JP2018194932A - 制御装置、制御プログラム、学習データ作成方法、及び学習方法 - Google Patents
制御装置、制御プログラム、学習データ作成方法、及び学習方法 Download PDFInfo
- Publication number
- JP2018194932A JP2018194932A JP2017096165A JP2017096165A JP2018194932A JP 2018194932 A JP2018194932 A JP 2018194932A JP 2017096165 A JP2017096165 A JP 2017096165A JP 2017096165 A JP2017096165 A JP 2017096165A JP 2018194932 A JP2018194932 A JP 2018194932A
- Authority
- JP
- Japan
- Prior art keywords
- control
- learning
- target device
- output
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 73
- 238000013528 artificial neural network Methods 0.000 claims description 190
- 238000012937 correction Methods 0.000 claims description 25
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 description 57
- 210000002569 neuron Anatomy 0.000 description 54
- 230000006870 function Effects 0.000 description 26
- 230000008569 process Effects 0.000 description 17
- 238000010801 machine learning Methods 0.000 description 11
- 230000004048 modification Effects 0.000 description 11
- 238000012986 modification Methods 0.000 description 11
- 230000010365 information processing Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000004378 air conditioning Methods 0.000 description 8
- 238000010304 firing Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 235000019640 taste Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth 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)
- Feedback Control In General (AREA)
- Air Conditioning Control Device (AREA)
Abstract
Description
まず、図1を用いて、本発明が適用される場面の一例について説明する。図1は、本実施形態に係る制御装置1及び学習装置3の適用場面の一例を模式的に例示する。
[ハードウェア構成]
<制御装置>
次に、図2を用いて、本実施形態に係る制御装置1のハードウェア構成の一例について説明する。図2は、本実施形態に係る制御装置1のハードウェア構成の一例を模式的に例示する。
次に、図3を用いて、本実施形態に係るデータ収集用制御装置2のハードウェア構成の一例について説明する。図3は、本実施形態に係るデータ収集用制御装置2のハードウェア構成の一例を模式的に例示する。
次に、図4を用いて、本実施形態に係る学習装置3のハードウェア構成の一例を説明する。図4は、本実施形態に係る学習装置3のハードウェア構成の一例を模式的に例示する。
<制御装置>
次に、図5を用いて、本実施形態に係る制御装置1の機能構成の一例を説明する。図5は、本実施形態に係る制御装置1の機能構成の一例を模式的に例示する。
次に、図6を用いて、本実施形態に係るデータ収集用制御装置2の機能構成の一例を説明する。図6は、本実施形態に係るデータ収集用制御装置2の機能構成の一例を模式的に例示する。
次に、図7を用いて、本実施形態に係る学習装置3の機能構成の一例を説明する。図7は、本実施形態に係る学習装置3の機能構成の一例を模式的に例示する。
制御装置1、データ収集用制御装置2、及び学習装置3の各機能に関しては後述する動作例で詳細に説明する。なお、本実施形態では、制御装置1、データ収集用制御装置2、及び学習装置3の各機能がいずれも汎用のCPUにより実現される例について説明した。しかしながら、以上の機能の一部又は全部が、1又は複数の専用のハードウェアプロセッサにより実現されてもよい。また、制御装置1、データ収集用制御装置2、及び学習装置3それぞれの機能構成に関して、実施形態に応じて、適宜、機能の省略、置換及び追加が行われてもよい。
[制御装置]
次に、図8を用いて、制御装置1の動作例を説明する。図8は、制御装置1の処理手順の一例を例示するフローチャートである。なお、以下で説明する処理手順は一例に過ぎず、各処理は可能な限り変更されてよい。また、以下で説明する処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。
まず、制御装置1及び空調装置4を含むシステムを適宜起動する。システムを起動すると、制御装置1は、制御プログラム121を読み込んで、初期設定の処理を実行する。具体的には、制御部11は、各学習結果データ122〜124を参照して、各ニューラルネットワーク5〜7の構造、各ニューロン間の結合の重み及び各ニューロンの閾値の設定を行う。そして、制御部11は、以下の処理手順に従って、空調装置4の動作を制御する。
ステップS101では、制御部11は、空調装置4の動作の制御に利用する各種情報、換言すると、空調装置4の動作を決定する要因となる情報を各利用者(A、B)から取得する。上記のとおり、空調装置4の動作の制御に利用する情報の種類は、実施の形態に応じて適宜決定されてよい。各利用者(A、B)は、例えば、PC(Personal Computer)、携帯電話、リモートコントローラ等のユーザ端末を用いて、空調装置4に対して室温調整の要求を行ってもよい。これに応じて、制御部11は、公知の無線又は有線のデータ通信により、空調装置4の動作の制御に利用する指示データ、位置情報等の各種情報をユーザ端末から取得してもよい。また、制御部11は、空調装置4の動作の制御に利用する情報として、各利用者(A、B)の個人情報を記憶部12から取得してもよい。
次のステップS102では、制御部11は、第1の制御処理部111として機能し、利用者Aから取得した指示データ、位置情報等の各種情報を第1のニューラルネットワーク5に入力する。第1のニューラルネットワーク5は、利用者Aから取得した各種情報を入力すると、利用者Aの好みに応じた空調装置4に対する制御値を出力するように予め学習済みである。そのため、制御部11は、利用者Aから取得した各種情報を入力層51の各ニューロンに入力し、順伝搬の方向に各層51〜53に含まれる各ニューロンの発火判定を行うことで、利用者Aの好みに応じた空調装置4に対する制御値を出力層53の各ニューロンから取得することができる。
次のステップS103では、制御部11は、競合解消部113として機能し、各ニューラルネットワーク(5、6)から得られた制御値を第3のニューラルネットワーク7の入力層71に入力する。そして、制御部11は、順伝搬の方向に各層71〜73に含まれる各ニューロンの発火判定を行うことで、第3のニューラルネットワーク7の出力層73から競合を解消するように修正済みの制御値を取得する。これにより、本実施形態では、各ニューラルネットワーク(5、6)を利用した空調装置4の制御に競合が発生する場合に、当該競合を解消するように空調装置4の制御を修正することができる。
次のステップS104では、制御部11は、上記ステップS103において第3のニューラルネットワーク7から取得した修正済み制御値に基づいて、空調装置4の動作を制御する。制御値は、例えば、空調装置4を動作させることで達成すべき所望の室温を示す。制御部11は、制御値に示される所望の室温と現状の室温とを比較し、所望の室温になるように空調装置4の冷暖房の動作を制御する。
次に、図9を用いて、データ収集用制御装置2の動作例を説明する。図9は、データ収集用制御装置2の処理手順の一例を例示するフローチャートである。なお、以下で説明する処理手順は、本発明の「学習データ作成方法」に相当する。ただし、以下で説明する処理手順は一例に過ぎず、各処理は可能な限り変更されてよい。また、以下で説明する処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。
上記と同様に、データ収集用制御装置2及び空調装置4を含むシステムを適宜起動する。システムを起動すると、データ収集用制御装置2は、データ収集用制御プログラム221を読み込んで、初期設定の処理を実行する。すなわち、制御部21は、各学習結果データ(122、123)を参照して、各ニューラルネットワーク(5、6)の構造、各ニューロン間の結合の重み及び各ニューロンの閾値の設定を行う。そして、制御部21は、以下の処理手順に従って、第3のニューラルネットワーク7を構築するための学習データ223を作成する。
ステップS201では、制御部21は、上記ステップS101と同様に、各ニューラルネットワーク(5、6)に入力する各種情報を各利用者(A、B)から取得する。
次のステップS203では、制御部21は、上記ステップS202で各ニューラルネットワーク(5、6)から取得した各制御値に基づいて、制御対象装置である空調装置4の動作を制御する。そして、ステップS204では、制御部21は、空調装置4の制御に競合が発生するか否かを判定する。
次のステップS205では、制御部21は、修正値決定部213として機能し、空調装置4の制御に生じた競合を解消するように、各ニューラルネットワーク(5、6)から取得した各制御値の修正値を決定する。これにより、制御部21は、競合を解消するように修正済みの制御値を取得する。
次のステップS206では、制御部21は、学習データ作成部214として機能し、ステップS202で各ニューラルネットワーク(5、6)から取得した制御値と、ステップS205で決定した修正済みの制御値とを組にする。これにより、制御部21は、修正前の各制御値を入力データとし、修正済みの制御値を教師データとする学習データ223を作成する。そして、制御部21は、作成した学習データ223を記憶部22に保存する。
次に、図10を用いて、学習装置3の動作例を説明する。図10は、学習装置3の処理手順の一例を例示するフローチャートである。なお、以下で説明する処理手順は一例に過ぎず、各処理は可能な限り変更されてよい。また、以下で説明する処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。
ステップS301では、制御部31は、学習データ取得部311として機能し、上記データ収集用制御装置2により作成された学習データ223を取得する。
次のステップS302では、制御部31は、学習処理部312として機能し、ステップS301で取得した学習データ223を用いて、各ニューラルネットワーク(5、6)から得られる制御値を入力すると、競合を解消するように修正済みの制御値を出力するように学習用のニューラルネットワーク8の学習を行う。
次のステップS303では、制御部31は、学習処理部312として機能して、構築したニューラルネットワーク8の構成、各ニューロン間の結合の重み、及び各ニューロンの閾値を示す情報を競合解消学習結果データ124として記憶部32に格納する。これにより、制御部31は、本動作例に係る学習処理を終了する。
以上のように、本実施形態では、各ニューラルネットワーク(5、6)によって、各利用者(A、B)の好みに適するように空調装置4の動作を制御することができる。ただし、両者から相反する指示がなされた場合等には、空調装置4の制御に競合が発生し得る。これに対して、本実施形態では、各ニューラルネットワーク(5、6)から得られた制御値を、上記ステップS103の処理で利用する第3のニューラルネットワーク7によって、当該競合を解消するように修正することができる。したがって、本実施形態によれば、各利用者(A、B)による制御の間で競合が発生しても、空調装置4が動作不能に陥らないようにすることができる。
以上、本発明の実施の形態を詳細に説明してきたが、前述までの説明はあらゆる点において本発明の例示に過ぎない。本発明の範囲を逸脱することなく種々の改良や変形を行うことができることは言うまでもない。例えば、以下のような変更が可能である。なお、以下では、上記実施形態と同様の構成要素に関しては同様の符号を用い、上記実施形態と同様の点については、適宜説明を省略した。以下の変形例は適宜組み合わせ可能である。
上記実施形態では、制御装置1により制御される制御対象装置として空調装置を例示している。しかしながら、制御対象装置の種類は、空調装置に限られなくてもよく、実施の形態に応じて適宜選択されてよい。制御対象装置は、例えば、ロボット装置等であってもよい。
上記制御装置1、データ収集用制御装置2、及び学習装置3それぞれの具体的なハードウェア構成に関して、実施の形態に応じて、適宜、構成要素の省略、置換及び追加が可能である。例えば、制御部11は、複数のプロセッサを含んでもよい。制御装置1及びデータ収集用制御装置2は、通信インタフェースを備え、ネットワークを介して他の情報処理装置とデータのやりとりが可能に構成されてもよい。制御装置1、データ収集用制御装置2、及び学習装置3はそれぞれ、複数台のコンピュータで構成されてもよい。
また、上記実施形態では、図5〜図7に示されるとおり、各ニューラルネットワーク5〜8として、多層構造を有する一般的な順伝播型ニューラルネットワークを用いている。しかしながら、各ニューラルネットワーク5〜8の種類は、このような例に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。例えば、入力データとして画像を用いる場合、各ニューラルネットワーク5〜8には、畳み込み層及びプーリング層を備える畳み込みニューラルネットワークを用いてもよい。また、例えば、入力データとして時系列データを用いる場合、各ニューラルネットワーク5〜8には、中間層から入力層等のように出力側から入力側に再帰する結合を有する再帰型ニューラルネットワークが用いられてもよい。なお、各ニューラルネットワーク5〜8の層数、各層におけるニューロンの個数、ニューロン同士の結合関係、及び各ニューロンの伝達関数は、実施の形態に応じて適宜決定されてよい。
また、上記ステップS103では、空調装置4の制御に競合を発生させるか否かを区別せずに、ステップS102で各ニューラルネットワーク(5、6)から取得した制御値を第3のニューラルネットワーク7に入力している。しかしながら、制御装置1の処理手順は、このような例に限定されなくてもよい。ステップS102で各ニューラルネットワーク(5、6)から取得した制御値が空調装置4の制御に競合を発生させる場合にのみ、制御部11は、当該ステップS102で取得した制御値を第3のニューラルネットワーク7に入力してもよい。この場合、ステップS102で各ニューラルネットワーク(5、6)から取得した制御値が空調装置4の制御に競合を発生させないときには、制御部11は、上記ステップS103を省略して、次のステップS104の処理を実行することで、各ニューラルネットワーク(5、6)から取得した制御値をそのまま空調装置4の制御に利用してもよい。
また、上記実施形態では、制御部11は、空調装置4の制御にどのような競合を発生させるかを特定せずに、各ニューラルネットワーク(5、6)から取得した制御値を第3のニューラルネットワーク7に入力している。しかしながら、制御装置1の処理手順は、このような例に限定されなくてもよく、制御部11は、各ニューラルネットワーク(5、6)から取得した制御値が空調装置4の制御にどのような競合を発生させるかを特定してもよい。
また、上記実施形態(及び変形例)では、各学習器は、ニューラルネットワークにより構成されている。しかしながら、各学習器の種類は、ニューラルネットワークに限られなくてもよく、実施の形態に応じて適宜選択されてよい。各学習器には、例えば、サポートベクターマシン、自己組織化マップ、強化学習により学習を行う学習器等が用いられてもよい。
また、上記各ニューラルネットワーク(5、6)を作成するための学習装置を用意してもよい。例えば、機械学習に利用する学習データを上記学習データ223から各利用者(A、B)に適した制御を学習するための学習データに変更することで、上記学習装置3により、学習済みの各ニューラルネットワーク(5、6)を作成することができる。各利用者(A、B)に適した制御を学習させるための学習データは、各利用者(A、B)から取得した入力データとなる各種情報と、各利用者(A、B)の好みに適した教師データとなる本来の制御値とを組み合わせることで作成することができる。学習装置は、このような学習データを利用して、上記ステップS301〜303の処理を実行することで、学習済みの各ニューラルネットワーク(5、6)を構築し、各動作制御学習結果データ(122、123)を作成することができる。
11…制御部、12…記憶部、13…外部インタフェース、
111…第1の制御処理部、112…第2の制御処理部、
113・113A…競合解消部、
114・114C…競合種別特定部、
115…第4のニューラルネットワーク、
121…制御プログラム、122…第1動作制御学習結果データ、
123…第2動作制御学習結果データ、
124…競合解消学習結果データ、
125…競合種別情報、126…学習結果データ、
2…データ収集用制御装置、
21…制御部、22…記憶部、23…外部インタフェース、
211…第1の制御処理部、212…第2の制御処理部、
213…修正値決定部、214…学習データ作成部、
221…データ収集用制御プログラム、223…学習データ、
3…学習装置、
31…制御装置、32…記憶部、33…通信インタフェース、
34…入力装置、35…出力装置、36…ドライブ、
311…学習データ取得部、312…学習処理部、
321…学習プログラム、
5…第1のニューラルネットワーク、
51…入力層、52…中間層(隠れ層)、53…出力層、
6…第2のニューラルネットワーク、
61…入力層、62…中間層(隠れ層)、63…出力層、
7…第3のニューラルネットワーク、
71…入力層、72…中間層(隠れ層)、73…出力層、
8…学習用のニューラルネットワーク、
81…入力層、82…中間層(隠れ層)、83…出力層、
91…記憶媒体
Claims (12)
- 第1の制御対象装置の動作を制御するための学習を行った学習済みの第1の学習器から出力される制御値に基づいて、当該第1の制御対象装置の動作を制御する第1の制御処理部と、
第2の制御対象装置の動作を制御するための学習を行った学習済みの第2の学習器から出力される制御値に基づいて、当該第2の制御対象装置の動作を制御する第2の制御処理部と、
前記第1の学習器から出力される制御値に基づく前記第1の制御対象装置の制御と前記第2の学習器から出力される制御値に基づく前記第2の制御対象装置の制御とが競合する場合に、前記第1の制御対象装置及び前記第2の制御対象装置の制御を修正することで、当該競合を解消する競合解消部と、
を備える、
制御装置。 - 前記競合解消部は、前記第1の学習器から出力される前記第1の制御対象装置の制御値及び前記第2の学習器から出力される前記第2の制御対象装置の制御値を入力すると、前記競合を解消するように修正された前記第1の制御対象装置の制御値及び前記第2の制御対象装置の制御値を出力するように学習を行った学習済みの第3の学習器を利用して、前記競合を解消する、
請求項1に記載の制御装置。 - 前記第1の学習器から出力される前記第1の制御対象装置の制御値及び前記第2の学習器から出力される前記第2の制御対象装置の制御値に基づいて、前記第1の制御対象装置及び前記第2の制御対象装置の制御がどのように競合するかを示す競合種別情報を特定する競合種別特定部を更に備え、
前記競合解消部は、特定された前記競合種別情報を前記第3の学習器に更に入力する、
請求項2に記載の制御装置。 - 前記競合種別特定部は、前記第1の学習器から出力される前記第1の制御対象装置の制御値及び前記第2の学習器から出力される前記第2の制御対象装置の制御値を入力すると、前記競合種別情報に対応する出力値を出力するように学習を行った学習済みの第4の学習器を利用して、前記競合種別情報を特定する、
請求項3に記載の制御装置。 - 前記第1、第2、第3及び第4の学習器はそれぞれニューラルネットワークにより構成される、
請求項4に記載の制御装置。 - 前記競合解消部は、前記第1の学習器から出力される制御値に基づく前記第1の制御対象装置の制御、及び前記第2の学習器から出力される制御値に基づく前記第2の制御対象装置の制御のいずれか一方を優先することで、前記競合を解消する、
請求項1から5のいずれか1項に記載の制御装置。 - 前記第1の制御対象装置と前記第2の制御対象装置とは同一の制御対象装置であり、
前記競合解消部は、前記第1の学習器から出力される制御値と前記第2の学習器から出力される制御値とを平均化することで、前記競合を解消する、
請求項1から6のいずれか1項に記載の制御装置。 - 第1の制御対象装置及び第2の制御対象装置の動作を制御するコンピュータに、
前記第1の制御対象装置の動作を制御するための学習を行った学習済みの第1の学習器から出力される前記第1の制御対象装置を制御するための制御値を取得するステップと、
前記第2の制御対象装置の動作を制御するための学習を行った学習済みの第2の学習器から出力される前記第2の制御対象装置を制御するための制御値を取得するステップと、
前記第1の学習器から出力される制御値に基づく前記第1の制御対象装置の制御と前記第2の学習器から出力される制御値に基づく前記第2の制御対象装置の制御とが競合する場合に、当該競合を解消するように修正された前記第1の制御対象装置の制御値及び前記第2の制御対象装置の制御値を取得するステップと、
取得された前記制御値に基づいて前記第1の制御対象装置及び前記第2の制御対象装置を制御するステップと、
を実行させるための制御プログラム。 - 第1の制御対象装置の動作を制御するための学習を行った学習済みの第1の学習器から出力される当該第1の制御対象装置を制御するための制御値を取得するステップと、
第2の制御対象装置の動作を制御するための学習を行った学習済みの第2の学習器から出力される当該第2の制御対象装置を制御するための制御値を取得するステップと、
前記第1の学習器から出力される制御値に基づく前記第1の制御対象装置の制御と前記第2の学習器から出力される制御値に基づく前記第2の制御対象装置の制御とが競合するか否かを判定するステップと、
前記第1の学習器から出力される制御値に基づく前記第1の制御対象装置の制御と前記第2の学習器から出力される制御値に基づく前記第2の制御対象装置の制御とが競合する場合に、当該競合を解消するように前記第1の制御対象装置及び前記第2の制御対象装置の制御値の修正値を決定するステップと、
前記第1の学習器から得られた制御値及び前記第2の学習器から得られた制御値を入力データとし、決定された前記修正値を教師データとして、学習器の学習を行うための学習データを作成するステップと、
を備える、
学習データ作成方法。 - 前記修正値は、オペレータの入力により決定される、
請求項9に記載の学習データ作成方法。 - 前記修正値は、所定の規則に従って決定される、
請求項9に記載の学習データ作成方法。 - 請求項9から11のいずれか1項に記載の学習データ作成方法により作成した前記学習データを取得するステップと、
取得した前記学習データにより学習器の学習を行うステップと、
を備える、
学習方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017096165A JP6915371B2 (ja) | 2017-05-15 | 2017-05-15 | 制御装置、制御プログラム、学習データ作成方法、及び学習方法 |
PCT/JP2018/016703 WO2018211927A1 (en) | 2017-05-15 | 2018-04-25 | Control apparatus, control program, learning data creation method, and learning method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017096165A JP6915371B2 (ja) | 2017-05-15 | 2017-05-15 | 制御装置、制御プログラム、学習データ作成方法、及び学習方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018194932A true JP2018194932A (ja) | 2018-12-06 |
JP6915371B2 JP6915371B2 (ja) | 2021-08-04 |
Family
ID=62200496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017096165A Active JP6915371B2 (ja) | 2017-05-15 | 2017-05-15 | 制御装置、制御プログラム、学習データ作成方法、及び学習方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP6915371B2 (ja) |
WO (1) | WO2018211927A1 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019144898A (ja) * | 2018-02-21 | 2019-08-29 | 清水建設株式会社 | 装置制御システム及び装置制御方法 |
WO2020080069A1 (ja) | 2018-10-16 | 2020-04-23 | 日東シンコー株式会社 | 樹脂組成物 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114675539B (zh) * | 2022-03-29 | 2024-01-23 | 江苏希尔登家居有限公司 | 一种自主学习的门窗智能控制*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002518725A (ja) * | 1998-06-15 | 2002-06-25 | デジマ・インコーポレイテッド | 適応的エージェント指向ソフトウェアアーキテクチャを用いる適応的対話 |
JP2016532355A (ja) * | 2013-07-12 | 2016-10-13 | 李 文 嵩 | インテリジェント住宅システム及び操作方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1563348A2 (en) * | 2002-08-21 | 2005-08-17 | Neal E. Solomon | Systems, methods and apparatus for organizing groups of self-configurable mobile robotic agents in a multi-robotic system |
-
2017
- 2017-05-15 JP JP2017096165A patent/JP6915371B2/ja active Active
-
2018
- 2018-04-25 WO PCT/JP2018/016703 patent/WO2018211927A1/en active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002518725A (ja) * | 1998-06-15 | 2002-06-25 | デジマ・インコーポレイテッド | 適応的エージェント指向ソフトウェアアーキテクチャを用いる適応的対話 |
JP2016532355A (ja) * | 2013-07-12 | 2016-10-13 | 李 文 嵩 | インテリジェント住宅システム及び操作方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019144898A (ja) * | 2018-02-21 | 2019-08-29 | 清水建設株式会社 | 装置制御システム及び装置制御方法 |
JP7121500B2 (ja) | 2018-02-21 | 2022-08-18 | 清水建設株式会社 | 装置制御システム及び装置制御方法 |
WO2020080069A1 (ja) | 2018-10-16 | 2020-04-23 | 日東シンコー株式会社 | 樹脂組成物 |
Also Published As
Publication number | Publication date |
---|---|
WO2018211927A1 (en) | 2018-11-22 |
JP6915371B2 (ja) | 2021-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6648352B2 (ja) | 汎用学習済モデルの生成方法 | |
EP1262844A1 (en) | Method for controlling a man-machine-interface unit | |
JP2018194932A (ja) | 制御装置、制御プログラム、学習データ作成方法、及び学習方法 | |
JP5624562B2 (ja) | ウェブサイト訪問者の評価値を計算するための方法及びシステム | |
JP2019046390A (ja) | 学習装置、学習方法、およびプログラム | |
US10979242B2 (en) | Intelligent personal assistant controller where a voice command specifies a target appliance based on a confidence score without requiring uttering of a wake-word | |
WO2015155977A1 (ja) | 連携システム、装置、方法、および記録媒体 | |
WO2018143019A1 (ja) | 情報処理装置、情報処理方法およびプログラム記録媒体 | |
CN108063701B (zh) | 一种控制智能设备的方法及装置 | |
JP2019101907A (ja) | 物体間関係認識装置、学習済みモデル、認識方法及びプログラム | |
CN111598213A (zh) | 网络训练方法、数据识别方法、装置、设备和介质 | |
CN103218663A (zh) | 信息处理装置、信息处理方法和程序 | |
KR20210060146A (ko) | 딥 뉴럴 네트워크 모델을 이용한 데이터 처리 방법 및 장치, 딥 뉴럴 네트워크 모델을 학습시키는 학습 방법 및 장치 | |
JP2021089655A (ja) | 学習モデル構築装置、学習モデル構築方法及びコンピュータプログラム | |
WO2019159483A1 (ja) | デバイス選択装置、データセット選択装置、デバイス選択方法及びプログラム | |
WO2018135301A1 (ja) | 情報処理装置および情報処理方法 | |
US20220196275A1 (en) | Air conditioner, air conditioning system and control method thereof | |
JP2019140557A (ja) | 品質チェック装置、品質チェック方法及びプログラム | |
JP2023009344A (ja) | 生成方法、情報処理装置、プログラム、及び情報処理システム | |
JP7510637B2 (ja) | 汎用学習済モデルの生成方法 | |
JP2020198135A (ja) | ハイパーパラメータチューニング方法、装置及びプログラム | |
WO2020105161A1 (ja) | エッジデバイス機械学習モデル切替システム、エッジデバイス機械学習モデル切替方法、プログラム、及びエッジデバイス | |
JP2020173576A (ja) | プラント監視装置 | |
JP7036271B1 (ja) | モデル管理装置及びモデル管理方法 | |
JP6528868B1 (ja) | セッション制御装置、セッション制御方法及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200305 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210202 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210317 |
|
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: 20210615 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210628 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6915371 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |