CN102449427A - 物***置修正装置、物***置修正方法及物***置修正程序 - Google Patents

Abstract

物***置修正装置具备：检测观测对象的物体来获得观测值的观测装置(101)；记录所述物体的观测履历的观测履历数据库(102)；记录所述物体的位置的推定履历的位置推定履历数据库(103)；制成表示所述物体的位置的存在概率的预测分布的预测分布制成部(104)；推定所述物体的ID和位置的物***置推定部(105)；算出所述观测值的重心位置的重心位置算出部(106)；进行所述物体的推定位置的修正的物***置修正部(107)；显示所述物体的修正后的位置的显示部(108)。

Description

物***置修正装置、物***置修正方法及物***置修正程序

技术领域

本发明涉及向使用者显示观测对象的位置的物***置修正装置、物***置修正方法及物***置修正程序。

背景技术

作为能够检测出物体的位置的传感器，有时使用照相机。

照相机(由于根据从照相机得到的图像特征(形状或颜色等)来识别物体的ID因此)对于物体的ID识别精度无法达到100％。即使照相机的识别结果为物体A，实际上仍存在识别的是物体A以外的物体(物体B、物体C)的可能性。这种情况下，例如可表现为：照相机识别出的物体为物体A的概率达80％，为物体B的概率达10％，为物体C的概率达10％。进而，对于图像特征类似的物体的识别率变低。例如，难以以高精度将西红柿和苹果等颜色或形状近似的物体区分开识别。另外，照相机的性能或配置多少存在差异，通常观测位置(测位结果)也包含某种程度的误差。将该物品的识别ID和观测位置统称为观测值。

已知有如下技术，该技术通过将多个如此的物品的识别ID或观测位置模糊的传感器的观测值进行统合，由此在弥补观测精度的不足的同时利用贝叶斯推定框架概率性地推定物体的位置(非专利文献1)。

然而，在非专利文献1中，由于在微小的概率(在上例的情况下是指照相机识别出的物体为物体B的概率等)下仍用于物***置推定的处理，因此推定结果受到其它的传感器观测值的影响。图19示出该例。观测值1表示，物体识别的结果为物体A的概率达90％，为物体B的概率达10％。观测值2表示，物体识别的结果为物体A的概率达10％，为物体B的概率达90％。在这样的观测状况下进行位置推定的话，物体A的推定位置也受到观测值2的微小影响，从观测值1的位置稍偏移至向观测值2的方向偏移的位置(物***置推定的详细情况在后叙述)。观测值2有可能观测物体A而得到，因而图19的推定结果概率性地准确。然而，基于所述位置偏移的推定位置(例如，高斯分布下的平均值)有时成为使用者视觉上具有不适感的位置。例如考虑有如下等情况，即，当观测对象为车时，车的推定位置不在道路上，另外，在观测对象为人时，人的推定位置在桌子上。

作为修正这样的推定位置的偏移的技术，已知有使用地图匹配的技术(专利文献1)。由GPS(Global Positioning System)取得的本车位置信息含有误差，因此可以根据来自加速传感器、制动传感器、指示传感器的输出，使用地图匹配的技术将对使用者的提示信息灵活地变更。

现有技术文献

专利文献

专利文献1：日本特开平11-271073号公报

非专利文献

非专利文献1：Hirofumi Kanazaki，Takehisa Yairi，kazuo Machida，Kenji Kondo，Yoshihiko Matsukawa，“Variational Approximation DataAssociation Filter”，第15届欧洲信号处理会议(EUSIPCO2007).

发明内容

【发明要解决的课题】

然而，在专利文献1中，需要预先制成用于地图匹配的地图。

因此，本发明的目的在于提供一种物***置修正装置、物***置修正方法及物***置修正程序，从而无需预先制成记录有环境信息的地图，将观测对象的推定位置修正成对使用者来说没有不适感的位置，从而进行提示。

【用于解决课题的手段】

为了达成所述目的，本发明如下构成。

根据本发明的第一方式，提供一种物***置修正装置，具备：

物***置推定部，其根据由观测装置观测存在于环境内的多个物体而分别取得的所述各物体的(1)ID似然和(2)观测位置、以及表示所述各物体的位置的存在概率的(3)预测分布来推定所述物体的ID和位置，从而求解所述物体的推定位置，其中，所述(3)预测分布根据由前次观测时取得的所述各物体的ID似然和观测位置求出的所述各物体的ID和位置的推定结果而制成；

重心位置算出机构，其算出所述观测位置的重心位置；

物***置修正机构，其根据距由所述重心位置算出机构算出的所述重心位置的距离和方位，进行所述物体的推定位置的修正。

根据本发明的第十二方式，提供一种物***置修正方法，

利用物***置推定部，根据由观测装置观测存在于环境内的多个物体而分别取得的所述各物体的(1)ID似然和(2)观测位置、以及表示所述各物体的位置的存在概率的(3)预测分布来推定所述物体的ID和位置，从而求解所述物体的推定位置，其中，所述(3)预测分布根据由前次观测时取得的所述各物体的ID似然和观测位置求出的所述各物体的ID和位置的推定结果而制成，

利用重心位置算出机构，算出所述观测位置的重心位置，

利用物***置修正机构，根据距由所述重心位置算出机构算出的所述重心位置的距离和方位来修正所述物体的推定位置。

根据本发明的第十三方式，提供一种物***置修正程序，用于使计算机实现如下功能：

根据由观测装置观测存在于环境内的多个物体而分别取得的所述各物体的(1)ID似然和(2)观测位置、以及表示所述各物体的位置的存在概率的(3)预测分布来推定所述物体的ID和位置，从而求解所述物体的推定位置的功能，其中，所述(3)预测分布根据由前次观测时取得的所述各物体的ID似然和观测位置求出的所述各物体的ID和位置的推定结果而制成；

由重心位置算出机构算出所述观测位置的重心位置的功能；

利用物***置修正机构，根据距由所述重心位置算出机构算出的所述重心位置的距离和方位来修正所述物体的推定位置的功能。

【发明效果】

根据本发明，能够根据由观测装置检测出的物体的观测位置的位置关系来修正所述物体的推定位置。因此，能够在不使用记录有环境信息的地图的情况下将物***置推定的结果修正成对使用者来说没有不适感的位置。

附图说明

本发明的上述及其它目的和特征通过参照附图来对优选实施方式进行如下记载而得以明确。其中，

图1是表示本发明的第一实施方式涉及的物***置修正装置的结构的框图。

图2A是说明本发明的所述第一实施方式涉及的物***置修正装置的作为观测对象所存在的环境即生活空间的房间中的观测状况的图。

图2B是表示所述第一实施方式涉及的所述物***置修正装置的观测装置的一例即照相机的结构的框图。

图3是表示本发明的所述第一实施方式涉及的物***置修正装置的位置推定履历数据库中记录的物***置推定机构的推定履历的示例的图。

图4是表示由本发明的所述第一实施方式涉及的物***置修正装置中的重心位置算出机构算出观测值的重心位置的简单示例的图。

图5是表示在本发明的所述第一实施方式涉及的物***置修正装置中，根据由重心位置算出机构算出的重心位置，利用物***置修正机构来修正物品的推定位置的概要情况，表示算出从重心位置至各物品的推定位置(分布的平均位置)的距离和方位的情况的图。

图6是表示在本发明的所述第一实施方式涉及的物***置修正装置中，根据在图12中算出的距离和方位来修正物体的推定位置(分布的平均位置)的情况的图。

图7是表示本发明的所述第一实施方式涉及的物***置修正装置的整体处理的流程图。

图8是表示本发明的所述第一实施方式涉及的物***置修正装置的观测装置中记录的物体模板数据的示例的图。

图9是表示本发明的所述第一实施方式涉及的物***置修正装置的ID似然变换表的示例(与ID有关的传感器模型)的图。

图10是表示本发明的所述第一实施方式涉及的物***置修正装置的观测履历数据库中记录的照相机对物品的观测履历的示例的图。

图11是表示在本发明的所述第一实施方式涉及的物***置修正装置中，在时刻12:00:03获得的观测值和在时刻12:00:02获得的各物品的推定位置的状况的示例的图。

图12是表示卡尔曼滤波器的动作例的图。

图13是表示本发明的所述第一实施方式涉及的物***置修正装置中的物***置的推定状况的示例的图。

图14是表示在本发明的所述第一实施方式涉及的物***置修正装置中，聚类的结果的一例的图。

图15是表示在本发明的所述第一实施方式涉及的物***置修正装置中，物***置推定机构的结果的一例的图表。

图16是表示在本发明的所述第一实施方式涉及的物***置修正装置中，物***置修正机构的结果的一例的图表。

图17是表示在本发明的所述第一实施方式涉及的物***置修正装置中，虽然示出了物体(1、1)和物体(1、2)的移动轨迹的真正位置，但该物***置修正装置并不知道各物体的真正位置的情况的示例的图。

图18是表示在本发明的所述第一实施方式涉及的物***置修正装置中，由图15和图16所示出的物体的推定位置和修正位置的显示例的图。

图19是表示现有技术中的物***置的推定状况的图。

图20是说明本发明的所述第一实施方式涉及的物***置修正装置的作为观测对象的其它例的多个人存在的环境即生活空间的房间中的观测状况的图。

具体实施方式

以下，在参照附图对本发明的实施方式详细地进行说明前，对本发明的各种方式进行说明。

本发明的第一方式提供一种物***置修正装置，具备：

物***置推定部，其根据由观测装置观测存在于环境内的多个物体而分别取得的所述各物体的(1)ID似然和(2)观测位置、以及表示所述各物体的位置的存在概率的(3)预测分布来推定所述物体的ID和位置，从而求解所述物体的推定位置，其中，所述(3)预测分布根据由前次观测时取得的所述各物体的ID似然(ID likelihood)和观测位置求出的所述各物体的ID和位置的推定结果而制成；

重心位置算出机构，其算出所述观测位置的重心位置；

物***置修正机构，其根据距由所述重心位置算出机构算出的所述重心位置的距离和方位，进行所述物体的推定位置的修正。

在第一方式的基础上，本发明的第二方式提供一种物***置修正装置，其中，所述物***置修正机构使所述物体的推定位置从所述重心位置向相对于所述物体的推定位置的方位移动如下的修正距离的量，即，该修正距离的量是指通过对从所述重心位置至所述物体的推定位置为止的距离进行加权而算出的修正距离的量。

在第二方式的基础上，本发明的第三方式提供一种物***置修正装置，其中，所述物***置修正机构进一步使所述物体的推定位置从所述重心位置向相对于所述物体的推定位置的方位移动如下的距离的量，即，该距离的量是指将所述修正距离加上对所述观测装置输出的观测值的数量进行加权而得到的值所得出的距离的量。

在第二方式的基础上，本发明的第四方式提供一种物***置修正装置，其中，所述物***置修正机构根据所述观测装置的ID识别性能来确定用于求解修正距离的加权的比例。

在第二方式的基础上，本发明的第五方式提供一种物***置修正装置，其中，所述物***置修正机构根据所述观测装置的观测区域的大小来确定用于求解修正距离的加权的比例。

在第一方式的基础上，本发明的第六方式提供一种物***置修正装置，其中，

所述物***置推定部具备：

物***置推定履历数据库，其记录所述物体的ID和位置的所述推定结果；

预测分布制成机构，其根据所述物体的ID和位置的所述推定结果来制成表示所述物体的位置的所述存在概率的所述预测分布；

物***置推定机构，其根据所述预测分布、所述ID似然和所述观测位置来推定所述物体的ID和位置。

在第一或第六方式的基础上，本发明的第七方式提供一种物***置修正装置，其中，还具备检测存在于所述环境内的所述多个物体、从而分别取得所述各物体的ID似然和观测位置的所述观测装置。

在第一～第七方式中任一方式的基础上，本发明的第八方式提供一种物***置修正装置，其中，还具备显示所述物体的ID和修正后的位置的结果的显示机构。

在第一～第八方式中任一方式的基础上，本发明的第九方式提供一种物***置修正装置，其中，所述重心位置算出机构按照基于位置聚类后的观测位置的各簇而算出重心位置。

在第一～第九方式中任一方式的基础上，本发明的第十方式提供一种物***置修正装置，其中，所述物***置修正机构根据所述重心位置算出机构所使用的所述观测位置的数量来进行所述物体的推定位置的修正。

在第八方式的基础上，本发明的第十一方式提供一种物***置修正装置，其中，所述显示机构使所述物***置修正机构的修正结果覆盖所述物***置推定机构的推定结果而显示。

本发明的第十二方式提供一种物***置修正方法，

利用物***置推定部，根据由观测装置观测存在于环境内的多个物体而分别取得的所述各物体的(1)ID似然和(2)观测位置、以及表示所述各物体的位置的存在概率的(3)预测分布来推定所述物体的ID和位置，从而求解所述物体的推定位置，其中，所述(3)预测分布根据由前次观测时取得的所述各物体的ID似然和观测位置求出的所述各物体的ID和位置的推定结果而制成，

利用重心位置算出机构，算出所述观测位置的重心位置，

利用物***置修正机构，根据距由所述重心位置算出机构算出的所述重心位置的距离和方位来修正所述物体的推定位置。

本发明的第十三方式提供一种物***置修正程序，用于使计算机实现如下功能：

根据由观测装置观测存在于环境内的多个物体而分别取得的所述各物体的(1)ID似然和(2)观测位置、以及表示所述各物体的位置的存在概率的(3)预测分布来推定所述物体的ID和位置，从而求解所述物体的推定位置的功能，其中，所述(3)预测分布根据由前次观测时取得的所述各物体的ID似然和观测位置求出的所述各物体的ID和位置的推定结果而制成；

由重心位置算出机构算出所述观测位置的重心位置的功能；

利用物***置修正机构，根据距由所述重心位置算出机构算出的所述重心位置的距离和方位来修正所述物体的推定位置的功能。

以下，参照附图对本发明的实施方式进行说明。

(第一实施方式)

图1是表示本发明的第一实施方式涉及的物***置修正装置的结构的图。

本发明的第一实施方式涉及的物***置修正装置具备观测装置101、观测履历数据库102、位置推定履历数据库103、预测分布制成机构104、物***置推定机构105、重心位置算出机构106、物***置修正机构107、显示机构108而构成。位置推定履历数据库103、预测分布制成机构104、物***置推定机构105可以合起来构成一个物***置推定部120。

图2A表示作为封闭环境的具体例的房间201。在该房间201中，具备一台或多台照相机202来作为本发明的第一实施方式涉及的物***置修正装置的结构要素即观测装置101的一例。在房间201的顶棚的中央附近设置有一台照相机202。照相机202并不限于一台，也可以设置多台。另外，在房间201内，作为观测对象即物体的一例，假定物品203A、物品203B、物品203C、物品203D和物品203E存在于地板或桌子等上。各物品分别带有作为固有的识别信息的ID。

以下，以物品203为代表对房间201内的物品203A、物品203B、物品203C、物品203D和物品203E中的任意物品进行说明。需要说明的是，作为一例，如图2所示的那样，物品203A为PET瓶，物品203B为钱包，物品203C为书籍，物品203D为便携式电话，物品203E为时钟。

以下，使用图1、图2A和图2B对本实施方式涉及的物***置修正装置的各结构要素进行说明。

作为观测装置101的一例的照相机202用于对房间201内进行观测，检测出存在于房间201内的物品203。即，在照相机202中，如后述那样，使用背景差分法等对拍摄房间201内而得到的图像数据进行图像处理，从而检测出物品203。当检测出物品203时，取得观测ID(是每次由照相机202观测而取得数据或信息时各数据或信息所附带的固有的ID，是用于与其它观测数据或信息相区别的ID)、物品203被检测到的时刻、检测出的物品203的识别ID和观测位置，并将它们记录到观测履历数据库102中。需要说明的是，识别ID能够依据ID似然变换表进行ID似然变换。ID似然概率性地表示检测出的物体(在本实施方式为物品203)好像是哪个ID的物体(物品)这种情况。

如上所述，照相机202对物体的ID识别精度无法达到100％。例如，即使照相机202的识别结果为物体A，实际上仍存在识别的是物体A以外的物体(物体B、物体C)的可能性。因此，ID似然以如下方式向房间201内存在的(或有可能存在于房间201内的)全部物体分配概率，即，为物体A的概率达0.8，为物体B的概率达0.1，为物体C的概率达0.1。需要说明的是，这是确定ID似然的一例，本发明并不限定于此。

在观测履历数据库102中记录有观测ID、物品203被检测到的时刻、检测出的物品203的识别ID、物品203被检测到的观测位置。需要说明的是，识别ID是指观测装置101检测出的物体的物体识别结果。需要说明的是，各观测装置101、例如照相机202具备用于取得观测周期及时刻的信息等的计时器，能够将物品203被检测到的时刻从照相机202输出。

在位置推定履历数据库103中记录有作为物***置推定机构105的输出结果的物品203的平均值和方差协方差矩阵、得到物***置推定机构105所使用的观测值的最终时刻。

图3表示位置推定履历数据库103的一例。

例如，推定出物品的识别ID＝Obj001的物品在时刻2008/09/02_12:00:01存在于由数1的概率密度分布(高斯分布)所表现的位置处。

【数1】

$\underset{\‾}{N(\left(\mathrm{100,450}\right),\left(\begin{array}{cc}{20}^2& 0\\ 0& {20}^2\end{array}\right))}$

预测分布制成机构104根据在位置推定履历数据库103中记录的物品203的过去的推定位置，推定物品203的位置的概率密度分布，并将结果向物***置推定机构105输出。由预测分布制成机构104推定概率密度分布的物品203的位置为得到物***置推定机构105用于物品203的位置推定所使用的观测值的时刻的位置。需要说明的是，通常使用利用前次观测值来推定出的物***置(最新的推定位置)即可，但也可以使用比利用前次观测值来推定出的物***置(最新的推定位置)更以前的旧推定位置来进行推定。

物***置推定机构105根据观测履历数据库102中记录的信息，推定检测出的物品203的ID似然和观测位置，进而根据预测分布来推定物品203的位置。这里，物***置推定机构105具备算出联想值的联想机构109。该物体(例如物品203)的位置的推定需要照相机202等的观测装置101的观测值、观测装置101观测到物体的时刻下的物体的预测位置(预测分布)。换言之，根据似然信息而使预测位置向观测值的方向移动也称作物***置推定的处理。如后所述，该预测位置根据观测装置101前次观测到物体的时刻下的物体的推定位置来算出。

联想值是表示观测值(ID似然和观测位置的信息)与实际的物体的关联的值。即，联想值表示从观测履历数据库102获取的物体的ID似然和观测位置是检测哪个ID的物体而得到的值。前述的物体的ID似然和观测位置是表示各自的观测值为观测某个物体而得到的观测值这种情况的可靠性的值，联想值用该ID似然和位置似然的积表示。

这里，对位置似然进行说明。位置似然是指根据观测位置与所述预测分布的平均位置的距离而算出的值，距离越短位置似然越高，反之距离越长位置似然越低。另外，根据考虑了观测装置101的位置误差特性和所述预测分布的方差协方差矩阵的马哈拉诺比斯距离来求解位置似然为好。这种情况下，也是马哈拉诺比斯距离越短位置似然越高，反之马哈拉诺比斯距离越长位置似然越低。

重心位置算出机构106根据观测履历数据库102中记录的信息，算出观测值的重心位置。其中，用于算出重心位置的观测值仅为物***置推定机构105推定前次物品203的位置所使用的观测值。需要说明的是，与重心位置算出机构106所使用的观测值相关的信息从物***置推定机构105获得。图4示出简单示例。在图4的示例中，在一维座标中获得三个观测值。观测值1在X＝10的位置下获得，观测值2在X＝30的位置获得，观测值3在X＝50的位置下获得，这三个观测值的重心位置设定为X＝30的位置。

物***置修正机构107根据由重心位置算出机构106算出的重心位置及由物***置推定机构105推定出的物品203的推定位置，对物品203的推定位置进行修正。

使用图5和图6对推定位置的修正的概要进行说明。

图5表示利用物***置修正机构107算出从重心位置(图4的X＝30的位置)至各物品203的推定位置(分布的平均位置)的距离和方位的情况。其结果是，从重心位置(图4的X＝30的位置)至物体A的推定位置EP_A的距离为20，方位为-X方向。另外，从重心位置(图4的X＝30的位置)至物体B的推定位置EP_B的距离为0，无方位(与重心位置一致的缘故)。从重心位置(图4的X＝30的位置)至物体C的推定位置EP_C的距离为20，方位为+X方向。

图6表示根据在图5中由物***置修正机构107算出的距离和方位，利用物***置修正机构107对物体的推定位置(分布的平均位置)进行修正的情况。即，利用物***置修正机构107使物体的推定位置从重心位置向相对于物体的推定位置(即，物体的推定位置所在)的方位移动如下的修正距离的量，即，该修正距离的量是指对从重心位置至物体的推定位置为止的距离进行加权而算出的修正距离的量。具体而言，距重心位置离开了距离的物体A和物体C的推定位置被进行与距离＝20对应的加权，利用物***置修正机构107从重心位置朝着各推定位置所在的方位而对位置进行修正。物体A的修正后的推定位置为CEP_A，物体B的修正后的推定位置为CEP_B。对于推定位置与重心位置相同的物体B的推定位置而言，不进行修正。更详细的内容在后叙述。

显示机构108由将物***置修正机构107修正的推定位置向使用者提示的监视器等构成。

图7是表示本发明的所述第一实施方式涉及的物***置修正装置的整体处理的流程图。以下，与图7的流程图对应而对物***置修正装置的详细动作进行说明。

在步骤S301中，用照相机202观测房间201内，进行根据照相机202拍摄到的图像来检测物品203的处理。具体例如下所述。

使用照相机202检测物品203时，需要对照相机202的拍摄部202a所取得的图像数据进行图像处理。作为其方法，例如可以使用背景差分法。如图2B所示，由照相机202的拍摄部202a预先拍摄而存储于内置在照相机202内的内部存储部202b中。接着，利用内置在照相机202内的图像处理部202c对物品203不存在时的房间201的背景图像数据与照相机202拍摄到的当前的图像数据进行比较。然后，由图像处理部202c取出像素值不同的区域作为差分区域。该差分区域相当于检测出的物品203。然而，由于图像数据可能混有噪声，因此在图像处理部202c能够判断出所述差分区域相对于物品203足够小的情况下，也可以由图像处理部202c判断成所述差分区域不为物品203。这里，差分区域相对于物品203足够小的情况是指所述差分区域的像素数为根据能够识别物品203的最低像素数而预先设定的阈值以下的情况。换言之，若所述差分区域的像素数超过根据能够识别物品203的最低像素数而预先设定的阈值，则由图像处理部202c判断成差分区域为检测出的物品203。需要说明的是，检测出的物品203的观测位置例如可以为所述差分区域的重心位置。

另外，由图像处理部202c进行所述差分区域的图像与模板图像的匹配，由此能够由图像处理部202c进行照相机202所检测出的物品的ID识别。需要说明的是，匹配用的模板图像预先记录在照相机202的内部存储部202b中。

图8表示记录在照相机202的内部存储部202b中的物品模板的图像数据的示例。记录在照相机202的内部存储部202b中的信息为Obj001至Obj005的物体的识别ID、物体的识别ID为Obj001至Obj005这五个物体各自的模板图像。若进行物体的ID识别，则接着依据ID似然变换表来确定ID似然。需要说明的是，物体的识别ID是指能够唯一确定物体的ID号。

图9表示ID似然变换表的示例。依据图9的ID似然变换表可知，在ID识别的结果为Obj001的情况下，照相机202所检测出的物体为Obj001的物体识别ID的概率达0.80。同样，照相机202所检测出的物体为Obj002的物体识别ID的概率达0.05，为Obj003的物体识别ID的概率达0.10，为Obj004的物体识别ID的概率达0.03，为Obj005的物体识别ID的概率达0.02。需要说明的是，ID似然变换表也记录在照相机202的内部存储部202b中。需要说明的是，事先由照相机202的拍摄部202a分别对Obj001至Obj005的物体在改变例如姿态的同时进行多次拍摄而进行ID识别，根据ID识别错误的倾向制成ID似然变换表。在图9所示的ID似然变换表的情况下，事先拍摄的图像的ID识别的结果表示的是，各物品被识别成Obj001的比率为Obj001∶Obj002∶Obj003∶Obj004∶Obj005＝0.80∶0.05∶0.10∶0.03∶0.02。

另外，以下对照相机202的观测周期为1秒的一例进行说明。照相机202的观测周期并不限于1秒，为规定的周期即可。

这里，照相机202的图像处理部202c求解所述背景差分区域的重心位置的处理、及基于所述模板匹配进行物品203的ID识别来求解ID似然的处理为图7的流程图中的步骤S302的处理。

接下来，在步骤S303中，利用照相机202的图像处理部202c进行将由照相机202检测出的物品203的观测位置和ID似然记录在观测履历数据库102中的处理。

图10表示观测履历数据库102的一例。

利用照相机202能够将照相机202检测出物品203时的时刻、观测位置、物品的识别ID和观测ID记录在图10的观测履历数据库102中。

由于照相机202的观测周期为1秒，且在房间201内存在五个物品(参照图2A)，因此由照相机202在观测履历数据库102中每秒记录五个观测值。例如，在时刻2008/09/02_12:00:001下，记录了观测ID＝OBS001～OBS005的五个观测值。需要说明的是，在照相机202受噪声等的影响而未检测出物品203的情况下，存在仅记录了小于五个的观测值的可能性。同样地，在误将物品203以外的物品(墙壁或柱等)当做物品203的过检测的情况下，存在记录了六个以上的观测值的可能性。

例如，观测ID＝OBS001的观测值表示在时刻2008/09/02_12:00:001时在观测位置(80，500)处检测出物品的识别ID＝Obj001。观测ID＝OBS001的观测值及观测ID＝OBS006的观测值均为检测具有物品的识别ID＝Obj001的图2A中的物品203A而得到的值，但观测位置不同。这是因为照相机202所拍摄的图像中含有的噪声的影响。具体而言，每次拍摄时噪声的影响方式不同，因此根据背景差分而切割出的差分区域也存在微小变化。由此，成为观测位置的所述差分区域的重心位置也发生变化。

另外，观测ID＝OBS004及观测ID＝OBS009的观测值为检测具有物品的识别ID＝Obj004的图2A中的物品203D而得到的值，但物品的识别ID互不相同。这也是因为照相机202所拍摄的图像中含有的噪声的影响导致了误差。具体而言，每次拍摄时根据背景差分而切割出的差分区域内的像素受到噪声影响而发生微小变化，由此与模板的匹配结果也发生变化，因此物品的识别ID被检测成不同。

接下来，在步骤S304中，预测分布制成机构104根据记录在位置推定履历数据库103中的物品203的推定位置来制成物品203的预测分布。具体例如下所述。

在为书籍或便携式电话那样的作为位置推定的对象物的物体自身不移动的静止物体(本实施方式的示例物品203C或物品203D)的情况下，预测分布可以与记录在位置推定履历数据库103中的高斯分布相同。

若为车、飞机或机器人那样位置推定的对象物的移动方向或速度已知的情况下，根据所述对象物的运动方程式来制成预测分布。例如，在房间201内玩具车向+X方向以每秒30cm的速度移动。

记录在位置推定履历数据库103中的推定位置为数2，

【数2】

$\underset{\‾}{N(\left(\mathrm{100,450}\right),\left(\begin{array}{cc}{20}^2& 0\\ 0& {20}^2\end{array}\right))}$

得到物***置推定机构105所使用的观测值的时刻为1秒后。这种情况下，预测分布为所述对象物的平均位置向+X方向移动30cm后的位置(130，450)，方差协方差矩阵为数3。

【数3】

$\underset{\‾}{\left(\begin{array}{cc}{25}^2& 0\\ 0& {25}^2\end{array}\right)}$

这里，对方差协方差矩阵的值变大的理由进行说明。例如，在玩具车移动的情况下，即使玩具车以秒速30cm移动，由于玩具车会受到地面状态(地板间的打滑、地毯的摩擦等)或空气阻力的影响，因此玩具车也未必在1秒后正好到达30cm处。因此，利用预测分布制成机构104增大方差协方差矩阵的值，由此能够概率性地提高位置精度的模糊性。

另外，在为人或动物那样位置推定的对象物的移动方向或速度不明确(运动方程式未知)的情况下，利用预测分布制成机构104仅增大记录在位置推定履历数据库103中的推定位置的方差协方差矩阵的值，由此能够通过预测分布制成机构104制成预测分布。

需要说明的是，在位置推定履历数据库102中未记录有物品203的推定位置的情况下，由预测分布制成机构104随机确定预测分布的平均值。并且，优选分散以使1σ的距离为立方体的房间201的一边的距离的方式设定。

接下来，在步骤S305中，利用物***置推定机构105进行基于照相机202的观测值和预测分布的物***置推定处理。

从观测履历数据库102获取物体的ID似然和观测位置时，首先利用联想机构109进行联想值的计算。

接下来，联想机构109使用所述联想值来推定物品203的位置。具体而言，可以使用以卡尔曼滤波器等为代表的贝叶斯推定框架来推定物品203的位置(从前次的推定位置更新推定位置)。根据检测出的物品203的ID似然和位置似然来进行位置的更新，但此时，物品203的位置的更新仅使用所述联想值超过阈值的观测值。阈值虽需要预先设定，但需要事先从实验等估算阈值。作为倾向，优选在容易引起图像处理的识别错误的情况下，将阈值设定得较低。容易引起识别错误是指存在检测出的物体的ID似然小且联想值也变小的倾向的情况。另外，也可以不管联想值的大小而使用全部的观测值，但此时，优选用所述联想值对物品203的位置的更新量进行加权。即，联想值越高物体的位置的更新量越大。这是因为，作为某物体的观测数据的可能性高的观测数据对位置更新的贡献率变高。

这里，图11表示在时刻12:00:03得到的观测值、在时刻12:00:02得到的各物品的推定位置的状况的示例。在图11的示例中，用距离的倒数赋予位置的似然时，与物品的识别ID＝Obj001相对的观测值OBS011的联想值为将ID似然(0.08)×距离似然(1/44.7)乘以正规化项而得到的值。即，在图10的观测值OBS011中记录有物体ID的识别结果为识别ID＝Obj003，根据图9的ID似然变换表，在照相机将物体识别成识别ID＝Obj003的情况下，实际上意味着照相机所检测出的物体为识别ID＝Obj001的概率达0.08。对其它观测值(OBS012～OBS015)也同样计算，与物品的识别ID＝Obj001相对的观测值OBS011的联想值为0.967，观测值OBS013的联想值为0.032，其它观测值的联想值小于0.001。这里，将物品的识别ID＝Obj001的位置的更新所使用的观测值的联想值的阈值设为0.01时，物品的识别ID＝Obj001的位置的更新使用OBS011和OBS013这两个观测值。

以下对卡尔曼滤波器进行说明。

卡尔曼滤波器是如下所述的装置：在假定物***置修正装置的状态(在本发明的第一实施方式中例如为物体的位置)信息及观测装置101的观测数据(观测信息)双方含有噪声的基础上，推定看似合理的物***置修正装置的状态。

图12表示物***置推定处理使用了卡尔曼滤波器的示例。纵轴表示概率，横轴表示物体的位置。

物体进行如(式1)所示那样的移动时，观测装置101可以得到由(式2)求解的观测值903。这里，A表示物体的运动模型，x表示物***置，v表示移动时产生的过程噪声。另外，y表示观测值，H表示将物***置x与观测值y对应起来的观测模型，w表示观测噪声，t表示时间。

【数4】

x_t＝A_tx_t-1+v_t

                           .......(式1)

【数5】

y_t＝H_tx_t+w_t

                            .......(式2)

这里，过程噪声v及观测噪声w为白色高斯噪声，p(w)如(式3)所示，p(v)如(式4)所示。需要说明的是，N(0，Q)表示平均为0、分散为Q的高斯分布。N(0，R)同样表示平均为0、分散为R的高斯分布。

【数6】

p(w)～N(0，Q)

                            .......(式3)

【数7】

p(v)～N(0，R)

                            .......(式4)

得到观测值903时，由物***置推定机构105将当前得到的与物体的位置相关的事先概率分布901(以下称作“事先分布”)更新，由物***置推定机构105制成预测概率分布902(以下称作“预测分布”)。可以由物***置推定机构105根据(式5)求解预测分布902的平均(位置)，由物***置推定机构105根据(式6)求解预测分布902的分散。需要说明的是，X_a|b表示以时刻b的信息为基础的时刻a的X的推定值。例如，(式5)中的“x_t|t-1”表示以时刻t-1的信息为基础的时刻t的物***置x的推定值，(式6)中的“P_t|t-1”表示以时刻t-1的信息为基础的时刻t的P的推定值。这里，P表示分布的分散。

【数8】

x_t|t-1＝A_tx_t-1|t-1

                            .......(式5)

【数9】

$P_{t|t-1}=A_t{P}_{t-1|t-1}{A}_t^T+Q_t$

                            .......(式6)

由物***置推定机构105得到预测分布902时，由物***置推定机构105根据观测值903和预测分布902来求解事后分布904。可以由物***置推定机构105根据(式7)求解事后分布的平均(位置)，由物***置推定机构105根据(式8)求解事后分布的分散。这里，K为称作卡尔曼增益的值，通过(式9)求解。卡尔曼增益是确定更新量的值。在观测值的精度良好(分散R非常小)的情况下，为了增大更新量，卡尔曼增益的值变大。反之，在事先分布的精度良好(分散P非常小)的情况下，为了减小更新量，卡尔曼增益的值变小。

【数10】

x_t|t＝x_t|t-1+K_t(y_t-H_tx_t|t-1)

                            .......(式7)

【数11】

P_t|t＝(1-K_tH_t)P_t|t-1

                            .......(式8)

【数12】

$K_t=P_{t|t-1}{H}_t^T{(H_t{P}_{t|t-1}{H}_t^T+R_t)}^{-1}$

                            .......(式9)

图13表示物***置推定机构105的推定结果的示例。图13为使用时刻2008/09/02_12:00:03下的观测值来进行物***置推定的结果。对比图13和图10可知，物体的推定位置没有推定在与照相机202的观测位置完全相同的位置上。其主要原因在于其它观测值的影响。例如，对于识别ID＝Obj001的物品而言，用联想值为0.967的观测ID＝OBS011观测到的可能性高，物品的识别ID＝Obj001以观测ID＝OBS011的观测值为基础进行位置的推定。然而，关于与Obj001相对的联想值低但为观测ID＝OBS011以外的其它观测值(观测ID＝OBS012，OBS013，OBS014，OBS015)而言，仍存在该其它观测值是通过检测物品的识别ID＝Obj001而得到的观测值的概率(参照图9)。

其结果是，所述其它观测值也对物品的识别ID＝Obj001的物品的位置推定带来影响。并且，全部观测值对物品203的位置推定都带来影响，因此物品203的推定位置具有向观测值的重心位置偏靠的倾向。

需要说明的是，在用联想值对物品203的位置的更新量进行加权的情况下，可以将(式9)用(式10)替换。D表示与物品203相对的联想值。用所述联想值加权的信息被从联想机构109向物***置推定机构105输出。

【数13】

                           .......(式10)

如上所述，利用物***置推定机构105来更新位置推定履历数据库103内的物品203的位置。使用全部观测值来更新物品203的位置的话，需要反复进行与观测值的数量相对应次数的所述处理。

接下来，在步骤S306中，进行由重心位置算出机构106求解物***置推定机构105所使用的观测值的重心位置的处理。

为了对偏靠所述重心位置的物品203的推定位置进行修正，首先利用重心位置算出机构106算出观测值的重心位置。这里，算出重心位置的观测值仅为物***置推定机构105所使用的观测值。需要说明的是，与重心位置算出机构106所使用的观测值有关的信息通过物***置推定机构105得到。

即，在对图13所示的物***置推定机构105的推定结果进行修正时，为了求解重心位置而使用的观测值为在时刻2008/09/02_12:00:03下观测到的五个观测值(OBS011～OBS015)。另外，重心位置为(x，y)＝(300，310)。

另外，如上所述，推定位置受到其周边的观测值的影响，但它们的影响力不是恒定的，与联想值的大小有关。并且，所述联想值与位置似然的大小有关。即，推定位置受更近存在的观测值的影响的可能性高。因此，也可以利用重心位置算出机构106将观测值按位置聚类，求解聚类化后的观测值中的重心位置。并且，也可以使用最接近各推定位置而存在的重心位置来进行后述的推定位置的修正。作为聚类的方法，例如可以使用k-means法等。k-means法首先从多个观测值中随机选择任意数量(例如两个)的代表值。代表值的数量例如可以是物体容易滞留的场所的数量等。接下来，对代表值以外的各观测值而言，计测距各代表值的距离。然后，将距离最短的代表值分到其观测值所属的簇。完成全部观测值的分配后，接着将各簇的重心作为新的代表值，对全部观测值而言计测距各代表值的距离。然后，将距离最短的代表值分到其观测值所属的簇。以下，反复进行代表值的制成和分配，直至各观测值所属的簇不发生变化为止才结束处理。上述处理全部由重心位置算出机构106进行。

需要说明的是，聚类的方法并不局限于此。图14表示聚类的结果的一例。例如，在事先知道环境由壁1901分隔成两个区域的情况下，可以将所述代表值的数量预先确定为两个。根据所述两个代表值来执行k-means法，由此OBS011、OBS012、OBS013为属于簇A(图14的1902所示的区域)的观测值，OBS014、OBS015为属于簇B(图14的1903所示的区域)的观测值。

接下来，在步骤S307中，进行由物***置修正机构107根据观测值的数量及位置关系来修正物品203的推定位置的处理。

首先，由物***置修正机构107将从重心位置朝向推定位置的方向确定为修正方向。例如，物体Obj004的推定位置的修正方向为，

【数14】

$\underset{\‾}{\stackrel{\→}{\mathrm{XY}}=\left(\mathrm{110,120}\right)}$

接下来，由物***置修正机构107根据从重心位置至推定位置的距离来确定修正距离。如前所述，推定位置通常受到全部观测值的影响。因此，存在于观测值的重心附近的推定位置从其周围的观测值受到的影响相互抵消，由此其结果是推定位置具有留在重心附近的强烈倾向。相对于此，存在于观测值的端部的推定位置从其它观测值受到的影响的方向相同，因此其影响度(推定位置偏移的量)变大的倾向强烈。基于此，从重心位置至推定位置的距离越大，优选修正距离也越大。

具体而言，像(式11)及(式12)那样，由物***置修正机构107根据从重心位置至推定位置的距离和物***置推定机构105所使用的观测值的数量来进行加权，并由物***置修正机构107算出修正距离。即，物***置修正机构107使物体的推定位置从重心位置向相对于物体的推定位置的方位移动如下的距离的量，即，该距离的量是指将修正距离加上对观测装置101输出的观测值的数量进行加权而得到的值所得出的距离的量。这里，D表示修正距离，A表示重心位置与观测位置间的距离，α表示权重因数。权重因数(换言之，用于求解修正距离的加权的比例)α根据所述环境的大小(换言之，观测装置101的观测区域的大小)和观测装置101的物体识别性能来确定。在观测装置101的物体识别性能高的情况下，向错误的物体ID分配的似然变少。于是，更新错误的物体ID的推定位置的影响力也变小(参照物***置推定机构105的说明)。即，观测装置101的物体识别性能越高，优选权重因数α的值越小。

【数15】

D＝f(A)

                           .......(式11)

【数16】

f(A)＝αA

                           .......(式12)

进而，观测值的数量越多，推定位置受到的影响的数量也越多，推定位置的偏离量也具有变大的倾向。基于此，物***置推定机构105所使用的观测值的数量越多，优选修正距离也越大。

(式13)及(式14)表示利用了观测值的数量的修正距离D的算出方法。这里，B表示观测值的数量，β表示权重因数。权重因数β与权重因数α同样根据所述环境的大小和观测装置101的物体识别性能来确定。在观测装置101的物体识别性能高的情况下，向错误的物体ID分配的似然变少。于是，更新错误的物体ID的推定位置的影响力也变小(参照物***置推定机构105的说明)。即，观测装置101的物体识别性能越高，优选权重因数β的值越小。

【数17】

D＝f(A，B)

                           .......(式13)

【数18】

f(A，B)＝Aα+Bβ

                           .......(式14)

如以上所述，由物***置修正机构107对各物体的每个推定位置求解修正方向和修正距离，由此进行推定位置的修正。

图15表示物***置推定机构105的结果的一例，图16表示物***置修正机构107的结果的一例。在图15的示例中，物体(1、1)和物体(1、2)这两个物体的位置的推定结果的履历以轨迹的方式示出，在图16的示例中，修正结果的履历以轨迹的方式示出。

为了说明，图17示出物体(1、1)和物体(1、2)的移动轨迹的真正位置，但该第一实施方式涉及的物***置修正装置是不知道各物体的真正位置的。物体(1、1)和物体(1、2)在保持200cm的间隔的同时从图17的左端向右端并行移动。具体而言，物体(1、1)从座标(-500，800)向座标(500，800)移动，物体(1、2)从座标(-500，600)向座标(500，600)移动。需要说明的是，各物体同时开始移动，且以相同速度移动。观察图15所示的物***置推定机构105的结果可知，物***置推定在移动开始后马上受到相互的观测值的影响，在前进了200cm左右的地点处物体(1、1)与物体(1、2)彼此被拉近各80cm左右。相对于此，观察图16所示的物***置修正机构107的结果可知，在维持物体(1、1)与物体(1、2)的物体间隔的状态下进行物***置的推定(修正)。需要说明的是，在该例中，参数如下设定，α＝700，β＝2。

接下来，在步骤S308中，进行通过显示机构108将由物***置修正机构107修正后的推定位置向使用者提示的处理。

显示机构108将由物***置修正机构107修正后的推定位置向使用者提示。需要说明的是，也可以由显示机构108将物***置推定机构105算出的方差协方差与所述推定位置同时向使用者提示。另外，还可以由显示机构108将物***置推定机构105算出的推定位置(修正前的推定位置)同时向使用者提示。

图18表示由图15和图16所示的物体的推定位置和修正位置的显示例。在图18所示的监视器1401的画面内，障碍物1402、用直线连结修正前的物体推定位置而成的实线所示的轨迹、用直线连结修正后的物体推定位置而成的虚线所示的轨迹覆盖显示。作为障碍物1402的一例，已知有例如书架或桌子等。

通过如上所述的结构，可以根据由观测装置101检测出的物体的观测值的位置关系及数量来修正所述物体的推定位置。由此，能够在不使用记录有环境信息的地图的情况下将物***置推定的结果修正成对使用者来说没有不适感的位置。

需要说明的是，本发明并不限定于所述实施方式，可以用其它各种方式实施。

例如，如图20所示，作为物体的其它例，可以代替物品203而用照相机202观测多个人212。

需要说明的是，在各实施方式中，物***置推定部120、重心位置算出机构106、物***置修正机构106等自身可以由软件构成，或其中任一部分可以由软件构成。由此，例如可以将具有构成本说明书中各实施方式的控制动作的步骤的计算机程序可读取地存储在存储装置(硬盘等)等记录介质中，使用CPU将这些计算机程序读入到计算机的临时存储装置(半导体存储器等)中来执行，由此执行所述各功能或各步骤。

需要说明的是，可以通过适当组合所述各种实施方式或变形例中的任意实施方式或变形例，从而起到各自所具有的效果。

【工业实用性】

本发明涉及的物***置修正装置、物***置修正方法及物***置修正程序能够在不使用记录有环境信息的地图的情况下将物***置推定的结果修正成对使用者来说没有不适感的位置。由此，对于在难以预先制成地图的场所或会引起环境变动的场所(家庭内、公司、工厂等)中的物体的监视、显示装置或方法而言特别有用。

本发明在参照附图的同时对优选的实施方式进行了充分的记载，但对本领域技术人员来说可以进行各种变形或修正。这样的变形或修正只要不超出基于权利要求书的本发明的范围，就都应该理解为包含在本发明的范围中。

Claims (13)

1.一种物***置修正装置，具备：

物***置推定部，其根据由观测装置观测存在于环境内的多个物体而分别取得的所述各物体的(1)ID似然和(2)观测位置、以及表示所述各物体的位置的存在概率的(3)预测分布来推定所述物体的ID和位置，从而求解所述物体的推定位置，其中，所述(3)预测分布根据由前次观测时取得的所述各物体的ID似然和观测位置求出的所述各物体的ID和位置的推定结果而制成；

重心位置算出机构，其算出所述观测位置的重心位置；

物***置修正机构，其根据距由所述重心位置算出机构算出的所述重心位置的距离和方位，进行所述物体的推定位置的修正。

2.根据权利要求1所述的物***置修正装置，其中，

所述物***置修正机构使所述物体的推定位置从所述重心位置向相对于所述物体的推定位置的方位移动如下的修正距离的量，即，该修正距离的量是指通过对从所述重心位置至所述物体的推定位置为止的距离进行加权而算出的修正距离的量。

3.根据权利要求2所述的物***置修正装置，其中，

所述物***置修正机构进一步使所述物体的推定位置从所述重心位置向相对于所述物体的推定位置的方位移动如下的距离的量，即，该距离的量是指将所述修正距离加上对所述观测装置输出的观测值的数量进行加权而得到的值所得出的距离的量。

4.根据权利要求2所述的物***置修正装置，其中，

所述物***置修正机构根据所述观测装置的ID识别性能来确定用于求解修正距离的加权的比例。

5.根据权利要求2所述的物***置修正装置，其中，

所述物***置修正机构根据所述观测装置的观测区域的大小来确定用于求解修正距离的加权的比例。

6.根据权利要求1所述的物***置修正装置，其中，

所述物***置推定部具备：

物***置推定履历数据库，其记录所述物体的ID和位置的所述推定结果；

预测分布制成机构，其根据所述物体的ID和位置的所述推定结果来制成表示所述物体的位置的所述存在概率的所述预测分布；

物***置推定机构，其根据所述预测分布、所述ID似然和所述观测位置来推定所述物体的ID和位置。

7.根据权利要求1或6所述的物***置修正装置，其中，

还具备检测存在于所述环境内的所述多个物体、从而分别取得所述各物体的ID似然和观测位置的所述观测装置。

8.根据权利要求1～7中任一项所述的物***置修正装置，其中，

还具备显示所述物体的ID和修正后的位置的结果的显示机构。

9.根据权利要求1～7中任一项所述的物***置修正装置，其中，

所述重心位置算出机构按照基于位置聚类后的观测位置的各簇而算出重心位置。

10.根据权利要求1～7中任一项所述的物***置修正装置，其中，

所述物***置修正机构根据所述重心位置算出机构所使用的所述观测位置的数量来进行所述物体的推定位置的修正。

11.根据权利要求8所述的物***置修正装置，其中，

所述显示机构使所述物***置修正机构的修正结果覆盖所述物***置推定机构的推定结果而显示。

12.一种物***置修正方法，

利用物***置推定部，根据由观测装置观测存在于环境内的多个物体而分别取得的所述各物体的(1)ID似然和(2)观测位置、以及表示所述各物体的位置的存在概率的(3)预测分布来推定所述物体的ID和位置，从而求解所述物体的推定位置，其中，所述(3)预测分布根据由前次观测时取得的所述各物体的ID似然和观测位置求出的所述各物体的ID和位置的推定结果而制成，

利用重心位置算出机构，算出所述观测位置的重心位置，

利用物***置修正机构，根据距由所述重心位置算出机构算出的所述重心位置的距离和方位来修正所述物体的推定位置。

13.一种物***置修正程序，用于使计算机实现如下功能：

根据由观测装置观测存在于环境内的多个物体而分别取得的所述各物体的(1)ID似然和(2)观测位置、以及表示所述各物体的位置的存在概率的(3)预测分布来推定所述物体的ID和位置，从而求解所述物体的推定位置的功能，其中，所述(3)预测分布根据由前次观测时取得的所述各物体的ID似然和观测位置求出的所述各物体的ID和位置的推定结果而制成；

由重心位置算出机构算出所述观测位置的重心位置的功能；

利用物***置修正机构，根据距由所述重心位置算出机构算出的所述重心位置的距离和方位来修正所述物体的推定位置的功能。

Images