JPH1153002A - マンマシン制御系の知的制御装置 - Google Patents

Abstract

(57)【要約】 【課題】 操作意図と制御出力との整合性をとり、突発
的な状態変化に的確に対応して制御目的を達成するマン
マシン制御系の知的制御装置を提供する。 【解決手段】 操作指令ｒ及び状態量Ｘ(t) の情報を定
量的に処理し、複数の異なる制御目的毎の評価関数を最
小にする制御出力ｆi をそれぞれ出力する複数のコント
ローラ１４，１６と、前記情報を抽象化して定性的に処
理し、前記各制御目的毎の評価関数を最小にする制御出
力ｆi をそれぞれ出力する複数のコントローラ１５，１
７と、操作意図に沿った操作指令ｒ0 を出力するインタ
プリタ１１と、各制御出力ｆi 、及び制御出力ｆi と操
作指令ｒとの加算値をインタプリタ１１を介して入力
し、前記情報を直接入力し、制御目的毎の第１目的関数
を最小にする介在率ｐi を求め、各積ｐi ｆi をそれぞ
れ出力する複数のエバリュエータ１２ａ〜１２ｄと、各
積ｐi ｆi と操作指令ｒとの各和ｕi を求め、第２目的
関数を最小にする和ｕi を制御指令ｕとして出力するイ
ンテグレータ１３と、制御指令ｕを受けて状態量Ｘ(t)
を制御する制御器３１とを備える。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、人間の操作指令に
応じて機械の状態制御を行うマンマシン制御系におい
て、操作意図との整合性をとって状態制御できるマンマ
シン制御系の知的制御装置に関し、特には、産業車両の
作業機や走行等の複数の制御目的に対応する自動制御系
と、操作者の意図とを整合させて、確実に制御目的を達
成できるマンマシン制御系の知的制御装置に関する。

【０００２】

【従来の技術】従来、人間の操作指令に基づいて機械を
制御する場合、その操作指令に対応する指令信号と制御
対象量のセンサからのフィードバック信号との偏差を小
さくするような、いわゆるＰＩＤ制御によるフィードバ
ック制御が広く行われている。あるいは、例えば大規模
なプラント等の制御システムに対しては、人間の操作指
令と機械側（すなわち、制御システム）の各状態量と時
間等とで表される所定の評価関数を最大又は最小とする
ような制御量をコンピュータで高速演算して出力するよ
うな、いわゆる最適制御理論による制御が行われている
場合もある。

【０００３】

【発明が解決しようとする課題】このような人間の操作
指令に基づいて機械を制御する系（以後、マンマシン制
御系と呼ぶ）においては、そのときの操作目的すなわち
操作者の意図に相反するような制御を行わないようにす
るため、人間と自動制御系との整合性がとられているこ
とが重要となっており、人間と自動制御系とのコミュニ
ケーションが不可欠となっている。しかしながら、従来
のような通常のフィードバック制御又は最適制御理論に
よる自動制御では、機械側又は自動制御系の突発的な状
態変化等に対して的確に対応して制御することができ
ず、所定の制御目的が達成されなかったり、あるいは、
最悪時には人間の操作目的と制御系の制御出力とが相反
する場合が発生する。例えば、マンマシン制御系の一例
であるフォークリフトにおいて、車体前部のリフト装置
に荷を積載して走行しているときの転倒防止制御を行う
場合を考えると、オペレータが転倒防止のための操作
（例えば、車速の加減速、あるいはブレーキ操作）を行
ったにもかかわらず、その操作量に基づく制御出力によ
って、かえって転倒傾向が増幅されるような場合が発生
する。このために、自動制御系の方では、人間の操作の
意図を酌んで、転倒防止のための制御を行うべきときに
は、フォークリフトの現在の状態量に応じて、その操作
意図を反映するような制御を行う知的な制御が必要とな
っている。

【０００４】本発明は、上記の問題点に着目してなされ
たものであり、マンマシン制御系の自動制御において、
人間が行う操作の意図つまり制御目的と制御出力との整
合性をとり、機械側の又は制御系の突発的な状態変化に
的確に対応して制御目的を達成するマンマシン制御系の
知的制御装置を提供することを目的としている。

【０００５】

【課題を解決するための手段、作用及び効果】上記の目
的を達成するために、請求項１に記載の発明は、制御対
象１を操作する操作者の操作指令ｒと制御対象１の状態
量Ｘ(t) とを入力し、この操作指令ｒに応じて前記状態
量Ｘ(t) を制御するマンマシン制御系の制御装置におい
て、前記操作指令ｒ及び前記状態量Ｘ(t) を入力して定
量的に処理し、この定量的な操作指令ｒ及び状態量Ｘ
(t) に基づいて、制御対象１の複数の異なる制御目的毎
に対応した評価関数を最小にするような制御出力ｆi を
それぞれ演算して出力し、それぞれ制御目的毎の定量的
制御を行う複数の定量的なコントローラ１４，１６と、
前記操作指令ｒ及び前記状態量Ｘ(t) を入力して、抽象
度のレベルに応じて異なった種類の複数の属性にそれぞ
れ抽象化して定性的に処理し、この定性的な操作指令ｒ
及び状態量Ｘ(t) に基づいて、制御対象１の複数の異な
る制御目的毎に対応した評価関数を最小にするような制
御出力ｆi をそれぞれ演算して出力し、それぞれ制御目
的毎の、抽象度が異なる定性的制御を行う複数の定性的
なコントローラ１５，１７と、各制御目的に対応する前
記各コントローラ１４，１５，１６，１７からの前記制
御出力ｆi 、前記操作指令ｒ及び前記状態量Ｘ(t) をそ
れぞれ入力し、この入力した各制御出力ｆi 、操作指令
ｒ及び状態量Ｘ(t) に基づいてそれぞれの制御目的に応
じた所定の第１の目的関数を最小にするような、操作指
令ｒに対する各制御出力ｆi の介在率ｐi を決定し、対
応するそれぞれの介在率ｐi と制御出力ｆi との積ｐi
ｆi を求め、この積ｐi ｆi を各コントローラ１４，１
５，１６，１７に対応してそれぞれ出力する複数のエバ
リュエータ１２ａ〜１２ｄと、各コントローラ１４，１
５，１６，１７毎に対応して、各エバリュエータ１２ａ
〜１２ｄからの積ｐi ｆi と前記操作指令ｒとの和ｕi
を求め、前記状態量Ｘ(t) に応じて所定の第２の目的関
数を最小にするように、前記求めた複数の和ｕi の内の
いずれか１つを選択し、この選択した和ｕi を制御指令
ｕとして出力するインテグレータ１３と、このインテグ
レータ１３からの制御指令ｕを受けて、状態量Ｘ(t) を
制御するアクチュエータを駆動する制御器３１とを備え
たマンマシン制御系の知的制御装置としている。

【０００６】請求項１に記載の発明によると、制御対象
１を複数の異なる制御目的で制御するに当たって、各制
御目的毎に対応して、それぞれ抽象度が異なる複数のコ
ントローラを設ける。すなわち、特定の制御目的に係わ
る定量的な制御を行うコントローラは、入力した操作指
令ｒ及び状態量Ｘ(t) の情報を定量的に処理し、この定
量的な情報（これは、抽象度レベルが低いことに相当す
る）に基づいて、この制御目的に対応した所定の評価関
数を最小にする制御出力ｆi を算出し、出力する。ま
た、同様にして、この制御目的に係わる定性的な制御を
行うコントローラは、入力した前記情報を抽象度レベル
に応じた複数の属性に抽象化して定性的に処理し、この
定性的な情報に基づいて、この制御目的に対応した所定
の評価関数を最小にする制御出力ｆi を算出し、出力す
る。定量的なコントローラは定常的な状態のときに効果
的に制御することができ、また、定性的なコントローラ
は抽象的に処理しているので、非定常的な状態のときで
も効果的に制御できる。そして、各コントローラに対応
したエバリュエータは、対応する制御目的に応じた所定
の目的関数を最小にするように前記各コントローラの制
御出力ｆi を評価し、操作指令ｒに対する制御出力ｆi
の介在率ｐi 、すなわち制御出力ｆi を加味する割合を
決める。また、インテグレータは、制御対象１の状態量
Ｘ(t) に基づいて、操作指令ｒと積ｐi ｆi との和で表
される複数の制御指令ｕi の内、現在の状態量Ｘ(t) に
おいて最適な、つまり所定の目的関数を最小にするよう
な制御指令ｕi を選択して出力する。この結果、定量的
なコントローラが制御目的の達成が困難な状態のとき
に、これに代わって定性的なコントローラが介入して制
御するので、確実に制御目的が達成される。したがっ
て、マンマシン制御系において、例えば制御系のセンサ
の突然の故障や、制御系への外乱の侵入により、定量的
な制御のみでは制御困難となったときでも、定性的に制
御するので確実に制御目的を達成することができる。

【０００７】請求項２に記載の発明は、制御対象１を操
作する操作者の操作指令ｒと制御対象１の状態量Ｘ(t)
とを入力し、この操作指令ｒに応じて前記状態量Ｘ(t)
を制御するマンマシン制御系の制御装置において、前記
操作指令ｒ及び前記状態量Ｘ(t) を入力して定量的に処
理し、この定量的な操作指令ｒ及び状態量Ｘ(t) に基づ
いて、制御対象１の複数の異なる制御目的毎に対応した
評価関数を最小にするような制御出力ｆi をそれぞれ演
算して出力し、それぞれ制御目的毎の定量的制御を行う
複数の定量的なコントローラ１４，１６と、前記操作指
令ｒ及び前記状態量Ｘ(t) を入力して、抽象度のレベル
に応じて異なった種類の複数の属性にそれぞれ抽象化し
て定性的に処理し、この定性的な操作指令ｒ及び状態量
Ｘ(t) に基づいて、制御対象１の複数の異なる制御目的
毎に対応した評価関数を最小にするような制御出力ｆi
をそれぞれ演算して出力し、それぞれ制御目的毎の、抽
象度が異なる定性的制御を行う複数の定性的なコントロ
ーラ１５，１７と、前記操作指令ｒに基づいて、操作者
が前記各制御目的をどの程度意図して操作したかを各制
御目的毎に判断し、各制御目的に応じた操作指令ｒ0 を
出力するインタプリタ１１と、各制御目的に対応する前
記各コントローラ１４，１５，１６，１７からの前記制
御出力ｆi 、及びこの制御出力ｆi と前記操作指令ｒと
の加算値を前記インタプリタ１１を介してそれぞれ入力
すると共に、前記操作指令ｒ0 及び前記状態量Ｘ(t) を
それぞれ直接入力し、この入力した各制御出力ｆi 、前
記各加算値、操作指令ｒ0 及び状態量Ｘ(t) に基づいて
それぞれの制御目的に応じた所定の第１の目的関数を最
小にするような、操作指令ｒに対する各制御出力ｆi の
介在率ｐi を決定し、対応するそれぞれの介在率ｐi と
制御出力ｆi との積ｐi ｆi を求め、この積ｐi ｆi を
各コントローラ１４，１５，１６，１７に対応してそれ
ぞれ出力する複数のエバリュエータ１２ａ〜１２ｄと、
各コントローラ１４，１５，１６，１７毎に対応して、
各エバリュエータ１２ａ〜１２ｄからの積ｐi ｆi と前
記操作指令ｒとの和ｕi を求め、前記状態量Ｘ(t) に応
じて所定の第２の目的関数を最小にするように、前記求
めた複数の和ｕi の内のいずれか１つを選択し、この選
択した和ｕi を制御指令ｕとして出力するインテグレー
タ１３と、このインテグレータ１３からの制御指令ｕを
受けて、状態量Ｘ(t) を制御するアクチュエータを駆動
する制御器３１とを備えたマンマシン制御系の知的制御
装置としている。

【０００８】請求項２に記載の発明によると、インタプ
リタ１１は操作者の操作指令ｒに基づいて、操作者が複
数の制御目的の内の各目的をどの程度意図して操作した
かを各制御目的毎に判断し、操作意図に沿った操作指令
ｒ0 を各制御目的に対応するエバリュエータ１２ａ〜１
２ｄに出力する。そして、各制御目的に対応したエバリ
ュエータ１２ａ〜１２ｄは、それぞれ入力した前記操作
意図に沿った操作指令ｒ0 と、各制御目的に対応した各
コントローラ１４〜１７の制御出力ｆi と、制御対象１
の状態量Ｘ(t) とに基づいて、この制御目的に応じた所
定の目的関数を最小にするように前記各制御出力ｆi を
評価し、操作指令ｒに対する制御出力ｆi の介在率ｐi
、すなわち制御出力ｆi を加味する割合を決める。こ
れにより、制御出力ｆi に操作者の操作意図が反映され
るので、この操作意図に沿った制御を行うことができ
る。また、インテグレータは、制御対象１の状態量Ｘ
(t) に基づいて、操作指令ｒと積ｐi ｆi との和で表さ
れる複数の制御指令ｕi の内、現在の状態量Ｘ(t) にお
いて最適な、つまり所定の目的関数を最小にするような
制御指令ｕi を選択して出力する。したがって、本マン
マシン制御系の知的制御装置は、センサの故障時や、外
乱の侵入時等のような非定常時に、定量的な制御のみで
は制御目的の達成が困難なときでも、定性的に処理して
制御するので、確実に制御目的を達成することができ
る。この結果、操作意図と制御目的との整合性が取れる
ので、操作性の良い、安定性が向上したマンマシン制御
系の知的制御装置を構成できる。

【０００９】請求項３に記載の発明は、請求項２記載の
マンマシン制御系の知的制御装置において、フォークリ
フト又はクレーン等の産業車両を前記制御対象１とする
と共に、前記複数の定量的なコントローラ１４，１６、
及び前記複数の定性的なコントローラ１５，１７が、そ
れぞれ、この産業車両の振動抑制と転倒防止とを制御目
的とした定量的振動コントローラ１４と定量的転倒コン
トローラ１６、及び定性的振動コントローラ１５と定性
的転倒コントローラ１７である。

【００１０】請求項３に記載の発明によると、フォーク
リフトやクレーン等の産業車両において、車両の振動抑
制及び転倒防止を制御するために、両方の制御目的に応
じた定量的なコントローラと定性的なコントローラとを
それぞれ備える。そして、これらの複数のコントローラ
の制御出力ｆi に基づいて、前記請求項２に記載のよう
に、操作意図、すなわち振動抑制及び転倒防止の制御目
的に整合し、かつ、現在の状態量Ｘ(t) において最適な
制御指令ｕi を選択し、この制御指令ｕi により産業車
両を制御する。この結果、産業車両の振動抑制及び転倒
防止の制御が非定常時でも操作意図に沿って確実に行わ
れるので、操作性及び安全性の向上を図ることができ
る。

【００１１】請求項４に記載の発明は、請求項１、２又
は３記載のマンマシン制御系の知的制御装置において、
前記インテグレータ１３が、ニューラルネットワークに
より構成されている。

【００１２】請求項４に記載の発明によると、請求項
１、２又は３記載の発明による作用及び効果に加え、イ
ンテグレータがニューラルネットワークにより構成され
ているので、遺伝的アルゴリズムを使用して重み及びし
きい値を精度良く学習できる。したがって、各制御目的
を確実に達成できるマンマシン制御系の知的制御装置を
構成できる。

【００１３】請求項５に記載の発明は、請求項１〜４の
いずれか１つに記載のマンマシン制御系の知的制御装置
において、前記複数のエバリュエータ１２ａ〜１２ｄ
が、それぞれ、対応する前記各コントローラ１４，１
５，１６，１７と同じ抽象度で前記操作指令ｒ及び前記
状態量Ｘ(t) を処理するようにしている。

【００１４】請求項５に記載の発明によると、各エバリ
ュエータにおいて、各コントローラの制御出力ｆi を評
価する際の操作指令ｒ及び状態量Ｘ(t) を処理するアル
ゴリズムの抽象度は、対応するそれぞれのコントローラ
の抽象度と同じとなっており、各エバリュエータはこの
ときの操作意図に沿って操作指令ｒに対する各コントロ
ーラの制御出力ｆi の介在率ｐi 、すなわち加味する度
合いを決定する。したがって、エバリュエータの評価結
果の信頼性が高くなり、求めた介在率ｐi による制御は
確実に制御目的を達成できる。

【００１５】請求項６に記載の発明は、請求項１〜５の
いずれか１つに記載のマンマシン制御系の知的制御装置
において、前記複数のエバリュエータ１２ａ〜１２ｄが
それぞれニューラルネットワークにより構成されてい
る。

【００１６】請求項６に記載の発明によると、請求項１
〜５のいずれか１つに記載の発明による作用及び効果に
加え、エバリュエータ１２ａ〜１２ｄがニューラルネッ
トワークにより構成されているので、遺伝的アルゴリズ
ムを使用して重み及びしきい値を精度良く学習できる。
したがって、各制御目的を確実に達成できるマンマシン
制御系の知的制御装置を構成できる。

【００１７】請求項７に記載の発明は、請求項１〜６の
いずれか１つに記載のマンマシン制御系の知的制御装置
において、前記複数の定量的なコントローラ１４，１
６、及び前記複数の定性的なコントローラ１５，１７
が、それぞれニューラルネットワークにより構成されて
いる。

【００１８】請求項７に記載の発明によると、請求項１
〜６のいずれか１つに記載の発明による作用及び効果に
加え、定量的なコントローラ及び定性的なコントローラ
がニューラルネットワークにより構成されているので、
制御対象あるいは目的関数が非線形な特性を有するとし
ても誤差逆伝播法などの簡単な学習法によってニューラ
ルネットワークの重み及びしきい値を精度良く学習でき
る。したがって、各制御目的を確実に達成できるマンマ
シン制御系の知的制御装置を構成できる。

【００１９】請求項８に記載の発明は、請求項２〜７の
いずれか１つに記載のマンマシン制御系の知的制御装置
において、前記インタプリタ１１が、前記操作指令ｒの
制御目的毎の帯域フィルタにより構成されている。

【００２０】請求項８に記載の発明によると、インタプ
リタは操作指令ｒを帯域フィルタを経由して入力するこ
とよって制御目的を判断している。すなわち、例えば、
産業車両の振動抑制と転倒防止を制御目的としている場
合、振動抑制を目的とする操作は高周波成分が係わるこ
とが多いので、ハイパスフィルタによって振動抑制の意
図を解読することができる。また、加減速時の操作は低
周波成分により、転倒防止の操作は全周波数成分に係わ
ると考えられる。したがって、これらの帯域フィルタを
経由して操作指令ｒを入力することにより、操作の意図
つまり制御目的を的確に捕らえられるので、マンマシン
制御系での操作意図と制御指令との整合をとることがで
きる。

【００２１】

【発明の実施の形態】以下、図面を参照しながら実施形
態を詳細に説明する。なお、以下には、フォークリフト
の振動抑制制御と前方転倒防止制御に関する知的制御装
置の例をあげて説明する。図１は、本発明に係わる知的
制御装置の一実施形態を表すハード構成図を示してい
る。同図において、制御対象１は、車載バッテリー４か
らの電気エネルギーによって走行及び作業機を電気駆動
する、いわゆるバッテリーフォークリフトである。以
後、説明を分かりやすくするために、ここでは制御対象
１をフォークリフト１と呼ぶ。フォークリフト１は、車
体２の前部及び後部の左右にそれぞれ前輪３ａ，３ａ及
び後輪３ｂ，３ｂを走行自在に有している。また、車体
２の所定位置には走行用のサーボモータ５が搭載されて
おり、このサーボモータ５によって例えばクラッチ及び
トランスミッション等の図示しない動力伝達手段を介し
て前輪３ａ，３ａを駆動してフォークリフト１は走行す
るようになっている。また、車体２の前端部の左右には
マスト６，６が上下方向に設けられており、このマスト
６，６の前部には、荷８が積載される２本のフォーク
７，７を有するリフト装置７ａが昇降自在に装着されて
いる。そして、このリフト装置７ａは図示しない昇降用
サーボモータにより例えばチェーン等の伝達手段を介し
て上下方向に駆動される。

【００２２】サーボモータ５には、モータ回転角度を検
出するエンコーダ等からなる角度センサ３５が装着され
ており、この角度センサ３５によりフォークリフト１の
走行距離及び走行速度を検出している。また、車体２の
所定位置には、フォークリフト１の前後方向の傾斜角度
θg を検出する傾斜角度センサ３７が取り付けられてい
る。ここで、車体２とマスト６，６とは強固に固定され
ていて一体とみなされるので、傾斜角度センサ３７によ
り検出された傾斜角度θg はマスト６，６側の傾斜角度
と等しいものとする。また、前輪３ａ，３ａと後輪３
ｂ，３ｂはそれぞれのタイヤの弾性特性及びダンパ特性
によってバネ・ダンパ系とみなされ、このときの前輪３
ａ，３ａ側のバネ系のバネ変位を検出する変位センサ３
６が前輪３ａ，３ａの近傍の車体２に取り付けられてい
る。そして、これらの角度センサ３５、変位センサ３６
及び傾斜角度センサ３７が出力する各検出信号は知的演
算部１０に入力されている。

【００２３】操作指令部２０は、オペレータがフォーク
リフト１の振動抑制又は転倒防止のための操作を行った
とき、この操作量に対応した操作指令ｒを出力するもの
であり、例えばマイクロコンピュータ等のコンピュータ
装置から構成されている。本実施形態では、操作指令ｒ
としてトルク指令を出力するように構成しており、例え
ば、図示しないアクセルベダルによるアクセル指令信
号、及び、図示しないフットブレーキの踏み込みによる
ブレーキ指令信号等を入力し、これらの入力信号に基づ
いてオペレータの操作量に対応するトルク指令を求めて
出力するようにしている。

【００２４】知的演算部１０は知的制御装置の主要部を
なしており、例えばマイクロコンピュータやディジタル
信号プロセッサ（いわゆる、ＤＳＰ）等を主体にして構
成されている。知的演算部１０は、操作指令部２０から
の前記操作指令ｒを入力すると共に、制御対象１の各状
態信号を入力し、これらの操作指令ｒ及び状態信号に基
づいて所定の評価関数を最小又は最大にするような演算
処理を行って最適な制御指令ｕを求め、この制御指令ｕ
を制御器３１に出力することにより制御対象１を制御し
ている。なお、制御対象１の状態信号は前記角度センサ
３５からの角度信号より算出される水平方向変位及び水
平方向移動速度、傾斜角度センサ３７からの角度信号に
より算出される車体重心の回転角度及び回転角速度、及
び、変位センサ３６からの変位信号より算出される前輪
３ａ，３ａ側タイヤ部のバネ系の変位及び及び変位速度
等の情報が含まれる。本実施形態では、知的演算部１０
はこの制御指令ｕとして、サーボモータ５の出力トルク
を制御するためのトルク指令Ｔr を求めている。

【００２５】制御器３１は、知的演算部１０からの前記
制御指令ｕを入力し、この制御指令ｕに基づいて制御対
象１の各アクチュエータを駆動して制御する。ここで
は、制御器３１はサーボモータ５を駆動するサーボアン
プから構成されており、知的演算部１０からの前記トル
ク指令Ｔr を受けてサーボモータ５の出力トルクを制御
している。

【００２６】図２には本実施形態に係わる知的制御装置
の機能構成ブロック図を示しており、以下、同図に基づ
いて各機能を詳細に説明する。知的演算部１０は、イン
タプリタ１１と、各コントローラ１４〜１７と、エバリ
ュエータ１２と、インテグレータ１３とを備えている。
前記操作指令部２０の操作指令ｒは、このインタプリタ
１１、各コントローラ１４〜１７及びインテグレータ１
３にそれぞれ入力されている。インタプリタ１１は、操
作指令部２０から入力した前記操作指令ｒに基づいて操
作者の操作意図を解釈し、この意図がどのような制御目
的かを判断するものである。本発明に係る知的制御装置
においては、操作者の異なった操作意図つまり制御目的
に対しても、そのときの制御対象１の状態信号に応じて
最適な制御を可能とするように制御指令ｕが演算されて
いるが、本インタプリタ１１は、操作指令ｒの内の各制
御目的に沿った操作指令ｒ0 を判別し、この操作指令ｒ
0 をエバリュエータ１２に出力している。

【００２７】通常、フォークリフト１における走行時の
操作者の操作は、大きく分けて、加速、減速又は停止な
どの制動操作と、振動抑制操作とに分けられると考えら
れる。そこで、この２つのタイプの操作は操作指令ｒを
それぞれローパスフィルタ及びハイパスフィルタを通す
ことにより分けられるものとする。すなわち、操作指令
ｒの中の高周波成分（すばやく操作したときに相当）が
振動抑制操作によるものとし、また低周波成分（ゆっく
り操作したときに相当）が制動操作によるものと考えら
れる。本実施形態における知的制御装置は制御対象１
（フォークリフト１）を振動抑制と転倒防止の２つの異
なる制御目的で制御しており、よってここでのインタプ
リタ１１は、この２つの制御目的の内、振動抑制の場合
には上記のハイパスフィルタを通った操作指令ｒ0 をエ
バリュエータ１２に出力するようにしている。また、転
倒防止の場合には、経験的に振動抑制操作及び制動操作
の両方が寄与すると考えられるので、このインタプリタ
１１は前記操作指令ｒをそのまま操作指令ｒ0 としてエ
バリュエータ１２に出力するようにしている。

【００２８】定量的振動コントローラ１４、定性的振動
コントローラ１５、定量的転倒コントローラ１６及び定
性的転倒コントローラ１７は、それぞれ制御対象１の状
態量Ｘ(t) と操作指令部２０から前記操作指令ｒとを入
力し、この状態量Ｘ(t) 及び操作指令ｒに基づいてそれ
ぞれの制御目的に沿った制御出力ｆ1 〜ｆ4 を演算して
おり、その制御目的に応じて、かつ、制御アルゴリズム
の抽象度のレベルに応じて、それぞれの制御特性が異な
っている。

【００２９】定量的振動コントローラ１４と定性的振動
コントローラ１５は、共に振動抑制を目的とする制御を
行っている。定量的振動コントローラ１４は制御対象１
が定常状態の時に主導的に振動抑制の制御を行い、また
定性的振動コントローラ１５は、例えばセンサ類の異常
発生時や、予期せぬ外乱により制御が不安定になった時
などのように、定量的振動コントローラ１４では振動抑
制が困難であるような非定常状態の時に主導的に振動抑
制の制御を行う。このため、両方のコントローラの制御
アルゴリズムは抽象度が異なっている。すなわち、定量
的振動コントローラ１４は、定性的振動コントローラ１
５よりも抽象度が低いアルゴリズムによって記述されて
おり、具体的な説明は後述するが、状態量Ｘ(t) 及び操
作指令ｒの属性をより細分化して定量的に処理し、制御
出力ｆ1 を算出するようにしている。一方、定性的振動
コントローラ１５は状態量Ｘ(t) 及び操作指令ｒの属性
を大まかに区分（例えば４区分）して定性的に処理し、
これによって制御出力ｆ2を算出するようにしている。
そして、このことによって、定性的振動コントローラ１
５は定量的振動コントローラ１４では振動抑制が困難で
あるような非定常状態の時でも振動抑制が可能となって
いる。

【００３０】定量的転倒コントローラ１６と定性的転倒
コントローラ１７は共に転倒防止を目的とする制御を行
っており、上記の振動抑制の場合と同様にして、定量的
転倒コントローラ１６は定常状態の時に、また定性的転
倒コントローラ１７は非定常状態の時に、それぞれ主導
的に転倒防止の制御を行う。定量的転倒コントローラ１
６はその制御アルゴリズムが低い抽象度で、つまり、よ
り定量的に記述されており、定量的に制御出力ｆ3 を算
出している。また、定性的転倒コントローラ１７はその
制御アルゴリズムがこの定量的転倒コントローラ１６よ
りも抽象的に、つまり、より定性的に記述されており、
定性的に制御出力ｆ4 を算出している。これによって、
定性的転倒コントローラ１７は、定量的転倒コントロー
ラ１６では転倒防止できないような非定常状態の時でも
転倒防止が可能となっている。なお、各制御出力ｆi
（ｉ＝１〜４）はトルク指令に相当している。

【００３１】エバリュエータ１２は、以上の４つの異な
る制御目的に応じた操作指令ｒ0 を入力すると共に、制
御対象１の現在の状態量Ｘ(t) と、制御特性が異なる前
記複数のコントローラからの制御出力ｆ1 〜ｆ4 とを入
力する。そして、入力した各操作指令ｒ0 、制御状態信
号Ｘ(t) 及び制御出力ｆ1 〜ｆ4 に基づいて、後述する
所定のアルゴリズムによって演算処理を行い、最終の制
御指令ｕに対する各制御出力ｆ1 〜ｆ4 の介在率ｐi
（ｉ＝１〜４）を求めている。すなわち、エバリュエー
タ１２は、制御目的に応じた各操作指令ｒ0 によって現
在の制御状態の制御対象１を制御したとき、各コントロ
ーラ１４〜１７が介在した場合と、介在しない場合との
状態量Ｘ(t) の推定値をシュミレートし、この両方の場
合のシュミレート結果に基づいて、各コントローラ１４
〜１７の制御出力ｆ1 〜ｆ4 を操作指令ｒにどの程度加
味したら、つまり介在させたら、制御目的に合った最適
な制御状態となるかの評価を行う。そして、この評価に
基づいて、前記介在率ｐi を決定し、各コントローラ毎
に対応して介在率ｐi と制御出力ｆi との積ｐi ｆiを
求め、それぞれの積ｐi ｆi をインテグレータ１３に出
力している。

【００３２】図３及び図４を参照して、エバリュエータ
１２を詳細に説明する。本実施形態においては、エバリ
ュエータ１２は各コントローラ、すなわち定量的振動コ
ントローラ１４、定性的振動コントローラ１５、定量的
転倒コントローラ１６及び定性的転倒コントローラ１７
に対応したそれぞれのエバリュエータ１２ａ〜１２ｄを
備えている。図３はこの複数のエバリュエータ１２ａ〜
１２ｄを備えた知的制御装置の概念図であり、図４は各
コントローラ１４〜１７とエバリュエータ１２ａ〜１２
ｄとの関係を説明した概念図である。これらの図におい
て、各コントローラ１４〜１７には同一の状態量Ｘ(t)
及び操作指令ｒがそれぞれ入力されており、それぞれの
制御出力ｆi （ｉ＝１〜４）は前記操作指令ｒに加算さ
れてインタプリタ１１に入力されている。また、前記制
御出力ｆi が加算されない前記操作指令ｒも上記と並列
にインタプリタ１１に入力されている。

【００３３】各エバリュエータ１２ａ〜１２ｄはそれぞ
れに対応して、構成が同一の第１の機械モデル４１ａ〜
４１ｄと第２の機械モデル４２ａ〜４２ｄ、及びこの第
１と第２の機械モデル４１ａ〜４１ｄ，４２ａ〜４２ｄ
からの各出力値を評価するエバリュエータ本体４３ａ〜
４３ｄを内部に有している。ここで、符号の添字ａは定
量的振動コントローラ１４に、添字ｂは定性的振動コン
トローラ１５に、添字ｃは定量的転倒コントローラ１６
に、そして添字ｄは定性的転倒コントローラ１７に対応
しているものとする。

【００３４】そして、前記制御出力ｆi （ｉ＝１〜４）
が加算されない操作指令ｒはインタプリタ１１を経由し
て、また前記状態量Ｘ(t) は直接、各第１の機械モデル
４１ａ〜４１ｄに入力されており、各第１の機械モデル
４１ａ〜４１ｄは機械側の状態遷移をシュミレートして
所定のサンプリング時間Δｔ後の推定状態量Ｘ1(t ＋Δ
t)をそれぞれに対応するエバリュエータ本体４３ａ〜４
３ｄに出力している。また、前記制御出力ｆi が加算さ
れた操作指令ｒはインタプリタ１１を経由して、また前
記状態量Ｘ(t) は直接、各第２の機械モデル４２ａ〜４
２ｄに入力されており、各第２の機械モデル４２ａ〜４
２ｄは第１の機械モデル４１ａ〜４１ｄと同様に機械側
の状態遷移をシュミレートして推定状態量Ｘ2(t ＋Δt)
をそれぞれに対応するエバリュエータ本体４３ａ〜４３
ｄに出力している。なお、このときのインタプリタ１１
は、前述のように、定量的振動コントローラ１４及び定
性的振動コントローラ１５に対応する場合には入力の操
作指令ｒをハイパスフィルタを経由して操作指令ｒ0 と
して出力し、定量的転倒コントローラ１６及び定性的転
倒コントローラ１７に対応する場合には入力の操作指令
ｒをそのまま操作指令ｒ0 として出力している。また、
操作指令ｒと制御出力ｆi との加算値をインタプリタ１
１に入力したときは、この加算値が上記操作指令ｒと同
様にインタプリタ１１により解読されて出力される。

【００３５】各エバリュエータ本体４３ａ〜４３ｄはそ
れぞれに対応した上記２つの推定状態量Ｘ1(t ＋Δt)及
び推定状態量Ｘ2(t ＋Δt)を入力し、この推定状態量に
基づいて演算処理を行い、操作指令ｒと各コントローラ
１４〜１７の前記制御出力ｆi との比率、すなわち介在
率ｐi を出力している。ここで、ｉは１〜４であり、各
ｉは各コントローラ１４〜１７にそれぞれ対応してい
る。そして、各コントローラ１４〜１７に対応した前記
介在率ｐi と前記制御出力ｆi との積ｐi ｆi が掛け算
器によりそれぞれ演算され、各積ｐi ｆi はインテグレ
ータ１３に出力される。

【００３６】次にインテグレータ１３は、この各積ｐi
ｆi を入力すると共に、操作指令部２０から前記操作指
令ｒを入力し、各積ｐi ｆi と操作指令ｒとの各和ｕi
を数式「ｕi ＝ｒ＋ｐi ｆi 」により求め、これに基づ
いて、数式「ｕ＝Σｑi ｕi」により制御指令ｕを求め
る。ここで、ｑi は，各コントローラ１４〜１７毎に対
応した前記和ｕi の内いずれか１つを選択するための係
数を表しており、係数ｑi （ｉ＝１〜４）の内いずれか
１つのみが略１となり、他は略０となるように、インテ
グレータ１３は各係数ｑi を決定する。すなわち、イン
テグレータ１３は、操作指令ｒの意図に沿って、かつ、
そのときの制御状態に応じて、確実にその制御目的が達
せられるような各係数ｑi を求める。そして、この各係
数ｑi から、数式「ｕ＝Σｑi(ｒ＋ｐi ｆi ）」に基づ
いて最終的な制御指令ｕを求め、これを制御器３１に出
力する。

【００３７】この制御指令ｕは前述のようにサーボモー
タ５のトルク指令Ｔr として算出されており、制御器３
１はこの制御指令ｕに基づくトルク制御を行って、操作
者の意図に沿った振動抑制又は転倒防止を確実に達成さ
せている。

【００３８】各制御機能ブロックの機能は上述したとお
りであるが、本実施形態においては、各コントローラ１
４〜１７、エバリュエータ１２及びインテグレータ１３
はニューラルネットワークにより構成されており、以下
にその詳細を説明する。

【００３９】まず、図１で示した制御対象１の運動方程
式に基づいて、制御対象１の状態方程式を線形近似によ
り求める。ここで、制御対象１をモデル化して、図５に
示すようなモデルを得る。このモデルは３自由度で示し
てあり、その自由度はそれぞれ車体２の走行、ピッチン
グ、及びバウンシングである。そして、前述のように、
操作指令ｒと各コントローラ１４〜１７による制御量
は、サーボモータ５に対するトルク指令値として与えら
れるものとする。

【００４０】図５において、各パラメータは表１のとお
りである。

【表１】

【００４１】同図のように、サーボモータ５が発生する
トルクが前輪３ａ，３ａのタイヤに伝達されて力ｕ0 を
発生するとする。ただし、状態量は前輪３ａ，３ａの水
平方向絶対変位ｘf 、前輪３ａ，３ａのタイヤ部のモデ
ル化されたバネの相対変位ｚf 、及び車体全体の重心の
回転絶対角度θg とする。水平方向絶対変位ｘf は角度
センサ３５からの角度信号に基づいて算出され、また、
相対変位ｚf 及び回転絶対角度θg はそれぞれ変位セン
サ３６及び傾斜角度センサ３７からの検出信号に基づい
て算出される。このとき、運動エネルギＴ、ポテンショ
エネルギＵ、及び散逸エネルギＤはそれぞれ下記の数１
〜数３のように記述される。

【００４２】

【数１】

【数２】

【数３】

【００４３】そして、これらをラグランジュの方程式に
代入して、次の数４〜６を得る。

【数４】

【数５】

【数６】

【００４４】このラグランジュの方程式より３自由度モ
デルの運動方程式を導出すると、数７が得られる。

【数７】

【００４５】さらに、サーボモータ５を含めた駆動系の
摩擦、及び走行時のタイヤと路面との摩擦を考慮した運
動方程式は、以下の数８〜１０によって表される。

【００４６】

【数８】

【００４７】

【数９】

【数１０】

【００４８】ただし、ζはサーボモータ５から前輪３
ａ，３ａまでの減速比、ηは駆動系の仕事率、αはサー
ボモータ５の入力電圧１ボルトに対するモータ出力トル
ク、ｕはサーボモータ５への入力電圧（すなわち、制御
指令に相当する）、δはタイヤの半径である。また、Ｒ
M1は駆動系の粘性抵抗係数、ＲM2は水平方向絶対速度d
(ｘf)の絶対値の大きさが所定値（ここでは、｜d(ｘf0)
｜で表す）よりも大きいときの駆動系の動摩擦係数、
ＲM0は水平方向絶対速度d(ｘf)の絶対値の大きさが上記
所定値よりも小さいときの駆動系の動摩擦係数、ＲR0は
走行時のタイヤと路面との動摩擦係数である。ここで、
駆動系の摩擦は、水平方向絶対速度d(ｘf)の絶対値の大
きさが上記所定値よりも大きいときは動摩擦と粘性摩擦
抵抗によるものとし、上記所定値より小さいときは動摩
擦のみとしている。

【００４９】そして、前述の数８により表された運動方
程式を車体重心の回転絶対角度θgが微小であると仮定
して線形近似し、これによって状態方程式を得る。本実
施形態における知的制御装置は、図６に示すように後輪
３ｂ，３ｂが接地している振動抑制制御時のモデルと、
図７に示すように後輪３ｂ，３ｂが接地していない転倒
防止制御時のモデルとのそれぞれに対する状態方程式を
考慮している。振動抑制制御時のモデルでは、求めた状
態方程式において、後輪３ｂ，３ｂのタイヤ部のバネ定
数ｋr 及び減衰定数ｃr のパラメータ値を制御対象のフ
ォークリフト１の実機特性に合わせた所定値（例えば、
本実施形態においては、ｋr ＝5416(N/m) ，ｃr ＝165
(NS/m) ）に設定し、また転倒防止制御時のモデルで
は、求めた状態方程式において前記バネ定数ｋr 及び減
衰定数ｃr のパラメータ値を共に０に設定すればよい。

【００５０】ここで、新たに、状態量Ｘを次の数式１１
のように表すものとする。

【数１１】

【００５１】この状態量Ｘに対して、数８により表され
た運動方程式を回転絶対角度θg が微小であると仮定し
て線形近似し、以下の数１２のような状態方程式を得
る。

【数１２】

【００５２】以上のようにして得られた状態方程式に基
づいて、各コントローラ１４〜１７、エバリュエータ１
２及びインテグレータ１３のそれぞれのニューラルネッ
トワークの構成、すなわち、各ニューロンの重みやしき
い値を学習している。

【００５３】まず、定量的振動コントローラ１４の具体
的な構成について説明する。図８は、定量的振動コント
ローラ１４を３層構造のニューラルネットワークにより
表した例を示している。本実施形態では、この３層構造
の第１層目及び第３層目（ここでは、出力層である）に
それぞれ線形ニューロンを用い、また、第２層目にシグ
モイダルニューロンを用いた例を示している。ここで、
各ニューロンは、図９で示すように、ニューロンへの各
入力信号Ｓ1(t)〜Ｓn(t)にそれぞれの重みｗj（j ＝１
〜ｎ）がかかって数式「ａ＝Σｗj Ｓj 」で表される所
定の膜電位ａを発生するものとし、この膜電位ａは各ニ
ューロンが有する特有の入出力関係に基づいて出力信号
ｈ(t) に変換されるものとする。このとき、前記線形ニ
ューロンは上記入出力関係が１次関数により表されるも
のであり、またシグモイダルニューロンは入出力関係が
以下の数１３又は数１４のシグモイド関数で表されるも
ので、このシグモイド関数は例えば図１０のように表さ
れる。ここで、図１０(i)及び図１０(ii)は、それぞれ
数１３及び数１４を表している。本実施形態では、定量
的振動コントローラ１４のニューラルネットワークに用
いられるシグモイド関数は数１３で表されている。

【００５４】

【数１３】

【数１４】 ここで、γは傾きを表し、βはしきい値を表すパラメー
タである。なお、以後の説明おいて、各ニューロンは上
記ニューロンと同様に構成されているものとする。

【００５５】図８に示したように、定量的振動コントロ
ーラ１４の第１層目には、以下の数１５によって示され
る情報Ｈ、すなわち制御対象１の状態量Ｘ(t) 及び操作
指令ｒが入力されている。なお、本実施形態では、車体
２の水平方向の変位（ここでは、前輪３ａ，３ａの水平
方向の絶対変位ｘf ）を状態量Ｘ(t) に含めていない
が、これは、実際の走行するフォークリフト１におい
て、絶対変位ｘf は実質的には測定不能であることを考
慮したものである。なお、この水平方向の絶対変位ｘf
を状態量Ｘ(t) に含めないこととするのは、以後の説明
においても同様とする。

【数１５】 定量的振動コントローラ１４はこの入力した情報Ｈを３
層構造のニューラルネットワークにより処理し、出力信
号ｆi(t)（ここで、ｉ＝１）としてトルク指令を得る。

【００５６】そして、定量的振動コントローラ１４の各
ニューロンの各入力信号に対応する重みはｗjmn で表さ
れている。ここで、ｊは層番号を表して１〜３の値をと
り、ｍは各層でのニューロン番号を表し、またｎは当該
入力信号の前層のニューロン番号であり、この前層のニ
ューロン番号に対応する出力信号ｈ(t) にかかる重みで
あることを表している。この重みｗjmn は、図６に示し
た接地モデルにおいて前記数１２の状態方程式により近
似された線形モデルの上記情報Ｈに基づいて、学習によ
って求められている。この学習に当たっては、まず、こ
の線形モデルについて次の数１６で表される評価関数Ｊ
を最小にするように、線形最適制御理論に基づいて所定
サンプリング時間毎の状態量Ｘ(t) が演算により求めら
れ、これらの状態量Ｘ(t) のデータが学習の教師信号と
して得られる。

【００５７】

【数１６】 ここで、d(θg)は前述のように車体全体の重心の回転絶
対角度θg の１次微分値、つまり回転絶対角速度の大き
さを表し、また、ｆは対応するコントローラの制御出力
ｆi （ここでは、定量的振動コントローラ１４の制御出
力ｆ1 ）を表している。そして、ａ及びｂは、この（d
(θg)）² とｆ² との評価の比率を表している。

【００５８】そして、この得られた教師信号は図８に示
したニューラルネットワークに逐次入力され、一般的な
誤差逆伝播法によって、各時刻での教師信号と本機械モ
デルから出力される推定状態量Ｘ(t) との誤差を最小と
するような各重みｗjmn が学習される。各重みｗjmn
は、学習によって最適値が決定されたら、この学習され
た最適値に固定される。

【００５９】次に、定量的振動コントローラ１４に対応
するエバリュエータ１２ａの各構成について説明する。
第１の機械モデル４１ａ及び第２の機械モデル４２ａ
は、図１１に示されるようなニューラルネットワークか
ら構成されている。このニューラルネットワークは３層
構造となっており、その第１層目に線形ニューロンを、
また第２層目及び第３層目（出力層）に前記数１３のシ
グモイド関数を用いたシグモイダルニューロンを有して
いる。そして、このニューラルネットワークの各ニュー
ロンの重みは、以下のようにして学習されたものであ
る。まず、図６に示した接地モデルにおいて前述の数１
２の状態方程式により近似された線形モデルを用いて、
所定のサンプリング時間毎の状態量Ｘ(t) とこの状態量
Ｘ(t) に対する操作指令ｒとの時系列的なデータすなわ
ち時刻歴が求まる。ここに、状態量Ｘ(t) 及び操作指令
ｒは前記数１５により表される情報Ｈと同じである。つ
ぎに、この時刻歴を教師信号として、誤差逆伝播法を用
いて前述と同様にして各重みが学習される。振動抑制の
制御時には、この学習された第１の機械モデル４１ａ及
び第２の機械モデル４２ａにおいて、前述したように現
在の状態量Ｘ(t) 、操作指令ｒ、及び定量的振動コント
ローラ１４からの制御出力ｆ1 が入力されると、上記の
ニューラルネットワークにより処理されて所定サンプリ
ング時間後の推定状態量Ｘ1a(t＋Δt)及び推定状態量Ｘ
2a(t＋Δt)がそれぞれ出力される。

【００６０】また、エバリュエータ本体４３ａは、図１
２に示されるような３層構造のニューラルネットワーク
により構成されており、その第１層目に線形ニューロン
を、第２層目に前記数１３のシグモイド関数を用いたシ
グモイダルニューロンを、また第３層目（出力層）に前
記数１４のシグモイド関数を用いたシグモイダルニュー
ロンを有している。このエバリュエータ本体４３ａは、
第１の機械モデル４１ａ及び第２の機械モデル４２ａか
らそれぞれ推定状態量Ｘ1a(t＋Δt)及び推定状態量Ｘ2a
(t＋Δt)を入力し、ニューラルネットワークによる所定
の処理後、定量的振動コントローラ１４に対応した介在
率ｐ1 を出力する。

【００６１】エバリュエータ本体４３ａの重みの学習
は、図１３に示すような配列に基づいて行われる。同図
において、定量的振動コントローラ１４、第１の機械モ
デル４１ａ及び第２の機械モデル４２ａの各ニューラル
ネットワークは、これまでに説明したようにして学習さ
れたものである。また、システム１Ａは制御対象１の実
モデルのことであり、この学習のときには、前記数７に
より求められた非線形運動方程式を解いてシステム１Ａ
の各状態量Ｘ(t＋Δt)を求めている。

【００６２】本学習においては、フォークリフト１が例
えば５m/s 等の所定速度で走行しているときに、オペレ
ータが操作量を与えて操作指令部２０から操作指令ｒを
出力し、この出力を開始した時刻より本知的制御装置が
制御を開始するものとしている。また、この開始時刻に
おける水平方向速度以外の状態量Ｘ(t) は、制御系とし
て安定した状態、いわゆる平衡状態にあるものとしてい
る。また、フォークリフト１の水平方向速度が１m/s 以
下になるとその速度に比例してオペレータの操作量、す
なわち前記操作指令ｒが減少すると仮定し、停止後に車
体に発生する残留振動に対しては制御を行わないものと
している。そして、この学習に使用する時刻歴は、操作
指令ｒを出力開始した時刻を０sec としている。

【００６３】このとき、図１３において、複数の異なる
大きさの操作指令ｒが入力され、この各操作指令ｒに対
してエバリュエータ１２ａが出力する、すなわちエバリ
ュエータ本体４３ａが出力する介在率ｐ1 と、定量的振
動コントローラ１４の制御出力ｆ1 との積ｐ1 ｆ1 が、
入力操作量としてシステム１Ａへ入力される。そして、
前記数７の非線形運動方程式を解いてシステム１Ａの各
状態量Ｘ(t) が求められ、この状態量Ｘ(t) が以下のよ
うな数１７で表される目的関数を最小にするように、遺
伝的アルゴリズムにより各エバリュエータ１２ａ〜１２
ｄの重みが学習される。

【００６４】

【数１７】 ここで、ａ，ｂは( d(θg))²とｐ² との比率を決める所
定数である。また、Ｐは、本知的制御装置による制御を
行ったときに制御目的が必ず達成されるようにするため
のペナルティーであり、学習時には、制御目的（例え
ば、振動抑制又は転倒防止等であり、ここでは振動抑制
を指す）を達成できないような状態量Ｘ(t) に対して
は、〔ａ( d(θg))²＋ｂｐ² 〕の大きさと比較して非常
に大きな値に設定され、また、この制御目的を達成する
ような状態量Ｘ(t) に対しては、例えば０のような小さ
な値に設定される。

【００６５】なお、上記の遺伝的アルゴリズムはニュー
ラルネットワークの学習法としては一般的なものであ
り、ニューラルネットワークの各重み、しきい値等の各
パラメータの所定の組み合わせを遺伝子と見立て、この
遺伝子の交配合を繰り返すことにより、精度の高いパラ
メータを学習することができる。

【００６６】次に、定性的振動コントローラ１５と、こ
のコントローラに対応するエバリュエータ１２ｂが有す
る第１の機械モデル４１ｂ、第２の機械モデル４２ｂ、
及びエバリュエータ本体４３ｂとについて説明する。定
性的振動コントローラ１５は図１４に示すような４層構
造のニューラルネットワークで構成されており、本実施
形態では第１層目及び第４層目（出力層）にそれぞれ線
形ニューロンを用い、また、第３層目にシグモイダルニ
ューロンを用いている。また、第２層目には、図１０で
示したようなシグモイド関数の傾きが急峻な（すなわ
ち、γが大きい）シグモイダルニューロンを用いてい
る。第２層目及び第３層目のシグモイダルニューロン
は、数１３で表されるシグモイド関数を用いている。こ
こでは、第１層目の１つのニューロンからの出力が第２
層目の３つのニューロンに入力されるようになってい
る。これによって、第１層に入力された情報Ｈは、第１
層と第３層との間で４つの属性に抽象化されている。

【００６７】定性的振動コントローラ１５において、前
記定量的振動コントローラ１４の場合と同様にして、前
記数１２の状態方程式により近似された線形モデルに対
する上記情報Ｈに基づいて、学習によって各重みが求め
られる。ただし、第２層目の急峻なシグモイダルニュー
ロンについては、重みは学習によらずに所定値とし、し
きい値βのみが学習される。また、この学習時の教師信
号は、定量的振動コントローラ１４の学習時に用いた教
師信号を傾きの大きい（数１３におけるγが大きい）シ
グモイド関数に通すことにより、同じ抽象度で抽象化を
行ったものである。このときの評価関数Ｊは前記数１６
により表され、この評価関数Ｊを最小にするような教師
信号が求められ、この教師信号に基づいて前述同様の誤
差逆伝播法によって各ニューロンの重み及びしきい値β
が求められる。

【００６８】また、第１の機械モデル４１ｂ及び第２の
機械モデル４２ｂは、図１５に示される５層構造のニュ
ーラルネットワークにより構成されている。ここでは、
第１層目は線形ニューロンにより、第３層目及び第４層
目はシグモイダルニューロンにより、また、第２層目及
び第５層目（出力層）は急峻なシグモイダルニューロン
により構成されている。ここで、各シグモイダルニュー
ロンは数１３で表されたシグモイド関数を用いている。
この急峻なシグモイダルニューロンは、前記定性的振動
コントローラ１５と同様に、抽象化された情報に基づい
て定性的に評価を行うためのものである。そして、本学
習においては、この急峻なシグモイダルニューロンの重
み及びしきい値βは学習によって求めるのでなく、前記
定性的振動コントローラ１５の学習によりその第２層に
おいて獲得された値を用いている。また、その他のニュ
ーロンの重みの学習は、前述のエバリュエータ１２ａの
第１の機械モデル４１ａ及び第２の機械モデル４２ａと
同様に、数１２の状態方程式により近似された線形モデ
ルを用いて教師信号を得た後、この教師信号に基づいて
誤差逆伝播法を用いて行われる。ただし、この学習時
に、各情報、すなわち状態量Ｘ(t) 及び操作指令ｒを、
それぞれに対して学習された前記しきい値βによって４
つの属性に抽象化した情報を教師信号としている。

【００６９】エバリュエータ本体４３ｂは、図１６に示
されるような３層構造のニューラルネットワークにより
構成されており、その第１層目に線形ニューロンを用
い、第２層目に数１３のシグモイド関数を用いたシグモ
イダルニューロンを、また第３層目（出力層）に数１４
のシグモイド関数を用いたシグモイダルニューロンを用
いている。エバリュエータ本体４３ｂの各重み及びしき
い値βの学習においては、学習条件及び目的関数等は前
述のエバリュエータ本体４３ａの学習と同じである。す
なわち、前記図１３に示したような配列において、上記
のようにして学習済みの定性的振動コントローラ１５、
第１の機械モデル４１ｂ及び第２の機械モデル４２ｂ
と、制御対象１の実モデルであるシステム１Ａとが用い
られる。そして、複数の操作指令ｒに対するシステム１
Ａの状態量Ｘ(t) が前記数７の非線形運動方程式を解い
て求められ、この求められた状態量Ｘ(t) が前記数１７
により表される目的関数を最小にするように、前述同様
の遺伝的アルゴリズムによりエバリュエータ本体４３ｂ
の各重みが学習される。

【００７０】次に、転倒防止を制御目的とする定量的転
倒コントローラ１６、定性的転倒コントローラ１７、及
びこの２つのコントローラにそれぞれ対応したエバリュ
エータ１２ｃ，１２ｄについても、これまでと同様にし
て学習することができる。転倒防止に係わる学習は、前
記図７に示したような後輪３ｂ，３ｂが接地していない
モデルに対して行われる。以下に、転倒防止に係わる学
習について、これまでの振動抑制に係わる学習と異なる
ことのみ説明する。

【００７１】定量的転倒コントローラ１６は前記図８に
示したような３層構造のニューラルネットワークにより
構成されている。ここで、定量的振動コントローラ１４
の場合と同様に、第１層目及び第３層目（出力層）に線
形ニューロンを用い、また、第２層目に数１３のシグモ
イド関数で表されるシグモイダルニューロンを用いてい
る。転倒防止のときの線形モデルに対する状態方程式
は、前記数１２に数式「ｋr ＝０」と「ｃr ＝０」を代
入して得られる。定量的転倒コントローラ１６の重みの
学習は、前記定量的振動コントローラ１４と同様にして
行われる。ただし、この学習の教師信号は、上記の転倒
防止のときの線形モデルの状態方程式に対して、下記の
数１８で表される評価関数を最小にするような線形最適
制御理論に基づいて求めた状態量Ｘ(t) から得られる。

【００７２】

【数１８】 転倒防止については、転倒しないことのみを制御目的と
しているので、ここでは角速度ではなく角度を最小にす
るように上記評価関数が設定されている。

【００７３】定量的転倒コントローラ１６に対応するエ
バリュエータ１２ｃは、前記図４に示したように、同一
の第１の機械モデル４１ｃと第２の機械モデル４２ｃ、
及びこの両機械モデルからの各出力値を評価するエバリ
ュエータ本体４３ｃを内部に有している。そして、第１
の機械モデル４１ｃは、定量的転倒コントローラ１６か
らの制御出力ｆ3 と操作指令ｒとの加算値をインタプリ
タ１１を経由して入力し、またこれと同時に状態量Ｘ
(t) を直接入力し、これにより機械側の状態遷移をシュ
ミレートして推定状態量Ｘ1c(t＋Δt)をエバリュエータ
本体４３ｃに出力している。また、第２の機械モデル４
２ｃは、前記制御出力ｆ3 と操作指令ｒとの加算値をイ
ンタプリタ１１を経由して入力し、またこれと同時に状
態量Ｘ(t)を直接入力し、これにより機械側の状態遷移
をシュミレートして推定状態量Ｘ2c(t＋Δt)をエバリュ
エータ本体４３ｃに出力している。そして、エバリュエ
ータ本体４３ｃは、この推定状態量Ｘ1c(t＋Δt)及び推
定状態量Ｘ2c(t＋Δt)を評価し、この評価結果を基に制
御出力ｆ3 の介在率ｐ3 を出力する。なお、転倒防止に
係わるインタプリタ１１は、入力した操作指令ｒ、及び
操作指令ｒと制御出力ｆ3 との加算値をそのまま出力す
る。

【００７４】この第１の機械モデル４１ｃ及び第２の機
械モデル４２ｃは、前記図１１に示したようなニューラ
ルネットワークにより構成されており、ニューロンの構
成は前記定量的振動コントローラ１４に対応する第１の
機械モデル４１ａ及び第２の機械モデル４２ａと同様で
ある。この第１及び第２の機械モデル４１ｃ，４２ｃの
重みの学習は、第１及び第２の機械モデル４１ａ，４２
ａの場合と同様にして、前述の転倒防止の場合の数１２
に相当する状態方程式により近似された線形モデルを用
いて教師信号を得た後、この教師信号に基づいて誤差逆
伝播法を用いて行われる。

【００７５】また、エバリュエータ本体４３ｃは前記図
１２に示したようなニューラルネットワークにより構成
されており、本実施形態では、そのニューロンの各構成
はエバリュエータ本体４３ａと同じにしている。そし
て、この重みの学習においては、学習条件及び目的関数
等はエバリュエータ本体４３ａの学習と同じである。す
なわち、前記図１３に示したような配列において、上記
の学習済みの定量的転倒コントローラ１６、第１の機械
モデル４１ｃ及び第２の機械モデル４２ｃと、制御対象
１の実モデルであるシステム１Ａとが用いられる。そし
て、複数の異なる大きさの操作指令ｒに対するシステム
１Ａの状態量Ｘ(t) が前記数７の非線形運動方程式を解
いて求められ、この状態量Ｘ(t) が以下の数１９により
表される目的関数を最小にするように、遺伝的アルゴリ
ズムによりエバリュエータ本体４３ｃの重み及びしきい
値が学習される。

【００７６】

【数１９】 ただし、Ｐは、転倒防止制御を行ったときにこの制御目
的が必ず達成されるようにするためのペナルティーであ
り、学習時には転倒防止を達成できないような状態量Ｘ
(t) に対しては，〔ａ( θg)² ＋ｂｐ² 〕の大きさと比
較して非常に大きな値とし、また、この転倒防止を達成
した状態量Ｘ(t) に対しては例えば０のような小さな値
としている。

【００７７】次に、定性的転倒コントローラ１７と、定
性的転倒防止に係わるエバリュエータ１２ｄが有する第
１の機械モデル４１ｄ、第２の機械モデル４２ｄ及びエ
バリュエータ本体４３ｄとを説明する。定性的転倒コン
トローラ１７は図１４に示すような４層構造のニューラ
ルネットワークで構成されており、ニューロンの構成は
前記定性的振動コントローラ１５の場合と同じである。
また、定性的転倒コントローラ１７に入力される情報
は、前記数１５で表された情報Ｈと同様とする。これに
より、第１層に入力された情報は、第２層目において４
つの属性に抽象化される。

【００７８】定性的転倒コントローラ１７においては、
前記定量的転倒コントローラ１６の場合と同様にして、
前述の数１２の状態方程式により近似された転倒防止に
係わる線形モデルに対して、学習によって各重み及びし
きい値が求められる。ただし、第２層目の急峻なシグモ
イダルニューロンについては、重みは学習によらずに所
定値とし、しきい値βのみが学習される。また、この学
習時の教師信号は、定量的転倒コントローラ１６の学習
時に用いた教師信号を傾きの大きいシグモイド関数に通
すことにより、同じ抽象度で抽象化されたものである。
このときの評価関数Ｊは前記数１８により表され、この
評価関数Ｊを最小にするような教師信号が求められ、こ
の教師信号に基づいて前述同様の誤差逆伝播法によって
各重み及びしきい値βが求められる。ここでも、転倒防
止のために、定量的転倒コントローラ１６の場合と同様
に、回転絶対角度θg を最小にするように評価関数を設
定している。

【００７９】また、エバリュエータ１２ｄが有する第１
の機械モデル４１ｄ及び第２の機械モデル４２ｄは、図
１５に示される５層構造のニューラルネットワークによ
り構成されており、各ニューロンの構成は定性的振動コ
ントローラ１５に対応する第１及び第２の機械モデル４
１ｂ，４２ｂの場合と同様である。そして、学習におい
ては、この第２層目及び第５層目（出力層）の急峻なシ
グモイダルニューロンの重み及びしきい値βは学習によ
らず、前記定性的転倒コントローラ１７の学習によりそ
の第２層目で獲得された値をそのまま用いている。ま
た、その他のニューロンの重み及びしきい値βの学習
は、前述の定量的転倒コントローラ１６に対応するエバ
リュエータ１２ｃの第１の機械モデル４１ｃ及び第２の
機械モデル４２ｃと同様に、線形の状態方程式により近
似された転倒防止に係わる線形モデルを用いて教師信号
を得た後、この教師信号に基づいて誤差逆伝播法を用い
て行われる。ただし、この学習時に、各情報をそれぞれ
に応じて学習されたしきい値βによって４つの属性に抽
象化した情報を教師信号としている。

【００８０】エバリュエータ本体４３ｄは、図１６に示
されるような３層構造のニューラルネットワークにより
構成されており、そのニューロンの構成は定性的振動コ
ントローラ１５に対応するエバリュエータ本体４３ｂと
同様である。エバリュエータ本体４３ｄの各重み及びし
きい値の学習においては、学習条件及び目的関数等は前
述のエバリュエータ本体４３ｃの学習と同じである。す
なわち、前記図１３に示したような配列において、上記
の学習済みの定性的転倒コントローラ１７、第１の機械
モデル４１ｄ及び第２の機械モデル４２ｄと、制御対象
１の実モデルであるシステム１Ａとが用いられる。そし
て、複数の操作指令ｒに対するシステム１Ａの状態量Ｘ
(t) が前記数７の非線形運動方程式を解いて求められ、
この求められた状態量Ｘ(t) が前記数１９により表され
る目的関数を最小にするように、遺伝的アルゴリズムに
よりエバリュエータ本体４３ｄの重み及びしきい値が学
習される。

【００８１】次に、インテグレータ１３の構成について
説明する。図１７は、インテグレータ１３が有するニュ
ーラルネットワークを示している。同図において、第１
層目は線形ニューロンにより、第２層目は数１３のシグ
モイド関数で表されたシグモイダルニューロンにより、
また第３層目（出力層）は数１４のシグモイド関数で表
され、かつ、その傾きが非常に急峻なシグモイダルニュ
ーロンにより構成されている。このニューラルネットワ
ークは、制御対象１の状態量Ｘ(t) と各エバリュエータ
１２ａ〜１２ｄからのそれぞれの前記積ｐiｆi （ｉ＝
１〜４）とに基づいて処理し、係数ｑi （ｉ＝１〜４）
を０〜１の値の範囲で出力する。そして、インテグレー
タ１３は、この求められた係数ｑi と、入力した前記操
作指令ｒ及び各積ｐi ｆi とにより、次の数２０で表さ
れるような最終的な制御指令ｕを出力する。

【００８２】

【数２０】

【００８３】ただし、出力層の急峻なシグモイダルニュ
ーロンは傾きが非常に大きいので、そのしきい値βの近
傍以外では出力の前記係数ｑi は実質的に０か１であ
る。

【００８４】インテグレータ１３は、後輪３ｂ，３ｂの
接地条件に注目してフォークリフト１が振動抑制制御を
行うべき状態か、あるいは転倒防止制御を行うべき状態
かの判断を行い、制御目的、又は制御アルゴリズムの抽
象度が異なる４つのコントローラの中から最適なコント
ローラの選択を行う。このために、インテグレータ１３
のニューラルネットワークの学習は、下記の数２１のよ
うな目的関数Ｊを最小にするように、前述同様にして遺
伝的アルゴリズムによって行われる。

【００８５】

【数２１】

【００８６】ただし、Ｐ1 は振動抑制制御に対するペナ
ルティー、Ｐ2 は転倒防止制御に対するペナルティー、
Ｐ3 は、０（１−０．２≦q1＋q2＋q3＋q4≦１＋０．２
のとき）、又はペナルティー（q1＋q2＋q3＋q4＜１−
０．２、または、１＋０．２＜q1＋q2＋q3＋q4のと
き）、Ｐは転倒したときのペナルティー、である。

【００８７】ここで、Ｐ3 は、常にいずれか１つの特定
のコントローラが選択されるように学習するためのペナ
ルティーである。また、車体角度（ここでは、車体全体
の重心の回転絶対角度θg ）の大きさに基づいてペナル
ティーＰ1 とペナルティーＰ2 を与え、これによって上
記目的関数の係数ｃ，ｄの重みを切り替えることによ
り、後輪３ｂ，３ｂの接地時には振動抑制制御を、非接
地時には転倒防止制御を選択するように学習している。

【００８８】次に、以上の構成による作用及び効果を説
明する。操作者が操作指令ｒを与えたとき、インタプリ
タ１１はこの操作指令ｒを入力して操作意図、すなわち
制御目的を判断する。本実施形態においては、フォーク
リフト１の走行時の加速、減速及び制動を指令する操作
指令ｒ（ここでは、トルク指令）が与えられると、イン
タプリタ１１は制御目的が振動抑制か又は転倒防止かの
いずれかを判断する。この判断は、例えばハイパスフィ
ルタ等の帯域フィルタを介して前記操作指令ｒを入力す
ることにより行うことができ、振動抑制制御に係わる場
合はハイパスフィルタによって操作指令ｒの高周波成分
の信号が選択されてエバリュエータ１２ａ〜１２ｄに入
力される。また、転倒防止制御に係わる場合には、入力
の操作指令ｒがそのままエバリュエータ１２ａ〜１２ｄ
に入力されるようにしている。

【００８９】これと同時に、上記操作指令ｒは、制御目
的と制御処理の抽象度レベルとがそれぞれ異なった複数
のコントローラにも入力される。フォークリフト１の上
記実施形態では、振動抑制を目的とする定量的振動コン
トローラ１４と定性的振動コントローラ１５、及び、転
倒防止を目的とする定量的転倒コントローラ１６と定性
的転倒コントローラ１７にこの操作指令ｒが入力され
る。各コントローラ１４〜１７は、上記操作指令ｒ及び
フォークリフト１の状態量Ｘ(t) を入力し、それぞれの
制御目的を達成するための所定の評価関数を最適に（例
えば、最小に）するような制御出力ｆi （ｉ＝１〜４）
を算出する。そして、この制御出力ｆi と前記操作指令
ｒとの加算値が、各制御目的に対応した各エバリュエー
タ１２ａ〜１２ｄに入力される。

【００９０】各エバリュエータ１２ａ〜１２ｄの第１の
機械モデル４１ａ〜４１ｄは前記操作指令ｒ及び状態量
Ｘ(t) を入力し、この入力に基づいて所定のサンプリン
グ時間後の状態量Ｘ(t) を推定した推定状態量Ｘ1(t ＋
Δt)を制御目的に応じたエバリュエータ本体４３ａ〜４
３ｄに出力する。同様にして、第２の機械モデル４２ａ
〜４２ｄは前記制御出力ｆi と前記操作指令ｒとの加算
値、及び状態量Ｘ(t)を入力し、この入力に基づいて、
この各制御出力ｆi が操作指令ｒに加味されて制御指令
として出力された場合の、所定のサンプリング時間後の
状態量Ｘ(t) を推定した推定状態量Ｘ2(t ＋Δt)を制御
目的に応じたエバリュエータ本体４３ａ〜４３ｄに出力
する。そして、各エバリュエータ本体４３ａ〜４３ｄ
は、制御目的毎に、それぞれの推定状態量Ｘ1(t ＋Δ
t)，Ｘ2(t ＋Δt)を評価し、各制御出力ｆi の操作指令
ｒへの介在率ｐi （すなわち、加味する度合い）を求め
る。この介在率ｐi は、制御目的及び制御処理の抽象度
レベルに対応した制御目的関数を最適にする（例えば最
小化する）ように決定される。なお、介在率ｐi は０〜
１までの間の値とする。このとき、インタプリタ１１に
よって判断された操作意図と同じ制御目的のエバリュエ
ータ本体４３ａ〜４３ｄの介在率ｐi は大きい値とな
る。例えば、操作指令ｒの高周波成分の信号が大きい場
合には、振動抑制が制御目的であると判断されるので、
定量的振動コントローラ１４又は定性的振動コントロー
ラ１５のそれぞれの制御出力ｆ1 又は制御出力ｆ2 に対
応する介在率ｐ1 ，ｐ2 が大きい値となる。

【００９１】インテグレータ１３は、前記操作指令ｒ、
及び各制御目的に対応した前記制御出力ｆi と前記介在
率ｐi との各積ｐi ｆi に基づいて、数式「ｕi ＝ｒ＋
ｐiｆi 」によりそれぞれの制御指令ｕi を算出する。
この各制御指令ｕi は、それぞれの制御目的毎に、現在
の状態量Ｘ(t) における最適値となるように算出されて
いる。そして、インテグレータ１３はこの複数の制御指
令ｕi の内の１つを、現在の状態量Ｘ(t) において所定
の目的関数を最小にするような最適な制御指令ｕとして
選択し、選択した制御指令ｕi を制御器３１に出力す
る。このとき、前記目的関数には、振動抑制が目的のと
きは定量的な又は定性的な振動コントローラの制御出力
ｆ1 ，ｆ2 に係わる制御指令ｕ1 ，ｕ2 が選択されるよ
うに、あるいは、転倒防止が目的のときは定量的な又は
定性的な転倒コントローラの制御出力ｆ3 ，ｆ4 に係わ
る制御指令ｕ3 ，ｕ4 が選択されるように、振動抑制制
御に対するペナルティー及び転倒防止制御に対するペナ
ルティーが含まれている。したがって、インテグレータ
１３から出力される最終的な制御指令ｕは、現在の状態
量Ｘ(t) において操作意図すなわち制御目的に沿った最
適な制御指令ｕとなるので、確実に制御目的が達成され
るようになる。

【００９２】以上により、例えば操作者の操作指令ｒが
小さく、かつ、後輪３ｂ，３ｂが接地している場合に、
車体２が振動している、すなわち絶対回転角速度d(θg)
が大きくなったときには、主導的に定量的振動コントロ
ーラ１４に係わる制御出力ｆ1 が操作指令ｒに介在する
ように、制御指令ｕが選択される。また、車体２の回転
絶対角度θg が徐々に大きくなり後輪３ｂ，３ｂが接地
しなくなると、主導的に定量的転倒コントローラ１６に
係わる制御出力ｆ3 が操作指令ｒに介在するように、制
御指令ｕが切り替わる。

【００９３】さらに、後輪３ｂ，３ｂが接地状態（すな
わち回転絶対角度θg が所定値以下）で、かつ、車体２
の回転絶対角速度d(θg)がさらに大きい状態になり、車
体２の振動が激しいとみなされるときは、定性的振動コ
ントローラ１５が介入して定性的に制御するようにな
る。このとき、定量的振動コントローラ１４のみでは振
動抑制が困難な激しい振動状態のときでも、定性的に処
理して振動抑制を行うことにより、制御可能な状態の範
囲が広がり、確実に振動抑制の制御目的を達成すること
ができる。よって、本知的制御装置による振動抑制制御
の効果が大きくなる。また、後輪３ｂ，３ｂが非接地状
態で、かつ、回転絶対角度θg がさらに大きくなったと
きは、定性的転倒コントローラ１７が介入して定性的に
制御するようになる。このとき、定量的転倒コントロー
ラ１６のみでは転倒防止ができずに逆に転倒傾向を大き
くするような車両状態の場合でも、定性的転倒コントロ
ーラ１７は定性的に処理することにより、転倒防止の制
御可能な状態の範囲が広がる。この結果、確実に転倒防
止の制御目的を達成することができ、フォークリフト１
の安定性及び操作性が大きく向上する。

【００９４】このようにして、制御系のセンサの突然の
故障や、信号ラインへの外乱の侵入等により制御状態が
急激に変化して定量的な制御のみでは制御困難となった
ときでも、定性的に処理する制御を介入させることによ
り、確実に制御目的を達成することができる。

【００９５】また、本マンマシン制御系の知的制御装置
は、インタプリタ１１を介して操作指令ｒを入力するこ
とによって、操作者の意図すなわち制御目的を判断し、
その操作意図に沿った制御を行うようにしている。した
がって、このマンマシン制御系における操作意図と自動
制御系との制御の整合性がとれるので、操作性が良く、
また車両の振動制御及び転倒制御等の操作意図を確実に
達成できる信頼性の高いマンマシン制御系が容易に構成
される。

【００９６】また、各定量的又は定性的コントローラ１
４〜１７、エバリュエータ１２ａ〜１２ｄ、インテグレ
ータ１３等は本実施形態ではニューラルネットワークに
より構成されており、これによって各機能を制御性能が
良く、かつ、容易に構成することができる。そして、各
コントローラ１４〜１７がニューラルネットワークによ
り構成しているので、誤差逆伝播法などの簡単な学習法
により各ニューロンの重み及びしきい値等を精度良く学
習できる。さらに、エバリュエータ本体４３ａ〜４３ｄ
及びインテグレータ１３がニューラルネットワークによ
り構成されているので、遺伝的アルゴリズムを用いて各
ニューロンの重み及びしきい値等を精度良く学習するこ
とが可能となる。この結果、制御目的に対応する各目的
関数を最適化する制御指令ｕが精度良く求められるの
で、制御目的が確実に達成され、安定性が高く、そして
信頼性が高いマンマシン制御系の知的制御装置を構成で
きる。

【００９７】なお、本発明に係わるマンマシン制御系の
知的制御装置における各コントローラ１４〜１７、各第
１及び第２の機械モデル４１ａ〜４１ｄ，４２ａ〜４２
ｄ、エバリュエータ本体４３ａ〜４３ｄ及びインテグレ
ータ１３を構成するそれぞれのニューラルネットワーク
の、層数、各ニューロンの種類（つまり、入出力関
係）、ニューロンの数、ネットワーク接続方法、及び、
定性的に処理するための状態量Ｘ(t) の属性の数（つま
り、抽象度レベル）等は本実施形態で説明された内容に
限定されるものではない。すなわち、例えば、エバリュ
エータ１２ａ〜１２ｄの機械モデルのニューラルネット
ワークについては、制御対象１の状態方程式の線形モデ
ルを近似可能なニューラルネットワークの構成であれ
ば、その層数、ニューロンの種類や数、ネットワーク接
続方法等は問わない。また、各制御目的を精度良く達成
可能なコントローラのニューラルネットワークについて
も、それぞれの制御目的を確実に達成できる制御出力ｆ
i が得られるようなニューラルネットワークの構成であ
ればよい。このとき、定性的な処理を行うコントローラ
については、抽象度レベルの異なる複数の定性的コント
ローラを備えるようにしてもよく、各定性的コントロー
ラの抽象度に応じて、入力する状態量Ｘ(t) 及び操作指
令ｒの属性の数がそれぞれ異なるようにニューラルネッ
トワークを構成することもできる。

【００９８】また、最も抽象度レベルの低い定量的コン
トローラ（上記実施形態においては、定量的振動コント
ローラ１４及び定量的転倒コントローラ１６）は、状態
量Ｘ(t) 及び操作指令ｒの属性をより細分化し、これら
の情報を定量的に処理して制御出力ｆi を求めている。
しかしながら、本発明に係わるマンマシン制御系の知的
制御装置においては、これらの定量的コントローラの制
御アルゴリズムは実施形態に示したようなニューラルネ
ットワークによる構成に限定されるものではなく、例え
ば、通常のＰＩＤ制御等による定量的な制御アルゴリズ
ムであってもよい。

【００９９】また、本実施形態では、フォークリフトの
振動抑制及び転倒防止を制御目的としたマンマシン制御
系の知的制御装置について説明したが、本発明はこの実
施形態に限定されるものではない。すなわち、例えば、
伸縮自在で、かつ、旋回自在なブームを有するクレーン
や、垂直方向に回動自在に連結されたアーム及びブーム
の先端部に作業機を装着した油圧式掘削機等における振
動抑制及び転倒防止を行う場合、あるいは、ブルドーザ
ショベル等の建設機械のシュースリップ防止（走行履帯
のすべり防止）や、ダンプトラックの走行滑り防止を行
う場合などの各制御目的にも適用可能となる。

【図面の簡単な説明】

【図１】本発明に係わる知的制御装置の一例を表すハー
ド構成図を示す。

【図２】本発明に係わる知的制御装置の一例を表す機能
構成ブロック図を示す。

【図３】複数のエバリュエータを備えた知的制御装置の
概念図を示す。

【図４】各コントローラとエバリュエータとの関係の説
明図を示す。

【図５】本実施形態に係わる制御対象（フォークリフ
ト）のモデルを表す。

【図６】本実施形態に係わる制御対象の後輪が接地した
モデルを表す。

【図７】本実施形態に係わる制御対象の後輪が接地して
ないモデルを表す。

【図８】本実施形態に係わる定量的振動コントローラの
ニューラルネットワークの一例を示す。

【図９】本実施形態に係わるニューロンの説明図であ
る。

【図１０】本実施形態に係わるシグモイダルニューロン
を表す入出力関数である。

【図１１】本実施形態に係わる定量的振動制御のエバリ
ュエータの第１及び第２機械モデルのニューラルネット
ワーク例を示す。

【図１２】本実施形態に係わる定量的振動制御のエバリ
ュエータ本体のニューラルネットワーク例を示す。

【図１３】定量的振動制御のエバリュエータ本体の学習
時の配列の説明図である。

【図１４】本実施形態に係わる定性的振動コントローラ
のニューラルネットワーク例を示す。

【図１５】本実施形態に係わる定性的振動制御のエバリ
ュエータの第１及び第２機械モデルのニューラルネット
ワーク例を示す。

【図１６】本実施形態に係わる定性的振動制御のエバリ
ュエータ本体のニューラルネットワーク例を示す。

【図１７】本実施形態に係わるインテグレータのニュー
ラルネットワーク例を示す。

【符号の説明】

１ 制御対象（フォークリフト） ２ 車体 ３ａ 前輪 ３ｂ 後輪 ４ 車載バッテリー ５ サーボモータ ６，６ マスト ７，７ フォーク ７ａ リフト装置 ８ 荷 １０ 知的演算部 １１ インタプリタ １２，１２ａ〜１２ｄ エバリュエータ １３ インテグレータ １４ 定量的振動コントローラ １５ 定性的振動コントローラ １６ 定量的転倒コントローラ １７ 定性的転倒コントローラ ２０ 操作指令部 ３１ 制御器 ３５ 角度センサ ３６ 変位センサ ３７ 傾斜角度センサ ４１ａ〜４１ｄ 第１の機械モデル ４２ａ〜４２ｄ 第２の機械モデル ４３ａ〜４３ｄ エバリュエータ本体

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁶ 識別記号 ＦＩ Ｇ０６Ｆ 15/18 ５５０ Ｇ０６Ｆ 15/18 ５５０Ｅ (72)発明者 長松 昭男 神奈川県鎌倉市津603−61 (72)発明者 出納 美朝 静岡県裾野市今里527番 (72)発明者 光田 慎治 神奈川県平塚市万田1200 株式会社小松製 作所建機研究所内 (72)発明者 伊藤 博幸 神奈川県平塚市万田1200 株式会社小松製 作所建機研究所内

Claims (8)

【特許請求の範囲】
1. 【請求項１】 制御対象(1) を操作する操作者の操作指
   令(r) と制御対象(1) の状態量(X(t))とを入力し、この
   操作指令(r) に応じて前記状態量(X(t))を制御するマン
   マシン制御系の制御装置において、 前記操作指令(r) 及び前記状態量(X(t))を入力して定量
   的に処理し、この定量的な操作指令(r) 及び状態量(X
   (t))に基づいて、制御対象(1) の複数の異なる制御目的
   毎に対応した評価関数を最小にするような制御出力(fi)
   をそれぞれ演算して出力し、それぞれ制御目的毎の定量
   的制御を行う複数の定量的なコントローラ(14,16) と、 前記操作指令(r) 及び前記状態量(X(t))を入力して、抽
   象度のレベルに応じて異なった種類の複数の属性にそれ
   ぞれ抽象化して定性的に処理し、この定性的な操作指令
   (r) 及び状態量(X(t))に基づいて、制御対象(1) の複数
   の異なる制御目的毎に対応した評価関数を最小にするよ
   うな制御出力(fi)をそれぞれ演算して出力し、それぞれ
   制御目的毎の、抽象度が異なる定性的制御を行う複数の
   定性的なコントローラ(15,17) と、 各制御目的に対応する前記各コントローラ(14,15,16,1
   7) からの前記制御出力(fi)、前記操作指令(r) 及び前
   記状態量(X(t))をそれぞれ入力し、この入力した各制御
   出力(fi)、操作指令(r) 及び状態量(X(t))に基づいてそ
   れぞれの制御目的に応じた所定の第１の目的関数を最小
   にするような、操作指令(r) に対する各制御出力(fi)の
   介在率(pi)を決定し、対応するそれぞれの介在率(pi)と
   制御出力(fi)との積(pifi)を求め、この積(pifi)を各コ
   ントローラ(14,15,16,17) に対応してそれぞれ出力する
   複数のエバリュエータ(12a〜12d)と、 各コントローラ(14,15,16,17) 毎に対応して、各エバリ
   ュエータ(12a〜12d)からの積(pifi)と前記操作指令(r)
   との和(ui)を求め、前記状態量(X(t))に応じて所定の第
   ２の目的関数を最小にするように、前記求めた複数の和
   (ui)の内のいずれか１つを選択し、この選択した和(ui)
   を制御指令(u) として出力するインテグレータ(13)と、 このインテグレータ(13)からの制御指令(u) を受けて、
   状態量(X(t))を制御するアクチュエータを駆動する制御
   器(31)とを備えたことを特徴とするマンマシン制御系の
   知的制御装置。
2. 【請求項２】 制御対象(1) を操作する操作者の操作指
   令(r) と制御対象(1) の状態量(X(t))とを入力し、この
   操作指令(r) に応じて前記状態量(X(t))を制御するマン
   マシン制御系の制御装置において、 前記操作指令(r) 及び前記状態量(X(t))を入力して定量
   的に処理し、この定量的な操作指令(r) 及び状態量(X
   (t))に基づいて、制御対象(1) の複数の異なる制御目的
   毎に対応した評価関数を最小にするような制御出力(fi)
   をそれぞれ演算して出力し、それぞれ制御目的毎の定量
   的制御を行う複数の定量的なコントローラ(14,16) と、 前記操作指令(r) 及び前記状態量(X(t))を入力して、抽
   象度のレベルに応じて異なった種類の複数の属性にそれ
   ぞれ抽象化して定性的に処理し、この定性的な操作指令
   (r) 及び状態量(X(t))に基づいて、制御対象(1) の複数
   の異なる制御目的毎に対応した評価関数を最小にするよ
   うな制御出力(fi)をそれぞれ演算して出力し、それぞれ
   制御目的毎の、抽象度が異なる定性的制御を行う複数の
   定性的なコントローラ(15,17) と、 前記操作指令(r) に基づいて、操作者が前記各制御目的
   をどの程度意図して操作したかを各制御目的毎に判断
   し、各制御目的に応じた操作指令(r0)を出力するインタ
   プリタ(11)と、 各制御目的に対応する前記各コントローラ(14,15,16,1
   7) からの前記制御出力(fi)、及びこの制御出力(fi)と
   前記操作指令(r) との加算値を前記インタプリタ(11)を
   介してそれぞれ入力すると共に、前記操作指令(r0)及び
   前記状態量(X(t))をそれぞれ直接入力し、この入力した
   各制御出力(fi)、前記各加算値、操作指令(r0)及び状態
   量(X(t))に基づいてそれぞれの制御目的に応じた所定の
   第１の目的関数を最小にするような、操作指令(r) に対
   する各制御出力(fi)の介在率(pi)を決定し、対応するそ
   れぞれの介在率(pi)と制御出力(fi)との積(pifi)を求
   め、この積(pifi)を各コントローラ(14,15,16,17) に対
   応してそれぞれ出力する複数のエバリュエータ(12a〜12
   d)と、 各コントローラ(14,15,16,17) 毎に対応して、各エバリ
   ュエータ(12a〜12d)からの積(pifi)と前記操作指令(r)
   との和(ui)を求め、前記状態量(X(t))に応じて所定の第
   ２の目的関数を最小にするように、前記求めた複数の和
   (ui)の内のいずれか１つを選択し、この選択した和(ui)
   を制御指令(u) として出力するインテグレータ(13)と、 このインテグレータ(13)からの制御指令(u) を受けて、
   状態量(X(t))を制御するアクチュエータを駆動する制御
   器(31)とを備えたことを特徴とするマンマシン制御系の
   知的制御装置。
3. 【請求項３】 請求項２記載のマンマシン制御系の知的
   制御装置において、フォークリフト又はクレーン等の産
   業車両を前記制御対象(1) とすると共に、 前記複数の定量的なコントローラ(14,16) 、及び前記複
   数の定性的なコントローラ(15,17) が、それぞれ、この
   産業車両の振動抑制と転倒防止とを制御目的とした定量
   的振動コントローラ(14)と定量的転倒コントローラ(1
   6)、及び定性的振動コントローラ(15)と定性的転倒コン
   トローラ(17)であることを特徴とするマンマシン制御系
   の知的制御装置。
4. 【請求項４】 前記インテグレータ(13)が、ニューラル
   ネットワークにより構成されたことを特徴とする請求項
   １、２又は３記載のマンマシン制御系の知的制御装置。
5. 【請求項５】 前記複数のエバリュエータ(12a〜12d)
   が、それぞれ、対応する前記各コントローラ(14,15,16,
   17) と同じ抽象度で前記操作指令(r) 及び前記状態量(X
   (t))を処理することを特徴とする請求項１〜４のいずれ
   か１つに記載のマンマシン制御系の知的制御装置。
6. 【請求項６】 前記複数のエバリュエータ(12a〜12d)が
   それぞれニューラルネットワークにより構成されたこと
   を特徴とする請求項１〜５のいずれか１つに記載のマン
   マシン制御系の知的制御装置。
7. 【請求項７】 前記複数の定量的なコントローラ(14,1
   6) 、及び前記複数の定性的なコントローラ(15,17)
   が、それぞれニューラルネットワークにより構成された
   ことを特徴とする請求項１〜６のいずれか１つに記載の
   マンマシン制御系の知的制御装置。
8. 【請求項８】 前記インタプリタ(11)が、前記操作指令
   (r) の制御目的毎の帯域フィルタにより構成されたこと
   を特徴とする請求項２〜７のいずれか１つに記載のマン
   マシン制御系の知的制御装置。