JP7342664B2 - ロボット、制御方法、およびプログラム - Google Patents

Description

本発明は、自走するロボットを制御する方法に関する。

自走するロボットを制御する技術が知られている。例えば、特許文献１には、ロボットから送信されてくる動画像から、機械学習によって、動画像に映っている被写体との接触の危険の程度を測定し、測定された危険の程度が所定の閾値以上である場合に、ロボットに停止を指令する技術が記載されている。

特許第６３９３４３３号明細書（２０１８年８月３１日登録）

ここで、ロボットを所定の対象物（例えば、特定の人）に追従させる用途では、ロボットの周囲に存在する物体のうちロボットが向かうべき所定の対象物を検知する必要がある。このような用途において特許文献１に記載された技術を用いる場合、動画像には被写体までの距離情報が含まれないため、動画像を用いた機械学習により対象物を検知する検知精度に改善の余地がある。そのため、ロボットが意図しない方向に走行する可能性がある。

本発明の一態様は、対象物に向かって走行するロボットの走行方向をより精度よく決定する技術を提供することを目的とする。

上記の課題を解決するために、本発明の一態様に係るロボットは、自走するロボットであって、前記ロボットから周囲に存在する物体までの距離を方向毎に計測するセンサと、前記センサから出力される測距データを参照して前記ロボットを制御するコントローラと、を備え、前記コントローラは、前記測距データを入力として、前記物体のうち所定の対象物が存在し得る１または複数の方向を示す情報を出力するよう機械学習された第１学習モデルを用いて、前記第１学習モデルの出力情報を参照して、前記所定の対象物に向かうよう前記ロボットの走行方向を決定する処理を実行する。

上記の構成によれば、測距データを入力とする第１学習モデルを用いて、所定の対象物に向かうようロボットの走行方向が決定される。これにより、物体までの距離情報を含まない撮像画像を入力とする機械学習モデルを用いる場合と比べて、ロボットの走行方向をより精度よく決定することができる。例えば、ロボットの周囲には、人、壁、車椅子等の物体が存在する。そのうち、所定の対象物とは、例えば、特定の人、特定の車椅子等である。上記構成では、人、壁、車椅子等の物体までの距離情報を含む測距データを入力とする第１学習モデルからの出力は、物体までの距離が反映された情報となる。したがって、上記構成では、人、壁、車椅子等の物体までの距離が考慮され、特定の人、特定の車椅子等に向かうロボットの走行方向がより精度よく決定される。

本発明の一態様に係るロボットにおいて、前記所定の対象物は移動体であり、前記センサは、前記距離を方向毎に計測する処理を周期的に実行し、前記第１学習モデルは、少なくとも２周期分以上の前記測距データを入力として、前記物体のうち移動体が存在する１または複数の方向を示す情報を、前記所定の対象物が存在し得る１または複数の方向として出力する、ことが好ましい。

上記の構成によれば、ロボットの周囲に存在する物体のうち移動体のいずれかが所定の対象物であるとして、ロボットの走行方向をより精度よく決定することができる。なお、移動体とは、移動可能な物体であり、例えば、人、車椅子、台車等である。

本発明の一態様に係るロボットにおいて、前記ロボットの周囲を撮像する撮像装置をさらに備え、前記コントローラは、前記撮像装置が生成する撮像画像を入力として、前記撮像画像において前記所定の対象物を含み得る１または複数の画像領域を示す情報を出力するよう機械学習された第２学習モデルをさらに用いて、前記決定する処理において、前記第１学習モデルから出力される１または複数の方向のうち、前記第２学習モデルの出力情報を参照して抽出される１または複数の方向を参照して、前記ロボットの走行方向を決定する、ことが好ましい。

上記の構成によれば、測距データを参照して検知された所定の対象物が存在し得る１または複数の方向のうち、所定の対象物が存在する可能性がより高い方向が撮像画像を参照して抽出されるので、ロボットの走行方向をより精度よく決定することができる。

本発明の一態様に係るロボットにおいて、前記コントローラは、前記所定の対象物の方向を示す情報と、障害物が存在する空間領域を示す情報とを入力として、前記障害物を回避しながら前記所定の対象物に向かうための方向を示す情報を出力するよう機械学習された第３学習モデルをさらに用いて、前記決定する処理において、前記測距データおよび前記第１学習モデルの出力情報を参照して前記所定の対象物の方向および前記障害物の空間領域を特定し、特定した情報を前記第３学習モデルに入力することにより、前記第３学習モデルの出力情報が示す方向を、前記ロボットの走行方向として決定する、ことが好ましい。

上記の構成によれば、障害物を回避しながら所定の対象物に向かうためのロボットの走行方向を、より精度よく決定することができる。

本発明の一態様に係るロボットにおいて、前記コントローラは、前記センサから出力される測距データを取得する入力インタフェースと、プログラムに従って前記各処理を実行するプロセッサと、前記プログラムを格納したメモリと、を備えている、ことが好ましい。

上記の構成によれば、上述したロボットを、プログラムを用いて制御することができる。

上記の課題を解決するために、本発明の一態様に係る制御方法は、自走するロボットの制御方法であって、前記ロボットから周囲に存在する物体までの距離を方向毎に計測する工程と、前記計測する工程において出力される測距データを参照して前記ロボットを制御する工程と、を備え、前記制御する工程は、前記測距データを入力として、前記物体のうち所定の対象物が存在し得る１または複数の方向を示す情報を出力するよう機械学習された第１学習モデルを用いて、前記第１学習モデルの出力情報を参照して、前記所定の対象物に向かうよう前記ロボットの走行方向を決定する処理を含む。

上記の構成によれば、上述したロボットと同様の効果を奏する。

上記の課題を解決するために、本発明の一態様に係るプログラムは、上述したロボットを制御するプログラムであって、前記コントローラに前記各処理を実行させる。

上記の構成によれば、上述したロボットを制御するためにコンピュータによって実行されるプログラムを提供することができる。

なお、上記プログラムを記録したコンピュータ読み取り可能な記録媒体も、本発明の範疇に入る。

本発明の一態様によれば、対象物に向かって走行するロボットの走行方向をより精度よく決定する技術を提供することができる。

本発明の実施形態１に係るロボットの主要な構成を示すブロック図である。 本発明の実施形態１に係るロボットのハードウェア構成の一例を示す図である。 本発明の実施形態１における第１学習モデルの入出力を説明する図である。 本発明の実施形態１においてロボットを制御する制御方法を示すフローチャートである。 本発明の実施形態２に係るロボットの主要な構成を示すブロック図である。 本発明の実施形態２に係るロボットのハードウェア構成の一例を示す図である。 本発明の実施形態２における第２学習モデルの入出力を説明する図である。 本発明の実施形態２においてロボットを制御する制御方法を示すフローチャートである。 本発明の実施形態３に係るロボットの主要な構成を示すブロック図である。 本発明の実施形態３における第３学習モデルの入出力を説明する図である。 本発明の実施形態３における障害物マッピング情報の一例を示す略平面図である。 本発明の実施形態３における障害物グリッドマップの一例を示す図である。 本発明の実施形態３における拡大障害物グリッドマップの一例を示す図である。 本発明の実施形態３においてロボットを制御する制御方法を示すフローチャートである。

本発明の各実施形態に係るロボットについて、図面を参照して説明する。各実施形態に係るロボットは、施設内の見回りを職員に代わって実施する自走式のロボットである。ロボットが配備される施設の一例としては、医療施設、介護施設、幼稚園等が挙げられるが、これらに限られない。ロボットは、ロボットの周囲に存在する物体のうち、所定の対象物に向かって走行する。例えば、ロボットは、施設内を巡回しながら特定の条件を満たす物体を所定の対象物として特定し、当該所定の対象物を追従して走行する。特定の条件とは、例えば、ロボットが何れの対象物も追従していない状態において最初に認識した移動体であってもよい。具体例として、ロボットは、施設内を徘徊する人を発見して追従する。また、特定の条件とは、入力により指定された移動体であってもよい。具体例として、ロボットは、散歩する人を載せた特定の車椅子を追従する。

本実施形態では、ロボットの周囲に存在する物体は、人、車椅子、台車、壁、柱等である。また、本実施形態では、ロボットが向かうべき所定の対象物は、移動体である。移動体とは、移動可能な物体であり、一例として、人、車椅子、台車等である。以降では、ロボットが向かうべき所定の対象物を、「追従対象物」とも記載する。

〔実施形態１〕
本発明の実施形態１に係るロボット１０について、図１～４を参照しながら以下に説明する。

＜ロボット１０の主要な構成＞
図１は、ロボット１０の主要な構成を示すブロック図である。図１に示すように、ロボット１０は、コントローラ１１と、測域センサ１２と、走行装置１３とを含む。

コントローラ１１は、機能的な構成として、測距データ取得部１１１と、走行方向決定部１１２と、走行制御部１１３と、第１学習モデルＭ１とを含む。各機能ブロックの詳細な構成については後述する。

図２は、ロボット１０のハードウェア構成の一例を示すブロック図である。図２に示すようにコントローラ１１は、プロセッサ１０１と、メモリ１０２と、通信インタフェース１０３とを含むコンピュータによって構成される。なお、通信インタフェース１０３は、本発明における入力インタフェースの一例である。また、コントローラ１１は、スイッチングハブＳＷを介して測域センサ１２および走行装置１３と、それぞれ通信可能に接続される。

プロセッサ１０１、メモリ１０２、および通信インタフェース１０３は、バスを介して互いに接続されている。プロセッサ１０１としては、例えば、マイクロプロセッサ、デジタルシグナルプロセッサ、マイクロコントローラ、又はこれらの組み合わせが用いられる。メモリ１０２としては、例えば、半導体ＲＡＭ（random access memory）、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、又はこれらの組み合わせが用いられる。

メモリ１０２には、後述するコントローラ１１の制御方法Ｓ１をプロセッサ１０１に実行させるためのプログラムが格納されている。プロセッサ１０１は、メモリ１０２に格納されたプログラムを読み込んで実行することによって、制御方法Ｓ１を実行する。また、メモリ１０２には、制御方法Ｓ１を実行するためにプロセッサ１０１が参照する各種データが格納されている。

通信インタフェース１０３は、他の装置との通信を行うためのインタフェースである。例えば、通信インタフェース１０３は、有線ＬＡＮ（Local Area Network）通信を行うインタフェースである。この場合、通信インタフェース１０３は、スイッチングハブＳＷに接続され、スイッチングハブＳＷを介して測域センサ１２および走行装置１３と通信する。なお、通信インタフェース１０３は、有線ＬＡＮ通信に限らず、他の通信を行うインタフェースであってもよい。例えば、通信インタフェース１０３は、無線ＬＡＮ通信を行うインタフェースであってもよい。この場合、通信インタフェース１０３は、アクセスポイント（図示せず）を介して測域センサ１２および走行装置１３と通信する。また、通信インタフェース１０３は、ＵＳＢ（Universal Serial Bus）インタフェース、ＲＳ－２３２Ｃ、ＲＳ－４２２、ＲＳ－４８５などのシリアル通信インタフェース、赤外線、Bluetooth（登録商標）等の近距離通信インタフェース、又はこれらの組み合わせにより構成されてもよい。

＜測域センサ１２の構成＞
測域センサ１２は、本発明におけるセンサの一例である。測域センサ１２は、ロボット１０から周囲に存在する物体までの距離を方向毎に計測する。また、測域センサ１２は、周囲に存在する物体までの距離を方向毎に計測する計測処理を、周期的に実行する。計測処理を実行する周期は、コントローラ１１によって制御される。測域センサ１２は、周期的に実行する計測処理において、計測した各方向における物体の距離を示す測距データを出力する。

例えば、測域センサ１２は、２次元レーザスキャナによって構成される。この場合、測域センサ１２は、ロボット１０の設置面から所定の高さに設置され、当該高さの水平面において、走査範囲に含まれる各方向に存在する物体までの距離を計測する。走査範囲とは、ロボット１０の進行方向に対して左右それぞれに所定角度までの範囲である。具体的には、測域センサ１２は、走査範囲において所定の分解能で方向を変化させながらレーザビームを放射する。また、測域センサ１２は、レーザビームを放射した各方向に存在する物体の表面で反射される反射光を受けて反射点までの距離を計算し、各方向における反射点の位置を示す測距データを出力する。走査範囲にレーザビームを放射して測距データを出力する計測処理は、周期的に実行される。なお、測域センサ１２は、上述した構成に限らず、ロボット１０の周囲に存在する物体までの距離を方向毎に計測することができる構成であれば、その他の公知の構成を採用可能である。

なお、一例として、測域センサ１２は、床から約４０センチメートルの高さに設置される。また、一例として、測域センサ１２の走査範囲は±１１５度であり、計測可能な距離は２０ミリメートル以上１００００ミリメートル以下であり、分解能は０．２５度である。ただし、測域センサ１２が設置される高さ、走査範囲、計測可能な距離、および分解能は、これらの値に限られない。

＜走行装置１３の構成＞
走行装置１３の構成について、図２を参照して説明する。走行装置１３は、施設の床面に配置されたロボット１０を任意の方向に走行させる装置である。一例として、図２に示すように、走行装置１３は、自装置の各部を制御するＰＬＣ（programmable logic controller）１３１と、複数の車輪１３２（１３２ａおよび１３２ｂ）と、各車輪１３２を駆動するモータ１３３（１３３ａおよび１３３ｂ）と、各モータ１３３を回転させる駆動回路１３４（１３４ａおよび１３４ｂ）と、各モータ１３３の回転数を検知するエンコーダ１３５（１３５ａおよび１３５ｂ）とを含む。各車輪１３２は、走行方向を変更可能にロボット１０の下面に取り付けられている。ロボット１０は、各車輪１３２が配置面（例えば、床面）に接するように配置される。ＰＬＣ１３１は、コントローラ１１からの制御信号を基に、各車輪１３２を所望の回転速度で回転させるよう、各駆動回路１３４を制御する。各駆動回路１３４は、各モータ１３３に駆動信号を供給して回転させることにより、各車輪１３２を所望の回転速度で回転させる。ロボット１０の下部の左右に配置された車輪１３２ａおよび１３２ｂが異なる回転速度で回転する場合、ロボット１０は、走行方向を変更しながら走行する。なお、走行装置１３は、上述した構成に限らず、ロボット１０を任意の方向に走行させることが可能な構成であれば、公知の構成を採用可能である。なお、走行装置１３は、ＰＬＣ１３１に替えて、上述のように機能する他のコントローラを含んでいてもよい。

＜コントローラ１１の各機能ブロックの詳細な構成＞
（測距データ取得部１１１の構成）
図１に示す通り、測距データ取得部１１１は、測域センサ１２から測距データを取得する。具体的には、測距データ取得部１１１は、予め定められた周期毎に、測域センサ１２に対して計測処理を指示することにより、測域センサ１２から出力される測距データを取得する。測距データ取得部１１１は、取得した測距データを第１学習モデルＭ１に入力する。一例として、測距データの取得周期は、５０ミリ秒である。このため、第１学習モデルＭ１に測距データが入力される周期も、５０ミリ秒である。ただし、当該周期はこれに限定されない。

（第１学習モデルＭ１の構成）
第１学習モデルＭ１は、測域センサ１２から出力される測距データを入力として、ロボット１０の周囲に存在する物体のうち追従対象物が存在し得る１または複数の方向を示す情報を出力するよう機械学習されているプログラムである。

図３は、第１学習モデルＭ１の入出力を説明する図である。第１学習モデルＭ１には、２周期分以上の測距データが入力される。なお、図３には、３周期分の測距データを示しているが、第１学習モデルＭ１に入力される測距データの周期の数を限定するものではない。第１学習モデルＭ１からは、追従対象物が存在し得る１または複数の方向として、移動体が存在する１または複数の方向が出力される。具体例として、第１学習モデルＭ１からは、追従対象物である「特定の人」が存在し得る方向として、移動体である「人」が存在する１または複数の方向が出力される。

具体的には、例えば、１周期分の測距データは、Ｄ（ｆ）＝（ｄ＿ｆ１、ｄ＿ｆ２、・・・、ｄ＿ｆｎ）と表される。ｎは２以上の整数であり、走査範囲を所定の分解能で計測して得られる距離情報の個数である。ｄ＿ｆｉ（ｉ＝１、２、・・・ｎ）は、周期ｆにおいて計測された方向ｒｉ（ｉ＝１、２、・・・ｎ）に存在する物体までの距離を示す。第１学習モデルＭ１には、直近に計測されたｍ周期分の測距データＤ（ｆ１）、Ｄ（ｆ２）、・・・、Ｄ（ｆｍ）が入力される。ｍは２以上の整数である。第１学習モデルＭ１からの出力情報は、（ｃ１、ｃ２、・・・、ｃｎ）と表される。

例えば、出力情報ｃｉ（ｉ＝１、２、・・・ｎ）は、物体の種類（例えば、種類「人」、「人以外の物体」、および「物体無し」の何れか）を示す。この場合、追従対象物の種類（ここでは、「人」）を示す出力情報ｃｉに対応する方向ｒｉの何れかに、追従対象物が存在する。換言すると、追従対象物の種類を示す出力情報ｃｉに対応する方向ｒｉは、追従対象物が存在し得る方向である。

なお、第１学習モデルＭ１は、教師データを用いて機械学習される。例えば、コントローラ１１は、教師データを生成して第１学習モデルＭ１を機械学習させる処理を、予め実行しておく。例えば、コントローラ１１は、複数の移動体（人、車椅子、台車等）がロボット１０の周囲に存在する状況において、複数の移動体のうち追従対象物と同種類の「人」がそれぞれ存在する方向を示す情報を取得する。人がそれぞれ存在する方向は、オペレータの入力により取得される。また、コントローラ１１は、当該状況において測域センサ１２を用いて計測された複数周期分の測距データを取得する。また、コントローラ１１は、取得した複数周期分の測距データおよび人がそれぞれ存在する方向を関連付けたデータを教師データとして、第１学習モデルＭ１を機械学習させる。なお、第１学習モデルＭ１は、当該ロボット１０のコントローラ１１によって機械学習されたものに限らず、他のロボット１０のコントローラ１１、または、ロボット１０の外部の装置によって機械学習されたものであってもよい。

また、第１学習モデルＭ１の機械学習には、公知の機械学習アルゴリズムを適用可能である。公知の機械学習アルゴリズムとしては、例えば、ＣＮＮ（Convolutional Neural Networks）、ＲＮＮ（Recurrent Neural Network）、ＧＡＮ（Generative Adversarial Network）等のディープラーニングソフト（アルゴリズム）がある。また、第１学習モデルＭ１を学習させるアルゴリズムは、ディープラーニングに限らず、サポートベクタマシン等といったその他の機械学習アルゴリズムであってもよい。また、第１学習モデルＭ１は、教師あり学習に限らず、教師なし学習、半教師あり学習等によって機械学習されてもよい。

（走行方向決定部１１２の構成）
図１に示す走行方向決定部１１２は、第１学習モデルＭ１の出力情報を参照して、追従対象物に向かうようロボット１０の走行方向を決定する。

具体的には、走行方向決定部１１２は、第１学習モデルＭ１の出力情報に加えて直近で得られた測距データを参照し、出力情報が示す１または複数の方向のうち物体までの距離が最も近い方向を走行方向として決定する。ただし、走行方向を決定する処理は、上述した処理に限られない。例えば、走行方向決定部１１２は、出力情報が示す１または複数の方向のうち、物体までの距離が最も近い方向と、当該方向に近接する方向とを、追従対象物である特定の人の左足の方向および右足の方向であるとみなして、これらの方向の間の方向を走行方向として決定してもよい。また、走行方向決定部１１２は、出力情報が示す１または複数の方向のうち、１制御周期前に決定した走行方向と、当該方向の近接する方向との中で、物体までの距離が最も近い方向を走行方向として決定してもよい。

（走行制御部１１３の構成）
走行制御部１１３は、決定された走行方向にロボット１０を走行させるよう走行装置１３を制御する。具体的には、走行制御部１１３は、ロボット１０の現在の向きを示す情報を取得する。走行制御部１１３は、現在の向きと決定した走行方向とが同一の場合は、ロボット１０を現在の向きのまま走行させる。また、走行制御部１１３は、現在の向きと決定した走行方向とが異なる場合は、ロボット１０が決定した走行方向を向くように走行装置１３を制御しながら、ロボット１０を走行させる。具体的には、走行制御部１１３は、走行装置１３に含まれる各エンコーダ１３５の出力情報を基にロボット１０の現在の向きを示す情報を算出する。また、走行制御部１１３は、走行装置１３に含まれる各車輪１３２の回転速度を異ならせることにより、ロボット１０が走行方向を向くよう制御する。

＜ロボット１０の制御方法＞
以上のように構成されたロボット１０の制御方法Ｓ１について説明する。図４は、ロボット１０の制御方法Ｓ１を説明するフローチャートである。なお、以下に説明する制御方法Ｓ１は、測距データの取得周期毎に実行される。

ステップＳ１０１において、測距データ取得部１１１は、測域センサ１２から出力される測距データを取得して、メモリ１０２に格納する。

ステップＳ１０２において、走行方向決定部１１２は、メモリ１０２に格納された直近２周期分以上の測距データを第１学習モデルＭ１に入力し、その出力情報を取得する。本実施形態では、前述したように、第１学習モデルＭ１からは、追従対象物が存在し得る１または複数の方向として、各方向に存在する物体の種類（例えば、「人」、「人以外」および「物体なし」の何れか）を示す情報が出力される。

ステップＳ１０３において、走行方向決定部１１２は、第１学習モデルＭ１の出力情報を参照して、ロボット１０の走行方向を決定する。本実施形態では、第１学習モデルＭ１から出力された、種類が「人」である１または複数の方向のうち、ロボット１０からの距離が最も近い方向が走行方向として決定される。

ステップＳ１０４において、走行制御部１１３は、ステップＳ１０３で決定された方向にロボット１０を走行させる。

以上で、コントローラ１１は、制御方法Ｓ１を終了する。

＜ロボット１０の効果＞
本実施形態に係るロボット１０は、２周期分以上の測距データを入力とする第１学習モデルＭ１から出力される移動体の方向を示す情報を参照して、そのうちロボット１０に最も近い距離に存在する物体が追従対象物であるとみなす。そして、ロボット１０は、当該追従対象物が存在する方向に走行方向を決定する。このように、２周期分以上の測距データを入力とする第１学習モデルＭ１からの出力は、周囲に存在する物体までの距離の変化が反映されるため、本実施形態は、ロボット１０が向かうべき追従対象物が存在する方向をより精度よく決定することができる。

〔実施形態２〕
本発明の実施形態２に係るロボット２０について、図５～８を参照しながら以下に説明する。なお、説明の便宜上、実施形態１にて説明した構成と同じ機能を有する構成については、同じ符号を付記し、その説明を繰り返さない。

＜ロボット２０の主要な構成＞
図５は、ロボット２０の主要な構成を示す概略図である。図５に示すように、ロボット２０は、コントローラ２１と、測域センサ１２と、走行装置１３と、撮像装置２４とを備える。コントローラ２１は、機能的な構成として、測距データ取得部１１１と、走行方向決定部２１２と、走行制御部１１３と、撮像画像取得部２１４と、第１学習モデルＭ１と、第２学習モデルＭ２とを含む。撮像画像取得部２１４と、第２学習モデルＭ２とは、撮像装置２４に含まれていてもよい。測域センサ１２、走行装置１３、測距データ取得部１１１、走行制御部１１３、および第１学習モデルＭ１の構成については、実施形態１にて説明した通りであるため、説明を繰り返さない。他の構成の詳細については後述する。

図６は、ロボット２０のハードウェア構成の一例を示すブロック図である。図６に示すようにコントローラ２１は、プロセッサ１０１と、メモリ１０２と、通信インタフェース１０３とを含むコンピュータによって構成される。また、コントローラ２１は、スイッチングハブＳＷを介して測域センサ１２、走行装置１３、および撮像装置２４と、それぞれ通信可能に接続される。

プロセッサ１０１、メモリ１０２、通信インタフェース１０３については、実施形態１にて説明した通りであるが、次の点が異なる。メモリ１０２には、後述するコントローラ２１の制御方法Ｓ２をプロセッサ１０１に実行させるためのプログラムが格納されている。プロセッサ１０１は、メモリ１０２に格納されたプログラムを読み込んで実行することによって、制御方法Ｓ２を実行する。また、メモリ１０２には、制御方法Ｓ２を実行するためにプロセッサ１０１が参照する各種データが格納されている。

＜撮像装置２４の構成＞
撮像装置２４は、ロボット２０の周囲を撮像する。具体的には、撮像装置２４は、ロボット２０の進行方向に向けて撮像処理を行うことにより二次元の撮像画像を生成する。撮像装置２４は、シングルボードコンピュータ２４１と、撮像素子２４２とを含む。

撮像素子２４２は、たとえばＣＭＯＳ（Complementary Metal Oxide Semiconductor）イメージセンサなどの光電変換素子であり、レンズ（図示せず）を通して所定の画角の範囲から入射される光を画像信号に変換する。シングルボードコンピュータ２４１は、コントローラ２１からの制御の基に、シャッター（図示せず）を開いて露光し、撮像素子２４２から画像信号に基づいて撮像画像を生成する撮像処理を、周期的に実行する。一例として、撮像素子２４２の水平画角は±６６度である。ただし、水平画角はこれに限られない。

＜コントローラ２１の各機能ブロックの詳細な構成＞
（撮像画像取得部２１４の構成）
撮像画像取得部２１４は、撮像装置２４から撮像画像を取得する。具体的には、撮像画像取得部２１４は、予め定められた周期毎に、撮像装置２４に対して撮像処理を指示することにより、撮像装置２４から出力される撮像画像を取得する。撮像画像取得部２１４は、取得した撮像画像を第２学習モデルＭ２に入力する。なお、撮像画像の取得周期と、測距データの取得周期とは、同一であってもよいし、異なっていてもよい。ただし、測距データより容量の大きい撮像画像の取得には、測距データの取得よりも時間を要すると考えられる。このため、測距データの取得周期より、撮像画像の取得周期の方が長く設定されることがある。一例として、測距データの取得周期が５０ミリ秒であり、撮像画像の取得周期が５００ミリ秒である。ただし、各周期はこれに限定されない。

（第２学習モデルＭ２の構成）
図５に示す通り、第２学習モデルＭ２は、撮像装置２４が生成する撮像画像を入力として、当該撮像画像において追従対象物を含み得る１または複数の画像領域を示す情報を出力するよう機械学習されているプログラムである。

図７は、第２学習モデルＭ２の入出力を説明する図である。第２学習モデルＭ２には、撮像画像が入力される。なお、図７には、１周期分の撮像画像を示しているが、第２学習モデルＭ２に入力される撮像画像の周期の数を限定するものではない。第２学習モデルＭ２には、１周期分以上の撮像画像が入力される。第２学習モデルＭ２からは、追従対象物を含み得る１または複数の画像領域を示す情報が出力される。例えば、第２学習モデルＭ２からは、追従対象物と同種類の物体（例えば、「人」）を被写体として含む画像領域を示す情報が出力される。

なお、第２学習モデルＭ２は、教師データを用いて機械学習される。例えば、コントローラ２１は、教師データを生成して第２学習モデルＭ２を機械学習させる処理を、予め実行しておく。例えば、コントローラ２１は、複数の移動体（人、車椅子、台車等）がロボット２０の周囲に存在する状況において、撮像装置２４を用いて撮像画像を取得する。また、コントローラ２１は、当該撮像画像において、追従対象物と同種類の物体である「人」がそれぞれ存在する画像領域を示す情報を取得する。人がそれぞれ存在する画像領域は、オペレータの入力により取得される。また、コントローラ２１は、取得した撮像画像および人がそれぞれ存在する画像領域を関連付けたデータを教師データとして、第２学習モデルＭ２を機械学習させる。

第２学習モデルＭ２の機械学習に用いる機械学習アルゴリズムについては、第１学習モデルＭ１で説明した通りであるため、説明を繰り返さない。また、第２学習モデルＭ２は、当該ロボット２０のコントローラ２１によって機械学習されたものに限らず、他のロボット２０のコントローラ２１、または、ロボット２０の外部の装置によって機械学習されたものであってもよい。

（走行方向決定部２１２の構成）
図５に示す走行方向決定部２１２は、第１学習モデルＭ１から出力される１または複数の方向のうち、第２学習モデルＭ２の出力情報を参照して抽出される１または複数の方向を参照して、ロボット２０の走行方向を決定する。換言すると、走行方向決定部２１２は、第１学習モデルＭ１から出力される１または複数の方向を、第２学習モデルＭ２の出力情報を参照して絞り込む。また、走行方向決定部２１２は、直近で得られた測距データを参照し、第２学習モデルＭ２の出力情報を参照して抽出した方向に存在する物体のうち、距離が最も近い物体に向かう方向を、ロボット２０の走行方向として決定する。

ここで、第１学習モデルＭ１から出力される１または複数の方向を、第２学習モデルＭ２の出力情報を参照して絞り込む処理の具体例について説明する。例えば、走行方向決定部２１２は、第１学習モデルＭ１から出力される、種類「人」の物体が存在する１または複数の方向のうち、第２学習モデルＭ２から出力される画像領域に含まれる被写体が存在する方向を抽出する。例えば、走行方向決定部２１２は、第１学習モデルＭ１から出力される１または複数の方向のうち、第２学習モデルＭ２から出力される画像領域に対応する方向の範囲に含まれる方向を抽出する。

＜ロボット２０の制御方法＞
以上のように構成されたロボット２０の制御方法Ｓ２について説明する。図８は、ロボット２０の制御方法Ｓ２を説明するフローチャートである。なお、以下に説明する制御方法Ｓ２は、測距データの取得周期毎に実行される。

ステップＳ２０１～Ｓ２０２におけるコントローラ２１の動作は、ステップＳ１０１におけるコントローラ１１の動作と同様であるため、説明を繰り返さない。

次のステップＳ２０３～Ｓ２０４の処理は、撮像画像の取得周期に該当する場合に実行され、該当しない場合には省略される。

ステップＳ２０３において、撮像画像取得部２１４は、撮像装置２４から撮像画像を取得する。

ステップＳ２０４において、走行方向決定部２１２は、シングルボードコンピュータ２４１上の図示しないメモリに格納された直近の撮像画像を第２学習モデルＭ２に入力し、その出力情報を取得してメモリ１０２に格納する。

ステップＳ２０５において、走行方向決定部２１２は、ステップＳ２０２で第１学習モデルＭ１から出力される１または複数の方向を、第２学習モデルＭ２の出力情報を参照して絞り込む。また、走行方向決定部２１２は、絞り込まれた１または複数の方向を参照して、ロボット２０の走行方向を決定する。

ステップＳ２０６におけるコントローラ２１の動作は、ステップＳ１０４におけるコントローラ１１の動作と同様であるため、説明を繰り返さない。

以上で、コントローラ２１は、制御方法Ｓ２を終了する。

上述の制御方法Ｓ２において、測距データの取得周期（例えば５０ミリ秒）が、撮像画像の取得周期（例えば５００ミリ秒）より短いことについて説明する。コントローラ２１は、撮像画像の取得に応答して第２学習モデルＭ２から出力される情報をメモリ１０２に格納しておく。これにより、コントローラ２１は、測距データの取得に応答して第１学習モデルＭ１から出力される情報と、直近でメモリ１０２に格納した第２学習モデルＭ２からの出力情報とを基に、ロボット２０の走行方向を決定する。

＜ロボット２０の効果＞
本実施形態では、第１学習モデルＭ１の出力情報には、物体までの距離の変化が反映されるのに対して、第２学習モデルＭ２の出力情報には、周囲に存在する物体の二次元的な外観情報が反映される。また、測距データの取得周期が撮像画像の取得周期より短いため、測距データの取得に応答して第１学習モデルＭ１から出力される情報は、撮像画像の取得に応答して第２学習モデルＭ２から出力される情報と比較して、リアルタイム性が高い。そこで、コントローラ２１は、よりリアルタイム性が高く、且つ、物体までの距離の変化が反映された第１学習モデルＭ１の出力情報を、二次元的な外観情報が反映された第２学習モデルＭ２の出力情報を用いて絞り込む。これにより、本実施形態は、ロボットの走行方向をより精度よく決定することができる。

〔実施形態３〕
本発明の実施形態３に係るロボット３０について、図９～１４を参照しながら以下に説明する。なお、説明の便宜上、実施形態１～２にて説明した構成と同じ機能を有する構成については、同じ符号を付記し、その説明を繰り返さない。

＜ロボット３０の主要な構成＞
図９は、ロボット３０の主要な構成を示すブロック図である。図９に示すように、ロボット３０は、コントローラ３１と、測域センサ１２と、走行装置１３と、撮像装置２４とを備える。コントローラ３１は、機能的な構成として、測距データ取得部１１１と、走行方向決定部３１２と、走行制御部１１３と、撮像画像取得部２１４と、対象方向特定部３１５と、障害物領域特定部３１６とを含む。また、コントローラ３１は、第１学習モデルＭ１と、第２学習モデルＭ２と、第３学習モデルＭ３とを含む。撮像画像取得部２１４と、第２学習モデルＭ２とは、撮像装置２４に含まれていてもよい。測域センサ１２、走行装置１３、測距データ取得部１１１、走行制御部１１３、撮像画像取得部２１４、第１学習モデルＭ１、および第２学習モデルＭ２の構成については、実施形態１～２にて説明した通りであるため、説明を繰り返さない。他の構成の詳細については後述する。

また、ロボット３０のハードウェア構成の一例としては、図６に示したロボット２０と同様のハードウェア構成が可能である。プロセッサ１０１、メモリ１０２、通信インタフェース１０３については、実施形態１にて説明した通りであるが、次の点が異なる。メモリ１０２には、後述するコントローラ３１の制御方法Ｓ３をプロセッサ１０１に実行させるためのプログラムが格納されている。プロセッサ１０１は、メモリ１０２に格納されたプログラムを読み込んで実行することによって、制御方法Ｓ３を実行する。また、メモリ１０２には、制御方法Ｓ３を実行するためにプロセッサ１０１が参照する各種データが格納されている。

＜コントローラ３１の各機能ブロックの詳細な構成＞
（第３学習モデルＭ３の構成）
図９に示す通り、第３学習モデルＭ３は、追従対象物の方向を示す情報と、障害物が存在する空間領域を示す情報とを入力として、障害物を回避しながら追従対象物に向かうための方向を示す情報を出力するよう機械学習されている。

図１０は、第３学習モデルＭ３の入出力を説明する図である。第３学習モデルＭ３には、追従対象物の方向を示す情報と、障害物が存在する空間領域を示す情報とが入力される。これらの入力情報の詳細については後述する。第３学習モデルＭ３からは、障害物を回避しながら追従対象物に向かうためのロボット３０の方向を示す情報が出力される。以降、障害物を回避しながら追従対象物に向かうためのロボット３０の方向を、回避方向とも記載する。

なお、第３学習モデルＭ３は、教師データを用いて機械学習される。例えば、コントローラ３１は、教師データを生成して第３学習モデルＭ３を機械学習させる処理を、予め実行しておく。例えば、コントローラ３１は、追従対象物である特定の人および障害物がロボット３０の周囲に存在する状況において、特定の人の方向を示す情報を取得する。特定の人の方向を示す情報は、後述する対象方向特定部３１５から取得されてもよいし、オペレータの入力により取得されてもよい。また、コントローラ３１は、当該状況において得られる測距データに基づいて、障害物が存在する空間領域を示す情報を生成する。また、コントローラ３１は、障害物を回避しながら追従対象物に向かうための回避方向を示す情報を取得する。回避方向を示す情報は、計算により取得可能である。例えば、コントローラ３１は、特定の人の方向を示す情報と、障害物が存在する空間領域を示す情報とに基づいて、障害物を回避しながら追従対象物に向かうための回避方向を算出する公知の手法を用いることが可能である。また、コントローラ３１は、取得した特定の人の方向を示す情報および障害物が存在する空間領域を示す情報と、計算した回避方向とを関連付けたデータを教師データとして、第３学習モデルＭ３を機械学習させる。

第３学習モデルＭ３の機械学習に用いる機械学習アルゴリズムについては、第１学習モデルＭ１で説明した通りであるため、説明を繰り返さない。また、第３学習モデルＭ３は、当該ロボット３０のコントローラ３１によって機械学習されたものに限らず、他のロボット３０のコントローラ３１、または、ロボット３０の外部の装置によって機械学習されたものであってもよい。

（対象方向特定部３１５の構成）
図９に示す通り、対象方向特定部３１５は、測距データおよび第１学習モデルＭ１の出力情報を参照して、追従対象物の方向を特定する。測距データとしては、直近で得られたデータが参照される。追従対象物が存在する方向を示す情報は、後述する障害物領域特定部３１６によって特定される障害物が存在する空間領域を示す情報と共に、第３学習モデルＭ３に入力される。

詳細には、対象方向特定部３１５は、第１学習モデルＭ１から出力される１または複数の方向のうち、第２学習モデルＭ２の出力情報を参照して抽出される１または複数の方向を参照して、追従対象物の方向を特定する。換言すると、対象方向特定部３１５は、第１学習モデルＭ１から出力される１または複数の方向を、第２学習モデルＭ２の出力情報を参照して絞り込む。また、対象方向特定部３１５は、直近で得られた測距データを参照し、第２学習モデルＭ２の出力情報を参照して抽出した方向に存在する物体のうち、距離が最も近い物体に向かう方向を、追従対象物が存在する方向として特定する。なお、第１学習モデルＭ１から出力される１または複数の方向を、第２学習モデルＭ２の出力情報を参照して絞り込む処理の具体例については、実施形態２で説明した通りであるため、説明を繰り返さない。

（障害物領域特定部３１６の構成）
障害物領域特定部３１６は、測距データおよび追従対象物の方向を参照して、障害物が存在する空間領域を特定する。測距データとしては、直近で計測されたデータが参照される。追従対象物の方向としては、対象方向特定部３１５によって特定された方向が参照される。障害物が存在する空間領域を示す情報は、対象方向特定部３１５によって特定された、追従対象物が存在する方向を示す情報と共に、第３学習モデルＭ３に入力される。

ここで、障害物が存在する空間領域を示す情報の一例として、拡大障害物グリッドマップが挙げられる。拡大障害物グリッドマップは、ロボット３０の周囲の空間を上面視した平面において、拡大された障害物の領域を示すグリッドマップである。具体的には、障害物領域特定部３１６は、測距データが示す複数の方向のうち、対象方向特定部３１５によって特定された追従対象物の方向を除外した方向に存在する物体を、障害物とする。このようにして特定される障害物には、（１）測距データが示す複数の方向のうち、第１学習モデルＭ１からの出力情報が示さない方向に存在する物体（一例として、「人」以外の物体）と、（２）第１学習モデルＭ１からの出力情報が示す追従対象物以外の方向に存在する物体（一例として、「特定の人」以外の「人」）が含まれる。また、障害物領域特定部３１６は、測距データに基づいて、ロボット３０の周囲の空間を上面視した平面に障害物を二次元的にマッピングした障害物マッピング情報を生成する。また、障害物領域特定部３１６は、障害物マッピング情報を離散化した障害物グリッドマップを生成する。また、障害物領域特定部３１６は、障害物グリッドマップにおいて障害物の領域を拡大した拡大障害物グリッドマップを生成する。

図１１は、障害物マッピング情報を模式的に示す概略平面図である。図１１では、ロボット３０の筐体に搭載された測域センサ１２の位置を原点とし、ロボット３０の前進方向をｘ軸正方向とし、ｘ軸に直交する方向をｙ軸としている。図１１において、障害物は小さな丸印によって表されている。測域センサ１２の走査範囲は±θ度（ここでは、θ＝１１５）の範囲であるため、図１１においても、障害物を示す丸印は、ロボット３０の前進方向に対して±θ度の範囲にプロットされている。

図１２は、障害物グリッドマップの一例を示す。ここでは、障害物領域特定部３１６は、図１１に示した障害物マッピング情報が示す平面のうち、ｘ軸方向４ｍ×ｙ軸方向５ｍの領域を、０．１ｍ×０．１ｍのグリッドに離散化することにより、図１２に示す障害物グリッドマップを生成する。

図１３は、拡大障害物グリッドマップの一例を示す。障害物領域特定部３１６は、図１２の障害物グリッドマップに対して、障害物の領域をロボット３０のフットプリントの半径分だけ膨張させるモフォロジー処理を施すことにより、図１３に示す拡大障害物グリッドマップを生成する。このような拡大障害物グリッドマップでは、グリッドが１マスでも空いていれば、ロボット３０は、障害物の間を通過することができる。

（走行方向決定部３１２の構成）
図９に示す通り、走行方向決定部３１２は、追従対象物の方向および障害物の空間領域をそれぞれ示す情報を、第３学習モデルＭ３に入力することにより、第３学習モデルＭ３の出力情報が示す回避方向を、ロボット３０の走行方向として決定する。第３学習モデルＭ３から出力される回避方向は、ロボット３０から見た追従対象物が存在する方向とは異なる場合がある。これは、追従対象物とロボット３０との間に障害物が存在する場合である。これにより、ロボット３０は、障害物に衝突する可能性を低減しながら、追従対象物を追従するよう走行することができる。

＜ロボット３０の制御方法＞
以上のように構成されたロボット３０の制御方法Ｓ３について説明する。図１４は、ロボット３０の制御方法Ｓ３を説明するフローチャートである。なお、以下に説明する制御方法Ｓ３は、測距データの取得周期毎に実行される。

ステップＳ３０１において、コントローラ３１は、第１学習モデルＭ１からの出力情報および第２学習モデルＭ２からの出力情報を取得する。ステップＳ３０１の処理の詳細については、図８のステップＳ２０１～Ｓ２０４で説明した通りであるため、説明を繰り返さない。

ステップＳ３０２において、対象方向特定部３１５は、ステップＳ３０１で第１学習モデルＭ１から出力される１または複数の方向のうち、第２学習モデルＭ２からの出力情報を参照して抽出される１または複数の方向を参照して、追従対象物が存在する方向を特定する。

ステップＳ３０３において、障害物領域特定部３１６は、直近で取得された測距データおよび第１学習モデルＭ１からの出力情報に基づいて、ロボット３０の周囲に存在する障害物の空間領域を示す情報を生成する。ここでは、前述した拡大障害物グリッドマップが生成される。

ステップＳ３０４において、走行方向決定部３１２は、追従対象物が存在する方向を示す情報と、障害物の空間領域を示す情報（拡大障害物グリッドマップ）とを、第３学習モデルＭ３に入力し、その出力情報を取得する。

ステップＳ３０５において、走行方向決定部３１２は、第３学習モデルＭ３から出力される回避方向を、ロボット３０の走行方向として決定する。

ステップＳ３０６におけるコントローラ３１の動作は、ステップＳ１０１におけるコントローラ１１の動作と同様であるため、説明を繰り返さない。

以上で、コントローラ３１は、制御方法Ｓ３を終了する。

＜ロボット３０の効果＞
本実施形態は、直近で取得された測距データと第１学習モデルＭ１からの出力とを用いて、追従対象物の方向および障害物の空間領域を特定する。ここで、第１学習モデルＭ１からの出力には、各方向に存在する物体までの距離の変化が反映されているので、本実施形態は、移動体である追従対象物の方向を精度よく特定することができる。また、追従対象物が存在する方向以外の方向に存在する物体を障害物として特定するので、本実施形態は、障害物が存在する空間領域を精度よく特定することができる。その結果、本実施形態は、そのようにして特定した追従対象物の方向および障害物の空間領域をそれぞれ示す情報を入力とする第３学習モデルＭ３を用いるので、障害物を回避しながら追従対象物を追従するための回避方向を、より精度よく決定することができる。

〔変形例〕
＜第１学習モデルＭ１からの出力情報のバリエーション＞
上述した各実施形態において、第１学習モデルＭ１からの出力情報であるｃｉが、方向ｒｉに存在する物体の種類を示す例について説明した。これに限らず、第１学習モデルＭ１からの出力情報である方向毎のｃｉ（ｉ＝１、２、・・・、ｎ）は、方向ｒｉに追従対象物が存在する確率を示していてもよい。この場合、第１学習モデルＭ１を機械学習させる際に用いられる教師データとしては、２周期分以上の測距データと、追従対象物が存在する方向とを関連付けた情報が用いられる。なお、第１学習モデルＭ１からの出力情報は、追従対象物が存在し得る１または複数の方向を示す情報であれば、その他の情報であってもよい。

＜第２学習モデルＭ２からの出力情報のバリエーション＞
上述した各実施形態において、第２学習モデルＭ２からの出力情報である画像領域が、追従対象物である「特定の人」と同種類の物体である「人」を被写体として含む画像領域を示すものとして説明した。これに限らず、第２学習モデルＭ２からの出力情報は、追従対象物が被写体として含まれる確率を画素ごとに示す情報であってもよい。この場合、第２学習モデルＭ２を機械学習させる際に用いられる教師データとしては、撮像画像と、追従対象物が含まれる領域とを関連付けた情報が用いられる。なお、第２学習モデルＭ２からの出力情報は、追従対象物を含み得る１または複数の画像領域を示す情報であれば、その他の情報であってもよい。

＜追従対象物以外の目標物＞
上述した実施形態３において、コントローラ３１は、予め定められたタイミングにおいて、または、外部からの指示に応答して、追従対象物に追従する代わりに、目標位置に向かって走行するようロボット３０を制御してもよい。この場合、障害物領域特定部３１６は、測距データを参照して、障害物が存在する空間領域を特定する。また、対象方向特定部３１５は、追従対象物の方向を特定する代わりに、目標位置に向かう目標方向を特定する。目標方向は、ロボット３０の現在地から目標位置に向かう方向である。また、第３学習モデルＭ３には、目標方向を示す情報と、障害物が存在する空間領域を示す情報とが入力される。目標位置は、例えば、施設内の巡回コースにおいて予め設定された通過ポイントであってもよい。これにより、ロボット３０は、通常は追従対象物に追従するよう走行しながらも、予め定められたタイミングが到来した場合、または、外部からの指示を受け付けた場合には、目標位置に向かうよう走行可能である。ただし、目標位置は、上述した通過ポイントに限られない。例えば、目標位置は、外部から入力される位置であってもよい。

＜所定の対象物のバリエーション＞
上述した各実施形態において、本発明における所定の対象物が移動体であり、ロボットが当該移動体である追従対象物を追従する例について説明した。これに限らず、本発明における所定の対象物は、移動しない物体であってもよい。

〔ソフトウェアおよびハードウェアによる実現例〕
上述した各実施形態において、内部記憶媒体であるメモリ１０２に格納されているプログラムに従ってプロセッサ１０１が制御方法Ｓ１～Ｓ３を実行する形態で、コントローラ１１～３１が実現されることについて説明したが、これに限定されない。例えば、外部記録媒体に格納されているに従ってプロセッサ１０１が制御方法Ｓ１～Ｓ３を実行する形態を採用してもよい。この場合、外部記録媒体としては、コンピュータが読み取り可能な「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、又はプログラマブル論理回路などを用いることができる。あるいは、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。なお、本発明の一態様は、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。

また、上述した各実施形態において、コントローラ１１～３１は、メモリ１０２に格納されているプログラムに従ってプロセッサ１０１が動作する形態に限らず、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）によって実現されてもよい。

本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。

１０、２０、３０ ロボット
１１、２１、３１ コントローラ
１２ 測域センサ
１１１ 測距データ取得部
１１２、２１２、３１２ 走行方向決定部
１１３ 走行制御部
２１４ 撮像画像取得部
３１５ 対象方向特定部
３１６ 障害物領域特定部
１０１ プロセッサ
１０２ メモリ
１０３ 通信インタフェース
１３ 走行装置
１３１ ＰＬＣ
１３２ 車輪
１３３ モータ
１３４ 駆動回路
１３５ エンコーダ
２４ 撮像装置
２４１ シングルボードコンピュータ
２４２ 撮像素子

Claims (7)

1. 自走するロボットであって、
   前記ロボットから周囲に存在する物体までの距離を方向毎に計測するセンサと、
   前記ロボットの周囲を撮像する撮像装置と、
   前記センサから出力される測距データを入力として、前記物体のうち所定の対象物が存在し得る１または複数の方向を示す情報を出力するよう機械学習された第１学習モデルと、
   前記撮像装置が生成する撮像画像を入力として、前記撮像画像において前記所定の対象物を含み得る１または複数の画像領域を示す情報を出力するよう機械学習された第２学習モデルと、
   前記測距データと、前記第１学習モデルの出力情報と、前記第２学習モデルの出力情報と、を参照して前記ロボットを制御するコントローラと、を備え、
   前記コントローラは、
   前記第１学習モデルから出力される１または複数の方向のうち、前記第２学習モデルの出力情報を参照して抽出される１または複数の方向を参照して、前記所定の対象物に向かうよう前記ロボットの走行方向を決定する処理を実行する、
   ことを特徴とするロボット。
2. 自走するロボットであって、
   前記ロボットから周囲に存在する物体までの距離を方向毎に計測するセンサと、
   前記センサから出力される測距データを入力として、前記物体のうち所定の対象物が存在し得る１または複数の方向を示す情報を出力するよう機械学習された第１学習モデルと、
   前記所定の対象物の方向を示す情報と、障害物が存在する空間領域を示す情報とを入力として、前記障害物を回避しながら前記所定の対象物に向かうための方向を示す情報を出力するよう機械学習された第３学習モデルと、
   前記測距データと、前記第１学習モデルの出力情報と、前記第３学習モデルの出力情報と、を参照して前記ロボットを制御するコントローラと、を備え、
   前記コントローラは、
   前記測距データおよび前記第１学習モデルの出力情報を参照して、前記所定の対象物の方向および前記障害物の空間領域を特定し、特定した情報を前記第３学習モデルに入力することにより、前記第３学習モデルの出力情報が示す方向を、前記ロボットの走行方向として決定する処理を実行する、
   ことを特徴とするロボット。
3. 前記所定の対象物は移動体であり、
   前記センサは、前記距離を方向毎に計測する処理を周期的に実行し、
   前記第１学習モデルは、少なくとも２周期分以上の前記測距データを入力として、前記物体のうち移動体が存在する１または複数の方向を示す情報を、前記所定の対象物が存在し得る１または複数の方向として出力する、
   ことを特徴とする請求項１又は２に記載のロボット。
4. 前記コントローラは、
   前記センサから出力される測距データを取得する入力インタフェースと、
   プログラムに従って前記各処理を実行するプロセッサと、
   前記プログラムを格納したメモリと、を備えている、
   ことを特徴とする請求項１から３までの何れか１項に記載のロボット。
5. 自走するロボットの制御方法であって、
   前記ロボットから周囲に存在する物体までの距離を方向毎に計測する工程と、
   前記ロボットの周囲を撮像して撮像画像を生成する工程と、
   前記計測する工程において出力される測距データを参照して前記ロボットを制御する工程と、を備え、
   前記制御する工程は、
   前記測距データを入力として、前記物体のうち所定の対象物が存在し得る１または複数の方向を示す情報を出力するよう機械学習された第１学習モデルと、
   前記撮像画像を入力として、前記撮像画像において前記所定の対象物を含み得る１または複数の画像領域を示す情報を出力するよう機械学習された第２学習モデルと、を用いて、
   前記第１学習モデルから出力される１または複数の方向のうち、前記第２学習モデルの出力情報を参照して抽出される１または複数の方向を参照して、前記所定の対象物に向かうよう前記ロボットの走行方向を決定する処理を含む、
   ことを特徴とする制御方法。
6. 自走するロボットの制御方法であって、
   前記ロボットから周囲に存在する物体までの距離を方向毎に計測する工程と、
   前記計測する工程において出力される測距データを参照して前記ロボットを制御する工程と、を備え、
   前記制御する工程は、
   前記測距データを入力として、前記物体のうち所定の対象物が存在し得る１または複数の方向を示す情報を出力するよう機械学習された第１学習モデルと、
   前記所定の対象物の方向を示す情報と、障害物が存在する空間領域を示す情報とを入力として、前記障害物を回避しながら前記所定の対象物に向かうための方向を示す情報を出力するよう機械学習された第３学習モデルと、を用いて、
   前記測距データおよび前記第１学習モデルの出力情報を参照して前記所定の対象物の方向および前記障害物の空間領域を特定し、特定した情報を前記第３学習モデルに入力することにより前記第３学習モデルの出力情報が示す方向を前記ロボットの走行方向として決定する処理を含む、
   ことを特徴とする制御方法。
7. 請求項１から４の何れか１項に記載のロボットを制御するプログラムであって、前記コントローラに前記各処理を実行させることを特徴とするプログラム。

Images