JP3203535B2 - 運動評価方法 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、加速度を微分した加々
速度を用いて物体の運動を評価する運動評価方法に関す
る。

【０００２】

【従来の技術】物体の運動を表す物理量として、位置、
速度、加速度を挙げることができる。そして各々の物理
量を検出するセンサが有る。ところで人間は位置と速度
については視覚により検出し、体感として感覚的に検出
するのは加速度及びそれより高次の物理量である。例え
ば、自動車、鉄道車両、航空機あるいはエレベ−タ等の
移動体に搭乗している際には、加速あるいは減速時にそ
の状態変化を体感的に意識する。

【０００３】自動車用加速度センサの開発（日産技報第
23号、昭62−12）などの文献によれば、人間は加速度よ
りさらに高次の加々速度に敏感に反応することが知られ
ている。この事実は、人間が感じる快、不快の感覚に加
々速度が深く関与していることを物語るものである。従
って自動車、鉄道車両、航空機、エレベータといった運
動を伴う乗り物の評価を行なうためには、この加速度の
みならず、加速度を微分した加々速度の情報を検出し、
その情報を用いて評価することが必要となる。また、逆
に言えば、人間は運動を直線運動に限定すれば加速度、
加々速度以上の物理量を検出することはできないので、
加速度、加々速度情報が検出できれば乗り物の評価を行
なう上での情報量としては十分と云える。

【０００４】以上のような用途のために特開平5−31375
3号公報に於ては、加速度と加々速度を同時検出可能な
加々速度センサおよびそれを用いた運動制御・運動評価
方法が提案されている。この運動評価方法は、複数の検
出点で検出された加速度、加々速度に対して任意の重み
付け定数を乗じた値の大きさで評価するというものであ
る。

【０００５】

【発明が解決しようとする課題】上記従来技術に於て
は、例えば定常的に振動している物体に対しては、その
振動成分の強度を評価するという意味で効果的である
が、一連の運動に際し時間的な加速度、加々速度の変化
における周期性が希薄な運動に対する評価方法の指針は
示されていない。また、運動評価をする対象が変わると
重み付け定数の設定や評価関数のアルゴリズムをなども
運動評価対象毎に変える必要があり煩雑である。 一
方、人間が自動車、鉄道車両、航空機、エレベータに塔
乗して快、不快を感じる場合を想定してみると、加速
度、加々速度を入力として、官能、感性といったアルゴ
リズムにより評価された結果、心地良い、あるいは不快
である等の結果が出力される。人間による評価には属人
性があり一連の運動評価中に人間が途中で代わると、以
降の評価も以前と異なり評価の一貫性が得られない。こ
のような場合運動評価を初めからやり直すこともあり得
る。また、同一人であっても体調の変化により評価も変
化することが有り得る。従って、運動評価を行なう上
で、人間の官能、感性を模擬したアルゴリズムが形成で
きれば、加々速度検出手段と併せて、テストドライバの
ような人間の評価者と同様で属人性を排した運動評価が
可能な筈である。さらに、上述のような運動評価方法に
よれば、その評価内容より人間の評価者と同様に異常運
動を検出できる。

【０００６】本発明の目的は、多様な物体の運動を加々
速度により評価する運動評価方法を提供することにあ
る。

【０００７】本発明の目的は、物体の運動を人間の感覚
と同じように評価する運動評価方法を提供することにあ
る。

【０００８】本発明の目的は、不規則に変化する物体の
運動を評価する運動評価方法を提供することにある。

【０００９】本発明の目的は、周期性を持って変化する
物体の運動を評価する運動評価方法を提供することにあ
る。

【００１０】本発明の目的は、物体の異常な運動を検出
する異常運動検出方法を提供することにある。

【００１１】

【００１２】

【課題を解決するための手段】 上記目的は、運動する物
体の少なくとも加速度を微分した加々速度を単位時間毎
に検出し、検出した単位時間毎の加々速度を遅延させて
順番に階層型ニューラルネットワークの入力層へ加々速
度パターンとして入力し、中間層を経由して出力層から
運動評価結果を出力することにより達成される。

【００１３】上記目的は、運動する物体の少なくとも加
速度を微分した加々速度を単位時間毎に検出し、検出し
た単位時間毎の加々速度を周波数分析して階層型ニュー
ラルネットワークの入力層へ周波数スペクトラムパター
ンとして入力し、中間層を経由して出力層から運動評価
結果を出力することにより達成される。

【００１４】

【００１５】

【００１６】上記目的は、前記ニューラルネットワーク
の入力層と中間層及び中間層と出力層の結合荷重を、物
体の種々の運動時の加々速度に対し人間の感性による評
価である理想出力と、物体の種々の運動の加々速度を検
出し、検出した該加々速度を前記ニューラルネットワー
クへ入力し出力層からの出力との差が小さくなるように
変えて前記ニューラルネットワークを予め学習すること
により達成される。

【００１７】前記ニューラルネットワークの入力層と中
間層及び中間層と出力層の結合荷重を、物体の運動の加
々速度に対し人間の感性による評価である理想出力と、
物体の運動評価時に前記ニューラルネットワークの出力
との差が小さくなるように変えて前記ニューラルネット
ワークを随時学習することが望ましい。

【００１８】前記物体の運動の評価が不能な場合は、未
学習運動として異常運動信号を発生することが望まし
い。

【００１９】

【００２０】

【００２１】

【作用】上記構成によれば、運動する物体の加々速度を
検出し、ニューラルネットワークで運動評価を行うこと
により、物体の運動を評価する多様なアルゴリズムが不
要となる。

【００２２】不規則に変化する物体の加々速度を任意の
時間毎に検出し、検出したそれぞれの加々速度を遅延さ
せて順番にニューラルネットワークへ入力することによ
り、時系列的に等間隔の加々速度パターン化することが
できる。

【００２３】周期性を持って運動が変化する物体の加々
速度を検出し、周波数分析することにより、周波数スペ
クトラムパターン化することができる。

【００２４】人間の感覚を理想出力（教師信号）として
ニューラルネットワークを予め学習させることにより、
人間の感覚を模擬したアルゴリズムが形成でき物体の運
動を人間の感覚と同じように評価することができる。

【００２５】物体の運動評価時にニューラルネットワー
クを随時学習することにより、新な物体の運動評価がで
きる。

【００２６】物体の運動の評価が不能な場合は、未学習
運動として異常運動信号を発生することにより、設計時
に想定されていなかった異常な運動の検出が可能とな
る。

【００２７】運動する物体の加々速度と同時に加速度を
も検出することにより、加々速度検出だけではなし得な
い運動評価ができる。

【００２８】加々速度を加々速度センサで検出すること
により、加速度センサとその検出値を微分する電気回路
との組合せでは電気回路において位相が遅れて機能しな
くなる周波数領域でも検出できる。

【００２９】

【実施例】以下、本発明の実施例を図面に従って説明す
る。

【００３０】先ず、本実施例の基本的な構成を説明す
る。

【００３１】図１は本発明の実施例の運動評価方法と従
来の官能評価とを対比して説明する説明図である。

【００３２】従来、エレベータ、車両など乗り物の官能
評価を行なう場合、試験者が実際に乗り物に搭乗し体感
した情報に対して官能的、あるいは経験的に評価を下し
ていた。このとき体感できる情報量としては、試験者に
加わる加速度、加々速度のみである。従って、この加速
度、加々速度を同時検出すれば評価するための物理情報
としては必要十分であり、後はこの物理量から評価に結
び付ける過程を模倣する手段(エミュレータ)が実現でき
れば人間による感応評価と同様な評価を実現できるはず
である。

【００３３】本実施例では、加速度、加々速度を検出す
るための加々速度センサを用い、エミュレータとしてニ
ューラルネットワークを用いる。ニューラルネットワー
クは、脳の神経回路網のように神経細胞(ニューロン)に
相当する複数の処理ユニットをネットワーク状に接続
し、相互に信号をやりとりさせながら、多数の処理ユニ
ットを並列的に動かしてニューラルネットワーク全体で
情報処理をする仕組みであり、人間など生物の脳で行な
われている情報処理のメカニズムを工学的にモデル化し
たものである。さらにニューラルネットワークは、サン
プルデータを繰り返して処理させると自発的にニューロ
ン間の結合の強さ、すなわちネットワークの特性を変化
させ、徐々に入力したサンプルデータから望ましい出力
データを出力できるようになっていく。即ち、当初明確
なアルゴリズムが不明でも学習を繰り返しているうちに
所望のアルゴリズムを獲得することができる。

【００３４】本実施例におけるアルゴリズム獲得のため
のニューラルネットワークの学習方法は、教師付き学習
を用い、入力テストパターンは、人間による官能評価実
施時に同時に検出された加速度、加々速度情報であり、
教師信号としては人間による官能評価を与える。学習を
繰り返していくうちに人間の官能や経験がニューラルネ
ットワークに反映されるようになってくる。従って、こ
のような学習済みのニューラルネットワークと加々速度
センサを用いることにより、運動評価方法を構成するこ
とができる。さらに、学習させる運動を変更することに
より任意の運動に対する評価が行なえる。

【００３５】次に、本実施例の装置構成を説明する。

【００３６】図２は本発明の実施例の装置構成を示す説
明図である。

【００３７】本図に示すように装置は、運動する物体０
に固定され、物体０の運動に伴い発生する加速度と加々
速度を随時検出する加々速度センサ１と、加々速度セン
サ１の加速度出力と加々速度出力を任意の等しい時間間
隔でサンプリングするサンプラ２と、サンプリングした
加速度出力と加々速度出力を遅延させる遅延素子群３
と、遅延素子群３から加速度、加々速度パターンを入力
し出力層より運動評価パターンを出力するニューラルネ
ットワーク４と、さらにニューラルネットワーク４の出
力に対する運動の評価指数を表す各ラベルが記憶されて
いる評価ラベル記憶手段５とにより構成されている。

【００３８】次に、本実施例の運動評価方法を説明す
る。

【００３９】図３は図２のサンプラと遅延素子群の機能
を説明する説明図である。

【００４０】今物体０が任意の運動を行ない、加々速度
センサ１より本図に示すような加速度、加々速度の時刻
歴出力があったとする。サンプラ２は、運動開始より単
位時間ごとに加々速度センサ１の加速度、加々速度出力
をサンプリングする。サンプリングされた加速度、加々
速度データは、遅延素子群３により順番にニューラルネ
ットワーク４の入力層に入力加速度、加々速度パターン
としてセットされる。このようにして時系列の加速度、
加々速度情報をパターン化することができる。

【００４１】図４は一般的なニューロンモデルを説明す
る説明図である。

【００４２】図５は一般的なシグモイド関数と呼ばれる
入力変換関数を説明する説明図である。

【００４３】ニューラルネットワーク４は、図４にその
概念を示すようなニューロンモデル４００が互いに結合
したものである。ｊ番目のニューロンモデル４００は、
i番目のニューロンからの入力信号Xiにそのニューロン
との結合の強さにあたる結合荷重Wiｊを乗じた値を（Wi
ｊ・Xi）を、数１で表されるすべてのニューロンに対し
て加算した値にバイアス値θjを加えた値を内部ポテン
シャルXｊとして保持している。

【００４４】

【数１】

【００４５】

【数２】

【００４６】そして図５の入力変換関数に基づいて数２
に従って一つの出力信号Ｙｊを出力する。ｊ番目のニュ
ーロンモデル４００より、出力された出力信号Ｙｊは、
結合しているｋ番目のニューロンモデルの入力Xｊとな
る。また、出力信号を自分の入力としてフィードバック
をかけてもよい。

【００４７】図６は本発明の実施例のニューラルネット
ワークのモードを説明する説明図である。

【００４８】本図に示すようにニューラルネットワーク
４には、２つのモードがある。１つは入力される加速
度、加々速度パターンに従って運動評価パターンを出力
するプロセッシングモードで、他の１つは以下に示すよ
うなアルゴリズムに従って学習することによりニューラ
ルネットワーク４自体を最適化するラーニングモードで
ある。

【００４９】図７は本発明の実施例のニューラルネット
ワーク学習を説明する説明図である。ニューラルネット
ワークの学習は、具体的にはニューロンモデル間の結合
荷重の最適化である。本実施例では教師つきの学習法を
示す。まず入力パターンとして物体０の運動時に発生す
る加速度、加々速度情報をサンプルパターンとし、その
サンプル加速度、加々速度パターンに対応した理想評価
出力データの組を複数個用意する。評価出力は、人間が
実際に搭乗するなどして評価した結果であってもよい
し、物体０が上述のサンプル加々速度パターンの運動を
行なったときに、加々速度情報以外のもので判定された
ものであってもよい。このサンプル加速度、加々速度パ
ターンをニューラルネットワーク４に入力し、その評価
出力を得る。ここで、もし評価出力データと、このサン
プル加速度、加々速度パターンの理想評価出力データが
一致していれば、その時にニューラルネットワーク４の
中で信号を伝えている経路にあるすべての結合荷重の値
を大きくする。また、逆に一致していなかったら、その
時にニューラルネットワーク４の中で信号を伝えている
経路にあるすべての結合荷重の値を小さくする。これ
を、様々なサンプル加速度、加々速度データを用いて繰
り返し行なうと、次第にニューラルネットワーク４は、
任意の入力に対して所望の出力が得られるようになる。
そして最終的には物体０の運動により発生する任意の加
速度、加々速度パターンに対して、所望の運動評価出力
が得られるようになる。

【００５０】上述のようにニューラルネットワーク４が
学習済みの状態になると、学習を行うラーニングモード
は不要になり、入力データを処理するプロセッシングモ
ードのみで運動評価可能になる。従って評価対象、運動
が限られている場合には、ニューラルネットワーク４は
学習済みでプロセッシングモードのみで構成された装置
を用いれば良い。また、評価対象、運動を変更する場合
は、学習終了後でもラーニングモードを随時起動させ、
新たなサンプル加速度、加々速度パターンと理想評価出
力データを学習させれば、随時新たな運動（加速度、加
々速度パターン）にも対応したネットワークとすること
ができる。

【００５１】図８は本発明の実施例のエレベータ上昇時
の乗り心地の評価方法を説明する説明図である。

【００５２】加々速度センサ１１は、エレベータのかご
１０に取付けられており、上下方向の加速度、加々速度
を検出することができる。

【００５３】今、上昇開始と同時にサンプラ１２は、サ
ンプリングを開始する。サンプリングされた加速度、加
々速度情報は、遅延素子群１３を経て、入力層１４１に
入力され、数１、数２の変換課程を経て、中間層１４２
経由で出力層４３より出力される。１５は評価ラベル記
憶手段であり、出力層１４３の各ニューロンモデルに対
する運動の評価指数を表す各ラベルが記憶されている。

【００５４】図９は本発明の実施例のエレベータ上昇時
の乗り心地の評価例を説明する説明図である。

【００５５】本図に示すように、'良好（good）'、'満
足（satisfactory）'、'不満（unsatisfactory）'、'不
可（impermissible)'という４段階の運動評価ラベルが
付されている。運動に対する評価は、各ラベルに対する
出力層１４３の出力により決定される。本図の四角内の
塗りつぶしの大きさが出力層１４３の各ラベル付きのニ
ューロンモデルの出力値を反映しており、１.０が塗り
潰しで０.０が空白である。今ケース1では、'良好'のラ
ベルつきのニューロンモデルに対して１.０の出力が得
られ、それ以外のラベルつきのニューロンモデルに対し
ては、０.０に近い。従ってケース１となるような出力
値が得られるエレベータの運動は、'良好'な運動である
と評価できる。ケース２では、'良好'のラベルつきのニ
ューロンモデルに対して０.５の出力が得られ、'満足'
のラベルつきのニューロンモデルに対しても０.５が得
られており評価が別れてこの両評価の中間に価するよう
な運動であることがわかる。ケース３では、'不満'のラ
ベルつきのニューロンモデルに対して０.６の出力が得
られ、'不可'のラベルつきのニューロンモデルに対して
も０.６、さらに'満足'のラベルつきのニューロンモデ
ルに対して０.５が得られており、結果として'不満'と
いう評価が妥当である運動であることがわかる。この様
に従来のディジタル的な評価方法とは違い、フアジイな
評価を行うなどより人間の感覚に近い評価が可能とな
る。また、これらの信号をエレベータ運動コントローラ
に入力するなどして、エレベータの乗り心地を向上させ
ることができる。

【００５６】図１０は本発明の実施例の車両運動の認識
方法を説明する説明図である。

【００５７】加々速度センサ２１１、２１２は、車両２
０の床に取付けられておりそれぞれ前後方向（ｘ軸）、
横方向（ｙ軸）の加速度、加々速度を検出することがで
きる。 今、走行開始と同時にサンプラ２２は、サンプ
リングを開始する。サンプリングされた加速度、加々速
度情報は、遅延素子群２３１、２３２、２３３、２３４
を経由し、ニューラルネットワーク２４の入力層２４１
に入力され、数１、数２による変換課程を経て、中間層
２４２を経由し出力層２４３より出力される。２５は評
価ラベル記憶手段であり、出力層２４３の各ニューロン
モデルに対する運動状態を認識する各ラベルが記憶され
ている。本実施例では'直進（straight）'、'旋回（cor
nering）'、'加速（accelerate）'、'減速（decelerat
e）'、'スピン（spinning）'、'タイヤロック（Tyre lo
ck）'という６種の運動状態を認識するラベルが付され
ている。運動に対する認識は、各ラベルに対する出力層
２４３の出力により決定される。

【００５８】図１１は本発明の実施例の車両運動の認識
例を説明する説明図である。

【００５９】図９と同様に本図の四角内の塗りつぶしの
大きさが出力層２４３の各ラベル付きのニューロンモデ
ルの出力値を反映しており、１.０が塗り潰しで０.０が
空白である。今ケース１では、'直進'のラベルつきのニ
ューロンモデルに対して１.０の出力が得られ、それ以
外のラベルつきのニューロンモデルに対しては、０.０
である。従ってケース１となるような出力値を得られる
車両２０の運動は、'直進'運動であると認識できる。ケ
ース２では'直進'のラベルつきのニューロンモデルに対
して０.５の出力が得られ、'旋回'のラベルつきのニュ
ーロンモデルに対して０.５が得られており、この両認
識の中間に価するような運動、即ち回転半径の大きいコ
ーナリング（直線に近い）であることがわかる。ケース
３では、'旋回'のラベルつきのニューロンモデルに対し
て０.５の出力が得られ、'加速'のラベルつきのニュー
ロンモデルに対して０.６、さらに'減速'のラベルつき
のニューロンモデルに対して０.６が得られており、こ
の場合の車両の運動は加速度、加々速度がニューロンモ
デルに入力される状態には無く、たまたまニューロンモ
デルにバイアスが入力されそのバイアスに対しニューロ
ン同士の結合が強い状態にある時は大きな出力があり、
相反する物理量のラベルの等出力が得られた場合は加速
も減速もしない等加速度、等加々速度運動の定常円旋回
という認識が妥当であることがわかる。この様に従来の
ディジタル的な評価方法とは違い、フアジイな評価を行
うなどより人間の感覚に近い評価が可能となる。

【００６０】図１２は一般的な車両のスピン発生時の加
速度と加々速度を示し説明図である。 図１３は一般的
な車両のタイヤロック発生時の加速度と加々速度を示し
説明図である。

【００６１】車両２０に挙動変化が発生した場合、旋回
時には車両横方向の遠心力が、減速時には車両前後方向
の減速力が急激に減少する。このような特徴的な加速
度、加々速度パターンを学習しておくことにより車両の
挙動変化を容易に検出、認識することができ、これらの
信号を車両運動コントローラに入力するなどして、車両
の運動性能の向上をさせることができる。

【００６２】次に、定常的に振動している物体に対して
の評価方法を示す。

【００６３】図１４は本発明の他の実施例の装置構成を
示す説明図である。

【００６４】本図に示す運動評価装置は、物体３０に固
定され物体３０の運動に伴い発生する加速度と加々速度
を随時検出する加々速度センサ３１と、加々速度センサ
３１の加速度出力と加々速度出力を任意の等しい時間間
隔でサンプリングするサンプラ３２と、サンプラ３２か
らの出力を周波数分析する周波数分析装置３３と、加速
度、加々速度パターンを入力し出力層より運動評価パタ
ーンを出力するニューラルネットワーク３４と、さらに
ニューラルネットワーク３４の出力に対する運動の評価
指数を表す各ラベルが記憶されている評価ラベル記憶手
段３５とにより構成されている。

【００６５】図１５は図１４のサンプラと周波数分析装
置の機能を説明する説明図である。

【００６６】本図に示すように今物体３０が任意の運動
を行ない、加々速度センサー３１より図３に示すような
加速度、加々速度の時刻歴出力があったとする。サンプ
ラ３２は、運動開始より単位時間ごとに加々速度センサ
の加速度、加々速度出力をサンプリングする。サンプリ
ングされた加速度、加々速度データは、周波数分析装置
３３によりフーリエ変換等の周波数分析が行なわれ、図
に示すようなパワースペクトルに変換される。そして各
周波数ごとのパワースペクトルがニューラルネットワー
ク３４の入力層に加速度、加々速度スペクトラムパター
ンとして入力される。このようにして時系列の加速度、
加々速度情報をスペクトラムパターン化することができ
る。ニューラルネットワーク３４に、入力パターンとし
て物体３０の運動時に発生する加速度、加々速度情報の
パワースペクトルをサンプルパターンとし、そのサンプ
ル加速度、加々速度スペクトラムパターンに対応した理
想評価出力データの組を複数個用意して、繰り返し学習
を行なうと、次第にニューラルネットワーク３４は、任
意の入力に対して所望の出力が得られるようになる。そ
して最終的には、既に述べた実施例と同様に、物体３０
の運動により発生する任意の加速度、加々速度パターン
に対して、所望の運動評価出力が得られるようになる。

【００６７】以上述べた例は全て評価が可能である場合
であるが、評価が不可能の場合も考えられる。例えば図
９に示すケース４のように最高である'良好（good）'と
最底である'不可（impermissible)'が同時に出力される
場合などである。これらのケースは、評価すべき物体の
運動が未学習である場合を示している。これは、人間の
評価に当てはめてみると、従来塔乗経験のあるものとは
明らかに運動パターンが異なるものに初めて乗ったとき
の感覚に近いものと考えられる。このような場合でも、
ニューラルネットワークのラーニングモードを用いて、
アルゴリズムを変更することなく、新たなる物体の運動
を学習することにより、従来の評価対象に加え新たなる
物体の運動に対しても運動評価が可能となる。

【００６８】また、評価不能を逆に利用して異常運動を
検出することもできる。

【００６９】図１６は本発明の他の実施例の異常運動検
出装置構成を示す説明図である。

【００７０】異常な運動とは、例えばエレベータについ
ては子供がかご内で跳び跳ねたりする行動による異常な
振動、また故障によりブレーキが効かないなどの現象が
あげられる。異常運動検出装置は、物体４０に固定され
物体４０の運動に伴い発生する加速度と加々速度を随時
検出する加々速度センサ４１と、加々速度センサ４１の
加速度出力と加々速度出力を任意の等しい時間間隔でサ
ンプリングするサンプラ４２と、サンプラ４２の出力を
遅延させる遅延素子群４３と、遅延素子群４３が出力す
る加速度、加々速度パターンを入力し出力層より運動評
価パターンを出力するニューラルネットワーク４４、学
習時に理想出力として使用した評価パターンを記憶する
評価パターン記憶手段４６、ニューラルネットワーク４
４の出力に対する運動の評価指数を表す各ラベルが記憶
されており、評価パターン記憶手段４６に記憶されてい
る学習時に理想出力として使用した評価パターンとニュ
ーラルネットワーク４４の出力より評価不能を検出し、
異常運動信号を出力する評価不能検出装置４５とにより
構成されている。本実施例においてニューラルネットワ
ーク４４には予め平常運転時に発生するあらゆる運動モ
ードと、その運動に対する評価とを与え学習を済ませ
る。即ち、平常運転時には学習させたとおりに評価を出
力する。これに対して異常な運動がニューラルネットワ
ーク４４に入力された場合は評価不能に陥る。この状態
を出力層３４３より評価不能検出装置４５で検出し異常
運動信号を発生することにより異常運動が自己判断でき
る。また、経時変化などによる運動性能変化等も検出す
ることができる。

【００７１】本実施例では物体の加々速度、加速度を検
出するための加々速度センサを用い、人間が物体に搭乗
したときに得られる体感物理量から官能評価に結び付け
る過程をニューラルネットワークにより実現し、人間に
よる官能評価と同様な評価を実現する方法及びこれらの
評価より物体の異常運動検出する方法についても述べ
た。 本実施例では物体の加速度、加々速度を検出する
ために加々速度センサを用いたが、これに限定されるも
のではなく、目的に応じて種々実用化されている加速度
センサと微分回路を用いてもよい。また、位置、速度、
画像情報などを取り込み、ニューラルネットワークに入
力することによりさらに高機能化を図ってもよい。

【００７２】また、本実施例の運動評価方法による評価
出力を運動制御コントローラに入力し、運動性能の向上
を図ってもよい。また、運動制御コントローラが運動評
価装置と共通なニューラルネットで構成されており、運
動評価方法による評価に基づいて最適となるように学習
をするものであってもよい。

【００７３】以上述べたように本実施例によれば、人間
の感覚による評価を用いてニューラルネットワークを予
め学習させることにより、乗り物の運動を人間の感覚と
同じように評価することができるから、人間ではなし得
ない極限状態、例えばＧが大きく過酷なテスト飛行にお
ける評価も可能であり、属人性を排除し再現性及び一貫
性の高い評価が得られる。

【００７４】

【発明の効果】本発明によれば、運動する物体の加々速
度を検出し、ニューラルネットワークで運動評価を行う
ことにより、多様な物体の運動をそれぞれのアルゴリズ
ムを用意すること無く効率良く評価できる。

【００７５】人間の感覚による評価を理想出力としてニ
ューラルネットワークを予め学習させることにより、人
間の感覚を模擬したアルゴリズムが形成でき物体の運動
を人間の感覚と同じように評価することができる。

【００７６】運動する物体の加々速度を検出し、遅延さ
せて加々速度パターン化しニューラルネットワークへ入
力することにより、不規則に変化する物体の運動を効率
良く評価することができる。

【００７７】運動する物体の加々速度を検出し、周波数
分析を行ってさせて周波数スペクトラムパターン化しニ
ューラルネットワークへ入力することにより、周期性を
持って運動が変化する物体の運動を効率良く評価するこ
とができる。

【００７８】物体の運動の評価が不能な場合は、未学習
運動として異常運動信号を発生することにより、設計時
に想定されていなかった異常な運動の検出が可能とな
る。

【００７９】運動する物体の加々速度と同時に加速度を
も検出することにより、加々速度検出だけではなし得な
い運動評価ができる。

【図面の簡単な説明】

【図１】本発明の実施例の運動評価方法と従来の官能評
価とを対比して説明する説明図である。

【図２】本発明の実施例の装置構成を示す説明図であ
る。

【図３】図２のサンプラと遅延素子群の機能を説明する
説明図である。

【図４】一般的なニューロンモデルを説明する説明図で
ある。

【図５】一般的なシグモイド関数と呼ばれる入力変換関
数を説明する説明図である。

【図６】本発明の実施例のニューラルネットワークのモ
ードを説明する説明図である。

【図７】本発明の実施例のニューラルネットワーク学習
を説明する説明図である。

【図８】本発明の実施例のエレベータ上昇時の乗り心地
の評価方法を説明する説明図である。

【図９】本発明の実施例のエレベータ上昇時の乗り心地
の評価例を説明する説明図である。

【図１０】本発明の実施例の車両運動の認識方法を説明
する説明図である。

【図１１】本発明の実施例の車両運動の認識例を説明す
る説明図である。

【図１２】一般的な車両のスピン発生時の加速度と加々
速度を示し説明図である。

【図１３】一般的な車両のタイヤロック発生時の加速度
と加々速度を示し説明図である。

【図１４】本発明の他の実施例の装置構成を示す説明図
である。

【図１５】図１４のサンプラと周波数分析装置の機能を
説明する説明図である。

【図１６】本発明の他の実施例の異常運動検出装置構成
を示す説明図である。

【符号の説明】

０ 物体 １ 加々速度センサ ２ サンプラ ３ 遅延素子群 ４ ニューラルネットワーク ５ 評価ラベル記憶手段 １０ エレベータ １１ 加々速度センサ １２ サンプラ １３ 遅延素子群 １４ ニューラルネットワーク １５ 評価ラベル記憶手段 ２０ 車両 ２４ ニューラルネットワーク ２５ 評価ラベル記憶手段 ３０ 物体 ３１ 加々速度センサ ３２ サンプラ ３３ 周波数分析装置 ３４ ニューラルネットワーク ３５ 評価ラベル記憶手段 ４０ 物体 ４１ 加々速度センサ ４２ サンプラ ４３ 遅延素子群 ４４ ニューラルネットワーク ４５ 評価不能検出装置 ４６ 評価パターン記憶手段 １４１ 入力層 １４２ 中間層 １４３ 出力層 ２１１ 加々速度センサ ２１２ 加々速度センサ ２２１ サンプラ ２２２ サンプラ ２２３ サンプラ ２２４ サンプラ ２３１ 遅延素子群 ２３２ 遅延素子群 ２３３ 遅延素子群 ２３４ 遅延素子群 ２４１ 入力層 ２４２ 中間層 ２４３ 出力層 ４００ ニューロンモデル ４４１ 入力層 ４４２ 中間層 ４４３ 出力層

───────────────────────────────────────────────────── フロントページの続き (58)調査した分野(Int.Cl.⁷，ＤＢ名) G01P 15/00 - 15/13 G06F 15/18 520 G06F 15/18 550

Claims (5)

(57)【特許請求の範囲】
1. 【請求項１】 運動する物体の少なくとも加速度を微分
   した加々速度を単位時間毎に検出し、検出した単位時間
   毎の加々速度を遅延させて順番に階層型ニューラルネッ
   トワークの入力層へ加々速度パターンとして入力し、中
   間層を経由して出力層から運動評価結果を出力すること
   を特徴とする運動評価方法。
2. 【請求項２】 運動する物体の少なくとも加速度を微分
   した加々速度を単位時間毎に検出し、検出した単位時間
   毎の加々速度を周波数分析して階層型ニューラルネット
   ワークの入力層へ周波数スペクトラムパターンとして入
   力し、中間層を経由して出力層から運動評価結果を出力
   することを特徴とする運動評価方法。
3. 【請求項３】 前記ニューラルネットワークの入力層と
   中間層及び中間層と出力層の結合荷重を、物体の種々の
   運動時の加々速度に対し人間の感性による評価である理
   想出力と、物体の種々の運動の加々速度を検出し、検出
   した該加々速度を前記ニューラルネットワークへ入力し
   出力層からの出力との差が小さくなるように変えて前記
   ニューラルネットワークを予め学習することを特徴とす
   る請求項１又は２に記載の運動評価方法。
4. 【請求項４】 前記ニューラルネットワークの入力層と
   中間層及び中間層と出力層の結合荷重を、物体の運動の
   加々速度に対し人間の感性による評価である理想出力
   と、物体の運動評価時に前記ニューラルネットワークの
   出力との差が小さくなるように変えて前記ニューラルネ
   ットワークを随時学習することを特徴とする請求項１又
   は２に記載の運動評価方法。
5. 【請求項５】 前記物体の運動の評価が不能な場合は、
   未学習運動として異常運動信号を発生することを特徴と
   する請求項１又は２に記載の運動評価方法。