JP2005245792A

JP2005245792A - 体関節サポータ

Info

Publication number: JP2005245792A
Application number: JP2004061448A
Authority: JP
Inventors: Toru Yamamoto; 透山本; Ryota Kurozumi; 亮太黒住
Original assignee: Hiroshima University NUC
Current assignee: Hiroshima University NUC
Priority date: 2004-03-04
Filing date: 2004-03-04
Publication date: 2005-09-15

Abstract

【課題】体関節サポータにおいて、対象となる人体の個体差や経時変化に柔軟に適応し、高い精度と信頼性とを実現する。
【解決手段】利用者の体関節部を支持する首保持部１１および肩パッド１２と、利用者の指示に応じて、上記支持部による体関節部の支持状態を変化させるシリンダと、上記シリンダの動作を制御する制御部とを備え、該制御部は、適応学習型のＰＩＤ制御によって、上記シリンダの動作を制御する。
【選択図】図１

Description

本発明は、障害者等の利用者に対して、体関節の支持、動作などを補助する体関節サポータに関するものである。

今日、介護問題や高齢者の生活の質に関する問題が提起されると共に、障害のある人々の現状を理解し、その問題を解決しようという動きが社会的に進んでいる。そのような流れの中で、福祉機器をはじめとする生活支援機器についても、単に機能的な障害を補完する目的にとどまらず、生活の質自体を向上することに貢献することが求められている。

例えば、福祉機器の一種として、障害者等の体関節の支持、動作などを補助する可動式体関節サポータが利用されている。

その一例となる可動式首サポータは、首の筋力が麻痺する障害をもつ人の動作を支援する機器である。例えば、筋萎縮性側索硬化症（Amyotrophic Lateral Sclerosis：ＡＬＳ）等により筋肉が麻痺し、首を自らの意思で動かすことができないという障害に対し、首を保持しながら、視線の動きなどから利用者の意思を読みとって、シリンダにより首の動きを支援し、視界の確保および意思表示の実現を図る構成となっている。

このような福祉機器の動作を適切に制御するためには、各種の制御技術が用いられる。体関節の中でも特に、首は、脊髄、動脈、気道等、生命維持に関わる部分の集まる非常にデリケートな部位なので、充分な安全を確保して、負担をかけないようにする必要があり、可動式首サポータの動作制御には、高い精度と信頼性とが求められる。
特開２００１−１３３３００号公報特開２００１−１６５２６８号公報特開２００１−１６６６７６号公報

このような福祉機器は、使用する人の状態に、柔軟に適応した動作制御を行うことが好ましい。なぜなら、使用する人によって障害等の程度は異なり、また同じ人であっても、障害等の状態は常に変化するので、適切な支援動作を実現するためには、使用する人の状態に柔軟に適応することが求められるからである。

例えば、ＡＬＳ等の障害は、進行性のものが多く、病状が常に変化する。具体的には、手足など、人体の末端部分から麻痺し始め、首、顔、目という順番で麻痺症状が進行することが多い。したがって、首サポータにも、利用者の筋力低下を補いつつ、利用者の残存能力を引き出し、筋力の退化を防ぐような、高度の補助動作を実現する制御が求められる。

しかし、従来の制御技術の多くは、主に、プラスチックなどの石油化学製品を生産する化学工場におけるプロセスシステムの制御や、工業用ロボットの制御など、人の介在しない機械系の中で用いられてきたものであって、人体を対象とする福祉機器のように、動作制御に高い柔軟性や信頼性を必要とする機器に、そのまま適用することはできない。

化学プロセス制御系などでは、ＰＩＤ制御手法が広く用いられている。これは、ＰＩＤゲインのもつ物理的意味が明確であり、制御構造が比較的簡単であることなどによるものである。しかし、制御性能に大きな影響を与えるＰＩＤゲインの調整法については、通常、非線形性を有するシステムに柔軟に適応させることはできなかった。すなわち、非線形なシステムの制御については、動作点近傍での線形近似システムを求め、それに対して線形フィードバック制御を適用して、ＰＩＤゲインを決定することが一般的であるが、この手法では、制御性能に限界があるうえ、制御対象の特性変化には適応させることが難しい。したがって、これら従来の制御技術では、人体を対象とする福祉機器のように、個人差や経時変化に柔軟に適応すべき機器の制御を満足に行うことはできなかった。

本発明は、前記の問題点に鑑みてなされたものであり、その目的は、対象となる人体の個体差や経時変化に柔軟に適応し、高い精度と信頼性とを実現する体関節サポータを提供することにある。

本発明に係る体関節サポータは、上記課題を解決するために、利用者の体関節部を支持する支持部と、利用者の指示に応じて、上記支持部による体関節部の支持状態を変化させるシリンダと、上記シリンダの動作を制御する制御部とを備える体関節サポータであって、上記制御部は、適応学習型のＰＩＤ制御によって、上記シリンダの動作を制御することを特徴としている。

上記の構成において、利用者の体関節部とは、例えば、利用者の首（頸部）、手首、足首、肘、膝、腰など、人体の可動関節部分すべてのことである。特に、本発明に係る体関節サポータは、利用者の首（頸部）を支持することが好ましい。筋萎縮性側索硬化症等の筋肉麻痺に対しては、頸部を支持が重要となるが、首は、脊髄、動脈、気道等、生命維持に関わる部分の集まる非常にデリケートな部位なので、充分な安全を確保して、負担をかけないようにする必要がある。そこで、本発明の動作制御における高い精度と信頼性とは、利用者の首（頸部）の支持に好適である。

本発明に係る体関節サポータは、上記体関節部を、支持部によって支持すると共に、上記シリンダを動作させることによって、上記支持部による体関節部の支持状態を変化させて、利用者の動作を補助するものである。これら動作は、適宜の入力装置等を通じて入力される利用者の指示に応じて制御され、実行される。この制御は、制御部が適応学習型のＰＩＤ制御によって実行する。

それゆえ、上記構成によれば、ＰＩＤ制御からなる比較的簡単な制御構造によって、安定した制御を実現すると共に、シリンダ等に起因するシステムの非線形性にかかわらず、利用者の個人差や経時変化に柔軟に適応することができる。

また、本発明に係る体関節サポータは、上記の構成において、上記制御部が、小脳演算モデルを用いて、上記ＰＩＤ制御の制御パラメータを決定することも好ましい。

上記構成によれば、ニューラルネットワークの一種である小脳演算モデル（ＣＭＡＣ）
の高い学習性能、すなわち、学習回数・学習時間の短さや汎化作用によって、ＰＩＤ制御の制御パラメータを固定型としたり、階層型ニューラルネットワークを用いて調整したりする場合と比較して、高速かつ柔軟な適応学習を実現することができる。特に、小脳演算モデルを用いれば、システムに強い非線形性が存在する場合であっても、効果的な適応学習を実現することができる。

また、本発明に係る体関節サポータは、上記の構成において、上記シリンダは、内部気圧の変化によって動作する気圧シリンダであることも好ましい。これにより、シリンダの重量を比較的小さいものとしながら、人体に優しい、柔らかな動きと柔軟な構造を実現することができる。

また、本発明に係る体関節サポータは、上記の構成において、上記シリンダは複数であって、上記支持部と上記シリンダとの接続は、パラレルリンク機構からなることも好ましい。

上記の構成によれば、複数のシリンダが支持部の同一部分に接続されたパラレルリンク機構となっているので、この可動部を、各シリンダの合力で動かすことができる。したがって、単一のシリンダ出力よりも大きな力で支持部を動かし、コンパクトで剛性の高い構造を実現することができる。

以上のとおり、本発明に係る体関節サポータによれば、比較的簡単な制御構造によって、安定した制御を実現すると共に、シリンダ等に起因するシステムの非線形性にかかわらず、利用者の個人差や経時変化に柔軟に適応することができるという効果を奏する。

〔１．首サポータの構成〕
本発明の一実施形態に係る首サポータ１について、図１乃至図３７に基づいて説明すれば、以下のとおりである。首サポータ１は、人体に装着されるサポート部１０と、サポート１１の動作・制御を司る制御部２０とから構成されている。

図１に示すように、サポート部１０は、首を保持するクッションを備えた首保持部１１、肩パッド１２、複数のシリンダ１３から構成されている。

図２（ａ）〜（ｄ）は、首サポータ１を上方向、正面方向、左方向、背面方向からみた場合の外観図である。図３は、首サポータ１の上方向からの外観写真を示す図である。図３において、サポート部１０は、シリンダ１３として、空気圧シリンダ（後述の２６ａ・２６ｂ・２６ｃ・２６ｄ）を採用しており、この構造によって、シリンダ重量を軽減しながら、人体に優しい柔軟な構造を実現している。

首サポータ１は、空気圧シリンダ２６ａ・２６ｂ・２６ｃ・２６ｄを伸縮させることによって、首保持部１１を動かし、利用者の頭部の旋回運動や上下運動を補助する。すなわち、図２〜図３に示すように、サポート部１０は、首の周囲に配置された複数の直動型の空気圧シリンダ２６ａ・２６ｂ・２６ｃ・２６ｄが同一の可動部に接続されたパラレルリンク機構であって、この可動部を各シリンダの合力で動かす構造となっている。

図２〜図３において、顔正面側の２シリンダが互いに逆方向に伸縮すれば、頭部の左右旋回運動の補助となり、後頭部側の２シリンダが同方向に伸縮すれば、頭部の上下運動の補助となる。サポート部１０は、このようなパラレルリンク機構を採用することによって、単一のシリンダ出力よりも大きな力で可動部を動かし、コンパクトで剛性の高い構造を実現している。

図４は、サポート部１０と接続される制御部２０の構成を示すブロック図である。制御部２０は、マイクロコンピュータ２１（ＰＷＭ回路２２、Ａ／Ｄコンバータ２８を含む）、電空変換弁２３ａ・２３ｂ・２３ｃ・２３ｄ、エアーコンプレッサ２４、フィルタレギュレータ２５、空気圧シリンダ２６ａ・２６ｂ・２６ｃ・２６ｄ、直動型ポテンショメータ２７ａ・２７ｂ・２７ｃから構成されている。なお、後述の通り、空気圧シリンダ２７ｄには、直動型ポテンショメータは、備え付けられていない。

上記構成において、マイクロコンピュータ２１は、後述のＣＭＡＣ-ＰＩＤ制御をプログラム実装されたコンピュータであって、例えばＨ８／３０６９Ｆなどを用いることができる。また、電空変換弁２３ａ・２３ｂ・２３ｃ・２３ｄは、エアーコンプレッサ２４およびフィルタレギュレータ２５から、空気圧シリンダ２６ａ・２６ｂ・２６ｃ・２６ｄに送りこまれる空気圧を入力電圧に比例して制御することにより、電圧信号に応じて空気圧を調整する（Ｅ／Ｐ制御）を行うものである。

ここで、エアーコンプレッサ２４としては、極力、低騒音でコンパクトなものを用いることが好ましい。また、制御部２０の筐体なども、軽量のアルミ合金などを用いることが好ましい。

マイクロコンピュータ２１のＰＷＭ回路２２からの出力信号に基づいて、電空変換弁２３ａ・２３ｂ・２３ｃ・２３ｄが制御される。これにより、エアーコンプレッサ２４およびフィルタレギュレータ２５から、空気圧シリンダ２６ａ・２６ｂ・２６ｃ・２６ｄに送りこまれる空気量が制御される。

各空気圧シリンダ２６ａ・２６ｂ・２６ｃ・２６ｄは、空気圧シリンダ構造からなっており、密閉された筒内をロッドの取り付けられたシリンダが、ロッド側、シリンダ側双方の空間の空気圧を変化させることで移動し、ロッド先端に力および変位をあたえるシリンダである。

各空気圧シリンダの位置（移動量）は、直動型ポテンショメータ２７ａ・２７ｂ・２７ｃによって検出される。直動型ポテンショメータ２７ａ・２７ｂ・２７ｃの検出信号は、Ａ／Ｄコンバータ２３を経て２０ｍｓｅｃ毎にサンプリングされ、デジタル信号としてマイクロコンピュータ２１に入力される。

また、マイクロコンピュータ２１には、首サポータ１の動作を利用者が指示入力するため、図略の入力インタフェースが備えられている。入力インタフェースの形態は、キーボード、マウスなど、特に限定されるものではないが、人工網膜チップなどを用いた公知の視線入力装置などを用いることも好ましい。このような視線入力装置を用いれば、ＡＬＳ等の症状が進行した利用者であっても、自然な動作で指示入力を行うことができる。

首サポータ１は、マイクロコンピュータ２１に実装されたＣＭＡＣ-ＰＩＤ制御によって、空気圧シリンダ２６ａ・２６ｂ・２６ｃ・２６ｄの非線形動作にかかわらず、クッションにかかる圧力情報（空気圧シリンダの位置）や、入力インタフェースからの入力情報等に基づいて、利用者の首の動きが適切に補助されているか否かを適切に判断しながら、制御系にフィードバックして、学習することができる。

実際に、利用者が、首サポータ１を備えた車椅子を使用しているときの様子を図５に示す。同図において、制御部２０の構成は全て、車椅子内部に格納されていることが好ましい。

〔２．ＣＭＡＣ-ＰＩＤ制御〕
次に、マイクロコンピュータ２１に実装され、首サポータ１の制御を担うＣＭＡＣ-ＰＩＤ制御について説明する。順序としては、まずＰＩＤ制御について説明し、次に、ＣＭＡＣを用いたＰＩＤ制御の調整手法について説明する。

〔２−１．ＰＩＤ制御〕
制御とは、一般に、ある目的に適合するように、対象となっているものに所要の操作を加えることであって、対象となる機械・プロセス・システム等を制御対象、それに組み合わされて制御を行う装置を制御装置、制御対象・制御装置などを系統的に組み合わせた全体を制御系と称する。

従来、代表的な制御技術として、ＰＩＤ制御が広く知られている。図６を用いて、ＰＩＤ制御系の構成を説明しておく。同図の構成では、制御対象の出力である制御量ｚが、与えられた目標値ｒに一致するように、制御装置によって、操作量ｕが決定される。このとき、操作量には外乱ｗが入ったり、また制御量をセンサ等を用いて観測した観測量ｙにもノイズｖが混入したりすることがあるので、制御装置は、これら要因にも対応して適切な制御を実現することが求められる。

図６における制御装置は、ＰＩＤコントローラ（controller）からなっており、このＰＩＤコントローラは、その名称のとおり、Ｐ（Proportional・比例）動作・Ｉ（Integral・積分）動作・Ｄ動作（Derivative・微分）を行うものである。

Ｐ動作では、動作制御における目標値と観測量の差を偏差（制御偏差）と呼び、この偏差に基づいて操作量が決定される。偏差が小さければ操作量も小さく、偏差が大きくなれば、それに応じて操作量を大きくするのが適当であるから、制御則には偏差に比例する項を含める。

ただし、制御対象が自己平衡性（動作操作量を一定値に保つとき制御量が最終的に一定値に落ち着く性質）をもつ場合、Ｐ動作（比例制御）のみを行うと、目標値や外乱のステップ状変化に対して最終的に一定の偏差（定常偏差）が残ってしまうので、これを除去するために、偏差の積分に比例する項を制御則に含める。これがＩ動作である。

また、上記Ｐ動作、Ｉ動作に加え、偏差の増減の動向を操作量の決定に反映して，制御
特性の改善を図るために偏差の微分に比例する項も制御側に含める。これが、Ｄ動作であって、一種の予見動作に相当する。

以上、Ｐ・Ｉ・Ｄの３動作からなるＰＩＤ制御系の制御則は、偏差をｅとすれば、式１の通りである。
〔式１〕

式１において、Ｋ_P、Ｋ_I、Ｋ_Dは、比例定数である。なお、式１は、式２のように表現することが慣習となっている。
〔式２〕

式２において、Ｋ_Pは比例ゲイン、Ｔ_I は積分時間、Ｔ_Dは微分時間と呼ばれる。したがって、ＰＩＤ制御系の設計は、比例ゲイン、積分時間、微分時間の３パラメータを決定することに集約される。このパラメータ決定を、ＰＩＤ制御の調整という。

次に、基本的なＰＩＤ制御において、目標値がステップ関数状に変化する場合を考える。この場合、原理的には微分動作のために、ステップ関数の微分すなわちデルタ関数が操作量に含まれることとなる。実際には、不完全微分を用いるため、デルタ関数は実現されないものの、鋭いパルス状の信号（set point kick）が操作量に含まれる。しかし、操作量に、このようなパルス状信号が含まれるとしても、実際の操作部（例えば、空気圧電磁弁）を、パルス状に動かすことは通常不可能であり、無理に動かすことは操作部の機構を破壊することにつながるので、好ましくない。

そこで、目標値を微分することをやめて、微分動作は観測量にだけ働くようにする構成が考えられる。同様に、目標値のステップ状変化における比例動作に注目すると、比例動作により操作量はステップ関数を含むこととなるので、比例動作についても、観測量にだけ働くようにする構成が考えられる。

このように、比例動作、微分動作の両者を観測量にだけ働くようにした制御構成が、図７に示す比例・微分先行型ＰＩＤ制御である。比例・微分先行型ＰＩＤ制御は、I−ＰＤ制御とも呼ばれる。I−ＰＤ制御の制御則は、式３で表現される。
〔式３〕

〔２−２．ＣＭＡＣ−ＰＩＤ制御〕
前述の通り、ＰＩＤ制御系の制御性能は、その調整、すなわちパラメータ設定の適切さに大きな影響を受けることになる。

本実施形態に係る首サポータ１では、ニューラルネットワークの一種である小脳演算モデル（Cerebellar Model Articulation コントローラ（controller）: ＣＭＡＣ）を用いてＰＩＤ制御を調整することによって、適応学習型の制御系を実現している。

〔２−２−１．ＣＭＡＣ〕
人間をはじめとする生物の脳の構造をモデル化し、その働きを制御など工学的に応用する研究が広くなされており、近年の計算機の発展に伴い、多くの成果がもたらされるようになってきた。特に、脳の神経細胞構造のモデルとしてニューラルネットワークが提案され、信号処理分野、画像処理分野だけでなく、制御分野でも利用が進んでいる。

例えば、セルフチューニング型ニューロＰＩＤ制御は、ＰＩＤ制御の構造を持ち、そのＰＩＤゲインを階層型ニューラルネットワークを用いて調整することで、非線形性を有するシステムに対し有効な制御を行うことのできるものである。しかし、階層型ニューラルネットワークは、ニューロンの結合荷重をバックプロパゲーション法（ＢＰ法）などを用いて調整する構造を持っており、事前にオフラインで十分な学習を行う必要があるので、多くの学習データと学習時間とを必要とする。

一方、階層型ニューラルネットワークと異なるニューラルネットワークの一種として、小脳演算モデル（Cerebellar Model Articulation controller: ＣＭＡＣ）が提案されている。

図８に、ＣＭＡＣの概念図を示す。ＣＭＡＣは、人の小脳皮質内の情報処理機構の数学的モデルで、分散共有メモリ構造の表を参照することにより非線形関数を学習するものである。すなわち、ＣＭＡＣは、表参照構造であり、入力信号に対して複数の荷重表を参照し、その総和を出力とする。そして入力の距離に応じて出力の生成及び学習時に参照する荷重表のアドレスを変化させる。入力の距離が近い場合は重複したアドレスを参照し、距離が遠くなるにつれて重複度は減少し、一定の距離を越えるとすべて異なったアドレスを参照する。

このような構造を有するＣＭＡＣは、ＢＰ法によって全てのネットワークの結合荷重を調整する従来の階層型ニューラルネットワークと異なり、共有メモリ構造に基づいて、入力の距離に応じて出力の生成及び学習時に参照するニューロンを変化させるものである。

これにより、ＣＭＡＣは、出力の生成及び学習に用いるニューロンを入力の距離に応じて切り替えることができるため、非線形性の強いモデルに対して少ない学習回数で近似を行うことが可能である。また、ＣＭＡＣでは、一回の学習において一部の荷重のみを修正するため、学習に要する計算時間が少なく、学習時間をより短縮することができる。

ＣＭＡＣの構造の説明のために、図９に、入力次元２、荷重表数３からなる簡単なモデルを示す。同図に示すように、２次元の入力空間に（３，６）のベクトルが入力された時、ＣＭＡＣはその入力に応じて、［Ｂ，Ｆ，Ｊ］、［ｃ，ｇ，ｋ］のラベルを参照する。そして、ラベルに従い、３つの荷重表の荷重値（図９では、８，９，３）を参照し、その総和である２０を出力する。

ＣＭＡＣは、入力に応じて目標とする値を出力するように学習するために、目標とする値とＣＭＡＣの出力との差を荷重表の数で割った値を用いて、出力の生成に用いた荷重値を修正する。図Ｇに示す例では、目標値として１４が与えられたとすると、その差を荷重表の数３で割った値、すなわち−２が荷重値に加算される。

次に、式４で表現される関数を用いて、ＣＭＡＣの学習特長を説明しておく。
〔式４〕

ここで、ＣＭＡＣへの入力（ｓ₁，ｓ₂)について、ｘ＝２πｓ₁／３６０、ｙ＝２πｓ_２／３６０、範囲は０＜ｓ₁＜３６０、０＜ｓ_２＜１８０、荷重表の数を３２として得られた学習結果を示したものが、図１０〜図１３である。

図１１は、入力（ｓ₁，ｓ₂)＝（９０，９０)について１回目の学習を行った結果、続いて、図１２は、入力（ｓ₁，ｓ₂)＝（２７０，９０)について２回目の学習を行った結果、図１３は、（ｓ₂)＝（９０)として、徐々にｓ₁を変化させ、１６点で学習を行った結果、図１４は、入力空間内に分散させた１７５点の入力データについて学習を行った結果を示している。

図１１の結果から、ＣＭＡＣを用いた場合、学習を行った点だけでなく、その近傍についても値が変更され、ピラミッド状になっていることが分かる。すなわち、ＣＭＡＣはその構造により、入力点の周囲にも学習の影響を与えることができる。これを汎化作用という。ＣＭＡＣは、この汎化作用を利用して、図１３のように、一部の離散データを与えて学習させることで、目的とする関数全体を精度良く近似することができる。

〔２−２−２．ＣＭＡＣを用いたＰＩＤ制御の調整〕
次に、マイクロコンピュータ２１に実装され、首サポータ１の制御を担うＣＭＡＣ-ＰＩＤ制御の具体的設計について説明する。

まず、式５で与えられるＩ−ＰＤ制御則を考える。
〔式５〕

式５は、比例ゲインＫ_P、積分ゲインＫ_I、微分ゲインＫ_Dを用いた簡略化表現であって、同式中の制御誤差ｅ（ｔ）は、式６であらわされる。
〔式６〕

図１４（ａ）に、マイクロコンピュータ２１に実装され、首サポータ１の制御を担うＣＭＡＣ-ＰＩＤ制御系のブロック線図を示す。図１４（ｂ）は、同図（ａ）に示した制御系の制御フローを示す概念図である。

図１５は、図１４（ａ）（ｂ）における、ＰＩＤコントローラ（controller）の入出力イメージである。同図に示すように、上記ＰＩＤコントローラは、３つのＣＭＡＣを備えており、それぞれのＣＭＡＣが、ＰＩＤパラメータＫ_P、Ｋ_I、Ｋ_Dを出力するように学習する。また、上記ＰＩＤコントローラは、制御対象の非線形性に対応するために、入力信号の一つとして目標値ｗ（ｔ）をとる。さらに、上記ＰＩＤコントローラは、制御誤差ｅ（ｔ），ｅ（ｔ−１）を用いて３入力としており、式７で与えられる評価規範Ｊが減少するようにＣＭＡＣの学習を行う。
〔式７〕

式７において、ｙ（ｔ）はシステムの出力、Ｙ_ｍ（ｔ）は、ＣＭＡＣの学習のために与える参照信号である。

マイクロコンピュータ２１の機能ブロックであるＰＩＤコントローラは、式８に示す勾配に基づいて、評価規範を減少させるために、次式に示す勾配Ｊに基づいて３つのＣＭＡＣを学習する。
〔式８〕

式８は、式９のように展開される。
〔式９〕

式９において、∂ｙ（ｔ）／［∂ｕ（ｔ−１）］は、システムヤコビアンであり、ここでは、その符号が一定でかつ既知であると仮定する。上記ＰＩＤコントローラにおける３つのＣＭＡＣは、入力ｗ（ｔ），制御誤差ｅ（ｔ），ｅ（ｔ−１）をコード化して３組のラベルを生成する。それぞれの入力に対するラベルの総数を、size ｗ，size _ｅ１，size _ｅ２とすると、ＣＭＡＣはコード化により入力ベクトルを大きさがsize ｗ×size _ｅ１×size _ｅ２のＫ個の表に離散化する。ＣＭＡＣは生成されたラベルに従いそれぞれ荷重を参照し、式１０のように、各表の荷重総和を出力とする。
〔式１０〕

〔式１１〕

ただし、式１０において、ｈ＝１，２，・・・，Ｋで、Ｋは参照する荷重の総数を示す。また、式１０において、ｇ（ｔ）は、荷重修正の割合を決定する学習係数であり、式１１のように参照モデルの出力とシステムの出力の差に従って可変とする。誤差が大きい時には荷重修正量を大きくとり、少ない時には修正量を少なくすることで、学習速度を速めることが期待できる。
〔式１２〕

式１２において、a，ｂ，ｃは、適当な正の定数である。

以上のような、ＣＭＡＣ-ＰＩＤ制御系の有効性を、数値シミュレーションを用いて、各種の非線形システム（Ｈａｍｍｅｒｓｔｅｉｎモデル、Ｂｉｌｉｎｅａｒモデル、ポリスチレン重合反応器への適用＝ジャケットモデル）について検証したところ、ＣＭＡＣ-ＰＩＤ制御系は、固定ゲイン型のＰＩＤ制御法、階層型ニューラルネットワークを用いてＰＩＤゲインを調整するＰＩＤ制御系、制御入力を直接出力するＣＭＡＣ制御（直接出力型ＣＭＡＣ制御）と比較して、学習時間が短く、かつ、強い非線形性を持つ制御対象に対しても、緩やかに学習が収束する安定的な振る舞いが期待できることがわかった。

〔２−３．ＣＭＡＣ−ＰＩＤ制御系による空気圧シリンダの制御〕
次に、図１６を参照しながら、ＣＭＡＣ−ＰＩＤ制御系による空気圧シリンダ２６ａ・２６ｂ・２６ｃ・２６ｄの制御について具体的に説明する。

図１６において、首の左右回転角度φ及び上下傾け角度Ψを実現するための各シリンダ１３ａ・１３ｂ・１３ｃ・１３ｄのシリンダ長さの目標値は、次のように求められる。

まず、図１７のようなモデル化を行い、このモデルにおいて、首は、原点Ｏを中心として回転するものとする。ここで、基準座標系Σ_Aを定義し、直交する座標系をＸ_A，Ｙ_A，Ｚ_A とする。そして、Ｙ_A軸回りにΨ度、Ｚ_A軸回りにφ度回転させた座標系Σ_Ｂとして、座標系Ｘ_Ｂ，Ｙ_Ｂ，Ｚ_Ｂを設定する。

サポート部１０の肩パッド１２は利用者の肩に固定され、首保持部１１は、頭を保持しながら回転する。そこで、各シリンダ１３ａ・１３ｂ・１３ｃ・１３ｄにおける肩パッド１２側の支点座標を、基準座標系Σ_Aからみたベクトル↑^Ａｒ_Ｐ＝［ｐ_ｐ１，ｐ_ｐ２，ｐ_ｐ３] で表現する。同様に、各シリンダ１３ａ・１３ｂ・１３ｃ・１３ｄの首保持部１１の支点座標を座標系Σ_Ｂからみたベクトル↑^Ｂｒ_Ｓ＝［ｐ_ｐ１，ｐ_ｐ２，ｐ_ｐ３] で表現する（ここで「↑Ａ」の表記は、Ａがベクトルであることを意味している）。

基準座標系Σ_Aから座標系Σ_Ｂへの回転行列（^ＡＲ_Ｂ）は、式１３で表される。
〔式１３〕

各シリンダ１３ａ・１３ｂ・１３ｃ・１３ｄの首保持部１１側の支点座標を、基準座標系Σ_Aからみたベクトル↑^Ａｒ_Ｓは、回転行列（^ＡＲ_Ｂ）を用いて、↑^Ａｒ_Ｓ＝（^ＡＲ_Ｂ）・↑^Ｂｒ_Ｓのように表現できる。

このとき、各シリンダ１３ａ・１３ｂ・１３ｃ・１３ｄのシリンダ長さの目標値ｓ_１，ｓ_２，ｓ_３は、式１４によって求められる。
〔式１４〕

首サポータ１は、このようにして求めたｓ_１，ｓ_２，ｓ_３を目標値として、前述のＣＭＡＣ-ＰＩＤ制御系を適用し、各シリンダ１３ａ・１３ｂ・１３ｃ・１３ｄのシリンダ長さを制御する。首サポータ１による首の左右回転角度φおよび上下傾け角ψは、前記入力インターフェースを通じて、利用者によって指示される。

具体的には、マイクロコンピュータ２１に、前述のＣＭＡＣ−ＰＩＤコントローラを３つ並列処理するアルゴリズムを組み込み、それぞれのコントローラを用いて各空気圧シリンダ２６ａ・２６ｂ・２６ｃ・２６ｄを制御する。空気圧シリンダ２６ｄについては、空気圧シリンダ２６ｂと同方向の運動を行うため、空気圧シリンダ２６ｂと同じ操作量を与える。

ここで、Ｓ_１，Ｓ_２，Ｓ_３（それぞれ０〜１０２４までの整数値とする)をそれぞれのＣＭＡＣ−ＰＩＤコントローラの（式６）におけるｗ（ｔ）とする。

また、各空気圧シリンダ２６ａ・２６ｂ・２６ｃ・２６ｄに取り付けられた直動型ポテンショメータ２７ａ・２７ｂ・２７ｃ・２７ｄの出力信号をＡ／Ｄコンバータ２８で処理した値を、それぞれのＣＭＡＣ−ＰＩＤコントローラの（式６）におけるｙ（ｔ）とする。Ａ／Ｄコンバータ２８で変換された値は、それぞれ０〜１０２４の整数値となっている。与えられたｗ（ｔ）とｙ（ｔ）に基づいて、ＣＭＡＣ−ＰＩＤコントローラによって操作量ｕ（ｔ）が決定される。

操作量ｕ（ｔ）は、ＰＷＭ回路２２によってパルス信号に変換され、電空変換弁２３ａ・２３ｂ・２３ｃ・２３ｄに伝えられる。ここで、電空変換弁２３ａ・２３ｂ・２３ｃ・２３ｄは、０〜１０Ｖの範囲の入力電圧に対して、０〜０．５Ｍｐａの空気圧に調整されるように設定した。また、電空変換弁２３ａの電圧は、５Ｖの一定値とし、各空気圧シリンダ２６ａ・２６ｂ・２６ｃ・２６ｄのロッド側の空気圧が、電空変換弁２３ａ・２３ｂ・２３ｃ・２３ｄの最大出力空気圧の半分である０．２５Ｍｐａとなるように設定し、各空気圧シリンダ２６ａ・２６ｂ・２６ｃ・２６ｄのシリンダ側の空気圧をそれぞれ電空変換弁２３ｂ・２３ｃ・２３ｄを用いて調整する。

３つのＣＭＡＣ−ＰＩＤコントローラのｕ（ｔ）は、それぞれ電空変換弁２３ａ・２３ｂ・２３ｃ・２３ｄに伝えられる。電空変換弁２３ａ・２３ｂ・２３ｃ・２３ｄによって、空気圧シリンダ２６ａ・２６ｂ・２６ｃ・２６ｄのシリンダ側の空気圧が０〜０．５Ｍｐａの範囲で調整され、各シリンダは伸縮運動を行う。なお、前述のように、空気圧シリンダ２６ｄについては、空気圧シリンダ２６ｂと同じ操作量を与えるので、空気圧シリンダ２６ｄのシリンダ側には、空気圧シリンダ２６ｂと同様、電空変換弁２３ｃの出力を接続する。

このとき、首サポータ１は、利用者の首にかかる力も考慮して制御することが好ましい。例えば、利用者の後頭部と左右顎部とに、３つの感圧センサを配置して、この感圧センサの検知結果に基づいて、インピーダンス制御を行うことも好ましい。

〔２−４．首サポータシステムの実験結果〕
前述の要領で試作した首サポータ１について、図１８に示すように、左右の振幅が最大２４[deg]、上下の振幅が最大３０[deg] で首を回す動作を行うように、目標回転角度φおよびψ（Ψ）を与えて、制御動作を実行した。本実験では、首サポータ１に用いる空気圧シリンダ２６ａ・２６ｂ・２６ｃ・２６ｄの無駄時間が小さく、利用者の首の動きの支援動作も比較的ゆっくりとしたものであって、即応性を要求しないため、ＰＩＤ制御の比例・積分・微分動作のうち、即応性を高める目的で用いられる微分動作、すなわちＤ動作を省略したＰＩ制御を採用した。

すなわち、ＰＩＤ制御に用いられるＰＩＤパラメータ（８式における比例ゲインＫ_ｐ，積分ゲインＫ_Ｉ，微分ゲインＫ_Ｄ）のうち、ＰＩパラメータ（比例ゲインＫ_ｐ，積分ゲインＫ_ｐ）のみをＣＭＡＣによって調整している。このように、ＰＩＤパラメータの一部だけを、ＣＭＡＣによって調整する形態も、本発明の技術的範囲内に含まれる。

まず、比較例として、首サポータ１の制御に、従来の固定ゲイン型ＰＩＤ制御を適用し、ＰＩＤパラメータをＫ_P＝１．８０，Ｋ_I＝２．３０，Ｋ_Ｄ＝０．１４として制御を行った結果、図１９〜図２１に示す結果が得られた。
〔式１５〕

式１５に示す誤差積分ＩＡＥは、平均で、空気圧シリンダ１３ｂが７５９、空気圧シリンダ１３ｃが８６６となった。空気圧シリンダ自体の動作の非線形性に加えて、首サポータ１の機構および首の重量変化（実験では頭部骨格模型を用いた）による非線形性の影響が、制御精度の悪影響要因となっている。図１９〜２１に示されるとおり、各空気圧シリンダで異なった制御特性を示した。

次に、首サポータ１の制御にＣＭＡＣ-ＰＩＤ制御を適用し、全てのシリンダ１３ａ・１３ｂ・１３ｃ・１３ｄの誤差積分ＩＡＥが３５０以下になるまで学習を行った結果について、図２２〜図２４に空気圧シリンダの目標位置と制御結果、図２５〜図２７にＣＭＡＣによって調整したＰＩパラメータ、図２８にＩＡＥの変化を示す。

それぞれのシリンダ１３ａ・１３ｂ・１３ｃ・１３ｄにおいて、各シリンダ１３ａ・１３ｂ・１３ｃ・１３ｄの特性に応じてＰＩパラメータを変化させて、目標値への追従特性を向上させていることがわかる。

さらに、ＣＭＡＣ-ＰＩＤ制御を適用した首サポータ１の学習による適応能力を検証するため、首の硬さと頭の重量を変化させて実験を行った。具体的には、頭部骨格模型の首の柔軟性を硬く設定し、頭部に０．５ｋｇの重りを追加した状態で、前記比較例の固定ゲイン型ＰＩＤ制御を適用した首サポータ１と、ＣＭＡＣ-ＰＩＤ制御を適用した首サポータ１を比較した。

まず、図２９〜図３１は、前記比較例の固定ゲイン型ＰＩＤ制御を適用した場合の結果を示すグラフである。ここで、ＩＡＥは平均で、空気圧シリンダ１３ａが４０８、空気圧シリンダ１３ｂが９７２、空気圧シリンダ１３ｃが７７９となった。図２９〜図３１から、首の硬さと頭の重量を変化させる前と比較して、制御特性が変化している様子がわかる。特に、頭部の重量が増したため、首の上下動に関わる空気圧シリンダ１３ｂの追従特性が悪化している。

次に、首サポータ１の制御にＣＭＡＣ-ＰＩＤ制御を適用し、全てのシリンダ１３ａ・１３ｂ・１３ｃ・１３ｄの誤差積分ＩＡＥが３５０以下になるまで学習を行った結果について、図３２〜図３４に示す。図３３に示すように、空気圧シリンダ１３ｂにおいては首を上に傾ける際に、重りの影響と見られる多少の乱れが見られるが、全体としては、前記比較例の固定ゲイン型ＰＩＤ制御を適用した場合と比較して、追従特性の向上を実現している。

最後に、図３５〜図３７として、本実験に用いた首サポータ１、および頭部骨格模型の外観写真を示しておく。

〔３．その他〕
以上、首サポータ１の空気圧シリンダとして、シリンダ１３ａ・１３ｂ・１３ｃ・１３ｄを用いるものとして説明したが、よりコンパクトな構成を実現するために、シリンダ１３ａ・１３ｂ・１３ｃ・１３ｄとして、ゴム等の軟らかい素材を用いたジャバラ、カフ、バルーン型シリンダを採用してもよい。

また、首サポータ１の空気圧シリンダと、シリンダ１３ａ・１３ｂ・１３ｃ・１３ｄとを、ゴム成型などによって一体的に成型して軟式のものとしてもよい。このような構成とすれば、首サポータ１の重量は大幅に軽くできるうえ、利用者の首部分に無理な力がかからず、装着における心理的な違和感が少なくなるため、使用感の優れたものとすることができる。

本発明は上述した実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能である。すなわち、請求項に示した範囲で適宜変更した技術的手段を組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。

本発明は、障害者等の利用者に対して、体関節の支持、動作などを補助する体関節サポータに幅広く適用することができる。

本発明の一実施形態に係る首サポータの外観構成を示す図である。（ａ）〜（ｄ）は、上記首サポータを上方向、正面方向、左方向、背面方向からみた場合の外観図である。首サポータの外観写真を示す図である。制御部の構成を示すブロック図である。利用者が、首サポータを備えた車椅子を使用しているときの様子を示す図である。 PID 制御系のブロック線図である。 I-PD 制御系のブロック線図である。 CMAC の概念図である。２入力CMAC モデルの模式図である。１点学習の結果を示す図である。２点学習の結果を示す図である。１６点学習の結果を示す図である。１７５点学習の結果を示す図である。（ａ）は、ＣＭＡＣ-ＰＩＤ制御系のブロック線図であり、（ｂ）は、同制御系の制御フローを示す概念図である。ＰＩＤコントローラの入出力イメージである。首サポータのリンク機構の説明図である。首の運動のモデルの説明図である。目標回転角度φ およびψを示す図である。シリンダ１のI-PD 制御の結果を示す図である。シリンダ２のI-PD 制御の結果を示す図である。シリンダ３のI-PD 制御の結果を示す図である。シリンダ１のCMAC-PID 制御の結果を示す図である。シリンダ２のCMAC-PID 制御の結果を示す図である。シリンダ３のCMAC-PID 制御の結果を示す図である。図２２におけるPI パラメータを示す図である。図２３におけるPI パラメータを示す図である。図２４におけるPI パラメータを示す図である。学習によるIAE の変遷を示す図である。シリンダ１のI-PD 制御の結果を示す図である。シリンダ２のI-PD 制御の結果を示す図である。シリンダ３のI-PD 制御の結果を示す図である。シリンダ１のCMAC-PID 制御の結果を示す図である。シリンダ２のCMAC-PID 制御の結果を示す図である。シリンダ３のCMAC-PID 制御の結果を示す図である。実験に用いた首サポータおよび頭部骨格模型の外観写真を示す図である。実験に用いた首サポータおよび頭部骨格模型の外観写真を示す図である。実験に用いた首サポータおよび頭部骨格模型の外観写真を示す図である。

符号の説明

１首サポータ（体関節サポータ）
１１首保持部（支持部）
１２肩パッド（支持部）
２０制御部
１３ａ空気圧シリンダ（シリンダ）
１３ｂ空気圧シリンダ（シリンダ）
１３ｃ空気圧シリンダ（シリンダ）

Claims

利用者の体関節部を支持する支持部と、
利用者の指示に応じて、上記支持部による体関節部の支持状態を変化させるシリンダと、
上記シリンダの動作を制御する制御部とを備える体関節サポータであって、
上記制御部は、適応学習型のＰＩＤ制御によって、上記シリンダの動作を制御することを特徴とする体関節サポータ。
上記制御部は、小脳演算モデルを用いて、上記ＰＩＤ制御の制御パラメータを決定することを特徴とする請求項１に記載の体関節サポータ。
上記シリンダは、内部気圧の変化によって動作する気圧シリンダであることを特徴とする請求項１または２に記載の体関節サポータ。
上記シリンダは複数であって、上記支持部と上記シリンダとの接続は、パラレルリンク機構からなることを特徴とする請求項１乃至３のいずれか１項に記載の体関節サポータ。
上記支持部は、利用者の頸部を支持することを特徴とする請求項１乃至４のいずれか１項に記載の体関節サポータ。