JP2002337075A

JP2002337075A - 脚式移動ロボット及びその学習方法

Info

Publication number: JP2002337075A
Application number: JP2001144079A
Authority: JP
Inventors: Osamu Hanagata; 理花形
Original assignee: Sony Corp
Current assignee: Sony Corp
Priority date: 2001-05-15
Filing date: 2001-05-15
Publication date: 2002-11-26

Abstract

(57)【要約】【課題】教示された動作パターンを音声などの入力シ
ンボルと連想して記憶する。【解決手段】脚式移動ロボットは、比較的長い教示動
作やその他の行動を分節化するとともに、分節化された
各動作を、音声認識などにより認識された入力シンボル
と連想して記憶する。したがって、動作再生時において
は、比較的長い動作パターンを容易に指示することがで
きる。また、直接的には同一のものを学習していない行
動であっても、音声指示により入力されたシンボルから
連想していくことにより、指示により近い行動を発現す
ることができる。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、複数の関節自由度
を備えた脚式移動ロボット及びその学習方法に係り、特
に、教示された動作パターンを音声などの入力シンボル
と連想して記憶する脚式移動ロボット及びその学習方法
に関する。

【０００２】更に詳しくは、本発明は、教示された動作
パターンを分節化して記憶する脚式移動ロボット及びそ
の学習方法に係り、特に、教示された動作パターンを分
節化するとともに、分節化された動作パターンを音声な
どの入力シンボルと連想して記憶する脚式移動ロボット
及びその学習方法に関する。

【０００３】

【従来の技術】電気的若しくは磁気的な作用を用いて人
間の動作に似せた運動を行う機械装置のことを「ロボッ
ト」という。ロボットの語源は、スラブ語の"ＲＯＢＯ
ＴＡ(奴隷機械)"に由来すると言われている。わが国で
は、ロボットが普及し始めたのは１９６０年代末からで
あるが、その多くは、工場における生産作業の自動化・
無人化などを目的としたマニピュレータや搬送ロボット
などの産業用ロボット（industrial robot）であった。

【０００４】アーム式ロボットのように、ある特定の場
所に植設して用いるような据置きタイプのロボットは、
部品の組立・選別作業など固定的・局所的な作業空間で
のみ活動する。これに対し、移動式のロボットは、作業
空間は非限定的であり、所定の経路上または無経路上を
自在に移動して、所定の若しくは任意の人的作業を代行
したり、ヒトやイヌあるいはその他の生命体に置き換わ
る種々の幅広いサービスを提供することができる。なか
でも脚式の移動ロボットは、クローラ式やタイヤ式のロ
ボットに比し不安定で姿勢制御や歩行制御が難しくなる
が、階段や梯子の昇降や障害物の乗り越えや、整地・不
整地の区別を問わない柔軟な歩行・走行動作を実現でき
るという点で優れている。

【０００５】最近では、イヌやネコのように４足歩行の
動物の身体メカニズムやその動作を模したペット型ロボ
ット、あるいは、ヒトのような２足直立歩行を行う動物
の身体メカニズムや動作をモデルにしてデザインされた
「人間形」若しくは「人間型」と呼ばれるロボット（hu
manoid robot）など、脚式移動ロボットに関する研究開
発が進展し、実用化への期待もますます高まってきてい
る。例えば、ソニー株式会社は、平成１２年１１月２１
日に２足歩行の人間型ロボット"ＳＤＲ−３Ｘ"を公表し
た。

【０００６】ところで、ロボットに対して所定動作を教
え込むことを、「教示」若しくは「ティーチング」と呼
ぶ。動作教示には、例えば、作業現場においてオペレー
タ又はユーザが手取り足取り教える教示方式や、計算機
などロボット外部のエディタ上で動作パターンの入力・
作成・編集を行う教示方式などが挙げられる。また、ロ
ボットに学習機能を搭載することにより、作業空間にお
ける事象を逐次記憶させ次の行動に活用させることがで
きる。

【０００７】しかしながら、従来のロボットにおいて
は、動作教示を行うために、オペレータはロボットの操
作環境を相当程度理解し習熟する必要があり、教示・学
習作業の負担が過大であった。

【０００８】教示する対象が人間やイヌなどの知性を備
えた生身の動物である場合には、教示者は、この教示対
象に対して声を掛けながら身振り・手振り、あるいは手
取り・足取りで動作を入力することで所定の動作パター
ンを教え込む。そして、教示対象は、掛け声などの入力
シンボルと関連付けて動作パターンを覚えておく。した
がって、このような教示対象は、同じ掛け声を掛けられ
ると、掛け声を基に指示されている動作パターンを連想
して、指示された動作又は指示内容により近い動作を発
現することができる。

【０００９】なお、このような教示作業において、教示
された動作パターと関連付けて覚えておくシンボルの形
態は掛け声などの音声には必ずしも限定されない。例え
ば、所定のオブジェクトを見せるなど画像であったり、
頭部を触れるあるいは叩くなどのセンサ入力などをシン
ボルとしてもよい。

【００１０】このようなシンボルを連想して動作パター
ンを教示するという学習機能は、現実世界に則したもの
であり、オペレータにとっても直感的に理解し易い。さ
らに、複数のシンボルを時間軸上に並べたシンボル系列
を入力することによって、比較的長い動作パターンすな
わち行動を容易に指示することができる。しかしなが
ら、シンボルを連想して動作を記憶させるという学習機
能を脚式移動ロボットに適用した事例はいままで皆無に
等しい。

【００１１】ところで、ロボットに関する制御情報は、
一般に、センサや関節アクチュエータに関する連続的な
時系列データの集まりとして扱うことができる。他方、
時系列データのための学習機構として、リカレント・ニ
ューラル・ネットワークが有効であることが情報処理の
技術分野では知られている。

【００１２】ここで、ニューラル・ネットワークとは、
人間の脳における神経回路網を簡略化したモデルであ
り、神経細胞ニューロンが一方向にのみ信号を通過する
シナプスを介して結合されているネットワークを意味す
る。ニューロン間の信号の伝達はシナプスを介して行わ
れ、シナプスの抵抗、すなわち重みを適当に調整するこ
とによりさまざまな情報処理が可能となる。各ニューロ
ンは、他の１以上のニューロンからの出力をシナプスに
よる重み付けをして入力し、それら入力値の総和を非線
型応答関数の変形を加え、再度他のニューロンへ出力す
る。ニューラル・ネットワークによる制御では、摩擦や
粘性などの非線型問題にそのまま対応することができる
とともに、学習機能を備えているので、パラメータの設
定変更が不要になる。

【００１３】また、リカレント・ニューラル・ネットワ
ークは、内部にフィードバック結合を備えることで、１
周期前の情報をネットワーク内に持ち、これによって時
系列データの履歴を把握することができる仕組みになっ
ている。

【００１４】さらに、階層型リカレント・ニューラル・
ネットワークにより自動的に分節化して保存し、分節化
された各時系列データを組み合わせて運動制御を行うこ
とで、さまざまな運動を生成することができる。例え
ば、本出願人に既に譲渡されている特開平１１−１２６
１９８号公報には、時系列データの所定のパターンを選
択的に記憶するために、時系列データのパターンを自動
的に分節化できるように構成されたデータ処理装置およ
び方法について開示されている。

【００１５】膨大量の時系列データを分節化して階層的
に構成することにより、比較的少ない計算機負荷により
データを取り扱うことができる。例えば、教示されたロ
ボットの動作パターン・データを階層的に構成しておけ
ば、指示に応じて動作パターンを高速で取り出したり、
複数の動作パターンの合成処理を容易に行うことができ
る。

【００１６】

【発明が解決しようとする課題】本発明の目的は、教示
された動作パターンを音声などの入力シンボルと連想し
て記憶することができる、優れた脚式移動ロボット及び
その学習方法を提供することにある。

【００１７】本発明の更なる目的は、教示された動作パ
ターンを分節化して記憶することができる、優れた脚式
移動ロボット及びその学習方法を提供することにある。

【００１８】本発明の更なる目的は、教示された動作パ
ターンを分節化するとともに、分節化された動作パター
ンを音声などの入力シンボルと連想して記憶することが
できる、優れた脚式移動ロボット及びその学習方法を提
供することにある。

【００１９】

【課題を解決するための手段及び作用】本発明は、上記
課題を参酌してなされたものであり、その第１の側面
は、複数の関節自由度を持つ駆動部を備えた脚式移動ロ
ボットであって、前記駆動部に対して印加された教示行
動を分節化する分節化部と、入力された音声を認識して
シンボルに変換する音声認識部と、分節化された各動作
とシンボルとの相関を計算する相関計算部と、相関計算
結果に基づいて、シンボルと連想させて各動作を記憶す
る記憶部と、を具備することを特徴とする脚式移動ロボ
ットである。

【００２０】本発明の第１の側面に係る脚式移動ロボッ
トは、音声指示により入力されたシンボルから連想され
る動作を前記記憶部から取り出すとともに、取り出され
た各動作を逆分節化して行動を発現する動作再生部をさ
らに備えていてもよい。

【００２１】本発明の第１の側面に係る脚式移動ロボッ
トによれば、比較的長い教示動作やその他の行動を分節
化するとともに、分節化された各動作を、音声認識など
により認識された入力シンボルと連想して記憶するよう
になっている。したがって、動作再生時においては、比
較的長い動作パターンを容易に指示することができる。
また、直接的には同一のものを学習していない行動であ
っても、音声指示により入力されたシンボルから連想し
ていくことにより、指示により近い行動を発現すること
ができる。

【００２２】また、本発明の第２の側面は、複数の関節
自由度を持つ駆動部を備えた脚式移動ロボットのための
学習方法であって、前記駆動部に対して印加された教示
行動を分節化する分節化ステップと、入力された音声を
認識してシンボルに変換する音声認識ステップと、分節
化された各動作とシンボルとの相関を計算する相関計算
ステップと、相関計算結果に基づいて、シンボルと連想
させて各動作を記憶する記憶ステップと、を具備するこ
とを特徴とする脚式移動ロボットの学習方法である。

【００２３】本発明の第２の側面に係る脚式移動ロボッ
トの学習方法は、音声指示により入力されたシンボルか
ら連想される動作を取り出すとともに、取り出された各
動作を逆分節化して行動を発現する動作再生ステップを
さらに備えていてもよい。

【００２４】また、本発明の第３の側面は、複数の関節
自由度を持つ駆動部を備えた脚式移動ロボットのための
学習処理をコンピュータ・システム上で実行するように
記述されたコンピュータ・ソフトウェアをコンピュータ
可読形式で物理的に格納した記憶媒体であって、前記コ
ンピュータ・ソフトウェアは、前記駆動部に対して印加
された教示行動を分節化する分節化ステップと、入力さ
れた音声を認識してシンボルに変換する音声認識ステッ
プと、分節化された各動作とシンボルとの相関を計算す
る相関計算ステップと、相関計算結果に基づいて、シン
ボルと連想させて各動作を記憶する記憶ステップと、を
具備することを特徴とする記憶媒体である。

【００２５】本発明の第３の側面に係る記憶媒体におい
て、前記コンピュータ・ソフトウェアは、音声指示によ
り入力されたシンボルから連想される動作を取り出すと
ともに、取り出された各動作を逆分節化して行動を発現
する動作再生ステップをさらに備えていてもよい。

【００２６】本発明の第３の側面に係る記憶媒体は、例
えば、様々なプログラム・コードを実行可能な汎用コン
ピュータ・システムに対して、コンピュータ・ソフトウ
ェアをコンピュータ可読な形式で提供する媒体である。
このような媒体は、例えば、ＣＤ（Compact Disc）やＦ
Ｄ（Floppy Disk）、ＭＯ（Magneto-Optical disc）な
どの着脱自在で可搬性の記憶媒体である。あるいは、ネ
ットワーク（ネットワークは無線、有線の区別を問わな
い）などの伝送媒体などを経由してコンピュータ・ソフ
トウェアを特定のコンピュータ・システムに提供するこ
とも技術的に可能である。

【００２７】このような記憶媒体は、コンピュータ・シ
ステム上で所定のコンピュータ・ソフトウェアの機能を
実現するための、コンピュータ・ソフトウェアと記憶媒
体との構造上又は機能上の協働的関係を定義したもので
ある。換言すれば、本発明の第３の側面に係る記憶媒体
を介して所定のコンピュータ・ソフトウェアをコンピュ
ータ・システムにインストールすることによって、コン
ピュータ・システム上では協働的作用が発揮され、本発
明の第１の側面に係る脚式移動ロボット、あるいは本発
明の第２の側面に係る脚式移動ロボットの学習方法と同
様の作用効果を得ることができる。

【００２８】本発明のさらに他の目的、特徴や利点は、
後述する本発明の実施例や添付する図面に基づくより詳
細な説明によって明らかになるであろう。

【００２９】

【発明の実施の形態】以下、図面を参照しながら本発明
の実施例を詳解する。

【００３０】図１には、本発明を実施に供される、四肢
による脚式歩行を行う脚式移動ロボット１の外観構成を
示している。図示の通り、この脚式移動ロボット１は、
四肢を有する動物の形状や構造をモデルにして構成され
た多関節型の移動ロボットである。とりわけ本実施形態
に係る脚式移動ロボット１は、愛玩動物の代表例である
イヌの形状及び構造を模してデザインされたペット型ロ
ボットという側面を有し、例えば人間の住環境において
人間と共存するとともに、ユーザ操作に応答した動作表
現することができる。

【００３１】脚式移動ロボット１は、胴体部ユニット２
と、頭部ユニット３と、尻尾４と、四肢すなわち脚部ユ
ニット６Ａ〜６Ｄで構成される。

【００３２】胴体部ユニット２には、機体動作を統括的
にコントロールする制御ユニット（後述：図１には図示
せず）や、機体の主電源であるバッテリ２１（図１には
図示しない）が収容されている。

【００３３】頭部ユニット３は、ロール、ピッチ及びヨ
ーの各軸方向（図示）の自由度を持つ首関節７を介し
て、胴体部ユニット２の略前上端に配設されている。ま
た、頭部ユニット３には、イヌの「目」に相当するＣＣ
Ｄ（Charge Coupled Device：電荷結合素子）カメラな
どの画像認識部１５と、「耳」に相当するマイクロフォ
ン１６と、「口」に相当するスピーカ１７と、触感に相
当するタッチ・センサ１８と、複数のＬＥＤインジケー
タ１９と、ユーザからリモート・コントローラ（図示し
ない）を介して送信される指令を受信するリモート・コ
ントローラ受信部２０が搭載されている。これら以外に
も、生体の五感を構成するセンサを含んでいても構わな
い。

【００３４】尻尾４は、ロール及びピッチ軸の自由度を
持つ尻尾関節８を介して、胴体部ユニット２の略後上端
に湾曲若しくは揺動自在に取り付けられている。

【００３５】脚部ユニット６Ａ及び６Ｂは前足を構成
し、脚部ユニット６Ｃ及び６Ｄは後足を構成する。各脚
部ユニット６Ａ〜６Ｄは、それぞれ、大腿部ユニット９
Ａ〜９Ｄ及び脛部ユニット１０Ａ〜１０Ｄの組み合わせ
で構成され、胴体部ユニット２の底面では、前後左右の
各隅部に取り付けられている。大腿部ユニット９Ａ〜９
Ｄは、ロール、ピッチ、ヨーの各軸の自由度を持つ股関
節１１Ａ〜１１Ｄによって、胴体部ユニット２の各々の
所定部位に連結されている。また、大腿部ユニット９Ａ
〜９Ｄと脛部ユニット１０Ａ〜１０Ｄの間は、ロール及
びピッチ軸の自由度を持つ膝関節１２Ａ〜１２Ｄによっ
て連結されている。

【００３６】図示のように構成された脚式移動ロボット
１は、後述する制御部からの指令により各関節アクチュ
エータを駆動することによって、例えば、頭部ユニット
３を上下左右に振らせたり、尻尾４を振らせたり、各足
部ユニット６Ａ〜６Ｄを同期協調的に駆動させて歩行や
走行などの動作を実現することができる。

【００３７】なお、脚式移動ロボット１の関節自由度
は、実際には各軸毎に配備され関節アクチュエータ（図
１には図示しない）の回転駆動によって提供される。ま
た、脚式移動ロボット１が持つ関節自由度の個数は任意
であり、本発明の要旨を限定するものではない。

【００３８】図２には、本実施形態に係る脚式移動ロボ
ット１の電気・制御系統の構成図を模式的に示してい
る。同図に示すように、脚式移動ロボット１は、全体の
動作の統括的制御やその他のデータ処理を行う制御部２
０と、入出力部４０と、駆動部５０と、電源部６０とで
構成される。以下、各部について説明する。

【００３９】入出力部４０は、入力部として移動ロボッ
ト１の目に相当するＣＣＤカメラ１５や、耳に相当する
マイクロフォン１６、触感に相当するタッチ・センサ１
８など、五感に相当する各種のセンサを含む。また、出
力部として、口に相当するスピーカ１７などを装備して
いる。これら出力部は、脚などによる機械運動パターン
以外の形式で脚式移動ロボット１からの機体動作をベー
スとしたユーザ・フィードバックを表現することができ
る。

【００４０】脚式移動ロボット１は、カメラ１５を含む
ことで、作業空間上に存在する任意の物体の形状や色彩
を認識することができる。また、脚式移動ロボット１
は、カメラのような視覚手段の他に、赤外線、音波、超
音波、電波などの発信波を受信する受信装置をさらに備
えていてもよい。この場合、各伝送波を検知するセンサ
出力に基づいて発信源からの位置や向きを計測すること
ができる。

【００４１】駆動部５０は、制御部２０が指令する所定
の運動パターンに従って歩行ロボット１の機械運動を実
現する機能ブロックであり、首関節、肩関節、肘関節、
体幹関節、股関節、膝関節、足首関節などのそれぞれの
関節におけるロール、ピッチ、ヨーなど各軸毎に設けら
れた駆動ユニットで構成される。図示の例では、歩行ロ
ボット１はｎ個の関節自由度を有し、したがって駆動部
５０はｎ個の駆動ユニットで構成される。各駆動ユニッ
トは、所定軸回りの回転動作を行うモータ５１と、モー
タ５１の回転位置を検出するエンコーダ５２と、エンコ
ーダ５２の出力に基づいてモータ５１の回転位置や回転
速度を適応的に制御するドライバ５３の組み合わせで構
成される。

【００４２】電源部６０は、その字義通り、歩行ロボッ
ト１内の各電気回路等に対して給電を行う機能モジュー
ルである。本実施例に係る歩行ロボット１は、バッテリ
を用いた自律駆動式であり、電源部６０は、充電バッテ
リ６１と、充電バッテリ６１の充放電状態を管理する充
放電制御部６２とで構成される。

【００４３】充電バッテリ６１は、例えば、複数本のニ
ッケル・カドミウム電池セルをカートリッジ式にパッケ
ージ化した「バッテリ・パック」という形態で構成され
る。

【００４４】また、充放電制御部６２は、バッテリ６１
の端子電圧や充電／放電電流量、バッテリ６１の周囲温
度などを測定することでバッテリ６１の残存容量を把握
し、充電の開始時期や終了時期などを決定するようにな
っている。

【００４５】制御部２０は、「頭脳」に相当し、例えば
移動ロボット１の頭部ユニット３あるいは胴体部ユニッ
ト２に搭載される。

【００４６】図３には、制御部２０の構成をさらに詳細
に図解している。同図に示すように、制御部２０は、メ
イン・コントローラとしてのＣＰＵ（Central Processi
ng Unit）２１が、メモリその他の各回路コンポーネン
トや周辺機器とバス接続された構成となっている。バス
２７上の各装置にはそれぞれに固有のアドレス（メモリ
・アドレス又はＩ／Ｏアドレス）が割り当てられてお
り、ＣＰＵ２１はアドレス指定することでバス２７上の
特定の装置と通信することができる。

【００４７】ＲＡＭ（Random Access Memory）２２は、
ＤＲＡＭ（Dynamic RAM）などの揮発性メモリで構成さ
れた書き込み可能メモリであり、ＣＰＵ２１が実行する
ロボット制御用のプログラム・コードをロードしたり、
作業データの一時的な保存のために使用される。

【００４８】ＲＯＭ（Read Only Memory）２３は、プロ
グラムやデータを恒久的に格納する読み出し専用メモリ
である。ＲＯＭ２３に格納されるプログラム・コードに
は、脚式移動ロボット１の電源投入時に実行する自己診
断テスト・プログラムや、移動ロボット１の動作を規定
する制御プログラム（ファームウェア）などが挙げられ
る。

【００４９】本実施形態では、脚式移動ロボット１の制
御プログラムには、リカレント・ニューラル・ネットワ
ーク（ＲＮＮ）に基づく学習機能が適用されている。リ
カレント・ニューラル・ネットワークによれば、時系列
的な学習を行うことができる。例えば、モーション・キ
ャプチャなどにより取り込まれる運動パターンを、階層
型リカレント・ニューラル・ネットワークにより自動的
に分節化して保存し、分節化された各時系列データを組
み合わせて運動制御を行うことで、さまざまな運動を生
成することができる。但し、リカレント・ニューラル・
ネットワークの構成やリカレント・ニューラル・ネット
ワークを用いた学習・教示機構の詳細については後述に
譲る。

【００５０】不揮発性メモリ２４は、例えばＥＥＰＲＯ
Ｍ（Electrically Erasable and Programmable ROM）の
ように、電気的に消去再書き込みが可能なメモリ素子で
構成され、逐次更新すべきデータを不揮発的に保持する
ために使用される。逐次更新すべきデータには、例え
ば、脚式移動ロボット１の行動パターンを規定するモデ
ル（感情モデル、本能モデル）などが挙げられる。

【００５１】インターフェース２５は、制御部２０外の
機器と相互接続し、データ交換を可能にするための装置
である。インターフェース２５は、例えば、カメラ１５
やマイクロフォン１６、スピーカ１７との間でデータ入
出力を行う。また、インターフェース２５は、駆動部５
０内の各ドライバ５３−１…との間でデータやコマンド
の入出力を行う。また、インターフェース２５は、電源
部６０との間で充電開始及び充電終了信号の授受を行う
こともできる。

【００５２】また、インターフェース２５は、ＲＳ（Re
commended Standard）−２３２Ｃなどのシリアル・イン
ターフェース、ＩＥＥＥ（Institute of Electrical an
d electronics Engineers）１２８４などのパラレル・
インターフェース、ＵＳＢ（Universal Serial Bus）イ
ンターフェース、ｉ−Ｌｉｎｋ（ＩＥＥＥ１３９４）イ
ンターフェース、ＳＣＳＩ（Small Computer System In
terface）インターフェースなどのような、コンピュー
タの周辺機器接続用の汎用インターフェースを備え、ロ
ーカル接続された外部機器との間でプログラムやデータ
の移動を行うようにしてもよい。

【００５３】また、インターフェース２５の１つとして
赤外線通信（ＩｒＤＡ）インターフェースを備え、外部
機器と無線通信を行うようにしてもよい。赤外線通信の
ための送受信部は、例えば頭部ユニットなどのように、
歩行ロボット１本体の先端部に設置されることが受信感
度の観点から好ましい。

【００５４】さらに、制御部２０は、無線通信インター
フェース２６ネットワーク・インターフェース・カード
（ＮＩＣ）２７を含み、"ｂｌｕｅｔｏｏｔｈ"や"．１
１Ｂ"のような近接無線通信、あるいはＬＡＮ（Local A
rea Network：例えばEthernet）やインターネットを経
由して、外部のホスト・コンピュータ１００とデータ通
信を行うことができる。

【００５５】このようなロボットとホストコンピュータ
間のデータ通信の目的は、遠隔のコンピュータ資源を用
いて脚式移動ロボット１の動作をリモート・コントロー
ルすることである。また、該データ通信の他の目的は、
動作モデルやその他のプログラム・コードなどロボット
１の動作制御に必要なデータやプログラムをネットワー
ク経由で歩行ロボット１に供給することにある。また、
該データ通信の他の目的は、モーション・キャプチャや
ティーチング・ペンダントなどにより得られた教示デー
タをロボット側に転送することにある（勿論、オペレー
タが脚式移動ロボット１の機体に対して外力を印加する
ことによって直接教示することも可能である）。

【００５６】脚式移動ロボット１の動作制御は、現実に
は、ＣＰＵ２１において所定のソフトウェア・プログラ
ムを実行することによって実現する。図４には、本実施
形態に係る脚式移動ロボット１上で稼動するソフトウェ
ア制御構成を模式的に示している。

【００５７】同図に示すように、ロボット制御用のソフ
トウェアは、複数層のソフトウェアで構成される階層構
造を備えている。制御用ソフトウェアにはオブジェクト
指向プログラミングを採り入れることができる。この場
合、各ソフトウェアは、データとそのデータに対する処
理手続きとを一体化させた「オブジェクト」というモジ
ュール単位で扱われる。

【００５８】最下層のデバイス・ドライバは、各関節ア
クチュエータの駆動やセンサ出力の受信などハードウェ
アに対して直接アクセスすることを許容されたオブジェ
クトであり、ハードウェアからの割り込み要求に応答し
て該当する処理を行うようになっている。

【００５９】仮想ロボットは、各種デバイス・ドライバ
と所定のオブジェクト間通信プロトコルに基づいて動作
するオブジェクトとの仲介となるオブジェクトである。
脚式移動ロボット１を構成する各ハードウェア装置への
アクセスは、この仮想ロボットを介して行われる。

【００６０】サービス・マネージャは、コネクション・
ファイルに記述されたオブジェクト間の接続情報を基
に、各オブジェクトに接続を促すシステム・オブジェク
トである。

【００６１】システム層より上位のソフトウェアは、オ
ブジェクト（プロセス）毎にモジュール化されており、
必要な機能毎にオブジェクトを選択して置換容易な構成
になっている。したがって、コネクション・ファイルを
書き換えることで、データ型が一致するオブジェクトの
入出力を自由に接続することができる。

【００６２】デバイス・ドライバ層とシステム層以外の
ソフトウェア・モジュールは、ミドルウェア層とアプリ
ケーション層に大別される。

【００６３】図５には、ミドルウェア層の内部構成を模
式的に図解している。

【００６４】ミドルウェア層は、脚式移動ロボット１の
基本的な機能を提供するソフトウェア・モジュールの集
まりであり、各モジュールの構成は脚式移動ロボット１
の機械的・電気的な特性や仕様、形状などハードウェア
属性の影響を受ける。

【００６５】このミドルウェア層は、機能的に、認識系
のミドルウェア（図５の左半分）と、出力系のミドルウ
エア（図５の右半分）に分けることができる。

【００６６】認識系のミドルウェアでは、画像データや
音声データ、その他のセンサから得られる検出データな
ど、ハードウェアから供給される生データを仮想ロボッ
ト経由で受け取ってこれらを処理する。すなわち、各種
入力情報に基づき、音声認識、距離検出、姿勢検出、接
触、動き検出、色認識などの処理を行い、認識結果を得
る（例えば、「ボールを検出した」、「転倒を検出し
た」、「撫でられた」、「叩かれた」、「ドミソの音階
が聞こえた」、「（動く物体を）検出した」、「（障害
物を）検出した」、「（障害物を）認識した」など）。
認識結果は、入力セマンティクス・コンバータを介して
上位のアプリケーション層に通知され、その後の行動計
画や学習などに利用される。

【００６７】一方、出力系のミドルウェアでは、歩行、
動きの再生、出力音の合成、目に相当するＬＥＤの点灯
制御などの機能を提供する。すなわち、アプリケーショ
ン層において立案された行動計画を出力セマンティクス
・コンバータを介して受信処理して、脚式移動ロボット
１の各機能毎にロボットの各ジョイントのサーボ指令値
や出力音、出力光（ＬＥＤ）、出力音声などを生成し
て、出力すなわち仮想ロボットを介して脚式移動ロボッ
ト１の機体動作として発現する。このような仕組みによ
り、アプリケーション層は、関節アクチュエータに対す
る制御指令のような物理的なコマンドではなく、より抽
象的な行動コマンド（例えば、前進、後退、喜ぶ、吼え
る、寝る、体操する、驚く、トラッキングするなど）を
与えることで、脚式移動ロボット１を制御することがで
きる。

【００６８】また、図６には、アプリケーション層の内
部構成を模式的に図解している。アプリケーション層
は、脚式移動ロボット１の機体動作や本能・感情などの
内部状態を制御する１以上のアプリケーション・ソフト
ウェアで構成される。

【００６９】アプリケーションは、入力セマンティクス
・コンバータ経由で受け取った認識結果を使って、脚式
移動ロボット１の行動計画を決定して、出力セマンティ
クス・コンバータ経由で決定された行動を返すようにな
っている。

【００７０】アプリケーションは、ロボットの感情をモ
デル化した感情モデルと、本能をモデル化した本能モデ
ルと、外部事象を逐次記憶していく学習モジュールと、
行動パターンをモデル化した行動モデルと、行動モデル
によって決定された行動の出力先を切り替える行動切替
部とで構成される。

【００７１】入力セマンティクス・コンバータ経由で入
力される認識結果は、感情モデル、本能モデル、行動モ
デルに入力されるとともに、学習モジュールには学習教
示信号として入力される。

【００７２】行動モデルによって決定された脚式移動ロ
ボット１の行動は、行動切替部並びに出力セマンティク
ス・コンバータ経由でミドルウェアに送信され、脚式移
動ロボット１の機体上で実行される。あるいは、行動切
替部を介して、行動履歴として感情モデル、本能モデ
ル、学習モジュールに、行動履歴として供給される。

【００７３】感情モデルと本能モデルは、それぞれ認識
結果と行動履歴を入力に持ち、感情値と本能値を管理し
ている。行動モデルは、これら感情値や本能値を参照す
ることができる。また、学習モジュールは、学習教示信
号に基づいて行動選択確率を更新して、更新内容を行動
モデルに供給する。

【００７４】本実施形態に係る学習モジュールは、モー
ション・キャプチャやティーチング・ペンダントなどの運
動教示装置（図示しない）や、あるいは機体への直接教
示操作を介して取得された時系列データと、関節角度パ
ラメータとを関連付けて、時系列データとして学習する
ようになっている。時系列データの学習のために、リカ
レント・ニューラル・ネットワーク構成を採用する。

【００７５】ここで、ニューラル・ネットワークとは、
人間の脳における神経回路網を簡略化したモデルのこと
であり、神経細胞ニューロンが一方向にのみ信号を通過
するシナプスを介して結合されているネットワークを意
味する。ニューロン間の信号の伝達はシナプスを介して
行われ、シナプスの抵抗、すなわち重みを適当に調整す
ることによりさまざまな情報処理が可能となる。各ニュ
ーロンは、他の１以上のニューロンからの出力をシナプ
スによる重み付けをして入力し、それら入力値の総和を
非線型応答関数の変形を加え、再度他のニューロンへ出
力する。

【００７６】また、リカレント・ニューラル・ネットワ
ークでは、各ユニットにおける過去の出力がネットワー
ク内の他のユニット（あるいは自分自身）に戻されるよ
うな結合関係が許容される。したがって、時間に依存し
て各ニューロンの状態が変化するような動的性質をネッ
トワーク内に含めることができ、時系列パターンの認識
や予測を行うことができる。

【００７７】本実施形態に係る学習モジュールは、この
ようなリカレント・ニューラル・ネットワークを階層的
に構成することにより、時系列データである運動パター
ンを自動的に分割して保存するとともに、分割された各
時系列データを組み合わせることによって運動制御を行
うことで、さまざまな運動パターンを生成することがで
きる。

【００７８】図７には、本実施形態に係る階層型リカレ
ント・ニューラル・ネットワークの構成を模式的に示して
いる。同図に示す階層型リカレント・ニューラル・ネット
ワークは、個々のリカレント・ニューラル・ネットワーク
（後述）を階層的に配置することで構成される。

【００７９】既に述べたように、脚式移動ロボット１
は、機体を駆動させるための関節アクチュエータ・モー
タと、関節動作やその他の機体外部の環境を計測するた
めのセンサとを備えている。

【００８０】図７に示す階層型リカレント・ニューラル
・ネットワーク２００の下位層を構成するｎ個のリカレ
ント型ニューラル・ネットワーク２０１−１〜２０１−
ｎには、センサとモータの状態に対応する入力ｘtが入
力されている。

【００８１】図８には、下位層のリカレント型ニューラ
ルネットワーク２０１−１の構成例を表している。な
お、図示は省略するが、他の下位層リカレント型ニュー
ラル・ネットワーク２０１−２〜２０１−ｎも、図示の
リカレント型ニューラル・ネットワーク２０１−１と同
様に構成されている。

【００８２】図８に示すように、下位層のリカレント型
ニューラル・ネットワーク２０１−１は、所定の数の入
力層のニューロン２３１を有し、このニューロン２３１
に、センサの状態に対応する入力ｓ_tと、モータの状態
に対応する入力ｍ_tが入力されている。ニューロン２３
１の出力は、中間層のニューロン２３２を介して、出力
層のニューロン２３３に供給されるようになされてい
る。そして、出力層のニューロン２３３からは、リカレ
ント型ニューラルネットワーク２０１−１のセンサの状
態に対応する出力ｓ_t+1と、モータの状態に対応する出
力ｍ_t+1が出力されるようになされている。また、出力
の一部は、コンテキスト（context）Ｃ_tとして、入力層
のニューロン２３１にフィードバックされるようになさ
れている。

【００８３】リカレント型ニューラル・ネットワーク２
０１−１乃至２０１−ｎの出力は、対応するゲート２０
２−１乃至２０２−ｎを介して合成回路２０３に入力さ
れ、合成され、予測出力ｙ_t+1が出力されるようになさ
れている。

【００８４】学習時においては、教示信号としての目標
値ｙ^* _t+1と、下位層の各リカレント・ニューラル・ネッ
トワーク２０１−１〜２０１−ｎの出力の誤差が、対応
するゲート２０２−１〜２０２−ｎの状態を制御するよ
うになされている。

【００８５】上述した下位層のリカレント型ニューラル
・ネットワーク２０１−１〜２０１−ｎ、ゲート２０２
−１乃至２０２−ｎ、及び、合成回路２０３と同様の構
成が、より上位の階層にも形成されている。すなわち、
上位の階層には、リカレント型ニューラル・ネットワー
ク２１１−１〜２１１−ｎ、ゲート２１２−１〜２１２
−ｎ、及び、合成回路２１３が配設されている。そし
て、リカレント型ニューラル・ネットワーク２１１−１
〜２１１−ｎには、下位の階層のゲート２０２−１〜２
０２−ｎのそれぞれの導通状態（開閉度）に対応するシ
ーケンス（ゲートシーケンス）Ｇ_tが入力されるように
なされている。そして、各リカレント型ニューラル・ネ
ットワーク２１１−１〜２１１−ｎからは、出力Ｇ¹ _T+1
〜Ｇⁿ _T+1が出力され、合成回路２１３からは、予測出力
Ｇ_T+1が出力されるようになされている。また、学習時
においては、教示信号として、目標値Ｇ^* _T+1が入力され
ている。

【００８６】なお、図７には、２つの階層だけが示され
ているが、必要に応じて、さらに、より上位の階層を配
設することも可能である。

【００８７】図９には、上位階層のリカレント型ニュー
ラル・ネットワーク２１１−１の構成を表している。な
お、他の上位リカレント型ニューラル・ネットワーク２
１１−２〜２１１−ｎも、図示のリカレント型ニューラ
ル・ネットワーク２１１−１と同様の構成とされてい
る。

【００８８】図９に示すように、リカレント型ニューラ
ル・ネットワーク２１１−１は、基本的に、図８に示し
たリカレント型ニューラル・ネットワーク２０１−１と
同様に構成されており、入力層には複数のニューロン２
４１が、中間層には複数のニューロン２４２が、そして
出力層には複数のニューロン２４３がそれぞれ配置され
ている。入力層には、ゲート２０２−１〜２０２−ｎの
導通状態に対応する信号ｇ¹ _T〜ｇⁿ _Tが入力されるととも
に、ゲートの導通（開放）している周期（時間）Ｉ_Tが
入力される。出力層からは、これらの入力に対応して、
出力ｇ¹ _T+1〜ｇⁿ _T+1と、Ｉ_T+1が出力される。また、出
力層の出力の一部は、コンテキストＣ_Tとして入力層に
フィードバックされている。

【００８９】ここで、リカレント型ニューラル・ネット
ワーク２０１−１〜２０１−ｎのアルゴリズムについて
説明する。

【００９０】ゲートの導通状態は、ソフトマックス（so
ft-max）のアクティベーション・ファンクションを用い
て、次式で示すように表される。

【００９１】

【数１】

【００９２】ここで、ｇ_iは、ｉ番目のゲートの導通状
態に対応するゲート係数を表し、ｓ_iは、ｉ番目のゲー
トの導通状態の内部状態に対応する値を表している。従
って、合成回路３の出力ｙ_t+1は、次式で表される。

【００９３】

【数２】

【００９４】ここで、予測学習時に最大の値となる次式
で示す尤度関数を定義する。

【００９５】

【数３】

【００９６】なお、ここで、σは、スケーリング・パラ
メータを表している。

【００９７】学習時には、リカレント型ニューラル・ネ
ットワーク２０１−１〜２０１−ｎの重み係数とゲート
係数ｇは、尤度関数が最大となるように同時に更新され
る。認識時においては、ゲート係数だけが更新される。

【００９８】これらの重み係数とゲート係数を更新する
ルールを確立するために、尤度関数の指数関数の内部変
数ｓ_iに関する傾きと、ｉ番目のリカレント型ニューラ
ル・ネットワークの出力ｙ_iに関する傾きを次式のよう
に求める。

【００９９】

【数４】

【０１００】ここで、ｇ（ｉ｜ｘ_t，ｙ^* _t+1）は、ｉ番
目のリカレント型ニューラル・ネットワークが入力ｘ_t
のとき、目標出力ｙ^* _t+1を発生する事象後確率を意味
し、次式で表される。

【０１０１】

【数５】

【０１０２】ここで、||ｙ^* _t+1−ｙ^j _t+1||²は、現在の
予測の自乗誤差を表している。

【０１０３】上記（４）式は、ｓ_iを更新する方向を表
している。また、（５）式に示されるように、尤度関数
の指数関数のｙⁱ _t+1に関する傾きは、誤差条件ｙ^* _t+1−
ｙⁱ _t ₊₁の誤差項を含んでいる。この誤差項は、ｉ番目の
リカレント型ニューラル・ネットワークの事象後確率に
より重み付けされている。

【０１０４】このように、リカレント型ニューラル・ネ
ットワーク２０１−１〜２０１−ｎの重み係数は、事象
後確率にのみ比例して、ｉ番目のリカレント型ニューラ
ル・ネットワークの出力と目標値の誤差を補正するよう
に調整される。これによりｎ個のリカレント型ニューラ
ル・ネットワークのうち、１つのエキスパート・リカレ
ント型ニューラル・ネットワークだけが、与えられたト
レーニング・パターンを排他的に学習するようになされ
る。各リカレント型ニューラル・ネットワークの誤差
は、次式で表される。

【０１０５】

【数６】

【０１０６】リカレント型ニューラル・ネットワーク２
０１−１〜２０１−ｎの実際の学習は、上記式で得られ
た誤差に基づいてバックプロパゲーション法により実行
される。これにより、リカレント型ニューラル・ネット
ワーク２０１−１〜２０１−ｎは、入力ｘ_tのうち、そ
れぞれ他と異なる所定の時系列パターンを識別すること
ができるエキスパートとなるように、学習が行われる。

【０１０７】以上のことは、より上位の階層におけるリ
カレント型ニューラル・ネットワーク２１１−１〜２１
１−ｎにおいても同様である。但し、この場合における
入力は、ゲート・シーケンスＧ_Tであり、その出力は、
Ｇⁱ _T+1となる。

【０１０８】このように構成された脚式移動ロボット１
がある特定の動作パターンを発現したときには、各リカ
レント型ニューラル・ネットワーク２０１−１…，２１
１−１…の出力を開閉操作するそれぞれのゲート２０２
−１…，２１２−１…の導通状態も動作の進行に応じて
変動する。

【０１０９】あるゲートの開成状態は、ゲートに出力を
持つリカレント型ニューラル・ネットワークのアクティ
ベーションを表す。また、特定の動作パターンの発現と
相関のあるゲートとそうでないゲートとがある。したが
って、脚式移動ロボット１に対してある動作パターンが
教示された場合に、この教示動作と相関のあるゲートの
導通状態を実現するように階層型リカレント・ニューラ
ル・ネットワークを自己組織化することにより、教示動
作を学習することができる。

【０１１０】本実施形態に係る脚式移動ロボット１は、
音声などのシンボル入力を伴って動作の教示を受け容れ
ることができる。すなわち、学習時・動作教示時におい
ては、指示音声などの入力シンボルを連想して教示動作
を記憶する。このようなシンボルを連想して動作パター
ンを教示するという学習機能は、現実世界に則したもの
であり、オペレータにとっても直感的に理解し易い。

【０１１１】さらに、本実施形態に係る脚式移動ロボッ
ト１は、比較的長い教示動作やその他の行動を分節化す
るとともに、分節化された各動作を、音声認識などによ
り認識された入力シンボルと連想して記憶するようにな
っている。

【０１１２】したがって、本実施形態に係る脚式移動ロ
ボット１は、動作再生時においては、比較的長い動作パ
ターンを容易に指示することができる。また、直接的に
は同一のものを学習していない行動であっても、音声指
示により入力されたシンボルから連想していくことによ
り、指示により近い行動を発現することができる。

【０１１３】図１０には、行動の分節化と、分節化した
行動とシンボルとの連想記憶に基づく、本実施形態に係
る脚式移動ロボット１の学習メカニズム３００の構成を
模式的に図解している。

【０１１４】この学習メカニズム３００は、脚式移動ロ
ボット１の機体上の行動を分節化する分節化部３０１
と、マイクなどの音声入力部から入力された音声を認識
してシンボルに変換する音声認識部３０２と、分節化さ
れた行動と認識されたシンボルとの相関を計算する相関
計算部３０３と、相関結果に基づいて分節化された行動
をシンボルと連想して記憶する記憶部３０４とで構成さ
れる。相関計算部３０３は、例えば多変量解析などを用
いて行動とシンボルとの相関を計算する。

【０１１５】図１１には、学習メカニズム３００におけ
る学習時の機能構成を図解している。

【０１１６】分節化部３０１は、脚式移動ロボット１を
構成する各関節アクチュエータ・モータがオペレータに
よる動作教示時に駆動させられた回転角度を入力する。

【０１１７】既に述べたように、図７に示すような階層
型リカレント・ニューラル・ネットワーク構成において
は、各リカレント・ニューラル・ネットワークの出力
は、対応するゲートを介して同じ階層の合成回路に入力
され、合成されて予測出力として出力される。そして、
学習時においては、教示信号としての目標値と各リカレ
ント・ニューラル・ネットワークの出力との誤差によっ
て、対応するゲートの導通状態が制御される。

【０１１８】分節化部３０１は、教示された行動を各関
節アクチュエータ・モータの回転角度という形式で入力
すると、これを階層型リカレント・ニューラル・ネット
ワーク２００における各ゲート出力毎に分節化する。

【０１１９】選択部３０５は、ソフトマックス（soft-m
ax）部３０６のアクティベーション・ファンクションを
用いて決定される各ゲートの導通状態を用いて、教示動
作を規定する各ゲート出力を生成して、これを教示動作
を表す関節アクチュエータ・モータの動作と関連付けて
記憶部３０４−１に保存する。

【０１２０】相関計算部３０３は、例えば多変量解析な
どの手法を用いて、分節化された各ゲートのアクティベ
ーション・データと、音声認識部３０２により認識され
た入力シンボルとの相関を計算する。そして、この相関
結果に基づいて、分節化されたゲート出力をシンボルと
連想して記憶部３０４−２に記憶する。

【０１２１】なお、記憶部３０４−１と記憶部３０４−
２は、同じ記憶装置であっても、あるいは独立した記憶
装置として構成されていてもよい。

【０１２２】また、図１２には、学習メカニズム３００
における音声ベースでのシンボル入力時における教示動
作を再生するための機能構成を図解している。

【０１２３】脚式移動ロボット１に対して幾つかの行動
を教示した後、オペレータが音声により指示を発したと
する。この指示内容は、音声認識部３０２により認識さ
れてシンボルに変換される。

【０１２４】次いで、分節化された行動とシンボルを連
想記憶する記憶部３０４−２中で、この入力シンボルを
検索して、該当する行動を規定したゲート導通状態デー
タを取り出す。

【０１２５】取り出されたゲート導通状態データは、逆
分節化されて、教示された行動を実現するための各関節
アクチュエータ・モータに対する指令値として再現され
る。この指令値に基づいて機体動作すなわち各関節アク
チュエータの駆動を制御することによって、教示された
行動が再生されることになる。

【０１２６】次いで、この学習メカニズム３００の動作
特性について、例を挙げながら説明する。

【０１２７】図１３には、学習メカニズム３００に投入
されるシンボルと、シンボル入力とともに教示された関
節アクチュエータ・モータの回転角度を例示している。
但し、説明の簡素化のため、扱う入力シンボルをＳＹＭ
−ＡとＳＹＭ−Ｂの２種類とし、関節アクチュエータ・
モータの個数は２個とする。また、音声認識部３０２
は、あるシンボルｓ_iが有効なときにはＳ_it＝１を出力
し、そうでないときにはＳ_it＝−１を出力するものとす
る。

【０１２８】相関計算部３０３では、階層型リカレント
・ニューラル・ネットワーク２００を構成する各ゲート
出力と入力シンボルとの相関を、多変量解析などの手法
を用いて計算する。例えば、有る時間Ｔを経過した後
の、シンボルｓ_Iと分節化信号Ｂ_jとの相関Ｃ_ijは、以下
の式を用いて算出される。

【０１２９】

【数７】

【０１３０】図１４には、入力シンボルＳＹＭ−Ａと各
ゲート出力との相関結果を示している。同様に、図１５
には、入力シンボルＳＹＭ−Ｂと各ゲート出力との相関
結果を示している。但し、説明の簡素化のため、教示動
作の学習に用いられる階層型リカレント・ニューラル・
ネットワーク２００は上位及び下位の各層からなる２階
層のみとし、下位層は３個の各リカレント・ニューラル
・ネットワークに対応する３個のゲート２０２−１，２
０２−２，２０２−３を有し、上位層は、２個の各リカ
レント・ニューラル・ネットワークに対応する２個のゲ
ート２１２−１，２１２−２を有しているとする。

【０１３１】図１４に示す例では、ゲート２１２−１が
シンボルＳＹＭ−Ａとの相関値が最も高い。このこと
は、このゲート２１２−１に対応する上位のリカレント
・ニューラル・ネットワーク２１１−１がシンボルＳＹ
Ｍ−Ａに相当する教示行動を記憶していることを意味す
る。

【０１３２】また、図１５に示す例では、ゲート２０２
−１がシンボルＳＹＭ−Ｂとの相関値が最も高いが、こ
のことは、このゲート２０２−１に対応する上位のリカ
レント・ニューラル・ネットワーク２０１−１がシンボ
ルＳＹＭ−Ｂに相当する教示行動を記憶していることを
意味する。

【０１３３】ここで、最も相関の高いゲート信号が減勢
すなわちインアクティブとなっている期間中は、他のゲ
ート信号並びにモータ出力は無視される。この様子を図
１６及び図１７に示しておく。

【０１３４】したがって、各シンボルＳＹＭ−Ａ並びに
ＳＹＭ−Ｂについて、分節化及び相関計算の結果として
記憶装置３０４に連想記憶される内容は、図１８並びに
図１９に示す通りとなる。

【０１３５】［追補］以上、特定の実施例を参照しなが
ら、本発明について詳解してきた。しかしながら、本発
明の要旨を逸脱しない範囲で当業者が該実施例の修正や
代用を成し得ることは自明である。

【０１３６】本発明の要旨は、必ずしも「ロボット」と
称される製品には限定されない。すなわち、電気的若し
くは磁気的な作用を用いて人間の動作に似せた運動を行
う機械装置であるならば、例えば玩具等のような他の産
業分野に属する製品であっても、同様に本発明を適用す
ることができる。

【０１３７】要するに、例示という形態で本発明を開示
してきたのであり、限定的に解釈されるべきではない。
本発明の要旨を判断するためには、冒頭に記載した特許
請求の範囲の欄を参酌すべきである。

【０１３８】

【発明の効果】以上詳記したように、本発明によれば、
教示された動作パターンを音声などの入力シンボルと連
想して記憶することができる、優れた脚式移動ロボット
及びその学習方法を提供することができる。

【０１３９】また、本発明によれば、教示された動作パ
ターンを分節化して記憶することができる、優れた脚式
移動ロボット及びその学習方法を提供することができ
る。

【０１４０】また、本発明によれば、教示された動作パ
ターンを分節化するとともに、分節化された動作パター
ンを音声などの入力シンボルと連想して記憶することが
できる、優れた脚式移動ロボット及びその学習方法を提
供することができる。

【図面の簡単な説明】

【図１】本発明の実施に供される四肢による脚式歩行を
行う移動ロボット１の外観構成を示した図である。

【図２】脚式移動ロボット１の電気・制御系統の構成図
を模式的に示した図である。

【図３】制御部２０の構成をさらに詳細に示した図であ
る。

【図４】脚式移動ロボット１上で稼動するソフトウェア
制御構成を模式的に示した図である。

【図５】ミドルウェア層の内部構成を模式的に示した図
である。

【図６】アプリケーション層の内部構成を模式的に示し
た図である。

【図７】本実施形態に係る階層型リカレント・ニューラ
ル・ネットワークの構成を模式的に示した図である。

【図８】下位層のリカレント型ニューラルネットワーク
２０１−１の構成例を示した図である。

【図９】上位階層のリカレント型ニューラル・ネットワ
ーク２１１−１の構成を示した図である。

【図１０】行動の分節化と、分節化した行動とシンボル
との連想記憶に基づく、本実施形態に係る脚式移動ロボ
ット１の学習メカニズムの構成を模式的に示した図であ
る。

【図１１】学習メカニズム３００における学習時の機能
構成を示した図である。

【図１２】学習メカニズム３００における音声ベースで
のシンボル入力時における教示動作を再生するための機
能構成を示した図である。

【図１３】学習メカニズム３００に投入されるシンボル
と、シンボル入力とともに教示された関節アクチュエー
タ・モータの回転角度を例示したタイミング・チャート
である。

【図１４】入力シンボルＳＹＭ−Ａと各ゲート出力との
相関結果を示したタイミング・チャートである。

【図１５】入力シンボルＳＹＭ−Ｂと各ゲート出力との
相関結果を示したタイミング・チャートである。

【図１６】最も相関の高いゲート信号が減勢すなわちイ
ンアクティブとなっている期間中は他のゲート信号並び
にモータ出力が無視される様子を示したタイミング・チ
ャートである。

【図１７】最も相関の高いゲート信号が減勢すなわちイ
ンアクティブとなっている期間中は他のゲート信号並び
にモータ出力が無視される様子を示したタイミング・チ
ャートである。

【図１８】シンボルＳＹＭ−Ａについて、分節化及び相
関計算の結果として記憶装置３０４に連想記憶される内
容を示したタイミング・チャートである。

【図１９】シンボルＳＹＭ−Ｂについて、分節化及び相
関計算の結果として記憶装置３０４に連想記憶される内
容を示したタイミング・チャートである。

【符号の説明】

１…脚式移動ロボット２…胴体部ユニット３…頭部ユニット４…尻尾６Ａ〜６Ｄ…脚部ユニット７…首関節８…尻尾関節９Ａ〜９Ｄ…大腿部ユニット１０Ａ〜１０Ｄ…脛部ユニット１１Ａ〜１１Ｄ…股関節１２Ａ〜１２Ｄ…膝関節２０…制御部２１…ＣＰＵ２２…ＲＡＭ２３…ＲＯＭ２４…不揮発メモリ２５…インターフェース２６…無線通信インターフェース２７…ネットワーク・インターフェース・カード２８…バス２９…キーボード４０…入出力部５０…駆動部５１…モータ（関節アクチュエータ）５２…エンコーダ（関節角度センサ）５３…ドライバ６０…電源部６１…充電バッテリ６２…充放電制御部１００…外部のホスト・コンピュータ２００…階層型リカレント・ニューラル・ネットワーク２０１…下位層リカレント・ニューラル・ネットワーク２３１…入力層ニューロン２３２…出力層ニューロン２３３…中間層ニューロン２１１…上位層リカレント・ニューラル・ネットワーク２４１…入力層ニューロン２４２…出力層ニューロン２４３…中間層ニューロン３００…学習メカニズム３０１…分節化部３０２…音声認識部３０３…相関計算部３０４…記憶部３０５…選択部３０６…ソフトマックス部

───────────────────────────────────────────────────── フロントページの続きＦターム(参考） 3C007 AS36 BS09 CS08 CY02 HS09 HS27 JS02 JS07 KS03 KS04 KS16 KS20 KS27 KS31 KS38 KS39 KT02 KV01 KV06 KV09 KV11 KV18 KW01 KW07 KX13 LW12 LW15 MT14 WA04 WA14 WB13 WB14 WB19 WB22 WC29 5D015 GG04 HH04 KK01

Claims

【特許請求の範囲】

【請求項１】複数の関節自由度を持つ駆動部を備えた脚
式移動ロボットであって、前記駆動部に対して印加された教示行動を分節化する分
節化部と、入力された音声を認識してシンボルに変換する音声認識
部と、分節化された各動作とシンボルとの相関を計算する相関
計算部と、相関計算結果に基づいて、シンボルと連想させて各動作
を記憶する記憶部と、を具備することを特徴とする脚式
移動ロボット。
【請求項２】音声指示により入力されたシンボルから連
想される動作を前記記憶部から取り出すとともに、取り
出された各動作を逆分節化して行動を発現する動作再生
部をさらに備える、ことを特徴とする請求項１に記載の
脚式移動ロボット。
【請求項３】複数の関節自由度を持つ駆動部を備えた脚
式移動ロボットのための学習方法であって、前記駆動部に対して印加された教示行動を分節化する分
節化ステップと、入力された音声を認識してシンボルに変換する音声認識
ステップと、分節化された各動作とシンボルとの相関を計算する相関
計算ステップと、相関計算結果に基づいて、シンボルと連想させて各動作
を記憶する記憶ステップと、を具備することを特徴とす
る脚式移動ロボットの学習方法。
【請求項４】音声指示により入力されたシンボルから連
想される動作を取り出すとともに、取り出された各動作
を逆分節化して行動を発現する動作再生ステップをさら
に備える、ことを特徴とする請求項３に記載の脚式移動
ロボットの学習方法。
【請求項５】複数の関節自由度を持つ駆動部を備えた脚
式移動ロボットのための学習処理をコンピュータ・シス
テム上で実行するように記述されたコンピュータ・ソフ
トウェアをコンピュータ可読形式で物理的に格納した記
憶媒体であって、前記コンピュータ・ソフトウェアは、前記駆動部に対して印加された教示行動を分節化する分
節化ステップと、入力された音声を認識してシンボルに変換する音声認識
ステップと、分節化された各動作とシンボルとの相関を計算する相関
計算ステップと、相関計算結果に基づいて、シンボルと連想させて各動作
を記憶する記憶ステップと、を具備することを特徴とす
る記憶媒体。
【請求項６】前記コンピュータ・ソフトウェアは、音声
指示により入力されたシンボルから連想される動作を取
り出すとともに、取り出された各動作を逆分節化して行
動を発現する動作再生ステップをさらに備える、ことを
特徴とする請求項４に記載の記憶媒体。