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。