|
移動ロボットのための自己位置推定に焦点を当て、モデルベースの自己位置推定器と機械学習を組み合わせて、様々なことを実現した。
まず自己位置推定結果の信頼度を推定する試みを実施した。モデルベースの自己位置推定法は、自己位置に関する確率分布を推定するものであり、自己位置推定結果が成功・失敗しているかまでは推定できない。そこでまず、機械学習を用いて、自己位置推定の失敗を検知する学習器を構築した。この学習器は確かに自己位置推定の失敗を検知できることを確認したが、ご認識もあることを確認した。そこでこの学習器の不確実性も考慮しながら、自己位置の成功・失敗に関する確率、すなわち信頼度を求める新たな確率モデルを提案した。これにより、学習器の不確実性を低減しながら、信頼推定が行えることを確認した。
さらに、深層学習を用いた物体認識とモデルベースの自己位置推定法を融合する方法も提案した。この方法は、物体認識結果を活用することで、単なる幾何的な照合を行う自己位置推定法よりも、高精度な自己位置推定を実施することを可能にさせる。さらに、物体認識器の持つ不確実性を考慮することを可能するため、物体認識の精度が低下したとしても、自己位置推定への影響を低減させ、頑健な自己位置推定を行うことを可能にさせる。
加えて、モデルベースの自己位置推定法と、機械学習を用いた自己位置推定法をシームレスに融合する方法を提案した。この方法では、互いの利点を活用しながら、欠点を補完する融合を可能にさせる。具体的には、機械学習では難しい連続的でスムーズな位置推定を、モデルベース法を用いて実現し、モデルベース法で実現の困難な自己位置推定からの失敗の復帰をそれぞれ安定して実現させる。
以上のように、モデルベースの自己位置推定と機械学習を融合する様々な方法の実現を達成した。
|
