JP2002239960A - ロボット装置の動作制御方法、プログラム、記録媒体及びロボット装置 - Google Patents
ロボット装置の動作制御方法、プログラム、記録媒体及びロボット装置Info
- Publication number
- JP2002239960A JP2002239960A JP2001045691A JP2001045691A JP2002239960A JP 2002239960 A JP2002239960 A JP 2002239960A JP 2001045691 A JP2001045691 A JP 2001045691A JP 2001045691 A JP2001045691 A JP 2001045691A JP 2002239960 A JP2002239960 A JP 2002239960A
- Authority
- JP
- Japan
- Prior art keywords
- learning
- unit
- time
- operation unit
- action
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J13/00—Controls for manipulators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/008—Artificial life, i.e. computing arrangements simulating life based on physical entities controlled by simulated intelligence so as to replicate intelligent life forms, e.g. based on robots replicating pets or humans in their appearance or behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Robotics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Manipulator (AREA)
- Toys (AREA)
Abstract
(57)【要約】
【課題】 ロボット装置が、容易にかつ、より現実に近
い形で、動作を学習することを実現する。 【解決手段】 ロボット装置は、脚部等の動作を出現さ
せるための動作部１０６が操作され、その操作に応じて
当該動作部１０６において得られる時系列の信号の学習
をする学習部１０３と、学習後に動作部１０６への外力
により当該動作部１０６において得られる初期の信号か
ら予測する予測部１０４と、予測部１０４の予測値と学
習部１０３が学習した時系列の信号とを比較し、その比
較結果に基づいて動作部１０６を制御する動作制御部１
０２とを備える。これにより、ロボット装置は、学習
後、外力の入力から動作を想起し、その動作を出現させ
る。
い形で、動作を学習することを実現する。 【解決手段】 ロボット装置は、脚部等の動作を出現さ
せるための動作部１０６が操作され、その操作に応じて
当該動作部１０６において得られる時系列の信号の学習
をする学習部１０３と、学習後に動作部１０６への外力
により当該動作部１０６において得られる初期の信号か
ら予測する予測部１０４と、予測部１０４の予測値と学
習部１０３が学習した時系列の信号とを比較し、その比
較結果に基づいて動作部１０６を制御する動作制御部１
０２とを備える。これにより、ロボット装置は、学習
後、外力の入力から動作を想起し、その動作を出現させ
る。
Description
【０００１】
【発明の属する技術分野】本発明は、ロボット装置、ロ
ボット装置の動作制御方法、ロボット装置の動作を制御
すためのプログラム、及びそのようなプログラムが記録
された記録媒体に関し、詳しくは、ロボット装置が動作
を学習するのに好適なものに関する。
ボット装置の動作制御方法、ロボット装置の動作を制御
すためのプログラム、及びそのようなプログラムが記録
された記録媒体に関し、詳しくは、ロボット装置が動作
を学習するのに好適なものに関する。
【０００２】
【従来の技術】近年、外観形状が犬や猫等の動物に模し
て形成されたロボット装置が提供されている。そのよう
なロボット装置には、外部からの情報や内部の状態に応
じて自律的に動作するものがある。
て形成されたロボット装置が提供されている。そのよう
なロボット装置には、外部からの情報や内部の状態に応
じて自律的に動作するものがある。
【０００３】このようなロボット装置を思い通りの動作
を学習せるためには、コントローラ等を使用していた。
例えば、コントローラとしてはいわゆるジョイスティッ
クが挙げられる。
を学習せるためには、コントローラ等を使用していた。
例えば、コントローラとしてはいわゆるジョイスティッ
クが挙げられる。
【０００４】
【発明が解決しようとする課題】ところで、上述したよ
うにロボット装置に動作を、コントローラ等によって学
習させるには、ある程度の習熟が必要である。さらに、
４足歩行のロボット装置等の場合には、動作部のリンク
構造が複雑になり、制御がさらに難しくなる。
うにロボット装置に動作を、コントローラ等によって学
習させるには、ある程度の習熟が必要である。さらに、
４足歩行のロボット装置等の場合には、動作部のリンク
構造が複雑になり、制御がさらに難しくなる。
【０００５】また、ペットとして飼われているようなロ
ボット装置の場合には、実際のペットに対してなすよう
に、より現実に近い形で動作の教示をできれば娯楽性は
さらに向上する。
ボット装置の場合には、実際のペットに対してなすよう
に、より現実に近い形で動作の教示をできれば娯楽性は
さらに向上する。
【０００６】そこで、本発明は、上述の実情に鑑みてな
されたものであり、容易にかつ、より現実に近い形で、
動作を学習することを実現するロボット装置の動作制御
方法、プログラム、記録媒体及びロボット装置の提供を
目的としている。
されたものであり、容易にかつ、より現実に近い形で、
動作を学習することを実現するロボット装置の動作制御
方法、プログラム、記録媒体及びロボット装置の提供を
目的としている。
【０００７】
【課題を解決するための手段】本発明に係るロボット装
置の動作制御方法は、動作部を有するロボット装置の動
作を制御するロボット装置の動作制御方法である。この
ロボット装置の動作制御方法は、上述の課題を解決する
ために、動作部を操作し、その操作に応じて動作部にお
いて得られる時系列の信号の学習をする学習工程と、学
習後に動作部への外力により動作部において得られる信
号と、学習工程にて学習した時系列の信号とに基づい
て、動作部を制御する動作制御工程とを有する。
置の動作制御方法は、動作部を有するロボット装置の動
作を制御するロボット装置の動作制御方法である。この
ロボット装置の動作制御方法は、上述の課題を解決する
ために、動作部を操作し、その操作に応じて動作部にお
いて得られる時系列の信号の学習をする学習工程と、学
習後に動作部への外力により動作部において得られる信
号と、学習工程にて学習した時系列の信号とに基づい
て、動作部を制御する動作制御工程とを有する。
【０００８】このようなロボット装置の動作制御方法
は、動作部を操作して、その操作に応じて動作部におい
て得られる時系列の信号の学習をし、学習後に動作部へ
の外力により動作部において得られる信号と、学習した
時系列の信号とに基づいて、動作部を制御する。
は、動作部を操作して、その操作に応じて動作部におい
て得られる時系列の信号の学習をし、学習後に動作部へ
の外力により動作部において得られる信号と、学習した
時系列の信号とに基づいて、動作部を制御する。
【０００９】このようなロボット装置の動作制御方法に
より、ロボット装置は、ユーザによる動作部の操作を学
習して、学習後においては、動作部への外力に基づいて
学習した動作を想起し、自律的に動作する。
より、ロボット装置は、ユーザによる動作部の操作を学
習して、学習後においては、動作部への外力に基づいて
学習した動作を想起し、自律的に動作する。
【００１０】また、本発明に係るプログラムは、動作部
を有するロボット装置の動作を制御するためのプログラ
ムである。このプログラムは、上述の課題を解決するた
めに、動作部が操作され、その操作に応じて動作部にお
いて得られる時系列の信号の学習をする学習工程と、学
習後に動作部への外力により動作部において得られる信
号と、学習工程にて学習した時系列の信号とに基づい
て、動作部を制御する動作制御工程とをロボット装置に
実行させる。
を有するロボット装置の動作を制御するためのプログラ
ムである。このプログラムは、上述の課題を解決するた
めに、動作部が操作され、その操作に応じて動作部にお
いて得られる時系列の信号の学習をする学習工程と、学
習後に動作部への外力により動作部において得られる信
号と、学習工程にて学習した時系列の信号とに基づい
て、動作部を制御する動作制御工程とをロボット装置に
実行させる。
【００１１】このようなプログラムにより、ロボット装
置は、動作部が操作され、その操作に応じて動作部にお
いて得られる時系列の信号の学習をし、学習後に動作部
への外力により動作部において得られる信号と、学習し
た時系列の信号とに基づいて、動作部を制御する。これ
により、ロボット装置は、ユーザによる動作部の操作を
学習して、学習後においては、動作部への外力に基づい
て学習した動作を想起し、自律的に動作する。
置は、動作部が操作され、その操作に応じて動作部にお
いて得られる時系列の信号の学習をし、学習後に動作部
への外力により動作部において得られる信号と、学習し
た時系列の信号とに基づいて、動作部を制御する。これ
により、ロボット装置は、ユーザによる動作部の操作を
学習して、学習後においては、動作部への外力に基づい
て学習した動作を想起し、自律的に動作する。
【００１２】また、本発明に係る記録媒体は、動作部を
有するロボット装置の動作を制御するためのプログラム
が記録された記録媒体である。この記録媒体は、上述の
課題を解決するために、動作部を操作し、その操作に応
じて動作部において得られる時系列の信号の学習をする
学習工程と、学習後に動作部への外力により動作部にお
いて得られる信号と、学習工程にて学習した時系列の信
号とに基づいて、動作部を制御する動作制御工程とをロ
ボット装置に実行させるプログラムが記録されている。
有するロボット装置の動作を制御するためのプログラム
が記録された記録媒体である。この記録媒体は、上述の
課題を解決するために、動作部を操作し、その操作に応
じて動作部において得られる時系列の信号の学習をする
学習工程と、学習後に動作部への外力により動作部にお
いて得られる信号と、学習工程にて学習した時系列の信
号とに基づいて、動作部を制御する動作制御工程とをロ
ボット装置に実行させるプログラムが記録されている。
【００１３】このような記録媒体に記録されたプログラ
ムにより、ロボット装置は、動作部が操作され、その操
作に応じて動作部において得られる時系列の信号の学習
をし、学習後に動作部への外力により動作部において得
られる信号と、学習した時系列の信号とに基づいて、動
作部を制御する。これにより、ロボット装置は、ユーザ
による動作部の操作を学習して、学習後においては、動
作部への外力に基づいて学習した動作を想起し、自律的
に動作する。
ムにより、ロボット装置は、動作部が操作され、その操
作に応じて動作部において得られる時系列の信号の学習
をし、学習後に動作部への外力により動作部において得
られる信号と、学習した時系列の信号とに基づいて、動
作部を制御する。これにより、ロボット装置は、ユーザ
による動作部の操作を学習して、学習後においては、動
作部への外力に基づいて学習した動作を想起し、自律的
に動作する。
【００１４】また、本発明に係るロボット装置は、動作
部を有するロボット装置である。このロボット装置は、
上述の課題を解決するために、動作部が操作され、その
操作に応じて動作部において得られる時系列の信号の学
習をする学習手段と、学習後に動作部への外力により動
作部において得られる信号と、学習手段が学習した時系
列の信号とに基づいて、動作部を制御する動作制御手段
とを備える。
部を有するロボット装置である。このロボット装置は、
上述の課題を解決するために、動作部が操作され、その
操作に応じて動作部において得られる時系列の信号の学
習をする学習手段と、学習後に動作部への外力により動
作部において得られる信号と、学習手段が学習した時系
列の信号とに基づいて、動作部を制御する動作制御手段
とを備える。
【００１５】このような構成を備えたロボット装置は、
動作部が操作され、その操作に応じて動作部において得
られる時系列の信号の学習をし、学習後に動作部への外
力により動作部において得られる信号と、学習した時系
列の信号とに基づいて、動作部を制御する。これによ
り、ロボット装置は、ユーザによる動作部の操作を学習
して、学習後においては、動作部への外力に基づいて学
習した動作を想起し、自律的に動作する。
動作部が操作され、その操作に応じて動作部において得
られる時系列の信号の学習をし、学習後に動作部への外
力により動作部において得られる信号と、学習した時系
列の信号とに基づいて、動作部を制御する。これによ
り、ロボット装置は、ユーザによる動作部の操作を学習
して、学習後においては、動作部への外力に基づいて学
習した動作を想起し、自律的に動作する。
【００１６】
【発明の実施の形態】以下、本発明の実施の形態につい
て図面を用いて詳細に説明する。この実施の形態は、周
囲の環境（外的要因）や内部の状態（内的要因）に応じ
て自律的に行動をする自律型のロボット装置である。
て図面を用いて詳細に説明する。この実施の形態は、周
囲の環境（外的要因）や内部の状態（内的要因）に応じ
て自律的に行動をする自律型のロボット装置である。
【００１７】図１には、ロボット装置１の具体例を示し
ている。このロボット装置１は、「犬」等の動物を模し
た形状の、いわゆるペット型ロボットとされ、胴体部ユ
ニット２の前後左右にそれぞれ脚部ユニット３Ａ，３
Ｂ，３Ｃ，３Ｄが連結されると共に、胴体部ユニット２
の前端部及び後端部にそれぞれ頭部ユニット４及び尻尾
部ユニット５が連結されて構成されている。このように
構成されるロボット装置１は、制御プログラムに基づい
て、自己（内部）及び周囲（外部）の状況や、使用者か
らの指示及び働きかけに応じて、脚部ユニット３Ａ，３
Ｂ，３Ｃ，３Ｄ等の動作部を動作させて、自律的に行動
するようになされている。
ている。このロボット装置１は、「犬」等の動物を模し
た形状の、いわゆるペット型ロボットとされ、胴体部ユ
ニット２の前後左右にそれぞれ脚部ユニット３Ａ，３
Ｂ，３Ｃ，３Ｄが連結されると共に、胴体部ユニット２
の前端部及び後端部にそれぞれ頭部ユニット４及び尻尾
部ユニット５が連結されて構成されている。このように
構成されるロボット装置１は、制御プログラムに基づい
て、自己（内部）及び周囲（外部）の状況や、使用者か
らの指示及び働きかけに応じて、脚部ユニット３Ａ，３
Ｂ，３Ｃ，３Ｄ等の動作部を動作させて、自律的に行動
するようになされている。
【００１８】そして、このロボット装置１は、ユーザに
教示された動作を、学習することができるようになされ
ている。ロボット装置１がする学習とは、後で詳述する
ように、例えば、尻部を一瞬押すだけで、予め教示され
た動作を表出するようなものである。図２には、そのよ
うな学習をするためのロボット装置１の構成を示してい
る。ロボット装置１は、図２に示すように、センサー１
１、運動制御部１２、学習部１３、予測部１４及び駆動
部１５を有している。
教示された動作を、学習することができるようになされ
ている。ロボット装置１がする学習とは、後で詳述する
ように、例えば、尻部を一瞬押すだけで、予め教示され
た動作を表出するようなものである。図２には、そのよ
うな学習をするためのロボット装置１の構成を示してい
る。ロボット装置１は、図２に示すように、センサー１
１、運動制御部１２、学習部１３、予測部１４及び駆動
部１５を有している。
【００１９】このような構成において、学習部１０３
は、脚部ユニットユニット３Ａ，３Ｂ，３Ｃ，３Ｄや頭
部ユニット４等の動作を出現させるための動作部１０６
が操作され、その操作に応じて当該動作部１０６におい
て得られる時系列の信号の学習をする学習手段として機
能し、動作制御部１０２及び駆動部１０５は、学習後に
動作部１０６への外力により動作部１０６において得ら
れる信号と、学習部１０３が学習した時系列の信号とに
基づいて、動作部１０６を制御する動作制御手段として
機能し、予測部１０４は、学習後に動作部１０６への外
力により当該動作部１０６において得られる初期の信号
から予測する予測手段として機能する。
は、脚部ユニットユニット３Ａ，３Ｂ，３Ｃ，３Ｄや頭
部ユニット４等の動作を出現させるための動作部１０６
が操作され、その操作に応じて当該動作部１０６におい
て得られる時系列の信号の学習をする学習手段として機
能し、動作制御部１０２及び駆動部１０５は、学習後に
動作部１０６への外力により動作部１０６において得ら
れる信号と、学習部１０３が学習した時系列の信号とに
基づいて、動作部１０６を制御する動作制御手段として
機能し、予測部１０４は、学習後に動作部１０６への外
力により当該動作部１０６において得られる初期の信号
から予測する予測手段として機能する。
【００２０】以下、上述のロボット装置１の各構成部に
ついて詳細に説明する。センサー１１は、動作部１０６
の変位を検出する。例えば、センサー１１は、ポテンシ
ョメータやエンコーダ等である。なお、センサー１１は
これに限定されないことはいうまでもなく、ロボット装
置１の動作部１０６が駆動された際の変位を検出するも
のであれば良い。また、このセンサー１１は、ロボット
装置１が自らの動作として駆動した際の動作部１０６の
変位の検出をする他に、ユーザ等によって付与される外
力によって操作された際の動作部１０６の変位を検出し
ている。
ついて詳細に説明する。センサー１１は、動作部１０６
の変位を検出する。例えば、センサー１１は、ポテンシ
ョメータやエンコーダ等である。なお、センサー１１は
これに限定されないことはいうまでもなく、ロボット装
置１の動作部１０６が駆動された際の変位を検出するも
のであれば良い。また、このセンサー１１は、ロボット
装置１が自らの動作として駆動した際の動作部１０６の
変位の検出をする他に、ユーザ等によって付与される外
力によって操作された際の動作部１０６の変位を検出し
ている。
【００２１】例えば、動作部１０６が上述したような脚
部ユニット３Ａ，３Ｂ，３Ｃ，３Ｄである場合には、ポ
テンショメータとされた場合のセンサー１１は、変位し
た際の脚部ユニット３Ａ，３Ｂ，３Ｃ，３Ｄの移動位置
とされる回転角度を検出する。このセンサー１０１が検
出したセンサー検出信号は、動作制御部１０２に出力さ
れる。
部ユニット３Ａ，３Ｂ，３Ｃ，３Ｄである場合には、ポ
テンショメータとされた場合のセンサー１１は、変位し
た際の脚部ユニット３Ａ，３Ｂ，３Ｃ，３Ｄの移動位置
とされる回転角度を検出する。このセンサー１０１が検
出したセンサー検出信号は、動作制御部１０２に出力さ
れる。
【００２２】動作制御部１０２は、動作部１０６を制御
する制御手段である。具体的には、上述したセンサー１
０１からのセンサー検出信号等の各種情報に基づいて動
作部１０６を制御している。この動作制御部１０２は、
動作部１０６の制御を、駆動部１０５を介して実行して
いる。すなわち、動作制御部１０２は、センサー検出信
号等の各種情報に応じた制御信号を、駆動部１０５に出
力している。また、動作制御部１０２は、センサー１０
１からのセンサー検出信号を、学習部１０３にも出力し
ている。学習部１０３については後で詳述する。
する制御手段である。具体的には、上述したセンサー１
０１からのセンサー検出信号等の各種情報に基づいて動
作部１０６を制御している。この動作制御部１０２は、
動作部１０６の制御を、駆動部１０５を介して実行して
いる。すなわち、動作制御部１０２は、センサー検出信
号等の各種情報に応じた制御信号を、駆動部１０５に出
力している。また、動作制御部１０２は、センサー１０
１からのセンサー検出信号を、学習部１０３にも出力し
ている。学習部１０３については後で詳述する。
【００２３】駆動部１０５では、動作制御部１０２から
の制御信号に基づいて、動作部１０６を制御している。
すなわち例えば、駆動部１０５は、制御信号に基づい
て、動作部１０６とされる脚部ユニット３Ａ，３Ｂ，３
Ｃ，３Ｄ、頭部ユニット４或いは尻尾部ユニット５等を
駆動させている。
の制御信号に基づいて、動作部１０６を制御している。
すなわち例えば、駆動部１０５は、制御信号に基づい
て、動作部１０６とされる脚部ユニット３Ａ，３Ｂ，３
Ｃ，３Ｄ、頭部ユニット４或いは尻尾部ユニット５等を
駆動させている。
【００２４】学習部１０３は、動作部１０６が操作さ
れ、その操作に応じて動作部１０６において得られる時
系列の信号（センサー検出信号）を学習するものとして
構成されている。学習部１０３は、学習時の際にセンサ
ー１０１において検出される信号であって、例えば、動
作の学習としてユーザ等により外力が付与されて姿勢が
強制的に変化された際にセンサー１０１が検出するセン
サー検出信号である。
れ、その操作に応じて動作部１０６において得られる時
系列の信号（センサー検出信号）を学習するものとして
構成されている。学習部１０３は、学習時の際にセンサ
ー１０１において検出される信号であって、例えば、動
作の学習としてユーザ等により外力が付与されて姿勢が
強制的に変化された際にセンサー１０１が検出するセン
サー検出信号である。
【００２５】ここで、時系列の信号は、具体的には、動
作部１０６の一連の変位或いは移動によりセンサー１１
が検出したセンサー検出信号である。センサー検出信号
としては、例えば、上述したように、脚部３Ａ，３Ｂ，
３Ｃ，３Ｄの変位としてポテンショメータが検出する回
転角度（間接角度）が挙げられる。
作部１０６の一連の変位或いは移動によりセンサー１１
が検出したセンサー検出信号である。センサー検出信号
としては、例えば、上述したように、脚部３Ａ，３Ｂ，
３Ｃ，３Ｄの変位としてポテンショメータが検出する回
転角度（間接角度）が挙げられる。
【００２６】一方、予測部１０４は、学習部１０３がそ
のようなセンサー検出信号から得た学習結果に基づい
て、動作を予測（或いは起想）する。例えば、予測部１
０４は、行動やロボット装置に付与される外力と予測対
象とされる動作とを関連付けておき、そのような行動や
外力が付与された際に、動作を表出する（すなわち、動
作制御部１０２にそれに対応する情報を出力する）よう
な情報を動作制御部１０２に出力する。
のようなセンサー検出信号から得た学習結果に基づい
て、動作を予測（或いは起想）する。例えば、予測部１
０４は、行動やロボット装置に付与される外力と予測対
象とされる動作とを関連付けておき、そのような行動や
外力が付与された際に、動作を表出する（すなわち、動
作制御部１０２にそれに対応する情報を出力する）よう
な情報を動作制御部１０２に出力する。
【００２７】例えば、上述した学習部１０３と予測部１
０４とにより次のような動作の学習が可能になる。ユー
ザは、ロボット装置１へのある動作の教示として、例え
ば、ロボット装置１の尻部を下方向に押し下げる操作を
行う。例えば、同様な操作を何度か繰り返して動作の教
示を行う。この際、ロボット装置１において、脚部ユニ
ット３Ａ，３Ｂ，３Ｃ，３Ｄの回転角度が学習対象とさ
れて、学習部１０３によって学習される。
０４とにより次のような動作の学習が可能になる。ユー
ザは、ロボット装置１へのある動作の教示として、例え
ば、ロボット装置１の尻部を下方向に押し下げる操作を
行う。例えば、同様な操作を何度か繰り返して動作の教
示を行う。この際、ロボット装置１において、脚部ユニ
ット３Ａ，３Ｂ，３Ｃ，３Ｄの回転角度が学習対象とさ
れて、学習部１０３によって学習される。
【００２８】ロボット装置１は、予測部１０４により、
そのような学習部１０３による学習結果に基づいて動作
の予測を行う。具体的には、ロボット装置１は、学習後
において再び、ユーザ等によって尻部が下方向に押し下
げられる操作がなされると、先に学習した動作であるこ
とを予測して、動作を表出するようにする。具体的に
は、ロボット装置１は、尻部への下方向への一瞬の負荷
から、予め得ている学習結果に基づいてそれが予め教示
された動作になるであろうことを予測して、その動作を
自律動作として出現させる。
そのような学習部１０３による学習結果に基づいて動作
の予測を行う。具体的には、ロボット装置１は、学習後
において再び、ユーザ等によって尻部が下方向に押し下
げられる操作がなされると、先に学習した動作であるこ
とを予測して、動作を表出するようにする。具体的に
は、ロボット装置１は、尻部への下方向への一瞬の負荷
から、予め得ている学習結果に基づいてそれが予め教示
された動作になるであろうことを予測して、その動作を
自律動作として出現させる。
【００２９】具体的には、このような動作をする際のロ
ボット装置１における処理は、学習部１０３による学習
結果に基づいて力が加えられた大きさと方向を検出し
て、予測部１０４により、その大きさと方向から、各関
節の運動、必要なトルクを計算し、アクチュエータを駆
動するような情報を出力する、といったようなものであ
る。このような場合において、予測部１０４は、例え
ば、学習結果に基づいて力の大きさ及び方向から動作を
予測して（想起して）、そのような動作を実現させるた
めの制御情報としてトルク情報を動作制御部１０２にフ
ィードバックさせる。
ボット装置１における処理は、学習部１０３による学習
結果に基づいて力が加えられた大きさと方向を検出し
て、予測部１０４により、その大きさと方向から、各関
節の運動、必要なトルクを計算し、アクチュエータを駆
動するような情報を出力する、といったようなものであ
る。このような場合において、予測部１０４は、例え
ば、学習結果に基づいて力の大きさ及び方向から動作を
予測して（想起して）、そのような動作を実現させるた
めの制御情報としてトルク情報を動作制御部１０２にフ
ィードバックさせる。
【００３０】これにより、ユーザは、学習後に、図３中
（Ａ）に示すように、ロボット装置１の尻部を一瞬押す
だけで、ロボット装置１は、図３中（Ｂ）に示すよう
に、対応する学習動作を自律的に出現するようになる。
このような応用としては、ユーザがロボット装置１の手
の取るだけで、ロボット装置が自律行動としてお手の動
作を出現するような動作が挙げられる。
（Ａ）に示すように、ロボット装置１の尻部を一瞬押す
だけで、ロボット装置１は、図３中（Ｂ）に示すよう
に、対応する学習動作を自律的に出現するようになる。
このような応用としては、ユーザがロボット装置１の手
の取るだけで、ロボット装置が自律行動としてお手の動
作を出現するような動作が挙げられる。
【００３１】以下に、このような動作を可能にする学習
部１０３及び予測部１０４の構成について具体的に説明
する。
部１０３及び予測部１０４の構成について具体的に説明
する。
【００３２】学習部１０３は、ニューラルネットワーク
により構成されている。学習部１３が採用するニューラ
ルネットワークは、例えば図４に示すように、入力層１
０３ １、隠れ層（或いは中間層）１０３２及び出力層１
０３３に階層化されている。このニューラルネットワー
クは、具体的には、出力層１０３３から入力層１０３ １
に向かってフィードバックするループを有するリカレン
ト型ニューラルネットワーク（以下、ＲＮＮという。）
である。
により構成されている。学習部１３が採用するニューラ
ルネットワークは、例えば図４に示すように、入力層１
０３ １、隠れ層（或いは中間層）１０３２及び出力層１
０３３に階層化されている。このニューラルネットワー
クは、具体的には、出力層１０３３から入力層１０３ １
に向かってフィードバックするループを有するリカレン
ト型ニューラルネットワーク（以下、ＲＮＮという。）
である。
【００３３】ＲＮＮを構成する入力層１０３１、隠れ層
１０３２及び出力層１０３３はそれぞれ、所定の数のニ
ューロンを有し、各層間で各ニューロンが結合されてい
る。そして、このニューロンは、各層間でランダムに結
合されている。そして、出力層１０３３の一部のニュー
ロンは、フィードバックニューロンとされるコンテキス
ト（context）として、入力層１０３１に結合されてい
る。例えば、出力層１０３３のニューロンの数が１４の
ニューロンである場合において、出力層１０３ ３の２つ
のニューロンがコンテキストとして入力層１０３１に結
合されている。そして、各層間のニューロンの結合は重
み係数として観念されるものである。このようなＲＮＮ
において、学習は次のようにしてなされる。なお、学習
とは、このような各層間のニューロンを結合している重
み係数をチューニングし、記憶していくことである。
１０３２及び出力層１０３３はそれぞれ、所定の数のニ
ューロンを有し、各層間で各ニューロンが結合されてい
る。そして、このニューロンは、各層間でランダムに結
合されている。そして、出力層１０３３の一部のニュー
ロンは、フィードバックニューロンとされるコンテキス
ト（context）として、入力層１０３１に結合されてい
る。例えば、出力層１０３３のニューロンの数が１４の
ニューロンである場合において、出力層１０３ ３の２つ
のニューロンがコンテキストとして入力層１０３１に結
合されている。そして、各層間のニューロンの結合は重
み係数として観念されるものである。このようなＲＮＮ
において、学習は次のようにしてなされる。なお、学習
とは、このような各層間のニューロンを結合している重
み係数をチューニングし、記憶していくことである。
【００３４】ＲＮＮでは、学習対象として入力された情
報が入力層１０３１から出力層１０３３に向かって入力
されることで学習が行われる。例えば、学習対象とされ
る情報はベクトル値として入力される。各層では、その
ような入力ベクトルに対して、各ニューロンにて重み係
数を乗算して、後の層の他のニューロンに出力する。
報が入力層１０３１から出力層１０３３に向かって入力
されることで学習が行われる。例えば、学習対象とされ
る情報はベクトル値として入力される。各層では、その
ような入力ベクトルに対して、各ニューロンにて重み係
数を乗算して、後の層の他のニューロンに出力する。
【００３５】具体的には、ＲＮＮの学習は、大別して、
リハースシーケンス、実際の学習の順番で実行される。
ここで、リハースシーケンスは、大別して２つのステッ
プのプロセスからなり、実際の学習は大別し２つステッ
プのプロセスからなる。
リハースシーケンス、実際の学習の順番で実行される。
ここで、リハースシーケンスは、大別して２つのステッ
プのプロセスからなり、実際の学習は大別し２つステッ
プのプロセスからなる。
【００３６】リハースシーケンスの第１のステップで
は、図５に示すように、ステップＳ１において、ＲＮＮ
の入力ユニット、コンテキストユニットを初期化する。
例えば、ランダムに初期化する。
は、図５に示すように、ステップＳ１において、ＲＮＮ
の入力ユニット、コンテキストユニットを初期化する。
例えば、ランダムに初期化する。
【００３７】第２のステップでは、ステップＳ２におい
て、出力を、入力に自己フィードバックをかける閉ルー
プモードにして、初期化後の初期値からＮステップのシ
ーケンスを生成する。
て、出力を、入力に自己フィードバックをかける閉ルー
プモードにして、初期化後の初期値からＮステップのシ
ーケンスを生成する。
【００３８】そして、上述の第１及び第２のステップの
プロセスを、所定回数（例えば、ここでは、Ｌ回とす
る。）繰り返すことにより、Ｌ列のリハースシーケンス
を得る。
プロセスを、所定回数（例えば、ここでは、Ｌ回とす
る。）繰り返すことにより、Ｌ列のリハースシーケンス
を得る。
【００３９】このように実行され、Ｌ列のリハースシー
ケンスを得て、実際の学習を実行する。学習の第１のス
テップでは、上述のリハースシーケンスにより得たＬ列
のリハースシーケンスと最新の１列の経験シーケンスと
を足して、（Ｌ＋１）列の学習用シーケンスを得る。
ケンスを得て、実際の学習を実行する。学習の第１のス
テップでは、上述のリハースシーケンスにより得たＬ列
のリハースシーケンスと最新の１列の経験シーケンスと
を足して、（Ｌ＋１）列の学習用シーケンスを得る。
【００４０】第２のステップでは、ステップＳ３におい
て、第１のステップにより得た学習用シーケンスを、例
えば誤算逆伝播法とされる、いわゆるバックプロパゲー
ション法により、Ｍ回行って、重み係数（例えば、重み
マトリックスともいう。）を更新する。
て、第１のステップにより得た学習用シーケンスを、例
えば誤算逆伝播法とされる、いわゆるバックプロパゲー
ション法により、Ｍ回行って、重み係数（例えば、重み
マトリックスともいう。）を更新する。
【００４１】ここで、誤算逆伝播法とは、概略として
は、出力層１０３３から出力された値（例えば、センサ
ーの予測値）と、実際に次時刻で得られた値（例えば、
センサーの予測値）の誤差を、出力層１０３３から入力
層１０３１にフィードバックさせる、といったものであ
る。
は、出力層１０３３から出力された値（例えば、センサ
ーの予測値）と、実際に次時刻で得られた値（例えば、
センサーの予測値）の誤差を、出力層１０３３から入力
層１０３１にフィードバックさせる、といったものであ
る。
【００４２】このような学習のステップにより、各層間
の結合とされる重み係数が得られる。例えば、学習の終
了については、入力層１０３１により出力されたものと
要求されるパターンとの誤差がある一定値以上になるこ
とで決定したり、所定回数の学習を繰り返すことで決定
する。
の結合とされる重み係数が得られる。例えば、学習の終
了については、入力層１０３１により出力されたものと
要求されるパターンとの誤差がある一定値以上になるこ
とで決定したり、所定回数の学習を繰り返すことで決定
する。
【００４３】以上のようなＲＮＮにより学習部１０３が
構成されている。一方、予測部１０４は、このような学
習部１０３の学習結果に基づいて予測する部分として構
成されており、いわゆるインバースダイナミクスにより
処理を行う部分として構成されている。学習部１０３
は、このような予測部１０４に対していわゆるフォワー
ドダイナミクスにより処理を行う部分として構成されて
いると言える。
構成されている。一方、予測部１０４は、このような学
習部１０３の学習結果に基づいて予測する部分として構
成されており、いわゆるインバースダイナミクスにより
処理を行う部分として構成されている。学習部１０３
は、このような予測部１０４に対していわゆるフォワー
ドダイナミクスにより処理を行う部分として構成されて
いると言える。
【００４４】予測部１０４は、上述のＲＮＮの逆変換と
して位置付けられる、いわゆるインバースＲＮＮ（或い
はＲＮＮ−１）を基礎とし、ＲＮＮの学習結果に基づい
て予測するように構成されている。例えば、インバース
ＲＮＮは、図４に示したＲＮＮに対応して図示すると、
図６に示すようになり、入力層１０３１、隠れ層１０３
２及び出力層１０３３によって構成されている。
して位置付けられる、いわゆるインバースＲＮＮ（或い
はＲＮＮ−１）を基礎とし、ＲＮＮの学習結果に基づい
て予測するように構成されている。例えば、インバース
ＲＮＮは、図４に示したＲＮＮに対応して図示すると、
図６に示すようになり、入力層１０３１、隠れ層１０３
２及び出力層１０３３によって構成されている。
【００４５】このようなインバースＲＮＮにより予測部
１０４が構成されている。次に上述したＲＮＮによる処
理、インバースＲＮＮによる処理について、具体例を挙
げて説明する。ここで、ＲＮＮで考えた場合、入力され
る値はセンサーの状態を示すセンサー出力とモータの状
態を示すモータ出力になり、それに対応した出力値は、
予測値（以下、センサー予測値という。）になる。
１０４が構成されている。次に上述したＲＮＮによる処
理、インバースＲＮＮによる処理について、具体例を挙
げて説明する。ここで、ＲＮＮで考えた場合、入力され
る値はセンサーの状態を示すセンサー出力とモータの状
態を示すモータ出力になり、それに対応した出力値は、
予測値（以下、センサー予測値という。）になる。
【００４６】ＲＮＮには、図４に示すように、入力層１
０３１に、センサー出力Ｓｔとモータ出力ｍｔとが入力
され、出力層１０３３は、この入力に対応するセンサー
の状態に対する出力Ｓｔ＋１とモータの状態に対する出
力ｍｔ＋１とをする。そして、ＲＮＮでは、その出力の
一部が、コンテキスト（context）Ｃｔとして、入力層
１０３１にフィードバックされる。また、ＲＮＮでは、
例えば、出力されたセンサー予測値Ｓｔ＋１と実際に次
時刻で計測されたセンサーの値Ｓｔ＋１の誤差に基づい
てバックプロパゲーション法により実行される。
０３１に、センサー出力Ｓｔとモータ出力ｍｔとが入力
され、出力層１０３３は、この入力に対応するセンサー
の状態に対する出力Ｓｔ＋１とモータの状態に対する出
力ｍｔ＋１とをする。そして、ＲＮＮでは、その出力の
一部が、コンテキスト（context）Ｃｔとして、入力層
１０３１にフィードバックされる。また、ＲＮＮでは、
例えば、出力されたセンサー予測値Ｓｔ＋１と実際に次
時刻で計測されたセンサーの値Ｓｔ＋１の誤差に基づい
てバックプロパゲーション法により実行される。
【００４７】ＲＮＮでは、このような入力層１０３１へ
の情報の入力により、学習結果として、各層における重
み係数が決定される。すなわち例えば、このようなＲＮ
Ｎにより、ロボット装置１は、尻部を下方向に押された
際の各脚部ユニット３Ａ，３Ｂ，３Ｃ，３Ｄからのポテ
ンショメータの検出値とされるセンサー出力Ｓｔに基づ
いて、学習結果としての重み係数の決定を行う。
の情報の入力により、学習結果として、各層における重
み係数が決定される。すなわち例えば、このようなＲＮ
Ｎにより、ロボット装置１は、尻部を下方向に押された
際の各脚部ユニット３Ａ，３Ｂ，３Ｃ，３Ｄからのポテ
ンショメータの検出値とされるセンサー出力Ｓｔに基づ
いて、学習結果としての重み係数の決定を行う。
【００４８】一方、インバースＲＮＮでは、そのような
ＲＮＮの逆変換として、学習結果に基づいて予測値を得
ることができる。具体的には、インバースＲＮＮは、図
６に示すように、時刻ｎのセンサー予測出力Ｓｎとコン
テキストＣｎが与えられる。これにより、インバースＲ
ＮＮは、時刻ｎ−１のセンサー入力とモータの状態入力
とコンテキストＣｎ−１とを出力するようになる。そし
て、インバースＲＮＮでは、上述のＲＮＮと同様にバッ
クプロパゲーション法により、フォーワードダイナミク
スへの入力と、出力結果との誤差を使用した処理を行
う。
ＲＮＮの逆変換として、学習結果に基づいて予測値を得
ることができる。具体的には、インバースＲＮＮは、図
６に示すように、時刻ｎのセンサー予測出力Ｓｎとコン
テキストＣｎが与えられる。これにより、インバースＲ
ＮＮは、時刻ｎ−１のセンサー入力とモータの状態入力
とコンテキストＣｎ−１とを出力するようになる。そし
て、インバースＲＮＮでは、上述のＲＮＮと同様にバッ
クプロパゲーション法により、フォーワードダイナミク
スへの入力と、出力結果との誤差を使用した処理を行
う。
【００４９】インバースＲＮＮは、以上のような処理結
果として、センサー入力とコンテキストとを順次入力に
フォードバックすることで、時間をさかのぼってモータ
の状態の順を予測値として出力する。そして、最終的に
は、時刻ｎのセンサー出力Ｓ ｎを得るためのアクション
の時系列Ａ１，Ａ２，・・・，Ａｎ−１或いはモータの
時系列ｍ１，ｍ２，・・・，ｍｎ−１を得ることができ
るようになる。このようなインバースＲＮＮにより構成
される予測部１０４は、このようなモータの時系列
ｍ１，ｍ２，・・・，ｍｎ−１を、動作制御部１０２に
出力する。動作制御部１０２では、モータの時系列から
時系列のトルク情報を得て、駆動部１０５に出力する。
駆動部１０５は、時系列のトルク情報に基づいて、動作
部１０５を制御する。
果として、センサー入力とコンテキストとを順次入力に
フォードバックすることで、時間をさかのぼってモータ
の状態の順を予測値として出力する。そして、最終的に
は、時刻ｎのセンサー出力Ｓ ｎを得るためのアクション
の時系列Ａ１，Ａ２，・・・，Ａｎ−１或いはモータの
時系列ｍ１，ｍ２，・・・，ｍｎ−１を得ることができ
るようになる。このようなインバースＲＮＮにより構成
される予測部１０４は、このようなモータの時系列
ｍ１，ｍ２，・・・，ｍｎ−１を、動作制御部１０２に
出力する。動作制御部１０２では、モータの時系列から
時系列のトルク情報を得て、駆動部１０５に出力する。
駆動部１０５は、時系列のトルク情報に基づいて、動作
部１０５を制御する。
【００５０】このようなインバースＲＮＮにより、ロボ
ット装置１は、学習後において再び、尻部への下方向へ
の一瞬の負荷から、予め得ている学習結果に基づいてそ
れが予め教示された動作になるであろうことを予測し
て、動作を自律動作として出現させる。
ット装置１は、学習後において再び、尻部への下方向へ
の一瞬の負荷から、予め得ている学習結果に基づいてそ
れが予め教示された動作になるであろうことを予測し
て、動作を自律動作として出現させる。
【００５１】以上のようなＲＮＮによって学習部１０３
が構成されており、また、インバースＲＮＮにより予測
部１０４が構成されている。ロボット装置１は、以上の
ように、ＲＮＮによって構成される学習部１３やインバ
ースＲＮＮによって構成される予測部１４により、セン
サー情報から教示された動作を学習して、学習後におい
ては、入力されたセンサー情報から次の時間での出力す
べきトルクを予測することで、希望の姿勢（起想した姿
勢）に遷移することができるようになる。
が構成されており、また、インバースＲＮＮにより予測
部１０４が構成されている。ロボット装置１は、以上の
ように、ＲＮＮによって構成される学習部１３やインバ
ースＲＮＮによって構成される予測部１４により、セン
サー情報から教示された動作を学習して、学習後におい
ては、入力されたセンサー情報から次の時間での出力す
べきトルクを予測することで、希望の姿勢（起想した姿
勢）に遷移することができるようになる。
【００５２】（１）本実施の形態によるロボット装置の
構成 上述の実施の形態の説明では、ロボット装置１に本発明
を適用した場合について説明した。以下では、そのよう
なロボット装置１についての、より具体的な構成を説明
する。
構成 上述の実施の形態の説明では、ロボット装置１に本発明
を適用した場合について説明した。以下では、そのよう
なロボット装置１についての、より具体的な構成を説明
する。
【００５３】ロボット装置１は、図１に示すように、
「犬」を模した形状のいわゆるペットロボットとされ、
胴体部ユニット２の前後左右にそれぞれ脚部ユニット３
Ａ，３Ｂ，３Ｃ，３Ｄが連結されると共に、胴体部ユニ
ット２の前端部及び後端部にそれぞれ頭部ユニット４及
び尻尾部ユニット５が連結されて構成されている。
「犬」を模した形状のいわゆるペットロボットとされ、
胴体部ユニット２の前後左右にそれぞれ脚部ユニット３
Ａ，３Ｂ，３Ｃ，３Ｄが連結されると共に、胴体部ユニ
ット２の前端部及び後端部にそれぞれ頭部ユニット４及
び尻尾部ユニット５が連結されて構成されている。
【００５４】胴体部ユニット２には、図７に示すよう
に、ＣＰＵ（Central Processing Unit）１０、ＤＲＡ
Ｍ（Dynamic Random Access Memory）１１、フラッシュ
ＲＯＭ（Read ０nly Memory）１２、ＰＣ（Personal Co
mputer）カードインターフェース回路１３及び信号処理
回路１４が内部バス１５を介して相互に接続されること
により形成されたコントロール部１６と、このロボット
装置１の動力源としてのバッテリ１７とが収納されてい
る。また、胴体部ユニット２には、ロボット装置１の向
きや動きの加速度を検出するための角速度センサー１８
及び加速度センサー１９なども収納されている。
に、ＣＰＵ（Central Processing Unit）１０、ＤＲＡ
Ｍ（Dynamic Random Access Memory）１１、フラッシュ
ＲＯＭ（Read ０nly Memory）１２、ＰＣ（Personal Co
mputer）カードインターフェース回路１３及び信号処理
回路１４が内部バス１５を介して相互に接続されること
により形成されたコントロール部１６と、このロボット
装置１の動力源としてのバッテリ１７とが収納されてい
る。また、胴体部ユニット２には、ロボット装置１の向
きや動きの加速度を検出するための角速度センサー１８
及び加速度センサー１９なども収納されている。
【００５５】また、頭部ユニット４には、外部の状況を
撮像するためのＣＣＤ（Charge Coupled Device）カメ
ラ２０と、使用者からの「撫でる」や「叩く」といった
物理的な働きかけにより受けた圧力を検出するためのタ
ッチセンサー２１と、前方に位置する物体までの距離を
測定するための距離センサー２２と、外部音を集音する
ためのマイクロホン２３と、鳴き声等の音声を出力する
ためのスピーカ２４と、ロボット装置１の「目」に相当
するＬＥＤ（Light Emitting Diode）（図示せず）とな
どがそれぞれ所定位置に配置されている。
撮像するためのＣＣＤ（Charge Coupled Device）カメ
ラ２０と、使用者からの「撫でる」や「叩く」といった
物理的な働きかけにより受けた圧力を検出するためのタ
ッチセンサー２１と、前方に位置する物体までの距離を
測定するための距離センサー２２と、外部音を集音する
ためのマイクロホン２３と、鳴き声等の音声を出力する
ためのスピーカ２４と、ロボット装置１の「目」に相当
するＬＥＤ（Light Emitting Diode）（図示せず）とな
どがそれぞれ所定位置に配置されている。
【００５６】さらに、各脚部ユニット３Ａ〜３Ｄの関節
部分や各脚部ユニット３Ａ〜３Ｄ及び胴体部ユニット２
の各連結部分、頭部ユニット４及び胴体部ユニット２の
連結部分、並びに尻尾部ユニット５の尻尾５Ａの連結部
分などにはそれぞれ自由度数分のアクチュエータ２５１
〜２５ｎ及びポテンショメータ２６１〜２６ｎが配設さ
れている。例えば、アクチュエータ２５１〜２５ｎはサ
ーボモータを構成として有している。サーボモータの駆
動により、脚部ユニット３Ａ〜３Ｄが制御されて、目標
の姿勢或いは動作に遷移する。ここで、ポテンショメー
タ２６１〜２６ ｎは、上述の図２に示したセンサー１０
１を構成している。
部分や各脚部ユニット３Ａ〜３Ｄ及び胴体部ユニット２
の各連結部分、頭部ユニット４及び胴体部ユニット２の
連結部分、並びに尻尾部ユニット５の尻尾５Ａの連結部
分などにはそれぞれ自由度数分のアクチュエータ２５１
〜２５ｎ及びポテンショメータ２６１〜２６ｎが配設さ
れている。例えば、アクチュエータ２５１〜２５ｎはサ
ーボモータを構成として有している。サーボモータの駆
動により、脚部ユニット３Ａ〜３Ｄが制御されて、目標
の姿勢或いは動作に遷移する。ここで、ポテンショメー
タ２６１〜２６ ｎは、上述の図２に示したセンサー１０
１を構成している。
【００５７】そして、これら角速度センサー１８、加速
度センサー１９、タッチセンサー２１、距離センサー２
２、マイクロホン２３、スピーカ２４及び各ポテンショ
メータ２６１〜２６ｎなどの各種センサー並びにＬＥＤ
及び各アクチュエータ２５１〜２５ｎは、それぞれ対応
するハブ２７１〜２７ｎを介してコントロール部１６の
信号処理回路１４と接続され、ＣＣＤカメラ２０及びバ
ッテリ１７は、それぞれ信号処理回路１４と直接接続さ
れている。
度センサー１９、タッチセンサー２１、距離センサー２
２、マイクロホン２３、スピーカ２４及び各ポテンショ
メータ２６１〜２６ｎなどの各種センサー並びにＬＥＤ
及び各アクチュエータ２５１〜２５ｎは、それぞれ対応
するハブ２７１〜２７ｎを介してコントロール部１６の
信号処理回路１４と接続され、ＣＣＤカメラ２０及びバ
ッテリ１７は、それぞれ信号処理回路１４と直接接続さ
れている。
【００５８】信号処理回路ｌ４は、上述の各センサーか
ら供給されるセンサーデータや画像データ及び音声デー
タを順次取り込み、これらをそれぞれ内部バス１５を介
してＤＲＡＭ１１内の所定位置に順次格納する。また信
号処理回路１４は、これと共にバッテリ１７から供給さ
れるバッテリ残量を表すバッテリ残量データを順次取り
込み、これをＤＲＡＭ１１内の所定位置に格納する。
ら供給されるセンサーデータや画像データ及び音声デー
タを順次取り込み、これらをそれぞれ内部バス１５を介
してＤＲＡＭ１１内の所定位置に順次格納する。また信
号処理回路１４は、これと共にバッテリ１７から供給さ
れるバッテリ残量を表すバッテリ残量データを順次取り
込み、これをＤＲＡＭ１１内の所定位置に格納する。
【００５９】このようにしてＤＲＡＭ１１に格納された
各センサーデータ、画像データ、音声データ及びバッテ
リ残量データは、この後ＣＰＵ１０がこのロボット装置
１の動作制御を行う際に利用される。
各センサーデータ、画像データ、音声データ及びバッテ
リ残量データは、この後ＣＰＵ１０がこのロボット装置
１の動作制御を行う際に利用される。
【００６０】実際上ＣＰＵ１０は、ロボット装置１の電
源が投入された初期時、胴体部ユニット２の図示しない
ＰＣカードスロットに装填されたメモリカード２８又は
フラッシュＲＯＭ１２に格納された制御プログラムをＰ
Ｃカードインターフェース回路１３を介して又は直接読
み出し、これをＤＲＡＭ１１に格納する。なお、このＣ
ＰＵ１０が、上述の図２に示した動作制御部１０として
の機能を併有している。
源が投入された初期時、胴体部ユニット２の図示しない
ＰＣカードスロットに装填されたメモリカード２８又は
フラッシュＲＯＭ１２に格納された制御プログラムをＰ
Ｃカードインターフェース回路１３を介して又は直接読
み出し、これをＤＲＡＭ１１に格納する。なお、このＣ
ＰＵ１０が、上述の図２に示した動作制御部１０として
の機能を併有している。
【００６１】また、ＣＰＵ１０は、この後上述のように
信号処理回路１４よりＤＲＡＭ１１に順次格納される各
センサーデータ、画像データ、音声データ及びバッテリ
残量データに基づいて自己及び周囲の状況や、使用者か
らの指示及び働きかけの有無などを判断する。
信号処理回路１４よりＤＲＡＭ１１に順次格納される各
センサーデータ、画像データ、音声データ及びバッテリ
残量データに基づいて自己及び周囲の状況や、使用者か
らの指示及び働きかけの有無などを判断する。
【００６２】さらに、ＣＰＵ１０は、この判断結果及び
ＤＲＡＭ１１に格納しだ制御プログラムに基づいて続く
行動を決定すると共に、当該決定結果に基づいて必要な
アクチュエータ２５１〜２５ｎを駆動させることによ
り、頭部ユニット４を上下左右に振らせたり、尻尾部ユ
ニット５の尻尾５Ａを動かせたり、各脚部ユニット３Ａ
〜３Ｄを駆動させて歩行させるなどの行動を行わせる。
ＤＲＡＭ１１に格納しだ制御プログラムに基づいて続く
行動を決定すると共に、当該決定結果に基づいて必要な
アクチュエータ２５１〜２５ｎを駆動させることによ
り、頭部ユニット４を上下左右に振らせたり、尻尾部ユ
ニット５の尻尾５Ａを動かせたり、各脚部ユニット３Ａ
〜３Ｄを駆動させて歩行させるなどの行動を行わせる。
【００６３】また、この際ＣＰＵ１０は、必要に応じて
音声データを生成し、これを信号処理回路１４を介して
音声信号としてスピーカ２４に与えることにより当該音
声信号に基づく音声を外部に出力させたり、上述のＬＥ
Ｄを点灯、消灯又は点滅させる。
音声データを生成し、これを信号処理回路１４を介して
音声信号としてスピーカ２４に与えることにより当該音
声信号に基づく音声を外部に出力させたり、上述のＬＥ
Ｄを点灯、消灯又は点滅させる。
【００６４】このようにしてこのロボット装置１におい
ては、自己及び周囲の状況や、使用者からの指示及び働
きかけに応じて自律的に行動し得るようになされてい
る。
ては、自己及び周囲の状況や、使用者からの指示及び働
きかけに応じて自律的に行動し得るようになされてい
る。
【００６５】（２）制御プログラムのソフトウェア構成 ここで、ロボット装置１における上述の制御プログラム
のソフトウェア構成は、図８に示すようになる。この図
８において、デバイス・ドライバ・レイヤ３０は、この
制御プログラムの最下位層に位置し、複数のデバイス・
ドライバからなるデバイス・ドライバ・セット３１から
構成されている。この場合、各デバイス・ドライバは、
ＣＣＤカメラ２０（図７）やタイマ等の通常のコンピュ
ータで用いられるハードウェアに直接アクセスするごと
を許されたオブジェクトであり、対応するハードウェア
からの割り込みを受けて処理を行う。
のソフトウェア構成は、図８に示すようになる。この図
８において、デバイス・ドライバ・レイヤ３０は、この
制御プログラムの最下位層に位置し、複数のデバイス・
ドライバからなるデバイス・ドライバ・セット３１から
構成されている。この場合、各デバイス・ドライバは、
ＣＣＤカメラ２０（図７）やタイマ等の通常のコンピュ
ータで用いられるハードウェアに直接アクセスするごと
を許されたオブジェクトであり、対応するハードウェア
からの割り込みを受けて処理を行う。
【００６６】また、ロボティック・サーバ・オブジェク
ト３２は、デバイス・ドライバ・レイヤ３０の最下位層
に位置し、例えば上述の各種センサーやアクチュエータ
２５ １〜２５ｎ等のハードウェアにアクセスするための
インターフェースを提供するソフトウェア群でなるバー
チャル・ロボット３３と、電源の切換えなどを管理する
ソフトウェア群でなるパワーマネージャ３４と、他の種
々のデバイス・ドライバを管理するソフトウェア群でな
るデバイス・ドライバ・マネージャ３５と、ロボット装
置１の機構を管理するソフトウェア群でなるデザインド
・ロボット３６とから構成されている。
ト３２は、デバイス・ドライバ・レイヤ３０の最下位層
に位置し、例えば上述の各種センサーやアクチュエータ
２５ １〜２５ｎ等のハードウェアにアクセスするための
インターフェースを提供するソフトウェア群でなるバー
チャル・ロボット３３と、電源の切換えなどを管理する
ソフトウェア群でなるパワーマネージャ３４と、他の種
々のデバイス・ドライバを管理するソフトウェア群でな
るデバイス・ドライバ・マネージャ３５と、ロボット装
置１の機構を管理するソフトウェア群でなるデザインド
・ロボット３６とから構成されている。
【００６７】マネージャ・オブジェクト３７は、オブジ
ェクト・マネージャ３８及びサービス・マネージャ３９
から構成されている。オブジェクト・マネージャ３８
は、ロボティック・サーバ・オブジェクト３２、ミドル
・ウェア・レイヤ４０、及びアプリケーション・レイヤ
４１に含まれる各ソフトウェア群の起動や終了を管理す
るソフトウェア群であり、サービス・マネージャ３９
は、メモリカード２８（図７）に格納されたコネクショ
ンファイルに記述されている各オブジェクト間の接続情
報に基づいて各オブジェクトの接続を管理するソフトウ
ェア群である。
ェクト・マネージャ３８及びサービス・マネージャ３９
から構成されている。オブジェクト・マネージャ３８
は、ロボティック・サーバ・オブジェクト３２、ミドル
・ウェア・レイヤ４０、及びアプリケーション・レイヤ
４１に含まれる各ソフトウェア群の起動や終了を管理す
るソフトウェア群であり、サービス・マネージャ３９
は、メモリカード２８（図７）に格納されたコネクショ
ンファイルに記述されている各オブジェクト間の接続情
報に基づいて各オブジェクトの接続を管理するソフトウ
ェア群である。
【００６８】ミドル・ウェア・レイヤ４０は、ロボティ
ック・サーバ・オブジェクト３２の上位層に位置し、画
像処理や音声処理などのこのロボット装置１の基本的な
機能を提供するソフトウェア群から構成されている。ま
た、アプリケーション・レイヤ４１は、ミドル・ウェア
・レイヤ４０の上位層に位置し、当該ミドル・ウェア・
レイヤ４０を構成する各ソフトウェア群によって処理さ
れた処理結果に基づいてロボット装置１の行動を決定す
るためのソフトウェア群から構成されている。
ック・サーバ・オブジェクト３２の上位層に位置し、画
像処理や音声処理などのこのロボット装置１の基本的な
機能を提供するソフトウェア群から構成されている。ま
た、アプリケーション・レイヤ４１は、ミドル・ウェア
・レイヤ４０の上位層に位置し、当該ミドル・ウェア・
レイヤ４０を構成する各ソフトウェア群によって処理さ
れた処理結果に基づいてロボット装置１の行動を決定す
るためのソフトウェア群から構成されている。
【００６９】なお、ミドル・ウェア・レイヤ４０及びア
プリケーション・レイヤ４１の具体なソフトウェア構成
をそれぞれ図９に示す。
プリケーション・レイヤ４１の具体なソフトウェア構成
をそれぞれ図９に示す。
【００７０】ミドル・ウェア・レイヤ４０は、図９に示
すように、騒音検出用、温度検出用、明るさ検出用、音
階認識用、距離検出用、姿勢検出用、タッチセンサー
用、動き検出用及び色認識用の各信号処理モジュール５
０〜５８並びに入力セマンティクスコンバータモジュー
ル５９などを有する認識系６０と、出力セマンティクス
コンバータモジュール６８並びに姿勢管理用、トラッキ
ング用、モーション再生用、歩行用、転倒復帰用、ＬＥ
Ｄ点灯用及び音再生用の各信号処理モジュール６１〜６
７などを有する出力系６９とから構成されている。
すように、騒音検出用、温度検出用、明るさ検出用、音
階認識用、距離検出用、姿勢検出用、タッチセンサー
用、動き検出用及び色認識用の各信号処理モジュール５
０〜５８並びに入力セマンティクスコンバータモジュー
ル５９などを有する認識系６０と、出力セマンティクス
コンバータモジュール６８並びに姿勢管理用、トラッキ
ング用、モーション再生用、歩行用、転倒復帰用、ＬＥ
Ｄ点灯用及び音再生用の各信号処理モジュール６１〜６
７などを有する出力系６９とから構成されている。
【００７１】認識系６０の各信号処理モジュール５０〜
５８は、ロボティック・サーバ・オブジェクト３２のバ
ーチャル・ロボット３３によりＤＲＡＭ１１（図７）か
ら読み出される各センサーデータや画像データ及び音声
データのうちの対応するデータを取り込み、当該データ
に基づいて所定の処理を施して、処理結果を入力セマン
ティクスコンバータモジュール５９に与える。ここで、
例えば、バーチャル・ロボット３３は、所定の通信規約
によって、信号の授受或いは変換をする部分として構成
されている。
５８は、ロボティック・サーバ・オブジェクト３２のバ
ーチャル・ロボット３３によりＤＲＡＭ１１（図７）か
ら読み出される各センサーデータや画像データ及び音声
データのうちの対応するデータを取り込み、当該データ
に基づいて所定の処理を施して、処理結果を入力セマン
ティクスコンバータモジュール５９に与える。ここで、
例えば、バーチャル・ロボット３３は、所定の通信規約
によって、信号の授受或いは変換をする部分として構成
されている。
【００７２】入力セマンティクスコンバータモジュール
５９は、これら各信号処理モジュール５０〜５８から与
えられる処理結果に基づいて、「うるさい」、「暑
い」、「明るい」、「ボールを検出した」、「転倒を検
出した」、「撫でられた」、「叩かれた」、「ドミソの
音階が聞こえた」、「動く物体を検出した」又は「障害
物を検出した」などの自己及び周囲の状況や、使用者か
らの指令及び働きかけを認識し、認識結果をアプリケー
ション・レイヤ４１（図７）に出力する。
５９は、これら各信号処理モジュール５０〜５８から与
えられる処理結果に基づいて、「うるさい」、「暑
い」、「明るい」、「ボールを検出した」、「転倒を検
出した」、「撫でられた」、「叩かれた」、「ドミソの
音階が聞こえた」、「動く物体を検出した」又は「障害
物を検出した」などの自己及び周囲の状況や、使用者か
らの指令及び働きかけを認識し、認識結果をアプリケー
ション・レイヤ４１（図７）に出力する。
【００７３】アプリケーション・レイヤ４ｌは、図１０
に示すように、行動モデルライブラリ７０、行動切換え
モジュール７１、学習モジュール７２、感情モデル７３
及び本能モデル７４の５つのモジュールから構成されて
いる。
に示すように、行動モデルライブラリ７０、行動切換え
モジュール７１、学習モジュール７２、感情モデル７３
及び本能モデル７４の５つのモジュールから構成されて
いる。
【００７４】行動モデルライブラリ７０には、図１１に
示すように、「バッテリ残量が少なくなった場合」、
「転倒復帰する」、「障害物を回避する場合」、「感情
を表現する場合」、「ボールを検出した場合」などの予
め選択されたいくつかの条件項目にそれぞれ対応させ
て、それぞれ独立した行動モデル７０１〜７０ｎが設け
られている。
示すように、「バッテリ残量が少なくなった場合」、
「転倒復帰する」、「障害物を回避する場合」、「感情
を表現する場合」、「ボールを検出した場合」などの予
め選択されたいくつかの条件項目にそれぞれ対応させ
て、それぞれ独立した行動モデル７０１〜７０ｎが設け
られている。
【００７５】そして、これら行動モデル７０１〜７０ｎ
は、それぞれ入力セマンティクスコンバータモジュール
５９から認識結果が与えられたときや、最後の認識結果
が与えられてから一定時間が経過したときなどに、必要
に応じて後述のように感情モデル７３に保持されている
対応する情動のパラメータ値や、本能モデル７４に保持
されている対応する欲求のパラメータ値を参照しながら
続く行動をそれぞれ決定し、決定結果を行動切換えモジ
ュール７１に出力する。
は、それぞれ入力セマンティクスコンバータモジュール
５９から認識結果が与えられたときや、最後の認識結果
が与えられてから一定時間が経過したときなどに、必要
に応じて後述のように感情モデル７３に保持されている
対応する情動のパラメータ値や、本能モデル７４に保持
されている対応する欲求のパラメータ値を参照しながら
続く行動をそれぞれ決定し、決定結果を行動切換えモジ
ュール７１に出力する。
【００７６】なお、この実施の形態の場合、各行動モデ
ル７０１〜７０ｎは、次の行動を決定する手法として、
図１２に示すような１つのノード（状態）ＮＯＤＥ０〜
ＮＯＤＥｎから他のどのノードＮＯＤＥ０〜ＮＯＤＥｎ
に遷移するかを各ノードＮＯＤＥ０〜ＮＯＤＥｎに間を
接続するアークＡＲＣ１〜ＡＲＣｎ１に対してそれぞれ
設定された遷移確率Ｐ１〜Ｐｎに基づいて確率的に決定
する有限確率オートマトンと呼ばれるアルゴリズムを用
いる。
ル７０１〜７０ｎは、次の行動を決定する手法として、
図１２に示すような１つのノード（状態）ＮＯＤＥ０〜
ＮＯＤＥｎから他のどのノードＮＯＤＥ０〜ＮＯＤＥｎ
に遷移するかを各ノードＮＯＤＥ０〜ＮＯＤＥｎに間を
接続するアークＡＲＣ１〜ＡＲＣｎ１に対してそれぞれ
設定された遷移確率Ｐ１〜Ｐｎに基づいて確率的に決定
する有限確率オートマトンと呼ばれるアルゴリズムを用
いる。
【００７７】具体的に、各行動モデル７０１〜７０
ｎは、それぞれ自己の行動モデル７０１〜７０ｎを形成
するノードＮＯＤＥ０〜ＮＯＤＥｎにそれぞれ対応させ
て、これらノードＮＯＤＥ０〜ＮＯＤＥｎごとに図１３
に示すような状態遷移表８０を有している。
ｎは、それぞれ自己の行動モデル７０１〜７０ｎを形成
するノードＮＯＤＥ０〜ＮＯＤＥｎにそれぞれ対応させ
て、これらノードＮＯＤＥ０〜ＮＯＤＥｎごとに図１３
に示すような状態遷移表８０を有している。
【００７８】この状態遷移表８０では、そのノードＮＯ
ＤＥ０〜ＮＯＤＥｎにおいて遷移条件とする入力イベン
ト（認識結果）が「入力イベント名」の行に優先順に列
記され、その遷移条件についてのさらなる条件が「デー
タ名」及び「データ範囲」の行における対応する列に記
述されている。
ＤＥ０〜ＮＯＤＥｎにおいて遷移条件とする入力イベン
ト（認識結果）が「入力イベント名」の行に優先順に列
記され、その遷移条件についてのさらなる条件が「デー
タ名」及び「データ範囲」の行における対応する列に記
述されている。
【００７９】したがって、図１３の状態遷移表８０で表
されるノードＮＯＤＥ１００では、「ボールを検出（Ｂ
ＡＬＬ）」という認識結果が与えられた場合に、当該認
識結果と共に与えられるそのボールの「大きさ（ＳＩＺ
Ｅ）」が「0から1000」の範囲であることや、「障害物
を検出（ＯＢＳＴＡＣＬＥ）」という認識結果が与えら
れた場合に、当該認識結果と共に与えられるその障害物
までの「距離（ＤＩＳＴＡＮＣＥ）」が「0から100」の
範囲であることが他のノードに遷移するための条件とな
っている。
されるノードＮＯＤＥ１００では、「ボールを検出（Ｂ
ＡＬＬ）」という認識結果が与えられた場合に、当該認
識結果と共に与えられるそのボールの「大きさ（ＳＩＺ
Ｅ）」が「0から1000」の範囲であることや、「障害物
を検出（ＯＢＳＴＡＣＬＥ）」という認識結果が与えら
れた場合に、当該認識結果と共に与えられるその障害物
までの「距離（ＤＩＳＴＡＮＣＥ）」が「0から100」の
範囲であることが他のノードに遷移するための条件とな
っている。
【００８０】また、このノードＮＯＤＥ１００では、認
識結果の入力がない場合においても、行動モデル７０１
〜７０ｎが周期的に参照する感情モデル７３及び本能モ
デル７４にそれぞれ保持された各情動及び各欲求のパラ
メータ値のうち、感情モデル７３に保持された「喜び
（ＪＯＹ）」、「驚き（ＳＵＲＰＲＩＳＥ）」若しくは
「悲しみ（ＳＵＤＮＥＳＳ）」のいずれかのパラメータ
値が「50から100」の範囲であるときには他のノードに
遷移することができるようになっている。
識結果の入力がない場合においても、行動モデル７０１
〜７０ｎが周期的に参照する感情モデル７３及び本能モ
デル７４にそれぞれ保持された各情動及び各欲求のパラ
メータ値のうち、感情モデル７３に保持された「喜び
（ＪＯＹ）」、「驚き（ＳＵＲＰＲＩＳＥ）」若しくは
「悲しみ（ＳＵＤＮＥＳＳ）」のいずれかのパラメータ
値が「50から100」の範囲であるときには他のノードに
遷移することができるようになっている。
【００８１】また、状態遷移表８０では、「他のノード
ヘの遷移確率」の欄における「遷移先ノード」の列にそ
のノードＮＯＤＥ０〜 ＮＯＤＥｎから遷移できるノー
ド名が列記されていると共に、「入力イベント名」、
「データ値」及び「データの範囲」の行に記述された全
ての条件が揃ったときに遷移できる他の各ノードＮＯＤ
Ｅ０〜ＮＯＤＥｎへの遷移確率が「他のノードヘの遷移
確率」の欄内の対応する箇所にそれぞれ記述され、その
ノードＮＯＤＥ０〜ＮＯＤＥｎに遷移する際に出力すべ
き行動が「他のノードヘの遷移確率」の欄における「出
力行動」の行に記述されている。なお、「他のノードヘ
の遷移確率」の欄における各行の確率の和は１００
［％］となっている。
ヘの遷移確率」の欄における「遷移先ノード」の列にそ
のノードＮＯＤＥ０〜 ＮＯＤＥｎから遷移できるノー
ド名が列記されていると共に、「入力イベント名」、
「データ値」及び「データの範囲」の行に記述された全
ての条件が揃ったときに遷移できる他の各ノードＮＯＤ
Ｅ０〜ＮＯＤＥｎへの遷移確率が「他のノードヘの遷移
確率」の欄内の対応する箇所にそれぞれ記述され、その
ノードＮＯＤＥ０〜ＮＯＤＥｎに遷移する際に出力すべ
き行動が「他のノードヘの遷移確率」の欄における「出
力行動」の行に記述されている。なお、「他のノードヘ
の遷移確率」の欄における各行の確率の和は１００
［％］となっている。
【００８２】したがって、図１３の状態遷移表８０で表
されるノードＮＯＤＥ１００では、例えば「ボールを検
出（ＢＡＬＬ）」し、そのボールの「ＳＩＺＥ（大き
さ）」が「0から1000」の範囲であるという認識結果が
与えられた場合には、「30［％］」の確率で「ノードＮ
ＯＤＥ１２０（node 120）」に遷移でき、そのとき「Ａ
ＣＴＩＯＮ１」の行動が出力されることとなる。
されるノードＮＯＤＥ１００では、例えば「ボールを検
出（ＢＡＬＬ）」し、そのボールの「ＳＩＺＥ（大き
さ）」が「0から1000」の範囲であるという認識結果が
与えられた場合には、「30［％］」の確率で「ノードＮ
ＯＤＥ１２０（node 120）」に遷移でき、そのとき「Ａ
ＣＴＩＯＮ１」の行動が出力されることとなる。
【００８３】各行動モデル７０１〜７０ｎは、それぞれ
このような状態遷移表８０として記述されたノードＮＯ
ＤＥ０〜 ＮＯＤＥｎがいくつも繋がるようにして構成
されており、入力セマンティクスコンバータモジュール
５９から認識結果が与えられたときなどに、対応するノ
ードＮＯＤＥ０〜ＮＯＤＥｎの状態遷移表を利用して確
率的に次の行動を決定し、決定結果を行動切換えモジュ
ール７１に出力するようになされている。
このような状態遷移表８０として記述されたノードＮＯ
ＤＥ０〜 ＮＯＤＥｎがいくつも繋がるようにして構成
されており、入力セマンティクスコンバータモジュール
５９から認識結果が与えられたときなどに、対応するノ
ードＮＯＤＥ０〜ＮＯＤＥｎの状態遷移表を利用して確
率的に次の行動を決定し、決定結果を行動切換えモジュ
ール７１に出力するようになされている。
【００８４】図１０に示す行動切換えモジュール７１
は、行動モデルライブラリ７０の各行動モデル７０１〜
７０ｎからそれぞれ出力される行動のうち、予め定めら
れた優先順位の高い行動モデル７０１〜７０ｎから出力
された行動を選択し、当該行動を実行すべき旨のコマン
ド（以下、これを行動コマンドという。）をミドル・ウ
ェア・レイヤ４０の出力セマンティクスコンバータモジ
ュール６８に送出する。なお、この実施の形態において
は、図１１において下側に表記された行動モデル７０１
〜７０ｎほど優先順位が高く設定されている。
は、行動モデルライブラリ７０の各行動モデル７０１〜
７０ｎからそれぞれ出力される行動のうち、予め定めら
れた優先順位の高い行動モデル７０１〜７０ｎから出力
された行動を選択し、当該行動を実行すべき旨のコマン
ド（以下、これを行動コマンドという。）をミドル・ウ
ェア・レイヤ４０の出力セマンティクスコンバータモジ
ュール６８に送出する。なお、この実施の形態において
は、図１１において下側に表記された行動モデル７０１
〜７０ｎほど優先順位が高く設定されている。
【００８５】また、行動切換えモジュール７１は、行動
完了後に出力セマンティクスコンバータモジュール６８
から与えられる行動完了情報に基づいて、その行動が完
了したことを学習モジュール７２、感情モデル７３及び
本能モデル７４に通知する。
完了後に出力セマンティクスコンバータモジュール６８
から与えられる行動完了情報に基づいて、その行動が完
了したことを学習モジュール７２、感情モデル７３及び
本能モデル７４に通知する。
【００８６】一方、学習モジュール７２は、入力セマン
ティクスコンバータモジュール５９から与えられる認識
結果のうち、「叩かれた」や「撫でられた」など、使用
者からの働きかけとして受けた教示の認識結果を入力す
る。
ティクスコンバータモジュール５９から与えられる認識
結果のうち、「叩かれた」や「撫でられた」など、使用
者からの働きかけとして受けた教示の認識結果を入力す
る。
【００８７】そして、学習モジュール７２は、この認識
結果及び行動切換えモジュール７１からの通知に基づい
て、「叩かれた（叱られた）」ときにはその行動の発現
確率を低下させ、「撫でられた（褒められた）」ときに
はその行動の発現確率を上昇させるように、行動モデル
ライブラリ７０における対応する行動モデル７０１〜７
０ｎの対応する遷移確率を変更する。
結果及び行動切換えモジュール７１からの通知に基づい
て、「叩かれた（叱られた）」ときにはその行動の発現
確率を低下させ、「撫でられた（褒められた）」ときに
はその行動の発現確率を上昇させるように、行動モデル
ライブラリ７０における対応する行動モデル７０１〜７
０ｎの対応する遷移確率を変更する。
【００８８】他方、感情モデル７３は、「喜び（jo
y）」、「悲しみ（sadness）」、「怒り（anger）」、
「驚き（surprise）」、「嫌悪（disgust）」及び「恐
れ（fear）」の合計６つの情動について、各情動ごとに
その情動の強さを表すパラメータを保持している。そし
て、感情モデル７３は、これら各情動のパラメータ値
を、それぞれ入力セマンティクスコンバータモジュール
５９から与えられる「叩かれた」及び「撫でられた」な
どの特定の認識結果と、経過時間及び行動切換えモジュ
ール７１からの通知となどに基づいて周期的に更新す
る。
y）」、「悲しみ（sadness）」、「怒り（anger）」、
「驚き（surprise）」、「嫌悪（disgust）」及び「恐
れ（fear）」の合計６つの情動について、各情動ごとに
その情動の強さを表すパラメータを保持している。そし
て、感情モデル７３は、これら各情動のパラメータ値
を、それぞれ入力セマンティクスコンバータモジュール
５９から与えられる「叩かれた」及び「撫でられた」な
どの特定の認識結果と、経過時間及び行動切換えモジュ
ール７１からの通知となどに基づいて周期的に更新す
る。
【００８９】具体的には、感情モデル７３は、入力セマ
ンティクスコンバータモジュール５９から与えられる認
識結果と、そのときのロボット装置１の行動と、前回更
新してからの経過時間となどに基づいて所定の演算式に
より算出されるそのときのその情動の変動量を△Ｅ
［ｔ］、現在のその情動のパラメータ値をＥ［ｔ］、そ
の情動の感度を表す係数をｋｅとして、（１）式によっ
て次の周期におけるその情動のパラメータ値Ｅ［ｔ＋
１］を算出し、これを現在のその情動のパラメータ値Ｅ
［ｔ］と置き換えるようにしてその情動のパラメータ値
を更新する。また、感情モデル７３は、これと同様にし
て全ての情動のパラメータ値を更新する。
ンティクスコンバータモジュール５９から与えられる認
識結果と、そのときのロボット装置１の行動と、前回更
新してからの経過時間となどに基づいて所定の演算式に
より算出されるそのときのその情動の変動量を△Ｅ
［ｔ］、現在のその情動のパラメータ値をＥ［ｔ］、そ
の情動の感度を表す係数をｋｅとして、（１）式によっ
て次の周期におけるその情動のパラメータ値Ｅ［ｔ＋
１］を算出し、これを現在のその情動のパラメータ値Ｅ
［ｔ］と置き換えるようにしてその情動のパラメータ値
を更新する。また、感情モデル７３は、これと同様にし
て全ての情動のパラメータ値を更新する。
【００９０】
【数１】
【００９１】なお、各認識結果や出力セマンティクスコ
ンバータモジュール６８からの通知が各情動のパラメー
タ値の変動量△Ｅ［ｔ］にどの程度の影響を与えるかは
予め決められており、例えば「叩かれた」といった認識
結果は「怒り」の情動のパラメータ値の変動量△Ｅ
［ｔ］に大きな影響を与え、「撫でられた」といった認
識結果は「喜び」の情動のパラメータ値の変動量△Ｅ
［ｔ］に大きな影響を与えるようになっている。
ンバータモジュール６８からの通知が各情動のパラメー
タ値の変動量△Ｅ［ｔ］にどの程度の影響を与えるかは
予め決められており、例えば「叩かれた」といった認識
結果は「怒り」の情動のパラメータ値の変動量△Ｅ
［ｔ］に大きな影響を与え、「撫でられた」といった認
識結果は「喜び」の情動のパラメータ値の変動量△Ｅ
［ｔ］に大きな影響を与えるようになっている。
【００９２】ここで、出力セマンティクスコンバータモ
ジュール６８からの通知とは、いわゆる行動のフィード
バック情報（行動完了情報）であり、行動の出現結果の
情報であり、感情モデル７３は、このような情報によっ
ても感情を変化させる。これは、例えば、「吠える」と
いった行動により怒りの感情レベルが下がるといったよ
うなことである。なお、出力セマンティクスコンバータ
モジュール６８からの通知は、上述した学習モジュール
７２にも入力されており、学習モジュール７２は、その
通知に基づいて行動モデル７０１〜７０ｎの対応する遷
移確率を変更する。
ジュール６８からの通知とは、いわゆる行動のフィード
バック情報（行動完了情報）であり、行動の出現結果の
情報であり、感情モデル７３は、このような情報によっ
ても感情を変化させる。これは、例えば、「吠える」と
いった行動により怒りの感情レベルが下がるといったよ
うなことである。なお、出力セマンティクスコンバータ
モジュール６８からの通知は、上述した学習モジュール
７２にも入力されており、学習モジュール７２は、その
通知に基づいて行動モデル７０１〜７０ｎの対応する遷
移確率を変更する。
【００９３】なお、行動結果のフィードバックは、行動
切換えモジュレータ７１の出力（感情が付加された行
動）によりなされるものであっても良い。
切換えモジュレータ７１の出力（感情が付加された行
動）によりなされるものであっても良い。
【００９４】一方、本能モデル７４は、「運動欲（exer
cise）」、「愛情欲（affection）」、「食欲（appetit
e）」及び「好奇心（curiosity）」の互いに独立した４
つの欲求について、これら欲求ごとにその欲求の強さを
表すパラメータを保持している。そして、本能モデル７
４は、これらの欲求のパラメータ値を、それぞれ入力セ
マンティクスコンバータモジュール５９から与えられる
認識結果や、経過時間及び行動切換えモジュール７１か
らの通知などに基づいて周期的に更新する。
cise）」、「愛情欲（affection）」、「食欲（appetit
e）」及び「好奇心（curiosity）」の互いに独立した４
つの欲求について、これら欲求ごとにその欲求の強さを
表すパラメータを保持している。そして、本能モデル７
４は、これらの欲求のパラメータ値を、それぞれ入力セ
マンティクスコンバータモジュール５９から与えられる
認識結果や、経過時間及び行動切換えモジュール７１か
らの通知などに基づいて周期的に更新する。
【００９５】具体的には、本能モデル７４は、「運動
欲」、「愛情欲」及び「好奇心」については、認識結
果、経過時間及び出力セマンティクスコンバータモジュ
ール６８からの通知などに基づいて所定の演算式により
算出されるそのときのその欲求の変動量をΔＩ［ｋ］、
現在のその欲求のパラメータ値をＩ［ｋ］、その欲求の
感度を表す係数ｋｉとして、所定周期で（２）式を用い
て次の周期におけるその欲求のパラメータ値Ｉ［ｋ＋
１］を算出し、この演算結果を現在のその欲求のパラメ
ータ値Ｉ［ｋ］と置き換えるようにしてその欲求のパラ
メータ値を更新する。また、本能モデル７４は、これと
同様にして「食欲」を除く各欲求のパラメータ値を更新
する。
欲」、「愛情欲」及び「好奇心」については、認識結
果、経過時間及び出力セマンティクスコンバータモジュ
ール６８からの通知などに基づいて所定の演算式により
算出されるそのときのその欲求の変動量をΔＩ［ｋ］、
現在のその欲求のパラメータ値をＩ［ｋ］、その欲求の
感度を表す係数ｋｉとして、所定周期で（２）式を用い
て次の周期におけるその欲求のパラメータ値Ｉ［ｋ＋
１］を算出し、この演算結果を現在のその欲求のパラメ
ータ値Ｉ［ｋ］と置き換えるようにしてその欲求のパラ
メータ値を更新する。また、本能モデル７４は、これと
同様にして「食欲」を除く各欲求のパラメータ値を更新
する。
【００９６】
【数２】
【００９７】なお、認識結果及び出力セマンティクスコ
ンバータモジュール６８からの通知などが各欲求のパラ
メータ値の変動量△Ｉ［ｋ］にどの程度の影響を与える
かは予め決められており、例えば出力セマンティクスコ
ンバータモジュール６８からの通知は、「疲れ」のパラ
メータ値の変動量△Ｉ［ｋ］に大きな影響を与えるよう
になっている。
ンバータモジュール６８からの通知などが各欲求のパラ
メータ値の変動量△Ｉ［ｋ］にどの程度の影響を与える
かは予め決められており、例えば出力セマンティクスコ
ンバータモジュール６８からの通知は、「疲れ」のパラ
メータ値の変動量△Ｉ［ｋ］に大きな影響を与えるよう
になっている。
【００９８】なお、本実施の形態においては、各情動及
び各欲求（本能）のパラメータ値がそれぞれ0から100ま
での範囲で変動するように規制されており、また係数ｋ
ｅ、ｋｉの値も各情動及び各欲求ごとに個別に設定され
ている。
び各欲求（本能）のパラメータ値がそれぞれ0から100ま
での範囲で変動するように規制されており、また係数ｋ
ｅ、ｋｉの値も各情動及び各欲求ごとに個別に設定され
ている。
【００９９】一方、ミドル・ウェア・レイヤ４０の出力
セマンティクスコンバータモジュール６８は、図９に示
すように、上述のようにしてアプリケーション・レイヤ
４１の行動切換えモジュール７１から与えられる「前
進」、「喜ぶ」、「鳴く」又は「トラッキング（ボール
を追いかける）」といった抽象的な行動コマンドを出力
系６９の対応する信号処理モジュール６１〜６７に与え
る。
セマンティクスコンバータモジュール６８は、図９に示
すように、上述のようにしてアプリケーション・レイヤ
４１の行動切換えモジュール７１から与えられる「前
進」、「喜ぶ」、「鳴く」又は「トラッキング（ボール
を追いかける）」といった抽象的な行動コマンドを出力
系６９の対応する信号処理モジュール６１〜６７に与え
る。
【０１００】そしてこれら信号処理モジュール６１〜６
７は、行動コマンドが与えられると当該行動コマンドに
基づいて、その行動を行うために対応するアクチュエー
タ２５１〜２５ｎ（図７）に与えるべきサーボ指令値
や、スピーカ２４（図７）から出力する音の音声データ
及び又は「目」のＬＥＤに与える駆動データを生成し、
これらのデータをロボティック・サーバ・オブジェクト
３２のバーチャル・ロボット３３及び信号処理回路１４
（図７）を順次介して対応するアクチュエータ２５１〜
２５ｎ又はスピーカ２４又はＬＥＤに順次送出する。
７は、行動コマンドが与えられると当該行動コマンドに
基づいて、その行動を行うために対応するアクチュエー
タ２５１〜２５ｎ（図７）に与えるべきサーボ指令値
や、スピーカ２４（図７）から出力する音の音声データ
及び又は「目」のＬＥＤに与える駆動データを生成し、
これらのデータをロボティック・サーバ・オブジェクト
３２のバーチャル・ロボット３３及び信号処理回路１４
（図７）を順次介して対応するアクチュエータ２５１〜
２５ｎ又はスピーカ２４又はＬＥＤに順次送出する。
【０１０１】このようにしてロボット装置１において
は、制御プログラムに基づいて、自己（内部）及び周囲
（外部）の状況や、使用者からの指示及び働きかけに応
じた自律的な行動を行うことができるようになされてい
る。
は、制御プログラムに基づいて、自己（内部）及び周囲
（外部）の状況や、使用者からの指示及び働きかけに応
じた自律的な行動を行うことができるようになされてい
る。
【０１０２】（３）ロボット装置への適用 以上がロボット装置１の具体的な構成についての説明で
ある。次のこの具体的な構成とされるロボット装置１に
おける学習について具体的に説明する。
ある。次のこの具体的な構成とされるロボット装置１に
おける学習について具体的に説明する。
【０１０３】ロボット装置１は、図１４に示すように、
上述のバーチャルロボット３３、並びに姿勢管理用トラ
ッキングモジュールモジュール用、モーション再生用、
転倒復帰用及び歩行用の信号処理モジュール６１〜６４
の他に、行動計画モジュール１１１、ＲＮＮモジュール
１１２及び特徴量抽出モジュール１１３を備えている。
例えば、このような各構成部分は、制御プログラムとし
て構成されている。具体的には、上述の図８に示したミ
ドル・ウェア・レイヤ４０を構成しており、上述したよ
うに姿勢管理用トラッキングモジュールモジュール用、
モーション再生用、転倒復帰用及び歩行用の各信号処理
モジュール６１〜６４については、出力系６９において
構成されており、特徴量抽出モジュール１１３について
は、認識系６０において構成されている。
上述のバーチャルロボット３３、並びに姿勢管理用トラ
ッキングモジュールモジュール用、モーション再生用、
転倒復帰用及び歩行用の信号処理モジュール６１〜６４
の他に、行動計画モジュール１１１、ＲＮＮモジュール
１１２及び特徴量抽出モジュール１１３を備えている。
例えば、このような各構成部分は、制御プログラムとし
て構成されている。具体的には、上述の図８に示したミ
ドル・ウェア・レイヤ４０を構成しており、上述したよ
うに姿勢管理用トラッキングモジュールモジュール用、
モーション再生用、転倒復帰用及び歩行用の各信号処理
モジュール６１〜６４については、出力系６９において
構成されており、特徴量抽出モジュール１１３について
は、認識系６０において構成されている。
【０１０４】図１５のように示される構成において、ロ
ボット装置１において検出された各種センサー情報は、
特徴量抽出モジュール１１３に入力される。
ボット装置１において検出された各種センサー情報は、
特徴量抽出モジュール１１３に入力される。
【０１０５】特徴量抽出モジュール１１３では、各種セ
ンサー情報を処理して、センサー情報から特徴量を抽出
し、センサー特徴量を得る。そして、特徴量抽出モジュ
ール１１３は、センサー特徴量を、ＲＮＮモジュール１
１２に出力する。
ンサー情報を処理して、センサー情報から特徴量を抽出
し、センサー特徴量を得る。そして、特徴量抽出モジュ
ール１１３は、センサー特徴量を、ＲＮＮモジュール１
１２に出力する。
【０１０６】ＲＮＮモジュール１１２は、上述の図２に
示した学習部１０３及び予測部１０４の機能を併有して
おり、情報の学習と、その学習結果を利用した情報の予
測を行う機能を有している。例えば、ＲＮＮモジュール
１１２は、図１５に示すように構成されている。また、
例えば、このＲＮＮモジュール１１２は、図１０に示し
た学習モジュール７２として制御プログラムによって構
成されている。
示した学習部１０３及び予測部１０４の機能を併有して
おり、情報の学習と、その学習結果を利用した情報の予
測を行う機能を有している。例えば、ＲＮＮモジュール
１１２は、図１５に示すように構成されている。また、
例えば、このＲＮＮモジュール１１２は、図１０に示し
た学習モジュール７２として制御プログラムによって構
成されている。
【０１０７】このようなＲＮＮモジュール１１２には、
センサー情報が入力として与えられると同時に、行動計
画モジュール１１１から出力されるコマンドＡｔも入力
として与えられる。ＲＮＮモジュール１１２では、入力
されるセンサー特徴量とコマンドとを使用して、ＲＮＮ
としてのフォワードモデル１１２１とインバースＲＮＮ
としてのインバースモデル１１２２とによる学習を行
う。
センサー情報が入力として与えられると同時に、行動計
画モジュール１１１から出力されるコマンドＡｔも入力
として与えられる。ＲＮＮモジュール１１２では、入力
されるセンサー特徴量とコマンドとを使用して、ＲＮＮ
としてのフォワードモデル１１２１とインバースＲＮＮ
としてのインバースモデル１１２２とによる学習を行
う。
【０１０８】学習の際には、ＲＮＮモジュール１１２
は、フォワードモデル１１２１により、入力されてくる
センサー情報Ｓｔ等から次時刻のセンサー情報（センサ
ー予測値）Ｓｔ＋１及びコンテキストＣｔ＋１を得る。
ＲＮＮモジュール１１２において得られた次時刻のセン
サー情報Ｓｔ＋１及びコンテキストＣｔ＋１は、行動計
画モジュール１１１において記憶される。例えば、行動
計画モジュール１１１は、必要に応じて内部状態に関連
付けて記憶する。例えば、内部状態とは、感情等であ
る。
は、フォワードモデル１１２１により、入力されてくる
センサー情報Ｓｔ等から次時刻のセンサー情報（センサ
ー予測値）Ｓｔ＋１及びコンテキストＣｔ＋１を得る。
ＲＮＮモジュール１１２において得られた次時刻のセン
サー情報Ｓｔ＋１及びコンテキストＣｔ＋１は、行動計
画モジュール１１１において記憶される。例えば、行動
計画モジュール１１１は、必要に応じて内部状態に関連
付けて記憶する。例えば、内部状態とは、感情等であ
る。
【０１０９】行動計画モジュール１１１は、ロボット装
置１の行動の計画を決定する部分である。行動計画モジ
ュール１１１は、例えば、図１０に示した行動モデルラ
イブラリ７０として構成されている。学習（学習フェイ
ズ）の際（すなわち、未だ完全に学習されていない場
合）には、行動計画モジュール１１１は、上述したよう
な行動モデルライブラリ７０の行動モデル７０１〜７０
ｎのうちの一の所望の行動モデルに基づいてロボット装
置１の行動を決定するようにしている。行動計画モジュ
ール１１１は、図１４に示すように、行動計画に応じた
行動情報Ａｔを、姿勢管理モジュール６１に出力してい
る。そして、姿勢管理モジュール６１以降の処理によ
り、そのような行動情報Ａｔに基づいて動作の制御がな
されるようになる。
置１の行動の計画を決定する部分である。行動計画モジ
ュール１１１は、例えば、図１０に示した行動モデルラ
イブラリ７０として構成されている。学習（学習フェイ
ズ）の際（すなわち、未だ完全に学習されていない場
合）には、行動計画モジュール１１１は、上述したよう
な行動モデルライブラリ７０の行動モデル７０１〜７０
ｎのうちの一の所望の行動モデルに基づいてロボット装
置１の行動を決定するようにしている。行動計画モジュ
ール１１１は、図１４に示すように、行動計画に応じた
行動情報Ａｔを、姿勢管理モジュール６１に出力してい
る。そして、姿勢管理モジュール６１以降の処理によ
り、そのような行動情報Ａｔに基づいて動作の制御がな
されるようになる。
【０１１０】また、行動計画モジュール１１１は、ＲＮ
Ｎモジュール１１２の学習が進んだ状態（すなわち、あ
る程度学習をした後）で、行動計画モジュール１１１の
内部にて記憶されたセンサー情報とコンテキストを起想
させる必要が起こったときに、起想させたいセンサー情
報ＳとコンテキストＣとを取り出し、それをインバース
ＲＮＮとされるフォワードモデル１１２２の入力として
ＲＮＮモジュール１１２に与える。
Ｎモジュール１１２の学習が進んだ状態（すなわち、あ
る程度学習をした後）で、行動計画モジュール１１１の
内部にて記憶されたセンサー情報とコンテキストを起想
させる必要が起こったときに、起想させたいセンサー情
報ＳとコンテキストＣとを取り出し、それをインバース
ＲＮＮとされるフォワードモデル１１２２の入力として
ＲＮＮモジュール１１２に与える。
【０１１１】ＲＮＮモジュール１１２では、この入力か
ら、インバースＲＮＮにより、実現する（想起する）ア
クションの時系列Ａ１，Ａ２，・・・，Ａｎを順次計算
し、姿勢管理モジュール６１に対して送信する。これに
より、行動計画モジュール１１１の期待する入力が得ら
れるようにロボット装置１の行動が実行されるするよう
になる。
ら、インバースＲＮＮにより、実現する（想起する）ア
クションの時系列Ａ１，Ａ２，・・・，Ａｎを順次計算
し、姿勢管理モジュール６１に対して送信する。これに
より、行動計画モジュール１１１の期待する入力が得ら
れるようにロボット装置１の行動が実行されるするよう
になる。
【０１１２】以上のように、ロボット装置１によれば、
ユーザが直接ロボット装置１に対して力を加えること
で、ユーザとロボット装置１との間で直感的なインター
フェースを形成することができ、しかも、繰り返して同
じ操作を教えることによって、後に、ロボット装置１自
身が採るべき動作を予測し、最後まで操作しなくても自
律的に動作するようになる。
ユーザが直接ロボット装置１に対して力を加えること
で、ユーザとロボット装置１との間で直感的なインター
フェースを形成することができ、しかも、繰り返して同
じ操作を教えることによって、後に、ロボット装置１自
身が採るべき動作を予測し、最後まで操作しなくても自
律的に動作するようになる。
【０１１３】なお、上述の実施の形態では、学習後に、
ロボット装置１が再び同様な外力を検出することによ
り、対応される動作を自律的に出現させる場合を説明し
た。しかし、これに限定されるものではなく、ロボット
装置１が、外力の付与をトリガとすることなく、最初か
ら自律的に、学習後の動作を表出することもできる。こ
の場合、ロボット装置１は、感情等と学習後の動作とを
関連付けておくことで、所定の感情になったときに関連
付けされた学習後の動作を出現させることができるよう
になる。この場合、ロボット装置１は、学習したフォワ
ードモデルを用いて、ある姿勢をとりたいときに、イン
バースダイナミックスを解いて出力すべきトルクを算出
して、そのトルクを用いて、目標姿勢に到達するように
動作部をする。
ロボット装置１が再び同様な外力を検出することによ
り、対応される動作を自律的に出現させる場合を説明し
た。しかし、これに限定されるものではなく、ロボット
装置１が、外力の付与をトリガとすることなく、最初か
ら自律的に、学習後の動作を表出することもできる。こ
の場合、ロボット装置１は、感情等と学習後の動作とを
関連付けておくことで、所定の感情になったときに関連
付けされた学習後の動作を出現させることができるよう
になる。この場合、ロボット装置１は、学習したフォワ
ードモデルを用いて、ある姿勢をとりたいときに、イン
バースダイナミックスを解いて出力すべきトルクを算出
して、そのトルクを用いて、目標姿勢に到達するように
動作部をする。
【０１１４】また、上述の実施の形態では、学習部をＲ
ＮＮとし、予測部をインバースＲＮＮとして、説明し
た。しかし、学習部がそのようなニューラルネットに限
定されないことはいうまでもない。
ＮＮとし、予測部をインバースＲＮＮとして、説明し
た。しかし、学習部がそのようなニューラルネットに限
定されないことはいうまでもない。
【０１１５】また、上述の実施の形態では、本発明を、
ロボット装置１自体に適用した場合について説明した
が、これに限定されるものではない。例えば、上述した
ようなロボット装置１に実行させるプログラムやそのよ
うなプログラムが記録された記録媒体に適用することも
できる。
ロボット装置１自体に適用した場合について説明した
が、これに限定されるものではない。例えば、上述した
ようなロボット装置１に実行させるプログラムやそのよ
うなプログラムが記録された記録媒体に適用することも
できる。
【０１１６】
【発明の効果】本発明に係るロボット装置の動作制御方
法は、動作部を操作し、その操作に応じて動作部におい
て得られる時系列の信号の学習をする学習工程と、学習
後に動作部への外力により動作部において得られる信号
と、学習工程にて学習した時系列の信号とに基づいて、
動作部を制御する動作制御工程とを有することにより、
ロボット装置は、ユーザによる動作部の操作を学習し
て、学習後においては、動作部への外力に基づいて学習
した動作を想起し、自律的に動作することができるよう
になる。
法は、動作部を操作し、その操作に応じて動作部におい
て得られる時系列の信号の学習をする学習工程と、学習
後に動作部への外力により動作部において得られる信号
と、学習工程にて学習した時系列の信号とに基づいて、
動作部を制御する動作制御工程とを有することにより、
ロボット装置は、ユーザによる動作部の操作を学習し
て、学習後においては、動作部への外力に基づいて学習
した動作を想起し、自律的に動作することができるよう
になる。
【０１１７】また、本発明に係るプログラムは、動作部
が操作され、その操作に応じて動作部において得られる
時系列の信号の学習をする学習工程と、学習後に動作部
への外力により動作部において得られる信号と、学習工
程にて学習した時系列の信号とに基づいて、動作部を制
御する動作制御工程とをロボット装置に実行させること
により、ロボット装置は、ユーザによる動作部の操作を
学習して、学習後においては、動作部への外力に基づい
て学習した動作を想起し、自律的に動作することができ
る。
が操作され、その操作に応じて動作部において得られる
時系列の信号の学習をする学習工程と、学習後に動作部
への外力により動作部において得られる信号と、学習工
程にて学習した時系列の信号とに基づいて、動作部を制
御する動作制御工程とをロボット装置に実行させること
により、ロボット装置は、ユーザによる動作部の操作を
学習して、学習後においては、動作部への外力に基づい
て学習した動作を想起し、自律的に動作することができ
る。
【０１１８】また、本発明に係る記録媒体は、動作部が
操作され、その操作に応じて動作部において得られる時
系列の信号の学習をする学習工程と、学習後に動作部へ
の外力により動作部において得られる信号と、学習工程
にて学習した時系列の信号とに基づいて、動作部を制御
する動作制御工程とをロボット装置に実行させるプログ
ラムが記録されており、このプログラムを実行するロボ
ット装置は、ユーザによる動作部の操作を学習して、学
習後においては、動作部への外力に基づいて学習した動
作を想起し、自律的に動作することができる。
操作され、その操作に応じて動作部において得られる時
系列の信号の学習をする学習工程と、学習後に動作部へ
の外力により動作部において得られる信号と、学習工程
にて学習した時系列の信号とに基づいて、動作部を制御
する動作制御工程とをロボット装置に実行させるプログ
ラムが記録されており、このプログラムを実行するロボ
ット装置は、ユーザによる動作部の操作を学習して、学
習後においては、動作部への外力に基づいて学習した動
作を想起し、自律的に動作することができる。
【０１１９】また、本発明に係るロボット装置は、動作
部が操作され、その操作に応じて動作部において得られ
る時系列の信号の学習をする学習手段と、学習後に動作
部への外力により動作部において得られる信号と、学習
手段が学習した時系列の信号とに基づいて、動作部を制
御する動作制御手段とを備えることにより、ユーザによ
る動作部の操作を学習して、学習後においては、動作部
への外力に基づいて学習した動作を想起し、自律的に動
作することができる。
部が操作され、その操作に応じて動作部において得られ
る時系列の信号の学習をする学習手段と、学習後に動作
部への外力により動作部において得られる信号と、学習
手段が学習した時系列の信号とに基づいて、動作部を制
御する動作制御手段とを備えることにより、ユーザによ
る動作部の操作を学習して、学習後においては、動作部
への外力に基づいて学習した動作を想起し、自律的に動
作することができる。
【図１】本発明の実施の形態であるロボット装置の外観
構成を示す斜視図である。
構成を示す斜視図である。
【図２】上述のロボット装置における動作の学習等をす
る要部を示すブロック図である。
る要部を示すブロック図である。
【図３】学習によって実現されるロボット装置の動作の
説明に使用した図である。
説明に使用した図である。
【図４】上述のロボット装置の学習部を構成するＲＮＮ
を示す図である。
を示す図である。
【図５】学習の際のロボット装置における処理を示すフ
ローチャートである。
ローチャートである。
【図６】上述のロボット装置の予測部を構成するインバ
ースＲＮＮを示す図である。
ースＲＮＮを示す図である。
【図７】上述のロボット装置の回路構成を示すブロック
図である。
図である。
【図８】上述のロボット装置のソフトウェア構成を示す
ブロック図である。
ブロック図である。
【図９】上述のロボット装置のソフトウェア構成におけ
るミドル・ウェア・レイヤの構成を示すブロック図であ
る。
るミドル・ウェア・レイヤの構成を示すブロック図であ
る。
【図１０】上述のロボット装置のソフトウェア構成にお
けるアプリケーション・レイヤの構成を示すブロック図
である。
けるアプリケーション・レイヤの構成を示すブロック図
である。
【図１１】上述のアプリケーション・レイヤの行動モデ
ルライブラリの構成を示すブロック図である。
ルライブラリの構成を示すブロック図である。
【図１２】ロボット装置の行動決定のための情報となる
有限確率オートマトンを説明するために使用した図であ
る。
有限確率オートマトンを説明するために使用した図であ
る。
【図１３】有限確率オートマトンの各ノードに用意され
た状態遷移表を示す図である。
た状態遷移表を示す図である。
【図１４】上述のロボット装置の学習部等のより具体的
な構成を示すブロックである。
な構成を示すブロックである。
【図１５】ＲＮＮモジュールの構成を示すブロック図で
ある。
ある。
１ ロボット装置、１０１ センサー、１０２ 動作制
御部、１０３ 学習部、１０４ 予測部、１０５ 駆動
部、１０６ 動作部、１１２ ＲＮＮモジュール
御部、１０３ 学習部、１０４ 予測部、１０５ 駆動
部、１０６ 動作部、１１２ ＲＮＮモジュール
───────────────────────────────────────────────────── フロントページの続き (72)発明者 ガブリエル コスタ 東京都品川区北品川６丁目７番35号 ソニ ー株式会社内 (72)発明者 大橋 武史 東京都品川区北品川６丁目７番35号 ソニ ー株式会社内 Ｆターム(参考） 2C150 CA01 CA02 CA04 DA04 DA05 DA24 DA25 DA26 DA27 DA28 DF03 DF04 DF33 ED42 ED52 EF03 EF07 EF09 EF13 EF16 EF23 EF29 EF34 EF36 3C007 AS36 CS08 HS09 KS16 KS28 KS35 LV12 LW03 LW12 LW15 WA04 WA14 WB18 WB21 WB22 WB25 WC01
Claims (14)
- 【請求項１】 動作部を有するロボット装置の動作を制
御するロボット装置の動作制御方法であって、 上記動作部を操作し、その操作に応じて動作部において
得られる時系列の信号の学習をする学習工程と、 学習後に上記動作部への外力により上記動作部において
得られる信号と、上記学習工程にて学習した上記時系列
の信号とに基づいて、上記動作部を制御する動作制御工
程とを有することを特徴とするロボット装置の動作制御
方法。 - 【請求項２】 上記信号が上記動作部の位置を示すこと
を特徴とする請求項１記載のロボット装置の動作制御方
法。 - 【請求項３】 上記ロボット装置は、上記動作部の動作
を制御する際の当該動作部の移動位置検出をする位置検
出手段を備えており、 上記信号が、上記位置検出手段の検出信号であることを
特徴とする請求項２記載のロボット装置の動作制御方
法。 - 【請求項４】 上記動作制御工程では、上記学習後に上
記動作部への外力により上記動作部において得られる初
期の信号から予測し、その予測値と上記学習工程にて学
習した時系列の信号とを比較し、その比較結果に基づい
て上記動作部を制御することを特徴とする請求項１記載
のロボット装置の動作制御方法。 - 【請求項５】 上記学習工程では、上記時系列の信号
が、入力層、隠れ層及び出力層に向かって入力されるニ
ューラルネットワークにより学習をすることを特徴とす
る請求項１記載のロボット装置の動作制御方法。 - 【請求項６】 上記ニューラルネットワークが、上記出
力層から上記入力層に向かってフィードバックするルー
プを有するリカレントニューラルネットワークであるこ
とを特徴とする請求項５記載のロボット装置の動作制御
方法。 - 【請求項７】 動作部を有するロボット装置の動作を制
御するためのプログラムであって、 上記動作部が操作され、その操作に応じて動作部におい
て得られる時系列の信号の学習をする学習工程と、 学習後に上記動作部への外力により上記動作部において
得られる信号と、上記学習工程にて学習した上記時系列
の信号とに基づいて、上記動作部を制御する動作制御工
程とをロボット装置に実行させることを特徴とするプロ
グラム。 - 【請求項８】 動作部を有するロボット装置の動作を制
御するためのプログラムが記録された記録媒体であっ
て、 上記動作部が操作され、その操作に応じて動作部におい
て得られる時系列の信号の学習をする学習工程と、 学習後に上記動作部への外力により上記動作部において
得られる信号と、上記学習工程にて学習した上記時系列
の信号とに基づいて、上記動作部を制御する動作制御工
程とをロボット装置に実行させるプログラムが記録され
たことを特徴とする記録媒体。 - 【請求項９】 動作部を有するロボット装置であって、 上記動作部が操作され、その操作に応じて動作部におい
て得られる時系列の信号の学習をする学習手段と、 学習後に上記動作部への外力により上記動作部において
得られる信号と、上記学習手段が学習した上記時系列の
信号とに基づいて、上記動作部を制御する動作制御手段
とを備えることを特徴とするロボット装置。 - 【請求項１０】 上記信号が上記動作部の位置を示すこ
とを特徴とする請求項９記載のロボット装置。 - 【請求項１１】 上記動作部の動作を制御する際の当該
動作部の移動位置検出をする位置検出手段を備えてお
り、 上記信号が、上記位置検出手段の検出信号であることを
特徴とする請求項１０記載のロボット装置。 - 【請求項１２】 上記学習後に上記動作部への外力によ
り上記動作部において得られる初期の信号から予測する
予測手段を備え、 上記動作制御手段は、上記予測手段の予測値と上記学習
手段にて学習した時系列の信号とを比較し、その比較結
果に基づいて上記動作部を制御することを特徴とする請
求項９記載のロボット装置。 - 【請求項１３】 上記学習手段では、上記時系列の信号
が、入力層、隠れ層及び出力層に向かって入力されるニ
ューラルネットワークにより学習をすることを特徴とす
る請求項９記載のロボット装置。 - 【請求項１４】 上記ニューラルネットワークが、上記
出力層から上記入力層に向かってフィードバックするル
ープを有するリカレントニューラルネットワークである
ことを特徴とする請求項１３記載のロボット装置。
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001045691A JP2002239960A (ja) | 2001-02-21 | 2001-02-21 | ロボット装置の動作制御方法、プログラム、記録媒体及びロボット装置 |
| US10/258,110 US6697711B2 (en) | 2001-02-21 | 2002-02-21 | Operational control method, program, and recording media for robot device, and robot device |
| CN02800361A CN1457287A (zh) | 2001-02-21 | 2002-02-21 | 用于机器人装置的操作控制的方法、程序、和记录介质、以及机器人装置 |
| KR1020027013996A KR20030007533A (ko) | 2001-02-21 | 2002-02-21 | 로봇 장치의 동작 제어 방법, 프로그램, 기록 매체 및로봇 장치 |
| PCT/JP2002/001573 WO2002066211A1 (fr) | 2001-02-21 | 2002-02-21 | Procede de commande de fonctionnement, programme, et support d'enregistrement pour dispositif robotise, et dispositif robotise correspondant |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001045691A JP2002239960A (ja) | 2001-02-21 | 2001-02-21 | ロボット装置の動作制御方法、プログラム、記録媒体及びロボット装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2002239960A true JP2002239960A (ja) | 2002-08-28 |
Family
ID=18907431
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2001045691A Withdrawn JP2002239960A (ja) | 2001-02-21 | 2001-02-21 | ロボット装置の動作制御方法、プログラム、記録媒体及びロボット装置 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US6697711B2 (ja) |
| JP (1) | JP2002239960A (ja) |
| KR (1) | KR20030007533A (ja) |
| CN (1) | CN1457287A (ja) |
| WO (1) | WO2002066211A1 (ja) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009107035A (ja) * | 2007-10-26 | 2009-05-21 | Ihi Corp | 脚式移動体の操縦方法及び脚式移動体 |
| KR101189772B1 (ko) * | 2009-12-30 | 2012-10-10 | 한국생산기술연구원 | 쇼 윈도우용 인조물의 제어 장치 및 그 제어 방법 |
| JP2013169644A (ja) * | 2012-02-21 | 2013-09-02 | GM Global Technology Operations LLC | 手続き記憶学習およびロボット制御 |
| US9687301B2 (en) | 2012-08-07 | 2017-06-27 | Samsung Elecronics Co., Ltd. | Surgical robot system and control method thereof |
| WO2019087490A1 (ja) * | 2017-10-30 | 2019-05-09 | ソニー株式会社 | 情報処理装置、情報処理方法、およびプログラム |
| KR102169879B1 (ko) | 2019-06-03 | 2020-10-27 | 한국기계연구원 | 학습을 이용한 로봇의 충돌 감지 시스템 및 방법 |
| US11786831B2 (en) | 2019-10-31 | 2023-10-17 | Casio Computer Co., Ltd. | Robot |
| EP4342642A1 (en) | 2022-09-26 | 2024-03-27 | Casio Computer Co., Ltd. | Apparatus, apparatus control method and program |
Families Citing this family (62)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100451159B1 (ko) * | 2001-12-18 | 2004-10-02 | 엘지전자 주식회사 | 로봇의 동작편집장치 및 방법 |
| JP2004001162A (ja) * | 2002-03-28 | 2004-01-08 | Fuji Photo Film Co Ltd | ペットロボット充電システム、受取装置、ロボット、及びロボットシステム |
| JP2004227163A (ja) * | 2003-01-21 | 2004-08-12 | Fanuc Ltd | サーボ制御装置 |
| JP3898686B2 (ja) * | 2003-10-20 | 2007-03-28 | ファナック株式会社 | 数値制御装置 |
| US7848850B2 (en) * | 2003-11-13 | 2010-12-07 | Japan Science And Technology Agency | Method for driving robot |
| ATE374064T1 (de) * | 2004-03-12 | 2007-10-15 | Koninkl Philips Electronics Nv | Elektronische vorrichtung und verfahren zur belebung eines gegenstands |
| JP4818716B2 (ja) * | 2005-12-27 | 2011-11-16 | 富士通株式会社 | ロボット制御装置 |
| JP4812426B2 (ja) * | 2005-12-27 | 2011-11-09 | 富士通株式会社 | ロボット制御装置 |
| KR100866212B1 (ko) * | 2007-02-08 | 2008-10-30 | 삼성전자주식회사 | 유전자 로봇 플랫폼 및 유전자 로봇 행동 발현 방법 |
| JP5632609B2 (ja) * | 2007-08-21 | 2014-11-26 | 富士通株式会社 | ロボット制御装置およびロボット制御方法 |
| JP2011110621A (ja) * | 2009-11-24 | 2011-06-09 | Toyota Industries Corp | ロボットの教示データを作成する方法およびロボット教示システム |
| US9906838B2 (en) | 2010-07-12 | 2018-02-27 | Time Warner Cable Enterprises Llc | Apparatus and methods for content delivery and message exchange across multiple content delivery networks |
| US9015093B1 (en) | 2010-10-26 | 2015-04-21 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
| US8775341B1 (en) | 2010-10-26 | 2014-07-08 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
| US9566710B2 (en) | 2011-06-02 | 2017-02-14 | Brain Corporation | Apparatus and methods for operating robotic devices using selective state space training |
| US8924011B2 (en) * | 2012-04-03 | 2014-12-30 | Knu-Industry Cooperation Foundation | Intelligent robot apparatus responsive to environmental change and method of controlling and reconfiguring intelligent robot apparatus |
| US9186793B1 (en) | 2012-08-31 | 2015-11-17 | Brain Corporation | Apparatus and methods for controlling attention of a robot |
| US9211645B2 (en) * | 2012-12-13 | 2015-12-15 | Korea Institute Of Industrial Technology | Apparatus and method for selecting lasting feeling of machine |
| US9324245B2 (en) * | 2012-12-13 | 2016-04-26 | Korea Institute Of Industrial Technology | Apparatus and method for creating artificial feelings |
| US20140288704A1 (en) * | 2013-03-14 | 2014-09-25 | Hanson Robokind And Intelligent Bots, Llc | System and Method for Controlling Behavior of a Robotic Character |
| US9764468B2 (en) | 2013-03-15 | 2017-09-19 | Brain Corporation | Adaptive predictor apparatus and methods |
| US9242372B2 (en) | 2013-05-31 | 2016-01-26 | Brain Corporation | Adaptive robotic interface apparatus and methods |
| US9384443B2 (en) * | 2013-06-14 | 2016-07-05 | Brain Corporation | Robotic training apparatus and methods |
| US9314924B1 (en) | 2013-06-14 | 2016-04-19 | Brain Corporation | Predictive robotic controller apparatus and methods |
| US9792546B2 (en) | 2013-06-14 | 2017-10-17 | Brain Corporation | Hierarchical robotic controller apparatus and methods |
| US9436909B2 (en) | 2013-06-19 | 2016-09-06 | Brain Corporation | Increased dynamic range artificial neuron network apparatus and methods |
| US9296101B2 (en) | 2013-09-27 | 2016-03-29 | Brain Corporation | Robotic control arbitration apparatus and methods |
| US9579789B2 (en) | 2013-09-27 | 2017-02-28 | Brain Corporation | Apparatus and methods for training of robotic control arbitration |
| US9463571B2 (en) | 2013-11-01 | 2016-10-11 | Brian Corporation | Apparatus and methods for online training of robots |
| US9597797B2 (en) | 2013-11-01 | 2017-03-21 | Brain Corporation | Apparatus and methods for haptic training of robots |
| US9248569B2 (en) | 2013-11-22 | 2016-02-02 | Brain Corporation | Discrepancy detection apparatus and methods for machine learning |
| US9358685B2 (en) | 2014-02-03 | 2016-06-07 | Brain Corporation | Apparatus and methods for control of robot actions based on corrective user inputs |
| US9364950B2 (en) | 2014-03-13 | 2016-06-14 | Brain Corporation | Trainable modular robotic methods |
| US9533413B2 (en) * | 2014-03-13 | 2017-01-03 | Brain Corporation | Trainable modular robotic apparatus and methods |
| US9987743B2 (en) | 2014-03-13 | 2018-06-05 | Brain Corporation | Trainable modular robotic apparatus and methods |
| US9346167B2 (en) | 2014-04-29 | 2016-05-24 | Brain Corporation | Trainable convolutional network apparatus and methods for operating a robotic vehicle |
| WO2016011590A1 (zh) * | 2014-07-21 | 2016-01-28 | 深圳市大疆创新科技有限公司 | 一种数据处理方法、装置及飞行器 |
| US9630318B2 (en) | 2014-10-02 | 2017-04-25 | Brain Corporation | Feature detection apparatus and methods for training of robotic navigation |
| US9426946B2 (en) | 2014-12-02 | 2016-08-30 | Brain Corporation | Computerized learning landscaping apparatus and methods |
| US9592608B1 (en) * | 2014-12-15 | 2017-03-14 | X Development Llc | Methods and systems for providing feedback during teach mode |
| US9717387B1 (en) | 2015-02-26 | 2017-08-01 | Brain Corporation | Apparatus and methods for programming and training of robotic household appliances |
| US9840003B2 (en) | 2015-06-24 | 2017-12-12 | Brain Corporation | Apparatus and methods for safe navigation of robotic devices |
| US9652712B2 (en) | 2015-07-27 | 2017-05-16 | Google Inc. | Analyzing health events using recurrent neural networks |
| JP2017091431A (ja) * | 2015-11-17 | 2017-05-25 | ソニー株式会社 | 情報処理装置、情報処理方法およびプログラム |
| JP6544219B2 (ja) * | 2015-11-30 | 2019-07-17 | オムロン株式会社 | 制御装置 |
| US9919422B1 (en) | 2016-01-06 | 2018-03-20 | X Development Llc | Methods and systems to provide mechanical feedback during movement of a robotic system |
| US10241514B2 (en) | 2016-05-11 | 2019-03-26 | Brain Corporation | Systems and methods for initializing a robot to autonomously travel a trained route |
| EP3689557A1 (en) * | 2016-05-20 | 2020-08-05 | Google LLC | Machine learning methods and apparatus related to predicting motion(s) of object(s) in a robot's environment based on image(s) capturing the object(s) and based on parameter(s) for future robot movement in the environment |
| KR101980603B1 (ko) | 2016-05-20 | 2019-05-22 | 구글 엘엘씨 | 오브젝트(들)를 캡처하는 이미지(들)에 기초하는 그리고 환경에서의 미래 로봇 움직임에 대한 파라미터(들)에 기초하여 로봇 환경에서의 오브젝트(들)의 모션(들)을 예측하는 것과 관련된 머신 학습 방법들 및 장치 |
| US9987752B2 (en) | 2016-06-10 | 2018-06-05 | Brain Corporation | Systems and methods for automatic detection of spills |
| US10282849B2 (en) | 2016-06-17 | 2019-05-07 | Brain Corporation | Systems and methods for predictive/reconstructive visual object tracker |
| US10016896B2 (en) | 2016-06-30 | 2018-07-10 | Brain Corporation | Systems and methods for robotic behavior around moving bodies |
| DE102016215587A1 (de) * | 2016-08-19 | 2018-02-22 | Audi Ag | Verfahren zum Betreiben eines zumindest teilautonom betriebenen Kraftfahrzeugs und Kraftfahrzeug |
| US10183590B2 (en) * | 2016-09-23 | 2019-01-22 | Faraday&Future Inc. | Electric vehicle battery monitoring system |
| US10274325B2 (en) | 2016-11-01 | 2019-04-30 | Brain Corporation | Systems and methods for robotic mapping |
| US10001780B2 (en) | 2016-11-02 | 2018-06-19 | Brain Corporation | Systems and methods for dynamic route planning in autonomous navigation |
| US10723018B2 (en) | 2016-11-28 | 2020-07-28 | Brain Corporation | Systems and methods for remote operating and/or monitoring of a robot |
| US10377040B2 (en) | 2017-02-02 | 2019-08-13 | Brain Corporation | Systems and methods for assisting a robotic apparatus |
| US10852730B2 (en) | 2017-02-08 | 2020-12-01 | Brain Corporation | Systems and methods for robotic mobile platforms |
| US10293485B2 (en) | 2017-03-30 | 2019-05-21 | Brain Corporation | Systems and methods for robotic path planning |
| JP6951659B2 (ja) * | 2017-05-09 | 2021-10-20 | オムロン株式会社 | タスク実行システム、タスク実行方法、並びにその学習装置及び学習方法 |
| CN108621159B (zh) * | 2018-04-28 | 2020-05-19 | 首都师范大学 | 一种基于深度学习的机器人动力学建模方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1177560A (ja) | 1997-09-03 | 1999-03-23 | Sony Corp | 多関節型ロボット及び多関節型ロボットの位置教示方法 |
| JPH11198075A (ja) | 1998-01-08 | 1999-07-27 | Mitsubishi Electric Corp | 行動支援装置 |
| JP2001191276A (ja) * | 1999-10-29 | 2001-07-17 | Sony Corp | ロボットシステム、ロボット装置及びその外装 |
| WO2001059703A1 (fr) * | 2000-02-09 | 2001-08-16 | Sony Corporation | Dispositif et procede de traitement de l'information, dispositif de stockage de donnees et programme |
| WO2001058649A1 (fr) * | 2000-02-14 | 2001-08-16 | Sony Corporation | Systeme robotique, dispositif robotise et procede de controle d'un tel systeme et dispositif et procede de traitement de donnees |
| CN1398214A (zh) * | 2000-10-23 | 2003-02-19 | 索尼公司 | 有足机器人、用于有足机器人的动作控制方法、和存储介质 |
| US6680753B2 (en) * | 2001-03-07 | 2004-01-20 | Matsushita Electric Industrial Co., Ltd. | Method and apparatus for skipping and repeating audio frames |
| KR100940630B1 (ko) * | 2001-05-02 | 2010-02-05 | 소니 주식회사 | 로봇 장치와, 문자 인식 장치 및 문자 인식 방법과, 제어프로그램 및 기록 매체 |
-
2001
- 2001-02-21 JP JP2001045691A patent/JP2002239960A/ja not_active Withdrawn
-
2002
- 2002-02-21 US US10/258,110 patent/US6697711B2/en not_active Expired - Fee Related
- 2002-02-21 KR KR1020027013996A patent/KR20030007533A/ko not_active Application Discontinuation
- 2002-02-21 CN CN02800361A patent/CN1457287A/zh active Pending
- 2002-02-21 WO PCT/JP2002/001573 patent/WO2002066211A1/ja active Application Filing
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009107035A (ja) * | 2007-10-26 | 2009-05-21 | Ihi Corp | 脚式移動体の操縦方法及び脚式移動体 |
| KR101189772B1 (ko) * | 2009-12-30 | 2012-10-10 | 한국생산기술연구원 | 쇼 윈도우용 인조물의 제어 장치 및 그 제어 방법 |
| JP2013169644A (ja) * | 2012-02-21 | 2013-09-02 | GM Global Technology Operations LLC | 手続き記憶学習およびロボット制御 |
| US9687301B2 (en) | 2012-08-07 | 2017-06-27 | Samsung Elecronics Co., Ltd. | Surgical robot system and control method thereof |
| WO2019087490A1 (ja) * | 2017-10-30 | 2019-05-09 | ソニー株式会社 | 情報処理装置、情報処理方法、およびプログラム |
| JPWO2019087490A1 (ja) * | 2017-10-30 | 2020-12-17 | ソニー株式会社 | 情報処理装置、情報処理方法、およびプログラム |
| US11446813B2 (en) | 2017-10-30 | 2022-09-20 | Sony Group Corporation | Information processing apparatus, information processing method, and program |
| JP7156300B2 (ja) | 2017-10-30 | 2022-10-19 | ソニーグループ株式会社 | 情報処理装置、情報処理方法、およびプログラム |
| US11938625B2 (en) | 2017-10-30 | 2024-03-26 | Sony Group Corporation | Information processing apparatus, information processing method, and program |
| KR102169879B1 (ko) | 2019-06-03 | 2020-10-27 | 한국기계연구원 | 학습을 이용한 로봇의 충돌 감지 시스템 및 방법 |
| US11786831B2 (en) | 2019-10-31 | 2023-10-17 | Casio Computer Co., Ltd. | Robot |
| EP4342642A1 (en) | 2022-09-26 | 2024-03-27 | Casio Computer Co., Ltd. | Apparatus, apparatus control method and program |
Also Published As
| Publication number | Publication date |
|---|---|
| US6697711B2 (en) | 2004-02-24 |
| CN1457287A (zh) | 2003-11-19 |
| WO2002066211A1 (fr) | 2002-08-29 |
| KR20030007533A (ko) | 2003-01-23 |
| US20030144764A1 (en) | 2003-07-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2002239960A (ja) | ロボット装置の動作制御方法、プログラム、記録媒体及びロボット装置 | |
| US11224971B2 (en) | Predictive robotic controller apparatus and methods | |
| JP2002239963A (ja) | ロボット装置、ロボット装置の動作制御方法、プログラム及び記録媒体 | |
| Al-Yacoub et al. | Improving human robot collaboration through Force/Torque based learning for object manipulation | |
| US7515992B2 (en) | Robot apparatus and emotion representing method therefor | |
| US6718232B2 (en) | Robot device and behavior control method for robot device | |
| US6889117B2 (en) | Robot apparatus and method and system for controlling the action of the robot apparatus | |
| US20050240412A1 (en) | Robot behavior control system and method, and robot apparatus | |
| JP2003266351A (ja) | ロボット装置及びロボット装置の動作制御方法 | |
| JP2005199403A (ja) | 情動認識装置及び方法、ロボット装置の情動認識方法、ロボット装置の学習方法、並びにロボット装置 | |
| US20080058988A1 (en) | Robots with autonomous behavior | |
| JP2003159674A (ja) | ロボット装置、ロボット装置の外力検出方法及びロボット装置の外力検出プログラム、並びにロボット装置の外力検出のためのキャリブレーション方法及びロボット装置の外力検出のためのキャリブレーションプログラム | |
| JP2005342873A (ja) | ロボット装置及びその動作制御方法 | |
| JP2004298975A (ja) | ロボット装置、障害物探索方法 | |
| JP2002239952A (ja) | ロボット装置、ロボット装置の行動制御方法、プログラム及び記録媒体 | |
| JP2003136456A (ja) | ロボット装置、ロボット装置の明るさ検出方法、明るさ検出プログラム及び記録媒体 | |
| WO2002065825A2 (fr) | Robot et procede de commande du fonctionnement dudit robot | |
| JP2002205289A (ja) | ロボット装置の動作制御方法、プログラム、記録媒体及びロボット装置 | |
| JP2002059384A (ja) | ロボットのための学習システム及び学習方法 | |
| JP2004130427A (ja) | ロボット装置及びロボット装置の動作制御方法 | |
| JP2003271958A (ja) | 画像処理方法、その装置、そのプログラム、その記録媒体及び画像処理装置搭載型ロボット装置 | |
| JP2002120183A (ja) | ロボット装置及びロボット装置の入力情報検出方法 | |
| JP4193098B2 (ja) | トラッキング装置、トラッキング装置のトラッキング方法及びロボット装置 | |
| JP2001154707A (ja) | ロボット装置及びその制御方法 | |
| JP2002264057A (ja) | ロボット装置、ロボット装置の行動制御方法、プログラム及び記録媒体 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20080513 |