JP2009074995A - 移動体情報処理装置、移動体情報処理方法、およびプログラム - Google Patents
移動体情報処理装置、移動体情報処理方法、およびプログラム Download PDFInfo
- Publication number
- JP2009074995A JP2009074995A JP2007245534A JP2007245534A JP2009074995A JP 2009074995 A JP2009074995 A JP 2009074995A JP 2007245534 A JP2007245534 A JP 2007245534A JP 2007245534 A JP2007245534 A JP 2007245534A JP 2009074995 A JP2009074995 A JP 2009074995A
- Authority
- JP
- Japan
- Prior art keywords
- cluster
- color
- captured image
- node
- self
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
【課題】移動体の走行環境内に予めランドマークを配置することなく、移動範囲内で撮影された複数のカラー画像から移動体の位置を特定するためのランドマークデータを生成すること、位置推定用の撮像画像とランドマークデータから移動体の位置推定を行うこと、
【解決手段】移動体情報処理装置１は、移動環境内の被写体を撮像してカラー画像を取得する撮像部２と、学習対象の複数の撮像画像、および該撮像画像の撮像位置に関する位置情報を関連付けて記憶する記憶部４と、複数の撮像画像の各画素の色情報に基づいて自己組織化マップの学習を行い、学習後の自己組織化マップにより、色情報を分類するための複数のクラスタおよび該クラスタの色の範囲を規定し、撮像画像毎に該撮像画像の色情報が分類されるクラスタを特定し、特定されたクラスタ、撮像画像、および位置情報を関連付けたランドマークデータを生成する制御部８とを有する。
【選択図】 図１
【解決手段】移動体情報処理装置１は、移動環境内の被写体を撮像してカラー画像を取得する撮像部２と、学習対象の複数の撮像画像、および該撮像画像の撮像位置に関する位置情報を関連付けて記憶する記憶部４と、複数の撮像画像の各画素の色情報に基づいて自己組織化マップの学習を行い、学習後の自己組織化マップにより、色情報を分類するための複数のクラスタおよび該クラスタの色の範囲を規定し、撮像画像毎に該撮像画像の色情報が分類されるクラスタを特定し、特定されたクラスタ、撮像画像、および位置情報を関連付けたランドマークデータを生成する制御部８とを有する。
【選択図】 図１
Description
本発明は、移動体情報処理装置、移動体情報処理方法、およびプログラムに関する。
例えば、移動型ロボットが自己の位置を特定する方法として、移動体の走行環境内の規定位置に予めランドマークを設置しておき、そのランドマークを撮像して得られた撮像画像により自己位置を推定する方法が知られている。
詳細には、例えば、移動体の走行環境内に複数のランドマークを予め配置しておき、移動体を初期の位置から任意の距離だけ移動させたときの移動状態量と、移動体から撮像された複数のランドマーク画像のずれ量から、ランドマークの三次元位置座標を算出するランドマークの登録方法が知られている（例えば、特許文献１参照）。
特開２００６−２３４４５３号公報
しかし、特許文献１に記載された技術では、配置されたランドマークの３次元位置座標を自動的に登録して、その登録されたランドマークの位置に基づいて自己位置を推定するが、予めランドマークを規定位置に配置することを要する。
また、ランドマークを移動体の走行環境内に配置するので、走行環境内の美観が損なわれる。
また、ランドマークを移動体の走行環境内に配置するので、走行環境内の美観が損なわれる。
本発明は、このような問題に対処することを課題の一例とするものである。すなわち、移動体の走行環境内に予めランドマークを配置することなく、移動範囲内で撮影された複数のカラー画像から移動体の位置を特定するためのランドマークデータを生成すること、位置推定用の撮像画像とランドマークデータから移動体の位置推定を行うこと、等が本発明の目的である。
このような目的を達成するために、本発明は、以下の各独立請求項に係る構成を少なくとも具備するものである。
本発明に係る移動体情報処理装置は、移動環境内で撮像されたカラー画像により位置推定を行うためのランドマークデータを生成する移動体情報処理装置であって、学習対象の複数の撮像画像、および該撮像画像の撮像位置に関する位置情報を関連付けて記憶する記憶部と、前記複数の撮像画像の各画素の色情報に基づいて自己組織化マップの学習を行い、学習後の自己組織化マップにより、前記色情報を分類するための複数のクラスタおよび該クラスタの色の範囲を規定し、前記撮像画像毎に該撮像画像の色情報が分類される前記クラスタを特定し、前記特定されたクラスタ、前記撮像画像、および前記位置情報を関連付けた前記ランドマークデータを生成する制御部とを有することを特徴とする。
本発明に係る移動体情報処理装置は、移動環境内で撮像されたカラー画像により位置推定を行うためのランドマークデータを生成する移動体情報処理装置であって、学習対象の複数の撮像画像、および該撮像画像の撮像位置に関する位置情報を関連付けて記憶する記憶部と、前記複数の撮像画像の各画素の色情報に基づいて自己組織化マップの学習を行い、学習後の自己組織化マップにより、前記色情報を分類するための複数のクラスタおよび該クラスタの色の範囲を規定し、前記撮像画像毎に該撮像画像の色情報が分類される前記クラスタを特定し、前記特定されたクラスタ、前記撮像画像、および前記位置情報を関連付けた前記ランドマークデータを生成する制御部とを有することを特徴とする。
好適には、前記制御部は、前記クラスタおよび前記色の範囲に基づいて、位置推定用の撮像画像の各画素の色情報が分類される前記クラスタを特定し、前記特定されたクラスタおよび前記ランドマークデータに応じて、該位置推定用の撮像画像に対する前記学習対象の撮像画像の類似度を算出し、該類似度および前記学習対象の撮像画像に関連付けられている位置情報を基に前記位置推定に関する処理を行うことを特徴とする。
また、本発明に係る移動体情報処理装置の情報処理方法は、移動環境内でカラー撮像された学習対象の複数の撮像画像、および該撮像画像の撮像位置に関する位置情報を関連付けて記憶し、移動環境内で撮像されたカラー画像により位置推定を行うためのランドマークデータを生成する移動体情報処理装置の情報処理方法であって、前記複数の撮像画像の各画素の色情報に基づいて自己組織化マップの学習を行い、学習後の自己組織化マップにより、前記色情報を分類するための複数のクラスタおよび該クラスタの色の範囲を規定する第１のステップと、前記撮像画像毎に該撮像画像の色情報が分類される前記クラスタを特定し、前記特定されたクラスタ、前記撮像画像、および前記位置情報を関連付けた前記ランドマークデータを生成する第２のステップとを有することを特徴とする。
好適には、前記クラスタおよび前記色の範囲に基づいて、位置推定用の撮像画像の各画素の色情報が分類される前記クラスタを特定し、前記特定されたクラスタおよび前記ランドマークデータに応じて、該位置推定用の撮像画像に対する前記学習対象の撮像画像の類似度を算出し、該類似度および前記学習対象の撮像画像に関連付けられている位置情報を基に前記位置推定に関する処理を行う第３のステップを有する。
また、本発明に係るプログラムは、移動環境内でカラー撮像された学習対象の複数の撮像画像、および該撮像画像の撮像位置に関する位置情報を関連付けて記憶し、移動環境内で撮像されたカラー画像により位置推定を行うためのランドマークデータを生成する移動体情報処理装置に実行させるためのプログラムであって、前記複数の撮像画像の各画素の色情報に基づいて自己組織化マップの学習を行い、学習後の自己組織化マップにより、前記色情報を分類するための複数のクラスタおよび該クラスタの色の範囲を規定する第１のステップと、前記撮像画像毎に該撮像画像の色情報が分類される前記クラスタを特定し、前記特定されたクラスタ、前記撮像画像、および前記位置情報を関連付けた前記ランドマークデータを生成する第２のステップとを前記移動体情報処理装置に実行させることを特徴とする。
好適には、前記クラスタおよび前記色の範囲に基づいて、位置推定用の撮像画像の各画素の色情報が分類される前記クラスタを特定し、前記特定されたクラスタおよび前記ランドマークデータに応じて、該位置推定用の撮像画像に対する前記学習対象の撮像画像の類似度を算出し、該類似度および前記学習対象の撮像画像に関連付けられている位置情報を基に前記位置推定に関する処理を行う第３のステップを有することを特徴とする。
本発明によれば、移動体の走行環境内に予めランドマークを配置することなく、移動範囲内で撮影された複数のカラー画像から移動体の位置を特定するためのランドマークデータを生成することができる。また、本発明によれば、位置推定用の撮像画像とランドマークデータから移動体の位置推定を行うことができる。
本発明に係る移動体情報処理装置は、移動環境内で撮像されたカラー画像により位置推定を行うためのランドマークデータを生成する移動体情報処理装置であって、学習対象の複数の撮像画像、および該撮像画像の撮像位置に関する位置情報を関連付けて記憶する記憶部と、複数の撮像画像の各画素の色情報に基づいて自己組織化マップの学習を行い、学習後の自己組織化マップにより、色情報を分類するための複数のクラスタおよび該クラスタの色の範囲を規定し、撮像画像毎に該撮像画像の色情報が分類されるクラスタを特定し、特定されたクラスタ、撮像画像、および位置情報を関連付けたランドマークデータを生成する制御部とを有することを特徴とする。
上記構成の移動体情報処理装置によれば、制御部が、記憶部に記憶された複数の撮像画像の各画素の色情報に基づいて自己組織化マップの学習を行い、学習後の自己組織化マップにより、色情報を分類するための複数のクラスタおよび該クラスタの色の範囲を規定し、撮像画像毎に該撮像画像の色情報が分類されるクラスタを特定し、特定されたクラスタ、撮像画像、および位置情報を関連付けたランドマークデータを生成するので、移動体の走行環境内に予めランドマークを配置することなく、移動範囲内で撮影された複数の画像から移動体の位置を特定するためのランドマークデータを生成することができる。
また、好適には、制御部は、クラスタおよび色の範囲に基づいて、位置推定用の撮像画像の各画素の色情報が分類されるクラスタを特定し、特定されたクラスタおよびランドマークデータに応じて、該位置推定用の撮像画像に対する学習対象の撮像画像の類似度を算出し、当該類似度および学習対象の撮像画像に関連付けられている位置情報を基に位置推定に関する処理を行うことを特徴とする。
上記構成の移動体情報処理装置によれば、制御部が、クラスタおよび色の範囲に基づいて、位置推定用の撮像画像の各画素の色情報が分類されるクラスタを特定し、特定されたクラスタおよびランドマークデータに応じて、該位置推定用の撮像画像に対する学習対象の撮像画像の類似度を算出し、当該類似度および学習対象の撮像画像に関連付けられている位置情報を基に位置推定に関する処理を行うので、位置推定用の撮像画像とランドマークデータから移動体の位置推定を行うことができる。
以下、本発明に係る移動体情報処理装置、その情報処理方法、およびプログラムを図面を参照しながら説明する。
［第１実施形態］
図１は、本発明の第１実施形態に係る移動体情報処理装置の全体機能ブロック図である。図２は、図１に示した移動体情報処理装置の移動環境を説明するための図である。
図１は、本発明の第１実施形態に係る移動体情報処理装置の全体機能ブロック図である。図２は、図１に示した移動体情報処理装置の移動環境を説明するための図である。
本実施形態では、本発明に係る移動体情報処理装置１を採用した移動型ロボット（ロボットとも言う）１００を説明する。
図１に示すように、本実施形態に係る移動体情報処理装置１は、撮像部２を備えており、例えば図２に示すように移動環境２００内を移動して所定のタイミングで移動環境２００内の被写体をカラー撮像して、複数のカラー画像Ｐを取得する。移動体情報処理装置１は、この撮像画像Ｐを、撮像位置に関する位置情報と関連付けて記憶部４に記憶する。
また、移動体情報処理装置１は、移動環境２００内で撮像されたカラー画像Ｐにより、移動環境２００内のロボット１００の位置推定を行うためのランドマークデータを生成する。
詳細には、本実施形態に係る移動体情報処理装置１は、移動環境２００内の被写体を撮像して複数のカラー画像を取得し、その複数のカラー画像の各画素の色情報を基に、色の分布を複数のクラスタに分類して、各クラスタの色の範囲を規定し、撮像画像毎に該撮像画像の色情報が分類されるクラスタを特定し、該クラスタ、撮像画像、および位置情報を関連付けたランドマークデータを生成する。
図１に示すように、本実施形態に係る移動体情報処理装置１は、撮像部２を備えており、例えば図２に示すように移動環境２００内を移動して所定のタイミングで移動環境２００内の被写体をカラー撮像して、複数のカラー画像Ｐを取得する。移動体情報処理装置１は、この撮像画像Ｐを、撮像位置に関する位置情報と関連付けて記憶部４に記憶する。
また、移動体情報処理装置１は、移動環境２００内で撮像されたカラー画像Ｐにより、移動環境２００内のロボット１００の位置推定を行うためのランドマークデータを生成する。
詳細には、本実施形態に係る移動体情報処理装置１は、移動環境２００内の被写体を撮像して複数のカラー画像を取得し、その複数のカラー画像の各画素の色情報を基に、色の分布を複数のクラスタに分類して、各クラスタの色の範囲を規定し、撮像画像毎に該撮像画像の色情報が分類されるクラスタを特定し、該クラスタ、撮像画像、および位置情報を関連付けたランドマークデータを生成する。
また、移動体情報処理装置１は、そのクラスタおよび色の範囲に基づいて、位置推定用の撮像画像の各画素の色情報が分類されるクラスタを特定し、特定されたクラスタおよびランドマークデータに応じて、該位置推定用の撮像画像に対する学習対象の撮像画像の類似度を算出し、該類似度および学習対象の撮像画像に関連付けられている位置情報を基に位置推定に関する処理を行う。
例えば、一般的な装置では、予めランドマークを規定の位置に配置することを要する。一方、本発明に係る移動体情報処理装置１は、予めランドマークを配置することなく、各撮像位置と色の分布の特徴が関連付けられたランドマークデータを生成することができる。
また、一般的な装置では、撮像画像の色情報を分類する場合、予め分類するための色の範囲を設定することを要する。
一方、本発明に係る移動体情報処理装置１は、ニューラルネットワークの自己組織化マップを用いて、教師なし学習によるクラスタリングを行うことで、移動環境内の被写体をカラー撮像して得られた撮像画像の各画素の色情報に応じて、その色情報を分類するためのクラスタおよび該クラスタの色の範囲を自動的に規定することができる。このため簡単に撮像画像の各画素の色情報を分類することができる。
一方、本発明に係る移動体情報処理装置１は、ニューラルネットワークの自己組織化マップを用いて、教師なし学習によるクラスタリングを行うことで、移動環境内の被写体をカラー撮像して得られた撮像画像の各画素の色情報に応じて、その色情報を分類するためのクラスタおよび該クラスタの色の範囲を自動的に規定することができる。このため簡単に撮像画像の各画素の色情報を分類することができる。
また、複数の撮像画像の色情報を基にランドマークデータを生成し、そのランドマークデータと位置推定用の撮像画像により移動体の位置推定を行うので、例えば撮像画像の被写体の輪郭パターンにより、ランドマークデータを生成する場合と比べて、比較的高精度にかつ比較的高速に位置推定を行うことができる。
以下、移動体情報処理装置１の各構成要素について詳細に説明する。
以下、移動体情報処理装置１の各構成要素について詳細に説明する。
［移動体情報処理装置１の構成］
図１に示すように、本実施形態に係る移動体情報処理装置１は、撮像部２、量子化部３、記憶部４、駆動部５、車輪（移動手段）６、センサ７、および制御部８を有する。
撮像部２は本発明に係る撮像部の一実施形態に相当し、記憶部４は本発明に係る記憶部の一実施形態に相当し、駆動部５および車輪６は本発明に係る駆動部の一実施形態に相当する。制御部８は、本発明に係る制御部の一実施形態に相当する。
図１に示すように、本実施形態に係る移動体情報処理装置１は、撮像部２、量子化部３、記憶部４、駆動部５、車輪（移動手段）６、センサ７、および制御部８を有する。
撮像部２は本発明に係る撮像部の一実施形態に相当し、記憶部４は本発明に係る記憶部の一実施形態に相当し、駆動部５および車輪６は本発明に係る駆動部の一実施形態に相当する。制御部８は、本発明に係る制御部の一実施形態に相当する。
本実施形態に係る移動体（移動型ロボット１００）は、例えば図１，２に示すように、略円筒形状、略直方体形状、等の規定形状の筐体１０を備えている。
撮像部２は、例えば制御部８の制御により、ロボット１００（移動体）の周囲の移動環境内の被写体をカラー撮像して、カラー画像を出力する。また、撮像部２は、例えば各画素が、Ｒ（Red），Ｇ（Green），Ｂ（Blue）のＲＧＢ値にて規定された色情報により構成されるカラー画像を出力する。撮像部２としては、例えば、ＣＣＤ（Charge coupled device）、ＣＭＯＳ（Complementary metal oxide semiconductor）イメージセンサ、等の撮像素子を備えた撮像装置を採用することができる。撮像部２は、例えば図２に示すように、筐体１０の所定位置、例えば筐体１０の上部や前面部等に設けられている。この撮像部２は、ロボット１００の進行方向を基準として規定の視野角を有する。例えば視野角は３０度〜１８０度程度である。撮像部２は、筐体１０に固定されて備えられてもよいし、撮像方向が可変となるように筐体１０に設けられてもよい。
量子化部３は、カラー画像の各画素の色情報を規定の階調に量子化し、その量子化された色情報を含むカラー画像を出力する。量子化部３から出力された画像は、例えば記憶部４に記憶されてもよいし、制御部８に入力されてもよい。
本実施形態に係る量子化部３は、例えば撮像画像の画素の各ＲＧＢ値が２５６階調に設定されている場合、ＲＧＢ値を比較的小さい階調、例えば８階調のＲＧＢ値に変換する。このように色情報を比較的小さい階調に変換することで、被写体の色の小さな差異を低減して、被写体の色を反映しつつ、比較的小さな情報量の色情報を出力することができる。また、量子化部３は、撮像部２により出力されたカラー画像に量子化処理を施してもよいし、制御部８に記憶されている画像に対して上記量子化処理を施してもよい。
本実施形態に係る量子化部３は、例えば撮像画像の画素の各ＲＧＢ値が２５６階調に設定されている場合、ＲＧＢ値を比較的小さい階調、例えば８階調のＲＧＢ値に変換する。このように色情報を比較的小さい階調に変換することで、被写体の色の小さな差異を低減して、被写体の色を反映しつつ、比較的小さな情報量の色情報を出力することができる。また、量子化部３は、撮像部２により出力されたカラー画像に量子化処理を施してもよいし、制御部８に記憶されている画像に対して上記量子化処理を施してもよい。
記憶部４は、例えば、学習対象の複数の撮像画像Ｐ、および撮像画像Ｐの撮像位置に関する位置情報を関連付けて記憶する。また、記憶部４は、撮像部２の撮像部から出力された画像のバッファとして機能する。また、記憶部４は、本発明に係る機能を有するプログラム（ＰＲＧ）４１を記憶する。
記憶部４としては、例えば、ＲＡＭ（Random access memory）やＲＯＭ(Read only memory)などの半導体メモリ、ハードディスクドライブなどの磁気ディスク記憶装置、等の記憶装置を採用してもよい。また、記憶部４は、制御部８のワークエリアとしても機能する。
記憶部４としては、例えば、ＲＡＭ（Random access memory）やＲＯＭ(Read only memory)などの半導体メモリ、ハードディスクドライブなどの磁気ディスク記憶装置、等の記憶装置を採用してもよい。また、記憶部４は、制御部８のワークエリアとしても機能する。
駆動部５は、制御部８の制御により、例えば移動体（ロボット１００）に設けられた移動手段を駆動して、ロボット１００を移動環境内で移動させる。移動手段としては、例えばロボット１００の下部や側部等に設けられた車輪６や可動脚等の規定の移動装置を採用するこができる。
センサ７は、例えば駆動部５の駆動状態、移動手段の移動距離や移動速度等を検出して、撮像位置に関する位置情報を取得し、その取得した情報を示す信号を制御部８に出力する。
制御部８は、本装置の各構成要素を統括的に制御して、本発明に係る機能を実現する。また、制御部８は、例えば、記憶部４に記憶されているプログラム（ＰＲＧ）４１を実行することにより、本発明に係る機能を実現する。制御部８としては、例えばＣＰＵ（Central Processing Unit）などの電子回路を採用することができる。
図３は、図１に示した移動体情報処理装置の制御部の機能を説明するための機能ブロック図である。
図３に示すように、制御部８は、例えば、第１の処理部８１、および第２の処理部８２を有する。
図３に示すように、制御部８は、例えば、第１の処理部８１、および第２の処理部８２を有する。
［第１の処理部８１］
第１の処理部８１は、複数の撮像画像Ｐの各画素の色情報に基づいて自己組織化マップの学習を行い、学習後の自己組織化マップにより、色情報を分類するための複数のクラスタおよび該クラスタの色の範囲を規定し、撮像画像毎に該撮像画像の色情報が分類されるクラスタを特定し、特定されたクラスタ、撮像画像、および位置情報を関連付けたランドマークデータを生成する。
第１の処理部８１は、複数の撮像画像Ｐの各画素の色情報に基づいて自己組織化マップの学習を行い、学習後の自己組織化マップにより、色情報を分類するための複数のクラスタおよび該クラスタの色の範囲を規定し、撮像画像毎に該撮像画像の色情報が分類されるクラスタを特定し、特定されたクラスタ、撮像画像、および位置情報を関連付けたランドマークデータを生成する。
詳細には、第１の処理部８１は、例えば図３に示すように、駆動制御部８１１、第１クラスタリング処理部（第１ＳＯＭ）８１２、最大値最小値抽出部８１３、第２クラスタリング処理部（第２ＳＯＭ）８１４、クラスタリスト生成部８１５、およびランドマークデータ生成部８１６を有する。
駆動制御部８１１は、撮像部２の撮像に関する駆動制御、駆動部５の駆動制御、等の各種制御を行う。
第１クラスタリング処理部（第１ＳＯＭ）８１２は、撮像画像の各画素の色情報に基づいて自己組織化マップの学習を行い、学習後の自己組織化マップにより、色情報を分類するための複数のクラスタおよび該クラスタの色の範囲を規定する。
最大値最小値抽出部８１３は、各クラスタの色の範囲（最大値および最小値）を抽出して、クラスタとその色の範囲に関する情報を出力する。
第２クラスタリング処理部（第２ＳＯＭ）８１４は、複数の撮像画像Ｐそれぞれに規定されたクラスタおよび色の範囲に基づいて、自己組織化マップの学習を行い、学習後の自己組織化マップにより、複数の撮像画像の色情報を分類するための複数のクラスタおよび該クラスタの色の範囲を規定する。
クラスタリスト生成部８１５は、撮像画像毎に該撮像画像の色情報が分類されるクラスタを特定する。また、クラスタリスト生成部８１５は、複数のクラスタのうち、各クラスタに関連付けられた撮像画像の個数が多い順に優先的に該クラスタを除外する。このように、クラスタリスト生成部８１５が、複数の撮像画像内に共通して含まれる色が分類されるクラスタを除去することにより、各画像に含まれる色の分布（色のパターン）の特徴を示すクラスタリスト（ＣＬ）を生成することができる。
ランドマークデータ生成部８１６は、上述したクラスタリストと撮像画像Ｐを基に、特定されたクラスタ、撮像画像、および位置情報を関連付けたランドマークデータ（ＲＭＤ）を生成する。
［第２の処理部］
第２の処理部８２は、クラスタおよび色の範囲に基づいて、位置推定用の撮像画像の各画素の色情報が分類されるクラスタを特定し、特定されたクラスタおよびランドマークデータに応じて、該位置推定用の撮像画像に対する学習対象の撮像画像の類似度を算出し、該類似度および学習対象の撮像画像に関連付けられている位置情報を基に位置推定に関する処理を行う。
第２の処理部８２は、クラスタおよび色の範囲に基づいて、位置推定用の撮像画像の各画素の色情報が分類されるクラスタを特定し、特定されたクラスタおよびランドマークデータに応じて、該位置推定用の撮像画像に対する学習対象の撮像画像の類似度を算出し、該類似度および学習対象の撮像画像に関連付けられている位置情報を基に位置推定に関する処理を行う。
クラスタおよび色の範囲に基づいて、位置推定用の撮像画像の各画素の色情報が分類されるクラスタを特定し、該クラスタおよびランドマークデータに応じて、当該位置推定の撮像画像に対して類似度の高い学習対象の撮像画像を特定し、特定された撮像画像に関連付けられている位置情報を基に位置推定に関する処理を行う。
詳細には、第２の処理部８２は、例えば図３に示すように、クラスタ取得部８２１、マッチング部８２２、位置推定部８２３、および駆動制御部８２４を有する。
クラスタ取得部８２１は、クラスタおよび色の範囲に基づいて、位置推定用の撮像画像の各画素の色情報が分類されるクラスタを特定して取得する。詳細には、クラスタ取得部８２１は、例えば、上記学習後の自己組織化マップによるクラスタおよび色の範囲に基づいて、撮像画像の各画素の色情報が分類されるクラスタを特定する。
マッチング部８２２は、特定されたクラスタおよびランドマークデータに応じて、該位置推定用の撮像画像に対する学習対象の撮像画像の類似度を算出する。
位置推定部８２３は、該類似度および学習対象の撮像画像に関連付けられている位置情報を基に位置推定に関する処理を行う。
駆動制御部８２４は、位置推定部８２３による位置推定の処理の結果に応じて、撮像部２の撮像に関する駆動制御、駆動部５の駆動制御、等の各種制御を行う。
［移動体情報処理装置１の学習時の動作］
次に、上記構成の移動体情報処理装置１の動作を説明する。
図４は、図１に示した移動体情報処理装置の動作を説明するためのフローチャートである。図４を参照しながら、移動体情報処理装置１の学習時の動作を説明する。詳細には、移動体情報処理装置１のランドマークデータを生成する処理を説明する。
次に、上記構成の移動体情報処理装置１の動作を説明する。
図４は、図１に示した移動体情報処理装置の動作を説明するためのフローチャートである。図４を参照しながら、移動体情報処理装置１の学習時の動作を説明する。詳細には、移動体情報処理装置１のランドマークデータを生成する処理を説明する。
ステップＳＴ１において、移動体情報処理装置１は、図２に示すように移動環境２００内の被写体を撮像して複数のカラー画像Ｐを取得する。本実施形態では、図２に示すように、例えば移動環境２００の部屋内に、四隅の内２つの角部に茶色の木箱、および灰色の棚が配置されている。木箱と棚の壁際には赤茶色の鉢、緑色の葉を備えた観葉植物が配置されている。観葉植物が配置されている壁と対向する壁際には、グレーの机が配置されている。また、青色のクッションとグレーの脚部を備えた３つ椅子が、木箱の近傍、棚の近傍、および棚が配置された角部と対抗する角部に配置されている。また、壁の色は略白色であり、床の色はインディゴ（藍色）である。
移動体情報処理装置１は、例えば図２に示すように、移動環境２００内を一周しながら撮像する。詳細には、移動体情報処理装置１は、机の近傍から角部に配置されている椅子に向かって直進したのち右に９０度回転し、木箱近傍に向かって直進したのち右に９０度回転し、棚に向かって直進したのち右に回転し、角部近傍に向かって直進したのち右に９０度回転し、その状態で直進して机の近傍に戻る。移動体情報処理装置１は、図２に示すように、所定のタイミングで、撮像位置１〜２２で撮像する。
詳細には、制御部８は、駆動部５に駆動制御信号を出力して車輪６を回転駆動させて、例えば図２に示すように、移動環境２００内を移動する。また、制御部８は、所定のタイミングで、移動環境２００内の進行方向を基準とする視野角内の被写体を、撮像部２により撮像して、複数のカラー画像Ｐを取得する。制御部８は、撮像画像Ｐと、その撮像位置に関する位置情報とを関連付けて記憶部４に記憶する。
詳細には、制御部８は、例えば図２に示すように、ロボット１００の移動距離や移動の軌跡、基準方向に対する相対的な進行方向などにより、移動環境内での撮像位置を定めて、その撮像位置に関する位置情報を、撮像画像と関連付けて記憶部４に記憶する。
詳細には、制御部８は、例えば図２に示すように、ロボット１００の移動距離や移動の軌跡、基準方向に対する相対的な進行方向などにより、移動環境内での撮像位置を定めて、その撮像位置に関する位置情報を、撮像画像と関連付けて記憶部４に記憶する。
この際、制御部８は、例えば、駆動部５の左右の駆動モータの回転数、回転速度を検出するセンサ７の検出結果に基づいて、移動距離や移動方向を計算し、その計算結果により撮像位置を取得してもよい。
また、制御部８は、例えば、左右の車輪６の回転数、回転速度を検出するセンサ７の検出結果に基づいて、移動距離や移動方向を計算し、その計算結果により撮像位置を取得してもよい。
また、ロボット１００に備えられた撮像部２は、進行方向に沿って一定の視野角の撮像画像Ｐを取得する。
また、制御部８は、例えば、左右の車輪６の回転数、回転速度を検出するセンサ７の検出結果に基づいて、移動距離や移動方向を計算し、その計算結果により撮像位置を取得してもよい。
また、ロボット１００に備えられた撮像部２は、進行方向に沿って一定の視野角の撮像画像Ｐを取得する。
ステップＳＴ２において、移動体情報処理装置１は、一画像のクラスタリング処理（ＳＯＭ）を行う。詳細には、制御部８が、撮像画像の各画素の色情報に基づいて自己組織化マップの学習を行い、学習後の自己組織化マップにより、色情報を分類するための複数のクラスタおよび該クラスタの色の範囲を規定する。
ステップＳＴ３において、移動体情報処理装置１は、各クラスタの色の範囲、詳細にはクラスタの色の最大値および最小値を抽出する処理を行う。詳細には、制御部８は、上記学習結果の自己組織化マップにより、競合層に、各画像の色情報を分類するクラスタが、各色情報に応じて自動的に生成され、そのクラスタ毎に色の範囲、詳細には各クラスタのＲＧＢ空間での最大値および最小値を抽出する。
ステップＳＴ４において、制御部８は、複数の撮像画像Ｐそれぞれに規定されたクラスタおよび色の範囲に基づいて、自己組織化マップの学習を行い、学習後の自己組織化マップにより、複数の撮像画像の色情報を分類するための複数のクラスタおよび該クラスタの色の範囲を規定する。
ステップＳＴ５において、移動体情報処理装置１は、クラスタリストを生成する処理を行う。詳細には、制御部８は、撮像画像毎に該撮像画像の色情報が分類されるクラスタを特定する。また、クラスタリスト生成部８１５は、複数のクラスタのうち、各クラスタに関連付けられた撮像画像の個数が多い順に優先的に該クラスタを除外して、各画像に含まれる固有の色の分布（色のパターン）を示すクラスタリスト（ＣＬ）を生成することができる。
ステップＳＴ６において、移動体情報処理装置１は、ランドマークデータを生成する処理を行う。詳細には、制御部８は、上述したクラスタリストと撮像画像Ｐを基に、特定されたクラスタ、撮像画像、および位置情報を関連付けたランドマークデータ（ＲＭＤ）を生成する。
以下、移動体情報処理装置１の動作について図面を参照しながら詳細に説明する。本実施形態では、自己組織化マップの学習に関する処理は制御部８が行う。
図５は、撮像画像と自己組織化マップによるクラスタリングを説明するための図である。詳細には、図５（Ａ）は学習対象のカラー撮像画像Ｐを説明するための図であり、図５（Ｂ）は図５（Ａ）に示した撮像画像Ｐの各画素の色情報をＲＧＢ空間に示した図である。図５（Ｃ）は図５（Ｂ）に示した撮像画像Ｐを入力データとして生成された複数のクラスタと各クラスタの色の範囲を説明するための図である。
制御部８は、ステップＳＴ１において、図５（Ａ）に示すように、カラー画像Ｐを取得する。このカラー画像の画素の色情報は、量子化部３により所定の階調のＲＧＢ値に変換されている。撮像画像Ｐの各画素のＲＧＢ値は、図５（Ｂ）に示すように、ＲＧＢ空間に表すことができる。
また、図５（Ｃ）に示すように、このＲＧＢ空間の色のパターンは、後述する自己組織化マップによる学習により、規定される複数のクラスタＣＬ1 jに分類される。このクラスタＣＬi jは、第ｉ番目の撮像画像Ｐにおける、第ｊ番目のクラスタＣＬを示す。
また、図５（Ｃ）に示すように、このＲＧＢ空間の色のパターンは、後述する自己組織化マップによる学習により、規定される複数のクラスタＣＬ1 jに分類される。このクラスタＣＬi jは、第ｉ番目の撮像画像Ｐにおける、第ｊ番目のクラスタＣＬを示す。
図６は、図５（Ｃ）に示したクラスタＣＬ1 1に含まれる色情報を説明するための図である。
クラスタＣＬ1 1に含まれる画素の色情報は、例えば図６に示すように、８個の色情報｛（Ｒ１１，Ｇ１１，Ｂ１１），（Ｒ１２，Ｇ１２，Ｂ１２），（Ｒ１３，Ｇ１３，Ｂ１３），（Ｒ１４，Ｇ１４，Ｂ１４），（Ｒ１５，Ｇ１５，Ｂ１５），（Ｒ１６，Ｇ１６，Ｂ１７），（Ｒ１８，Ｇ１８，Ｂ１８）｝を有する。
クラスタＣＬ1 1に含まれる画素の色情報は、例えば図６に示すように、８個の色情報｛（Ｒ１１，Ｇ１１，Ｂ１１），（Ｒ１２，Ｇ１２，Ｂ１２），（Ｒ１３，Ｇ１３，Ｂ１３），（Ｒ１４，Ｇ１４，Ｂ１４），（Ｒ１５，Ｇ１５，Ｂ１５），（Ｒ１６，Ｇ１６，Ｂ１７），（Ｒ１８，Ｇ１８，Ｂ１８）｝を有する。
図７は、図５（Ｃ）に示した各クラスタおよびクラスタに含まれる色情報を説明するための図である。
また、図５（Ｃ）に示したクラスタＣＬ1 1，ＣＬ1 2，・・・，ＣＬ1 nそれぞれには、図７に示すように、各画素の色情報が含まれる。
詳細には、クラスタＣＬ1 1には、{（Ｒ１１，Ｇ１１，Ｂ１１），（Ｒ１２，Ｇ１２，Ｂ１２），・・・，（Ｒ１８，Ｇ１８，Ｂ１８）}が含まれ、クラスタＣＬ1 2には、{（Ｒ２１，Ｇ２１，Ｂ２１），（Ｒ２２，Ｇ２２，Ｂ２２），・・・，（Ｒ２ｂ，Ｇ２ｂ，Ｂ２ｂ）}が含まれ、・・・、クラスタＣＬ1 nには、{（Ｒｎ１，Ｇｎ１，Ｂｎ１），（Ｒｎ２，Ｇｎ２，Ｂｎ２），・・・，（Ｒｎｃ，Ｇｎｃ，Ｂｎｃ）}が含まれる。
また、図５（Ｃ）に示したクラスタＣＬ1 1，ＣＬ1 2，・・・，ＣＬ1 nそれぞれには、図７に示すように、各画素の色情報が含まれる。
詳細には、クラスタＣＬ1 1には、{（Ｒ１１，Ｇ１１，Ｂ１１），（Ｒ１２，Ｇ１２，Ｂ１２），・・・，（Ｒ１８，Ｇ１８，Ｂ１８）}が含まれ、クラスタＣＬ1 2には、{（Ｒ２１，Ｇ２１，Ｂ２１），（Ｒ２２，Ｇ２２，Ｂ２２），・・・，（Ｒ２ｂ，Ｇ２ｂ，Ｂ２ｂ）}が含まれ、・・・、クラスタＣＬ1 nには、{（Ｒｎ１，Ｇｎ１，Ｂｎ１），（Ｒｎ２，Ｇｎ２，Ｂｎ２），・・・，（Ｒｎｃ，Ｇｎｃ，Ｂｎｃ）}が含まれる。
このクラスタＣＬおよび色の範囲は、後述する自己組織化マップの学習により規定される。
以下、自己組織化マップの学習（クラスタリング処理）について説明する。
以下、自己組織化マップの学習（クラスタリング処理）について説明する。
［自己組織化マップ］
図８は、本発明に係る自己組織化マップを説明するための図である。詳細には、図８（Ａ）は競合層に複数のノードが予め規定されている自己組織化マップを説明するための図であり、図８（Ｂ）は初期時に競合層に一つのノードが規定されている自己組織化マップを説明するための図であり、図８（Ｃ）は図８（Ｂ）に示した自己組織化マップの競合層のノードが増殖する動作を説明するための図である。
図８は、本発明に係る自己組織化マップを説明するための図である。詳細には、図８（Ａ）は競合層に複数のノードが予め規定されている自己組織化マップを説明するための図であり、図８（Ｂ）は初期時に競合層に一つのノードが規定されている自己組織化マップを説明するための図であり、図８（Ｃ）は図８（Ｂ）に示した自己組織化マップの競合層のノードが増殖する動作を説明するための図である。
まず、図８（Ａ）を参照しながら、一般的な自己組織化マップのアルゴリズムを説明する。
例えば、図８（Ａ）に示すように、一般的な自己組織化マップのアルゴリズムでは、その構成は、入力層４０と競合層５０の２層構造を備えている。一般的な自己組織化マップは、教師なし学習ニューラルネットワークである。
入力層４０は、例えばｎ次元の入力ベクトルｘ（ｘ1，ｘ2，ｘ3，・・・，ｘn）に対応する。入力ベクトルｘは入力データともいう。本実施形態に係る入力ベクトルｘとしては、例えば、撮像画像の各画素の色情報、撮像画像の各画素の色情報を分類して規定されたクラスタの色の範囲、等のデータである。
例えば、図８（Ａ）に示すように、一般的な自己組織化マップのアルゴリズムでは、その構成は、入力層４０と競合層５０の２層構造を備えている。一般的な自己組織化マップは、教師なし学習ニューラルネットワークである。
入力層４０は、例えばｎ次元の入力ベクトルｘ（ｘ1，ｘ2，ｘ3，・・・，ｘn）に対応する。入力ベクトルｘは入力データともいう。本実施形態に係る入力ベクトルｘとしては、例えば、撮像画像の各画素の色情報、撮像画像の各画素の色情報を分類して規定されたクラスタの色の範囲、等のデータである。
競合層５０は、規定の次元、例えば１次元や２次元、本実施形態では２次元に複数のノード（素子）が配列されている。各ノードｉは、入力ベクトルｘと同じ次元（ｎ次元）の荷重ベクトルｍi（重みベクトル，荷重結合ともいう）を有する。入力データｘは、競合層５０の各ノードiと結合している。本実施形態に係る競合層５０は、例えば予め規定されたノード数、例えばｈ×ｈ個のノードｉが格子状に配列されている。
図８（Ａ）に示す、一般的な自己組織化マップの学習方法を説明する。
まず、競合層５０の各ノードｉの荷重ベクトルｍiの初期値を乱数にて規定する。
そして、入力ベクトルｘに対してある測度、例えばユークリッド距離を最小とする荷重ベクトルｍiを有するノードｉ（勝利ノード）を特定し、次に、勝利ノードｉの荷重ベクトルｍiと、その荷重ベクトルｍiの近傍のノードの荷重ベクトルを、入力ベクトルｘに近づけるように更新する（競合学習）。
まず、競合層５０の各ノードｉの荷重ベクトルｍiの初期値を乱数にて規定する。
そして、入力ベクトルｘに対してある測度、例えばユークリッド距離を最小とする荷重ベクトルｍiを有するノードｉ（勝利ノード）を特定し、次に、勝利ノードｉの荷重ベクトルｍiと、その荷重ベクトルｍiの近傍のノードの荷重ベクトルを、入力ベクトルｘに近づけるように更新する（競合学習）。
荷重ベクトルｍiは、例えば学習率係数α（ｔ）を用いて、数式（１）のように表すことができる。学習率係数α（ｔ）は、学習回数および勝利ノードからの距離をパラメータとする関数であり、例えば学習回数および距離の増加に応じて値が小さくなるように規定されている。
図８（Ａ）に示した自己組織化マップのアルゴリズムでは、競合層５０に、勝利ノードｉの荷重ベクトルｍiが更新されるとともに、勝利ノードｉの近傍のノードの荷重ベクトルも更新される。これにより、学習後の自己組織化マップ（競合層５０）には、入力データｘに応じた荷重ベクトルを備えたノードにより複数のクラスタが形成される。
本発明に係る移動体情報処理装置１では、上述した自己組織化マップのアルゴリズムにより学習を行ってもよいが、後述する自己組織化マップ（自己増殖型）によりクラスタリング処理を行うことで、比較的高速にかつ高精度にランドマークデータを生成することができる。
本発明に係る移動体情報処理装置１では、上述した自己組織化マップのアルゴリズムにより学習を行ってもよいが、後述する自己組織化マップ（自己増殖型）によりクラスタリング処理を行うことで、比較的高速にかつ高精度にランドマークデータを生成することができる。
［本実施形態に係る自己組織化マップ］
本実施形態に係る自己組織化マップのアルゴリズムを、図８（Ｂ），（Ｃ）を参照しながら説明する。
本実施形態に係る自己組織化マップは、入力層４０と競合層５０とを備えた２層構造である。入力層４０のノード数は一定である。競合層５０のノード数は、初期時のノード数が１個に設定されている。
本実施形態に係る自己組織化マップのアルゴリズムを、図８（Ｂ），（Ｃ）を参照しながら説明する。
本実施形態に係る自己組織化マップは、入力層４０と競合層５０とを備えた２層構造である。入力層４０のノード数は一定である。競合層５０のノード数は、初期時のノード数が１個に設定されている。
［ノードの増殖］
また、ノードｉａの発火頻度（選択回数）が閾値を超えたときに、該ノードｉａを学習の対象から規定期間（不応期）だけ除外し、該ノードｉａと同じ荷重ベクトルｍiを備えた新たなノードｉｂを増殖して、自己組織化マップの学習を行う。つまり不応期の間ではノードｉｂが学習対象となる。
このように出現頻度の高い色のノードを増殖することにより、その出現頻度の高い色の近傍の解像度（分解能）を増加させることができる。このため、より高精度なクラスタリング処理を行うことができる。
また、ノードｉａの発火頻度（選択回数）が閾値を超えたときに、該ノードｉａを学習の対象から規定期間（不応期）だけ除外し、該ノードｉａと同じ荷重ベクトルｍiを備えた新たなノードｉｂを増殖して、自己組織化マップの学習を行う。つまり不応期の間ではノードｉｂが学習対象となる。
このように出現頻度の高い色のノードを増殖することにより、その出現頻度の高い色の近傍の解像度（分解能）を増加させることができる。このため、より高精度なクラスタリング処理を行うことができる。
［競合学習］
また、制御部８は、本実施形態に係る自己組織化マップの学習として、上述した競合学習も行う。この際、制御部８は、近傍のノードについては学習を行わず、その代りに階層学習を行う。
また、制御部８は、本実施形態に係る自己組織化マップの学習として、上述した競合学習も行う。この際、制御部８は、近傍のノードについては学習を行わず、その代りに階層学習を行う。
［階層学習］
また、制御部８は、増殖したノードｉｂを子ノード、増殖元のノードｉａを親ノードに設定し、親ノードｉａおよび子ノードｉｂの一方のノードを更新する場合、他方のノードとともに更新して、自己組織化マップの学習を行う（階層学習）。
また、制御部８は、増殖したノードｉｂを子ノード、増殖元のノードｉａを親ノードに設定し、親ノードｉａおよび子ノードｉｂの一方のノードを更新する場合、他方のノードとともに更新して、自己組織化マップの学習を行う（階層学習）。
また、制御部８は、入力ベクトルに対して最小の距離の荷重ベクトルが対応付けられたノードを選択して当該距離が閾値を超えている場合、当該ノードを学習の対象から除外し、該入力ベクトルと同じ荷重ベクトルを有する新たなノードを生成して自己組織化マップの学習を行う。
［ノードの除去］
また、制御部８は、規定期間更新されていないノードを除去して、自己組織化マップの学習を行う。
また、制御部８は、規定期間更新されていないノードを除去して、自己組織化マップの学習を行う。
次に、移動体情報処理装置１の自己組織化マップの学習をＲＧＢ空間で表現して、詳細に説明する。
図９は、本発明の第１実施形態に係る自己組織化マップの学習によるクラスタリング処理を説明するためのフローチャートである。図１０は、ＲＧＢ空間における初期ノードｉを示す図である。
ステップＳＴ１０１において、制御部８は、図１０に示すように、一個の初期ノードｉを生成する。荷重ベクトル（荷重結合）は規定された範囲内でランダムな値を設定する。
図１１（Ａ）は、一具体例に係る撮像画像Ｐであり、図１１（Ｂ）は撮像画像の各画素の色情報をＲＧＢ空間に示した図である。
ステップＳＴ１０２において、制御部８は、図１１（Ｂ）に示すように、ひし形の点は各色情報の入力ベクトルであり、その複数の入力ベクトルを入力データセットとして入力する。
ステップＳＴ１０２において、制御部８は、図１１（Ｂ）に示すように、ひし形の点は各色情報の入力ベクトルであり、その複数の入力ベクトルを入力データセットとして入力する。
図１２は、入力データｘと、全ノードｉのユークリッド距離を説明するための図である。
ステップＳＴ１０３において、制御部８は、入力データｘと、全ノードｉのユークリッド距離ｄを例えば数式（２）に示すように測定し、そのうち距離ｄが最小の距離のノードｉ１（勝利ノード）を選択する（決定する）。入力層のｉ番目の入力ベクトルｘi、入力層のｉ番目と競合層のｊ番目の荷重ベクトル荷重ベクトルｗi,jを用いて表している。
ステップＳＴ１０３において、制御部８は、入力データｘと、全ノードｉのユークリッド距離ｄを例えば数式（２）に示すように測定し、そのうち距離ｄが最小の距離のノードｉ１（勝利ノード）を選択する（決定する）。入力層のｉ番目の入力ベクトルｘi、入力層のｉ番目と競合層のｊ番目の荷重ベクトル荷重ベクトルｗi,jを用いて表している。
図１３は、入力ベクトルｘとノードｉ間の距離ｄと閾値の関係を示す図である。図１４は、新規のノードの追加を説明するための図である。
制御部８は、入力ベクトルｘとノードｉ間の距離が閾値ｔｈより小さいか否かを判別し、その結果、距離が閾値より大きいと判別した場合は、ステップＳＴ１０５の処理に進み、距離が閾値より小さいと判別した場合はステップＳＴ１０６の処理に進む。
制御部８は、入力ベクトルｘとノードｉ間の距離が閾値ｔｈより小さいか否かを判別し、その結果、距離が閾値より大きいと判別した場合は、ステップＳＴ１０５の処理に進み、距離が閾値より小さいと判別した場合はステップＳＴ１０６の処理に進む。
図１４は、新規のノードの追加を説明するための図である。
ステップＳＴ１０５において、制御部８は、入力ベクトルｘに対して最小の距離の荷重ベクトルｉ１が対応付けられたノードを選択して当該距離が閾値ｉｈを超えている場合、当該ノードｉ１を学習の対象から除外し、該入力ベクトルｘと同じ荷重ベクトルを有する新たなノードｉ５を生成して自己組織化マップの学習を行い、ステップＳＴ１１０の処理に進む。
ステップＳＴ１０５において、制御部８は、入力ベクトルｘに対して最小の距離の荷重ベクトルｉ１が対応付けられたノードを選択して当該距離が閾値ｉｈを超えている場合、当該ノードｉ１を学習の対象から除外し、該入力ベクトルｘと同じ荷重ベクトルを有する新たなノードｉ５を生成して自己組織化マップの学習を行い、ステップＳＴ１１０の処理に進む。
図１５（Ａ）はノードの更新を説明するための図であり、図１５（Ｂ）は図１５（Ａ）に示した勝利ノード付近を拡大した図である。
ステップＳＴ１０６において、制御部８は、勝利ノードの荷重結合を更新する処理を行う。詳細には、制御部８は、勝利ノードの荷重ベクトルｗi,win、学習率係数α（ｔ）を用いて例えば数式（３）に示すように算出して、勝利ノードの更新を行う。
ステップＳＴ１０６において、制御部８は、勝利ノードの荷重結合を更新する処理を行う。詳細には、制御部８は、勝利ノードの荷重ベクトルｗi,win、学習率係数α（ｔ）を用いて例えば数式（３）に示すように算出して、勝利ノードの更新を行う。
［数３］
ｗi,win（ｔ＋１）＝ｗi,win（ｔ）＋α（ｘi（ｔ）−ｗi,win（ｔ）） ・・（３）
ｗi,win（ｔ＋１）＝ｗi,win（ｔ）＋α（ｘi（ｔ）−ｗi,win（ｔ）） ・・（３）
図１５（а），（Ｂ）に示すように、学習により勝利ノードｉの荷重ベクトルが入力データｘに近づいてノードｉ’となる。
図１６（Ａ）は勝利ノードと同じクラスタの階層学習を説明するための図であり、図１６（Ｂ）は図１６（Ａ）に示した勝利ノード付近を拡大した図である。
ステップＳＴ１０７において、制御部８は、勝利者ノードｉ１と同じ階層構造のノードｉ２についても、例えば、親ノードの荷重ベクトルｗi,moと、子ノードの荷重ベクトルｗi,daを用いて、数式（４）に示すように更新を行う（階層学習）。この学習率係数αの係数０．１は、各種条件によって適宜設定する。
図１６（Ａ）は勝利ノードと同じクラスタの階層学習を説明するための図であり、図１６（Ｂ）は図１６（Ａ）に示した勝利ノード付近を拡大した図である。
ステップＳＴ１０７において、制御部８は、勝利者ノードｉ１と同じ階層構造のノードｉ２についても、例えば、親ノードの荷重ベクトルｗi,moと、子ノードの荷重ベクトルｗi,daを用いて、数式（４）に示すように更新を行う（階層学習）。この学習率係数αの係数０．１は、各種条件によって適宜設定する。
［数４］
ｗi,mo（ｔ＋１）＝ｗi,mo（ｔ）＋0.1α（ｗi,da（ｔ）−ｗi,mo（ｔ）） ・・（４）
ｗi,mo（ｔ＋１）＝ｗi,mo（ｔ）＋0.1α（ｗi,da（ｔ）−ｗi,mo（ｔ）） ・・（４）
次に、制御部８は、入力ベクトルに応じて選択されたノードの選択回数が閾値を超えた場合、該ノードを学習の対象から規定期間だけ除外し、該ノードと同じ荷重ベクトルを備えた新たなノードを増殖して、自己組織化マップの学習を行う。
詳細には、ステップＳＴ１０８において、制御部８は、勝利ノードの反応回数が予め規定された閾値より大きいか否かを判別し、反応回数が閾値より大きいと判断した場合にステップＳＴ１０９の処理に進み、反動回数が閾値以下の場合にステップＳＴ１１０の処理に進む。
詳細には、ステップＳＴ１０８において、制御部８は、勝利ノードの反応回数が予め規定された閾値より大きいか否かを判別し、反応回数が閾値より大きいと判断した場合にステップＳＴ１０９の処理に進み、反動回数が閾値以下の場合にステップＳＴ１１０の処理に進む。
図１７（Ａ）は勝利ノードの増殖を説明するための図であり、図１７（Ｂ）は図１７（Ａ）に示した勝利ノード付近の拡大図である。
ステップＳＴ１０９において、制御部８は、勝利ノード（親ノード）ｉ２ａを増殖させて、親ノードｉ２ａと同じ荷重ベクトルを有する子ノードｉ２ｂを生成し、親ノードｉ２ａである勝利ノードを一定期間だけ不応期とする。例えば図１７（Ｂ）において、ノードを結ぶ線の端部に黒丸が形成された側を子ノード、ノードを結ぶ線の端部に黒丸が形成されていない側を親ノードと設定して、ステップＳＴ１１０の処理に進む。
つまり、制御部８は、親ノードおよび子ノードの一方のノードを更新する場合、他方のノードとともに更新して、自己組織化マップの学習を行う。
ステップＳＴ１０９において、制御部８は、勝利ノード（親ノード）ｉ２ａを増殖させて、親ノードｉ２ａと同じ荷重ベクトルを有する子ノードｉ２ｂを生成し、親ノードｉ２ａである勝利ノードを一定期間だけ不応期とする。例えば図１７（Ｂ）において、ノードを結ぶ線の端部に黒丸が形成された側を子ノード、ノードを結ぶ線の端部に黒丸が形成されていない側を親ノードと設定して、ステップＳＴ１１０の処理に進む。
つまり、制御部８は、親ノードおよび子ノードの一方のノードを更新する場合、他方のノードとともに更新して、自己組織化マップの学習を行う。
ステップＳＴ１１０において、制御部８は、複数の画素を入力データとした場合に、データセットについて処理が終了したか否かを判別し、判別の結果、データセットのうちの全ての入力データに対して上記処理が終了したか否かを判別し、判別の結果、終了したと判別した場合にステップＳＴ１１１の処理に進み、それ以外の場合にステップＳＴ１０３の処理に戻る。
ステップＳＴ１１１において、制御部８は、ノードの統廃合処理を行う。詳細には、制御部８は、規定期間更新されていないノードを除去して、自己組織化マップの学習を行う。
図１８（Ａ）はノードの統廃合処理を説明するための図であり、図１８（Ｂ）はノードｉ３ａ付近の拡大図であり、図１８（Ｃ）はノードｉ３ａ付近の拡大図である。
図１８（Ａ）はノードの統廃合処理を説明するための図であり、図１８（Ｂ）はノードｉ３ａ付近の拡大図であり、図１８（Ｃ）はノードｉ３ａ付近の拡大図である。
図１８（Ａ），（Ｂ）に示すように、親ノードｉ３ａに子ノードｉ３ｂおよび子ノードｉ３ｃが同じクラスタに属し、ノードｉ３ａを停止（除去）する場合、ノードｉ３ｂ，ノードｉ３ｃそれぞれが新しいクラスタとなる。
また、図１８（Ａ），（Ｃ）に示すように、ノードｉ１ａに子ノードｉ１ｂ，ｉ１ｃ，ｉ１ｄが同じクラスタに属し、ノードｉ１ｂを停止（除去）する場合、ノードｉ１ａとノードｉ１ｃとが再接続される。また、親ノードが存在しない場合には子ノードが新しいクラスタとなる。
また、図１８（Ａ），（Ｃ）に示すように、ノードｉ１ａに子ノードｉ１ｂ，ｉ１ｃ，ｉ１ｄが同じクラスタに属し、ノードｉ１ｂを停止（除去）する場合、ノードｉ１ａとノードｉ１ｃとが再接続される。また、親ノードが存在しない場合には子ノードが新しいクラスタとなる。
ステップＳＴ１１２において、制御部８は、学習回数が規定回数より大きいか否かを判別し、判別の結果、大きいと判断した場合にステップ１１３の処理に進み、それ以外の場合にステップ１０２の処理に戻る。詳細には、本実施形態では１０００〜３０００回程度、上記ステップを繰り返して自己組織化マップの学習を行う。
ステップＳＴ１１３において、制御部８は、学習後の自己組織化マップにより色情報の分布に応じた複数のクラスタとそのクラスタの色の範囲（最大値，最小値）を規定する。
図１９（Ａ）は複数の撮像画像Ｐを示す図であり、図１９（Ｂ）は複数の撮像画像Ｐのクラスタを重ね合わせて表現した図であり、図１９（Ｃ）は全撮像画像Ｐ毎のクラスタリストを説明するための図である。
次に、制御部８は、図１９（Ｃ）に示すように、撮像画像Ｐに撮像画像Ｐの色情報が分類されるクラスタを特定し、その各画像毎にそのクラスタを関連付けたクラスタリストを生成する。
各画像Ｐ毎に、各画素の色情報が分類されるクラスタのリストを生成する。
詳細には、図１９（Ｃ）に示すように、画像Ｐ１はクラスタＣＬ1 1、クラスタＣＬ1 2、・・・、クラスタＣＬ1 aを含む。画像Ｐ２はクラスタＣＬ2 1、クラスタＣＬ2 2、・・・、クラスタＣＬ2 bを含む。また、画像Ｐｎはクラスタは、クラスタＣＬn 1、クラスタＣＬn 2、・・・、クラスタＣＬn cを含む。
また、このクラスタＣＬそれぞれには、色の範囲、詳細には色の最小値および最大値が規定されている。
次に、制御部８は、図１９（Ｃ）に示すように、撮像画像Ｐに撮像画像Ｐの色情報が分類されるクラスタを特定し、その各画像毎にそのクラスタを関連付けたクラスタリストを生成する。
各画像Ｐ毎に、各画素の色情報が分類されるクラスタのリストを生成する。
詳細には、図１９（Ｃ）に示すように、画像Ｐ１はクラスタＣＬ1 1、クラスタＣＬ1 2、・・・、クラスタＣＬ1 aを含む。画像Ｐ２はクラスタＣＬ2 1、クラスタＣＬ2 2、・・・、クラスタＣＬ2 bを含む。また、画像Ｐｎはクラスタは、クラスタＣＬn 1、クラスタＣＬn 2、・・・、クラスタＣＬn cを含む。
また、このクラスタＣＬそれぞれには、色の範囲、詳細には色の最小値および最大値が規定されている。
図２０（Ａ）は複数の撮像画像Ｐの複数のクラスタを重ねて示した図であり、図２０（Ｂ）は図２０（Ａ）に示したクラスタを自己組織化マップによりクラスタリング処理を施した後の状態を示す図である。
制御部８は、クラスタとクラスタの色の範囲（最大値および最小値）を基に、例えば上述したように自己組織化マップの学習を行う。その結果、図２０（Ｂ）に示すように、クラスタのＲＧＢ値の近いクラスタにより、全体のクラスタを形成する。
制御部８は、クラスタとクラスタの色の範囲（最大値および最小値）を基に、例えば上述したように自己組織化マップの学習を行う。その結果、図２０（Ｂ）に示すように、クラスタのＲＧＢ値の近いクラスタにより、全体のクラスタを形成する。
詳細には、図２０（Ｃ）に示すように、自己組織化マップの学習の結果、複数撮像画像Ｐの各画素の色情報のクラスタおよび該クラスタの色の範囲を規定することができる。
図２０（Ｃ）に示すように、クラスタＩＤとクラスタの色の範囲（ＲＧＢ値の最小値，ＲＧＢ値の最大値）の関係は、例えば、ＣＬALL 1＝（Ｒ１１，Ｇ１１，Ｂ１１，Ｒ１２，Ｇ１２，Ｂ１２），ＣＬALL 2＝（Ｒ２１，Ｇ２１，Ｂ２１，Ｒ２２，Ｇ２２，Ｂ２２），・・・，ＣＬALL m＝（Ｒｍ１，Ｇｍ１，Ｂｍ１，Ｒｍ２，Ｇｍ２，Ｂｍ２）となる。ここでは、第２のクラスタリング処理後のｊ番目のクラスタをＣＬALL jと表す。
図２０（Ｃ）に示すように、クラスタＩＤとクラスタの色の範囲（ＲＧＢ値の最小値，ＲＧＢ値の最大値）の関係は、例えば、ＣＬALL 1＝（Ｒ１１，Ｇ１１，Ｂ１１，Ｒ１２，Ｇ１２，Ｂ１２），ＣＬALL 2＝（Ｒ２１，Ｇ２１，Ｂ２１，Ｒ２２，Ｇ２２，Ｂ２２），・・・，ＣＬALL m＝（Ｒｍ１，Ｇｍ１，Ｂｍ１，Ｒｍ２，Ｇｍ２，Ｂｍ２）となる。ここでは、第２のクラスタリング処理後のｊ番目のクラスタをＣＬALL jと表す。
［出現頻度によるクラスタの分類処理（頻出クラスタの除去処理）］
図２１は、クラスタの頻出クラスタの除去処理を説明するための図である。
クラスタＣＬALL mには、壁や床等の移動環境２００内のどこでも取得できる色情報が分類されるクラスタが含まれている。このような位置推定に直接には役に立たないクラスタを除去することで、高精度なランドマークデータを生成することができる。詳細には、移動環境２００内で撮像した複数の画像Ｐにおいて、共通するクラスタを除去する。
図２１は、クラスタの頻出クラスタの除去処理を説明するための図である。
クラスタＣＬALL mには、壁や床等の移動環境２００内のどこでも取得できる色情報が分類されるクラスタが含まれている。このような位置推定に直接には役に立たないクラスタを除去することで、高精度なランドマークデータを生成することができる。詳細には、移動環境２００内で撮像した複数の画像Ｐにおいて、共通するクラスタを除去する。
詳細には、制御部８は、複数のクラスタのうち、各クラスタに関連付けられた撮像画像の個数が多い順に優先的に該クラスタを除外する。つまり、複数の撮像画像内に共通して含まれる色が分類されるクラスタを除去することにより、各画像に含まれる色の分布（色のパターン）の特徴を示すクラスタリスト（ＣＬ）を生成することができる。
具体的には、例えば図２１に示すように、移動環境２００内で撮像された画像Ｐ１，Ｐ２，・・・，ＰＮそれぞれについて、クラスタＣＬALL 1，ＣＬALL 2，・・・，ＣＬALL j，・・・，ＣＬALL mが含まれているか否かを示すリスト（クラスタリスト）を生成する。図２１に示すように、例えば撮像画像Ｐ１には、クラスタＣＬALL 1とＣＬALL jが含まれており、その他のクラスタは含まれていない。
図２１に示すように、クラスタリストに基づいて、各画像に共通に含まれているクラスタＣＬALL jが全画像Ｐに含まれているので、このクラスタＣＬALL jを除去して、新たに色クラスタＩＤをＣＣＬ1，ＣＣＬ2，・・・，ＣＣＬxを割り当てる。このクラスタＣＬALL jについては、色クラスタＩＤを割り振らない。
図２１に示すように、クラスタリストに基づいて、各画像に共通に含まれているクラスタＣＬALL jが全画像Ｐに含まれているので、このクラスタＣＬALL jを除去して、新たに色クラスタＩＤをＣＣＬ1，ＣＣＬ2，・・・，ＣＣＬxを割り当てる。このクラスタＣＬALL jについては、色クラスタＩＤを割り振らない。
図２２（Ａ）は色クラスタリストを説明するための図であり、図２２（Ｂ）は学習対象の撮像画像を示す図であり、図２２（Ｃ）は学習対象の画像に含まれる色クラスタのリスト（ランドマークデータ）を説明するための図である。
図２１に示した色クラスタリストは、色クラスタＣＣＬそれぞれの色の範囲（ＲＧＢ値の最小値，およびＲＧＢ値の最大値）が、例えば、図２２（Ａ）に示すように規定される。このクラスタＣＣＬと色の範囲は、第２のクラスタリング処理の結果により得られる。
詳細には、色クラスタＣＣＬ1には色の範囲（Ｒ１１，Ｇ１１，Ｂ１１，Ｒ１２，Ｇ１２，Ｂ１２）が対応し、色クラスタＣＣＬ2には色の範囲（Ｒ２１，Ｇ２１，Ｂ２１，Ｒ２２，Ｇ２２，Ｂ２２）が対応し、・・・、色クラスタＣＣＬjには色の範囲（ＲＸ１，ＧＸ１，ＢＸ１，ＲＸ２，ＧＸ２，ＢＸ２）が対応している。
図２１に示した色クラスタリストは、色クラスタＣＣＬそれぞれの色の範囲（ＲＧＢ値の最小値，およびＲＧＢ値の最大値）が、例えば、図２２（Ａ）に示すように規定される。このクラスタＣＣＬと色の範囲は、第２のクラスタリング処理の結果により得られる。
詳細には、色クラスタＣＣＬ1には色の範囲（Ｒ１１，Ｇ１１，Ｂ１１，Ｒ１２，Ｇ１２，Ｂ１２）が対応し、色クラスタＣＣＬ2には色の範囲（Ｒ２１，Ｇ２１，Ｂ２１，Ｒ２２，Ｇ２２，Ｂ２２）が対応し、・・・、色クラスタＣＣＬjには色の範囲（ＲＸ１，ＧＸ１，ＢＸ１，ＲＸ２，ＧＸ２，ＢＸ２）が対応している。
次に、図２２（Ｂ）に示すように、移動環境２００内で撮像された複数のカラー画像Ｐそれぞれと、図２２（Ａ）に示した色クラスタリストとの反応を調べる。その結果、反応した色クラスタＣＬＬを図２２（Ｃ）に示すように、各画像Ｐそれぞれについて関連付けたリストを生成する。
詳細には、例えば図２２（Ｃ）に示すように、画像Ｐ１には色クラスタＣＣＬ1、ＣＣＬ2が含まれており、画像Ｐ２には色クラスタＣＣＬ2、ＣＣＬ5が含まれており、画像Ｐ３には色クラスタが含まれず（ＮＵＬＬ）、画像ＰＮには色クラスタＣＣＬxが含まれている。
詳細には、例えば図２２（Ｃ）に示すように、画像Ｐ１には色クラスタＣＣＬ1、ＣＣＬ2が含まれており、画像Ｐ２には色クラスタＣＣＬ2、ＣＣＬ5が含まれており、画像Ｐ３には色クラスタが含まれず（ＮＵＬＬ）、画像ＰＮには色クラスタＣＣＬxが含まれている。
また、上記色クラスタを特定する方法としては、制御部８は、学習後の自己組織化マップを用いて、各画像の画素の色情報を入力ベクトルとして入力し、その結果、反応するクラスタにより判断してもよい。
図２２（Ｃ）に示すように、画像Ｐ毎に色クラスタが関連付けられたリストをランドマークデータ（ＲＭＤ）という。また、図２２（Ｃ）に示すように、ランドマークデータの各画像それぞれは、撮像位置に関する位置情報と関連付けられている。
つまり、制御部８は、撮像画像、その撮像画像の色情報が分類された色クラスタ、およびその撮像画像の撮像位置に関する位置情報とが関連付けられたランドマークデータ（ＲＭＤ）を生成する。制御部８は、このランドマークデータ（ＲＭＤ）を記憶部４に記憶する。
上記実施形態では、ランドマークデータとして、各撮像画像Ｐ、色クラスタ、位置情報とが関連付けられていたが、この形態に限られるものではない。例えば、撮像画像と上記色クラスタとを関連付けたデータ（リスト）を生成して記憶部４に記憶してもよい。その結果、記憶部４は、位置情報と撮像画像を関連付けて記憶し、さらに撮像画像と色クラスタとを関連付けて記憶する。つまり、ランドマークデータの各要素それぞれは、互いに関連付けられて記憶されていれば、上記形態に限られるものではない。
また、本実施形態に係るランドマークデータでは、上述したように撮像画像と、その撮像画像の色情報が分類される色クラスタ（色クラスタの組み合わせ）が明確に規定されている。
つまり、制御部８は、撮像画像、その撮像画像の色情報が分類された色クラスタ、およびその撮像画像の撮像位置に関する位置情報とが関連付けられたランドマークデータ（ＲＭＤ）を生成する。制御部８は、このランドマークデータ（ＲＭＤ）を記憶部４に記憶する。
上記実施形態では、ランドマークデータとして、各撮像画像Ｐ、色クラスタ、位置情報とが関連付けられていたが、この形態に限られるものではない。例えば、撮像画像と上記色クラスタとを関連付けたデータ（リスト）を生成して記憶部４に記憶してもよい。その結果、記憶部４は、位置情報と撮像画像を関連付けて記憶し、さらに撮像画像と色クラスタとを関連付けて記憶する。つまり、ランドマークデータの各要素それぞれは、互いに関連付けられて記憶されていれば、上記形態に限られるものではない。
また、本実施形態に係るランドマークデータでは、上述したように撮像画像と、その撮像画像の色情報が分類される色クラスタ（色クラスタの組み合わせ）が明確に規定されている。
［ランドマークデータ利用時の動作（位置推定処理）］
図２３は、移動体情報処理装置１がランドマークデータを生成した後、位置推定を行う動作を説明するための図である。図２４は、図１に示した移動体情報処理装置のランドマークデータ利用時の動作を説明するフローチャートである。図２５（Ａ）は位置推定用の撮像画像Ｐを示す図であり、図２５（Ｂ）は位置推定用の撮像画像Ｐの色情報をＲＧＢ空間で示した図である。
図２６（Ａ）は撮像画像の色情報が分類されるクラスタＣＬＬを示す図であり、図２６（Ｂ）は入力データ（位置推定用の撮像画像）とクラスタを示すＲＧＢ空間の図である。
図２３は、移動体情報処理装置１がランドマークデータを生成した後、位置推定を行う動作を説明するための図である。図２４は、図１に示した移動体情報処理装置のランドマークデータ利用時の動作を説明するフローチャートである。図２５（Ａ）は位置推定用の撮像画像Ｐを示す図であり、図２５（Ｂ）は位置推定用の撮像画像Ｐの色情報をＲＧＢ空間で示した図である。
図２６（Ａ）は撮像画像の色情報が分類されるクラスタＣＬＬを示す図であり、図２６（Ｂ）は入力データ（位置推定用の撮像画像）とクラスタを示すＲＧＢ空間の図である。
移動体情報処理装置１は、上記自己組織化マップの学習によりランドマークデータを生成した後、そのランドマークデータと位置推定用の撮像画像により移動体（ロボット）の位置推定を行う。詳細には、移動体（ロボット）１００を環境２００内に配置した際に、移動体１００の位置を推定する場合、移動体情報処理装置１は、その位置で撮像された位置推定用の撮像画像と、学習対象の撮像画像の間の類似度を算出して、その類似度および学習対象の撮像画像に関連付けられている位置情報を基に位置推定に関する処理を行う。詳細には、制御部８は、位置推定用の撮像画像に対して比較的高い類似度の学習用の撮像画像を特定し、その特定された撮像画像に関連付けられた位置情報を基に位置推定を行う。
以下、移動体情報処理装置１の位置推定に関する動作を詳細に説明する。
以下、移動体情報処理装置１の位置推定に関する動作を詳細に説明する。
本実施形態では、移動体情報処理装置１が、移動環境２００内の任意の位置、例えば図２３に示すように、木箱とその木箱の近傍に備えられた観葉植物の間付近の位置に、配置される。移動体情報処理装置１の進行方向は、棚が位置する方向と略一致しており、撮像部の撮像方向も同様である。
ステップＳＴ２０１において、移動体情報処理装置１は、例えば図２４に示すように、初期位置で撮像部２により移動環境２００内の被写体を撮像して、図２５（Ａ）に示すように、位置推定用のカラー画像Ｐを取得する。詳細には、制御部８は、撮像部２を駆動して位置推定用のカラー画像Ｐを取得し、図２５（Ｂ）に示すように色情報を取得する。例えば、この位置推定用の撮像画像Ｐには、赤茶色の鉢、緑色の葉を備えた観葉植物、略白色の壁、および藍色の床が被写体として撮像されている。
図２７は、位置推定用の撮像画像の各画素の色情報が反応する色クラスタＣＬＬと、ランドマークデータとのマッチングを説明するための図である。
ステップＳＴ２０２において、制御部８は、図２６（Ａ），（Ｂ）に示すように、クラスタＣＬＬおよび色の範囲に基づいて、位置推定用の撮像画像の各画素の色情報が分類されるクラスタＣＬＬを特定する。本実施形態では、例えば図２６，図２７に示すように、色クラスタＣＬＬ1，ＣＬＬ2が特定される。
ステップＳＴ２０２において、制御部８は、図２６（Ａ），（Ｂ）に示すように、クラスタＣＬＬおよび色の範囲に基づいて、位置推定用の撮像画像の各画素の色情報が分類されるクラスタＣＬＬを特定する。本実施形態では、例えば図２６，図２７に示すように、色クラスタＣＬＬ1，ＣＬＬ2が特定される。
ステップＳＴ２０４において、制御部８は、特定されたクラスタおよびランドマークデータに応じて、該位置推定用の撮像画像に対する学習対象の撮像画像の類似度を算出する。類似度は、例えば、位置推定用の撮像画像の色情報から特定されたクラスタＣＬＬの組み合わせと、ランドマークデータ（ＲＭＤ）の各クラスタＣＬＬの組み合わせとの一致の度合を数値化したものを採用する。この際、ランドマークデータの各クラスタＣＬＬそれぞれに重み付けを設定して、その重み付けを考慮して類似度を算出してもよい。例えば各クラスタの重み付けは、そのクラスタを含む画像の個数が少ないほど、大きく設定することが好ましい。こうすることで高精度に類似度を決定することができる。
類似度は、この形態に限られるものではなく、例えば既存の類似判断方法により類似度を算出してもよい。
類似度は、この形態に限られるものではなく、例えば既存の類似判断方法により類似度を算出してもよい。
次に、制御部８は、算出された類似度が閾値より大きいか否かを判別し、類似度が閾値より大きいと判別した場合に、ステップＳＴ１０５の処理に進み、それ以外の場合にステップＳＴ２０６の処理に進む。
ステップＳＴ２０５において、制御部８は、類似度が閾値より大きい学習用の撮像画像Ｐを特定し、その撮像画像Ｐに関連付けられている位置情報に基づいて、位置推定に関する処理を行う。例えば、制御部８は、特定された撮像画像Ｐに関連付けられている位置情報と、移動体（ロボット１００）の自己位置との差が比較的小さいと判断する。つまり、制御部８は、移動体の自己位置が、特定された撮像画像の撮像位置の近傍であると推定する。
制御部８は、類似度が閾値以下であると判断した場合、駆動部５を駆動して移動体（ロボット）１００を移動して、ステップＳＴ２０１の処理に戻る。
この際、制御部８は、例えば類似度が閾値以下であるが、類似度が最も高い撮像画像に関連付けられている位置情報を特定して、その位置に移動してステップＳＴ２０１の処理に戻り、再度上述した位置推定の処理を行ってもよい。このように、類似度が閾値以上となるまで移動しながら位置推定を行うことで、高精度に自己位置を特定することができる。
この際、制御部８は、例えば類似度が閾値以下であるが、類似度が最も高い撮像画像に関連付けられている位置情報を特定して、その位置に移動してステップＳＴ２０１の処理に戻り、再度上述した位置推定の処理を行ってもよい。このように、類似度が閾値以上となるまで移動しながら位置推定を行うことで、高精度に自己位置を特定することができる。
移動制御の他の具体例としては、例えば、ステップＳＴ２０６において、制御部８は、ロボット１００の縦軸を基準とする回転角が、閾値より大きいか否かを判別し、大きいと判断した場合には、所定角度、例えば９０度右回転するように駆動部５を制御してロボット１００を回転した後（ＳＴ２０７）、ステップＳＴ２０１の処理に戻る。一方、制御部８は、回転角が閾値以下であると判断した場合、所定距離だけ移動してステップＳＴ２０１の処理に戻る。
このように類似度が閾値以上となるまで上述した処理を繰り返すことで、高精度に自己位置を特定することができる。
このように類似度が閾値以上となるまで上述した処理を繰り返すことで、高精度に自己位置を特定することができる。
また、例えば、制御部８は、位置推定用の撮像画像に対して、類似度が閾値以下で、かつ所定の色クラスタＣＬＬに分類することができない場合には、この位置推定用の撮像画像に対して、上述したランドマークデータを生成する処理を施して、ランドマークデータに新たなクラスタを生成してもよい。
［第２実施形態］
図２８は、本発明の第２実施形態に係る移動体情報処理装置を説明するための図である。
本実施形態に係る移動体情報処理装置１Ａは、図２８に示すように、移動体（ロボット）１００Ａと、外部コンピュータ１００Ｂとを有する。第１実施形態と第２実施形態と同じ構成要素、機能、動作等については、説明を省略する。
図２８は、本発明の第２実施形態に係る移動体情報処理装置を説明するための図である。
本実施形態に係る移動体情報処理装置１Ａは、図２８に示すように、移動体（ロボット）１００Ａと、外部コンピュータ１００Ｂとを有する。第１実施形態と第２実施形態と同じ構成要素、機能、動作等については、説明を省略する。
本実施形態に係るロボット１００Ａは、外部コンピュータ１００Ｂと通信可能な通信部９を有する。通信部９は、制御部８の制御により外部コンピュータ１００Ｂとデータ通信を行う。
外部コンピュータ１００Ｂは、記憶部、通信部、制御部などを有しており、ロボット１００Ａとデータ通信を行うことにより、ロボット１００Ａを制御することができる。外部コンピュータ１００Ｂは、例えば本発明に係るクラスタリング処理によるランドマーク生成処理、位置推定処理、等の比較的高い演算処理能力を要する処理を行う。
外部コンピュータ１００Ｂは、記憶部、通信部、制御部などを有しており、ロボット１００Ａとデータ通信を行うことにより、ロボット１００Ａを制御することができる。外部コンピュータ１００Ｂは、例えば本発明に係るクラスタリング処理によるランドマーク生成処理、位置推定処理、等の比較的高い演算処理能力を要する処理を行う。
ロボット１００Ａは、外部コンピュータ１００Ｂから、撮影命令を示す制御信号を受信した場合、撮像部２により撮像を行って、撮像画像Ｐを通信部９を介して外部コンピュータ１００Ｂに送信する。また、ロボット１００Ａは、外部コンピュータ１００Ｂから、車輪駆動命令を示す制御信号を受信した場合、その制御信号に応じて車輪を駆動して移動する。
本実施形態に係る移動体情報処理装置１Ａでは、ロボット１００Ａと外部コンピュータ１００Ｂが、上述したように分散処理を行うので、ロボット１００Ａを比較的軽量に構成することができる。
また、複数のロボット１００Ａを設け、外部コンピュータ１００Ｂがその複数のロボット１００Ａを統括的に制御することで、より高精度にランドマークデータを生成することができる。また、取得する情報量が増加するので、より高精度に位置推定を行うことができる。
また、複数のロボット１００Ａを設け、外部コンピュータ１００Ｂがその複数のロボット１００Ａを統括的に制御することで、より高精度にランドマークデータを生成することができる。また、取得する情報量が増加するので、より高精度に位置推定を行うことができる。
本発明は、上述した実施形態に限られるものではない。本発明に係る機能を実現することができれば、各種形態をとることができる。
例えば、上述した実施形態では、カラー画像の各画素それぞれが色情報としてＲＧＢ値を備えていたが、この形態に限られるものではない。例えばカラー画像の各画素の色情報が、ＹＩＱ（輝度信号Ｙ、色差信号Ｒ−Ｙ、Ｂ−Ｙ）、ＹCbCr、等の規定の色空間により表現したデータであってもよい。
また、本発明に係る機能をコンピュータがプログラムを実行することにより実現してもよいし、専用の電子回路が情報処理を行うことにより実現してもよい。
また、移動体情報処理装置１の位置推定時の動作は、上述した実施形態に限られるものではない。本発明に係る機能を実現することができるように任意の動作を行ってもよい。
また、上記した実施形態では、撮像部により所定のタイミングで複数のカラー画像を撮像したが、例えば、１秒間に数十フレーム程度の枚程度のカラーの動画像を撮像してもよい。移動体情報処理装置１は、動画像にて本発明に係るクラスタリング処理を行うことで、より高精度なランドマークデータを生成することができ、かつそのランドマークデータを用いて高精度に位置推測を行うことができる。
また、本発明に係る移動体情報処理装置１は、例えば、掃除ロボット、工場内の運搬ロボット、道案内ロボット、等の移動環境内で移動可能であるロボットに適用することができる。
以上、説明したように、本発明に係る移動体情報処理装置１は、移動環境内の被写体を撮像してカラー画像を取得する撮像部２と、学習対象の複数の撮像画像、および該撮像画像の撮像位置に関する位置情報を関連付けて記憶する記憶部４と、複数の撮像画像の各画素の色情報に基づいて自己組織化マップの学習を行い、学習後の自己組織化マップにより、色情報を分類するための複数のクラスタおよび該クラスタの色の範囲を規定し、撮像画像毎に該撮像画像の色情報が分類されるクラスタを特定し、特定されたクラスタ、撮像画像、および位置情報を関連付けたランドマークデータを生成する制御部８とを有するので、例えば、移動体の走行環境内に予めランドマークを配置することなく、移動範囲内で撮影された複数のカラー画像から移動体の位置を特定するためのランドマークデータを生成することができる。
また、制御部８は、クラスタおよび色の範囲に基づいて、位置推定用の撮像画像の各画素の色情報が分類されるクラスタを特定し、特定されたクラスタおよびランドマークデータに応じて、該位置推定用の撮像画像に対する学習対象の撮像画像の類似度を算出し、該類似度および学習対象の撮像画像に関連付けられている位置情報を基に位置推定に関する処理を行うので、比較的高精度に、位置推定用の撮像画像とランドマークデータから移動体の位置推定を行うことができる。
また、制御部８は、学習後の自己組織化マップによるクラスタおよび色の範囲に基づいて、撮像画像の各画素の色情報が分類されるクラスタを特定するので、簡単に撮像画像の色情報が分類されるクラスタを特定することができる。
また、制御部８は、複数のクラスタのうち、各クラスタに関連付けられた撮像画像の個数が多い順に優先的に該クラスタを除外して、ランドマークデータを生成する処理を行うので、例えば壁や床等の移動環境２００内のどこでも取得できる色情報が分類されるクラスタを除去することで、高精度なランドマークデータを生成することができる。
また、本発明に係る移動体情報処理装置１は、撮像画像の色情報に関するデータが入力ベクトルとして入力される入力層４０と、入力ベクトルと同じ次元の荷重ベクトルが対応付けられたノードを備える競合層５０とを有するニューラルネットワークを有し、制御部８は、入力ベクトルに対して最小の距離の荷重ベクトルが対応付けられたノードを選択し、該荷重ベクトルを更新して、自己組織化マップの教師なし学習を行うので、簡単な処理によりクラスタリングを行うことができる。
また、制御部８は、入力ベクトルに応じて選択されたノードの選択回数が閾値を超えた場合、該ノードを学習の対象から規定期間だけ除外し、該ノードと同じ荷重ベクトルを備えた新たなノードを増殖して、自己組織化マップの学習を行うので、ノードの増殖により、出現頻度の高い色の近傍の解像度（分解能）を増加させることで、より高精度なクラスタリング処理を行うことができる。
また、制御部８は、増殖したノードを子ノード、増殖元のノードを親ノードに設定し、親ノードおよび子ノードの一方のノードを更新する場合、他方のノードとともに更新して、自己組織化マップの学習を行うので、より高精度なクラスタリング処理を行うことができる。
また、制御部８は、入力ベクトルに対して最小の距離の荷重ベクトルが対応付けられたノードを選択して当該最小の距離が閾値を超えている場合、当該ノードを学習の対象から除外し、該入力ベクトルと同じ荷重ベクトルを有する新たなノードを生成して自己組織化マップの学習を行うので、より高精度なクラスタリング処理を行うことができる。
また、制御部８は、規定期間更新されていないノードを除去して、自己組織化マップの学習を行うので、より高精度なクラスタリング処理を行うことができる。
また、制御部８は、撮像画像の各画素の色情報に基づいて自己組織化マップの学習を行い、学習後の自己組織化マップにより、色情報を分類するための複数のクラスタおよび該クラスタの色の範囲を規定する第１のクラスタリング処理部８１２と、複数の撮像画像それぞれに規定されたクラスタおよび色の範囲に基づいて、自己組織化マップの学習を行い、学習後の自己組織化マップにより、複数の撮像画像の色情報を分類するための複数のクラスタおよび該クラスタの色の範囲を規定する第２のクラスタリング処理部８１４とを有するので、簡単な処理により複数の撮像画像の各画素の色情報を比較的高精度にクラスタリングすることができる。
また、移動体情報処理装置１は、移動体１００の周囲の被写体を撮像してカラー画像を生成する撮像部２と、移動体１００を移動環境内で移動させる駆動部５とを有し、制御部８は、駆動部５を駆動制御して移動体１００を移動させるとともに移動体１００の撮像部２により撮像された画像に応じた処理を行うことにより、例えば高精度に、ランドマークデータを生成する処理や位置推定処理を行うことができる。
また、移動体情報処理装置１は、撮像部２を撮像方向が進行方向と略同一となるように固定した場合であっても、その撮像方向に応じた画像により、ランドマークデータの生成処理、および位置推定に関する処理を行うことができる。
１ 移動体情報処理装置
２ 撮像部
３ 量子化部
４ 記憶部
５ 駆動部
６ 車輪
７ センサ
８ 制御部
１０ 筐体
８１ 第１の処理部
８２ 第２の処理部
１００ ロボット
８１１ 駆動制御部
８１２ 第１クラスタリング処理部（第１ＳＯＭ）
８１３ 最大値最小値抽出部
８１４ 第２クラスタリング処理部（第２ＳＯＭ）
８１５ クラスタリスト生成部
８１６ ランドマークデータ生成部
８２１ クラスタ取得部
８２２ マッチング部
８２３ 位置推定部
８２４ 駆動制御部
２ 撮像部
３ 量子化部
４ 記憶部
５ 駆動部
６ 車輪
７ センサ
８ 制御部
１０ 筐体
８１ 第１の処理部
８２ 第２の処理部
１００ ロボット
８１１ 駆動制御部
８１２ 第１クラスタリング処理部（第１ＳＯＭ）
８１３ 最大値最小値抽出部
８１４ 第２クラスタリング処理部（第２ＳＯＭ）
８１５ クラスタリスト生成部
８１６ ランドマークデータ生成部
８２１ クラスタ取得部
８２２ マッチング部
８２３ 位置推定部
８２４ 駆動制御部
Claims (15)
- 移動環境内で撮像されたカラー画像により位置推定を行うためのランドマークデータを生成する移動体情報処理装置であって、
学習対象の複数の撮像画像、および該撮像画像の撮像位置に関する位置情報を関連付けて記憶する記憶部と、
前記複数の撮像画像の各画素の色情報に基づいて自己組織化マップの学習を行い、学習後の自己組織化マップにより、前記色情報を分類するための複数のクラスタおよび該クラスタの色の範囲を規定し、前記撮像画像毎に該撮像画像の色情報が分類される前記クラスタを特定し、前記特定されたクラスタ、前記撮像画像、および前記位置情報を関連付けた前記ランドマークデータを生成する制御部と
を有することを特徴とする移動体情報処理装置。 - 前記制御部は、前記クラスタおよび前記色の範囲に基づいて、位置推定用の撮像画像の各画素の色情報が分類される前記クラスタを特定し、前記特定されたクラスタおよび前記ランドマークデータに応じて、該位置推定用の撮像画像に対する前記学習対象の撮像画像の類似度を算出し、該類似度および前記学習対象の撮像画像に関連付けられている位置情報を基に前記位置推定に関する処理を行うことを特徴とする請求項１に記載の移動体情報処理装置。
- 前記制御部は、前記学習後の自己組織化マップによるクラスタおよび前記色の範囲に基づいて、前記撮像画像の各画素の色情報が分類される前記クラスタを特定することを特徴とする請求項１に記載の移動体情報処理装置。
- 前記制御部は、前記複数のクラスタのうち、各クラスタに関連付けられた撮像画像の個数が多い順に優先的に該クラスタを除外して、前記ランドマークデータを生成する処理を行うことを特徴とする請求項１に記載の移動体情報処理装置。
- 前記撮像画像の色情報に関するデータが入力ベクトルとして入力される入力層と、前記入力ベクトルと同じ次元の荷重ベクトルが対応付けられたノードを備える競合層とを備えるニューラルネットワークを有し、
前記制御部は、前記入力ベクトルに対して最小の距離の前記荷重ベクトルが対応付けられたノードを選択し、該荷重ベクトルを更新して、前記自己組織化マップの学習を行うことを特徴とする請求項１に記載の移動体情報処理装置。 - 前記制御部は、前記入力ベクトルに応じて選択された前記ノードの選択回数が閾値を超えた場合、該ノードを前記学習の対象から規定期間だけ除外し、該ノードと同じ荷重ベクトルを備えた新たなノードを増殖して、前記自己組織化マップの学習を行うことを特徴とする請求項５に記載の移動体情報処理装置。
- 前記制御部は、前記増殖したノードを子ノード、増殖元のノードを親ノードに設定し、前記親ノードおよび前記子ノードの一方のノードを更新する場合、他方のノードとともに更新して、前記自己組織化マップの学習を行うことを特徴とする請求項６に記載の移動体情報処理装置。
- 前記制御部は、前記入力ベクトルに対して最小の距離の前記荷重ベクトルが対応付けられたノードを選択して当該最小の距離が閾値を超えている場合、当該ノードを学習の対象から除外し、該入力ベクトルと同じ荷重ベクトルを有する新たなノードを生成して前記自己組織化マップの学習を行うことを特徴とする請求項５に記載の移動体情報処理装置。
- 前記制御部は、規定期間更新されていないノードを除去して、前記自己組織化マップの学習を行うことを特徴とする請求項５に記載の移動体情報処理装置。
- 前記制御部は、前記撮像画像の各画素の色情報に基づいて自己組織化マップの学習を行い、学習後の自己組織化マップにより、前記色情報を分類するための複数のクラスタおよび該クラスタの色の範囲を規定する第１のクラスタリング処理部と、
前記複数の撮像画像それぞれに規定された前記クラスタおよび前記色の範囲に基づいて、自己組織化マップの学習を行い、学習後の自己組織化マップにより、前記複数の撮像画像の色情報を分類するための複数のクラスタおよび該クラスタの色の範囲を規定する第２のクラスタリング処理部と
を有することを特徴とする請求項１に記載の移動体情報処理装置。 - 移動体の周囲の被写体を撮像してカラー画像を生成する撮像部と、
前記移動体を移動環境内で移動させる駆動部とを有し、
前記制御部は、前記駆動部を駆動制御して前記移動体を移動させるとともに前記移動体の前記撮像部により撮像された画像に応じた処理を行うことを特徴とする請求項１に記載の情報処理装置。 - 移動環境内でカラー撮像された学習対象の複数の撮像画像、および該撮像画像の撮像位置に関する位置情報を関連付けて記憶し、移動環境内で撮像されたカラー画像により位置推定を行うためのランドマークデータを生成する移動体情報処理装置の情報処理方法であって、
前記複数の撮像画像の各画素の色情報に基づいて自己組織化マップの学習を行い、学習後の自己組織化マップにより、前記色情報を分類するための複数のクラスタおよび該クラスタの色の範囲を規定する第１のステップと、
前記撮像画像毎に該撮像画像の色情報が分類される前記クラスタを特定し、前記特定されたクラスタ、前記撮像画像、および前記位置情報を関連付けた前記ランドマークデータを生成する第２のステップと
を有することを特徴とする移動体情報処理の情報処理方法。 - 前記クラスタおよび前記色の範囲に基づいて、位置推定用の撮像画像の各画素の色情報が分類される前記クラスタを特定し、前記特定されたクラスタおよび前記ランドマークデータに応じて、該位置推定用の撮像画像に対する前記学習対象の撮像画像の類似度を算出し、該類似度および前記学習対象の撮像画像に関連付けられている位置情報を基に前記位置推定に関する処理を行う第３のステップを有することを特徴とする請求項１２に記載の移動体情報処理の情報処理方法。
- 移動環境内でカラー撮像された学習対象の複数の撮像画像、および該撮像画像の撮像位置に関する位置情報を関連付けて記憶し、移動環境内で撮像されたカラー画像により位置推定を行うためのランドマークデータを生成する移動体情報処理装置に実行させるためのプログラムであって、
前記複数の撮像画像の各画素の色情報に基づいて自己組織化マップの学習を行い、学習後の自己組織化マップにより、前記色情報を分類するための複数のクラスタおよび該クラスタの色の範囲を規定する第１のステップと、
前記撮像画像毎に該撮像画像の色情報が分類される前記クラスタを特定し、前記特定されたクラスタ、前記撮像画像、および前記位置情報を関連付けた前記ランドマークデータを生成する第２のステップと
を前記移動体情報処理装置に実行させるためのプログラム。 - 前記クラスタおよび前記色の範囲に基づいて、位置推定用の撮像画像の各画素の色情報が分類される前記クラスタを特定し、前記特定されたクラスタおよび前記ランドマークデータに応じて、該位置推定用の撮像画像に対する前記学習対象の撮像画像の類似度を算出し、該類似度および前記学習対象の撮像画像に関連付けられている位置情報を基に前記位置推定に関する処理を行う第３のステップを有することを特徴とする請求項１４に記載のプログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2007245534A JP2009074995A (ja) | 2007-09-21 | 2007-09-21 | 移動体情報処理装置、移動体情報処理方法、およびプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2007245534A JP2009074995A (ja) | 2007-09-21 | 2007-09-21 | 移動体情報処理装置、移動体情報処理方法、およびプログラム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2009074995A true JP2009074995A (ja) | 2009-04-09 |
Family
ID=40610095
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2007245534A Pending JP2009074995A (ja) | 2007-09-21 | 2007-09-21 | 移動体情報処理装置、移動体情報処理方法、およびプログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2009074995A (ja) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011227037A (ja) * | 2010-03-31 | 2011-11-10 | Aisin Aw Co Ltd | 画像処理システム及び位置測位システム |
| WO2012086821A1 (ja) * | 2010-12-20 | 2012-06-28 | 日本電気株式会社 | 測位装置、測位方法 |
| WO2014129116A1 (ja) * | 2013-02-22 | 2014-08-28 | 国立大学法人東京工業大学 | 情報処理装置、情報処理方法及び非一時的なコンピュータ可読媒体 |
| JP2016143354A (ja) * | 2015-02-04 | 2016-08-08 | エヌ・ティ・ティ・コムウェア株式会社 | 学習装置、学習方法、およびプログラム |
| WO2019035155A1 (ja) * | 2017-08-14 | 2019-02-21 | 楽天株式会社 | 画像処理システム、画像処理方法、及びプログラム |
| CN110781334A (zh) * | 2018-07-24 | 2020-02-11 | 丰田自动车株式会社 | 信息处理设备和信息处理方法 |
| KR20200134807A (ko) * | 2019-05-23 | 2020-12-02 | 주식회사 다비오 | 이미지 기반 실내 측위 서비스 시스템 및 방법 |
| KR20210106639A (ko) * | 2020-02-21 | 2021-08-31 | 동명대학교산학협력단 | 영상데이터 학습을 통한 보행자의 실내 경로 안내 장치 및 그 방법 |
| WO2022264370A1 (ja) * | 2021-06-17 | 2022-12-22 | 日本電気株式会社 | 画像処理装置、画像処理方法及びプログラム |
-
2007
- 2007-09-21 JP JP2007245534A patent/JP2009074995A/ja active Pending
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011227037A (ja) * | 2010-03-31 | 2011-11-10 | Aisin Aw Co Ltd | 画像処理システム及び位置測位システム |
| WO2012086821A1 (ja) * | 2010-12-20 | 2012-06-28 | 日本電気株式会社 | 測位装置、測位方法 |
| US9794519B2 (en) | 2010-12-20 | 2017-10-17 | Nec Corporation | Positioning apparatus and positioning method regarding a position of mobile object |
| WO2014129116A1 (ja) * | 2013-02-22 | 2014-08-28 | 国立大学法人東京工業大学 | 情報処理装置、情報処理方法及び非一時的なコンピュータ可読媒体 |
| JP2014164396A (ja) * | 2013-02-22 | 2014-09-08 | Tokyo Institute Of Technology | 情報処理装置、情報処理方法及びプログラム |
| JP2016143354A (ja) * | 2015-02-04 | 2016-08-08 | エヌ・ティ・ティ・コムウェア株式会社 | 学習装置、学習方法、およびプログラム |
| WO2019035155A1 (ja) * | 2017-08-14 | 2019-02-21 | 楽天株式会社 | 画像処理システム、画像処理方法、及びプログラム |
| JPWO2019035155A1 (ja) * | 2017-08-14 | 2019-11-07 | 楽天株式会社 | 画像処理システム、画像処理方法、及びプログラム |
| CN110781334A (zh) * | 2018-07-24 | 2020-02-11 | 丰田自动车株式会社 | 信息处理设备和信息处理方法 |
| CN110781334B (zh) * | 2018-07-24 | 2023-09-29 | 丰田自动车株式会社 | 信息处理设备和信息处理方法 |
| KR20200134807A (ko) * | 2019-05-23 | 2020-12-02 | 주식회사 다비오 | 이미지 기반 실내 측위 서비스 시스템 및 방법 |
| KR102277974B1 (ko) * | 2019-05-23 | 2021-07-15 | 주식회사 다비오 | 이미지 기반 실내 측위 서비스 시스템 및 방법 |
| KR20210106639A (ko) * | 2020-02-21 | 2021-08-31 | 동명대학교산학협력단 | 영상데이터 학습을 통한 보행자의 실내 경로 안내 장치 및 그 방법 |
| KR102317499B1 (ko) * | 2020-02-21 | 2021-10-25 | 동명대학교 산학협력단 | 영상데이터 학습을 통한 보행자의 실내 경로 안내 장치 및 그 방법 |
| WO2022264370A1 (ja) * | 2021-06-17 | 2022-12-22 | 日本電気株式会社 | 画像処理装置、画像処理方法及びプログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2009074995A (ja) | 移動体情報処理装置、移動体情報処理方法、およびプログラム | |
| KR101901586B1 (ko) | 로봇 위치 추정 장치 및 그 방법 | |
| JP4696856B2 (ja) | 画像処理装置、画像処理方法、そのプログラム、およびそのプログラムを記録したコンピュータ読取り可能な記録媒体 | |
| CN106096582A (zh) | 区分真人面部与平坦表面 | |
| US9805443B2 (en) | Image processing method, image processing apparatus, program, storage medium, production apparatus, and method of producing assembly | |
| CN112505065A (zh) | 一种实现室内无人机对大部件表面缺陷进行检测的方法 | |
| JP2008506953A5 (ja) | ||
| WO2017163928A1 (ja) | 画像処理装置および方法 | |
| JP2011179909A (ja) | 位置姿勢計測装置、位置姿勢計測方法、プログラム | |
| CN110006444B (zh) | 一种基于优化混合高斯模型的抗干扰视觉里程计构建方法 | |
| JP2007064836A (ja) | カメラキャリブレーションの自動化アルゴリズム | |
| JP5872395B2 (ja) | 領域分割装置 | |
| CN109344758B (zh) | 基于改进局部二值模式的人脸识别方法 | |
| CN112802186B (zh) | 基于二值化特征编码匹配的动态场景实时三维重建方法 | |
| JP4670010B2 (ja) | 移動体分布推定装置、移動体分布推定方法及び移動体分布推定プログラム | |
| JP5872401B2 (ja) | 領域分割装置 | |
| JP2002032760A (ja) | 動物体抽出方法および装置 | |
| WO2021210492A1 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
| WO2021049281A1 (ja) | 画像処理装置、ヘッドマウントディスプレイ、および空間情報取得方法 | |
| JP4830585B2 (ja) | 画像処理装置および画像処理方法 | |
| CN113902847A (zh) | 基于三维特征约束的单目深度图像位姿优化方法 | |
| JP2018049396A (ja) | 形状推定方法、形状推定装置および形状推定プログラム | |
| Tozan et al. | Fuzzy Prediction Based Trajectory Estimation | |
| CN114155281B (zh) | 一种无人机目标跟踪自动初始化方法 | |
| JP4515698B2 (ja) | 動画像合成方法および装置並びにプログラム |