サービスロボット導入シミュレーション Log#3 | ロボットが人を呼ぶ回数を、5つの現場で試算する
この記事の素材(コード・ログ・データ 14ファイル・まとめてダウンロードあり)arrow_downwardAIで読む ChatGPT・Claude などで、この記事に質問できます expand_more
配膳の次にサービスロボットが入りそうな5つの現場(病院の検体搬送・夜間清掃・ホテルの配送・夜間警備・歩道の配送)を調べると、ロボットが人を呼ぶ回数はどの現場も公開されていませんでした。そこで、その回数を仮に置いて変えられる試算を作りました。
配膳ロボットはファミレスでよく見かけるようになりましたが、その次にロボットが入りそうな現場はどこでしょうか。国内の導入事例、業種ごとの人手不足の調査、国の施策を5つの方向から調べると、候補は4つに絞れました。病院の検体と薬剤の搬送、ビルや商業施設の夜間清掃、ホテルの客室への配送、オフィスビルの夜間警備です。どれも人手不足が重い業種で、ロボットの仕事が「決まった区間を運ぶ」「広い床を拭く」「決まった道を見回る」の1つに絞れていて、日本で1年以上動いている例があります。これに、法律が変わって歩道を走れるようになった配送ロボットを加え、5つの現場を、配膳ロボットのとき(LOG351)と同じ方法でパソコンの中に再現し、試算しました。
調べて分かったのは、どの現場でも、公開されている効果は「1日66分減った」「清掃時間が60%減った」のような結果だけだということです。ロボットが途中で何回止まり、そのたびに人が何回呼ばれたのかは、どの会社も出していません。一方で、どの現場のロボットも人を呼んでいます。警備ロボットは異常を見つけると警備員を呼び、清掃ロボットは水が空になると人を呼び、歩道の配送ロボットは道をふさがれると遠隔のオペレーター(離れた場所で画面を見ながらロボットを助ける人)を呼びます。ロボットを入れて現場が楽になるかどうかは、ロボットの速さより、人を何回・何分呼ぶかで決まります。 そこで試算では、この「呼ぶ回数」に効く値を、変えられる条件として前に出しました。
試算に使ったのは SimPy(Python で「何が、いつ、どの順番で起きるか」を再現する道具)です。仕事が出る時刻、ロボットと人の数、手が空くまで待つ時間を1日分再現し、条件ごとに30回回して平均を出しています。5つの現場の標準の条件では、次の結果になりました。
| 現場 | ロボットの仕事 | 標準の条件で出たこと |
|---|---|---|
| 病院(中規模・約660床) | 外来や病棟の検体、薬剤部の抗がん剤を、決まった時間帯に運ぶ | ロボット1台で、人が運ぶ時間は1日3時間24分から21分に減る。荷物が届くまでは8.2分から11.9分に延びる |
商業施設の夜間清掃(6,000㎡) | 閉店後の広い床を拭く | ロボット2台で、清掃スタッフの作業は15.6時間から7.8時間に減る。1晩に4.5回、人が呼ばれる |
| ホテル(200室) | 客室から頼まれたアメニティを届ける | ロボット1台で、フロントの人がフロントを離れる時間は4時間39分から42分に減る。届くまでは9.6分から30.3分に延びる |
オフィスビルの夜間警備(20階) | 巡回して、異常を見つけたら知らせる | ロボット1台で、異常が出てから人が着くまでは61.7分から49.9分に縮む。1晩に11.2回警備員が呼ばれ、うち4.9回は異常ではない空振り |
歩道の配送(片道約7分のエリア) | 店で荷物を載せ、家まで届ける | 注文60件・ロボット4台で、届くまで17.3分。今の日本の注文の数では、オペレーターより先にロボットの台数が足りなくなる |
試算は、シリーズのページ(pixelstomotors.com/series8 )に置きました。上の「配膳|飲食店」「搬送|病院」のようなタブで業種と仕事を選び、施設の広さ、人数、台数、公開されていない値を切り替えると、結果が変わります。数字の多くは仮置きで、公開資料で埋まらなかった値は、何段階か動かして結果の変わり方を見られるようにしています。
ここから下は作業ログです。調べた内容、試算の組み方と結果の全表、サイトに置くまでのやり取り、使ったコードの全文を、作業した順に載せています。
配膳ロボットを自分の店に入れたらどうなるかは、このシリーズの試算をもとにした別のページで試せます。
作業ログ ― 配膳の次の導入先を、5つの方向から調べた
この回は、次の一言から始まりました。
今は配膳ロボットだけなので、他のも作ってみて。サービスロボットの導入が考えられるのはどんなところ?よく調査してください。
調べる範囲が広いので、互いに重ならない5つの方向に分け、それぞれを別の調べ役(Claude の中で並行して動く調査の担当)に任せました。どの方向にも、導入事例(会社・施設・機種・台数・年)、測られた効果、うまくいかなかった例、そして試算に使える数(作業1回の時間、1時間あたりの件数、ロボットの速さ、電池、人が手を出す頻度)を集めるよう頼んでいます。数字には1つずつ出典の URL を付け、日本と海外、企業の発表と第三者の調査を分けて書く決まりにしました。
| 方向 | 調べたこと |
|---|---|
| 飲食・小売・調理 | 配膳以外の飲食(下げ膳・調理ロボット・皿洗い)、コンビニとスーパー(品出し・棚の確認・清掃) |
| 清掃・警備・案内 | 商業施設・空港・駅・オフィスの清掃ロボット、警備ロボット、案内と受付のロボット |
| 病院・介護 | 院内の搬送(検体・薬剤・物品)、看護師の時間の使い方、介護施設の見守りと移乗 |
| ホテル・ビル・屋外配送 | 客室への配送、オフィスとマンションの館内配送、エレベーターとの連携、歩道を走る配送ロボット |
| 市場・人手不足・制度 | 市場の大きさ、業種ごとの人手不足、国の施策と補助金、導入をやめた理由 |
5つの調べ役が書いたメモを、もう1つの担当が1本の調査メモにまとめました。調査メモは iCloud の research/research_service_robot_sites_20261020.md に置いています。出典は104本です。
調べた10の現場を、人手不足・作業の向き不向き・試算しやすさで並べた
調査メモでは、調べた10の現場を5つの観点で並べています。◎は強い・向いている、○は中くらい、△は弱い・課題が多い、×は向いていない、です。順位は5つの単純な合計ではなく、「次に試算する題材として扱いやすいか」を基準に、作業の向き不向きと試算しやすさを重めに見ています。表は調査メモからそのまま載せます。
| 順位 | 現場(ロボットに渡す作業) | 人手不足の重さ | 作業の向き不向き | 政策の後押し | 導入の実績(日本) | SimPy で試算しやすいか |
|---|---|---|---|---|---|---|
| 1 | 病院(検体・薬剤の院内搬送) | ○ 看護職員は2025年に6〜27万人不足の推計(2019年公表)。実際に運んでいるのは看護補助者 | ◎ 決まった区間を、決まった時間帯に往復する | ○ 経産省の施設管理分野で病院の搬送を採択 | ○ 慈恵医大柏病院で約1年、パナソニック HOSPI は松下記念病院で12年無事故。台数は少ない | ◎ ルート・時間帯・1日の便数・人の移動時間まで公表 |
| 2 | ビル・空港・商業施設の床清掃 | ◎ ビルメンテナンス業の88.5%が「現場の人が集まりにくい」 | ◎ 広く開けた床の、毎日同じ清掃 | ◎ 経産省の重点分野、省力化補助金のカタログに清掃ロボット | ○ 羽田空港・森トラスト・ホテル・スーパー。効果は施設全体で5%〜対象エリアで60%【企業発表】 | ○ 清掃の速さ・電池・タンク容量はカタログで埋まる。止まる回数は仮置き |
| 3 | ホテル(アメニティの客室配送・レストランの下げ膳) | ○ 旅館・ホテルの非正社員不足は59.0%(2025年10月)→38.5%(2026年4月) | ○ 運ぶだけの仕事は残っている | ○ ロボットフレンドリー施設の事例に複数 | ○ 1日40〜50回の配送、1日約100往復の下げ膳。止めた施設もある | ○ 1日の回数は公表。エレベーター待ちは仮置き |
| 4 | ビル・駅の警備(巡回・立哨) | ◎ 保安職の有効求人倍率6.41倍、警備員の約47%が60歳以上 | ○ 見回りと異常の検知まで。判断と対応は人 | ◎ 道路交通法の改正、警察庁の省力化プラン、建物設備との連携規格 | ○ SQ-2 が官庁・病院・駅・ビルに。ugo は12物件17台 | △ 電池は公表。巡回ルートの長さ・回数・駆けつけ時間は非公表 |
| 5 | 外食(調理・下げ膳) | ○ 飲食店の非正社員不足59.1%。ただし前年より6.2ポイント改善 | ○ 調理は1回の時間が決まった処理 | △ 省力化補助金・業務改善助成金(ロボット専用ではない) | △ 調理ロボットは1店〜数十店の規模 | ◎ 炒め物2分以内、パスタ45秒/食、そば150食/時が公表 |
| 6 | コンビニ・スーパー(飲料の品出し・床清掃) | ○ 飲食料品小売の非正社員不足50.0%(前年より5.6ポイント悪化) | △〜○ 飲料は自動化済み、菓子類は実証中。失敗すると遠隔で人が操作 | ○ 経産省の重点分野に小売 | ○ ファミリーマートが300店展開を発表(達成は未確認) | ○ 1日最大1,000本。遠隔で人が直す確率は仮置き |
| 7 | 屋外配送(歩道を走る小型ロボット) | ◎ 2030年に荷物の約34%が運べない推計 | △ 信号・人混み・雪 | ◎ 2023年の道路交通法改正、経産省のロードマップ | △ 1エリアで1日数十件の規模 | ○ 速さ・遠隔監視の比率・ロボットだけで届いた割合は公表 |
| 8 | オフィス・マンションの館内配送 | △ 配達員がビルの中を歩く手間(数値なし) | ○ ロビーから各階へ運ぶだけ | ◎ エレベーター連携の規格化が最も進んでいる | △ オフィスは実用、マンションは実証 | △ 件数・エレベーター待ちが非公表で、仮置きが多い |
| 9 | 介護施設(見守り・夜間巡回・移乗) | ◎ 介護職員は2040年度までに約57万人の上積みが必要 | △ 動くロボットは少数。主役は見守りセンサー | ◎ 加算と人員配置基準の緩和 | ◎ 見守り機器は47.2%(ただし動くロボットではない) | ○ 通知と駆けつけの順番待ちとして組める(ロボットではなくセンサーの試算) |
| 10 | 案内・受付 | △ | × 会話と判断が要る仕事で失敗が続いた | △ | × 変なホテル・Pepper が縮小。遠隔アバターへ移行 | △ 遠隔オペレーター2人で3台を受け持つ形なら組める |
上位4つ(病院・清掃・ホテル・警備)と、制度の後押しが一番強い屋外配送を、この回の試算の対象にしました。外食の調理ロボットは数字がそろっていますが、配膳と同じ店の話なので、配膳の試算の続きとして別の回に回します。介護施設は、広がっているのが動くロボットではなく見守りのセンサーなので、今回は外しました。
定着したのは「運ぶだけ」「拭くだけ」で、話す・判断する仕事は縮小していた
縮小・撤退した例は、同じ形をしていました。変なホテルは、243体まで増やしたロボットを2019年に半数以上減らしています。客室の音声アシスタントがいびきを命令と取り違えて夜中に客を起こし、フロントのロボットは簡単な観光の質問に答えられず、荷物運びのロボットは廊下ですれ違えずに止まり、故障のたびに人が残業して直していました。Pepper は2020年に生産が止まっています。案内の仕事は今、遠隔のオペレーターが画面越しに話す形に移っていて、中部国際空港では2023年に、オペレーター2人で3台を受け持つ形を試しています。
残っているのは、1つの作業に絞って、業務の流れに組み込んだものです。すかいらーくは配膳ロボット BellaBot を約2,100店に約3,000台入れ、ガストでは料理を運ぶことだけに使いました。東京慈恵会医科大学附属柏病院は、検体と抗がん剤を、決まった時間帯に決まったルートで運んでいます。ザ・サウザンド京都は、客室へのアメニティの配送を1日40〜50回、ロボットでこなしています。
公開されている効果の数字は、ほぼすべて企業の発表だった
調査メモでは、数字の出どころを【企業発表】【公的調査】【第三者】【海外】の4つに分けました。並べると偏りがはっきりします。病院の「1日66〜172分の削減」、清掃の「60%減」、ガストの「回転率+7.5%」、警備の「夜間巡回1名減」は、すべて企業の発表です。第三者がロボットの現場を見た日本の資料は、ホテルを泊まり歩いて調べた法政大学の論文が1本見つかっただけでした。
どの現場でも公開されていない値が4つありました。ロボットが止まって人が助けに行く頻度、エレベーターの待ち時間、故障の頻度、そして「1卓の下げ膳」のような作業1回の時間です。公開資料は「何分減った」という結果を出し、そこに至るまでに何回止まり何分待ったかという過程を出していません。試算では、この値を3段階に動かし、結果がどれだけ変わるかを見られるようにしました。
出典の数字14件を、別の担当が元のページと照らし合わせた
試算に使った数字のうち14件を、調査に関わっていない別の担当に渡し、元のページを開いて書いてあるとおりかを確かめてもらいました。10件は一致、4件は一部一致でした。
| 番号 | 確かめた数字 | 判定 | ページにあった記述 |
|---|---|---|---|
| 1 | 慈恵医大柏病院:KEENON W3 を2025年6月に導入、3ルート、内科ルート1日4〜9便・薬剤ルート5〜15便、削減は1日66分10秒〜172分、年330〜860時間 | 一致 | 「2025年6月より搬送ロボット「KEENON W3」を本格導入」。ルートは朝・外来・薬剤の3つ。内科外来↔中央検査部は1日4〜9便、薬剤部↔外来化学療法室は5〜15便。削減は合計で1日66分10秒〜172分00秒、年330〜860時間(月25日×12か月で計算) |
| 2 | 同院の実証:スタッフ1人の運搬回数9.5回→4.8回、1回の移動時間9分39秒→4分57秒、1回最大4か所 | 一部一致 | 「スタッフの1日あたりの平均運搬回数は9.5回から4.8回に、平均移動時間は9分39秒から4分57秒に削減」。「1度に最大4か所への搬送に対応」。移動時間はページでは「平均移動時間」で、「1回の」とは書かれていない |
| 3 | Phantas:1時間に約350〜700㎡(または400〜700㎡)、水1回で1,200㎡、水洗い約5時間 | 一部一致 | 「約400〜700㎡/時間」、タンク満水で清掃できる面積「1200㎡」、スクラブモード「5時間」。350㎡はページに無い |
| 4 | SQ-2:1回の充電で5〜6時間稼働、充電は最大1.5時間、レンタルのみ | 一致 | 稼働時間「5~6時間 / 1充電」、充電時間「最大1.5時間」、「原則、レンタル契約のみです。」 |
| 5 | パナソニック ハコボ:遠隔オペレーター1人で4台(2022年)→10台(2025年) | 一致 | 2022年4月「1人のオペレーターが小型車4台を同時に遠隔操作」。2025年は「オペレーター1人が遠隔操作する…計10台同時の公道走行」「同時運行できるロボットを10台に拡大」 |
| 6 | ザ・サウザンド京都:1日40〜50回のアメニティ配送、3名分をほぼロボットで、エレベーター連携は半日で取り付け | 一致 | 「1日、40回~50回の配送業務」「これまで3名のスタッフが対応していたアメニティ配送業務はほぼロボットで実施」「エレベーター連携を半日という短期間かつ低価格で」 |
| 7 | 森トラスト:清掃の1日の総時間が約5%減(11施設に6台) | 一致 | 「東京マリオットホテルなど11施設」「清掃ロボット6台、配膳ロボット6台」「日常清掃全体の業務時間を5%程度削減」 |
| 8 | ホテルバリタワー大阪天王寺:PUDU CC1 でロビーと客室階の廊下の清掃時間が60%減 | 一致 | 「フロントロビー、各客室階廊下」に PUDU CC1 を導入、「清掃時間を6割削減」 |
| 9 | 大成 × ugo:12物件に17台、品川シーズンテラスで夜間巡回の要員を1名減 | 一致 | 「12物件において17台の警備ロボット」。品川シーズンテラスは「夜間巡回…「ugo」が対応することで、1名人員を削減」 |
| 10 | Uber Eats × 三菱電機:日本橋で片道約7分、時速5.4km | 一部一致 | 「東京・日本橋エリア」「片道7分かかるルート」「最高速度5.4km」。ページでは最高速度で、時速の単位も書かれていない |
| 11 | 丸の内の実証(パナソニック):注文1日約20件、信号のある横断約50回で現場の介入0回 | 一部一致 | 「パナソニックホールディングス」「約20件/日の購入実績」「横断回数は約50回で保安要員介入なし」。約50回が信号のある横断だけの回数とは書かれていない。また「タクシー乗降停止で遠隔操作介入があった」とあり、遠隔からの介入はあった |
| 12 | 帝国データバンク2026年4月:正社員不足 運輸・倉庫65.9%、メンテナンス・警備・検査65.9% | 一致 | 調査は2026年4月(4月16〜30日)。運輸・倉庫「65.9%」(前年同月比+1.9pt)、メンテナンス・警備・検査「65.9%」(同−3.5pt) |
| 13 | 全国ビルメンテナンス協会:88.5%が「現場の従業員が集まりにくい」 | 一致 | 「現場従業員が集まりにくい」88.5%で最多、13年連続1位(2025年度調査)。ページの語は「現場従業員」 |
| 14 | すかいらーく:BellaBot 約2,100店に約3,000台、ガストでランチピークの回転率+7.5%、片付け時間−35%、歩数−42%、下げ膳はさせず料理を運ぶことに使った | 一致 | 「2022年12月には全国2100店舗での大規模導入を完了」。見出しは「3000台導入」。「ガストではランチピーク回転率が7.5%向上、片付け時間が35%削減、歩行数も42%削減」「特にガストでは上げ膳のみに使っている」 |
確かめた元のページ:1 https://prtimes.jp/main/html/rd/p/000000111.000028572.html / 2 https://www.logi-today.com/764565 / 3 https://www.irisohyama.co.jp/b2b/robotics/products/phantas/ / 4 https://www.irisohyama.co.jp/b2b/robotics/products/sq-2/ / 5 https://monoist.itmedia.co.jp/mn/spv/2502/18/news098.html / 6 https://jara.jp/various/koubo/img/2024/facility_04.pdf / 7 https://www.meti.go.jp/policy/mono_info_service/mono/robot/2503_facilitybook.pdf / 8 https://news.livedoor.com/article/detail/24690169/ / 9 https://www.taisei-bm.co.jp/wp-content/uploads/2024/10/news20240325.pdf / 10 https://monoist.itmedia.co.jp/mn/spv/2403/06/news082.html / 11 https://www.meti.go.jp/shingikai/mono_info_service/jidosoko_robot/pdf/007_07_00.pdf / 12 https://prtimes.jp/main/html/rd/p/000001341.000043465.html / 13 https://cdn.j-bma.or.jp/wp-content/uploads/2026/04/16115006/2026_bmiy56_report.pdf / 14 https://www.businessinsider.jp/article/267599/
一部一致の4件は、言い方を直しました。Phantas は「1時間に約400〜700㎡」で、350㎡はページにありませんでした。慈恵柏の9分39秒は「1回の移動時間」ではなく「平均移動時間」です。Uber Eats の時速5.4kmは「最高速度」です。丸の内の実証で介入がなかったのは現場の保安要員で、遠隔操作の介入はタクシーの乗り降りで1回ありました。調査メモ・試算のコードの出典・試算のページの3か所を直しています。
5つの試算は「ロボットの仕事」と「呼ばれる人の順番待ち」の2段で組んだ
配膳の試算(LOG351)と同じく、SimPy で1日分の仕事を再現しました。SimPy で扱うのは、図面がなくても答えられる「時間・順番・数」の問いです。仕事がいつ出るか、ロボットと人が何台・何人いるか、手が空くまで何分待つか。通路でのすれ違いや人とぶつかるかといった空間と動きの問いは扱わず、Unity で別に扱います。
5つとも、組み方は同じ2段です。1段目はロボットの仕事(運ぶ・拭く・見回る・届ける)、2段目はロボットに呼ばれる人の順番待ちです。ロボットが止まった、水が空になった、異常を見つけた、道をふさがれた、というときにロボットは人を呼び、人はほかの仕事の合間にそれに応えます。人の手がふさがっていれば、ロボットは待ちます。
| 現場 | 再現した時間 | 公開資料から取った形 | 仮置きの値(動かせる) |
|---|---|---|---|
| 病院搬送 | 7:30〜16:30 | 慈恵医大柏病院の3ルートと運行の時間帯、1日の便数、同じ階で運ぶ | 途中で止まる割合、ロボットの速さ、出発地の人の忙しさ、病院の広さ |
| 夜間清掃 | 22:00〜6:00 | 清掃の速さ(1時間約400〜700㎡)、水1回で1,200㎡、水洗い約5時間・充電2時間 | 引っかかる回数、実際の速さ、ロボットが拭ける広い床の割合、施設の広さ |
| ホテル配送 | 15:00〜24:00 | 1日40〜50回の配送、エレベーターのつなぎ方2通り | 途中で止まる割合、エレベーターの待ち、客が出てこない割合、ホテルの広さ |
| 夜間警備 | 19:00〜7:00 | 5〜6時間動いて充電1.5時間、ロボットが見つけて人が駆けつける流れ | 空振りの知らせ、1晩の異常の数、1周の時間、ビルの広さ |
| 屋外配送 | 11:00〜20:00(注文の受付) | 片道約7分、オペレーター1人で4台・10台 | 介入の回数、注文の数、配達エリアの広さ |
どの試算も、条件ごとに30回(乱数の種0〜29)回した平均です。下の表は、どれも summary.py(コードの全文は後ろに載せています)で results_*.json から出したものです。
病院搬送:人が運ぶ時間は大きく減るが、1台では荷物が届くのが遅れた
慈恵医大柏病院の3つのルート(救急・病棟→検査部が7:30〜8:00、内科外来→検査部が8:00〜11:00・13:00〜14:00・15:00〜16:30、薬剤部→外来化学療法室が11:00〜13:00・14:00〜15:00)を、そのまま時間帯として入れました。3つのルートの時間帯は重ならないので、1台で順に回せます。荷物は時間帯の中でばらばらに出ます。
ロボットがいないときは、出発地の人(看護補助者など)が、ほかの仕事の合間に、たまった荷物をまとめて運びます。片道の距離は、実証で出ていたスタッフの平均移動時間9分39秒に近くなるように、200m・250m・180mと置きました。ロボットがいるときは、出発地の人が荷物を載せ、ロボットが運び、着いた先の人が受け取ります。ロボットが途中で止まったら、半分は自然に動き出し、残りの半分は出発地の人が助けに行きます。
表:病院搬送:ロボットの台数(荷物の量 普通・同じ階・すぐ出す・速さ0.9m/秒・忙しさ6割・止まる5%)
| 台数 | 届くまで(分) | 遅い方の1割(分) | 15分超え | 人が搬送に使った分/日 | ほかの仕事の待ち(分) | 便数/日 | 人を呼んだ回数 |
|---|---|---|---|---|---|---|---|
| 0 | 8.2 | 11.2 | 0% | 204 | 16.2 | 0.0 | 0.0 |
| 1 | 11.9 | 18.0 | 24% | 21 | 7.1 | 23.4 | 0.9 |
| 2 | 9.2 | 12.7 | 4% | 24 | 7.1 | 26.5 | 1.1 |
人が搬送に使う時間は、1日204分から21分になりました。慈恵柏が発表した削減は1日66〜172分なので、仮置きの距離と荷物の量は、やや多めの側にあります。一方、荷物が出てから届くまでは8.2分から11.9分に延び、15分を超えた荷物が24%ありました。ロボットの速さを秒速0.9m、人を1.2mと置いたことと、ロボットが戻ってくるまで次の荷物が待つことが効いています。
表:病院搬送:ロボットの速さ(1台・ほかは上と同じ)
| 速さ(m/秒) | 届くまで(分) | 15分超え | 人が搬送に使った分/日 |
|---|---|---|---|
| 0.6 | 16.5 | 50% | 21 |
| 0.9 | 11.9 | 24% | 21 |
| 1.2 | 10.1 | 14% | 24 |
表:病院搬送:途中で止まる割合(1台)
| 止まる割合 | 届くまで(分) | 人が搬送に使った分/日 | 人を呼んだ回数 |
|---|---|---|---|
| 0% | 11.5 | 18 | 0.0 |
| 5% | 11.9 | 21 | 0.9 |
| 15% | 12.9 | 31 | 3.2 |
表:病院搬送:階をまたぐ(エレベーター)
| 台数 | 届くまで(分) | 15分超え | 人が搬送に使った分/日 |
|---|---|---|---|
| 0 | 13.7 | 34% | 333 |
| 1 | 20.9 | 68% | 21 |
| 2 | 15.0 | 41% | 25 |
表:病院搬送:病院の広さ(1台・ほかは標準)
| 広さ | 台数 | 届くまで(分) | 15分超え | 人が搬送に使った分/日 | 人を呼んだ回数 |
|---|---|---|---|---|---|
| small | 0 | 6.1 | 0% | 92 | 0.0 |
| small | 1 | 8.1 | 3% | 14 | 0.8 |
| small | 2 | 7.2 | 0% | 14 | 0.7 |
| mid | 0 | 8.2 | 0% | 204 | 0.0 |
| mid | 1 | 11.9 | 24% | 21 | 0.9 |
| mid | 2 | 9.2 | 4% | 24 | 1.1 |
| large | 0 | 11.5 | 19% | 367 | 0.0 |
| large | 1 | 18.7 | 62% | 30 | 1.3 |
| large | 2 | 13.3 | 29% | 39 | 2.1 |
大学病院の広さ(距離1.6倍・荷物1.5倍)では、1台だと62%の荷物が15分を超えました。2台にすると29%まで下がります。
夜間清掃:施設全体で5%減と60%減の差は、ロボットが拭ける床の割合で出た
施設の床を、ロボットが拭ける広い床と、人が拭く隅・壁際・狭い所に分けました。ロボットは広い床を拭き、水が空になる・電池が切れる・引っかかると止まります。水の入れ替えと引っかかりは人を呼びます(自動で給排水する充電台があれば、水では呼ばない)。人は自分の担当を5分ずつ進め、合間にロボットの呼び出しに応えます。自分の担当が終わったら、ロボットだけでは6:00に終わらない見込みのときだけ、広い床を手伝います。
表:夜間清掃:office・スタッフ1人(速さ8割・引っかかり0.5回/時・水は人が入れ替える)
| 広い床の割合 | ロボットなし | 1台 | 2台 | 3台 |
|---|---|---|---|---|
| 30% | 10.2時間・8:12 | 17%減・呼んだ0.5回 | 17%減・呼んだ0.5回 | 17%減・呼んだ0.5回 |
| 50% | 9.0時間・7:00 | 30%減・呼んだ1.8回 | 32%減・呼んだ0.8回 | 32%減・呼んだ0.8回 |
| 70% | 7.8時間・5:48 | 50%減・呼んだ2.2回 | 52%減・呼んだ1.2回 | 52%減・呼んだ1.2回 |
| 90% | 6.6時間・4:36 | 60%減・呼んだ2.2回 | 74%減・呼んだ3.4回 | 80%減・呼んだ1.4回 |
表:夜間清掃:mall・スタッフ3人(速さ8割・引っかかり0.5回/時・水は人が入れ替える)
| 広い床の割合 | ロボットなし | 1台 | 2台 | 3台 |
|---|---|---|---|---|
| 30% | 20.4時間・4:46 | 16%減・呼んだ2.0回 | 17%減・呼んだ1.0回 | 17%減・呼んだ1.0回 |
| 50% | 18.0時間・4:00 | 22%減・呼んだ2.2回 | 30%減・呼んだ3.7回 | 32%減・呼んだ1.7回 |
| 70% | 15.6時間・3:10 | 25%減・呼んだ2.2回 | 50%減・呼んだ4.5回 | 49%減・呼んだ5.5回 |
| 90% | 13.2時間・2:23 | 30%減・呼んだ2.2回 | 60%減・呼んだ4.6回 | 75%減・呼んだ6.5回 |
表:夜間清掃:large・スタッフ4人(速さ8割・引っかかり0.5回/時・水は人が入れ替える)
| 広い床の割合 | ロボットなし | 1台 | 2台 | 3台 |
|---|---|---|---|---|
| 30% | 34.0時間・6:30 | 12%減・呼んだ2.2回 | 16%減・呼んだ3.7回 | 17%減・呼んだ1.7回 |
| 50% | 30.0時間・5:30 | 13%減・呼んだ2.2回 | 26%減・呼んだ4.5回 | 30%減・呼んだ6.1回 |
| 70% | 26.0時間・4:30 | 15%減・呼んだ2.2回 | 30%減・呼んだ4.5回 | 46%減・呼んだ7.2回 |
| 90% | 22.0時間・3:30 | 18%減・呼んだ2.2回 | 36%減・呼んだ4.5回 | 54%減・呼んだ7.2回 |
人の作業時間の減り方は、12%から80%まで、ロボットが拭ける広い床の割合と台数で大きく動きました。調査で見つけた森トラストの「施設全体で約5%減」と、ホテルバリタワーの「ロビーと客室階の廊下で60%減」は、同じロボットでも、施設のうちロボットが担える床がどれだけあるかで説明できます。
表:夜間清掃:引っかかる回数と充電台(商業施設・2人・2台・広い床70%・速さ8割)
| 引っかかり/時 | 充電台 | 人の作業(時間) | 人を呼んだ回数 | 呼ばれて使った分 | ロボットが待った分 |
|---|---|---|---|---|---|
| 0.0 | 人 | 7.6 | 2.0 | 23 | 33 |
| 0.0 | 自動 | 7.2 | 0.0 | 0 | 0 |
| 0.5 | 人 | 7.8 | 4.5 | 38 | 48 |
| 0.5 | 自動 | 7.4 | 2.5 | 14 | 18 |
| 1.5 | 人 | 8.6 | 9.7 | 68 | 85 |
| 1.5 | 自動 | 8.2 | 7.7 | 44 | 56 |
引っかかる回数を1時間0.5回から1.5回にすると、人が呼ばれる回数は4.5回から9.7回に、呼ばれて使う時間は38分から68分に増えました。自動の充電台は、水の入れ替えで呼ばれる分(1晩2回・約23分)をなくします。
ホテル配送:フロントを離れる時間は減るが、夜の山でロボットの順番待ちができた
フロントの人は、チェックインの客の対応と、客室からの依頼の配達を兼ねています。チェックインを先に受ける決まりにしました。人が配達に出るとフロントが手薄になります。ロボットの場合、フロントの人は載せるだけで、ロボットがエレベーターで上がり、部屋の前で客を呼びます。客が出てこなければ持ち帰り(10%と置いた)、あとで人が届けます。エレベーターは、建物のシステムとつなぐ方式と、ロボットの腕でボタンを押す方式(改修が要らない)の2通りを置きました。
表:ホテル:届くまで・フロントを離れた分・チェックインの待ち(止まる5%・1件ずつ)
| フロント | 依頼/日 | ロボットなし | 1台・建物とつなぐ | 1台・腕でボタン | 2台・建物とつなぐ |
|---|---|---|---|---|---|
| 2 | 25 | 6.8分・離れる152分・CI 1.5分 | 13.7分・離れる22分・CI 1.0分・呼んだ3.4回 | 20.1分・離れる23分・CI 1.0分・呼んだ3.6回 | 9.4分・離れる25分・CI 1.0分・呼んだ3.8回 |
| 2 | 45 | 9.6分・離れる279分・CI 1.9分 | 30.3分・離れる42分・CI 1.1分・呼んだ6.5回 | 70.5分・離れる41分・CI 1.0分・呼んだ6.3回 | 10.5分・離れる43分・CI 1.1分・呼んだ6.6回 |
| 2 | 80 | 25.5分・離れる503分・CI 2.7分 | 150.3分・離れる74分・CI 1.1分・呼んだ11.8回 | 199.8分・離れる61分・CI 1.1分・呼んだ9.6回 | 21.5分・離れる74分・CI 1.2分・呼んだ11.5回 |
| 3 | 25 | 4.2分・離れる151分・CI 0.2分 | 11.3分・離れる23分・CI 0.2分・呼んだ3.6回 | 18.0分・離れる24分・CI 0.2分・呼んだ3.7回 | 7.8分・離れる25分・CI 0.2分・呼んだ3.9回 |
| 3 | 45 | 4.4分・離れる277分・CI 0.4分 | 23.4分・離れる45分・CI 0.2分・呼んだ7.1回 | 56.1分・離れる40分・CI 0.2分・呼んだ6.2回 | 8.3分・離れる40分・CI 0.2分・呼んだ6.2回 |
| 3 | 80 | 5.0分・離れる506分・CI 0.6分 | 120.4分・離れる76分・CI 0.2分・呼んだ12.0回 | 180.7分・離れる60分・CI 0.2分・呼んだ9.7回 | 14.3分・離れる77分・CI 0.2分・呼んだ11.9回 |
表:ホテル:1回に運ぶ依頼(フロント2人・80件/日・腕でボタン・1台)
| 1回に運ぶ | 届くまで(分) | 遅い方の1割(分) | 動いている割合 |
|---|---|---|---|
| 1 | 199.8 | 358.0 | 83% |
| 2 | 92.2 | 156.8 | 77% |
表:ホテル:ホテルの広さ(依頼 普通・建物とつなぐ・止まる5%・1件ずつ)
| 広さ | フロント | 台数 | 届くまで(分) | フロントを離れた分 | チェックインの待ち(分) | 人を呼んだ回数 |
|---|---|---|---|---|---|---|
| small | 1 | 0 | 34.7 | 173 | 5.4 | 0.0 |
| small | 1 | 1 | 40.0 | 26 | 4.0 | 4.4 |
| small | 1 | 2 | 20.9 | 26 | 3.9 | 4.4 |
| small | 2 | 0 | 4.4 | 175 | 0.5 | 0.0 |
| small | 2 | 1 | 12.1 | 25 | 0.3 | 4.3 |
| small | 2 | 2 | 7.5 | 26 | 0.3 | 4.4 |
| mid | 2 | 0 | 9.6 | 279 | 1.9 | 0.0 |
| mid | 2 | 1 | 30.3 | 42 | 1.1 | 6.5 |
| mid | 2 | 2 | 10.5 | 43 | 1.1 | 6.6 |
| large | 3 | 0 | 70.1 | 690 | 3.9 | 0.0 |
| large | 3 | 1 | 242.9 | 80 | 2.1 | 10.5 |
| large | 3 | 2 | 99.2 | 104 | 2.1 | 13.5 |
フロントを離れる時間は、どの広さでも8割以上減りました。届くまでの時間は、ロボット1台だと延びます。依頼が夜(18:00〜22:00)に集まるので、その山でロボットの順番待ちができるためです。2台にすると、人が届けたときに近づきます。1台のままでも、1回に2件運ぶと、依頼が多い日(80件)の待ちが200分から92分に縮みました。チェックインの待ちは、チェックインを先に受ける決まりなので、ロボットを入れても大きくは変わりませんでした。
夜間警備:警備員を1人にすると、駆けつけのたびに防災センターが空いた
ロボットがいないときは、警備員が2時間ごとに建物を1周します。防災センターには常に1人残る決まりにしたので、警備員が1人だけだと、巡回の間はセンターが空きます。ロボットがいるときは、ロボットが巡回し、異常を見つけたらセンターに知らせ、警備員が駆けつけます。異常(扉の開け放し・置き去りの物・消えた照明など)は、巡回が通りかかるまで見つかりません。ロボットは異常でないものを知らせることがあり(空振り)、そのたびに警備員が見に行きます。
表:警備:異常に人が着くまで・巡回の最長の空白・センターが空いた分(異常6件/晩・空振り0.5回/時)
| 警備員 | ロボットなし | 1台・2時間ごと | 1台・回り続ける | 2台・2時間ごと | 2台・回り続ける |
|---|---|---|---|---|---|
| 1 | 着くまで62分・空白120分・センター空き302分 | 73分・空白120分・空き165分・呼んだ7.6回 | 50分・空白140分・空き229分・呼んだ11.2回 | 43分・空白60分・空き215分・呼んだ10.5回 | 36分・空白115分・空き316分・呼んだ16.8回 |
| 2 | 着くまで62分・空白120分・センター空き0分 | 73分・空白120分・空き0分・呼んだ7.6回 | 50分・空白140分・空き0分・呼んだ11.2回 | 43分・空白60分・空き0分・呼んだ10.5回 | 36分・空白115分・空き0分・呼んだ16.8回 |
| 3 | 着くまで62分・空白120分・センター空き0分 | 68分・空白120分・空き0分・呼んだ7.7回 | 45分・空白140分・空き0分・呼んだ11.3回 | 39分・空白60分・空き0分・呼んだ10.6回 | 29分・空白115分・空き0分・呼んだ16.8回 |
表:警備:空振りの知らせ(警備員1人・1台・回り続ける・異常6件)
| 空振り/時 | 人を呼んだ回数 | うち空振り | センターが空いた分 | 着くまで(分) |
|---|---|---|---|---|
| 0.0 | 6.3 | 0.0 | 151 | 48.1 |
| 0.5 | 11.2 | 4.9 | 229 | 49.9 |
| 1.5 | 23.2 | 16.9 | 418 | 55.2 |
表:警備:ビルの広さ(警備員2人・異常6件・空振り0.5回/時・回り続ける)
| 広さ | 台数 | 着くまで(分) | 巡回の最長の空白(分) | 警備員が外にいた分 | 人を呼んだ回数 |
|---|---|---|---|---|---|
| small | 0 | 63.6 | 120 | 242 | 0.0 |
| small | 1 | 34.0 | 130 | 181 | 11.1 |
| small | 2 | 26.3 | 110 | 240 | 16.2 |
| mid | 0 | 61.7 | 120 | 302 | 0.0 |
| mid | 1 | 49.9 | 140 | 229 | 11.2 |
| mid | 2 | 35.9 | 115 | 316 | 16.8 |
| large | 0 | 63.0 | 120 | 422 | 0.0 |
| large | 1 | 75.6 | 165 | 313 | 11.8 |
| large | 2 | 55.8 | 128 | 436 | 16.9 |
ロボット1台を「2時間ごと」に回すと、異常に人が着くまでは62分から73分に延びました。ロボットが見つけてから、警備員がセンターから駆けつける時間が足されるからです。充電中以外は回り続ける形にすると50分まで縮みます。警備員を2人から1人に減らすと、駆けつけのたびにセンターが空き、空振りが1時間1.5回あると、センターが空く時間は1晩418分になりました。
屋外配送:今の注文の数では、オペレーターより台数が先に足りなくなった
店で荷物を載せ、歩道を走って届け、客が受け取ったら店へ戻ります。走っている間に、人や車に道をふさがれるなどで止まり、遠隔のオペレーターを呼びます。オペレーターは1度に1件の介入しか扱えません。さらに、1人が見ていられる台数に上限(パナソニックのハコボの2022年の4台と、2025年の10台)を置き、上限を超えると店で出発を待ちます。注文は昼と夜に山があります。
表:屋外配送:届くまで・介入でオペレーターを待った秒・オペレーターがかかりきりの割合(オペレーター1人・1人10台まで)
| 注文/日 | 介入/片道 | 1台 | 2台 | 4台 | 6台 | 10台 |
|---|---|---|---|---|---|---|
| 20 | 0.05 | 36分・待ち0秒・1% | 15分・待ち0秒・1% | 12分・待ち0秒・1% | 12分・待ち0秒・1% | 12分・待ち0秒・1% |
| 20 | 0.2 | 39分・待ち0秒・3% | 15分・待ち1秒・3% | 12分・待ち2秒・3% | 12分・待ち3秒・3% | 12分・待ち3秒・3% |
| 20 | 0.5 | 42分・待ち0秒・6% | 16分・待ち4秒・7% | 13分・待ち5秒・7% | 13分・待ち7秒・7% | 13分・待ち7秒・7% |
| 60 | 0.05 | 341分・待ち0秒・1% | 69分・待ち1秒・2% | 16分・待ち0秒・2% | 13分・待ち0秒・2% | 12分・待ち3秒・2% |
| 60 | 0.2 | 356分・待ち0秒・4% | 75分・待ち2秒・7% | 17分・待ち8秒・9% | 13分・待ち7秒・9% | 13分・待ち8秒・9% |
| 60 | 0.5 | 391分・待ち0秒・9% | 91分・待ち7秒・17% | 20分・待ち18秒・21% | 14分・待ち24秒・22% | 13分・待ち26秒・21% |
| 120 | 0.05 | 939分・待ち0秒・1% | 348分・待ち0秒・2% | 64分・待ち2秒・4% | 23分・待ち2秒・4% | 13分・待ち2秒・4% |
| 120 | 0.2 | 980分・待ち0秒・4% | 365分・待ち3秒・8% | 73分・待ち8秒・14% | 25分・待ち12秒・17% | 13分・待ち18秒・18% |
| 120 | 0.5 | 1043分・待ち0秒・9% | 401分・待ち7秒・18% | 90分・待ち23秒・34% | 31分・待ち42秒・41% | 15分・待ち80秒・43% |
| 200 | 0.05 | 1717分・待ち0秒・1% | 737分・待ち0秒・2% | 241分・待ち2秒・4% | 84分・待ち2秒・6% | 21分・待ち7秒・7% |
| 200 | 0.2 | 1789分・待ち0秒・4% | 772分・待ち3秒・8% | 258分・待ち8秒・15% | 94分・待ち15秒・22% | 23分・待ち30秒・28% |
| 200 | 0.5 | 1899分・待ち0秒・9% | 831分・待ち7秒・19% | 298分・待ち24秒・35% | 125分・待ち49秒・52% | 34分・待ち127秒・66% |
表:屋外配送:届くまで・介入でオペレーターを待った秒・オペレーターがかかりきりの割合(オペレーター1人・1人4台まで)
| 注文/日 | 介入/片道 | 1台 | 2台 | 4台 | 6台 | 10台 |
|---|---|---|---|---|---|---|
| 20 | 0.05 | 36分・待ち0秒・1% | 15分・待ち0秒・1% | 12分・待ち0秒・1% | 12分・待ち0秒・1% | 12分・待ち0秒・1% |
| 20 | 0.2 | 39分・待ち0秒・3% | 15分・待ち1秒・3% | 12分・待ち2秒・3% | 12分・待ち2秒・3% | 12分・待ち2秒・3% |
| 20 | 0.5 | 42分・待ち0秒・6% | 16分・待ち4秒・7% | 13分・待ち5秒・7% | 13分・待ち6秒・7% | 13分・待ち6秒・7% |
| 60 | 0.05 | 341分・待ち0秒・1% | 69分・待ち1秒・2% | 16分・待ち0秒・2% | 15分・待ち1秒・2% | 15分・待ち1秒・2% |
| 60 | 0.2 | 356分・待ち0秒・4% | 75分・待ち2秒・7% | 17分・待ち8秒・9% | 16分・待ち6秒・9% | 16分・待ち6秒・9% |
| 60 | 0.5 | 391分・待ち0秒・9% | 91分・待ち7秒・17% | 20分・待ち18秒・21% | 18分・待ち17秒・21% | 18分・待ち19秒・22% |
| 120 | 0.05 | 939分・待ち0秒・1% | 348分・待ち0秒・2% | 64分・待ち2秒・4% | 47分・待ち2秒・4% | 47分・待ち2秒・4% |
| 120 | 0.2 | 980分・待ち0秒・4% | 365分・待ち3秒・8% | 73分・待ち8秒・14% | 54分・待ち8秒・15% | 54分・待ち7秒・15% |
| 120 | 0.5 | 1043分・待ち0秒・9% | 401分・待ち7秒・18% | 90分・待ち23秒・34% | 69分・待ち25秒・36% | 69分・待ち25秒・36% |
| 200 | 0.05 | 1717分・待ち0秒・1% | 737分・待ち0秒・2% | 241分・待ち2秒・4% | 193分・待ち2秒・4% | 191分・待ち2秒・5% |
| 200 | 0.2 | 1789分・待ち0秒・4% | 772分・待ち3秒・8% | 258分・待ち8秒・15% | 210分・待ち10秒・17% | 210分・待ち11秒・17% |
| 200 | 0.5 | 1899分・待ち0秒・9% | 831分・待ち7秒・19% | 298分・待ち24秒・35% | 249分・待ち25秒・38% | 248分・待ち25秒・39% |
表:屋外配送:配達エリアの広さ(オペレーター1人・1人10台まで・介入0.2回/片道)
| 広さ | 注文/日 | 2台 | 4台 | 6台 | 10台 |
|---|---|---|---|---|---|
| near | 20 | 10分・26% | 9分・13% | 9分・9% | 9分・5% |
| near | 60 | 27分・72% | 10分・38% | 9分・26% | 9分・15% |
| near | 120 | 165分・98% | 24分・74% | 11分・51% | 9分・31% |
| mid | 20 | 15分・37% | 12分・19% | 12分・13% | 12分・8% |
| mid | 60 | 75分・91% | 17分・55% | 13分・38% | 13分・23% |
| mid | 120 | 365分・99% | 73分・92% | 25分・72% | 13分・45% |
| wide | 20 | 28分・55% | 18分・28% | 18分・19% | 18分・11% |
| wide | 60 | 216分・97% | 41分・77% | 22分・55% | 18分・34% |
| wide | 120 | 680分・99% | 216分・97% | 77分・91% | 25分・65% |
今の日本の実績(1エリアで1日約20件)では、2台あれば15分前後で届き、オペレーターが介入にかかりきりなのは数%でした。注文が増えると、先に足りなくなるのはロボットの台数で、オペレーターの手が詰まり始めるのは、注文200件・10台・介入が片道0.5回のように、どちらも多いときです。1人が見られる台数が4台のころの条件では、10台あっても4台分しか同時に走れず、注文120件で届くまで47〜69分かかりました。
上の図は、5つの現場の標準の条件で、公開されていない値を3段階に動かしたときの「ロボットが人を呼んだ回数」と、呼ばれた側の時間を並べたものです。上の線1本が、ロボットが人を呼んだ1回です。
同じコードで回し直すと、同じ結果になった
乱数の種を0〜29で固定しているので、同じコードなら同じ結果になるはずです。試算のコードを別のフォルダに写し、回し直して、できた results_*.json がバイト単位で同じかを cmp で比べました。途中では警備・ホテル・病院の3つ、最後のコード(人数と台数の「その他」を足したあと)では警備とホテルの2つを回し直し、どれも同じでした(最後の分の出力は、後ろの「実行したコマンドと出力」に載せています)。
試算をサイトに置き、業種とタスクのタブで切り替える形にした
試算は、まず claude.ai の Artifact(Claude が作って公開する1枚のページ)にまとめました。そのあと、シリーズのページの「Simulator | 試算を試す」を見ながら、次の提案がありました。
いろんな業種、タスクで使えるのがわかるようにタブで切り替えする?
それまでの「試算を試す」は、配膳ロボットの試算の「店を選ぶ」から始まるので、配膳専用の道具に見えていました。一番上に業種と仕事のタブを置けば、ほかの現場でも使えることが最初に伝わります。タブの名前は「タスク|場所」(例:搬送|病院)にしました。「病院」だけだと何をするロボットか分からず、「搬送」だけだと業種が分からないからです。
サイト公開してみてください。
サイト(pixelstomotors.com)は、GitHub の p2m-site に push すると約1分で公開されます。次のように作りました。
- タブ:
src/lib/records.tsの SERIES_PAGES に、タブの一覧(SimTab)を足しました。1つ目は配膳の試算(serving-robot.html)、2つ目からは5つの現場の試算(service-robot-sites.html)に#hospitalのように現場を付けて開きます。 - 5つの現場の試算:Artifact 版を、make_site_copy.py でサイトに置ける1枚の HTML に直し、
public/sim/service-robot-sites.htmlに置きました。?embed=1で開くと、見出しと現場の選択を外し、タブの中に収まる形になります。現場はタブで選ぶので、中では選びません。 - リンク:
/series8#sim-hospitalのように開くと、そのタブから始まります。記事や SNS から、病院の試算を直接開いてもらえます。 - 枠の高さ:中の試算の長さに合わせて、枠の高さを変えるようにしました。それまでの配膳の試算は高さ1,600px の枠の中でスクロールしていましたが、ページ全体のスクロールだけで見られるようにしました。
枠の高さは、最初、中の html の高さで測っていたため、一度大きくなると小さくならず、どのタブも3,442px のままでした。html の高さは枠の高さより小さくならないので、body の高さで測るように直しています。また、病院のタブで開いたときに、配膳のタブにしか出さないはずの観察シートの欄が出ていました。欄に display: grid が付いていて、hidden を付けても消えなかったためで、.s-obs[hidden] { display: none; } を足して直しました。


配膳の試算は変えていない。観察シートが下に押し出されていた
公開したあと、次の質問がありました。
あれ?配膳ロボットのシミュレーションの内容前と変わってない?止まった理由とか、機種とか場所とか選べなかったっけ?
配膳の試算のファイル(serving-robot.html)と観察シートのファイル(serving-robot-observation.html)は、この回のどのコミットでも変えていません(git diff で確かめました)。止まった理由・機種・場所を選べるのは、試算ではなく、その下に置いている観察シートのほうです(LOG353)。
見つけにくくなったのは、枠の高さを中の長さに合わせたせいでした。配膳の試算は中の長さが約3,400px あるので、観察シートがその下まで押し出されていました。配膳のタブの説明のすぐ下に「止まった理由・機種・場所を店で記録する観察シートは、試算の下にあります ↓」というリンクを置き、押すと観察シートまで移るようにしました。

タブの写真は ChatGPT で作り、4枚はロボットの色を変えた
タブを公開したあと、次の提案がありました。
どの業種、タスクかわかりやすいように写真をどこかに入れた方がいいかもね(chatGPTに依頼)
タブに写真を入れられるように SimTab に img を足し、ChatGPT に頼むための文面を書きました。6枚に共通の指定と、それぞれの場面です。
横4:3の写真風の画像。日本の施設の実際の業務の一場面。やわらかい自然光、落ち着いた色。業務用のサービスロボットは、ロゴや特定の製品だとわかる形を入れない、シンプルな白とグレーの形にする。文字・看板の文字・ロゴは入れない。人は後ろ姿か手元だけで、顔ははっきり写さない。
1. 配膳:ファミリーレストランの通路を、料理をのせた棚型の配膳ロボットが客席へ向かっている
2. 搬送:病院の明るい廊下を、ふたの付いた収納の箱型ロボットが走り、看護師が採血管のトレイを入れている
3. 清掃:閉店後の商業施設の広い床を、床洗浄ロボットが拭いている(夜、照明は半分)
4. 配送:ホテルの客室の廊下で、配送ロボットが部屋の前に止まり、扉が少し開いている
5. 巡回:夜のオフィスビルのロビーを、背の高い円柱形の警備ロボットが巡回している
6. 配送:住宅街の歩道を、小型の6輪の配送ロボットが走っている(昼)
届いた6枚は 480×360 に縮めて public/site/sim/ に置きました。そのあと、ロボットの色について次の指示が続きました。
清掃ロボットは濃いグレーにしたい 外の配送ロボットはカラーはで目がいいね(各社わかりやすいようにしてるんだね)
配送ホテルの写真も変更。シックなダークブラウンカラーロボット
配膳ロボットも色を変えよう。エメラルドグリーンとか
色を変えるときは、ChatGPT に「この画像のロボットの外装を○○に変えて。ライト・形・構図・背景はそのまま。ロゴや文字は入れない」と頼む文面を書き、届いた画像を差し替えました。差し替えた写真は、ブラウザに古い画像が残らないように、住所の末尾の ?v=1 を ?v=2 に上げています。元の大きさの画像は iCloud の サービスロボット導入シミュレーション/tab_images/ に置きました。
施設の広さ・人数・台数を、配膳の試算と同じ形で選べるようにした
記事にする前に、次の指示がありました。
その前に配膳ロボットのように、ロボットの作業範囲の広さの項目を他のシミュレーションにも追加して。それから記事化
配膳の試算には、最初に「店を選ぶ」黒い帯があり、小型店・標準ファミレス・大型店などで、卓の数と厨房からの距離が変わります。同じ形の帯を、5つの現場の試算にも足しました。広さの値は、どれも仮置きです。
| 現場 | 帯の選択肢 | 変わるもの |
|---|---|---|
| 病院 | 中小病院(200床)・中規模病院(660床)・大学病院(1,100床) | 距離を0.6倍・1倍・1.6倍、荷物の量を0.6倍・1倍・1.5倍 |
| 夜間清掃 | オフィスビルの共用部(3,000㎡)・商業施設(6,000㎡)・大型施設(10,000㎡) | 床の広さと、選べるスタッフの人数(条件の欄にあった施設の選択を、帯に移した) |
| ホテル | ビジネスホテル(120室・8階)・シティホテル(200室・12階)・大型ホテル(400室・25階) | チェックインと依頼の数、廊下の長さ(0.8倍・1倍・1.4倍)、エレベーターに乗っている時間(大型で1.6倍)、選べるフロントの人数 |
| 夜間警備 | 中規模ビル(10階)・大規模ビル(20階)・大規模複合ビル(35階) | 1周の時間(警備員30・40・60分、ロボット40・50・75分)、センターから現場までの時間 |
| 屋外配送 | 狭いエリア・ふつうのエリア・広いエリア | 片道の時間(2〜7分・4〜12分・7〜20分。時速5kmで約330m・580m・1,000m) |
真ん中の広さは、それまでの試算と同じ値にしたので、真ん中を選べば結果は変わりません。このとき、ホテルの「ロボットが動いている割合」が100%を超える条件があるのに気づきました。依頼が多いと24時を過ぎても配っているのに、15:00〜24:00の9時間で割っていたためです。最後にロボットが戻った時刻までで割るように直しました。

続けて、人数と台数についての指示がありました。
ロボットやスタッフの数はその他で他も選べるようにして配膳ロボットと同じ仕様に!
配膳の試算では、よく使う数だけを並べ、右端の「その他」を押すと、ほかの数が出ます。同じ形を5つの試算の人数と台数に付け、選べる数を増やして計算し直しました。
| 現場 | 並べている数 | 「その他」で選べる数 |
|---|---|---|
| 病院 | ロボット 0〜2台 | 3〜5台 |
| 夜間清掃 | スタッフ(施設ごと)、ロボット 0〜3台 | スタッフ:オフィス1〜5人・商業施設1〜7人・大型施設2〜9人、ロボット4〜6台 |
| ホテル | フロント(広さごと)、ロボット 0〜2台 | フロント:ビジネス1〜3人・シティ1〜5人・大型2〜6人、ロボット3〜5台 |
| 夜間警備 | 警備員 1〜3人、ロボット 0〜2台 | 警備員4〜6人、ロボット3〜5台 |
| 屋外配送 | ロボット 1・2・4・10台、オペレーター 1・2人 | ロボット3・5・6・8・12・15・20台、オペレーター3〜5人 |
条件の数は、病院3,276、夜間清掃5,840、ホテル2,379、夜間警備1,674、屋外配送3,960になりました。ページを開いた状態で、選べるすべての組み合わせ(病院・清掃・ホテル・警備・屋外配送)の結果が results に入っているかを、ブラウザの中で確かめています。




スマホでは、業種のタブを2列のコンパクトなカードにした
スマホで見た本人から、2つの指示がありました。
SPの業種選ぶところ横スクロールだと分かりづらいので2カラムで組んでください。
spの業種カードで場所を取りすぎてしまうので、写真を小さくして左側、テキストを右側にしてコンパクトにしたいです。
最初はタブを横に並べて、スマホでは横にスクロールさせていました。横スクロールだと3つ目から先があることに気づきにくいので、幅599px 以下では2列に並べました。2列にすると写真が大きく、6枚で画面のほとんどを使っていたので、写真を52px の幅にして左に、タスクと場所を右に置きました。
ちょっと写真小さすぎかな
各カードのパディング無くして調整してみたら?
写真を76px に広げると、「商業施設・ビル」が「ビ/ル」の途中で折り返しました。指示どおりカードの余白をなくし、写真をカードの左端と上下いっぱいまで広げると、同じ幅のカードでも写真を72px にでき、文字の場所も残りました。場所の名前は「・」で区切って、折り返すなら「商業施設・/ビル」と区切りのあとで折り返すようにしています。
カード押した時に写真の下に白いラインが出てるのを修正
選んだカードは明るい色になるので、写真の下にカードの地の色が細く見えていました。写真がカードの高さいっぱいに伸びていなかったためで、カードの中を2行に分け、写真を2行にまたがらせて高さいっぱいに伸ばしました。このとき送ってもらった画面写真では、「清掃」のタブを選んでいるのに、中に警備の「ビルの広さを選ぶ」が出ていました。同じページの中で # だけを変えて現場を切り替えると、ブラウザによっては中が切り替わらないことがあるので、タブを押したら中の # も直接変えるようにしました。

実行したコマンドと出力
この記事のコード・ログ・データは、1ファイルずつ下に置いています。全文はリンク先にあります。
ファイルの一覧(14本)
01_sec13.txt ― 1条件だけ回す(--one)・7,308字
02_sec13.txt ― 記事の表を出す(summary.py)・8,717字
03_hospital_sim.py.txt ― hospital_sim.py(病院の検体・薬剤の搬送)・10,188字
04_cleaning_sim.py.txt ― cleaning_sim.py(ビル・商業施設の夜間清掃)・8,432字
05_hotel_sim.py.txt ― hotel_sim.py(ホテルの館内配送)・9,866字
06_security_sim.py.txt ― security_sim.py(オフィスビルの夜間警備)・7,891字
07_outdoor_sim.py.txt ― outdoor_sim.py(歩道を走る屋外配送)・6,234字
08_sites_page.body.html.txt ― sites_page.body.html(試算のページの部品。__DATA__ に結果が入る)・45,353字
09_src_pages_series_.astro.txt ― src/pages/[series].astro(シリーズのページ。試算のタブ)・12,359字
10_SERIES_PAGES.txt ― src/lib/records.ts の SimTab と SERIES_PAGES(試算のタブの一覧)・5,082字
11_LOG356_scripts_summary.py.txt ― LOG356_scripts/summary.py(記事の表を出す)・7,560字
12_LOG356_scripts_make_figure.py.txt ― LOG356_scripts/make_figure.py(図解を作る)・8,860字
13_LOG356_scripts_make_thumbnail.py.txt ― LOG356_scripts/make_thumbnail.py(サムネイルを作る)・5,517字
14_LOG356_scripts_assemble.py.txt ― LOG356_scripts/assemble.py(この記事を組み立てる)・3,885字
試算は Claude のクラウドの作業環境(Linux・2コア・Python 3.13.16・simpy 4.1.2)で動かしました。最初に simpy を入れています。
$ pip install --break-system-packages -q simpy==4.1.2
$ python3 -c "import simpy; print(simpy.__version__)"
4.1.2
1条件だけ回す(—one)
5つの試算の --one は、標準の条件で、ロボットの台数などを変えた数条件だけを回して表示します(最後の計算し直しのあとのコードで回したもの)。
$ python3 hospital_sim.py --one
0 {'scale': 'mid', 'robots': 0, 'demand': 1, 'floors': 'same', 'stop_rate': 0.0, 'dispatch': 'now', 'busy': 0.6, 'speed': 0.9, 'wait_mean': 8.1851, 'wait_p90': 11.212, 'late_share': 0.0, 'items': 30.9, 'staff_tr_min': 203.5613, 'other_wait': 16.1721, 'robot_trips': 0, 'staff_trips': 25.7, 'per_trip': 0.0, 'robot_util': 0.0, 'stops': 0, 'calls': 0}
1 {'scale': 'mid', 'robots': 1, 'demand': 1, 'floors': 'same', 'stop_rate': 0.05, 'dispatch': 'now', 'busy': 0.6, 'speed': 0.9, 'wait_mean': 11.9003, 'wait_p90': 17.96, 'late_share': 0.2392, 'items': 30.9, 'staff_tr_min': 21.4883, 'other_wait': 7.1149, 'robot_trips': 23.4, 'staff_trips': 0, 'per_trip': 1.32, 'robot_util': 0.4354, 'stops': 2.0333, 'calls': 0.9}
2 {'scale': 'mid', 'robots': 2, 'demand': 1, 'floors': 'same', 'stop_rate': 0.05, 'dispatch': 'now', 'busy': 0.6, 'speed': 0.9, 'wait_mean': 9.2316, 'wait_p90': 12.7386, 'late_share': 0.0391, 'items': 30.9, 'staff_tr_min': 24.1309, 'other_wait': 7.1133, 'robot_trips': 26.5333, 'staff_trips': 0, 'per_trip': 1.1653, 'robot_util': 0.2469, 'stops': 2.3, 'calls': 1.1333}
$ python3 cleaning_sim.py --one
0 0.3 {'facility': 'mall', 'staff': 3, 'robots': 0, 'share': 0.3, 'eff': 0.8, 'stuck_per_h': 0.0, 'dock': False, 'finish': 406.0, 'on_time': 1.0, 'staff_hours': 20.4, 'calls': 0, 'tank_calls': 0, 'stuck_calls': 0, 'call_min': 0.0, 'robot_wait': 0.0, 'robot_share_area': 0.0}
0 0.9 {'facility': 'mall', 'staff': 3, 'robots': 0, 'share': 0.9, 'eff': 0.8, 'stuck_per_h': 0.0, 'dock': False, 'finish': 263.0, 'on_time': 1.0, 'staff_hours': 13.2, 'calls': 0, 'tank_calls': 0, 'stuck_calls': 0, 'call_min': 0.0, 'robot_wait': 0.0, 'robot_share_area': 0.0}
1 0.3 {'facility': 'mall', 'staff': 3, 'robots': 1, 'share': 0.3, 'eff': 0.8, 'stuck_per_h': 0.5, 'dock': False, 'finish': 340.7452, 'on_time': 1.0, 'staff_hours': 17.0886, 'calls': 2.0333, 'tank_calls': 1, 'stuck_calls': 1.0333, 'call_min': 17.3146, 'robot_wait': 23.0963, 'robot_share_area': 0.3}総当たりを回す
人数と台数の「その他」を足したあとの総当たりです。5つを順に回しました。
$ cd /home/claude/sites_sim
$ for m in security cleaning outdoor hotel hospital; do s=$(date +%s); python3 ${m}_sim.py; echo "$m $(( $(date +%s)-s ))s"; done
1674 conditions
security 20s
5840 conditions
cleaning 161s
3960 conditions
outdoor 203s
2379 conditions
hotel 232s
3276 conditions
hospital 397s
ALLDONE
記事の表を出す(summary.py)
本文の表は、すべてこの出力から取りました。
$ python3 /home/claude/LOG356/LOG356_scripts/summary.py /home/claude/sites_sim
### 病院搬送:ロボットの台数(荷物の量 普通・同じ階・すぐ出す・速さ0.9m/秒・忙しさ6割・止まる5%)
| 台数 | 届くまで(分) | 遅い方の1割(分) | 15分超え | 人が搬送に使った分/日 | ほかの仕事の待ち(分) | 便数/日 | 人を呼んだ回数 |
|---|---|---|---|---|---|---|---|
| 0 | 8.2 | 11.2 | 0% | 204 | 16.2 | 0.0 | 0.0 |
| 1 | 11.9 | 18.0 | 24% | 21 | 7.1 | 23.4 | 0.9 |
| 2 | 9.2 | 12.7 | 4% | 24 | 7.1 | 26.5 | 1.1 |同じコードで回し直して、結果がバイト単位で同じかを確かめる
$ mkdir rerun2 && cp /home/claude/sites_sim/*.py rerun2/ && cd rerun2
$ python3 security_sim.py && cmp results_security.json /home/claude/sites_sim/results_security.json && echo "security: 同じ"
1674 conditions
security: 同じ
$ python3 hotel_sim.py && cmp results_hotel.json /home/claude/sites_sim/results_hotel.json && echo "hotel: 同じ"
2379 conditions
hotel: 同じ
試算のページを1枚にまとめ、選べるすべての組み合わせの結果があるかを確かめる
$ python3 build_sites_page.py
1609985 bytes
$ python3 /home/claude/LOG356/LOG356_scripts/check_combos.py file:///home/claude/sites_sim/service_robot_sites.html <画面写真のフォルダ>
['hospital: 3888 combos checked', 'cleaning: 6720 combos checked', 'hotel: 2808 combos checked', 'security: 1944 combos checked', 'outdoor: 3960 combos checked', 'missing total 0']
errors: [] phone scrollWidth 390
$ python3 make_site_copy.py /home/claude/p2m-site/public/sim/service-robot-sites.html
/home/claude/p2m-site/public/sim/service-robot-sites.html 1610327 bytes
サイトのビルドと公開
サイトの変更は、この順にコミットして main に push しました(push すると約1分で公開される)。
$ git log --since="2026-10-20 02:00" --format="%h %ad %s" --date=format:"%H:%M" --reverse # 時刻は日本時間
4e96409 12:02 試算をタブで切り替える形にし、配膳の次の5つの現場(病院搬送・夜間清掃・ホテル配送・夜間警備・屋外配送)を追加
8efe96c 12:11 試算のタブに写真を入れる(6枚、480×360)
6e745c8 12:13 配膳のタブに、試算の下の観察シートへ移るリンクを置く
0e80381 12:21 試算のタブの写真を2枚差し替え(清掃ロボットを濃いグレー、屋外配送ロボットをオレンジに)
c304da7 12:23 試算のタブの写真を差し替え(ホテルの配送ロボットをダークブラウンに)
41e9148 12:30 試算のタブの写真を差し替え(配膳ロボットをエメラルドグリーンに)
a940834 12:42 5つの現場の試算に、施設の広さを選ぶ黒い帯を足す(配膳の「店を選ぶ」と同じ形)
76e6749 12:44 スマホでは試算のタブを横スクロールにせず2列に並べる
db2ed70 12:50 スマホの試算のタブを、写真を小さく左・文字を右にしてコンパクトにする(エイイチの指示)
60a7932 13:03 スマホの試算のタブ:カードの余白をなくし、写真をカードの端まで広げて大きくする(エイイチの指示)
27d6452 13:04 5つの現場の試算の人数・台数に「その他」を付け、選べる数を増やして計算し直す(配膳の試算と同じ形)
0dba987 13:07 スマホの試算のタブ:選んだカードの写真の下に出ていた白い線を消す。条件の数の表記を計算し直した数にそろえる
公開したあと、公開中のページで次を確かめました。
$ curl -s "https://pixelstomotors.com/series8?p2m-notrack=1" | grep -o 'id="simtab-[a-z]*"'
id="simtab-serving"
id="simtab-hospital"
id="simtab-cleaning"
id="simtab-hotel"
id="simtab-security"
id="simtab-outdoor"
$ curl -s "https://pixelstomotors.com/series8?p2m-notrack=1" | grep -o "/site/sim/[a-z]*.jpg?v=[0-9]" | sort -u
/site/sim/cleaning.jpg?v=2
/site/sim/hospital.jpg?v=1
/site/sim/hotel.jpg?v=2
/site/sim/outdoor.jpg?v=2
/site/sim/security.jpg?v=1
/site/sim/serving.jpg?v=2
$ curl -s "https://pixelstomotors.com/series8?p2m-notrack=1" | grep -o "試作 v1・[0-9,]*条件"
試作 v1・3,276条件
試作 v1・5,840条件
試作 v1・2,379条件
試作 v1・1,674条件
試作 v1・3,960条件
$ curl -sL -o /dev/null -w "%{http_code} %{size_download}\n" "https://pixelstomotors.com/sim/service-robot-sites.html?embed=1"
200 1623641
$ curl -sL "https://pixelstomotors.com/sim/service-robot-sites.html?embed=1" | md5sum ; md5sum /home/claude/p2m-site/public/sim/service-robot-sites.html
5b3267a4f35a28ec3f23fcebc15d918b -
5b3267a4f35a28ec3f23fcebc15d918b /home/claude/p2m-site/public/sim/service-robot-sites.html
この回に使ったコードの全文
試算のコードは iCloud の サービスロボット導入シミュレーション/simulation_sites/、記事の表・図解・サムネイル・画面写真のスクリプトは LOG356_scripts/ に置いています。
common.py(5つの試算に共通の部品)
"""
サービスロボット導入シミュレーション:配膳の次の5つの現場(試作 v1)の共通部品
どの現場も「ロボットの仕事」と「ロボットに呼ばれる人の順番待ち」の2段で組む。
時間の単位はすべて分。数字のうち、公開資料から取ったものは各モデルの SOURCES に出典を書き、
それ以外は仮置き(ASSUMED)として分けて持つ。
依存: Python 3.10 以降 / simpy 4.1.2
"""
import json
import random
import statistics
from itertools import product
from multiprocessing import Pool
REPS = 30 # 1条件あたりの回数。乱数の種は 0〜29 で固定
def tri(rng, lmh):
"""(最短, よくある値, 最長) の三角分布"""
lo, mode, hi = lmh
return rng.triangular(lo, hi, mode)
def p90(xs):
if not xs:
return 0.0
s = sorted(xs)
return s[int(0.9 * (len(s) - 1))]
def mean(xs):
return statistics.mean(xs) if xs else 0.0
def poisson_times(rng, rate_per_min, start, end):
"""start〜end の間に、1分あたり rate_per_min で起きる出来事の時刻"""
out, t = [], start
if rate_per_min <= 0:
return out
while True:
t += rng.expovariate(rate_per_min)
if t >= end:
return out
out.append(t)
def profile_times(rng, total, windows):
"""1日の件数 total を、[(開始, 終了, 重み), ...] の時間帯に重みで割り振って時刻を作る。
件数そのものもポアソンでばらつかせる。"""
wsum = sum(w for _, _, w in windows)
out = []
for a, b, w in windows:
lam = total * w / wsum / (b - a)
out += poisson_times(rng, lam, a, b)
return sorted(out)
def run_grid(run_once, conds, reps=REPS, procs=None):
"""条件の総当たりを回し、各条件 reps 回の平均を返す"""
with Pool(procs) as pool:
rows = pool.map(_RunCond(run_once, reps), conds, chunksize=4)
return rows
class _RunCond:
def __init__(self, fn, reps):
self.fn, self.reps = fn, reps
def __call__(self, params):
runs = [self.fn(params, seed) for seed in range(self.reps)]
agg = {k: round(statistics.mean(r[k] for r in runs), 4) for k in runs[0]}
return {**params, **agg}
def grid(axes, skip=None):
"""axes = {名前: [値, ...]} の総当たり。skip(条件) が True のものは除く"""
keys = list(axes)
for vals in product(*(axes[k] for k in keys)):
c = dict(zip(keys, vals))
if skip and skip(c):
continue
yield c
def save(path, payload):
with open(path, "w", encoding="utf-8") as f:
json.dump(payload, f, ensure_ascii=False, indent=1)
hospital_sim.py(病院の検体・薬剤の搬送)
"""
#2 病院の院内搬送(検体・薬剤)
東京慈恵会医科大学附属柏病院の公開事例(KEENON W3・2025年6月〜)の形をもとにする。
3ルート・ルートごとに運行時間帯が決まっている・同じ階・1台で回している
人(看護補助者など)が運ぶ場合は、ほかの仕事の合間に、たまった荷物をまとめて持っていく。
ロボットの場合は、出発地の人が荷物を載せ、着いた先の人が受け取る。止まったら出発地の人が助けに行く。
cleaning_sim.py(ビル・商業施設の夜間清掃)
"""
#3 ビル・商業施設の夜間の床清掃
施設の床を「ロボットが拭ける広い床」と「人が拭く隅・壁際・狭い所」に分ける。
ロボットは広い床を拭き、水が空になる・電池が切れる・引っかかると止まる。
水の入れ替えと引っかかりは、人を呼ぶ(自動で給排水する充電台があれば、水は人を呼ばない)。
人は、自分の担当(隅・壁際)を5分ずつ進め、合間にロボットの呼び出しに応える。
自分の担当が終わったら、ロボットの残りの広い床を手伝う。hotel_sim.py(ホテルの館内配送)
"""
#4 ホテルの館内配送(アメニティを客室へ)
フロントの人は、チェックインの客の対応と、客室からの依頼の配達を兼ねている。
人が配達に出るとフロントが手薄になり、チェックインの列が延びる。
ロボットの場合は、フロントの人が載せるだけ。ロボットがエレベーターで上がり、部屋の前で客を呼ぶ。
客が出てこなければ持ち帰り、あとで人が届ける。止まったら、フロントの人が助けに行く。
security_sim.py(オフィスビルの夜間警備)
"""
#5 オフィスビルの夜間警備(巡回)
ロボットがいないときは、警備員が2時間ごとに建物を1周する(1周40分)。
防災センターには常に1人残る決まりにする。警備員が1人しかいなければ、巡回の間はセンターが空く。
ロボットがいるときは、ロボットが巡回し、異常を見つけたらセンターに知らせ、警備員が駆けつける。
ロボットは異常でないものを異常と知らせることがあり(空振り)、そのたびに警備員が見に行く。
ロボットは電池が切れると充電台に戻る(その間は巡回が止まる)。outdoor_sim.py(歩道を走る屋外配送)
"""
#6 屋外配送(歩道を走る小型ロボット)
店で荷物を載せ、歩道を走って届け先へ行き、客が受け取ったら店へ戻る。
走っている間に、人や車に道をふさがれる・判断に迷うなどで止まり、遠隔のオペレーターを呼ぶ(介入)。
オペレーターは1度に1件の介入しか扱えない。さらに、1人が見ていられる台数に上限があり、
上限を超えると、店で出発を待つ。
build_sites_page.py(results_*.json とページの部品から、試算のページを1枚にまとめる)
"""results_*.json とページの部品から、公開用の HTML を1つにまとめる"""
import json
SITES = ["hospital", "cleaning", "hotel", "security", "outdoor"]
data = {}
for s in SITES:
d = json.load(open(f"results_{s}.json", encoding="utf-8"))
rows = d.pop("rows")
keys = list(rows[0].keys())
data[s] = {
"k": keys,
"r": [[round(r[k], 3) if isinstance(r[k], float) else r[k] for k in keys] for r in rows],
"meta": d,
}
body = open("sites_page.body.html", encoding="utf-8").read()
html = body.replace("__DATA__", json.dumps(data, ensure_ascii=False, separators=(",", ":")))
open("service_robot_sites.html", "w", encoding="utf-8").write(html)
print(len(html), "bytes")
make_site_copy.py(Artifact 版を、サイトに置ける1枚の HTML に直す)
"""Artifact 用の service_robot_sites.html を、サイト(p2m-site)の public/sim に置ける1枚の HTML にする。
Artifact は公開時に <!doctype>・<head>・<body> を自動で付けるので、サイト用にはそれを自分で付ける。"""
import sys
src = open("service_robot_sites.html", encoding="utf-8").read()
head, body = src.split("</style>", 1)
html = ("<!doctype html>\n<html lang=\"ja\">\n<head>\n<meta charset=\"utf-8\">\n"
"<meta name=\"viewport\" content=\"width=device-width, initial-scale=1, viewport-fit=cover\">\n"
"<!-- サービスロボット導入シミュレーション #2 配膳の次の5つの現場の試算。元は Claude の作業環境の build_sites_page.py で、"
"results_*.json と sites_page.body.html をまとめたもの。このファイルは make_site_copy.py で作る -->\n"
+ head + "</style>\n</head>\n<body>\n" + body.strip() + "\n</body>\n</html>\n")
out = sys.argv[1] if len(sys.argv) > 1 else "service-robot-sites.site.html"
open(out, "w", encoding="utf-8").write(html)
print(out, len(html), "bytes")
sites_page.body.html(試算のページの部品。DATA に結果が入る)
<title>サービスロボット試算 5つの現場</title>
<meta name="claude:viewport-fit-sides" content="cover">
<script>if (/[?&]embed=1/.test(location.search)) document.documentElement.classList.add("embed");</script>
<link rel="preconnect" href="https://fonts.googleapis.com">
<link rel="preconnect" href="https://fonts.gstatic.com" crossorigin>
<link rel="stylesheet" href="https://fonts.googleapis.com/css2?family=Inter:wght@400;500;600&family=Noto+Sans+JP:wght@400;500;700&display=swap">
<style>
/* 配膳の試算ページ(#1)と同じ、pixelstomotors.com の白黒の見た目。サイトにダークモードがないので明るい色だけで固定する。src/pages/[series].astro(シリーズのページ。試算のタブ)
---
// シリーズのページ(/series1〜8)。上に Studio で置いていた資料(Figma・スプレッドシートなど)、下にそのシリーズの記録
import Base from '../layouts/Base.astro';
import RecordCard from '../components/RecordCard.astro';
import LoadMore from '../components/LoadMore.astro';
import { seriesCards, SERIES_PAGES } from '../lib/records';
import { media } from '../lib/media';
import staticPages from '../data/static.json';src/lib/records.ts の SimTab と SERIES_PAGES(試算のタブの一覧)
// 試算のタブ(シリーズのページの Simulator)。task は何をするロボットか、place はどこで使うか。
// 1つ目は sim.src・sim.title・sim.note・sim.obs をそのまま使う。2つ目からは src に # で現場を付ける
// img はタブに出す写真(public/site/sim/ に置く。なければ文字だけ)
export type SimTab = { id: string; task: string; place: string; src: string; title: string; note: string; img?: string };
// シリーズのページ(URL → 記事のシリーズ名)。Studio の一覧の絞り込み条件と同じ
// intro はシリーズのページの見出しの下に出す説明(ないシリーズは出さない)
export const SERIES_PAGES: Record<string, { series: string; title: string; pageTitle: string; limit: number; intro?: string; sim?: { src: string; title: string; note: string; obs?: { src: string; title: string; label: string; note: string; points: string[] }; tabs?: SimTab[] } }> = {LOG356_scripts/summary.py(記事の表を出す)
"""LOG356:5つの現場の results_*.json から、記事に載せる表を出す。
- 標準の条件で、ロボットの台数を変えたとき
- 公表されていない値(止まる割合・引っかかる回数・空振り・介入の回数)を動かしたとき
- 施設の広さ(病院・ホテル・警備・屋外配送)を変えたとき(このとき以外は、真ん中の広さ)
使い方: python3 summary.py <results_*.json のあるフォルダ>
"""
import json
import sysLOG356_scripts/make_figure.py(図解を作る)
"""LOG356 の図解(LOG356_robot_calls_human.html)を作る。
5つの現場の標準の条件で、公表されていない値(止まる割合など)を3段階に動かしたときの
「ロボットが人を呼んだ回数」と「呼ばれた側の時間」を results_*.json から取り出して、図に埋め込む。
使い方: python3 make_figure.py <results_*.json のあるフォルダ> <出力の html>
"""
import json
import sys
from pathlib import PathLOG356_scripts/make_thumbnail.py(サムネイルを作る)
"""LOG356 のサムネイル(LOG356_thumbnail.html)を作る。
試算のタブの写真6枚を白黒にして埋め込み、5つの現場の「ロボットが人を呼んだ回数」(標準の条件)を添える。
使い方: python3 make_thumbnail.py <タブの写真のフォルダ(p2m-site/public/site/sim)> <results_*.json のフォルダ> <出力の html>
"""
import base64
import io
import json
import sysLOG356_scripts/tab_images.py(タブの写真を縮めてサイトに置く)
"""試算のタブの写真(ChatGPT で作ったもの)を 480×360 に縮めて、サイトの public/site/sim/{名前}.jpg に置く。
元の大きさの画像は iCloud の サービスロボット導入シミュレーション/tab_images/ に残す。
(作業中は同じ中身を python3 - <<'EOF' で直接動かした。差し替えのたびに、名前と画像を変えて動かした)
使い方: python3 tab_images.py <p2m-site> <名前>=<画像> [<名前>=<画像> ...]
例: python3 tab_images.py ~/p2m-site serving=serving_original_v2.png hotel=hotel_original_v2.png
差し替えたら、src/lib/records.ts の img の ?v= を1つ上げる(ブラウザに古い画像が残らないように)
"""
import sys
from pathlib import Path
from PIL import Image, ImageOps
site = Path(sys.argv[1])
for arg in sys.argv[2:]:
name, src = arg.split("=", 1)
im = Image.open(src).convert("RGB")
print(name, im.size)
# 4:3 でない画像(1446×1087 など)は、真ん中を 4:3 に切ってから縮める
ImageOps.fit(im, (480, 360), Image.LANCZOS).save(site / "public/site/sim" / f"{name}.jpg", quality=82, optimize=True, progressive=True)
LOG356_scripts/check_combos.py(選べる組み合わせの結果がすべてあるかを、ページの中で確かめる)
"""試算のページを開き、ページで選べるすべての組み合わせ(施設の広さ × 条件の欄の選択肢と「その他」の数)について、
results に結果が入っているかを確かめる。あわせて PC とスマホの幅で画面写真を撮り、横のはみ出しを見る。
使い方: python3 check_combos.py <service_robot_sites.html の file:// か http:// の住所> <画面写真の出力フォルダ>
"""
import asyncio
import sys
from playwright.async_api import async_playwright
P, OUT = sys.argv[1], sys.argv[2].rstrip("/") + "/"
CHECK = """() => {
const miss = [];
for (const s of ORDER) {
const sp = SITES[s];
// UI で選べる全組み合わせ
let combos = sp.scale.cards().map(x => ({ [sp.scale.key]: x.v }));
for (const a of sp.axes) {
const next = [];
for (const c of combos) {
const opts = typeof a.opts === "function" ? a.opts({ ...sp.def, ...c }) : a.opts;
const vals = a.more ? a.more({ ...sp.def, ...c }) : opts.map(o => o.v);
for (const v of vals) next.push({ ...c, [a.key]: v });
}
combos = next;
}
let n = 0;
for (const c of combos) { n++; if (!find(s, c)) miss.push(s + JSON.stringify(c)); }
miss.push(`${s}: ${n} combos checked`);
}
return miss.slice(-8).concat([`missing total ${miss.filter(m=>m.includes('{')).length}`]);
}"""
async def main():
async with async_playwright() as p:
b = await p.chromium.launch(); errs = []
pg = await b.new_page(viewport={"width": 1200, "height": 900})
pg.on("pageerror", lambda e: errs.append(str(e)))
pg.on("console", lambda m: errs.append(m.text) if m.type == "error" else None)
await pg.goto(P); await pg.wait_for_timeout(1000)
print(await pg.evaluate(CHECK))
for i, s in enumerate(["hospital", "cleaning", "hotel", "security", "outdoor"]):
await pg.click(f'label[for="site-{i}"]'); await pg.wait_for_timeout(300)
await pg.screenshot(path=OUT + f"desk_{s}.png", full_page=True)
m = await b.new_page(viewport={"width": 390, "height": 844}, device_scale_factor=1)
m.on("pageerror", lambda e: errs.append(str(e)))
await m.goto(P + "#cleaning"); await m.wait_for_timeout(1000)
sw = await m.evaluate("document.documentElement.scrollWidth")
await m.screenshot(path=OUT + "phone_cleaning.png", full_page=True)
print("errors:", errs[:10], "phone scrollWidth", sw)
await b.close()
asyncio.run(main())
LOG356_scripts/shots.py(手元のサイトで画面写真を撮る)
"""LOG356:手元で作ったサイト(p2m-site の dist を http.server 8777 で開く)で、試算のタブと結果の画面写真を撮る
使い方: python3 shots.py <画面写真の出力フォルダ>
"""
import asyncio
import sys
from playwright.async_api import async_playwright
U = "http://localhost:8777/series8.html"
O = sys.argv[1].rstrip("/") + "/"
async def main():
async with async_playwright() as p:
b = await p.chromium.launch()
pg = await b.new_page(viewport={"width": 1280, "height": 900}, device_scale_factor=2)
await pg.goto(U); await pg.wait_for_timeout(2500)
panel = pg.locator(".s-sim .panel")
await panel.scroll_into_view_if_needed()
# 01:タブと、配膳の試算の見出し
top = await pg.evaluate("document.querySelector('.s-sim .panel').getBoundingClientRect().top + scrollY")
await pg.screenshot(path=O + "LOG356_01_tabs_desktop.png", clip={"x": 80, "y": top, "width": 1120, "height": 560}, full_page=True)
# 07:配膳のタブの、観察シートへ移るリンク
jy = await pg.evaluate("document.getElementById('sim-title').getBoundingClientRect().top + scrollY")
await pg.screenshot(path=O + "LOG356_07_obs_jump.png", clip={"x": 80, "y": jy - 16, "width": 1120, "height": 170}, full_page=True)
f = pg.frame_locator("#sim-frame")
async def tab(tid):
await pg.click(f"#simtab-{tid}"); await pg.wait_for_timeout(1800)
await tab("hospital")
await f.locator(".results > section").first.screenshot(path=O + "LOG356_02_hospital_results.png")
await tab("cleaning")
await f.locator("#cut-sec").screenshot(path=O + "LOG356_03_cleaning_cut.png")
await f.locator("#ax-staff .more").click(); await pg.wait_for_timeout(300)
await f.locator("#ax-staff").locator("xpath=ancestor::fieldset[1]").screenshot(path=O + "LOG356_08_more_panel.png")
await tab("hotel")
await f.locator("#scale-pick").screenshot(path=O + "LOG356_09_hotel_scale.png")
await tab("security")
await f.locator("#stable").locator("xpath=ancestor::section[1]").screenshot(path=O + "LOG356_04_security_false_alarm.png")
await tab("outdoor")
await f.locator("#bars").locator("xpath=ancestor::section[1]").screenshot(path=O + "LOG356_05_outdoor_robots.png")
m = await b.new_page(viewport={"width": 390, "height": 844}, device_scale_factor=2)
await m.goto(U + "#sim-hotel"); await m.wait_for_timeout(2500)
await m.locator(".s-tabs").screenshot(path=O + "LOG356_06_phone_tabs.png")
await b.close()
asyncio.run(main())
LOG356_scripts/assemble.py(この記事を組み立てる)
"""LOG356 の記事 MD を組み立てる。
parts/ の本文に、調査メモの順位表・出典の照合表・summary.py の表・図解の行を差し込み、
後ろに「実行したコマンドと出力」と「この回に使ったコードの全文」を付ける。
"""
import re
from pathlib import Path
W = Path("/home/claude/LOG356")保存先と、次にやること
| もの | 場所 |
|---|---|
| 調査メモ(出典104本) | iCloud PixelstoMotors/research/research_service_robot_sites_20261020.md |
5つの試算のコード・結果・ページ | iCloud デジタルツイン学習R2R2R/サービスロボット導入シミュレーション/simulation_sites/ |
| タブの写真(元の大きさ) | iCloud サービスロボット導入シミュレーション/tab_images/ |
記事・サムネイル・図解・SNS・画像・スクリプト | iCloud サービスロボット導入シミュレーション/ の LOG356_*・LOG356_images/・LOG356_scripts/ |
| サイト | GitHub PixelstoMotors/p2m-site(記事 src/content/records/LOG356.md、試算 public/sim/service-robot-sites.html、タブの写真 public/site/sim/、タブ src/pages/[series].astro・src/lib/records.ts) |
| 記録用 | GitHub PixelstoMotors/r2r2r-content の articles/ と sns/ |
5つの試算は、どれも「ロボットが何回止まり、人が何回呼ばれるか」を仮置きしています。配膳ロボットでは、この数を店で数える観察シートを作りました(LOG353)。次は、同じ形で病院搬送か夜間清掃の観察項目を決め、仮置きの値を観察した数に置き換えられる現場を探します。