CN105247431A - 自主移动体 - Google Patents

Abstract

在本发明的自主移动体中，清扫机器人(1)的自我位置检测部(42a)具备聚类部(42ab)，上述聚类部(42ab)将照射传感部(41)的光束而测量出的多个障碍物的各距离测定点按各聚类进行分组，识别各个障碍物。

Description

自主移动体

技术领域

本发明涉及清扫机器人等能自主地移动的自主移动体。

背景技术

以往，已知基于周围的环境信息能在建筑物内部或者屋外的限定的区域内自主地移动的自主移动型机器人等自主移动体。

这种自主移动体的移动区域在预先存储的环境地图上作成从当前的自我位置到特定的目标地点的移动路径，由此能进行基于该移动路径的自主移动。因此，在自主移动体中一般设有识别移动区域内的自我位置的功能。

为了识别自我位置，需要比对环境地图和由搭载于自主移动体的传感器检测出的环境信息，研究了各种方法。

其中，在识别自我位置的情况下，由于环境地图作成时的测定误差、环境地图作成时与自主移动时的环境变化、或者存在人等自主移动体本身以外的其它移动体，有时在自主移动的实际的环境和环境地图之间产生不一致。针对该不一致，现有的自主移动体有可能无法适当地校正自我位置。

作为用于解决该问题的技术，已知例如在专利文献1中公开的自我位置推定装置。在该专利文献1所公开的自我位置推定装置中，将设于道路边的标志、信号机或者电线杆等作为有可能经过的地标，针对该地标算出信赖度，当推定自我位置时，增大与信赖度低的地标相比信赖度更高的地标的影响度，由此在存在信赖度低的地标的环境下，也能稳定地推定自我位置。

现有技术文献

专利文献

专利文献1：日本国公开特许公报“特开2008－40677号公报(2008年2月21日公开)”

发明内容

发明要解决的问题

然而，在现有的专利文献1所公开的自我位置推定装置中，将摄像机用作检测地标的传感器。这样，在使用摄像机等传感器的情况下，有可能是地标单独地与环境地图对应，因此如果能仅检测出适当数量的可信赖地标，则能与环境地图适当地进行比对。

其中，使用作为传感器的摄像机的图像的方法通常有以下问题：在环境的照明的影响和精度上需要改善。即，在由摄像机拍摄时周围的状况较暗的情况下，图像会变暗，识别精度变差。

另一方面，最近使用能高精度地检测到障碍物的距离的激光测距仪作为为了进行位置校正而使用的传感器。但是，在使用激光测距仪推定自主移动体的自我位置的情况下，地标是障碍物且不存在于环境地图。其结果是，无法将作为障碍物检测出的地标单独地与环境地图对应起来，因此也无法推定自主移动体的自我位置。

因此，为了辨别由激光测距仪测定出的障碍物中的、使信赖度降低的、不存在于环境地图的障碍物或者位置不同的障碍物，需要自主移动体的准确的当前位置。为此，能根据自主移动体的紧前位置算出假设的当前位置，算出在该假设的当前位置存在于环境地图上的障碍物的位置。其结果是，能根据假设的当前位置与障碍物的位置的差将由激光测距仪测定出的障碍物作为不存在于环境地图中的障碍物而将该障碍物去掉。

但是，在自主移动体的自我位置的推定中，有时会暂时算出不准确的位置。在这种情况下具有如下问题：由于假设的当前位置的不准确，虽然是存在于环境地图上的障碍物但却有可能作为不存在的障碍物进行处理，而导致更不准确的位置推定。

本发明是鉴于上述现有的问题而完成的，其目的在于提供可减少虽然是存在于环境地图上的障碍物但却作为不存在的障碍物进行处理的情况而提高位置推定精度的自主移动体。

用于解决问题的方案

为了解决上述问题，本发明的一个方式的自主移动体一边检测自我位置一边在移动区域内移动，上述自主移动体的特征在于，具备：传感部，其照射光束而测量与存在于移动区域的障碍物的距离；以及自我位置检测部，其通过比对传感距离和地图距离来修正自我位置候补后将其作为自我位置，上述传感距离是根据照射上述传感部的光束而测量出的与障碍物的距离算出上述自我位置候补时的从该自我位置候补到障碍物的距离，上述地图距离是根据包括存在于上述移动区域的障碍物的位置信息的环境地图计算出的从上述自我位置候补到障碍物的距离，并且上述自我位置检测部具备聚类部，上述聚类部将照射上述传感部的光束而测量出的多个障碍物的各距离测定点进行分组，识别各个障碍物。

发明效果

根据本发明起到如下效果：提供可减少虽然是存在于环境地图上的障碍物但却作为不存在的障碍物进行处理的情况而提高位置推定精度的自主移动体。

附图说明

图1是表示作为本发明的实施方式1的自主移动体的一例的清扫机器人的传感机构的构成的框图。

图2(a)是表示上述清扫机器人的构成的立体图，(b)是(a)的A－A’线向视截面图。

图3是表示从搭载于上述清扫机器人的激光测距仪出射的激光照射到作为测距对象物的墙壁的状态的俯视图。

图4是表示在上述清扫机器人的自主移动中使用的作为环境地图的网格地图的俯视图。

图5是表示使用了用于求出上述清扫机器人的自我位置的蒙特卡罗自我推定法(MonteCarloLocalization：MCL法)的算法的动作的流程图。

图6是表示根据在上述蒙特卡罗自我推定法中使用的粒子的似然再次分配粒子的状态的俯视图。

图7是表示在上述蒙特卡罗自我推定法中使用的信赖度算出例程的流程图。

图8是表示对由上述清扫机器人的传感部检测出的障碍物进行聚类的状态的俯视图。

图9(a)～(d)是表示将由上述清扫机器人的传感部检测出的障碍物聚类按类别分类的状态的俯视图。

图10是表示实际环境中的上述激光测距仪的测定状况的俯视图。

图11是表示对假设的当前位置正确的情况下的上述环境地图中的障碍物的位置计算的结果进行聚类的情况的俯视图。

图12是表示对假设的当前位置错误的情况下的环境地图中的障碍物的位置计算的结果进行聚类的情况的俯视图。

图13是将图11所示的障碍物的位置和图12所示的障碍物的位置重叠表示的俯视图。

图14是将图11所示的障碍物的位置和图13所示的障碍物的位置重叠表示的俯视图。

图15是表示作为本发明的实施方式2的自主移动体的一例的清扫机器人的环境地图的构成的俯视图。

图16(a)是表示在本发明的实施方式3的清扫机器人中采用将存在于能检测出的直线或者圆的附近的障碍物作为聚类进行处理的方法的判断基准的俯视图，(b)是表示在实施方式1的清扫机器人的激光测距仪的测定方向上相邻的障碍物彼此的距离比阈值小的情况下作为一个聚类进行处理的自我位置检测部的方法的俯视图。

具体实施方式

[实施方式1]

如下所示，基于图1～图14说明本发明的一个实施方式。此外，在本实施方式中，虽然举例说明作为自主移动体的一例的清扫机器人，但是本发明不限于清扫机器人。

首先，基于图2(a)、(b)说明作为本实施方式的自主移动体的清扫机器人的构成。图2(a)是表示清扫机器人的构成的立体图，图2(b)是图2(a)的A－A’线向视截面图。

如图2的(a)、(b)所示，本实施方式的清扫机器人1具备驱动机构10、清扫机构20、箱体30以及传感机构40。

驱动机构10具备：两个驱动轮11、11，其左右地配置于清扫机器人1的后侧底部；从动轮12、12，其旋转自如地安装于前侧底部；电池13，其对清扫机器人1供给工作电源；驱动轮电机14，其驱动驱动轮11、11；编码器15，其检测驱动轮11、11的转速；以及行走控制柄16，其决定手动行走时的行走方向。

清扫机构20具备存积清洗液的清洗液罐21和与清洗液罐21连结的清洗液喷出部22，两者由圆筒形的管连接，构成清洗液喷出单元。

另外，清扫机构20具备：废液吸引口23，其吸入包含吸入到清扫机器人1的内部的尘土或灰尘等的废液；以及废液罐24，其积蓄吸入的废液，两者由管连接，构成废液回收单元。清扫机构20还具备设于清洗液喷出部22的附近的清扫刷25和驱动清扫刷25的刷电机26。在刷电机26中包括未图示的旋转编码器，能检测电机的转速。

并且，覆盖这些机构整体的是箱体30。在该箱体30中，为了防止清洗液的飞散或异物的卷入而具备配设于清扫机器人1的前端底部的保护部件31。另外，在箱体30中具备：操作面板32，其用于进行各种模式的设定或自动行走/手动行走的切换、行走/停止的切换等；紧急停止开关33，其用于在紧急时使箱体停止；把手34，其当进行手动行走时用于操作人员支撑清扫机器人主体；以及上述行走控制柄16。

此外，清扫机器人1的方式不限于上述这种使用清洗液进行清洗的类型，也可以是具备风扇、集尘室、吸入口等的所谓的家庭用吸尘器这种方式的机器人。

具备上述构成的清扫机器人1能通过分别独立地控制一对驱动轮11、11的驱动量来进行直行或曲线移动(盘转)、后退、原地旋转(以两车轮的中点为中心的盘转)等移动动作。另外，按自主移动型的移动体来实现清扫机器人1，其自主地作成移动区域内的到指定目的地的移动路径，追随该移动路径移动。因此，本实施方式1的清扫机器人1具备传感部41和运算部42作为传感机构40。

(传感部)

以下，基于图1说明传感机构40的传感部41和运算部42，并且说明控制清扫机器人1的自主移动的控制系统。图1是表示传感机构40的构成的框图。

如图1所示，本实施方式的传感机构40的传感部41包括激光测距仪41a和测定到墙壁M的距离的距离测定部41b。

如图2的(a)、(b)所示，上述激光测距仪41a配设于清扫机器人1的前侧。该激光测距仪41a具备：未图示的光源，其用于对清扫机器人1的前方按规定的扩散角照射激光；以及未图示的受光部，其用于接收从光源照射的激光的反射光。

上述距离测定部41b基于激光的照射角度和直至进行反射所需的时间来测定到反射了激光的障碍物的位置为止的距离从而检测障碍物。进行基于所谓的TOF(Timeofflight：飞行时间)原理的障碍物探测即传感。

在此，基于图2的(a)、(b)和图3说明使用激光测距仪41a取得清扫机器人1的前方的环境信息即被传感的障碍物的位置和形状的方法。图3是表示从搭载于清扫机器人1的激光测距仪41a出射的激光照射到作为测距对象物的墙壁M的状态的俯视图。

首先，如图2的(a)、(b)所示，清扫机器人1通过激光测距仪41a朝向清扫机器人1的前方照射激光，检测在位于距离清扫机器人1规定距离内的传感区域中存在的障碍物的位置即传感点。

具体地，如图3所示，激光测距仪41a按照规定的扩散角出射激光。此时，距离清扫机器人1规定距离的前方区域是可测量范围而成为传感区域。在本实施方式中，在该传感区域内包括作为障碍物的墙壁M。并且，从激光测距仪41a照射的激光被作为障碍物的墙壁M反射，该反射光被激光测距仪41a接收。由此，根据照射激光时的清扫机器人1的自我位置、从激光测距仪41a照射的激光的照射方向、以及从照射激光直至接收反射光的时间来确定照射的激光被反射的地点。

由激光测距仪41a测量的数据作为根据距离激光元件的距离和激光的照射方向的角度而规定的极坐标系输出。激光测距仪41a例如当将测量清扫机器人1的行进方向前方180度的情况下的分辨率设为1.0度时通过一次扫描测量与从0度到180度对应的181个数据。

将由激光测距仪41a测量的数据、即由距离测定部41b求出的到作为障碍物的墙壁M的距离存储于在运算部42中设置的记录区域。

(运算部)

基于图1和图4说明运算部42的构成。图4是表示作为在清扫机器人的自主移动中使用的环境地图的网格地图的俯视图。

如图1所示，运算部42在本实施方式中控制整个清扫机器人1的动作。上述运算部42具有作为存储部的存储器等未图示的存储区域、自我位置检测部42a、行走控制部42b以及环境地图42c。另外，在自我位置检测部42a中设有聚类部42aa和信赖度计算部42ab。

(存储区域)

未图示的上述存储区域存储：程序，其基于控制信号用于控制清扫机器人1的移动速度或移动方向、移动距离等；以及环境地图42c，其包括与清扫机器人1的移动区域和存在于该区域内的障碍物即墙壁M的位置和形状有关的信息。

在本实施方式中，作为环境地图42c使用假想地描画在移动区域内将按大致固定间隔配置的格子点连接的网格线从而作成的图4所示的网格地图。网格地图是模拟地表示清扫机器人1的移动区域的地图，在网格地图上登录有墙壁M或其它障碍物的存在信息。

此外，图4所示的网格地图的格子点间距离S表示相对于实际尺寸的地图的比例尺值，格子点间距离S乘以格子的数量而得到的值成为实际尺寸。即，通过使用环境地图42c能算出从推定位置即后述的当前的自我位置X’(t－1)到能由激光测距仪41a测定距离的墙壁M的距离。

(自我位置检测部)

基于图1说明自我位置检测部42a的构成。

在本实施方式中，自我位置检测部42a使用蒙特卡罗自我推定法(MonteCarloLocalization：MCL法)检测当前的自我位置。该方法是在位置推定中应用了粒子滤波法的方法，是针对根据由过去的状态决定的提案分布得到的样品(将其称为粒子(颗粒))计算似然，基于该似然推定当前的状态的方法。提案分布相对于当前的状态的概率不是0，如果粒子数量无限大，则收敛于真值。

具体地，在由表示机器人的姿势的参数(位置(x，y)、方向θ)表示的空间即移动区域内分布多个将概率作为重量而具有的粒子(粒子是机器人的姿势的解的候补)。并且，将机器人存在于xyθ空间的任意的区域的概率近似表现为存在于该区域中的粒子的重量的合计。而且，基于粒子的重量(后述的似然)再次分配粒子，由此得到以清扫机器人1存在的概率大的位置为中心的粒子的分布。通过从环境地图42c上计算现实的传感器测定结果和应在解的候补位置得到的测定结果来算出存在概率。

基于图5和图6说明本实施方式的清扫机器人1的使用了用于求出自我位置的蒙特卡罗自我推定法(MonteCarloLocalization：MCL法)的算法的动作。图5是表示清扫机器人1的使用了用于求出自我位置的蒙特卡罗自我推定法(MonteCarloLocalization：MCL法)的算法的动作的流程图。图6是表示根据在蒙特卡罗自我推定法中使用的粒子的似然再次分配粒子的状态的俯视图。

如图5所示，作为初始动作，当清扫机器人1的系统启动时，将粒子随机地分配于移动区域(S1)。之后，将后述的步骤S2～S6作为一个循环，按每一控制周期进行计算处理。

首先，根据驱动轮11的旋转使粒子随机地移动(S2)。例如，利用行进方向的速度和对各速度按基于正态分布的随机数追加偏差后的值来使粒子移动。

然后，在步骤S3中，作为在接下来的步骤S4中进行的自我位置检测工序的似然计算的前步骤，计算用于对在该似然计算中使用的激光测距仪41a的光线方向进行确定的信赖度。此外，后述信赖度计算的详细内容。

然后，使用各粒子的位置的距离计算结果和激光测距仪41a的测定结果来计算粒子的似然(S4)。其中，各粒子的位置的距离计算结果是指，基于包括图4所示的网格地图的环境地图42c的格子点间距离S算出的、从各粒子的位置到能由激光测距仪41a准确地测定的墙壁M的距离。另外，激光测距仪41a的测定结果是指，在步骤S3中确定的利用激光线测定出的刚刚过去的自我位置X’(t－1)即从激光测距仪41a到作为障碍物的墙壁M的距离。

在这种情况下的似然是指，将激光测距仪41a的测定结果作为中值，在概率密度函数依照正态分布的情况下的、到通过粒子的位置的计算求出的墙壁M的距离的似然度。

其中，由下面的式(1)和式(2)表示考虑了分辨率的测定误差范围的上限(Du_k)和考虑了分辨率的测定误差范围的下限(Dl_k)。

[数学式1]

Du_k＝Dk+Δd…(1)

Dk：粒子位置中的第k束光线的距离计算结果

Δd：光线的距离分辨率

[数学式2]

Dl_k＝Dk-Δd…(2)

另外，由下面的式(3)表示一束激光线的似然P(Dk)。

[数学式3]

$P\left(Dk\right)=\frac{1}{2}(1+erf(\frac{{\mathrm{Du}}_k-Z_k}{\sqrt{2{\mathrm{\σ}}^2}}\left)\right)\·\frac{1}{2}(1+erf(\frac{{\mathrm{Dl}}_k-Z_k}{\sqrt{2{\mathrm{\σ}}^2}}\left)\right)\mathrm{...}\left(3\right)$

Z_k：第k束光线方向的激光测距仪的测定结果

σ：方差

erf(x)：误差函数

式(3)中的误差函数erf(x)还由下面的式(4)表示。

[数学式4]

$erf\left(x\right)\≈\sqrt{1-\exp (-x^2\frac{4/\mathrm{\π}+{\mathrm{ax}}^2}{1+{\mathrm{ax}}^2})}\mathrm{...}\left(4\right)$

其结果是，能利用下面的式(5)算出各粒子的似然P_i(D)。

[数学式5]

P_i(D)＝∏P(Dk)…(5)

然后，在步骤S5中，根据在步骤S4中计算的各粒子的似然再次分配粒子。

再次分配的方法是，首先利用下面的式(6)算出全部粒子的似然的合计W_all。

[数学式6]

W_all＝ΣP_i(D)…(6)

然后，以P_i(D)/W_all的概率将粒子再次配置于再次分配前的粒子的位置。

具体地，如图6所示，首先对旧粒子准备与似然的大小相应的容器。然后，将新粒子分配于该容器，进入该容器的新粒子再次配置于旧粒子的位置。通过该再次分配得到以测定结果为似然的粒子为中心的分布。

然后，在步骤S6中，根据再次分配的粒子位置的平均算出(检测出)当前的自我位置X(t)。另外，也可以将自我位置X(t)设为似然最大的位置。

自我位置检测部42a重复以上的步骤S2～S6，逐次检测清扫机器人1的当前的自我位置。

并且，向图1所示的行走控制部42b发送当前的自我位置的信息。行走控制部42b基于从自我位置检测部42a发送的自我位置的信息向驱动轮电机14发送指令使其采取目标行动。由此，能参考环境地图42c避开墙壁M行走。

在此，基于图7～图10说明图5的步骤S3的信赖度算出方法。图7是表示在蒙特卡罗自我推定法中使用的信赖度算出例程的流程图。图8是表示将由清扫机器人1的传感部41检测出的障碍物聚类后的状态的俯视图。图9是表示将由清扫机器人1的传感部41检测出的障碍物聚类按类别分类后的状态的俯视图。图10是表示实际环境的激光测距仪的测定状况的俯视图。图11是表示对假设的当前位置正确的情况下的环境地图中的障碍物的位置进行计算的结果进行聚类的情况的俯视图。图12是表示对假设的当前位置错误的情况下的环境地图中的障碍物的位置进行计算的结果进行聚类的情况的俯视图。图13是将图11所示的障碍物的位置和图12所示的障碍物的位置重叠表示的俯视图。图14是将图11所示的障碍物的位置和图13所示的障碍物的位置重叠表示的俯视图。

由图1所示的信赖度计算部42ab进行图5的步骤S3的信赖度算出。

具体地，如图7所示，信赖度计算部42ab首先对由传感部41检测出的障碍物进行聚类(S11)。即，根据数据间的类似度将数据的集群分为若干组。虽然聚类方法可以考虑各种方法，但是在本实施方式中，采用在激光测距仪41a的测定方向上相邻的障碍物彼此的距离比阈值小的情况下作为一个聚类进行处理的方法。由此，例如如图8所示，得到表示对由传感部41检测出的障碍物即墙壁M进行聚类的状态的俯视图。即，在图8中，在激光测距仪41a能测定距离的光线方向上相邻的障碍物彼此(图8所示的黑圆点)的距离相互比阈值小的情况下分类为一个聚类，其结果是，在图8中用单点划线表示的部分分别被识别为单独的障碍物聚类。此外，作为其它方法有均值漂移(MeanShift)法等方法。另外，也可以使用几何学的距离以外的特征进行聚类。

下面，如图7所示，辨别聚类的种类(S12)。在本实施方式中，将聚类的种类分类为以下三种。下面表示各个分类条件。

直线：相关系数为0.9以上

曲线：相关系数不到0.9且障碍物的位置的直线的倾斜度的变化为10度以下

其它：直线和曲线以外

上数聚类按照上述3种中的任一种进行分类，当比对时使用上述聚类。

接下来，针对各分类后的聚类，为了辨别各个聚类是否是直线聚类而算出存在障碍物的位置的x坐标和y坐标的相关系数。

[算出相关系数]

当算出相关系数时，在此，得到图9(a)所示的障碍物O_i作为一个聚类。

在该聚类中，在算出相关系数的情况下，当将激光测距仪41a到测定方向θi上的障碍物O_i的距离设为D_i时，能由下式算出到障碍物O_i的位置(x_i，y_i)。

[数学式7]

x_i＝D_i*cosθ_i

y_i＝D_i*sinθ_i

其中，{(θ_i，D_i)}(i＝1，2，...，n)、{(x_i，y_i)}(i＝i＝1，2，...，n)

另外，能用下式算出相关系数C。

[数学式8]

$C=\frac{\underset{i=1}{\overset{n}{\Σ}}(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})}{\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(x_i-\stackrel{\‾}{x})}^2}\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(y_i-\stackrel{\‾}{y})}^2}}$

：x_i，y_i的平均

在算出的相关系数C的绝对值是阈值以上的情况下，将对象聚类设为直线聚类。其中，作为阈值，当相关系数C≥0.9时，设为直线聚类。

然后，从直线以外的聚类提取曲线聚类。

[算出直线以外的聚类的直线的倾斜度]

在非直线的聚类中，根据障碍物的前后的位置关系算出障碍物的位置的倾斜度。倾斜度是用一次方程近似地算出参考点的分布。用下式表示第i个位置的倾斜度a_i。

[数学式9]

$a_i=a\tan \left(\frac{(a*l+1)\underset{k=i-l}{\overset{i+l}{\Σ}}{x}_i{y}_i-\underset{k=i-l}{\overset{i+l}{\Σ}}{x}_k\underset{k=i-l}{\overset{i+l}{\Σ}}{y}_k}{\underset{k=i-l}{\overset{i+l}{\Σ}}{x}_k^2-{\left(\underset{k=i-l}{\overset{i+l}{\Σ}}{x}_k\right)}^2}\right)$

2*l+1：参考点数量

在倾斜度为a₁～a_n－1的范围内算出上述倾斜度a_i，在Δa＝a_i－a_{i +1}全部比阈值小的情况下，作为曲线进行处理。

在此，使用图9的(a)、(b)、(c)、(d)具体地进行说明。图9的(a)、(b)、(c)、(d)是表示将由清扫机器人1的传感部41检测出的障碍物聚类按类别进行分类的状态的俯视图。

首先，如图9(a)所示，在检测出属于聚类的障碍物的情况下，如下所示依次计算上述直线的倾斜度a_i。

·O₁不算出直线的倾斜度a_i。

·如图9(b)所示，利用参考点O₁～O₃算出O₂的直线的倾斜度a₂。

·如图9(c)所示，利用参考点O₂～O₄算出O₃的直线的倾斜度a₃。

·如图9(d)所示，利用参考点O₃～O₅算出O₄的直线的倾斜度a₄。

·O₅不算出直线的倾斜度。

此外，在直线的倾斜度a₂、a₃、倾斜度a₃、a₄全部比阈值小的情况下，作为曲线进行处理。既不是直线也不是曲线的聚类作为其它聚类进行处理。

如上所示，将聚类的种类分类为直线聚类、曲线聚类、其它聚类。

然后，如图7所示，基于假设的当前位置算出环境地图42c的障碍物的位置(S13)。此外，在本实施方式中，针对在环境地图42c中使用激光测距仪41a进行测定的情况下得到的障碍物数据，与步骤S12同样地辨别聚类的种类。

具体地，如图10所示，在实际环境的激光测距仪41a的测定中，如斜线区域所示，存在不存在于环境地图42c的障碍物。

因此，如果对在假设的当前位置正确的情况下的环境地图42c中的障碍物的位置进行计算的结果进行聚类，则如图11所示。另外，如果对在假设的当前位置错误的情况下的环境地图42c中的障碍物的位置进行计算的结果进行聚类，则如图12所示。此外，在图12中，按照与实际不同的方向计算障碍物的位置。另外，在本实施方式中，虽然在环境地图42c中算出了使用激光测距仪41a进行了测定的情况下得到的障碍物数据，但是也可以使用从网格地图直接提取图形等方法。

然后，如图7所示，根据传感部41的聚类的障碍物的位置和环境地图42c的聚类的障碍物的位置算出传感部41的聚类的信赖度。在本实施方式中，比对聚类彼此，如果一致，则将信赖度设为1，如果不一致，则信赖度设为0。另外，辨别条件设为

·直线以外：在聚类间的最近位置的距离是阈值以下且聚类的种类一致的情况下，设为一致。

·直线：在为直线以外的条件以及直线的倾斜度的差是阈值以内的情况下，设为不一致。

具体地，使图11所示的假设的当前位置正确的情况下的障碍物的位置与图12所示的假设的当前位置错误的情况下的障碍物的位置重叠。其结果是，如图13所示，假设的当前位置正确，因此在激光测距仪41a的环境地图42c中不存在的障碍物聚类的附近，不存在根据环境地图42c算出的障碍物聚类。其结果是，能辨别在环境地图42c中不存在的障碍物。具体地，在图13中用两点划线表示的障碍物聚类与根据环境地图42c根据环境地图42c算出的障碍物聚类不一致，因此可知判断为信赖度是0。

然后，如果使图11所示的假设的当前位置正确的情况下的障碍物的位置与图13所示的障碍物的位置重叠，则如图14所示。其结果是，根据图14可知以下内容。

(1)在R1聚类的附近存在V1聚类，聚类的种类相同且直线的倾斜度的差小，因此R1聚类与V1聚类一致。

(2)R2聚类虽然离V1聚类近，但是聚类的种类不同，因此R2聚类与V1聚类不一致。

(3)R3聚类离V1聚类和V2聚类近。R3聚类的种类虽然与V1聚类的种类相同，但是倾斜度的差大，因此R3聚类与V1聚类不一致。另外，V2聚类与R3聚类的种类也彼此相同，倾斜度的差小，因此R3聚类与V2聚类一致。

(4)R4聚类离V2聚类和V3聚类近。V2聚类与R4聚类的种类不同，因此R4聚类与V2聚类不一致。V3聚类与R4聚类是相同的曲线聚类，因此R4聚类与V3聚类一致。

(5)R5聚类虽然离V3聚类近，但是R5聚类与V3聚类在聚类的种类上不同，因此R5聚类与V3聚类不一致。

根据以上内容，R1聚类、R3聚类以及R4聚类由于存在一致的聚类所以将信赖度设为1。

由此，虽然假设的当前位置与实际不同，但是也能辨别不存在于环境地图42c的障碍物。此外，也可以将聚类的信赖度直接设为属于聚类的障碍物的信赖度，也可以根据聚类内部的分布来改变各个障碍物的信赖度。即，在本实施方式中，在信赖度为1的情况下，判断为是存在于环境地图42c的障碍物，但未必一定限于此，在得到的信赖度比基准信赖度大的情况下，能判断为是存在于环境地图42c的障碍物。

这样，经过步骤S11～S14的过程从而能算出障碍物的信赖度。

此外，在本实施方式中，比较了各个聚类，但未必一定限于此，根据环境地图42c算出的障碍物的位置信息也可以是图形信息等。

这样，本实施方式的作为自主移动体的清扫机器人1具备：传感部41，其照射光束而测量与存在于移动区域的障碍物的距离；以及自我位置检测部42a，其通过比对传感距离和地图距离来修正自我位置候补后将其作为自我位置，上述传感距离是根据照射传感部41的光束而测量出的与障碍物的距离算出自我位置候补时的从该自我位置候补到障碍物的距离，上述地图距离是根据包括存在于移动区域的障碍物的位置信息的环境地图42c计算的从自我位置候补到障碍物的距离。

根据该构成，清扫机器人1能一边检测自我位置一边在移动区域内移动。

在此，在本实施方式的清扫机器人1中，自我位置检测部42a具备聚类部42aa，上述聚类部42aa将照射传感部41的光束而测量出的多个障碍物的各距离测定点按各聚类进行分组，识别各个障碍物。因此，易于识别各个障碍物。

因而，能提供可减少虽然是存在于环境地图上的障碍物但却作为不存在的障碍物进行处理的情况而提高位置推定精度的清扫机器人1。

另外，在本实施方式的清扫机器人1中，聚类部42aa在相邻的方向的障碍物测定点的几何学的距离与阈值接近的情况下，将各障碍物的各聚类作为相同的聚类进行处理。

由此，判断相邻的方向的障碍物测定点的几何学的距离与阈值接近还是远离，由此能容易地识别是否是单独的障碍物。

其结果是，能容易且准确地进行由传感部41照射光束而求出的障碍物的各聚类与存在于环境地图42c上的障碍物的比对。

另外，在本实施方式的清扫机器人1中，聚类部42aa针对各障碍物的各聚类根据属于该各聚类的障碍物测定点O₁～O₅的分布来算出聚类的特征量。

由此，例如能将聚类的特征量表示为直线、曲线。其结果是，能用简单的线彼此比较障碍物的形状，因此能进一步容易且准确地进行存在于环境地图42c上的障碍物与由传感部41照射光束而求出的障碍物的比对。

另外，在本实施方式的清扫机器人1中，自我位置检测部42a具备信赖度计算部42ab，由聚类部42aa基于传感距离将各障碍物按各聚类进行分组，上述信赖度计算部42ab比对各聚类与根据环境地图42c算出的障碍物的位置从而按每一障碍物计算该障碍物存在的信赖度。并且，自我位置检测部42a，当根据照射传感部41的光束而测量出的障碍物的距离算出自我位置候补时，选择由信赖度计算部42ab计算出的信赖度比基准信赖度大的障碍物，算出自我位置候补。

由此，照射传感部41的光束而测量、求出的障碍物与存在于环境地图42c上的障碍物一致的概率变高，因此自我位置检测部42a能精度良好地检测自我位置。

因而，能提供可减少由于暂时的自我位置的不正确所以虽然是存在于环境地图42c上的障碍物但却作为不存在的障碍物进行处理的情况而提高位置推定精度的清扫机器人1。

另外，在本实施方式的清扫机器人1中，聚类部42aa将基于自我位置候补根据环境地图42c算出的障碍物的位置按各聚类进行分组，并且信赖度计算部42ab对根据环境地图42c算出的各障碍物的位置的各聚类和与该各聚类对应的基于传感距离的各障碍物的各聚类进行比较从而计算上述信赖度。

由此，聚类部42aa不仅将基于传感距离的各障碍物的各聚类进行分组，而且还将根据环境地图42c算出的各障碍物按各聚类进行分组。其结果是，用简单的线彼此比较两者，因此能更进一步容易且准确地进行存在于环境地图42c上的各障碍物与由传感部41照射光束而求出的各障碍物的比对。

此外，本发明不限于上述实施方式，能在本发明的范围内进行各种变更。

例如在本实施方式中，虽然在传感部41中使用激光测距仪41a，但是未必一定限于此，在本发明中，根据照射光束而被物体反射的光束得到信息的传感器只要是通过扫描等以大角度得到信息的构成即可。具体地，例如超声波、红外距离测定传感器、毫米波雷达只要是进行扫描或者多方向照射的装置即可。

另外，在本实施方式中，虽然使用蒙特卡罗自我推定法(MonteCarloLocalization：MCL法)，但是未必一定限于此，除了该方法以外还能使用扩展卡尔曼滤波法。

[实施方式2]

如果基于图15说明本发明的其它实施方式，则为以下内容。此外，未在本实施方式中说明的构成与上述实施方式1相同。另外，为了便于说明，针对与在上述实施方式1的附图中表示的部件具有相同功能的部件附上同一附图标记，省略其说明。

作为上述实施方式1的自主移动体的清扫机器人1在环境地图42c中使用了网格地图。该点不同于本实施方式的作为自主移动体的清扫机器人1采用直接记述障碍物对象的形式的点。

在作为本实施方式的自主移动体的清扫机器人中，基于图15说明使用直接记述障碍物对象的环境地图42c’来实现的情况。图15是表示直接记述障碍物对象的环境地图42c’的构成的俯视图。

如图15所示，本实施方式的环境地图42c’采用直接记述障碍物对象的对象式。在该对象式中，利用基点的坐标和线型来表现障碍物。

具体地，在环境地图42c’中，在图15中用粗实线表示的能由激光测距仪41a测定的墙壁M是长方形且能用直线的尺寸来表现。另外，用粗虚线表示的墙壁M是圆，能用中心的坐标和直径来记述。

在此，在实施方式1中使用的网格形式的环境地图42c中，即使障碍物是复杂的形状也能灵活地记述地图，然而，障碍物越少，计算量越大。

而在本实施方式2中使用的对象式的环境地图42c’的情况下，虽然不易记述复杂的形状的障碍物，但是具有只要是求出粒子的位置和与对象的距离的通解的形状就能快速地计算的优点。

[实施方式3]

如果基于图16说明本发明的其它实施方式，则为以下内容。此外，未在本实施方式中说明的构成与上述实施方式1和实施方式2相同。另外，为了便于说明，针对与上述实施方式1和实施方式2的附图所示的部件具有相同功能的部件附上同一附图标记，省略其说明。

在上述实施方式1的作为自主移动体的清扫机器人1中，在激光测距仪41a的测定方向上相邻的障碍物彼此的距离比阈值小的情况下，作为一个聚类进行处理。而在本实施方式的作为自主移动体的清扫机器人1中，作为一个聚类进行处理的情况下的判断基准是不同的。

在本实施方式的作为自主移动体的清扫机器人中，基于图16的(a)、(b)说明作为一个聚类进行处理的情况下的判断基准。图16(a)是表示采用将存在于能检测出的直线或者圆的附近的障碍物作为聚类进行处理的方法的本实施方式的判断基准的俯视图，图16(b)是表示在激光测距仪41a的测定方向上相邻的障碍物彼此的距离比阈值小的情况下作为一个聚类进行处理的自我位置检测部42a的实施方式1的检测方法的俯视图。

即，如实施方式1所示，当将相邻的障碍物彼此的距离比阈值小的情况作为一个聚类进行处理时，如图16(b)所示，在检测墙壁M的远处的情况下，聚类的数量有可能增大。

因此，在本实施方式中，能通过使用在图像处理中使用的霍夫变换来检测直线、圆。

具体地，如图16(a)所示，将存在于能检测出的直线、圆的附近的障碍物作为聚类进行处理。由此，在检测墙壁M的远处的情况下也能作为一个聚类进行处理。

[实施方式4]

说明本发明的其它实施方式，如以下内容。此外，在本实施方式中说明以外的构成与上述实施方式1～实施方式3相同。另外，为了便于说明，针对与上述实施方式1～实施方式3的附图所示的部件具有相同功能的部件附上同一附图标记，省略其说明。

在实施方式1～实施方式3中说明的作为自主移动体的清扫机器人1中，运算部42的控制模块、特别是自我位置检测部42a可以由形成于集成电路(IC芯片)等的逻辑电路(硬件)来实现，也可以使用CPU(CentralProcessingUnit)通过软件来实现。

在后者的情况下，运算部42具备：执行作为实现各功能的软件的程序的命令的CPU、上述程序和各种数据被记录为可由计算机(或者CPU)读取的ROM(ReadOnlyMemory)或者存储装置(将它们称为“记录介质”)、展开上述程序的RAM(RandomAccessMemory)等。

并且，计算机(或者CPU)从上述记录介质读取、执行上述程序从而达到本发明的目的。作为上述记录介质，能使用“非临时的有形的介质”，例如磁带、磁盘、卡、半导体存储器、可编程的逻辑电路等。另外，上述程序也可以经由能传送该程序的任意的传送介质(通信网络或广播波等)供给到上述计算机。此外，通过利用电子传送实现上述程序的、植入载波的数据信号的方式也能实现本发明。

[总结]

本发明的方式1的自主移动体(清扫机器人1)一边检测自我位置一边在移动区域内移动，其特征在于，具备：传感部41，其照射光束而测量与存在于移动区域的障碍物的距离；以及自我位置检测部42a，其通过比对传感距离和地图距离来修正自我位置候补后将其作为自我位置，上述传感距离是根据照射上述传感部41的光束而测量出的与障碍物的距离算出上述自我位置候补时的从该自我位置候补到障碍物的距离，上述地图距离是根据包括存在于上述移动区域的障碍物的位置信息的环境地图42c计算的从上述自我位置候补到障碍物的距离，并且上述自我位置检测部42a具备聚类部42aa，上述聚类部42aa将照射上述传感部41的光束而测量出的多个障碍物的各距离测定点按各聚类进行分组，识别各个障碍物。

根据上述发明，通过由自我位置检测部比对传感距离和地图距离来修正自我位置候补后将其作为自我位置，上述传感距离是根据照射传感部的光束而测量出的与障碍物的距离算出上述自我位置候补时的从该自我位置候补到障碍物的距离，上述地图距离是根据包括存在于上述移动区域的障碍物的位置信息的环境地图计算的从上述自我位置候补到障碍物的距离。

因此，自主移动体能一边检测自我位置一边在移动区域内移动。

然而，在这种自主移动体中，从传感部照射光束来测量与障碍物的距离而推测障碍物。在这种情况下，当存在多个障碍物时，不易准确地判断为是单独的障碍物。其结果是，虽然是存在于环境地图上的障碍物，但是作为不存在的障碍物进行处理，位置推定的精度降低。

而在本发明中，自我位置检测部具备聚类部，上述聚类部将照射传感部的光束而测量出的多个障碍物的各距离测定点按各聚类进行分组，识别各个障碍物。因此，由聚类部将照射传感部的光束而测量出的多个障碍物的各距离测定点进行分组，识别各个障碍物，因此易于识别各个障碍物。

因而，能提供可减少虽然是存在于环境地图上的障碍物但却作为不存在的障碍物进行处理的情况而提高位置推定精度的自主移动体。

优选本发明的方式2的自主移动体(清扫机器人1)是，在方式1的自主移动体中，上述聚类部42aa在相邻的方向的障碍物测定点的几何学的距离与阈值接近的情况下，将上述各障碍物的各聚类作为相同的聚类进行处理。

由此，能通过判断相邻的方向的障碍物测定点的几何学的距离是与阈值接近还是远离，容易地识别是否是单独的障碍物。

其结果是，能容易且准确地进行由传感部照射光束而求出的障碍物的各聚类与存在于环境地图上的障碍物的比对。

优选本发明的方式3的自主移动体(清扫机器人1)是，在方式1或者2的自主移动体中，上述聚类部42aa针对上述各障碍物的各聚类根据属于该各聚类的障碍物测定点的分布算出聚类的特征量。

由此，例如能将聚类的特征量作为直线、曲线表示。其结果是，能用简单的线彼此来比较障碍物的形状，因此能进一步容易且准确地进行存在于环境地图上的障碍物与由传感部照射光束而求出的障碍物的比对。

优选本发明的方式4的自主移动体(清扫机器人1)是，在方式1、2或者3的自主移动体中，上述自我位置检测部42a具备信赖度计算部42ab，上述信赖度计算部42ab由聚类部42aa基于上述传感距离将各障碍物按各聚类进行分组，通过比对各聚类与根据上述环境地图42c算出的障碍物的位置来按每一障碍物计算该障碍物存在的信赖度，并且该自我位置检测部42a，当根据照射上述传感部41的光束而测量出的障碍物的距离算出自我位置候补时，选择由信赖度计算部42ab计算出的信赖度比基准信赖度大的障碍物，算出该自我位置候补。

由此，自我位置检测部，当根据照射传感部的光束而测量出的障碍物的距离算出自我位置候补时，选择由信赖度计算部计算出的信赖度比基准信赖度大的障碍物，算出该自我位置候补。其结果是，照射传感部的光束而测量、求出的障碍物与存在于环境地图上的障碍物一致的概率变高，因此自我位置检测部能精度良好地检测自我位置。

因而，能提供可减少由于临时的自我位置的不正确而虽然是存在于环境地图上的障碍物但却作为不存在的障碍物进行处理的情况而提高位置推定精度的自主移动体。

优选本发明的方式5的自主移动体(清扫机器人1)是，在方式4的自主移动体中，上述聚类部42aa基于自我位置候补将根据上述环境地图42c算出的障碍物的位置按各聚类进行分组，并且上述信赖度计算部42ab通过对根据上述环境地图42c算出的各障碍物的位置的各聚类和与该各聚类对应的基于上述传感距离的各障碍物的各聚类进行比较来计算上述信赖度。

由此，自我位置检测部的聚类部，不仅将基于传感距离的各障碍物的各聚类进行分组，而且还将根据环境地图算出的各障碍物按各聚类进行分组。其结果是，用简单的线彼此比较两者，因此能更进一步容易且准确地进行存在于环境地图上的各障碍物与由传感部照射光束而求出的各障碍物的比对。

工业上的可利用性

本发明能用于业务用途的清扫机等自主移动体以及工厂用途的搬运用机器人等。

附图标记说明

1清扫机器人(自主移动体)

10驱动机构

11驱动轮

12从动轮

13电池

14驱动轮电机

16行走控制柄

20清扫机构

21清洗液罐

22清洗液喷出部

24废液罐

25清扫刷

26刷电机

30箱体

31保护部件

32操作面板

33紧急停止开关

34把手

40传感机构

41传感部

41a激光测距仪

41b距离测定部

42运算部

42a自我位置检测部

42aa聚类部

42ab信赖度计算部

42b行走控制部

42c环境地图

42c'环境地图

M墙壁(障碍物)

O障碍物(障碍物测定点)

Claims (5)

1.一种自主移动体，一边检测自我位置一边在移动区域移动，上述自主移动体的特征在于，具备：

传感部，其照射光束而测量与存在于移动区域的障碍物的距离；以及

自我位置检测部，其通过比对传感距离和地图距离来修正自我位置候补后将其作为自我位置，上述传感距离是根据照射上述传感部的光束而测量出的与障碍物的距离算出上述自我位置候补时的从该自我位置候补到障碍物的距离，上述地图距离是根据包括存在于上述移动区域的障碍物的位置信息的环境地图计算出的从上述自我位置候补到障碍物的距离，并且，

上述自我位置检测部具备聚类部，上述聚类部将照射上述传感部的光束而测量出的多个障碍物的各距离测定点按各聚类进行分组，识别各个障碍物。

2.根据权利要求1所述的自主移动体，其特征在于，

上述聚类部在相邻的方向的障碍物测定点的几何学的距离与阈值接近的情况下，将上述各障碍物的各聚类作为相同的聚类进行处理。

3.根据权利要求1或2所述的自主移动体，其特征在于，

上述聚类部针对上述各障碍物的各聚类，根据属于该聚类的障碍物测定点的分布来算出各聚类的特征量。

4.根据权利要求1、2或3所述的自主移动体，其特征在于，

上述自我位置检测部具备信赖度计算部，由聚类部基于上述传感距离将各障碍物按各聚类进行分组，上述信赖度计算部通过比对各聚类与根据上述环境地图算出的障碍物的位置从而按每一障碍物计算该障碍物存在的信赖度，并且

该自我位置检测部，当根据照射上述传感部的光束而测量出的障碍物的距离算出自我位置候补时，选择由信赖度计算部计算出的信赖度比基准信赖度大的障碍物，算出该自我位置候补。

5.根据权利要求4所述的自主移动体，其特征在于，

上述聚类部基于自我位置候补将根据上述环境地图算出的障碍物的位置按各聚类进行分组，并且，

上述信赖度计算部通过对根据上述环境地图算出的各障碍物的位置的各聚类和与该各聚类对应的基于上述传感距离的各障碍物的各聚类进行比较来计算上述信赖度。