JP2005059656A - 飛行体の着陸制御装置および飛行体の着陸制御方法 - Google Patents

Abstract

【課題】新規な構成を有する飛行体の着陸制御を行う装置を提供する。
【解決手段】検出部１０は、少なくとも着陸面から飛行体までの相対高度を検出する。パラメータ生成部２０は、検出部によって検出された検出値を入力として、飛行体の着陸制御パラメータを出力するニューラルネットワークであって、ニューラルネットワークを構成する複数のノードのうちの第１のノードの出力が第１のノードとは異なる第２のノードへ入力されるフィードバックループを有するニューラルネットワークで構成される。制御部３０は、パラメータ生成部から出力された制御パラメータに基づいて、飛行体を制御する。
【選択図】 図１

Description

本発明は、飛行体の着陸制御装置およびその方法に係り、特に、船舶の甲板のように着陸面が経時的に揺動するような場所への着陸における垂直方向の速度制御に関する。

従来より、制御対象の非線形的な要素、外乱、或いは、環境の経時的な変化に拘わらず、制御対象の制御を高精度に行う技術の一つとして、ニューラルネットワークを用いた制御技術が種々提案されている。ニューラルネットワークでは、事前に行う学習において、その結合重み係数を適切に設定することにより、所定の入力情報に基づいて、必要となる制御パラメータを精度よく出力することができる。ニューラルネットワークにおける学習では、一般にバックプロパゲーション法と呼ばれる手法が用いられる。ニューラルネットワークを用いた制御としては、例えば、特許文献１に開示された内燃機関の空燃比制御、或いは、特許文献２に開示されたロボットや工作機械、ＸＹステージ、ディスク装置などの制御が挙げられる。

ところで、ヘリコプターなどの垂直離着陸航空機は、離着陸時に長い滑走路を必要とせず、着陸場所を選ばないという理由から、数多くの場面で使用されており、その制御の自動化が望まれている。
特開平９−８８６８５号公報 特開平７−３６５０６号公報

しかしながら、この類の飛行体では、着陸場所を選ばないというメリットが、かえって制御の自動化を困難としていた。例えば、船舶の甲板に着陸するようなケースでは、波面に起因して着陸面が揺動するため、静的な着陸面に着陸するよりも、垂直方向の速度制御が難しい。なぜならば、速度制御を誤ると、着陸時の衝撃が大きくなり（ハードランディング状態）、機体を損傷しかねないからである。また、波面には規則性がないため、これを予測して制御を行うことが従来の制御技術では難しく、熟練したオペレータの手動操縦に頼るしかなかった。

本発明は、かかる事情に鑑みてなされたものであり、その目的は、新規な構成を有する飛行体の着陸制御装置を提供することである。

また、本発明の別の目的は、揺動する着陸面への着陸において、垂直方向の速度制御を適切に行うことである。

かかる課題を解決するために、第１の発明は、少なくとも着陸面から飛行体までの相対高度を検出する検出部と、検出部によって検出された検出値を入力として、飛行体の着陸制御パラメータを出力するニューラルネットワークであって、ニューラルネットワークにおける第１のノードの出力が第１のノードとは異なる第２のノードへ入力されるフィードバックループを有するニューラルネットワークで構成されたパラメータ生成部と、パラメータ生成部から出力された着陸制御パラメータに基づいて、飛行体を制御する制御部とを有する飛行体の着陸制御装置を提供する。

ここで、第１の発明において、ニューラルネットワークは、ニューラルネットワークにおける結合重み係数が、遺伝的アルゴリズムを用いて学習されていることが好ましい。この場合、結合重み係数は、それぞれが異なる着陸面の揺動を再現する複数の揺動モデルを用いて飛行体の着陸状態を評価することにより、評価条件に適合した結合重み係数の最適解が設定されていることが好ましい。また、複数の揺動モデルは、所定の世代周期の進化毎に、異なる揺動モデルと変更されてもよい。さらに、結合重み係数は、着陸面の揺動状態がオペレータによって意図的に操作された人工揺動モデルを用いて飛行体の着陸状態を評価することにより、評価条件に適合した結合重み係数の最適解が設定されていることが好ましい。

また、第１の発明において、ニューラルネットワークは、入力層、中間層および出力層からなる複数層より構成されており、出力層における第１のノードの出力を入力層の第2のノードの入力へフィードバックさせるフィードバックループを有することが好ましい。

また、第２の発明は、ニューラルネットワークにおける第１のノードの出力が第１のノードとは異なる第２のノードへ入力されるフィードバックループを有するニューラルネットワークに、少なくとも着陸面から飛行体までの相対高度を入力することにより、飛行体の着陸制御パラメータを出力する第１のステップと、前記ニューラルネットワークから出力された着陸制御パラメータに基づいて、飛行体を制御する第２のステップとを有する飛行体の着陸制御方法を提供する。

ここで、第１の発明または第２の発明において、フィードバックループは、第１のノードの出力を時間的に遅らせて第２のノードへ入力することが好ましい。

また、第２の発明において、ニューラルネットワークにおける結合重み係数を、遺伝的アルゴリズムを用いて学習する第３のステップをさらに有することが好ましい。この場合、第３のステップは、それぞれが異なる着陸面の揺動を再現する複数の揺動モデルを用いて飛行体の着陸状態を評価することにより、評価条件に適合した最適解を結合重み係数として設定するステップであることが好ましい。また、第３のステップは、所定の世代周期の進化毎に、複数の揺動モデルを異なる揺動モデルと変更するステップを含んでもよい。さらに、第３のステップは、着陸面の揺動状態がオペレータによって意図的に操作された人工揺動モデルをさらに用いて飛行体の着陸状態を評価することにより、評価条件に適合した最適解を結合重み係数として設定するステップを含むことが好ましい。

このように本発明によれば、ニューラルネットワークを用いることで、新たな着陸制御装置を提供することができる。また、フィードバックループを有するニューラルネットワークを用いることで、あるノードの出力が、別のノードにフィードバックされる。これにより、着陸面の揺動に関する時系列的な推移の特徴をニューラルネットワークが記憶することができる。そのため、着陸面の過去の時系列的な揺動が考慮され、着陸面の状態を予見することで、着陸を安定的に制御することができる。

図１は、本実施形態にかかる飛行体の着陸制御装置のブロック構成図である。この着陸制御装置１は、ヘリコプターなどの垂直離着陸航空機（以下単に「飛行体」という）に搭載されており、着陸時の垂直方向の速度制御を行う。着陸制御装置１は、検出部１０と、パラメータ生成部２０と、制御部３０とで構成される。

検出部１０は、飛行体の状態を検出する第１の検出部１１と、飛行体と着陸面との相対的な関係を検出する第２の検出部１２とで構成される。第１の検出部１１としては、例えば、加速度計が挙げられ、この第１の検出部１１により、飛行体の水平方向の加速度（以下「機体加速度」という）が検出される。また、この第１の検出部は、検出された機体加速度を積分することにより、飛行体の水平方向の速度（以下「機体速度」という）を算出する。一方、第２の検出部としては、例えば、ステレオカメラおよび画像処理系を含むステレオ画像処理装置が挙げられ、この第２の検出部１２により、飛行体と着陸面との距離（すなわち、相対高度）が検出される。このステレオカメラは、飛行体の機体下部に取付けられており、飛行体真下の景色を撮像することにより、一対の撮像画像を出力する。ステレオカメラから出力された撮像画像対は後段に設けられた画像処理系によって周知のステレオ画像処理が行われ、これにより、距離データが生成される。この距離データは、一方の撮像画像と他方の撮像画像とにおいて、互いに輝度の相関を有する微小画像領域のずれ量（すなわち、視差）の集合であり、機体下方の距離の二次元的な分布を示す。そして、この距離データに基づいて、着陸面までの距離（相対高度）が算出される。また、算出された相対高度の単位時間当たりの変化量に基づいて、飛行体の垂直方向の速度（以下「垂直速度」という）が算出される。検出部１０によって検出されたこれらの値は、後段のパラメータ生成部２０に対して出力される。

図２は、パラメータ生成部２０の詳細を示す説明図である。パラメータ生成部２０は、ニューラルネットワークＮＮによって構成される。ニューラルネットワークＮＮは、それぞれが同一機能を有する複数のノードＮを有し、各ノードが階層的に設けられた階層型ニューラルネットワークである（本実施形態では、入力層、中間層および出力層からなる複数層の階層型ニューラルネットワーク）。このニューラルネットワークＮＮにおいて、各層を構成するノードＮの数は、オペレータによって適宜設定される。オペレータは、ノードＮを増やすことで得られる解（出力値）の信頼性の向上と、ノードＮの数を減らすことで得られる処理速度の向上という相反する両者の関係（トレードオフ）を考慮した上で、各層が最適なノード数となるようにネットワーク構造を決定する。

このニューラルネットワークＮＮにおいて、入力層には、ニューラルネットワークＮＮが着陸制御パラメータ（本実施形態では、垂直方向の着陸速度）を生成・出力するために必要な情報を入力する分のノードＮが設定される。本実施形態では、検出部１０によって検出された機体加速度、機体速度、相対高度および垂直速度をそれぞれ入力するためのノードＮが入力層に設定される。出力層には、飛行体の着陸制御パラメータを出力するノードＮが設定される。一方、中間層のノードＮは、上述したトレードオフの関係を考慮した上で、オペレータの経験を頼りに、必要な個数分のノードＮが用意される。

また、このニューラルネットワークＮＮには、あるノードＮ（本実施形態では、出力層のノードＮ）の出力が別のノードＮ（本実施形態では、入力層のノードＮ）へ入力されるフィードバックループが設けられている。そのため、出力層には、フィードバック用の出力を目的としたノードＮ（本実施形態では１つ）がさらに設定されており、入力層には、この出力に対する入力を目的としたノードＮ（本実施形態では３つ）がさらに設定されている。このループにより、出力層のノードＮの出力は、システム処理上、一サイクルだけ遅延された後に、入力層のノードＮに入力される。また、このノードＮの出力は、第１の遅延素子Ｚ^-1によって更に一サイクルだけ遅延された後に（したがって、ノードＮの出力に対応する初期の入力からは二サイクルだけ遅延された後）、入力層のノードＮに入力される。また、第１の遅延素子Ｚ^-1からの出力は、その後段に設けられた第２の遅延素子Ｚ^-1によって更に一サイクルだけ遅延された後（したがって、ノードＮの出力に対応する初期の入力からは三サイクルだけ遅延された後）に、入力層のノードＮに入力される。なお、本実施形態において、このフィードバックループはニューラルネットワーク内に存在するループを指す。すなわち、出力層からのフィードバックは、ニューラルネットワークＮＮ内において完結する。

それぞれのノードＮは、入力データｙiに対して数式１，２に示す計算を行い、その演算結果を出力データＹjして出力する。ここで、ｗijは、ｉ番目の素子とｊ番目の素子との間の結合重み係数であり、θjはしきい値である。

これらの数式１，２から分かるように、あるノードＮからの出力は、所定の結合重み係数Ｋijに応じて他のノードＮへ入力される。ここで、数式２は、シグモイド関数と呼ばれ、ニューラルネットワークＮＮにおけるノードの関数として一般に用いられる。シグモイド関数は、０から１まで連続的に変化し、しきい値θjが小さくなるにつれて、ステップ関数に近づいていく。

ニューラルネットワークＮＮを用いて着陸制御パラメータを出力する場合、その出力結果の精度向上を図るためには、予め結合重み係数Ｋijとしきい値θjとを適切に調整（学習）する必要がある。これらの結合重み係数Ｋijとしきい値θjとの学習は、遺伝的アルゴリズムを用いて行われる。

制御部３０は、パラメータ生成部２０から出力された着陸制御パラメータ（本実施形態では、着陸速度）と、着陸制御パラメータの現在値（すなわち、垂直速度）とを比較する。そして、飛行体が、パラメータ生成部２０によって生成・出力された着陸速度となるように各種アクチュエータを制御する。これにより、エンジン出力、或いは、ローターの回転数・ピッチが制御され、飛行体の垂直速度が調整される。

図３は、遺伝的アルゴリズムを用いた結合重み係数ｗijとしきい値θjとの決定手順を示すフローチャートである。この処理では、結合重み係数ｗijとしきい値θjとの値を学習によって適宜調整しながら、このニューラルネットワークＮＮから出力される着陸制御パラメータに従い飛行体を制御する。そして、飛行体の挙動が所定の評価条件を具備したと判断した場合に、この学習が終了する。この評価条件としては、「着陸すること」、「着陸時の垂直速度が小さいこと」、「着陸に要する時間が短いこと」、「着陸に要するエネルギー量が小さいこと」などが挙げられる。なお、飛行体を直接制御すると、実機を破壊するおそれがあるため、シミュレーションによって学習が進められる（図４参照）。

まず、ステップ１において、遺伝子型で構成される個体が複数集合した初期個体集団が生成される。遺伝子型には、結合重み係数Ｋijおよびしきい値θjが該当する。一つの個体は、ニューラルネットワークＮＮにおけるすべての結合重み係数Ｋijおよびしきい値θjを遺伝子型として有する。初期個体集団は、このような個体がｎ個集合したものであり、個体毎に様々な値の遺伝子型Ｋij，θjで構成される。各個体１〜ｎを構成する遺伝子型Ｋij，θjは、例えば、乱数によって初期値が決定される。そのため、個体１〜ｎ毎に結合重み係数Ｋijとしきい値θjとをニューラルネットワークＮＮに設定すれば、結合重み係数Ｋijとしきい値θjが設定されたｎ個のニューラルネットワークＮＮを得る。

ステップ２において、着陸シミュレーションが行われる。このシミュレーションでは、それぞれの個体１〜Ｎを処理対象として、遺伝子型Ｋij，θjが設定されたニューラルネットワークＮＮから出力される着陸制御パラメータに基づいて、飛行体を制御した際の着陸状態が再現される。シミュレータ４０には、波面の状態に応じた船舶上の着陸面の揺動状態を周知の関数式で表現した揺動モデルが用意されている。着陸面の揺動状態には種々のバリエーションが考えられるため、各個体１〜ｎにおける一世代の学習では、それぞれが異なる着陸面の揺動を再現する複数（例えば、２０個）の揺動モデルが用いられる。また、シミュレータ４０には、オペレータによって意図的に操作された人工揺動モデル（具体的には、波面に起因する着陸面の揺動では再現できないようなダイナミックな着陸面の揺動状態）も用意されている。図５は、人工揺動モデルの一例を示す図である。同図には、人工揺動モデルによって再現される着陸面の経時的な推移（揺動パターン）が実線で示されており、飛行体の相対高度の経時的な推移が点線で示されている。この人工揺動モデルでは、飛行体と着陸面との距離がある一定値（例えば、１ｍ）以下となるまで、着陸面が不動の状態に維持される。そして、この一定値よりも飛行体が着陸面に近づいた場合に、着陸面は所定量だけ下方（飛行体から離れる方向）に移動する。そして、ある一定量だけ下方に移動した後に、飛行体が着陸するまで着陸面が上方（飛行体に近付く方向）に移動する。

着陸状態の再現は、揺動モデルおよび人工揺動モデルに対する飛行体モデルによって再現された飛行体の挙動に基づいて、行われる。この飛行体モデルは、予め関数式で飛行体の挙動をモデル化したものであり、これにより、ある着陸制御パラメータに基づいて飛行体を制御した場合の飛行体の実挙動が再現される。このシミュレーションにおいて、シミュレータ４０からは、飛行体の相対高度、垂直速度が算出され、ニューラルネットワークＮＮにフィードバックされる。また、飛行体モデルから、飛行体の機体速度および機体加速度が算出され、これらの値もニューラルネットワークＮＮにフィードバックされる。このような処理を繰り返すことにより、揺動モデル（または人工揺動モデル）に対する着陸状態のシミュレーションが行われる。図６は、着陸シミュレーションにおける飛行体の高度軌跡を示した図である。同図には、飛行体の相対高度の経時的な推移が実線で示されており、着陸面の揺動パターンが点線で描かれている。シミュレーションを通じて、飛行体が着陸したか否か、着陸時の機体速度、着陸に要した時間、着陸に要したエネルギー量が特定される。

ステップ３において、シミュレーション結果に基づいて、それぞれの個体１〜ｎについて、評価値Ａが算出される。この評価値Ａは、「着陸すること」、「着陸時の機体速度が小さいこと」、「着陸に要する時間が短いこと」および「着陸に要するエネルギー量が小さいこと」といった複数の評価条件（複合条件）を総合的に満足する個体ほど、すなわち、よい評価を得る個体ほどその値が小さくなる。例えば、この評価値Ａは、それぞれの評価条件について個別に評価値を算出し、これら算出された評価値に対応する評価条件の重要度に応じて重み係数を設定することにより、積和演算を用いて算出するといった如くである。そして、個体集団中の各個体１〜ｎは、その評価値Ａが小さい個体から順番に、個体１〜ｎとして新たに並び替えられる。

ステップ４において、個体１に関する評価値Ａが、判定評価値Ａerror以下であるか否かが判断される。この判定評価値Ａerrorは、飛行体の着陸状況が先の複合条件を充分に満足したとみなすことができる評価値Ａの最大値として、実験やシミュレーションを通じて予め設定されている。このステップ４において、否定判定された場合、すなわち、評価値Ａが判定評価値Ａerrorよりも大きい場合、続くステップ５に進む。一方、このステップ４において、肯定判定された場合、すなわち、評価値Ａが判定評価値Ａerror以下の場合、ステップ８に進む。

ステップ５において、遺伝的アルゴリズムによる進化演算が行われる。具体的には、個体集団において、個体１〜ｎの選択・淘汰が行われる。このような選択・淘汰の手法としては、逆ルーレット式選択、ランク方式選択、トーナメント式選択等が挙げられる。このステップ４の処理により、ある個体（或いは、個体群）が選択され、選択された個体が個体集団の中から削除される。この削除された個体の位置には、例えば、評価値Ａが小さい方から同数の個体を移すことで、個体集団を構成する個体の数が維持される。つぎに、次世代の個体集団が生成される。具体的には、最適化部１０は、集団中の個体を構成する遺伝子型Ｋij，θjを突然変異および交叉させる。突然変異では、ある個体中の任意の遺伝子型Ｋij（またはθj）が、例えば、乱数によって選択され、乱数により発生した値に変化される。また、交叉では、乱数により選択したある個体群において、これもまた乱数により選択された遺伝子型Ｋij（またはθj）の値を互いに交換する。ただし、突然変異および交叉を行う個体の選択手法としては、乱数によって選び出すことに限定されず、評価値Ａが最も小さい個体１については、その個体を維持するために、突然変異および交叉を行わないようにしてもよい。

ステップ６において、現在の個体集団が、所定の世代周期（例えば、１００世代）進化したか否かが判断される。この判断を設ける理由は、ある特定の条件のみで学習を行った場合に、過学習が生じるからである。過学習は、学習した条件（２０個の揺動モデル）下では、優秀な結果を得るものの、未知の条件に対しては、外乱などの影響により、同様な結果を得ることができないという特性のことである。そのため、適度な周期で条件（揺動モデル）を変更し、過学習の発生を抑制する必要が生じる。このステップ６で肯定判定された場合、すなわち、ある世代周期進化した場合には（例えば、ｎ×１００世代（ｎ＝１，２，・・・））、ステップ７に進む。一方、このステップ否定判定された場合には、ステップ７をスキップして、ステップ２へ戻る。

ステップ７において、揺動モデルが変更される。この変更は、２０個すべての揺動モデルを変更してもよいし、また、幾つかの揺動モデル（例えば、１０固程度）を選択的に変更してもよい。そして、ステップ２以降の処理に戻り、個体１の評価値Ａが判定評価値Ａerror以下となるまで、上述した処理が繰り返される。

ステップ８では、個体１を構成する遺伝子型Ｋij，θj、すなわち、評価条件に適合した遺伝子型Ｋij，θjが最適解として決定され、本ルーチンを抜ける。この場合、この個体１を構成する遺伝子型Ｋij，θjに基づき、これらの遺伝子型Ｋij，θjの値が、ニューラルネットワークＮＮにおける結合重み係数Ｋijおよびしきい値θjとして設定される。

図７は、世代進化にともなう評価値Ａの推移を示す図である。同図から分かるように、世代が進行するにつれ、評価値Ａは小さくなる。これは、世代進行とともに学習が進み、ニューラルネットワークＮＮの結合重み係数Ｋijおよびしきい値θjが適切に調整されていることを意味する。一定の世代周期に到達すると、揺動モデルが変更される。そのため、未知の条件が新たに加えられ、一時的に評価値Ａが大きくなる。しかしながら、さらに世代が進行し、学習が進むにつれ、評価値Ａは次第に小さくなる。そして、定期的に揺動モデルを変更すると、一時的には評価値が悪化するものの、変更を繰り返すことで、種々の揺動モデルに対する対応力が増し、揺動モデルを変更した際の評価値Ａの上がり幅（大きくなる程度）は徐々に小さくなる。そして、最終的には、評価値Ａが、判定評価値Ａerror以下となるまで学習が行われ、最適な遺伝子型Ｋij，θjを得ることができる。

このように、本実施形態によれば、遺伝的アルゴリズムを用いて、フィードバックループを有するニューラルネットワークＮＮの結合重み係数Ｋij（さらには、しきい値θj）の学習を行い、その最適解を決定している。フィードバックを有するニューラルネットワークＮＮは、バックプロパゲーションといった最急降下法の原理に基づいた学習則を行うことができないという問題がある。しかしながら、本実施形態では、遺伝的アルゴリズムを用いることにより、これを解決することができる。

また、フィードバックを持つニューラルネットワークＮＮを用いることで、出力層のノードＮの出力が、入力層のノードＮにフィードバックされる。フィードバックを持たないニューラルネットワークＮＮにおいて、出力層の出力（着陸制御パラメータ）はある時点における入力に依存しており、過去の入力履歴は出力に影響を及ぼさない。したがって、時系列的なデータを入力しても、以前の時系列的なデータの推移の特徴を考慮した上での出力が行われない。本実施形態では、ニューラルネットワークが有するフィードバックループにより、着陸面の揺動に関する時系列的な推移の特徴（揺動パターン）が、その構造により記憶される。これにより、着陸面の過去の時系列的な揺動が考慮され、着陸面の状態を予見した着陸制御パラメータが、ニューラルネットワークＮＮによって出力される。このため、この着陸制御パラメータを用いることにより、安定的な速度制御を行うことができる。

なお、上述したニューラルネットワークＮＮの構造は一例であり、これ以外にも、フィードバック出力を目的としたノードＮを出力層に更に設けてもよい。また、着陸制御パラメータ出力と、フィードバック出力とを目的とした単一のノードのみで出力層を構成してもよい。さらに、時間的な遅延を伴うフィードバックであるならば、そのフィードバックループは、出力層から入力層に設ける以外にも、中間層から入力層へフィードバックループを設けたり、出力層から中間層へフィードバックループを設けたりと、そのバリエーションは様々である。

また、本実施形態では、結合重み係数Ｋijおよびしきい値θjの学習を行う場合、所定の世代周期で揺動モデルが変更される。この手法によれば、評価対象となる揺動モデルの数が初期的に少なかったとしても、定期的に揺動パターンの変更を繰り替えすことで、多数の揺動モデルを用いて評価を行うことができる。これにより、揺動モデルの多様性により過学習を抑制することができる。なお、過学習を抑制するという点に鑑みれば、大量の揺動パターンを用いて評価を行うことも考えられるが、この手法では、解空間が広がり、最適解を求めることが困難となる。そのため、判定評価値Ａerrorへの収束が長期化するという問題がある。この点、本実施形態では、比較的少数の揺動パターンで評価を行い、優秀な個体を選別していきながら学習を進めることにより、評価値Ａが判定評価値Ａerrorへ収束する時間の長期化を抑制することができる。

また、個体を評価する際に、揺動モデルよりも厳しい条件で設定された人工揺動モデルを用いることにより、実環境で起こり得る突飛な変化に対する対応力を事前学習させることができる。また、揺動モデルは定期的に変更されるため、人工揺動モデルをどの世代の個体に対しても評価することで、その結果を一定条件下の評価指針として共通に扱えるという長所がある。

なお、遺伝的アルゴリズムによる学習を行う場合、複数の評価条件を設けることにより、局所的な解からの脱出が困難になることが多い。そのため、複雑な複合条件に関しては、解探索に要する計算時間が極端に遅くなったり、全く進まなくなってしまう現象（所謂、局所解へのトラップ）が発生する。そこで、このような問題を解決するために、いわゆる、段階的進化手法を用いた最適化手法を用いてもよい。この段階的進化手法は、複数の条件が組合わさった評価条件に適合した最適解を遺伝的アルゴリズムを用いて算出する。具体的には、遺伝的アルゴリズムに基づいて、個別に設定された評価条件に適合した解の候補を進化個体群ＰＧn（n＝1〜N）として出力するＧＡエンジンが、下位から上位に亘って複数段設けられている。個体移民制御部は、下位側の進化個体群ＰＧnと上位側の進化個体群ＰＧn+1との間で、進化個体群ＰＧn，ＰＧn-1の一部を移動させる。収束判定部は、最上位のＧＡエンジンの進化個体群ＰＧNに基づいて、最適化の収束判定を行う。各段に設定される評価条件は、下位から上位に向かうに従い、条件が段階的に追加されている。これにより、個体の最適化度合いに応じた進化計算が自動的・自律的に行われるようになる。また、進化個体群の解探索も効率的に行われ、個体遺伝子の偏りも避けられる。その結果、局所解にトラップされる可能性が低くなり、進化の進行度合いはより連続的になるため、良質な解を高速に算出することが可能となる。なお、段階的進化手法を用いた最適化手法の詳細については、特開２００２−３１２７５５号公報に開示されているので必要ならば参照されたい。

また、検出部１０が検出する状態は、上記の形態に限定されない。例えば、第１の検出部１１は、ジャイロを用いて、飛行体の姿勢角速度を検出するとともに、この姿勢角速度を積分し、飛行体の姿勢角を算出してもよい。これにより、パラメータ生成部２０に入力される情報を豊富化することができるので、より正確に制御を行うことができる。また、第２の検出部は、レーザレーダまたはミリ波レーダなどの測距センサを用い、相対高度を算出してもよい。また、飛行体と着陸面との関係を検出するのであれば、着陸面側から情報を取得して、両者の相対的な関係を検出してもよい。ただし、このケースでは、着陸面と飛行体との間で情報の共有を行う必要があり、その設備を設けるためのコストがかかり、また、着陸面が限定されるという弊害が生じる虞がある。

また、ニューラルネットワークＮＮからの出力は着陸速度に限定されず、最適な相対高度等でもよい。また、エンジンの出力値、ローターの回転数・ピッチなど飛行体を制御する制御値を直接的に出力してもよい。また、本実施形態による着陸制御装置は、船上の甲板面への着陸に限定されず、例えば、起伏等が存在する道路を走行する車両への着陸、海上の浮遊体への着陸などその用途は様々である。また、静的な着陸面に対する垂直方向の制御についても適用可能なことはいうまでもない。

本実施形態にかかる着陸制御装置のブロック構成図 パラメータ生成部の詳細を示す説明図 遺伝的アルゴリズムを用いた結合重み係数としきい値との決定手順を示すフローチャート シミュレータを含むシステム構成を示す図 人工揺動モデルの一例を示す図 着陸シミュレーションにおける飛行体の高度軌跡を示した図 世代進化にともなう評価値の推移を示す図

符号の説明

１ 着陸制御装置
１０ 検出部
１１ 第１の検出部
１２ 第２の検出部
２０ パラメータ生成部
３０ 制御部
４０ シミュレータ
ＮＮ ニューラルネットワーク

Claims (13)

1. 飛行体の着陸制御装置において、
   少なくとも着陸面から飛行体までの相対高度を検出する検出部と、
   前記検出部によって検出された検出値を入力として、前記飛行体の着陸制御パラメータを出力するニューラルネットワークであって、当該ニューラルネットワークにおける第１のノードの出力が当該第１のノードとは異なる第２のノードへ入力されるフィードバックループを有する前記ニューラルネットワークで構成されたパラメータ生成部と、
   前記パラメータ生成部から出力された前記着陸制御パラメータに基づいて、前記飛行体を制御する制御部と
   を有することを特徴とする飛行体の着陸制御装置。
2. 前記フィードバックループは、前記第１のノードの出力を時間的に遅らせて前記第２のノードへ入力することを特徴とする請求項１に記載された飛行体の着陸制御装置。
3. 前記ニューラルネットワークは、当該ニューラルネットワークにおける結合重み係数が、遺伝的アルゴリズムを用いて学習されていることを特徴とする請求項１または２に記載された飛行体の着陸制御装置。
4. 前記結合重み係数は、それぞれが異なる前記着陸面の揺動を再現する複数の揺動モデルを用いて前記飛行体の着陸状態を評価することにより、評価条件に適合した前記結合重み係数の最適解が設定されていることを特徴とする請求項３に記載された飛行体の着陸制御装置。
5. 前記複数の揺動モデルは、所定の世代周期の進化毎に、異なる前記揺動モデルと変更されることを特徴とする請求項４に記載された飛行体の着陸制御装置。
6. 前記結合重み係数は、前記着陸面の揺動状態がオペレータによって意図的に操作された人工揺動モデルを用いて前記飛行体の着陸状態を評価することにより、前記評価条件に適合した前記結合重み係数の最適解が設定されていることを特徴とする請求項４または５に記載された飛行体の着陸制御装置。
7. 前記ニューラルネットワークは、入力層、中間層および出力層からなる複数層より構成されており、前記出力層における前記第１のノードの出力を前記入力層の前記第2のノードの入力へフィードバックさせる前記フィードバックループを有することを特徴とする請求項１から６のいずれかに記載された飛行体の着陸制御装置。
8. 飛行体の着陸制御方法において、
   ニューラルネットワークにおける第１のノードの出力が当該第１のノードとは異なる第２のノードへ入力されるフィードバックループを有する前記ニューラルネットワークに、少なくとも着陸面から飛行体までの相対高度を入力することにより、前記飛行体の着陸制御パラメータを出力する第１のステップと、
   前記ニューラルネットワークから出力された前記着陸制御パラメータに基づいて、前記飛行体を制御する第２のステップと
   を有することを特徴とする飛行体の着陸制御方法。
9. 前記フィードバックループは、前記第１のノードの出力を時間的に遅らせて前記第２のノードへ入力することを特徴とする請求項８に記載された飛行体の着陸制御方法。
10. 前記ニューラルネットワークにおける結合重み係数を、遺伝的アルゴリズムを用いて学習する第３のステップをさらに有することを特徴とする請求項８または９に記載された飛行体の着陸制御方法。
11. 前記第３のステップは、それぞれが異なる前記着陸面の揺動を再現する複数の揺動モデルを用いて前記飛行体の着陸状態を評価することにより、評価条件に適合した最適解を前記結合重み係数として設定するステップことを特徴とする請求項１０に記載された飛行体の着陸制御方法。
12. 前記第３のステップは、所定の世代周期の進化毎に、複数の揺動モデルを異なる前記揺動モデルと変更するステップを含むことを特徴とする請求項１１に記載された飛行体の着陸制御方法。
13. 前記第３のステップは、前記着陸面の揺動状態がオペレータによって意図的に操作された人工揺動モデルをさらに用いて前記飛行体の着陸状態を評価することにより、前記評価条件に適合した最適解を前記結合重み係数として設定するステップを含むことを特徴とする請求項１１または１２に記載された飛行体の着陸制御方法。

Images