JP7088313B2 - マルチデバイス連携制御装置、マルチデバイス連携制御方法およびマルチデバイス連携制御プログラム - Google Patents
マルチデバイス連携制御装置、マルチデバイス連携制御方法およびマルチデバイス連携制御プログラム Download PDFInfo
- Publication number
- JP7088313B2 JP7088313B2 JP2020559691A JP2020559691A JP7088313B2 JP 7088313 B2 JP7088313 B2 JP 7088313B2 JP 2020559691 A JP2020559691 A JP 2020559691A JP 2020559691 A JP2020559691 A JP 2020559691A JP 7088313 B2 JP7088313 B2 JP 7088313B2
- Authority
- JP
- Japan
- Prior art keywords
- actuator
- service
- sufficiency
- control amount
- control
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
- Testing And Monitoring For Control Systems (AREA)
Description
本発明は、ネットワークに接続される複数のデバイスを連携制御する、マルチデバイス連携制御装置、マルチデバイス連携制御方法およびマルチデバイス連携制御プログラムに関する。
今日、ＩｏＴ（Internet of Things）が急速に拡大を続けており、多種多様かつ膨大な数のデバイスがネットワークに接続されつつある。２０２０年には５００億台のデバイスがインターネットに接続されるという予測があり、今後、家庭や工場、街頭など様々な環境にますます多くのデバイスが設置され、それらを利用した多様なＩｏＴサービスの登場が予想される。ＩｏＴサービスは、カメラ、温度計といったセンサや、スピーカ、ライト（照明装置）、ディスプレイといったアクチュエータなど、多種多様なデバイスをサービス環境に応じて連携動作させることで実現される。サービス事業者が、高品質で安価なＩｏＴサービスを提供するにあたって、複数デバイスの連携を伴う複雑なシステムを、迅速かつ簡易に構築できることが求められている。
実空間にある複数のデバイスを連携させる既存技術としては、R-env（連舞）（登録商標）という技術が知られている（非特許文献１参照）。非特許文献１に記載の技術は、デバイス連携サービスの開発時に求められる、デバイス間のインタフェース差分の吸収機能や、連携シナリオの設計ＧＵＩ（Graphical User Interface）ツールを提供しており、開発者の負担を軽減している。
松元崇裕、他５名、「『R-env:連舞 ＴＭ』クラウド対応型インタラクション制御技術」、一般社団法人人工知能学会、2016年度人工知能全国大会（第30回）、人工知能学会全国大会論文集、1I4-NFC-02b-1、2016年6月
しかしながら、デバイスの連携動作に伴う、個々のデバイスを制御する論理（制御論理）については、非特許文献１に記載の技術を用いても、依然として人手による設計や、事前の調整が必要である。制御論理とは、環境内に設置される装置（例えば、照明装置や空調装置等）それぞれに対応した、より具体的な出力値や出力条件を制御するルール（処理内容）を意味する。
物理空間に配置されるデバイスを用いるＩｏＴサービスにおいて、このようなデバイス毎の出力値を、人手で設計、調整することは負担が大きい。何故なら、デバイスの設置場所によって作用できる領域や効果が異なるため、実際にデバイスが設置されている環境に応じて最適な制御量が異なるからである。
また、生活環境に存在する様々な外乱（制御を乱すような外的な作用）も事前調整を難しくしている。例えば、暗くて映像が取得できないことや、騒音によりスピーカの音が適切に対象に伝えられないといったことが起こり得る。あらゆる状況を想定した上で、各装置に最適な制御論理を構築するには非常に手間がかかる。
非特許文献１に示す技術によるＩｏＴサービスの構築では、デバイス設置場所を直接目視し確認しながら、デバイスを連携させた制御論理を含む全体システムを設計し、構築することが必要である。そのため、ＩｏＴサービスを迅速、かつ、低コストに提供するには、このような手間を解消することが求められる。
このような点を鑑みて本発明がなされたのであり、本発明は、サービス目的とリアルタイムな状況に応じて、物理空間に設置される多種多様なデバイスを自動かつ適切に制御することを課題とする。
前記した課題を解決するため、請求項１に記載の発明は、同一の物理空間上に配置された複数のアクチュエータデバイスを制御するマルチデバイス連携制御装置であって、前記同一の物理空間上に配置された１つ以上のセンサデバイスから当該物理空間に関する所定の情報をセンサ情報として取得し、取得した前記センサ情報で示される値を、前記アクチュエータデバイスの制御により実現される所定のサービスについての目的の達成度合を示す指標であるサービス充足度に変換するサービス充足度算出部と、前記サービス充足度を入力すると、前記所定のサービス毎の目標とするサービス充足度を示す目標サービス充足度を満たすような前記アクチュエータデバイス毎のアクチュエータ制御量を出力するように機械学習を行った学習装置に、前記変換して得られたサービス充足度を入力値として、前記学習装置の演算処理を実行することで、前記アクチュエータデバイス毎の前記アクチュエータ制御量を出力値として取得する目標制御量算出部と、前記出力値として得られたアクチュエータ制御量を、前記アクチュエータデバイスそれぞれに応じた制御命令に変換し、当該アクチュエータデバイスそれぞれに送信することにより制御命令を実行させるアクチュエータ制御部と、前記アクチュエータデバイス毎のアクチュエータ制御量を調整する制御量調整部と、を備え、前記サービス充足度算出部は、前記アクチュエータデバイスが前記制御命令を実行した後、さらに前記１つ以上のセンサデバイスから前記センサ情報を取得し、当該センサ情報で示される値を、試行後のサービス充足度として算出し、前記制御量調整部が、試行後のサービス充足度が前記目標サービス充足度より小さい場合に、現時点で得られた試行後のサービス充足度と前記目標サービス充足度との乖離の度合を示す指標である乖離度を用いた進化戦略アルゴリズムを適用し、前記乖離度の値を分散値とすることにより正規乱数を生成し、生成した正規乱数を調整制御量として算出し、算出した調整制御量と、現時点のアクチュエータ制御量を調整する基準となるアクチュエータ調整基準量とを用いて調整後のアクチュエータ制御量を算出するとともに、前記試行後のサービス充足度が試行直前のサービス充足度より大きい場合に、前記アクチュエータ調整基準量を前記現時点のアクチュエータ制御量により更新し、前記アクチュエータ制御部が、当該調整後のアクチュエータ制御量を、前記アクチュエータデバイスそれぞれに応じた制御命令に変換し、当該アクチュエータデバイスそれぞれに送信することにより制御命令を実行させることを特徴とするマルチデバイス連携制御装置とした。
また、請求項３に記載の発明は、同一の物理空間上に配置された複数のアクチュエータデバイスを制御するマルチデバイス連携制御装置のマルチデバイス連携制御方法であって、前記マルチデバイス連携制御装置が、前記同一の物理空間上に配置された１つ以上のセンサデバイスから当該物理空間に関する所定の情報をセンサ情報として取得し、取得した前記センサ情報で示される値を、前記アクチュエータデバイスの制御により実現される所定のサービスについての目的の達成度合を示す指標であるサービス充足度に変換するステップと、前記サービス充足度を入力すると、前記所定のサービス毎の目標とするサービス充足度を示す目標サービス充足度を満たすような前記アクチュエータデバイス毎のアクチュエータ制御量を出力するように機械学習を行った学習装置に、前記変換して得られたサービス充足度を入力値として、前記学習装置の演算処理を実行することで、前記アクチュエータデバイス毎の前記アクチュエータ制御量を出力値として取得するステップと、前記出力値として得られたアクチュエータ制御量を、前記アクチュエータデバイスそれぞれに応じた制御命令に変換し、当該アクチュエータデバイスそれぞれに送信することにより制御命令を実行させるステップと、前記アクチュエータデバイス毎のアクチュエータ制御量を調整するステップと、実行し、さらに、前記アクチュエータデバイスが前記制御命令を実行した後、さらに前記１つ以上のセンサデバイスから前記センサ情報を取得し、当該センサ情報で示される値を、試行後のサービス充足度として算出するステップと、試行後のサービス充足度が前記目標サービス充足度より小さい場合に、現時点で得られた試行後のサービス充足度と前記目標サービス充足度との乖離の度合を示す指標である乖離度を用いた進化戦略アルゴリズムを適用し、前記乖離度の値を分散値とすることにより正規乱数を生成し、生成した正規乱数を調整制御量として算出し、算出した調整制御量と、現時点のアクチュエータ制御量を調整する基準となるアクチュエータ調整基準量とを用いて調整後のアクチュエータ制御量を算出するとともに、前記試行後のサービス充足度が試行直前のサービス充足度より大きい場合に、前記アクチュエータ調整基準量を前記現時点のアクチュエータ制御量により更新するステップと、当該調整後のアクチュエータ制御量を、前記アクチュエータデバイスそれぞれに応じた制御命令に変換し、当該アクチュエータデバイスそれぞれに送信することにより制御命令を実行させるステップと、を実行することを特徴とするマルチデバイス連携制御方法とした。
このようにすることで、マルチデバイス連携制御装置は、各センサデバイスからセンサ情報を取得してサービス充足度を算出し、そのサービス充足度を入力値として、学習装置により、アクチュエータ制御量を出力値として算出することができる。そして、マルチデバイス連携制御装置は、出力値として得られたアクチュエータ制御量を、アクチュエータデバイスそれぞれに応じた制御命令に変換し、当該アクチュエータデバイスそれぞれに送信することにより制御命令を実行させる。よって、サービス目的とリアルタイムな状況に応じて、物理空間に設置される多種多様なアクチュエータデバイスを自動かつ適切に制御することができる。
また、マルチデバイス連携制御装置は、試行後のサービス充足度が目標サービス充足度より小さい場合であっても、試行後のサービス充足度と目標サービス充足度との乖離度を用いた進化戦略アルゴリズムを適用して調整制御量を算出し、調整後のアクチュエータ制御量を算出することができる。よって、マルチデバイス連携制御装置は、物理空間に配置されたセンサデバイスだけでは網羅できない環境要因や、学習データが不十分なこと等により、試行後のサービス充足度が目標サービス充足度より小さい場合であっても、適切にアクチュエータ制御量を調整することができる。
また、マルチデバイス連携制御装置は、試行後のサービス充足度が目標サービス充足度より小さい場合であっても、試行後のサービス充足度と目標サービス充足度との乖離度を用いた進化戦略アルゴリズムを適用して調整制御量を算出し、調整後のアクチュエータ制御量を算出することができる。よって、マルチデバイス連携制御装置は、物理空間に配置されたセンサデバイスだけでは網羅できない環境要因や、学習データが不十分なこと等により、試行後のサービス充足度が目標サービス充足度より小さい場合であっても、適切にアクチュエータ制御量を調整することができる。
請求項２に記載の発明は、前記制御量調整部が、試行後のサービス充足度が前記目標サービス充足度より大きい場合に、試行後の複数の前記アクチュエータデバイスの制御に関する所定の指標としてのコストを算出し、現時点で得られた試行後のサービス充足度と前記目標サービス充足度との乖離の度合を示す指標である乖離度を用いた進化戦略アルゴリズムを適用して調整制御量を算出し、算出した調整制御量と、現時点のアクチュエータ制御量を調整する基準となるアクチュエータ調整基準量とを用いて調整後のアクチュエータ制御量を算出するとともに、前記試行後のコストが試行直前のコストより小さい場合に、前記アクチュエータ調整基準量を前記現時点のアクチュエータ制御量により更新し、前記アクチュエータ制御部が、当該調整後のアクチュエータ制御量を、前記アクチュエータデバイスそれぞれに応じた制御命令に変換し、当該アクチュエータデバイスそれぞれに送信することにより制御命令を実行させることを特徴する請求項１に記載のマルチデバイス連携制御装置とした。
このようにすることで、マルチデバイス連携制御装置は、試行後のサービス充足度が目標サービス充足度より大きい場合に、アクチュエータデバイスの制御に関するコストをより小さくするように、アクチュエータ制御量を調整することができる。
請求項４に記載の発明は、コンピュータを、請求項１または請求項２に記載のマルチデバイス連携制御装置として機能させるためのマルチデバイス連携制御プログラムとした。
このようにすることにより、一般的なコンピュータを用いて、請求項１または請求項２に記載のマルチデバイス連携制御装置の各機能を実現することができる。
本発明によれば、サービス目的とリアルタイムな状況に応じて、物理空間に設置される多種多様なデバイスを自動かつ適切に制御することができる。
次に、本発明を実施するための形態（以下、「本実施形態」と称する。）について説明する。
図１は、本実施形態に係るマルチデバイス連携制御装置１を含むマルチデバイス連携制御システム１０００の構成を示す図である。
マルチデバイス連携制御システム１０００は、マルチデバイス連携制御装置１と、１つ以上のセンサデバイス２（図１においては、２台のセンサデバイス２）と、１つ以上のアクチュエータデバイス（図１においては２台のアクチュエータデバイス３）とを含んで構成される。マルチデバイス連携制御装置１と、各センサデバイス２および各アクチュエータデバイス３とは通信接続され情報の送受信を行う。また、各センサデバイス２および各アクチュエータデバイス３は、同一の物理空間上（例えば、同一室内、同一施設内、同一域内（公園内）など）に存在するデバイスである。
図１は、本実施形態に係るマルチデバイス連携制御装置１を含むマルチデバイス連携制御システム１０００の構成を示す図である。
マルチデバイス連携制御システム１０００は、マルチデバイス連携制御装置１と、１つ以上のセンサデバイス２（図１においては、２台のセンサデバイス２）と、１つ以上のアクチュエータデバイス（図１においては２台のアクチュエータデバイス３）とを含んで構成される。マルチデバイス連携制御装置１と、各センサデバイス２および各アクチュエータデバイス３とは通信接続され情報の送受信を行う。また、各センサデバイス２および各アクチュエータデバイス３は、同一の物理空間上（例えば、同一室内、同一施設内、同一域内（公園内）など）に存在するデバイスである。
マルチデバイス連携制御装置１は、同一物理空間上に存在する各センサデバイス２から物理空間情報（センサ情報）を取得し、アクチュエータデバイス３の制御により実現される所定のサービスについての目的の達成度合を示す指標である「サービス充足度」を算出する。そして、マルチデバイス連携制御装置１は、サービス充足度を入力して、機械学習（アルゴリズム）により、サービス充足度の目標値を満たすように算出されたアクチュエータ制御量を出力し、出力したアクチュエータ制御量に基づきアクチュエータデバイス３を制御する。また、マルチデバイス連携制御装置１は、算出されたアクチュエータ制御量でアクチュエータデバイス３を制御（試行）した後、試行後のサービス充足度を算出し、目標サービス充足度（サービス毎の目標とするサービス充足度）との乖離度を算出することにより、アクチュエータ制御量を調整し、アクチュエータデバイス３のより適切な制御を実現する。なお、詳細は後記する。
＜マルチデバイス連携制御装置＞
次に、本実施形態に係るマルチデバイス連携制御装置１について具体的に説明する。
マルチデバイス連携制御装置１は、制御部、入出力部および記憶部（いずれも図示省略）を備えるコンピュータにより実現される。
入出力部は、情報の送受信を行うための通信インタフェース、および、タッチパネルやキーボード等の入力装置や、モニタ等の出力装置との間で情報の送受信を行うための入出力インタフェースからなる。
次に、本実施形態に係るマルチデバイス連携制御装置１について具体的に説明する。
マルチデバイス連携制御装置１は、制御部、入出力部および記憶部（いずれも図示省略）を備えるコンピュータにより実現される。
入出力部は、情報の送受信を行うための通信インタフェース、および、タッチパネルやキーボード等の入力装置や、モニタ等の出力装置との間で情報の送受信を行うための入出力インタフェースからなる。
記憶部は、フラッシュメモリやハードディスク、ＲＡＭ（Random Access Memory）等により構成される。このマルチデバイス連携制御装置１の記憶部には、後記する図３に示す、サービス充足度－アクチュエータ制御量対応情報１５０や、サービス毎の目標とするサービス充足度（目標サービス充足度）等が格納される。
また、制御部は、図１に示すように、アクチュエータ制御量算出部１０と、サービス充足度算出部１２と、アクチュエータ制御部１３とを含んで構成される。
サービス充足度算出部１２は、各センサデバイス２から物理空間に関する所定の情報（物理空間情報）としてセンサ情報を取得し、そのセンサ情報で示される値を、サービス目的の達成度合を示す定量的な値（指標）である「サービス充足度」に変換する。本実施形態におけるマルチデバイス連携制御装置１が対象とするサービスは、何らかの目的を達成するものとして設定される。例えば、店舗の監視映像の視聴（人物の顔認識（識別））や、顧客への快適な環境の提供などのサービス目的を達成するようにアクチュエータデバイス３が制御される。この場合のサービス充足度は、例えば、前者の店舗の監視映像の視聴では、映像の鮮明さであり、後者の快適な環境の提供では、顧客の笑顔を数値化した値で表される。
サービス充足度算出部１２は、物理空間上に設置された各センサデバイス２から物理空間情報（センサ情報）をリアルタイムに（所定の時間間隔で）取得し、そのセンサ情報を用いて、サービス目的に対応する指標値としてのサービス充足度を算出する。このサービス充足度は、例えば、０～１００の範囲の値として算出される。また、サービス充足度算出部１２には、目的とするサービスに対応するサービス充足度の指標値が算出可能なソフトウェア（所定のロジック）が予め登録される。例えば、センサデバイス２がカメラ（撮像装置）である場合には、サービス充足度の算出処理は、一般的な画像分析アプリケーション等の公知の技術を用いて実現される。
アクチュエータ制御部１３は、後記するアクチュエータ制御量算出部１０からアクチュエータ制御量（「制御目標量」とも称する。）を受け付け、個々のアクチュエータデバイス３に応じた制御命令に変換し、アクチュエータデバイス３を動作させる。なお、各アクチュエータデバイス３は、ネットワーク上の外部装置等から自身に対する制御命令を常時受け付ける状態で待機しているものとする。
アクチュエータ制御部１３により実現される、アクチュエータ制御量（制御目標量）から制御命令への変換ロジック（変換論理）は、特定の手法に限定されないが、例えば、制御目標量を０～１００の範囲と規定し、実際のアクチュエータデバイス３が０～２５６の分解能で出力命令を受け付けられるときに、それらを線形で対応させるような手法として実現される。
アクチュエータ制御量算出部１０は、サービス充足度算出部１２から、各センサデバイス２のセンサ情報に基づき算出されたサービス充足度の情報を入力値として受け取り、アクチュエータ制御部１３に、各アクチュエータデバイス３を制御するためのアクチュエータ制御量（制御目標量）を出力値として出力する。
また、アクチュエータ制御量算出部１０は、算出したアクチュエータ制御量（制御目標量）でアクチュエータデバイス３を制御（試行）した後、試行後のサービス充足度を取得し、目標サービス充足度との乖離度（詳細は後記）に基づき、アクチュエータ制御量を調整する。そして、アクチュエータ制御量算出部１０は、調整後のアクチュエータ制御量をアクチュエータ制御部１３に出力することにより、アクチュエータデバイス３を制御（試行）して試行後のサービス充足度をさらに算出し、試行毎に調整を繰り返し行うことで、より適切なアクチュエータ制御量を算出する。詳細は、後記する図６を参照して説明する。
このアクチュエータ制御量算出部１０は、目標制御量算出部１００（学習装置）と、制御量調整部１１０とを含んで構成される。
また、アクチュエータ制御量算出部１０は、算出したアクチュエータ制御量（制御目標量）でアクチュエータデバイス３を制御（試行）した後、試行後のサービス充足度を取得し、目標サービス充足度との乖離度（詳細は後記）に基づき、アクチュエータ制御量を調整する。そして、アクチュエータ制御量算出部１０は、調整後のアクチュエータ制御量をアクチュエータ制御部１３に出力することにより、アクチュエータデバイス３を制御（試行）して試行後のサービス充足度をさらに算出し、試行毎に調整を繰り返し行うことで、より適切なアクチュエータ制御量を算出する。詳細は、後記する図６を参照して説明する。
このアクチュエータ制御量算出部１０は、目標制御量算出部１００（学習装置）と、制御量調整部１１０とを含んで構成される。
目標制御量算出部１００は、サービス毎の目標とするサービス充足度（目標サービス充足度）を保持する。そして、目標制御量算出部１００は、サービス充足度を入力値とし、アクチュエータ制御量（制御目標量）を出力値とする機械学習モデルを構成する学習装置として機能する。
図２は、本実施形態に係る目標制御量算出部１００を構成する学習装置の機能ブロックを示す図である。
目標制御量算出部１００（学習装置）は、サービス充足度取得部１０１と、学習部１０２と、アクチュエータ制御量出力部１０３と、サービス充足度－アクチュエータ制御量対応情報１５０（図３参照）とを備える。
目標制御量算出部１００（学習装置）は、サービス充足度取得部１０１と、学習部１０２と、アクチュエータ制御量出力部１０３と、サービス充足度－アクチュエータ制御量対応情報１５０（図３参照）とを備える。
サービス充足度取得部１０１は、サービス充足度算出部１２（図１）からサービス充足度の情報を取得すると、サービス充足度－アクチュエータ制御量対応情報１５０（図３）に新たなレコードを作成して記憶する。
また、アクチュエータ制御量出力部１０３は、学習部１０２がサービス充足度を入力値として算出したアクチュエータ制御量（目標制御量）を、サービス充足度－アクチュエータ制御量対応情報１５０に、入力値に対応する出力値（アクチュエータ制御量）として格納する。そして、アクチュエータ制御量出力部１０３は、そのアクチュエータ制御量（目標制御量）を、アクチュエータ制御部１３（図１）に出力する。
また、アクチュエータ制御量出力部１０３は、学習部１０２がサービス充足度を入力値として算出したアクチュエータ制御量（目標制御量）を、サービス充足度－アクチュエータ制御量対応情報１５０に、入力値に対応する出力値（アクチュエータ制御量）として格納する。そして、アクチュエータ制御量出力部１０３は、そのアクチュエータ制御量（目標制御量）を、アクチュエータ制御部１３（図１）に出力する。
図３は、本実施形態に係るサービス充足度－アクチュエータ制御量対応情報１５０のデータ構成例を示す図である。
図３に示すように、サービス充足度－アクチュエータ制御量対応情報１５０には、センサデバイス２毎（図３においては、「センサ１」「センサ２」）に、サービス充足度算出部１２が算出したサービス充足度の情報が格納される。図３の例では、Ｎｏ．１のレコードにおいて、センサ１のサービス充足度が「５０」であり、センサ２のサービス充足度が「７０」である。このサービス充足度を入力値として、学習部１０２が出力した結果が、各アクチュエータデバイス３毎（図３においては、「アクチュエータ１」「アクチュエータ２」）に、アクチュエータ制御量（目標制御量）として格納される。図３の例では、Ｎｏ．１のレコードにおいて、アクチュエータ１のアクチュエータ制御量（目標制御量）が「３０」、アクチュエータ２のアクチュエータ制御量（目標制御量）が「１０」として格納される。
図３に示すように、サービス充足度－アクチュエータ制御量対応情報１５０には、センサデバイス２毎（図３においては、「センサ１」「センサ２」）に、サービス充足度算出部１２が算出したサービス充足度の情報が格納される。図３の例では、Ｎｏ．１のレコードにおいて、センサ１のサービス充足度が「５０」であり、センサ２のサービス充足度が「７０」である。このサービス充足度を入力値として、学習部１０２が出力した結果が、各アクチュエータデバイス３毎（図３においては、「アクチュエータ１」「アクチュエータ２」）に、アクチュエータ制御量（目標制御量）として格納される。図３の例では、Ｎｏ．１のレコードにおいて、アクチュエータ１のアクチュエータ制御量（目標制御量）が「３０」、アクチュエータ２のアクチュエータ制御量（目標制御量）が「１０」として格納される。
図３に示す、センサデバイス２（「センサ１」「センサ２」）およびアクチュエータデバイス３（「アクチュエータ１」「アクチュエータ２」）は、同一物理空間に配置されるデバイスである。
具体例を挙げると、例えば、「センサ１」「センサ２」はともにカメラ（撮像装置）である。そして、図３のサービス充足度の「センサ１」の欄には、サービス目的として、例えば、店舗の監視映像の視聴における映像の鮮明さに対応するサービス充足度の値が格納される。「センサ２」の欄には、サービス目的として、例えば、顧客への快適な環境の提供に対応するサービス充足度の値が格納される。このサービス充足度に対応するアクチュエータ制御量を実現するデバイスとして、「アクチュエータ１」は例えばライト（照明装置）であり、「アクチュエータ２」は例えば空調装置である。ここで、各アクチュエータデバイス３（ここでは、「アクチュエータ１」および「アクチュエータ２」）に出力されるアクチュエータ制御量（目標制御量）は、各センサデバイス２（ここでは、「センサ１」「センサ２」）に基づく各（すべての）サービス充足度を加味して調整された値として、学習部１０２の機械学習アルゴリズムに基づき算出される。
具体例を挙げると、例えば、「センサ１」「センサ２」はともにカメラ（撮像装置）である。そして、図３のサービス充足度の「センサ１」の欄には、サービス目的として、例えば、店舗の監視映像の視聴における映像の鮮明さに対応するサービス充足度の値が格納される。「センサ２」の欄には、サービス目的として、例えば、顧客への快適な環境の提供に対応するサービス充足度の値が格納される。このサービス充足度に対応するアクチュエータ制御量を実現するデバイスとして、「アクチュエータ１」は例えばライト（照明装置）であり、「アクチュエータ２」は例えば空調装置である。ここで、各アクチュエータデバイス３（ここでは、「アクチュエータ１」および「アクチュエータ２」）に出力されるアクチュエータ制御量（目標制御量）は、各センサデバイス２（ここでは、「センサ１」「センサ２」）に基づく各（すべての）サービス充足度を加味して調整された値として、学習部１０２の機械学習アルゴリズムに基づき算出される。
なお、「センサ１」「センサ２」は、異なる種類のデバイスでもよいし、上記のように同じ種類のデバイスが、同一物理空間内の異なる位置に設置されていてもよい。また、「センサ１」「センサ２」がともに、同じサービス目的のために用いられてもよい。
「アクチュエータ１」「アクチュエータ２」についても、上記のように、異なる種類のアクチュエータデバイス３であってもよいし、同種類のアクチュエータデバイス３であってもよい。同種類のアクチュエータデバイス３（例えば、照明装置）の場合には、各アクチュエータデバイス３が、例えば同一物理空間内の異なる位置に配置される。
「アクチュエータ１」「アクチュエータ２」についても、上記のように、異なる種類のアクチュエータデバイス３であってもよいし、同種類のアクチュエータデバイス３であってもよい。同種類のアクチュエータデバイス３（例えば、照明装置）の場合には、各アクチュエータデバイス３が、例えば同一物理空間内の異なる位置に配置される。
図２に戻り、学習部１０２は、サービス充足度－アクチュエータ制御量対応情報１５０のサービス充足度の情報を入力値とし、機械学習アルゴリズムを用いて、アクチュエータ制御量（目標制御量）を出力（算出）する。この際、学習部１０２は、サービス毎に保持する目標サービス充足度を満たすために必要となるアクチュエータ制御量（目標制御量）を出力する。この学習部１０２は、サービス充足度－アクチュエータ制御量対応情報１５０（図３）におけるサービス充足度の値を入力値、アクチュエータ制御量（目標制御量）の値を出力値とする学習データに基づき機械学習を行う。そして、学習部１０２は、あるサービス充足度が入力されると、目標サービス充足度を満たすアクチュエータ制御量（目標制御量）を出力する機械学習アルゴリズムとして機能する。
この学習部１０２が採用する機械学習アルゴリズムは、例えば、ニューラルネットワークやロジスティック回帰などで実現される。本実施形態に係る学習部１０２が用いる機械学習アルゴリズムはこれに限定されないが、いずれの学習モデルにおいても、任意の入力値（サービス充足度）に対する出力値（アクチュエータ制御量）を返すものとする。
なお、この学習部１０２は、サービス充足度－アクチュエータ制御量対応情報１５０（図３）に入力値としてサービス充足度、出力値としてアクチュエータ制御量（目標制御量）が、アクチュエータ制御量算出部１０の処理（後記する制御量調整部１１０による調整処理も含む）により格納されると、そのデータを学習データとして取り込むことにより、機械学習アルゴリズムを更新する。つまり、目標制御量算出部１００（学習装置）は、処理を実行する毎に、新たな学習データを得て、より適切な出力値を算出できるように学習する。
図４は、機械学習アルゴリズムとしてニューラルネットワークを用いた場合の学習部１０２の処理を説明するための図である。
図３に示した、サービス充足度－アクチュエータ制御量対応情報１５０に対応して、図４に示すように、入力層には、各センサデバイス２（「センサ１」「センサ２」）のサービス充足度が入力される。そして、中間層を介して、出力層には、目標サービス充足度を満たすような、各アクチュエータデバイス３（「アクチュエータ１」「アクチュエータ２」）のアクチュエータ制御量（目標制御量）が出力される。なお、中間層は、図４に示すような１層に限定されず、多層としてディープラーニングにより学習させるようにしてもよい。
図３に示した、サービス充足度－アクチュエータ制御量対応情報１５０に対応して、図４に示すように、入力層には、各センサデバイス２（「センサ１」「センサ２」）のサービス充足度が入力される。そして、中間層を介して、出力層には、目標サービス充足度を満たすような、各アクチュエータデバイス３（「アクチュエータ１」「アクチュエータ２」）のアクチュエータ制御量（目標制御量）が出力される。なお、中間層は、図４に示すような１層に限定されず、多層としてディープラーニングにより学習させるようにしてもよい。
図１に戻り、制御量調整部１１０について説明する。
本実施形態に係るマルチデバイス連携制御装置１が対象とする物理空間のサービスにおいては、その物理空間に配置されたセンサデバイス２だけでは網羅できない環境要因が存在することが想定される。また、サービス開始初期では、サービス充足度－アクチュエータ制御量対応情報１５０に記憶される情報（学習データ）量も十分ではない。このような要因を踏まえると、アクチュエータ制御量算出部１０が導出したアクチュエータ制御量（目標制御量）で各アクチュエータデバイス３を動作させた場合でも、サービス充足度が目標に達しないことが起こり得る。制御量調整部１１０は、アクチュエータ制御量算出部１０（目標制御量算出部１００）により導出したアクチュエータ制御量（目標制御量）に基づきアクチュエータデバイス３を動作（試行）させたときに得られる実際のサービス充足度（以下、「現在サービス充足度」と称する。）が目標サービス充足度と異なる場合に、アクチュエータ制御量の調整を行う。
本実施形態に係るマルチデバイス連携制御装置１が対象とする物理空間のサービスにおいては、その物理空間に配置されたセンサデバイス２だけでは網羅できない環境要因が存在することが想定される。また、サービス開始初期では、サービス充足度－アクチュエータ制御量対応情報１５０に記憶される情報（学習データ）量も十分ではない。このような要因を踏まえると、アクチュエータ制御量算出部１０が導出したアクチュエータ制御量（目標制御量）で各アクチュエータデバイス３を動作させた場合でも、サービス充足度が目標に達しないことが起こり得る。制御量調整部１１０は、アクチュエータ制御量算出部１０（目標制御量算出部１００）により導出したアクチュエータ制御量（目標制御量）に基づきアクチュエータデバイス３を動作（試行）させたときに得られる実際のサービス充足度（以下、「現在サービス充足度」と称する。）が目標サービス充足度と異なる場合に、アクチュエータ制御量の調整を行う。
具体的には、制御量調整部１１０は、進化戦略アルゴリズムを適用し、図５に示す流れで調整後のアクチュエータ制御量を算出する。
図５は、本実施形態に係る制御量調整部１１０が実行するアクチュエータ制御量の調整処理の流れを示すフローチャートである。
なお、ここでは、最初に目標制御量算出部１００の処理により、アクチュエータ制御量（目標制御量）が算出され、アクチュエータ制御部１３の制御命令により各アクチュエータデバイス３が制御を実行（試行）し、その制御結果を各センサデバイス２がセンサ情報として取得する。そして、サービス充足度算出部１２がその試行後の（現時点の）サービス充足度（現在サービス充足度）を算出したものとして説明する。
図５は、本実施形態に係る制御量調整部１１０が実行するアクチュエータ制御量の調整処理の流れを示すフローチャートである。
なお、ここでは、最初に目標制御量算出部１００の処理により、アクチュエータ制御量（目標制御量）が算出され、アクチュエータ制御部１３の制御命令により各アクチュエータデバイス３が制御を実行（試行）し、その制御結果を各センサデバイス２がセンサ情報として取得する。そして、サービス充足度算出部１２がその試行後の（現時点の）サービス充足度（現在サービス充足度）を算出したものとして説明する。
図５に示すように、まず、制御量調整部１１０は、目標サービス充足度（Ｒｅｆ）と現在サービス充足度（Ｃｕｒ）との乖離度（Ｇ）を求める（ステップＳ１）。この乖離度は、現在サービス充足度が目標サービス充足度に対してどのくらい乖離しているかを示す指標である。乖離度の算出は、特定の手法に限定されないが、例えば、単純に目標サービス充足度から現在サービス充足度を減算する手法や、目標サービス充足度に対する現在サービス充足度の比率を用いる手法等を採用することができる。
次に、制御量調整部１１０は、乖離度（Ｇ）の値を分散値（σ）とすることにより（ステップＳ２）、正規乱数（Ｎ）を生成する。制御量調整部１１０は、生成した正規乱数（Ｎ）を調整制御量とし、現アクチュエータ制御量ｘｉ（後記する「アクチュエータ調整基準量」）に調整制御量を加算することにより、調整後のアクチュエータ制御量ｘｉ′を求める（ステップＳ３）。
このようにすることで、乖離度が大きい程、アクチュエータ制御量に対する調整量の増減が大きくなる。よって、乖離が小さいときにはより微小な調整を行い、乖離が大きいときには、より過大な調整を行う。
なお、乖離度が大きいときは、サービス充足度－アクチュエータ制御量対応情報１５０の情報量が著しく欠損しているか、環境に変化が起きた場合である。この制御量調整部１１０の機能により、乖離度が大きいほど過大な調整を行い、これまでの傾向と異なる行動を試行するため、学習が局所解に陥ることを防ぎ、リアルタイムに環境に追従することが可能となる。
なお、乖離度が大きいときは、サービス充足度－アクチュエータ制御量対応情報１５０の情報量が著しく欠損しているか、環境に変化が起きた場合である。この制御量調整部１１０の機能により、乖離度が大きいほど過大な調整を行い、これまでの傾向と異なる行動を試行するため、学習が局所解に陥ることを防ぎ、リアルタイムに環境に追従することが可能となる。
アクチュエータ制御量算出部１０は、制御量調整部１１０が算出した調整後のアクチュエータ制御量をアクチュエータ制御部１３に出力することにより、各アクチュエータデバイス３の制御を試行する。その後、センサデバイス２からセンサ情報を取得し、再びサービス充足度算出部１２が現時点のサービス充足度（現在サービス充足度）を算出する。このとき、制御量調整部１１０は、その直前に試行したサービス充足度を超えた場合にのみ、次の調整制御量の算出時に用いる現アクチュエータ制御量（アクチュエータ調整基準量）を更新する。つまり、制御量調整部１１０は、試行を行った結果、それ以前よりもサービス充足度が上がった場合には、その調整制御量が適切であると判定し、現時点のアクチュエータ制御量を調整する基準となる「アクチュエータ調整基準量」を当該試行で用いた現アクチュエータ制御量で更新する（後記する図６のステップＳ１８→Ｙｅｓ参照）。一方、制御量調整部１１０は、試行を行った結果、それ以前よりもサービス充足度が下がった場合には、本試行で用いた調整制御量は適切でないと判定し、アクチュエータ調整基準量の更新を行わない（後記する図６のステップＳ１８→Ｎｏ参照）。
さらに、本実施形態におけるアクチュエータ制御量の算出に際し、コストという概念を設ける。コストとは、アクチュエータデバイス３の制御に関する所定の指標であり、例えば、アクチュエータデバイス３の制御に伴う負の要因として、電力消費量が該当する。電力消費量に代わる他の指標として、アクチュエータデバイス３の制御量（図３に示すアクチュエータ制御量）の総和をコストとしてもよい。
なお、コストとして電力消費量を用いる場合には、各アクチュエータデバイス３の制御量に対応した電力消費量を示す情報が予めマルチデバイス連携制御装置１の記憶部（図示省略）に格納される。これにより、制御量に応じた電力消費量がコストとして計算される。以下においては、コストとして、アクチュエータデバイス３の制御量（アクチュエータ制御量）の総和を採用するものとして説明する。
なお、コストとして電力消費量を用いる場合には、各アクチュエータデバイス３の制御量に対応した電力消費量を示す情報が予めマルチデバイス連携制御装置１の記憶部（図示省略）に格納される。これにより、制御量に応じた電力消費量がコストとして計算される。以下においては、コストとして、アクチュエータデバイス３の制御量（アクチュエータ制御量）の総和を採用するものとして説明する。
制御量調整部１１０は、試行後の実際のサービス充足度（現在サービス充足度）が目標サービス充足度を上回っていた場合に、目標サービス充足度を満足しつつ、よりコストが小さいアクチュエータ制御量（調整後のアクチュエータ制御量）を探索する。調整制御量の算出方法は、上記したサービス充足度が目標サービス充足度に到達しない場合のものと同様である。ただし、アクチュエータ調整基準量の更新については、コストが下がる試行を行ったときのみ行う（後記する図６のステップＳ１９→Ｎｏ参照）。
このようにすることにより、マルチデバイス連携制御装置１は、コストを最適にするアクチュエータ制御量を算出することができる。実際のサービスの例では、アクチュエータデバイス３が複数のライト（照明装置）であり、その効果として、例えば解像度を上げるという効果が重複する場合に、必要な数（制御量）のみで稼働し、無駄な制御（出力）を防止することが可能となる。
制御量調整部１１０は、アクチュエータ制御量を調整する試行を繰る返すことにより、各アクチュエータデバイス３のより適切な制御を実現することができる。ただし、制御量調整部１１０は、試行を無限に繰り返すことを防ぐため、制御量調整の試行回数に任意の上限値（所定値）を設定しておき、上限値に達したことにより調整を終了する。また、制御量調整部１１０は、現在サービス充足度と目標サービス充足度との乖離度が所定の閾値以内であれば、調整を終了するようにする。
（処理の流れ）
次に、マルチデバイス連携制御装置１が実行する処理の流れについて説明する。
図６は、本実施形態に係るマルチデバイス連携制御装置１が実行する処理の流れを示すフローチャートである。
ここでは、予め同一の物理空間内に、各センサデバイス２および各アクチュエータデバイス３が配置されているものとする。また、マルチデバイス連携制御装置１には、各センサデバイス２に対応付けたサービス充足度の目標値である目標サービス充足度の情報、調整を終了するための乖離度の所定の閾値および制御量調整の試行回数の上限値（所定値）が記憶部（図示省略）に格納されているものとする。
次に、マルチデバイス連携制御装置１が実行する処理の流れについて説明する。
図６は、本実施形態に係るマルチデバイス連携制御装置１が実行する処理の流れを示すフローチャートである。
ここでは、予め同一の物理空間内に、各センサデバイス２および各アクチュエータデバイス３が配置されているものとする。また、マルチデバイス連携制御装置１には、各センサデバイス２に対応付けたサービス充足度の目標値である目標サービス充足度の情報、調整を終了するための乖離度の所定の閾値および制御量調整の試行回数の上限値（所定値）が記憶部（図示省略）に格納されているものとする。
まず、マルチデバイス連携制御装置１のサービス充足度算出部１２（図１）は、各センサデバイス２から物理空間情報（センサ情報）を取得する。なお、サービス充足度算出部１２は、このセンサ情報の取得処理を所定の時間間隔で実行し、これ以降の処理を繰り返す。
続いて、サービス充足度算出部１２は、取得したセンサ情報に基づき、各センサデバイス２に対応付けたサービス目的に応じたサービス充足度（現在サービス充足度）を算出する（ステップＳ１０）。そして、サービス充足度算出部１２は、算出したサービス充足度（現在サービス充足度）をアクチュエータ制御量算出部１０（図１）に出力する。
続いて、サービス充足度算出部１２は、取得したセンサ情報に基づき、各センサデバイス２に対応付けたサービス目的に応じたサービス充足度（現在サービス充足度）を算出する（ステップＳ１０）。そして、サービス充足度算出部１２は、算出したサービス充足度（現在サービス充足度）をアクチュエータ制御量算出部１０（図１）に出力する。
アクチュエータ制御量算出部１０の目標制御量算出部１００（学習装置）では、各センサデバイス２に対応付けたサービス充足度（現在サービス充足度）の情報をサービス充足度取得部１０１（図２）が取得して、サービス充足度－アクチュエータ制御量対応情報１５０（図３）に記憶する。
続いて、目標制御量算出部１００（学習装置）の学習部１０２（図２）が、目標サービス充足度を満たすようなアクチュエータ制御量（目標制御量）を、機械学習アルゴリズムを用いて算出する（ステップＳ１１）。
そして、目標制御量算出部１００（学習装置）のアクチュエータ制御量出力部１０３（図２）が、学習部１０２により算出されたアクチュエータ制御量（目標制御量）を、サービス充足度－アクチュエータ制御量対応情報１５０（図３）に記憶するとともに、アクチュエータ制御部１３（図１）に出力する。
なお、この算出されたアクチュエータ制御量が、図５で示した現アクチュエータ制御量ｘｉ（アクチュエータ調整基準量）の初期値として記憶部（図示省略）に記憶される。
続いて、目標制御量算出部１００（学習装置）の学習部１０２（図２）が、目標サービス充足度を満たすようなアクチュエータ制御量（目標制御量）を、機械学習アルゴリズムを用いて算出する（ステップＳ１１）。
そして、目標制御量算出部１００（学習装置）のアクチュエータ制御量出力部１０３（図２）が、学習部１０２により算出されたアクチュエータ制御量（目標制御量）を、サービス充足度－アクチュエータ制御量対応情報１５０（図３）に記憶するとともに、アクチュエータ制御部１３（図１）に出力する。
なお、この算出されたアクチュエータ制御量が、図５で示した現アクチュエータ制御量ｘｉ（アクチュエータ調整基準量）の初期値として記憶部（図示省略）に記憶される。
アクチュエータ制御部１３は、アクチュエータ制御量（目標制御量）を取得すると、各アクチュエータデバイス３に応じた制御命令に変換し、その制御命令を各アクチュエータデバイス３に送信する（ステップＳ１２）。これにより、各アクチュエータデバイス３の制御を実行する。
次のステップＳ１３～Ｓ２２までの処理が、主に制御量調整部１１０が実行するアクチュエータ制御量の調整処理である。
まず、マルチデバイス連携制御装置１のサービス充足度算出部１２（図１）は、アクチュエータデバイス３が制御命令に従い制御を実行した結果となる物理空間情報（センサ情報）を、各センサデバイス２から取得する。サービス充足度算出部１２は、各センサデバイス２に対応付けたサービス目的に応じたサービス充足度（現在サービス充足度）を算出する（ステップＳ１３）。そして、サービス充足度算出部１２は、算出したサービス充足度（現在サービス充足度）をアクチュエータ制御量算出部１０に出力する。
アクチュエータ制御量算出部１０の制御量調整部１１０（図１）は、各センサデバイス２に対応付けたサービス充足度（現在サービス充足度）の情報を、サービス充足度－アクチュエータ制御量対応情報１５０（図３）に、新たなレコードを生成して記憶する（ステップＳ１４）。なお、図６において、サービス充足度－アクチュエータ制御量対応情報１５０を「対応情報」と記載する。
続いて、制御量調整部１１０は、目標サービス充足度と、ステップＳ１３において算出した現在サービス充足度とを用いて乖離度を算出する（ステップＳ１５）。
制御量調整部１１０は、この乖離度を、目標サービス充足度から現在サービス充足度を減算する手法により求めたり、目標サービス充足度に対する現在サービス充足度の比率を用いる手法により求めたりすることができる。
制御量調整部１１０は、この乖離度を、目標サービス充足度から現在サービス充足度を減算する手法により求めたり、目標サービス充足度に対する現在サービス充足度の比率を用いる手法により求めたりすることができる。
次に、制御量調整部１１０は、調整処理を終了する条件に合致するか否かを判定する。具体的には、算出した乖離度が所定の閾値以内である、制御量調整の試行回数が上限値（所定値）以上である、のいずれかに該当するか否かを判定する（ステップＳ１６）。なお、制御量調整部１１０は、ステップＳ１５において乖離度を算出する度に、試行回数を「＋１」（初期値「０」）とするようにカウントしておく。
この処理は、アクチュエータ制御量の調整処理を無限に繰り返さないようにするためのものである。
制御量調整部１１０は、乖離度が所定の閾値以内であれば（ステップＳ１６→Ｙｅｓ）、目標サービス充足度を満たすアクチュエータデバイス３の制御が実現できたものとして処理を終了する。また、制御量調整部１１０は、予め設定された制御量調整の試行回数の上限値に達した場合には（ステップＳ１６→Ｙｅｓ）、処理を終了する。
一方、制御量調整部１１０は、乖離度が所定の閾値以内である、試行回数が上限値以上である、のどちらにも該当しない場合には（ステップＳ１６→Ｎｏ）、次のステップＳ１７へ進む。
この処理は、アクチュエータ制御量の調整処理を無限に繰り返さないようにするためのものである。
制御量調整部１１０は、乖離度が所定の閾値以内であれば（ステップＳ１６→Ｙｅｓ）、目標サービス充足度を満たすアクチュエータデバイス３の制御が実現できたものとして処理を終了する。また、制御量調整部１１０は、予め設定された制御量調整の試行回数の上限値に達した場合には（ステップＳ１６→Ｙｅｓ）、処理を終了する。
一方、制御量調整部１１０は、乖離度が所定の閾値以内である、試行回数が上限値以上である、のどちらにも該当しない場合には（ステップＳ１６→Ｎｏ）、次のステップＳ１７へ進む。
ステップＳ１７において、制御量調整部１１０は、本試行での現在サービス充足度が、目標サービス充足度を超えているか否かを判定する。ここで、現在サービス充足度が目標サービス充足度を超えている場合には（ステップＳ１７→Ｙｅｓ）、ステップＳ１９に進む。一方、現在サービス充足度が目標サービス充足度を超えていない場合には（ステップＳ１７→Ｎｏ）、ステップＳ１８に進む。
ステップＳ１８において、制御量調整部１１０は、本試行での現在サービス充足度と、その一つ前の試行におけるサービス充足度（前試行時のサービス充足度）とを比較する。そして、本試行での現在サービス充足度が前試行時のサービス充足度より大きければ（ステップＳ１８→Ｙｅｓ）、ステップＳ２０へ進む。一方、本試行での現在サービス充足度が前試行時のサービス充足度より大きくなければ（ステップＳ１８→Ｎｏ）、ステップＳ２１へ進む。
一方、ステップＳ１９において、制御量調整部１１０は、現試行コスト（例えば、図３に示す現在の（最新の）アクチュエータ制御量の総和）を算出し、その一つ前の試行におけるコスト（前試行時のコスト）と比較する。そして、現試行コストが前試行時のコストより大きければ（ステップＳ１９→Ｙｅｓ）、ステップＳ２１へ進む。一方、現試行コストが前試行時のコストより大きくなければ（ステップＳ１９→Ｎｏ）、ステップＳ２０へ進む。
ステップＳ２０において、制御量調整部１１０は、アクチュエータ調整基準量を現在の（最新の）アクチュエータ制御量で更新する。これにより、図５で示した現アクチュエータ制御量ｘｉ（アクチュエータ調整基準量）がより適正なアクチュエータ制御量に更新される。よって、目標サービス充足度を満たし、かつ、コストが低減されるアクチュエータ制御量に調整することが可能となる。制御量調整部１１０は、ステップＳ２０のアクチュエータ調整基準量の更新の後、ステップＳ２１へ進む。
ステップＳ２１において、制御量調整部１１０は、図５において示した進化戦略アルゴリズムを用いて調整制御量を算出することにより、調整後のアクチュエータ制御量を求める。そして、制御量調整部１１０は、算出した調整後のアクチュエータ制御量を、サービス充足度－アクチュエータ制御量対応情報１５０（図３）に記憶するとともに、アクチュエータ制御部１３に出力する。
アクチュエータ制御部１３は、調整後のアクチュエータ制御量を取得すると、各アクチュエータデバイス３に応じた制御命令に変換し、その制御命令を各アクチュエータデバイス３に送信する（ステップＳ２２）。これにより、各アクチュエータデバイス３の制御が実行される。そして、ステップＳ１３の処理に戻る。
以上説明したように、本実施形態に係るマルチデバイス連携制御装置１、マルチデバイス連携制御方法およびマルチデバイス連携制御プログラムによれば、各センサデバイス２からセンサ情報を取得してサービス充足度を算出し、そのサービス充足度を入力値として学習装置により、アクチュエータ制御量（制御目標量）を算出することができる。また、算出されたアクチュエータ制御量（制御目標量）で各アクチュエータデバイス３を制御（試行）した後、試行後のサービス充足度を算出し、目標サービス充足度との乖離度を算出することにより、アクチュエータ制御量を適切に調整することができる。よって、サービス目的とリアルタイムな状況に応じて、物理空間に設置される多種多様なデバイスを自動かつ適切に制御することができる。
１ マルチデバイス連携制御装置
２ センサデバイス
３ アクチュエータデバイス
１０ アクチュエータ制御量算出部
１２ サービス充足度算出部
１３ アクチュエータ制御部
１００ 目標制御量算出部（学習装置）
１０１ サービス充足度取得部
１０２ 学習部
１０３ アクチュエータ制御量出力部
１１０ 制御量調整部
１５０ サービス充足度－アクチュエータ制御量対応情報
１０００ マルチデバイス連携制御システム
２ センサデバイス
３ アクチュエータデバイス
１０ アクチュエータ制御量算出部
１２ サービス充足度算出部
１３ アクチュエータ制御部
１００ 目標制御量算出部（学習装置）
１０１ サービス充足度取得部
１０２ 学習部
１０３ アクチュエータ制御量出力部
１１０ 制御量調整部
１５０ サービス充足度－アクチュエータ制御量対応情報
１０００ マルチデバイス連携制御システム
Claims (4)
- 同一の物理空間上に配置された複数のアクチュエータデバイスを制御するマルチデバイス連携制御装置であって、
前記同一の物理空間上に配置された１つ以上のセンサデバイスから当該物理空間に関する所定の情報をセンサ情報として取得し、取得した前記センサ情報で示される値を、前記アクチュエータデバイスの制御により実現される所定のサービスについての目的の達成度合を示す指標であるサービス充足度に変換するサービス充足度算出部と、
前記サービス充足度を入力すると、前記所定のサービス毎の目標とするサービス充足度を示す目標サービス充足度を満たすような前記アクチュエータデバイス毎のアクチュエータ制御量を出力するように機械学習を行った学習装置に、前記変換して得られたサービス充足度を入力値として、前記学習装置の演算処理を実行することで、前記アクチュエータデバイス毎の前記アクチュエータ制御量を出力値として取得する目標制御量算出部と、
前記出力値として得られたアクチュエータ制御量を、前記アクチュエータデバイスそれぞれに応じた制御命令に変換し、当該アクチュエータデバイスそれぞれに送信することにより制御命令を実行させるアクチュエータ制御部と、
前記アクチュエータデバイス毎のアクチュエータ制御量を調整する制御量調整部と、を備え、
前記サービス充足度算出部は、前記アクチュエータデバイスが前記制御命令を実行した後、さらに前記１つ以上のセンサデバイスから前記センサ情報を取得し、当該センサ情報で示される値を、試行後のサービス充足度として算出し、
前記制御量調整部は、試行後のサービス充足度が前記目標サービス充足度より小さい場合に、現時点で得られた試行後のサービス充足度と前記目標サービス充足度との乖離の度合を示す指標である乖離度を用いた進化戦略アルゴリズムを適用し、前記乖離度の値を分散値とすることにより正規乱数を生成し、生成した正規乱数を調整制御量として算出し、算出した調整制御量と、現時点のアクチュエータ制御量を調整する基準となるアクチュエータ調整基準量とを用いて調整後のアクチュエータ制御量を算出するとともに、前記試行後のサービス充足度が試行直前のサービス充足度より大きい場合に、前記アクチュエータ調整基準量を前記現時点のアクチュエータ制御量により更新し、
前記アクチュエータ制御部は、当該調整後のアクチュエータ制御量を、前記アクチュエータデバイスそれぞれに応じた制御命令に変換し、当該アクチュエータデバイスそれぞれに送信することにより制御命令を実行させること
を特徴とするマルチデバイス連携制御装置。 - 前記制御量調整部は、試行後のサービス充足度が前記目標サービス充足度より大きい場合に、試行後の複数の前記アクチュエータデバイスの制御に関する所定の指標としてのコストを算出し、現時点で得られた試行後のサービス充足度と前記目標サービス充足度との乖離の度合を示す指標である乖離度を用いた進化戦略アルゴリズムを適用して調整制御量を算出し、算出した調整制御量と、現時点のアクチュエータ制御量を調整する基準となるアクチュエータ調整基準量とを用いて調整後のアクチュエータ制御量を算出するとともに、前記試行後のコストが試行直前のコストより小さい場合に、前記アクチュエータ調整基準量を前記現時点のアクチュエータ制御量により更新し、
前記アクチュエータ制御部は、当該調整後のアクチュエータ制御量を、前記アクチュエータデバイスそれぞれに応じた制御命令に変換し、当該アクチュエータデバイスそれぞれに送信することにより制御命令を実行させること
を特徴する請求項１に記載のマルチデバイス連携制御装置。 - 同一の物理空間上に配置された複数のアクチュエータデバイスを制御するマルチデバイス連携制御装置のマルチデバイス連携制御方法であって、
前記マルチデバイス連携制御装置は、
前記同一の物理空間上に配置された１つ以上のセンサデバイスから当該物理空間に関する所定の情報をセンサ情報として取得し、取得した前記センサ情報で示される値を、前記アクチュエータデバイスの制御により実現される所定のサービスについての目的の達成度合を示す指標であるサービス充足度に変換するステップと、
前記サービス充足度を入力すると、前記所定のサービス毎の目標とするサービス充足度を示す目標サービス充足度を満たすような前記アクチュエータデバイス毎のアクチュエータ制御量を出力するように機械学習を行った学習装置に、前記変換して得られたサービス充足度を入力値として、前記学習装置の演算処理を実行することで、前記アクチュエータデバイス毎の前記アクチュエータ制御量を出力値として取得するステップと、
前記出力値として得られたアクチュエータ制御量を、前記アクチュエータデバイスそれぞれに応じた制御命令に変換し、当該アクチュエータデバイスそれぞれに送信することにより制御命令を実行させるステップと、
前記アクチュエータデバイス毎のアクチュエータ制御量を調整するステップと、実行し、さらに、
前記アクチュエータデバイスが前記制御命令を実行した後、さらに前記１つ以上のセンサデバイスから前記センサ情報を取得し、当該センサ情報で示される値を、試行後のサービス充足度として算出するステップと、
試行後のサービス充足度が前記目標サービス充足度より小さい場合に、現時点で得られた試行後のサービス充足度と前記目標サービス充足度との乖離の度合を示す指標である乖離度を用いた進化戦略アルゴリズムを適用し、前記乖離度の値を分散値とすることにより正規乱数を生成し、生成した正規乱数を調整制御量として算出し、算出した調整制御量と、現時点のアクチュエータ制御量を調整する基準となるアクチュエータ調整基準量とを用いて調整後のアクチュエータ制御量を算出するとともに、前記試行後のサービス充足度が試行直前のサービス充足度より大きい場合に、前記アクチュエータ調整基準量を前記現時点のアクチュエータ制御量により更新するステップと、
当該調整後のアクチュエータ制御量を、前記アクチュエータデバイスそれぞれに応じた制御命令に変換し、当該アクチュエータデバイスそれぞれに送信することにより制御命令を実行させるステップと、
を実行することを特徴とするマルチデバイス連携制御方法。 - コンピュータを、請求項１または請求項２に記載のマルチデバイス連携制御装置として機能させるためのマルチデバイス連携制御プログラム。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018232152 | 2018-12-12 | ||
| JP2018232152 | 2018-12-12 | ||
| PCT/JP2019/019959 WO2020121551A1 (ja) | 2018-12-12 | 2019-05-20 | マルチデバイス連携制御装置、マルチデバイス連携制御方法およびマルチデバイス連携制御プログラム、並びに、学習装置、学習方法および学習プログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPWO2020121551A1 JPWO2020121551A1 (ja) | 2021-09-02 |
| JP7088313B2 true JP7088313B2 (ja) | 2022-06-21 |
Family
ID=71076378
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020559691A Active JP7088313B2 (ja) | 2018-12-12 | 2019-05-20 | マルチデバイス連携制御装置、マルチデバイス連携制御方法およびマルチデバイス連携制御プログラム |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US11874634B2 (ja) |
| JP (1) | JP7088313B2 (ja) |
| CN (1) | CN113168137A (ja) |
| WO (1) | WO2020121551A1 (ja) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000250603A (ja) | 1999-03-02 | 2000-09-14 | Yamaha Motor Co Ltd | 総合特性最適化方法 |
| JP2013543569A (ja) | 2010-08-20 | 2013-12-05 | ヴィジレント コーポレイション | Ｈｖａｃシステムに対するエネルギー最適制御決定 |
| WO2016203757A1 (ja) | 2015-06-18 | 2016-12-22 | 日本電気株式会社 | 制御装置、それを使用する情報処理装置、制御方法、並びにコンピュータ・プログラムが格納されているコンピュータ読み取り可能な記憶媒体 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0515598A (ja) * | 1991-07-16 | 1993-01-26 | Mitsubishi Electric Corp | パーソナル快適性制御システム |
| JP2000330610A (ja) * | 1999-05-19 | 2000-11-30 | Matsushita Electric Ind Co Ltd | 学習制御装置および学習制御方法 |
| US6549815B1 (en) | 1999-03-02 | 2003-04-15 | Yamaha Hatsudoki Kabushiki Kaisha | Method and apparatus for optimizing overall characteristics of device, using heuristic method |
| US7620613B1 (en) * | 2006-07-28 | 2009-11-17 | Hewlett-Packard Development Company, L.P. | Thermal management of data centers |
| CN100501608C (zh) * | 2007-06-28 | 2009-06-17 | 北京工业大学 | 后验控制与多传感器融合方法及中央空调节能控制装置 |
| CN101458534A (zh) * | 2007-12-14 | 2009-06-17 | 北京北方微电子基地设备工艺研究中心有限责任公司 | 一种控制半导体设备反应室温度的装置和方法 |
| CN105717960B (zh) | 2014-12-04 | 2018-01-19 | 台达电子工业股份有限公司 | 环境舒适度控制***及其控制方法 |
| US20180284745A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for self-organization of collected data using 3rd party data from a data marketplace in an industrial internet of things environment |
| JP6744208B2 (ja) * | 2016-12-27 | 2020-08-19 | 株式会社日立製作所 | 制御装置及び制御方法 |
| CN110291539A (zh) * | 2017-02-24 | 2019-09-27 | 欧姆龙株式会社 | 用于生成学习数据的处理方法、***、程序和存储介质、以及生成学习数据的方法和*** |
| US11460992B2 (en) * | 2017-06-15 | 2022-10-04 | Lutron Technology Company Llc | Communicating with and controlling load control systems |
| US11428432B2 (en) * | 2018-11-20 | 2022-08-30 | Distech Controls Inc. | Computing device and method for inferring an airflow of a VAV appliance operating in an area of a building |
| EP3877117A1 (en) * | 2018-12-13 | 2021-09-15 | Siemens Aktiengesellschaft | Automated system including reachability analysis |
| EP3920000A4 (en) * | 2019-01-30 | 2022-01-26 | NEC Corporation | CONTROL DEVICE, ORDER METHOD AND RECORDING MEDIA |
-
2019
- 2019-05-20 US US17/312,450 patent/US11874634B2/en active Active
- 2019-05-20 WO PCT/JP2019/019959 patent/WO2020121551A1/ja active Application Filing
- 2019-05-20 JP JP2020559691A patent/JP7088313B2/ja active Active
- 2019-05-20 CN CN201980081529.1A patent/CN113168137A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000250603A (ja) | 1999-03-02 | 2000-09-14 | Yamaha Motor Co Ltd | 総合特性最適化方法 |
| JP2013543569A (ja) | 2010-08-20 | 2013-12-05 | ヴィジレント コーポレイション | Ｈｖａｃシステムに対するエネルギー最適制御決定 |
| WO2016203757A1 (ja) | 2015-06-18 | 2016-12-22 | 日本電気株式会社 | 制御装置、それを使用する情報処理装置、制御方法、並びにコンピュータ・プログラムが格納されているコンピュータ読み取り可能な記憶媒体 |
Also Published As
| Publication number | Publication date |
|---|---|
| JPWO2020121551A1 (ja) | 2021-09-02 |
| CN113168137A (zh) | 2021-07-23 |
| US11874634B2 (en) | 2024-01-16 |
| WO2020121551A1 (ja) | 2020-06-18 |
| US20220050426A1 (en) | 2022-02-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210288832A1 (en) | Automatically learning and controlling connected devices | |
| CN108919669B (zh) | 一种智能家居动态决策方法、装置和服务终端 | |
| US10360304B1 (en) | Natural language processing interface-enabled building conditions control system | |
| JP7367233B2 (ja) | 軌道中心モデルに基づく強化学習のロバスト最適化を行うためのシステムおよび方法 | |
| JP6648352B2 (ja) | 汎用学習済モデルの生成方法 | |
| CN109698857A (zh) | 用于自适应工业物联网(iiot)的***和方法 | |
| CN106647645A (zh) | 一种家居控制调节的方法及*** | |
| CN108459565A (zh) | 一种扁平化智能楼宇控制*** | |
| JP7003480B2 (ja) | 自動学習ユニバーサルゲートウェイ | |
| US10876751B2 (en) | Intelligent finite-state machine remote control system for air-conditioning equipment | |
| Yu et al. | An intelligent building that listens to your needs | |
| JP7088313B2 (ja) | マルチデバイス連携制御装置、マルチデバイス連携制御方法およびマルチデバイス連携制御プログラム | |
| WO2020168444A1 (zh) | 睡眠预测方法、装置、存储介质及电子设备 | |
| Tegelund et al. | A task-oriented service personalization scheme for smart environments using reinforcement learning | |
| US20220196275A1 (en) | Air conditioner, air conditioning system and control method thereof | |
| CN113282356B (zh) | 一种实时执行本地分布式分析的方法、***及存储介质 | |
| KR100866207B1 (ko) | 홈 네트워크 서비스 제어를 위한 멀티 에이전트 프레임 웍제공 시스템 및 방법 | |
| EP3851922A1 (en) | A method for providing an evaluation and control model for controlling target building automation devices of a target building automation system | |
| Ferrández-Pastor et al. | Reinforcement Learning Model in Automated Greenhouse Control | |
| KR102613336B1 (ko) | 스마트 하우징 플랫폼 및 스마트 홈 서비스 방법 | |
| Olier et al. | Grounded representations through deep variational inference and dynamic programming | |
| Truong et al. | Proactive remote healthcare based on multimedia and home automation services | |
| Yang et al. | An iterative optimization approach to design of control Lyapunov function | |
| Suryaprakash et al. | IOT based home automation system through adaptive decision making fuzzy algorithm | |
| US20240129679A1 (en) | Fitting agent with user model initialization for a hearing device |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210115 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220208 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220406 |
|
| 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: 20220510 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220523 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7088313 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |