JP6853718B2

JP6853718B2 - Information processing equipment, information processing methods, and information processing programs

Info

Publication number: JP6853718B2
Application number: JP2017072523A
Authority: JP
Inventors: 英達戴; 誠藤吉; 馨川端
Original assignee: Hitachi Zosen Corp
Current assignee: Hitachi Zosen Corp
Priority date: 2017-03-31
Filing date: 2017-03-31
Publication date: 2021-03-31
Anticipated expiration: 2037-03-31
Also published as: JP2018172208A

Description

本発明は、ゴミピットでゴミを運搬するクレーンの自動制御に利用可能な情報を出力する情報処理装置等に関する。 The present invention relates to an information processing device or the like that outputs information that can be used for automatic control of a crane that transports garbage in a garbage pit.

ゴミ焼却設備は、ゴミ収集車が搬入するゴミを一時的に貯留するゴミピットを備えており、ゴミピット内のゴミはクレーンにて撹拌された上で、焼却炉に送り込まれて焼却される。この撹拌は、焼却炉に送り込むゴミの質を均質化するために行われており、ゴミを安定して燃焼させるために重要な処理である。このようなクレーンの自動制御に関する先行技術文献として、例えば下記の特許文献１が挙げられる。下記の特許文献１には、２台のカメラの視差からゴミピット内に堆積したごみの高さを計測し、その計測結果を用いて、ごみ高さが一番低い番地にごみを運ぶようにクレーンを自動制御することが記載されている。 The garbage incineration facility is equipped with a garbage pit that temporarily stores the garbage carried in by the garbage truck, and the garbage in the garbage pit is agitated by a crane and then sent to an incinerator for incineration. This stirring is performed to homogenize the quality of the garbage sent to the incinerator, and is an important process for stable combustion of the garbage. As a prior art document relating to such automatic control of a crane, for example, the following Patent Document 1 can be mentioned. In Patent Document 1 below, the height of the dust accumulated in the dust pit is measured from the parallax of the two cameras, and the measurement result is used to carry the dust to the address with the lowest dust height. Is described to be automatically controlled.

特開２００６−４４９０４号公報（２００６年２月１６日公開）Japanese Unexamined Patent Publication No. 2006-44904 (published on February 16, 2006)

しかしながら、ゴミを掴む地点や掴んだゴミを離す地点を決めるだけでは、クレーンの完全自動運転を実現することはできない。ゴミピット内には、積み上がったゴミやゴミピットの壁面、およびゴミを仕切る区画等の障害物が存在し、また、物理的な障害物はなくとも、運用上、クレーンを通過させない領域も存在するので、これらを避けるようにクレーンを制御する必要があるからである。 However, it is not possible to realize fully automatic operation of the crane simply by deciding the point where the trash is grabbed and the point where the trash is released. In the garbage pit, there are obstacles such as piled up garbage, the wall surface of the garbage pit, and the section that partitions the garbage, and even if there are no physical obstacles, there are areas where the crane cannot pass through in operation. , Because it is necessary to control the crane to avoid these.

このように、クレーンの完全自動運転を実現するためには、クレーンの通過の妨げとなる要素が、ゴミピット内のどこに存在するかを特定することが必要であるが、このような技術は従来知られていないという問題があった。クレーンの通過の妨げとなる要素が、ゴミピット内のどこに存在するかを特定することが必要であるが、このような技術は従来知られていないという問題があった。特に、物理的な障害物はないが、運用上クレーンを通過させない領域は、クレーンの熟練オペレータが経験や技術に基づいて、そのような領域を避けてクレーンを動かしているため、自動運転においてこのような領域を避けることは困難であった。 In this way, in order to realize fully automatic operation of the crane, it is necessary to identify where the elements that hinder the passage of the crane are located in the trash pit, but such technology is conventionally known. There was a problem that it was not done. It is necessary to identify where the elements that hinder the passage of the crane are located in the trash pit, but there is a problem that such a technique has not been known in the past. In particular, areas where there are no physical obstacles but are not allowed to pass through the crane in operation are used in automated driving because skilled crane operators use their experience and skills to avoid such areas when moving the crane. It was difficult to avoid such areas.

本発明の一態様は、上記の問題点に鑑みてなされたものであり、オペレータの経験や技術に基づき、ゴミピット内の各領域にクレーンの通過の妨げとなる要素が存在する確度を示す出力データを得ることができる情報処理装置等を実現することを目的とする。 One aspect of the present invention has been made in view of the above problems, and is output data indicating the probability that an element that hinders the passage of the crane exists in each area in the trash pit based on the experience and technique of the operator. The purpose is to realize an information processing device or the like capable of obtaining the above.

上記の課題を解決するために、本発明に係る情報処理装置は、ゴミピット内でゴミを運搬するクレーンのオペレータによる操作履歴に基づく、当該ゴミピット内の空間を区分した各単位ブロックにおける上記クレーンの通過履歴を示す通過情報を取得する通過情報取得部と、上記通過情報を含む入力データから、上記各単位ブロックに上記クレーンの通過の妨げとなる要素が存在する確度を示す出力データを出力する確度算出部と、を備え、上記確度算出部は、上記ゴミピットと同型の他のゴミピットの、上記各単位ブロックに対応する各単位ブロックにおけるクレーンの通過情報を含む学習用の入力データと、当該他のゴミピットの各単位ブロックにおける上記要素の有無との対応関係を機械学習したものである。 In order to solve the above problems, the information processing apparatus according to the present invention passes the crane in each unit block that divides the space in the trash pit based on the operation history of the crane operator that transports the trash in the trash pit. Accuracy calculation that outputs output data indicating the probability that an element that hinders the passage of the crane exists in each unit block from the passage information acquisition unit that acquires the passage information indicating the history and the input data including the passage information. The accuracy calculation unit includes input data for learning including crane passage information in each unit block corresponding to each unit block of another trash pit of the same type as the trash pit, and the other trash pit. This is a machine-learned correspondence between the presence and absence of the above elements in each unit block of.

上記の課題を解決するために、本発明に係る情報処理方法は、ゴミピット内でゴミを運搬するクレーンのオペレータによる操作履歴に基づく、当該ゴミピット内の空間を区分した各単位ブロックにおける上記クレーンの通過履歴を示す通過情報を取得する通過情報取得ステップと、確度算出部により、上記通過情報を含む入力データから、上記各単位ブロックに上記クレーンの通過の妨げとなる要素が存在する確度を示す出力データを出力する出力ステップとを含み、上記確度算出部は、上記ゴミピットと同型の他のゴミピットの、上記各単位ブロックに対応する各単位ブロックにおけるクレーンの通過情報を含む学習用の入力データと、当該他のゴミピットの各単位ブロックにおける上記要素の有無との対応関係を機械学習したものである。 In order to solve the above problem, the information processing method according to the present invention is based on the operation history of the operator of the crane that transports the trash in the trash pit, and the passage of the crane in each unit block that divides the space in the trash pit. Output data indicating the probability that an element that hinders the passage of the crane exists in each unit block from the input data including the passage information by the passage information acquisition step for acquiring the passage information indicating the history and the accuracy calculation unit. The accuracy calculation unit includes input data for learning including crane passage information in each unit block corresponding to each unit block of another trash pit of the same type as the trash pit, and the relevant output step. This is a machine-learned correspondence between the presence and absence of the above elements in each unit block of another trash pit.

本発明の一態様によれば、オペレータの経験や技術に基づき、ゴミピット内の各領域にクレーンの通過の妨げとなる要素が存在する確度を示す出力データを得ることができるという効果を奏する。 According to one aspect of the present invention, it is possible to obtain output data indicating the certainty that an element that hinders the passage of the crane exists in each area in the garbage pit based on the experience and technique of the operator.

本発明の一実施形態に係る情報処理装置の要部構成の一例を示すブロック図である。It is a block diagram which shows an example of the main part structure of the information processing apparatus which concerns on one Embodiment of this invention. ゴミピットの断面図における模擬障害物の位置を示した図であるIt is a figure which showed the position of the simulated obstacle in the cross-sectional view of the garbage pit. 路面画像を取得してひび割れを検出する処理の一例を示すフローチャートである。It is a flowchart which shows an example of the process of acquiring a road surface image and detecting a crack. 画像調整処理の一例を示すフローチャートである。It is a flowchart which shows an example of image adjustment processing. ニューラルネットワークに学習させる処理の一例を示すフローチャートである。It is a flowchart which shows an example of the process which trains a neural network. 学習済みのニューラルネットワークを用いて模擬障害物情報を生成する処理の一例を示すフローチャートである。It is a flowchart which shows an example of the process of generating simulated obstacle information using a trained neural network. ニューラルネットワークの出力値の例と、該出力値を二値化した例とを示す図である。It is a figure which shows the example of the output value of a neural network, and the example which binarized the output value. 模擬障害物情報を用いて経路情報を生成する処理の一例を示すフローチャートである。It is a flowchart which shows an example of the process which generates the route information using the simulated obstacle information. 図８の各処理で使用または生成される情報の例を示す図である。It is a figure which shows the example of the information used or generated in each process of FIG. 本発明の実施形態２に係る情報処理装置が、ゴミの高さに応じたニューラルネットワークを選択する方法を説明する図である。It is a figure explaining the method which the information processing apparatus which concerns on Embodiment 2 of this invention selects a neural network according to the height of dust.

〔実施形態１〕
本発明の一実施形態について図１から図９に基づいて説明する。 [Embodiment 1]
An embodiment of the present invention will be described with reference to FIGS. 1 to 9.

〔装置構成〕
本実施形態に係る情報処理装置の構成を図１に基づいて説明する。図１は、情報処理装置１の要部構成の一例を示すブロック図である。詳細は後述するが、情報処理装置１は、ゴミピット内の各領域において、クレーンの通過の妨げとなる要素が存在する確度を示す情報を生成する機能を備えている。情報処理装置１は、例えばパーソナルコンピュータ等であってもよい。〔Device configuration〕
The configuration of the information processing apparatus according to the present embodiment will be described with reference to FIG. FIG. 1 is a block diagram showing an example of a main configuration of the information processing device 1. Although the details will be described later, the information processing device 1 has a function of generating information indicating the certainty that an element that hinders the passage of the crane exists in each area in the garbage pit. The information processing device 1 may be, for example, a personal computer or the like.

情報処理装置１は、情報処理装置１の各部を統括して制御する制御部１１、情報処理装置１が使用する各種データを格納する記憶部１２、情報処理装置１に対するデータ等の入力を受け付ける入力部１３、およびデータを出力する出力部１４を備えている。なお、記憶部１２は、情報処理装置１の外部に設けられていてもよい。 The information processing device 1 is a control unit 11 that controls each part of the information processing device 1, a storage unit 12 that stores various data used by the information processing device 1, and an input that receives input of data or the like to the information processing device 1. A unit 13 and an output unit 14 for outputting data are provided. The storage unit 12 may be provided outside the information processing device 1.

また、制御部１１には、操作履歴取得部１１１、通過情報生成部（通過情報取得部）１１２、ゴミ情報取得部１１３、障害物情報取得部１１４、経路情報生成部１１５、模擬障害物情報生成部（確度算出部）１１６、および学習部１１７が含まれている。そして、記憶部１２には、操作履歴情報１２１、ゴミ情報１２２、および障害物情報１２３が格納されている。 Further, the control unit 11 includes an operation history acquisition unit 111, a passage information generation unit (passage information acquisition unit) 112, a dust information acquisition unit 113, an obstacle information acquisition unit 114, a route information generation unit 115, and a simulated obstacle information generation. A unit (accuracy calculation unit) 116 and a learning unit 117 are included. The storage unit 12 stores operation history information 121, dust information 122, and obstacle information 123.

操作履歴取得部１１１は、ゴミピットにおけるクレーンのオペレータによる操作の履歴を示す操作履歴情報を取得する。例えば、レバーで操作するクレーンであれば、レバーが操作されたタイミングと、操作の内容とが対応付けられた操作履歴情報を取得する。本実施形態では、操作履歴取得部１１１は、記憶部１２に記憶されている操作履歴情報１２１を取得する。 The operation history acquisition unit 111 acquires operation history information indicating the history of operations by the crane operator in the trash pit. For example, in the case of a crane operated by a lever, operation history information in which the timing at which the lever is operated and the content of the operation are associated with each other is acquired. In the present embodiment, the operation history acquisition unit 111 acquires the operation history information 121 stored in the storage unit 12.

通過情報生成部１１２は、ゴミピット内の空間を区分した各単位ブロックにおけるクレーンの通過履歴を示す通過情報を操作履歴情報から生成する。具体的には、通過情報生成部１１２は、操作履歴情報１２１からクレーンの動作軌跡を特定して、その動作軌跡に対応する通過情報を生成する。操作履歴情報１２１からクレーンの動作軌跡を特定する際には、クレーンの操作内容と、それに応じたクレーンの位置（より詳細にはクレーンのバケットの位置）の変化との対応関係を示すクレーン動作パターンモデルを用いてもよい。そして、通過情報生成部１１２は、上記動作軌跡から、クレーンの通った単位ブロックを特定し、それらの単位ブロックを示す通過情報を生成する。この通過情報は、例えば、クレーンの通った単位ブロックの値が１であり、それ以外の単位ブロックの値が０である情報であってもよい。なお、上記のようにして生成した通過情報を予め記憶部１２に記憶しておいてもよく、この場合、操作履歴取得部１１１は不要であり、通過情報生成部１１２は記憶部１２から通過情報を取得する。 The passage information generation unit 112 generates passage information indicating the passage history of the crane in each unit block that divides the space in the garbage pit from the operation history information. Specifically, the passage information generation unit 112 identifies the operation locus of the crane from the operation history information 121 and generates the passage information corresponding to the operation locus. When specifying the crane operation locus from the operation history information 121, the crane operation pattern shows the correspondence between the crane operation content and the corresponding change in the crane position (more specifically, the position of the crane bucket). A model may be used. Then, the passage information generation unit 112 identifies the unit blocks through which the crane has passed from the operation locus, and generates passage information indicating those unit blocks. This passage information may be, for example, information in which the value of the unit block through which the crane has passed is 1, and the value of the other unit blocks is 0. The passage information generated as described above may be stored in the storage unit 12 in advance. In this case, the operation history acquisition unit 111 is unnecessary, and the passage information generation unit 112 has the passage information from the storage unit 12. To get.

ゴミ情報取得部１１３は、ゴミピットに堆積されたゴミの高さに基づいて特定された、各単位ブロックにおけるゴミの有無を示すゴミ情報を取得する。具体的には、ゴミ情報取得部１１３は、記憶部１２に記憶されているゴミ情報１２２を取得する。ゴミ情報は、例えば、ゴミのある単位ブロックの値が１であり、それ以外の単位ブロックの値が０である情報であってもよい。ゴミ情報は、例えばゴミピット内のある位置におけるゴミの高さを計測し、その高さ以下に位置する単位ブロックはゴミあり、その高さより高所に位置する単位ブロックはゴミなし、とする処理をゴミピットの全面について行うことで生成することができる。なお、ゴミの高さは、クレーンをゴミの位置まで下ろしたときのクレーンのロープ長から計測する、各種測定機器で計測する、等によって特定することができる。 The dust information acquisition unit 113 acquires dust information indicating the presence or absence of dust in each unit block, which is specified based on the height of the dust accumulated in the dust pit. Specifically, the dust information acquisition unit 113 acquires the dust information 122 stored in the storage unit 12. The dust information may be, for example, information in which the value of the unit block containing dust is 1 and the value of the other unit blocks is 0. For dust information, for example, the height of dust at a certain position in the dust pit is measured, and the unit block located below that height has dust, and the unit block located higher than that height has no dust. It can be generated by doing it on the entire surface of the garbage pit. The height of dust can be specified by measuring from the rope length of the crane when the crane is lowered to the position of dust, measuring with various measuring devices, and the like.

障害物情報取得部１１４は、ゴミピットにおける既知の障害物が各単位ブロックに存在するか否かを示す障害物情報を取得する。具体的には、障害物情報取得部１１４は、記憶部１２に記憶されている障害物情報１２３を取得する。障害物情報は、例えば、障害物のある単位ブロックの値が１であり、それ以外の単位ブロックの値が０である情報であってもよい。既知の障害物としては、例えば、ゴミピットの壁面、ゴミピット内を複数の区画に分ける仕切り、ゴミピットの上部にせり出した監視室等が挙げられる。 The obstacle information acquisition unit 114 acquires obstacle information indicating whether or not a known obstacle in the garbage pit exists in each unit block. Specifically, the obstacle information acquisition unit 114 acquires the obstacle information 123 stored in the storage unit 12. The obstacle information may be, for example, information in which the value of a unit block having an obstacle is 1 and the value of other unit blocks is 0. Known obstacles include, for example, the wall surface of the trash pit, a partition that divides the trash pit into a plurality of sections, a monitoring room protruding above the trash pit, and the like.

経路情報生成部１１５は、障害物が存在する可能性の高さが所定の閾値以上である単位ブロックを避けて、指定された出発点から指定された目的点までのクレーンの通過経路を示す経路情報を生成する。 The route information generation unit 115 avoids a unit block in which the high possibility that an obstacle exists is equal to or higher than a predetermined threshold value, and indicates a route indicating the passage path of the crane from the specified starting point to the specified destination point. Generate information.

模擬障害物情報生成部１１６は、上記通過情報を含む入力データから、各単位ブロックにクレーンの通過の妨げとなる要素が存在する確度を示す出力データを出力する。この出力データの生成には、上記ゴミピットと同型の他のゴミピットの、上記各単位ブロックに対応する各単位ブロックにおけるクレーンの通過情報を含む学習用の入力データと、当該他のゴミピットの各単位ブロックにおける上記要素の有無との対応関係を機械学習させたニューラルネットワークを用いる。以下では、上記要素が存在する確度が閾値以上の単位ブロックを模擬障害物のある単位ブロックと呼び、上記出力データを模擬障害物情報とも呼ぶ。なお、模擬障害物は、物理的な障害物に限られない。例えば、ゴミピットの運用上クレーンを通過させないことが好ましい事情等のある単位ブロックも模擬障害物があるとみなされることがある。また、上記他のゴミピットとは、模擬障害物情報の生成対象となるゴミピットと同型であることが望ましいが、ゴミピットの形状や構造が程度類似していれば、型が異なっていても構わない。 The simulated obstacle information generation unit 116 outputs output data indicating the probability that an element that hinders the passage of the crane exists in each unit block from the input data including the passage information. To generate this output data, input data for learning including crane passage information in each unit block corresponding to each unit block of another trash pit of the same type as the trash pit, and each unit block of the other trash pit. A neural network is used in which the correspondence relationship with the presence / absence of the above elements is machine-learned. In the following, a unit block in which the probability that the element exists is equal to or greater than a threshold value is referred to as a unit block with a simulated obstacle, and the output data is also referred to as simulated obstacle information. The simulated obstacle is not limited to a physical obstacle. For example, a unit block in which it is preferable not to let the crane pass through the operation of the garbage pit may also be regarded as having a simulated obstacle. Further, it is desirable that the other trash pits have the same type as the trash pits for which simulated obstacle information is generated, but the types may be different as long as the shapes and structures of the trash pits are similar to some extent.

学習部１１７は、ニューラルネットワークに上記の対応関係を学習させる。学習の詳細は図５に基づいて後述する。 The learning unit 117 causes the neural network to learn the above correspondence. The details of learning will be described later based on FIG.

上述のように、操作履歴情報１２１は、ゴミピットにおけるクレーンのオペレータによる操作の履歴を示す情報である。また、ゴミ情報１２２は、各単位ブロックについて、ゴミピットに堆積されたゴミの高さに基づいて特定されたゴミの有無を示す情報である。そして、障害物情報１２３は、各単位ブロックについて、既知の障害物が存在するか否かを示す情報である。 As described above, the operation history information 121 is information indicating the history of operations by the crane operator in the trash pit. Further, the dust information 122 is information indicating the presence or absence of dust specified based on the height of dust deposited in the dust pit for each unit block. The obstacle information 123 is information indicating whether or not a known obstacle exists for each unit block.

〔機能概要〕
情報処理装置１の機能概要を図２に基づいて説明する。図２は、ゴミピットの断面図における模擬障害物の位置を示した図である。図示のゴミピットは、ゴミ貯留部と、ホッパーとを備えている。また、同図には模擬障害物とクレーンの軌跡を図示している。ゴミピットの運営においては、ゴミピット内に投入されてゴミ貯留部に保管されているゴミを、クレーンで撹拌したり、積み替えたり、ホッパーに投入して焼却炉に送り込んだりする処理が行われる。〔Functional overview〕
The outline of the function of the information processing device 1 will be described with reference to FIG. FIG. 2 is a diagram showing the positions of simulated obstacles in the cross-sectional view of the garbage pit. The illustrated garbage pit includes a garbage storage unit and a hopper. In addition, the figure shows the trajectory of a simulated obstacle and a crane. In the operation of the garbage pit, the garbage thrown into the garbage pit and stored in the garbage storage section is agitated by a crane, transshipped, or thrown into a hopper and sent to an incinerator.

情報処理装置１が生成する模擬障害物情報は、図示のように、ゴミピット内の空間における模擬障害物が存在する領域を示している。よって、この領域を避けてクレーンの通過経路を示す経路情報を生成し、この経路情報に従ってクレーンを動作させることにより、熟練したオペレータが操作する場合と同様に、安全なクレーン制御が実現される。 As shown in the figure, the simulated obstacle information generated by the information processing device 1 indicates an area in the space inside the garbage pit where the simulated obstacle exists. Therefore, by avoiding this area and generating route information indicating the passage route of the crane and operating the crane according to this route information, safe crane control can be realized as in the case of operation by a skilled operator.

〔模擬障害物情報の生成〕
模擬障害物情報の生成について図３に基づいて説明する。図３は、障害物情報、ゴミ情報、および通過情報を用いてニューラルネットワークにより模擬障害物情報を生成する例を示した図である。 [Generation of simulated obstacle information]
The generation of simulated obstacle information will be described with reference to FIG. FIG. 3 is a diagram showing an example of generating simulated obstacle information by a neural network using obstacle information, dust information, and passing information.

ここでは、ゴミピット内の空間を立方体状の単位ブロックに区分して、各単位ブロックを（ｘ，ｙ，ｚ）の座標で表している。例えば、上記空間が幅５ｍ、奥行き１０ｍ、高さ５ｍの空間であり、単位ブロックを一辺０．５ｍの立方体とした場合、１≦ｘ≦１０、１≦ｙ≦２０、１≦ｚ≦１０となる。単位ブロックのサイズは、クレーンのバケットのサイズ等に応じて決定すればよい。 Here, the space in the garbage pit is divided into cubic unit blocks, and each unit block is represented by the coordinates (x, y, z). For example, when the space is a space having a width of 5 m, a depth of 10 m, and a height of 5 m, and the unit block is a cube having a side of 0.5 m, 1 ≦ x ≦ 10, 1 ≦ y ≦ 20, 1 ≦ z ≦ 10. Become. The size of the unit block may be determined according to the size of the bucket of the crane and the like.

本例における障害物情報は、各単位ブロックにおける障害物の有無を１または０の数値で示すものである。より詳細には、（ｘ，ｙ，ｚ）の位置の単位ブロックに障害物がある場合、その単位ブロックにおける障害物情報は（ｘ_Ｏ，ｙ_Ｏ，ｚ_Ｏ）＝１となる。一方、（ｘ，ｙ，ｚ）の位置の単位ブロックに障害物がない場合、その単位ブロックにおける障害物情報は（ｘ_Ｏ，ｙ_Ｏ，ｚ_Ｏ）＝０となる。 The obstacle information in this example indicates the presence or absence of an obstacle in each unit block with a numerical value of 1 or 0. More specifically, when there is an obstacle in the unit block at the position (x, y, z), the obstacle information in the unit block is (x _O , y _O , z _O ) = 1. On the other hand, when there is no obstacle in the unit block at the position (x, y, z), the obstacle information in the unit block is (x _O , y _O , z _O ) = 0.

同様に、本例におけるゴミ情報は、各単位ブロックにおけるゴミの有無を１または０の数値で示すものである。より詳細には、（ｘ，ｙ，ｚ）の位置の単位ブロックにゴミがある場合、その単位ブロックにおけるゴミ情報は（ｘ_ｒ，ｙ_ｒ，ｚ_ｒ）＝１となる。一方、（ｘ，ｙ，ｚ）の位置の単位ブロックにゴミがない場合、その単位ブロックにおけるゴミ情報は（ｘ_ｒ，ｙ_ｒ，ｚ_ｒ）＝０となる。 Similarly, the dust information in this example indicates the presence or absence of dust in each unit block as a numerical value of 1 or 0. More specifically, when there is dust in the unit block at the position (x, y, z), the dust information in the unit block is (x _r , y _r , z _r ) = 1. On the other hand, when there is no dust in the unit block at the position (x, y, z), the dust information in the unit block is (x _r , y _r , z _r ) = 0.

また、本例における通過情報は、各単位ブロックにおけるクレーンの通過の有無を１または０の数値で示すものである。より詳細には、（ｘ，ｙ，ｚ）の位置の単位ブロックをクレーンが通過したことがある場合、その単位ブロックにおける通過情報は（ｘ_ａ，ｙ_ａ，ｚ_ａ）＝０となる。一方、（ｘ，ｙ，ｚ）の位置の単位ブロックをクレーンが通過したことがない場合、その単位ブロックにおける通過情報は（ｘ_ａ，ｙ_ａ，ｚ_ａ）＝１となる。 Further, the passage information in this example indicates the presence or absence of passage of the crane in each unit block by a numerical value of 1 or 0. More specifically, the (x, y, z) if the unit block position of the crane is sometimes passed, passes the information in the unit block _{_{_{(x a, y a, z}}} a) = 0. On the other hand, (x, y, z) when the unit block of the position of the crane is prevented from passing through, passing information in the unit block _{_{_{(x a, y a, z}}} a) a = 1.

これらの障害物情報、ゴミ情報、および通過情報が、ニューラルネットワークへの入力データである。つまり、入力データ数は、（ｘ×ｙ×ｚ×３）個となる。 These obstacle information, dust information, and passage information are input data to the neural network. That is, the number of input data is (xxy × z × 3).

図示のニューラルネットワークは、上記の入力データが入力される最上位層である入力層と、出力データを出力する最下位層である出力層と、入力層と出力層との間に設けられた中間層とを含む、三層のニューラルネットワークである。なお、中間層の数はこの例に限定されない。 The illustrated neural network is an intermediate provided between an input layer, which is the uppermost layer into which the above input data is input, an output layer, which is the lowest layer for outputting output data, and an input layer and an output layer. It is a three-layer neural network including layers. The number of intermediate layers is not limited to this example.

このニューラルネットワークの入力層のノード数は、入力データ数と同じ（ｘ×ｙ×ｚ×３）個である。また、ニューラルネットワークの出力データは、各単位ブロックにおける模擬障害物の有無を示すものであり、（ｘ_ｉ，ｙ_ｉ，ｚ_ｉ）と表される。（ｘ_ｉ，ｙ_ｉ，ｚ_ｉ）は０以上１以下の値を取り得る。出力層のノード数は、単位ブロックの個数と同じであり、（ｘ×ｙ×ｚ）個である。ニューラルネットワークでは、上位階層から下位階層にノード値が伝達されるが、この伝達の際に、ノード間の接続毎に設定された重みパラメータを用いた重み付けが行われる。学習データを用いた学習により、この重みパラメータが最適化され、模擬障害物情報を生成可能なニューラルネットワークが構築される。 The number of nodes in the input layer of this neural network is the same as the number of input data (xxyxzx3). Further, the output data of the neural network, which indicates the presence or absence of a simulated obstruction in each unit block is represented as _{_{(x i, y i, z}} i). (X _i , y _i , z _i ) can take a value of 0 or more and 1 or less. The number of nodes in the output layer is the same as the number of unit blocks, and is (x × y × z). In the neural network, the node value is transmitted from the upper layer to the lower layer, and at the time of this transmission, weighting is performed using a weight parameter set for each connection between the nodes. By learning using the training data, this weight parameter is optimized, and a neural network capable of generating simulated obstacle information is constructed.

〔模擬障害物情報の概要〕
上記のようにして学習されたニューラルネットワークの出力データ、すなわち模擬障害物情報について、図４に基づいて説明する。図４は、ニューラルネットワークの出力値を単位ユニットごとに示した図である。なお、図４は、垂直方向（図２の上下方向）をＺ、ゴミピットの幅方向（図２の左右方向）をＹで示している。図示していないが、ゴミピットの奥行き方向（ＺとＹの双方に直行する方向）はＸで表す。つまり、図４では、ゴミピットをＺＹ平面で切断した断面を示している。 [Summary of simulated obstacle information]
The output data of the neural network learned as described above, that is, the simulated obstacle information will be described with reference to FIG. FIG. 4 is a diagram showing the output value of the neural network for each unit. In FIG. 4, the vertical direction (vertical direction in FIG. 2) is indicated by Z, and the width direction of the dust pit (horizontal direction in FIG. 2) is indicated by Y. Although not shown, the depth direction of the garbage pit (direction orthogonal to both Z and Y) is represented by X. That is, FIG. 4 shows a cross section of the dust pit cut in the ZY plane.

図示のように、ゴミ層内や壁面内あるいはそれらの近辺に位置する単位ユニットの出力値は、総じて１に近い値となっている。これにより、これらの単位ユニットには障害物が存在する確度が高いことがわかる。一方、出力値が０に近い単位ユニットも存在しており、これらの単位ユニットには障害物が存在する確度が低いことがわかる。 As shown in the figure, the output value of the unit unit located in the dust layer, the wall surface, or the vicinity thereof is generally close to 1. From this, it can be seen that there is a high probability that an obstacle exists in these unit units. On the other hand, there are unit units whose output values are close to 0, and it can be seen that the probability that an obstacle exists in these unit units is low.

よって、クレーンの経路を決定する際に、このような模擬障害物情報を用いることにより、例えば図４に最適経路として示す経路のような、障害物が存在する確度の高い単位ユニットを避けた安全性の高い経路を自動で生成することが可能になる。 Therefore, by using such simulated obstacle information when determining the route of the crane, it is safe to avoid a unit unit having a high probability of having an obstacle, such as the route shown as the optimum route in FIG. It becomes possible to automatically generate a highly probable route.

〔処理の流れ（ニューラルネットワークの学習）〕
ニューラルネットワークに学習させる処理の流れを図５に基づいて説明する。図５は、ニューラルネットワークに学習させる処理（情報処理方法）の一例を示すフローチャートである。 [Processing flow (neural network learning)]
The flow of the process of training the neural network will be described with reference to FIG. FIG. 5 is a flowchart showing an example of processing (information processing method) to be trained by the neural network.

なお、本処理の前に、ニューラルネットワークの学習用の入力データとして、操作履歴情報１２１、ゴミ情報１２２、および障害物情報１２３が入力部１３を介して情報処理装置１に入力され、記憶部１２に格納されている。これらの情報は、模擬障害物情報の生成対象となるゴミピットと同型で、障害物の位置（各ブロックにおける障害物の有無）が既知である他のゴミピットについての情報である。 Prior to this processing, operation history information 121, dust information 122, and obstacle information 123 are input to the information processing device 1 via the input unit 13 as input data for learning the neural network, and the storage unit 12 It is stored in. This information is the same type as the trash pit for which the simulated obstacle information is generated, and is information about other trash pits whose obstacle positions (presence or absence of obstacles in each block) are known.

より詳細には、操作履歴情報１２１は、他のゴミピットにおけるオペレータの操作履歴を示す情報である。操作履歴情報１２１からは、後述の処理により、他のゴミピットの各単位ブロックにおけるクレーンの通過情報が生成され、この通過情報が学習用の入力データとして用いられる。なお、他のゴミピット内の空間（クレーンの可動範囲内の空間）は、模擬障害物情報の生成対象となるゴミピットと同様に単位ブロックに区分されている。そして、模擬障害物情報の生成対象となるゴミピットの各単位ブロックと、他のゴミピットの各単位ブロックとは一対一に対応している。 More specifically, the operation history information 121 is information indicating the operation history of the operator in another garbage pit. From the operation history information 121, the passage information of the crane in each unit block of the other garbage pit is generated by the process described later, and this passage information is used as input data for learning. The space in the other trash pits (the space within the movable range of the crane) is divided into unit blocks in the same manner as the trash pits for which simulated obstacle information is generated. Then, there is a one-to-one correspondence between each unit block of the trash pit, which is the target of generating simulated obstacle information, and each unit block of the other trash pit.

また、ゴミ情報１２２は、当該他のゴミピットの各単位ブロックにおけるゴミの有無を示す情報である。そして、障害物情報１２３は、当該他のゴミピットの各単位ブロックにおける障害物の有無を示す情報である。これらの情報は、そのまま学習用の入力データとして用いられる。 Further, the dust information 122 is information indicating the presence or absence of dust in each unit block of the other dust pit. The obstacle information 123 is information indicating the presence or absence of an obstacle in each unit block of the other garbage pit. This information is used as it is as input data for learning.

Ｓ１では、操作履歴取得部１１１は、記憶部１２から操作履歴情報１２１を取得する。続いて、通過情報生成部１１２は、操作履歴情報１２１からクレーンの動作軌跡を特定し（Ｓ２）、通過情報を生成する（Ｓ３）。また、ゴミ情報取得部１１３は、記憶部１２からゴミ情報１２２を取得し（Ｓ４）、障害物情報取得部１１４は、記憶部１２から障害物情報１２３を取得する（Ｓ５）。 In S1, the operation history acquisition unit 111 acquires the operation history information 121 from the storage unit 12. Subsequently, the passage information generation unit 112 identifies the operation locus of the crane from the operation history information 121 (S2), and generates the passage information (S3). Further, the dust information acquisition unit 113 acquires the dust information 122 from the storage unit 12 (S4), and the obstacle information acquisition unit 114 acquires the obstacle information 123 from the storage unit 12 (S5).

次に、模擬障害物情報生成部１１６は、Ｓ３で生成された通過情報と、Ｓ４で取得されたゴミ情報１２２と、Ｓ５で取得された障害物情報１２３とを入力データとして、ニューラルネットワークで出力値を算出する（Ｓ６）。そして、学習部１１７は、Ｓ６で算出された出力値と正解値との誤差が小さくなるようにニューラルネットワークの重みを修正することにより、ニューラルネットワークを更新する（Ｓ７）。 Next, the simulated obstacle information generation unit 116 outputs the passage information generated in S3, the dust information 122 acquired in S4, and the obstacle information 123 acquired in S5 as input data by the neural network. Calculate the value (S6). Then, the learning unit 117 updates the neural network by correcting the weight of the neural network so that the error between the output value calculated in S6 and the correct answer value becomes small (S7).

そして、学習部１１７は、学習を終了するか否かを判定する（Ｓ８）。学習部１１７が学習を終了すると判定した場合（Ｓ８でＹＥＳ）、処理は終了となり、これにより、ニューラルネットワークは学習済みの状態となる。一方、学習部１１７が学習を終了しないと判定した場合（Ｓ８でＮＯ）、処理はＳ１に戻る。Ｓ８では、学習部１１７は、例えば学習回数（Ｓ７で更新を行った回数）が所定回数に達した場合に学習を終了すると判定してもよいし、出力値と正解値との誤差が目標値以下となったときに学習を終了すると判定してもよい。 Then, the learning unit 117 determines whether or not to end the learning (S8). When the learning unit 117 determines that the learning is finished (YES in S8), the process is finished, and the neural network is in the learned state. On the other hand, when the learning unit 117 determines that the learning is not completed (NO in S8), the process returns to S1. In S8, the learning unit 117 may determine that learning ends when, for example, the number of times of learning (the number of times of updating in S7) reaches a predetermined number of times, and the error between the output value and the correct answer value is the target value. It may be determined that the learning is completed when the following occurs.

２回目以降のＳ１の処理では、操作履歴取得部１１１は、操作履歴情報１２１の中から未選択のデータを選択する。同様に、２回目以降のＳ４の処理ではゴミ情報取得部１１３はゴミ情報１２２中から未選択のデータを選択し、２回目以降のＳ５の処理では障害物情報取得部１１４は障害物情報１２３中から未選択のデータを選択する。そして、ニューラルネットワークによる出力値の算出と、その出力値に基づくニューラルネットワークの更新が再度行われる。つまり、ニューラルネットワークの学習処理では、Ｓ８で学習を終了すると判定されるまで、学習データを変更しながら重みを調整する処理を繰り返して行う。 In the second and subsequent processes of S1, the operation history acquisition unit 111 selects unselected data from the operation history information 121. Similarly, in the second and subsequent processing of S4, the dust information acquisition unit 113 selects unselected data from the dust information 122, and in the second and subsequent processing of S5, the obstacle information acquisition unit 114 is in the obstacle information 123. Select unselected data from. Then, the output value is calculated by the neural network, and the neural network is updated again based on the output value. That is, in the learning process of the neural network, the process of adjusting the weight while changing the learning data is repeated until it is determined that the learning is completed in S8.

〔処理の流れ（模擬障害物情報の生成）〕
学習済みのニューラルネットワークを用いて模擬障害物情報を生成する処理の流れを図６に基づいて説明する。図６は、学習済みのニューラルネットワークを用いて模擬障害物情報を生成する処理（情報処理方法）の一例を示すフローチャートである。 [Processing flow (generation of simulated obstacle information)]
The flow of the process of generating simulated obstacle information using the trained neural network will be described with reference to FIG. FIG. 6 is a flowchart showing an example of a process (information processing method) for generating simulated obstacle information using a trained neural network.

なお、本処理の前に、ニューラルネットワークの学習用の入力データとして、操作履歴情報１２１、ゴミ情報１２２、および障害物情報１２３が入力部１３を介して情報処理装置１に入力され、記憶部１２に格納されている。これらの情報は、模擬障害物情報の生成対象となるゴミピットについての情報である。 Prior to this processing, operation history information 121, dust information 122, and obstacle information 123 are input to the information processing device 1 via the input unit 13 as input data for learning the neural network, and the storage unit 12 It is stored in. This information is information about a garbage pit for which simulated obstacle information is generated.

Ｓ１１〜Ｓ１６の処理は、使用するデータが学習用の入力データであるか否かが相違するだけで、図５のＳ１〜Ｓ６の処理と同様である。すなわち、操作履歴取得部１１１は、記憶部１２から操作履歴情報１２１を取得し（Ｓ１１）、通過情報生成部１１２は、操作履歴情報１２１からクレーンの動作軌跡を特定し（Ｓ１２）、通過情報を生成する（Ｓ１３、通過情報取得ステップ）。また、ゴミ情報取得部１１３は、記憶部１２からゴミ情報１２２を取得し（Ｓ１４）、障害物情報取得部１１４は、記憶部１２から障害物情報１２３を取得する（Ｓ１５）。 The processing of S11 to S16 is the same as the processing of S1 to S6 of FIG. 5, except that the data to be used is input data for learning or not. That is, the operation history acquisition unit 111 acquires the operation history information 121 from the storage unit 12 (S11), and the passage information generation unit 112 identifies the crane operation locus from the operation history information 121 (S12) and obtains the passage information. Generate (S13, passage information acquisition step). Further, the dust information acquisition unit 113 acquires the dust information 122 from the storage unit 12 (S14), and the obstacle information acquisition unit 114 acquires the obstacle information 123 from the storage unit 12 (S15).

そして、模擬障害物情報生成部１１６は、Ｓ１３で生成された通過情報と、Ｓ１４で取得されたゴミ情報１２２と、Ｓ１５で取得された障害物情報１２３とを入力データとして、ニューラルネットワークで出力値を算出する（Ｓ１６、出力ステップ）。この出力値が模擬障害物情報である。 Then, the simulated obstacle information generation unit 116 uses the passing information generated in S13, the dust information 122 acquired in S14, and the obstacle information 123 acquired in S15 as input data, and outputs values in the neural network. Is calculated (S16, output step). This output value is simulated obstacle information.

〔模擬障害物情報について〕
ニューラルネットワークの出力値をそのまま模擬障害物情報として用いることもできるし、この出力値を加工して模擬障害物情報としてもよい。これについて、図７に基づいて説明する。図７は、ニューラルネットワークの出力値の例と、該出力値を二値化した例とを示す図である。 [About simulated obstacle information]
The output value of the neural network can be used as it is as simulated obstacle information, or this output value may be processed and used as simulated obstacle information. This will be described with reference to FIG. FIG. 7 is a diagram showing an example of an output value of a neural network and an example of binarizing the output value.

図７の（ａ）に示すように、ニューラルネットワークの出力値は０〜１の範囲となる。このような出力値を模擬障害物情報として用いた場合、値が１に近い単位ブロックを避けて、値が０に近い単位ブロックの範疇で経路を生成することになる。 As shown in FIG. 7A, the output value of the neural network is in the range of 0 to 1. When such an output value is used as simulated obstacle information, a route is generated in the category of a unit block whose value is close to 0, avoiding a unit block whose value is close to 1.

一方、同図の（ｂ）に示すように、ニューラルネットワークの出力値を二値化することにより、その値を０および１の何れかとすることができる。このような出力値を模擬障害物情報として用いた場合、値が１の単位ブロックを避けて、値が０の単位ブロックの範疇で経路を生成することになる。二値化の際の閾値は、例えば０．５や０．８等のように、０〜１の間で適宜設定すればよい。閾値を０に近い値とするほど、安全性の高い経路を作成することが可能になるが、経路の選択の幅が限られる。 On the other hand, as shown in (b) of the figure, by binarizing the output value of the neural network, the value can be set to either 0 or 1. When such an output value is used as simulated obstacle information, a route is generated in the category of a unit block having a value of 0, avoiding a unit block having a value of 1. The threshold value at the time of binarization may be appropriately set between 0 and 1, for example, 0.5 or 0.8. The closer the threshold value is to 0, the more secure the route can be created, but the range of route selection is limited.

〔処理の流れ（経路情報の生成）〕
模擬障害物情報を用いて経路情報を生成する処理の流れを図８および図９に基づいて説明する。図８は、模擬障害物情報を用いて経路情報を生成する処理（情報処理方法）の一例を示すフローチャートである。図９は、図８の各処理で使用または生成される情報の例を示す図である。 [Processing flow (generation of route information)]
The flow of the process of generating the route information using the simulated obstacle information will be described with reference to FIGS. 8 and 9. FIG. 8 is a flowchart showing an example of a process (information processing method) for generating route information using simulated obstacle information. FIG. 9 is a diagram showing an example of information used or generated in each process of FIG.

Ｓ２１では、経路情報生成部１１５は、模擬障害物情報生成部１１６が生成した模擬障害物情報を取得する。この模擬障害物情報は、上述のように、ニューラルネットワークの出力値そのものであってもよいし、これを二値化したものであってもよい。二値化処理は模擬障害物情報生成部１１６が行ってもよいし、経路情報生成部１１５が行ってもよく、他の処理ブロックが行ってもよい。図９の（ａ）には、二値化によって生成した模擬障害物情報の例を示している。二値化によって生成した模擬障害物情報は、ゴミピット内の領域を、模擬障害物がない領域と、それ以外の領域とに区分したものとなる。 In S21, the route information generation unit 115 acquires the simulated obstacle information generated by the simulated obstacle information generation unit 116. As described above, this simulated obstacle information may be the output value of the neural network itself, or may be a binarized version of the output value. The binarization process may be performed by the simulated obstacle information generation unit 116, the route information generation unit 115, or another processing block. FIG. 9A shows an example of simulated obstacle information generated by binarization. The simulated obstacle information generated by binarization divides the area in the garbage pit into an area without simulated obstacles and an area other than that.

Ｓ２２では、経路情報生成部１１５は、クレーンの出発点と目的点を特定する。出発点と目的点は、例えば単位ブロックを示す座標値（ｘ，ｙ，ｚ）で表されていてもよい。出発点と目的点は、入力部１３を介したユーザの入力に基づいて特定してもよい。 In S22, the route information generation unit 115 specifies the starting point and the destination point of the crane. The starting point and the destination point may be represented by, for example, coordinate values (x, y, z) indicating a unit block. The starting point and the destination point may be specified based on the user's input via the input unit 13.

Ｓ２３では、経路情報生成部１１５は、出発点からの距離分布を算出する。より詳細には、経路情報生成部１１５は、模擬障害物のない範囲内において、出発点からＸ方向およびＹ方向の少なくとも何れかの方向に所定距離移動した位置と、出発点との距離を算出する処理を、上記位置を上記所定距離移動させながら行う。上記所定距離は、単位ブロックの一辺よりも短い距離であればよく、例えば単位ブロックの一辺の１０％の距離であってもよい。この処理により、模擬障害物のない範囲について、出発点からの距離の分布を特定することができる。特定結果を図示すると図９の（ｂ）のようになる。同図では出発点から等距離の位置を同じ色で示している。 In S23, the route information generation unit 115 calculates the distance distribution from the starting point. More specifically, the route information generation unit 115 calculates the distance between the starting point and the position moved by a predetermined distance in at least one of the X and Y directions from the starting point within a range without simulated obstacles. This process is performed while moving the position by the predetermined distance. The predetermined distance may be shorter than one side of the unit block, and may be, for example, 10% of one side of the unit block. By this process, the distribution of the distance from the starting point can be specified for the range without simulated obstacles. The specific result is shown in FIG. 9 (b). In the figure, the positions equidistant from the starting point are shown in the same color.

Ｓ２４では、経路情報生成部１１５は、出発点との距離を算出した各位置について、Ｘ方向とＹ方向の勾配をそれぞれ算出する。Ｘ方向の勾配の算出結果を図示すると図９の（ｃ）のようになり、Ｙ方向の勾配の算出結果を図示すると図９の（ｄ）のようになる。これらの図では勾配が同じ位置を同じ色で示している。 In S24, the route information generation unit 115 calculates the gradients in the X direction and the Y direction for each position for which the distance from the starting point has been calculated. The calculation result of the gradient in the X direction is shown in FIG. 9 (c), and the calculation result of the gradient in the Y direction is shown in FIG. 9 (d). In these figures, the positions with the same gradient are shown in the same color.

Ｓ２５では、経路情報生成部１１５は、最適経路を特定する。具体的には、経路情報生成部１１５は、Ｘ方向とＹ方向のそれぞれの勾配を、所定の割合で変化させながら、出発点と目的点とを結ぶ最適経路を特定する。上記所定の割合は、例えば±０．１％であってもよい。 In S25, the route information generation unit 115 specifies the optimum route. Specifically, the route information generation unit 115 specifies the optimum route connecting the starting point and the destination point while changing the gradients in the X direction and the Y direction at a predetermined ratio. The predetermined ratio may be, for example, ± 0.1%.

最後に、経路情報生成部１１５は、Ｓ２５で特定した最適経路のデータクリーニングを行い（Ｓ２６）、データクリーニング後のデータを経路情報とする（Ｓ２７）。例えば、図９の例では、同図の（ｅ）に示すような出発点と目的点とを結ぶ線分を示す情報が経路情報として算出される。なお、経路情報は、出発点と目的点とを結ぶ線分を、該線分上の座標で示したものであってもよい。 Finally, the route information generation unit 115 performs data cleaning of the optimum route specified in S25 (S26), and uses the data after the data cleaning as route information (S27). For example, in the example of FIG. 9, the information indicating the line segment connecting the starting point and the destination point as shown in (e) of the same figure is calculated as the route information. The route information may be a line segment connecting the starting point and the destination point indicated by coordinates on the line segment.

なお、ニューラルネットワークの出力値をそのまま模擬障害物情報として用いる場合、Ｓ２４において、経路情報生成部１１５は、算出した勾配に上記出力値の大きさに応じた重みを乗じてもよい。このように重み付けをした勾配をＸ方向と、Ｙ方向のそれぞれについて加算することにより、障害物が存在する可能性の低い経路を算出することができる。 When the output value of the neural network is used as it is as the simulated obstacle information, in S24, the path information generation unit 115 may multiply the calculated gradient by a weight corresponding to the magnitude of the output value. By adding the weighted gradients in each of the X direction and the Y direction, it is possible to calculate a path in which an obstacle is unlikely to exist.

また、Ｓ２５で特定する最適経路は最短の経路であってもよいし、他の条件を考慮して決定した経路であってもよい。他の条件としては、例えばクレーンの動作による消費電力が最小化される、クレーン動作の安全性が高くなる、および、クレーンが最も振れにくい等が挙げられる。具体的には、消費電力が最小化される経路は、例えば、Ｘ、Ｙ、Ｚの各軸方向にクレーンを動かす際のクレーン駆動用のモータの消費電力に基づいて特定することができる。また、クレーン動作の安全性が高くなる経路は、例えば、ゴミピットの壁際等のようなクレーンが衝突する可能性のある領域を避けることにより特定することができる。そして、クレーンが最も振れにくい経路は、例えばクレーンが振れやすい位置やクレーンが振れやすい移動パターンを避けることにより特定することができる。 Further, the optimum route specified in S25 may be the shortest route or a route determined in consideration of other conditions. Other conditions include, for example, minimizing the power consumption due to the operation of the crane, increasing the safety of the operation of the crane, and making the crane the least likely to swing. Specifically, the path where the power consumption is minimized can be specified based on, for example, the power consumption of the crane driving motor when moving the crane in each of the X, Y, and Z axial directions. In addition, a route that enhances the safety of the crane operation can be specified by avoiding an area where the crane may collide, such as near the wall of a garbage pit. The path where the crane is most difficult to swing can be specified, for example, by avoiding a position where the crane is likely to swing or a movement pattern where the crane is likely to swing.

〔実施形態２〕
本発明の実施形態２について説明する。なお、上記実施形態と同様の構成には同一の参照番号を付し、その説明を省略する。本実施形態の情報処理装置１は、ゴミピットにおけるゴミの高さに応じて、学習条件の異なるニューラルネットワークを用いる点で上記実施形態の情報処理装置１と相違している。 [Embodiment 2]
The second embodiment of the present invention will be described. The same reference number will be assigned to the same configuration as that of the above embodiment, and the description thereof will be omitted. The information processing device 1 of the present embodiment is different from the information processing device 1 of the above embodiment in that a neural network having different learning conditions is used according to the height of dust in the dust pit.

ゴミの高さに応じたニューラルネットワークの選択方法について図１０に基づいて説明する。図１０は、ゴミの高さに応じたニューラルネットワークの選択方法を説明する図である。図１０の（ａ）は、ゴミピットを真上から見た様子を示している。ゴミは搬入扉からゴミピット内に投入されるので、投入されたゴミは、まず、搬入扉の直下の搬入ごみ保管エリアに積み上げられる。そして、搬入ごみ保管エリア内のゴミは、新たに搬入されるゴミの受け入れが可能となるように、搬入ごみ保管エリアよりも奥側（ホッパー側）の投入ごみ保管エリアにクレーンにより積み替えられる。その後、投入ごみ保管エリアでは、ゴミを安定して燃焼させるためのクレーンによる撹拌が行われ、撹拌済みのゴミはクレーンによりホッパーに投入される。 A method of selecting a neural network according to the height of dust will be described with reference to FIG. FIG. 10 is a diagram illustrating a method of selecting a neural network according to the height of dust. FIG. 10A shows a state in which the trash pit is viewed from directly above. Since the garbage is thrown into the garbage pit through the carry-in door, the thrown-in garbage is first piled up in the carry-in garbage storage area directly under the carry-in door. Then, the garbage in the carry-in garbage storage area is transshipped by a crane to the input garbage storage area on the back side (hopper side) of the carry-in garbage storage area so that newly carried-in garbage can be received. After that, in the input waste storage area, agitation is performed by a crane to stably burn the garbage, and the agitated garbage is put into the hopper by the crane.

このように、投入ごみ保管エリアと搬入ごみ保管エリアは、同じゴミピット内の領域であるが用途が異なっており、投入ごみ保管エリアのゴミの高さが示すゴミピットの状況と、搬入ごみ保管エリアのゴミの高さが示すゴミピットの状況とは異なっている。このため、本実施形態では、投入ごみ保管エリアのゴミの高さと搬入ごみ保管エリアのゴミの高さとの組み合わせに応じてニューラルネットワークを選択する。 In this way, the input waste storage area and the carry-in waste storage area are areas within the same garbage pit, but have different uses. It is different from the situation of the garbage pit indicated by the height of the garbage. Therefore, in the present embodiment, the neural network is selected according to the combination of the height of the garbage in the input garbage storage area and the height of the garbage in the carry-in garbage storage area.

具体的には、図１０の（ｂ）に示すように、投入ごみ保管エリアのゴミの高さを５ｍ未満、５ｍ以上１０ｍ未満、および１０ｍ以上の３段階に区分すると共に、搬入ごみ保管エリアのゴミの高さについても同様に３段階に区分している。そして、これらの高さの組み合わせ毎に、使用するニューラルネットワークが、パターン１〜９の９つの何れかに予め定められている。なお、各エリアのゴミの高さは、そのエリアにおけるゴミの平均高さであってもよい。 Specifically, as shown in FIG. 10B, the height of the garbage in the input waste storage area is divided into three stages of less than 5 m, 5 m or more and less than 10 m, and 10 m or more, and the carry-in waste storage area. The height of garbage is also divided into three stages. Then, for each combination of these heights, the neural network to be used is predetermined to any one of the nine patterns 1 to 9. The height of dust in each area may be the average height of dust in that area.

パターン１〜９のニューラルネットワークは、ゴミピットにおける投入ごみ保管エリアのゴミの高さと搬入ごみ保管エリアのゴミの高さが、所定の組み合わせとなっているという条件を満たした学習データで学習されたものである。例えば、パターン１のニューラルネットワークは、投入ごみ保管エリアおよび搬入ごみ保管エリアのゴミの高さが何れも５ｍ未満であるときの、通過情報、ゴミ情報、および障害物情報を学習データとして学習されたものである。 The neural network of patterns 1 to 9 is learned with learning data satisfying the condition that the height of the garbage in the input garbage storage area and the height of the garbage in the carry-in garbage storage area in the garbage pit are a predetermined combination. Is. For example, in the neural network of pattern 1, when the heights of the garbage in the input garbage storage area and the carry-in garbage storage area are both less than 5 m, the passing information, the garbage information, and the obstacle information are learned as learning data. It is a thing.

本実施形態の模擬障害物情報生成部１１６は、投入ごみ保管エリアおよび搬入ごみ保管エリアのゴミの高さをそれぞれ特定し、図１０の（ｂ）に示すようなテーブルを参照して、上記特定の結果に応じたパターンのニューラルネットワークを選択する。各エリアにおけるゴミの高さの特定方法は特に限定されない。例えば、ゴミ情報１２２から算出する、センサで計測する、クレーンがゴミに接したときのロープ長から特定する、等の方法が挙げられる。 The simulated obstacle information generation unit 116 of the present embodiment specifies the heights of the garbage in the input garbage storage area and the carry-in garbage storage area, respectively, and refers to the table as shown in FIG. 10 (b) to specify the above. Select a neural network with a pattern according to the result of. The method of specifying the height of dust in each area is not particularly limited. For example, a method of calculating from dust information 122, measuring with a sensor, specifying from the rope length when the crane comes into contact with dust, and the like can be mentioned.

このように、模擬障害物情報を生成する対象となるゴミピットにおける各エリアのゴミの高さと、ニューラルネットワークの学習に用いたゴミピットにおける各エリアのゴミの高さとを揃えることにより、より正確な模擬障害物情報を生成することが可能になる。 In this way, by aligning the height of dust in each area in the garbage pit for which simulated obstacle information is generated and the height of dust in each area in the garbage pit used for learning the neural network, a more accurate simulated obstacle It becomes possible to generate object information.

なお、本実施形態では、２つのエリアのゴミの高さに応じたニューラルネットワークを使用しているが、エリア分けを行うことなく、ゴミピット全体のゴミの高さに応じたニューラルネットワークを使用してもよい。また、ゴミピット内を３つ以上のエリアに区分し、各エリアにおけるゴミの高さの組み合わせに応じたニューラルネットワークを使用してもよい。 In this embodiment, the neural network according to the height of dust in the two areas is used, but the neural network according to the height of dust in the entire dust pit is used without dividing the area. May be good. Further, the dust pit may be divided into three or more areas, and a neural network according to the combination of dust heights in each area may be used.

〔クレーン制御の自動化例〕
模擬障害物情報を利用してクレーン制御を自動化することができる。この場合、情報処理装置１の制御部１１には、クレーンの動作パターンの割合を決定する工程管理部が含まれていてもよい。 [Crane control automation example]
Crane control can be automated using simulated obstacle information. In this case, the control unit 11 of the information processing device 1 may include a process control unit that determines the ratio of the crane operation patterns.

一般に、ゴミ搬入車でゴミピットに搬入されたゴミは、ゴミピット内に一時的に貯留される。この貯留中には、搬入扉の直下の搬入エリアから撹拌エリアへの積み替え、撹拌エリア内での撹拌等が行われる。そして、最後にゴミはホッパーに投入されて焼却される。積み替えはゴミの搬入に支障がないように、ゴミの搬入状況に応じて行われる。また、撹拌は、ゴミをクレーンで高所に持ち上げて離す動作が行われ、高所で離されたゴミは自重で落下し、この際にゴミ袋が破れ、落下地点の周囲のゴミと混ざり合う。そして、ホッパーへの投入は、燃焼させるゴミの量が不足したホッパーからの投入指令に従って行われる。 Generally, the garbage carried into the garbage pit by the garbage carry-in vehicle is temporarily stored in the garbage pit. During this storage, transshipment from the carry-in area directly under the carry-in door to the stirring area, stirring in the stirring area, and the like are performed. Finally, the garbage is thrown into the hopper and incinerated. Transshipment is carried out according to the garbage loading situation so as not to interfere with the garbage loading. In addition, stirring is performed by lifting the dust to a high place with a crane and releasing it, and the dust separated at a high place falls by its own weight, and at this time, the garbage bag is torn and mixed with the dust around the fall point. .. Then, the charging to the hopper is performed according to the charging command from the hopper in which the amount of garbage to be burned is insufficient.

工程管理部は、ゴミピットに搬入されるゴミの量とゴミの焼却量とから、クレーンの動作パターン（積み替え、撹拌、ホッパーへの投入）の割合を決定する。より詳細には、クレーンを動作させる時間帯における搬入量から積替え回数を決定し、焼却量から投入回数を決定する。そして、上記時間帯から、これら積み替えおよび投入作業に要する時間を差し引いた残り時間から撹拌回数を決定する。また、工程管理部は、上述のような一般的なゴミピットにおける作業の流れに応じて、積み替え、撹拌、投入の作業手順を決定する。 The process control unit determines the ratio of the crane operation pattern (transshipment, agitation, loading into the hopper) from the amount of garbage carried into the garbage pit and the amount of garbage incinerated. More specifically, the number of transshipments is determined from the amount of loading during the time when the crane is operated, and the number of times of loading is determined from the amount of incineration. Then, the number of times of stirring is determined from the remaining time obtained by subtracting the time required for the transshipment and charging operations from the above time zone. In addition, the process control unit determines the work procedure of transshipment, stirring, and charging according to the work flow in the general garbage pit as described above.

作業手順が決まれば、クレーンの動作内容、すなわちどの位置でゴミを掴み、どの位置でゴミを離すかも決まる。そして、その掴み位置と離し位置との間の最適経路は、上述のように、経路情報生成部１１５が模擬障害物情報を利用して生成することができる。生成した経路情報は、クレーンのメインコントローラに入力し、メインコントローラが経路情報に従ってクレーンを動作させる。 Once the work procedure is decided, the operation content of the crane, that is, the position where the dust is grabbed and the position where the dust is released is also decided. Then, as described above, the route information generation unit 115 can generate the optimum route between the gripping position and the release position by using the simulated obstacle information. The generated route information is input to the main controller of the crane, and the main controller operates the crane according to the route information.

これにより、クレーンを安全に自動制御することができると共に、クレーンの動作に要する消費電力も最小化することができる。なお、制御対象のクレーンは複数あってもよく、この場合、メインコントローラは各クレーンのコントローラを制御し、該コントローラは各クレーンを制御する。 As a result, the crane can be safely and automatically controlled, and the power consumption required for the operation of the crane can be minimized. There may be a plurality of cranes to be controlled. In this case, the main controller controls the controller of each crane, and the controller controls each crane.

〔変形例〕
上記各実施形態では、通過情報、ゴミ情報、および障害物情報を用いて模擬障害物情報を生成する例を説明したが、これらの情報のうち、少なくとも通過情報を用いることにより、オペレータの経験や技術が反映された模擬障害物情報を生成することができる。つまり、ゴミ情報および障害物情報は必須の入力データではない。 [Modification example]
In each of the above embodiments, an example of generating simulated obstacle information using passage information, dust information, and obstacle information has been described. However, by using at least the passage information among these information, the operator's experience and experience can be obtained. It is possible to generate simulated obstacle information that reflects the technology. That is, garbage information and obstacle information are not essential input data.

模擬障害物情報の用途は、経路情報の生成に限られない。例えば、強化学習によってクレーンの動作パターンを決定しようとした場合、強化学習は試行錯誤を伴うため、実際のゴミピットではクレーンを動かして学習することはできない。しかし、模擬障害物情報を用いて仮想的なゴミピット空間を規定することにより、この空間内で強化学習を行うこともできる。 The use of simulated obstacle information is not limited to the generation of route information. For example, when trying to determine the operation pattern of a crane by reinforcement learning, reinforcement learning involves trial and error, so it is not possible to learn by moving the crane in an actual garbage pit. However, by defining a virtual garbage pit space using simulated obstacle information, reinforcement learning can also be performed in this space.

模擬障害物情報の生成に用いるアルゴリズムは、機械学習によって、少なくとも通過情報を含む入力データから、各単位ブロックにクレーンの通過の妨げとなる要素が存在する確度を示す出力データを出力することのできるものであればよい。例えば、ニューラルネットワーク以外にも、確率解析の統計手法、決定木、種々のクリスタリング手法等を適用することが可能である。 The algorithm used to generate the simulated obstacle information can output output data indicating the probability that an element that hinders the passage of the crane exists in each unit block from the input data including at least the passage information by machine learning. Anything is fine. For example, in addition to neural networks, statistical methods for stochastic analysis, decision trees, various crystallizing methods, and the like can be applied.

〔ソフトウェアによる実現例〕
情報処理装置１の制御ブロック（特に制御部１１に含まれる各部）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ＣＰＵ（Central Processing Unit）を用いてソフトウェアによって実現してもよい。 [Example of realization by software]
The control block (particularly each unit included in the control unit 11) of the information processing device 1 may be realized by a logic circuit (hardware) formed in an integrated circuit (IC chip) or the like, or may be realized by a CPU (Central Processing Unit). It may be realized by software using.

後者の場合、情報処理装置１は、各機能を実現するソフトウェアであるプログラムの命令を実行するＣＰＵ、上記プログラムおよび各種データがコンピュータ（またはＣＰＵ）で読み取り可能に記録されたＲＯＭ（Read Only Memory）または記憶装置（これらを「記録媒体」と称する）、上記プログラムを展開するＲＡＭ（Random Access Memory）などを備えている。そして、コンピュータ（またはＣＰＵ）が上記プログラムを上記記録媒体から読み取って実行することにより、本発明の目的が達成される。上記記録媒体としては、「一時的でない有形の媒体」、例えば、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。なお、本発明の一態様は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。 In the latter case, the information processing device 1 is a CPU that executes instructions of a program that is software that realizes each function, and a ROM (Read Only Memory) in which the program and various data are readablely recorded by a computer (or CPU). Alternatively, it is equipped with a storage device (referred to as a "recording medium"), a RAM (Random Access Memory) for developing the above program, and the like. Then, the object of the present invention is achieved by the computer (or CPU) reading the program from the recording medium and executing the program. As the recording medium, a "non-temporary tangible medium", for example, a tape, a disk, a card, a semiconductor memory, a programmable logic circuit, or the like can be used. Further, the program may be supplied to the computer via an arbitrary transmission medium (communication network, broadcast wave, etc.) capable of transmitting the program. It should be noted that one aspect of the present invention can also be realized in the form of a data signal embedded in a carrier wave, in which the above program is embodied by electronic transmission.

本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。 The present invention is not limited to the above-described embodiments, and various modifications can be made within the scope of the claims, and the embodiments obtained by appropriately combining the technical means disclosed in the different embodiments. Is also included in the technical scope of the present invention.

〔まとめ〕
本発明の態様１に係る情報処理装置（１）は、ゴミピット内でゴミを運搬するクレーンのオペレータによる操作履歴に基づく、当該ゴミピット内の空間を区分した各単位ブロックにおける上記クレーンの通過履歴を示す通過情報を取得する通過情報取得部（通過情報生成部１１２）と、上記通過情報を含む入力データから、上記各単位ブロックに上記クレーンの通過の妨げとなる要素が存在する確度を示す出力データを出力する確度算出部（模擬障害物情報生成部１１６）と、を備え、上記確度算出部は、上記ゴミピットと同型の他のゴミピットの、上記各単位ブロックに対応する各単位ブロックにおけるクレーンの通過情報を含む学習用の入力データと、当該他のゴミピットの各単位ブロックにおける上記要素の有無との対応関係を機械学習したものである。 [Summary]
The information processing device (1) according to the first aspect of the present invention shows the passage history of the crane in each unit block that divides the space in the trash pit, based on the operation history of the crane operator that carries the trash in the trash pit. From the passage information acquisition unit (passage information generation unit 112) that acquires passage information and the input data including the passage information, output data indicating the probability that an element that hinders the passage of the crane exists in each unit block is output. An accuracy calculation unit (simulated obstacle information generation unit 116) for outputting is provided, and the accuracy calculation unit provides information on the passage of a crane in each unit block corresponding to each unit block of another garbage pit of the same type as the garbage pit. This is machine learning of the correspondence between the input data for learning including the above element and the presence / absence of the above element in each unit block of the other trash pit.

上記の構成によれば、オペレータの経験や技術に基づく、各単位ブロックにクレーンの通過の妨げとなる要素が存在する確度を示す出力データを得ることができる。なお、クレーンの通過の妨げとなる要素は、物理的な障害物であってもよいし、ゴミピットの運用上、クレーンを通過させないことが好ましい事情等であってもよい。 According to the above configuration, it is possible to obtain output data indicating the probability that each unit block has an element that hinders the passage of the crane, based on the experience and skill of the operator. The element that hinders the passage of the crane may be a physical obstacle, or may be a situation in which it is preferable not to allow the crane to pass in the operation of the garbage pit.

本発明の態様２に係る情報処理装置は、上記態様１において、上記ゴミピットに堆積されたゴミの高さに基づいて特定された上記各単位ブロックにおけるゴミの有無を示すゴミ情報を取得するゴミ情報取得部（１１３）を備え、上記確度算出部への入力データには上記ゴミ情報取得部が取得した上記ゴミ情報が含まれ、上記学習用の入力データには上記他のゴミピットの各単位ブロックにおけるゴミの有無を示すゴミ情報が含まれる、構成としてもよい。 The information processing apparatus according to the second aspect of the present invention acquires dust information indicating the presence or absence of dust in each of the unit blocks specified based on the height of the dust accumulated in the dust pit in the first aspect. The acquisition unit (113) is provided, and the input data to the accuracy calculation unit includes the dust information acquired by the dust information acquisition unit, and the input data for learning includes the unit blocks of the other dust pits. It may be configured to include dust information indicating the presence or absence of dust.

上記の構成によれば、ゴミが堆積されていることがクレーンの通過の妨げとなる要素として加味された出力データを得ることができる。 According to the above configuration, it is possible to obtain output data in which the accumulation of dust is added as an obstacle to the passage of the crane.

本発明の態様３に係る情報処理装置は、上記態様１または２において、上記ゴミピットにおける既知の障害物が上記各単位ブロックに存在するか否かを示す障害物情報を取得する障害物情報取得部（１１４）を備え、上記確度算出部への入力データには上記障害物情報取得部が取得した上記障害物情報が含まれ、上記学習用の入力データには上記他のゴミピットの各単位ブロックにおける既知の障害物の有無を示す障害物情報が含まれる、構成としてもよい。 The information processing apparatus according to the third aspect of the present invention is an obstacle information acquisition unit that acquires obstacle information indicating whether or not a known obstacle in the garbage pit exists in each of the unit blocks in the first or second aspect. (114) is provided, the input data to the accuracy calculation unit includes the obstacle information acquired by the obstacle information acquisition unit, and the input data for learning includes the unit blocks of the other garbage pits. It may be configured to include obstacle information indicating the presence or absence of a known obstacle.

上記の構成によれば、既知の障害物の有無が加味されるので、既知の障害物の存在を確実に反映させた出力データを得ることができる。 According to the above configuration, since the presence or absence of a known obstacle is taken into consideration, output data that reliably reflects the existence of the known obstacle can be obtained.

本発明の態様４に係る情報処理装置は、上記態様１から３の何れかにおいて、上記出力データの示す可能性の高さが所定の閾値以上である上記単位ブロックを避けて、指定された出発点から指定された目的点までの上記クレーンの通過経路を示す経路情報を生成する経路情報生成部（１１５）を備えている構成としてもよい。 The information processing apparatus according to the fourth aspect of the present invention avoids the unit block in which the high possibility of the output data is equal to or higher than a predetermined threshold value in any one of the first to third aspects, and is a designated departure. The configuration may include a route information generation unit (115) that generates route information indicating the passage route of the crane from the point to the designated destination point.

上記経路情報には、オペレータの経験や技術が反映されているので、この経路情報を用いることにより、オペレータの経験や技術をクレーンの自動運転に反映することができる。 Since the operator's experience and technology are reflected in the above route information, the operator's experience and technology can be reflected in the automatic operation of the crane by using this route information.

本発明の態様５に係る情報処理方法は、情報処理装置による情報処理方法であって、ゴミピット内でゴミを運搬するクレーンのオペレータによる操作履歴に基づく、当該ゴミピット内の空間を区分した各単位ブロックにおける上記クレーンの通過履歴を示す通過情報を取得する通過情報取得ステップ（Ｓ１３）と、確度算出部により、上記通過情報を含む入力データから、上記各単位ブロックに上記クレーンの通過の妨げとなる要素が存在する確度を示す出力データを出力する出力ステップ（Ｓ１６）とを含み、上記確度算出部は、上記ゴミピットと同型の他のゴミピットの、上記各単位ブロックに対応する各単位ブロックにおけるクレーンの通過情報を含む学習用の入力データと、当該他のゴミピットの各単位ブロックにおける上記要素の有無との対応関係を機械学習したものである。この情報処理方法によれば、上記態様１と同様の作用効果を奏する。 The information processing method according to the fifth aspect of the present invention is an information processing method using an information processing apparatus, and each unit block that divides the space in the trash pit based on the operation history of the crane operator that transports the trash in the trash pit. In the passage information acquisition step (S13) for acquiring the passage information indicating the passage history of the crane in the above, and the accuracy calculation unit, the elements that hinder the passage of the crane in each unit block from the input data including the passage information. The accuracy calculation unit includes the output step (S16) for outputting the output data indicating the probability that the crane exists, and the accuracy calculation unit passes the crane in each unit block corresponding to each unit block of another garbage pit of the same type as the garbage pit. This is machine learning of the correspondence between the input data for learning including information and the presence / absence of the above elements in each unit block of the other trash pit. According to this information processing method, the same action and effect as in the above aspect 1 can be obtained.

上述の情報処理装置は、コンピュータによって実現してもよく、この場合には、コンピュータを上記情報処理装置が備える各部（ソフトウェア要素）として動作させることにより上記情報処理装置をコンピュータにて実現させる情報処理プログラム、およびそれを記録したコンピュータ読み取り可能な記録媒体も、本発明の範疇に入る。 The information processing device described above may be realized by a computer. In this case, the information processing device is realized by the computer by operating the computer as each part (software element) included in the information processing device. A program and a computer-readable recording medium on which it is recorded also fall within the scope of the present invention.

１情報処理装置
１１２通過情報生成部（通過情報取得部）
１１３ゴミ情報取得部
１１４障害物情報取得部
１１５経路情報生成部
１１６模擬障害物情報生成部（確度算出部） 1 Information processing device 112 Passage information generation unit (passage information acquisition unit)
113 Garbage information acquisition unit 114 Obstacle information acquisition unit 115 Route information generation unit 116 Simulated obstacle information generation unit (accuracy calculation unit)

Claims

ゴミピット内でゴミを運搬するクレーンのオペレータによる操作履歴に基づく、当該ゴミピット内の空間を区分した各単位ブロックにおける上記クレーンの通過履歴を示す通過情報を取得する通過情報取得部と、
上記通過情報を含む入力データから、上記各単位ブロックに上記クレーンの通過の妨げとなる要素が存在する確度を示す出力データを出力する確度算出部と、を備え、
上記確度算出部は、上記ゴミピットと同型の他のゴミピットの、上記各単位ブロックに対応する各単位ブロックにおけるクレーンの通過情報を含む学習用の入力データと、当該他のゴミピットの各単位ブロックにおける上記要素の有無との対応関係を機械学習したものである、ことを特徴とする情報処理装置。 A passage information acquisition unit that acquires passage information indicating the passage history of the crane in each unit block that divides the space in the garbage pit, based on the operation history of the crane operator that transports the garbage in the garbage pit.
It is provided with a probability calculation unit that outputs output data indicating the probability that an element that hinders the passage of the crane exists in each unit block from the input data including the passage information.
The accuracy calculation unit includes input data for learning including crane passage information in each unit block corresponding to each unit block of another trash pit of the same type as the trash pit, and the above in each unit block of the other trash pit. An information processing device characterized in that it is machine-learned about the correspondence between the presence and absence of elements.

上記ゴミピットに堆積されたゴミの高さに基づいて特定された上記各単位ブロックにおけるゴミの有無を示すゴミ情報を取得するゴミ情報取得部を備え、
上記確度算出部への入力データには上記ゴミ情報取得部が取得した上記ゴミ情報が含まれ、
上記学習用の入力データには上記他のゴミピットの各単位ブロックにおけるゴミの有無を示すゴミ情報が含まれる、ことを特徴とする請求項１に記載の情報処理装置。 It is equipped with a dust information acquisition unit that acquires dust information indicating the presence or absence of dust in each of the above unit blocks specified based on the height of the dust accumulated in the dust pit.
The input data to the accuracy calculation unit includes the dust information acquired by the dust information acquisition unit.
The information processing apparatus according to claim 1, wherein the input data for learning includes dust information indicating the presence or absence of dust in each unit block of the other garbage pits.

上記ゴミピットにおける既知の障害物が上記各単位ブロックに存在するか否かを示す障害物情報を取得する障害物情報取得部を備え、
上記確度算出部への入力データには上記障害物情報取得部が取得した上記障害物情報が含まれ、
上記学習用の入力データには上記他のゴミピットの各単位ブロックにおける既知の障害物の有無を示す障害物情報が含まれる、ことを特徴とする請求項１または２に記載の情報処理装置。 It is provided with an obstacle information acquisition unit that acquires obstacle information indicating whether or not a known obstacle in the garbage pit exists in each of the unit blocks.
The input data to the accuracy calculation unit includes the obstacle information acquired by the obstacle information acquisition unit.
The information processing apparatus according to claim 1 or 2, wherein the input data for learning includes obstacle information indicating the presence or absence of a known obstacle in each unit block of the other garbage pit.

上記出力データの示す可能性の高さが所定の閾値以上である上記単位ブロックを避けて、指定された出発点から指定された目的点までの上記クレーンの通過経路を示す経路情報を生成する経路情報生成部を備えていることを特徴とする請求項１から３の何れか１項に記載の情報処理装置。 A route that generates route information indicating the passage route of the crane from a specified starting point to a specified destination point, avoiding the unit block in which the high possibility of the output data is equal to or higher than a predetermined threshold value. The information processing apparatus according to any one of claims 1 to 3, further comprising an information generation unit.

情報処理装置による情報処理方法であって、
ゴミピット内でゴミを運搬するクレーンのオペレータによる操作履歴に基づく、当該ゴミピット内の空間を区分した各単位ブロックにおける上記クレーンの通過履歴を示す通過情報を取得する通過情報取得ステップと、
確度算出部により、上記通過情報を含む入力データから、上記各単位ブロックに上記クレーンの通過の妨げとなる要素が存在する確度を示す出力データを出力する出力ステップとを含み、
上記確度算出部は、上記ゴミピットと同型の他のゴミピットの、上記各単位ブロックに対応する各単位ブロックにおけるクレーンの通過情報を含む学習用の入力データと、当該他のゴミピットの各単位ブロックにおける上記要素の有無との対応関係を機械学習したものである、ことを特徴とする情報処理方法。 It is an information processing method using an information processing device.
A passage information acquisition step for acquiring passage information indicating the passage history of the crane in each unit block that divides the space in the garbage pit based on the operation history of the crane operator that transports the garbage in the garbage pit.
The accuracy calculation unit includes an output step of outputting output data indicating the probability that an element that hinders the passage of the crane exists in each unit block from the input data including the passage information.
The accuracy calculation unit includes input data for learning including crane passage information in each unit block corresponding to each unit block of another trash pit of the same type as the trash pit, and the above in each unit block of the other trash pit. An information processing method characterized in that the correspondence relationship with the presence / absence of an element is machine-learned.

請求項１に記載の情報処理装置としてコンピュータを機能させるための情報処理プログラムであって、上記通過情報取得部および上記確度算出部としてコンピュータを機能させるための情報処理プログラム。 The information processing program for operating a computer as the information processing device according to claim 1, wherein the computer functions as the passage information acquisition unit and the accuracy calculation unit.