JPH049632A - ニューロセンサ - Google Patents
ニューロセンサInfo
- Publication number
- JPH049632A JPH049632A JP10889390A JP10889390A JPH049632A JP H049632 A JPH049632 A JP H049632A JP 10889390 A JP10889390 A JP 10889390A JP 10889390 A JP10889390 A JP 10889390A JP H049632 A JPH049632 A JP H049632A
- Authority
- JP
- Japan
- Prior art keywords
- pressure distribution
- pressure
- output
- layer
- neuronetwork
- 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.)
- Pending
Links
- 238000009826 distribution Methods 0.000 claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 7
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 230000009471 action Effects 0.000 abstract description 2
- 239000000126 substance Substances 0.000 abstract 1
- 210000002569 neuron Anatomy 0.000 description 38
- 238000013528 artificial neural network Methods 0.000 description 29
- 230000005484 gravity Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 235000019589 hardness Nutrition 0.000 description 15
- 230000006870 function Effects 0.000 description 13
- 230000035807 sensation Effects 0.000 description 7
- 235000019615 sensations Nutrition 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000000034 method Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Landscapes
- Force Measurement Appropriate To Specific Purposes (AREA)
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【発明の詳細な説明】
〔概 要〕
ロボットハンドの皮膚等として取り付けられ、把持物体
との接触により生ずる圧覚及びすべり覚等の接触覚を検
出する圧力センサに関し、圧力センサの出力に基づいて
、作用力の合計値、圧力分布の重心位置、すべり量等の
みならず、必要に応じて接触物体の形状・硬さ等を検出
可能な、高度な知能を有する圧力センサを提供し、それ
によりホストコンピュータ等の制御部の負荷低減を可能
にすることを目的とし、 カー電気信号変換素子をマトリックス状に配置した圧力
分布センシング手段と、該各カー電気信号変換素子を順
次掃引し、該各素子に対応する圧力値データを検出する
圧力値データ検出手段と、該圧力値データ検出手段から
の各圧力値データの組を入力パターンとし、圧力分布セ
ンシング手段へ接触する被接触物の状態をニューロネッ
トワークにより認識する認識手段と、を一体として有す
るように構成する。
との接触により生ずる圧覚及びすべり覚等の接触覚を検
出する圧力センサに関し、圧力センサの出力に基づいて
、作用力の合計値、圧力分布の重心位置、すべり量等の
みならず、必要に応じて接触物体の形状・硬さ等を検出
可能な、高度な知能を有する圧力センサを提供し、それ
によりホストコンピュータ等の制御部の負荷低減を可能
にすることを目的とし、 カー電気信号変換素子をマトリックス状に配置した圧力
分布センシング手段と、該各カー電気信号変換素子を順
次掃引し、該各素子に対応する圧力値データを検出する
圧力値データ検出手段と、該圧力値データ検出手段から
の各圧力値データの組を入力パターンとし、圧力分布セ
ンシング手段へ接触する被接触物の状態をニューロネッ
トワークにより認識する認識手段と、を一体として有す
るように構成する。
本発明は、ロボットハンドの皮膚等として取り付けられ
、把持物体との接触により生ずる圧覚及びすべり覚等の
接触覚を検出する圧力センサに関する。
、把持物体との接触により生ずる圧覚及びすべり覚等の
接触覚を検出する圧力センサに関する。
[従来の技術]
製造業、原子力産業等の分野で人間の手作業に代わって
複雑又は危険な作業等を行うロボットハンドにおいては
、物体を正確に、かつ傷つけないように把持する機構が
求められる。
複雑又は危険な作業等を行うロボットハンドにおいては
、物体を正確に、かつ傷つけないように把持する機構が
求められる。
このような機構においては、物体の把持状態を把持圧力
として検出する圧力センサが用いられる。
として検出する圧力センサが用いられる。
第10図は、代表的な圧力センサを示すもので、基板7
01上に、カー電気信号変換器702がマトリックス状
に配置され、上部に皮膚ゴム703が設けられた構成を
有する。
01上に、カー電気信号変換器702がマトリックス状
に配置され、上部に皮膚ゴム703が設けられた構成を
有する。
このような圧力センサが、ロボットハンドの先端部に設
けられ、制御回路がこの圧力センサの出力に基づいて、
物体の把持制御を行う。この場合、ロボットハンドが把
持した物体をすべり落とさないようにしたり、把持した
物体を静かに机の上等に置く動作を実現するためには、
圧力センサの各々のカー電気信号変換器702の出力に
基づく圧力の分布パターンを検出しただけでは不十分で
あり、圧力の分布パターン及びその時間的変化に基づく
制御が必要となる。
けられ、制御回路がこの圧力センサの出力に基づいて、
物体の把持制御を行う。この場合、ロボットハンドが把
持した物体をすべり落とさないようにしたり、把持した
物体を静かに机の上等に置く動作を実現するためには、
圧力センサの各々のカー電気信号変換器702の出力に
基づく圧力の分布パターンを検出しただけでは不十分で
あり、圧力の分布パターン及びその時間的変化に基づく
制御が必要となる。
上述の動作を実現するために、従来は、圧力の分布パタ
ーン及びその時間的変化を所定のアルゴリズムに沿って
計算・加工し、ロボットハンドを制御することが行われ
ている。
ーン及びその時間的変化を所定のアルゴリズムに沿って
計算・加工し、ロボットハンドを制御することが行われ
ている。
従来例のロボットハンドの把持力の制御においては、「
作用力の合計値」、「圧力分布の重心位置」及び「すベ
リ覚」という物理量が用いられる。
作用力の合計値」、「圧力分布の重心位置」及び「すベ
リ覚」という物理量が用いられる。
始めに、作用力の合計値の求め方につき説明する。圧力
センサのカー電気信号変換器702(第10図参照)が
、mXn個のマトリックス状に並んでいるとし、i行j
列目の素子に加わっている力をpijとすると、作用力
Fは、 で計算できる。
センサのカー電気信号変換器702(第10図参照)が
、mXn個のマトリックス状に並んでいるとし、i行j
列目の素子に加わっている力をpijとすると、作用力
Fは、 で計算できる。
次に、圧力分布の重心位置は、以下の如く求められる。
すなわち、カー電気信号変換器702間のピッチをΔl
とすると、重心位置(XG、YG)は、次式で計算でき
る。
とすると、重心位置(XG、YG)は、次式で計算でき
る。
・ ・ ・(2)
最後に、すべり覚は、前述の(2)式により計算される
圧力分布の重心位置を時刻t−△tatで計算と7で、
次式のようにしてすべり量S(重心の移動量)として求
めることができる。
圧力分布の重心位置を時刻t−△tatで計算と7で、
次式のようにしてすべり量S(重心の移動量)として求
めることができる。
上述の(1)〜(3)式を用いて、ロボットハンドに例
えば積木の積み上げ、積み鋒ろし作業を行わせるための
従来例におけるアルゴリズムを第11図に示す。
えば積木の積み上げ、積み鋒ろし作業を行わせるための
従来例におけるアルゴリズムを第11図に示す。
まず、ユーザは、積木を持ち上げるモードか降ろすモー
ドかを設定する(s+)。
ドかを設定する(s+)。
積木を持ち上げるモードの場合(S2の判定がYESの
場合)、ロボットハンドによって積木を軽くつかみ、積
木を少しずつ持ち上げながら(SZ)、前述の(2)式
及び(3)式を絶えず計算し、(3)式で評価されるす
べり量Sに基づいてすべりが発生しているか否かを判別
し、すべりが発生している間は、ロボットハンドが積木
をつかむ把持力が増加するように制御を行う(S、−5
4−5,−53の繰り返し)。
場合)、ロボットハンドによって積木を軽くつかみ、積
木を少しずつ持ち上げながら(SZ)、前述の(2)式
及び(3)式を絶えず計算し、(3)式で評価されるす
べり量Sに基づいてすべりが発生しているか否かを判別
し、すべりが発生している間は、ロボットハンドが積木
をつかむ把持力が増加するように制御を行う(S、−5
4−5,−53の繰り返し)。
そして、すべりが発生しなくなったら、積木を目的の位
置まで持ち上げる( S 4−5 b )。
置まで持ち上げる( S 4−5 b )。
一方、積木を降ろすモードの場合(SZの判定がNoの
場合)、積木をそれを置く台の近傍まで下げながらcs
、> 、(3)式で評価されるすべり量Sに基づいてす
べりが発生したか否かを判別し、すべりが発生しなけれ
ば、更に積木を下げる動作を繰り返す(SフーS@−3
,の繰り返し)。そして、積木が台に接触してすべりが
発生したら、ロボットハンドが積木をつかむ把持力をO
にして積木を台に置< (Sl−59) 。
場合)、積木をそれを置く台の近傍まで下げながらcs
、> 、(3)式で評価されるすべり量Sに基づいてす
べりが発生したか否かを判別し、すべりが発生しなけれ
ば、更に積木を下げる動作を繰り返す(SフーS@−3
,の繰り返し)。そして、積木が台に接触してすべりが
発生したら、ロボットハンドが積木をつかむ把持力をO
にして積木を台に置< (Sl−59) 。
以上の制御動作の結果、スムーズな積木の積み上げ、積
み降ろし作業が可能となる。
み降ろし作業が可能となる。
〔発明が解決しようとする課題]
上述の従来例のアルゴリズムにおいて、前述の(1)弐
〜(3)式は、通常、ロボットハンドを制御するホスト
コンピュータ等の制御部で計算することになるが、制御
部は、第11図に示したアルゴリズムを実現するプログ
ラム全体の実行を行う仕事も受は持っているので、上述
の式の演算を実行するには負担が大きい。前述の従来例
は、非常に簡単な制御例であったが、知能ロボットは通
常このようなレベルのタスク(積木上げ、積木降ろし等
の各仕事)を数十通りこなすことが要求されるため、制
御部は、前述の(1)弐〜(3)式の演算を実行する時
間的余裕を有し得ないことが多いという問題点を有して
いる。
〜(3)式は、通常、ロボットハンドを制御するホスト
コンピュータ等の制御部で計算することになるが、制御
部は、第11図に示したアルゴリズムを実現するプログ
ラム全体の実行を行う仕事も受は持っているので、上述
の式の演算を実行するには負担が大きい。前述の従来例
は、非常に簡単な制御例であったが、知能ロボットは通
常このようなレベルのタスク(積木上げ、積木降ろし等
の各仕事)を数十通りこなすことが要求されるため、制
御部は、前述の(1)弐〜(3)式の演算を実行する時
間的余裕を有し得ないことが多いという問題点を有して
いる。
また、従来例では、例えば物体の形状等を検出するため
には、圧力センサの出力に基づく複雑なアルゴリズムが
必要となってしまい、各種制御動作における自由度が小
さいという問題点を有している。
には、圧力センサの出力に基づく複雑なアルゴリズムが
必要となってしまい、各種制御動作における自由度が小
さいという問題点を有している。
本発明は、圧力センサの出力に基づいて、作用力の合計
値、圧力分布の重心位置及びすべり量等の演算のみなら
ず、必要に応じて接触物体の形状・硬さ等を検出可能な
、高度な知能を有する圧力センサを提供し、それにより
ホストコンピュータ等の制御部の負荷低減を可能にする
ことを目的とする。
値、圧力分布の重心位置及びすべり量等の演算のみなら
ず、必要に応じて接触物体の形状・硬さ等を検出可能な
、高度な知能を有する圧力センサを提供し、それにより
ホストコンピュータ等の制御部の負荷低減を可能にする
ことを目的とする。
第1図は、本発明のブロック図である。
まず、カー電気信号変換素子101をマトリックス状に
配置した圧力分布センシング手段102を有する。
配置した圧力分布センシング手段102を有する。
次に、各カー電気信号変換素子101を順次掃引し、該
各素子に対応する圧力値データ104を検出する圧力値
データ検出手段103を有する。
各素子に対応する圧力値データ104を検出する圧力値
データ検出手段103を有する。
同手段は、例えば各カー電気信号変換素子101を選択
するアドレス信号を発生するスキャナと、そのアドレス
信号をデコードして対応するカー電気信号変換素子10
1の出力を選択するデコーダと、各カー電気信号変換素
子101の出力に対して、温度補償等を行って圧力値デ
ータ104を検出する演算回路等で実現される。
するアドレス信号を発生するスキャナと、そのアドレス
信号をデコードして対応するカー電気信号変換素子10
1の出力を選択するデコーダと、各カー電気信号変換素
子101の出力に対して、温度補償等を行って圧力値デ
ータ104を検出する演算回路等で実現される。
そして、圧力値データ検出手段103からの各圧力値デ
ータ104の組を入力パターン105とし、圧力分布セ
ンシング手段102へ接触する被接触物107の状態、
例えば形状、すべり量とすべり方向、硬さ、作用力の合
計値、圧力分布の重心位置等を、ニューロネットワーク
により認識する認識手段106を有する。このニューロ
ネットワークは、例えばバックプロパゲーションの学習
機能を有するニューロネットワーク又はタイムデイレイ
型のバックプロパゲーションの学習機能を有するニュー
ロネットワーク等であり、予め被接触物107の形状、
すべり量とすべり方向、硬さ、作用力の合計値、圧力分
布の重心位置等の基本的パターンにより学習されている
。なお、認識手段106は、複数のニューロネットワー
クを切り替えて使用するようにも構成できる。
ータ104の組を入力パターン105とし、圧力分布セ
ンシング手段102へ接触する被接触物107の状態、
例えば形状、すべり量とすべり方向、硬さ、作用力の合
計値、圧力分布の重心位置等を、ニューロネットワーク
により認識する認識手段106を有する。このニューロ
ネットワークは、例えばバックプロパゲーションの学習
機能を有するニューロネットワーク又はタイムデイレイ
型のバックプロパゲーションの学習機能を有するニュー
ロネットワーク等であり、予め被接触物107の形状、
すべり量とすべり方向、硬さ、作用力の合計値、圧力分
布の重心位置等の基本的パターンにより学習されている
。なお、認識手段106は、複数のニューロネットワー
クを切り替えて使用するようにも構成できる。
そして、上述の圧力分布センシング手段102、圧力値
データ検出手段103及び認識手段106は、一体とし
て構成される。
データ検出手段103及び認識手段106は、一体とし
て構成される。
本発明では、圧力センサシステムの処理系の内部に、ニ
ューロネットワークによる認識手段106を内蔵させて
いるため、圧力センサに基本的な、形状、すべり量とす
べり方向、硬さ、作用力の合計値、圧力分布の重心位置
等の、各種パターンを学習させることができる。これに
より、ロボットにさせる作業内容の変更にともない認識
すべき項目が変更になった場合、プログラムを変更する
ことなく学習によりシステムの内部構造を柔軟に変更す
ることができる。
ューロネットワークによる認識手段106を内蔵させて
いるため、圧力センサに基本的な、形状、すべり量とす
べり方向、硬さ、作用力の合計値、圧力分布の重心位置
等の、各種パターンを学習させることができる。これに
より、ロボットにさせる作業内容の変更にともない認識
すべき項目が変更になった場合、プログラムを変更する
ことなく学習によりシステムの内部構造を柔軟に変更す
ることができる。
また、ニューロネットワークの学習が十分に行われた段
階では、外部のホストコンピュータ等の判断を仰ぐこと
なく、圧力分布センシング手段102に接触する被接触
物107の状態を高速に評価できるため、ロボットの制
御を行うホストコンピユータ等の負荷を著しく軽減させ
ることができる。この結果、ホストコンピュータ等の処
理に余裕が生まれるので、ロボットのシステムに視覚セ
ンサ等の新しいセンサを装着しセンサの数を増やすこと
も可能であり、また、ロボットに作業のプランニングや
接触物体の固定・認識等の高度な知的作業を行わせるこ
とも可能となる。
階では、外部のホストコンピュータ等の判断を仰ぐこと
なく、圧力分布センシング手段102に接触する被接触
物107の状態を高速に評価できるため、ロボットの制
御を行うホストコンピユータ等の負荷を著しく軽減させ
ることができる。この結果、ホストコンピュータ等の処
理に余裕が生まれるので、ロボットのシステムに視覚セ
ンサ等の新しいセンサを装着しセンサの数を増やすこと
も可能であり、また、ロボットに作業のプランニングや
接触物体の固定・認識等の高度な知的作業を行わせるこ
とも可能となる。
更に、ニューロネットワークがもつ流化作用により、学
習時に用いた基本的なパターンの中間の入力に対しても
妥当な出力を与えることができる。
習時に用いた基本的なパターンの中間の入力に対しても
妥当な出力を与えることができる。
例えばニューロネットワークに△とOの形状を与えそれ
ぞれに対してOと1の出力がでるように教育した後、そ
のニューロネットワークにΔとOの中間の形状を示すと
ちょうどOと1の中間の値を出力するように構成できる
。すべり量とすべり方向、硬さ、作用力の合計値、圧力
分布の重心位置等についても同様である。
ぞれに対してOと1の出力がでるように教育した後、そ
のニューロネットワークにΔとOの中間の形状を示すと
ちょうどOと1の中間の値を出力するように構成できる
。すべり量とすべり方向、硬さ、作用力の合計値、圧力
分布の重心位置等についても同様である。
以下、図面を参照しながら本発明の実施例につき説明す
る。
る。
第2図は、本発明による圧力センサシステムの実施例の
構成図である。
構成図である。
圧力センサシステムは、ロボットハンドの先端部に設け
られ、大きく分けて圧力分布センシング部201と信号
処理部202とから構成される。
られ、大きく分けて圧力分布センシング部201と信号
処理部202とから構成される。
圧力分布センシング部201は、前述の第10図と同様
に、基板701の上部にカー電気信号変換器(センサ素
子)702がマトリックス状に配置され、更にその上部
に皮膚ゴム703が被覆された圧力センサ203を有し
、ロボットハンドが物体を把持することにより対応する
検出信号を出力する。
に、基板701の上部にカー電気信号変換器(センサ素
子)702がマトリックス状に配置され、更にその上部
に皮膚ゴム703が被覆された圧力センサ203を有し
、ロボットハンドが物体を把持することにより対応する
検出信号を出力する。
圧力分布を実際に計測するには、信号処理部202内の
スキャナ214による発生したアドレス信号206にし
たがってXYデコーダから出力されたXアドレス及びY
アドレスに対応するカー電気信号変換器702の出力ス
イッチがオンになる。
スキャナ214による発生したアドレス信号206にし
たがってXYデコーダから出力されたXアドレス及びY
アドレスに対応するカー電気信号変換器702の出力ス
イッチがオンになる。
これにより対応するカー電気信号変換器702からのア
ナログの出力信号207が、演算増幅器であるアンプ2
05で増幅された後、A/D変換器208でデジタル値
に変換される。そして、このデジタル値は、演算器20
9において、ROM210に記憶されている温度補償の
係数及びデジタル値から圧力値への変換係数等が収めら
れている係数ファイルのデータに基づいて、実際の圧力
値に変換される。
ナログの出力信号207が、演算増幅器であるアンプ2
05で増幅された後、A/D変換器208でデジタル値
に変換される。そして、このデジタル値は、演算器20
9において、ROM210に記憶されている温度補償の
係数及びデジタル値から圧力値への変換係数等が収めら
れている係数ファイルのデータに基づいて、実際の圧力
値に変換される。
一方、RAM212上には、圧力分布センシング部20
1からの検出信号を入力として、ロボットハンドが物体
を把持したときの力のレベル、すべり及び物体の形状、
すべり量、硬さ等を検出するニューロネットワークが構
成される。また、補助記憶装置213には、RAM21
2上でニューロネットワークを構成するときの係数が記
憶される。これらについては後述する。
1からの検出信号を入力として、ロボットハンドが物体
を把持したときの力のレベル、すべり及び物体の形状、
すべり量、硬さ等を検出するニューロネットワークが構
成される。また、補助記憶装置213には、RAM21
2上でニューロネットワークを構成するときの係数が記
憶される。これらについては後述する。
スキャナ214は、前述の如く圧力分布センシング部2
01にアドレス信号206を出力する。
01にアドレス信号206を出力する。
インタフェース部(17F)215は、特には図示しな
いホストコンピュータとの間で各種信号の送受信を行う
。
いホストコンピュータとの間で各種信号の送受信を行う
。
CPU (中央制御装置)211は、信号処理部202
内の各部の全体的な動作、特にRAM212上に構成さ
れるニューロネットワークの動作を制御する。
内の各部の全体的な動作、特にRAM212上に構成さ
れるニューロネットワークの動作を制御する。
次に、RAM212上に構成されるニューロネットワー
クについて説明する。このニューロネットワークは、圧
力分布センシング部201からの検出信号を入力として
、ロボットハンドが物体を把持したときの力のレベル、
すべり及び物体の形状、硬さ等を検出する機能を有し、
本実施例の最も特徴とする部分である。本実施例で用い
るニューロネットワークとしては、バックプロパゲーシ
ョンによる学習機能を有するRumelhart (N
atrueVol、323−9(1986) )のネッ
トワークを用いる。
クについて説明する。このニューロネットワークは、圧
力分布センシング部201からの検出信号を入力として
、ロボットハンドが物体を把持したときの力のレベル、
すべり及び物体の形状、硬さ等を検出する機能を有し、
本実施例の最も特徴とする部分である。本実施例で用い
るニューロネットワークとしては、バックプロパゲーシ
ョンによる学習機能を有するRumelhart (N
atrueVol、323−9(1986) )のネッ
トワークを用いる。
まず第3図には、生理学で調べられているニューロンの
数学的モデルが示されており、これによれば入力信号y
t(t)と出力信号x(t)の関係は次式で表現できる
。但し、括弧内の「t」は、それぞれが時間の関数であ
ることを示している。
数学的モデルが示されており、これによれば入力信号y
t(t)と出力信号x(t)の関係は次式で表現できる
。但し、括弧内の「t」は、それぞれが時間の関数であ
ることを示している。
x(t)=f (2wt yt(t) ) −
・・(4)盛=1 ここにW、は重み係数、また非線形関数fは、通常、第
4図に示すような特性を有するstgmoid関数が用
いられる。sigmoid関数としては次式がよく用い
られる。
・・(4)盛=1 ここにW、は重み係数、また非線形関数fは、通常、第
4図に示すような特性を有するstgmoid関数が用
いられる。sigmoid関数としては次式がよく用い
られる。
f (x) = (1+ e−′″X)
−・−(5)(ago、O≦X≦1) ここで、Xは、関数fの引数、eは自然対数の底を示す
。
−・−(5)(ago、O≦X≦1) ここで、Xは、関数fの引数、eは自然対数の底を示す
。
次に、上述のニューロンを構成要素として、第2図のR
AM212上に構成されるニューロネットワークについ
て説明する。
AM212上に構成されるニューロネットワークについ
て説明する。
まず、第5図は、接触物体の形状を検出するニューロネ
ットワークの例を示した図である。
ットワークの例を示した図である。
同図のネットワークは、それぞれ多数のニューロン(各
ニューロンは第3図に対応する)を持つ入力層、隠れ層
I、■及び1つのニューロンを持つ出力層(同図の各層
の列)から成る。そして、成る層の全てのニューロンは
、その左側の層内の全てのニューロンと、また、その右
側の層内の全てのニューロンと、重み付きの有向リンク
で結合している。有向リンクの向きは左側の層内の二ニ
ーロンを入力とし、右側の層内のニューロンを出力とし
ている。ニューロンjからニューロンiに到るリンクの
重みはWiJで表現される。また、同じ層にあるニュー
ロンは、相互に結合しない、入力層の各ニューロンには
入力パターンが与えられる。すなわち、第2図の圧力セ
ンサ203の各カー電気信号変換器702に対応して演
算器209から出力される各圧力値が与えられる。そし
て、最古の出力層のニューロンの出力値が、ニューロネ
ットワークの出力となる。
ニューロンは第3図に対応する)を持つ入力層、隠れ層
I、■及び1つのニューロンを持つ出力層(同図の各層
の列)から成る。そして、成る層の全てのニューロンは
、その左側の層内の全てのニューロンと、また、その右
側の層内の全てのニューロンと、重み付きの有向リンク
で結合している。有向リンクの向きは左側の層内の二ニ
ーロンを入力とし、右側の層内のニューロンを出力とし
ている。ニューロンjからニューロンiに到るリンクの
重みはWiJで表現される。また、同じ層にあるニュー
ロンは、相互に結合しない、入力層の各ニューロンには
入力パターンが与えられる。すなわち、第2図の圧力セ
ンサ203の各カー電気信号変換器702に対応して演
算器209から出力される各圧力値が与えられる。そし
て、最古の出力層のニューロンの出力値が、ニューロネ
ットワークの出力となる。
以上のような構成を有するニューロネットワークのもと
て前述の(4)式を拡張すると以下のようになる。すな
わち、第2番目の入力パターンに対する成る層(これを
第S層と呼ぶ)の第1番目のニューロンの出力をXip
とし、その1つ左の層(第s−1層)の第j番目のニュ
ーロンの出力をFJIIとし、各層のニューロンの個数
をnとすると、)(、、−f i(z tp)
−−・(6)となる。
て前述の(4)式を拡張すると以下のようになる。すな
わち、第2番目の入力パターンに対する成る層(これを
第S層と呼ぶ)の第1番目のニューロンの出力をXip
とし、その1つ左の層(第s−1層)の第j番目のニュ
ーロンの出力をFJIIとし、各層のニューロンの個数
をnとすると、)(、、−f i(z tp)
−−・(6)となる。
このような関係式が成り立つような第5図のニューロネ
ットワークに入力パターンが与えられたときに理想的な
出力がでるように、学習によって重み係数WiJすなわ
ちニューロン間の結合の強さを更新することにする。
ットワークに入力パターンが与えられたときに理想的な
出力がでるように、学習によって重み係数WiJすなわ
ちニューロン間の結合の強さを更新することにする。
これを実際に行うため、Rua+elhartは次のよ
うなバックブロパゲーシツンと呼ばれる学習アルゴリズ
ムを提案している。まず、学習に用いるパターンはt個
あるものとし、第S層のn個のニューロンにおいて、第
1番目のニューロンにおける第2番目のパターンに対す
る教師からの出力値(最も望ましい出力値)をdip、
実際の出力値をxisとする。ユークリッドノルムを用
いて、第S層における第2番目のパターンに対する誤差
E、及びt個の全パターンに対する誤差Eを次の(8)
式及び(9)式によって評価する。
うなバックブロパゲーシツンと呼ばれる学習アルゴリズ
ムを提案している。まず、学習に用いるパターンはt個
あるものとし、第S層のn個のニューロンにおいて、第
1番目のニューロンにおける第2番目のパターンに対す
る教師からの出力値(最も望ましい出力値)をdip、
実際の出力値をxisとする。ユークリッドノルムを用
いて、第S層における第2番目のパターンに対する誤差
E、及びt個の全パターンに対する誤差Eを次の(8)
式及び(9)式によって評価する。
EをWiJに対し最小にするため、θB、/θWiJ(
E、のWiJに対する偏微分)を計算し、WiJを次式
によって更新する。
E、のWiJに対する偏微分)を計算し、WiJを次式
によって更新する。
WtJ(t)=wij(t 1)+ΣΔp WIJ
・・J(D−=1 ここで、Wtj(tl)は更新前の重みWIJの値、W
□(1)は更新後の重みWiJO値である。ここで、Δ
pWir=−ηθE、/δw0・・・00である。OI
式及びOD式より、fij(t)は、更新前の重みWt
J(t 1)を誤差E、の最急降下方向へステップ幅
ηだけ変化させることにより得られることがわかる。
・・J(D−=1 ここで、Wtj(tl)は更新前の重みWIJの値、W
□(1)は更新後の重みWiJO値である。ここで、Δ
pWir=−ηθE、/δw0・・・00である。OI
式及びOD式より、fij(t)は、更新前の重みWt
J(t 1)を誤差E、の最急降下方向へステップ幅
ηだけ変化させることにより得られることがわかる。
上述の01)式で、Δpw目=−ηθE、/θwtjは
、WiJに偏微分とチエインルールを実行することによ
って、 ΔpWiJ””ηδi*!Jp I +
”Q7Jとして計算できるが、更に、δL、の求め方
は、第S層が出力層である場合とそうでない場合とで若
干異なる。第S層が出力層である場合は、■弐のδ2.
は、 δ1p−−ft’(zip) (Xtp dip)
・・・(131となり、第S層が出力層でない場合
は、第s+1層のニューロンの添字をkとして、 δtp= ft’(ztD)Σδに、Wki
” ・−Q4)h=+ トナル。但し、r i’ (z ip)は、f i(Z
it)の1次微分を示す。これより、OD弐〜圓式を
ネットワークの逆方向に順次適用してWiJの変化分を
計算し、各層について00式によってニューロン間の結
合の強さを繰り返し調整することによって、最終的にパ
ターンPを与えると教師からの信号dipに近い値を出
力するニューロネットワークを構成できる。
、WiJに偏微分とチエインルールを実行することによ
って、 ΔpWiJ””ηδi*!Jp I +
”Q7Jとして計算できるが、更に、δL、の求め方
は、第S層が出力層である場合とそうでない場合とで若
干異なる。第S層が出力層である場合は、■弐のδ2.
は、 δ1p−−ft’(zip) (Xtp dip)
・・・(131となり、第S層が出力層でない場合
は、第s+1層のニューロンの添字をkとして、 δtp= ft’(ztD)Σδに、Wki
” ・−Q4)h=+ トナル。但し、r i’ (z ip)は、f i(Z
it)の1次微分を示す。これより、OD弐〜圓式を
ネットワークの逆方向に順次適用してWiJの変化分を
計算し、各層について00式によってニューロン間の結
合の強さを繰り返し調整することによって、最終的にパ
ターンPを与えると教師からの信号dipに近い値を出
力するニューロネットワークを構成できる。
以上のアルゴリズムを特には図示しないROM等にプロ
グラミングしておき、第2図のCPU211がRAM2
12上のニューロネットワークに学習パターンを入力し
ながら上記アルゴリズムを実行することにより、ネット
ワークの学習を行える。この場合、−度プログラミング
すれば、学習すべきパターンが将来変わっても、再度プ
ログラミングする必要はない。言い換えれば、外界の刺
激に対して内部の構造を自動的に変化させることのでき
るシステムが構成できることになる。
グラミングしておき、第2図のCPU211がRAM2
12上のニューロネットワークに学習パターンを入力し
ながら上記アルゴリズムを実行することにより、ネット
ワークの学習を行える。この場合、−度プログラミング
すれば、学習すべきパターンが将来変わっても、再度プ
ログラミングする必要はない。言い換えれば、外界の刺
激に対して内部の構造を自動的に変化させることのでき
るシステムが構成できることになる。
次に、上述の接触物体の形状を検出するニューロネット
ワークの学習手順と、このネットワークを用いた実際の
接触物体の形状のセンス動作の具体例について、第2図
の圧力センサ203に円の図形の形状を学習させる場合
を例にとって説明する。
ワークの学習手順と、このネットワークを用いた実際の
接触物体の形状のセンス動作の具体例について、第2図
の圧力センサ203に円の図形の形状を学習させる場合
を例にとって説明する。
まず、第6図(a)に示すように圧力センサ203の皮
膚ゴム703(第10図参照)の部分に、円形ゴム試験
片をあてがった状態で、第2図のCPU211が各カー
電気信号変換器702に対応する圧力値データを演算器
209を介して検出し、補助記憶装置213等に記憶す
る。この動作を、円形ゴム試験片の場所を変えながら、
複数回繰り返す。この場合、各回数における一組の圧力
値データをパターンと呼ぶことにする。
膚ゴム703(第10図参照)の部分に、円形ゴム試験
片をあてがった状態で、第2図のCPU211が各カー
電気信号変換器702に対応する圧力値データを演算器
209を介して検出し、補助記憶装置213等に記憶す
る。この動作を、円形ゴム試験片の場所を変えながら、
複数回繰り返す。この場合、各回数における一組の圧力
値データをパターンと呼ぶことにする。
次に、第6図(a)の如く、CPU211は、上記各パ
ターンを、RAM212上に構成されている第5図のニ
ューロネットワークに入力として与え、いずれのパター
ンが入力として与えられても円の形状を検出するニュー
ロン(第5図の出力層のニューロンに対応する)の出力
が、教師信号(例えば1”)と等しくなるように、前述
のGO)弐〜04)式に示すバックプロパゲーションア
ルゴリズムに従って、前述の(8)式及び(9)式で求
まる誤差が十分小さくなるように重み係数WIJを調節
する。これによって得られた第5図の各層の各ニューロ
ン毎の最終的な重み係数WiJの値は、第2図の補助記
憶装置213に格納される。
ターンを、RAM212上に構成されている第5図のニ
ューロネットワークに入力として与え、いずれのパター
ンが入力として与えられても円の形状を検出するニュー
ロン(第5図の出力層のニューロンに対応する)の出力
が、教師信号(例えば1”)と等しくなるように、前述
のGO)弐〜04)式に示すバックプロパゲーションア
ルゴリズムに従って、前述の(8)式及び(9)式で求
まる誤差が十分小さくなるように重み係数WIJを調節
する。これによって得られた第5図の各層の各ニューロ
ン毎の最終的な重み係数WiJの値は、第2図の補助記
憶装置213に格納される。
次に、第2図のシステムで、接触物体の形状のセンス動
作を行う場合は、第6図[有])に示すように、CPU
211は、上述の学習手順によって得られた重み係数W
iJを補助記憶装置213からRAM212に呼び出し
、前述の(5)弐〜(7)式で示されるアルゴリズムに
より出力信号を計算する。これによれば、円形の接触物
体を圧力センサ203のどの部分にあてがっても円の形
状を検出するニューロンの出力はほぼ“1”となる。
作を行う場合は、第6図[有])に示すように、CPU
211は、上述の学習手順によって得られた重み係数W
iJを補助記憶装置213からRAM212に呼び出し
、前述の(5)弐〜(7)式で示されるアルゴリズムに
より出力信号を計算する。これによれば、円形の接触物
体を圧力センサ203のどの部分にあてがっても円の形
状を検出するニューロンの出力はほぼ“1”となる。
上述の例では、静的な接触パターンを扱う例について示
したが、すべりを扱う場合には、接触パターンの時間的
変化を追跡する必要性が生じるため、入力パターンの時
間的な変化を検出可能なニューロネットワークを第2図
のRAM212上に構成する。
したが、すべりを扱う場合には、接触パターンの時間的
変化を追跡する必要性が生じるため、入力パターンの時
間的な変化を検出可能なニューロネットワークを第2図
のRAM212上に構成する。
第7図は、接触物体のすべりを検出するタイムデイレイ
型のパックプロパゲーションによる学習機能を有するニ
ューロネットワークの例を示した図である。
型のパックプロパゲーションによる学習機能を有するニ
ューロネットワークの例を示した図である。
同図の例では、隠れ層■に、隠れ層Iの各ニューロンの
2ステツプ前までの重み付き有向リンクを取り込む機能
を持たせている。すなわち、第2番目の入力パターンに
対する第S層の第j番目のニューロンの現在のステップ
での出力をxtp(t)とし、その1つ左の層(第s−
1層)の第j番目のニューロンの現在のステップの出力
をyJp(t)、1ステツプ前の出力をV jp(t−
1) 、2ステツプ前の出力をV jp(t−2)とし
、ニューロンjからニューロンiに到るリンクの現在の
ステップの重みをWtj(t) 、1ステツプ前の重み
をWiJ(t−1) 、2ステツプ前の重みをW I
J (t−2)とすれば、前述の(6)式及び(7)式
に対応する式として、x 1t(t)= t icz
tp(t)) −−−051Z 1t(
t) =Σ(wij(t) y jp(t)”’
+αwij(t−1))’*+>(t−1)が得k)れ
る4、Δ謄9.1rffバ・びβ1.J定数である。以
、(7の09式と01+)人と、前述の(j))式!4
.よ−、と、夕・・イム、゛イレイ型の 1〜1し、ツ
トマノークが実現ζ:き乙。
2ステツプ前までの重み付き有向リンクを取り込む機能
を持たせている。すなわち、第2番目の入力パターンに
対する第S層の第j番目のニューロンの現在のステップ
での出力をxtp(t)とし、その1つ左の層(第s−
1層)の第j番目のニューロンの現在のステップの出力
をyJp(t)、1ステツプ前の出力をV jp(t−
1) 、2ステツプ前の出力をV jp(t−2)とし
、ニューロンjからニューロンiに到るリンクの現在の
ステップの重みをWtj(t) 、1ステツプ前の重み
をWiJ(t−1) 、2ステツプ前の重みをW I
J (t−2)とすれば、前述の(6)式及び(7)式
に対応する式として、x 1t(t)= t icz
tp(t)) −−−051Z 1t(
t) =Σ(wij(t) y jp(t)”’
+αwij(t−1))’*+>(t−1)が得k)れ
る4、Δ謄9.1rffバ・びβ1.J定数である。以
、(7の09式と01+)人と、前述の(j))式!4
.よ−、と、夕・・イム、゛イレイ型の 1〜1し、ツ
トマノークが実現ζ:き乙。
ごこて、7第8図U゛小“4−よ・)61丁、第2シ(
Iの圧力・f:ンリ゛203 )適当な位置(第8図−
e+、、、I、中心)ニxY座標系の原貞イ]設け、圧
71Jシ’−”J 203 iに接触する物体のtべり
蓋と4゛べりノノ向・を5、イーの物体の重心位置の移
動前の庫標から移動後の庫標ハ2の”づべりヘクトル券
もとGこ1.イの34゛ベロ′フ・\り1ルの大きさ(
移動量に対応する)と、ぞのずベリベクトルについ°−
このχ方向及、びY方向への方向余弦(単位−5り(・
ル)によっ?6表1..そして、第7図の、2ブ、−ロ
ネットワー・りの出力層のニュー・+17は、“4−べ
りベクトルの大きさ!7反応する。′:、1、−ロン、
4゛べりベクトルのX方向の方向余弦に反応する一!、
ツーロン、ずベリベクトルのY方向の方向余弦に“反応
するニエー悄1ンからなり1.8L記3種類の、−、ユ
・・・・ロンの出力値の組によって1ベリ量とJべり方
向を検出する。
Iの圧力・f:ンリ゛203 )適当な位置(第8図−
e+、、、I、中心)ニxY座標系の原貞イ]設け、圧
71Jシ’−”J 203 iに接触する物体のtべり
蓋と4゛べりノノ向・を5、イーの物体の重心位置の移
動前の庫標から移動後の庫標ハ2の”づべりヘクトル券
もとGこ1.イの34゛ベロ′フ・\り1ルの大きさ(
移動量に対応する)と、ぞのずベリベクトルについ°−
このχ方向及、びY方向への方向余弦(単位−5り(・
ル)によっ?6表1..そして、第7図の、2ブ、−ロ
ネットワー・りの出力層のニュー・+17は、“4−べ
りベクトルの大きさ!7反応する。′:、1、−ロン、
4゛べりベクトルのX方向の方向余弦に反応する一!、
ツーロン、ずベリベクトルのY方向の方向余弦に“反応
するニエー悄1ンからなり1.8L記3種類の、−、ユ
・・・・ロンの出力値の組によって1ベリ量とJべり方
向を検出する。
以Iのよ)2!(閏イ;%:が成/リ−◇・九しパ)な
第7図の、7、ノ、−17ネ・・、・ト・「ノー667
.1人カバターく1・′がl可えC:〉れノ、・ときに
理想的な出力がCる31:・・”)k:、学F1によ一
27回図の各層のスミラグの重み係数WiJ(隠れ層I
乙こ“月ハζは、前33’5の如< W i 、、i
(j)1.Wi、i (t、−1) 9γドWi、+(
ト2) ) ’6史新する、“、よi;’:する2、学
習の仕方は、タイja 3”イ1、・「型の 、ヌ2・
−し1ネツトワー・りの−・静的な′7習)°ルfリズ
l、を使用−6る。この場合、適当な試14:4!、第
2[y4の圧カド/・す203ζ′あCがい、数種類の
すべりのバタ・〜ン4、第2図のRAM212.Jに構
成されこいる第7図のニ、ユ〜ロネッI・ワークに入カ
フ!:’: 1.、、= −(: I:i−x、名ずべ
りのパターンr対して、同図の、゛、:弓、・−司、7
ネツ[・ワ・−りの出力層の、′:コ、−ロンのイれぞ
れが、7教師伝りとし、で与えられる止j7い値イ、示
すよ・う!ご学習を繰り返す。
第7図の、7、ノ、−17ネ・・、・ト・「ノー667
.1人カバターく1・′がl可えC:〉れノ、・ときに
理想的な出力がCる31:・・”)k:、学F1によ一
27回図の各層のスミラグの重み係数WiJ(隠れ層I
乙こ“月ハζは、前33’5の如< W i 、、i
(j)1.Wi、i (t、−1) 9γドWi、+(
ト2) ) ’6史新する、“、よi;’:する2、学
習の仕方は、タイja 3”イ1、・「型の 、ヌ2・
−し1ネツトワー・りの−・静的な′7習)°ルfリズ
l、を使用−6る。この場合、適当な試14:4!、第
2[y4の圧カド/・す203ζ′あCがい、数種類の
すべりのバタ・〜ン4、第2図のRAM212.Jに構
成されこいる第7図のニ、ユ〜ロネッI・ワークに入カ
フ!:’: 1.、、= −(: I:i−x、名ずべ
りのパターンr対して、同図の、゛、:弓、・−司、7
ネツ[・ワ・−りの出力層の、′:コ、−ロンのイれぞ
れが、7教師伝りとし、で与えられる止j7い値イ、示
すよ・う!ご学習を繰り返す。
Jれ1,7より得られ);・:第7図の各層の各ユ1−
ロン旬の最終的な重み係数Wir(隠れliIについて
は、前述の如< Wij(t) 、wi、1(t−4)
、wa、+(t−2) )の値は、第2図のM助記憶
装w213に格納される。
ロン旬の最終的な重み係数Wir(隠れliIについて
は、前述の如< Wij(t) 、wi、1(t−4)
、wa、+(t−2) )の値は、第2図のM助記憶
装w213に格納される。
次に、第2図のシステムで1、接触物体の□喝べりのセ
ンス動作を行っ場合は、CPU211は、学習で得られ
た重み係数Wヮ(隠れ層11コ・つい°Cは、wiJ(
t) 、Wljct”””i:) 、 w+、+(t−
2) )を補助記憶装置213からRAM212に呼び
出11、前述の(5)式、01))式及び00式で示さ
れるアルゴリズJ、により出力信号を計算する。これに
よれば、接触物体が圧力センサ203十でずベリ動作の
挙動を示j、。
ンス動作を行っ場合は、CPU211は、学習で得られ
た重み係数Wヮ(隠れ層11コ・つい°Cは、wiJ(
t) 、Wljct”””i:) 、 w+、+(t−
2) )を補助記憶装置213からRAM212に呼び
出11、前述の(5)式、01))式及び00式で示さ
れるアルゴリズJ、により出力信号を計算する。これに
よれば、接触物体が圧力センサ203十でずベリ動作の
挙動を示j、。
た場合に、そのずべり量とずべり方向が、第7図の出力
層の洛二1−ロンの出力値とし7で得られる。
層の洛二1−ロンの出力値とし7で得られる。
次に1、第2図のシステムにおいて、圧力センサ203
に接触する物体の硬さを検出する場合に゛ついて説明す
る。この場合は、硬さを検出するためのニューロネット
ワークが第2図のRAM212上に構成される。
に接触する物体の硬さを検出する場合に゛ついて説明す
る。この場合は、硬さを検出するためのニューロネット
ワークが第2図のRAM212上に構成される。
この場合のニューロネットワークとしては、前述の(5
)式、Q5)式及び00式と第7図によって定義される
、づ−ベりを検出するタイムデイレイ型のニューロネッ
トワークと同じものが共用され、第7図の出力層に硬さ
を検出するニューロンが追加され硬さの検出は、第9図
に示4″′ように、試料tJ同しユ荷重”Fを、りえて
も、硬いものほど圧力センサ203への接触面積の変化
が小さく(同図(a))、柔らかいものほど接触面積の
変化が大きくなる(同図0〕))ことを利用−4る。
)式、Q5)式及び00式と第7図によって定義される
、づ−ベりを検出するタイムデイレイ型のニューロネッ
トワークと同じものが共用され、第7図の出力層に硬さ
を検出するニューロンが追加され硬さの検出は、第9図
に示4″′ように、試料tJ同しユ荷重”Fを、りえて
も、硬いものほど圧力センサ203への接触面積の変化
が小さく(同図(a))、柔らかいものほど接触面積の
変化が大きくなる(同図0〕))ことを利用−4る。
1なわち、ニューロネットワークの学習時においては、
種々の硬さの試料に′ついて、荷重を時間に関し・てス
テップ的に変化さゼる。このとき、前述のずべりは発生
j、ていないので、第7図の出力層のすべりを検出する
ニューロンの出力は0となるように、また、硬さを検出
する二1−ロンに′ついζは、教師信号として与えられ
る硬さの値に応じた値が出力されるように、4ネツトワ
ークの学習を行う。
種々の硬さの試料に′ついて、荷重を時間に関し・てス
テップ的に変化さゼる。このとき、前述のずべりは発生
j、ていないので、第7図の出力層のすべりを検出する
ニューロンの出力は0となるように、また、硬さを検出
する二1−ロンに′ついζは、教師信号として与えられ
る硬さの値に応じた値が出力されるように、4ネツトワ
ークの学習を行う。
以」6、第2の実施例において、圧力センサ203に接
触する物体の形状、ずベリ量とすべり方向及び硬さを検
出する場合を例にあげ“C1ニューロネットワークの具
体例とともぼ説明した。しかし7、本実施例はこれに限
られるものではなく、従来例として前述した接触物体の
作用力の合計値又は圧力分布の重心位置等についても、
形状を検出する第5図と同様のニューロネットワークを
、第2図のRAM2 I 2上に構成することにより検
出することができる。すなわち、ネットワークの出力層
に、作用力又は重心位置に反応するニューロンを設け、
既知の作用力及び重心位置を与えることにより、出力層
の各対応するニューロンが望ましい値を出力するように
学習させればよい。
触する物体の形状、ずベリ量とすべり方向及び硬さを検
出する場合を例にあげ“C1ニューロネットワークの具
体例とともぼ説明した。しかし7、本実施例はこれに限
られるものではなく、従来例として前述した接触物体の
作用力の合計値又は圧力分布の重心位置等についても、
形状を検出する第5図と同様のニューロネットワークを
、第2図のRAM2 I 2上に構成することにより検
出することができる。すなわち、ネットワークの出力層
に、作用力又は重心位置に反応するニューロンを設け、
既知の作用力及び重心位置を与えることにより、出力層
の各対応するニューロンが望ましい値を出力するように
学習させればよい。
上述の第2図の実施例は、汎用コンピュータにニューロ
ネットワークのアルゴリズムを組み入れて構成した例で
あったが、近年のニューロチップの開発のスピードアッ
プの加速化を考慮すると、専用のニューロチップを利用
することにより、ハードウェア上でニューロネットワー
クを構成した実施例も容易に実現することができる。
ネットワークのアルゴリズムを組み入れて構成した例で
あったが、近年のニューロチップの開発のスピードアッ
プの加速化を考慮すると、専用のニューロチップを利用
することにより、ハードウェア上でニューロネットワー
クを構成した実施例も容易に実現することができる。
また、現状のデジタル処理を行うハードウェアを、LS
I技術により1チツプ化して圧力センサ部に組み込んだ
ものや、ニューロチップとそれを制御する回路を1チツ
プ化して圧力センサに組み込んだものも実現可能である
。
I技術により1チツプ化して圧力センサ部に組み込んだ
ものや、ニューロチップとそれを制御する回路を1チツ
プ化して圧力センサに組み込んだものも実現可能である
。
本発明によれば、圧力センサシステムの処理系の内部に
、ニューロネットワークによる認識手段を内蔵させてい
るため、圧力センサに基本的な、形状、すべり量とすべ
り方向、硬さ、作用力の合計値、圧力分布の重心位置等
の、各種パターンを学習させることができる。これによ
り、ロボットにさせる作業内容の変更にともない認識す
べき項目が変更になった場合、プログラムを変更するこ
となく学習によりシステムの内部構造を柔軟に変更する
ことができる。
、ニューロネットワークによる認識手段を内蔵させてい
るため、圧力センサに基本的な、形状、すべり量とすべ
り方向、硬さ、作用力の合計値、圧力分布の重心位置等
の、各種パターンを学習させることができる。これによ
り、ロボットにさせる作業内容の変更にともない認識す
べき項目が変更になった場合、プログラムを変更するこ
となく学習によりシステムの内部構造を柔軟に変更する
ことができる。
また、ニューロネットワークの学習が十分に行われた段
階では、外部のホストコンピュータ等の判断を仰ぐこと
なく、圧力分布センシング手段に接触する被接触物の状
態を高速に評価できるため、ロボットの制御を行うホス
トコンピュータ等の負荷を著しく軽減させることができ
る。この結果、ホストコンピュータ等の処理に余裕が生
まれるので、ロボットのシステムに視覚センサ等の新し
いセンサを装着しセンサの数を増やすことも可能であり
、また、ロボットに作業のプランニングや接触物体の固
定・認識等の高度な知的作業を行わせることも可能とな
る。
階では、外部のホストコンピュータ等の判断を仰ぐこと
なく、圧力分布センシング手段に接触する被接触物の状
態を高速に評価できるため、ロボットの制御を行うホス
トコンピュータ等の負荷を著しく軽減させることができ
る。この結果、ホストコンピュータ等の処理に余裕が生
まれるので、ロボットのシステムに視覚センサ等の新し
いセンサを装着しセンサの数を増やすことも可能であり
、また、ロボットに作業のプランニングや接触物体の固
定・認識等の高度な知的作業を行わせることも可能とな
る。
更に、ニューロネットワークがもつ流化作用により、学
習時に用いた基本的なパターンの中間の入力に対しても
妥当な出力を与えることが可能となる。
習時に用いた基本的なパターンの中間の入力に対しても
妥当な出力を与えることが可能となる。
本発明では特に、圧力分布センシング手段とニューロネ
ットワークによる認識手段とを組み合わせることにより
、以下のような効果が生まれる。
ットワークによる認識手段とを組み合わせることにより
、以下のような効果が生まれる。
すなわち、圧力センサは視覚センサと異なり物体と直接
接触してセンシングするものであるから、接触によりカ
ー電気信号変換素子のいくつかを損傷することがある。
接触してセンシングするものであるから、接触によりカ
ー電気信号変換素子のいくつかを損傷することがある。
一方ニューロネットワークは、入力パターンの一部を失
っても、正常なニューロネットワークに比較して大幅に
機能が落ちることなく、その機能を発揮できることが一
般に知られている。従って、本発明によれば、従来の圧
力センサと異なり、使用中に多少損傷を受けてもその機
能の劣化を抑えることができ、安定性・実用性に富んだ
圧力センサシステムを実現することが可能となる。
っても、正常なニューロネットワークに比較して大幅に
機能が落ちることなく、その機能を発揮できることが一
般に知られている。従って、本発明によれば、従来の圧
力センサと異なり、使用中に多少損傷を受けてもその機
能の劣化を抑えることができ、安定性・実用性に富んだ
圧力センサシステムを実現することが可能となる。
第1図は、本発明のブロック図、
第2図は、本発明による圧力センサシステムの実施例の
構成図、 第3図は、ニューロンの数学的モデルを示した図、 第4図は、sigmoid関数を示した図、第5図は、
接触物体の形状を検出するニューロネットワークの例を
示した図、 第6図(a)、(ロ)は、接触物体の形状の検出動作の
説明図、 第7図は、接触物体のすべりを検出するニューロネット
ワークの例を示した図、 第8図は、接触物体のすべりの検出動作の説明図、 第9図(a)、 (b)は、接触物体の硬さの検出動作
の説明図、 第10図は、圧力センサの構成図、 第11図は、従来例におけるアルゴリズムを示す動作フ
ローチャートである。 101・・・カー電気信号変換素子、 102・・・圧力分布センシング手段、103・・・圧
力値データ検出手段、 104・・・圧力値データ、 105・・・入力パターン、 106・・・認識手段。
構成図、 第3図は、ニューロンの数学的モデルを示した図、 第4図は、sigmoid関数を示した図、第5図は、
接触物体の形状を検出するニューロネットワークの例を
示した図、 第6図(a)、(ロ)は、接触物体の形状の検出動作の
説明図、 第7図は、接触物体のすべりを検出するニューロネット
ワークの例を示した図、 第8図は、接触物体のすべりの検出動作の説明図、 第9図(a)、 (b)は、接触物体の硬さの検出動作
の説明図、 第10図は、圧力センサの構成図、 第11図は、従来例におけるアルゴリズムを示す動作フ
ローチャートである。 101・・・カー電気信号変換素子、 102・・・圧力分布センシング手段、103・・・圧
力値データ検出手段、 104・・・圧力値データ、 105・・・入力パターン、 106・・・認識手段。
Claims (1)
- 【特許請求の範囲】 カー電気信号変換素子(101)をマトリックス状に配
置した圧力分布センシング手段(102)と、該各カー
電気信号変換素子(101)を順次掃引し、該各素子に
対応する圧力値データ(104)を検出する圧力値デー
タ検出手段(103)と、 該圧力値データ検出手段からの前記各圧力値データ(1
04)の組を入力パターン(105)とし、前記圧力分
布センシング手段(102)へ接触する被接触物(10
7)の状態をニューロネットワークにより認識する認識
手段(106)と、 を一体として有することを特徴とするニューロセンサ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP10889390A JPH049632A (ja) | 1990-04-26 | 1990-04-26 | ニューロセンサ |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP10889390A JPH049632A (ja) | 1990-04-26 | 1990-04-26 | ニューロセンサ |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH049632A true JPH049632A (ja) | 1992-01-14 |
Family
ID=14496283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP10889390A Pending JPH049632A (ja) | 1990-04-26 | 1990-04-26 | ニューロセンサ |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH049632A (ja) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0629123A1 (en) * | 1992-02-13 | 1994-12-21 | Alaris Medical Systems, Inc. | Determining a best positioned stress sensor portion |
JP2006297542A (ja) * | 2005-04-20 | 2006-11-02 | Toyota Motor Corp | ロボットハンドの指表面の滑り検知装置 |
JP2006343195A (ja) * | 2005-06-08 | 2006-12-21 | Saitama Prefecture | 柔軟なセンサ部位を用いたすべり・転がり検出システム及び検出方法 |
JP2007526990A (ja) * | 2003-07-09 | 2007-09-20 | アストン ユニバーシティ | 動的な力を感知および分析するシステムおよび方法 |
JP2009036557A (ja) * | 2007-07-31 | 2009-02-19 | Sony Corp | 検出装置および方法、並びにプログラム |
JP2009069028A (ja) * | 2007-09-13 | 2009-04-02 | Sony Corp | 検出装置および方法、プログラム、並びに記録媒体 |
JP2010528267A (ja) * | 2007-05-18 | 2010-08-19 | ユニバーシティ オブ サザン カリフォルニア | グリップ制御のための生体模倣触覚センサ |
WO2021029205A1 (ja) * | 2019-08-09 | 2021-02-18 | ソニー株式会社 | 情報処理装置、情報処理方法、プログラム、およびロボット |
-
1990
- 1990-04-26 JP JP10889390A patent/JPH049632A/ja active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0629123A1 (en) * | 1992-02-13 | 1994-12-21 | Alaris Medical Systems, Inc. | Determining a best positioned stress sensor portion |
EP0629123A4 (en) * | 1992-02-13 | 1995-05-24 | Ivac Corp | DETERMINING THE OPTIMAL PLACEMENT OF A PRESSURE PROBE. |
JP2007526990A (ja) * | 2003-07-09 | 2007-09-20 | アストン ユニバーシティ | 動的な力を感知および分析するシステムおよび方法 |
JP2006297542A (ja) * | 2005-04-20 | 2006-11-02 | Toyota Motor Corp | ロボットハンドの指表面の滑り検知装置 |
JP2006343195A (ja) * | 2005-06-08 | 2006-12-21 | Saitama Prefecture | 柔軟なセンサ部位を用いたすべり・転がり検出システム及び検出方法 |
JP2010528267A (ja) * | 2007-05-18 | 2010-08-19 | ユニバーシティ オブ サザン カリフォルニア | グリップ制御のための生体模倣触覚センサ |
JP2009036557A (ja) * | 2007-07-31 | 2009-02-19 | Sony Corp | 検出装置および方法、並びにプログラム |
JP2009069028A (ja) * | 2007-09-13 | 2009-04-02 | Sony Corp | 検出装置および方法、プログラム、並びに記録媒体 |
WO2021029205A1 (ja) * | 2019-08-09 | 2021-02-18 | ソニー株式会社 | 情報処理装置、情報処理方法、プログラム、およびロボット |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110170994B (zh) | 一种用于机械手抓取任务的触觉伺服控制方法 | |
US9189730B1 (en) | Modulated stochasticity spiking neuron network controller apparatus and methods | |
Tanomaru et al. | Process control by on-line trained neural controllers | |
Parikh et al. | A hybrid strategy to solve the forward kinematics problem in parallel manipulators | |
Ertugrul et al. | Neuro sliding mode control of robotic manipulators | |
US9367798B2 (en) | Spiking neuron network adaptive control apparatus and methods | |
Nichols et al. | Case study on a self-organizing spiking neural network for robot navigation | |
Liang et al. | Novel decoupling algorithm based on parallel voltage extreme learning machine (PV-ELM) for six-axis F/M sensors | |
JPH049632A (ja) | ニューロセンサ | |
Song et al. | Calibration of a Stewart platform by designing a robust joint compensator with artificial neural networks | |
JPH0724766A (ja) | ロボット制御装置 | |
Šegota et al. | Prediction of robot grasp robustness using artificial intelligence algorithms | |
Molina-Vilaplana et al. | A modular neural network architecture for step-wise learning of grasping tasks | |
Geng et al. | Synergy-based affordance learning for robotic grasping | |
JP2674167B2 (ja) | 神経回路網モデルを用いたプロセス制御方法 | |
Tascillo et al. | Neural and fuzzy robotic hand control | |
Dadios et al. | Application of neural networks to the flexible pole-cart balancing problem | |
JPH0774980B2 (ja) | ニューロコンピュータを用いた手の姿勢認識方式 | |
CN111015676A (zh) | 基于无手眼标定的抓取学习控制方法、***、机器人及介质 | |
Singh et al. | Fitting transducer characteristics to measured data using a virtual curve tracer | |
Obo et al. | A fuzzy spiking neural network using optical oscillosensor and pneumatic sensor for human state estimation | |
Li et al. | Human-robot force cooperation analysis by deep reinforcement learning | |
Atkins et al. | MIntNet: Rapid motion intention forecasting of coupled human-robot systems with simulation-to-real autoregressive neural networks | |
Kissock | Modeling commercial building energy use with artificial neural networks | |
Ueda et al. | Adaptive human-robot physical interaction for robot coworkers |