JP2000506294A

JP2000506294A - センサ及び地図に基づいて導管ネットワーク内を進路案内するための自律的可動ロボットシステム

Info

Publication number: JP2000506294A
Application number: JP9531434A
Authority: JP
Inventors: キルシュネル，フランク; ハルツベルク，ジョアキム
Original assignee: ゲーエムデー―フォルシュングスチェントルムインフォマーションズテクニクゲーエムベーハー
Priority date: 1996-03-06
Filing date: 1997-03-01
Publication date: 2000-05-23
Also published as: DE69700544D1; WO1997033212A1; EP0847549B1; EP0847549A1; DE69700544T2; ATE185006T1; US6108597A

Abstract

(57)【要約】自律的可動ロボットシステムは、導管ネットワーク内でセンサ及び地図に基づいて進路案内を行うための進路案内システムを備えている。進路案内は予め存在する本来の標識の分類に基づいている。進路案内システムによって、ロボットシステムの不確実な動作制御，センサ情報及び標識の分類を補償することができる。

Description

【発明の詳細な説明】センサ及び地図に基づいて導管ネットワーク内を進路案内するための自律的可動ロボットシステム本発明は、予め存在する標識の分類に基づいて導管ネットワーク内をセンサ及び地図に基づいて進路案内するための自律的可動ロボットシステムに関し、このロボットシステムにおける動作の制御、センサの情報及び標識の分類は不正確であっても良い。導管ネットワーク内において作動する可動ロボットは、従来技術において公知である。このような可動ロボットは自律的ではなく、（例えば下水管点検装置においては）導管ネットワークの外部の離れた場所からエネルギーと制御とを伝達するためのケーブルにつながれているか、又は（オイル又はガスパイプライン点検用装置においては）導管の内容物の流れに応じて受動的に流れているものである。本出願人が把握している限り、その動作を能動的に制御し、「ケーブルにつながれていない」ような導管システム用の自律的可動ロボットは知られていない。室内及び屋外の環境において、自律的可動ロボットシステムは公知である（例えば所謂フロアロボット等。I．Nourbakhsh，R．Powers，S．Birchfield.著、DE RVISH:An office-navigating robot（オフィス進路案内ロボット）AI Magazine ，16(2):53-60，1995参照）。このような公知であるロボットには、周囲における標識を基準点として用いることによって進路案内するためのセンサ及び地図が搭載されている。これらのうち多くのアプローチにおいて、ただ進路案内を支持する目的のためだけに人工的な標識（目印）を周囲に設置する必要がある。本来の標識を用いるような公知のロボットは、しばし標識の分類における不確実さという欠点を有している。認識の限界を超えるような標識が存在し、ロボットの動作におけるドリフトがあり得る場合には、標識を見落とすことによって進路案内が妨げられる。さらには、これら公知である自律的可動ロボットは、ふらつき、スリップ、行き越し等の動作における不精密さという欠点を有している。文献より、センサ及び動作における不精密さを考慮しているモデル及びアルゴリズム（例えばいわゆるPartially Observable Markov Decision Processes for Artificial Intelligence（人工知能用一部観察可能マルコフ判定過程）の頭字語であるPOMDP等）が公知である。POMDPについては、例えばL．Kaelbling，M．L ．Llttman及びA．R．Cassandra著、Partially observable markov decision pro cesses for artificial intelligence（人工知能用一部観察可能マルコフ判定過程）、I．Wachsmuth，C.-R.Rollinger及びW．Brauer編、KI-95:Advances in Art ificial Intelligence（人工知能における発達）、１〜17頁、Springer Verlag( LNAI vol.981)，1995、さらにはR．Simmons及びS．Koenig著Probabilistic robo t navigation in partially observable environments（一部観察可能な周囲における確率的ロボット進路案内）Proc．IJCAI-95，1080〜1087頁（1995年）等において説明されている。これらのアルゴリズム及びモデルにおいては、与えられた経路に沿った動作が悪ければ悪いほど標識を見落としやすくなる。ケーブルの摩擦のためケーブルによって駆動される装置は「本来の」導管ネットワークにおいてその動作の範囲が極めて限定される。一方、自律的可動ロボットの地図及びセンサに基づく進路案内は、標識を見落とすことによって妨げられる。本発明の目的は、導管ネットワークにおける地図及びセンサに基づく可動ロボットシステムであって、自律的であり、外部に対するケーブルの接続がなく、さらには導管ネットワークに元来存在する「本来の」標識を用いることが可能であるロボットシステムを提供することにある。本発明によれば、この目的を達成するのは予め存在する標識の分類に基づいた導管ネットワークをセンサ及び地図に基づいて進路案内するための自律的可動ロボットシステムであって、このロボットシステムにおける動作の制御、センサの情報及び標識の分類は不正確であっても良く、このシステムは − 導管ネットワーク内を移動するための移動体と、 − 標識の地勢図を記憶する手段と、 − この地勢図によって、始点から終点までの導管ネットワーク内の経路図を予め決定する手段と、 − この経路図に応じた導管ネットワーク内での前記移動体の物理的移動を、該移動の制御が不確実であっても良いように実行させる手段と、 − 前記導管ネットワーク内を移動する間、移動軸に沿った前記移動体の傾斜と、前記導管内の底部における移動体の位置とを制御する手段と、 − 前記導管ネットワーク内を進路案内する間に、前記移動体が通過するいかなる標識の存在も確実に前記移動体が知るように、前記移動体の周囲を検知する手段と、 − 与えられた標識の部類について、前記検知手段の出力に基づいて、前記標識をその分類が不確実であっても良いように分類する手段と、 − 前記導管ネットワーク内を前記経路図に沿って移動する間に出会うべき標識の部類の順序について前もって予測する手段と、 − 前記地勢図により、予測された標識と最近に通過した標識の分類とに基づいて、前記移動体の現在のもっともらしい位置を決定する手段と、 − 現在得ることができるデータによって前記導管ネットワーク内における前記現在のもっともらしい位置が決定され得ない場合に、別のセンサの動作と標識の分類とを始動させる手段と、 − 前記現在のもっともらしい位置が、元の経路図によって予測される位置と異なる場合に前記経路図を更新する手段と、を備えることを特徴とする自律的可動ロボットシステム。本発明による自律的可動ロボットシステムは、導管ネットワーク内を移動する移動体を有している。記憶手段に記憶されている標識の地勢図について始点から終点への導管ネットワーク内の経路図が予め決定手段によって決定される。さらに、この経路図によって導管ネットワーク内において移動体を物理的に移動させるようにするための手段が設けられている。なお、本発明による可動ロボットシステムにおけるこれら動作の制御は、不確実であっても良い。本発明による可動ロボットシステムには、さらに移動体をその移動軸に沿った傾斜と導管ネットワーク内を移動する際に移動体の位置を導管内の管底部に制御するための手段が設けられている。移動体が導管ネットワークを通って進路案内する間に通過する全ての「本来の」標識の存在を確実に移動体に知らせるために移動体の周囲を検知する手段が移動体に設けられている。この検知手段の出力に基づいて、標識は分類手段によって与えられた及び予め定められた標識の種類とについて分類される。ここでもまたこの分類は不確実であっても良いことが重要である。導管ネットワーク内を経路図に従って移動する際に出会うと思われる標識の分類のシーケンスに関する予測は、予め生成手段によって生成される。移動体の現在のもっともらしい位置は、予測される標識と最近に通過した標識の分類とに基づいて地勢図について決定される。この作業は別の決定手段において行われる。また本発明による自律的可動ロボットシステムは、現在得ることのできるデータによって導管ネットワーク内における移動体の現在のもっともらしい位置が決定されない場合に別のセンサによる動作及び標識の分類を始動させるための始動手段をも有している。元の経路図によって予測される位置と前記現在もっともらしい位置とが異なる場合には前記経路図が更新される。本発明による自律的可動ロボットシステムにおいては、外部へのケーブル接続は用いられず、進路案内用に導管ネットワークにおける、例えば幾何学的形状の種類に属する（Ｘ−、Ｙ−、Ｔ−又はＬ−形状の）導管交差点のような「本来の」標識が用いられている。導管ネットワーク内において移動体を移動するためにはグローバルポジショニングシステム又は基準系システムが不要である。前述のように、センサに基づく自律的可動ロボットシステムにおいて発見された標識の分類は不確実であっても良い。その理由の１つは、導管ネットワーク内の移動体の動作の制御が不確実であるからである。したがって、移動体は予測されるのとは異なった移動角度において本来の標識に接近するかもしれない。この理由のため、移動体の検知手段はそれだけでは本来の標識を発見することができなかった。このため、本発明による自律的可動ロボットシステムには本来の標識を見落とさないためのサブシステムが設けられている。さらに、可動ロボットシステムには、全ての発見された本来の標識を分類するための分類手段と、起こり得る標識の分類におけるエラーと起こり得る動作の制御における欠陥とを補償するための手段とが設けられている。本発明の好ましい実施例においては、移動体の傾斜を制御するための手段と移動体を導管の底部に保つための手段とに、移動体をその移動軸に対する傾斜を測定するための傾斜計が設けられて、これら傾斜計が十分な傾斜を検知した場合に移動体を導管底部に戻すように駆動する。本発明の他の好ましい実施例においては、分岐導管の複数の入口からなる導管の交差点における前記移動体の旋回操作を行うための前記動作の制御は、前記検知手段が目標の導管入口が前記移動体の正面にあることを信号で知らせるまで前記検知手段によって制御される旋回動作の閉ループ処理として実現される。これらの要素により、移動体は完全に自律的可動なものとなる。具体的には、移動体の周囲を検知するための手段は（複数の）超音波変換器を有し、これら超音波変換器のうち少なくともいくつかは移動体の実際の周囲の幾何学表面のスキャンを生み出すために能動的に移動され得る。能動的に可動であるセンサを用いることは、現在得ることのできるデータによって導管ネットワーク内における現在もっともらしい移動体の位置が決定され得ない場合に別のセンサ動作及び標識の分類を始動させる際に有利となる。標識の分類は、その入力として検知手段の出力を得、その出力として標識の種類について標識の分類を出力するバックプロパゲーションネットワークにおいて行われることが好ましい。バックプロパゲーションネットワークの一例がD．E． Rumelhart及びJ．McClell and著、Parallel Distributed Processing（平行分配処理）．MIT-Press，Cambridge，MA 1986,ならびにD．E．Rumelhart及びD．Zips er著、Feature discovery by competitive learning（競争的学習による特徴の発見）Cognitive Science，9:75-112，1985等において説明されている。本発明による自律的可動ロボットシステムにおいて標識の存在が発見された後、移動体は標識の付近において停止しており、標識の分類手段のための入力データを得るために周囲を検知しながら（複数の）検知手段は能動的に制御され、この能動的制御は検知手段のうちいくつかを移動させることを含み得る。このような特徴は、本来の標識の信頼できる分類を得るために好ましい。本発明における可動ロボットシステムにおいて、導管ネットワーク内における現在のもっともらしい位置は、導管ネットワーク内の位置を決定する問題を部分観察可能マーコフ判定過程(POMDP)として模擬することによって決定されることが好ましい。本発明における自律的可動ロボットシステムは、下水管のネットワーク内において用いられ、移動体は車輪付きの移動体であることが好ましい。以下に本発明の好ましい実施例について図面を参照しながら説明するが、これら図面のうち図１は、試験的導管ネットワークの概略図であり、図２は、図１の試験的導管ネットワークにおける交差点の分類の表であり、図３は、ロボットのハードウェア構成要素の概略図であって、これらのうち・ISA-バスはフレームグラッバーボードを有する標準的なPCインターフェースであり、・PCMCIAインターフェースは、（複数の）超音波変換器及び（複数の）傾斜計からのアナログ信号をサンプリングするために用いられ、・DCC1及びDCC2は、それぞれモータM1及びM2を制御するための駆動制御回路であり、・S1はCCDカメラ及び可撓性超音波センサを作動させるためのサーボモータであり、図４は、制御の２及び1/2レベルを示す概略であって、ここにおける上向きの矢印はデータフローを示し、下向きの矢印は制御フローを示しており、図５は、傾斜センサに基づく傾斜の修正を示す図であって、ここにおける曲線 IXは主水平軸方向の傾斜を測定する傾斜センサからの値を表し、修正操作は記された位置において介入し、傾斜値に加えて左(ULV)及び右(URV)の超音波変換器からの測定値が示されており、このデータが１つの単独の導管からのものであることを実証しており、図６は、導管を通過する際の手前左(ULV)及び手前右(URV)における超音波の値の図であって、ここにおける白い矩形は超音波ビームが左右に放出されるロボットを表しており、図面の右手において可撓性の超音波センサ（UT）によって読み取られる値は交差点の入口において180°のスキャンを行う際に記録された通りに記されて、またＸタイプの交差点の特徴パターンが（ここではノイズによって湾曲されていない形で）見受けられ、さらには移動速度が示されており、図７は、３つの異なる交差点の種類における可撓性の超音波センサ（UT）からのチャートであり、ここにおける上方、中央、下方のトレースはそれぞれＸタイプ、Ｔタイプ及びＬタイプの交差点を表し（中央のトレースにおいて見受けられるように、正しい分類をより困難にするノイズ及びその他の特には環境上の所産が存在し得る）、図８は、Ｌ形状の交差点の入口に位置されるロボットの透視図であり、ここにおけるロボットは図１における交差点S11を分類する際にその可撓性の超音波センサ（UT）を用い、その後にその右手にある導管に入るべく旋回操作を開始させており、そして図９は、試験用導管ネットワークにおけるロボットの「右旋回」の実行マトリックスの一部を示すものであり、ここにおいて示されている３列のうち空のコラムにはゼロ値が当てられるものである。１．イントロダクションドイツにおける公共の下水管システムは、時々修繕が必要かどうか点検されねばならない。すなわち、下水管が漏れて場合によっては土壌又は地下水を汚染したり、また土壌を流し去って場合によっては建物の基礎又は道路及び舗道の地下を侵食する可能性がある。その結果、下水管を維持するために点検及び部分的な修理を含む多大な努力が必要となる。通常の公共下水管システムの最も多くの部分は内径が300〜600mmの円形導管からなる。よって、人間が進入できるようなものではないのは明らかである。このような導管を維持するための現状の技術としては遠隔操作される非自律性のロボットプラットフォームを用いている。これらプラットフォームはエネルギー補給、装置への人間であるオペレータからの指示の伝達、オペレータに戻すべきデータの伝達、装置が導管内でつまった際の命綱及び移動した距離のための測定ラインとして用いられるケーブルによって外界と連結されている。しかしながら、このケーブルは曲がったり、又は長い直線を移動した後に導管内部との摩擦によってメンテナンス装置の動作の範囲を著しく限定するものである。ここで「長い」とは典型的には200ｍを指す。また逆に、メンテナンスチームにとって頻繁に装置を手繰り、位置を変え、装置をバックで入れ、作業を続行したりすることが強要されるために、このような範囲の限定はメンテナンス費用を多大に増加させることにもなる。このような遠隔操作される装置の代わりとなるものとして考えられ得る選択肢としては自律的ロボットを用いることがある。しかしながら、ロボットにとって下水管内は働きやすい場所ではない。そこは狭く、ぬるぬるして、汚れており、さらには濡れている。その水位は、乾燥状態から完全に充満しているものまで、あらゆるものを含み得て、降水のない天気における下水管内の典型的な水位は５〜10％である。それは様々な材質の導管からなり、そのうちコンクリート、PVC 及びセラミックが最も多く用いられるものである。それは、様々な直径を有する導管間の連結などにおいて段を有する。それは沈殿物、割れ目、穴、より小さな導管による非専門的に作られた接続，割れ目又は漏れる接続による導管と化したルート等といった障害物又はダメージを有し得る。ここに報告される研究は、試験的下水管ネットワーク、省略してテストネットを通って物理的に進路案内され得る試作品である下水管ロボットプラットフォームを用いて行われた。ネットワークは内径600mmのコンクリート製下水導管からなる。全長は約80mである。図２においてそのレイアウトが示されている。S7、S8、S12及びS13で称される部分は開口端部であり、その他Ｓで称される部分はシャフトであり、使用できる下水管システムにおけるマンホールのように構成され、図２においては交差点の分類が示されている。以下において、自律的可動ロボットシステム（以下、ロボットと称する）のハードウェア設計（セクション２）及びその制御構造（セクション３）について説明する。その後、新しい制御及び進路案内処理の原理の概要について述べ（セクション４）、具体的にはこの処理に関し、テストネット内のロボットを用いて行われた実験のいくつかの結果について説明する。セクション５は結論である。２．ハードウェア設計ハードウェア：このシステムは、すばやく長い導管セクションを最小のエネルギー消費でもって通過して移動し得るように構成されている。最小の機械的摩損でもって狭くぬるぬるした交差点における旋回が可能となる。センサ：センサの数をいくらか減らすことが望ましいものの、より多くのセンサ情報を得る利点とそれを利用するために必要なコンピュータの動力とを鑑みる必要がある。本例においてはセンサの数を少なくし、代わりにセンサ翻訳における不確実さとその結果として得る内部表現における不完全さを補うような領域に従属し、さらには廉価でありながら丈夫なアルゴリズムを実施すべきである。制御ソフトウェア：ここでも丈夫さと信頼性は必須である。よって、制御ソフトウェアはモジュール式であり、−場合によってはヒエラルキー式の−全体的なタスクの分解を丈夫な一連の機能的モジュールに反映すべきである。このアプローチによって個々のモジュールの状態空間寸法を（適切な情報にフォーカスすることによって）減少すべきである。以下のサブセクションにおいて、これらの制約がロボットの設計において考慮されている様子が示されている。 2.1 メカトロニクスロボットは38×28×30cm（長さ×幅×高さ）のサイズを有する六輪式のシステムである。以下の説明については図３を参照されたい。移動体の一方側における３つの車輪は、トランスミッションベルトによって連結されており、１つの推進ユニットを形成している。各ユニットは１つのDCモータを有し、これは毎分０から約60の範囲にあるいかなる与えられた回転数において２方向に作動し、それにより約20cm／秒の最大速度を達成し得るように制御され得る。モータは、パルス幅変調(PWM) 信号を用いてモータに供給される電圧を能動的に変える個別の駆動制御回路(DCC )を用いて制御される。各ユニットは、独自のDCCを有しているため、ロボットはその左右の車輪を逆の方向に回転させることによっていかなる方向にも旋回し得る。DCモータにはシャフトの回転数を測定するための走行距離計が備えられている。回転数を測定し、車輪の直径を考慮することによってロボットが移動した距離をおおよそで演算し得る。しかしながら、実施の下水管においてはスリップが多いため、進路案内はこのような単純な走行距離演算にあまり頼りすぎない方がよい。このシステムには、テストネットにおける約１時間の操作を可能にするために十分なエネルギーを供給し得る蓄電池が備えられている。 2.2 オンボードコンピュータ制御及び進路案内に必要な全てのコンピュータ操作は、２つのコンピュータに分散されている。まず、例えば適切なPWM信号を生成するといった基本の制御タスクのためにHC11に基づくマイクロコントローラがある。次に、より高いレベルの制御モジュールに加え経路の生成及びグローバルポジショニングルーチンを行うための標準的なノートブックコンピュータがある。ノートブックPC（すなわちマイクロコンピュータ）の処理ユニットはロボットの固定部分であるため、全てのコンピュータ操作はオンボードで行われる。このようなウェイトが付加されることによってロボットのハードウェアにとって、例えばより複雑な運動学的又はより多くのバッテリーパワー等の機械的な必須要素を伴うが、実験において他の選択肢がなかった。システムは下水管内において作動すべきであり、例えば道路のレベルより４ｍ下にある本物の下水管においてはロボットに対する連続的な無線によるコンタクトを確証することができない。よって、コンピュータのパワーを客観化させることができなかった。このような環境上の制約に直面した場合、異なった複雑さの度合いにて非対称的にタスクを行いながら双方向的な直列通信リンクによってノートブックからマイクロコントローラに指示を伝達し、またマイクロコントローラからノートブックにステータスリポートを伝達する異なったコンピュータを用いるのが自然のアプローチであった。 2.3 センサ及びコミュニケーション図３において示されているロボットの主要な構成要素について説明する。ここまではCCDカメラ及び無線リンクモジュールについてはふれなかった。カメラは水平方向に180°回動可能であるため、ロボットの前方領域の全てをカバーすることができる。カメラのアナログビデオ信号はまずパーソナルコンピュータのIS A-バススロットに設置されるオンボードフレームグラッバーにより回収されて、無線リンクを介して外部に伝達される。なお、無線リンクは試験的下水管システムにおいてのみ意味をなすものであるが、ここにおいてはロボットの認識力、意思決定及び行動サイクルをモニターするために極めて便利な道具である。現実の下水管システムにおいては接続が行われ得るかどうかの予想は極めて困難であり、よって無線リンクは疑わしい、動力を消耗する要素である。これはカメラ自体にはあてはまらない、なぜならば損傷の写真を自律的作業の間に撮影し、後に人間であるオペレータに知らせるべく外部に伝達することが可能であるからである。しかしながら、下水管内において進路案内及び／又は自己位置決定の目的のためにビデオデータを用いるべきかどうかはその場所をライトアップするために必要な比較的高いエネルギーの消費とビデオデータから有用な情報を抽出するためのコンピュータ操作を鑑みた場合には疑問である。本ロボットにおいて進路案内を行う際にビデオデータは使用しない。ここで実際に使用されるロボットのセンサについて述べる。まず、最も低い物理的レベルにてシャーシ内に備えられる２つの傾斜センサがある。これらのセンサはその２つの主水平軸に沿った傾斜を測定する。これらセンサから得られる情報は−８ビットA/Dコンバータを介して−約100ms毎に主にマイクロコントローラボードによって回収される。さらに、ロボットの前方及び側面の領域における殆どをカバーするようにシステムのシャーシの上に設置される５つの超音波変換器がある。これらの装置によって１cmの解像度において最大100cm離れた物体までの距離を測定し得る。コンクリート導管の粗い壁が音をよく、また比較的広い角度において反映するため、テストネットにおける進路案内用に適している。図３においては、カメラの上端に搭載される別の超音波変換器も示されている。その目的について以下に説明する（セクション４）。３．制御構造このセクションにおいてテストネットを通って進路案内を行うためのロボットの制御構造（図４）について説明する。それは２及び1/2レベルに分けられる。最も低い「ハーフ」レベルは、瞬時に危険な状況に反応するためのいくつかの反射行動又は制御ループを含んでおり、このような反射行動の例としては障害物を避けること及び特に下水管において重要である傾斜制御等がある。レベル１は、ロボットが下水管システムにおいて作業するための基本的能力を備える完全な状態の一連の自動装置である。レベル２は、周囲の地図と始点及び終点位置とが与えられた場合にその終点までの（レベル１の動きのシーケンスに関する）最適な経路を演算するようなグラフサーチアルゴリズム等の高レベルな制御アルゴリズムを含んでいる。これらのレベルについてより詳細に説明する。ロボットの基本的で低レベルなタスクとしては長い直線の導管を通って安全に移動することがある。よって、ハードウェアがどんなに洗練されているとしても下水管における全てのホイール駆動又はチェーン駆動ロボットにおける静止摩擦の相違によって生じるふらつき効果を補償するための反応メカニズムを設けることが必須となる。下水管内においてふらつくことによって壁を登り、場合によっては横転するかもしれない。結果としてロボットはその小さな一連の「反射行動」の一例である反応性の傾斜制御を有することになる。反射行動は現在におけるセンサ入力にのみ依存するものであり、１つのセンサと１つの作動体とを結び付ける固定の反応機構を示す。これらは即時に実行され、後になって初めてより高いレベルに対して報告される。傾斜計が制御不可能な傾斜を検知した場合、マイクロコントローラは即時にシステムを安定した位置に戻すための修正操作を実行する。直近のセンサの読み取り（左又は右への傾斜）にしたがってそれぞれ左又は右のモータが加速又は減速される。この即時の反応が功を奏さない場合にのみ、モータを停止させ、反射行動の動作を停止させ、ロボットを通常位置に戻すためのより複雑な操作を実行するというレベル１の行動が実施される。このレベル１の行動は、完全にマイクロコントローラにおいて位置されて実行される。レベル２の制御プログラムはこの行動が作動されることを通知され、実行の許可を与えるか又は拒絶する。例えば交差点において旋回する等の困難なケースにおいてロボットにとって穏やかな傾斜は避けられないものであり、許容されなければならないため、このような許可を与える構造は有用である。しかしながら、より低いレベルにおいては例えばロボットが交差点にあるかどうかは把握していない。レベル１において用いられる表示は、生のセンサデータより抽象的である。例えば「導管内にいる」「交差点に近づいている」「未知の交差点にいる」又は「ｘタイプの交差点にいる」（なお、ｘとはＴ交差点、Ｌ交差点又はＸ交差点−交差点等の分類である）といった高レベルの状態からなる。例えば「未知の交差点にいる」という状態は、ロボットがそれ以前には「導管内にいる」、その後「交差点に近づいている」の状態にあって、左右の固定超音波センサによって現在交差点が存在することを示されていながらまだ分類が行なわれていない（それがどのように行われるかは以下に述べる）場合に生成される。前述の他の状態を演算するためには同様の処理が用いられる。一般的にいえば、レベル１は状態の移行が行われる前にロボットが行うべき認識がエッジに付与されている有限の決定的な自動装置であるといえる。この自動装置の各状態について、システムはロボットがその状態になった場合に実行されるレベル１の行動を有するため、状態の移行はすなわち実行されるべき新しい行動を起こさせることにもなる。しかしながら、レベル１の行動は自動的に開始されるのではなく、レベル２によってはっきりと作動されなければならない。この方法の理由は簡単である。制御の最も低いレベルにおいては、与えられたセンサ入力に対してどのような反射行動又はタスクが行われるべきかほぼ正確に知ることができる。タスクがより複雑になればなるほど予め知ることもより困難になる。複雑なタスクは通常段階的な意思決定を行うことを含む。第１に、２つ以上のセンサの統合がしばしば必要となり、第２にこれら読み取りは時間と統合及び／又は関連付けられねばならず、また第３にこれらは与えられた文脈において解釈されなければならない。以前に特定された位置（通常はシャフト）への進路案内を行うために、システムには地図か備えられている。このような地図は、図２に示されるような大雑把な地勢的な説明であり、正確な測量上の情報を含むものではない。システムはこれにより次のような情報を得ることができる。導管ｔを北方向に移動するならば、次の交差点はＬタイプの交差点である。ロボットが次の交差点に到着した時にはその現在の交差点が本当にその内部地図によって特定されるタイプのものであるかどうかを照合する。一致するのであれば、システムは次のサブゴールに到達するために適切である、例えば右又は左旋回などの高レベルタスクを生成する。現在の交差点の分類が地図から予測されるものとは異なった結果につながった場合にはロボットにおいて問題が生じる。このような問題に対処するレベル２アルゴリズムについて以下に説明する(4.5)。４．ロボット制御及び進路案内：概念及び実験このセクションの目的は、２つの要素からなる。ここにおいて全般的な新しい制御及び進路案内処理ならびにそれを用いた実験の両方について説明する。経験法として、このセクションの始めにおいて説明されているより低いレベルの機能はロボットの実験において特有なものであり、終わりの方のより高いレベルの処理は一般的なものである。文脈において何が特有で何か一般的かが明らかになる。 4.1 傾斜の制御第一の実験は、ロボットが横転することなく、傾斜センサからのデータに反応することによって直線の導管を移動する能力に関するものである。図５において、約10mの長さを有する導管を通る一度の移動において測定された傾斜センサの値が示されている。図から明らかであるように、これらの値は（ここでは直線にて示されている）理想のラインから偏移して再び許容範囲に戻されている。図５における曲線IXの極値点はロボットを安定した位置に戻すべく修正操作が行われた瞬間を示している。しかしながら、しばらくするとシステムはまた、今回は反対側に傾斜される。その理由は、位置を修正した後にロボットが導管軸に対して平行に位置されず、またそのことを自らの与えられたセンサ形状を用いて検知できないからである。しかしなから、このことは傾斜の修正が正しく機能している間は問題とならない。 4.1 導管の通過及び交差点の発見この実験において、次の交差点に到達するまで導管を移動するロボットの能力を実証する。ここでは２つの基本的な認識能力が必要となる。生の超音波読み取りからシステムが導管にいることを符号化すること及び交差点に接近していること、又は到達したことを認識することである。例えばロボットが誤って自身が交差点にいると信じて旋回操作を行った場合は自身を傷つけ得るため、両方の認識は高い精度において行われなければならない。センサにおけるノイズのため、これらの認識において局地的な超音波読み取りのみを重視してはならない。むしろ、信頼できる情報を得るためには経時的な一連のセンサの読み取りを考慮しなくてはならない。以下のアプローチを用いる。ノイズの高周波要素を除去するためにデータ流れのフィルタリングを行う。低周波はロボットが導管を通過する際のふらつきに対応するので除去されない。ふらつきを知ることは、ロボットが交差点に接近しつつあることを予測させてくれるため、有用である。ロボットが導管の内部でただふらついている間は手前左及び手前右のセンサからのデータ流れにおける低周波要素は同じパターンを示す。しかしながら、システムが交差点に接近するや否やこれらは90°位相変位されるか又は異なった非関連的なパターンを示す。図６において、それぞれのセンサ読み取りにおけるシヌソイダルパターンにおいてこの効果が見受けられる。殆どの時間は同位相であるが、約９ｍ後に位相が離れ始める−すなわちロボットは交差点に接近しているのである。よって、システムが交差点に接近しつつあることを認識するためには手前左及び手前右のセンサからのデータについて移動ウィンドウ技術が用いられる。第１に、高周波要素が除去されて局地的なノイズをフィルタリング除去する。第２に、２つのウィンドウにおけるデータの傾向が演算され、第１に引き出されたもののサインより容易に演算可能であるようにそれが正、一定、又は負であるかという情報を抽出する。傾向の相違によって次にくる交差点が予告される。ロボットはこうしてその速度を半分に落し、90°の角度において信号を発しているその左右のセンサに注意を向ける。傾向値における相違の種類はまた、接近しつつある交差点の種類についてもいくらかの情報を与える。図６において、左右の両方のセンサからの傾向値は正であり、交差点が左右の両方に開口していることを示す。この方法を交差点を分類するためには用いないものの（セクション4.3参照のこと）、ロボットが自身が交差点にいることを確実に発見するために次はどのセンサを参照すべきかということに関する情報を与える。よって、次の観察を行うために考慮すべきサンプル（参照すべきセンサ）の数を最小にするために入手できる情報を用いることがここにおける方法である。異なるウィンドウ長さについて実験を行った。10Hzの基本的なサンプリング周波数と20cm/秒の最大速度においてウィンドウ長さが10であるものを用いた場合にはおよそ20cmの移動距離に及んだ。最適値はふらつきの頻度によるものであり、これはウィンドウ長さと同調していなければならない。 4.3 交差点の分類ここにおいて説明される進路案内方法においては、標識の異なった種類を識別する能力が必要となるのであり、個々のものを識別することは必要ない。入手可能な下水管の地図においても存在する、下水管における標識の種類の例としては交差点及び入口がある。標識を分類するための正確な技術的処理は、得ることのできるそれらの正確な形状とセンサの形状とによるものであることは明らかである。例えば、導管及びシャフトの内部がコンクリート、PVC又はセラミック製であるかどうか、下水管が稼動されていたかどうか、殆ど乾いているか又は汚水が満たされているかどうか等によって違いが生じる−環境が異なることによって標識を分類するのに異なったセンサの形状及び異なったアルゴリズムが必要となることがある。これは本文における論点ではない。これらの条件のそれぞれについて下水管における標識を発見し、分類する方法があるべきである。以下に説明する意味合いにおいてこの分類は不確実であり得る。具体的な例を挙げるため、テストネットにおけるロボットにおいて用いられている標識の分類処理の能動，認識に基づいた要点についてここに説明する。なお、これは進路案内方法が必要とする分類処理のうち一般的な形の作業であることに留意されたい。テストネット内を進路案内するために、ロボットは交差点のみを標識として用いる。これらは基本的には４つの異なった種類、すなわちＴ、Ｌ、Ｘ及び出口からなるコンクリート製のシャフトである。ＴとＬタイプについては例えば「左Ｌ」又は「中足からのＴ」など交差点に接近する角度に対応するサブフォームがある。テストネット内を安全に進路案内するためにはロボットが個々のものよりも交差点の種類を認識することで十分である。回動する超音波変換器を用いてロボットにおける能動的な認識が達成される。 100cmの範囲内における物体に対する距離の測定を可能にする。ロボットの前方領域の一次元的な距離のスナップ写真を撮るためにセンサは水平方向に180°まで能動的に回動され得る。このような特徴的なパターンを示すスキャンにおいて90データポイントが得られる（図７参照のこと）。スキャンを行う際のセンサにおけるノイズとシステムの位置における相違によってこのデータは簡単には分類され得ない。したがって分類のための中立的なネットワークが用いられる。入力は22データポイントに（交差点における異常位置を符号化するために用いられる）傾斜センサを加えた値からなるものであった。３層のネットワークはそれぞれ与えられたタイプの交差点における８つのうち１つの状態を表す８つのうち１つの出力ニューロンを作動させることを記憶した。テストネットにおける以前の実行において取得した実際のスキャンデータを用いてオフライン状態でネットワークのトレーニングが行われた。確率的な選択にて、全体で80のトレーニングセットが生成及びフィードされた。概括的なデルタ学習ルールを用いたため、所望の出力ベクトルと各トライアルにおいてネットワークから生成されたものとの相違によるバックプロパゲーションエラーが演算された。オフライン状態におけるトレーニングの後、重量マトリックスが保存され、後にシステムがテストネットにおいて作業する必要があった時にリロードされた。今回ロボットは自身が遭遇した交差点のタイプを分類するためにこのネットワークを用いた。システムが交差点に到達した時、実際のデータを得てネットワークに分類を行わせるためにスキャンを行った。図２において全ての交差点についての正しい／不確実な分類の数が示されている。これらのデータが示すように、ネットワークが正しい結果を生み出しているかどうかは確実ではない。その理由の１つはセンサのノイズによってバックプロパゲーション処理において概算されないスキャンのパターンがあり得るからである。しかしながらも、その結果はネットワークが殆どの場合きちんと機能することを示している。よって、そのトレーニングにより労力を費やすよりもネットワークからの分類とヒューリスティックなアプローチとを結び付けて正しい分類の可能性を高くすることが決定された。これにより、内部地図における自己位置決定からのデータ（セクション4.5を参照のこと）が用いられる。ネットワークが交差点を分類した結果と内部地図から予測されるものとの間に相違がある場合には分類処理が再試行された。これにより、ロボットは導管内に戻り、交差点に接近し、再度分類を行う。図２においてはまた、再試行後の結果も示されている。テストにおいて再試行後における正しくない分類が残らなかったものの、その後もまだ相違が起こることがあり得る。このような場合、取り得る方法が２つある。第１にはロボットに再試行を続けさせることである。これは誤分類が極めて起こりやすい場合には適切である。第２には、分類が何度も行われ続けるのであればその前の交差点において誤った旋回が行われたにちがいない。次のセクションは、進路案内方法においてこの問題をどのように扱っているかについて焦点をあわせる。 4.4 交差点における旋回実世界における領域には様々な予測不能なことがあるため、交差点において旋回するなどの行動は固定マクロとして行われ得ない。それは閉ループ様式で行われねばならない。時間における各瞬間においてシステムは世界をそのセンサを通して認識し、現在のタスクの文脈においてこれら読み取りから次の行動を演算する。よって、システムがある特定の交差点において90°の右旋回を行おうとするならば、それがサンプリングしているセンサデータがその交差点において90°の右旋回をした後に予測される状態を反映するまで行動を行う必要がある。簡単なアプローチが実行された。全体の操作を−この場合は３つの−異なる段階に分割することである。第１の段階においてロボットは交差点の中に直進し、 45°の旋回を試みる。交差点の底部は平らではなく窪んでいるので、システムは例えば連続的な静止摩擦があるかどうか判らず、実際の旋回は２つの複合動作の間を切り替えることによって達成される。これは後ろに引きながら旋回し、前進しながら旋回することである（交差点については図８を参照のこと）。この操作の間、システムは自身がこれまでどれだけ旋回したかを追跡するために以前に定義付けされた一連の状態を識別しようとする。この一連の状態は、交差点の異なった種類によって当然異なるものである。例えば通常のＸタイプの交差点において２つの測量上直交する導管の収束によって形成される手前右又は左側の***部を通過した時にシステムはまずその場所を識別しようとするであろう。この状態が起こった時にのみ、第２の段階に入る。この段階において、その前方センサが自身が導管の前に位置されていることを示すまでロボットは旋回を続ける。これもまたささいなことではない。例えば側面及び前方／側面のセンサによる読み取りは交差点における全装置の傾斜とシャフトの（推測的には未知である）形状との組み合わせによってひずみが生じている。発見された簡単で信頼できる情報は前方センサからの読み取りであり、これはオープンスペースを示すべきである。第３の段階は、全操作を信頼できるように仕上げるために用いられる。この段階においてシステムは単に正しくその前にあると思われる導管の内に入ろうと試みる。ここで２つのことが起こり得る。第１に実際にはその前に導管が存在せず、第２にロボットが導管の前に正しく位置づけされていないことである。第１のケースの場合には、その前に障害物を発見するか、もしも前方センサが壁を発見できなかったとすれば、壁をよじ登ろうとして傾斜センサにより妨げられるかするために停止するであろう。第２のケースの場合には、システムは導管に入りはするが左又は右側に傾斜しているであろう。これも発見されてバランス反射行動によって妨げられて位置が修正されるであろう。しかしながら、その後システムは導管内を移動する際に、そのセンサにより符号化される状態が認識されるものに対応することに明らかに気づく。その場合、旋回操作は終了し、内部状態が更新される。 4.5 自己位置決定及び進路案内図１において示されているのと同様の下水管ネットワークの地勢図を与えられた場合、与えられた始点から特定のゴール位置までの経路を計画することは簡単である。グラフサーチを行うだけである。より容易にするためには実際の下水管ネットワークは多くの場合、ほんのわずかな交差連結のみを有するような木のような構造を有する。したがって、進路案内において問題があるとしても、それは経路計画によるものではない。試みは経路の追跡をモニターすることにある。なお、グローバルポジショニングシステム(GPS)からのデータには実際の地下の下水管ネットワークにおいてはアクセスできない。ある日、下水管ネットワークに自律的ロボットがあふれかえる日がくるとすれば、わざわざマンホールに判別しやすいラベルを付与することの価値もあろうが、当分下水管ロボットにとってそのようなものは存在しない。自身がどこにいるかを決定するためにはそのオンボードセンサ容量に依存するしかない。したがって、問題は下水管の地図における自己位置決定にあり、ここではその地形的変量において検討された。その趣旨は測量的な位置ではなく、「シャフトＳ_i」又は「シャフトＳ_i及びＳ_jとの関連において」という類の質的位置にある。ロボットがシャフトに接近した隣接する関連性を示すシャフトにおける位置がさらに特定されねばならない。例えばテストネットにおける位置S6-7は、ロボットがS7から来てS6にいることを示す。テストネットは、出口S12及びS13がそれぞれの隣接するシャフトに直接隣接する（図１を参照のこと）と仮定した場合、この種の21の位置を誘導するものである。本出願において、連結導管における質的位置を誘導するためのこのようなシャフトにおける位置に主たる注目をおいている。実際のロボットは一度に２つ以上の場所に物理的に存在することができないが、交差点の分類における不確実さと旋回操作の際の制御における欠陥の可能性によってロボットが自身が実際に存在すると仮定する２つ以上の場所に対応するゼロでないもっともらしさにつながる。最ももっともらしい位置を実際のものと当然思うことによってこの高いもっともらしさが真実とは違う場合に迷子になるリスクを犯すことになる。この問題を解決するためには、前述のPOMDPが用いられており、その本質は実際の物理的位置に関して残る現在のロボット内部における状態から一切の不確実さを明白に符号化することにある。技術的にはこれは自己位置決定の問題を部分観察可能マーコフ判定過程(POMDP)であると考えることによって行われる。本文において、このような問題を解決するための知的なアルゴリズムを用いてもよく、効率よりも説明の容易さを優先する。基本的な認識は、信用される状態、すなわち全ての可能である位置に対する可能性の分布である。このような信用される状態とは、ベクトルｂ＝［ｖ_i］でもって表され、定義上の特徴としては１＝Σ_iｖ_iである。各要素の値はロボットがそれぞれの位置において物理的に位置される「信用性の度合い」として解釈されるべきである。実際には殆どの要素が殆どの時間は０であり、そのそれぞれの位置にないという主観的な確実さを示す。このテストネットの例においては信用状態とは21要素からなるベクトルである。実施例の開始において、ロボットがS6-7にいることが確実であると仮定する。これを表す信用状態はであり、ここにおける１は位置S6-7を表すベクトル要素を指す。自己位置決定及び進路案内において興味深い抽象化のレベルにおいてロボットの動作により１つの場所から別の場所へと導く。説明のより低いレベルにおいて、それはシャフトに入り、適切な出口において旋回し、次のシャフト入口、すなわち次の位置に向かってそれぞれの導管内を移動することからなる。この抽象化のレベルにおいては、ネットテストを通って進路案内する次の一連の動作が示され得る。「左旋回」「右旋回」「直進」及び「Ｕターン」である。異なった地形の下水管においてはより高レベルな動作が有用であり得る。実際においてこれら高レベルである動作のうちいずれもが完全に精密には実施され得ない。例えば「右旋回」の実施の際に、ロボットは「途中で出会うまま」右への入口を正しく発見するとされている前方及び前方／側面の超音波センサによる読み取りによって制御される右への旋回操作を行う。入口が見落とされ、右旋回というよりＵターンになることもあり得る。ある動作のそれぞれの実際の結果に関する可能性は推測するか又は推測的に経験的に実験されねばならない。テストネットにおけるロボットによって「右旋回」はそれぞれの交差点において直進する道がある場合には90％正しく実施され、４％の場合Ｕターンになり、全体で６％の場合には旋回が行われない（直進する）と仮定され、それ以外では「右旋回」は96％正しく実施され、４％の場合Ｕターンになると仮定される。動作ａを実施することによって信用状態ｂが与えられると新しい信用状態となる。これを演算するために、特別（でありながらも簡単）な動作の表現が可能性マトリックスＥ_a＝［ａ_i,j］が利用される場合が有効となる。これはｎ×ｎマトリックスであり、ｎは可能な位置であり、−テストネットにいては21である−信用状態ベクトルの長さでもある。Ｅ_aのｉ番目の列は、ロボットがｉ番目の位置にあったとしてａを実行する結果の可能性の分布を含む。定義上の特徴としては右旋回が可能である交差点に対する全てのｉ列にとって１＝Σ_jａ_i,jであり、その他の列は０ベクトルである。図９においてテストネットにおけるロボットの「右旋回」の効果マトリックスの一部が示されている。この動作効果の表現を用いて信用状態ｂにおける動作ａを実行することによって得られる信用状態res(a，b)は簡単に res(a，b)＝bＥ_a （１）として演算される。一例として前述の信用状態ｂ₀においてロボットが右に旋回することによって得られる信用状態を演算してみよう。「右旋回」における効果マトリックスがＥであるとすれば、である。示されていないｂ₁位置についての可能性は０である。信用状態を変えるその他の方法としてはある交差点に到達した後のセンサ測定である。これは−旋回動作の実施とは異り−ボットの実際の位置に対するインパクトはないものの、厳密には信用状態の解釈である、ある場所にいることの信用性に対する主観的な度合いに対して影響を及ぼし得る。技術的には−セクション4.3の技術を用いて−ロボットがその最近の位置に対応するシャフトを分類した後に分類がそれと同調したかどうかを反映するように信用状態が変えられる。それぞれの演算において入力の条件の可能性としてどの分類の結果がどの標識の種類であると予測されるかを必要としている。これら可能性は与えられた環境とセンサの形状について推測するか経験的に決定され得る。例えばテストネットにおけるロボットについて以下の値が与えられると仮定する。 Pr（「Ｔ中足」｜「Ｔ中足」）＝.8 Pr（「Ｔ中足」｜「出口」) ＝.05 これは例えば次のように解釈され得る。Ｔタイプの交差点の中足において物理的に位置されると、標識分類はまさにその交差点のタイプであると全てのケースのうち80％について返答する（この正確率は図２におけるS10についての最初の分類のトライアルにおけるものである）。センサ測定の後、新しい信用状態を演算するために、古い信用状態ｂの各要素ｖ_iはPr（γ｜ｖ_i）でもって加重され、γは分類が返答した交差点のタイプである。加えて、正しい可能性の分布を得るために全ての要素を正規化する必要がある。これは簡単な方法によって行われ、センサ測定に関する信用状態の更新ルールを得ることになる。テストネットにおける実施例を続行するために、信用状態ｂ₁において次の交差点に到達した後、交差点の分岐が「Ｔ中足」と示していると仮定する。（２）式によれば、これによって新しい信用状態となる。出口を「Ｔ中足」交差点として誤分類する可能性の低さによって、S7-6にいるというもっともらしさは著しく減少した。S10-6又はS5-6にいる可能性は、いずれもが分類と合致するものであるため、増加した。比較的不可能な動作効果又は一連の誤分類に対応する位置にとっての可能性はとても小さくなる。交差点の特定されるべき境界線以下となった可能性について各信用状態の更新の後にウォッシュアウト及びその他の要素を配分することは有意義である。本例において、S7-6にとって.0026が境界線以下であり、残りの可能性のある値に対して配分が比例的に行われると仮定する。その後の新しい信用状態はである。よって、ロボットはS10-6にいると確信でき、事前の経路計画においてそのシャフトが通過すべき標識であると決定されていたのであればより正しいと予測される。一般的にこの信用状態から検知後のロボットの物理的位置であると仮定される「もっともらしい位置」を演算する過程があるべきである。そのための一つの可能な方法としては境界線Δを特定し、最近の信用状態によるもっとも高い可能性の位置がその他の位置よりも少なくともΔ分より可能性があることを条件とする。現在ではどの位置ももっともらしくない場合に検知を再試行する必要がある。前述のPOMDPに関連した引用において説明した通り、移動制御及び／又は交差点の分類における少ないエラーの数に対応するであろう位置の周辺確立を保つことの利点は、このようなエラーが実際に起こった際に役割を果たす。本例において「右旋回」に失敗し、ロボットが位置S5-6に物理的に直進することになったとしよう。正しい及び間違った交差点のいずれもが「Ｔ中足」交差点であると予測されていたために次の測定においてこの失敗を発見することができない。失敗は、その次の交差点においてのみ発見され得る。経路図においてはS10において右旋回をし、S11行くべきであるとなっていたと仮定しよう。ここでも「Ｔ中足」交差点が予測される。しかしながら、誤った経路において右旋回することは、異なったタイプであるS9に導くことになる。予測されたものと検知されたものの間に相違があったとすれば、セクション4. 3において説明されたように分類は繰り返される。最初の誤測定が単なる失敗であったならば、１回又は数回の再試行の後に効果は断念される。予測されていない測定が再度得られた場合、信用状態が変化し、違う位置である可能性を増加させる。本例において、S10であるべき（しかし実際にはS5である）場所における右旋回の後、「Ｌ右」交差点が検知された場合には現在の位置かS9-5である可能性が高くなり、予測されたS11-10の可能性が減少する。分類を繰り返すにつれて、さらにS9-5であるもっともらしさが増すことが予測され、最後にはそれが予測された交差点となる。こうして経路図は更新されなければならず、進路案内はこうして続行される。以下において、本セクションにおいて動機づけされ説明された処理、進路案内処理の疑似コード式が用いられ、入力変数は現在の信用状態ｂ及び経路図IIである処理を簡単に繰り返す。１．ｂによって誘導されるもっともらしい位置ｐがIIのゴール位置であるならば停止せよ。２．ｐから次に計画された位置に移動するため、IIによる旋回操作を実行せよ。式（１）にしたがってｂを更新せよ。３．式（２）にしたがってｂを更新し、新しい位置における標識を分類せよ。４．もし分類がIIを実施する状態によって期待されるものであるならば０において続行せよ。５．さもなければｂがもっともらしい位置ｐを誘導するまで式（２）にしたがってｂを更新し、新しい位置の分類を繰り返し実行せよ。６．もしもｐが元々IIによって予測される位置と異なる場合には IIをそれに応じて再計画せよ。０において続行せよ。５．まとめ自律的可動ロボットのために特別に設計されたり、それらが中にいるように適応されていない領域については自己位置決定及び進路案内は周知であるような問題となる。具体的には、標識の分類が不確実であると予測され得る。さらに、動作の制御が全く完全ではない場合に信頼できるGPSのような全体的なオリエンテーションの枠組みがない限りは迷子になる危険性がある。本出願において、下水管システムにおける進路案内のための方法が提案されており、これについてロボット及びロボットプラットフォームを用いて実験において試された。多くの観点において（例えば標識が備えられたオフィスビルよりも）下水管システムに適応されるものとされる。例えばロボットが正しいか又は誤った旋回を行うかのいずれかであるため、動作制御におけるエラーははっきりしているが、誤った方向に緩やかにふらつくことはない。標識の分類は実質的に幾分不確実であるが、標識の発見は完璧に機能すると仮定できる。下水管において、交差点（少なくとも交差点のうち殆ど）はマンホール内にあるべきであり、狭い導管から外に出る際に高さが4mまでのマンホールに入ることを発見することは比較的容易である。本文においては信頼できる地図の存在、完全で（希望的には小さい）一連の標識の存在等、その他の必須条件について述べてきた。

Claims

【特許請求の範囲】１．その動作制御、センサ情報及び標識分類が不正確であっても良く、予め存在する標識の分類に基づいた導管ネットワーク内をセンサ及び地図に基づいて進路案内する自律的可動ロボットシステムであって、 − 前記導管ネットワーク内を移動する移動体と、 − 複数の標識の地勢図を記憶する手段と、 − 前記地勢図によって、始点から終点までの導管ネットワーク内の経路図を予め決定する手段と、 − 前記経路図に応じた導管ネットワーク内での前記移動体の物理的移動を、該移動の制御が不正確であっても良いように実行する手段と、 − 前記導管ネットワーク内を移動する間、移動軸に沿った前記移動体の傾斜と、前記導管内の底部における移動体の位置とを制御する手段と、 − 前記導管ネットワーク内を進路案内する間に、前記移動体が通過するいかなる標識の存在も確実に前記移動体が知るように、前記移動体の周囲を検知する手段と、 − 与えられた標識の部類について、前記検知手段の出力に基づいて、前記標識をその分類が不確実であっても良いように分類する手段と、 − 前記導管ネットワーク内を前記経路図に沿って移動する間に出会うべき標識の部類の順序について前もって予測する手段と、 − 前記地勢図により、予測された標識と最近に通過した標識の分類とに基づいて、前記移動体の現在のもっともらしい位置を決定する手段と、 − 現在得ることができるデータによって前記導管ネットワーク内における前記現在のもっともらしい位置が決定され得ない場合に、別のセンサの動作と標識の分類とを始動させる手段と、 − 前記現在のもっともらしい位置が、元の経路図によって予測される位置と異なる場合に前記経路図を更新する手段と、を備えることを特徴とする自律的可動ロボットシステム。２．前記導管ネットワーク内を移動する間、前記傾斜制御及び前記移動体の導管底部への保持は、前記移動体のその移動軸に対する傾斜を測定するための傾斜計を用い、これら傾斜計が十分な傾斜を検知した場合に前記移動体を前記導管底部に戻すように操縦することにより達成される請求項１に記載のシステム。３．分岐導管の複数の入口からなる導管の交差点における前記移動体の旋回操作を行うための前記動作の制御は、前記検知手段が目標の導管入口が前記移動体の正面にあることを信号で知らせるまで前記検知手段によって制御される旋回動作の閉ループ処理として実現される請求項１又は２に記載のシステム。４．前記移動体の周囲を検知するための手段は複数の超音波変換器を備え、これら超音波変換器のうちいくつかは前記移動体の周囲の幾何学的表面のスキャンを作成するために能動的に移動され得る請求項１乃至３のいずれかに記載のシステム。５．前記標識の分類は、その入力として前記検知手段の出力を得、その出力として前記標識の部類について標識の分類を出力するバックプロパゲーションネットワークにおいて行われる請求項１乃至４のいずれかに記載のシステム。６．標識の存在が検出された後に、（１）前記移動体は前記標識の付近において停止しており、（２）前記標識分類のための入力データを得る前記検知手段は、周囲を検知しながら能動的に制御され、この能動的制御には前記検知手段のいくつかの移動を含み得る請求項１乃至５のいずれかに記載のシステム。７．前記導管ネットワーク内における前記現在のもっともらしい位置は、導管ネットワーク内での位置を決定する問題を部分観察可能マーコフ判定過程として模擬することにより決定される請求項１乃至６のいずれかに記載のシステム。８．前記導管ネットワークは下水管のネットワークである請求項１乃至７のいずれかに記載のシステム。９．前記移動体は車輪付きである請求項１乃至８のいずれかに記載のシステム。 10．前記標識はX-、Y-、T-、又はL-形状のように異なった幾何学的形状の部類の導管交差点を有する請求項１乃至９のいずれかに記載のシステム。