JP2015215651A - ロボットおよび自己位置推定方法 - Google Patents

Abstract

【課題】可動物体が支配的な領域と完全静止物体が支配的な領域との間をロボットが往来する際にも、シームレスな自己位置推定結果を得ることが可能なロボットを提供する。【解決手段】移動体１１０と、環境内の状況を計測する計測部１００と、予め準備しておいた環境内の存在物情報を示す地図に対して計測部の計測データとを照合し移動体の自己位置を算出する自己位置推定部１０８を備えたロボットにおいて、計測部１００によって計測した計測データを予め定義された２つ以上のクラスに分類する分類部１０１と、クラス毎の存在物の位置を記録したクラス別地図１０３に対して、分類部１０１によって分類したクラス別計測データ１０２を照合し幾何的に一致させることで、それぞれのクラスごとにクラス別自己位置を推定するクラス別自己位置推定部１０４と、推定した各クラス別自己位置１０５を統合することで自己位置を求める統合部１０７を備える。【選択図】図１

Description

本発明は、ロボットおよびロボットのための自己位置推定方法に関する。

ロボットが自律的に空間内を移動し、ある特定の作業を行うためには、周囲環境に対する自己位置を推定する必要がある。その手法の一つとして、ロボットが搭載した距離センサを用いて計測した周囲環境の形状と予め用意した環境地図とを照合する方法が知られている。

また、特許文献１には、時間と共に空間内の物体の配置や形状が変化する領域が存在する場合においてもロボットの動作を継続するため、設定した更新する領域に基づきロボットが環境地図を自動更新する方法が開示されている。

特許第５４５２４４２号

特許文献１に記載の地図更新方法は、更新しない領域に存在する完全静止物体をロボットが頻繁に計測可能であることが前提となる。更新する領域が広大で、その領域に対し距離センサの計測範囲が狭い場合、長い間、完全静止物体を計測することなく地図を更新することになり、その領域内では歪んだ地図が作成されてしまう。すると、可動物体が支配的な領域から完全静止物体が支配的な領域へとロボットが抜け出した際に、自己位置推定結果が瞬間的に大きく飛ぶような現象が発生し、ロボットが正常に動作しない可能性があることが課題であった。

そこで本発明は、以上の問題意識の下に開発されたものである。本発明は、可動物体が支配的な領域と完全静止物体が支配的な領域との間をロボットが往来する際にも、シームレスな自己位置推定結果を得ることが可能なロボットを提供することを目的とする。

本願において開始される発明のうち、代表的なものの概要を簡単に説明すれば、下記の通りである。

移動体と、環境内の存在物の形状を計測するセンサと、予め準備しておいた環境内の存在物情報を示す地図に対して前記センサの計測データを照合し前記移動体の自己位置を算出する自己位置推定部を備えたロボットであって、前記ロボットは、前記センサによって計測した計測データを予め定義された２つ以上のクラスに分類する分類部と、前記地図に記録された環境内の存在物情報に対して前記分類部によって分類した前記計測データとを照合し幾何的に一致させることで、それぞれのクラスごとに自己位置を推定するクラス別自己位置推定部と、推定した各自己位置を統合することで自己位置を求める自己位置統合部を備え、前記自己位置ならびに存在物の位置情報に基づき、移動体の制御を行う。

本発明のロボットによれば、可動物体や完全静止物体などのようにクラス分けされた計測データから得られたクラス別の自己位置推定結果を、その存在比率に応じた重み付けなどにより適切に統合することで、可動物体が支配的な領域と完全静止物体が支配的な領域との間をロボットが往来する際にも、シームレスな自己位置推定結果を得ることが可能となる。

全体図 ロボットによる計測事例 計測結果例 分類部 計測データの分類例 地図データ 地図データに対する照合 統合部 移動モードに基づく自己位置認識 移動モード付き統合部 棚付近における自己位置推定 広い空間内での自己位置推定 地図更新 移動前・移動後の計測 移動前・移動後の計測結果 ２計測データ間の照合 棚下での自己位置推定 広いエリアでの自己位置推定 他ロボットに囲まれた際の移動 計測結果に基づく移動モード決定 数式 数式

以下、図面を用いて本発明の実施例について述べる。本実施例ではマニピュレータを乗せた移動ロボットが動作する手順を対象とする。

図１は、本実施にかかるロボットを表す概念図である。まず、本発明のロボットは周囲の存在物を計測する計測部１００およびロボットの自己位置を推定する自己位置推定部１０を備える。前記計測部によって計測した計測データに対し、分類部１０１によって予め定義された２つ以上のクラスに分類を行い、クラス別計測データ１０２とする。さらに、各クラスについて存在物の位置情報を示すクラス別地図１０３を予め用意しておき、前記クラス別計測データ１０２を、そのクラスに対応する地図１０３と幾何的に照合することで自己位置を推定するクラス別自己位置推定部１０４を備える。さらに推定したクラス別自己位置１０５に対し、各地図間の相対的な位置関係から得られる座標変換量１０６を加えることで所定の共通座標系に変換し、前記各クラス別自己位置を統合することで、ロボットの自己位置を決定する統合部１０７を備える。前記統合部によって得られた自己位置を自己位置記憶部１０８に記憶した上で、制御部１０９は周囲の存在物の位置をクラス別地図記憶部から読み取り、ロボットが空間内の存在物と衝突しないように移動体１１０を制御することでロボットを自律移動させる。

図２は、計測部１００が周囲に存在する存在物２００までの距離を計測する場合の概念図である。ここでは説明のため、計測部１００の計測装置としてレーザ２０１を用いた距離センサを採用することとする。計測部１００は照射したレーザ２０１を周囲の存在物２００に当て、その反射光を計測部１００が受光することで、照射から受光までの時間によって存在物２００までの距離を計測する。これを周囲全方向に対して行うことで、周囲の存在物の形状を計測することが可能となる。また、対象物から返ってきたレーザ光の強さを測る事により対象物の反射強度を得ることもできる。

なお、周囲の存在物を計測するものであれば、レーザに基づく距離センサに限らず、カメラやソナーを用いても良い。カメラを用いた場合、マーカ認識や画像特徴点抽出などを行うことで、存在物の形状や存在物に対する計測部１００の相対姿勢を測ることができる。また、計測部は２つ以上のセンサを備えるものでも良い。

図３に計測部１００によって周辺の存在物の形状を計測した場合の例を示す。本実施例において計測部１００は、周囲に赤外線レーザを照射し、各方向に存在する物体に当たったレーザの反射光を受光し、照射から受光までの時間差により、物体までの距離を計測する。計測部１００は、計測方向φを所定の角度分解能δφずつ変化させながらn個のデータを同時に計測する。i番目の計測データの計測方向をφ_i、計測した距離r_iとする。その際の距離と方向の組み合わせ(r_i, φ_i)が、計測部１００を中心として、計測対象物体を極座標系で表した位置となる。なお、点線矢印で表す計測データ２０１は計測の際のレーザの軌跡を表し、矢印の終端が計測点位置３００となる。細い実線は空間上の存在物２００を示し、この物体とぶつかる点線矢印が計測に成功したデータである。細い実線にぶつからなかったレーザは、何も計測できなかったことを示す。太い実線は、最終的に計測された形状３０１を示す。極座標系で表された位置(r_i, φ_i)から計測部１００を原点とした直交座標系(s_xi,s_yi)への変換は数１によって行う。

図４に前記分類部１０１での処理例を示す。分類部１０１は形状照合部４００と輝度値判定部４０１を備え、それらの結果を用いて前記計測データを分離する分離部４０２を備える。形状照合部４００は、前記計測部１００によって計測した存在物のうち所定の形状と一致するものを探索する。直線形状を探索する場合であれば、計測して得られた存在物の形状に直線を当てはめ、直線上に乗っている領域が一定以上存在する場合に、それを直線として出力する。また、計測した点周囲に他の形状が存在しなければ、その領域を抽出することで、棚の足などの小さな柱を得られる。さらに、輝度値判定部４０１では、前記計測部１００によって得られる計測対象の存在物の反射強度を用い、前記反射強度値が閾値以上であるかどうかによって計測データを分類する。これらの処理によって得られる分類結果を、分離部４０２によって、それぞれ異なるデータであるクラス別計測データ１０２として出力する。なお、分類部１０１では形状照合部４００と輝度値判定部４０１のうちいずれか一方のみを備えるものでも良い。

図５に前記分類部によって分類した結果の例を示す。環境内に、反射強度の高いポール５００・壁５０１・細い柱５０２があることとする。これを計測部によって計測し、前記ポール５００・直線形状５０１、柱５０２に分類する。前述のように、まず計測データのうち反射強度の高い計測結果のみを抽出し、ポールを分離し、ポールに関するクラス別計測データ５０３とする。続いて、残りの計測データより直線成分を探索し、これを分離することで壁を抽出、壁に関するクラス別計測データ５０４とする。最後に、計測点周辺に他の形状がない物体を探索することで細い柱を抽出し、柱に関するクラス別計測データ５０５とする。

図６はクラス別地図１０３の表現方法の概念図である。地図の表現形式として、格子地図６００のような細かい格子に分割することとする。但し、空間全体の形状を格子として図示すると、格子の表記が小さくなりすぎるため、格子を用いた説明の際は一部を拡大して示すこととする。地図の座標系は、中心を(0,0)とし、右方向をx軸の正方向、上方向をy軸の正方向とする。なお、地図の座標系はこれに限るものではない。空間内に存在する形状は、黒線として存在物６０１のように表現する。ここで表現される存在物は、過去の時点で計測し、地図上に記録したものである。続いて、格子における表現の例について説明する。空格子６０２は、空間内で対応する領域において、何も存在していないことを表す。また、占有格子６０３は、格子内に物体が存在することを表す。物体が存在するか否かについては、以下に述べる多値の確率の形式として、物体の存在確率を表現する。

本実施例では、空間内の物体の形状を物体の存在確率として地図上に表現する。地図の内部では、投票値によって物体の情報を記録しておき、読み出し時に存在確率に変換する。まず、地図座標系の座標(x,y)における格子セルの値m(x,y)に対し、物体が存在する確率をp(m(x,y))とする。ここでは、p(m)は投票値の値に従うシグモイド関数によって数２のように定義することとする。ここではp(m(x,y))の値から、例えばパラメータとの比較結果に応じて、物体が存在するかどうかを判定する。また、各格子は、投票値m(x,y)を保持しており投票値m(x,y)の値から確率p(m(x,y))を計算する。これらの地図の表現方法は、上記に限定されず、計測した形状を記録できる形式であればよい。本実施例における地図は予め与えるものとし、地図生成技術（Simultaneous Localization and Mapping）などを使って作成できる。

図７に前記クラス別自己位置推定部１０４によって、周囲の存在物形状を前記クラス別地図１０３と照合することで計測地点の位置姿勢を推定する例を示す。本処理では、計測部１００で計測した計測データの各計測点７００が、地図７０１と幾何的に一致するような回転および並進変換量を探索することにより、計測部１００の地図上における位置姿勢を推定できる。地図７０１の座標系における計測地点の位置姿勢を(x,y,θ)とする。ここで、数１のセンサ座標系で示した計測結果の座標を、地図の座標系(t_xi,t_yi)に変換すると数３となる。地図の座標系は、計測部１００の座標系からの線形変換として求まる。上記地図の座標系に変換した結果を地図に幾何学的に合わせ込んだ際の最適な位置(x^＊,y^＊,θ^＊)は数４のようにして求まる。数４の解は、予め最適解に近い初期値を与え、最急降下法などの探索手法で解くことができる。

図８では、前記統合部１０７が前記クラス別自己位置推定部１０４によって得た前記クラス別自己位置１０５を統合する処理を示す。前記クラス別地図１０３が、それぞれ異なる座標系で記録されている場合、各地図に合わせて推定したクラス別自己位置１０５も、各地図の座標系で表されたものとなる。そこで、それぞれの自己位置推定結果を統合するため、一つの座標系に変換する必要がある。そこで、地図間の相対的な位置関係から予め所定の座標への座標変換量１０６(p_x,p_y,p_θ)を予め求めておき、数５に示すように各自己位置推定結果を変換する。さらに、一つの座標系に変換した各自己位置推定値を、重みテーブル８００に記録した重みを用い、自己位置計算部８０１によって重み付き平均を取ることで自己位置を求め、自己位置記憶部１０８に記憶する。

ロボットが環境内を移動する際には、場所や状況によって、自己位置を推定する際に優先的に利用すべき存在物を変更できることが望ましい。図９では移動モードに基づく自己位置認識の手順を示す。自己位置記憶部１０８は、直前に計測した計測結果から得られる自己位置を記憶しているものとする。移動モード判定マップ９００には、空間内の各地点について所定のモードを対応づけておき、移動モード判定部９０１はロボットの位置に対応するモードを算出し、そのモードを前記統合部１０７に通知する。前記統合部１０７は通知されたモードに従ってクラス別自己位置を統合する。図１０に前記統合部１０７が所定の移動モードに従って自己位置を算出する際の手順を示す。移動モードは、モードに応じてどのクラスを優先的に自己位置推定に利用するかを示すもので、モード毎に異なる重みテーブル８００を用意しておく。図１０では３種類のモードを図示するが、３種類に限るものではない。統合部１０７は各モードに応じてそれぞれ重みテーブル８００を記憶しておき、移動モード判定部９０１によって判定されたモードに対応する重みテーブル８００を用いて自己位置を算出する。

図１１には棚１１００付近における関節型ロボット１１０１について、前記移動モードの判定例および自己位置推定処理について示す。関節型ロボットが棚内の物品を掴む際には、棚の詳細な位置を知る必要がある。一方、環境内の全ての棚の正確な位置までを事前に地図に記録しておくことは難しく、実際の配置に対して地図に誤差が乗る。そのため、空間全体の地図の参照のみで棚内の物品を把持しようとすると、誤差の影響で棚の物品を把持できない問題が発生する。このため図１１のように棚付近において棚に衝突しないように、かつ棚内の物品を掴む場合、その場で計測できる棚位置とロボット位置の相対的な関係が重要となる。よって、この場合、前記重みテーブルについて棚足の重みを大きくすることが重要となる。よって、棚足の重みを大きくした重みテーブルを用意し、棚が設置されている領域に、その重みテーブルに対応する移動モードを前記モード判定マップに登録しておく。

さらに、ロボットが棚内の物品を把持する場合、把持対象の詳細な位置が必要となる。把持対象の正確な位置は未知であることから、ロボットの自己位置と、関節角度情報のみで対象の物品を掴むことは難しい。そこで、ロボットの手先に距離センサを搭載しておき、棚内の計測を行う。棚内の物品を掴む際の移動モードでは、棚内の形状から得られる把持対象物品との相対姿勢に関する自己位置の重みを大きく、ロボットの自己位置および関節角度情報から得られる重みを小さくする。これにより、正確に対象の物品を把持することが可能となる。
図１２では広い場所での移動モードの判定例および自己位置推定例を示す。この場合、ロボットは壁１２００や棚１１００に衝突しないように移動すればよく、棚の詳細な位置を利用する必要がない。その一方で、壁の配置などから得られる、空間全体のおおよそどの位置にいるかという情報が重要となる。そこで、前記重みとして壁の重みを増やし、棚足の重みを減らすことで、壁と棚両方の位置に基づく自己位置推定が可能となる。つまり、図１２に示すような広いエリアにおいては、壁に基づく重みテーブルが選択されるように移動モードを選択する。

本実施例では、棚を持ち上げて運ぶ低床型ロボットの移動手順について述べる。

図１３に前記地図を計測データに従って更新する手順について述べる。ロボットが棚を運ぶ場合、棚の位置が時間と共に変化する。そのため、環境の形状が変化するため、地図に記載された存在物の位置情報の更新が必要となる。地図の更新では、前記座標変換量１０６と自己位置記憶部１０８に記憶された推定済み自己位置によってクラス別自己位置推定１０５を修正し、修正した自己位置と前記クラス別計測データ１０２を用い、対応するクラスのクラス別地図１０３を更新する。更新では、存在物が計測された位置に対応する座標に保存されている投票値m(x,y)を増減させる。それにより、当該位置における物体の存在確率を増減させることができる。格子地図の位置(t_x,t_y)は、計測した形状と計測時点での計測部１００の位置から、数６および数７によって求める。この際の更新度合いに関するパラメータαおよびβは、クラス毎に所定の値を更新度合いテーブル１３００に予め入力しておくこととする。

図１４から図１６では、前記分類部が移動中の他ロボットなどの移動物体を計測データから分離する手順について述べる。図１４に２回連続で計測した際の、１回目の環境形状、２回目の環境形状をそれぞれ示す。ここでは、２回目に計測した時点で、右側の丸および長方形は動かない静止物体１４００となり、左側の正方形の物体が左に移動する移動物体１４０１となる、さらにロボット自体も右上に移動した状況であったとする。この状況における２つの計測結果を図１５に示す。図１５に示すように、ロボットが移動したために計測データの原点が変わったことと、計測された移動物体１５００の存在物の配置が変化したことが確認できる。これらの計測データ同士を幾何的に一致するように変換した結果を図１６に示す。図１６に示すように、形状データ間を幾何的に一致させたうえでデータ間の差分となる部位を抽出することで、抽出された移動物体１６００を得られる。本処理を図４で示した前記分類部に加えることで、形状照合に基づいて抽出するクラスと輝度に基づいて抽出するクラスに加えて、移動中の物体を示すクラスに分離できる。

図１７に、低床型ロボット１７００が棚下において移動モードを判定し、自己位置推定する際の手順について述べる。低床型ロボット１７００が棚１７０１の下にいる場合、棚足１７０２と接触しないように精度良く移動する必要がある。この場合は、図１１に示した場合と同様に棚足１７０２の重みを大きくすることで、棚足１７０２に対しての相対姿勢として自己位置を求めることができ、正確に棚足に接触しないような移動が可能となる。

また、距離センサではなくカメラを使う場合は、棚の下面にマーカを張りマーカを観測し、低床型ロボットの位置と棚位置との相対関係を認識してもよい。棚の下にロボットが入っているエリアにおいては、カメラで棚との相対関係の重みを高く、距離センサで得られる自己位置推定結果の重みを低く設定した重みテーブルを選択することで、低床型ロボットは棚の真下での正確な自己位置推定が可能となる。

図１８では、広いエリアで自己位置推定した際の様子述べる。広い空間内を移動する際は、図１２で述べた例と同じように、壁１８００の位置を優先して自己位置推定することが望ましい。この場合は、壁の重みを大きくする重みテーブルを用いることで自己位置推定を行う。

図１９は、他のロボット１９００が多数存在する環境で自己位置推定を行った様子である。移動物体は地図に記載されていないため、移動物体の情報を用いても自らの空間全体における位置を決定できない。この場合は、前記分類部で分類した移動物体のクラスの重みを小さくし、環境の静止物に対する位置姿勢を求めることで正確な動作が可能となる。

さらに、他ロボット１９００の追従を行う場合は、追従対象のロボットの重みを大きくし、そのロボット１９００に追従するような制御を移動体に与えることで、対象ロボット１９００の追従が可能となる。

図２０に計測結果に基づく移動モードの決定手順について述べる。本実施例では、周囲の計測結果を用いて移動モードを判定することとする。本実施例では、クラス別計測データ１０２を用いて、最も計測データ量が多かったクラスを重視する重みテーブルを選択することで、統合部１０７が自己位置推定を行う際の重みを決定する。具体的な統合処理は、図９と同様にクラス別自己位置１０５と座標変換量１０６を用いて、所定の座標系での自己位置に変換した上で、移動モード判定部９０１によって決定した重みテーブル８００に従い、前記自己位置を統合する。例えば、計測結果として、反射強度の強い存在物が多く計測された場合、そのクラスの自己位置の重みを強くする。

１００・・・計測部、１０・・・自己位置推定部、１０１・・・分類部、１０２・・・クラス別計測データ、１０３・・・クラス別地図、１０４・・・クラス別自己位置推定部、１０５・・・クラス別自己位置、１０６・・・座標変換量、１０７・・・統合部、１０８・・・自己位置記憶部、１０９・・・制御部、１１０・・・移動体、２００・・・存在物、２０１・・・レーザ、３００・・・計測点位置、３０１・・・計測された形状、４００・・・形状照合部、４０１・・・輝度値判定部、４０２・・・分離部、５００・・・反射強度の高いポール、５０１・・・壁、５０２・・・細い柱、５０３・・・ポールに関するクラス別計測データ、５０４・・・壁に関するクラス別計測データ、５０５・・・柱に関するクラス別計測データ、６００・・・格子地図、６０１・・・存在物、６０２・・・空格子、６０３・・・占有格子、計測点・・・７００、地図・・・７０１、８００・・・重みテーブル、８０１・・・自己位置計算部、１１００・・・棚、１１０１・・・関節型ロボット、１２００・・・壁、１３００・・・更新度合いテーブル、１４００・・・静止物体、１４０１・・・移動物体、１５００・・・計測された移動物体、１６００・・・抽出された移動物体、１７００・・・低床型ロボット、１７０１・・・棚、１７０２・・・棚足、１８００・・・壁、１９００・・・他のロボット

Claims (15)

1. 空間内の存在物を計測する計測部と、
   予め定められた前記空間内の存在物情報を示す地図データを記憶する記憶部と、
   前記計測部によって取得された計測データと前記地図データとを照合し、前記空間内を移動する移動体の自己位置を算出する自己位置推定部と、
   前記計測データを所定の２以上のクラスに分類したクラス別計測データを取得する分類部と、
   前記クラス毎の存在物の位置を記録したクラス別地図と前記クラス別計測データとを照合し、前記２以上のクラス夫々ごとに前記移動体の自己位置を推定するクラス別自己位置推定部と、
   前記２以上のクラス夫々ごとに推定した自己位置を統合する統合部と、を備え、
   前記統合部からの情報に基づいて、前記移動体の制御を実行する制御部と、
   を備えることを特徴とする特徴とするロボット。
2. 前記地図は前記クラスごとに予め定められた座標系で記録されたものであって、前記地図に定義された座標系間の相対的な位置関係を座標変換量とし、
   前記統合部は前記座標量に基づき、前記２以上のクラスで推定した夫々の自己位置を統合することを特徴とする請求項１記載のロボット。
3. 前記統合部は、予め設定された移動モードに従い前記クラスごとの前記自己位置の統合方法を変化させる手段を備えることを特徴とする請求項１または２記載のロボット。
4. 前記統合部は、前記クラスごとに設定された所定の重みに基づいて前記自己位置を統合する事を特徴とする請求項１から３迄の何れかに記載のロボット。
5. 前記統合部は、前記クラスごとに設定された所定の優先度に基づいて、優先度の高いクラスによって推定された前記自己位置を用いることを特徴とする請求項１から３迄の何れかに記載のロボット。
6. 前記空間内の地点毎に所定の移動モードを予め設定した移動モード判定マップを備え、
   前記自己位置に対応する前記移動モード判定マップに記載された前記移動モードを選択する移動モード判定部を備えることを特徴とする請求項３から５迄の何れかに記載のロボット。
7. 前記移動モード判定部は、前記クラス別計測データのうち最も多くの計測データが得られたクラスの自己位置を判定することを特徴とする請求項６記載のロボット。
8. １または複数の関節型ロボットが搭載され、
   前記関節型ロボットは、前記自己位置に基づき制御されることを特徴とする請求項１から７迄の何れかに記載のロボット。
9. 前記計測部によって新たに計測した存在物の情報を、前記分類部で算出したクラスに基づき、当該クラスに分類される存在物の記録されている地図を更新する更新部を備えることを特徴とすることを特徴とする請求項１から８迄の何れかに記載のロボット。
10. 前記更新部は、更新度合いを前記クラスに応じて予め与えておき、前記地図を更新する際には前記更新度合いに基づくことを特徴とする請求項９記載のロボット。
11. 前記計測部は前記空間内の存在物の所定の属性を計測可能であって、
    前記クラスは前記計測部が計測する前記属性について分類されるものであって、前記分類部は前記属性に従ってクラス分けを行うことを特徴とする請求項１から10迄の何れかに記載のロボット。
12. 前記分類部は、前記計測データから所定の形状との幾何照合を行い、所定の形状と類似した部位を抽出することでクラス分けを行うことを特徴とする請求項１から１１迄の何れかに記載のロボット。
13. 前記分類部は、前記計測データから角および端点に関する特徴点の抽出を行い、
    特徴点同士の間に存在する形状の大きさおよび平面性に応じて分類を行うことを特徴とする請求項１１記載のロボット。
14. 前記クラスは前記空間内に固定された所定の形状の静的物体および柱状の物体に更に分けられ、
    前記分類部は前記計測データの各部位と、前記静的物体および柱状物体とをそれぞれ幾何的に比較し、クラスを決定することを特徴とする請求項１から１３迄の何れかに記載のロボット。
15. 前記クラスは更に移動中の移動物体に更に分類されるものであって、前記分類部は直前に計測した前記計測データとそれ以前に計測した計測データとを比較し、差異があった部位を前記移動物体とすることを特徴とする請求項１から１４迄の何れかに記載のロボット。

Images