JP2003271923A - 記憶装置及び方法並びにロボット装置 - Google Patents
記憶装置及び方法並びにロボット装置Info
- Publication number
- JP2003271923A JP2003271923A JP2002073143A JP2002073143A JP2003271923A JP 2003271923 A JP2003271923 A JP 2003271923A JP 2002073143 A JP2002073143 A JP 2002073143A JP 2002073143 A JP2002073143 A JP 2002073143A JP 2003271923 A JP2003271923 A JP 2003271923A
- Authority
- JP
- Japan
- Prior art keywords
- competitive
- symbol
- information
- input
- neurons
- 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.)
- Granted
Links
Classifications
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Robotics (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Mechanical Engineering (AREA)
- Manipulator (AREA)
Abstract
(57)【要約】
【課題】ノイズに強く、記憶容量や、計算量、物理メモ
リ量及び記憶応答性に優れた記憶装置及び方法並びにロ
ボット装置を提案する。 【解決手段】複数の入力ニューロンからなる入力層と、
複数の競合ニューロンからなる競合層とを有する競合型
ニューラルネットワークを用いて、シンボルごとの各種
入力の入力パターンに応じて、対応する入力ニューロン
及び競合ニューロン間の結合力を強めるようにして、シ
ンボルに関する第１の情報を記憶すると共に、各種入力
とは別に供給されるシンボルに関する第２の情報を、当
該シンボルに対応する競合ニューロンと関連付けてフレ
ーム形式で記憶するようにした。
リ量及び記憶応答性に優れた記憶装置及び方法並びにロ
ボット装置を提案する。 【解決手段】複数の入力ニューロンからなる入力層と、
複数の競合ニューロンからなる競合層とを有する競合型
ニューラルネットワークを用いて、シンボルごとの各種
入力の入力パターンに応じて、対応する入力ニューロン
及び競合ニューロン間の結合力を強めるようにして、シ
ンボルに関する第１の情報を記憶すると共に、各種入力
とは別に供給されるシンボルに関する第２の情報を、当
該シンボルに対応する競合ニューロンと関連付けてフレ
ーム形式で記憶するようにした。
Description
【０００１】
【発明の属する技術分野】本発明は記憶装置及び方法並
びにロボット装置に関し、例えばエンターテインメント
ロボットに適用して好適なものである。
びにロボット装置に関し、例えばエンターテインメント
ロボットに適用して好適なものである。
【０００２】
【従来の技術】従来、エンターテインメントロボットに
適用可能な連想記憶システムとして、競合型ニューラル
ネットワークを利用したものが提案されている。
適用可能な連想記憶システムとして、競合型ニューラル
ネットワークを利用したものが提案されている。
【０００３】この連想記憶システムは、図１２に示すよ
うに、対象となる事象又は事物（シンボル）に関するい
くつかの要素（例えば色、形、顔など）についての各認
識系の認識結果（以下、色ＩＤ、形ＩＤ、顔ＩＤ等のＩ
Ｄとする）の組み合わせでなる入力パターンを記憶パタ
ーンＰ１〜Ｐｎとして記憶しておき、図１３に示すよう
に、あるパターン（キーパターン）の入力があったとき
に、記憶している記憶パターンＰ１〜Ｐｎの中からこれ
に類似する記憶パターンＰ１〜Ｐｎを想起し、出力し得
るようになされたものである。なお、図１２及び図１３
において、入力パターン及び記憶パターンＰ１〜Ｐｎの
同じ高さ位置にある升目は同じ要素を示し、同じ要素間
での模様の違いはその要素に対する認識結果が異なるこ
とを示す。
うに、対象となる事象又は事物（シンボル）に関するい
くつかの要素（例えば色、形、顔など）についての各認
識系の認識結果（以下、色ＩＤ、形ＩＤ、顔ＩＤ等のＩ
Ｄとする）の組み合わせでなる入力パターンを記憶パタ
ーンＰ１〜Ｐｎとして記憶しておき、図１３に示すよう
に、あるパターン（キーパターン）の入力があったとき
に、記憶している記憶パターンＰ１〜Ｐｎの中からこれ
に類似する記憶パターンＰ１〜Ｐｎを想起し、出力し得
るようになされたものである。なお、図１２及び図１３
において、入力パターン及び記憶パターンＰ１〜Ｐｎの
同じ高さ位置にある升目は同じ要素を示し、同じ要素間
での模様の違いはその要素に対する認識結果が異なるこ
とを示す。
【０００４】従って、このような連想記憶システムによ
れば、記憶過程で蓄えた記憶パターンＰ１〜Ｐｎに似た
パターンが入力された場合にも、欠落している要素の情
報を補った完全なパターンを出力することができるた
め、例えば顔の認識結果からその人の名前を連想すると
いったことができる。
れば、記憶過程で蓄えた記憶パターンＰ１〜Ｐｎに似た
パターンが入力された場合にも、欠落している要素の情
報を補った完全なパターンを出力することができるた
め、例えば顔の認識結果からその人の名前を連想すると
いったことができる。
【０００５】ここで図１４は、競合型ニューラルネット
ワークを適用したこのような連想記憶システムの構成例
を模式的に示したものである。この図１４に示すよう
に、この競合型ニューラルネットワークは、入力層及び
競合層の２層からなる階層型ニューラルネットワークと
して構成される。
ワークを適用したこのような連想記憶システムの構成例
を模式的に示したものである。この図１４に示すよう
に、この競合型ニューラルネットワークは、入力層及び
競合層の２層からなる階層型ニューラルネットワークと
して構成される。
【０００６】この場合、入力層には、要素１に関するＩ
Ｄの数（ｍ個）＋要素２に関するＩＤの数（ｎ個）＋…
…に相当する個数の入力ニューロンが用意される。そし
て各入力ニューロンには、対応する認識系から認識結果
ＩＤ１〜ＩＤｍ、ＩＤ１〜ＩＤｎ、……が与えられる。
Ｄの数（ｍ個）＋要素２に関するＩＤの数（ｎ個）＋…
…に相当する個数の入力ニューロンが用意される。そし
て各入力ニューロンには、対応する認識系から認識結果
ＩＤ１〜ＩＤｍ、ＩＤ１〜ＩＤｎ、……が与えられる。
【０００７】また競合層には、複数の競合ニューロンが
設けられ、これら各競合ニューロンは、入力層の各入力
ニューロンとそれぞれある結合重みをもって結合され
る。この競合ニューロンは、それぞれ記憶すべき１つの
シンボル（概念対象）に相当する。なお、入力層と競合
層の結合重みは、０から１の間の値をとり、初期結合重
みはランダムに決定される。
設けられ、これら各競合ニューロンは、入力層の各入力
ニューロンとそれぞれある結合重みをもって結合され
る。この競合ニューロンは、それぞれ記憶すべき１つの
シンボル（概念対象）に相当する。なお、入力層と競合
層の結合重みは、０から１の間の値をとり、初期結合重
みはランダムに決定される。
【０００８】この競合型ニューラルネットワークは、記
憶モードと想起モードという２通りの動作モードを備え
ており、記憶モードでは入力パターンを競合的に記憶
し、また想起モードでは部分的に欠落した入力パターン
から完全な記憶パターンＰ１〜Ｐｎ（図１２及び図１
３）を想起する。
憶モードと想起モードという２通りの動作モードを備え
ており、記憶モードでは入力パターンを競合的に記憶
し、また想起モードでは部分的に欠落した入力パターン
から完全な記憶パターンＰ１〜Ｐｎ（図１２及び図１
３）を想起する。
【０００９】このような競合型ニューラルネットワーク
の記憶モード時における記憶は、記憶したい入力パター
ンに対して競合層で勝ち抜いた競合ニューロンを選択し
て、その競合ニューロンと各入力ニューロンとの結合力
を強めることで行う。
の記憶モード時における記憶は、記憶したい入力パター
ンに対して競合層で勝ち抜いた競合ニューロンを選択し
て、その競合ニューロンと各入力ニューロンとの結合力
を強めることで行う。
【００１０】ここで、入力パターンベクトル［ｘ１，ｘ
２，……，ｘｎ］は、入力ニューロンｘ１が、要素１に
ついての認識系の第１の認識結果（ＩＤ１）に対応し、
当該第１の認識結果が入力したときに、入力ニューロン
ｘ１を発火させ、順次、他の要素についてもそのように
発火させることとする。発火した入力ニューロンは
「１」の値をとり、発火しない入力ニューロンは「−
１」の値をとる。
２，……，ｘｎ］は、入力ニューロンｘ１が、要素１に
ついての認識系の第１の認識結果（ＩＤ１）に対応し、
当該第１の認識結果が入力したときに、入力ニューロン
ｘ１を発火させ、順次、他の要素についてもそのように
発火させることとする。発火した入力ニューロンは
「１」の値をとり、発火しない入力ニューロンは「−
１」の値をとる。
【００１１】またｉ番目の入力ニューロンとｊ番目の競
合ニューロンとの結合重みをｗｉｊとおくと、入力ｘｉ
に対する競合ニューロンｙｉの値は、次式
合ニューロンとの結合重みをｗｉｊとおくと、入力ｘｉ
に対する競合ニューロンｙｉの値は、次式
【００１２】
【数１】
【００１３】のように表される。
【００１４】従って、競合に勝ち抜く競合ニューロン
は、次式
は、次式
【００１５】
【数２】
【００１６】により求めることができる。
【００１７】またこのようにして競合に勝ち抜いた競合
ニューロンと入力ニューロンとの結合重みｗｉｊの更新
は、Kohonenの更新規則により、次式
ニューロンと入力ニューロンとの結合重みｗｉｊの更新
は、Kohonenの更新規則により、次式
【００１８】
【数３】
【００１９】のようにして行われる。
【００２０】ここで、L2Normで正規化すると、次式
【００２１】
【数４】
【００２２】のようになる。そしてこの（４）式で与え
られる結合重みｗｉｊ（new）が更新後の新たな記憶の
強さを表し、記憶力となる。
られる結合重みｗｉｊ（new）が更新後の新たな記憶の
強さを表し、記憶力となる。
【００２３】なお（４）式において、学習率αは、提示
する回数と記憶の関係を表すパラメータである。学習率
αが大きいほど、１度記憶させれば忘却することはな
く、次回同じようなパターンを提示すれば、ほぼ間違い
なく記憶したパターンを連想することができる。
する回数と記憶の関係を表すパラメータである。学習率
αが大きいほど、１度記憶させれば忘却することはな
く、次回同じようなパターンを提示すれば、ほぼ間違い
なく記憶したパターンを連想することができる。
【００２４】次に、想起モードについて説明する。ある
入力パターンベクトル［ｘ１，ｘ２，……，ｘｎ］が提
示されたとする。この入力パターンベクトル［ｘ１，ｘ
２，……，ｘｎ］は、ＩＤでも、そのＩＤに対する尤度
や確率であっても良い。
入力パターンベクトル［ｘ１，ｘ２，……，ｘｎ］が提
示されたとする。この入力パターンベクトル［ｘ１，ｘ
２，……，ｘｎ］は、ＩＤでも、そのＩＤに対する尤度
や確率であっても良い。
【００２５】このとき出力ニューロンｙｊの値は、入力
パターンベクトルｘｉについて次式
パターンベクトルｘｉについて次式
【００２６】
【数５】
【００２７】のように計算される。そして、この（５）
式は、各要素の尤度に応じた競合ニューロンの発火値の
尤度を表しているともいえる。ここで重要なことは、複
数の要素についての尤度入力に対して、それらをコネク
ションして全体的な尤度を求めることができるという点
である。
式は、各要素の尤度に応じた競合ニューロンの発火値の
尤度を表しているともいえる。ここで重要なことは、複
数の要素についての尤度入力に対して、それらをコネク
ションして全体的な尤度を求めることができるという点
である。
【００２８】そこで、連想するものは唯一すなわち尤度
が最大のものだけを選択することとすると、競合に勝ち
抜く出力ニューロンｙｊを次式
が最大のものだけを選択することとすると、競合に勝ち
抜く出力ニューロンｙｊを次式
【００２９】
【数６】
【００３０】により求めることができる。
【００３１】そして、このようにして求めた競合ニュー
ロンＹの番号が記憶したシンボルの番号に対応するの
で、次式
ロンＹの番号が記憶したシンボルの番号に対応するの
で、次式
【００３２】
【数７】
【００３３】のように、Ｗの逆行列演算により入力パタ
ーンＸを想起することができる。
ーンＸを想起することができる。
【００３４】
【発明が解決しようとする課題】ところで、かかる競合
型ニューラルネットワークを用いた連想記憶システム
は、上述のように入力ニューロン及び競合ニューロン間
の結合重みを徐々に増加させるようにして記憶を強める
構造を採用することにより、各競合ニューロンにそれぞ
れ対応付けられたシンボルに対する統計的な追加学習を
行い得るようになされている。従って、このような従来
の競合型ニューラルネットワークを用いた従来の連想記
憶システムは、ノイズに強いという利点を有している。
型ニューラルネットワークを用いた連想記憶システム
は、上述のように入力ニューロン及び競合ニューロン間
の結合重みを徐々に増加させるようにして記憶を強める
構造を採用することにより、各競合ニューロンにそれぞ
れ対応付けられたシンボルに対する統計的な追加学習を
行い得るようになされている。従って、このような従来
の競合型ニューラルネットワークを用いた従来の連想記
憶システムは、ノイズに強いという利点を有している。
【００３５】ところが、かかる競合型ニューラルネット
ワークを用いた従来の連想記憶システムは、逆の観点か
ら見れば、かかる構造であるがために、シンボルに対す
る学習を統計的な追加学習としてしか行うことができ
ず、明らかな情報についても徐々にしか記憶できないと
いう欠点があった。
ワークを用いた従来の連想記憶システムは、逆の観点か
ら見れば、かかる構造であるがために、シンボルに対す
る学習を統計的な追加学習としてしか行うことができ
ず、明らかな情報についても徐々にしか記憶できないと
いう欠点があった。
【００３６】また競合型ニューラルネットワークを用い
た従来の連想記憶システムでは、ニューラルネットワー
クを用いているため、記憶できる情報の種類や記憶でき
る最大シンボル数を増やすためにはこれに応じて入力ニ
ューロンや競合ニューロンの数を増加させる必要があ
り、この結果として計算量及び占有物理メモリ量が格段
に増えてしまうという欠点もある。
た従来の連想記憶システムでは、ニューラルネットワー
クを用いているため、記憶できる情報の種類や記憶でき
る最大シンボル数を増やすためにはこれに応じて入力ニ
ューロンや競合ニューロンの数を増加させる必要があ
り、この結果として計算量及び占有物理メモリ量が格段
に増えてしまうという欠点もある。
【００３７】本発明は以上の点を考慮してなされたもの
で、ノイズに強く、記憶容量や、計算量、物理メモリ量
及び記憶応答性に優れた記憶装置及び方法並びにロボッ
ト装置を提案しようとするものである。
で、ノイズに強く、記憶容量や、計算量、物理メモリ量
及び記憶応答性に優れた記憶装置及び方法並びにロボッ
ト装置を提案しようとするものである。
【００３８】
【課題を解決するための手段】かかる課題を解決するた
め本発明においては、記憶装置において、複数の入力ニ
ューロンからなる入力層と、複数の競合ニューロンから
なる競合層とを有する競合型ニューラルネットワークを
用いて、シンボルごとの各種入力の入力パターンに応じ
て、対応する入力ニューロン及び競合ニューロン間の結
合力を強めるようにして、シンボルに関する第１の情報
を記憶する記憶手段を設け、記憶手段が、各種入力とは
別に供給されるシンボルに関する第２の情報を、当該シ
ンボルに対応する競合ニューロンと関連付けてフレーム
形式で記憶するようにした。
め本発明においては、記憶装置において、複数の入力ニ
ューロンからなる入力層と、複数の競合ニューロンから
なる競合層とを有する競合型ニューラルネットワークを
用いて、シンボルごとの各種入力の入力パターンに応じ
て、対応する入力ニューロン及び競合ニューロン間の結
合力を強めるようにして、シンボルに関する第１の情報
を記憶する記憶手段を設け、記憶手段が、各種入力とは
別に供給されるシンボルに関する第２の情報を、当該シ
ンボルに対応する競合ニューロンと関連付けてフレーム
形式で記憶するようにした。
【００３９】この結果この記憶装置は、第１の情報につ
いては統計的な追加学習を行い、第２の情報については
これを直ちに学習（記憶）することができる。
いては統計的な追加学習を行い、第２の情報については
これを直ちに学習（記憶）することができる。
【００４０】また本発明においては、記憶方法におい
て、複数の入力ニューロンからなる入力層と、複数の競
合ニューロンからなる競合層とを有する競合型ニューラ
ルネットワークを用いて、シンボルごとの各種入力の入
力パターンに応じて、対応する入力ニューロン及び競合
ニューロン間の結合力を強めるようにして、シンボルに
関する第１の情報を記憶する第１のステップを設け、第
１のステップでは、各種入力とは別に供給されるシンボ
ルに関する第２の情報を、当該シンボルに対応する競合
ニューロンと関連付けてフレーム形式で記憶するように
した。
て、複数の入力ニューロンからなる入力層と、複数の競
合ニューロンからなる競合層とを有する競合型ニューラ
ルネットワークを用いて、シンボルごとの各種入力の入
力パターンに応じて、対応する入力ニューロン及び競合
ニューロン間の結合力を強めるようにして、シンボルに
関する第１の情報を記憶する第１のステップを設け、第
１のステップでは、各種入力とは別に供給されるシンボ
ルに関する第２の情報を、当該シンボルに対応する競合
ニューロンと関連付けてフレーム形式で記憶するように
した。
【００４１】この結果この記憶方法によれば、第１の情
報については統計的な追加学習を行い、第２の情報につ
いてはこれを直ちに学習（記憶）することができる。
報については統計的な追加学習を行い、第２の情報につ
いてはこれを直ちに学習（記憶）することができる。
【００４２】さらに本発明においては、ロボット装置に
おいて、複数の入力ニューロンからなる入力層と、複数
の競合ニューロンからなる競合層とを有する競合型ニュ
ーラルネットワークを用いて、シンボルごとの各種入力
の入力パターンに応じて、対応する入力ニューロン及び
競合ニューロン間の結合力を強めるようにして、シンボ
ルに関する第１の情報を記憶する記憶手段を設け、記憶
手段が、各種入力とは別に供給されるシンボルに関する
第２の情報を、当該シンボルに対応する競合ニューロン
と関連付けてフレーム形式で記憶するようにした。
おいて、複数の入力ニューロンからなる入力層と、複数
の競合ニューロンからなる競合層とを有する競合型ニュ
ーラルネットワークを用いて、シンボルごとの各種入力
の入力パターンに応じて、対応する入力ニューロン及び
競合ニューロン間の結合力を強めるようにして、シンボ
ルに関する第１の情報を記憶する記憶手段を設け、記憶
手段が、各種入力とは別に供給されるシンボルに関する
第２の情報を、当該シンボルに対応する競合ニューロン
と関連付けてフレーム形式で記憶するようにした。
【００４３】この結果このロボット装置は、第１の情報
については統計的な追加学習を行い、第２の情報につい
てはこれを直ちに学習（記憶）することができる。
については統計的な追加学習を行い、第２の情報につい
てはこれを直ちに学習（記憶）することができる。
【００４４】
【発明の実施の形態】以下図面について、本発明の一実
施の形態を詳述する。
施の形態を詳述する。
【００４５】（１）本実施の形態によるロボットの構成
図１及び図２において、１は全体として本実施の形態に
よる２足歩行型のロボットを示し、胴体部ユニット２の
上部に頭部ユニット３が配設されると共に、当該胴体部
ユニット２の上部左右にそれぞれ同じ構成の腕部ユニッ
ト４Ａ、４Ｂがそれぞれ配設され、かつ胴体部ユニット
２の下部左右にそれぞれ同じ構成の脚部ユニット５Ａ、
５Ｂがそれぞれ所定位置に取り付けられることにより構
成されている。
よる２足歩行型のロボットを示し、胴体部ユニット２の
上部に頭部ユニット３が配設されると共に、当該胴体部
ユニット２の上部左右にそれぞれ同じ構成の腕部ユニッ
ト４Ａ、４Ｂがそれぞれ配設され、かつ胴体部ユニット
２の下部左右にそれぞれ同じ構成の脚部ユニット５Ａ、
５Ｂがそれぞれ所定位置に取り付けられることにより構
成されている。
【００４６】胴体部ユニット２においては、体幹上部を
形成するフレーム１０及び体幹下部を形成する腰ベース
１１が腰関節機構１２を介して連結することにより構成
されており、体幹下部の腰ベース１１に固定された腰関
節機構１２の各アクチュエータＡ１、Ａ２をそれぞれ駆
動することによって、体幹上部を図３に示す直交するロ
ール軸１３及びピッチ軸１４の回りにそれぞれ独立に回
転させ得るようになされている。
形成するフレーム１０及び体幹下部を形成する腰ベース
１１が腰関節機構１２を介して連結することにより構成
されており、体幹下部の腰ベース１１に固定された腰関
節機構１２の各アクチュエータＡ１、Ａ２をそれぞれ駆
動することによって、体幹上部を図３に示す直交するロ
ール軸１３及びピッチ軸１４の回りにそれぞれ独立に回
転させ得るようになされている。
【００４７】また頭部ユニット３は、フレーム１０の上
端に固定された肩ベース１５の上面中央部に首関節機構
１６を介して取り付けられており、当該首関節機構１６
の各アクチュエータＡ３、Ａ４をそれぞれ駆動すること
によって、図３に示す直交するピッチ軸１７及びヨー軸
１８の回りにそれぞれ独立に回転させ得るようになされ
ている。
端に固定された肩ベース１５の上面中央部に首関節機構
１６を介して取り付けられており、当該首関節機構１６
の各アクチュエータＡ３、Ａ４をそれぞれ駆動すること
によって、図３に示す直交するピッチ軸１７及びヨー軸
１８の回りにそれぞれ独立に回転させ得るようになされ
ている。
【００４８】さらに各腕部ユニット４Ａ、４Ｂは、それ
ぞれ肩関節機構１９を介して肩ベース１５の左右に取り
付けられており、対応する肩関節機構１９の各アクチュ
エータＡ５、Ａ６をそれぞれ駆動することによって図３
に示す直交するピッチ軸２０及びロール軸２１の回りに
それぞれ独立に回転させ得るようになされている。
ぞれ肩関節機構１９を介して肩ベース１５の左右に取り
付けられており、対応する肩関節機構１９の各アクチュ
エータＡ５、Ａ６をそれぞれ駆動することによって図３
に示す直交するピッチ軸２０及びロール軸２１の回りに
それぞれ独立に回転させ得るようになされている。
【００４９】この場合、各腕部ユニット４Ａ、４Ｂは、
それぞれ上腕部を形成するアクチュエータＡ７の出力軸
に肘関節機構２２を介して前腕部を形成するアクチュエ
ータＡ８が連結され、当該前腕部の先端に手部２３が取
り付けられることにより構成されている。
それぞれ上腕部を形成するアクチュエータＡ７の出力軸
に肘関節機構２２を介して前腕部を形成するアクチュエ
ータＡ８が連結され、当該前腕部の先端に手部２３が取
り付けられることにより構成されている。
【００５０】そして各腕部ユニット４Ａ、４Ｂでは、ア
クチュエータＡ７を駆動することによって前腕部を図３
に示すヨー軸２４の回りに回転させ、アクチュエータＡ
８を駆動することによって前腕部を図３に示すピッチ軸
２５の回りにそれぞれ回転させることができるようにな
されている。
クチュエータＡ７を駆動することによって前腕部を図３
に示すヨー軸２４の回りに回転させ、アクチュエータＡ
８を駆動することによって前腕部を図３に示すピッチ軸
２５の回りにそれぞれ回転させることができるようにな
されている。
【００５１】これに対して各脚部ユニット５Ａ、５Ｂに
おいては、それぞれ股関節機構２６を介して体幹下部の
腰ベース１１にそれぞれ取り付けられており、それぞれ
対応する股関節機構２６の各アクチュエータをＡ９〜Ａ
１１それぞれ駆動することによって、図３に示す互いに
直交するヨー軸２７、ロール軸２８及びピッチ軸２９の
回りにそれぞれ独立に回転させ得るようになされてい
る。
おいては、それぞれ股関節機構２６を介して体幹下部の
腰ベース１１にそれぞれ取り付けられており、それぞれ
対応する股関節機構２６の各アクチュエータをＡ９〜Ａ
１１それぞれ駆動することによって、図３に示す互いに
直交するヨー軸２７、ロール軸２８及びピッチ軸２９の
回りにそれぞれ独立に回転させ得るようになされてい
る。
【００５２】この場合各脚部ユニット５Ａ、５Ｂは、そ
れぞれ大腿部を形成するフレーム３０の下端に膝関節機
構３１を介して下腿部を形成するフレーム３２が連結さ
れると共に、当該フレーム３２の下端に足首関節機構３
３を介して足部３４が連結されることにより構成されて
いる。
れぞれ大腿部を形成するフレーム３０の下端に膝関節機
構３１を介して下腿部を形成するフレーム３２が連結さ
れると共に、当該フレーム３２の下端に足首関節機構３
３を介して足部３４が連結されることにより構成されて
いる。
【００５３】これにより各脚部ユニット５Ａ、５Ｂにお
いては、膝関節機構３１を形成するアクチュエータＡ
１２を駆動することによって、下腿部を図３に示すピッ
チ軸３５の回りに回転させることができ、また足首関節
機構３３のアクチュエータＡ１ ３、Ａ１４をそれぞれ駆
動することによって、足部３４を図３に示す直交するピ
ッチ軸３６及びロール軸３７の回りにそれぞれ独立に回
転させ得るようになされている。
いては、膝関節機構３１を形成するアクチュエータＡ
１２を駆動することによって、下腿部を図３に示すピッ
チ軸３５の回りに回転させることができ、また足首関節
機構３３のアクチュエータＡ１ ３、Ａ１４をそれぞれ駆
動することによって、足部３４を図３に示す直交するピ
ッチ軸３６及びロール軸３７の回りにそれぞれ独立に回
転させ得るようになされている。
【００５４】一方、胴体部ユニット２の体幹下部を形成
する腰ベース１１の背面側には、図４に示すように、当
該ロボット１全体の動作制御を司るメイン制御部４０
と、電源回路及び通信回路などの周辺回路４１と、バッ
テリ４５（図５）となどがボックスに収納されてなる制
御ユニット４２が配設されている。
する腰ベース１１の背面側には、図４に示すように、当
該ロボット１全体の動作制御を司るメイン制御部４０
と、電源回路及び通信回路などの周辺回路４１と、バッ
テリ４５（図５）となどがボックスに収納されてなる制
御ユニット４２が配設されている。
【００５５】そしてこの制御ユニット４２は、各構成ユ
ニット（胴体部ユニット２、頭部ユニット３、各腕部ユ
ニット４Ａ、４Ｂ及び各脚部ユニット５Ａ、５Ｂ）内に
それぞれ配設された各サブ制御部４３Ａ〜４３Ｄと接続
されており、これらサブ制御部４３Ａ〜４３Ｄに対して
必要な電源電圧を供給したり、これらサブ制御部４３Ａ
〜４３Ｄと通信を行うことができるようになされてい
る。
ニット（胴体部ユニット２、頭部ユニット３、各腕部ユ
ニット４Ａ、４Ｂ及び各脚部ユニット５Ａ、５Ｂ）内に
それぞれ配設された各サブ制御部４３Ａ〜４３Ｄと接続
されており、これらサブ制御部４３Ａ〜４３Ｄに対して
必要な電源電圧を供給したり、これらサブ制御部４３Ａ
〜４３Ｄと通信を行うことができるようになされてい
る。
【００５６】また各サブ制御部４３Ａ〜４３Ｄは、それ
ぞれ対応する構成ユニット内の各アクチュエータＡ１〜
Ａ１４と接続されており、当該構成ユニット内の各アク
チュエータＡ１〜Ａ１４をメイン制御部４０から与えら
れる各種制御コマンドに基づいて指定された状態に駆動
し得るようになされている。
ぞれ対応する構成ユニット内の各アクチュエータＡ１〜
Ａ１４と接続されており、当該構成ユニット内の各アク
チュエータＡ１〜Ａ１４をメイン制御部４０から与えら
れる各種制御コマンドに基づいて指定された状態に駆動
し得るようになされている。
【００５７】さらに頭部ユニット３には、図５に示すよ
うに、このロボット１の「目」として機能するＣＣＤ
（Charge Coupled Device ）カメラ５０及び「耳」とし
て機能するマイクロホン５１及びタッチセンサ５２など
からなる外部センサ部５３と、「口」として機能するス
ピーカ５４となどがそれぞれ所定位置に配設され、制御
ユニット４２内には、バッテリセンサ５５及び加速度セ
ンサ５６などからなる内部センサ部５７が配設されてい
る。
うに、このロボット１の「目」として機能するＣＣＤ
（Charge Coupled Device ）カメラ５０及び「耳」とし
て機能するマイクロホン５１及びタッチセンサ５２など
からなる外部センサ部５３と、「口」として機能するス
ピーカ５４となどがそれぞれ所定位置に配設され、制御
ユニット４２内には、バッテリセンサ５５及び加速度セ
ンサ５６などからなる内部センサ部５７が配設されてい
る。
【００５８】そして外部センサ部５３のＣＣＤカメラ５
０は、周囲の状況を撮像し、得られた画像信号Ｓ１Ａを
メイン制御部に送出する一方、マイクロホン５１は、ユ
ーザから音声入力として与えられる「歩け」、「伏せ」
又は「ボールを追いかけろ」等の各種命令音声を集音
し、かくして得られた音声信号Ｓ１Ｂをメイン制御部４
０に送出するようになされている。
０は、周囲の状況を撮像し、得られた画像信号Ｓ１Ａを
メイン制御部に送出する一方、マイクロホン５１は、ユ
ーザから音声入力として与えられる「歩け」、「伏せ」
又は「ボールを追いかけろ」等の各種命令音声を集音
し、かくして得られた音声信号Ｓ１Ｂをメイン制御部４
０に送出するようになされている。
【００５９】またタッチセンサ５２は、図１及び図２に
おいて明らかなように頭部ユニット３の上部に設けられ
ており、ユーザからの「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し、検出結果を
圧力検出信号Ｓ１Ｃとしてメイン制御部４０に送出す
る。
おいて明らかなように頭部ユニット３の上部に設けられ
ており、ユーザからの「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し、検出結果を
圧力検出信号Ｓ１Ｃとしてメイン制御部４０に送出す
る。
【００６０】さらに内部センサ部５７のバッテリセンサ
５５は、バッテリ４５のエネルギ残量を所定周期で検出
し、検出結果をバッテリ残量検出信号Ｓ２Ａとしてメイ
ン制御部４０に送出する一方、加速度センサ５６は、３
軸方向（ｘ軸、ｙ軸及びｚ軸）の加速度を所定周期で検
出し、検出結果を加速度検出信号Ｓ２Ｂとしてメイン制
御部４０に送出する。
５５は、バッテリ４５のエネルギ残量を所定周期で検出
し、検出結果をバッテリ残量検出信号Ｓ２Ａとしてメイ
ン制御部４０に送出する一方、加速度センサ５６は、３
軸方向（ｘ軸、ｙ軸及びｚ軸）の加速度を所定周期で検
出し、検出結果を加速度検出信号Ｓ２Ｂとしてメイン制
御部４０に送出する。
【００６１】メイン制御部部４０は、外部センサ部５３
のＣＣＤカメラ５０、マイクロホン５１及びタッチセン
サ５２等からそれぞれ供給される画像信号Ｓ１Ａ、音声
信号Ｓ１Ｂ及び圧力検出信号Ｓ１Ｃ等（以下、これらを
まとめて外部センサ信号Ｓ１と呼ぶ）と、内部センサ部
５７のバッテリセンサ５５及び加速度センサ等からそれ
ぞれ供給されるバッテリ残量検出信号Ｓ２Ａ及び加速度
検出信号Ｓ２Ｂ等（以下、これらをまとめて内部センサ
信号Ｓ２と呼ぶ）に基づいて、ロボット１の周囲及び内
部の状況や、ユーザからの指令、ユーザからの働きかけ
の有無などを判断する。
のＣＣＤカメラ５０、マイクロホン５１及びタッチセン
サ５２等からそれぞれ供給される画像信号Ｓ１Ａ、音声
信号Ｓ１Ｂ及び圧力検出信号Ｓ１Ｃ等（以下、これらを
まとめて外部センサ信号Ｓ１と呼ぶ）と、内部センサ部
５７のバッテリセンサ５５及び加速度センサ等からそれ
ぞれ供給されるバッテリ残量検出信号Ｓ２Ａ及び加速度
検出信号Ｓ２Ｂ等（以下、これらをまとめて内部センサ
信号Ｓ２と呼ぶ）に基づいて、ロボット１の周囲及び内
部の状況や、ユーザからの指令、ユーザからの働きかけ
の有無などを判断する。
【００６２】そしてメイン制御部４０は、この判断結果
と、予め内部メモリ４０Ａに格納されている制御プログ
ラムと、そのとき装填されている外部メモリ５８に格納
されている各種制御パラメータとに基づいて続く行動を
決定し、決定結果に基づく制御コマンドを対応するサブ
制御部４３Ａ〜４３Ｄに送出する。この結果、この制御
コマンドに基づき、そのサブ制御部４３Ａ〜４３Ｄの制
御のもとに、対応するアクチュエータＡ１〜Ａ１４が駆
動され、かくして頭部ユニット３を上下左右に揺動させ
たり、腕部ユニット４Ａ、４Ｂを上にあげたり、歩行す
るなどの行動がロボット１により発現されることとな
る。
と、予め内部メモリ４０Ａに格納されている制御プログ
ラムと、そのとき装填されている外部メモリ５８に格納
されている各種制御パラメータとに基づいて続く行動を
決定し、決定結果に基づく制御コマンドを対応するサブ
制御部４３Ａ〜４３Ｄに送出する。この結果、この制御
コマンドに基づき、そのサブ制御部４３Ａ〜４３Ｄの制
御のもとに、対応するアクチュエータＡ１〜Ａ１４が駆
動され、かくして頭部ユニット３を上下左右に揺動させ
たり、腕部ユニット４Ａ、４Ｂを上にあげたり、歩行す
るなどの行動がロボット１により発現されることとな
る。
【００６３】またこの際メイン制御部４０は、必要に応
じて所定の音声信号Ｓ３をスピーカ５４に与えることに
より当該音声信号Ｓ３に基づく音声を外部に出力させた
り、外見上の「目」として機能する頭部ユニット３の所
定位置に設けられたＬＥＤに駆動信号を出力することに
よりこれを点滅させる。
じて所定の音声信号Ｓ３をスピーカ５４に与えることに
より当該音声信号Ｓ３に基づく音声を外部に出力させた
り、外見上の「目」として機能する頭部ユニット３の所
定位置に設けられたＬＥＤに駆動信号を出力することに
よりこれを点滅させる。
【００６４】このようにしてこのロボット１において
は、周囲及び内部の状況や、ユーザからの指令及び働き
かけの有無などに基づいて自律的に行動することができ
るようになされている。
は、周囲及び内部の状況や、ユーザからの指令及び働き
かけの有無などに基づいて自律的に行動することができ
るようになされている。
【００６５】（２）ロボット１における連想記憶システ
ムの構成 次に、このロボット１における連想記憶システムについ
て説明する。
ムの構成 次に、このロボット１における連想記憶システムについ
て説明する。
【００６６】（２−１）本実施の形態による連想記憶シ
ステムの概要 上述のように競合型ニューラルネットワークを適用した
連想記憶システムでは、記憶が統計的な追加学習によっ
て行われるという構造的特徴から、明らかな情報も徐々
にしか記憶することができないという欠点や、ニューラ
ルネットワークを用いていることから、記憶できる情報
の種類や記憶できる最大シンボル数を増やすと、計算量
と占有物理メモリ量が各段的に増加するという欠点があ
る。
ステムの概要 上述のように競合型ニューラルネットワークを適用した
連想記憶システムでは、記憶が統計的な追加学習によっ
て行われるという構造的特徴から、明らかな情報も徐々
にしか記憶することができないという欠点や、ニューラ
ルネットワークを用いていることから、記憶できる情報
の種類や記憶できる最大シンボル数を増やすと、計算量
と占有物理メモリ量が各段的に増加するという欠点があ
る。
【００６７】一方、かかる競合型ニューラルネットワー
クの欠点を補完するような特徴を有する記憶モデルとし
て、「意味ネットワークモデル（semantic network mod
el）」や、「フレームモデル」がある。
クの欠点を補完するような特徴を有する記憶モデルとし
て、「意味ネットワークモデル（semantic network mod
el）」や、「フレームモデル」がある。
【００６８】この場合「意味ネットワークモデル」は、
図６に示すように、シンボルＳ１〜Ｓ６をノードとして
表現し、ノード間にそれらの関係を表すリンクが張られ
ており、リンクをたどっていくことによってさまざまな
知識を連想することができる知識表現のモデルである。
このモデルでリンクとして扱われる一般的な関係性は、
「ｉｓ−ａ（〜は〜である）」や「ｈａｓ−ｐａｒｔ
（〜は〜を持っている）」といったその概念対象の基本
的な属性に関する関係性である。
図６に示すように、シンボルＳ１〜Ｓ６をノードとして
表現し、ノード間にそれらの関係を表すリンクが張られ
ており、リンクをたどっていくことによってさまざまな
知識を連想することができる知識表現のモデルである。
このモデルでリンクとして扱われる一般的な関係性は、
「ｉｓ−ａ（〜は〜である）」や「ｈａｓ−ｐａｒｔ
（〜は〜を持っている）」といったその概念対象の基本
的な属性に関する関係性である。
【００６９】一方、「フレーム形式の知識表現モデル」
とは、図７に示すように、フレームと呼ばれるシンボル
Ｓ１０〜Ｓ１６に対して、関係がある様々な種類の情報
を付加することによって知識を表現するモデルである。
意味ネットワークモデルとほぼ同じモデルであるが、意
味ネットワークモデルではリンクとして扱われる情報が
「ｉｓ−ａ」や「ｈａｓ−ｐａｒｔ」など汎用的な関係
性が一般的であることに対し、フレーム知識表現モデル
では、一般的に各シンボルＳ１０〜Ｓ１６に固有の関係
情報なども記述される。なおフレーム形式の知識表現モ
デルは、アーキテクチャの観点からみるとこれら意味ネ
ットワークモデルと等価である。
とは、図７に示すように、フレームと呼ばれるシンボル
Ｓ１０〜Ｓ１６に対して、関係がある様々な種類の情報
を付加することによって知識を表現するモデルである。
意味ネットワークモデルとほぼ同じモデルであるが、意
味ネットワークモデルではリンクとして扱われる情報が
「ｉｓ−ａ」や「ｈａｓ−ｐａｒｔ」など汎用的な関係
性が一般的であることに対し、フレーム知識表現モデル
では、一般的に各シンボルＳ１０〜Ｓ１６に固有の関係
情報なども記述される。なおフレーム形式の知識表現モ
デルは、アーキテクチャの観点からみるとこれら意味ネ
ットワークモデルと等価である。
【００７０】ここで、これら意味ネットワークモデルや
フレーム形式の知識表現モデルを競合型ニューラルネッ
トワークと比較すると、意味ネットワークモデルやフレ
ームモデルは、競合型ニューラルネットワークのように
入出力層のニューロン間の結合重みを全て覚えておく必
要がなく、単に１つのシンボルに対して情報へのポイン
タを付加するだけで良いため、占有物理メモリ量も計算
量も少なくてすむ。またニューラルネットワークによる
統計的な追加学習と違い、記憶を直ぐに書き換えること
ができる。
フレーム形式の知識表現モデルを競合型ニューラルネッ
トワークと比較すると、意味ネットワークモデルやフレ
ームモデルは、競合型ニューラルネットワークのように
入出力層のニューロン間の結合重みを全て覚えておく必
要がなく、単に１つのシンボルに対して情報へのポイン
タを付加するだけで良いため、占有物理メモリ量も計算
量も少なくてすむ。またニューラルネットワークによる
統計的な追加学習と違い、記憶を直ぐに書き換えること
ができる。
【００７１】そこで、本願発明においては、これら競合
型ニューラルネットワークと、意味ネットワークモデル
及びフレームモデルとの２つのタイプの記憶システムを
うまく統合し、両方の良い特徴を利用する連想記憶シス
テムを実現した。
型ニューラルネットワークと、意味ネットワークモデル
及びフレームモデルとの２つのタイプの記憶システムを
うまく統合し、両方の良い特徴を利用する連想記憶シス
テムを実現した。
【００７２】（２−２）本実施の形態による連想記憶シ
ステムの構成 次に、記憶に関するメイン制御部４０の処理内容につい
て、ユーザに関する記憶を例に説明する。
ステムの構成 次に、記憶に関するメイン制御部４０の処理内容につい
て、ユーザに関する記憶を例に説明する。
【００７３】かかる記憶に関するメイン制御部４０の処
理内容を機能的に分類すると、図８に示すように、ユー
ザの顔の形態的特徴を検出すると共に当該検出した形態
的特徴に基づいてその人を識別して認識する顔認識部６
０と、ユーザの発した言葉を認識する音声認識部６１
と、かかる音声認識部６１の音声認識結果に基づいてユ
ーザの名前を認識する名前認識部６２と、ユーザの「や
さしさ」を認識するやさしさ認識部６３と、これら顔認
識部６０、名前認識部６２及びやさしさ認識部６３の認
識結果に基づいてそのユーザに関する記憶を管理する制
御部６４とに分けることができる。
理内容を機能的に分類すると、図８に示すように、ユー
ザの顔の形態的特徴を検出すると共に当該検出した形態
的特徴に基づいてその人を識別して認識する顔認識部６
０と、ユーザの発した言葉を認識する音声認識部６１
と、かかる音声認識部６１の音声認識結果に基づいてユ
ーザの名前を認識する名前認識部６２と、ユーザの「や
さしさ」を認識するやさしさ認識部６３と、これら顔認
識部６０、名前認識部６２及びやさしさ認識部６３の認
識結果に基づいてそのユーザに関する記憶を管理する制
御部６４とに分けることができる。
【００７４】この場合、顔認識部６０においては、ＣＣ
Ｄカメラ５０（図５）から与えられる画像信号Ｓ１Ａを
常時監視し、当該画像信号Ｓ１Ａに基づく画像内に含ま
れる人の顔の形態的特徴を所定の信号処理により検出す
る。
Ｄカメラ５０（図５）から与えられる画像信号Ｓ１Ａを
常時監視し、当該画像信号Ｓ１Ａに基づく画像内に含ま
れる人の顔の形態的特徴を所定の信号処理により検出す
る。
【００７５】そして顔認識部６０は、この検出した形態
的特徴のデータをそのとき記憶している全ての既知のユ
ーザの顔の形態的特徴のデータと順次比較し、そのとき
検出した形態的特徴がいずれか既知のユーザの顔の形態
的特徴と一致した場合には、当該既知のユーザの形態的
特徴と対応付けられた当該形態的特徴に固有の識別子
（以下、これをＦＩＤと呼ぶ）を制御部６４に通知す
る。
的特徴のデータをそのとき記憶している全ての既知のユ
ーザの顔の形態的特徴のデータと順次比較し、そのとき
検出した形態的特徴がいずれか既知のユーザの顔の形態
的特徴と一致した場合には、当該既知のユーザの形態的
特徴と対応付けられた当該形態的特徴に固有の識別子
（以下、これをＦＩＤと呼ぶ）を制御部６４に通知す
る。
【００７６】また顔認識部６０は、そのとき検出した形
態的特徴がいずれか既知のユーザの顔の形態的特徴と一
致しなかった場合には、そのユーザが新規な人であると
判断して、ＣＣＤカメラ５０からの画像信号Ｓ１Ａに基
づく画像内に含まれるそのユーザの顔の形態的特徴を検
出し、当該検出した形態的特徴のデータを新たな固有の
ＦＩＤと対応付けて記憶すると共に、このＦＩＤを制御
部６４に通知する。
態的特徴がいずれか既知のユーザの顔の形態的特徴と一
致しなかった場合には、そのユーザが新規な人であると
判断して、ＣＣＤカメラ５０からの画像信号Ｓ１Ａに基
づく画像内に含まれるそのユーザの顔の形態的特徴を検
出し、当該検出した形態的特徴のデータを新たな固有の
ＦＩＤと対応付けて記憶すると共に、このＦＩＤを制御
部６４に通知する。
【００７７】音声認識部６１においては、マイクロホン
５１（図５）からの音声信号Ｓ１Ｂに基づき所定の音声
認識処理を実行することにより当該音声信号Ｓ１Ｂに含
まれる言葉を単語単位で認識し、認識結果を名前制御部
６２、やさしさ認識部６３及び制御部６４に送出する。
５１（図５）からの音声信号Ｓ１Ｂに基づき所定の音声
認識処理を実行することにより当該音声信号Ｓ１Ｂに含
まれる言葉を単語単位で認識し、認識結果を名前制御部
６２、やさしさ認識部６３及び制御部６４に送出する。
【００７８】名前認識部６２は、制御部６４の制御のも
とに、当該制御部６４からスピーカ５４（図５）に与え
られる音声信号Ｓ３に基づいて当該スピーカ５４から出
力される「あなたのお名前は？」といった質問に対する
ユーザの応答に対しての音声認識部６１の音声認識結果
からユーザの名前を認識する。
とに、当該制御部６４からスピーカ５４（図５）に与え
られる音声信号Ｓ３に基づいて当該スピーカ５４から出
力される「あなたのお名前は？」といった質問に対する
ユーザの応答に対しての音声認識部６１の音声認識結果
からユーザの名前を認識する。
【００７９】また名前認識部６２は、このとき認識した
名前をそのとき記憶している全ての既知のユーザの名前
と順次比較し、当該認識した名前がいずれか既知のユー
ザの名前と一致した場合には、当該既知のユーザの名前
と対応付けられた当該名前に固有の識別子（以下、これ
をＮＩＤと呼ぶ）を制御部６４に通知する。
名前をそのとき記憶している全ての既知のユーザの名前
と順次比較し、当該認識した名前がいずれか既知のユー
ザの名前と一致した場合には、当該既知のユーザの名前
と対応付けられた当該名前に固有の識別子（以下、これ
をＮＩＤと呼ぶ）を制御部６４に通知する。
【００８０】これに対して名前認識部６２は、認識した
名前がいずれの既知のユーザの名前と一致しなかった場
合には出した形態的特徴がいずれか既知のユーザの顔の
形態的特徴と一致しなかった場合には、そのユーザが新
規な人であると判断して、その認識した名前を新たな固
有のＮＩＤと対応付けて記憶すると共に、このＮＩＤを
制御部６４に通知する。
名前がいずれの既知のユーザの名前と一致しなかった場
合には出した形態的特徴がいずれか既知のユーザの顔の
形態的特徴と一致しなかった場合には、そのユーザが新
規な人であると判断して、その認識した名前を新たな固
有のＮＩＤと対応付けて記憶すると共に、このＮＩＤを
制御部６４に通知する。
【００８１】またやさしさ認識部６３は、音声認識部６
１からの音声認識結果及び加速度センサ５６（図５）か
らの加速度検出信号Ｓ２Ｂに基づいて、『やさしい言葉
をかけてもらった』、『転倒時に起こしてもらった』等
のそのユーザのやさしい働きかけを認識し、その働きか
けに応じて、予め設定されたやさしさの度合いを示すや
さしさＩＤの中から対応するやさしさＩＤを制御部６４
に通知する。
１からの音声認識結果及び加速度センサ５６（図５）か
らの加速度検出信号Ｓ２Ｂに基づいて、『やさしい言葉
をかけてもらった』、『転倒時に起こしてもらった』等
のそのユーザのやさしい働きかけを認識し、その働きか
けに応じて、予め設定されたやさしさの度合いを示すや
さしさＩＤの中から対応するやさしさＩＤを制御部６４
に通知する。
【００８２】制御部６４は、ユーザに関する各種情報を
内部メモリ４０Ａ（図５）内に保持しており、これを競
合型ニューラルネットワークを適用した連想記憶システ
ムを用いて管理している。
内部メモリ４０Ａ（図５）内に保持しており、これを競
合型ニューラルネットワークを適用した連想記憶システ
ムを用いて管理している。
【００８３】この場合、例えば図９に模式的に示すよう
に、かかる連想記憶システムに適用されている競合型ニ
ューラルネットワーク７２は入力層７０及び競合層７１
の２層の階層型ニューラルネットワークでなり、その入
力層７０には、顔ＩＤの個数と、名前ＩＤの個数と、や
さしさＩＤの個数との合計値と同じ数の入力ニューロン
７３が用意される。
に、かかる連想記憶システムに適用されている競合型ニ
ューラルネットワーク７２は入力層７０及び競合層７１
の２層の階層型ニューラルネットワークでなり、その入
力層７０には、顔ＩＤの個数と、名前ＩＤの個数と、や
さしさＩＤの個数との合計値と同じ数の入力ニューロン
７３が用意される。
【００８４】また競合層７１には、複数の競合ニューロ
ン７４が用意されており、これら各競合ニューロン７４
は、それぞれ各入力ニューロン７３と０から１までの範
囲でランダムに設定された初期結合重みをもって結合し
ている。
ン７４が用意されており、これら各競合ニューロン７４
は、それぞれ各入力ニューロン７３と０から１までの範
囲でランダムに設定された初期結合重みをもって結合し
ている。
【００８５】そして制御部６４は、記憶モード時には、
顔認識部６０、名前認識部６２及びやさしさ認識部６３
から通知される顔ＩＤ、名前ＩＤ及びやさしさＩＤに基
づいて、図１４について上述したのと同様にして対応す
る入力ニューロン７３及び競合ニューロン７４間の結合
重みを強めるようにして統計的な追加学習を行う。
顔認識部６０、名前認識部６２及びやさしさ認識部６３
から通知される顔ＩＤ、名前ＩＤ及びやさしさＩＤに基
づいて、図１４について上述したのと同様にして対応す
る入力ニューロン７３及び競合ニューロン７４間の結合
重みを強めるようにして統計的な追加学習を行う。
【００８６】また制御部６４は、記憶モード時、例えば
意味ニューラルネットワークやフレームニューラルネッ
トワークにおけるフレームのように、かかる競合型ニュ
ーラルネットワーク７２のそのユーザと対応付けられた
競合ニューロン７４と関連付けて、このとき図示しない
形認識部や大きさ認識部などの各種認識部から与えられ
る、そのユーザの形から認識できる属性（人間、犬、又
はボール等）や、大きさ（身長）の実測値等のそのユー
ザに関する各種付加情報を別途ファイル化（以下、この
ファイルをシンボルメモ７５と呼ぶ）してフレーム形式
で内部メモリ４０Ａ（図５）に記憶し、またこれを必要
に応じて変更する。
意味ニューラルネットワークやフレームニューラルネッ
トワークにおけるフレームのように、かかる競合型ニュ
ーラルネットワーク７２のそのユーザと対応付けられた
競合ニューロン７４と関連付けて、このとき図示しない
形認識部や大きさ認識部などの各種認識部から与えられ
る、そのユーザの形から認識できる属性（人間、犬、又
はボール等）や、大きさ（身長）の実測値等のそのユー
ザに関する各種付加情報を別途ファイル化（以下、この
ファイルをシンボルメモ７５と呼ぶ）してフレーム形式
で内部メモリ４０Ａ（図５）に記憶し、またこれを必要
に応じて変更する。
【００８７】さらに制御部６３は、想起モードでは、顔
認識部６０、名前認識部６２及びやさしさ認識部６３か
ら与えられる各通知の組み合わせの入力パターンに基づ
いて、図１２及び図１３について上述したのと同様にし
て、そのユーザの顔ＩＤ、名前ＩＤ及びやさしさＩＤを
連想すると共に、このときその連想の過程において特定
される競合ニューロン７４と関連付けて記憶しているシ
ンボルメモ７５内の各種付加情報を読み出す。
認識部６０、名前認識部６２及びやさしさ認識部６３か
ら与えられる各通知の組み合わせの入力パターンに基づ
いて、図１２及び図１３について上述したのと同様にし
て、そのユーザの顔ＩＤ、名前ＩＤ及びやさしさＩＤを
連想すると共に、このときその連想の過程において特定
される競合ニューロン７４と関連付けて記憶しているシ
ンボルメモ７５内の各種付加情報を読み出す。
【００８８】そして制御部６４は、かかる連想結果及び
付加情報に基づいて、サブ制御部４３Ａ〜４３Ｄ（図
５）を介して対応するアクチュエータＡ１〜Ａ１４（図
４）を駆動させることによりその連想結果及び付加情報
に応じた行動を発現させたり、スピーカ５４（図５）に
音声信号Ｓ３を送出することによりその連想結果及びシ
ンボルメモ７５に応じた音声を出力させる。
付加情報に基づいて、サブ制御部４３Ａ〜４３Ｄ（図
５）を介して対応するアクチュエータＡ１〜Ａ１４（図
４）を駆動させることによりその連想結果及び付加情報
に応じた行動を発現させたり、スピーカ５４（図５）に
音声信号Ｓ３を送出することによりその連想結果及びシ
ンボルメモ７５に応じた音声を出力させる。
【００８９】このようにしてこのロボット１において
は、ユーザの顔、名前及びやさしさについては競合型ニ
ューラルネットワークを用いた連想記憶アルゴリズムに
より統計的な追加学習を行う一方、そのユーザに関する
他の情報については意味ネットワークモデルやフレーム
モデルと同様にしてシンボルメモ７５に格納することに
より直ちに記憶し、又は更新することができるようにな
されている。
は、ユーザの顔、名前及びやさしさについては競合型ニ
ューラルネットワークを用いた連想記憶アルゴリズムに
より統計的な追加学習を行う一方、そのユーザに関する
他の情報については意味ネットワークモデルやフレーム
モデルと同様にしてシンボルメモ７５に格納することに
より直ちに記憶し、又は更新することができるようにな
されている。
【００９０】（２−３）制御部６４の具体的処理内容
次に、ユーザに関する記憶についての制御部６４の処理
内容について、ロボット１が転倒したときを例に図１０
及び図１１を用いて具体的に説明する。
内容について、ロボット１が転倒したときを例に図１０
及び図１１を用いて具体的に説明する。
【００９１】ロボット１が転倒し、これに対して既知の
ユーザであるＡさんから「大丈夫？」との声をかけても
らった場合、制御部６４は、顔認識部６０及びやさしさ
認識部６３からそれぞれ与えられる認識結果に基づい
て、Ａさんの「やさしさ」に関する記憶を連想記憶アル
ゴリズムによってやさしいという情報が強くなるように
変更する（ステップＳＰ１）。
ユーザであるＡさんから「大丈夫？」との声をかけても
らった場合、制御部６４は、顔認識部６０及びやさしさ
認識部６３からそれぞれ与えられる認識結果に基づい
て、Ａさんの「やさしさ」に関する記憶を連想記憶アル
ゴリズムによってやさしいという情報が強くなるように
変更する（ステップＳＰ１）。
【００９２】具体的に、制御部６４は、競合型ニューラ
ルネットワーク７２（図９）における「やさしさ」に対
応する入力ニューロン７３のうち、それまで最もＡさん
と対応する競合ニューロン７４との結合重みが大きかっ
た入力ニューロン７３よりも「やさしさ」の度合いが大
きい入力ニューロン７３と、Ａさんと対応する競合ニュ
ーロン７４との結合重みを大きくするように、競合型ニ
ューラルネットワーク７２におけるＡさんの「やさし
さ」に関する情報を更新する。
ルネットワーク７２（図９）における「やさしさ」に対
応する入力ニューロン７３のうち、それまで最もＡさん
と対応する競合ニューロン７４との結合重みが大きかっ
た入力ニューロン７３よりも「やさしさ」の度合いが大
きい入力ニューロン７３と、Ａさんと対応する競合ニュ
ーロン７４との結合重みを大きくするように、競合型ニ
ューラルネットワーク７２におけるＡさんの「やさし
さ」に関する情報を更新する。
【００９３】また制御部６４は、この後スピーカ５４を
介して「痛くて立てないよ」といった音声を出力させた
場合において（ステップＳＰ２）、Ａさんから「起こし
てあげようか」と声をかけられ、さらに起こしてもらっ
たときには、このとき顔認識部６０及びやさしさ認識部
６３からそれぞれ与えられる認識結果に基づいて、Ａさ
んの「やさしさ」に関する記憶を上述と同様にして再度
連想記憶アルゴリズムによってやさしいという情報が強
くなるように変更する（ステップＳＰ３）。
介して「痛くて立てないよ」といった音声を出力させた
場合において（ステップＳＰ２）、Ａさんから「起こし
てあげようか」と声をかけられ、さらに起こしてもらっ
たときには、このとき顔認識部６０及びやさしさ認識部
６３からそれぞれ与えられる認識結果に基づいて、Ａさ
んの「やさしさ」に関する記憶を上述と同様にして再度
連想記憶アルゴリズムによってやさしいという情報が強
くなるように変更する（ステップＳＰ３）。
【００９４】またこれと共に制御部６４は、Ａさんと対
応付けられた競合ニューロン７４と関連付けられている
シンボルメモ７５に『○時×分にやさしい言葉をかけて
くれた』、『○時×分に起こしてくれた』というイベン
ト情報を格納する（ステップＳＰ４）。
応付けられた競合ニューロン７４と関連付けられている
シンボルメモ７５に『○時×分にやさしい言葉をかけて
くれた』、『○時×分に起こしてくれた』というイベン
ト情報を格納する（ステップＳＰ４）。
【００９５】一方、制御部６４は、この後しばらくたっ
て顔認識部６０からの認識結果に基づいてＡさんの存在
を検出すると（ステップＳＰ１０）、このとき顔認識部
６０、名前認識部６２及びやさしさ認識部６３の出力に
基づく連想記憶アルゴリズムにより、競合型ニューラル
ネットワーク７２におけるＡさんと対応付けられた競合
ニューロン７４を検索し、当該競合ニューロン７４と関
連付けられたシンボルメモ７５に格納されている各種付
加情報を読み出す。
て顔認識部６０からの認識結果に基づいてＡさんの存在
を検出すると（ステップＳＰ１０）、このとき顔認識部
６０、名前認識部６２及びやさしさ認識部６３の出力に
基づく連想記憶アルゴリズムにより、競合型ニューラル
ネットワーク７２におけるＡさんと対応付けられた競合
ニューロン７４を検索し、当該競合ニューロン７４と関
連付けられたシンボルメモ７５に格納されている各種付
加情報を読み出す。
【００９６】そして制御部６４は、このシンボルメモ７
５に格納されている『○時×分にやさしい言葉をかけて
くれた』、『○時×分に起こしてくれた』というイベン
ト情報を得ると、スピーカ５４から「さっきは、やさし
くしてくれてありがとう」という音声を出力させる（ス
テップＳＰ１２）。
５に格納されている『○時×分にやさしい言葉をかけて
くれた』、『○時×分に起こしてくれた』というイベン
ト情報を得ると、スピーカ５４から「さっきは、やさし
くしてくれてありがとう」という音声を出力させる（ス
テップＳＰ１２）。
【００９７】また制御部６４は、顔認識部６０、名前認
識部６２及びやさしさ認識部６３の各認識結果に基づく
連想記憶アルゴリズムによってＡさんがやさしいという
ことを想起すると（ステップＳＰ１３）、スピーカ５４
から「僕、やさしいＡさんが好きです」という音声を出
力させる（ステップＳＰ１４）。
識部６２及びやさしさ認識部６３の各認識結果に基づく
連想記憶アルゴリズムによってＡさんがやさしいという
ことを想起すると（ステップＳＰ１３）、スピーカ５４
から「僕、やさしいＡさんが好きです」という音声を出
力させる（ステップＳＰ１４）。
【００９８】このようにしてこの制御部６４は、競合型
ニューラルネットワークを用いた連想記憶アルゴリズム
による統計的な追加学習と、意味ネットワークモデルや
フレームモデルと同様のアルゴリズムを利用した即時の
学習を行いながら、これら学習結果に基づく行動をロボ
ット１に発現させる。
ニューラルネットワークを用いた連想記憶アルゴリズム
による統計的な追加学習と、意味ネットワークモデルや
フレームモデルと同様のアルゴリズムを利用した即時の
学習を行いながら、これら学習結果に基づく行動をロボ
ット１に発現させる。
【００９９】（３）本実施の形態の動作及び効果
以上の構成において、このロボット１では、特定の第１
の情報（ユーザの顔、名前及びやさしさ）については競
合型ニューラルネットワーク７２を用いた連想記憶アル
ゴリズムにより記憶し、これ以外の第２の情報（イベン
ト情報や、身長、属性等）については意味ネットワーク
モデルやフレームモデルと同様のフレーム形式により記
憶する。
の情報（ユーザの顔、名前及びやさしさ）については競
合型ニューラルネットワーク７２を用いた連想記憶アル
ゴリズムにより記憶し、これ以外の第２の情報（イベン
ト情報や、身長、属性等）については意味ネットワーク
モデルやフレームモデルと同様のフレーム形式により記
憶する。
【０１００】従ってこのロボット１では、第１の情報に
関する学習については統計的な追加学習を行うことがで
きる分ノイズに強く、これ以外の第２の情報については
高い記憶応答性を確保することができる。
関する学習については統計的な追加学習を行うことがで
きる分ノイズに強く、これ以外の第２の情報については
高い記憶応答性を確保することができる。
【０１０１】またこのロボット１では、記憶方式とし
て、上述のような競合型ニューラルネットワーク７２を
用いた連想記憶アルゴリズムによる記憶と、フレーム形
式による記憶とを併用するようにしているため、記憶で
きる情報を増やす場合にその情報についての記憶をフレ
ーム形式で行うようにすることによって、入力ニューロ
ン７３や競合ニューロン７４の数が増加するのを回避
し、この結果として記憶モード時及び想起モード時にお
ける計算量及び占有物理メモリ量の増加を未然かつ有効
に防止することができる。
て、上述のような競合型ニューラルネットワーク７２を
用いた連想記憶アルゴリズムによる記憶と、フレーム形
式による記憶とを併用するようにしているため、記憶で
きる情報を増やす場合にその情報についての記憶をフレ
ーム形式で行うようにすることによって、入力ニューロ
ン７３や競合ニューロン７４の数が増加するのを回避
し、この結果として記憶モード時及び想起モード時にお
ける計算量及び占有物理メモリ量の増加を未然かつ有効
に防止することができる。
【０１０２】以上の構成によれば、特定の第１の情報
（ユーザの顔、名前及びやさしさ）については競合型ニ
ューラルネットワーク７２を用いた連想記憶アルゴリズ
ムにより記憶し、これ以外の第２の情報（イベント情報
や、身長、属性等）については意味ネットワークモデル
やフレームモデルと同様のフレーム形式により記憶する
ようにしたことにより、第１の情報に関する学習につい
ては統計的な追加学習を行うことができる分ノイズに強
く、これ以外の第２の情報については高い記憶応答性を
確保することができると共に、記憶できる情報数を増や
す場合にも入力ニューロン７３及び競合ニューロン７４
の数が増加するのを有効に回避し得、かくして記憶に関
してノイズに強く、記憶容量や、計算量、物理メモリ量
及び記憶応答性に優れたロボットを実現できる。
（ユーザの顔、名前及びやさしさ）については競合型ニ
ューラルネットワーク７２を用いた連想記憶アルゴリズ
ムにより記憶し、これ以外の第２の情報（イベント情報
や、身長、属性等）については意味ネットワークモデル
やフレームモデルと同様のフレーム形式により記憶する
ようにしたことにより、第１の情報に関する学習につい
ては統計的な追加学習を行うことができる分ノイズに強
く、これ以外の第２の情報については高い記憶応答性を
確保することができると共に、記憶できる情報数を増や
す場合にも入力ニューロン７３及び競合ニューロン７４
の数が増加するのを有効に回避し得、かくして記憶に関
してノイズに強く、記憶容量や、計算量、物理メモリ量
及び記憶応答性に優れたロボットを実現できる。
【０１０３】（４）他の実施の形態
なお上述の実施の形態においては、本発明を図１〜図５
のように構成されたロボット１に適用するようにした場
合について述べたが、本発明はこれに限らず、この他種
々のロボット装置及びロボット装置以外に使用されるこ
の他種々の記憶装置に広く適用することができる。
のように構成されたロボット１に適用するようにした場
合について述べたが、本発明はこれに限らず、この他種
々のロボット装置及びロボット装置以外に使用されるこ
の他種々の記憶装置に広く適用することができる。
【０１０４】また上述の実施の形態においては、本発明
による記憶装置を、ユーザに関する記憶に適用するよう
にした場合について述べたが、本発明はこれに限らず、
この他種々の事象や事物に対する記憶に広く適用するこ
とができる。この場合には、その事象や事物に関する各
種要素を検出するためのその事象や事物に応じた各種セ
ンサと、これらセンサの出力に応じてその要素の度合い
や種類を認識する認識系とを設けるようにすれば良い。
による記憶装置を、ユーザに関する記憶に適用するよう
にした場合について述べたが、本発明はこれに限らず、
この他種々の事象や事物に対する記憶に広く適用するこ
とができる。この場合には、その事象や事物に関する各
種要素を検出するためのその事象や事物に応じた各種セ
ンサと、これらセンサの出力に応じてその要素の度合い
や種類を認識する認識系とを設けるようにすれば良い。
【０１０５】さらに上述の実施の形態においては、ユー
ザの顔、名前及びやさしさについては競合型ニューラル
ネットワークを用いた連想記憶アルゴリズムにより統計
的な追加学習を行い、ユーザに関する他の情報について
はフレーム形式で学習（記憶）を行うようにした場合に
ついて述べたが、本発明はこれに限らず、ユーザの顔、
名前又はやさしさの一部又は全部をフレーム形式で学習
し、これ以外の情報について競合型ニューラルネットワ
ークを用いた連想記憶アルゴリズムにより統計的な追加
学習を行うようにしても良い。
ザの顔、名前及びやさしさについては競合型ニューラル
ネットワークを用いた連想記憶アルゴリズムにより統計
的な追加学習を行い、ユーザに関する他の情報について
はフレーム形式で学習（記憶）を行うようにした場合に
ついて述べたが、本発明はこれに限らず、ユーザの顔、
名前又はやさしさの一部又は全部をフレーム形式で学習
し、これ以外の情報について競合型ニューラルネットワ
ークを用いた連想記憶アルゴリズムにより統計的な追加
学習を行うようにしても良い。
【０１０６】
【発明の効果】上述のように本発明によれば、記憶装置
において、複数の入力ニューロンからなる入力層と、複
数の競合ニューロンからなる競合層とを有する競合型ニ
ューラルネットワークを用いて、シンボルごとの各種入
力の入力パターンに応じて、対応する入力ニューロン及
び競合ニューロン間の結合力を強めるようにして、シン
ボルに関する第１の情報を記憶する記憶手段を設け、記
憶手段が、各種入力とは別に供給されるシンボルに関す
る第２の情報を、当該シンボルに対応する競合ニューロ
ンと関連付けてフレーム形式で記憶するようにしたこと
により、第１の情報については統計的な追加学習を行
い、第２の情報についてはこれを直ちに学習することが
でき、かくしてノイズに強く、記憶容量や、計算量、物
理メモリ量及び記憶応答性に優れた記憶装置を実現でき
る。
において、複数の入力ニューロンからなる入力層と、複
数の競合ニューロンからなる競合層とを有する競合型ニ
ューラルネットワークを用いて、シンボルごとの各種入
力の入力パターンに応じて、対応する入力ニューロン及
び競合ニューロン間の結合力を強めるようにして、シン
ボルに関する第１の情報を記憶する記憶手段を設け、記
憶手段が、各種入力とは別に供給されるシンボルに関す
る第２の情報を、当該シンボルに対応する競合ニューロ
ンと関連付けてフレーム形式で記憶するようにしたこと
により、第１の情報については統計的な追加学習を行
い、第２の情報についてはこれを直ちに学習することが
でき、かくしてノイズに強く、記憶容量や、計算量、物
理メモリ量及び記憶応答性に優れた記憶装置を実現でき
る。
【０１０７】また本発明によれば、記憶方法において、
複数の入力ニューロンからなる入力層と、複数の競合ニ
ューロンからなる競合層とを有する競合型ニューラルネ
ットワークを用いて、シンボルごとの各種入力の入力パ
ターンに応じて、対応する入力ニューロン及び競合ニュ
ーロン間の結合力を強めるようにして、シンボルに関す
る第１の情報を記憶する第１のステップを設け、第１の
ステップでは、各種入力とは別に供給されるシンボルに
関する第２の情報を、当該シンボルに対応する競合ニュ
ーロンと関連付けてフレーム形式で記憶するようにした
ことにより、第１の情報については統計的な追加学習を
行い、第２の情報についてはこれを直ちに学習すること
ができ、かくしてノイズに強く、記憶容量や、計算量、
物理メモリ量及び記憶応答性に優れた記憶方法装置を実
現できる。
複数の入力ニューロンからなる入力層と、複数の競合ニ
ューロンからなる競合層とを有する競合型ニューラルネ
ットワークを用いて、シンボルごとの各種入力の入力パ
ターンに応じて、対応する入力ニューロン及び競合ニュ
ーロン間の結合力を強めるようにして、シンボルに関す
る第１の情報を記憶する第１のステップを設け、第１の
ステップでは、各種入力とは別に供給されるシンボルに
関する第２の情報を、当該シンボルに対応する競合ニュ
ーロンと関連付けてフレーム形式で記憶するようにした
ことにより、第１の情報については統計的な追加学習を
行い、第２の情報についてはこれを直ちに学習すること
ができ、かくしてノイズに強く、記憶容量や、計算量、
物理メモリ量及び記憶応答性に優れた記憶方法装置を実
現できる。
【０１０８】さらに本発明によれば、ロボット装置にお
いて、複数の入力ニューロンからなる入力層と、複数の
競合ニューロンからなる競合層とを有する競合型ニュー
ラルネットワークを用いて、シンボルごとの各種入力の
入力パターンに応じて、対応する入力ニューロン及び競
合ニューロン間の結合力を強めるようにして、シンボル
に関する第１の情報を記憶する記憶手段を設け、記憶手
段が、各種入力とは別に供給されるシンボルに関する第
２の情報を、当該シンボルに対応する競合ニューロンと
関連付けてフレーム形式で記憶するようにしたことによ
り、第１の情報については統計的な追加学習を行い、第
２の情報についてはこれを直ちに学習することができ、
かくしてノイズに強く、記憶容量や、計算量、物理メモ
リ量及び記憶応答性に優れた記憶を行い得るロボット装
置を実現できる。
いて、複数の入力ニューロンからなる入力層と、複数の
競合ニューロンからなる競合層とを有する競合型ニュー
ラルネットワークを用いて、シンボルごとの各種入力の
入力パターンに応じて、対応する入力ニューロン及び競
合ニューロン間の結合力を強めるようにして、シンボル
に関する第１の情報を記憶する記憶手段を設け、記憶手
段が、各種入力とは別に供給されるシンボルに関する第
２の情報を、当該シンボルに対応する競合ニューロンと
関連付けてフレーム形式で記憶するようにしたことによ
り、第１の情報については統計的な追加学習を行い、第
２の情報についてはこれを直ちに学習することができ、
かくしてノイズに強く、記憶容量や、計算量、物理メモ
リ量及び記憶応答性に優れた記憶を行い得るロボット装
置を実現できる。
【図１】本実施の形態によるロボットの外部構成を示す
斜視図である。
斜視図である。
【図２】ロボットの外部構成を示す斜視図である。
【図３】ロボットの外部構成の説明に供する略線図であ
る。
る。
【図４】ロボットの内部構成の説明に供するブロック図
である。
である。
【図５】ロボットの内部構成の説明に供するブロック図
である。
である。
【図６】意味ネットワークモデルによる知識表現の説明
に供する概念図である。
に供する概念図である。
【図７】フレームモデルによる知識表現の説明に供する
概念図である。
概念図である。
【図８】ユーザの記憶に関するメイン制御部の処理の説
明に供するブロック図である。
明に供するブロック図である。
【図９】本実施の形態による連想記憶システムの説明に
供する概念図である。
供する概念図である。
【図１０】ユーザ情報の記憶及びこれを利用した行動発
現の説明に供するフローチャートである。
現の説明に供するフローチャートである。
【図１１】ユーザ情報の記憶及びこれを利用した行動発
現の説明に供するフローチャートである。
現の説明に供するフローチャートである。
【図１２】連想記憶システムの説明に供する概念図であ
る。
る。
【図１３】連想記憶システムの説明に供する概念図であ
る。
る。
【図１４】従来の競合型ニューラルネットワークを適用
した連想記憶システムの説明に供する概念図である。
した連想記憶システムの説明に供する概念図である。
【符号の説明】
１……ロボット、４０……メイン制御部、６０……顔認
識部、６１……音声認識部、６２……名前認識部、６３
……やさしさ認識部、６４……制御部、７２……競合型
ニューラルネットワーク、７３……入力ニューロン、７
４……競合ニューロン、７５……シンボルメモ。
識部、６１……音声認識部、６２……名前認識部、６３
……やさしさ認識部、６４……制御部、７２……競合型
ニューラルネットワーク、７３……入力ニューロン、７
４……競合ニューロン、７５……シンボルメモ。
フロントページの続き
Ｆターム(参考） 3C007 AS36 CS08 KS39 KT01 LW12
LW15 MT14 WA03 WA13 WB19
WB25
Claims (6)
- 【請求項１】複数の入力ニューロンからなる入力層と、
複数の競合ニューロンからなる競合層とを有する競合型
ニューラルネットワークを用いて、シンボルごとの各種
入力の入力パターンに応じて、対応する上記入力ニュー
ロン及び上記競合ニューロン間の結合力を強めるように
して、上記シンボルに関する第１の情報を記憶する記憶
手段を具え、 上記記憶手段は、 上記各種入力とは別に供給される上記シンボルに関する
第２の情報を、当該シンボルに対応する上記競合ニュー
ロンと関連付けてフレーム形式で記憶することを特徴と
する記憶装置。 - 【請求項２】上記各種入力の上記入力パターンに応じて
対応する上記シンボルに関する上記第１の情報を想起す
ると共に、当該シンボルと関連付けて記憶された上記第
２の情報を想起する想起手段を具えることを特徴とする
請求項１に記載の記憶装置。 - 【請求項３】複数の入力ニューロンからなる入力層と、
複数の競合ニューロンからなる競合層とを有する競合型
ニューラルネットワークを用いて、シンボルごとの各種
入力の入力パターンに応じて、対応する上記入力ニュー
ロン及び上記競合ニューロン間の結合力を強めるように
して、上記シンボルに関する第１の情報を記憶する第１
のステップを具え、 上記第１のステップでは、 上記各種入力とは別に供給される上記シンボルに関する
第２の情報を、当該シンボルに対応する上記競合ニュー
ロンと関連付けてフレーム形式で記憶することを特徴と
する記憶方法。 - 【請求項４】上記各種入力の上記入力パターンに応じて
対応する上記シンボルに関する上記第１の情報を想起す
ると共に、当該シンボルと関連付けて記憶された上記第
２の情報を想起する第２のステップを具えることを特徴
とする請求項３に記載の記憶方法。 - 【請求項５】複数の入力ニューロンからなる入力層と、
複数の競合ニューロンからなる競合層とを有する競合型
ニューラルネットワークを用いて、シンボルごとの各種
入力の入力パターンに応じて、対応する上記入力ニュー
ロン及び上記競合ニューロン間の結合力を強めるように
して、上記シンボルに関する第１の情報を記憶する記憶
手段を具え、 上記記憶手段は、 上記各種入力とは別に供給される上記シンボルに関する
第２の情報を、当該シンボルに対応する上記競合ニュー
ロンと関連付けてフレーム形式で記憶することを特徴と
するロボット装置。 - 【請求項６】上記各種入力の上記入力パターンに応じて
対応する上記シンボルに関する上記第１の情報を想起す
ると共に、当該シンボルと関連付けて記憶された上記第
２の情報を想起する想起手段を具えることを特徴とする
請求項５に記載のロボット装置。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002073143A JP3988121B2 (ja) | 2002-03-15 | 2002-03-15 | 学習装置、記憶方法及びロボット装置 |
| US10/388,559 US7216112B2 (en) | 2002-03-15 | 2003-03-14 | Memory system, memory method, and robotic apparatus |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002073143A JP3988121B2 (ja) | 2002-03-15 | 2002-03-15 | 学習装置、記憶方法及びロボット装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2003271923A true JP2003271923A (ja) | 2003-09-26 |
| JP3988121B2 JP3988121B2 (ja) | 2007-10-10 |
Family
ID=29202947
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2002073143A Expired - Fee Related JP3988121B2 (ja) | 2002-03-15 | 2002-03-15 | 学習装置、記憶方法及びロボット装置 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US7216112B2 (ja) |
| JP (1) | JP3988121B2 (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005297105A (ja) * | 2004-04-08 | 2005-10-27 | Sony Corp | ロボット装置及びその情動制御方法 |
| JP2005313308A (ja) * | 2004-03-30 | 2005-11-10 | Nec Corp | ロボット、ロボット制御方法、ロボット制御プログラム、ならびに思考装置 |
| CN107662208A (zh) * | 2017-08-24 | 2018-02-06 | 浙江工业大学 | 一种基于神经网络的柔性关节机械臂有限时间自适应反步控制方法 |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8554370B2 (en) * | 2009-05-15 | 2013-10-08 | Honda Motor Co., Ltd | Machine learning approach for predicting humanoid robot fall |
| US8548802B2 (en) * | 2009-05-22 | 2013-10-01 | Honda Motor Co., Ltd. | Acoustic data processor and acoustic data processing method for reduction of noise based on motion status |
| US8775341B1 (en) | 2010-10-26 | 2014-07-08 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
| US9015093B1 (en) | 2010-10-26 | 2015-04-21 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
| JP5978027B2 (ja) * | 2012-06-28 | 2016-08-24 | 本田技研工業株式会社 | 移動ロボットの制御装置 |
| CN106462804A (zh) * | 2016-06-29 | 2017-02-22 | 深圳狗尾草智能科技有限公司 | 一种机器人交互内容的生成方法、***及机器人 |
| WO2018089700A1 (en) * | 2016-11-10 | 2018-05-17 | Warner Bros. Entertainment Inc. | Social robot with environmental control feature |
| CN107336234A (zh) * | 2017-06-13 | 2017-11-10 | 赛赫智能设备（上海）股份有限公司 | 一种反馈式自学习工业机器人及工作方法 |
| CN114851198B (zh) * | 2022-05-17 | 2023-05-16 | 广州大学 | 一种多单连杆式机械臂的一致跟踪固定时间稳定控制方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10289006A (ja) * | 1997-04-11 | 1998-10-27 | Yamaha Motor Co Ltd | 疑似感情を用いた制御対象の制御方法 |
| JPH11265239A (ja) * | 1998-03-17 | 1999-09-28 | Toshiba Corp | 感情生成装置及び感情生成方法 |
| JP2001052175A (ja) * | 1999-08-06 | 2001-02-23 | Olympus Optical Co Ltd | 画像検索装置 |
| JP2001212783A (ja) * | 2000-02-01 | 2001-08-07 | Sony Corp | ロボット装置及びその制御方法 |
-
2002
- 2002-03-15 JP JP2002073143A patent/JP3988121B2/ja not_active Expired - Fee Related
-
2003
- 2003-03-14 US US10/388,559 patent/US7216112B2/en not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10289006A (ja) * | 1997-04-11 | 1998-10-27 | Yamaha Motor Co Ltd | 疑似感情を用いた制御対象の制御方法 |
| JPH11265239A (ja) * | 1998-03-17 | 1999-09-28 | Toshiba Corp | 感情生成装置及び感情生成方法 |
| JP2001052175A (ja) * | 1999-08-06 | 2001-02-23 | Olympus Optical Co Ltd | 画像検索装置 |
| JP2001212783A (ja) * | 2000-02-01 | 2001-08-07 | Sony Corp | ロボット装置及びその制御方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005313308A (ja) * | 2004-03-30 | 2005-11-10 | Nec Corp | ロボット、ロボット制御方法、ロボット制御プログラム、ならびに思考装置 |
| JP4555039B2 (ja) * | 2004-03-30 | 2010-09-29 | 日本電気株式会社 | ロボット、ロボット制御方法、ロボット制御プログラム |
| JP2005297105A (ja) * | 2004-04-08 | 2005-10-27 | Sony Corp | ロボット装置及びその情動制御方法 |
| JP4552490B2 (ja) * | 2004-04-08 | 2010-09-29 | ソニー株式会社 | ロボット装置及びその情動制御方法 |
| CN107662208A (zh) * | 2017-08-24 | 2018-02-06 | 浙江工业大学 | 一种基于神经网络的柔性关节机械臂有限时间自适应反步控制方法 |
| CN107662208B (zh) * | 2017-08-24 | 2020-07-31 | 浙江工业大学 | 一种基于神经网络的柔性关节机械臂有限时间自适应反步控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20030233170A1 (en) | 2003-12-18 |
| JP3988121B2 (ja) | 2007-10-10 |
| US7216112B2 (en) | 2007-05-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3951235B2 (ja) | 学習装置及び学習方法並びにロボット装置 | |
| KR100898435B1 (ko) | 로봇 장치 및 그 제어 방법 | |
| JP3988121B2 (ja) | 学習装置、記憶方法及びロボット装置 | |
| US7103447B2 (en) | Robot apparatus, and behavior controlling method for robot apparatus | |
| JP4609584B2 (ja) | ロボット装置、顔認識方法及び顔認識装置 | |
| US6587751B2 (en) | Robot device and method for controlling the robot's emotions | |
| US6556892B2 (en) | Control device and control method for robot | |
| KR101137205B1 (ko) | 로봇의 행동 제어 시스템 및 행동 제어 방법, 및 로봇 장치 | |
| JP4086024B2 (ja) | ロボット装置及びその行動制御方法 | |
| JP3714268B2 (ja) | ロボット装置 | |
| JP4239635B2 (ja) | ロボット装置、その動作制御方法、及びプログラム | |
| JP2003266349A (ja) | 位置認識方法、その装置、そのプログラム、その記録媒体及び位置認識装置搭載型ロボット装置 | |
| JP2005238422A (ja) | ロボット装置、並びにその状態遷移モデル構築方法及び行動制御方法 | |
| JP4529091B2 (ja) | 学習装置及び学習方法並びにロボット装置 | |
| JP2001236585A (ja) | 移動ロボット及び移動ロボットのための盗難防止方法 | |
| 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 | |
| JP4281286B2 (ja) | ロボット装置及びその制御方法 | |
| JP4433273B2 (ja) | ロボット装置及びロボット装置の制御方法 | |
| JP2004302645A (ja) | 顔登録装置、顔登録方法、記録媒体、及びロボット装置 | |
| JP2003205179A (ja) | ペット型ロボット | |
| Alford et al. | Multi-agent system for a human-friendly robot | |
| JP2003208161A (ja) | ロボット装置及びその制御方法 | |
| JP2004283943A (ja) | コンテンツ選択装置及び方法並びにロボット装置 | |
| JP4552490B2 (ja) | ロボット装置及びその情動制御方法 | |
| JP2002205290A (ja) | 脚式移動ロボットの制御装置及び制御方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20040419 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20060609 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20060808 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20061215 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20070213 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070330 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20070529 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20070622 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20070705 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100727 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100727 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110727 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120727 Year of fee payment: 5 |
|
| LAPS | Cancellation because of no payment of annual fees |