CN110226147A - 状态预测控制装置和状态预测控制方法 - Google Patents
状态预测控制装置和状态预测控制方法 Download PDFInfo
- Publication number
- CN110226147A CN110226147A CN201780083604.9A CN201780083604A CN110226147A CN 110226147 A CN110226147 A CN 110226147A CN 201780083604 A CN201780083604 A CN 201780083604A CN 110226147 A CN110226147 A CN 110226147A
- Authority
- CN
- China
- Prior art keywords
- observation
- state
- dictionary
- moment
- target
- 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
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
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
- H04N19/103—Selection of coding mode or of prediction mode
- H04N19/11—Selection of coding mode or of prediction mode among a plurality of spatial predictive coding modes
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G7/00—Botany in general
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
- H04N19/124—Quantisation
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Environmental Sciences (AREA)
- Medical Informatics (AREA)
- Botany (AREA)
- Ecology (AREA)
- Forests & Forestry (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biodiversity & Conservation Biology (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Control Of Non-Electrical Variables (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
在本发明中,获取通过观测传感器对观测对象物在第一时刻的状态进行观测而得到的第一传感器信息,从规定了与观测对象物的种类对应的、伴随着时间经过的多个状态变化的序列的状态序列字典读取状态序列,求取沿着观测对象物的目的及用于实现该目的目标参数的路径,对第一时刻之后的预测时刻的状态进行预测,对在第一时刻后的第二时刻得到的第二传感器信息与预测的状态进行比较,向对观测对象物的状态变化给予影响的控制单元输出基于比较结果而规定的控制参数,以使预测时刻的状态接近目的及目标参数。
Description
技术领域
本发明涉及状态预测控制装置和状态预测控制方法,特别涉及基于来自对观测对象物的状态变化进行观测的传感器的输出来预测对象物的状态的技术。
背景技术
在专利文献1中,提出了一种基于拍摄的图像,通过粒子滤波法对对象物的物理量进行估计,或者通过浓缩法(condensation)将与对象物的特征量相关联的量作为权重来对对象物的位置进行估计的技术。
在专利文献2中,提出了如下技术:将由具有三维坐标值的多个特征点、与表示与各特征点相关联的部分图像的部分图像信息构成的三维模型投影到二维的观测空间中,使用在二维的观测空间中选择的特征点组合来对三维模型的状态量进行估计,将估计的三维模型状态投影到观测空间中且重复计算匹配度来对三维模型的状态量进行估计。
在专利文献3中,提出了如下技术:将用于判断是否存在目标的注视区域依次设置在图像中的多个位置,在假设在注视区域存在目标的情况下,基于弹性模型来设置部件的基准位置,针对每个检测出来的部件,计算表示从基准位置偏离的程度的值即弹性成本。进而,将算出的弹性成本为规定范围内存在多个同一种类的部件作为条件,将注视区域判断为构成群体的目标所存在的目标区域。
现有技术文献
专利文献
专利文献1:日本特开2005-44352号公报;
专利文献2:日本特开2007-299312号公报;
专利文献3:日本特开2014-63273号公报。
发明内容
发明要解决的课题
即使根据专利文献1、2、3而能够预测对象物的位置、状态,但问题是对象物在偏离于将来的目标值的情况下,不能够为了接近目标而进行积极的主动行动。
本发明是为了解决上述问题而完成的,其目的在于提供一种用于对观测对象物的状态进行预测,并且使其预测状态接近目标值的技术。
用于解决课题的方案
为了达到上述目的,本发明具有记载在权利要求的范围的结构。
列举一个方式,本发明的状态预测控制装置的特征在于,具有:传感器信息获取部,其获取通过观测传感器对观测对象物在第一时刻的状态进行观测而得到的第一传感器信息;模型字典存储部,其对模型字典进行存储,所述模型字典将所述观测传感器的种类与根据所述观测传感器的输出而直接确定的观测对象物建立了关联;对象物识别部,其参照所述模型字典且基于所述第一传感器信息对所述观测对象物的种类进行识别;目的目标字典存储部,其存储目的目标字典,所述目的目标字典对所述观测对象物的目的及用于实现该目的的目标参数进行了规定;状态序列字典存储部,其存储状态序列字典,所述状态序列字典对与所述观测对象物的种类对应的、伴随着时间经过的多个状态变化的序列进行存储;状态预测部,其从所述状态序列字典读取规定了所述识别的观测对象物的多个不同的时刻的不同的状态的状态序列,且从所述目的目标字典读取所述观测对象物的目的及目标参数,求取所述状态序列中沿着所述读取的目的及目标参数的路径,对所述第一时刻之前的预测时刻的所述观测对象物的状态进行预测并求取预测状态;以及,预测评价部,其对在所述第一时刻之后的第二时刻通过所述观测传感器观测所述观测对象物而得到的第二传感器信息与所述预测状态进行比较,基于其比较结果,输出所述预测时刻的所述观测对象物的观测状态相对于所述目的及所述目标参数的偏差的评价信息。
发明效果
根据本发明,能够提供一种用于对观测对象物的状态进行预测,使该预测状态接近目标值的技术。另外,上述以外的课题、解决方案是通过以下的实施方式进行表明的。
附图说明
图1为状态预测控制装置的硬件结构图。
图2为表示由状态预测控制装置执行的状态预测控制程序的结构的功能框图。
图3表示目的目标字典示例。
图4A为表示存储在状态序列字典中的状态序列数据的一个示例的图。
图4B为表示存储在状态序列字典中的状态序列数据的更新的一个示例的图。
图5为表示规定了对象物的模型字典的一个示例的图。
图6A为表示针对灯具输出的控制参数的一个示例的图。
图6B为表示针对加热器输出的控制参数的一个示例的图。
图6C为表示针对加除湿器输出的控制参数的一个示例的图。
图6D为表示针对供水阀门输出的控制参数的一个示例的图。
图6E为表示针对施肥喷嘴输出的控制参数的一个示例的图。
图7为表示使用本实施方式的状态预测控制装置来实施涉及农作物的生长的状态预测控制的处理的流程的流程图。
图8为表示使用本实施方式的状态预测控制装置来实施涉及农作物的生长的状态预测控制的处理的流程的流程图。
图9A为表示基于预测评价结果来改变控制参数的示例的图。
图9B为表示基于预测评价结果来改变控制参数的示例的图。
图10为表示农作物的成长预测和与其对应的控制参数的示例的图。
具体实施方式
以下,参照附图,对本发明的适合的实施方式进行详细地说明。在以下中,以将农作物作为对象物进行定点摄影、进行农作物的成长观察例如农作物的成长预测、异常监视、农作物生长环境的状态预测、异常监视的情况为例进行说明。
在此,“对象物”指的是根据观测传感器的各自输出的传感器信息而直接被观测的对象。例如,在作为观测传感器包含CMOS传感器的情况下,作为根据该传感器信息而直接观测到的对象,农作物(或生长状况)成为对象物。同样地,在温度传感器的情况下,对象物为温度,在光量传感器的情况下,对象物为光量,在水量传感器的情况下,对象物为水量。
此外,在以下的说明中,将控制对象物作为植物的生长,将控制参数作为生长量、供水量、室温、湿度、光量、营养素进行说明。此外,基于栽培对象物的生长(状态)而将例如发芽、成长、开花、结果、成熟作为(状态)模式,将每个模式中的目标值作为目标信息。在农作物的示例中,由CMOS传感器观测的农作物的图像、由光量传感器观测的光量、由温度传感器观测的温度、以及由水量传感器观测的水量成为对象物,因此对这些对象物进行观测,并预测变化。
作为预测控制技术的特长进行目的控制。不仅针对观测的值的变化速度、变化加速度,还以沿着用于达到目的的目标而发展的方式进行控制。
图1为表示本实施方式的状态预测控制装置的硬件结构。如图1所示,本实施方式的状态预测控制装置10被构成为,负责对对象物的状态变化进行预测的运算处理的CPU14、作为数据存储装置的ROM16、RAM18、文件单元20(文件单元例如也可以由HDD构成)、外部接口(I/F)22、显示器24各自经由总线26相互地连接,并能够发送接收指令、数据地连接在一起的计算机。
在ROM16中预先存储有处理例程等程序。另外,在本实施方式的状态预测控制装置10中,除了以上的结构外还包含电源装置等许多电气系统的结构元件,但由于为公知的或通常的内容,因此省略详细的说明。
在外部I/F22连接用于状态预测控制装置10获取作为控制对象物的对象物的状态信息的观测传感器30。作为观测传感器30,例如有CMOS传感器301、光量传感器302、温度传感器303、湿度传感器304、供水量传感器305以及施肥量传感器306。
此外,在外部I/F22连接控制单元40。控制单元为在对象物为农作物的生长的情况下制造出对该农作物的生长的状态变化给予影响的环境的装置。例如,作为控制单元40有灯具401、加热器402、加除湿器403、供水阀门404以及施肥喷嘴405。
图2为表示由状态预测控制装置10执行的状态预测控制程序的结构的功能框图。
状态预测控制装置10包含:传感器信息获取部14a、对象物识别部14b、状态预测部14c、预测评价部14d、控制部14e以及匹配部14f。上述各结构元件构成为通过CPU14将ROM16、文件单元20存储的实现功能的程序加载到RAM18来执行。
此外,在文件单元20中包含:目的目标字典201、对与实施状态预测的对象物的种类对应的模型进行规定的模型信息字典202、对伴随着模型的时间经过的多个状态变化的序列进行规定的状态序列字典203、以及控制参数字典204。在目的目标字典201中包含:存储目的目标字典数据的目的目标字典存储部201a以及编辑目的目标字典数据的目的目标字典编辑部201b。此外,在状态序列字典203中包含:存储状态序列字典数据的状态序列字典存储部203a、以及编辑状态序列字典数据的状态序列字典编辑部203b。在此所述的编辑包含字典数据的更新和删除两者。
(目的目标字典)
图3表示目的目标字典示例。在目的目标字典中,存储对象物的种类和其目的、以及用于达到其目的参数。例如在图3的示例中,对于对象物“黄瓜”,作为目的1规定为黄瓜的促成栽培,作为用于实现该目的的目标参数规定为表示生长过程的播种、定植、以及收获的三个阶段和各阶段的时间。在图3中,规定了收获时期为“1月”“2月”的目标参数。
目的目标字典的目的在于在某种前提条件(生长开始时期、收获时期、品种等)下尽可能增大由CMOS传感器观测的农作物的收获效率(增大收益,缩小成本)。对于该目的,由CMOS观测到的农作物的生长状况也被限定了目标(值)。与目的对应的目标为对过去的生长记录数据进行字典化而成的,这就是目的目标字典。目的目标字典也可以向目的(值)提供将目标(值)表格化的数据。
可以预先给予对象物的目的、目标,或者给予对象物的评价基准并通过对象物的观测等得到的观测值进行计算等而得到目的值、目标值,并将该值字典化。或者,可以针对通过对象物的观测等而得到的观测值,从外部给予评价点且将给予的最高评价点的观测值作为目的值、目标值进行字典化,或者给予对象物的评价基准并通过对象物的观测等得到的观测值进行计算等而得到目的值、目标值,进而将成为最高评价基准的观测值作为目的值、目标值并进行字典化。
为了农作物的生长沿着目标(值)而向目的(值)发展,关于光量、温度、水量存在适当的目标值。光量、温度、水量的适当的目标值以尽可能的增大该农作物的收获效率作为目的而被限定。由于农作物的培育中的光量、温度、水量的目的(值)尽可能地增大了农作物的收获效率,因此与该目的对应的目标为对过去的农作物培育时的记录数据进行字典化而成的。其为光量、温度、水量的目的目标字典。
针对目的(值)对光量、温度、水量的目标(值)进行表格化。从某种前提条件出发达到尽可能增大收获效率的目的的、光量、温度、水量的路径(目标(值)的组)并不是一种。由于是光量、温度、水量的组合,所以路径也可能增加为多种,但无论几种也是通过对过去的生长记录数据进行字典化而自然而然地记录的。在对同等的目标(值)进行了记录的情况下,进行计数而成为频度数据。对目的、目标字典进行了检索的情况下的预测值通过频度数据而附带概率地输出。农作物的生长的路径与光量、温度、水量的路径成为对应起来的组。
(状态序列字典)
图4为表示存储在状态序列字典中的状态序列数据的一个示例。图4的状态序列数据为对对象物沿着时间轴方向的状态变化的模式进行规定的数据,是将时刻tn(n=1~9)的时间点的状态ωm(m=1~6)排列起来的数据。而且,在时刻tn选择一个状态ωm,迁移到下一个时刻例如时间经过到时刻tn+1时的状态ωm+1表示状态的变化,表示该状态迁移的数据成为状态序列。在本实施方式中,应用对伴随农作物的成长的状态变化(由于形状发生变化也称为形状变化)的序列进行了规定的有限状态序列,来准备由将初始状态的农作物的形状模型化的有限状态序列组成的模型。
此时,能够准备使目的属性和目标参数对应于农作物、农作物的生长环境的字典,在状态序列的探索中使用。作为农作物本身的目的示例有发芽、生长、着花、开花、结果、枯死等,作为目标参数的示例有茎的高度、叶的大小、叶的片数、叶的颜色、叶的间隔、花的数量、果实的大小、形状等。通过将目的属性、目标参数用于有限状态序列的探索,从而能够例如从还没有观测到花蕾、果实的时间点起来探索预测了开花、结果的状态的有限状态序列。
此外,作为生长环境的示例有用于适当地保持农作物的生长温度的加热器、观测温度的温度计、向农作物供水的供水器、向农作物给予光的灯具等。如果从外部给予作为农作物的生长计划的农作物的生长预期、作为目的属性和目的参数的生物环境的温度、供水、灯具的控制信息,则它们也用于探索有限状态序列来进行农作物的生长预测,并且作为加热器的温度传感器、供水器的供水传感器、灯具的照度传感器的预测值来使用,如果检测出与观测值的偏差,则通过以匹配观测值的方式对农作物、生长环境的有限状态序列进行逆向探索,从而可以作为温度、供水、照明等的过剩与不足信息、向控制的反馈信息输出,或者作为温度、供水、照明的各传感器的异常感测进行输出,或者也可作为病虫害的可能性信息进行输出。
(模型字典)
图5表示模型字典数据的一个示例。在模型字典中,对传感器种类和基于从该传感器输出的传感器信息而被确定的对象物进行了规定。图5为规定了对象物的模型字典,例如作为根据CMOS传感器的输出定义的对象物而定义了农作物。
(控制参数)
图6表示控制参数字典的一个示例。图6A表示针对灯具401输出的控制参数,图6B表示针对加热器402输出的控制参数,图6C表示针对加除湿器403输出的控制参数,图6D表示针对供水阀门404输出的控制参数,图6E表示针对施肥喷嘴405输出的控制参数的示例。控制参数字典对于后述的期待值与观测值的差分提供将观测值与控制后的值关联起来的数据。
接着,对由本实施方式的状态预测控制装置10执行的对象物的状态预测控制处理进行说明。图7和图8为表示使用本实施方式的状态预测控制装置进行涉及农作物的生长的状态预测控制的处理的流程的流程图。
传感器信息获取部14a从每个观测传感器30取得各传感器在时刻t1的传感器信息(以下称为“第一传感器信息”)(S100),并向对象物识别部14b输出。
对象物识别部14b对模型信息字典202进行检索并根据各传感器的第一传感器信息识别对象物(S101)。在模型信息字典202中预先存储有对传感器种类与对象物进行了关联的模型信息,例如如果传感器种类为“CMOS传感器”,则是将对象物规定成“农作物”这样的数据。进而,在从CMOS传感器获取了第一传感器信息的情况下,对象物识别部14b参照模型信息字典202,当从CMOS传感器获取第一传感器信息时则识别出对象物为农作物。
在对象物识别部14b识别出模型信息字典中没有的新的对象物信息的情况下,进行针对模型字典的新的对象物信息的追加、更新处理。
对象物识别部14b对执行实际空间内的对象物的状态预测控制处理的区域(预测探索窗口)进行设定(S102)。在本实施方式中,对作为以固定间隔观测对象物的时间而定义的预测探索窗口进行设定(参照图10的符号61)。在本示例中,作为上述预先决定了固定间隔的间隔,例如作为可进行农作物的成长比较的时间间隔示例确定为1周时间。
对象物识别部14b在预测探索窗口中根据第一传感器信息观测对象物来确定对象物的状态(S103)。例如,在作为预测探索窗口被定义的时间中包含的第一时刻t1,基于从CMOS传感器输出的第一传感器信息,对第一时刻t1的农作物的状态(形状)进行确定。此外,在第一时刻t1基于从水量传感器输出的第一传感器信息,对第一时刻t1处的水份量进行确定。此外,对基于在观测传感器30中包含的各传感器而确定的对象物在第一时刻t1的状态进行确定。
传感器信息获取部14a在包含在预测探索窗口内且比第一时刻靠后的第二时刻t2,取得包含在观测传感器30中的各传感器的传感器信息(以下称为“第二传感器信息”)(S104)。
进而,与步骤S103相同,对象物识别部14b根据第二传感器信息确定对象物的状态(S105)。
进而,针对各对象物,状态预测部14c对在S103确定在第一时刻的状态和在S106确定的在第二时刻t2的状态的变化量进行计算,并对各对象物从第一时刻到第二时刻的对象物的状态变化进行计算(S106)。
状态预测部14c针对确定的对象物而检索目的目标字典201,对对象物的目的属性、目标参数进行选择(S107)。
状态预测部14c基于对象物、其状态和对象物的目的属性以及目标参数,按照达到的概率来检索有限状态序列(S108)。更具体地,状态预测部14c对观测值以及目标值的有限状态序列的节点间的差的平方和值进行计算,检索有限状态序列中平方和值为最小的节点。
状态预测部14c针对对象物而适配在检索时刻达到的概率高的所选择的序列或多个序列(S109)。在此指的“针对对象物适配序列或多个序列”表示将此前限定的序列确定为对象物的状态序列。将适配的序列的节点的值设为目标值。
状态预测部14c将对象物的变化矢量重叠在选择的序列上(S110)。对对象物进行观测,计算对象物的各传感器信息的值在观测时间点相对于此前适配的状态序列的节点的差分值、与在下一个观测的时间点相对于适配的状态序列的节点的差分值的差分值变化量值。将其设为对象物的变化矢量。将再下一个观测时间点的预测值设为,在下一个观测的时间点的适配的状态序列的节点重叠上述计算的变化矢量即差分值与差分值的变化量值而成的值。
状态预测部14c对探索出的状态序列频度进行更新(S111)。将对象物的状态序列整体的频度中达到目的、目标的适配的状态序列的频度设为达到概率。此外,在对象物具有新的状态序列的情况下,进行追加新的状态序列的更新。新的状态序列的频度的初始值为1。
状态预测部14c输出状态预测(S112)。在步骤S114中,状态预测部14c将通过重叠对象物的变化矢量而求出的、在下一个观测的时间点的适配的状态序列的节点重叠上述计算的变化矢量即差分值与差分值的变化量值而成的值作为预测值并输出。
预测评价部14d对输出的预测值即状态预测的结果进行评价(S113)。状态预测的评价是通过将从节点达到目的、目标的概率作为评价函数进行计算的方式来实施的。
在本实施方式中,输出如下四种数据,即(1)传感器值的差分值(目标值-观测值、目标值-预测值、期待值-观测值),(2)与传感器值的差分值的增减(一个之前的观测时间点与本次的观测时间点)相对应的带符号的值,(3)从预测值的节点、观测值的节点、期待值的节点的各节点达到目标值的节点的概率,(4)输出对应于从预测值的节点、观测值的节点、期待值的节点的各节点达到目的、目标值的概率的增减(一个之前的观测时间点与本次的观测时间点)的带符号的值。其中,在本步骤中,输出(3)、(4)。
预测评价部14d进行接近目标状态序列的检索(S114)。具体而言,预测评价部14d对从适配时间点的节点达到目的、目标的概率和从预测值的最接近节点达到目的、目标的概率进行比较。在达到概率减少的情况下,检索与预测值的最接近节点相比达到概率高的节点。在达到概率增加的情况下不进行检索。
匹配部14f对第二传感器信息表示的观测值和状态预测部14c输出的预测信息进行比较,将其比较结果输出到预测评价部14d。预测评价部14d基于其比较结果输出评价信息/期待值(S115)。作为上述比较结果,例如使用观测值与预测值的差分值。
预测评价部14d将与在步骤S118中检索的预测值的最接近节点相比达到目的、目标的概率高的节点的值作为期待值输出。在步骤S115中,在达到目的、目标的概率增加的情况下,预测评价部14d将预测值的最接近的节点作为期待值输出。
预测评价部14d输出下述的值作为评价信息。
(1)传感器值的差分值(目标值-观测值、目标值-预测值、期待值-观测值)
·如果观测值偏离目标值而产生差分,则输出该差分作为评价值
·如果预测值偏离目标值而产生差分,则输出该差分作为评价值
·如果观测值偏离期待值而产生差分,则输出该差分作为评价值
(2)与传感器值的差分值的增减(一个之前的观测时间点和本次的观测时间点)相对应的带符号的值
·如果观测值偏离目标值而产生差分且差分增加,则评价为不希望的趋势而输出负值
·如果观测值偏离目标值而产生差分且差分减少,则评价为希望的趋势而输出正值
·如果预测值偏离目标值而产生差分且差分增加,则评价为不希望的趋势而输出负值
·如果预测值偏离目标值而产生差分且差分减少,则评价为希望的趋势而输出正值
·如果观测值偏离期待值而产生差分且差分增加,则评价为不希望的趋势而输出负值
·如果观测值偏离期待值而产生差分且差分减少,则评价为希望的趋势而输出正值
控制部14e输出控制信息(S116)。控制部14e基于由步骤S116输出的观测值与期待值的差分组成的评价值,参照控制参数字典204,输出对于各对象物的控制信息。例如,如果光量的期待值与观测值的差分为“800~1199以上”,且从第二传感器信息得到的观测时的灯具电压为3,则如图6A所示输出将控制后的灯具电压的值设为0的控制信息。
参照图4、图9A、图9B、图10对状态序列的检索进行说明。设根据第一传感器信息得到第一时刻t1的状态ω1(其为实际观测的状态,因此为观测状态)。另外,将作为目标的状态值称为目标值,将预测的状态值称为预测值,将观测的状态值称为观测值,将期待的状态值称为期待值。图9A、图9B为表示基于预测评价结果来改变控制参数的示例的图。此外,图10为表示农作物的成长预测和与其对应的控制参数的示例的图。
关于状态预测部14c,设在时刻t2下观测到状态ω3。在这种情况下,求出将第一时刻t1的状态ω1(因为其为观测到的状态,因此为观测状态)和第二时刻t2的状态ω3(因为其为观测到的状态,因此为观测状态)连接的路径,将其延伸而预测第三时刻t3处的状态为ω6。
另一方面,在目的目标字典201中,针对农作物而设定有将第一时刻t1的状态ω2(因为其是设为目标的状态,因此为目标状态)和第二时刻t2的状态ω3(因为其是设为目标的状态,因此为目标状态)进行连接的目标路径。
在这种情况下,在第二时刻t2下,观测到相对于状态ω3(其为目标状态)而成为状态ω6(该状态为预测状态)的大幅度乖离的徒长。
因此,控制部14e为了接近目标值(为了防止徒长)而对状态序列字典进行概率探索并将t3时最接近目标值的光量、温度以及成长的期待值作为t2时的期待值进行输出。
控制部14e由于在第三时刻t3光量的观测值不接近期待值且成长的观测值与期待值乖离而探索替代的路径,关于光量而在预测其不变化的情况下将t4时最接近目标值的温度以及成长的期待值作为t3时的期待值进行输出。
在第二时刻t2的预测值为徒长的预测的情况下,有必要调节控制参数以延迟农作物的成长。因此,控制部14e为了接近目标值(为了防止徒长)而对状态序列字典进行概率探索并将t3时最接近目标值的光量、温度以及成长的期待值作为t2时的期待值输出。其结果是,如图9A和图10的光量传感器信息所示,输出为了防止徒长而将光量和温度下降了的期待值,光量与温度的预测值是与期待值不同地按照以前的方法输出。
在即使控制参数要调节光量,t3时光量的观测值也不接近期待值,成长的观测值也与期待值乖离的情况下,探索替代的路径,关于光量而在预测其不变化的情况下将t4时最接近目标值的温度及成长的期待值作为t3时的期待值输出。其结果是,如图9B、图10所示,由于光量的观测值不接近期待值,因此对防止徒长的替代的路径进行探索,输出将温度进一步下降的期待值。
状态预测部14c对对象物与目的目标字典的达到概率进行更新(S117)。图4B表示状态序列字典的状态序列数据的更新示例。在状态序列字典中,各状态具有状态序列频度计数器和状态计数器,在每次观测到状态迁移时,状态预测部14c对状态序列频度计数器和状态计数器进行更新。在下述表示状态迁移概率的更新示例。
例如:ωn→ωn+1观测到状态迁移时
状态序列频度计数器ωn→ωn+1计数增加
状态计数器ωn+1计数增加
状态序列字典具有状态迁移概率数据,根据状态序列频度并通过下式(1)求出状态迁移概率p(ωn→ωn+1),对状态迁移概率进行更新。
p(ωn→ωn+1)=ωn→ωn+1计数/ωn→计数...(1)
由此,能够使用状态迁移的观测结果来对目的目标字典的状态迁移概率进行更新,进一步提高状态预测的精度。
根据本实施方式,能够对观测对象物的状态进行预测,且得到用于将该状态预测接近目标值的评价信息。因而,基于该评价信息,能够以观测对象物的将来的状态接近目标值的方式改变对观测对象物的状态施加影响的主要原因。
进而,在本实施方式中,能够使用控制部改变控制参数以使观测对象物的状态预测接近目标值。
此外,通过状态序列字典编辑部和目的目标字典编辑部,基于实际得到的观测对象物的数据对状态序列字典、目的目标字典进行更新,因此能够期待使状态预测精度提高。
上述实施方式并不限定本发明,在不脱离本发明的主旨的多种改变方式也属于本发明的技术的范围。
例如,在上述步骤S111中,状态序列字典编辑部向所关注的状态添加更新标志,在确定达到了目的、目标后通过对对应的频度标志进行加法计算来更新状态迁移概率。基于此,也可以在步骤S117中目的目标字典编辑部也可以对目的、目标达到概率进行更新。此时,如果确定没有达到目的、目标,则通过对对应的频度标志进行加法计算来对状态迁移概率和目的目标达到概率进行更新。进而,如果判断为异常情况,则也可以通过添加异常状态迁移标志并对对应的频度标志进行加法计算来对状态迁移概率进行更新。
进而,在第二时刻的预测状态由于变化速度/加速度而没有存储在状态序列字典的状态的情况下,以及观测状态没有存储在状态序列字典的状态的情况下,状态序列字典编辑部也可以添加更新标志、显示新状态的标志、对应的新的频度标志来实施状态序列字典存储的更新。
附图标记说明
10:状态预测控制装置;
14:CPU;
16:ROM;
18:RAM;
20:文件单元;
22:外部I/F;
24:显示器;
26:总线;
30:观测传感器;
40:控制单元。
Claims (10)
1.一种状态预测控制装置,其特征在于,具有:
传感器信息获取部,其获取通过观测传感器对观测对象物在第一时刻的状态进行观测而得到的第一传感器信息;
模型字典存储部,其对模型字典进行存储,所述模型字典将所述观测传感器的种类与根据所述观测传感器的输出而直接确定的观测对象物关联起来;
对象物识别部,其参照所述模型字典并基于所述第一传感器信息对所述观测对象物的种类进行识别;
目的目标字典存储部,其存储目的目标字典,所述目的目标字典对所述观测对象物的目的及用于实现该目的的目标参数进行了规定;
状态序列字典存储部,其存储状态序列字典,所述状态序列字典对与所述观测对象物的种类对应的、伴随着时间经过的多个状态变化的序列进行了规定;
状态预测部,其从所述状态序列字典读取规定了所述识别的观测对象物的多个不同的时刻的不同的状态的状态序列,且从所述目的目标字典读取所述观测对象物的目的及目标参数,求取所述状态序列中沿着所述读取的目的及目标参数的路径,对所述第一时刻之后的预测时刻的所述观测对象物的状态进行预测并求取预测状态;以及
预测评价部,其对在所述第一时刻之后的第二时刻通过所述观测传感器观测所述观测对象物而得到的第二传感器信息与所述预测状态进行比较,基于其比较结果,输出所述预测时刻的所述观测对象物的观测状态相对于所述目的及所述目标参数的偏差的评价信息。
2.根据权利要求1所述的状态预测控制装置,其特征在于,
所述预测评价部进一步输出与所述预测状态相比而达到所述目的及所述目标参数的概率高的期待值,以使所述预测时刻的所述观测对象物的观测状态接近目的及所述目标参数。
3.根据权利要求1所述的状态预测控制装置,其特征在于,
还具有控制部,其对有助于所述观测对象物的状态变化的控制单元输出控制参数,以使所述预测时刻的所述观测对象物的观测状态接近所述目的及所述目标参数。
4.根据权利要求1所述的状态预测控制装置,其特征在于,
还具有状态序列字典编辑部,其在对所述第一时刻之后的第二时刻通过所述观测传感器观测而得到的第二传感器信息与所述预测状态进行比较、基于其比较结果而第二传感器信息与所述预测状态为不同的情况下,进行从所述第一时刻的状态到所述第二时刻的状态的状态序列字典存储的更新。
5.根据权利要求4所述的状态预测控制装置,其特征在于,
还具有目的目标字典编辑部,其在所述状态序列字典编辑部实施了所述状态序列字典的更新的情况下,实施所述目的目标字典的更新。
6.一种状态预测控制方法,其特征在于,具有:
获取通过观测传感器对观测对象物在第一时刻的状态进行观测而得到的第一传感器信息的步骤;
参照模型字典并基于所述第一传感器信息对所述观测对象物的种类进行识别的步骤,所述模型字典将所述观测传感器的种类与根据所述观测传感器的输出而直接确定的观测对象物关联起来;
从状态序列字典读取规定了所述识别的观测对象物的多个不同的时刻的不同的状态的状态序列,且从目的目标字典读取所述观测对象物的目的及目标参数,对在所述状态序列中沿着所述读取的目的及目标参数的路径进行求取,对所述第一时刻之后的预测时刻的所述观测对象物的状态进行预测并求取预测状态的步骤,所述状态序列字典对与所述观测对象物的种类对应的、伴随着时间经过的多个状态变化的序列进行了规定,所述目的目标字典对所述观测对象物的目的及用于实现该目的的目标参数进行了规定;以及
对在所述第一时刻之后的第二时刻通过所述观测传感器观测所述观测对象物而得到的第二传感器信息与所述预测状态进行比较,基于其比较结果,输出所述预测时刻的所述观测对象物的观测状态相对于所述目的及所述目标参数的偏差的评价信息的步骤。
7.根据权利要求6所述的状态预测控制方法,其特征在于,
进一步包含:输出与所述预测状态相比而达到所述目的及所述目标参数的概率高的期待值,以使预测时刻的所述观测对象物的观测状态接近所述目的及所述目标参数的步骤。
8.根据权利要求6所述的状态预测控制方法,其特征在于,
进一步包含:对有助于所述观测对象物的状态变化的控制单元输出控制参数,以使所述预测时刻的所述观测对象物的观测状态接近所述目的及所述目标参数的步骤。
9.根据权利要求6所述的状态预测控制方法,其特征在于,
进一步包含:在对所述第一时刻后的第二时刻通过所述观测传感器观测而得到的第二传感器信息与所述预测状态进行比较、基于其比较结果而第二传感器信息与预测的状态为不同的情况下,进行从所述第一时刻的状态到所述第二时刻的状态的状态序列字典的更新的步骤。
10.根据权利要求9所述的状态预测控制方法,其特征在于,
进一步包含:在实施了所述状态序列字典的更新的情况下,实施所述目的目标字典的更新的步骤。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2017/019902 WO2018220673A1 (ja) | 2017-05-29 | 2017-05-29 | 状態予測制御装置及び状態予測制御方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110226147A true CN110226147A (zh) | 2019-09-10 |
Family
ID=64456405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780083604.9A Pending CN110226147A (zh) | 2017-05-29 | 2017-05-29 | 状态预测控制装置和状态预测控制方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11006107B2 (zh) |
EP (1) | EP3547068A4 (zh) |
JP (1) | JP6556382B2 (zh) |
CN (1) | CN110226147A (zh) |
WO (1) | WO2018220673A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JOP20190145A1 (ar) * | 2017-06-14 | 2019-06-16 | Grow Solutions Tech Llc | أنظمة وطرق لتفريع حصاد قرن إنماء |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016101117A (ja) * | 2014-11-28 | 2016-06-02 | 三菱電機株式会社 | 情報処理装置及び情報処理方法及びプログラム |
US20160325743A1 (en) * | 2015-05-04 | 2016-11-10 | Honda Research Institute Europe Gmbh | Method for improving performance of a method for computationally predicting a future state of a target object, driver assistance system, vehicle including such driver assistance system and respective program storage medium and program |
WO2017051480A1 (ja) * | 2015-09-25 | 2017-03-30 | 株式会社日立情報通信エンジニアリング | 画像処理装置及び画像処理方法 |
US20180068206A1 (en) * | 2016-09-08 | 2018-03-08 | Mentor Graphics Corporation | Object recognition and classification using multiple sensor modalities |
CN109690619A (zh) * | 2016-09-13 | 2019-04-26 | 株式会社日立信息通信工程 | 状态预测装置以及状态预测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6391018A (ja) | 1986-10-06 | 1988-04-21 | 横河電機株式会社 | 温室のプログラム制御方法 |
JP2996952B1 (ja) | 1998-07-17 | 2000-01-11 | 株式会社エイ・ティ・アール人間情報通信研究所 | 学習制御方法および学習制御装置 |
JP4382597B2 (ja) | 2003-07-10 | 2009-12-16 | 株式会社国際電気通信基礎技術研究所 | 推定装置、推定方法および推定プログラム |
JP4921847B2 (ja) | 2006-05-02 | 2012-04-25 | 株式会社豊田中央研究所 | 対象物の三次元位置推定装置 |
JP5838940B2 (ja) | 2012-09-20 | 2016-01-06 | 株式会社デンソー | 画像処理装置及び車両制御システム |
CN108431585B (zh) * | 2015-12-25 | 2021-09-14 | 富士胶片株式会社 | 信息处理装置及信息处理方法 |
-
2017
- 2017-05-29 JP JP2018558435A patent/JP6556382B2/ja active Active
- 2017-05-29 US US16/477,447 patent/US11006107B2/en active Active
- 2017-05-29 WO PCT/JP2017/019902 patent/WO2018220673A1/ja unknown
- 2017-05-29 EP EP17912304.7A patent/EP3547068A4/en not_active Withdrawn
- 2017-05-29 CN CN201780083604.9A patent/CN110226147A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016101117A (ja) * | 2014-11-28 | 2016-06-02 | 三菱電機株式会社 | 情報処理装置及び情報処理方法及びプログラム |
US20160325743A1 (en) * | 2015-05-04 | 2016-11-10 | Honda Research Institute Europe Gmbh | Method for improving performance of a method for computationally predicting a future state of a target object, driver assistance system, vehicle including such driver assistance system and respective program storage medium and program |
WO2017051480A1 (ja) * | 2015-09-25 | 2017-03-30 | 株式会社日立情報通信エンジニアリング | 画像処理装置及び画像処理方法 |
US20180068206A1 (en) * | 2016-09-08 | 2018-03-08 | Mentor Graphics Corporation | Object recognition and classification using multiple sensor modalities |
CN109690619A (zh) * | 2016-09-13 | 2019-04-26 | 株式会社日立信息通信工程 | 状态预测装置以及状态预测方法 |
Also Published As
Publication number | Publication date |
---|---|
US11006107B2 (en) | 2021-05-11 |
EP3547068A4 (en) | 2020-07-22 |
EP3547068A1 (en) | 2019-10-02 |
JP6556382B2 (ja) | 2019-08-07 |
WO2018220673A1 (ja) | 2018-12-06 |
US20190387223A1 (en) | 2019-12-19 |
JPWO2018220673A1 (ja) | 2019-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Temperature‐compensated cell production rate and elongation zone length in the root of Arabidopsis thaliana | |
JP6261492B2 (ja) | 情報処理装置及び情報処理方法及びプログラム | |
Constable et al. | The yield potential of cotton (Gossypium hirsutum L.) | |
CN111263920A (zh) | 用于控制作物的生长环境的系统和方法 | |
Moon et al. | Interpolation of greenhouse environment data using multilayer perceptron | |
AU2013201297B2 (en) | Programmable plant system | |
EP3482630A1 (en) | Method, system and computer program for performing a pest forecast | |
JP2018029568A (ja) | 萎れ具合予測システム及び萎れ具合予測方法 | |
JP6589978B2 (ja) | 植物健全性診断装置、該方法および該プログラム | |
JP7137426B2 (ja) | 施設栽培果実の収穫予測システム | |
JP7176980B2 (ja) | 作物管理システム及び作物管理方法 | |
JP2017042133A (ja) | 植物生長速度算出システム、及び植物生長速度算出方法 | |
Salazar et al. | Tomato yield prediction in a semi-closed greenhouse | |
AU2019309839A1 (en) | Information processing device, information processing method, and program | |
CN110226147A (zh) | 状态预测控制装置和状态预测控制方法 | |
JP2019071802A (ja) | 苗データ生成システム、苗判別システム、苗データ生成プログラム、苗判別プログラム、苗データ生成装置、苗判別装置 | |
JP2021058124A (ja) | 果菜類植物及び果樹栽培管理装置、学習装置、果菜類植物及び果樹栽培管理方法、学習モデル生成方法、果菜類植物及び果樹栽培管理プログラム及び学習モデル生成プログラム | |
JP2019150015A (ja) | 作物活性指数基盤の施設園芸複合環境制御システム及び方法 | |
Ferreira et al. | A smartphone APP for weather-based irrigation scheduling using artificial neural networks | |
JP2018164408A (ja) | 生育状況予測装置、方法及びプログラム | |
JP6943725B2 (ja) | 生長状態予測装置 | |
Seginer | Crop models in greenhouse climate control | |
WO2022067420A1 (en) | Platform for real-time identification and resolution of spatial production anomalies in agriculture | |
US20230385703A1 (en) | High-resolution environmental sensor imputation using machine learning | |
Waggoner | Models of plant disease |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190910 |