人に追従する移動ロボットの学術文献調査と技術整理

エグゼクティブサマリ

人に追従する移動ロボット（human‑following / person‑following mobile robots）は、(i) 対象人物の検出・追跡（必要なら Re‑ID で特定人物追従）、(ii) 相対目標（距離・方位・並走位置など）の生成、(iii) 障害物回避を含む局所計画・制御を、リアルタイムに統合することで成立する。文献を俯瞰すると、性能を決めるボトルネックは「移動ロボット上の視点変化・遮蔽・近距離（被写体が画面からはみ出す）・照明変動・混雑」に対して、追跡が破綻しないこと（ID switch を抑える）と、破綻しても再捕捉・再同定（Re‑ID）できることにある。

センサ構成は大きく、2D LiDAR（脚／下腿クラスタ）中心、RGB/RGB‑D（検出器＋深度で距離）中心、単眼（幾何仮定＋状態推定で距離推定）中心、および**融合（RGB‑D＋LiDAR、あるいは LiDAR＋地図＋視覚）**に分かれる。2D LiDAR 追跡は照明に強く計算も軽い一方、識別情報が乏しく混雑でのデータ関連付けに弱い。RGB/RGB‑D は識別（服装・外観・骨格）に強いが、遮蔽・照明・モーションブラーの影響を受けやすい。単眼はコスト面で魅力的だが、距離推定の不安定さを、地面仮定・人体寸法仮定・フィルタ（KF/UKF）で補う流れが主流である。

制御は、ロボットベースを微分駆動（unicycle 近似）とみなした上で、誤差（距離誤差・方位誤差）を PID/PD で整形する古典制御が実装容易で依然強い（ベンチマークでも有効）。一方で、追従は「目標が常に動く」ため、局所計画を含めて**（拡張）DWA のような “近未来評価（リシーディングホライゾン）”**で最適化する設計が、障害物回避・社会的配置（後方追従、斜め後方追従など）と相性がよい。さらに、仮想ばね（virtual spring）で人—ロボット相対運動のギャップを吸収する制御則や、予測を組み込む MPC 系の枠組みも、追従の滑らかさ・追従遅れ低減の観点で重要な系譜を形成している。

実装面では、ROS エコシステムの成熟により、2D LiDAR 脚追跡（例：leg_detector）、マルチモーダル人物追跡（SPENCER）、動的目標追従のナビゲーション（Nav2 Follow Dynamic Point / Following Server）など、研究成果を現場実装に落とす部品が揃ってきた。論文側でも、追跡器＋追従コントローラを ROS パッケージとして公開する例があり、再現性を押し上げている。

目的・適用場面とシステム要件

人追従ロボットの目的は、単なる “追いかける” に留まらず、**運搬（荷物・工具）、案内（ガイド）、同行（介助・見守り）、遠隔存在（テレプレゼンス）、作業支援（ワーカ追従）**のように「人のタスクを中断させずに移動支援する」ことにある。たとえばテレプレゼンスでは、操作者が会話に集中できるよう追従の自律化が有効で、ユーザスタディでも自律追従が好まれるという報告がある。

設計要件は、用途により強弱が変わるが、移動ロボットとして共通に次が支配的になる。第一に、安全（衝突回避、対人距離の維持、停止挙動の確実性）。第二に、追従のロバスト性（遮蔽、混雑、外観変化、近距離での観測欠落、照明変動）。第三に、**自然さ（振動のない速度指令、過度な蛇行回避、社会的に受け入れられる位置取り）**である。追従距離を一定に保つだけでも、遅れやノイズで振動し得るため、デッドバンドや減速則を工夫する例がある。

センサ構成と知覚パイプライン

センサ構成は「対象人物の位置（相対座標）をどの観測モデルで安定に出すか」と「識別（特定人物）をどの情報で担保するか」に直結する。

センサ別の主要パターン

視覚単独（単眼）は、コストと屋外適用性で魅力がある一方、距離推定が難しい。そのため、骨格検出（例：OpenPose 系）で人体のキー点を得て、**地面平面仮定＋人体寸法（身長）推定＋状態推定（UKF）**で “ロボット座標系の人物位置” を構成する枠組みが提案されている。距離が大きいほどピクセル量子化や足首位置の揺れが効くため、UKF で軌跡を平滑化し、一定距離内で実用精度に寄せる評価が示されている。

RGB‑D は深度が直接距離に効くため人物位置推定が組みやすい。テレプレゼンス追従では、深度画像でクリック選択した人物の頭部位置を推定し、レーザの脚追跡を起動する融合設計が採用されている。

LiDAR（特に 2D）は脚・下腿クラスタ追跡が古典で、照明に依存せず、動作が軽い。追跡精度と ID switch を評価指標（CLEAR MOT）で整理し、追従用ベンチマークを公開した研究もある。

融合は、混雑と遮蔽に強くなりやすい。RGB‑D＋LiDAR を統合し、行動木（Behavior Tree）で「見失い→探索→再捕捉」を含む設計にする例が報告されている。

典型アーキテクチャと情報フロー

以下は、移動ロボットの人追従でよく現れるモジュール分割である（論文の構成例：ステレオ＋地図＋ランダム化計画の統合、RGB‑D＋LiDAR＋計画、単眼＋追跡＋Re‑ID＋制御、など）。

flowchart LR
  S[Sensor Layer\nMono/RGB-D/LiDAR/IMU-Odom] --> P[Perception\nDet/Pose/Segmentation]
  P --> T[Tracking & State Estimation\nKF/UKF + Data Association]
  T --> I[Target ID / Re-ID\nOnline learning / Metric]
  T --> G[Relative Goal Generation\nfollow distance/angle/side-by-side]
  I --> G
  G --> PL[Local Planning\nDWA/RRT/MPC/Nav stack]
  PL --> C[Low-level Control\nPID/PD/Virtual spring]
  C --> U[cmd_vel (v, ω)]
  U --> R[Mobile Base]
  R --> S

検出・追跡・Re‑IDの手法整理

検出器と観測表現

検出は、(a) LiDAR スキャンのクラスタリング＋幾何特徴分類（脚らしさ）、(b) 画像の人物検出（バウンディングボックス、インスタンスセグメンテーション）、(c) 骨格（関節点）推定、に大別できる。LiDAR 追跡ではクラスタの幾何特徴と分類確信度を用い、フレーム間はフィルタとデータ関連付け（GNN 等）で安定化する設計が示されている。

視覚系では、人物の検出・特徴抽出・オンライン更新が鍵になる。屋内追従の一例では、SSD で人物検出・追跡を行い、HSV ヒストグラムの色特徴でターゲット同定、さらに LiDAR SLAM で障害物回避まで統合した状態機械（state machine）設計が報告されている。

“部分遮蔽” を正面から扱う研究では、バウンディングボックス（YOLOX）と関節点（AlphaPose）を同時に検出し、可視な関節集合 (P) を観測として扱う定式化が提示されている。観測 (D={B,P}) とし、(B) はバウンディングボックス中心・幅・高さ、(P) は頸部・腰・膝・足首などの可視関節点集合としてモデル化する。

追跡器とデータ関連付け

追跡器は、KF/UKF を中核に、複数人物ではデータ関連付けが支配的になる。2D LiDAR ベースの追跡では、スキャン点のクラスタを全て追跡し、占有グリッドと整合する位置にトラックを制約することで、混雑・障害物近傍の誤関連付けを抑える設計が示されている。追従用ベンチマークでは MOTA/MOTP を用いて、既存 ROS leg_detector に対して ID switch と精度の改善を報告している。

単眼ベースでは、画像平面からロボット座標系に人物位置を落とす段が難所となる。近距離では全身が写らないため “高さ仮定” だけでは破綻しやすく、幅情報（バウンディングボックス幅）を距離推定の prior に使う設計が提案されている。この枠組みでは、バウンディングボックス情報から “処理済み観測” (y_k) を構成し、予測状態 (o_i) と (y_j) の距離 (d(i,j)=|o_i-y_j|_2^2) で関連付けし、GNN（Global Nearest Neighbor）でマッチングする流れが明示されている。

Re‑ID（特定人物追従）とオンライン適応

特定人物追従では「一度見失っても、別人に乗り換えずに再捕捉する」ことが要求になる。単眼・移動ロボット文脈では、外観特徴にオンライン学習を組み合わせ、識別に効く部位（例：ズボン）へ重み付けを寄せる発想が整理されている。

FollowMe 系の統合フレームワークでは、人物検出（YOLACT++）→Re‑ID（深層特徴）→深度で 3D 位置化→Kalman Filter で平滑化→ナビゲーションで追従、という “知覚〜移動” を一貫させる。Re‑ID は、キャリブレーションで集めた特徴分布（平均・分散）に対し、特徴ベクトル (f) の正規化距離（成分ごとの標準化距離の形）でターゲット判定し、しきい値で弾く式が明示されている。

制御アルゴリズムと障害物回避・経路計画

追従モデルと誤差モデル

多くの移動ロボットは平面上で unicycle 近似（状態 (x,y,\theta)、入力 (v,\omega)）され、追従誤差はロボット座標系の相対位置 ((x_h,y_h)) から「距離誤差」「方位誤差」に落とす。実装上は、(i)追従距離の一定化、(ii)横ずれ（(y_h)）のゼロ化、(iii)必要に応じて並走オフセット付与（側方追従）をする。単眼追従の枠組みでも、ロボット座標系で (x) を目標値に保ち、(y) を 0 に収束させる方針が明示され、制御は PID を採用している。

PID/PD 系の代表

距離制御を “デッドゾーン付き比例＋人速度フィードフォワード” として設計し、角度を PD で制御する例がある。具体的には距離誤差 (\Delta d_t=d_t^* - d_t) に対し [ v_d= \begin{cases} 0 & d_t \in \text{death zone}\ -K_p\Delta d_t + K_s v_h & \text{otherwise} \end{cases} ] のように速度指令を構成し、角度誤差 (\Delta \theta_t=\theta_t^*-\theta_t) に対して [ \Delta v=\left(K_P^{ang}\Delta\theta_t + K_D^{ang}\dot{\Delta\theta}_t \right)\frac{D}{2} ] の形で左右輪速度差を作る（(D)：輪距）。この系は、ロボット速度制限や応答遅れに起因する振動を抑えるため、減速度を距離（および角度制御量）に応じて適応させる工夫まで含む。

2D LiDAR 追跡＋追従制御でも、目標位置ベクトルと人物位置ベクトルの “角度差” と “長さ差（距離差）” をそれぞれ PID に入れ、角速度と並進速度を独立に整形する設計が明示されている。

仮想ばね（virtual spring）とインピーダンス的設計

仮想ばねモデルは「人とロボットが仮想的なばねで接続され、その弾性力（伸び・曲げ）に応じてロボット速度が決まる」という考え方で、歩行の急な速度・方向変化をローパス的に吸収する狙いが明確である。代表例では、座標変換後にばねの変形量を幾何量として近似し、伸び方向・曲げ方向の弾性力から移動体の並進・回転の運動方程式を導く（ばね係数、粘性摩擦、モーメント等を含む）。追従パターン（後方だけでなく並走など）を、ばねの取付角の設定で作れる点も示されている。

組込み指向の RGB‑D 追従でも、検出・追跡（CamShift 改良）と組み合わせて、仮想ばねモデル（安全領域・能動領域）を使い滑らかな追従に落とす設計が報告されている。

局所計画・DWA 拡張と “近未来最適化”

“追従” は目標（人物）が常に動くため、固定ゴール前提の計画では再計画頻度が過大になる。そのため、許容速度集合を前方シミュレーションして最良行動を選ぶ Dynamic Window Approach（DWA）系の考え方を、動的ゴール追従へ拡張する設計がある。テレプレゼンス追従の研究では、ロボット状態更新式（構成 (q) と行動 (a) による離散時間遷移）を用いて深さ制限付き木探索を行い、割引和の効用 [ U_{t_n}=\sum_{t=0}^{t_n}\beta^{t},u_t(\cdot) ] [ u_t = w_g g(q_t,p_t)+w_o(1-c_o)+w_a(1-c_a)+w_v(1-c_v) ] の形で、目標関数（人との相対位置の望ましさ）と障害物・加速度・曲率（角速度）等のコストを統合し、未来も見据えた追従を構成している。

ランダム化計画の系譜では、人物位置を局所目的地としつつ、静的障害物と動的障害物（他者）を入れた状態空間で、制限時間内にランダム木を展開し最良パスを選ぶ。例として、葉ノード評価を [ k^*=\arg\max_k{w\hat{B}(k)+(1-w)V(k)} ] （ポテンシャル増分と平均速度の重み付け）で行い、毎サイクル（500ms）で計画→実行する統合設計が報告されている。

MPC と予測の組込み

予測を組み込む設計は、「現在位置フィードバックだけでは追従遅れが積み上がる」という問題意識から出る。作業者の将来位置を予測し、MPC のリシーディングホライゾンで有限未来の評価関数（終端＋ステージコスト）を最適化して軌道を生成する枠組みが提示されている。人の運動予測には GMR（Gaussian Mixture Regression）を用い、予測分布列を生成する手順が具体的に示されている。

評価指標・実験設定・ベンチマーク

評価は「追跡（tracking）評価」と「追従（following）評価」に分けると整理しやすい。

追跡評価では、MOTA/MOTP（CLEAR MOT）や ID switch、miss、FP を用いる例があり、MOTA は [ \mathrm{MOTA}=1-\frac{\sum_k(\mathrm{ID}_k+\mathrm{Miss}_k+\mathrm{FP}k)}{\sum_k g_k} ] MOTP は [ \mathrm{MOTP}=\frac{\sum{i,k} d_k^i}{\sum_k c_k} ] （マッチ距離平均）として定義される。追従タスクでは特に **ID switch（別人への乗り換え）**と **miss（見失い）**が致命的になりやすい、という議論も併記される。

追従評価では、平均追従距離、距離の時系列（見失い時の挙動含む）、衝突回数、再捕捉成功率、追従継続時間などが使われる。テレプレゼンス追従の例では、複数走行の平均追従距離（例：全7走行の平均 1.16m）や、見失い点での再初期化が時系列で示されている。

実験環境は、屋内（廊下・食堂・研究室）と屋外で難易度が大きく変わる。屋外は LiDAR が日射でノイズを受けやすい等の課題がベンチマーク収集の記述として明確化されている。

代表論文の比較表（10本以上）

下表は、移動ロボットの人追従を「知覚〜制御〜評価」まで含めて議論している代表的文献を中心に、指定の観点で整理したものである（※制御式は、論文で明示されている主要式を優先し、記述のみの場合は “構造式（入力と誤差の関係）” として要約）。

実装例と推奨構成

ROS 実装の現実解

研究〜実装の移行では、**追跡（people tracking）とナビ（障害物回避＋動的追従）**の接続が要点になる。

2D LiDAR 脚追跡では、ROS の leg_detector が LaserScan から脚らしさを学習器で判定して追跡するパッケージとして公開されている。

マルチモーダル人物追跡では、SPENCER の spencer_people_tracking が “モバイルロボット向けの多人・グループ検出追跡フレームワーク” として GitHub で提供されている。

追従ナビ側は、Nav2（ROS2 の Navigation）が、動的目标（dynamic point）を追う行動木（Follow Dynamic Point）や、Following Server（Dynamic Object Following）を文書化しており、「（外部で推定した）人の pose をトピックに出す」→「ナビが追従」の分離がしやすい。

加えて、単眼での特定人物追従（検出・追跡・識別）を ROS パッケージとして提供する実装もあり、研究プロトタイプの再利用性を高めている。

センサ別・制御別の比較表

**センサ別（視覚単独／LiDAR単独／融合）**の実務的比較：

制御／計画別の比較（“追従”に効く観点）：

実装に移す際の推奨構成（センサ／アルゴリズム／ROS／評価プロトコル）

• センサ構成（推奨）

  • 屋内・安全最優先：2D LiDAR（脚追跡）＋（可能なら）RGB/RGB‑D（Re‑ID補助）を第一候補。2D LiDAR の追跡評価と追従統合は benchmark・指標が揃っている。
  • 低コスト・単眼縛り：単眼＋（i）幅／骨格を使った距離推定 prior、（ii）KF/UKF、（iii）オンライン Re‑ID（外観特徴＋オンライン学習）を “最初からセット” で入れる。
  • 混雑・遮蔽が前提：関節点を観測として利用し、部分遮蔽でも位置推定が崩れにくい設計（joint set (P) を明示）＋再捕捉戦略（能動探索や state machine）を組み込む。

• アルゴリズム（推奨）

  • 追跡：KF/UKF＋GNN などの関連付け（多人・混雑を意識）。LiDAR 系は ID switch を主要 KPI に置く。
  • Re‑ID：オンライン学習（外観特徴の適応）＋「誤 Re‑ID に対して追従を即切替しない」ガード（しきい値・連続フレーム条件）を入れる。
  • 制御：まず PID/PD（距離＋方位）＋デッドバンド／速度制限対応で確実に動かし、その後、必要に応じて DWA拡張や MPC に上げる（要件が “社会的配置” や “予測追従” を含むとき）。

• ROS パッケージ（推奨）

  • LiDAR脚追跡：leg_detector（ROS）を起点に、必要なら SPENCER へ（多人・マルチモーダル）。
  • ナビ：Nav2 の Follow Dynamic Point / Following Server で「人の推定位置（Pose）」を追従目標として扱う分離を推奨。
  • 単眼 Re‑ID 追従：公開実装（monocular_person_following）を参照し、センサ・計算資源制約下の設計パターンを流用。

• 評価プロトコル（最低限）

  • 追跡：MOTA/MOTP、ID switch、miss を報告（特定人物では ID switch を最重視）。
  • 追従：平均追従距離、距離時系列（見失い→再捕捉を含む）、衝突回数、追従成功率（複数試行）を報告。
  • 条件：屋内/屋外、近距離（被写体はみ出し）、遮蔽（部分遮蔽・完全遮蔽）、照明変動、混雑（他者横切り）を最低1つずつ含める。

音声指示・人追従機能を備える実在ロボット／モビリティ製品の調査レポート

エグゼクティブサマリ

本調査は、「音声指示（ASR/NLU を伴う音声インタフェース）」「人に追従する（human-following / follow-me）」のいずれか、または両方を備える“実在する”ロボット／モビリティ製品について、公式資料・データシート・プレスリリース等を優先して整理した。結論として、人追従（follow-me）は産業（物流・製造・建設）と軍事の双方で広く実用化されている一方、音声で“走行・追従そのもの”を指示できる製品は、主に家庭・サービスロボット側に偏在する傾向が明確である（安全・騒音環境・責任分界の観点から、産業AMRは物理ボタン／HMI／ハンドヘルド／テザーが主流）。

代表例として、物流・工場領域では Effidence の EffiBOT が“Follow-me”を前提に、ピッキング作業の歩行負荷低減や協働搬送を訴求し、機械指令適合や安全監査・PL d 言及まで踏み込んだ情報公開がある。 同じく工場向けでは Piaggio Fast Forward の kilo が「追従＋100以上の既知経路走行」を公式に掲げ、グループ工場での導入計画（Moto Guzzi 生産ライン）まで明記されている。

音声指示と追従の“両立”という点では、家庭／サービス領域で Amazon Astro と temi が代表的であり、前者は “Astro, follow me” のような音声コマンドで追従・移動を直接指示できることが（Amazon Customer Service ページで）確認できる。 後者も Alexa スキルによる「follow me」指示がマニュアルに具体的に記載されている一方、国内公式 FAQ では Alexa 機能の日本語利用がサポート対象外である旨が示され、“音声で追従”の実用性は言語・運用条件に依存する。

安全・規格面では、産業系の driverless industrial truck/AMR に対して ISO 3691-4 が安全要求と検証方法を規定する（定義例として AGV/AMR/bots 等を含む）点が重要である。 また機能安全（PL）説明として、ISO 13849 の PL dが危険側故障確率帯で定義される旨の解説があり、メーカーが「PL d 相当」等を謳う場合の読み替えに有用である。

調査範囲と選定基準

対象は「一般消費者向け」「業務・産業向け（物流・製造・建設・医療・商業施設）」「軍事向け」にまたがる“実在製品”とし、以下の条件のいずれかを満たすものを採録した。

• 人追従機能が公式資料で確認できる、または製品マニュアル／メーカー発信で追従モードが明記されている。
• 音声機能（ASR/NLP/TTS のいずれか、または Alexa 等の音声アシスタント連携）が、公式仕様・マニュアル・メーカーサイトで確認できる。

「オンデバイス／クラウド」「対応言語」「意図分類（NLU）」は、製品によって公開粒度が大きく異なるため、公開情報がない場合は“非公開／確認不能”として明示した（推定で補完しない）。他方、Alexa 連携製品については、Alexa が cloud-based voice serviceであることが Amazon 開発者向け定義として公式に示されるため、クラウド側 ASR/NLU として整理した。

産業応用の実態と製品タイプ

産業での“人追従”は、典型的には ピッキング／キッティング中の協働搬送として現れる。作業者が押し引きする台車を置き換え、追従走行で歩行距離や負担を減らす、という価値仮説が繰り返し登場する。

一方、音声による走行指示は、産業現場では「誤認識時のリスク」「周囲騒音」「作業者の発話負荷」「責任所在」を理由に、緊急停止・速度制限・検知ゾーン等の安全レイヤと同等以上に設計が難しい。そのため、産業向け“追従カート”の多くは「ワンクリック開始」「携帯タグ／ハンドヘルド」「テザー（dismount-following tether）」など、意図入力を低曖昧性化するUIを採る。

家庭・サービス領域では逆に、音声アシスタントと移動体を統合し、「呼ぶ・部屋へ移動・追従開始」などを自然言語で指示する設計が普及する。Astro は音声コマンド例を Amazon 自身が明示し、temi も Alexa スキルで移動・追従をコマンド化している。

典型アーキテクチャ

音声→意図→追従制御の実装は、概ね「音声I/F」「行動（ビヘイビア）管理」「追従・回避の運動知能」「安全監視」が分離された多層構造になる。特に Alexa 連携の場合、音声I/Fの中核（ASR/NLU）はクラウドにあり得るため、ネットワーク条件が品質と安全の両面に影響する。

上図の「人物追従（PF）」は、(a) LiDAR/Depth で人体位置を追う、(b) **カメラ＋Depth＋レーダ等で“リーダー同定＋予測”**を行う、(c) テザー／タグで追従対象を外部的に決め打ちする、の3系統が実製品で目立つ。例えば、PFF の gitamini は RGB＋ステレオ＋レーダを組み合わせ、衣服色を用いた再同定を含む追従設計を説明している。 対して軍事の MUTT は「dismount-following tether」やハンドコントローラを製品ページで明記し、意図入力をテザーに寄せる。

製品比較

下表は、少なくとも10製品について、追従方式・音声機能・安全・事例・コスト目安・一次資料を可能な限り同一フォーマットで整理した（「非公開」は公開資料で確認できない項目）。

追従方式と音声方式の横断比較

追従方式は、実装・安全・現場運用の観点で以下の3類型に整理できる。

音声方式は、公開情報ベースでは以下の傾向が強い。

• クラウドASR/NLU（Alexa）：Astro と temi が典型。クラウド型音声サービスとして定義される Alexa に依存し得るため、ネットワーク・プライバシー・言語サポートが支配因子になる。
• オンデバイス音声認識（詳細非公開を含む）：Loomo は音声コマンド認識やマイクアレイ仕様を公開するが、ASR処理の配置（端末内/クラウド）は資料から確定できない。
• 音声“案内/出力”中心：ROBOLUTION は音声ナビ（出力）事例がある一方、走行指示をASRで受ける構成は公開情報からは確認できない。

安全・規格の読み替え指針

産業用途（AGV/AMR）の安全要求は ISO 3691-4 が中核であり、driverless industrial trucks/AMR 等の安全要件と検証を規定する。 そのうえで個別製品の「機械指令適合」「PL d 相当」「安全監査済み」等の表現を、リスクアセスメントと安全機能（停止、速度・ゾーン、再起動条件）に分解して評価する必要がある。EffiBOT では PL d や第三者監査が具体的に記載され、読み替えの材料が比較的揃う。 また PL d の意味（危険側故障確率帯）に関する解説があり、メーカーの“PL”表現の解像度を上げるのに有用である。

導入時の実務的注意点と推奨構成

導入・実装の観点からは、「追従」か「音声」かのどちらを主機能にするかで推奨構成が変わる。以下は、実運用で失敗しやすい論点を中心に、実務寄りに整理する。

• 安全要求から逆算してUIを選ぶ。産業現場では誤認識が致命的になり得るため、まず ISO 3691-4 の射程（driverless industrial truck/AMR 系）に照らし、停止・ゾーン・速度制限・再起動条件を満たす設計にする。
• 追従対象同定は「センサで自然に」か「タグ/テザーで固定」かを明確化。混雑・遮蔽がある環境では、タグ/テザー系（FOLO、MUTT 等）が運用設計しやすい一方、利便性は下がる。
• 音声で“移動を直接指示”するなら、クラウド依存を前提にSLAを設計。Alexa 連携はクラウド音声サービスである点を前提に、ネットワーク断・遅延時のフォールバック（物理停止、手動運転、アプリUI）を必須にする。
• 言語対応は“UI言語”と“音声アシスタント言語”を分けて評価。temi はUI多言語があっても、Alexa（英語モードのみ等）の制約があり得る。
• 推奨センサ構成（実装側の一般解）：産業の人追従は、(a) セーフティLiDAR（周囲検知＋安全停止）、(b) Depth/RGB（人物同定補強）、(c) IMU（短時間の自己位置・姿勢安定）を基本セットとして“センサ冗長”を確保しやすい。EffiBOT は多種センサ併用を明示し、temi も LiDAR＋Depth＋IMU を仕様に含む。
• 評価プロトコル（導入前検証）：少なくとも「混雑」「遮蔽」「強い逆光/屋外」「狭隘通路」「段差/階段縁」「ネットワーク断」をシナリオ化し、追従誤差（距離・角度）、誤追従率、停止距離、再取得時間（lost→reacquire）を定量化する。Astro/temi のように“追従”がユーザ向け機能でも、実地では家庭・施設条件の適合制約が明示されるため、同様に適合条件を先に洗い出す。

VPR × 人追従は同時に行ってないのですか？

1. 人追従研究の主流構成

カメラ / LiDAR
↓
人物検出
↓
人物追跡
↓
追従制御

• YOLO
• OpenPose
• ReID
• Kalman filter

2. VPR研究の主流構成

カメラ
↓
特徴抽出
↓
場所認識
↓
自己位置推定

• NetVLAD
• SeqSLAM
• AnyLoc
• CosPlace

3. なぜ今まで組み合わされていないか

① 研究分野が違う

② 人追従は局所制御

距離
角度

③ VPRは自己位置推定

• ループ閉じ
• 自己位置補正

4. しかし実は相性が良い

問題① 人を見失う

人ロスト
↓
終了

人ロスト
↓
最後に見た場所へ移動
↓
再探索

問題② 誤追跡

別の人を追う

位置整合
↓
異常検出

問題③ 長距離追従

局所追従

広域追従

5. 研究テーマとして成立する形

テーマ

音声
↓
Follow me
↓
人物追跡
↓
VPR位置確認
↓
追従信頼度評価

6. あなたの環境だとかなり強い

• Scout-E
• Teach & Repeat
• VPR
• integrity monitor

人追従
＋
VPR
＋
失敗検出

7. 実は近い研究はある

類似研究

• Follow-me robots
• Person re-identification
• semantic navigation
• place recognition navigation

8. 研究テーマとしての強さ

9. 実はもう一段面白いテーマがあります

• 自動運転
• ロボット
• AI

音声追従やチャットインターフェースは最終的にローカルLLMを使わないと、都度使用量や通信が必要になりますか？

1. 音声認識

2. 意図理解・対話

3. ロボット制御

A. 全部クラウド

• 実装は楽
• 高性能LLMを使いやすい
• ただし通信必須
• 利用量に応じて費用が増える

B. ハイブリッド

• 音声起動語、簡単なコマンド、停止、安全系はローカル
• 複雑な会話や柔軟な指示だけクラウドLLM

C. ほぼ完全ローカル

• ローカルASR
• ローカルLLMまたは小さい意図分類器
• ローカルTTS
• 制御もローカル

• GPU/CPU資源
• 消費電力
• 発熱
• モデル更新や保守 が必要になります。

• キーワード認識
• 意図分類
• ルールベースFSM

• 「ついてきて」→ FOLLOW
• 「止まれ」→ STOP
• 「待って」→ WAIT
• 「戻れ」→ HOME

• ローカル：追従制御、障害物回避、安全停止、VPR、失敗検出
• ローカルまたは軽量：定型音声コマンド
• 必要時のみクラウド：自由会話、複雑な自然言語指示

• 通信断でも最低限動く
• 研究として安全設計を語れる
• APIコストを抑えられる
• それでもチャットIFの面白さを残せる