CN114829870A - 估计装置、估计方法、程序以及学习模型生成装置 - Google Patents

估计装置、估计方法、程序以及学习模型生成装置 Download PDF

Info

Publication number
CN114829870A
CN114829870A CN202080088451.9A CN202080088451A CN114829870A CN 114829870 A CN114829870 A CN 114829870A CN 202080088451 A CN202080088451 A CN 202080088451A CN 114829870 A CN114829870 A CN 114829870A
Authority
CN
China
Prior art keywords
physical quantity
learning
estimation
data
target physical
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.)
Granted
Application number
CN202080088451.9A
Other languages
English (en)
Other versions
CN114829870B (zh
Inventor
樱井良
若尾泰通
中岛浩平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bridgestone Corp
University of Tokyo NUC
Original Assignee
Bridgestone Corp
University of Tokyo NUC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bridgestone Corp, University of Tokyo NUC filed Critical Bridgestone Corp
Publication of CN114829870A publication Critical patent/CN114829870A/zh
Application granted granted Critical
Publication of CN114829870B publication Critical patent/CN114829870B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
    • G01B7/02—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring length, width or thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
    • G01B7/16—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring the deformation in a solid, e.g. by resistance strain gauge
    • G01B7/18—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring the deformation in a solid, e.g. by resistance strain gauge using change in resistance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Actuator (AREA)

Abstract

针对构件的变形，不直接测量而是估计该变形。对于与线性或非线性地发生变形的构件(2)中的变形相应地变化的至少三个物理量，估计装置(1)使用预先进行了学习的学习模型(51)，根据两个物理量来估计除这两个物理量以外的未知的目标物理量。学习模型(51)使用包含目标物理量(6)的至少三个物理量(3、4、6)的对应有时间序列信息的多组数据作为学习用数据进行学习。以将除目标物理量以外的至少两个物理量(3、4)作为输入且输出目标物理量(6)的方式进行学习。

Description

估计装置、估计方法、程序以及学习模型生成装置
技术领域
本公开涉及一种估计装置、估计方法、程序以及学习模型生成装置。
背景技术
以往，弹簧构件和橡胶构件等弹性体能够根据被施加的力而进行伸长和收缩，在进行包括弹性体的构件的控制的情况下，要求掌握包括弹性体的构件的行为。为了掌握该包括弹性体的构件的行为，例如通过距离传感器等测定了构件的长度(例如，参照日本特开2013-1052号公报)。
发明内容
发明要解决的问题
另外，弹性体呈现线性的行为、或者呈现非线性的行为。例如，橡胶构件等柔软的弹性体有时对于被施加的力而呈现非线性的行为。例如，在对弹性体施加力之后逐渐地解除力并恢复到原来的状态的情况下，弹性体的变形、例如长度的变动为非线性的。因此，为了掌握非线性地发生变形的构件的变形，将传感器对形状的感测设为前提。可是，在进行构件的行为的控制的情况下，要求通过更少的传感器的感测来掌握构件的行为、以及装置的小型化。但是，用于掌握非线性地发生变形的构件的变形的传感器系统为大规模的系统，招致装置的大型化，因此是不理想的。另外，在对非线性地发生变形的构件配备传感器来检测变形的情况下，有时所配备的专用的传感器会对构件的行为产生影响，从而使用专用的传感器来掌握构件的行为存在改善的余地。
本公开提供一种估计装置、估计方法、程序以及学习模型生成装置，能够针对构件的变形不直接测量而是估计该变形。
用于解决问题的方案
第一方式是一种估计装置，包括估计部，所述估计部对使用与线性或非线性地发生变形的构件中的所述变形相应地变化且包含目标物理量的种类不同的至少三个物理量的、对应有时间序列信息的多组数据作为学习用数据、并以将除所述目标物理量以外的至少两个物理量作为输入且输出所述目标物理量的方式进行学习所得到的学习模型，输入与除所述目标物理量以外的至少两个物理量对应的估计对象的两个物理量，来估计与所述估计对象对应的目标物理量。
第二方式是，在第一方式的估计装置中，关于所述构件，电气特性与所述变形相应地变化，作为所述至少三个物理量，包含使所述构件发生变形的第一物理量、表示与所述构件的变形相应地发生了变化的所述电气特性的第二物理量以及表示所述构件的变形量的目标物理量，所述学习模型以将所述第一物理量和所述第二物理量作为输入且输出所述目标物理量的方式进行学习。
第三方式是，在第二方式的估计装置中，所述构件的内部被形成为空心，并且所述构件包括因向所述空心的内部供给加压流体而向规定方向产生收缩力的弹性体，所述第一物理量是表示供给到所述弹性体的所述加压流体的供给状态的压力值，所述第二物理量是所述弹性体的电阻值，所述目标物理量是所述弹性体在所述规定方向上的距离。
第四方式是，在第一方式至第三方式中的任一个方式的估计装置中，所述学习模型是通过使用递归神经网络进行学习而生成的模型。
第五方式是，在第一方式至第四方式中的任一个方式的估计装置中，所述学习模型是通过使用基于储备池计算的网络进行学习而生成的模型。
第六方式是，在第一方式至第四方式中的任一个方式的估计装置中，所述学习模型是通过使用基于物理储备池计算的网络进行学习而生成的模型，所述物理储备池计算使用了积累有非线性地发生变形的构件中的所述至少三个物理量的多组数据的储备池。
第七方式是一种估计方法，用于计算机对使用与线性或非线性地发生变形的构件中的所述变形相应地变化且包含目标物理量的种类不同的至少三个物理量的、对应有时间序列信息的多组数据作为学习用数据、并以将除所述目标物理量以外的至少两个物理量作为输入且输出所述目标物理量的方式进行学习所得到的学习模型，输入与除所述目标物理量以外的至少两个物理量对应的估计对象的两个物理量，来估计与所述估计对象对应的目标物理量。
第八方式是一种程序，用于使计算机作为估计部而发挥功能，所述估计部对使用与线性或非线性地发生变形的构件中的所述变形相应地变化且包含目标物理量的种类不同的至少三个物理量的、对应有时间序列信息的多组数据作为学习用数据、并以将除所述目标物理量以外的至少两个物理量作为输入且输出所述目标物理量的方式进行学习所得到的学习模型，输入与除所述目标物理量以外的至少两个物理量对应的估计对象的两个物理量，来估计与所述估计对象对应的目标物理量。
第九方式是一种学习模型生成装置，包括：获取部，其获取与线性或非线性地发生变形的构件中的所述变形相应地变化且包含目标物理量的种类不同的至少三个物理量的、对应有时间序列信息的多组数据；以及学习模型生成部，其基于所述获取部的获取结果生成学习模型，所述学习模型是以将除所述目标物理量以外的至少两个物理量作为输入且输出所述目标物理量的方式进行学习所得到的。
发明的效果
根据本公开，具有如下的效果：能够针对构件的变形不直接测量而是估计该变形。
附图说明
图1是示出弹性体的物理量估计装置的一个实施方式的功能结构的框图。
图2是非线性地变形的构件的说明图。
图3是第一实施方式所涉及的使学习模型进行学习的学习处理的说明图。
图4是示出第一实施方式所涉及的测定装置的一例的框图。
图5是示出第一实施方式所涉及的学习数据收集处理的一例的流程图。
图6是第一实施方式所涉及的学习处理部中的学习处理的说明图。
图7是示出第一实施方式所涉及的学习处理的流程的一例的流程图。
图8是示出将实现第一实施方式所涉及的弹性体的物理量估计装置的各种功能的装置构成为包括计算机的情况下的一例的框图。
图9是示出第一实施方式所涉及的估计处理的流程的一例的流程图。
图10是第二实施方式所涉及的学习处理部中的学习处理的说明图。
图11是示出第二实施方式所涉及的学习处理的流程的一例的流程图。
图12是第三实施方式所涉及的学习处理部中的学习处理的说明图。
图13是示出第三实施方式所涉及的学习处理的流程的一例的流程图。
图14是示出随机地向橡胶致动器施加了压力的情况下的橡胶致动器的长度的实测值和估计值的特性的曲线图。
具体实施方式
下面，参照附图来详细地说明实现本公开的技术的实施方式。
此外，在全部附图中，对作用、功能发挥相同效果的构成要素和处理标注相同的附图标记，有时适当地省略重复的说明。另外，本公开不受下面的实施方式的任何限定，能够在本公开的目的的范围内适当地施加变更并进行实施。另外，在本公开中，主要说明对非线性地变形的构件进行的物理量的估计，但是当然能够应用于对线性地变形的构件进行的物理量的估计。
在本公开中，“构件”是包括非线性地发生变形且电气特性与变形相应地变化的材料的概念。“弹性体”是构件的一例，是包括橡胶、发泡材料以及树脂材料等柔软的材料的概念。另外，“弹性收缩体”是弹性体的一例，是包括根据被赋予的物理量而向规定方向产生收缩力的构件的概念。产生收缩力的规定方向既可以是二维地表现的表示伸缩的直线方向，也可以是三维地表现的表示挠曲的曲线方向。另外，弹性收缩体的内部被形成为空心，并且该弹性收缩体包括因向该空心的内部供给加压流体而向规定方向产生收缩力的构件。此外，使电气特性与变形相应地变化的构件发生变形的物理量是第一物理量，作为一例列举有压力值。另外，表示与构件的变形相应地变化的电气特性的物理量是第二物理量，作为一例列举有电阻值。并且，表示构件的变形量的物理量是第三物理量，作为一例列举有距离、挠曲以及应变。
另外，橡胶构件等柔软的弹性体对于被施加的力而呈现非线性的行为。例如，当从形状变化的观点来看二维的形状变化时，与所施加的力(即，物理量或能量)相应地在某方向(例如，直线方向)上伸缩的距离非线性地发生变化(参照图2)。例如，如图2所示，长度与所施加的压力的大小相应地变化的弹性体根据压力的增减方向而长度的变化特性不同。在图2所示的例子中，在压力P1和P2下为相同的长度L1。因而，难以根据压力的大小(例如，压力值)来确定变形的大小(例如，长度)。因此，以本公开的估计装置具有如下功能的情况为一例进行说明：针对非线性地变形的构件，使用预先进行了学习的学习模型根据至少两个物理量来估计其它物理量。
即，本公开的估计装置包括学习模型，该学习模型使用将使非线性地变形且电气特性与变形相应地变化的构件发生变形的第一物理量(例如，表示压力的大小的压力值)、表示与所述构件的变形相应地发生了变化的所述电气特性的第二物理量(例如，表示电气特性的大小的电阻值)、以及表示所述构件的变形量的目标物理量(例如，表示变形的大小的距离、长度)进行对应所得到的多组学习用数据，学习为针对所述第一物理量和所述第二物理量的输入而输出所述目标物理量，从而针对估计对象的第一物理量和第二物理量的输入，输出目标物理量。另外，学习用数据中的至少一个物理量对应有时间序列信息。而且，使用该学习模型，输入估计对象的第一物理量和第二物理量，来估计其输出作为目标物理量。
(第一实施方式)
在图1中示出作为本公开的估计装置的弹性体的物理量估计装置1的结构的一例。
此外，在本公开中，为了掌握弹性体中的物理量，作为一例，说明对如下的弹性收缩体应用了本公开的技术的情况，该弹性收缩体包括非线性地变形的弹性体中的橡胶构件等柔软的弹性体，并且该弹性收缩体根据被赋予的物理量而在规定方向上产生收缩力。另外，在本公开中，对在估计处理中应用本公开的技术的情况进行说明，该估计处理是不配备距离传感器等专用的传感器而估计在规定方向上收缩的弹性收缩体的两端的距离(即，弹性收缩体的长度)的处理。
下面，对作为弹性收缩体的一例应用公知技术的气囊型的弹性收缩体的情况进行说明(例如，参照日本特公昭52-40378号)。
气囊型的弹性收缩体的一例(下面称为橡胶致动器。)具有通过有机或无机高张力纤维、例如芳香族聚酰胺纤维的编织增强结构覆盖由橡胶构件等柔软的弹性体构成的管状体的外周所得到的主体21，并且通过闭塞构件23将两端开口22密封。橡胶致动器因经由设置于该闭塞构件23的连接口24向内部空洞供给加压流体而膨胀变形，沿着轴线方向产生收缩力。由于该橡胶致动器发生膨胀变形，橡胶致动器的长度发生变化。其中，将橡胶致动器作为应用对象仅仅只是一例，本公开的估计装置也能够应用于除橡胶致动器以外的弹性收缩体或包括弹性体的构件。
另外，对将压力值应用为使橡胶致动器发生变形的第一物理量、将电阻值应用为与橡胶致动器的变形相应地变化的第二物理量、将距离(即，橡胶致动器的长度)应用为表示橡胶致动器的变形量的目标物理量的情况进行说明。
弹性体的物理量估计装置1中的估计处理是：使用将以橡胶致动器的长度数据为标签的针对橡胶致动器的压力数据(即，压力值)和橡胶致动器的电阻数据(即，电阻值)作为输入进行了深度学习的学习完毕的学习模型，来估计与未知的橡胶致动器的压力数据及电阻数据对应的橡胶致动器的长度数据并输出该长度数据。
即，弹性体的物理量估计装置1用于估计根据供给到橡胶致动器的压力而非线性地变化的橡胶致动器的长度。由此，即使是非线性地变形的构件，不直接测量也能够确定该非线性的变形。
如图1所示，弹性体的物理量估计装置1具备估计部5。向估计部5输入表示针对橡胶致动器2的压力的大小(压力值)的第一输入数据3和表示电阻的大小(电阻值)的第二输入数据4。另外，估计部5输出作为估计结果的表示橡胶致动器2的变形的大小(长度)的输出数据6。估计部5包括学习完毕的学习模型51。
学习模型51是完成了根据橡胶致动器2的压力(第一输入数据3)和橡胶致动器2的电阻(第二输入数据4)导出橡胶致动器2的长度(输出数据6)的学习的模型。学习模型51例如是规定学习完毕的神经网络的模型，表现为构成神经网络的节点(神经元)相互之间的连接的权重(强度)的信息的集合。
学习模型51是通过学习处理部52(图3)的学习处理而生成的。学习处理部52使用已测定的物理量作为橡胶致动器2中的按时间序列的物理量来进行学习处理。即，将按时间序列测定橡胶致动器2中的物理量所得到的大量的数据作为学习数据。学习数据包括输入数据与同该输入数据对应的长度(输出数据6)的大量的组合，该输入数据包括压力值(第一输入数据3)和电阻值(第二输入数据4)。在此，例如，通过对橡胶致动器2的长度(输出数据6)中的各个长度赋予表示测定时刻的信息来将时间序列信息与橡胶致动器2的长度(输出数据6)中的各个长度进行对应。在该情况下，也可以对所述组合赋予表示测定时刻的信息来将时间序列信息与所述组合进行对应。
接着，对学习处理部52进行的学习处理进行说明。
首先，对学习处理中使用的学习数据进行说明。
在图4中示出对橡胶致动器2中的物理量进行测定的测定装置7的一例。
测定装置7在固定于基座71的安装板72上安装橡胶致动器2的一个闭塞构件23，另一个闭塞构件23安装于能够移动的可动板73。橡胶致动器2的连接口24与供给部75连通，该供给部75包括检测压力(使橡胶致动器2发生变形的第一物理量)的压力传感器，用于向橡胶致动器2供给加压流体。在橡胶致动器2的两端的闭塞构件23上安装有电气特性检测部76，该电气特性检测部76包括检测橡胶致动器2的电阻值(表示电气特性的第二物理量)的传感器。另外，安装有检测与可动板73之间的距离的激光传感器等距离传感器77的固定板74被固定于基座71。距离传感器77与长度确定部78连接。长度确定部78根据由距离传感器77检测出的距离来确定橡胶致动器2的长度(表示橡胶致动器2的变形量的目标物理量)。例如，长度确定部78事先存储未供给加压流体的初始状态(在图4中表示为初始状态200。)的橡胶致动器2的长度L和由距离传感器77检测出的距离(La)作为初始值。而且，长度确定部78通过将初始状态的长度减去供给了加压流体的状态(在图4中表示为供给状态210。)的距离的差，能够确定橡胶致动器2的长度(L＝Lb-La)。此外，测定装置7能够安装由负荷传感器和气压缸构成的气压检测部79。
测定装置7具备与供给部75、电气特性检测部76以及长度确定部78连接的控制器70。控制器70进行对供给部75的控制，获取并存储向橡胶致动器2供给加压流体时的橡胶致动器2的压力值、电阻值以及长度。
测定装置7在加压流体的供给控制中，能够针对长度相对于按时间序列的加压侧和减压侧的压力值而非线性地变化(图2)的橡胶致动器2，按时间序列获取压力值、电阻值及长度的多个数据组合。
控制器70能够构成为具备未图示的包括CPU的计算机，执行学习数据收集处理。即，如图5所示的学习数据收集处理的一例那样，控制器在步骤S100中对供给部75进行加压流体的供给指示，在步骤S102中按时间序列获取橡胶致动器2的压力值、电阻值以及长度，并在接下来的步骤S104中进行存储。控制器70重复上述处理直到这些橡胶致动器2的压力值、电阻值及长度的组合达到预先决定的规定数、或者达到预先决定的规定时间(在步骤S106中进行否定判断直到进行肯定判断)。
因而，控制器70通过进行向橡胶致动器2供给的加压流体的供给量(即，供给部75)的控制，能够按时间序列获取并存储橡胶致动器2的压力值、电阻值以及长度。在该控制器70中按时间序列存储的橡胶致动器2的压力值、电阻值及长度的组合成为学习数据。
接着，参照图6来对学习处理部52进行说明。
学习处理部52包括生成器54和运算器56。生成器54具有考虑按时间序列的输入的前后关系来生成输出的功能。
另外，学习处理部52保持有由测定装置7测定出的第一输入数据3(压力)及第二输入数据4(电阻)与输出数据6(长度)的大量的组合来作为学习用数据。
在图6所示的例子中，生成器54包括输入层540、中间层542以及输出层544，构成了公知的递归神经网络、例如循环神经网络(RNN：Recurrent Neural Network)。递归神经网络(例如，RNN)本身是公知的技术，因此省略详细的说明，但中间层542包括具有节点间连接和反馈连接的大量的节点组(神经元组)。向该中间层542输入来自输入层540的数据，中间层542的作为运算结果的数据被输出到输出层544。
具体地说，生成器54是根据被输入的第一输入数据3(压力)和第二输入数据4(电阻)而生成表示长度的生成输出数据6A的神经网络。生成输出数据6A是根据第一输入数据3(压力)和第二输入数据4(电阻)估计橡胶致动器2的长度所得到的数据。生成器54根据按时间序列输入的第一输入数据3(压力)和第二输入数据4(电阻)，来针对基于非线性的变形的橡胶致动器2的长度生成表示与测定值接近的长度的生成输出数据。生成器54通过使用大量的第一输入数据3(压力)和第二输入数据4(电阻)进行学习，能够生成更接近橡胶致动器的长度的测定值的生成输出数据6A。
运算器56是将生成输出数据6A与学习数据的输出数据6进行比较并运算其比较结果的误差的运算器。学习处理部52将生成输出数据6A和学习数据的输出数据6输入到运算器56。与其相应地，运算器56运算生成输出数据6A与学习数据的输出数据6的误差，并输出表示其运算结果的信号。
学习处理部52使生成器54进行基于由运算器56运算出的误差来调整节点间的连接的权重参数的学习。具体地说，使用例如梯度下降法、误差逆传播法等方法，将生成器54中的输入层540与中间层542的节点间的连接的权重参数、中间层542内的节点间的连接的权重参数、以及中间层542与输出层544的节点间的连接的权重参数中的各个权重参数反馈给生成器54。即，以学习数据的输出数据6为目标，将所有的节点间的连接最佳化以使生成输出数据6A与学习数据的输出数据6的误差最小化。
学习模型51是通过学习处理部52的学习处理而生成的。学习模型51表现为作为学习处理部52的学习结果的节点间的连接的权重参数(权重或强度)的信息的集合。
因而，控制器70通过进行向橡胶致动器2供给的加压流体的供给量(即，供给部75)的控制，能够按时间序列获取并存储橡胶致动器2的压力值、电阻值以及长度。因而，获取到与按时间序列变化的压力值及电阻值对应地非线性地变化的长度的相关关系。在该控制器70中按时间序列存储的橡胶致动器2的压力值、电阻值及长度的组合成为学习数据。
学习处理部52构成为具备未图示的包括CPU的计算机，能够执行学习处理。例如，如图7所示的学习处理的一例那样，在步骤S110中，学习处理部52获取作为按时间序列测定得到的结果的学习数据、即第一输入数据3(压力)、第二输入数据4(电阻)以及输出数据6(长度)。在步骤S112中，学习处理部52使用作为按时间序列测定得到的结果的学习数据来生成学习模型51。即，获得作为如上述那样使用大量的学习数据进行学习所得到的学习结果的节点间的连接的权重参数(权重或强度)的信息的集合。然后，在步骤S114中，将表现为作为学习结果的节点间的连接的权重参数(权重或强度)的信息的集合的数据作为学习模型51进行存储。
此外，生成器54具有考虑按时间序列的输入的前后关系来生成输出的功能，在上述中，说明了使用递归神经网络的一例，但本公开的技术不限定于使用递归神经网络。即，本公开的技术只要具有考虑按时间序列的输入的前后关系来生成输出的功能即可，也可以使用其它方法。
而且，在上述弹性体的物理量估计装置1中，使用通过上面例示的方法生成的学习完毕的生成器54(即，表现为作为学习结果的节点间的连接的权重参数的信息的集合的数据)来作为学习模型51。若使用充分地进行了学习的学习模型51，则对于非线性地变形的橡胶致动器，根据按时间序列的压力值和电阻值来确定长度也并非不可能。
此外，学习处理部52进行的处理是本公开的学习模型生成装置的处理的一例。另外，弹性体的物理量估计装置1是本公开的估计部和估计装置的一例。
上述的弹性体的物理量估计装置1例如能够通过使计算机执行表示上述的各功能的程序来实现。
在图8中示出作为执行用于实现弹性体的物理量估计装置1的各种功能的处理的执行装置构成为包括计算机的情况的一例。
图8所示的作为弹性体的物理量估计装置1而发挥功能的计算机具备计算机主体100。计算机主体100具备CPU 102、易失性存储器等RAM 104、ROM 106、硬盘装置(HDD)等辅助存储装置108以及输入输出接口(I/O)110。这些CPU 102、RAM 104、ROM 106、辅助存储装置108以及输入输出I/O 110是以能够传输数据和指令的方式经由总线112进行了连接的结构。另外，通信接口(I/F)114、以及显示器、键盘等操作显示部116与输入输出I/O 110连接。通信I/F 114作为与外部装置之间输入和输出第一输入数据3(压力)、第二输入数据4(电阻)以及输出数据6(长度)中的至少一个数据的输入输出部而发挥功能。
在辅助存储装置108中存储有用于使计算机主体100作为本公开的估计装置的一例、即弹性体的物理量估计装置1而发挥功能的控制程序108P。CPU 102从辅助存储装置108读出控制程序108P并在RAM 104中展开而执行处理。由此，作为本公开的估计装置的一例，执行了控制程序108P的计算机主体100作为弹性体的物理量估计装置1而进行动作。
此外，在辅助存储装置108中存储有包括学习模型51的学习模型108M和包括各种数据的数据108D。控制程序108P也可以通过CD-ROM等记录介质来提供。
接着，对通过计算机实现的弹性体的物理量估计装置中的估计处理进行说明。
在图9中示出基于在计算机主体100中执行的控制程序108P的估计处理的流程的一例。
图9所示的估计处理是当对计算机主体100接通电源时由CPU 102执行的处理。即，CPU 102从辅助存储装置108读出控制程序108P并在RAM 104中展开而执行处理。
首先，在步骤S200中，CPU 102从辅助存储装置108的学习模型108M读出学习模型51并在RAM 104中展开，由此获取学习模型51。具体地说，将成为基于表现为学习模型51的权重参数的节点间连接的网络模型在RAM 104中展开。因此，构筑实现了基于权重参数的节点间连接的学习模型51。
接着，在步骤S202中，CPU 102经由通信I/F 114按时间序列获取成为估计橡胶致动器2的长度的对象的未知的第一输入数据3(压力)和未知的第二输入数据4(电阻)。
接着，在步骤S204中，CPU 102使用在步骤S200中获取到的学习模型51，来估计与在步骤S202中获取到的第一输入数据3(压力)及第二输入数据4(电阻)对应的输出数据6(橡胶致动器2的长度)。
即，与按时间序列变化的压力值及电阻值对应地，估计与从某时间点的压力值和电阻值向该时间点之后的时间点的压力值和电阻值的变化相应地非线性地变化的长度。
然后，在接下来的步骤S206中，经由通信I/F 114输出作为估计结果的输出数据6(橡胶致动器2的长度)，并结束本处理例程。
此外，图9所示的估计处理是通过本公开的估计方法执行的处理的一例。
如上面说明的那样，根据本公开，对于橡胶致动器2，能够根据未知的第一输入数据3(压力)和第二输入数据4(电阻)来估计橡胶致动器2的长度。即，不直接测量非线性地变形的橡胶致动器2中的非线性的变形，就能够估计橡胶致动器2的长度。因此，能够通过按时间序列检测橡胶致动器2的压力值和电阻值来确定橡胶致动器2的长度，而不需要用于直接测量该长度的传感器。由此，根据本公开，能够抑制使用橡胶致动器2的装置和构造物的大型化。
(第二实施方式)
接着，说明第二实施方式。第二实施方式是考虑在估计橡胶致动器2的长度时提高估计速度的情形的实施方式。此外，第二实施方式是与第一实施方式大致同样的结构，因此对相同的部分标注相同的附图标记并省略详细的说明。
在一般的递归神经网络中，针对从输入层540向中间层542的节点的连接、中间层542中的节点间的连接及反馈连接、以及从中间层542向输出层544的节点间的连接中的各个连接，将权重参数的信息最佳化(图6)。但是，对于非线性地变形的橡胶致动器2使用具有时间上的相关的时间序列数据进行的学习要求庞大的学习时间。另外，在利用按时间序列的学习数据进行学习时，为了进行时间上的追溯，还要求庞大的存储器。
以抑制该要求庞大的时间的学习时间为目的，能够在非线性地变形的橡胶致动器2的长度估计中应用被称为储备池计算的周知的网络模型。被称为储备池计算(RC：Reservoir Computing)的网络模型(下面称为RCN)本身是公知的技术，因此省略详细的说明，但RCN的一例是将递归神经网络的一部分固定(置换为随机的网络)且仅将从中间层542向输出层544的节点间的连接最佳化。
参照图10来说明使用RCN的学习处理部52A中的学习处理。图10所示的学习处理部52A与图6所示的学习处理部52的不同点在于，将图6所示的生成器54替代为生成器54A，将由运算器56导出的误差仅反映在输出层544侧地进行学习。
如图10所示，学习处理部52的生成器54A包括与图6同样的输入层540、代替图6的中间层542且与图6同样的结构的储备池层543、以及与图6同样的输出层544，构成了公知的RCN。在RCN中，对从输入层540向储备池层543的节点的连接、以及储备池层543中的节点间的连接及反馈连接设定固定的权重参数的信息(下面称为权重系数)。而且，从储备池层543向输出层544的节点间的连接例如设为线性连接，各个权重参数通过学习数据的学习而被进行最佳化。
此外，假设固定的权重系数是预先设定的。该固定的权重系数能够设定作为初始值所决定的系数。另外，关于固定的权重系数，也可以设定使用学习数据并以学习数据的输出数据6为目标来以使生成输出数据6A与学习数据的输出数据6的误差最小化的方式将节点间等的连接进行对于使误差最小化而言不充分的规定次数或规定时间的最佳化的情况下的权重系数。
另一方面，规定从储备池层543向输出层544的节点间的连接的权重参数是使用大量的学习数据以使生成输出数据6A与学习数据的输出数据6的误差最小化的方式进行学习而导出的。
包括生成器54A的学习处理部52A构成为具备未图示的包括CPU的计算机，能够执行学习处理。例如，如图11所示的学习处理的一例那样，在步骤S120中，学习处理部52A获取作为按时间序列测定得到的结果的学习数据、即第一输入数据3(压力)、第二输入数据4(电阻)以及输出数据6(长度)。
在步骤S122中，学习处理部52A构筑输入层540和储备池层543。在此，虽然与图6所示的生成器54同样，但对使用一部分学习数据进行学习处理的情况进行说明。具体地说，使用一部分学习数据来进行学习处理。获得作为使用该一部分学习数据进行学习所得到的学习结果的节点间的连接的权重参数的信息的集合，导出从输入层540向储备池层543的节点的连接、以及储备池层543中的节点间的连接及反馈连接来作为权重系数。通过根据导出的该权重系数来确定输入层540和储备池层543，从而构筑输入层540和储备池层543。
接着，在步骤S124中，学习处理部52A使用作为按时间序列测定得到的结果的大量的学习数据来生成学习模型51。即，通过如上述那样仅对从储备池层543向输出层544的节点间的连接进行学习并获得作为学习结果的节点间的连接的权重参数的信息的集合，从而构筑RCN。然后，在步骤S126中，将在步骤S122中导出的权重系数和步骤S124的表现为作为学习结果的节点间的连接的权重参数的信息的集合的数据作为学习模型51进行存储。
而且，在上述弹性体的物理量估计装置1中，使用通过上面例示的方法生成的学习完毕的生成器54A作为学习模型51。即，在此，表示从输入层540向储备池层543的节点的连接以及储备池层543中的节点间的连接及反馈连接的权重系数、以及表示从储备池层543向输出层544的节点间的连接的权重参数与学习模型51对应。若使用充分进行了学习的学习模型51，则对于非线性地变形的橡胶致动器，根据按时间序列的压力值和电阻值来确定非线性地变化的长度也并非不可能。
如上面说明的那样，根据本公开，代替一般的递归神经网络，而通过RCN构筑网络来将学习模型51最佳化。由此，与通过一般的递归神经网络来构筑学习模型的情况相比，能够抑制所需要的学习时间。
另外，在一般的递归神经网络中，也能够抑制为了进行时间上的追溯而需要的庞大的存储器(存储器容量)。
(第三实施方式)
接着，说明第三实施方式。第三实施方式是考虑提高用于估计橡胶致动器2的长度的学习模型51的学习效果的实施方式。此外，第三实施方式是与第一实施方式及第二实施方式大致同样的结构，因此对相同的部分标注相同的附图标记并省略详细的说明。
如上述那样，通过使用将递归神经网络的一部分固定的RCN，能够抑制学习时间。另外，在对从输入层540向储备池层543的节点的连接以及储备池层543中的节点间的连接及反馈连接使用固定的权重参数的情况下，存在学习的效果不充分的情况。这是由于即使学习从储备池层543向输出层544的节点间的连接的权重参数，在基于固定的权重参数的设定了有限个数的节点的储备池层543中，有时从储备池层543的输出也不是足以最佳化的输出。因此，设想使储备池层543中使用的递归神经网络的结构复杂，但会需要储备池层543的设定时间，因此并不优选。
另外，储备池计算(RCN)如周知的那样是将输入通过向高维空间进行非线性变换来射影到高维的特征空间。针对这一点，代替递归神经网络，已知有在储备池层543中使用非线性的动态系统的被称为物理储备池计算(PRC：Physical Reservoir Computing)的网络模型(下面称为PRCN)。PRC和PRCN本身是公知的技术，因此省略详细的说明，但是能够作为在储备池层543中贮存与非线性地变形的橡胶致动器2的变形相关的数据的模型来利用。即，PRCN能够较佳地应用于非线性地变形的橡胶致动器2的长度的估计。
参照图12来说明学习处理部52B中的学习处理。图12所示的学习处理部52B与图10所示的学习处理部52A的不同点在于，将图10所示的生成器54A替代为生成器54B，将由运算器56导出的误差仅反映在输出层544侧地进行学习。
如图12所示，学习处理部52B的生成器54B包括与图6同样的输入层540、代替图10的储备池层543的物理储备池层545、以及与图6同样的输出层544，构成了公知的PRCN。PRCN本身是公知的技术，因此省略详细的说明，但在PRCN中，如上述那样对从输入层540向储备池层543的节点的连接设定固定的权重系数。物理储备池层545构成为针对大量的按时间序列的相关关系贮存特征量并输出与输入接近的多个特征量。而且，从物理储备池层545向输出层544的节点间的连接例如设为线性连接，各个权重参数通过使用大量的学习数据进行使生成输出数据6A与学习数据的输出数据6的误差最小化的学习来被最佳化。
此外，固定的权重系数如上述那样可以设定作为初始值所决定的系数，也可以设定使用学习数据进行了规定次数或规定时间的最佳化的情况下的权重系数。
物理储备池层545贮存大量的橡胶致动器2的按时间序列的物理上的相关关系，提取与来自输入层540的未知的输入数据(压力值和电阻值)接近的输入数据(压力值和电阻值)所对应的长度，并作为多个特征量输出到输出层544。在概念上，作为橡胶致动器2的行为，事先存储大量的与相对于按时间序列变化的压力值和电阻值而呈非线性的行为的长度的相关关系，选择与按时间序列变化的未知的输入(压力值和电阻值)接近的多个橡胶致动器2的长度的每一个作为特征量并进行输出。由此，能够抑制执行复杂的计算。
包括生成器54B的学习处理部52B构成为具备未图示的包括CPU的计算机，能够执行学习处理。例如，如图13所示的学习处理的一例那样，在步骤S130中，学习处理部52B获取作为按时间序列测定得到的结果的学习数据、即第一输入数据3(压力)、第二输入数据4(电阻)以及输出数据6(长度)。
在步骤S132中，学习处理部52B构筑输入层540和物理储备池层545。假设输入层540设定预先决定的权重系数。因此，通过根据预先决定的权重系数来确定从输入层540向物理储备池层545的节点的连接，从而构筑输入层540。另一方面，假设物理储备池层545贮存有大量的各学习数据、即与相对于按时间序列变化的压力值和电阻值而呈非线性的行为的长度的相关关系。因此，物理储备池层545通过以贮存基于学习数据的与相对于按时间序列变化的压力值和电阻值而呈非线性的行为的长度的相关关系作为特征量、并输出其中的与输入接近的多个特征量的方式构成来进行构筑。
接着，在步骤S134中，学习处理部52B使用作为按时间序列测定得到的结果的大量的学习数据来生成学习模型51。即，通过如上述那样仅对从物理储备池层545向输出层544的节点间的连接进行学习并获得作为学习结果的节点间的连接的权重参数的信息的集合，从而构筑PRCN。然后，在步骤S136中，将在步骤S132中导出的权重系数、以及作为步骤S134的学习结果的表现为节点间的连接的权重参数的信息的集合的数据作为学习模型51进行存储。
而且，在上述弹性体的物理量估计装置1中，使用通过上面例示的方法生成的学习完毕的生成器54B作为学习模型51。即，在此，表示从输入层540向物理储备池层545的节点的连接、物理储备池层545、以及从物理储备池层545向输出层544的节点间的连接的权重参数与学习模型51对应。
弹性体的物理量估计装置1针对作为未知的输入数据的橡胶致动器2的压力值和电阻值，提取物理储备池层545中所贮存的橡胶致动器2的按时间序列的物理上的相关关系中的、与来自输入层540的未知的输入数据(压力值和电阻值)接近的输入数据(压力值和电阻值)所对应的长度，并作为多个特征量输出到输出层544。然后，输出层544根据进行学习所得到的权重参数将来自物理储备池层545的多个特征量例如进行线性连接而估计为橡胶致动器2的长度。若使用充分地进行了学习的学习模型51，则对于非线性地变形的橡胶致动器，根据按时间序列的压力值和电阻值来确定长度也并非不可能。
如上面说明的那样，根据本公开，代替RCN而通过PRCN构筑网络并将学习模型51最佳化。由此，与通过RCN构筑学习模型的情况相比，实现学习模型51的学习效果的提高。
在图14中示出与由测定装置7实际测量出的压力对应的橡胶致动器2的长度的测定值、以及由弹性体的物理量估计装置1估计出的长度的估计值各自的特性。在图14的例子中，实际测量出的测定值的特性表示对橡胶致动器2随机地施加压力且与该随机施加的压力对应的橡胶致动器2的长度的变动。另外，估计出的长度的估计值的特性表示与按时间序列变化的橡胶致动器2的压力值及电阻值对应地估计出的橡胶致动器2的长度的变动。从图14能够理解实际测量出的测定值与估计出的估计值非常近似。
如上述那样，在本公开中，说明了作为构件应用橡胶致动器的情况，但是当然构件并不限定于橡胶致动器。另外，说明如下的情况：作为与构件的变形相应地变化且种类不同的至少三个物理量，将表示压力的大小的压力值作为第一物理量，将表示电气特性的大小的电阻值作为第二物理量，将表示变形的大小的长度作为目标物理量，根据压力值和电阻值来估计长度。但是，第一物理量、第二物理量以及目标物理量的各个物理量并不限定于此，目标物理量也可以设定为压力值或电阻值。
上面使用各实施方式进行了说明，但本公开的技术范围不限定于上述实施方式所记载的范围。在不脱离要旨的范围内，能够对上述实施方式施加各种变更或改进，该施加了变更或改进的方式也包含在本公开的技术范围内。
另外，在上述实施方式中，说明了通过基于使用流程图的处理的软件结构来实现检查处理的情况，但不限定于此，例如也可以设为通过硬件结构来实现各处理的方式。
另外，也可以将弹性体的物理量估计装置的一部分、例如学习模型等神经网络构成为硬件电路。
2019年12月19日申请的日本专利申请2019-229782号的公开整体以参照的形式并入本说明书中。关于本说明书所记载的所有的文献、专利申请以及技术标准，与具体地且个别地记载各个文献、专利申请以及技术标准以参照的形式并入的情况相同程度地以参照的形式并入本说明书中。

Claims (9)

1.一种估计装置，
包括估计部，所述估计部对使用与线性或非线性地发生变形的构件中的所述变形相应地变化且包含目标物理量的种类不同的至少三个物理量的、对应有时间序列信息的多组数据作为学习用数据、并以将除所述目标物理量以外的至少两个物理量作为输入且输出所述目标物理量的方式进行学习所得到的学习模型，输入与除所述目标物理量以外的至少两个物理量对应的估计对象的两个物理量，来估计与所述估计对象对应的目标物理量。
2.根据权利要求1所述的估计装置，其中，
关于所述构件，电气特性与所述变形相应地变化，作为所述至少三个物理量，包含使所述构件发生变形的第一物理量、表示与所述构件的变形相应地发生了变化的所述电气特性的第二物理量以及表示所述构件的变形量的目标物理量，
所述学习模型以将所述第一物理量和所述第二物理量作为输入且输出所述目标物理量的方式进行学习。
3.根据权利要求2所述的估计装置，其中，
所述构件的内部被形成为空心，并且所述构件包括因向所述空心的内部供给加压流体而向规定方向产生收缩力的弹性体，
所述第一物理量是表示供给到所述弹性体的所述加压流体的供给状态的压力值，
所述第二物理量是所述弹性体的电阻值，
所述目标物理量是所述弹性体在所述规定方向上的距离。
4.根据权利要求1至3中的任一项所述的估计装置，其中，
所述学习模型是通过使用递归神经网络进行学习而生成的模型。
5.根据权利要求1至4中的任一项所述的估计装置，其中，
所述学习模型是通过使用基于储备池计算的网络进行学习而生成的模型。
6.根据权利要求1至4中的任一项所述的估计装置，其中，
所述学习模型是通过使用基于物理储备池计算的网络进行学习而生成的模型，所述物理储备池计算使用了积累有非线性地发生变形的构件中的所述至少三个物理量的多组数据的储备池。
7.一种估计方法，用于计算机对使用与线性或非线性地发生变形的构件中的所述变形相应地变化且包含目标物理量的种类不同的至少三个物理量的、对应有时间序列信息的多组数据作为学习用数据、并以将除所述目标物理量以外的至少两个物理量作为输入且输出所述目标物理量的方式进行学习所得到的学习模型，输入与除所述目标物理量以外的至少两个物理量对应的估计对象的两个物理量，来估计与所述估计对象对应的目标物理量。
8.一种程序，用于使计算机作为估计部而发挥功能，
所述估计部对使用与线性或非线性地发生变形的构件中的所述变形相应地变化且包含目标物理量的种类不同的至少三个物理量的、对应有时间序列信息的多组数据作为学习用数据、并以将除所述目标物理量以外的至少两个物理量作为输入且输出所述目标物理量的方式进行学习所得到的学习模型，输入与除所述目标物理量以外的至少两个物理量对应的估计对象的两个物理量，来估计与所述估计对象对应的目标物理量。
9.一种学习模型生成装置，包括：
获取部，其获取与线性或非线性地发生变形的构件中的所述变形相应地变化且包含目标物理量的种类不同的至少三个物理量的、对应有时间序列信息的多组数据；以及
学习模型生成部，其基于所述获取部的获取结果生成学习模型，所述学习模型是以将除所述目标物理量以外的至少两个物理量作为输入且输出所述目标物理量的方式进行学习所得到的。
CN202080088451.9A 2019-12-19 2020-12-08 估计装置、估计方法、程序以及学习模型生成装置 Active CN114829870B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2019-229782 2019-12-19
JP2019229782A JP7432201B2 (ja) 2019-12-19 2019-12-19 推定装置、推定方法、プログラム、及び学習モデル生成装置
PCT/JP2020/045735 WO2021124992A1 (ja) 2019-12-19 2020-12-08 推定装置、推定方法、プログラム、及び学習モデル生成装置

Publications (2)

Publication Number Publication Date
CN114829870A true CN114829870A (zh) 2022-07-29
CN114829870B CN114829870B (zh) 2024-03-01

Family

ID=76477470

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080088451.9A Active CN114829870B (zh) 2019-12-19 2020-12-08 估计装置、估计方法、程序以及学习模型生成装置

Country Status (5)

Country Link
US (1) US20230017613A1 (zh)
EP (1) EP4080158A4 (zh)
JP (1) JP7432201B2 (zh)
CN (1) CN114829870B (zh)
WO (1) WO2021124992A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023008160A1 (ja) * 2021-07-26 2023-02-02 株式会社ブリヂストン 推定装置、推定方法、推定プログラム、及びロボットシステム
EP4378639A1 (en) * 2021-07-26 2024-06-05 Bridgestone Corporation Estimation device, estimation method, and estimation program
WO2023112369A1 (ja) * 2021-12-14 2023-06-22 株式会社ブリヂストン 推定装置、推定方法、及び推定プログラム
JP2023140059A (ja) * 2022-03-22 2023-10-04 株式会社ブリヂストン 推定装置、推定方法、推定プログラム、及び学習モデル生成装置
JP2023151524A (ja) * 2022-03-31 2023-10-16 株式会社ブリヂストン 推定装置、推定方法、プログラム、及び学習モデル生成装置
WO2024105909A1 (ja) * 2022-11-18 2024-05-23 株式会社ブリヂストン タイヤ及びタイヤ・リム組立体

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120068429A (ko) * 2010-12-17 2012-06-27 고려대학교 산학협력단 터치 감지 수단을 구비하는 사용자 식별 장치 및 방법
CN102654749A (zh) * 2011-03-01 2012-09-05 东芝三菱电机产业系统株式会社 学习系数控制装置
CN103308027A (zh) * 2012-03-12 2013-09-18 波音公司 一种用于确定结构变形的方法和装置
CN105404420A (zh) * 2015-11-04 2016-03-16 宸鸿科技(厦门)有限公司 压力感测信号处理方法及其系统
CN106443316A (zh) * 2016-10-12 2017-02-22 国网辽宁省电力有限公司电力科学研究院 一种电力变压器绕组形变状态多信息检测方法及装置
CN106662952A (zh) * 2014-08-07 2017-05-10 泰克图斯科技公司 用于计算设备的触觉界面
US20170193138A1 (en) * 2015-12-30 2017-07-06 International Business Machines Corporation Predicting target characteristic data
CN109033498A (zh) * 2018-06-05 2018-12-18 西安交通大学 基于传递函数特征主成分和神经网络的绕组变形识别方法
CN109977464A (zh) * 2019-02-18 2019-07-05 江苏科技大学 一种基于bp神经网络的活塞切削加工变形量的预测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5240378B2 (zh) 1971-08-03 1977-10-12
JP5113928B2 (ja) 2011-06-21 2013-01-09 ファナック株式会社 射出成形機のノズルタッチ制御装置
US20170284903A1 (en) * 2016-03-30 2017-10-05 Sas Institute Inc. Monitoring machine health using multiple sensors

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120068429A (ko) * 2010-12-17 2012-06-27 고려대학교 산학협력단 터치 감지 수단을 구비하는 사용자 식별 장치 및 방법
CN102654749A (zh) * 2011-03-01 2012-09-05 东芝三菱电机产业系统株式会社 学习系数控制装置
CN103308027A (zh) * 2012-03-12 2013-09-18 波音公司 一种用于确定结构变形的方法和装置
CN106662952A (zh) * 2014-08-07 2017-05-10 泰克图斯科技公司 用于计算设备的触觉界面
CN105404420A (zh) * 2015-11-04 2016-03-16 宸鸿科技(厦门)有限公司 压力感测信号处理方法及其系统
US20170193138A1 (en) * 2015-12-30 2017-07-06 International Business Machines Corporation Predicting target characteristic data
CN106443316A (zh) * 2016-10-12 2017-02-22 国网辽宁省电力有限公司电力科学研究院 一种电力变压器绕组形变状态多信息检测方法及装置
CN109033498A (zh) * 2018-06-05 2018-12-18 西安交通大学 基于传递函数特征主成分和神经网络的绕组变形识别方法
CN109977464A (zh) * 2019-02-18 2019-07-05 江苏科技大学 一种基于bp神经网络的活塞切削加工变形量的预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
KOHEI NAKAJIMA 等: "Exploiting the Dynamics of Soft Materials for Machine Learning", 《SOFT ROBOTICS》, pages 1 - 3 *

Also Published As

Publication number Publication date
EP4080158A4 (en) 2023-01-25
JP2021099552A (ja) 2021-07-01
US20230017613A1 (en) 2023-01-19
WO2021124992A1 (ja) 2021-06-24
CN114829870B (zh) 2024-03-01
JP7432201B2 (ja) 2024-02-16
EP4080158A1 (en) 2022-10-26

Similar Documents

Publication Publication Date Title
CN114829870B (zh) 估计装置、估计方法、程序以及学习模型生成装置
Toshimitsu et al. Sopra: Fabrication & dynamical modeling of a scalable soft continuum robotic arm with integrated proprioceptive sensing
Joe et al. Development of the ultralight hybrid pneumatic artificial muscle: Modelling and optimization
Ashwin et al. A survey on static modeling of miniaturized pneumatic artificial muscles with new model and experimental results
Kosaki et al. Control of a parallel manipulator driven by pneumatic muscle actuators based on a hysteresis model
Ćurković et al. Improving structural design of soft actuators using finite element method analysis
Zhang et al. Efficient pneumatic actuation modeling using hybrid physics-based and data-driven framework
WO2023189445A1 (ja) 推定装置、推定方法、プログラム、及び学習モデル生成装置
Tawk et al. 3D printed soft pneumatic bending sensing chambers for bilateral and remote control of soft robotic systems
Shorthose et al. Design of a multimaterial 3D-printed soft actuator with bi-directional variable stiffness
Ellis et al. Computational design for inflated shape of a modular soft robotic actuator
CN110620524A (zh) 一种基于介电弹性体执行器的软体机器人自抗扰控制方法
Chairopoulos et al. Modeling, simulation and experimental validation of a tendon-driven soft-arm robot configuration-a continuum mechanics method
Dhanu Singh et al. A fluidic-muscle driven force-controlled parallel platform for physical simulation of virtual spatial force-displacement laws
Kosaki et al. A Sliding Mode Controller Using an LS-SVM Model for a Water-Hydraulic Artificial Rubber Muscle
Zolfagharian et al. 4D printing modeling via machine learning
Zhang et al. Three-Dimensional Hysteresis Modeling of Robotic Artificial Muscles with Application to Shape Memory Alloy Actuators.
Yanev et al. Control of a soft actuator using a long short-term memory neural network
CN116583710A (zh) 估计装置、估计方法、估计程序以及学习模型生成装置
Tawk et al. Research Online
Xie et al. Dynamical characteristics of a hydraulic soft actuator with three degrees of freedom
Arora et al. Dynamic Characterization and Phenomenological Modelling of Customizable Pneumatic Artificial Muscle
Zhang et al. Finite element model updating of a truss model using incomplete modal data
Yin et al. Rapid Design and Production of Soft Actuators using Dynamic Modeling and Additive Manufacturing for Underwater Soft Actuators
Sárosi Comparison of different fluidic muscles

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
GR01 Patent grant
GR01 Patent grant