JP2004139606A

JP2004139606A - 自律システム及び自律型ロボット

Info

Publication number: JP2004139606A
Application number: JP2003379356A
Authority: JP
Inventors: Takashi Kitaguchi; 北口　貴史
Original assignee: Ricoh Co Ltd
Current assignee: Ricoh Co Ltd
Priority date: 1993-10-29
Filing date: 2003-11-10
Publication date: 2004-05-13

Abstract

【課題】　動的な状態に対して適応性を有する自律性の高いシステムやロボットを構築できるようにすることである。
【解決手段】　動的に状態が遷移するカオスニューラルネットワーク５６と、このカオスニューラルネットワーク５６に信号を入力させる信号入力手段６０と、カオスニューラルネットワーク５６から出力される信号を入力する信号出力手段６１とにより自律システムや自律型ロボット５９を構成したので、自律性の高いシステムや自律型ロボットを構築できる。
【選択図】　　図７

Description

　本発明は、例えば画像や音声の認識、ロボット等の適応制御、連想記憶、非線形予測等のような各種制御に適用可能な、神経細胞を模倣したカオスニューラルネットワークを用いた自律システム及び自律型ロボットに関する。

　生体の情報処理の基本的な単位である神経細胞（ニューロン）の機能を模倣し、さらに、この「神経細胞模倣素子」（神経細胞ユニット）をネットワークにし、情報の並列処理を目指したのが、いわゆるニューラルネットワークである。文字認識や連想記憶、運動制御等、生体ではいとも簡単に行われていても、従来のノイマン型コンピュータではなかなか達成しないものが多い。生体の神経系、特に生体特有の機能、即ち並列処理、自己学習等をニューラルネットワークにより模倣して、これらの問題を解決しようとする試みが盛んに行われている。

　しかし、これらのニューラルネットワークの研究は、静的状態を扱うものが殆どであり、実際の生体で行われている動的状態とは異なるものである。従って、人間や他の生体が有する情報処理機能を実現するためには、この動的状態を扱わなければならない。

　ここに、動的なニューラルネットワークの情報処理で、大きな役割を果たしていると考えられているのが「カオス現象」である。このカオス状態を有するニューラルネットワークモデルとしては、例えば、非特許文献１に示されるものがある。
　図８はこの文献において示されているカオスニューロンの電子回路モデルのブロック図構成を示すものである。これは、２つのサンプル＆ホールド回路（Ｓ＆Ｈ回路）１，２と１次元写像回路３とを用い、クロック４に従いＳ＆Ｈ回路１により１ステップ前の内部状態値を保持し、これを１次元写像回路３に入力してクロック５に従い次の時刻の値をＳ＆Ｈ回路２の出力に得る、という動作を繰返すようにしたものである。

「ニューラルシステムにおけるカオス」（合原一幸編著、東京電機大学出版局、ｐｐ．１５７〜１８８）

　ところが、非特許文献１に示されるようなカオスニューロンモデルは、図８に示したようにアナログ回路で構成されている。さらに、シンプルなモデルとはいえ、不応期が存在する等、まだ複雑さを有しているものである。

　請求項１記載の自律システムは、動的に状態が遷移するニューラルネットワークと、このニューラルネットワークに信号を入力させる信号入力手段と、前記ニューラルネットワークから出力される信号を入力する信号出力手段とよりなり、前記ニューラルネットワークを、複数の信号を加算する加算手段と、この加算手段の加算結果を非線形変換する非線形変換手段と、この非線形変換手段による変換結果を外部に出力する出力手段と、複数の外部入力信号に対して結合係数を乗算し乗算結果を前記加算手段へ出力する外部入力手段と、前記加算手段の加算結果に対して係数を乗算し乗算結果を前記加算手段へ出力する第１内部入力手段と、前記非線形変換手段の変換結果に対して係数を乗算し乗算結果を前記加算手段へ出力する第２内部入力手段とを有する複数個のニューロン素子を相互に接続してなるカオスニューラルネットワークとしたものである。

　請求項２記載の発明は、請求項１記載の自律システムにおいて、カオスニューラルネットワーク中の各ニューロン素子が、加算手段に入力させる信号を格納した記憶手段を有するものとしたものである。

　請求項３記載の発明は、請求項１又は２記載の自律システムにおいて、加算手段の加算結果をそのまま直接この加算手段に出力する第１内部入力手段としたものである。

　請求項４記載の発明は、請求項１，２又は３記載の自律システムにおいて、非線形変換手段の変換結果をそのまま直接加算手段に出力する第２内部入力手段としたものである。

　請求項５記載の発明は、請求項１，２，３又は４記載の自律システムにおいて、カオスニューラルネットワーク中に、入力信号を発生させるとともに出力結果を入力させてこれらの入力信号と出力結果とから評価値を生成する評価手段と、この評価手段による評価値を用いてニューロン素子内部の係数を読み出してその係数を遺伝アルゴリズムに従い更新し更新された係数を各ニューロン素子に書き込む遺伝アルゴリズム演算手段とを設けたものである。

　請求項６記載の発明は、請求項１，２，３又は４記載の自律システムにおいて、入力信号を用いて結合係数を更新する外部入力手段としたものである。

　請求項１ないし６記載の自律システムにおいては、動的に状態が遷移するカオスニューラルネットワークを用いて自律システムを構成しているので、自律性の高いシステムを構築できる。

　請求項７記載の自律型ロボットは、動的に状態が遷移するニューラルネットワークと、このニューラルネットワークに入力させる信号を生成するセンサと、前記ニューラルネットワークから出力される信号を制御信号として受けて駆動又は表示する駆動表示手段とを有し、前記ニューラルネットワークを、複数の信号を加算する加算手段と、この加算手段の加算結果を非線形変換する非線形変換手段と、この非線形変換手段による変換結果を外部に出力する出力手段と、複数の外部入力信号に対して結合係数を乗算し乗算結果を前記加算手段へ出力する外部入力手段と、前記加算手段の加算結果に対して係数を乗算し乗算結果を前記加算手段へ出力する第１内部入力手段と、前記非線形変換手段の変換結果に対して係数を乗算し乗算結果を前記加算手段へ出力する第２内部入力手段とを有する複数個のニューロン素子を相互に接続してなるカオスニューラルネットワークとしたものである。

　請求項８記載の発明は、請求項７記載の自律型ロボットにおいて、カオスニューラルネットワーク中の各ニューロン素子が、加算手段に入力させる信号を格納した記憶手段を有するものとしたものである。

　請求項９記載の発明は、請求項７又は８記載の自律型ロボットにおいて、加算手段の加算結果をそのまま直接この加算手段に出力する第１内部入力手段としたものである。

　請求項１０記載の発明は、請求項７，８又は９記載の自律型ロボットにおいて、非線形変換手段の変換結果をそのまま直接加算手段に出力する第２内部入力手段としたものである。

　請求項１１記載の発明は、請求項７，８，９又は１０記載の自律型ロボットにおいて、カオスニューラルネットワーク中に、入力信号を発生させるとともに出力結果を入力させてこれらの入力信号と出力結果とから評価値を生成する評価手段と、この評価手段による評価値を用いてニューロン素子内部の係数を読み出してその係数を遺伝アルゴリズムに従い更新し更新された係数を各ニューロン素子に書き込む遺伝アルゴリズム演算手段とを設けたものである。

　請求項１２記載の発明は、請求項７，８，９又は１０記載の自律型ロボットにおいて、入力信号を用いて結合係数を更新する外部入力手段としたものである。

　請求項７ないし１２記載の自律型ロボットにおいては、動的に状態が遷移するカオスニューラルネットワークを用いて自律型ロボットを構成しているので、自律性の高いロボットを提供できる。

　請求項１ないし６記載の発明の自律システムによれば、動的に状態が遷移するカオスニューラルネットワークを用いて自律システムを構成したので、自律性の高いシステムを構築できる。

　請求項７ないし１２記載の発明の自律型ロボットによれば、動的に状態が遷移するカオスニューラルネットワークを用いて自律型ロボットを構成したので、自律性の高いロボットを提供できる。

　本発明の第一の実施の形態を図１ないし図４により説明する。図１に本実施の形態のカオスニューラルネットワークを構成する要素となる１個のニューロン素子４０の構成例を示す。まず、複数の信号を加算する加算器（加算手段）４１とその加算結果を非線形変換する非線形変換部（非線形変換手段）４２とその変換結果を外部に出力する出力部（出力手段）４３とが順に設けられている。前記加算器４１の入力側には、複数個の外部入力部（外部入力手段）４４と、第１内部入力部（第１内部入力手段）４５と、第２内部入力部（第２内部入力手段）４６と、所定の入力信号を記憶したメモリ（記憶手段）４７とが並列的に接続され、各々の信号を加算器４１に入力し得るように構成されている。カオスニューラルネットワークとしては、複数個のこのようなニューロン素子４０を相互に接続することにより構成される。

　ここに、前記外部入力部４４は、例えば図２に示すように、外部入力信号とメモリ４８に格納されている信号、具体的には、結合係数とを乗算器４９によって乗算し、この乗算結果を前記加算器４１に入力させるものである。

　前記第１内部入力部４５は、例えば図３に示すように、加算器４１からの出力信号５０とメモリ５１に格納されている信号、具体的には、所定の係数とを乗算器５２によって乗算し、この乗算結果を前記加算器４１に入力させるものである。

　前記第２内部入力部４６は、例えば図４に示すように、非線形変換部４２からの出力信号５３とメモリ５４に格納されている信号、具体的には、所定の係数とを乗算器５５によって乗算し、この乗算結果を前記加算器４１に入力させるものである。

　前記出力部４３は、非線形変換部４２からの変換結果なる出力値を一定期間保持するラッチにより構成されている。

　前記非線形変換部４２は、テーブルルックアップを用いて加算器４１からの出力信号を変換するものとしてもよく、或いは、ＤＳＰ又はＣＰＵによって非線形関数を算出するようにしてもよい。なお、前述した加算器４１や乗算器４９，５２，５５もＤＳＰ又はＣＰＵにより実現するようにしてもよく、また、メモリ４７，４８，５１，５４は１データだけを保持するレジスタとしてもよい。また、このようなニューロン素子４０は、その一部又は全部をソフトウエアにより実現するようにしてもよい。

　このようなカオスニューラルネットワーク構成によれば、メモリ４７，４８，５１，５４に格納されている値や外部入力信号の値によって各ニューロン素子４０の出力値が動的に遷移するような動的挙動を示すものとなり、動的な状態に対して適応性を有するニューラルネットワークを構築できるものとなる。よって、このようなカオスニューラルネットワークを用いた場合、自律性の高い自律システムを構築できる。即ち、カオスニューラルネットワークに信号を入力させる信号入力手段と、カオスニューラルネットワークから出力される信号を入力する信号出力手段とを有するシステム構成とし、ある入力に対して動的に遷移する出力を発生させるものである。

　ここに、図１に示す各ニューロン素子４０の構成において、メモリ４７を削除してもよい。また、メモリ４８と乗算器４９とを実質的になくした第１内部入力部４４構成とし、加算器４１からの出力信号５０をそのまま直接この加算器４１に入力させるようにしてもよい。同様に、メモリ５１と乗算器５２とを実質的になくした第２内部入力部４５構成とし、非線形変換部４２からの出力信号５３をそのまま直接加算器４１に入力させるようにしてもよい。これらによれば、ニューラルネットワークをより容易に構築し得るものとなる。

　つづいて、本発明の第二の実施の形態を図５及び図６により説明する。本実施の形態は、遺伝アルゴリズムを利用して、前記実施の形態で説明したようなニューロン素子４０を構成要素としてなるカオスニューラルネットワーク５６の学習、即ち、各ニューロン素子４０中のメモリ４７，４８，５１，５４の値の更新を行うようにしたものである。まず、遺伝アルゴリズムの適用方法から説明する。図５に示すように、各ニューロン素子４０のメモリの値を因子とする遺伝子を想定する。ここに、メモリ４８は結合係数に相当し、そのニューロン素子４０における外部入力部４４の数だけ存在する。

　遺伝アルゴリズムでは、必要なデータを、上記のように１本の遺伝子（個体）と見做してコード化する。このような個体を複数個用意して集団を形成する。そして、以下の手順１〜７に従って処理を行う。
１　遺伝子（個体）を多数発生させる。
２　各個体をカオスニューラルネットワーク５６にロードし、トレーニングデータに対する出力値から、評価値Ｅｒを算出する。ここでは、この評価値Ｅｒが０に近いほど、よい評価であるものとする。
３　評価値を用い、ある基準値以上のものは“淘汰”する。
４　残った個体間で、“交叉”を行う。
５　淘汰された個体数だけ、新たに個体を発生させる。
６　ある割合で個体に“突然変異”を起こさせる。
７　上記２〜６を繰り返し、最適な個体が見つかれば終了する。

　なお、評価基準及び突然変異の割合は、経験的に、任意に決定する。

　図６はこのようなＧＡを利用した学習を行わせるための装置構成を示し、カオスニューラルネットワーク５６の入出力間に評価器（評価手段）５７が接続されているとともに、カオスニューラルネットワーク５６に対してＧＡ演算器（遺伝アルゴリズム演算手段）５８が接続されて構成されている。

　このような構成において、評価器５７はテストデータを入力信号としてカオスニューラルネットワーク５６に入力し、このカオスニューラルネットワーク５６から得られる出力結果を入力させる。そこで、この評価器５７はカオスニューラルネットワーク５６の出力結果と与えた入力信号とから評価関数により評価値Ｅｒを算出する。算出されたこの評価値ＥｒによりＧＡ演算器５８はカオスニューラルネットワーク５６における各メモリ４７，４８，５１，５４の値を書込み更新する。

　本実施の形態によれば、カオスニューラルネットワーク５６の学習が可能となるため、より柔軟性の高いものとなる。よって、このようなカオスニューラルネットワーク５６を用いて構成される自律システムとしても、その柔軟性が高まるものとなる。

　つづいて、本発明の第三の実施の形態について説明する。本実施の形態も、前述した実施の形態で説明したような構成からなるカオスニューラルネットワーク５６の学習方法に関するものであるが、Ｈebb　の学習則のようなローカルな学習ルールによって外部入力部４４におけるメモリ４８の値（結合係数値）を更新するようにしたものである。即ち、メモリ４８，５１，５４の更新後、更新前の値をＭＥＭ_ＮＥＷ　，ＭＥＭ_ＯＬＤ　、各メモリ値ＭＥＭ_ＯＬＤ　と乗算された入力値をＩＮとすると、
　ＭＥＭ_ＮＥＷ　＝ＭＥＭ_ＯＬＤ　＋Ａ×（ＩＮ−Ｂ）
なる式に従って、メモリ４８の値を更新するようにしたものである。ここに、Ａ，Ｂの値は、経験的に、カオスニューラルネットワーク５６内の各メモリ４８，５１，５４毎に任意に決定される。また、本実施の形態の学習方法ではメモリ４７の値は固定値とされる。

　本実施の形態による場合も、カオスニューラルネットワーク５６の学習が可能となるため、より柔軟性の高いものとなる。よって、このようなカオスニューラルネットワーク５６を用いて構成される自律システムとしても、その柔軟性が高まるものとなる。

　ついで、この自律システムをより具体化した例として、本発明の第四の実施の形態を図７により説明する。本実施の形態は、動的に状態が遷移するニューラルネットワーク、例えば、上記の図１ないし図６を参照して説明したカオスニューラルネットワーク５６を用いて自律型ロボット５９を構成したものである。即ち、自律型ロボット５９の各センサ６０からの信号はカオスニューラルネットワーク５６に入力され、出力段の個々のニューロン素子４０からの出力信号を制御信号として、自律型ロボット５９の各駆動系或いはディスプレイ、ここではディスプレイ（駆動表示手段）６１に与え、駆動或いは表示を行わせるように構成されている。

　ここに、カオスニューラルネットワーク５６は前述したような学習則に従って学習、自己組織化を行い進化し、さらには、動的に状態が遷移するため、同一のセンサ６０からの信号に対しても異なる動きを示すようになる。よって、適応性のある自律性を有するロボットが実現できる。

本発明の第一の実施の形態を示す一つのニューロン素子のブロック図である。その外部入力部の構成を示すブロック図である。その第１内部入力部の構成を示すブロック図である。その第２内部入力部の構成を示すブロック図である。本発明の第二の実施の形態を示す遺伝子についての説明図である。ブロック図である。本発明の第四の実施の形態を示す模式的構成図である。従来例を示すカオスニューロンのブロック図である。

符号の説明

４０　ニューロン素子
４１　加算手段
４２　非線形変換手段
４３　出力手段
４４　外部入力手段
４５　第１内部入力手段
４６　第２内部入力手段
４７　記憶手段
５６　カオスニューラルネットワーク
５７　評価手段
５８　遺伝アルゴリズム演算手段
５９　自律型ロボット
６０　センサ
６１　駆動表示手段

Claims

　動的に状態が遷移するニューラルネットワークと、このニューラルネットワークに信号を入力させる信号入力手段と、前記ニューラルネットワークから出力される信号を入力する信号出力手段とよりなり、
　前記ニューラルネットワークを、複数の信号を加算する加算手段と、この加算手段の加算結果を非線形変換する非線形変換手段と、この非線形変換手段による変換結果を外部に出力する出力手段と、複数の外部入力信号に対して結合係数を乗算し乗算結果を前記加算手段へ出力する外部入力手段と、前記加算手段の加算結果に対して係数を乗算し乗算結果を前記加算手段へ出力する第１内部入力手段と、前記非線形変換手段の変換結果に対して係数を乗算し乗算結果を前記加算手段へ出力する第２内部入力手段とを有する複数個のニューロン素子を相互に接続してなるカオスニューラルネットワークとしたことを特徴とする自律システム。
　カオスニューラルネットワーク中の各ニューロン素子が、加算手段に入力させる信号を格納した記憶手段を有することを特徴とする請求項１記載の自律システム。
　加算手段の加算結果をそのまま直接この加算手段に出力する第１内部入力手段としたことを特徴とする請求項１又は２記載の自律システム。
　非線形変換手段の変換結果をそのまま直接加算手段に出力する第２内部入力手段としたことを特徴とする請求項１，２又は３記載の自律システム。
　カオスニューラルネットワーク中に、入力信号を発生させるとともに出力結果を入力させてこれらの入力信号と出力結果とから評価値を生成する評価手段と、この評価手段による評価値を用いてニューロン素子内部の係数を読み出してその係数を遺伝アルゴリズムに従い更新し更新された係数を各ニューロン素子に書き込む遺伝アルゴリズム演算手段とを設けたことを特徴とする請求項１，２，３又は４記載の自律システム。
　入力信号を用いて結合係数を更新する外部入力手段としたことを特徴とする請求項１，２，３又は４記載の自律システム。
　動的に状態が遷移するニューラルネットワークと、このニューラルネットワークに入力させる信号を生成するセンサと、前記ニューラルネットワークから出力される信号を制御信号として受けて駆動又は表示する駆動表示手段とを有し、
　前記ニューラルネットワークを、複数の信号を加算する加算手段と、この加算手段の加算結果を非線形変換する非線形変換手段と、この非線形変換手段による変換結果を外部に出力する出力手段と、複数の外部入力信号に対して結合係数を乗算し乗算結果を前記加算手段へ出力する外部入力手段と、前記加算手段の加算結果に対して係数を乗算し乗算結果を前記加算手段へ出力する第１内部入力手段と、前記非線形変換手段の変換結果に対して係数を乗算し乗算結果を前記加算手段へ出力する第２内部入力手段とを有する複数個のニューロン素子を相互に接続してなるカオスニューラルネットワークとしたことを特徴とする自律型ロボット。
　カオスニューラルネットワーク中の各ニューロン素子が、加算手段に入力させる信号を格納した記憶手段を有することを特徴とする請求項７記載の自律型ロボット。
　加算手段の加算結果をそのまま直接この加算手段に出力する第１内部入力手段としたことを特徴とする請求項７又は８記載の自律型ロボット。
　非線形変換手段の変換結果をそのまま直接加算手段に出力する第２内部入力手段としたことを特徴とする請求項７，８又は９記載の自律型ロボット。
　カオスニューラルネットワーク中に、入力信号を発生させるとともに出力結果を入力させてこれらの入力信号と出力結果とから評価値を生成する評価手段と、この評価手段による評価値を用いてニューロン素子内部の係数を読み出してその係数を遺伝アルゴリズムに従い更新し更新された係数を各ニューロン素子に書き込む遺伝アルゴリズム演算手段とを設けたことを特徴とする請求項７，８，９又は１０記載の自律型ロボット。
　入力信号を用いて結合係数を更新する外部入力手段としたことを特徴とする請求項７，８，９又は１０記載の自律型ロボット。