DE112021000332T5 - Greifbeurteilungsvorrichtung, Greifbeurteilungsmethode und Greifbeurteilungsprogramm - Google Patents

Greifbeurteilungsvorrichtung, Greifbeurteilungsmethode und Greifbeurteilungsprogramm Download PDF

Info

Publication number
DE112021000332T5
DE112021000332T5 DE112021000332.1T DE112021000332T DE112021000332T5 DE 112021000332 T5 DE112021000332 T5 DE 112021000332T5 DE 112021000332 T DE112021000332 T DE 112021000332T DE 112021000332 T5 DE112021000332 T5 DE 112021000332T5
Authority
DE
Germany
Prior art keywords
series data
data
judgment
time series
grip
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
Application number
DE112021000332.1T
Other languages
English (en)
Inventor
Tomoki Nishide
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.)
Murata Manufacturing Co Ltd
Original Assignee
Murata Manufacturing Co Ltd
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 Murata Manufacturing Co Ltd filed Critical Murata Manufacturing Co Ltd
Publication of DE112021000332T5 publication Critical patent/DE112021000332T5/de
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01LMEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L1/00Measuring force or stress, in general
    • G01L1/16Measuring force or stress, in general using properties of piezoelectric devices

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

Greifbeurteilungsvorrichtung (1) gemäß dem Aspekt der vorliegenden Erfindung erfasst Zeitreihendaten des an einem Objekt angebrachten piezoelektrischen Elements (S), berechnet aus den Zeitreihendaten mindestens ein Merkmal bezüglich der Wellenform der in Zeitreihen angeordneten Messwerte und beurteilt unter Verwendung des durch maschinelles Lernen erzeugten trainierten Beurteilungsmodells und aufgrund des mindestens einen berechneten Merkmals, ob ein Verhalten in Bezug auf ein Objekt ein Greifen ist oder nicht.

Description

  • Gebiet der Erfindung
  • Die vorliegende Erfindung betrifft eine Greifbeurteilungsvorrichtung, eine Greifbeurteilungsmethode und ein Greifbeurteilungsprogramm.
  • Stand der Technik
  • In letzter Zeit ist die Entwicklung einer Technik zum Beurteilen eines Verhaltens in Bezug auf ein Objekt unter Verwendung eines piezoelektrischen Elements vorangekommen. Beispielsweise schlägt das Patentdokument 1 ein Messverfahren vor, das die Standardabweichung des Messwerts eines piezoelektrischen Sensors berechnet und basierend auf der berechneten Standardabweichung beurteilt, ob ein Messwert des piezoelektrischen Sensors ausgegeben werden soll oder nicht. Gemäß dem in Patentdokument 1 vorgeschlagenen Messverfahren kann die Messung durch den piezoelektrischen Sensor gestartet werden, wenn tatsächlich eine Schwingung im Objekt auftritt. Dadurch kann eine eventuell unnötige Messung des piezoelektrischen Sensors verhindert werden, wenn keine Schwingung im Objekt auftritt.
  • Patentliteratur
  • Patentdokument 1: JP2019113396
  • Zusammenfassung der Erfindung
  • Aufgabe der Erfindung
  • Der Erfinder der vorliegenden Erfindung fand heraus, dass das Verfahren des Patentdokuments 1 den folgenden Problempunkt enthält. Gemäß der Standardabweichung des Signalwerts des piezoelektrischen Elements ist es zwar möglich zu beurteilen, ob in dem Objekt, an dem das piezoelektrische Element angebracht ist, eine Schwingung auftritt oder nicht. Da die Standardabweichung bloß angibt, wie die Daten gestreut sind, ist es möglich, ein einfaches Ereignis wie das Wirken einer Kraft auf das Objekt aufgrund des berechneten Standardabweichungswerts zu erfassen, aber es ist schwierig, ein Verhalten in Bezug auf das Objekt genau zu erfassen. Vor allem ist es schwierig, aufgrund des Standardabweichungswerts genau zu beurteilen, ob das Verhalten in Bezug auf ein Objekt ein Greifen ist oder nicht (z. B. die Unterscheidung zwischen einem rauschähnlichen Verhalten wie periodischem Schlagen und einem Greifen).
  • Die vorliegende Erfindung entstand unter dem Aspekt im Hinblick auf einen solchen Hintergrund. Die Aufgabe der Erfindung ist es, eine Technik bereitzustellen, die unter Verwendung des piezoelektrischen Elements genau beurteilt, ob ein Verhalten in Bezug auf ein Objekt ein Greifen ist oder nicht.
  • Zur Lösung der oben genannten Aufgabe wendet die vorliegende Erfindung die folgende Konfiguration an. Es handelt sich um eine Greifbeurteilungsvorrichtung gemäß dem Aspekt der vorliegenden Erfindung aufweisend:
    • - eine Datenerfassungseinheit, die Zeitreihendaten erfasst, die die Messwerte des an dem Objekt angebrachten piezoelektrischen Elements in Zeitreihe zeigen,
    • - eine Berechnungseinheit, die aus den erfassten Zeitreihendaten mindestens ein erstes Merkmal bezüglich der Wellenform der in Zeitreihen angeordneten Messwerte berechnet,
    • - eine Beurteilungseinheit, die unter Verwendung eines durch maschinelles Lernen erzeugten trainierten Beurteilungsmodells und aufgrund des berechneten, mindestens ersten Merkmals beurteilt, ob das Verhalten in Bezug auf das Objekt ein Greifen ist oder nicht, und
    • - eine Ausgabeeinheit, die das Beurteilungsergebnis ausgibt.
  • Der Erfinder der vorliegenden Erfindung fand aus den Ergebnissen seiner unten beschriebenen Versuchsbeispiele heraus, dass das Beurteilungsmodell, das mit hoher Genauigkeit beurteilen kann, ob das Verhalten in Bezug auf ein Objekt ein Greifen ist oder nicht, dadurch erzeugt werden kann, dass das Merkmal, das sich auf die Wellenform des Messwerts bezieht, der aus den Zeitreihendaten des piezoelektrischen Elements berechnet werden kann, als erklärende Variable verwendet wird, und dass maschinelles Lernen als Methode zur Erzeugung des Beurteilungsmodells angewendet wird. Folglich kann nach einer derartigen Konfiguration mit einem dementsprechend erzeugten, trainierten Beurteilungsmodell unter Verwendung eines piezoelektrischen Elements beurteilt werden, ob das Verhalten in Bezug auf ein Objekt ein Greifen ist oder nicht.
  • Bei der Greifbeurteilungsvorrichtung gemäß dem oben genannten Aspekt können die Zeitreihendaten Erstreihendaten umfassen, die dadurch konfiguriert werden, die direkt von dem piezoelektrischen Element erfassten Signalwerte in Zeitreihe anzuordnen. Gemäß der vorliegenden Konfiguration ist es möglich, unter Verwendung des piezoelektrischen Elements genau und einfach zu beurteilen, ob ein Verhalten in Bezug auf ein Objekt ein Greifen ist oder nicht.
  • Bei der Greifbeurteilungsvorrichtung gemäß dem oben genannten Aspekt können die Zeitreihendaten Zweitreihendaten umfassen, die durch die Standardisierung der Originalreihendaten erzeugt werden, die dadurch konfiguriert werden, die direkt von dem piezoelektrischen Element erfassten Signalwerte in Zeitreihen anzuordnen. Beim Versuch, aufgrund des Mittelwerts der Messwerte eines Rauschens durch ein Klopfen und desgleichen von einem des Greifens zu unterscheiden, kann ein Rauschen mit gleicher Intensität wie beim Greifen fälschlicherweise als das des Greifens beurteilt werden. Ebenso kann eine fehlerhafte Erkennung aufgrund des Mittelwerts der Messwerte auftreten, wenn das trainierte Beurteilungsmodell dieser Art konfiguriert ist. Gemäß der vorliegenden Konfiguration kann der Mittelwert der Zeitreihendaten durch die Standardisierung als konstanter Wert festgelegt werden. Folglich kann die Möglichkeit einer fehlerhaften Beurteilung aufgrund des Mittelwerts der Messwerte reduziert und dadurch kann eine verbesserte Beurteilungsgenauigkeit erwartet werden.
  • Bei der Greifbeurteilungsvorrichtung gemäß dem oben genannten Aspekt können die Zeitreihendaten Drittreihendaten umfassen, die durch die Berechnung der Differenzreihe der Originalreihendaten erzeugt wurden, die dadurch konfiguriert werden, die direkt von dem piezoelektrischen Element erfassten Signalwerte in Zeitreihen anzuordnen. Gemäß der vorliegenden Konfiguration kann die Schwankung (Rauschen) der Grundlinie im Signal des piezoelektrischen Elements durch die Differenzberechnung entfernt werden. Das heißt, dass die Grundlinie des Signals bis zu einem gewissen Grad vereinheitlicht werden kann. Es kann erwartet werden, dass das die Beurteilungsgenauigkeit verbessert.
  • Bei der Greifbeurteilungsvorrichtung gemäß dem oben genannten Aspekt können die Zeitreihendaten Viertreihendaten umfassen, die durch die Berechnung und die Standardisierung der Differenzreihe der Originalreihendaten erzeugt wurden, die dadurch konfiguriert werden, die direkt vom piezoelektrischen Element erfasste Signalwerte in Zeitreihen anzuordnen. Gemäß der vorliegenden Konfiguration kann erwartet werden, dass die Beurteilungsgenauigkeit durch die oben genannte Wirkung der Differenzberechnung und Standardisierung verbessert wird.
  • Bei der Greifbeurteilungsvorrichtung gemäß dem oben genannten Aspekt kann mindestens ein erstes Merkmal aus Perzentilwert, Schiefe und Kurtosis, die vorbestimmt sind, oder aus einer Kombination davon bestehen. Gemäß der vorliegenden Konfiguration ist es möglich, ein geeignetes Merkmal auszuwählen, in dem die Charakteristik der Wellenform des Messwerts repräsentiert wird. Dadurch ist es möglich, genau zu beurteilen, ob ein Verhalten in Bezug auf ein Objekt ein Greifen ist oder nicht.
  • Bei der Greifbeurteilungsvorrichtung gemäß dem oben genannten Aspekt kann die Zeitlänge der Zeitreihendaten 400 ms oder mehr betragen. Gemäß der vorliegenden Konfiguration kann durch die Einstellung der Zeitlänge der Zeitreihendaten auf 400 ms oder mehr erwartet werden, dass die Genauigkeit der Beurteilung durch das trainierte Beurteilungsmodell beim Unterscheiden zwischen dem Rauschen von 4 Hz bis 30 Hz und dem Greifen verbessert wird.
  • Bei der Greifbeurteilungsvorrichtung gemäß dem oben genannten Aspekt kann die Beurteilung, ob ein Verhalten in Bezug auf ein Objekt ein Greifen ist oder nicht, die Beurteilung umfassen, ob ein Verhalten im Bezug auf ein Objekt ein Greifen oder ein anderes Rauschverhalten ist. Gemäß der vorliegenden Konfiguration ist es möglich, zwischen dem Greifverhalten und anderem rauschartigen Verhalten genau zu unterscheiden.
  • Bei der Greifbeurteilungsvorrichtung gemäß dem oben genannten Aspekt kann die Berechnungseinheit mindestens ein zweites Merkmal bezüglich der Amplitude aus den erfassten Zeitreihendaten berechnen. Dann kann die Beurteilungseinheit die Griff-Intensität in Bezug auf das Objekt aufgrund des mindestens einen berechneten zweiten Merkmals unter Verwendung des trainierten Beurteilungsmodells beurteilen. Der Erfinder der vorliegenden Erfindung fand aus den Ergebnissen seiner später beschriebenen Versuchsbeispiele heraus, dass die Griff-Intensität genau zu beurteilen ist, indem das Merkmal bezüglich der Amplitude des gemessenen Werts, der aus den Zeitreihendaten des piezoelektrischen Elements berechnet werden kann, als erklärende Variable verwendet wird. Gemäß der vorliegenden Konfiguration kann die Griff-Intensität genau beurteilt werden, wenn das Verhalten in Bezug auf das Objekt ein Greifen ist.
  • Bei der Greifbeurteilungsvorrichtung gemäß dem oben genannten Aspekt kann das mindestens eine zweite Merkmal aus Minimalwert, Maximalwert, Standardabweichung oder aus einer Kombination davon bestehen. Gemäß der vorliegenden Konfiguration kann ein Merkmal geeigneterweise erfasst werden, das die Charakteristik der Amplitude des gemessenen Werts repräsentiert. Dadurch kann die Griff-Intensität genau beurteilt werden.
  • Als eine weitere Ausführungsform der Greifbeurteilungsvorrichtung kann der oben genannte Aspekt der vorliegenden Erfindung ein Informationsverarbeitungsverfahren sein, das alle oder einen Teil der oben genannten Komponenten realisiert, oder ein Programm oder ein Speichermedium sein, das ein solches Programm speichert und von Computern, anderen Geräten, Maschinen usw. gelesen werden kann. Bei dem Speichermedium, das von einem Computer oder dergleichen gelesen werden kann, handelt es sich um ein Medium, das Informationen wie etwa ein Programm durch elektrische, magnetische, optische, mechanische oder chemische Wirkung speichert.
  • Beispielsweise handelt es sich beim Greifbeurteilungsverfahren gemäß dem Aspekt der vorliegenden Erfindung um ein Verfahren der Informationsverarbeitung, die durchführt: den Schritt, bei dem ein Computer Zeitreihendaten erfasst, die die Messwerte eines an einem Objekt angebrachten piezoelektrischen Elements in einer Zeitreihe zeigen, den Schritt, bei dem aus den erfassten Zeitreihendaten mindestens ein Merkmal bezüglich der Wellenform der in Zeitreihen angeordneten Messwerte berechnet wird, den Schritt, bei dem es unter Verwendung eines durch maschinelles Lernen erzeugten, trainierten Beurteilungsmodells und aufgrund des mindestens einen berechneten Merkmals beurteilt wird, ob ein Verhalten in Bezug auf ein Objekt ein Greifen ist oder nicht, und den Schritt, bei dem das Beurteilungsergebnis ausgegeben wird. Das mindestens ein Merkmal kann aus Perzentilwert, Schiefe und Kurtosis, die vorbestimmt sind, oder aus einer Kombination davon bestehen.
  • Beispielsweise handelt es sich beim Greifbeurteilungsprogramm gemäß dem Aspekt der vorliegenden Erfindung um ein Programm, das durchführt: den Schritt, bei dem die Zeitreihendaten erfasst werden, die die Messwerte der am Objekt angebrachten piezoelektrischen Elemente in Zeitreihen auf einem Computer zeigen, den Schritt, bei dem aus den erfassten Zeitreihendaten mindestens ein Merkmal bezüglich der Wellenform des Signalverlaufs der in Zeitreihen angeordneten Messwerte berechnet wird, den Schritt, bei dem es unter Verwendung eines durch maschinelles Lernen erzeugten, trainierten Beurteilungsmodells und aufgrund des mindestens einen berechneten Merkmals beurteilt wird, ob ein Verhalten in Bezug auf ein Objekt ein Greifen ist oder nicht, und den Schritt, bei dem das Beurteilungsergebnis ausgegeben wird.
  • Wirkung der Erfindung
  • Gemäß der vorliegenden Erfindung ist es möglich, unter Verwendung des piezoelektrischen Elements zu beurteilen, ob ein Verhalten in Bezug auf ein Objekt ein Greifen oder ein anderes Rauschen ist.
  • Figurenliste
    • [1] 1 zeigt schematisch ein Beispiel einer Situation, in der die vorliegende Erfindung angewendet wird.
    • [2] 2 zeigt schematisch ein Beispiel der Hardwarekonfiguration der Greifbeurteilungsvorrichtung gemäß der Ausführungsform.
    • [3] 3 zeigt schematisch ein Beispiel der Hardwarekonfiguration der Modellerzeugungsvorrichtung gemäß der Ausführungsform.
    • [4] 4 zeigt schematisch ein Beispiel der Softwarekonfiguration der Greifbeurteilungsvorrichtung gemäß der Ausführungsform.
    • [5] 5 zeigt schematisch ein Beispiel der Softwarekonfiguration der Modellerzeugungsvorrichtung gemäß der Ausführungsform.
    • [6] 6 zeigt ein Flussdiagramm, das ein Beispiel einer Verarbeitungsprozedur der Modellerzeugungsvorrichtung gemäß der Ausführungsform zeigt.
    • [7] 7 zeigt ein Flussdiagramm, das ein Beispiel der Verarbeitungsprozedur der Greifbeurteilungsvorrichtung gemäß der Ausführungsform zeigt.
    • [8A] 8A zeigt ein Exemplar von Messdaten, die bei Kontaktlosigkeit erfasst wurden.
    • [8B] 8B zeigt ein Exemplar von Messdaten, die bei Greifen erfasst wurden.
    • [8C] 8C zeigt ein Exemplar von Messdaten, die bei Rauschen (Klopfen) erfasst wurden.
    • [9A] 9A zeigt ein Exemplar des Histogramms der Originalreihendaten, die bei Kontaktlosigkeit erfasst wurden.
    • [9B] 9B zeigt ein Exemplar des Histogramms der Differenzreihendaten, die bei Kontaktlosigkeit erfasst wurden.
    • [9C] 9C zeigt ein Exemplar des Histogramms der standardisierten Reihendaten, die bei Kontaktlosigkeit erfasst wurden.
    • [9D] 9D zeigt ein Exemplar des Histogramms standardisierter Differenzreihendaten, die bei Kontaktlosigkeit erfasst wurden.
    • [10A] 10A zeigt ein Exemplar des Histogramms der Originalreihendaten, die bei Greifen erfasst wurden.
    • [10B] 10B zeigt ein Exemplar des Histogramms der Differenzreihendaten, die bei Greifen erfasst wurden.
    • [10C] 10C zeigt ein Exemplar des Histogramms der standardisierten Reihendaten, die bei Greifen erfasst wurden.
    • [10D] 10D zeigt ein Exemplar des Histogramms der standardisierten Differenzreihendaten, die bei Greifen erfasst wurden.
    • [11A] 11A zeigt ein Exemplar des Histogramms der Originalreihendaten, die bei Rausch (Klopfen) erfasst wurden.
    • [11B] 11B zeigt ein Exemplar von Histogramm der Differenzreihendaten, die bei Rausch erfasst wurden.
    • [11C] 11C zeigt ein Exemplar des Histogramms der standardisierten Reihendaten, die bei Rauschen erfasst wurden.
    • [11D] 11D zeigt ein Exemplar von Histogramm der standardisierten Differenzreihendaten, die bei Rauschen erfasst wurden.
    • [12] 12 ist ein Diagramm, das die Unterscheidungsgenauigkeit des trainierten Beurteilungsmodells gemäß einem Versuchsbeispiel zeigt.
    • [13A] 13A ist ein Diagramm, das die Ergebnisse der Berechnung von 25%-Werten aus den Originalreihendaten zeigt, die bei Kontaktlosigkeit, Greifen und Rauschen erfasst wurden.
    • [13B] 13B ist ein Diagramm, das die Ergebnisse der Berechnung von 75%-Werten aus den Originalreihendaten zeigt, die bei Kontaktlosigkeit, Greifen und Rauschen erfasst wurden.
    • [13C] 13C ist ein Diagramm, das die Ergebnisse der Berechnung der Schiefe aus den Originalreihendaten zeigt, die bei Kontaktlosigkeit, Greifen und Rauschen erfasst wurden.
    • [13D] 13D ist ein Diagramm, das die Ergebnisse der Berechnung der Kurtosis aus den Originalreihendaten zeigt, die bei Kontaktlosigkeit, Greifen und Rauschen erfasst wurden.
    • [13E] 13E ist ein Diagramm, das die Ergebnisse der Berechnung der Minimalwerte aus den Originalreihendaten zeigt, die bei Kontaktlosigkeit, Greifen und Rauschen erfasst wurden.
    • [13F] 13F ist ein Diagramm, das die Ergebnisse der Berechnung der Maximalwerte aus den Originalreihendatenzeigt, die bei Kontaktlosigkeit, Greifen und Rauschen erfasst wurden.
    • [13G] 13G ist ein Diagramm, das die Ergebnisse der Berechnung der Standardabweichung von den Originalreihendaten zeigt, die bei Kontaktlosigkeit, Greifen und Rauschen erfasst wurden.
    • [13H] 13H ist ein Diagramm, das die Ergebnisse der Berechnung von 50ö-Werten aus den Originalreihendaten zeigt, die bei Kontaktlosigkeit, Greifen und Rauschen erfasst wurden.
    • [14A] 14A ist ein Diagramm, das die Ergebnisse der Berechnung von 25%-Werten aus den Differenzreihendaten zeigt, die bei Kontaktlosigkeit, Greifen und Rauschen erfasst wurden.
    • [14B] 14B ist ein Diagramm, das die Ergebnisse der Berechnung von 75%-Werten aus den Differenzreihendaten zeigt, die bei Kontaktlosigkeit, Greifen und Rauschen erfasst wurden.
    • [14C] 14C ist ein Diagramm, das die Ergebnisse der Berechnung der Schiefe aus den Differenzreihendaten zeigt, die bei Kontaktlosigkeit, Greifen und Rauschen erfasst wurden.
    • [14D] 14D ist ein Diagramm, das die Ergebnisse der Berechnung der Kurtosis aus den Differenzreihendaten zeigt, die bei Kontaktlosigkeit, Greifen und Rauschen erfasst wurden.
    • [14E] 14E ist ein Diagramm, das die Ergebnisse der Berechnung der Minimalwerte aus den Differenzreihendaten zeigt, die bei Kontaktlosigkeit, Greifen und Rauschen erfasst wurden.
    • [14F] 14F ist ein Diagramm, das die Ergebnisse der Berechnung der Maximalwerte aus den Differenzreihendaten zeigt, die bei Kontaktlosigkeit, Greifen und Rauschen erfasst wurden.
    • [14G] 14G ist ein Diagramm, das die Ergebnisse der Berechnung der Standardabweichung aus den Differenzreihendaten zeigt, die bei Kontaktlosigkeit, Greifen und Rauschen erfasst wurden.
    • [14H] 14H ist ein Diagramm, das die Ergebnisse der Berechnung von 50ö-Werten aus den Differenzreihendaten zeigt, die bei Kontaktlosigkeit, Greifen und Rauschen erfasst wurden.
    • [15A] 15A ist ein Diagramm, das die Ergebnisse der Berechnung von 25%-Werten aus standardisierten Reihendaten zeigt, die bei Kontaktlosigkeit, Greifen und Rauschen erfasst wurden.
    • [15B] 15B ist ein Diagramm, das die Ergebnisse der Berechnung von 75%-Werten aus standardisierten Reihendaten zeigt, die bei Kontaktlosigkeit, Greifen und Rauschen erfasst wurden.
    • [15C] 15C ist ein Diagramm, das die Ergebnisse der Berechnung der Schiefe aus den standardisierten Reihendaten zeigt, die bei Kontaktlosigkeit, Greifen und Rauschen erfasst wurden.
    • [15D] 15D ist ein Diagramm, das die Ergebnisse der Berechnung der Kurtosis aus standardisierten Reihendaten zeigt, die bei Kontaktlosigkeit, Greifen und Rauschen erfasst wurden.
    • [15E] 15E ist ein Diagramm, das die Ergebnisse der Berechnung der Minimalwerte aus den standardisierten Reihendaten zeigt, die bei Kontaktlosigkeit, Greifen und Rauschen erfasst wurden.
    • [15F] 15F ist ein Diagramm, das die Ergebnisse der Berechnung der Maximalwerte aus den standardisierten Reihendaten zeigt, die bei Kontaktlosigkeit, Greifen und Rauschen erfasst wurden.
    • [15G] 15G ist ein Diagramm, das die Ergebnisse der Berechnung von 50%-Werten aus standardisierten Reihendaten zeigt, die bei Kontaktlosigkeit, Greifen und Rauschen erfasst wurden.
    • [16A] 16A ist ein Diagramm, das die Ergebnisse der Berechnung von 25 %-Werten aus standardisierten Differenzreihendaten zeigt, die bei Kontaktlosigkeit, Greifen und Rauschen erfasst wurden.
    • [16B] 16B ist ein Diagramm, das die Ergebnisse der Berechnung von 75%-Werten aus standardisierten Differenzreihendaten zeigt, die bei Kontaktlosigkeit, Greifen und Rauschen erfasst wurden.
    • [16C] 16C ist ein Diagramm, das die Ergebnisse der Berechnung der Schiefe aus den standardisierten Differenzreihendaten zeigt, die bei Kontaktlosigkeit, Greifen und Rauschen erfasst wurden.
    • [16D] 16D ist ein Diagramm, das die Ergebnisse der Berechnung der Kurtosis aus den standardisierten Differenzreihendaten zeigt, die bei Kontaktlosigkeit, Greifen und Rauschen erfasst wurden.
    • [16E] 16E ist ein Diagramm, das die Ergebnisse der Berechnung der Minimalwerte aus den standardisierten Differenzreihendaten zeigt, die bei Kontaktlosigkeit, Greifen und Rauschen erfasst wurden.
    • [16F] 16F ist ein Diagramm, das die Ergebnisse der Berechnung der Maximalwerte aus den standardisierten Differenzreihendaten zeigt, die bei Kontaktlosigkeit, Greifen und Rauschen erfasst wurden.
    • [16G] 16G ist ein Diagramm, das die Ergebnisse der Berechnung von 50ö-Werten aus den standardisierten Differenzreihendaten zeigt, die bei Kontaktlosigkeit, Greifen und Rauschen erfasst wurden.
    • [17A] 17A ist ein Diagramm, das die Ergebnisse der Berechnung der Minimalwerte aus den Originalreihendaten zeigt, die bei Kontaktlosigkeit, bei schwachem, mittlerem und starkem Greifen erfasst wurden.
    • [17B] 17B ist ein Diagramm, das die Ergebnisse der Berechnung der Maximalwerte aus den Originalreihendaten zeigt, die bei Kontaktlosigkeit, beim schwachen, mittleren und starken Greifen erfasst wurden.
    • [17C] 17C ist ein Diagramm, das die Ergebnisse der Berechnung der Standardabweichung aus den Originalreihendaten zeigt, die bei Kontaktlosigkeit, beim schwachen, mittleren und starken Greifen erfasst wurden.
    • [17D] 17D ist ein Diagramm, das die Ergebnisse der Berechnung von 25%-Werten aus den Originalreihendaten zeigt, die bei Kontaktlosigkeit, bei schwachem, mittlerem und starkem Greifen erfasst wurden.
    • [17E] 17E ist ein Diagramm, das die Ergebnisse der Berechnung von 75%-Werten aus den Originalreihendaten zeigt, die bei Kontaktlosigkeit, bei schwachem, mittlerem und starkem Greifen erfasst wurden.
    • [18A] 18A ist ein Diagramm, das die Ergebnisse der Berechnung der Minimalwerte aus den Differenzreihendaten zeigt, die bei Kontaktlosigkeit, bei schwachem, mittlerem und starkem Greifen erfasst wurden.
    • [18B] 18B ist ein Diagramm, das die Ergebnisse der Berechnung der Maximalwerte aus den Differenzreihendaten zeigt, die bei Kontaktlosigkeit, bei schwachem, mittlerem und starkem Greifen erfasst wurden.
    • [18C] 18C ist ein Diagramm, das die Ergebnisse der Berechnung der Standardabweichung aus den Differenzreihendaten zeigt, die bei Kontaktlosigkeit, bei schwachem, mittlerem und starkem Greifen erfasst wurden.
    • [18D] 18D ist ein Diagramm, das die Ergebnisse der Berechnung von 25%-Werte aus den Differenzreihendaten zeigt, die bei Kontaktlosigkeit, bei schwachem, mittlerem und starkem Greifen erfasst wurden.
    • [18E] 18E ist ein Diagramm, das die Ergebnisse der Berechnung von 75%-Werte aus den Differenzreihendaten zeigt, die bei Kontaktlosigkeit, bei schwachem, mittlerem und starkem Greifen erfasst wurden.
  • Ausführungsform der Erfindung
  • Im Folgenden wird eine Ausführungsform gemäß dem Aspekt der vorliegenden Erfindung (im Folgenden auch als „die vorliegende Ausführungsform“ bezeichnet) anhand der Zeichnungen beschrieben. Die nachstehend beschriebenen Ausführungsformen sind jedoch in jeder Hinsicht lediglich Beispiele der vorliegenden Erfindung. Selbstverständlich können verschiedene Verbesserungen und Modifikationen vorgenommen werden, ohne vom Umfang der vorliegenden Erfindung abzuweichen. Das heißt, dass beim Ausführen der vorliegenden Erfindung eine konkrete Konfiguration gemäß der Ausführungsform geeigneterweise angewendet werden kann. Die Daten, die in den Ausführungsformen vorkommen, sind in natürlicher Sprache beschrieben, aber in der Tat sind sie in einer Pseudosprache, einem Befehl, einem Parameter, einer Maschinensprache usw. spezifiziert, die vom Computer erkannt werden kann.
  • §1 Anwendungsbeispiel
  • 1 zeigt ein schematisches Beispiel einer Anwendungsszene des Beurteilungssystems 100 gemäß der vorliegenden Ausführungsform. Wie in 1 gezeigt weist das Beurteilungssystem 100 gemäß der vorliegenden Ausführungsform eine Greifbeurteilungsvorrichtung 1 und eine Modellerzeugungsvorrichtung 2 auf.
  • Die Greifbeurteilungsvorrichtung 1 gemäß der vorliegenden Ausführungsform ist ein Computer, der so konfiguriert wurde, mittels des durch maschinelles Lernen erzeugten, trainierten Beurteilungsmodells 5 ein Greifverhalten in Bezug auf das Objekt (das Greifen des Objekts) aufgrund der Messdaten des piezoelektrischen Elements S zu beurteilen. Zuerst erfasst die Greifbeurteilungsvorrichtung 1 Zeitreihendaten 6, die eine Vielzahl von Messwerten des an dem Objekt angebrachten piezoelektrischen Elements S in Zeitreihen zeigt. Als Nächstes berechnet die Greifbeurteilungsvorrichtung 1 aus den erfassten Zeitreihendaten 6 mindestens ein Merkmal 71 bezüglich der Wellenform der in der Zeitreihe angeordneten Messwerte. Die Greifbeurteilungsvorrichtung 1 beurteilt, ob das Verhalten in Bezug auf das Objekt ein Greifen ist oder nicht, aufgrund des mindestens einen berechneten Merkmals 71 und unter Verwendung des trainierten Beurteilungsmodells 5, das durch maschinelles Lernen erzeugt wird. Danach gibt die Greifbeurteilungsvorrichtung 1 das Beurteilungsergebnis aus.
  • Außerdem ist die Modellerzeugungsvorrichtung 2 gemäß der vorliegenden Ausführungsform ein Computer, der so konfiguriert ist, dass er ein erlerntes Beurteilungsmodell 5 erzeugt, das zum Beurteilen des Greifens verwendet werden kann. Die Modellerzeugungsvorrichtung 2 erfasst mehrere Lerndatensätze 3. Jeder Lerndatensatz 3 besteht aus einer Kombination von Trainingsdaten und Korrekte-Antwort-Labels. Die Trainingsdaten sind so konfiguriert, dass sie Daten des gleichen Typs wie das mindestens ein Merkmal 71 aufweisen. Das Korrekte-Antworte-Label ist so konfiguriert, dass sie die korrekte Antwort eines Verhaltens in Bezug auf ein Objekt in den Trainingsdaten anzeigt. Die Modellerzeugungsvorrichtung 2 führt maschinelles Lernen des Beurteilungsmodells 5 unter Verwendung der erfassten Lerndatensätzen 3 durch. Dadurch kann ein trainiertes Beurteilungsmodell 5 erzeugt werden, das die Fähigkeit erworben hat, zu beurteilen, ob ein Verhalten in Bezug auf ein Objekt ein Greifen ist oder nicht, aufgrund des mindestens einen Merkmals (Merkmal 71), das aus den Zeitreihendaten des piezoelektrischen Elements S berechnet wird.
  • Wie oben beschrieben, wird in der vorliegenden Ausführungsform das durch maschinelles Lernen erzeugte trainierte Beurteilungsmodell 5 verwendet, um zu beurteilen, ob das Verhalten in Bezug auf ein Objekt ein Greifen ist oder nicht. Zudem wird mindestens ein Merkmal 71 bezüglich der Wellenform des gemessenen Werts, das aus den Zeitreihendaten 6 des piezoelektrischen Elements S berechnet wird, als erklärende Variable des Beurteilungsmodells 5 angewendet. Gemäß der vorliegenden Ausführungsform ist es durch die Anwendung einer solchen Konfiguration möglich, unter Verwendung des piezoelektrischen Elements S genau zu beurteilen, ob ein Verhalten in Bezug auf ein Objekt ein Greifen ist oder nicht.
  • Im Beispiel von 1 sind die Greifbeurteilungsvorrichtung 1 und die Modellerzeugungsvorrichtung 2 über ein Netzwerk miteinander verbunden. Die Art des Netzwerks kann geeigneterweise beispielsweise aus Internet, drahtlosem Kommunikationsnetzwerk, Mobilkommunikationsnetzwerk, Telefonnetzwerk, dezidiertem Netzwerk und dergleichen ausgewählt werden. Das Verfahren zum Datenaustausch zwischen der Greifbeurteilungsvorrichtung 1 und der Modellerzeugungsvorrichtung 2 muss jedoch nicht auf ein solches Beispiel beschränkt sein und kann abhängig von der Art der Implementierung geeigneterweise ausgewählt werden. Beispielsweise können Daten zwischen der Greifbeurteilungsvorrichtung 1 und der Modellerzeugungseinrichtung 2 unter Verwendung eines Speichermediums ausgetauscht werden.
  • Ferner sind im Beispiel von 1 die Greifbeurteilungsvorrichtung 1 und die Modellerzeugungsvorrichtung 2 jeweils durch einen separaten Computer konfiguriert. Die Konfiguration des Beurteilungssystems 100 gemäß der vorliegenden Ausführungsform muss jedoch nicht auf ein solches Beispiel beschränkt sein und kann entsprechend der Ausführungsform geeigneterweise bestimmt werden. Beispielsweise können die Greifbeurteilungsvorrichtung 1 und die Modellerzeugungsvorrichtung 2 ein einziger Computer sein. Ferner kann beispielsweise zumindest entweder die Greifbeurteilungsvorrichtung 1 oder die Modellerzeugungsvorrichtung 2 durch eine Vielzahl von Computern konfiguriert sein.
  • Des Weiteren ist die Art des Objekts nicht beschränkt, solange es sich um ein zu greifendes Objekt handelt, und kann entsprechend der Ausführungsform geeigneterweise ausgewählt werden. Das Objekt kann beispielsweise ein Griffabschnitt eines Fahrzeugs, ein Schalter im Fahrzeug, eine Steuerung eines Spielgeräts, ein elektrisches Werkzeug, ein elektrisches Haushaltsgerät, ein Griffabschnitt eines landwirtschaftlichen Geräts oder dergleichen sein. Der Griffabschnitt des Fahrzeugs kann beispielsweise ein Lenkrad, ein Hebel, ein Griffabschnitt eines selbstfahrenden Kraftfahrzeugs, ein Griffabschnitt eines Traktors oder dergleichen sein. Das Fahrzeug kann beispielsweise ein zweirädriges Fahrzeug (zum Beispiel ein Motorrad und ein Fahrrad), ein vierrädriges Fahrzeug (zum Beispiel ein Automobil) oder dergleichen sein. Das selbstfahrende Kraftfahrzeug kann beispielsweise ein autonom fahrender Bus, ein autonom fahrendes Taxi oder dergleichen sein, und der Griffabschnitt des selbstfahrenden Kraftfahrzeugs kann beispielsweise eine Halteschlaufe zu Sicherheitszwecken sein. Der fahrzeugmontierte Schalter kann beispielsweise ein Touchpad, ein Touchscreen, ein automatischer Türöffnungs-/Schließschalter, ein Motorstartschalter oder dergleichen sein. Das Elektrowerkzeug kann beispielsweise eine elektrische Säge, eine Kettensäge, ein Rasenmäher oder dergleichen sein. Das elektrische Haushaltsgerät kann beispielsweise ein Staubsauger, ein Bügeleisen oder dergleichen sein. Durch die Anwendung der vorliegenden Ausführungsform auf jedes Gerät ist es möglich, das Greifverhalten des Benutzers in Bezug auf jedes Gerät zu überwachen. Je nach dem Ein- oder dem Ausschalten des Greifverhaltens ist es dann möglich, eine Aktion von jedem Gerät ausführen zu lassen. Folglich kann gemäß der vorliegenden Ausführungsform der Freiheitsgrad der Benutzerschnittstelle in jedem Gerät verbessert werden.
  • §2 Konfigurationsbeispiel
  • [Hardwarekonfiguration]
  • <Greifbeurteilungsvorrichtung>
  • 2 veranschaulicht schematisch ein Beispiel der Hardwarekonfiguration der Greifbeurteilungsvorrichtung 1 gemäß der vorliegenden Ausführungsform. Wie in 2 gezeigt, ist die Greifbeurteilungsvorrichtung 1 gemäß der vorliegenden Ausführungsform ein Computer, mit dem Steuereinheit 11, Speichereinheit 12, Kommunikationsschnittstelle 13, externe Schnittstelle 14, Eingabegerät 15, Ausgabegerät 16 und Laufwerk 17 elektrisch verbunden sind. In 2 werden die Kommunikationsschnittstelle und die externe Schnittstelle als „Kommunikations-I/F“ und „externes I/F“ angegeben. Dieselbe Notation wird in den folgenden Zeichnungen verwendet.
  • Die Steuereinheit 11 umfasst CPU (Central Processing Unit), RAM (Random Access Memory), ROM (Read Only Memory) usw., die Hardwareprozessoren sind, und so konfiguriert sind, dass diese eine Informationsverarbeitung basierend auf einem Programm und auf verschiedenen Daten durchführt. Die Speichereinheit 12 ist ein Beispiel für einen Speicher und besteht beispielsweise aus einem Festplattenlaufwerk, einem Festkörperlaufwerk oder dergleichen. In der vorliegenden Ausführungsform speichert die Speichereinheit 12 verschiedene Informationen wie etwa das Greifbestimmungsprogramm 81 und die Lernergebnisdaten 225.
  • Das Greifbeurteilungsprogramm 81 ist ein Programm, das bewirkt, dass die Greifbeurteilungsvorrichtung 1 eine unten beschriebene Informationsverarbeitung (7) bezüglich der Beurteilung eines Griffs an einem Objekt durchführt. Das Greifbeurteilungsprogramm 81 umfasst eine Reihe von Befehlen für die Informationsverarbeitung. Die Lernergebnisdaten 225 zeigen Informationen über das trainierte Beurteilungsmodell 5. Einzelheiten werden unten beschrieben.
  • Die Kommunikationsschnittstelle 13 ist beispielsweise ein verdrahtetes LAN-(Local Area Network)-Modul, ein drahtloses LAN-Modul oder dergleichen und ist eine Schnittstelle zum Durchführen einer drahtgebundenen oder drahtlosen Kommunikation über ein Netzwerk. Die Greifbeurteilungsvorrichtung 1 kann eine Datenkommunikation über ein Netzwerk mit einer anderen Informationsverarbeitungsvorrichtung unter Verwendung der Kommunikationsschnittstelle 13 durchführen.
  • Die externe Schnittstelle 14 ist beispielsweise ein USB-(Universal Serial Bus)-Port, ein dezidierter Port oder dergleichen und bildet eine Schnittstelle zum Verbinden mit einem externen Gerät. Die Art und Anzahl der externen Schnittstellen 14 kann beliebig gewählt werden. Im Beispiel von 2 ist die Greifbeurteilungsvorrichtung 1 über die externe Schnittstelle 14 direkt mit dem piezoelektrischen Element S verbunden. Dadurch kann die Greifbeurteilungsvorrichtung 1 die Messdaten des piezoelektrischen Elements S erfassen. Jedoch sind das Verbindungsverfahren und das Verbindungsverhältnis zwischen der Greifbeurteilungsvorrichtung 1 und dem piezoelektrischen Element S nicht auf ein solches Beispiel beschränkt. Beispielsweise kann die Greifbeurteilungsvorrichtung 1 über die Kommunikationsschnittstelle 13 verbunden sein. Ferner kann die Greifbeurteilungsvorrichtung 1 beispielsweise über einen anderen Computer indirekt mit dem piezoelektrischen Element S verbunden sein. Der Typ des piezoelektrischen Elements S ist nicht beschränkt, solange es so konfiguriert ist, dass es die Ausgabe durch die angelegte Kraft ändert, und kann entsprechend für die Ausführungsform geeignet ausgewählt werden. In einem Beispiel kann das piezoelektrische Element S aus einem Material mit Piezoelektrizität (piezoelektrisches Material) und aus Elektroden bestehen. Beispielsweise kann das piezoelektrische Element S konfiguriert werden, indem der piezoelektrische Körper zwischen zwei Elektroden angeordnet wird. Das piezoelektrische Material kann beispielsweise Keramik, organische Substanz, Einkristall oder dergleichen sein. Zudem kann die Messfrequenz des piezoelektrischen Elements S beliebig sein. Die Messfrequenz des piezoelektrischen Elements S kann beispielsweise 60 Hz oder höher sein.
  • Das Eingabegerät 15 ist beispielsweise ein Gerät zur Eingabe mittels einer Maus, einer Tastatur oder dergleichen. Das Ausgabegerät 16 ist beispielsweise ein Gerät zur Ausgabe mittels einer Anzeige, eines Lautsprechers oder dergleichen. Ein Bediener wie etwa ein Benutzer kann die Greifbeurteilungsvorrichtung 1 unter Verwendung des Eingabegeräts 15 und des Ausgabegeräts 16 bedienen.
  • Das Laufwerk 17 ist zum Beispiel ein CD-Laufwerk, ein DVD-Laufwerk oder dergleichen und ist eine Laufwerksvorrichtung zum Lesen verschiedener Informationen, wie zum Beispiel eines Programms, das auf dem Speichermedium 91 gespeichert ist. Das Speichermedium 91 ist ein Medium, das die Informationen des Programms usw. durch elektrische, magnetische, optische, mechanische oder chemische Einwirkung akkumuliert, sodass ein Computer oder eine andere Vorrichtung, Maschine oder dergleichen verschiedene Informationen lesen kann, wie etwa ein gespeichertes Programm. Entweder das Greifbeurteilungsprogramm 81 oder die Lernergebnisdaten 225 oder beide können in dem Speichermedium 91 gespeichert werden. Die Greifbeurteilungsvorrichtung 1 kann das Greifbeurteilungsprogramm 81 und/oder die Lernergebnisdaten 225 von dem Speichermedium 91 erhalten. 2 zeigt beispielhaft ein Speichermedium in Scheibenform wie beispielsweise eine CD oder DVD als Speichermediums 91. Die Art des Speichermediums 91 ist jedoch nicht auf die Scheibenform beschränkt und kann anderes als Scheiben sein.
  • Als anderes Speichermedium als Scheiben-Typ kann beispielsweise ein Halbleiterspeicher wie etwa ein Flash-Speicher genannt werden. Die Art des Laufwerks 17 kann gemäß der Art des Speichermediums 91 beliebig ausgewählt werden.
  • Hinsichtlich der konkreten Hardwarekonfiguration der Greifbeurteilungsvorrichtung 1 können Komponenten weggelassen, ersetzt oder hinzugefügt werden, wie es gemäß der Ausführungsform geeignet ist. Beispielsweise kann die Steuereinheit 11 mehrere Hardwareprozessoren enthalten. Der Hardwareprozessor kann aus einem Mikroprozessor, einem FPGA (field-programmable gate array) oder dergleichen bestehen. Die Speichereinheit 12 kann durch das in der Steuereinheit 11 enthaltene RAM und ROM konfiguriert sein. Zumindest eines von der Kommunikationsschnittstelle 13, der externen Schnittstelle 14, dem Eingabegerät 15, dem Ausgabegerät 16 und dem Laufwerk 17 kann weggelassen werden. Die Greifbeurteilungsvorrichtung 1 kann aus mehreren Computern bestehen. In diesem Fall können die Hardwarekonfigurationen der einzelnen Computer übereinstimmen oder nicht. Ferner kann die Greifbeurteilungsvorrichtung 1 zusätzlich zu einer Informationsverarbeitungsvorrichtung, die ausschließlich für den bereitgestellten Dienst ausgelegt ist, ein Mikrocomputer, ein Allzweck-Personalcomputer (PC) oder dergleichen sein.
  • <Modellerzeugungsvorrichtung>
  • 3 zeigt schematisch ein Beispiel für eine Hardwarekonfiguration der Modellerzeugungsvorrichtung 2 gemäß der vorliegenden Ausführungsform. Wie in 3 gezeigt, ist die Modellerzeugungsvorrichtung 2 gemäß der vorliegenden Ausführungsform ein Computer, mit dem die Steuereinheit 21, die Speichereinheit 22, die Kommunikationsschnittstelle 23, die externe Schnittstelle 24, das Eingabegerät 25, das Ausgabegerät 26 und das Laufwerk 27 elektrisch verbunden sind.
  • Die Steuereinheiten 21 bis zum Laufwerk 27 und das Speichermedium 92 der Modellerzeugungsvorrichtung 2 können jeweils auf die gleiche Weise konfiguriert sein wie die Steuereinheiten 11 bis zum Laufwerk 17 und das Speichermedium 91 der Greifbeurteilungsvorrichtung 1. Die Steuereinheit 21 umfasst eine CPU, ein RAM, ein ROM usw., die Hardwareprozessoren sind, und ist konfiguriert, um verschiedene Informationsverarbeitungen basierend auf Programmen und Daten auszuführen. Die Speichereinheit 22 besteht beispielsweise aus einem Festplattenlaufwerk, einem Festkörperlaufwerk oder dergleichen. In der vorliegenden Ausführungsform speichert die Speichereinheit 22 verschiedene Informationen wie etwa das Modellerzeugungsprogramm 82, die Lerndatensätze 3 und die Lernergebnisdaten 225.
  • Das Modellerzeugungsprogramm 82 ist ein Programm, das die Modellerzeugungsvorrichtung 2 dazu führt, eine unten beschriebene Informationsverarbeitung (6) bezüglich der Erzeugung des trainierten Beurteilungsmodells 5 (maschinelles Lernen des Beurteilungsmodells 5) auszuführen. Das Modellerzeugungsprogramm 82 enthält eine Reihe von Befehlen für die Informationsverarbeitung. Die Lerndatensätze 3 werden verwendet, um das trainierte Beurteilungsmodell 5 zu erzeugen. Die Lernergebnisdaten 225 können als Ergebnis der Ausführung des Modellerzeugungsprogramms 82 erzeugt werden. Mindestens eines von dem Modellerzeugungsprogramm 82 und den Lerndatensätze 3 kann im Speichermedium 92 gespeichert werden. Zudem kann die Modellerzeugungsvorrichtung 2 zumindest eines von dem Modellerzeugungsprogramm 82 und der Trainingsdatensätzen 3 vom Speichermedium 92 erfassen.
  • Hinsichtlich der konkreten Hardwarekonfiguration des Modellerzeugungsvorrichtung 2 ist es möglich, Komponenten nach Bedarf gemäß der Ausführungsform wegzulassen, zu ersetzen oder hinzuzufügen. Beispielsweise kann die Steuereinheit 21 mehrere Hardwareprozessoren enthalten. Der Hardwareprozessor kann aus einem Mikroprozessor, einem FPGA oder dergleichen bestehen. Die Speichereinheit 22 kann aus RAM und ROM bestehen, die in der Steuereinheit 21 enthalten sind. Mindestens eines von der Kommunikationsschnittstelle 23, der externen Schnittstelle 24, dem Eingabegerät 25, dem Ausgabegerät 26 und dem Laufwerk 27 kann weggelassen werden. Die Modellerzeugungsvorrichtung 2 kann aus mehreren Computern bestehen. In diesem Fall können die Hardwarekonfigurationen der Computer übereinstimmen oder nicht. Zudem kann die Modellerzeugungsvorrichtung 2 zusätzlich zu einer Informationsverarbeitungsvorrichtung, die ausschließlich für den bereitgestellten Dienst ausgelegt ist, eine Universal-Servervorrichtung, ein Universal-PC oder dergleichen sein.
  • [Softwarekonfiguration]
  • <Greifbeurteilungsvorrichtung>
  • 4 zeigt schematisch ein Beispiel für eine Softwarekonfiguration der Greifbeurteilungsvorrichtung 1 gemäß der vorliegenden Ausführungsform. Die Steuereinheit 11 der Greifbeurteilungsvorrichtung 1 entfaltet das in der Speichereinheit 12 gespeicherte Greifbeurteilungsprogramm 81 im RAM. Dann steuert die Steuereinheit 11 eine einzelne Komponente, indem diese die Befehle, die in dem durch den RAM entfalteten Greifbeurteilungsprogramm 81 enthalten sind, durch die CPU interpretiert und ausführt. Wie in 4 gezeigt, wird die Greifbeurteilungsvorrichtung 1 gemäß der vorliegenden Ausführungsform dadurch als Computer betätigt, der eine Datenerfassungseinheit 111, eine Berechnungseinheit 112 , eine Bestimmungseinheit 113 und eine Ausgabeeinheit 114 als Softwaremodule aufweist.
  • Die Datenerfassungseinheit 111 erfasst die Zeitreihendaten 6, die mehrere Messwerte des am Objekt angebrachten piezoelektrischen Elements S in Zeitreihen zeigen. In der vorliegenden Ausführungsform sind die Zeitreihendaten 6 so konfiguriert, dass sie vier Reihendaten (Originalreihendaten 61, standardisierte Reihendaten 62, Differenzreihendaten 63 und standardisierte Differenzreihendaten 64) umfassen.
  • Die Originalreihendaten 61 werden dadurch konfiguriert, dass die Signalwerte, die direkt von dem piezoelektrischen Element S erfasst werden, in einer Zeitreihe angeordnet werden. Die Originalreihendaten 61 können aus dem Rohsignalwert des piezoelektrischen Elements S konfiguriert sein. In diesem Fall kann die Datenerfassungseinheit 111 die durch das piezoelektrische Element S erzeugten Rohdaten 120 als die Originalreihendaten 61 erfassen. Alternativ können die Originalreihendaten 61 aus vorverarbeiteten Signalwerten konfiguriert sein, die durch die Anwendung einer beliebigen Vorverarbeitung auf die Rohsignalwerte des piezoelektrischen Elements S erfasst werden. In diesem Fall kann die Datenerfassungseinheit 111 die Originalreihendaten 61 erfassen, indem sie die Rohdaten 120 vom piezoelektrischen Element S erhält und eine Vorverarbeitung an den erfassten Rohdaten 120 durchführt. Die Vorbehandlung kann beispielsweise eine Rauschverarbeitung wie etwa das Entfernen einer DC-Komponente (Durchschnittswert) und das Entfernen von Hochfrequenzrauschen durch einen gleitenden Mittelwert umfassen. Der gleitende Durchschnitt ergab sich durch die Berechnung des Mittelwerts in einem Intervall in Zeitreihendaten, während das Intervall um eine bestimmte Zeitlänge in Richtung der Zeitachse verschoben wurde. Vor der Berechnung des Mittelwerts in einem Intervall können die Daten in diesem Intervall mit einer beliebigen Fensterfunktion (beispielsweise einem Hanning-Fenster) multipliziert werden.
  • Die standardisierten Reihendaten 62 werden durch die Standardisierung der Originalreihendaten erzeugt, die konfiguriert werden, indem die direkt vom piezoelektrischen Element S erfassten Signalwerte in einer Zeitreihe angeordnet werden. Die Differenzreihendaten 63 werden durch Berechnen der Differenzreihen der Originalreihendaten erzeugt, die konfiguriert werden, indem die direkt vom piezoelektrischen Element S erfassten Signalwerte in einer Zeitreihe angeordnet werden. Die standardisierten Differenzreihendaten 64 werden durch Berechnen und Standardisieren der Differenzreihen der Originalreihendaten erzeugt, die konfiguriert werden, indem die direkt vom piezoelektrischen Element S erfassten Signalwerte in einer Zeitreihe angeordnet werden. Wie bei den Originalreihendaten 61 können die einzelnen Originalreihendaten die Rohdaten 120 oder vorverarbeitete Reihendaten sein, die durch Durchführen einer Vorverarbeitung an den Rohdaten 120 erfasst werden.
  • Die Standardisierung ist ein Normalisierungsprozess, der die Standardabweichung und den Mittelwert von Reihendaten in einen konstanten Wert umwandelt (beispielsweise das Konvertieren der Standardabweichung in 1 und den Mittelwert in 0). Das heißt, dass die standardisierten Reihendaten 62 die Reihendaten sind, die durch das Ausführen des Normalisierungsprozesses an den Originalreihendaten erfasst werden, und die Reihendaten mit konstanter Standardabweichung und Mittelwert sind. Die folgende Formel 1 ist ein Beispiel für die Berechnung der Standardisierung.
  • Die Differenzberechnung ist eine Operation zur Berechnung der Differenz zwischen dem Wert zu jedem Zeitpunkt und dem Wert zu einem Zeitpunkt, der um eins von diesem Zeitpunkt entfernt ist, in den Reihendaten, die aus mehreren Werten bestehen, die in einer Zeitreihe angeordnet sind. Die Differenzreihen ist eine Reihe, die durch eine solche Differenzoperation erfasst wird. Das heißt, dass die Differenzreihendaten 63 die Reihendaten sind, die durch Ausführen der Differenzoperation an den Originalreihendaten erfasst werden, und die Reihendaten sind, die die Änderung in einer bestimmten Zeitspanne zeigen. Daher kann der Einfluss der Schwankung der Grundlinie verringert werden. Die standardisierten Differenzreihendaten 64 sind Reihendaten, die durch das Ausführen der oben genannten Differenzberechnung und Normalisierungsverarbeitung an den Originalreihendaten erfasst werden. Die Ausführungsreihenfolge der Differenzberechnung und des Normalisierungsprozesses beim Erfassen der standardisierten Differenzreihendaten 64 kann beliebig sein. Die folgende Formel 2 ist ein Beispiel für die Differenzberechnung.
    [Zahl 1] ys t   =   ( y t    mean ( y ) )   /  std ( y )
    Figure DE112021000332T5_0001
    [Zahl 1] Δ y t   =  y t    y t 1
    Figure DE112021000332T5_0002
  • Δyt gibt den Wert der Differenzreihen zum Zeitpunkt t an. yt gibt den Wert zum Zeitpunkt t-1 an, während yt-1 den Wert der Originalreihen zum Zeitpunkt t-1 angibt.
    yst gibt den Wert zum Zeitpunkt t nach der Standardisierung an. mean(y) gibt den Mittelwert der Reihendaten vor der Standardisierung an, während std(y) die Standardabweichung der Reihendaten vor der Standardisierung angibt. Bei der Standardisierungsberechnung und der Differenzberechnung werden die Berechnung der Messwerte zu jedem Zeitpunkt durch die oben genannten beiden Formeln durchgeführt.
  • Die Originalreihendaten 61 sind ein Beispiel für die ersten Reihendaten und zeigen direkt die Zeitreihen der Messwerte des piezoelektrischen Elements S. Die standardisierten Reihendaten 62 sind ein Beispiel für die zweiten Reihendaten. Die Differenzreihendaten 63 sind ein Beispiel der dritten Reihendaten. Die standardisierten Differenzreihendaten 64 sind Beispiele der vierten Reihendaten. Die standardisierten Reihendaten 62, die Differenzreihendaten 63 und die standardisierten Differenzreihendaten 64 geben jeweils indirekt die Zeitreihen der Messwerte des piezoelektrischen Elements S an. Das heißt, dass die Messwerte, die die Zeitreihendaten 6 konfigurieren, umfassen können: die von dem piezoelektrischen Element S erhaltenen Rohsignalwerte, die Signalwerte nach Anwenden einer Vorverarbeitung wie beispielsweise einer Rauschentfernung von den Rohsignalwerten (vorverarbeitete Signalwerte) und den Wert nach Anwenden einer gewissen arithmetischen Verarbeitung (z. B. Standardisierung, Schrittdifferenzarithmetik) auf den Rohsignalwert oder auf den vorverarbeiteten Signalwert. In der vorliegenden Ausführungsform erfasst die Datenerfassungseinheit 111 vom piezoelektrischen Element S die Rohdaten 120 und erzeugt die oben erwähnten Reihendaten 61 bis 64 aus den erhaltenen Rohdaten 120. Dadurch kann die Datenerfassungseinheit 111 die Zeitreihendaten 6 einschließlich der Originalreihendaten 61, der standardisierten Reihendaten 62, der Differenzreihendaten 63 und der standardisierten Differenzreihendaten 64 erfassen.
  • Die Berechnungseinheit 112 berechnet aus den erfassten Zeitreihendaten 6 mindestens ein Merkmal 71 bezüglich der Wellenform der in der Zeitreihe angeordneten Messwerte. Das Merkmal 71 ist ein Beispiel für das erste Merkmal. Das Merkmal 71 bezüglich der Wellenform ist eine Art von Merkmalen, deren Werte unterschiedlich sein können, wenn die Wellenformen unterschiedlich sind. Das Merkmal 71 kann beispielsweise ein Perzentilwert, eine Schiefe, eine Kurtosis, ein Minimalwert, ein Maximalwert oder dergleichen sein, die vorbestimmt sind. Der vorbestimmte Perzentilwert gibt die vorbestimmte Anzahl von Messwerten an, nachdem die Messwerte in der Reihenfolge vom kleinsten (oder größeten) angeordnet wurden, wobei angenommen wird, dass die Anzahl der Messwerte, die die Reihendaten bilden, 100 beträgt. Der Perzentilwert 50 ist der Median. Der Ordinalwert (vorbestimmter Wert) zum Erfassen des Perzentilwerts kann willkürlich ausgewählt werden. Um einen Wert zu erhalten, der die Form der Wellenform gut repräsentiert, beträgt der Wert dieser Ordnungszahl vorzugsweise 10 bis 40 oder 60 bis 90. Die Schiefe ist ein Index, der die Schiefe der Datenverteilung zeigt. Kurtosis ist ein Index für die Schärfe der Datenverteilung. Jeder Wert kann durch ein bekanntes Berechnungsverfahren berechnet werden.
  • Die Beurteilungseinheit 113 enthält die Lernergebnisdaten 225 und dadurch auch das trainierte Beurteilungsmodell 5, das durch maschinelles Lernen erzeugt wird. Die Beurteilungseinheit 113 beurteilt aufgrund des mindestens einen berechneten Merkmals 71 unter Verwendung des trainierten Beurteilungsmodells 5, ob ein Verhalten in Bezug auf ein Objekt ein Greifen ist oder nicht. Die Beurteilung, ob ein Verhalten in Bezug auf ein Objekt ein Greifen ist, kann die Beurteilung beinhalten, ob das Verhalten in Bezug auf das Objekt ein Greifen oder ein anderes Rauschverhalten ist. Das Rauschverhalten kann ein Verhalten des Ausübens einer Kraft auf das Objekt sein, beispielsweise durch vorübergehendes oder periodisches Anstoßen des Objekts. Um einen Wert zu erfassen, der die Wellenform gut repräsentiert, und eine Verbesserung der Genauigkeit der Greifbeurteilung zu erwarten, besteht das mindestens eine Merkmals 71 vorzugsweise aus einem Perzentilwert, einer Schiefe oder einer Kurtosis, die vorbestimmt sind, oder einer Kombination davon in dem obigen Beispiel.
  • In der vorliegenden Ausführungsform berechnet die Berechnungseinheit 112 ferner mindestens ein Merkmal 75 bezüglich der Amplitude aus den erfassten Zeitreihendaten 6. Das Merkmal 75 ist ein Beispiel für ein zweites Merkmal. Das auf die Amplitude bezogene Merkmal 75 ist eine Art von Merkmal, dessen Wert unterschiedlich sein kann, wenn die Amplituden (Größe des gemessenen Werts) unterschiedlich sind. Das Merkmal 75 kann beispielsweise ein Minimalwert, ein Maximalwert, eine Standardabweichung, ein vorbestimmter Perzentilwert oder dergleichen sein. Die Beurteilungseinheit 113 beurteilt ferner die Griff-Intensität in Bezug auf das Objekt aufgrund des mindestens einen berechneten Merkmal 75 unter Verwendung des trainierten Bestimmungsmodells 5. Um einen Wert zu erfassen, der die Amplitude gut repräsentiert, und um eine Verbesserung der Beurteilungsgenauigkeit der Griff-Intensität zu erwarten, wird das mindestens ein Merkmal 75 bevorzugt durch den Minimalwert, den Maximalwert oder die Standardabweichung im obigen Beispiel oder durch eine Kombination davon konfiguriert. Die Ausgabeeinheit 114 gibt das Ergebnis jeder Beurteilung aus.
  • <Modellerzeugungsvorrichtung>
  • 5 zeigt schematisch ein Beispiel für eine Softwarekonfiguration der Modellerzeugungsvorrichtung 2 gemäß der vorliegenden Ausführungsform. Die Steuereinheit 21 der Modellerzeugungsvorrichtung 2 entfaltet das in der Speichereinheit 22 gespeicherte Modellerzeugungsprogramm 82 im RAM. Die Steuereinheit 21 steuert jede Komponente, indem sie die Befehle interpretiert und ausführt, die im Modellerzeugungsprogramm 82 enthalten sind, das in dem RAM durch die CPU entfaltet wird. Dadurch operiert die Modellerzeugungsvorrichtung 2 gemäß der vorliegenden Ausführungsform wie ein Computer, der eine Datenerfassungseinheit 211, eine Lernverarbeitungseinheit 212 und eine Speicherverarbeitungseinheit 213 als Softwaremodule aufweist.
  • Die Datensammeleinheit 211 sammelt Lerndatensätze 3 zur Verwendung beim maschinellen Lernen. Jeder Lerndatensatz 3 besteht aus einer Kombination von Trainingsdaten 31 und Korrekte-Antwort-Label 32. Die Trainingsdaten 31 sind so konfiguriert, dass sie Daten des gleichen Typs wie die des mindestens einen Merkmals 71 beinhalten. Das Korrekte-Antwort-Label 32 ist konfiguriert, sodass es die korrekte Antwort (ob es ein Griff ist oder nicht) zum Verhalten in Bezug auf ein Objekt in den Trainingsdaten 31 angibt. Wenn die Greifbeurteilungsvorrichtung 1 beurteilt, ob das Verhalten in Bezug auf das Objekt ein Greifen oder ein anderes Rauschverhalten ist, ist das Korrekte-Antwort-Label 32 konfiguriert, sodass die korrekte Antwort dieses Beurteilungsprozesses angegeben wird. In der vorliegenden Ausführungsform ist das trainierte Beurteilungsmodell 5 so konfiguriert, dass auch die Griff-Intensität beurteilt wird. Daher sind in der vorliegenden Ausführungsform die Trainingsdaten 31 so konfiguriert, dass sie auch die Daten des gleichen Typs wie die des mindestens einen Merkmals 75 aufweisen. Ferner ist das Korrekte-Antwort-Label 32 konfiguriert, sodass auch die korrekte Antwort für die Griff-Intensität in den Trainingsdaten 31 angegeben wird.
  • Beispielsweise kann die Datenerfassungseinheit 211 vom piezoelektrischen Element S oder derselben Art von piezoelektrischem Element die Messdaten des Zeitintervalls, in dem das Verhalten in Bezug auf das Objekt spezifiziert wird, als Lern-Rohdaten 220 erfassen. Anschließend kann die Datensammeleinheit 211 aus den Lern-Rohdaten 220 die Lernzeitreihendaten 221 erzeugen, auf der gleichen Weise wie beim oben beschriebenen Fall mit der Datenerfassungseinheit 111. Die Lern-Rohdaten 220 entsprechen den oben genannten Rohdaten 120, während die Lernzeitreihendaten 221 den Zeitreihendaten 6 entsprechen. Als Nächstes kann die Datensammeleinheit 211 aus den Trainingszeitreihendaten 221 die Trainingsdaten 31 jedes Trainingsdatensatzes 3 erzeugen, indem dieselbe arithmetische Verarbeitung wie bei der oben genannten Berechnungseinheit 112 ausgeführt wird. Dann ordnet die Datensammeleinheit 211 die Informationen, die das spezifizierte Verhalten (ob Greifen oder nicht / die Griff-Intensität) angeben, als Korrekte-Antwort-Label 32 den entsprechenden Trainingsdaten 31 zu. Dadurch kann ein einzelner Lerndatensatz 3 erzeugt werden.
  • Die Lernverarbeitungseinheit 212 führt maschinelles Lernen des Beurteilungsmodells 5 unter Verwendung der Lerndatensätze 3 durch. Die Konfiguration des Beurteilungsmodells 5 ist nicht beschränkt und kann je nach der Ausführungsform entsprechend ausgewählt werden. Das Verfahren des maschinellen Lernens kann entsprechend der Konfiguration des Beurteilungsmodells 5 ausgewählt werden. Zur Konfiguration des Beurteilungsmodells 5 und zum Verfahren des maschinellen Lernens können eine bekannte Konfiguration und ein bekanntes Verfahren verwendet werden. In Folge der Durchführung dieses maschinellen Lernens und aufgrund des aus den Zeitreihendaten des piezoelektrischen Elements S berechneten Merkmals (Merkmal 71 / Merkmal 75) kann ein trainiertes Beurteilungsmodell 5 erzeugt werden, das die Fähigkeit erworben hat, zu beurteilen, ob ein Verhalten in Bezug auf ein Objekt ein Greifen oder nicht ist, und wie die Griff-Intensität ist.
  • Die Speicherverarbeitungseinheit 213 erzeugt das Ergebnis des maschinellen Lernens, d. h. die Informationen bezüglich des erzeugten trainierten Beurteilungsmodells 5 als die Lernergebnisdaten 225. Die Lernergebnisdaten 225 werden konfiguriert, sodass sie Informationen zum Reproduzieren des trainierten Beurteilungsmodells 5 umfassen. Die Speicherverarbeitungseinheit 213 speichert die erzeugten Lernergebnisdaten 225 in einem vorbestimmten Speicherbereich.
  • <Sonstiges>
  • Einzelne Softwaremodule der Greifbeurteilungsvorrichtung 1 und der Modellerzeugungsvorrichtung 2 werden detailliert in einem unten beschriebenen Betriebsbeispiel erläutert. In der vorliegenden Ausführungsform werden Beispiele beschrieben, in denen einzelne Softwaremodule der Greifbeurteilungsvorrichtung 1 und der Modellerzeugungsvorrichtung 2 durch eine Mehrzweck-CPU realisiert werden. Einige oder alle Softwaremodule können jedoch durch einen dezidierten Prozessor oder mehrere dezidierten Prozessoren implementiert werden. Das heißt, dass jedes der obigen Module als Hardwaremodul realisiert werden kann. In Bezug auf die Softwarekonfigurationen der Greifbeurteilungsvorrichtung 1 und der Modellerzeugungsvorrichtung 2 entsprechend der Ausführungsform können Softwaremodule weggelassen, ersetzt oder hinzugefügt werden. Die Lernergebnisdaten 225 werden nicht immer separat vom trainierten Beurteilungsmodell 5 erzeugt. Es kann auch den Fall geben, in dem nur das trainierte Beurteilungsmodell erzeugt wird, das die Lernergebnisdaten 225 reflektiert.
  • §3 Bedienungsbeispiel
  • [Modellerzeugungsvorrichtung]
  • 6 ist ein Flussdiagramm, das ein Beispiel einer Verarbeitungsprozedur zeigt, die sich auf das maschinelle Lernen des Beurteilungsmodells 5 durch die Modellerzeugungsvorrichtung 2 gemäß der vorliegenden Ausführungsform bezieht. Die Verarbeitungsprozedur der Modellerzeugungsvorrichtung 2 ist jedoch nur ein Beispiel, und jeder Schritt kann so weit wie möglich geändert werden. Bezüglich der folgenden Verarbeitungsprozedur der Modellerzeugungsvorrichtung 2 können Schritte nach Bedarf und gemäß der Ausführungsform weggelassen, ersetzt und hinzugefügt werden.
  • (Schritt S201)
  • In Schritt S201 fungiert die Steuereinheit 21 als Datensammeleinheit 211, die Lerndatensätze 3 sammelt.
  • Jeder Trainingsdatensatz 3 kann nach Bedarf erzeugt werden. Beispielsweise wird ein piezoelektrisches Element S oder ein piezoelektrisches Element des gleichen Typs vorbereitet. Das vorbereitete piezoelektrische Element wird an dem Objekt angebracht, für das ein Zeitpunkt der Beurteilung geplant ist. Dann wird verschiedenes Verhalten, einschließlich Greifen, an dem Objekt durchgeführt. Dadurch werden Lern-Rohdaten 220 erzeugt. Anschließend werden aus den Lern-Rohdaten 220 die Lern-Zeitreihendaten 221 erzeugt. In der vorliegenden Ausführungsform sind die Lern-Zeitreihendaten 221 so konfiguriert, dass sie die Originalreihendaten, die standardisierten Reihendaten, die Differenzreihendaten und die standardisierten Differenzreihendaten umfassen. Als nächstes wird aus den erzeugten Lern-Rohdaten 220 ein Merkmal desselben Typs wie der des obigen Merkmals 71 berechnet. Des Weiteren wird ein Merkmal desselben Typs wie der des Merkmals 75 aus den Lern-Rohdaten 220 berechnet. Als Ergebnis dieser Berechnungen können die berechneten Merkmale als Trainingsdaten 31 erfasst werden. Dann wird die Information, die das an dem Objekt durchgeführte Verhalten (ob es ein Greifen ist oder nicht / die Griff-Intensität) angibt, als Korrekte-Antwort-Label 32 mit den entsprechenden Trainingsdaten 31 korreliert. Durch diese Prozeduren können einzelne Lerndatensätze 3 erzeugt werden.
  • Jeder Lerndatensatz 3 kann automatisch durch den Betrieb eines Computers oder manuell erzeugt werden, indem die Bedieneroperation zumindest teilweise den Arbeitsprozess übernimmt. Jeder Lerndatensatz 3 kann durch die Modellerzeugungsvorrichtung 2 oder durch einen anderen Computer als die Modellerzeugungsvorrichtung 2 erzeugt werden. Wenn die Modellerzeugungsvorrichtung 2 die Lerndatensätze 3 erzeugt, sammelt die Steuereinheit 21 die Lerndatensätze 3 automatisch oder manuell, wobei der obige Erzeugungsprozess durch die Bedieneroperation ausgeführt wird. Wenn die Lerndatensätze 3 durch einen anderen Computer oder durch mehrere andere Computer erzeugt werden, sammelt die Steuereinheit 21 die Lerndatensätze 3 beispielsweise über ein Netzwerk, ein Speichermedium 92 oder dergleichen. Einige Lerndatensätze 3 können durch die Modellerzeugungsvorrichtung 2 erzeugt werden, während weitere Lerndatensätze 3 durch einen anderen Computer oder durch mehrere andere Computer erzeugt werden können.
  • Die Anzahl der zu sammelnden Lerndatensätze 3 ist nicht beschränkt und kann entsprechend der Ausführungsform bestimmt werden. Wenn mehrere Lerndatensätze 3 gesammelt werden, fährt die Steuereinheit 21 mit dem nächsten Schritt S202 fort.
  • (Schritt S202)
  • In Schritt S202 fungiert die Steuereinheit 21 als Lernverarbeitungseinheit 212, die das maschinelle Lernen des Beurteilungsmodells 5 unter Verwendung der erfassten Lerndatensätze 3 durchführt.
  • Das Beurteilungsmodell 5 weist mindestens einen arithmetischen Parameter zum Ableiten des Inferenzergebnisses auf. Das auf Objektdaten basierende Inferenzergebnis des Beurteilungsmodells 5 wird als Ausgabe vom Beurteilungsmodell 5 erfasst, indem die Objektdaten in das Beurteilungsmodell 5 eingegeben werden und die arithmetische Verarbeitung des Beurteilungsmodells 5 ausgeführt wird. Das Ausgabeformat des Beurteilungsmodells 5 ist nicht beschränkt und kann entsprechend der Ausführungsform bestimmt werden. Maschinelles Lernen wird durch das Trainieren des Beurteilungsmodells 5 für jeden Lerndatensatz 3 konfiguriert, sodass das Inferenzergebnis des Beurteilungsmodells 5 aufgrund der Trainingsdaten 31 mit dem entsprechenden Korrekte-Antwort-Label 32 übereinstimmt (d.h., dass der Wert des Betriebsparameters eingestellt wird).
  • Für das Beurteilungsmodell 5 kann beispielsweise ein maschinelles Lernmodell wie etwa ein Entscheidungsbaummodell, ein neuronales Netzwerk, ein Rückgabemodell oder eine Support-Vektor-Maschine verwendet werden. Als maschinelles Lernverfahren (Einstellungsverfahren von arithmetischen Parametern) kann beispielsweise ein bekanntes Verfahren wie beispielsweise ein Random Forest, ein Error-Back-Propagation-Verfahren oder eine Regressionsanalyse angewendet werden. Beispielsweise kann das Beurteilungsmodell 5 durch ein Entscheidungsbaummodell konfiguriert sein. In diesem Fall ist die Schwelle des Bedingungszweigs und dergleichen ein Beispiel für den Berechnungsparameter. Die Steuereinheit 21 stellt die Werte der arithmetischen Parameter des Entscheidungsbaummodells durch das Random-Forest-Verfahren als einen maschinellen Lernprozess ein. Als weiteres Beispiel kann das Beurteilungsmodell 5 durch ein neuronales Netzwerk konfiguriert werden. In diesem Fall sind die Gewichtung der Verbindung zwischen jedem Neuron, der Schwellenwert jedes Neurons und dergleichen Beispiele für arithmetische Parameter. Die Steuereinheit 21 stellt den Wert des Berechnungsparameters durch das Error-Back-Propagation-Verfahren als einen maschinellen Lernprozess ein.
  • Als Ergebnis des Durchführens dieses maschinellen Lernens und aufgrund des aus den Zeitreihendaten des piezoelektrischen Elements S berechneten Merkmals (Merkmal 71 / Merkmal 75) kann ein trainiertes Beurteilungsmodell 5 erzeugt werden, die Fähigkeit erworben hat, zu beurteilen, ob das Verhalten in Bezug auf das Objekt ein Greifen ist und wie die Griff-Intensität ist. Wenn das maschinelle Lernen abgeschlossen ist, fährt die Steuereinheit 21 mit dem nächsten Schritt S203 fort.
  • (Schritt S203)
  • In Schritt S203 fungiert die Steuereinheit 21 als Speicherverarbeitungseinheit 213, die die Lernergebnisdaten 225 erzeugt, die das erzeugte trainierte Beurteilungsmodell 5 angeben. Die Konfiguration der Lernergebnisdaten 225 ist nicht beschränkt, und gemäß der Ausführungsform geeignet bestimmt werden zu können, solange die Informationen zum Ausführen der oben beschriebenen Inferenz-(Beurteilungs-)Operation beibehalten werden können. Als ein Beispiel können die Lernergebnisdaten 225 aus der Konfiguration des Beurteilungsmodells 5 (zum Beispiel der Struktur des neuronalen Netzwerks usw.) und aus den Informationen bestehen, die die Werte der arithmetischen Parameter angeben, die durch die oben beschriebene Einstellung erfasst werden. Dann speichert die Steuereinheit 21 die erzeugten Lernergebnisdaten 225 in einem vorbestimmten Speicherbereich.
  • Der vorbestimmte Speicherbereich kann beispielsweise ein RAM in der Steuereinheit 21, eine Speichereinheit 22, eine externe Speichervorrichtung, ein Speichermedium oder eine Kombination davon sein. Das Speichermedium kann beispielsweise eine CD, eine DVD oder dergleichen sein, und die Steuereinheit 21 kann die Lernergebnisdaten 225 über das Laufwerk 27 in dem Speichermedium speichern. Der externe Speicher kann beispielsweise ein Datenserver wie NAS (Network Attached Storage) sein. In diesem Fall kann die Steuereinheit 21 die Lernergebnisdaten 225 unter Verwendung der Kommunikationsschnittstelle 23 über das Netzwerk im Datenserver speichern. Ferner kann die externe Speichervorrichtung beispielsweise eine externe Speichervorrichtung sein, die über die externe Schnittstelle 24 mit der Modellerzeugungsvorrichtung 2 verbunden ist.
  • Wenn die Speicherung der Lernergebnisdaten 225 abgeschlossen ist, beendet die Steuereinheit 21 die Verarbeitungsprozedur bezüglich dieses Betriebsbeispiels.
  • Die erzeugten Lernergebnisdaten 225 können der Greifbeurteilungsvorrichtung 1 zu jedem Zeitpunkt bereitgestellt werden. Beispielsweise kann die Steuereinheit 21 die Lernergebnisdaten 225 im Prozess von Schritt S203 oder separat von dem Prozess an die Greifbeurteilungsvorrichtung 1 übertragen. Die Greifbeurteilungsvorrichtung 1 kann die Lernergebnisdaten 225 erfassen, indem sie diese empfängt. Des Weiteren kann die Greifbeurteilungsvorrichtung 1 beispielsweise die Lernergebnisdaten 225 erfassen, indem sie über ein Netzwerk unter Verwendung der Kommunikationsschnittstelle 13 auf die Modellerzeugungsvorrichtung 2 oder auf den Datenserver zugreift. Ferner kann die Greifbeurteilungsvorrichtung 1 beispielsweise über das Speichermedium 91 die Lernergebnisdaten 225 erfassen. Die Lernergebnisdaten 225 können beispielsweise auch im Voraus in die Greifbeurteilungsvorrichtung 1 integriert werden.
  • Des Weiteren kann die Steuereinheit 21 die Lernergebnisdaten 225 durch periodisches oder unregelmäßiges Wiederholen der Schritte S201 bis S203 aktualisieren oder neu erzeugen. Bei dieser Wiederholung kann zumindest ein Teil der Trainingsdatensätze 3 geeigneterweise geändert, modifiziert, hinzugefügt und gelöscht werden. Außerdem kann die Steuereinheit 21 die aktualisierten oder neu erzeugten Lernergebnisdaten 225 durch ein beliebiges Verfahren der Greifbeurteilungsvorrichtung 1 bereitstellen. Dadurch können die von der Greifbeurteilungsvorrichtung 1 gehaltenen Lernergebnisdaten 225 aktualisiert werden.
  • [Greifbeurteilungsvorrichtung]
  • 7 ist ein Flussdiagramm, das ein Beispiel einer Verarbeitungsprozedur bezüglich einer Greifbeurteilung durch die Greifbeurteilungsvorrichtung 1 gemäß der vorliegenden Ausführungsform zeigt. Die folgende Verarbeitungsprozedur der Greifbeurteilungsvorrichtung 1 ist ein Beispiel für ein Greifbeurteilungsverfahren. Die folgende Verarbeitungsprozedur der Greifbeurteilungsvorrichtung 1 ist jedoch nur ein Beispiel, und jeder Schritt kann so weit wie möglich geändert werden. Bezüglich der folgenden Verarbeitungsprozedur der Greifbeurteilungsvorrichtung 1 können Schritte nach Bedarf gemäß der Ausführungsform weggelassen, ersetzt oder hinzugefügt werden.
  • [Schritt S101]
  • In Schritt S101 fungiert die Steuereinheit 11 als eine Datenerfassungseinheit 111, die Zeitreihendaten 6 erfasst, die Messwerte des an dem Objekt angebrachten piezoelektrischen Elements S in Zeitreihen zeigen.
  • In der vorliegenden Ausführungsform erfasst die Steuereinheit 11 die Zeitreihendaten 6 einschließlich der vier Reihendaten 61 bis 64. Beispielsweise kann die Steuereinheit 11 vorverarbeitete Daten erzeugen, indem sie von dem piezoelektrischen Element S Rohdaten 120 erfasst und eine Vorverarbeitung an den erfassten Rohdaten 120 durchführt. Die Vorbehandlung kann einen Prozess zum Entfernen einer DC-Komponente (Durchschnittswert) und einen Prozess zum Entfernen von Hochfrequenzrauschen durch gleitende Mittelung umfassen. Die Steuereinheit 11 kann die vorverarbeiteten Daten als die Original-Reihendaten 61 erfassen. Des Weiteren kann die Steuereinheit 11 die standardisierten Reihendaten 62 erzeugen, indem sie den Standardisierungsprozess (Berechnung der obigen Formel 1) an den erhaltenen vorverarbeiteten Daten (Originalreihendaten) ausführt. Ebenso kann die Steuereinheit 11 die Differenzreihendaten 63 erzeugen, indem sie eine Differenzoperation (die Berechnung der obigen Formel 2) an den erhaltenen vorverarbeiteten Daten ausführt. Die Steuereinheit 11 kann die standardisierten Differenzreihendaten 64 erzeugen, indem sie die Differenzberechnung an den vorverarbeiteten Daten und die standardisierende Berechnung an den durch die Differenzoperation erfassten Reihendaten ausführt. Die Vorverarbeitung kann im Prozess des Erzeugens jeder Datenreihe 61 bis 64 weggelassen werden. Durch das Ausführen dieser Prozesse kann die Steuereinheit 11 die Zeitreihendaten 6 einschließlich der vier Reihendaten 61 bis 64 erfassen. Als weiteres Beispiel kann der Prozess zum Erzeugen jeder der Reihendaten 61 bis 64 durch einen anderen Computer ausgeführt werden. In diesem Fall kann die Steuereinheit 11 die von einem anderen Computer erzeugten Zeitreihendaten 6 erfassen.
  • Die Zeitdauer der Zeitreihendaten 6 kann beliebig eingestellt werden. Beispielsweise, wie im unten beschriebenen Versuchsbeispiel gezeigt, kann die Zeitdauer der Zeitreihendaten 6 (d. h. jeder Reihendaten 61 bis 64) auf mehr als 400 ms eingestellt werden, um zwischen einem Rauschen von 4 Hz bis 30 Hz und einem Greifen mit hoher Genauigkeit zu unterscheiden. Wenn die Zeitreihendaten 6 erfasst sind, fährt die Steuereinheit 11 mit dem nächsten Schritt S102 fort.
  • (Schritt S102)
  • In Schritt S102 fungiert die Steuereinheit 11 als Berechnungseinheit 112, die das mindestens eine Merkmal 71 bezüglich der Wellenform der in einer Zeitreihe angeordneten Messwerte aus den erfassten Zeitreihendaten 6 berechnet. Das mindestens eine Merkmal 71 kann aus Perzentilwert, Dehnungsgrad oder Schärfe, die vorbestimmt sind, oder aus einer Kombination davon bestehen. Die Steuereinheit 11 kann das mindestens ein Merkmal 71 erfassen, indem sie mindestens eine dieser Arten von Merkmalen aus den Reihendaten 61 bis 64 berechnet.
  • Des Weiteren berechnet in der vorliegenden Ausführungsform die Steuereinheit 11 / die Berechnungseinheit 112 aus den erfassten Zeitreihendaten 6 das mindestens eine Merkmal 75 bezüglich der Amplitude. Mindestens ein Merkmal 75 kann aus einem Minimalwert, einem Maximalwert, einer Standardabweichung oder einer Kombination davon bestehen. Die Steuereinheit 11 kann das mindestens eine Merkmal 75 erfassen, indem sie mindestens eine dieser Arten von Merkmalen aus jeder der Reihendaten 61 bis 64 berechnet.
  • Die Typen und die Anzahl der zu berechnenden Merkmale (71, 75) zwischen den Reihendaten 61 bis 64 können miteinander übereinstimmen oder nicht. Der Typ und die Anzahl jedes Merkmals (71, 75), das aus allen Reihendaten 61 bis 64 berechnet wird, können gemäß der Ausführungsform ausgewählt werden. Für die standardisierten Reihendaten 62 und die standardisierten Differenzreihendaten 64 wird jedoch bevorzugt, andere Merkmale als die Standardabweichung auszuwählen. Nach dem Berechnen jedes Merkmals (71, 75) fährt die Steuereinheit 11 mit dem nächsten Schritt S103 fort.
  • (Schritt S103)
  • In Schritt S103 fungiert die Steuereinheit 11 als Beurteilungseinheit 113, die das trainierte Beurteilungsmodell 5 bezüglich der Lernergebnisdaten 225 einstellt. Dann beurteilt die Steuereinheit 11, ob ein Verhalten in Bezug auf ein Objekt ein Greifen oder nicht ist, unter Verwendung des trainierten Beurteilungsmodells 5 und aufgrund des mindestens einen berechneten Merkmals 71. Die Beurteilung, ob ein Verhalten in Bezug auf ein Objekt ein Greifen oder nicht ist, kann die Beurteilung einschließen, ob das Verhalten in Bezug auf das Objekt ein Greifen oder ein anderes Rauschverhalten ist. Des Weiteren berechnet die Steuereinheit 11 die Griff-Intensität in Bezug auf das Objekt unter Verwendung des trainierten Beurteilungsmodells 5 und aufgrund des mindestens einen berechnetes Merkmals 75. In der vorliegenden Ausführungsform gibt die Steuereinheit 11 das mindestens eine berechnete Merkmal 71 und das mindestens eine Merkmal 75 in das trainierte Beurteilungsmodell 5 ein und führt die arithmetische Verarbeitung des trainierten Beurteilungsmodells 5 aus. Dadurch erfasst die Steuereinheit 11 die Ausgabe, die dem Ergebnis der Beurteilung vom trainierten Beurteilungsmodell 5 entspricht. Wenn das Ergebnis der Beurteilung vom trainierten Beurteilungsmodell 5 erfasst wurde, fährt die Steuereinheit 11 mit dem nächsten Schritt S104 fort.
  • (Schritt S104)
  • In Schritt S104 fungiert die Steuereinheit 11 als Ausgabeeinheit 114, die Informationen bezüglich des Ergebnisses der Beurteilung ausgibt.
  • Das Ausgabeziel und der Inhalt der auszugebenden Informationen können entsprechend der Ausführungsform geeignet bestimmt werden. Beispielsweise kann die Steuereinheit 11 das Ergebnis der Beurteilung in Schritt S103 unverändert an die Ausgabevorrichtung 16 ausgeben. Als weiteres Beispiel kann die Steuereinheit 11 eine vorbestimmte Informationsverarbeitung basierend auf dem Ergebnis der Beurteilung ausführen. Die Steuereinheit 11 kann das Ergebnis der Ausführung der Informationsverarbeitung als Information bezüglich des Ergebnisses der Beurteilung ausgeben. Beispielsweise kann die Steuereinheit 11 basierend auf dem Ergebnis der Beurteilung in Schritt S103 ein Ein/Aus des Greifverhaltens (oder die Griff-Intensität) erkennen. Dann kann die Steuereinheit 11 eine Aktion gemäß dem Ein/Aus des Greifverhaltens ausführen.
  • Wenn die Ausgabe der Informationen bezüglich des Beurteilungsergebnisses abgeschlossen ist, beendet die Steuereinheit 11 die Verarbeitungsprozedur gemäß dem vorliegenden Betriebsbeispiel. Die Steuereinheit 11 kann kontinuierlich und wiederholt eine Reihe von Informationsverarbeitungen in den Schritten S101 bis S104 ausführen. Der Zeitpunkt der Wiederholung kann beliebig sein. Dadurch kann die Greifbeurteilungsvorrichtung 1 die Beurteilungsaufgabe hinsichtlich des Greifens in Bezug auf ein Objekt kontinuierlich durchführen. Beispielsweise kann die Steuereinheit 11 eine Reihe von Informationsverarbeitungen in Echtzeit ausführen. Das heißt, dass die Steuereinheit 11 eine Reihe von Informationsverarbeitungen in den Schritten S101 bis S104 für die in Echtzeit von dem piezoelektrischen Element S erfassten Daten ausführen kann. Als weiteres Beispiel kann die Steuereinheit 11 eine Reihe von Informationsverarbeitungen in den Schritten S101 bis S104 für die zuvor von dem piezoelektrischen Element S erfassten Daten ausführen.
  • [Versuchsbeispiel]
  • Um zu überprüfen, ob das Greifverhalten durch das obige Ausführungsbeispiel beurteilt werden kann oder nicht, wurde das folgende Experiment unter Verwendung eines handelsüblichen PC durchgeführt. Die vorliegende Erfindung ist nicht auf das folgende Versuchsbeispiel beschränkt.
  • Zuerst wurde ein Griff mit einem angebrachten piezoelektrischen Element vorbereitet. Unter Verwendung des vorbereiteten Griffs wurden die Messdaten (Lern-Rohdaten) jedes Verhaltens, kontaktlos, bei Greifen und bei Rauschen, erfasst. Kontaktlos bedeutet, dass kein Objekt den Griff berührt. Für das Rauschverhalten wurde das Verhalten des Klopfens an den Griff in einem Zyklus von etwa 1 Hz bis 5 Hz angewendet. Die Griff-Intensität wurde in drei Stufen unterteilt, und das Greifen jeder Intensität wurde gemessen. Das heißt, dass die Messdaten von jeder der fünf Verhaltensweisen kontaktlos, schwaches Greifen, mittleres Greifen, starkes Greifen und Rauschverhalten erfasst wurden. Die Zeitlänge der erfassten Messdaten betrug jeweils etwa 4 Minuten. 8A zeigt ein Exemplar von Messdaten, die im kontaktlosen Zustand erfasst wurden. 8B zeigt ein Beispiel von Messdaten, die während des Greifens (Intensität: mittel) erfasst wurden. 8C zeigt ein Exemplar von Messdaten, die während des Rauschverhaltens (Klopfen) erfasst wurden. In jeder Figur zeigt die horizontale Achse die Zeit, während die vertikale Achse den Wert nach einer Vorverarbeitung zeigt, bei der die DC-Komponente aus dem Messwert des piezoelektrischen Elements entfernt wurde.
  • Als nächstes wurden die erhaltenen Messdaten jedes Verhaltens in Daten mit einer Zeitlänge von 1000 ms, 500 ms, 400 ms und 300 ms aufgeteilt und die Lern-Zeitreihendaten (Originalreihendaten, standardisierte Reihendaten, Differenzreihendaten und standardisierte Differenzreihendaten) wurden für jeden Verhaltenstyp und jede Unterteilungszeitlänge erzeugt. 9A bis 9D zeigen ein Exemplar der Histogramme der Originalreihendaten (9A), der Differenzreihendaten (9B), der standardisierten Reihendaten (9C) und der standardisierten Differenzreihendaten (9D), die bei Kontaktlosigkeit erfasst wurden. 10A bis 10D zeigen ein Exemplar der Histogramme der Originalreihendaten (10A), der Differenzreihendaten (10B), der standardisierten Reihendaten (10C) und der standardisierten Differenzreihendaten (10D), die während eines Greifens (Intensität: mittel) erfasst wurden. 11A bis 11D zeigen ein Exemplar der Histogramme der Originalreihendaten (11A), der Differenzreihendaten (11B), der standardisierten Reihendaten (11C) und der standardisierten Differenzreihendaten (11D), die während eines Rauschverhaltens (Klopfen) erfasst wurden.
  • Anschließend wurde jedes Merkmal aus den erzeugten Lern-Zeitreihendaten (alle Reihendaten) berechnet. Für die Merkmale der Originalreihendaten und der Differenzreihendaten wurden 25. Perzentile, 50. Perzentile (Median), 75. Perzentile, Minimum, Maximum, Standardabweichung, Schärfe und Verzerrung ausgewählt. Für die Merkmale der standardisierten Reihendaten und der standardisierten Differenzreihendaten wurden 25. Perzentile, 50. Perzentile (Medianwert), 75. Perzentile, Minimalwert, Maximalwert, Kurtosis und Schiefe ausgewählt.
  • Aus jedem berechneten Merkmal wurden Trainingsdaten konfiguriert, und den erfassten Trainingsdaten wurde ein Korrekte-Antwort-Label zugeordnet, das jeden Verhaltenstyp angibt. Dadurch wurden mehrere Lerndatensätze für jede Zeitlänge der Zeitreihendaten erzeugt. Das heißt, dass ca. 240 Lerndatensätze, die Zeitreihendaten von 1000 ms entsprechen, ca. 480 Lerndatensätze, die Zeitreihendaten von 500 ms entsprechen, ca. 600 Lerndatensätze, die Zeitreihendaten von 400 ms entsprechen, und ca. 800 Lerndatensätze, die Zeitreihendaten von 300 ms entsprechen, erzeugt wurden.
  • Dann wurde unter Verwendung der erzeugten Lerndatensätze ein maschinelles Lernen des Beurteilungsmodells durchgeführt. Das Entscheidungsbaummodell wurde als Beurteilungsmodell verwendet, wobei die Random-Forest-Methode als maschinelles Lernverfahren angewendet wurde. Als Ergebnis dieses maschinellen Lernens wurde für jede Zeitlänge der Zeitreihendaten ein trainiertes Beurteilungsmodell erzeugt, das die Fähigkeit erworben hat, jedes obige Verhalten zu beurteilen.
  • Um die Leistung jedes erzeugten, trainierten Beurteilungsmodells zu bewerten, wurden weitere Messdaten zur Verifizierung jedes Verhaltens unter Verwendung eines vorbereiteten Griffs erfasst. Die Zeitlänge der erfassten Messdaten zur Verifizierung betrug jeweils ca. 30 Sekunden. Die erfassten Messdaten zur Verifizierung wurden in die entsprechenden Zeitlängendaten unterteilt, sodass ca. 30 Zeitreihendaten von 1000 ms, ca. 60 Zeitreihendaten von 500 ms, ca. 75 Zeitreihendaten von 400 ms und ca. 100 Zeitreihendaten von 300 ms für jeden Verhaltenstyp erzeugt wurden. Dadurch, dass jedes obige Merkmal aus den Zeitreihendaten jedes Falls berechnet wurde, und dass jedes berechnete Merkmal an das trainierte Beurteilungsmodell der entsprechenden Zeitlänge zugeordnet wurde, wurde verifiziert, ob jedes trainierte Beurteilungsmodell jedes Verhalten richtig unterscheiden konnte oder nicht.
  • 12 zeigt das Ergebnis der Berechnung der Unterscheidungsgenauigkeit jedes trainierten Beurteilungsmodells. Bei dieser Verifizierung wurde die Unterscheidungsgenauigkeit berechnet, indem das Greifverhalten der drei Intensitäten zu einer zusammengefasst wurde (das heißt, dass das Greifverhalten der drei Intensitäten als ein einziges Greifverhalten behandelt wurde). Wie in 12 gezeigt, überstieg die Unterscheidungsgenauigkeit des trainierten Beurteilungsmodells für jede Zeitlänge 90 %. Aus diesem Ergebnis ging hervor, dass es möglich ist, durch das maschinelle Lernen ein Beurteilungsmodell zu erzeugen, das die Fähigkeit aufweist, mit hoher Genauigkeit zu beurteilen, ob ein Verhalten in Bezug auf ein Objekt ein Greifen ist oder nicht, indem jedes obige Merkmal als erklärende Variable verwendet wird. Durch Einstellen der Zeitlänge der Zeitreihendaten auf 400 ms oder mehr steigt die Genauigkeit der Unterscheidung zwischen jedem Verhalten, insbesondere die Genauigkeit der Unterscheidung zwischen Rauschverhalten (Klopfen von ca. 1 Hz bis 5 Hz) und Greifverhalten 96 %. Aus diesem Ergebnis ging hervor, dass die Zeitlänge der Zeitreihendaten 400 ms oder mehr betragen sollte, um zwischen Klopfverhalten von 1 Hz oder höher (insbesondere 4 Hz bis 30 Hz) und Greifverhalten mit hoher Genauigkeit zu unterscheiden.
  • Als nächstes wurde die Genauigkeit der Beurteilung der Griff-Intensität verifiziert. Die Unterscheidungsgenauigkeit von schwachem und starkem Greifen durch das trainierte Beurteilungsmodell von 300 ms betrug 94,06 % und 87,38 %. Die Unterscheidungsgenauigkeit von schwachem und starkem Greifen durch das trainierte Beurteilungsmodell von 400 ms betrug 90,79 % und 89,61 %. Die Unterscheidungsgenauigkeit von schwachem und starkem Greifen durch das trainierte Beurteilungsmodell von 500 ms betrug 91,67 % und 95,08 %. Die Unterscheidungsgenauigkeit von schwachem und starkem Greifen durch das trainierte Beurteilungsmodell von 1000 ms betrug 96,67 % und 100 %. Aus diesem Ergebnis geht hervor, dass es durch Verwenden jedes Merkmals als erklärende Variable möglich ist, ein Beurteilungsmodell zu erzeugen, das die Fähigkeit hat, die Griff-Intensität durch maschinelles Lernen mit hoher Genauigkeit zu beurteilen.
  • Ferner wurde die Verteilung jedes durch die obige Berechnung erfassten Merkmals analysiert, um das Verhältnis zwischen der Unterscheidung jedes Verhaltens und jedes Merkmals zu untersuchen. 13A bis 13H zeigen die Verteilung von 25. Perzentilwert (13A), 75. Perzentilwert (13B), Dehnung (13C), Schärfe (13D), Minimalwert (13E), Maximalwert (13F), Standardabweichung (13G) und 50. Perzentilwert (13H), die aus den Originalreihendaten zur Verifizierung berechnet wurde, die bei Kontaktlosigkeit, Greifen und Rauschverhalten erfasst wurden. 14A bis 14H zeigen die Verteilung des 25. Perzentilwerts (14A), 75. Perzentilwerts (14B), Dehnung (14C), Schärfe (14D), Minimalwerts ( 14E), Maximalwerts (14F), Standardabweichung (14G) und 50. Perzentilwert (14H), die aus den Differenzreihendaten zur Verifizierung berechnet wurden, die bei Kontaktlosigkeit, Greifen und Rauschverhalten erfasst wurden. 15A bis 15G zeigen die Verteilung von 25. Perzentilwert (15A), 75. Perzentilwert (15B), Dehnung (15C), Schärfe (15D), Minimalwert (15E), Maximalwert (15F) und 50. Perzentilwert (15G), die aus standardisierten Reihendaten zur Verifizierung berechnet wurden, die bei Kontaktlosigkeit, Greifen und Rauschverhalten erfasst wurden. 16A bis 16G zeigen die Verteilung von 25. Perzentilwert (16A), 75. Perzentilwert (16B), Dehnung (16C), Schärfe (16D), Minimalwert (16E), Maximalwert (16F) und 50. Perzentilwert (16G), die aus den standardisierten Differenzreihendaten zur Verifizierung berechnet wurden, die bei Kontaktlosigkeit, Greifen und Rauschverhalten erfasst wurden.
  • Vorgegebene Perzentilwerte (insbesondere Werte wie 25. Perzentilwert und 75. Perzentilwert außer Medianwerte), Dehnung und Schärfe sind Beispiele für Merkmale, die durch die Wellenform des Messwerts beeinflusst werden (d.h., dass der Wert sich ändern kann, wenn die Form schwankt.) Wie in jeder Figur gezeigt, entstanden Unterschiede in der Verteilung von 25. Perzentilwert, 75. Perzentil, Dehnung und Schärfe, die aus den Reihendaten bei jedem Verhalten (insbesondere Greifen und Rauschverhalten) berechnet wurden. Aus diesem Ergebnis geht hervor, dass das Merkmal bezüglich der Wellenform des Messwerts für die Beurteilung des Greifverhaltens (insbesondere für die Unterscheidung zwischen Greif- und Rauschverhalten) wirksam ist. Zudem ergaben sich Unterschiede zwischen dem Verhalten auch aus bei den jeweiligen Reihendaten berechneten Minimal-, Maximal- und Medianwerten (50. Perzentilwert) sowie in der Verteilung der aus den Originalreihendaten und den Differenzreihendaten berechneten Standardabweichungen. Aus diesem Ergebnis geht hervor, dass Minimal-, Maximal- und Medianwert (auch die Standardabweichung für die Originalreihendaten und die Differenzreihendaten) ebenso verwendet werden können, um das Greifverhalten als Merkmal bezüglich der Wellenform der Messwerte zu beurteilen.
  • Ferner wurde die Verteilung jedes Merkmals analysiert, das aus den Zeitreihendaten bei Kontaktlosigkeit und Greifverhalten jeder Intensität erfasst wurden, um das Verhältnis zwischen der Griff-Intensität und jedem Merkmal zu untersuchen. 17A bis 17E zeigen die Verteilung von Minimalwert (17A), Maximalwert (17B), Standardabweichung (17C), 25. Perzentilwert (17D) und 75. Perzentilwert (17E), die aus den Originalreihendaten zur Verifizierung berechnet wurden, die bei Kontaktlosigkeit und Greifverhalten jeder Intensität erfasst wurden. 18A bis 18E zeigen die Verteilung von Minimalwert (18A), Maximalwert (18B), Standardabweichung (18C), 25. Perzentilwert (18D) und 75. Perzentilwert (18E), die aus den Originalreihendaten zur Verifizierung berechnet wurden, die bei Kontaktlosigkeit und Greifverhalten jeder Intensität erfasst wurden.
  • Minimalwert, Maximalwert und Standardabweichung sind Beispiele für Merkmale, die von der Amplitude des Messwerts beeinflusst werden (d. h., dass die Werte sich ändern können, wenn die Amplitude schwankt). Wie in den einzelnen Figuren gezeigt, korrelierte die Verteilung von Minimalwert, Maximalwert und Standardabweichungen mit der Griff-Intensität. Aus diesem Ergebnis geht hervor, dass das Merkmal bezüglich der Amplitude der Messwerte zum Beurteilen der Griff-Intensität wirksam ist. Zudem korrelierte die Verteilung der aus den Originalreihendaten und den Differenzreihendaten berechneten 25. und 75. Perzentilwerte mit der Griff-Intensität. Aus diesem Ergebnis geht hervor, dass auch ein vorbestimmter Perzentilwert als Merkmal bezüglich der Amplitude der Messwerte zum Beurteilen der Griff-Intensität verwendet werden kann.
  • [Eigenschaften]
  • Wie oben beschrieben, wird in der vorliegenden Ausführungsform in Schritt S103 das durch maschinelles Lernen erzeugte, trainierte Beurteilungsmodell 5 verwendet und das Merkmal 71 bezüglich der Wellenform der Messwerte, der aus den Zeitseriendaten 6 des piezoelektrischen Elements S berechnet wird, als erklärende Variable angewendet, um zu beurteilen, ob ein Verhalten in Bezug auf ein Objekt ein Greifen ist oder nicht. Gemäß der vorliegenden Ausführungsform ist es durch die Anwendung einer solchen Konfiguration, wie im obigen Versuchsbeispiel gezeigt, möglich, unter Verwendung des piezoelektrischen Elements S genau zu beurteilen, ob ein Verhalten in Bezug auf ein Objekt ein Greifen ist oder nicht.
  • In Schritt S103 der vorliegenden Ausführungsform werden das durch maschinelles Lernen erzeugte, trainierte Bestimmungsmodell 5 und zusätzlich mindestens ein Merkmal 75 verwendet, das sich auf die aus den Zeitreihendaten 6 des piezoelektrischen Elements S berechnete Amplitude bezieht, als erklärende Variable angewendet, um die Griff-Intensität in Bezug auf ein Objekt zu beurteilen. Gemäß der vorliegenden Ausführungsform kann durch Anwendung einer solchen Konfiguration die Griff-Intensität in Bezug auf ein Objekt mittels des piezoelektrische Elements S genau beurteilt werden, wie es im obigen Versuchsbeispiel gezeigt wurde.
  • Wenn versucht wird, ein Rauschen wie etwa ein Klopfen von einem Greifen auf der Grundlage des Mittelwerts der Messwerte zu unterscheiden, kann ein Rauschen mit der gleichen Intensität wie ein Greifen fälschlicherweise als Greifen beurteilt werden. Wenn das trainierte Beurteilungsmodell auf diese Weise konfiguriert ist, wird in ähnlicher Weise spekuliert, dass fehlerhafte Beurteilungen aufgrund des Mittelwerts der Messwerte auftreten können. In der vorliegenden Ausführungsform hingegen enthalten die Zeitreihendaten beim Lernen und bei der Inferenz standardisierte Reihendaten und standardisierte Differenzreihendaten. Gemäß der Standardisierungsoperation kann der Mittelwert von Zeitreihendaten auf einen konstanten Wert gesetzt werden. In Folge dessen kann die Möglichkeit einer fehlerhaften Beurteilung aufgrund des Mittelwerts der Messwerte reduziert werden, und es kann erwartet werden, dass die Genauigkeit der Beurteilung, ob ein Verhalten auf ein Objekt ein Greifen ist oder nicht (insbesondere die Unterscheidung, ob es sich um das Greifverhalten oder um ein Rauschverhalten handelt), verbessert wird.
  • In der vorliegenden Ausführungsform enthalten die Zeitreihendaten beim Lernen und bei der Inferenz die Differenzreihendaten und die standardisierten Differenzreihendaten. Gemäß der Differenzberechnung ist es möglich, die Schwankung (Rauschen) der Grundlinie im Signal des piezoelektrischen Elements S zu eliminieren. Das heißt, dass die Grundlinie des Signals bis zu einem gewissen Grad vereinheitlicht werden kann. Dadurch ist zu erwarten, dass die Beurteilungsgenauigkeit in Schritt S103 verbessert wird.
  • §4 Variationsbeispiel
  • Obwohl die Ausführungsformen der vorliegenden Erfindung oben ausführlich beschrieben wurden, ist die obige Beschreibung in jeder Hinsicht lediglich ein Beispiel der vorliegenden Erfindung. Selbstverständlich können verschiedene Verbesserungen oder Modifikationen vorgenommen werden, ohne vom Umfang der vorliegenden Erfindung abzuweichen. Beispielsweise sind die folgenden Änderungen möglich. Im Folgenden werden die gleichen Bezugszeichen für die gleichen Komponenten wie diejenigen in der obigen Ausführungsform verwendet, und die gleichen Punkte wie in der obigen Ausführungsform werden gegebenenfalls weggelassen. Die folgenden Modifikationen können nach Bedarf kombiniert werden.
  • <4.1>
  • In der obigen Ausführungsform sind die Zeitreihendaten beim Lernen und bei der Inferenz so konfiguriert, dass sie vier Reihendaten von Originalreihendaten, standardisierten Reihendaten, Differenzreihendaten und standardisierten Differenzreihendaten enthalten. Die Konfiguration von Zeitreihendaten muss jedoch nicht auf ein solches Beispiel beschränkt werden. Als Zeitreihendaten können mindestens eine der Originalreihendaten, der standardisierten Reihendaten, der Differenzreihendaten und der standardisierten Differenzreihendaten weggelassen werden.
  • <4.2>
  • In der obigen Ausführungsform ist das trainierte Beurteilungsmodell 5 so konfiguriert, dass es zwei Beurteilungen darüber durchführt, ob das Verhalten an einem Objekt ein Greifen ist oder nicht, und wie die Griff-Intensität ist. Die Konfiguration des trainierten Beurteilungsmodells 5 muss jedoch nicht auf ein solches Beispiel beschränkt sein. Eine der beiden Beurteilungen kann entfallen.
  • Wenn das trainierte Beurteilungsmodell 5 so konfiguriert wird, dass es nur die Fähigkeit hat, zu beurteilen, ob ein Verhalten in Bezug auf ein Objekt ein Greifen ist oder nicht, können in der maschinellen Lernphase die Daten in Bezug auf den Erwerb der Fähigkeit zur Beurteilung der Griff-Intensität von den Trainingsdaten 31 und vom Korrekte-Antwort-Label 32 weggelassen werden. Außerdem können in der Inferenz-(Beurteilungs-)Phase der Prozess zum Berechnen des Merkmals 75 und der Prozess zur Beurteilung der Griff-Intensität weggelassen werden.
  • Wenn das trainierte Beurteilungsmodell 5 so konfiguriert ist, dass es nur die Fähigkeit hat, die Griff-Intensität zu beurteilen, können in der maschinellen Lernphase Daten, die sich auf den Erwerb der Fähigkeit beziehen, zu beurteilen, ob ein Verhalten in Bezug auf ein Objekt ein Greifen ist oder nicht, von den Trainingsdaten 31 und vom Korrekte-Antwort-Label 32 weggelassen werden. Außerdem können in der Inferenzphase der Prozess zum Berechnen des Merkmals 71 und der Prozess zum Beurteilen des Verhaltens in Bezug auf ein Objekt weggelassen werden. Wenn das trainierte Beurteilungsmodell 5 so konfiguriert ist, dass es nur die Fähigkeit hat, die Griff-Intensität zu beurteilen, werden die Zeitreihendaten vorzugsweise so konfiguriert, dass sie zumindest entweder die Originalreihendaten oder die Differenzreihendaten enthalten.
  • Im obigen Versuchsbeispiel wird die Griff-Intensität in drei Stufen (schwach, mittel und stark) eingestellt. Die Skala der Griff-Intensität muss jedoch nicht auf solche Beispiele beschränkt werden. Die Griff-Intensität kann auf einen kontinuierlichen Wert oder auf eine beliebige Anzahl von Stufen geschätzt werden.
  • In der obigen Ausführungsform ist ein trainiertes Beurteilungsmodell 5 so konfiguriert, dass es die Fähigkeit aufweist, die obigen zwei Beurteilungen auszuführen. Die Anzahl der trainierten Beurteilungsmodelle muss jedoch nicht auf solche Beispiele beschränkt werden. Für jeden Beurteilungsprozess kann ein separates trainiertes Beurteilungsmodell bereitgestellt werden.
  • In dem obigen Versuchsbeispiel wurde die Beurteilung unter Verwendung der Zeitreihendaten durchgeführt, die durch Teilen der erhaltenen Zeitreihendaten in Längen von 400 ms oder mehr erfasst wurden. Möglich ist jedoch beispielsweise auch, dass die Schnittposition um 100 ms verschoben wird, wobei Daten mit einer Länge von 400 ms oder mehr erfasst und während der Überlappung beurteilt werden.
  • Bezugszeichenliste
  • 1
    Greifbeurteilungsvorrichtung
    11
    Steuereinheit,
    12
    Speichereinheit,
    13
    Kommunikationsschnittstelle,
    14
    externe Schnittstelle,
    15
    Eingabegerät,
    16
    Ausgabegerät,
    17
    Laufwerk,
    91
    Speichermedium,
    81
    Greifbeurteilungsprogramm,
    111
    Datenerfassungseinheit,
    112
    Berechnungseinheit,
    113
    Beurteilungseinheit,
    114
    Ausgabeeinheit,
    120
    Rohdaten
    2
    Modellerzeugungsvorrichtung
    21
    Steuereinheit,
    22
    Speichereinheit,
    23
    Kommunikationsschnittstelle,
    24
    externe Schnittstelle,
    25
    Eingabegerät,
    26
    Ausgabegerät,
    27
    Laufwerk,
    92
    Speichermedium,
    82
    Modellerzeugungsvorrichtung,
    211
    Datensammeleinheit,
    212
    Lernverarbeitungseinheit,
    213
    Speicherverarbeitungseinheit,
    220
    Lern-Rohdaten,
    221
    Lern-Zeitreihendaten,
    225
    Lernergebnisdaten,
    3
    Lerndatensätze
    31
    Trainingsdaten,
    32
    Korrekte-Antwort-Label,
    5
    Beurteilungsmodell,
    6
    Zeitreihendaten,
    61
    Originalreihendaten (die ersten Reihendaten),
    62
    standardisierte Reihendaten (die zweiten Reihendaten),
    63
    Differenzreihendaten (die dritten Reihendaten),
    64
    standardisierte Differenzreihendaten (die vierten Reihendaten),
    71
    Merkmal (das erste Merkmal),
    75
    Merkmal (das zweite Merkmal).
  • ZITATE ENTHALTEN IN DER BESCHREIBUNG
  • Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
  • Zitierte Patentliteratur
    • JP 2019113396 [0003]

Claims (14)

  1. Greifbeurteilungsvorrichtung, aufweisend eine Datenerfassungseinheit, die Zeitreihendaten erfasst, die die Messwerte eines an einem Objekt angebrachten piezoelektrischen Elements in Zeitreihen zeigt, eine Berechnungseinheit, die aus den erfassten Zeitreihendaten mindestens ein erstes Merkmal bezüglich der Wellenform der in Zeitreihen angeordneten Messwerte berechnet, eine Beurteilungseinheit, die unter Verwendung eines durch maschinelles Lernen erzeugten trainierten Beurteilungsmodells und basierend auf mindestens einem berechneten ersten Merkmal beurteilt, ob ein Verhalten in Bezug auf ein Objekt ein Greifen ist oder nicht, und eine Ausgabeeinheit, die ein Beurteilungsergebnis ausgibt.
  2. Greifbeurteilungsvorrichtung nach Anspruch 1, wobei die Zeitreihendaten die Erstreihendaten umfassen, die konfiguriert werden, indem die aus dem piezoelektrischen Element direkt erfassten Signalwerte in Zeitreihen angeordnet werden.
  3. Beurteilungsvorrichtung nach Anspruch 1 oder 2, wobei die Zeitreihendaten die Zweitreihendaten umfassen, die durch Standardisieren der Originalreihendaten erzeugt werden, die konfiguriert werden, indem die aus dem piezoelektrischen Element direkt erfassten Signalwerte in Zeitreihen angeordnet werden.
  4. Greifbeurteilungsvorrichtung nach einem der Ansprüche 1 bis 3, wobei die Zeitreihendaten die Drittreihendaten umfassen, die durch Berechnen der Differenzreihe der Originalreihendaten erzeugt werden, die konfiguriert werden, indem die aus dem piezoelektrischen Element direkt erfassten Signalwerte in Zeitreihen angeordnet werden.
  5. Greifbeurteilungsvorrichtung nach einem der Ansprüche 1 bis 4, wobei die Zeitreihendaten die Viertreihendaten umfassen, die durch Berechnen und Standardisieren der Differenzreihe der Originalreihendaten erzeugt werden, die konfiguriert werden, indem die aus dem piezoelektrischen Element direkt erfassten Signalwerte in Zeitreihen angeordnet werden.
  6. Greifbeurteilungsvorrichtung nach einem der Ansprüche 1 bis 5, wobei das mindestens eine erste Merkmal aus Perzentilwert, Dehnung oder Schärfe, die vorbestimmt sind, oder aus einer Kombination davon besteht.
  7. Greifbeurteilungsvorrichtung nach einem der Ansprüche 1 bis 6, wobei die Zeitlänge der Zeitreihendaten 400 ms oder mehr beträgt.
  8. Greifbeurteilungsvorrichtung nach einem der Ansprüche 1 bis 7, wobei die Beurteilung, ob ein Verhalten in Bezug auf ein Objekt ein Greifen ist oder nicht, die Beurteilung umfasst, ob ein Verhalten in Bezug auf ein Objekt ein Greifen oder ein anderes Rauschverhalten ist.
  9. Greifbeurteilungsvorrichtung nach einem der Ansprüche 1 bis 8, wobei die Berechnungseinheit ferner mindestens ein zweites amplitudenbezogenes Merkmal aus den erfassten Zeitreihendaten berechnet, und die Beurteilungseinheit ferner unter Verwendung des trainierten Beurteilungsmodells und aufgrund des berechneten mindestens einen zweiten Merkmals die Griff-Intensität in Bezug auf das Objekt beurteilt.
  10. Greifbeurteilungsvorrichtung nach Anspruch 9, wobei das mindestens eine Merkmal aus einem Minimalwert, einem Maximalwert, einer Standardabweichung oder einer Kombination davon besteht.
  11. Greifbeurteilungsvorrichtung, wobei ein Computer durchführt: den Schritt, Zeitreihendaten zu erfassen, die den Messwert des an einem Objekt angebrachten piezoelektrischen Elements in Zeitreihen zeigen, den Schritt, aus den erfassten Zeitreihendaten mindestens ein Merkmal bezüglich der Wellenform der in Zeitreihen angeordneten Messwerte zu berechnen, den Schritt, unter Verwendung des durch maschinelles Lernen erzeugten trainierten Bestimmungsmodells und aufgrund mindestens eines berechneten Merkmals zu beurteilen, ob ein Verhalten in Bezug auf ein Objekt ein Greifen ist oder nicht, und einen Schritt, ein Beurteilungsergebnis auszugeben.
  12. Greifbeurteilungsvorrichtung nach Anspruch 11, wobei das mindestens eine Merkmal aus Perzentilwert, Dehnungsgrad oder Schärfe, die vorbestimmt sind, oder aus einer Kombination davon besteht.
  13. Greifbeurteilungsprogramm, wobei ein Computer durchführt: den Schritt, Zeitreihendaten zu erfassen, die den Messwert des an einem Objekt angebrachten piezoelektrischen Elements in Zeitreihen zeigen, den Schritt, aus den erfassten Zeitreihendaten mindestens ein Merkmal bezüglich der Wellenform der in Zeitreihen angeordneten Messwerte zu berechnen, den Schritt, unter Verwendung des durch maschinelles Lernen erzeugten trainierten Bestimmungsmodells und aufgrund des mindestens einen berechneten Merkmals zu beurteilen, ob ein Verhalten in Bezug auf ein Objekt ein Greifen ist oder nicht, und den Schritt, ein Beurteilungsergebnis auszugeben.
  14. Greifbeurteilungsprogramm nach Anspruch 13, wobei das mindestens eine Merkmal aus Perzentilwert, Dehnung oder Schärfe, die vorbestimmt sind, oder aus einer Kombination davon besteht.
DE112021000332.1T 2020-06-12 2021-03-19 Greifbeurteilungsvorrichtung, Greifbeurteilungsmethode und Greifbeurteilungsprogramm Pending DE112021000332T5 (de)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020102181 2020-06-12
JP2020-102181 2020-06-12
PCT/JP2021/011421 WO2021250971A1 (ja) 2020-06-12 2021-03-19 グリップ判定装置、グリップ判定方法及びグリップ判定プログラム

Publications (1)

Publication Number Publication Date
DE112021000332T5 true DE112021000332T5 (de) 2022-09-22

Family

ID=78845543

Family Applications (1)

Application Number Title Priority Date Filing Date
DE112021000332.1T Pending DE112021000332T5 (de) 2020-06-12 2021-03-19 Greifbeurteilungsvorrichtung, Greifbeurteilungsmethode und Greifbeurteilungsprogramm

Country Status (3)

Country Link
JP (1) JP7355242B2 (de)
DE (1) DE112021000332T5 (de)
WO (1) WO2021250971A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116306937B (zh) * 2023-03-22 2023-11-10 中航信移动科技有限公司 一种基于时间序列离线数据的规则提取方法、介质及设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019113396A (ja) 2017-12-22 2019-07-11 三井化学株式会社 振動計測装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004237022A (ja) * 2002-12-11 2004-08-26 Sony Corp 情報処理装置および方法、プログラム、並びに記録媒体
WO2019017099A1 (ja) * 2017-07-20 2019-01-24 ソニー株式会社 電子機器、情報処理装置及び情報処理方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019113396A (ja) 2017-12-22 2019-07-11 三井化学株式会社 振動計測装置

Also Published As

Publication number Publication date
WO2021250971A1 (ja) 2021-12-16
JPWO2021250971A1 (de) 2021-12-16
JP7355242B2 (ja) 2023-10-03

Similar Documents

Publication Publication Date Title
DE112016007498B4 (de) Untersuchungseinrichtung und untersuchungsverfahren
DE102017009471A1 (de) Humankollaboratives robotersystem mit verbesserter genauigkeit der erfassung einer äusseren kraft durch maschinelles lernen
EP2064522B1 (de) Verfahren und vorrichtung zur überwachung des rauschens eines sensors
DE102018116696A1 (de) Verfahren zum Erzeugen von normalen Zustandsvorhersagedaten einer Anlage und Vorrichtung, die dasselbe verwendet
DE112018007597B4 (de) Diagnosevorrichtung, Diagnoseverfahren und Programm
DE102015208895A1 (de) Diagnostische-Daten-Extraktionsvorrichtung und Fahrzeugdiagnostikvorrichtung
DE112020007131T5 (de) Anomalie-diagnoseverfahren, anomalie-diagnosevorrichtung und anomalie-diagnoseprogramm
DE112018007550T5 (de) Lernvorrichtung, Inferenzvorrichtung, Verfahren und Programm
DE112018001724T5 (de) Informationsverarbeitungseinrichtung, informationsverarbeitungssystem, informationsverarbeitungsverfahren und programm
DE102021201777A1 (de) Verfahren zur Verhaltenserkennung, Vorrichtung zur Verhaltenserkennung und computerlesbares Aufzeichnungsmedium
DE112018004567T5 (de) Spektralanalyseeinrichtung und Spektralanalyseverfahren
DE112021000332T5 (de) Greifbeurteilungsvorrichtung, Greifbeurteilungsmethode und Greifbeurteilungsprogramm
DE112020003659T5 (de) Verfahren zur diagnose von anomalien, vorrichtung zur diagnose von anomalienund programm zur diagnose von anomalien
EP3391349B1 (de) Verfahren und vorrichtung zum klassieren von augenöffnungsdaten zumindest eines auges eines insassen eines fahrzeugs und verfahren und vorrichtung zum erfassen einer schläfrigkeit und/oder eines sekundenschlafes eines insassen eines fahrzeugs
DE102020125218A1 (de) Diagnosegerät
DE102020124166A1 (de) Nicht-invasive Messung der Biomarker-Konzentration
WO2018177526A1 (de) Robustheitsanalyse bei fahrzeugen
DE102018220476B4 (de) Verfahren und Vorrichtung zum Schätzen eines Beladungszustands eines Fahrzeugs
DE102017214241A1 (de) Verfahren und Vorrichtung zum Ermitteln eines Fahrverhaltens
DE102019217257A1 (de) Verfahren, Vorrichtung und Computerprogramm zur Freigabe eines Sensorsystems zur Erfassung von Objekten in einem Umfeld eines Fahrzeuges
DE112020006661T5 (de) Merkmalsmenge-extrahierungseinrichtung, zeitsequentielle inferenzvorrichtung,zeitsequentielles lernsystem, zeitsequentielles merkmalsemengeextrahierungsverfahren,zeitsequentielles inferenzverfahren und zeitsequentielles lernverfahren
DE602004012720T2 (de) Verfahren zur Qualitätskontrolle einer industriellen Anlage und System dafür
DE102018117484A1 (de) Verfahren und Vorrichtung zur Erfassung von Herzflimmern basierend auf einem hochempfindlichen Photopletysmogramm unter Verwendung einer tragbaren Vorrichtung
DE102017205437A1 (de) Robustheitsanalyse bei Fahrzeugen
EP3472759A1 (de) Verfahren und vorrichtung zum rechnergestützten analysieren mindestens eines zweiten eingabevektors eines zielsystems

Legal Events

Date Code Title Description
R012 Request for examination validly filed