出した到達確率情報を用いて式１の演算を行ってもよい。

また、確率推定部７６は、マーカ９の識別結果に基づいて、現在（ｎ回目）においてフォークリフト１が、地点Ａ〜Ｄのそれぞれにおいて、識別されたマーカ９を観測する確率を推定する（Ｓ２６）。つまり、確率推定部７６は、マーカ９の識別子に対応した観測モデルを記憶部７２から読み出すことにより、地点Ａ〜Ｄのそれぞれについて上記確率を推定する。例えば、確率推定部７６は、マーカ９の識別子をＩＤ２と識別した場合には、図１４の（Ｄ）に示すような、識別子ＩＤ２に対応する観測モデルを記憶部７２から読み出す。これにより、確率推定部７６は、地点Ａ〜Ｄのそれぞれにおいて、ＩＤ２のマーカ９を観測する確率を、それぞれ、０．１、０．７、０．１、０．１と推定する。

更新部７７は、ステップＳ２５での予測結果およびステップＳ２６での推定結果に基づいて、現在（ｎ回目）においてフォークリフト１が地点Ａ〜Ｄに存在する確率を更新し、更新後の確率を記憶部７２に記憶させる（Ｓ２７）。つまり、更新部７７は、式５に従い、ステップＳ２６での推定結果である観測モデルｐ（ｙ_ｎ｜ｘ_ｎ）を用いて、ステップＳ２５での予測結果であるフォークリフト１の各地点の存在確率ｐ（ｘ_ｎ｜Ｙ_ｎ−１）に対するフィルタ操作を行う。例えば、更新部７７は、式５に従い、図１４の（Ｄ）に示すような観測モデルｐ（ｙ_ｎ｜ｘ_ｎ）を用いて、図１４の（Ｂ）に示すようなフォークリフト１の各地点の存在確率ｐ（ｘ_ｎ｜Ｙ_ｎ−１）に対するフィルタ操作を行う。これにより、図１４の（Ｆ）に示すようにフォークリフト１が地点Ａ〜Ｄに存在する確率が更新される。

ステップＳ２７の処理の後、またはマーカ９を識別することができなかった場合には（Ｓ２４でＮＯ）、制御部７３は、フォークリフト１の走行が終了したか否かを判断する（２８）。例えば、制御部７３は、センサ情報取得部７４が取得したセンサ情報に未処理の画像データが含まれていない場合には、走行が終了したと判断し、未処理の画像データが含まれている場合には、走行が終了していないと判断する。

走行が終了していない場合には（Ｓ２８でＮＯ）、制御部７３は、未処理の画像データに対して、ステップＳ２３〜Ｓ２７の処理を繰り返し実行する。

走行が終了した場合には（Ｓ２８でＹＥＳ）、平滑化部７８は、各時点の予測確率の時系列情報を記憶部７２から読み出し、読み出した時系列情報に基づいて、式６に従い各時点においてフォークリフト１が各マーカ位置（各地点）に存在する確率を平滑化する（Ｓ２９）。

動線推定部７９は、平滑化部７８により平滑化された確率の時系列情報に基づいて、各時点において確率が最大となる地点を時間的に並べることにより、フォークリフト１の動線を推定する（Ｓ３０）。

＜平滑化処理の効果について＞
次に、平滑化部７８による平滑化処理の効果について説明する。
図２１は、平滑化部７８による平滑化処理について説明するための図である。図２１の（Ａ）に示すように、地点Ａ〜Ｄには、識別子ＩＤ１、ＩＤ２、ＩＤ３およびＩＤ１のマーカＭ１〜Ｍ４がそれぞれ設置されているものとする。つまり、マーカＭ１およびＭ４は同じものであり、識別子がＩＤ１であるものとする。

図２１の（Ａ）は、走行開始直後のフォークリフト１の位置を示している。つまり、フォークリフト１のカメラ２は、マーカＭ１の画像を撮像したものとする。図２１の（Ｂ）は、図２１の（Ａ）の次の時点のフォークリフト１の位置を示している。つまり、フォークリフト１のカメラ２は、マーカＭ２の画像を撮像したものとする。その後、フォークリフト１は走行を停止したものとする。図２１の（Ａ）の時点を第１時点とし、図２１の（Ｂ）の時点を第２時点とする。

図２１の（Ｃ）は、第１時点における更新部７７によるフィルタ操作の結果を示し、図２１の（Ｄ）は、第２時点におけるサーバ７によるフィルタ操作の結果を示す。第１時点は走行開始直後であるため、確率推定部７６による推定結果が支配的となる。また、第１時点においてはマーカＭ１が識別され、マーカＭ１の識別結果はマーカＭ４と同じである。このため、図２１の（Ｃ）に示すように地点Ａおよび地点Ｄの存在確率が共に０．４４となり、最大である。図２１の（Ｄ）では、マーカＭ２が観測されるため、地点Ｂの存在確率０．６８が最大となる。

これに対し、平滑化処理を行うと、第１時点の存在確率は、第２時点の存在確率を用いて平滑化されるため、図２１の（Ｅ）のように更新される。つまり、地点Ａの存在確率が０．４４から０．４７に上昇したのに対し、地点Ｄの存在確率が０．４４から０．３９に減少する。これは、地点Ａが第２時点で存在確率最大の地点Ｂに隣接しているので、地点Ａの存在確率が上昇し、地点Ｄと地点Ｂは離れているため、地点Ｄの存在確率が減少したものと考えられる。

なお、第２時点は走行停止直前であるため、第２時点の存在確率の分布は、図２１の（Ｆ）に示すように、図２１の（Ｄ）に示した分布と同じである。

図２１の（Ｅ）および（Ｆ）の存在確率の分布から、動線推定部７９は、第１時点から第２時点に亘り、フォークリフト１が地点Ａから地点Ｂに移動したと、正しくフォークリフト１の動線を推定することができる。これに対して、平滑化処理を行わなかった場合には、図２１の（Ｃ）および（Ｄ）の存在確率の分布から、フォークリフト１が地点Ａから地点Ｂに移動したのか、地点Ｄから地点Ｂに移動したのかを判断することができない。このように、平滑化処理を行うことにより、工場内に同種のマーカＭ１およびＭ４が取り付けられていたとしても、フォークリフト１の動線を正しく推定することができる。

＜実施の形態１の効果＞
以上説明したように、本発明の実施の形態１によると、確率予測部７５は、過去に予測された各マーカ位置にフォークリフト１が存在する確率に基づいて現時点の確率を予測することができる。一方、確率推定部７６は、マーカ９の観測結果に基づいて、フォークリフト１が各マーカ位置に存在する場合に、観測結果が示すマーカ９を観測する確率を推定することができる。更新部７７は、これら２つの確率に基づいて、現時点の確率を更新することができる。従来の方法では、マーカ９の観測結果のみに基づいて現時点の確率を予測していた。しかし、実施の形態１によると、観測結果に基づく確率に加え、さらに、過去の予測確率を考慮して、現時点の確率を予測することができる。

仮にフォークリフト１の走行経路上の複数箇所に同じ構成のマーカ９が設置されており、このうちいずれかのマーカ９が観測されたとする。この場合、マーカ９の観測結果のみから確率を予測する従来の方法によると、フォークリフト１が各マーカ位置に存在する確率はほぼ同じになる。これに対し、実施の形態１によると、過去の予測確率を考慮している。つまり、フォークリフト１が過去に存在していたマーカ位置を基準として、そのマーカ位置からは大きく移動しないであろうとの仮定の下で、現時点の確率を予測することができる。これにより、同一のマーカ９が複数箇所に存在していたとしても、フォークリフト１の時間的な前後関係を用いて現時点の確率を予測し、フォークリフト１の動線を推定することができる。つまり、少ない種類のマーカ９を用いてフォークリフト１の動線を正確に推定することができる。

また、確率予測部７５は、フォークリフト１の走行速度を考慮して、フォークリフト１がランダムウォークするとした場合にフォークリフト１が次に到達可能な位置を推定して、各マーカ位置のフォークリフト１の存在確率を算出することができる。これにより、フォークリフト１の各マーカ位置における確率を正確に算出することができるため、フォークリフト１の動線を正確に推定することができる。

また、各マーカ位置へ到達する確率を算出する際に、便宜的にマーカ位置とみなす所定範囲は、自マーカ９と隣接するマーカ９との中点までの領域を含むものと定義している。このため、互いに隣接するマーカ９間の中点よりも自マーカ９に近い位置にフォークリフト１が到達する確率を、自マーカ９のマーカ位置に到達する確率として推定することができる。

また、確率予測部７５は、マーカ位置ごとに用意された到達確率情報を用いて、現時点におけるフォークリフト１の存在確率を予測している。このため、確率予測部７５による予測処理を行うたびに、ランダムウォークの確率を算出する必要がなく、高速にフォークリフト１の存在確率を予測することができる。

また、平滑化部７８は、各マーカ位置における確率の時間的な前後関係を考慮して、確率分布を平滑化している。これにより、確率を正確に予測することができる。よって、動線推定部７９は、フォークリフト１が時間的に連続して移動するようなフォークリフト１の動線を推定することができる。

また、動線推定部７９は、各時点において確率が最大のマーカ位置を時間的に接続することにより、フォークリフト１の動線を推定している。このため、フォークリフト１が存在する確率が最大の位置からフォークリフト１の動線を推定することができるため、フォークリフト１の動線を正確に推定することができる。

また、確率推定部７６は、マーカ９を撮像した画像データに基づいて、フォークリフト１が各マーカ位置に存在する場合に、マーカ９の識別結果が示すマーカ９を観測する確率を推定している。このため、フォークリフト１の周囲を監視する監視カメラの画像データを利用して、確率を推定することができる。よって、特別な機器を追加することなく、低コストでフォークリフト１の動線を推定することができる。

［実施の形態２］
実施の形態１では、確率予測部７５は、フォークリフト１がランダムウォークすると仮定してｎ−１回目の確率分布から、ｎ回目の確率分布を予測した。これに対して、実施の形態２では、センサ情報取得部７４が取得したセンサ情報に含まれる画像データからフォークリフト１の移動方向を推定し、当該移動方向にフォークリフト１が移動すると仮定してｎ−１回目の確率分布から、ｎ回目の確率分布を予測する。

つまり、確率予測部７５は、センサ情報取得部７４が取得したセンサ情報に含まれる時間的に連続する複数の画像データから、フォークリフト１の移動方向を推定する。例えば、確率予測部７５は、現時点の画像データと、１つ前の時点の画像データとに基づいて、画像データ中の特徴点の移動ベクトル（オプティカルフロー）を算出する。オプティカルフローは、例えば、一方の画像データから抽出した特徴領域を他方の画像データの中から探索するテンプレートマッチング法などの公知の技術を用いることにより算出することができる。そのため、その詳細な説明はここでは繰り返さない。

図２２は、フォークリフト１のカメラ２が撮像した画像データにオプティカルフローを重畳させた図である。図２２において、オプティカルフローを破線矢印で示している。カメラ２は、フォークリフト１の後方を映していることより、オプティカルフローの向きから、フォークリフト１は前進していると推定することができる。また、フォークリフト１は、前進動作においては、地点Ａ→地点Ｂ→地点Ｃ→地点Ｄ→地点Ａの順に走行するものとする。

図２３および図２４は、走行方向を考慮した到達確率情報について説明する図である。例えば、図２３に示すように、フォークリフト１はＺ１（地点Ａ）を出発したとする。この場合、地点Ａにフォークリフト１が存在する確率は１．０である。また、フォークリフト１が前進していることがオプティカルフローの向きから分かる場合には、フォークリフト１は地点Ｂに向かって走行すると考えらえる。このため、式２に示したランダムウォークのシステムモデルの代わりに、以下の式７に示す走行方向を考慮したシステムモデルｐ２（ｘ_ｎ｜ｘ_ｎ−１）を用いる。
ｐ２（ｘ_ｎ｜ｘ_ｎ−１）＝ｆ２（ｘ_ｎ−１，ｘ_ｎ，ｔ_ｎ） …（式７）
ここで、ｔ_ｎ、ｆ２（ｚ_１，ｚ_２，ｔ）は以下の通りである。
ｔ_ｎ：ｎ−１回目とｎ回目のマーカ９の観測時刻の差（単位：［秒］）
ｆ２（ｚ_１，ｚ_２，ｔ）：フォークリフト１が前進することにより地点ｚ_１から時間ｔ後に地点ｚ_２の領域に入る確率

ｆ２（ｘ_ｎ−１，ｘ_ｎ，ｔ_ｎ）の定義に従い、地点Ａを出発したフォークリフト１が前進してｔ（＝３．６［秒］）後に地点Ａ〜Ｄに到達する確率を計算すると、図２４に示す確率となる。図２４に示す到達確率情報が記憶部７２に記憶されている。地点Ｂ〜Ｃを出発したフォークリフト１に対応する到達確率情報も記憶部７２に記憶されているものとする。また、フォークリフト１が後進した場合の到達確率情報も記憶部７２に記憶されているものとする。

確率予測部７５は、式１においてｐ（ｘ_ｎ｜ｘ_ｎ−１）の代わりに式７に示すｐ２（ｘ_ｎ｜ｘ_ｎ−１）を用いた式に従って、ｎ回目におけるフォークリフト１の各地点の存在確率を計算する。つまり、確率予測部７５は、ｎ−１回目のフォークリフト１の存在確率と、記憶部７２に記憶されているフォークリフト１の走行方向に応じた到達確率情報とを用いて、ｎ回目におけるフォークリフト１の各地点の存在確率を計算する。

以上説明したように、実施の形態２によると、フォークリフト１の走行速度および走行方向を考慮して、フォークリフト１が次に到達可能な位置を推定して各マーカ位置のフォークリフト１の存在確率を算出することができる。これにより、フォークリフト１の各マーカ位置における確率を正確に算出することができるため、フォークリフト１の動線を正確に推定することができる。

なお、実施の形態２では、フォークリフト１は、前進動作においては、地点Ａ→地点Ｂ→地点Ｃ→地点Ｄ→地点Ａの順に走行するものとしたが、必ずしもこのような仮定を設ける必要はない。例えば、確率予測部７５は、オプティカルフローと画像データ中のマーカ９の位置関係とから、フォークリフト１がどの向きに走行しているのかが分かる場合には、それに従って、到達確率情報を読み出し、フォークリフト１の存在確率を計算してもよい。

［実施の形態３］
実施の形態１および２では、確率推定部７６は、センサ情報に含まれる画像データからマーカ９を識別し、各地点においてフォークリフト１が、識別結果が示すマーカ９を観測する確率を推定した。実施の形態３では、工場内に設置された電波ビーコンからの送信信号に基づいて、電波ビーコンを識別し、各地点においてフォークリフト１が、識別結果が示す電波ビーコンから無線データを受信する確率を推定する。

図２５は、本発明の実施の形態３に係るフォークリフト１の走行経路の一例を示す図である。

図２５は、一例として、フォークリフト１が走行する工場内の様子を示している。工場内には図２に示したのと同様にマーカＭ１〜Ｍ４が設置されている。それに加え、地点Ｅおよび地点Ｆに電波ビーコン１１が設置されている。

電波ビーコン１１は、無線送信機の一種であり、ＢＬＥ（Bluetooth Low Energy : Bluetoothは登録商標）の無線通信技術を利用して、例えば２．４ＧＨｚ帯の電波を出力することにより、ビーコンＩＤを含む無線データを送信する。ＢＬＥでは、アダプティブ周波数ホッピングを利用し、他の電波ビーコン１１が送信する電波との干渉を減らすことができる。

フォークリフト１の車載装置３が備える送受信部３１は、無線受信部および無線送信部として機能し、電波ビーコン１１から無線データを受信し、受信した無線データをセンサ情報に含めてサーバ７に送信する。

図２６は、本発明の実施の形態３に係る車載装置３が送信するセンサ情報の一例を示す図である。センサ情報は、図６に示したセンサ情報に加えて、無線データを含む。無線データは、電波ビーコン１１から受信した無線データのことである。なお、電波ビーコン１１の識別子および設置位置との対応関係は、サーバ７において管理されている。地点Ｅの電波ビーコン１１の識別子はＩＤ５であり、地点Ｆの電波ビーコン１１の識別子はＩＤ６であるものとする。

センサ情報取得部７４は、受信データ取得部としても機能し、無線データを含むセンサ情報を、通信部７１を経由して、車載装置３から取得する。

サーバ７の確率推定部７６は、センサ情報取得部７４が取得したセンサ情報に含まれる無線データから電波ビーコン１１の識別子を識別する。確率推定部７６は、電波ビーコン１１の識別結果に基づいて、当該無線データの取得時刻において、各地点においてフォークリフト１が、識別結果が示す電波ビーコン１１から無線データを受信する確率を推定する。

記憶部７２には、各地点ｘ_ｎ（例、地点Ａ、Ｂ、Ｃ、Ｄ、Ｅ、Ｆ）において、電波ビーコン１１の識別結果がｙ_ｎ（例、ＩＤ５、ＩＤ６）となる確率ｐ（ｙ_ｎ｜ｘ_ｎ）を示す観測モデルが記憶されている。

図２７は、観測モデルの一例を示す図である。例えば、地点Ｅの電波ビーコン１１から送信された無線データに基づいて、地点Ａ〜Ｆのそれぞれにおいて地点Ｅの電波ビーコン１１を正しく識別できた確率を示している。ここで、地点Ｅの電波ビーコン１１を正しく識別できたとは、地点Ｅの電波ビーコン１１から送信される無線データを、所定の閾値以上の受信強度で受信できたことを指す。

つまり、地点Ａ〜Ｆの確率は、それぞれ、０．２、０．２、０．０、０．０、０．９、０．２である。例えば、地点Ａにおいては、０．２の確率で地点Ｅの電波ビーコン１１を正しく識別できたが、地点Ｄにおいては、正しく識別できた確率は０．０である。これは、地点Ｅから送信された無線データのうち、地点Ｄで所定受信強度以上の無線データを受信できなかったと考えられる。

確率推定部７６は、センサ情報に含まれる無線データから、地点Ｅに設置された電波ビーコン１１を識別した場合には、図２７に示した観測モデルに基づいて、フォークリフト１が、地点Ａ〜Ｆのそれぞれにおいて、地点Ｅに設置された電波ビーコンから無線データを受信する確率を、それぞれ、０．２、０．２、０．０、０．０、０．９、０．２と推定する。

以上説明したように、実施の形態３によると、電波ビーコン１１が送信した無線データに基づいて、フォークリフト１が各地点に存在する場合に、電波ビーコン１１の識別結果が示す送信元の電波ビーコン１１からデータを受信する確率を推定することができる。このため、例えば、マーカ９が柱等の死角に入りカメラ２でマーカ９を撮影できない場合であっても、上記確率を推定することができる。

［変形例］
実施の形態１〜３では、マーカ９は色ラベルから構成されるものとしたが、マーカ９の構成はこのような構成に限定されるものではない。

図２８は、本発明の変形例に係るマーカ９の一例を示す図である。
マーカ９は、直線状に並べられた、検出が容易な４つの表示部としての照明ランプ９Ｌから構成される。各照明ランプ９Ｌは、例えば、赤外線や可視光線を出射する。検出の容易のため４つの照明ランプ９Ｌは、同一形状であることが望ましい。また、検出の容易のため４つの照明ランプ９Ｌは、同一波長の光を出射することが望ましい。

確率推定部７６は、センサ情報に含まれる画像データの中から、マーカ９を検出する。つまり、直線状に４つ並んだ同一形状のマークをマーカ９として検出する。確率推定部７６は、マーカ９を構成する各照明ランプ９Ｌの重心を求め、重心の複比を算出することにより、マーカ９を識別する。４つのマーカ９の重心を、Ａ〜Ｄとした場合、複比は、（ＡＣ：ＣＢ）／（ＡＤ：ＤＢ）として算出される。
複比とマーカ９の識別子との関係はサーバ７において管理されているものとする。

なお、照明ランプ９Ｌの代わりに、表示部として色ラベルまたは反射材を用いることもできる。検出の容易のため４つの色ラベルまたは反射材は、同一形状であることが望ましい。また、検出の容易のため４つの色ラベルまたは反射材は、同一色または同一テクスチャであることが望ましい。

本変形例によると、サーバ７は、４つの照明ランプ９Ｌの複比を算出することによりマーカ９を識別することができる。このため、４つの照明ランプ９Ｌの配置間隔を変更することにより、容易に複比を変更することができ、これにより、サーバ７による観測対象のマーカ９を簡便に構成することができる。

［付記］
以上、本発明の実施の形態に係る走行経路管理システム１０について説明したが、本発明は、この実施の形態に限定されるものではない。

例えば、上述の実施の形態では、確率予測部７５がランダムウォークのシステムモデルを用いてフォークリフト１の存在確率の予測処理を行い、確率推定部７６が観測モデルを用いてマーカ９の観測確率を推定し、更新部７７が存在確率に対するフィルタ操作を行い、平滑化部７８が存在確率の平滑化を行ったが、これらの処理を、粒子フィルタ等を用いた近似処理により行ってもよい。粒子フィルタについては、非特許文献１および２に詳細に説明されているため、ここでは、その詳細な説明は繰り返さない。

また、上述の実施の形態では、産業用車両の例としてフォークリフト１について説明したが、産業用車両はこれらに限定されるものではない。例えば、物品をけん引して搬送するけん引車や、人力により物品を搬送するためのハンドリフトなどの産業用車両にも、上述の実施の形態を適用可能である。

上記したコンピュータプログラムは、コンピュータ読取可能な非一時的な記録媒体、例えば、ＨＤＤ（Hard Disk Drive）、ＣＤ−ＲＯＭ（Compact Disc-Read Only Memory）、半導体メモリなどに記録して流通させてもよいし、電気通信回線、無線または有線通信回線、インターネットを代表とするネットワーク、データ放送等を経由して伝送するものとしてもよい。
また、上記各装置の一部又は全部は、半導体集積回路により実現されてもよい。
また、上記各装置は、複数のコンピュータにより実現されてもよい。

また、上記実施の形態および上記変形例の少なくとも一部を任意に組み合わせるとしてもよい。
また、上記の開示は以下の付記１として実現することも可能である。
＜付記１＞
動線推定装置による観測対象のマーカであって、
４つの表示部が上記マーカを識別可能な所定の複比で配置されている、マーカ。

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およ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。

１ フォークリフト
１Ｘ オーバーハング
２ カメラ
３ 車載装置
４ 物品
６ 基地局
７ サーバ
８ 固定物
９ マーカ
９Ｂ 青ラベル
９Ｇ 緑ラベル
９Ｌ 照明ランプ
９Ｒ 赤ラベル
９Ｓ 間隙領域
１０ 走行経路管理システム
１１ 電波ビーコン
３１ 送受信部
３２ アンテナ
３３ 画像データ取得部
３４ センサ情報作成部
７１ 通信部
７２ 記憶部
７３ 制御部
７４ センサ情報取得部
７５ 確率予測部
７６ 確率推定部
７７ 更新部
７８ 平滑化部
７９ 動線推定部
Ｍ１ マーカ
Ｍ２ マーカ
Ｍ３ マーカ
Ｍ４ マーカ

Claims (13)

1. 複数のマーカが設置された所定エリア内を走行する車両から観測した前記マーカの観測結果に基づいて、前記車両の動線を推定する動線推定装置であって、
   第１時点において前記車両が各前記マーカに係るマーカ位置に存在する確率に基づいて、前記第１時点よりも後の第２時点において前記車両が各前記マーカ位置に存在する確率を予測する確率予測部と、
   前記第２時点における前記観測結果に基づいて、各前記マーカ位置において、前記車両が、前記観測結果が示す前記マーカを観測する確率を推定する確率推定部と、
   前記確率予測部の予測結果および前記確率推定部の推定結果に基づいて、前記第２時点において前記車両が各前記マーカ位置に存在する確率を更新する更新部と、
   前記更新部による更新後の前記確率の時系列情報に基づいて、前記車両の動線を推定する動線推定部と、を備える動線推定装置。
2. 前記確率予測部は、前記第１時点から前記第２時点までの間に、前記車両が各前記マーカ位置から当該車両の走行速度に従いランダムウォークした場合に各前記マーカ位置へ到達する確率に基づいて、前記第２時点において前記車両が各前記マーカ位置に存在する確率を予測する、請求項１に記載の動線推定装置。
3. 前記確率予測部は、各前記マーカ位置へ到達する確率を、前記車両が当該マーカの設置位置から所定範囲内の各位置に到達する確率に基づいて算出する、請求項２に記載の動線推定装置。
4. 各前記マーカの前記所定範囲は、当該マーカの設置位置からの距離が他のマーカの設置位置からの距離以下となる範囲である、請求項３に記載の動線推定装置。
5. 前記確率予測部は、前記マーカ位置ごとに用意された以下の到達確率情報と、前記第１時点における前記車両が各前記マーカ位置に存在する確率とに基づいて、前記第２時点において前記車両が各前記マーカ位置に存在する確率を予測する、請求項１〜請求項４のいずれか１項に記載の動線推定装置。
   到達確率情報：前記車両が当該マーカ位置を出発してから所定時間後に各前記マーカ位置に到達する確率の情報
6. 前記確率予測部は、前記車両の走行速度および走行方向に基づいて、前記第１時点から前記第２時点までの間に、各前記マーカ位置から前記車両が前記走行方向に走行したと推定される場合に各前記マーカ位置へ到達する確率に基づいて、前記第２時点において前記車両が各前記マーカ位置に存在する確率を予測する、請求項１〜請求項５のいずれか１項に記載の動線推定装置。
7. さらに、前記更新部による更新後の前記確率の時系列情報に基づいて、各時点において前記車両が各前記マーカ位置に存在する確率を平滑化する平滑化部を備え、
   前記動線推定部は、前記平滑化部による平滑化後の前記確率の時系列情報に基づいて、前記車両の動線を推定する、請求項１〜請求項６のいずれか１項に記載の動線推定装置。
8. 前記動線推定部は、前記確率の時系列情報を用いて、各時点において確率が最大のマーカ位置に基づいて、前記車両の動線を推定する、請求項１〜請求項７のいずれか１項に記載の動線推定装置。
9. さらに、前記車両に備えられたカメラで撮像した画像データを取得する画像データ取得部を備え、
   前記確率推定部は、前記画像データ取得部が取得した前記第２時点に撮像された前記画像データに基づいて当該画像データに含まれる前記マーカを識別し、各前記マーカ位置において、前記車両が、識別結果が示す前記マーカを観測する確率を推定する、請求項１〜請求項８のいずれか１項に記載の動線推定装置。
10. さらに、前記所定エリア内に設置された無線送信機から前記車両に備えられた無線受信部が受信したデータを取得する受信データ取得部を備え、
    前記確率推定部は、前記受信データ取得部が取得した前記データに基づいて当該データの前記第２時点における送信元の前記無線送信機を識別し、各前記マーカ位置において、前記車両が、識別結果が示す前記無線送信機から前記データを受信する確率を推定する、請求項１〜請求項９のいずれか１項に記載の動線推定装置。
11. 前記確率推定部は、さらに、前記無線送信機の設置位置において、前記車両が、前記識別結果が示す前記無線送信機から前記データを受信する確率を推定し、
    前記更新部は、さらに、前記確率予測部の予測結果および前記確率推定部の推定結果に基づいて、前記第２時点において前記車両が前記無線送信機の設置位置に存在する確率を更新する、請求項１０に記載の動線推定装置。
12. 複数のマーカが設置された所定エリア内を走行する車両から観測した前記マーカの観測結果に基づいて、前記車両の動線を推定する動線推定装置による動線推定方法であって、
    第１時点において前記車両が各前記マーカに係るマーカ位置に存在する確率に基づいて、前記第１時点よりも後の第２時点において前記車両が各前記マーカ位置に存在する確率を予測するステップと、
    前記第２時点における前記観測結果に基づいて、各前記マーカ位置において、前記車両が、前記観測結果が示す前記マーカを観測する確率を推定するステップと、
    予測された前記確率および推定された前記確率に基づいて、前記第２時点において前記車両が各前記マーカ位置に存在する確率を更新するステップと、
    更新後の前記確率の時系列情報に基づいて、前記車両の動線を推定するステップと、を含む動線推定方法。
13. コンピュータを、複数のマーカが設置された所定エリア内を走行する車両から観測した前記マーカの観測結果に基づいて、前記車両の動線を推定する動線推定装置として機能させるためのコンピュータプログラムであって、
    前記コンピュータを、
    第１時点において前記車両が各前記マーカに係るマーカ位置に存在する確率に基づいて、前記第１時点よりも後の第２時点において前記車両が各前記マーカ位置に存在する確率を予測する確率予測部と、
    前記第２時点における前記観測結果に基づいて、各前記マーカ位置において、前記車両が、前記観測結果が示す前記マーカを観測する確率を推定する確率推定部と、
    前記確率予測部の予測結果および前記確率推定部の推定結果に基づいて、前記第２時点において前記車両が各前記マーカ位置に存在する確率を更新する更新部と、
    前記更新部による更新後の前記確率の時系列情報に基づいて、前記車両の動線を推定する動線推定部と、して機能させるためのコンピュータプログラム。

Images