[发明专利]自身位置估计模型学习方法、自身位置估计模型学习装置、自身位置估计模型学习程序、自身位置估计方法、自身位置估计装置、自身位置估计程序以及机器人

说明书

自身位置估计模型学习装置(10)包括：取得部(30)，其按时间序列取得在动态环境中从自身位置估计对象的视点拍摄到的局部图像以及从俯瞰自身位置估计对象的位置拍摄到的与所述局部图像同步的俯瞰图像；以及学习部(32)，其对以按时间序列取得的局部图像以及俯瞰图像为输入而输出自身位置估计对象的位置的自身位置估计模型进行学习。

技术领域

本发明涉及自身位置估计模型学习方法、自身位置估计模型学习装置、自身位置估计模型学习程序、自身位置估计方法、自身位置估计装置、自身位置估计程序以及机器人。

背景技术

在现有的基于特征点的自身位置估计(Simultaneously Localization andMapping：SLAM)算法(例如参照非专利文献1“ORB-SLAM2：an Open-Source{SLAM}Systemfor Monocular，Stereo and{RGB-D}Cameras https：/128.84.21.199/pdf/1610.06475.pdf”)中，通过在多个视点观测三维空间中的静态特征点，计算旋转或平移那样的移动信息。

但是，在人群场景等包括较多动物体和遮挡的环境下，几何制约失败，无法进行稳定的位置复原，频繁丢失地图上的自身位置(例如参照非专利文献2“Getting RobotsUnfrozen and Unlost in Dense Pedestrian Crowds https://arxiv.org/pdf/1810.00352.pdf”)。

作为其他处理动物体的方法，存在将动物体的运动直接模型化的方法、使用降低相当于动物体的部位的影响那样的误差函数的鲁棒估计方法，但都无法应用于如人群那样的复杂且密集的动态环境。

此外，在以非专利文献1记载的技术为代表的基于特征点的SLAM中，通过根据场景的特征点制作视觉词库(Visual Vocabrary)，将其保存在数据库中，能够识别同一场景。

另外，在非专利文献3([N.N+,ECCV’16]Localizing and Orienting StreetViews Using Overhead Imagery https://lugiavn.github.io/gatech/crossview_ecev2016/nam_ecev2016.pdf)、非专利文献4([S.Workman+,ICCV’15]Wide-Area ImageGeolocalization with Aerial Reference Imagery https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Workman_Wide-Area_Image_Geolocalization_ICCV_2015_paper.pdf)中，公开了能够从俯瞰图像和局部图像分别进行特征提取，检索局部图像分别与俯瞰图像的哪个块对应的技术。

发明内容

发明所要解决的课题

但是，在上述非专利文献3、4记载的技术中，由于都仅将静态场景间的图像类似度作为匹配的线索，所以匹配精度低，候选区域大量出现。

本公开的技术是鉴于上述的点而完成的，其目的在于提供一种即使在以往难以估计自身位置估计对象的自身位置的动态环境中，也能够估计自身位置估计对象的自身位置的自身位置估计模型学习方法、自身位置估计模型学习装置、自身位置估计模型学习程序、自身位置估计方法、自身位置估计装置、自身位置估计程序以及机器人。

用于解决课题的手段