位置估计系统、位置估计装置以及移动体的制作方法

1.本发明的一个方式涉及一种位置估计系统。另外，本发明的一个方式涉及一种位置估计方法。另外，本发明的一个方式涉及一种位置估计装置。另外，本发明的一个方式涉及一种包括位置估计装置的移动体。


背景技术：

2.近年来，汽车的自动驾驶技术受瞩目。作为自动驾驶技术之一可以举出自身位置估计技术。专利文献1公开了一种方法，其中在汽车中设置传感器，使用该传感器扫描汽车周围的环境来实时获取扫描数据，根据获取的扫描数据估计出自身位置。
3.[先行技术文献]
[0004]
[专利文献]
[0005]
[专利文献1]日本pct国际申请翻译第2018-533721号公报


技术实现要素：

[0006]
发明所要解决的技术问题
[0007]
当根据扫描数据获取自身位置时，自身位置的估计有时需要庞大的运算量。因此，当想要实时获取自身位置时，需要使用高性能运算装置，功耗有时增大。
[0008]
于是，本发明的一个方式的目的之一是提供一种可以进行实时位置估计的位置估计系统。另外，本发明的一个方式的目的之一是提供一种功耗得到降低的位置估计系统。另外，本发明的一个方式的目的之一是提供一种廉价的位置估计系统。另外，本发明的一个方式的目的之一是提供一种新颖位置估计系统。另外，本发明的一个方式的目的之一是提供一种使用上述位置估计系统的位置估计方法。
[0009]
另外，本发明的一个方式的目的之一是提供一种可以进行实时位置估计的位置估计装置。另外，本发明的一个方式的目的之一是提供一种功耗得到降低的位置估计装置。另外，本发明的一个方式的目的之一是提供一种廉价的位置估计装置。另外，本发明的一个方式的目的之一是提供一种新颖位置估计装置。另外，本发明的一个方式的目的之一是提供一种使用上述位置估计装置的位置估计方法。
[0010]
注意，这些目的的记载并不妨碍其他目的的存在。注意，本发明的一个方式并不需要实现所有上述目的。上述目的以外的目的可以显而易见地从说明书、附图、权利要求书等的描述中看出，并且可以从该描述中抽取上述目的以外的目的。
[0011]
解决技术问题的手段
[0012]
本发明的一个方式是一种位置估计系统，该位置估计系统包括学习装置以及位置估计装置，学习装置包括比较部以及学习部，位置估计装置包括数据获取部、推论部、数据转换部以及评价部，数据获取部包括传感器。比较部具有从表示地图信息的三种以上的机器学习用数据中选择两种机器学习用数据，对比两种机器学习用数据来计算出第一平移量及第一旋转量的功能。学习部具有利用两种机器学习用数据、第一平移量及第一旋转量进
行学习来生成机器学习模型的功能。数据获取部具有利用传感器获得获取数据的功能。推论部具有利用机器学习模型根据获取数据、从三种以上的机器学习用数据中选择的一种机器学习用数据推论出第二平移量及第二旋转量的功能。数据转换部具有根据第二平移量及第二旋转量将一种机器学习用数据转换为评价用数据的功能。评价部具有评价获取数据和评价用数据的一致度的功能。
[0013]
另外，本发明的一个方式是一种位置估计系统，该位置估计系统包括学习装置以及位置估计装置，学习装置包括第一点云-图像转换部、比较部以及学习部，位置估计装置包括点云数据获取部、第二点云-图像转换部、推论部、数据转换部以及评价部。第一点云-图像转换部具有将表示地图信息的n种(n是3以上的整数)机器学习用点云数据转换为n种机器学习用图像数据的功能。比较部具有从n种机器学习用点云数据中选择两种机器学习用点云数据，对比两种机器学习用点云数据来计算出第一平移量及第一旋转量的功能。学习部具有利用对应两种机器学习用点云数据的两种机器学习用图像数据、第一平移量及第一旋转量进行学习来生成机器学习模型的功能。点云数据获取部具有获得获取点云数据的功能。第二点云-图像转换部具有将获取点云数据转换为获取图像数据的功能。推论部具有利用机器学习模型根据获取图像数据、从n种机器学习用图像数据中选择的一种机器学习用图像数据推论出第二平移量及第二旋转量的功能。数据转换部具有根据第二平移量、第二旋转量将对应一种机器学习用图像数据的一种机器学习用点云数据转换为评价用点云数据的功能。评价部具有评价获取点云数据和评价用点云数据的一致度的功能。
[0014]
另外，在上述方式中，获取图像数据及机器学习用图像数据也可以是二值数据。
[0015]
另外，在上述方式中，机器学习模型也可以是卷积神经网络模型。
[0016]
另外，在上述方式中，也可以利用扫描匹配计算出第一平移量及第一旋转量。
[0017]
另外，本发明的一个方式是一种位置估计装置，该位置估计装置包括数据获取部、推论部、数据转换部以及评价部，数据获取部包括传感器。数据获取部具有利用传感器获得获取数据的功能。推论部具有利用机器学习模型根据获取数据、从表示地图信息的三种以上的机器学习用数据中选择的一种机器学习用数据推论出第一平移量及第一旋转量的功能。机器学习模型是利用第二平移量及第二旋转量进行学习来生成的，该第二平移量及第二旋转量通过对比从三种以上的机器学习用数据中选择的两种机器学习用数据与两种机器学习用数据来计算出。数据转换部具有根据第一平移量、第一旋转量将一种机器学习用数据转换为评价用数据的功能。评价部具有评价获取数据和评价用数据的一致度的功能。
[0018]
另外，在上述方式中，机器学习模型也可以是卷积神经网络模型。
[0019]
另外，在上述方式中，也可以利用扫描匹配计算出第二平移量及第二旋转量。
[0020]
包括本发明的一个方式的位置估计装置以及电池的移动体也是本发明的一个方式。
[0021]
另外，在上述方式中，移动体也可以具有自动驾驶功能。
[0022]
发明效果
[0023]
根据本发明的一个方式可以提供一种可以进行实时位置估计的位置估计系统。另外，根据本发明的一个方式可以提供一种功耗得到降低的位置估计系统。另外，根据本发明的一个方式可以提供一种廉价的位置估计系统。另外，根据本发明的一个方式可以提供一种新颖位置估计系统。另外，根据本发明的一个方式可以提供一种使用上述位置估计系统
的位置估计方法。
[0024]
另外，根据本发明的一个方式可以提供一种可以进行实时位置估计的位置估计装置。另外，根据本发明的一个方式可以提供一种功耗得到降低的位置估计装置。另外，根据本发明的一个方式可以提供一种廉价的位置估计装置。另外，根据本发明的一个方式可以提供一种新颖位置估计装置。另外，根据本发明的一个方式可以提供一种使用上述位置估计装置的位置估计方法。
[0025]
注意，本发明的一个方式的效果不局限于上述列举的效果。上述列举的效果并不妨碍其他效果的存在。另外，其他效果是指将在下面的记载中描述的上述以外的效果。本领域技术人员可以从说明书或附图等的记载中导出并适当抽出上述以外的效果。此外，本发明的一个方式实现上述效果及/或其他效果中的至少一个效果。因此，本发明的一个方式有时不具有上述列举的效果。
[0026]
附图简要说明
[0027]
图1是示出位置估计系统的结构例子的方框图。
[0028]
图2是示出移动体的一个例子的图。
[0029]
图3是示出机器学习模型的一个例子的图。
[0030]
图4是示出位置估计方法的一个例子的流程图。
[0031]
图5是示出位置估计方法的一个例子的示意图。
[0032]
图6a及图6b是示出位置估计方法的一个例子的示意图。
[0033]
图7是示出位置估计方法的一个例子的流程图。
[0034]
图8a及图8b是示出位置估计方法的一个例子的示意图。
[0035]
实施发明的方式
[0036]
参照附图对实施方式进行详细说明。注意，本发明不局限于以下说明，所属技术领域的普通技术人员可以很容易地理解一个事实就是其方式及详细内容在不脱离本发明的宗旨及其范围的情况下可以被转换为各种各样的形式。因此，本发明不应该被解释为仅限定在以下所示的实施方式所记载的内容中。
[0037]
另外，为了便于理解，有时附图中示出的各构成的位置、大小及范围等并不表示其实际的位置、大小及范围等。因此，所公开的发明不一定局限于附图所公开的位置、大小、范围等。
[0038]
此外，在本说明书中使用的“第一”、“第二”、“第三”等序数词是为了方便识别构成要素而附的，而不是为了在数目方面上进行限定的。
[0039]
(实施方式)
[0040]
在本实施方式中，使用附图说明本发明的一个方式的位置估计系统以及利用该位置估计系统的位置估计方法等。
[0041]
《位置估计系统的结构例子》
[0042]
图1是示出位置估计系统10的结构例子的方框图。位置估计系统10包括学习装置20及位置估计装置30。在此，学习装置20优选设置在服务器等运算能力高的设备中。学习装置20和位置估计装置30间可以通过网络等进行数据等的交换。
[0043]
学习装置20包括输入部21、点云-图像转换部22、比较部23及学习部24。位置估计装置30包括数据获取部31、推论部34、数据转换部35及评价部36。在此，数据获取部31包括
点云数据获取部32及点云-图像转换部33。虽然在图1中未图示，但是学习装置20及位置估计装置30例如可以包括存储部。该存储部可以储存在驱动位置估计系统10时使用的数据及程序等，位置估计系统10的各构成要素可以根据需要读出这些数据及程序等。
[0044]
在图1中，以箭头示出位置估计系统10的构成要素间的数据交换。注意，图1所示的数据交换只是一个例子，有时例如可以在没有以箭头连接的构成要素间进行数据等的交换。此外，有时在以箭头连接的构成要素间也不进行数据交换。
[0045]
首先，说明学习装置20。输入部21被用作接口，被输入机器学习用点云数据pd
ml
。在本发明的一个方式中，输入部21被输入n(n是3以上的整数)个机器学习用点云数据pd
ml
。机器学习用点云数据pd
ml
例如可以是利用设置在位置估计系统10的外部的装置获取并储存在数据库中的点云数据。因此，可以将机器学习用点云数据换称为数据库点云数据。
[0046]
机器学习用点云数据pd
ml
例如可以利用包括激光器和传感器的装置获取。具体而言，例如，可以通过照射激光且使用传感器检测出散射的激光，获取机器学习用点云数据pd
ml
。就是说，例如可以利用lidar(light detection and ranging，激光雷达)获取机器学习用点云数据pd
ml
。获取的机器学习用点云数据pd
ml
表示地图信息，并可以包括识别地图上的位置的信息。就是说，机器学习用点云数据pd
ml
可以说是表示包括位置信息的地图信息的数据。可以将机器学习用点云数据pd
ml
提供至点云-图像转换部22、比较部23及数据转换部35。
[0047]
点云-图像转换部22具有将点云数据转换为图像数据的功能。具体而言，具有将机器学习用点云数据pd
ml
转换为机器学习用图像数据gd
ml
的功能。例如，点云-图像转换部22具有将机器学习用点云数据pd
ml
转换为二值机器学习用图像数据gd
ml
的功能，这里的二值中包括点的坐标为“1”，不包括点的坐标为“0”。如上所述，可以将机器学习用点云数据换称为数据库点云数据。因此，可以将机器学习用图像数据换称为数据库图像数据。
[0048]
如上所述，机器学习用点云数据pd
ml
表示地图信息，机器学习用图像数据gd
ml
是通过转换机器学习用点云数据pd
ml
而得的。因此，机器学习用点云数据pd
ml
及机器学习用图像数据gd
ml
可以说是地图数据。
[0049]
比较部23具有从输入到输入部21的机器学习用点云数据pd
ml
中提取并对比两个机器学习用点云数据pd
ml
来计算出平移量及旋转量的功能。例如，当机器学习用点云数据pd
ml
用二维坐标系(xy坐标系)表示时，比较部23可以计算出x轴方向的移动量δx1及y轴方向的移动量δy1作为平移量。另外，比较部23可以计算出旋转量θ1。
[0050]
以下，在点云数据及图像数据用二维坐标系表示的前提下进行说明，但是即使由于增加平移量及旋转量的维数等而点云数据及图像数据用三维坐标系表示，也可以参照以下的说明。例如，当点云数据及图像数据用三维坐标系表示时，平移量可以用三维向量表示。另外，旋转量可以用旋转向量、旋转矩阵、欧拉角或四元数等表示。当点云数据及图像数据用三维坐标系表示时，点云数据及图像数据可以是三维数组的数据。
[0051]
在本说明书等中，点云数据用二维坐标系表示，当x轴方向的移动量为δx且y轴方向的移动量为δy时，将平移量记载为(δx，δy)。
[0052]
可以利用扫描匹配计算出平移量(δx1，δy1)及旋转量θ1，例如可以利用icp(iterative closest point，迭代最近点)扫描匹配或ndt(normal distribution transform，正态分布转换)扫描匹配进行。平移量(δx1，δy1)及旋转量θ1例如可以以对比
的两个机器学习用点云数据gd
ml
的一致度最高的方式计算。
[0053]
学习部24具有生成机器学习模型mlm的功能。作为机器学习模型mlm，例如可以使用多层感知器、支持向量机、神经网络模型等。尤其是，作为机器学习模型mlm优选使用卷积神经网络(convolutional neural network：cnn)。
[0054]
学习部24具有利用机器学习用图像数据gd
ml
、平移量(δx1，δy1)及旋转量θ1进行学习来生成机器学习模型mlm的功能。机器学习模型mlm的生成例如可以通过有监督学习进行。例如，将对应在比较部23中对比的两个机器学习用点云数据pd
ml
的两个机器学习用图像数据gd
ml
用作学习数据，将平移量(δx1，δy1)及旋转量θ1作为正确标签与该学习数据关联来进行学习，由此可以生成机器学习模型mlm。
[0055]
以上是学习装置20的说明。
[0056]
接着，说明位置估计装置30。数据获取部31具有获取数据的功能。数据获取部31例如具有获取点云数据pd
ac
及获取图像数据gd
ac
的功能。获取图像数据gd
ac
例如可以通过将获取点云数据pd
ac
转换为图像数据而获取，对此将在后面进行详细的说明。
[0057]
可以将数据获取部31所获取的数据提供至推论部34及评价部36。数据获取部31例如可以将获取点云数据pd
ac
提供至评价部36，将获取图像数据gd
ac
例如提供至推论部34。
[0058]
点云数据获取部32具有获得获取点云数据pd
ac
的功能。点云数据获取部32例如包括激光器和传感器，可以通过将激光照射到位置估计装置30周围且使用传感器检测出散射的激光，获得获取点云数据pd
ac
。就是说，点云数据获取部32例如可以利用lidar获取表示位置估计装置30周围的环境信息的获取点云数据pd
ac
。
[0059]
点云-图像转换部33具有将点云数据转换为图像数据的功能。具体而言，具有将获取点云数据pd
ac
转换为获取图像数据gd
ac
的功能。点云-图像转换部33具有通过与点云-图像转换部22进行的方法同样的方法将点云数据转换为图像数据的功能。具体而言，点云-图像转换部33例如具有将获取点云数据pd
ac
转换为二值获取图像数据gd
ac
的功能，这里的二值中包括点的坐标为“1”，不包括点的坐标为“0”。
[0060]
推论部34具有根据机器学习模型mlm进行推论的功能。具体而言，推论部34具有在被输入获取图像数据gd
ac
和一个机器学习用图像数据gd
ml
时根据机器学习模型mlm推论出平移量(δx2，δy2)及旋转量θ2的功能。
[0061]
数据转换部35具有根据平移量(δx2，δy2)及旋转量θ2将对应输入到推论部34的机器学习用图像数据gd
ml
的机器学习用点云数据pd
ml
转换为评价用点云数据pde的功能。具体而言，数据转换部35具有如下功能：将对应输入到推论部34的机器学习用图像数据gd
ml
的机器学习用点云数据pd
ml
所包括的各点平移(δx2，δy2)并旋转θ2，由此将机器学习用点云数据pd
ml
转换为评价用点云数据pde。
[0062]
评价部36具有计算出表示获取点云数据pd
ac
和评价用点云数据pde的一致度的评价值的功能。评价值可以利用在icp扫描匹配或ndt扫描匹配等扫描匹配中使用的方法计算。例如，关于各点，计算出获取点云数据pd
ac
中的点与对应该点的评价用点云数据pde中的点的距离或者距离的二次方。可以将距离之和或者距离的二次方之和作为评价值。此时，可以视为评价值越小，获取点云数据pd
ac
和评价用点云数据pde的一致度越高。
[0063]
当获取点云数据pd
ac
和评价用点云数据pde的一致度低时，可认为位置估计装置30存在于远离该评价用点云数据pde所表示的地方的位置。另一方面，当获取点云数据pd
ac
和
评价用点云数据pde的一致度高时，可认为位置估计装置30存在于接近该评价用点云数据pde所表示的地方的位置。如上所述，通过评价获取点云数据pd
ac
和评价用点云数据pde的一致度，可以估计位置估计装置30的位置。
[0064]
以上是位置估计系统10的结构例子。位置估计系统10可以通过利用机器学习模型mlm的推论计算出平移量(δx2，δy2)及旋转量θ2。由此，与不使用机器学习模型计算出平移量(δx2，δy2)及旋转量θ2的情况相比，可以减少位置估计装置30的运算量。因此，可以在实时估计位置估计装置30的位置的同时降低位置估计装置30的功耗。另外，不需要将高性能的cpu(central processing unit，中央处理器)及gpu(graphics processing unit，图形处理器)等用于位置估计装置30，所以可以实现廉价的位置估计装置30。
[0065]
例如可以将位置估计装置30用于移动体。移动体例如可以是汽车。在图2中，作为移动体的一个例子，示出汽车40。如上所述，可以在位置估计装置30所包括的点云数据获取部32中设置激光器及传感器。图2示出汽车40包括激光器37及传感器38的结构例子。
[0066]
另外，汽车40设置有电池41。电池41可以提供位置估计装置30的驱动所需的功率。
[0067]
通过将位置估计装置30用于移动体，可以实时估计该移动体的位置。因此，使用位置估计装置30的移动体可以具有自动驾驶功能。如上所述，位置估计装置30的功耗很低。因此，即使对移动体使用位置估计装置30并赋予自动驾驶功能，也可以抑制移动体的功耗大幅度高于没有自动驾驶功能的移动体。具体而言，可以抑制移动体中的电池的功耗大幅度增加。
[0068]
如上所述，在位置估计系统10中，将机器学习用点云数据pd
ml
转换为机器学习用图像数据gd
ml
，并提供至学习部24及推论部34。另外，将获取点云数据pd
ac
转换为获取图像数据gd
ac
，并提供至推论部34。就是说，在位置估计系统10中，将点云数据转换为图像数据，使用该图像数据来进行机器学习。由此，机器学习模型mlm例如可以为cnn。此外，也可以不将点云数据转换为图像数据而直接用点云数据进行机器学习。
[0069]
图3是示出可用于机器学习模型mlm的cnn的图。使用cnn的机器学习模型mlm包括输入层il、中间层ml及输出层ol。中间层ml包括卷积层cl、池化层pl及全连接层fcl。图3示出机器学习模型mlm包括m层(m是1以上的整数)卷积层cl和m层池化层pl，并包括两层全连接层fcl的例子。机器学习模型mlm所包括的全连接层fcl既可以是只有一层，又可以是3层以上。
[0070]
在本说明书等中，例如使用[1]、[2]、[m]等的记载区别同一种类的多个层、数据等。例如，将m层的卷积层cl记载为卷积层cl[1]至卷积层cl[m]进行区别。
[0071]
卷积层cl具有对输入到该卷积层cl的数据进行卷积的功能。例如，卷积层cl[1]具有对输入到输入层il的数据进行卷积的功能。此外，卷积层cl[2]具有对从池化层pl[1]输出的数据进行卷积的功能。另外，卷积层cl[m]具有对从池化层pl[m-1]输出的数据进行卷积的功能。
[0072]
卷积通过反复进行输入到卷积层cl的数据及权重滤波器的积和运算进行。通过进行卷积层cl的卷积，对输入到机器学习模型mlm的数据进行特征量提取等。
[0073]
被施行卷积的数据在利用激活函数被转换之后被输出到池化层pl。作为激活函数，可以使用relu(rectified linear units：线性整流函数)等。relu是如下函数：在输入值为负值时输出“0”，在输入值为“0”以上时直接输出输入值。作为激活函数，还可以使用
sigmoid函数、tanh函数等。
[0074]
池化层pl具有对从卷积层cl输入的数据进行池化的功能。池化是如下处理：将数据分割为多个区域，按该区域提取指定数据，并将该数据配置为矩阵状。通过池化，可以在保持卷积层cl所提取的特征的情况下缩小数据量。此外，可以提高对于输入数据的微小的错开的鲁棒性。作为池化，可以利用最大池化、平均池化、lp池化等。
[0075]
全连接层fcl具有结合被输入的数据而使用激活函数将结合后的数据转换而输出的功能。作为激活函数，可以使用relu、sigmoid函数、tanh函数等。
[0076]
注意，使用cnn的机器学习模型mlm的结构不局限于图3的结构。例如，可以按每多个卷积层cl设置池化层pl。也就是说，机器学习模型mlm所包括的池化层pl的个数也可以小于卷积层cl的个数。此外，当想要尽量保持被提取的特征的位置信息时，也可以不设置池化层pl。
[0077]
使用cnn的机器学习模型mlm可以通过进行学习使权重滤波器的滤波值、全连接层fcl的权重系数等最优化。
[0078]
《位置估计方法的一个例子》
[0079]
以下，说明使用位置估计系统10的位置估计方法的一个例子。具体而言，说明利用学习装置20的机器学习模型mlm的生成方法、利用位置估计装置30的使用机器学习模型mlm的位置估计方法的一个例子。通过以下所示的方法例如可以估计位置估计装置30的位置。
[0080]
[机器学习模型的生成方法的一个例子]
[0081]
图4是示出机器学习模型mlm的生成方法的一个例子的流程图。如图4所示，机器学习模型mlm通过步骤s01至步骤s07所示的方法生成。
[0082]
为了生成机器学习模型mlm，首先将机器学习用点云数据pd
ml
[1]至机器学习用点云数据pd
ml
[n]输入到输入部21(步骤s01)。如上所述，机器学习用点云数据pd
ml
可以为利用lidar等获取的表示包括位置信息的地图信息的点云数据。
[0083]
接着，点云-图像转换部22将机器学习用点云数据pd
ml
[1]至机器学习用点云数据pd
ml
[n]分别转换为机器学习用图像数据gd
ml
[1]至机器学习用图像数据gd
ml
[n](步骤s02)。图5是示出步骤s02中的工作的一个例子的示意图。
[0084]
在步骤s02中，点云-图像转换部22将机器学习用点云数据pd
ml
[1]至机器学习用点云数据pd
ml
[n]例如转换为二值机器学习用图像数据gd
ml
[1]至机器学习用图像数据gd
ml
[n]，这里的二值中包括点的坐标为“1”，不包括点的坐标为“0”。图5示出将机器学习用点云数据pd
ml
[1]至机器学习用点云数据pd
ml
[n]转换为二值机器学习用图像数据gd
ml
[1]至机器学习用图像数据gd
ml
[n]的例子，这里的二值中包括点的坐标为黑色，不包括点的坐标为白色。
[0085]
接着，比较部23设定“i”和“j”的值(步骤s03)。然后，对比机器学习用点云数据pd
ml
[i]与机器学习用点云数据pd
ml
[j]，计算出平移量(δx1
i，j
，δy1
i，j
)及旋转量θ1
i，j
(步骤s04)。图6a是示出步骤s04中的工作的一个例子的示意图。在此，i和j都是1以上且n以下的整数。另外，i和j是互不相同的值。在此，机器学习用点云数据pd
ml
[i]和机器学习用点云数据pd
ml
[j]优选为表示彼此接近的位置的点云数据。具体而言，机器学习用点云数据pd
ml
[i]所表示的地方的至少一部分优选包括在机器学习用点云数据pd
ml
[j]中。在步骤s03中，也可以同时设定多个“i”和“j”的值。
[0086]
如上所述，可以利用扫描匹配计算出平移量(δx1
i，j
，δy1
i，j
)及旋转量θ1
i，j
，例如可以利用icp扫描匹配或ndt扫描匹配进行。平移量(δx1
i，j
，δy1
i，j
)及旋转量θ1
i，j
例如可以以机器学习用点云数据pd
ml
[i]和机器学习用点云数据pd
ml
[j]的一致度最高的方式计算。
[0087]
然后，学习部24利用机器学习用图像数据gd
ml
[i]、机器学习用图像数据gd
ml
[j]、平移量(δx1
i，j
，δy1
i，j
)及旋转量θ1
i，j
进行学习(步骤s05)。由此，学习部24可以生成机器学习模型mlm。图6b是示出步骤s05中的工作的一个例子的示意图。
[0088]
在本说明书等中，例如将机器学习用点云数据pd
ml
[i]转换为图像数据而得的数据被用作机器学习用图像数据gd
ml
[i]，将机器学习用点云数据pd
ml
[j]转换为图像数据而得的数据被用作机器学习用图像数据gd
ml
[j]。并且，例如可以将机器学习用点云数据pd
ml
[i]和机器学习用图像数据gd
ml
[i]称为互相对应的数据。另外，将机器学习用点云数据pd
ml
[j]和机器学习用图像数据gd
ml
[j]称为互相对应的数据。将其他点云数据转换为图像数据的情况也是同样的。
[0089]
如上所述，上述学习例如可以为有监督学习。例如，将机器学习用图像数据gd
ml
[i]和机器学习用图像数据gd
ml
[j]用作学习数据，将平移量(δx1
i，j
，δy1
i，j
)及旋转量θ1
i，j
作为正确标签与该学习数据关联来进行学习，由此学习部24可以生成机器学习模型mlm。
[0090]
接着，判断是否结束学习(步骤s06)。也可以在达到规定次数时结束该学习。或者，也可以在使用测试数据进行测试，机器学习模型mlm可以正常输出平移量(δx1
i，j
，δy1
i，j
)及旋转量θ1
i，j
(损失函数的输出值为阈值以下)时，结束该学习。或者，也可以在损失函数的输出值在一定程度饱和时结束该学习。或者，也可以由用户指定结束学习的时序。
[0091]
当不结束学习时，再次进行步骤s03至步骤s06所示的工作。就是说，将“i”和“j”中的一方或双方的值再设定为不同的值来进行学习。
[0092]
当结束学习时，学习部24输出已学习的机器学习模型mlm(步骤s07)。将已学习的机器学习模型mlm提供至位置估计装置30。具体而言，将已学习的机器学习模型mlm提供至位置估计装置30中的推论部34。
[0093]
以上是机器学习模型mlm的生成方法的一个例子。
[0094]
[位置估计方法的一个例子]
[0095]
图7是示出使用机器学习模型mlm的位置估计方法的一个例子的流程图。如图7所示，通过步骤s11至步骤s18所示的方法估计位置估计装置30的位置。
[0096]
为了估计位置，首先点云数据获取部32获取表示位置估计装置30周围的环境信息的获取点云数据pd
ac
(步骤s11)。如上所述，点云数据获取部32例如可以利用lidar获得获取点云数据pd
ac
。
[0097]
接着，点云-图像转换部33将获取点云数据pd
ac
转换为获取图像数据gd
ac
(步骤s12)。例如，点云-图像转换部33可以通过与图5所示的方法同样的方法将获取点云数据pd
ac
转换为获取图像数据gd
ac
。具体而言，点云-图像转换部33可以将获取点云数据pd
ac
转换为二值获取图像数据gd
ac
，这里的二值中包括点的坐标为“1”，不包括点的坐标为“0”。
[0098]
然后，推论部34设定“k”值(步骤s13)，将获取图像数据gd
ac
和机器学习用图像数据gd
ml
[k]输入到在推论部34中构建的机器学习模型mlm。由此，推论出平移量(δx2k，δy2k)及旋转量θ2k(步骤s14)。图8a是示出步骤s14中的工作的一个例子的示意图。k是1以上且n
以下的整数。
[0099]
接着，数据转换部35利用平移量(δx2k，δy2k)和旋转量θ2k将机器学习用点云数据pd
ml
[k]转换为评价用点云数据pde[k](步骤s15)。图8b是示出步骤s15等中的工作的一个例子的示意图。如上所述，数据转换部35可以将机器学习用点云数据pd
ml
[k]所包括的各点平移(δx2k，δy2k)并旋转θ2k，来将机器学习用点云数据pd
ml
[k]转换为评价用点云数据pde[k]。
[0100]
在本说明书等中，将机器学习用点云数据pd
ml
[k]和评价用点云数据pde[k]称为互相对应的数据。
[0101]
然后，评价部36计算出表示获取点云数据pd
ac
和评价用点云数据pde[k]的一致度的评价值。由此，评价获取点云数据pd
ac
和评价用点云数据pde[k]的一致度(步骤s16)。图8b还示出步骤s16中的工作的一个例子。
[0102]
如上所述，评价值可以利用在icp扫描匹配或ndt扫描匹配等扫描匹配中使用的方法计算。通过评价获取点云数据pd
ac
和评价用点云数据pde[k]的一致度，可以评价获取点云数据pd
ac
和机器学习用点云数据pd
ml
[k]的一致度。例如，将包括在两个点云数据的一个点云数据中的点平移并以一点为中心旋转，由此在该点云数据与另一个点云数据一致时，可认为两个点云数据一致。
[0103]
接着，判断设定的“k”值的数量是否达到规定数(步骤s17)。该规定数例如可以为n。此时，关于所有的机器学习用点云数据pd
ml
，可以评价与获取点云数据pd
ac
的一致度。另外，该规定数也可以小于n。此时，例如可以以关于在学习中使用的所有的机器学习用点云数据pd
ml
可以评价与获取点云数据pd
ac
的一致度的方式设定“k”值。
[0104]
当设定的“k”值的数量没有达到规定数时，再次进行步骤s13至步骤s17所示的工作。就是说，将“k”值再设定为不同的值，评价获取点云数据pd
ac
和机器学习用点云数据pd
ml
[k]的一致度。
[0105]
当设定的“k”值的数量达到规定数时，评价部36估计位置估计装置30的位置(步骤s18)。例如，可以将与获取点云数据pd
ac
的一致度最高的机器学习用点云数据pd
ml
所表示的位置视为获得获取点云数据pd
ac
的位置估计装置30的位置。
[0106]
注意，在步骤s17中，即使设定的“k”值的数量没有达到规定数，在获取点云数据pd
ac
和评价用点云数据pde[k]的一致度为阈值以上时，也可以进入步骤s18。此时，可以将与获取点云数据pd
ac
的一致度为阈值以上的评价用点云数据pde[k]所表示的位置视为位置估计装置30的位置。
[0107]
以上是利用位置估计系统10的位置估计方法的一个例子。在利用位置估计系统10的位置估计方法中，可以通过利用机器学习模型mlm的推论计算出平移量(δx2，δy2)及旋转量θ2。由此，与不使用机器学习模型计算出平移量(δx2，δy2)及旋转量θ2的情况相比，可以减少位置估计装置30的运算量。因此，可以在实时估计位置估计装置30的位置的同时降低位置估计装置30的功耗。另外，不需要将高性能的cpu及gpu等用于位置估计装置30，所以可以实现廉价的位置估计装置30。
[0108]
[符号说明]
[0109]
10：位置估计系统、20：学习装置、21：输入部、22：点云-图像转换部、23：比较部、24：学习部、30：位置估计装置、31：数据获取部、32：点云数据获取部、33：点云-图像转换部、
34：推论部、35：数据转换部、36：评价部、37：激光器、38：传感器、40：汽车、41：电池。