JP5897517B2 - 自律移動体 - Google Patents

Description

本発明は、清掃ロボット等の自律的に移動可能な自律移動体に関するものである。

従来、建物内部又は屋外の限定された領域内を、周囲の環境情報に基づいて自律的に移動可能な自律移動型ロボット等の自律移動体が知られている。

このような自律移動体は、移動領域に関して、予め記憶された環境地図上において現在の自己の位置から特定の目標地点までの移動経路を作成することによって、該移動経路に基づく自律移動を可能としている。このため、自律移動体には、一般的に、移動領域内における自己位置を認識する機能が設けられている。

自己位置を認識するには、環境地図と自律移動体に搭載されたセンサから検出される環境情報とを照合する必要があり、様々な手法が研究されている。

ここで、自己位置を認識する場合、環境地図作成時の測定誤差、環境地図作成時と自律移動時との環境の変化、又は人等の自律移動体自体以外の他の移動体の存在によって、自律移動する実際の環境と環境地図との間に齟齬が生じる場合がある。この齟齬に対して、従来の自律移動体では、適切に自己位置を補正できない可能性があった。

この問題を解決するための技術として、例えば特許文献１に開示された自己位置推定装置が知られている。この特許文献１に開示された自己位置推定装置では、道路脇に設置された標識、信号機又は電柱等を移動する虞のあるランドマークとし、このランドマークに対して信頼度を算出し、自己位置を推定するときに、信頼度の低いランドマークよりも信頼度の高いランドマークの影響度を大きくすることによって、信頼度の低いランドマークが存在する環境においても、安定して自己位置を推定できるようになっている。

特開２００８−４０６７７号公報（２００８年２月２１日公開）

ところで、従来の特許文献１に開示された自己位置推定装置では、ランドマークを検出するセンサとしてカメラを用いている。このように、カメラ等のセンサを利用する場合は、ランドマークが個別に環境地図に対応付けられる可能性があるため、信頼できるランドマークが適切な数だけ検出できれば、適切に環境地図と照合できる。

ここで、センサとしてカメラの画像を用いた手法は、一般に、環境の照明の影響及び精度に課題があるという問題点を有している。すなわち、カメラにて撮影するときに周りの状況が暗い場合には、画像が暗くなり、識別の精度が悪くなる。

一方、最近では、位置補正のために利用するセンサとして高精度に障害物までの距離を検出することができるレーザーレンジファインダーが利用されている。しかし、レーザーレンジファインダーを用いて自律移動体の自己位置を推定する場合、ランドマークは障害物であり環境地図に存在しない。この結果、障害物として検出したランドマークを個別に環境地図に対応付けることができないので、自律移動体の自己位置も推定することができない。

そこで、レーザーレンジファインダーにて測定した障害物のうち、信頼度を低下させる、環境地図に存在しない障害物、又は位置が異なる障害物を判別するには、自律移動体の確かな現在位置が必要になる。そのためには、自律移動体における直前位置から仮の現在位置を算出し、その仮の現在位置において環境地図上に存在する障害物の位置を算出することができる。その結果、レーザーレンジファインダーにて測定した障害物は、仮の現在位置と障害物の位置との差分から、環境地図に存在しない障害物として該障害物を除去することができる。

しかしながら、自律移動体における自己位置の推定において、一時的に不正確な位置を算出する場合がある。その場合、仮の現在位置の不正確さによって、環境地図上に存在している障害物であるにもかかわらず、存在しない障害物として扱い、さらなる不正確な位置推定を引き起こす可能性があるという問題点を有している。

本発明は、上記従来の問題点に鑑みなされたものであって、その目的は、環境地図上に存在している障害物であるにもかかわらず、存在しない障害物として扱うことを低減でき、位置推定の精度を向上し得る自律移動体を提供することにある。

本発明の一態様における自律移動体は、上記の課題を解決するために、自己位置を検出しながら移動領域を移動する自律移動体において、ビームを照射して移動領域に存在する障害物との距離を計測するセンサ部と、上記センサ部のビームを照射して計測した障害物との距離から自己位置候補を算出したときの該自己位置候補に対する障害物までのセンサ距離と、上記移動領域に存在する障害物の位置情報を含む環境地図から計算される上記自己位置候補から障害物までの地図距離とを照合することにより、上記自己位置候補を修正して自己位置とする自己位置検出部とを備えていると共に、上記自己位置検出部は、上記センサ部のビームを照射して計測した複数の障害物の各距離測定点をグループ分けして、それぞれの障害物を認識するクラスタリング部を備えていることを特徴としている。

本発明によれば、環境地図上に存在している障害物であるにもかかわらず、存在しない障害物として扱うことを低減でき、位置推定の精度を向上し得る自律移動体を提供するという効果を奏する。

本発明の実施形態１における自律移動体の一例である清掃ロボットのセンサ機構の構成を示すブロック図である。 （ａ）は上記清掃ロボットの構成を示す斜視図であり、（ｂ）は（ａ）のＡ−Ａ’線矢視断面図である。 上記清掃ロボットに搭載されたレーザーレンジファインダーから出射されるレーザー光が測距対象物としての壁に照射されている状態を示す平面図である。 上記清掃ロボットの自律移動に用いられる環境地図としてのグリッドマップを示す平面図である。 上記清掃ロボットの自己位置を求めるためのモンテカルロ自己推定法（Monte Carlo Localization：ＭＣＬ法）のアルゴリズムを用いた動作を示すフローチャートである。 上記モンテカルロ自己推定法にて用いられるパーティクルの尤度に応じてパーティクルを再配布した状態を示す平面図である。 上記モンテカルロ自己推定法にて用いられる信頼度算出ルーチンを示すフローチャートである。 上記清掃ロボットのセンサ部にて検出した障害物をクラスタリングした状態を示す平面図である。 （ａ）〜（ｄ）は、上記清掃ロボットのセンサ部にて検出した障害物クラスタを種類別に分別した状態を示す平面図である。 実環境における上記レーザーレンジファインダーの測定状況を示す平面図である。 仮の現在位置が正しい場合の上記環境地図における障害物の位置を計算した結果をクラスタリングする場合を示す平面図である。 仮の現在位置が間違っている場合の環境地図における障害物の位置を計算した結果をクラスタリングする場合を示す平面図である。 図１１に示す障害物の位置と図１２に示す障害物の位置とを重ねて示す平面図である。 図１１に示す障害物の位置と、図１３に示す障害物の位置とを重ねて示す平面図である。 本発明の実施形態２における自律移動体の一例である清掃ロボットの環境地図の構成を示す平面図である。 （ａ）は、本発明の実施の形態３における清掃ロボットにおいて、検出できた直線、又は円の付近に存在する障害物をクラスタとして扱う方法を採用する判断基準を示す平面図であり、（ｂ）は実施の形態１の清掃ロボットにおけるレーザーレンジファインダーの測定方向に対して隣り合う障害物同士の距離が閾値よりも小さい場合に一つのクラスタとして扱う自己位置検出部の方法を示す平面図である。

〔実施の形態１〕
本発明の一実施形態について図１〜図１４に基づいて説明すれば、以下のとおりである。尚、本実施の形態では、自律移動体の一例である清掃ロボットを挙げて説明するが、本発明は清掃ロボットに限定されるものではない。

最初に、本実施の形態の自律移動体としての清掃ロボットの構成について、図２の（ａ）（ｂ）に基づいて説明する。図２の（ａ）は清掃ロボットの構成を示す斜視図であり、図２の（ｂ）は図２の（ａ）のＡ−Ａ’線矢視断面図である。

本実施の形態の清掃ロボット１は、図２の（ａ）（ｂ）に示すように、駆動機構１０と、清掃機構２０と、筐体３０と、センサ機構４０とを備えている。

駆動機構１０は、清掃ロボット１の後側底部において左右に配置された二つの駆動輪１１・１１と、前側底部においてに回転自在に取り付けた従輪１２・１２と、清掃ロボット１に動作電源を供給するバッテリ１３と、駆動輪１１・１１を駆動する駆動輪モーター１４と、駆動輪１１・１１の回転数を検出するエンコーダ１５、手動走行時の走行方向を決定する走行制御レバー１６とを備えている。

清掃機構２０は、洗浄液を貯留する洗浄液タンク２１と、洗浄液タンク２１に連結された洗浄液吐出部２２とを備え、両者は円筒形のパイプによって接続されて、洗浄液吐出ユニットを構成している。

また、清掃機構２０は、清掃ロボット１内部に吸い込んだ塵や埃等を含む廃液を吸い込む廃液吸引口２３と、吸い込んだ廃液を溜める廃液タンク２４とを備え、両者はパイプによって接続されて、廃液回収ユニットを構成している。さらに、清掃機構２０は、洗浄液吐出部２２の付近に設けられた清掃ブラシ２５と、清掃ブラシ２５を駆動するブラシモーター２６とを備えている。ブラシモーター２６には、図示しないロータリーエンコーダが含まれ、モーターの回転数を検出することができるようになっている。

そして、これらの機構全体を覆うのが筐体３０である。この筐体３０には、洗浄液の飛散や異物の巻き込みを防止するために清掃ロボット１の前端底部に配設された保護部材３１が備えられている。また、筐体３０には、各種モードの設定や自動走行／手動走行の切替、走行／停止の切替等を行なうための操作パネル３２、非常時に停止させるための非常停止スイッチ３３、手動走行時に作業者が清掃ロボット本体を支持するための把手３４、及び前記走行制御レバー１６が備えられている。

尚、清掃ロボット１の形態は、上記のような洗浄液を使用して洗浄するタイプに限定されるものではなく、ファン、集塵室、吸込口等を備えたいわゆる家庭用掃除機のような態様のロボットであってもよい。

上記構成を備えた清掃ロボット１は、一対の駆動輪１１・１１の駆動量をそれぞれ独立に制御することによって、直進や曲線移動（旋回）、後退、その場回転（両車輪の中点を中心とした旋回）等の移動動作を行うことができるようになっている。また、清掃ロボット１は、移動領域内の指定された目的地までの移動経路を自律的に作成し、その移動経路に追従移動する自律移動型の移動体として実現される。そのため、本実施の形態１の清掃ロボット１は、センサ機構４０として、センサ部４１と演算部４２とを備えている。

（センサ部）
以下、センサ機構４０におけるセンサ部４１及び演算部４２について、図１に基づいて説明すると共に、清掃ロボット１の自律移動を制御する制御システムを説明する。図１は、センサ機構４０の構成を示すブロック図である。

本実施の形態のセンサ機構４０におけるセンサ部４１は、図１に示すように、レーザーレンジファインダー４１ａと壁Ｍまでの距離を測定する距離測定部４１ｂとからなっている。

上記レーザーレンジファインダー４１ａは、図２の（ａ）（ｂ）に示すように、清掃ロボット１の前側に配設されている。このレーザーレンジファインダー４１ａは、清掃ロボット１の前方に対して所定の広がり角度でレーザー光を照射するための図示しない光源と、光源から照射されたレーザー光の反射光を受光するための図示しない受光部とを備えている。

上記距離測定部４１ｂは、レーザー光の照射した角度と反射するまでに要した時間とに基づいて、レーザー光が反射された障害物の位置までの距離を測定することにより障害物を検出する。いわゆるＴＯＦ（Time of flight）の原理による障害物検知つまりセンシングが行われる。

ここで、レーザーレンジファインダー４１ａを用いて清掃ロボット１の前方の環境情報つまりセンシングされる障害物の位置及び形状を取得する手法について、図２の（ａ）（ｂ）及び図３に基づいて説明する。図３は清掃ロボット１に搭載されたレーザーレンジファインダー４１ａから出射されるレーザー光が測距対象物としての壁Ｍに照射されている状態を示す平面図である。

まず、清掃ロボット１は、図２の（ａ）（ｂ）に示すように、レーザーレンジファインダー４１ａにて清掃ロボット１の前方に向けてレーザー光を照射し、清掃ロボット１から所定距離内に位置するセンシング領域に存在する障害物の位置つまりセンシングポイントを検出する。

具体的には、レーザーレンジファインダー４１ａは、図３に示すように、レーザー光を所定の広がり角度で出射する。このとき、清掃ロボット１から所定の距離の前方領域が計測可能範囲でありセンシング領域となる。本実施の形態では、このセンシング領域内に障害物である壁Ｍが含まれている。そして、レーザーレンジファインダー４１ａから照射されたレーザー光が障害物である壁Ｍにて反射され、その反射光がレーザーレンジファインダー４１ａにて受光される。これにより、レーザー光を照射したときの清掃ロボット１の自己位置と、レーザーレンジファインダー４１ａから照射されるレーザー光の照射方向と、レーザー光の照射から反射光を受光するまでの時間とから、照射したレーザー光における反射された地点が特定される。

レーザーレンジファインダー４１ａによって計測されるデータは、レーザー素子からの距離とレーザー光の照射方向の角度とにより規定される極座標系として出力される。レーザーレンジファインダー４１ａは、例えば、清掃ロボット１の進行方向前方１８０度を計測する場合の分解能を１．０度としたときには、一度のスキャンにより０度から１８０度に対応する１８１個のデータを計測する。

レーザーレンジファインダー４１ａによって計測されるデータ、つまり、距離測定部４１ｂにて求められた障害物である壁Ｍまでの距離は、演算部４２に設けられた記録領域に記憶される。

（演算部）
演算部４２の構成について、図１及び図４に基づいて説明する。図４は、清掃ロボットの自律移動に用いられる環境地図としてのグリッドマップを示す平面図である。

演算部４２は、図１に示すように、本実施の形態では、清掃ロボット１全体の動作を制御している。上記演算部４２は、記憶部としてのメモリ等の図示しない記憶領域と、自己位置検出部４２ａと、走行制御部４２ｂと、環境地図４２ｃとを有している。また、自己位置検出部４２ａには、クラスタリング部４２ａａと信頼度計算部４２ａｂとが設けられている。

（記憶領域）
図示しない上記記憶領域は、制御信号に基づいて清掃ロボット１の移動速度や移動方向、移動距離等を制御するためのプログラムと共に、清掃ロボット１の移動領域とその領域内に存在する障害物である壁Ｍの位置及び形状に関する情報を含む環境地図４２ｃを記憶している。

環境地図４２ｃとして、本実施の形態では、移動領域内において略一定間隔に配置された格子点を結ぶグリッド線を仮想的に描写することによって作成される図４に示すグリッドマップを用いる。グリッドマップは、清掃ロボット１の移動領域を模擬的に示す地図であり、グリッドマップ上には壁Ｍやその他の障害物の存在情報が登録されている。

尚、図４に示すグリッドマップの格子点間距離Ｓは、実寸に対するマップの縮尺値を示しており、格子点間距離Ｓに升目の数を乗算したものが実際の寸法となる。すなわち、環境地図４２ｃを用いることによって、推定位置つまり後述する現在の自己位置Ｘ’（ｔ−１）からレーザーレンジファインダー４１ａによって距離測定できる壁Ｍまでの距離を算出することができる。

（自己位置検出部）
自己位置検出部４２ａの構成について、図１に基づいて説明する。

自己位置検出部４２ａは、本実施の形態では、モンテカルロ自己推定法（Monte Carlo Localization：ＭＣＬ法）を用いて現在の自己位置を検出する。この方法は、パーティクルフィルタ法を位置推定に適用した手法であり、過去の状態に依存する提案分布から得られたサンプル（これをパーティクル（粒子）と呼ぶ）に対して尤度を計算し、その尤度に基づいて現在の状態を推定する方法である。提案分布の現在の状態に対する確率が０でなく、パーティクル数が無限大ならば真値に収束する。

具体的には、ロボットの姿勢を示すパラメータ（位置 （ｘ，ｙ），方向θ）にて表される空間つまり移動領域に、確率を重みとして持つパーティクル（パーティクルはロボットの姿勢の解の候補）を多数分布させる。そして、ｘｙθ空間の任意の領域にロボットが存在する確率を、その領域中に存在するパーティクルの重みの合計として近似表現する。さらに、パーティクルの重み（後述する尤度）に基づいてパーティクルを再配布することによって、清掃ロボット１が存在する確率が高い位置を中心とするパーティクルの分布が得られる。存在確率は、現実のセンサ測定結果と解の候補の位置において得られるはずの測定結果とを、環境地図４２ｃ上から計算によって算出する。

本実施の形態における清掃ロボット１の自己位置を求めるためのモンテカルロ自己推定法（Monte Carlo Localization：ＭＣＬ法）のアルゴリズムを用いた動作について、図５及び図６に基づいて説明する。図５は、清掃ロボット１の自己位置を求めるためのモンテカルロ自己推定法（Monte Carlo Localization：ＭＣＬ法）のアルゴリズムを用いた動作を示すフローチャートである。図６は、モンテカルロ自己推定法にて用いられるパーティクルの尤度に応じてパーティクルを再配布した状態を示す平面図である。

図５に示すように、初期動作として、清掃ロボット１のシステム起動時には、ランダムにパーティクルを移動領域に配布する（Ｓ１）。その後、後述するステップＳ２〜Ｓ６を一つのサイクルとして、制御周期毎に計算処理を行なう。

まず、駆動輪１１の回転に応じてランダムにパーティクルを移動させる（Ｓ２）。例えば、進行方向の速度と、各速度に対して正規分布に基づく乱数でばらつきを加えた値とを利用してパーティクルを移動させる。

次に、ステップＳ３において、続くステップＳ４にて行う自己位置検出工程の尤度計算の前ステップとして、その尤度計算に用いるレーザーレンジファインダー４１ａの光線方向を特定するための信頼度を計算する。尚、信頼度の計算の詳細については、後述する。

次いで、各パーティクルの位置における距離の計算結果と、レーザーレンジファインダー４１ａの測定結果とを用いてパーティクルの尤度を計算する（Ｓ４）。ここで、各パーティクルの位置における距離の計算結果とは、図４に示したグリッドマップからなる環境地図４２ｃの格子点間距離Ｓに基づいて算出される、各パーティクルの位置からレーザーレンジファインダー４１ａによって正しく測定できる壁Ｍまでの距離のことである。また、レーザーレンジファインダー４１ａの測定結果とは、ステップＳ３において特定したレーザー光線によって測定された直前過去の自己位置Ｘ’（ｔ−１）つまりレーザーレンジファインダー４１ａから障害物である壁Ｍまでの距離のことである。

この場合の尤度とは、レーザーレンジファインダー４１ａの測定結果を中央値として、確率密度関数が正規分布に従う場合の、パーティクルの位置における計算によって求めた壁Ｍまでの距離の尤もらしさになる。

ここで、分解能を考慮した測定の誤差範囲の上限（Ｄｕ_ｋ）、及び分解能を考慮した測定の誤差範囲の下限（Ｄｌ_ｋ）は、下記の式（１）及び式（２）によって表される。

また、レーザー光線一本の尤度Ｐ(Ｄｋ)は下記の式（３）によって表される。

さらに、式（３）中の誤差関数ｅｒｆ(ｘ)は下記の式（４）によって表される。

この結果、各パーティクルの尤度Ｐ_ｉ（Ｄ）は下記の式（５）によって算出することができる。

次に、ステップＳ５では、ステップＳ４にて計算した各パーティクルの尤度に応じてパーティクルを再配布する。

再配布の方法は、まず、全パーティクルの尤度の合計Ｗ_ａｌｌを、下記の式（６）によって算出する。

そして、再配布前のパーティクルの位置にＰ_ｉ（Ｄ）／Ｗ_ａｌｌの確率でパーティクルを再配置する。

具体的には、図６に示すように、まず、古いパーティクルに対して尤度の大きさに応じた器を用意する。次いで、新しいパーティクルをその器に配布し、該器に入った新しいパーティクルは古いパーティクルの位置に再配置される。この再配布によって、測定結果が尤もらしいパーティクルを中心とする分布が得られる。

次に、ステップＳ６では、再配布されたパーティクルの位置の平均から現在の自己位置Ｘ（ｔ）を算出（検出）する。また、自己位置Ｘ（ｔ）は最も尤度が大きいものとしてもよい。

自己位置検出部４２ａは、以上のステップＳ２〜Ｓ６を繰り返して、逐次、清掃ロボット１の現在の自己位置を検出する。

そして、現在の自己位置の情報は、図１に示す走行制御部４２ｂに送られる。走行制御部４２ｂでは、自己位置検出部４２ａから送られた自己位置の情報に基づいて、目的の行動を採るように駆動輪モーター１４に指令を送る。これにより、環境地図４２ｃを参考にして、壁Ｍを避けて走行することができる。

ここで、図５のステップＳ３における信頼度算出方法について、図７〜図１０に基づいて説明する。図７は、モンテカルロ自己推定法にて用いられる信頼度算出ルーチンを示すフローチャートである。図８は、清掃ロボット１のセンサ部４１にて検出した障害物をクラスタリングした状態を示す平面図である。図９は、清掃ロボット１のセンサ部４１にて検出した障害物クラスタを種類別に分別した状態を示す平面図である。図１０は、実環境におけるレーザーレンジファインダーの測定状況を示す平面図である。図１１は、仮の現在位置が正しい場合の環境地図における障害物の位置を計算した結果をクラスタリングする場合を示す平面図である。図１２は、仮の現在位置が間違っている場合の環境地図における障害物の位置を計算した結果をクラスタリングする場合を示す平面図である。図１３は、図１１に示す障害物の位置と、図１２に示す障害物の位置とを重ねて示す平面図である。図１４は、図１１に示す障害物の位置と、図１３に示す障害物の位置とを重ねて示す平面図である。

図５のステップＳ３における信頼度算出は、図１に示す信頼度計算部４２ａｂにて行われる。

具体的には、信頼度計算部４２ａｂは、図７に示すように、最初に、センサ部４１にて検出した障害物をクラスタリングする（Ｓ１１）。すなわち、データの集まりをデータ間の類似度にしたがって、いつかのグループに分ける。クラスタリング方法は様々な方法が考えられるが、本実施の形態では、レーザーレンジファインダー４１ａの測定方向に対して隣り合う障害物同士の距離が閾値よりも小さい場合に一つのクラスタとして扱う方法を採用する。これにより、例えば、図８に示すように、センサ部４１にて検出した障害物である壁Ｍをクラスタリングした状態を示す平面図が得られる。すなわち、図８においては、レーザーレンジファインダー４１ａが距離測定できた光線方向において、隣り合う障害物同士（図８に示す黒丸）の距離が互いに閾値よりも小さい場合に一つのクラスタとして分類され、その結果、図８において一点鎖線にて示す部分が、それぞれ個別の障害物クラスタとして認識される。尚、他の方法としてはミーンシフト（Mean Shift）法等の手法がある。また、幾何学的距離以外の特徴を用いてクラスタリングしてもよい。

次に、図７に示すように、クラスタの種類を判別する（Ｓ１２）。本実施の形態では、クラスタの種類を以下の三種類に分類する。それぞれの分類条件を下記に示す。

直線：相関係数０．９以上
曲線：相関係数が０．９未満かつ障害物の位置における直線の傾きの変化が１０度以下
その他：直線及び曲線以外
上記クラスタは、上記３種類のいずれかに分類し、照合するときに利用する。

次いで、各分類されたクラスタについて、それぞれのクラスタが直線クラスタか否かを判別するために、障害物が存在する位置のｘ座標及びｙ座標の相関係数を算出する。

[相関係数算出]
相関係数の算出に際して、ここでは、一つのクラスタとして、図９の（ａ）に示す障害物Ｏ_ｉが得られているとする。

このクラスタにおいて、相関係数を算出する場合には、レーザーレンジファインダー４１ａの測定方向θｉにおける障害物Ｏ_ｉまでの距離をＤ_ｉとすると、障害物Ｏ_ｉまでの位置（ｘ_ｉ，ｙ_ｉ）は、下記の式にて算出できる。

また、相関係数Ｃは、下記の式で算出できる。

算出した相関係数Ｃの絶対値が閾値以上の場合、対象のクラスタを直線クラスタとする。ここでは、閾値として、相関係数Ｃ≧０．９のときに、直線クラスタとする。

次に、直線以外のクラスタから曲線のクラスタを抽出する。

[直線以外のクラスタにおける直線の傾き算出]
直線ではないクラスタにおいて、障害物における前後の位置関係から障害物の位置における傾きを算出する。傾きは参考点の分布を一次方程式で近似して算出する。ｉ番目の位置における傾きａ_ｉは、下記の式で表される。

上記傾きａ_ｉを、傾きａ_１〜ａ_ｎ−１の範囲で算出し、Δａ＝ａ_ｉ−ａ_ｉ＋１の全てが閾値よりも小さい場合、曲線として扱う。

ここで、図９の（ａ）（ｂ）（ｃ）（ｄ）を用いて具体的に説明する。図９の（ａ）（ｂ）（ｃ）（ｄ）は、清掃ロボット１のセンサ部４１にて検出した障害物クラスタを種類別に分別した状態を示す平面図である。

まず、図９の（ａ）に示すように、クラスタに属する障害物が検出された場合、上記直線の傾きａ_ｉを以下のように順次計算する。
・Ｏ_１は、直線の傾きａ_ｉを算出しない。
・Ｏ_２における直線の傾きａ_２は、図９の（ｂ）に示すように、参考点０_１〜０_３を利用して算出する。
・０_３における直線の傾きａ_３は、図９の（ｃ）に示すように、参考点０_２〜０_４を利用して算出する。
・Ｏ_４における直線の傾きａ_４は、図９の（ｄ）に示すように、参考点Ｏ_３〜Ｏ_５を利用して算出する。
・Ｏ_５は、直線の傾きを算出しない。

尚、直線の傾きａ_２・ａ_３、傾きａ_３・ａ_４の全てが閾値よりも小さい場合、曲線として扱う。直線でも曲線でもないクラスタはその他のクラスタとして扱う。

以上のように、クラスタの種類を直線クラスタ、曲線クラスタ、その他のクラスタに分類する。

次に、図７に示すように、仮の現在位置に基づいて、環境地図４２ｃにおける障害物の位置を算出する（Ｓ１３）。尚、本実施の形態では、環境地図４２ｃにおいてレーザーレンジファインダー４１ａを使って測定した場合に得られる障害物データについてもステップＳ１２と同様にクラスタの種類を判別する。

具体的には、図１０に示すように、実環境におけるレーザーレンジファインダー４１ａの測定においては、斜線領域のように、環境地図４２ｃに存在しない障害物が存在する。

そこで、仮の現在位置が正しいとした場合の環境地図４２ｃにおける障害物の位置を計算した結果をクラスタリングすると、図１１に示すように表される。また、仮の現在位置が間違っているとした場合の環境地図４２ｃにおける障害物の位置を計算した結果をクラスタリングすると、図１２に示すように表される。尚、図１２においては、実際とは異なる向きで障害物の位置を計算している。また、本実施の形態では、環境地図４２ｃにおいてレーザーレンジファインダー４１ａを使って測定した場合に得られる障害物データを算出しているが、グリッドマップから直接図形を抽出する等の方法を用いてもよい。

次に、図７に示すように、センサ部４１のクラスタにおける障害物の位置と環境地図４２ｃにおけるクラスタの障害物の位置とからセンサ部４１のクラスタの信頼度を算出する。本実施の形態では、クラスタ同士を照合して一致すれば信頼度１とし、一致しなければ信頼度０とする。また、判別する条件は、
・直線以外：クラスタ間の最も近い位置の距離が閾値以下かつ、クラスタの種類が一致する場合に一致しているとする。
・直線：直線以外の条件に加えて、直線の傾きの差が閾値以内である場合、一致していないとする。

具体的には、図１１に示す仮の現在位置が正しい場合の障害物の位置と図１２に示す仮の現在位置が間違っている場合の障害物の位置と重ね合わす。その結果、図１３に示すように、仮の現在位置が正しいので、レーザーレンジファインダー４１ａの環境地図４２ｃに存在しない障害物クラスタの近くに、環境地図４２ｃから算出した障害物クラスタは存在しない。この結果、環境地図４２ｃに存在しない障害物を判別することができる。具体的には、図１３において二点鎖線で示す障害物クラスタは、環境地図４２ｃから環境地図４２ｃから算出した障害物クラスタと一致していないので、信頼度０と判断することが分かる。

次に、図１１に示す仮の現在位置が正しい場合の障害物の位置と、図１３に示す障害物の位置と重ね合わすと、図１４に示すようになる。この結果、図１４から以下のことが分かる。
（１）Ｒ１クラスタは、Ｖ１クラスタが近くに存在し、クラスタの種類が同じでありかつ直線の傾きの差が小さいため、Ｒ１クラスタとＶ１クラスタとは一致する。
（２）Ｒ２クラスタは、Ｖ１クラスタが近いが、クラスタの種類が異なるため、Ｒ２クラスタとＶ１クラスタとは一致しない。
（３）Ｒ３クラスタは、Ｖ１クラスタ及びＶ２クラスタが近い。Ｒ３クラスタの種類はＶ１クラスタの種類と同じであるが、傾きの差が大きいので、Ｒ３クラスタとＶ１クラスタとは一致しない。また、Ｖ２クラスタはＲ３クラスタとは互いに種類も同じで、傾きの差が小さいので、Ｒ３クラスタとＶ２クラスタとは一致する。
（４）Ｒ４クラスタは、Ｖ２クラスタ及びＶ３クラスタが近い。Ｖ２クラスタはＲ４クラスタとは種類が異なるため、Ｒ４クラスタとＶ２クラスタとは一致しない。Ｖ３クラスタは、Ｒ４クラスタとは同じ曲線クラスタであるため、Ｒ４クラスタとＶ３クラスタとは一致する。
（５）Ｒ５クラスタは、Ｖ３クラスタが近いが、Ｒ５クラスタとＶ３クラスタとはクラスタの種類が異なるため、Ｒ５クラスタとＶ３クラスタとは一致しない。

以上から、Ｒ１クラスタ、Ｒ３クラスタ及びＲ４クラスタは、一致するクラスタが存在するため信頼度を１とする。

これにより、仮の現在位置と実際とは異なるにもかかわらず、環境地図４２ｃに存在しない障害物を判別することができる。尚、クラスタの信頼度をそのままクラスタに属する障害物の信頼度としてもよいし、クラスタ内部の分布によってそれぞれの障害物の信頼度を変化させてもよい。すなわち、本実施の形態では、信頼度１の場合に環境地図４２ｃに存在する障害物であると判断しているが、必ずしもこれに限らず、得られた信頼度が基準信頼度よりも大きい場合に、環境地図４２ｃに存在する障害物であると判断することが可能である。

このように、ステップＳ１１〜Ｓ１４の過程を経ることによって、障害物の信頼度を算出することができる。

尚、本実施の形態では、クラスタ同士を比較しているが、必ずしもこれに限らず、環境地図４２ｃから算出する障害物の位置情報は図形情報等でもよい。

このように、本実施の形態の自律移動体としての清掃ロボット１は、ビームを照射して移動領域に存在する障害物との距離を計測するセンサ部４１と、センサ部４１のビームを照射して計測した障害物との距離から自己位置候補を算出したときの該自己位置候補に対する障害物までのセンサ距離と、移動領域に存在する障害物の位置情報を含む環境地図４２ｃから計算される自己位置候補から障害物までの地図距離とを照合することにより、自己位置候補を修正して自己位置とする自己位置検出部４２ａとを備えている。

この構成により、清掃ロボット１は、自己位置を検出しながら移動領域を移動することができる。

ここで、本実施の形態の清掃ロボット１では、自己位置検出部４２ａは、センサ部４１のビームを照射して計測した複数の障害物の各距離測定点を各クラスタにグループ分けして、それぞれの障害物を認識するクラスタリング部４２ａａを備えている。このため、個々の障害物の識別が容易となる。

したがって、環境地図上に存在している障害物であるにもかかわらず、存在しない障害物として扱うことを低減でき、位置推定の精度を向上し得る清掃ロボット１を提供することができる。

また、本実施の形態における清掃ロボット１では、クラスタリング部４２ａａは、各障害物の各クラスタに対して、隣り合う方向の障害物測定点の幾何学的距離が閾値よりも近い場合に、同じクラスタとして扱う。

これにより、隣り合う方向の障害物測定点の幾何学的距離が閾値よりも近いか、又は遠いかを判断することにより、個別の障害物であるか否かを容易に識別することができる。

この結果、センサ部４１にてビーム照射して求めた障害物の各クラスタと環境地図４２ｃ上に存在している障害物との照合を容易かつ的確に行うことができる。

また、本実施の形態における清掃ロボット１では、クラスタリング部４２ａａは、各障害物の各クラスタに対して、該各クラスタに属する障害物測定点Ｏ_１〜Ｏ_５の分布からクラスタの特徴量を算出する。

これにより、クラスタの特徴量として、例えば直線、曲線として表すことができる。この結果、障害物の形状を単純化した線同士で比較することができるので、環境地図４２ｃ上に存在している障害物とセンサ部４１にてビーム照射して求めた障害物との照合を一層容易かつ的確に行うことができる。

また、本実施の形態における清掃ロボット１では、自己位置検出部４２ａは、クラスタリング部４２ａａにてセンサ距離に基づいて各障害物を各クラスタにグループ分けし、各クラスタと環境地図４２ｃから算出した障害物の位置とを照合することによって障害物毎にその障害物が存在することの信頼度を計算する信頼度計算部４２ａｂを備えている。そして、自己位置検出部４２ａは、センサ部４１のビームを照射して計測した障害物の距離から自己位置候補を算出するときに、信頼度計算部４２ａｂにて計算された信頼度が基準信頼度よりも大きい障害物を選択して、自己位置候補を算出する。

これにより、センサ部４１のビームを照射して計測して求めた障害物が、環境地図４２ｃ上に存在している障害物に一致する確率が高くなるので、自己位置検出部４２ａは、精度よく自己位置を検出することができる。

したがって、一時的な自己位置の不正確によって、環境地図４２ｃ上に存在している障害物であるにもかかわらず、存在しない障害物として扱うことを低減でき、位置推定の精度を向上し得る清掃ロボット１を提供することができる。

また、本実施の形態における清掃ロボット１では、クラスタリング部４２ａａは、自己位置候補に基づいて環境地図４２ｃから算出した障害物の位置を各クラスタにグループ分けすると共に、信頼度計算部４２ａｂは、環境地図４２ｃから算出した各障害物の位置の各クラスタと、該各クラスタに対応するセンサ距離に基づく各障害物の各クラスタとを比較することによって前記信頼度を計算する。

これにより、クラスタリング部４２ａａは、センサ距離に基づく各障害物の各クラスタだけでなく、環境地図４２ｃから算出した各障害物をも各クラスタにグループ分けする。この結果、両者が単純な線同士で比較されるので、環境地図４２ｃ上に存在している各障害物と、センサ部４１にてビーム照射して求めた各障害物との照合をより一層容易かつ的確に行うことができる。

尚、本発明は、上記の実施の形態に限定されるものではなく、本発明の範囲内で種々の変更が可能である。

例えば、本実施の形態では、センサ部４１にレーザーレンジファインダー４１ａを用いているが、必ずしもこれに限らず、本発明においては、ビームを照射し、物体により反射されたビームから情報を得るセンサが、スキャン等により広い角度で情報を得る構成となっているものであればよい。具体的には、例えば、超音波、赤外距離測定センサ、ミリ波レーダーが、スキャン又は多方向照射するようなものであればよい。

また、本実施の形態では、モンテカルロ自己推定法（Monte Carlo Localization：ＭＣＬ法）を用いているが、必ずしもこれに限らず、この方法以外に、拡張カルマンフィルター法を用いることも可能である。

〔実施の形態２〕
本発明の他の実施の形態について図１５に基づいて説明すれば、以下のとおりである。尚、本実施の形態において説明すること以外の構成は、前記実施の形態１と同じである。また、説明の便宜上、前記の実施の形態１の図面に示した部材と同一の機能を有する部材については、同一の符号を付し、その説明を省略する。

前記実施の形態１の自律移動体として清掃ロボット１では、環境地図４２ｃにグリッドマップを用いていた。この点、本実施の形態の自律移動体として清掃ロボット１では、障害物オブジェクトを直接記述する形式を採用している点が異なっている。

本実施の形態の自律移動体として清掃ロボットにおいて、障害物オブジェクトを直接記述する環境地図４２ｃ’を用いて実現する場合について、図１５に基づいて説明する。図１５は、障害物オブジェクトを直接記述する環境地図４２ｃ’の構成を示す平面図である。

本実施の形態の環境地図４２ｃ’は、図１５に示すように、障害物オブジェクトを直接記述するオブジェクト式を採用したものとなっている。このオブジェクト式では、障害物を基点の座標と線種とによって表現する。

具体的には、環境地図４２ｃ’は、図１５において太線の実線で示すレーザーレンジファインダー４１ａにて測定できる壁Ｍは、長方形であり直線の寸法にて表現できる。また、太線の破線で示す壁Ｍは円であり、中心の座標と直径とで記述できる。

ここで、実施の形態１において用いたグリッド形式の環境地図４２ｃは障害物が複雑な形状でも柔軟に地図を記述できるが、障害物が少ないほど計算量が大きくなる。

これに対して、本実施の形態２において用いるオブジェクト式の環境地図４２ｃ’の場合、障害物が複雑な形状を記述することは困難であるが、パーティクルの位置とオブジェクトとの距離の一般解を求められる形状であれば、高速に計算できるというメリットがある。

〔実施の形態３〕
本発明の他の実施の形態について図１６に基づいて説明すれば、以下のとおりである。尚、本実施の形態において説明すること以外の構成は、前記実施の形態１及び実施の形態２と同じである。また、説明の便宜上、前記の実施の形態１及び実施の形態２の図面に示した部材と同一の機能を有する部材については、同一の符号を付し、その説明を省略する。

前記実施の形態１の自律移動体として清掃ロボット１では、レーザーレンジファインダー４１ａの測定方向に対して隣り合う障害物同士の距離が閾値よりも小さい場合、一つのクラスタとして扱っていた。これに対して、本実施の形態の自律移動体として清掃ロボット１では、一つのクラスタとして扱う場合の判断基準が異なっている。

本実施の形態の自律移動体として清掃ロボットにおいて、一つのクラスタとして扱う場合の判断基準について、図１６の（ａ）（ｂ）に基づいて説明する。図１６の（ａ）は、検出できた直線、又は円の付近に存在する障害物をクラスタとして扱う方法を採用する本実施の形態の判断基準を示す平面図であり、図１６の（ｂ）は、レーザーレンジファインダー４１ａの測定方向に対して隣り合う障害物同士の距離が閾値よりも小さい場合に一つのクラスタとして扱う自己位置検出部４２ａにおける実施の形態１の検出方法を示す平面図である。

すなわち、実施の形態１のように、隣り合う障害物同士の距離が閾値よりも小さい場合を一つのクラスタとして扱うと、図１６の（ｂ）に示すように、壁Ｍの遠くを検出している場合、クラスタの数が増大してしまう虞れがある。

そこで、本実施の形態では、画像処理にて用いられるハフ変換を用いることによって、直線、円を検出することを可能としている。

具体的には、図１６の（ａ）に示すように、検出できた直線、円の付近に存在する障害物をクラスタとして扱う。これによって、壁Ｍの遠くを検出している場合でも一つのクラスタとして扱うことができる。

〔実施の形態４〕
本発明の他の実施の形態について説明すれば、以下のとおりである。尚、本実施の形態において説明すること以外の構成は、前記実施の形態１〜実施の形態３と同じである。また、説明の便宜上、前記の実施の形態１〜実施の形態３の図面に示した部材と同一の機能を有する部材については、同一の符号を付し、その説明を省略する。

実施の形態１〜実施の形態３にて説明した自律移動体として清掃ロボット１では、演算部４２の制御ブロック、特に自己位置検出部４２ａは、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ＣＰＵ（Central Processing Unit）を用いてソフトウェアによって実現してもよい。

後者の場合、演算部４２は、各機能を実現するソフトウェアであるプログラムの命令を実行するＣＰＵ、上記プログラムおよび各種データがコンピュータ（又はＣＰＵ）で読み取り可能に記録されたＲＯＭ（Read Only Memory）又は記憶装置（これらを「記録媒体」と称する）、上記プログラムを展開するＲＡＭ（Random Access Memory）等を備えている。

そして、コンピュータ（又はＣＰＵ）が上記プログラムを上記記録媒体から読み取って実行することにより、本発明の目的が達成される。上記記録媒体としては、「一時的でない有形の媒体」、例えば、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路等を用いることができる。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。尚、本発明は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。

〔まとめ〕
本発明の態様１における自律移動体（清掃ロボット１）は、自己位置を検出しながら移動領域を移動する自律移動体において、ビームを照射して移動領域に存在する障害物との距離を計測するセンサ部４１と、上記センサ部４１のビームを照射して計測した障害物との距離から自己位置候補を算出したときの該自己位置候補に対する障害物までのセンサ距離と、上記移動領域に存在する障害物の位置情報を含む環境地図４２ｃから計算される上記自己位置候補から障害物までの地図距離とを照合することにより、上記自己位置候補を修正して自己位置とする自己位置検出部４２ａとを備えていると共に、上記自己位置検出部４２ａは、上記センサ部４１のビームを照射して計測した複数の障害物の各距離測定点を各クラスタにグループ分けして、それぞれの障害物を認識するクラスタリング部４２ａａを備えていることを特徴としている。

上記の発明によれば、自己位置検出部によって、センサ部のビームを照射して計測した障害物との距離から自己位置候補を算出したときの該自己位置候補に対する障害物までのセンサ距離と、上記移動領域に存在する障害物の位置情報を含む環境地図から計算される上記自己位置候補から障害物までの地図距離とを照合することにより、上記自己位置候補を修正して自己位置とする。

このため、自律移動体は、自己位置を検出しながら移動領域を移動することができる。

ところで、この種の自律移動体においては、センサ部からビームを照射して障害物との距離を計測して障害物を推測する。この場合、複数の障害物が存在する場合に、的確に個別の障害物であると判断することが困難である。その結果、環境地図上に存在している障害物であるにもかかわらず、存在しない障害物として扱うことになり、位置推定の精度が低下することになる。

これに対して、本発明では、自己位置検出部は、センサ部のビームを照射して計測した複数の障害物の各距離測定点を各クラスタにグループ分けして、それぞれの障害物を認識するクラスタリング部を備えている。このため、クラスタリング部にて、センサ部のビームを照射して計測した複数の障害物の各距離測定点をグループ分けして、それぞれの障害物を認識するので、個々の障害物の識別が容易となる。

したがって、環境地図上に存在している障害物であるにもかかわらず、存在しない障害物として扱うことを低減でき、位置推定の精度を向上し得る自律移動体を提供することができる。

本発明の態様２における自律移動体（清掃ロボット１）は、態様１における自律移動体において、前記クラスタリング部４２ａａは、前記各障害物の各クラスタに対して、隣り合う方向の障害物測定点の幾何学的距離が閾値よりも近い場合に、同じクラスタとして扱うことが好ましい。

これにより、隣り合う方向の障害物測定点の幾何学的距離が閾値よりも近いか、又は遠いかを判断することにより、個別の障害物であるか否かを容易に識別することができる。

この結果、センサ部にてビーム照射して求めた障害物の各クラスタと、環境地図上に存在している障害物との照合を容易かつ的確に行うことができる。

本発明の態様３における自律移動体（清掃ロボット１）は、態様１又は２における自律移動体において、前記クラスタリング部４２ａａは、前記各障害物の各クラスタに対して、該各クラスタに属する障害物測定点の分布からクラスタの特徴量を算出することが好ましい。

これにより、クラスタの特徴量として、例えば直線、曲線として表すことができる。この結果、障害物の形状を単純化した線同士で比較することができるので、環境地図上に存在している障害物と、センサ部にてビーム照射して求めた障害物との照合を一層容易かつ的確に行うことができる。

本発明の態様４における自律移動体（清掃ロボット１）は、態様１，２又は３における自律移動体において、前記自己位置検出部４２ａは、クラスタリング部４２ａａにて前記センサ距離に基づいて各障害物を各クラスタにグループ分けし、各クラスタと上記環境地図４２ｃから算出した障害物の位置とを照合することによって障害物毎にその障害物が存在することの信頼度を計算する信頼度計算部４２ａｂを備えていると共に、該自己位置検出部４２ａは、上記センサ部４１のビームを照射して計測した障害物の距離から自己位置候補を算出するときに、信頼度計算部４２ａｂにて計算された信頼度が基準信頼度よりも大きい障害物を選択して、該自己位置候補を算出することが好ましい。

これにより、自己位置検出部は、センサ部のビームを照射して計測した障害物の距離から自己位置候補を算出するときに、信頼度計算部にて計算された信頼度が基準信頼度よりも大きい障害物を選択して、該自己位置候補を算出する。この結果、センサ部のビームを照射して計測して求めた障害物が、環境地図上に存在している障害物に一致する確率が高くなるので、自己位置検出部は、精度よく自己位置を検出することができる。

したがって、一時的な自己位置の不正確によって、環境地図上に存在している障害物であるにもかかわらず、存在しない障害物として扱うことを低減でき、位置推定の精度を向上し得る自律移動体を提供することができる。

本発明の態様５における自律移動体（清掃ロボット１）は、態様４における自律移動体において、前記クラスタリング部４２ａａは、自己位置候補に基づいて前記環境地図４２ｃから算出した障害物の位置を各クラスタにグループ分けすると共に、前記信頼度計算部４２ａｂは、上記環境地図４２ｃから算出した各障害物の位置の各クラスタと、該各クラスタに対応する前記センサ距離に基づく各障害物の各クラスタとを比較することによって前記信頼度を計算することが好ましい。

これにより、自己位置検出部のクラスタリング部は、センサ距離に基づく各障害物の各クラスタだけでなく、環境地図から算出した各障害物をも各クラスタにグループ分けする。この結果、両者が単純な線同士で比較されるので、環境地図上に存在している各障害物とセンサ部にてビーム照射して求めた各障害物との照合をより一層容易かつ的確に行うことができる。

本発明は、業務用の清掃機等の自律移動体の他、工場用の搬送用ロボット等に利用できる。

１ 清掃ロボット（自律移動体）
１０ 駆動機構
１１ 駆動輪
１２ 従輪
１３ バッテリ
１４ 駆動輪モーター
１６ 走行制御レバー
２０ 清掃機構
２１ 洗浄液タンク
２２ 洗浄液吐出部
２４ 廃液タンク
２５ 清掃ブラシ
２６ ブラシモーター
３０ 筐体
３１ 保護部材
３２ 操作パネル
３３ 非常停止スイッチ
３４ 把手
４０ センサ機構
４１ センサ部
４１ａ レーザーレンジファインダー
４１ｂ 距離測定部
４２ 演算部
４２ａ 自己位置検出部
４２ａａ クラスタリング部
４２ａｂ 信頼度計算部
４２ｂ 走行制御部
４２ｃ 環境地図
４２ｃ’ 環境地図
Ｍ 壁（障害物）
Ｏ 障害物（障害物測定点）

Claims (4)

1. 自己位置を検出しながら移動領域を移動する自律移動体において、
   ビームを照射して移動領域に存在する障害物との距離を計測するセンサ部と、
   上記センサ部のビームを照射して計測した障害物との距離から自己位置候補を算出したときの該自己位置候補に対する障害物までのセンサ距離と、上記移動領域に存在する障害物の位置情報を含む環境地図から計算される上記自己位置候補から障害物までの地図距離とを照合することにより、上記自己位置候補を修正して自己位置とする自己位置検出部とを備えていると共に、
   上記自己位置検出部は、上記センサ部のビームを照射して計測した複数の障害物の各距離測定点を各クラスタにグループ分けして、それぞれの障害物を認識するクラスタリング部を備えており、
   前記クラスタリング部は、前記各障害物の各クラスタに対して、該クラスタに属する障害物測定点の分布から各クラスタの特徴量を算出すると共に、
   上記特徴量を算出するときに、上記クラスタに属する障害物測定点の分布を一次方程式で近似することにより傾きを算出し、上記各障害物測定点の各一次方程式の傾きの差が閾値よりも小さい場合、該クラスタの特徴量を曲線として算出することを特徴とする自律移動体。
2. 前記クラスタリング部は、前記各障害物の各クラスタに対して、隣り合う方向の障害物測定点の幾何学的距離が閾値よりも近い場合に、同じクラスタとして扱うことを特徴とする請求項１記載の自律移動体。
3. 前記自己位置検出部は、クラスタリング部にて前記センサ距離に基づいて各障害物を各クラスタにグループ分けし、各クラスタと上記環境地図から算出した障害物の位置とを照合することによって障害物毎にその障害物が存在することの信頼度を計算する信頼度計算部を備えていると共に、
   該自己位置検出部は、上記センサ部のビームを照射して計測した障害物の距離から自己位置候補を算出するときに、信頼度計算部にて計算された信頼度が基準信頼度よりも大きい障害物を選択して、該自己位置候補を算出することを特徴とする請求項１又は２記載の自律移動体。
4. 前記クラスタリング部は、自己位置候補に基づいて前記環境地図から算出した障害物の位置を各クラスタにグループ分けすると共に、
   前記信頼度計算部は、上記環境地図から算出した各障害物の位置の各クラスタと、該各クラスタに対応する前記センサ距離に基づく各障害物の各クラスタとを比較することによって前記信頼度を計算することを特徴とする請求項３記載の自律移動体。

Images