図面 (/)

技術 クレーン及び経路生成システム

出願人 株式会社タダノ
発明者 山内浩嗣南佳成深町聡一郎水木和磨中岡翔平
出願日 2019年2月14日 (1年9ヶ月経過) 出願番号 2019-024948
公開日 2020年8月31日 (2ヶ月経過) 公開番号 2020-132310
状態 未査定
技術分野 クレーンの細部(制御,安全) ジブクレーン(門形、ケーブルクレーン)
主要キーワード 旋回用モーター 伸縮レバー 復元エラー 起伏レバー 利用フェーズ 点群情報 搬送範囲 伸縮長
関連する未来課題
重要な関連分野

この項目の情報は公開日時点(2020年8月31日)のものです。
また、この項目は機械的に抽出しているため、正しく解析できていない場合があります

図面 (17)

課題

作業現場における節点分布を最適化することで、安全かつ効率のよい搬送経路を生成できるクレーン及び経路生成システムを提供する。また、計算負荷を軽減できるクレーン及び経路生成システムを提供する。

解決手段

クレーン1は、作業現場に複数の節点Pを配置して点群情報Ipを作成した後にいくつかの節点Pを結んで搬送経路Rを生成するコントローラ20を具備している。コントローラ20は、多階層のニューラルネットワーク50を用いた人工知能機能を有しており、ニューラルネットワーク50の入力層51に作業現場における地物情報Ibを入力すると、ニューラルネットワーク50の出力層52から作業現場に適した分布となるように節点Pを配置した点群情報Ipを出力する。

概要

背景

概要

作業現場における節点分布を最適化することで、安全かつ効率のよい搬送経路を生成できるクレーン及び経路生成システムを提供する。また、計算負荷を軽減できるクレーン及び経路生成システムを提供する。クレーン1は、作業現場に複数の節点Pを配置して点群情報Ipを作成した後にいくつかの節点Pを結んで搬送経路Rを生成するコントローラ20を具備している。コントローラ20は、多階層のニューラルネットワーク50を用いた人工知能機能を有しており、ニューラルネットワーク50の入力層51に作業現場における地物情報Ibを入力すると、ニューラルネットワーク50の出力層52から作業現場に適した分布となるように節点Pを配置した点群情報Ipを出力する。

目的

特開2016−149090号公報
特開2018−045341号公報






作業現場における節点の分布を最適化することで、安全かつ効率のよい搬送経路を生成できるクレーン及び経路生成システムを提供する

効果

実績

技術文献被引用数
0件
牽制数
0件

この技術が所属する分野

ライセンス契約や譲渡などの可能性がある特許掲載中! 開放特許随時追加・更新中 詳しくはこちら

請求項1

少なくとも旋回自在のブームと、前記ブームから垂下するワイヤロープと、前記ワイヤロープの巻き入れ及び巻き出しによって昇降するフックと、を備え、前記フックに荷物吊り下げた状態で当該荷物を搬送するクレーンにおいて、作業現場に複数の節点を配置して点群情報を作成した後にいくつかの前記節点を結んで搬送経路を生成するコントローラ具備し、前記コントローラは、多階層のニューラルネットワークを用いた人工知能機能を有しており、前記ニューラルネットワークの入力層に前記作業現場における地物情報を入力すると、前記ニューラルネットワークの出力層から前記作業現場に適した分布となるように前記節点を配置した点群情報を出力する、ことを特徴とするクレーン。

請求項2

前記ニューラルネットワークは、ニューロンとニューロンがシナプスで結合された脳神経回路を模しており、あらゆる作業現場における地物情報とそれぞれの作業現場について作成された点群情報又は当該点群情報の各節点ごと評価値又は当該点群情報に基づいて生成された搬送経路の組み合わせを学習用データとして前記シナプスに相当するエッジ重み付けを調整した、ことを特徴とする請求項1に記載のクレーン。

請求項3

クレーンに搭載可能又は通信可能であり、作業現場に複数の節点を配置して点群情報を作成した後にいくつかの前記節点を結んで搬送経路を生成する経路生成システムであって、前記経路生成システムは、多階層のニューラルネットワークを用いた人工知能機能を有しており、前記ニューラルネットワークの入力層に前記作業現場における地物情報を入力すると、前記ニューラルネットワークの出力層から前記作業現場に適した分布となるように前記節点を配置した点群情報を出力する、ことを特徴とする経路生成システム。

請求項4

少なくとも旋回自在のブームと、前記ブームから垂下するワイヤロープと、前記ワイヤロープの巻き入れ及び巻き出しによって昇降するフックと、を備え、前記フックに荷物を吊り下げた状態で当該荷物を搬送するクレーンにおいて、作業現場に複数の節点を配置して点群情報を作成した後にいくつかの前記節点を結んで搬送経路を生成するコントローラを具備し、前記コントローラは、多階層のニューラルネットワークを用いた人工知能機能を有しており、前記ニューラルネットワークの入力層に前記作業現場における点群情報を入力すると、前記ニューラルネットワークの出力層から不要な前記節点を削除した点群情報を出力する、ことを特徴とするクレーン。

請求項5

前記ニューラルネットワークは、ニューロンとニューロンがシナプスで結合された脳神経回路を模しており、あらゆる作業現場における地物情報とそれぞれの作業現場について作成された点群情報又は当該点群情報の各節点ごとの評価値又は当該点群情報に基づいて生成された搬送経路の組み合わせを学習用データとして前記シナプスに相当するエッジの重み付けを調整した、ことを特徴とする請求項4に記載のクレーン。

請求項6

クレーンに搭載可能又は通信可能であり、作業現場に複数の節点を配置して点群情報を作成した後にいくつかの前記節点を結んで搬送経路を生成する経路生成システムであって、前記経路生成システムは、多階層のニューラルネットワークを用いた人工知能機能を有しており、前記ニューラルネットワークの入力層に前記作業現場における点群情報を入力すると、前記ニューラルネットワークの出力層から不要な前記節点を削除した点群情報を出力する、ことを特徴とする経路生成システム。

技術分野

0001

本発明は、クレーン及び経路生成システムに関する。

0002

従来より、代表的な作業車両であるクレーンが知られている。クレーンは、主に走行体旋回体で構成されている。走行体は、複数の車輪を備え、自走可能としている。旋回体は、ブームのほかにワイヤロープフックを備え、荷物吊り下げた状態でこれを搬送可能としている。

0003

ところで、複数の節点を配置した点群情報を作成し、いくつかの節点を結んで移動経路を生成する技術が公知となっている(特許文献1及び特許文献2参照)。しかし、かかる技術をクレーンに適用しても、地物の位置や形状に応じた節点の分布がなされなければ、地物に荷物が衝突したり搬送経路遠回りになったりしてしまう。そこで、作業現場における節点の分布を最適化することで、安全かつ効率のよい搬送経路を生成できるクレーンが求められていた。或いは、このようなクレーンを実現するための経路生成システムが求められていた。

0004

加えて、前述の技術をクレーンに適用するにあたり、荷物を搬送できる範囲全体に節点を配置することが考えられる。また、理想的な搬送経路を生成すべく、節点の数を増やすことも考えられる。しかし、むやみに節点を配置したり節点の数を増やしたりしても、理想的な搬送経路の生成に役立たないばかりか、計算負荷が増大し、結果として計算速度の低下につながる。そこで、作業現場における節点の分布を最適化することで、計算負荷を軽減できるクレーンが求められていた。或いは、このようなクレーンを実現するための経路生成システムが求められていた。

先行技術

0005

特開2016−149090号公報
特開2018−045341号公報

発明が解決しようとする課題

0006

作業現場における節点の分布を最適化することで、安全かつ効率のよい搬送経路を生成できるクレーン及び経路生成システムを提供する。また、計算負荷を軽減できるクレーン及び経路生成システムを提供する。

課題を解決するための手段

0007

第一の発明は、
少なくとも旋回自在のブームと、
前記ブームから垂下するワイヤロープと、
前記ワイヤロープの巻き入れ及び巻き出しによって昇降するフックと、を備え、
前記フックに荷物を吊り下げた状態で当該荷物を搬送するクレーンにおいて、
作業現場に複数の節点を配置して点群情報を作成した後にいくつかの前記節点を結んで搬送経路を生成するコントローラ具備し、
前記コントローラは、多階層のニューラルネットワークを用いた人工知能機能を有しており、前記ニューラルネットワークの入力層に前記作業現場における地物情報を入力すると、前記ニューラルネットワークの出力層から前記作業現場に適した分布となるように前記節点を配置した点群情報を出力する、ものである。

0008

第二の発明は、第一の発明に係るクレーンにおいて、
前記ニューラルネットワークは、ニューロンとニューロンがシナプスで結合された脳神経回路を模しており、あらゆる作業現場における地物情報とそれぞれの作業現場について作成された点群情報又は当該点群情報の各節点ごと評価値又は当該点群情報に基づいて生成された搬送経路の組み合わせを学習用データとして前記シナプスに相当するエッジ重み付けを調整した、ものである。

0009

第三の発明は、
クレーンに搭載可能又は通信可能であり、
作業現場に複数の節点を配置して点群情報を作成した後にいくつかの前記節点を結んで搬送経路を生成する経路生成システムであって、
前記経路生成システムは、多階層のニューラルネットワークを用いた人工知能機能を有しており、前記ニューラルネットワークの入力層に前記作業現場における地物情報を入力すると、前記ニューラルネットワークの出力層から前記作業現場に適した分布となるように前記節点を配置した点群情報を出力する、ものである。

0010

第四の発明は、
少なくとも旋回自在のブームと、
前記ブームから垂下するワイヤロープと、
前記ワイヤロープの巻き入れ及び巻き出しによって昇降するフックと、を備え、
前記フックに荷物を吊り下げた状態で当該荷物を搬送するクレーンにおいて、
作業現場に複数の節点を配置して点群情報を作成した後にいくつかの前記節点を結んで搬送経路を生成するコントローラを具備し、
前記コントローラは、多階層のニューラルネットワークを用いた人工知能機能を有しており、前記ニューラルネットワークの入力層に前記作業現場における点群情報を入力すると、前記ニューラルネットワークの出力層から不要な前記節点を削除した点群情報を出力する、ものである。

0011

第五の発明は、第四の発明に係るクレーンにおいて、
前記ニューラルネットワークは、ニューロンとニューロンがシナプスで結合された脳神経回路を模しており、あらゆる作業現場における地物情報とそれぞれの作業現場について作成された点群情報又は当該点群情報の各節点ごとの評価値又は当該点群情報に基づいて生成された搬送経路の組み合わせを学習用データとして前記シナプスに相当するエッジの重み付けを調整した、ものである。

0012

第六の発明は、
クレーンに搭載可能又は通信可能であり、
作業現場に複数の節点を配置して点群情報を作成した後にいくつかの前記節点を結んで搬送経路を生成する経路生成システムであって、
前記経路生成システムは、多階層のニューラルネットワークを用いた人工知能機能を有しており、前記ニューラルネットワークの入力層に前記作業現場における点群情報を入力すると、前記ニューラルネットワークの出力層から不要な前記節点を削除した点群情報を出力する、ものである。

発明の効果

0013

第一の発明に係るクレーンは、作業現場に複数の節点を配置して点群情報を作成した後にいくつかの節点を結んで搬送経路を生成するコントローラを具備している。コントローラは、多階層のニューラルネットワークを用いた人工知能機能を有しており、ニューラルネットワークの入力層に作業現場における地物情報を入力すると、ニューラルネットワークの出力層から作業現場に適した分布となるように節点を配置した点群情報を出力するものである。かかるクレーンによれば、地物の位置や形状に応じた節点の分布となるので、安全かつ効率のよい搬送経路を生成できる。また、不要な節点が配置されないので、計算負荷を軽減できる。

0014

第二の発明に係るクレーンにおいて、ニューラルネットワークは、ニューロンとニューロンがシナプスで結合された脳神経回路を模しており、あらゆる作業現場における地物情報とそれぞれの作業現場について作成された点群情報又は点群情報の各節点ごとの評価値又は点群情報に基づいて生成された搬送経路の組み合わせを学習用データとしてシナプスに相当するエッジの重み付けを調整したものである。かかるクレーンによれば、節点の分布が最適化されるので、安全かつ効率のよい搬送経路を生成できる。また、計算負荷を軽減できる。

0015

第三の発明に係る経路生成システムは、多階層のニューラルネットワークを用いた人工知能機能を有しており、ニューラルネットワークの入力層に作業現場における地物情報を入力すると、ニューラルネットワークの出力層から作業現場に適した分布となるように節点を配置した点群情報を出力するものである。かかる経路生成システムによれば、地物の位置や形状に応じた節点の分布となるので、安全かつ効率のよい搬送経路を生成できる。また、不要な節点が配置されないので、計算負荷を軽減できる。

0016

第四の発明に係るクレーンは、作業現場に複数の節点を配置して点群情報を作成した後にいくつかの節点を結んで搬送経路を生成するコントローラを具備している。コントローラは、多階層のニューラルネットワークを用いた人工知能機能を有しており、ニューラルネットワークの入力層に作業現場における点群情報を入力すると、ニューラルネットワークの出力層から不要な節点を削除した点群情報を出力するものである。かかるクレーンによれば、地物の位置や形状に応じた節点の分布となるので、安全かつ効率のよい搬送経路を生成できる。また、不要な節点が配置されないので、計算負荷を軽減できる。

0017

第五の発明に係るクレーンにおいて、ニューラルネットワークは、ニューロンとニューロンがシナプスで結合された脳神経回路を模しており、あらゆる作業現場における地物情報とそれぞれの作業現場について作成された点群情報又は点群情報の各節点ごとの評価値又は点群情報に基づいて生成された搬送経路の組み合わせを学習用データとしてシナプスに相当するエッジの重み付けを調整したものである。かかるクレーンによれば、節点の分布が最適化されるので、安全かつ効率のよい搬送経路を生成できる。また、計算負荷を軽減できる。

0018

第六の発明に係る経路生成システムは、多階層のニューラルネットワークを用いた人工知能機能を有しており、ニューラルネットワークの入力層に作業現場における点群情報を入力すると、ニューラルネットワークの出力層から不要な節点を削除した点群情報を出力するものである。かかる経路生成システムによれば、地物の位置や形状に応じた節点の分布となるので、安全かつ効率のよい搬送経路を生成できる。また、不要な節点が配置されないので、計算負荷を軽減できる。

図面の簡単な説明

0019

クレーンを示す図。
キャビンの内部を示す図。
操縦システムの構成を示す図。
作業現場における地物情報を示す図。
地物情報に基づいて作成された点群情報を示す図。
点群情報に基づいて生成された搬送経路を示す図。
ニューラルネットワークの構成を示す図。
ニューラルネットワークの学習フェーズを示す図。
ニューラルネットワークの利用フェーズを示す図。
学習用データを示す図。
その他の学習用データを示す図。
ニューラルネットワークの構成を示す図。
ニューラルネットワークの学習フェーズを示す図。
ニューラルネットワークの利用フェーズを示す図。
学習用データの作成方法を示す図。
その他の学習用データを示す図。

実施例

0020

本願に開示する技術的思想は、以下に説明するクレーン1のほか、他のクレーンにも適用できる。

0021

まず、図1及び図2を用いて、クレーン1について説明する。

0022

クレーン1は、主に走行体2と旋回体3で構成されている。

0023

走行体2は、左右一対前輪4と後輪5を備えている。また、走行体2は、荷物Lの搬送作業を行う際に接地させて安定を図るアウトリガ6を備えている。なお、走行体2は、アクチュエータによって、その上部に支持する旋回体3を旋回自在としている。

0024

旋回体3は、その後部から前方へ突き出すようにブーム7を備えている。そのため、ブーム7は、アクチュエータによって旋回自在となっている(矢印A参照)。また、ブーム7は、アクチュエータによって伸縮自在となっている(矢印B参照)。更に、ブーム7は、アクチュエータによって起伏自在となっている(矢印C参照)。

0025

加えて、ブーム7には、ワイヤロープ8が架け渡されている。ブーム7の先端部分から垂下するワイヤロープ8には、フック9が取り付けられている。また、ブーム7の基端側近傍には、ウインチ10が配置されている。ウインチ10は、アクチュエータと一体的に構成されており、ワイヤロープ8の巻き入れ及び巻き出しを可能としている。そのため、フック9は、アクチュエータによって昇降自在となっている(矢印D参照)。なお、旋回体3は、ブーム7の側方にキャビン11を備えている。キャビン11の内部には、旋回レバー31や伸縮レバー32、起伏レバー33、巻回レバー34が設けられている。

0026

次に、図3を用いて、操縦システム16について説明する。

0027

操縦システム16は、主にコントローラ20と各種レバー31〜34と各種バルブ35〜38で構成されている。

0028

コントローラ20は、ROMによって情報記憶部21を構成している。情報記憶部21は、クレーン1の制御に要する様々なプログラムを記憶している。

0029

また、コントローラ20は、CPUやROM、RAMなどによって情報通信部22を構成している。情報通信部22は、通信ネットワークを経由して遠隔地にあるサーバーコンピュータ40から情報を受信できる。例えば、サーバーコンピュータ40が生成した搬送経路R(図6参照)などの情報を受信することができる。

0030

更に、コントローラ20は、CPUやROM、RAMなどによって情報処理部23を構成している。情報処理部23は、各種レバー31〜34の操作態様に基づいて電気信号を作成し、アクチュエータを稼動させる各種バルブ35〜38を制御する。こうして、コントローラ20は、ブーム7の稼動(旋回動作伸縮動作起伏動作)及びウインチ10の稼動(巻入動作・巻出動作)を実現するのである。

0031

詳しく説明すると、ブーム7は、アクチュエータによって旋回自在となっている(図1における矢印A参照)。本願においては、かかるアクチュエータを旋回用モーター12と定義する(図1参照)。旋回用モーター12は、方向制御弁である旋回用バルブ35によって適宜に稼動される。つまり、旋回用モーター12は、旋回用バルブ35が作動油の流量及び流動方向切り替えることで適宜に稼動される。なお、旋回用バルブ35は、コントローラ20の指示に基づいて稼動される。ブーム7の旋回角度旋回速度は、図示しないセンサによって検出される。

0032

また、ブーム7は、アクチュエータによって伸縮自在となっている(図1における矢印B参照)。本願においては、かかるアクチュエータを伸縮用シリンダ13と定義する(図1参照)。伸縮用シリンダ13は、方向制御弁である伸縮用バルブ36によって適宜に稼動される。つまり、伸縮用シリンダ13は、伸縮用バルブ36が作動油の流量及び流動方向を切り替えることで適宜に稼動される。なお、伸縮用バルブ36は、コントローラ20の指示に基づいて稼動される。ブーム7の伸縮長さや伸縮速度は、図示しないセンサによって検出される。

0033

更に、ブーム7は、アクチュエータによって起伏自在となっている(図1における矢印C参照)。本願においては、かかるアクチュエータを起伏用シリンダ14と定義する(図1参照)。起伏用シリンダ14は、方向制御弁である起伏用バルブ37によって適宜に稼動される。つまり、起伏用シリンダ14は、起伏用バルブ37が作動油の流量及び流動方向を切り替えることで適宜に稼動される。なお、起伏用バルブ37は、コントローラ20の指示に基づいて稼動される。ブーム7の起伏角度起伏速度は、図示しないセンサによって検出される。

0034

更に、フック9は、アクチュエータによって昇降自在となっている(図1における矢印D参照)。本願においては、かかるアクチュエータを巻回用モーター15と定義する(図1参照)。巻回用モーター15は、方向制御弁である巻回用バルブ38によって適宜に稼動される。つまり、巻回用モーター15は、巻回用バルブ38が作動油の流量及び流動方向を切り替えることで適宜に稼動される。なお、巻回用バルブ38は、コントローラ20の指示に基づいて稼動される。フック9の吊下長さ昇降速度は、図示しないセンサによって検出される。

0035

次に、図4から図6を用いて、荷物Lの自動搬送について説明する。

0036

ここで、サーバーコンピュータ40について説明しておく。サーバーコンピュータ40は、クレーン1から遠く離れた遠隔地に配置されている。しかしながら、サーバーコンピュータ40は、クレーン1に搭載されたコントローラ20と通信することにより、自動搬送を実現する機能として一体をなす。従って、サーバーコンピュータ40は、コントローラ20に含まれるとも考えられる。但し、サーバーコンピュータ40を有さず、全てをコントローラ20で完結させるとしてもよい。

0037

まず、サーバーコンピュータ40は、作業現場における地物情報Ibを把握する(図4参照)。地物情報Ibは、作業現場における地物を仮想空間上に再現した三次元データである。かかる地物情報Ibにおいて、地物が作業現場における建築物Bである場合、その位置や形状が正確に表されている。なお、サーバーコンピュータ40は、クレーン1が作成した地物情報Ibを取得してもよいし、その他の機関が作成した地物情報Ibを取得してもよい。

0038

その次、サーバーコンピュータ40は、地物情報Ibに基づいて点群情報Ipを作成する(図5参照)。点群情報Ipは、荷物Lの吊り上げ地点Psから吊り降ろし地点Peまで建築物Bを除く空間に節点Pを配置したものである。かかる点群情報Ipにおいて、節点Pの分布(節点Pの位置や密度を指す)は、後述するニューラルネットワーク50によって定められる。なお、ニューラルネットワーク50がどのようなものであるかについては後述する。

0039

その次、サーバーコンピュータ40は、点群情報Ipに基づいて搬送経路Rを生成する(図6参照)。搬送経路Rは、荷物Lの吊り上げ地点Psから吊り降ろし地点Peまでいくつかの節点Pを結んだ線(厳密には折線となる)で表したものである。かかる搬送経路Rにおいて、いずれの節点Pを通るものとするかは、経路(節点Pから節点Pをつなぐ線)ごとに付されたコストを比較することによって定められる。なお、このような手法を「ダイクストラ法」という。但し、搬送経路Rを定める手法について限定するものではない。

0040

その後、サーバーコンピュータ40は、搬送経路Rをコントローラ20へ送信する。コントローラ20(厳密には情報処理部23)は、搬送経路Rに基づいて電気信号を作成し、アクチュエータ(旋回用モーター12・伸縮用シリンダ13・起伏用シリンダ14・巻回用モーター15)を稼動させる各種バルブ35〜38を制御する。こうして、コントローラ20は、搬送経路Rに沿って荷物Lが動くよう、ブーム7の稼動(旋回動作・伸縮動作・起伏動作)及びウインチ10の稼動(巻入動作・巻出動作)を実現する。つまりは、荷物Lの自動搬送を実現するのである。

0041

次に、図7から図11を用いて、第一実施形態に係る点群情報Ipの作成工程について詳しく説明する。

0042

サーバーコンピュータ40は、多階層のニューラルネットワーク50を用いた人工知能機能によって演算を行うものである。「多階層のニューラルネットワーク」とは、入力層51と出力層52のほか、複数の隠れ層53からなる三層以上のニューラルネットワークを指す(図7参照)。また、「人工知能」とは、『人工的につくられた人間のような知能』と定義できる。このような知能は、『表現学習を可能としたコンピュータ』、より詳細には『データの中から特徴量を生成してモデル化できるコンピュータ』によって実現される。

0043

ニューラルネットワーク50は、ニューロンとニューロンがシナプスで結合された脳神経回路を模したものである。ニューラルネットワーク50は、ニューロンに相当するノード54をシナプスに相当するエッジ55でつなぎ、ある階層のノード54から次の階層のノード54へ信号を伝達するようにプログラム上で表現されている。なお、ニューラルネットワーク50は、エッジ55ごとに結合強度を表す重み付けがなされており、与えられた信号値に重みWをかけあわせて伝達する。そして、それぞれのノード54で閾値を超える度に次のノード54へ信号を伝達していくのである。

0044

ニューラルネットワーク50は、学習フェーズにおいて、「作業現場に適した分布となるように節点Pを配置した点群情報Ipを作成する」という機能を獲得する(図8参照)。学習フェーズにおいては、入力データに対して正しい出力データを導き出すよう、エッジ55ごとの重み付けが調整される。なお、ニューラルネットワークを作り上げる学習方法は、一般的に「機械学習」と呼ばれる。但し、本ニューラルネットワーク50を作り上げる学習方法は、機械学習の一態様として確立された「深層学習(ディープラーニング)」である。深層学習は、人間を介することなく、自ら特徴量を生成してモデル化を行う点で一般的な機械学習とは異なる。

0045

こうして作り上げたニューラルネットワーク50は、利用フェーズにおいて、荷物Lの吊り上げ地点Psから吊り降ろし地点Peまでの間に、作業現場に適した分布となるように節点Pを配置した点群情報Ipを作成する(図9参照)。即ち、地物が作業現場における建築物Bである場合、建築物Bの位置や形状に応じた分布となるように節点Pを配置した点群情報Ipを作成する。このとき、クレーン1の位置はもちろん、荷物Lの重量から定まる搬送範囲を考慮に入れるものとする。また、荷物Lの形状も考慮に入れるとしてもよい。つまり、荷物Lの回転や振れによって建築物Bに衝突しないように考慮に入れるのである。適正な学習用データDsを用いた適正な学習フェーズを経れば、最適化された点群情報Ipを作成できる。但し、サーバーコンピュータ40に別途のプログラムを構成し、作業現場に適した点群情報Ipを作成できないと判断したのであれば、これをキャンセルするとしてもよい。この場合は、キャンセルした旨をディスプレイ39(図2参照)に表示することが考えられる。

0046

ところで、深層学習を行うには、学習用データDsが必要となる(図10参照)。本願における学習用データDsは、あらゆる作業現場における地物情報Ibと、それぞれの作業現場について節点Pの分布が最適化された点群情報Ipと、を組み合わせたものである。換言すると、あらゆる作業現場における建築物Bの位置や形状をまとめたデータと、その建築物Bの位置や形状に応じてどのように節点Pの分布をさせたかをまとめたデータと、を組み合わせたものである。学習フェーズにおいては、数千件から数万件の学習用データDsを利用し、新たな作業現場F(図9参照)でも節点Pの分布が最適化された点群情報Ipを作成できるようになるまで重みWの値を修正する。つまり、ひたすら点群情報Ipの作成と答え合わせを繰り返し、復元エラーが最小となる重みWの値を見つけ出すのである。このような手法を誤差伝播法(Backpropagation)という。

0047

或いは、学習用データDsは、あらゆる作業現場における地物情報Ibと、点群情報Ipの各節点Pごとの評価値Vと、を組み合わせたものであってもよい(図11の(A)参照)。換言すると、あらゆる作業現場における建築物Bの位置や形状をまとめたデータと、その建築物Bの位置や形状に応じて算出された各節点Pごとの評価値Vをまとめたデータと、を組み合わせたものであってもよい。なお、評価値Vは、例えば搬送時間や搬送距離、搬送作業に必要となるエネルギー量などを含む関数によって算出される。但し、その関数について限定するものではない。

0048

或いは、学習用データDsは、あらゆる作業現場における地物情報Ibと、点群情報Ipに基づいて生成された搬送経路Rと、を組み合わせたものであってもよい(図11の(B)参照)。換言すると、あらゆる作業現場における建築物Bの位置や形状をまとめたデータと、その建築物Bの位置や形状に応じて生成された搬送経路Rをまとめたデータと、を組み合わせたものであってもよい。なお、このような学習用データDsを用いる場合は、生成された搬送経路Rに基づいて改めて点群情報Ipを作成する機能が必要となる。但し、その手法について限定するものではない。

0049

加えて、本クレーン1においては、点群情報Ipの作成に関するモードを変更できるとしてもよい。例えば、建築物Bからの距離を大きくとって安全性を優先するモードや搬送距離を短くして効率性を優先するモードなどに変更できるとしてもよい。このようにすれば、荷物Lの自動搬送について適宜な態様を実現することができる。なお、状況に応じて自動的にモードを変更できるとしてもよいし、オペレータが任意にモードを変更できるとしてもよい。

0050

更に加えて、本クレーン1においては、クレーン1が荷物Lを搬送することで学習用データDsを作成することができる。このため、クレーン1は、自らが得た学習用データDsを用いてニューラルネットワーク50を更新することができる。これにより、クレーン1は、常に最新のニューラルネットワーク50によって点群情報Ipを作成することが可能となる。また、本クレーン1は、通信ネットワークを介して学習用データDsを取得してニューラルネットワーク50を更新することもできる。これによっても、クレーン1は、常に最新のニューラルネットワーク50によって点群情報Ipを作成することが可能となる。但し、このような更新機能を有していないとしてもよい。

0051

以下に、本クレーン1に適用された技術的思想とその効果についてまとめる。

0052

即ち、本クレーン1は、作業現場に複数の節点Pを配置して点群情報Ipを作成した後にいくつかの節点Pを結んで搬送経路Rを生成するコントローラ20(本願においてはサーバーコンピュータ40を含む)を具備している。コントローラ20は、多階層のニューラルネットワーク50を用いた人工知能機能を有しており、ニューラルネットワーク50の入力層51に作業現場における地物情報Ibを入力すると、ニューラルネットワーク50の出力層52から作業現場に適した分布となるように節点Pを配置した点群情報Ipを出力するものである。かかるクレーン1によれば、地物の位置や形状に応じた節点Pの分布となるので、安全かつ効率のよい搬送経路Rを生成できる。また、不要な節点Pが配置されないので、計算負荷を軽減できる。

0053

また、本クレーン1において、ニューラルネットワーク50は、ニューロンとニューロンがシナプスで結合された脳神経回路を模しており、あらゆる作業現場における地物情報Ibとそれぞれの作業現場について作成された点群情報Ip又は点群情報Ipの各節点Pごとの評価値V又は点群情報Ipに基づいて生成された搬送経路Rの組み合わせを学習用データDsとしてシナプスに相当するエッジ55の重み付けを調整したものである。かかるクレーン1によれば、節点Pの分布が最適化されるので、安全かつ効率のよい搬送経路Rを生成できる。また、計算負荷を軽減できる。

0054

ところで、このような技術的思想は、点群情報Ipを作成し、この点群情報Ipに基づいて搬送経路Rを生成する経路生成システム(本願においてはサーバーコンピュータ40が該当する)としても実現されている。

0055

即ち、経路生成システム(サーバーコンピュータ40)は、多階層のニューラルネットワーク50を用いた人工知能機能を有しており、ニューラルネットワーク50の入力層51に作業現場における地物情報Ibを入力すると、ニューラルネットワーク50の出力層52から作業現場に適した分布となるように節点Pを配置した点群情報Ipを出力するものである。かかる経路生成システム(40)によれば、地物の位置や形状に応じた節点Pの分布となるので、安全かつ効率のよい搬送経路Rを生成できる。また、不要な節点Pが配置されないので、計算負荷を軽減できる。

0056

また、本経路生成システム(サーバーコンピュータ40)において、ニューラルネットワーク50は、ニューロンとニューロンがシナプスで結合された脳神経回路を模しており、あらゆる作業現場における地物情報Ibとそれぞれの作業現場について作成された点群情報Ip又は点群情報Ipの各節点Pごとの評価値V又は点群情報Ipに基づいて生成された搬送経路Rの組み合わせを学習用データDsとしてシナプスに相当するエッジ55の重み付けを調整したものである。かかる経路生成システム(40)によれば、節点Pの分布が最適化されるので、安全かつ効率のよい搬送経路Rを生成できる。また、計算負荷を軽減できる。

0057

次に、図12から図16を用いて、第二実施形態に係る点群情報Ipの作成工程について詳しく説明する。

0058

サーバーコンピュータ40は、多階層のニューラルネットワーク60を用いた人工知能機能によって演算を行うものである。「多階層のニューラルネットワーク」とは、入力層61と出力層62のほか、複数の隠れ層63からなる三層以上のニューラルネットワークを指す(図12参照)。また、「人工知能」とは、『人工的につくられた人間のような知能』と定義できる。このような知能は、『表現学習を可能としたコンピュータ』、より詳細には『データの中から特徴量を生成してモデル化できるコンピュータ』によって実現される。

0059

ニューラルネットワーク60は、ニューロンとニューロンがシナプスで結合された脳神経回路を模したものである。ニューラルネットワーク60は、ニューロンに相当するノード64をシナプスに相当するエッジ65でつなぎ、ある階層のノード64から次の階層のノード64へ信号を伝達するようにプログラム上で表現されている。なお、ニューラルネットワーク60は、エッジ65ごとに結合強度を表す重み付けがなされており、与えられた信号値に重みWをかけあわせて伝達する。そして、それぞれのノード64で閾値を超える度に次のノード64へ信号を伝達していくのである。

0060

ニューラルネットワーク60は、学習フェーズにおいて、「点群情報Ipから不要な節点Pを削除した点群情報Ipを作成する」という機能を獲得する(図13参照)。学習フェーズにおいては、入力データに対して正しい出力データを導き出すよう、エッジ65ごとの重み付けが調整される。なお、ニューラルネットワーク60を作り上げる学習方法は、一般的に「機械学習」と呼ばれる。但し、本ニューラルネットワーク60を作り上げる学習方法は、機械学習の一態様として確立された「深層学習(ディープラーニング)」である。深層学習は、人間を介することなく、自ら特徴量を生成してモデル化を行う点で一般的な機械学習とは異なる。

0061

こうして作り上げたニューラルネットワーク60は、利用フェーズにおいて、荷物Lの吊り上げ地点Psから吊り降ろし地点Peまでの間に、点群情報Ipから不要な節点Pを削除した点群情報Ipを作成する(図14参照)。即ち、地物が作業現場における建築物Bである場合、建築物Bの位置や形状に応じた分布となるように節点Pを配置した点群情報Ipを作成する。このとき、クレーン1の位置はもちろん、荷物Lの重量から定まる搬送範囲を考慮に入れるものとする。また、荷物Lの形状も考慮に入れるとしてもよい。つまり、荷物Lの回転や振れによって建築物Bに衝突しないように考慮に入れるのである。適正な学習用データDsを用いた適正な学習フェーズを経れば、最適化された点群情報Ipを作成できる。但し、サーバーコンピュータ40に別途のプログラムを構成し、作業現場に適した点群情報Ipを作成できないと判断したのであれば、これをキャンセルするとしてもよい。この場合は、キャンセルした旨をディスプレイ39(図2参照)に表示することが考えられる。

0062

ところで、深層学習を行うには、学習用データDsが必要となる(図15参照)。本願における学習用データDsは、あらゆる作業現場における地物情報Ib(点群情報Ipを含む)と、それぞれの作業現場について不要な節点Pを削除して分布が最適化された点群情報Ipと、を組み合わせたものである。換言すると、あらゆる作業現場における建築物Bの位置や形状をまとめたデータと、その建築物Bの位置や形状に応じてどのように不要な節点Pを削除して分布をさせたかをまとめたデータと、を組み合わせたものである。学習フェーズにおいては、数千件から数万件の学習用データDsを利用し、新たな作業現場F(図14参照)でも不要な節点Pを削除して分布が最適化された点群情報Ipを作成できるようになるまで重みWの値を修正する。つまり、ひたすら点群情報Ipの作成と答え合わせを繰り返し、復元エラーが最小となる重みWの値を見つけ出すのである。このような手法を誤差逆伝播法(Backpropagation)という。

0063

或いは、学習用データDsは、あらゆる作業現場における地物情報Ib(点群情報Ipを含む)と、点群情報Ipの各節点Pごとの評価値Vと、を組み合わせたものであってもよい(図16の(A)参照)。換言すると、あらゆる作業現場における建築物Bの位置や形状をまとめたデータと、その建築物Bの位置や形状に応じて算出された各節点Pごとの評価値Vをまとめたデータと、を組み合わせたものであってもよい。なお、評価値Vは、例えば搬送時間や搬送距離、搬送作業に必要となるエネルギー量などを含む関数によって算出される。但し、その関数について限定するものではない。

0064

或いは、学習用データDsは、あらゆる作業現場における地物情報Ib(点群情報Ipを含む)
と、点群情報Ipに基づいて生成された搬送経路Rと、を組み合わせたものであってもよい(図16の(B)参照)。換言すると、あらゆる作業現場における建築物Bの位置や形状をまとめたデータと、その建築物Bの位置や形状に応じて生成された搬送経路Rをまとめたデータと、を組み合わせたものであってもよい。なお、このような学習用データDsを用いる場合は、生成された搬送経路Rに基づいて改めて点群情報Ipを作成する機能が必要となる。但し、その手法について限定するものではない。

0065

加えて、本クレーン1においても、点群情報Ipの作成に関するモードを変更できるとしてもよい。例えば、建築物Bからの距離を大きくとって安全性を優先するモードや搬送距離を短くして効率性を優先するモードなどに変更できるとしてもよい。このようにすれば、荷物Lの自動搬送について適宜な態様を実現することができる。なお、状況に応じて自動的にモードを変更できるとしてもよいし、オペレータが任意にモードを変更できるとしてもよい。

0066

更に加えて、本クレーン1においても、クレーン1が荷物Lを搬送することで学習用データDsを作成することができる。このため、クレーン1は、自らが得た学習用データDsを用いてニューラルネットワーク60を更新することができる。これにより、クレーン1は、常に最新のニューラルネットワーク60によって点群情報Ipを作成することが可能となる。また、本クレーン1は、通信ネットワークを介して学習用データDsを取得してニューラルネットワーク60を更新することもできる。これによっても、クレーン1は、常に最新のニューラルネットワーク60によって点群情報Ipを作成することが可能となる。但し、このような更新機能を有していないとしてもよい。

0067

以下に、本クレーン1に適用された技術的思想とその効果についてまとめる。

0068

即ち、本クレーン1は、作業現場に複数の節点Pを配置して点群情報Ipを作成した後にいくつかの節点Pを結んで搬送経路Rを生成するコントローラ20(本願においてはサーバーコンピュータ40を含む)を具備している。そして、コントローラ20は、多階層のニューラルネットワーク60を用いた人工知能機能を有しており、ニューラルネットワーク60の入力層61に作業現場における点群情報Ipを入力すると、ニューラルネットワーク60の出力層62から不要な節点を削除した点群情報Ipを出力するものである。かかるクレーン1によれば、地物の位置や形状に応じた節点Pの分布となるので、安全かつ効率のよい搬送経路Rを生成できる。また、不要な節点Pが配置されないので、計算負荷を軽減できる。

0069

また、本クレーン1において、ニューラルネットワーク60は、ニューロンとニューロンがシナプスで結合された脳神経回路を模しており、あらゆる作業現場における地物情報Ibとそれぞれの作業現場について作成された点群情報Ip又は点群情報Ipの各節点Pごとの評価値V又は点群情報Ipに基づいて生成された搬送経路Rの組み合わせを学習用データDsとしてシナプスに相当するエッジ65の重み付けを調整したものである。かかるクレーン1によれば、節点Pの分布が最適化されるので、安全かつ効率のよい搬送経路Rを生成できる。また、計算負荷を軽減できる。

0070

ところで、このような技術的思想は、点群情報Ipを作成し、この点群情報Ipに基づいて搬送経路Rを生成する経路生成システム(本願においてはサーバーコンピュータ40が該当する)としても実現されている。

0071

即ち、経路生成システム(サーバーコンピュータ40)は、多階層のニューラルネットワーク60を用いた人工知能機能を有しており、ニューラルネットワーク60の入力層61に作業現場における点群情報Ipを入力すると、ニューラルネットワーク60の出力層62から不要な節点Pを削除した点群情報Ipを出力するものである。かかる経路生成システム(40)によれば、地物の位置や形状に応じた節点Pの分布となるので、安全かつ効率のよい搬送経路Rを生成できる。また、不要な節点Pが配置されないので、計算負荷を軽減できる。

0072

また、本経路生成システム(サーバーコンピュータ40)において、ニューラルネットワーク60は、ニューロンとニューロンがシナプスで結合された脳神経回路を模しており、あらゆる作業現場における地物情報Ibとそれぞれの作業現場について作成された点群情報Ip又は点群情報Ipの各節点Pごとの評価値V又は点群情報Ipに基づいて生成された搬送経路Rの組み合わせを学習用データDsとしてシナプスに相当するエッジ65の重み付けを調整したものである。かかる経路生成システム(40)によれば、節点Pの分布が最適化されるので、安全かつ効率のよい搬送経路Rを生成できる。また、計算負荷を軽減できる。

0073

最後に、関連する技術内容について説明する。

0074

本願には、作業現場に適した分布となるように節点Pを配置し、その後に搬送経路Rを生成するように記載されている。この点、ある程度の密度で節点Pを分布させて搬送経路Rを生成するのであるが、吊り上げ地点Psや吊り降ろし地点Pe、建築物Bの近傍などに節点Pを追加してから再び搬送経路Rを生成するようにすれば、より安全かつ効率のよい搬送経路Rを生成できる。また、不要な節点Pが配置されないので、計算負荷を軽減できる。

0075

また、トラックなどの移動障害物が現れた場合は、移動障害物を含む任意領域で節点Pを削除し、再び搬送経路Rを生成する必要がある。このとき、移動障害物の周囲に節点Pを追加してから再び搬送経路Rを生成するようにすれば、より安全かつ効率のよい搬送経路Rを生成できる。更には移動障害物の移動方向を考慮した上で節点Pを追加してから再び搬送経路Rを生成するようにすれば、不要な節点Pが配置されないので、計算負荷を軽減できる。

0076

加えて、本願には、遠隔操作端末について記載されていない。しかしながら、遠隔操作端末を用いた操縦を可能としてもよい。この場合、遠隔操作端末で吊り上げ地点Psや吊り降ろし地点Peなどを設定できるようにするのが好ましい。

0077

加えて、本願には、複数の搬送経路Rを生成することについて記載されていない。しかしながら、複数の搬送経路Rが示された上で、一の搬送経路Rを選択できるとしてもよい。この場合、搬送経路Rごとの利点が示されるようにするのが好ましい。

0078

1クレーン
2走行体
3旋回体
7ブーム
8ワイヤロープ
9フック
20コントローラ
40サーバーコンピュータ
50ニューラルネットワーク
51入力層
52出力層
53隠れ層
54ノード
55エッジ
60 ニューラルネットワーク
61 入力層
62 出力層
63 隠れ層
64 ノード
65 エッジ
L荷物
P節点
R搬送経路
V評価値
Ds学習用データ
Ib地物情報
Ip 点群情報

ページトップへ

この技術を出願した法人

この技術を発明した人物

ページトップへ

関連する挑戦したい社会課題

関連する公募課題

該当するデータがありません

ページトップへ

おススメ サービス

おススメ astavisionコンテンツ

新着 最近 公開された関連が強い技術

  • コベルコ建機株式会社の「 建設機械のフック格納構造」が 公開されました。( 2020/09/24)

    【課題】建設機械においてバケットリンクの格納空間に格納されるフックをより確実に保持することが可能な建設機械のフック格納構造の提供。【解決手段】油圧ショベルのフック格納構造は、バケットリンク5と、フック... 詳細

  • 株式会社タダノの「 積載形トラッククレーン」が 公開されました。( 2020/09/24)

    【課題】完成までの作業時間を短縮することができる積載形トラッククレーンを提供する。【解決手段】積載形トラッククレーン10は、クレーン装置20を制御する制御装置27と、クレーン装置20の状態を検出し、制... 詳細

  • 住友重機械工業株式会社の「 作業機械」が 公開されました。( 2020/09/24)

    【課題】自機の周囲の物体をより適切に検出することが可能な作業機械を提供する。【解決手段】本発明の一実施形態の作業機械は、下部走行体1と、下部走行体1に旋回自在に指示される上部旋回体3と、下部走行体1に... 詳細

この 技術と関連性が強い人物

関連性が強い人物一覧

この 技術と関連する社会課題

関連する挑戦したい社会課題一覧

この 技術と関連する公募課題

該当するデータがありません

astavision 新着記事

サイト情報について

本サービスは、国が公開している情報(公開特許公報、特許整理標準化データ等)を元に構成されています。出典元のデータには一部間違いやノイズがあり、情報の正確さについては保証致しかねます。また一時的に、各データの収録範囲や更新周期によって、一部の情報が正しく表示されないことがございます。当サイトの情報を元にした諸問題、不利益等について当方は何ら責任を負いかねることを予めご承知おきのほど宜しくお願い申し上げます。

主たる情報の出典

特許情報…特許整理標準化データ(XML編)、公開特許公報、特許公報、審決公報、Patent Map Guidance System データ