JP2008180784A - シミュレーション装置 - Google Patents

Abstract

【課題】 従来は簡易気象モデルに基づきシミュレーションを実行するため、訓練演習において実際の気象現象は模擬されず、十分な訓練演習効果が得られない。また模擬は複雑な構成要素から成り、刻一刻変化する気象をパラメータとしたモデリングは難しい。
【解決手段】 観測された気象データと装備品等の運用状況データを入力し、気象データと運用状況データをもとに処理内部構造を変え内部構造情報を出力する学習部と、内部構造情報を入力し装備品等のモデルに対し内部構造情報を纏めた判定データを出力するモデル生成部と、判定モデルを蓄積して入力されたシナリオに従い該当判定モデルの内部構造情報を出力するモデルデータベースと、モデルデータベースより出力された内部構造情報と気象データを入力し装備品等の運用状況予測データを出力する推論予測部と、運用状況予測データをもとにシミュレーションを実行するシミュレーション実行部を備える。
【選択図】 図１

Description

この発明は、気象が航空機、飛翔体、レーダ、地上施設等に与える影響についての事象解析・予測・システム評価や、航空機、飛翔体、レーダ、地上施設等を含むシステムにおける人の訓練・演習等に使われるシミュレーション、及びそのモデリングに関する。

従来、指揮官やパイロット等の教育訓練を行うために、計算機等を用いて疑似体験しながら模擬訓練を受ける訓練用シミュレーション装置が一般に用いられている（例えば、特許文献１参照）。

部隊・指揮官等が立案した作戦に対する訓練・評価を目的としたシミュレーションにおいて、気象が航空機、飛翔体、レーダ、地上施設等に与える影響は、何らかの気象モデルの計算結果を用いることでシミュレーションを行っている。しかし、それは予め設定された気象条件を与えてシミュレーションを行っており、実際観測した、複雑に変化する気象データを用いてシミュレーションを行っているわけではない。従って、航空機、飛翔体、レーダ、地上施設等の装備品をモデリングした場合のシミュレーションでの挙動は、実際の気象データに基づいた高精度なシミュレーションではない。

天気予報における数値予報モデルは、コンピュータの高性能化やセンシング技術の発達により、高精度の予報を実現している。しかし、数値予報モデルは複雑かつ膨大な計算が必要であり、当該シミュレーション装置に数値予報システムを適用する場合、シミュレーション装置は高負荷となるため、適用が難しい。

特開２００１−１１７９０５号公報（第３〜８頁、図１〜１１）

上述のとおり、従来技術におけるシミュレーションは、簡易的に与えられた気象モデルに基づきシミュレーションを実行している。従って訓練・演習において、実際の気象変化により起り得る現象を高精度に模擬しているとは言えず、十分な訓練・演習効果が期待できない。

また、訓練・演習のシミュレーションには、例えば、航空機や艦艇やセンサなどの装備品に関するモデル、緊急発進や空中給油や帰投などのミッション模擬に関するモデル、地形や気象などの環境模擬に関するモデル、探知計算や弾道計算などの物理現象模擬に関するモデルなど複雑な構成要素から成り立っている。従って、上記構成要素に対して刻一刻と変化する気象をパラメータとしたモデリングには手間がかかり難しい。そのため現状のシミュレーションでは、簡易的な気象モデルによるシミュレーションに留まっている。

本発明は上記に鑑みてなされたものであり、実際観測した気象データを用いて、実際の状況に即した高精度シミュレーションを実現すること、及び気象により影響を受ける装備品・施設等のシミュレーションに用いる複雑なモデルを効率的に生成してシミュレーションを行うことを目的とする。

本発明に係るシミュレーション装置は、
センサにより観測された気象データと各種装備品や地上施設や部隊の運用状況に関する運用状況データを入力し、前記気象データと前記運用状況データを入出力パターンとして、処理内部構造を変える学習機能を有し、学習結果である内部構造情報を出力する学習部と、
前記学習部より出力された内部構造情報を入力し、前記装備品や地上施設や部隊のモデルに対して設定項目における前記内部構造情報を纏めた判定データを出力するモデル生成部と、
前記モデル生成部より出力された判定モデルを入力蓄積するとともに、入力されたシミュレーションのシナリオに従い蓄積した前記判定モデルの内部構造情報を出力するモデルデータベースと、
前記モデルデータベースより出力された判定モデルの内部構造情報と気象データを入力し、各種装備品や地上施設や部隊の運用状況を推論予測することで、各種装備品や地上施設や部隊の運用状況予測データを出力する推論予測部と、
前記推論予測部より出力された各種装備品や地上施設や部隊の運用状況予測データをもとにシミュレーションを実行するシミュレーション実行部と、
を備えたことを特徴とするものである。

本発明により、実際に観測した気象データを試験データとして入力し、帰納的に学習してモデルを生成することで、実際の状況に即した高精度のシミュレーションが実現できる。またシミュレーション実行時には、装備品・設備等の運用状況を観測データに基づき推論するため、最新の気象データによるすべての気象パターンをモデリングする必要がなく、モデル生成の負担を軽減することができる。

実施の形態１．
図１は、本発明の実施の形態１におけるシミュレーション装置のブロック図を示した図である。シミュレーション装置は、データ観測装置１とモデル生成・推論予測装置２とシミュレータ３より構成される。

データ観測装置１は、気象データ観測部４と運用状況把握部５より構成される。モデル生成・推論予測装置２は、学習部６とモデル生成部７とモデルデータベース８と推論予測部９より構成される。シミュレータ３は、シミュレーション実行部１０より構成される。

なお本発明においては、気象データと装備品・施設等の運用状況データをもとにシミュレーションモデルを生成するモデル生成処理と、作成したモデルをもとにシミュレーションを行うシミュレーション処理に大別される。従って、モデル生成処理とシミュレーション処理とに分けて説明を行う。

まずモデル生成処理について説明する。気象データ観測部４では、センサにより観測した天気（晴れ、曇り、雨、霧、台風等）、降水量、風速・風向、雲画像、気温、日照などの時刻により変動する気象データ１１をモデル生成・推論予測装置２の学習部６に入力する。上記気象データ１１は、学習部６において学習データとして扱われる。なお気象データ観測部４の例としては、地上観測・人工衛星等に取り付けられたセンサが挙げられる。

運用状況把握部５は、例えば、航空機、艦艇、センサなどの装備品や、基地における滑走路等の地上施設や、部隊の移動等の運用状況を把握し、その運用状況データ１２をモデル生成・推論予測装置２の学習部６に入力する。地上施設や部隊の運用状況とは、例えば、「（△△という気象条件のもとでは、）地上施設の滑走路が使用できない。」とか「（△△という気象条件のもとでは、）部隊の移動ができない。」などの内容である。上記運用状況データ１２は、学習部６において学習データとして扱われる。なお運用状況把握部５の例としては、各装備品や施設等から運用状況に関する情報を収集、蓄積する処理センタ、処理装置等が挙げられる。

なお気象データ観測部４から出力される気象データ１１と、運用状況把握部５から出力される運用状況データ１２には、時刻と場所のデータを伴う。従って、同一時刻・同一場所における気象データ１１と運用状況データ１２を対応づけることが可能である。

学習部６は、ニューラルネットワークで構成されている。学習部６には、入力パターンとして気象データ１１を、出力パターンとして運用状況データ１２を与える。そして与えられた気象データ１１と運用状況データ１２をもとにニューラルネットワークの重み係数１３を決定し出力する。学習部６の処理動作については、図２に関する説明にて後述する。

モデル生成部７は、学習部６にて出力した重み係数１３を入力し、地域別、年毎、季節毎、月日毎、日時毎のように設定項目における重み係数１３を纏めた判定モデル１４を作成する。ここで判定モデル１４とは、例えば、航空機や艦艇やセンサなどの装備品に関するモデル、緊急発進や空中給油や帰投などのミッション模擬に関するモデル、地形や気象などの環境模擬に関するモデル、探知計算、弾道計算などの物理現象模擬に関するモデル等である。これらのモデルに対し、上記設定項目における重み係数１３を纏める。作成された判定モデル１４は、モデルデータベース８に出力する。

このように判定モデル１４は、気象による装備品・施設等の影響を示すモデルである。装備品・施設等のモデルは、各種設定項目の判定モデル１４を持ち、後述するシミュレーション処理においては、判定モデル１４に応じた挙動を行う。例えば、装備品・施設等のモデルとして、基地モデルを考える。当該基地モデルが、異なる季節に対して学習した滑走路運用可否を示す判定モデルを持つ場合、シミュレーションにおいては、季節毎の気象変化に対応した基地の運用状況、例えば滑走路の運用状況に応じた挙動を行う。

モデルデータベース８は、モデル生成部７より出力された判定モデル１４を蓄積する。なお蓄積される判定モデル１４は、学習部６で得られた重み係数１３をパラメータとして持ち、モデルデータベース８には判定モデル１４に対する重み係数１３が蓄積される。この処理までが、モデル生成処理である。

次にシミュレーション処理について説明する。シミュレータ３におけるシミュレーション実行部１０では、まずシミュレーションにおけるシナリオ１５を設定し、モデルデータベース８に与える。シナリオ１５は、モデルデータベース８が保有する判定モデル１４をもとに作成する。例えば、モデルデータベース８が保有する基地モデルにおいて、基地所属の部隊がいつ、どこで、何を行うかについて指令内容を設定する等の内容をシナリオとして設定する。なおシナリオ１５はシミュレーション装置の外部より設定し、シミュレータ３のシミュレーション実行部１０に与えてもよい。

モデルデータベース８は、シミュレーション実行部１０より与えられたシナリオ１５をもとに、シナリオ１５に用いられる判定モデル１４の重み係数１３を推論予測部９へ出力する。

推論予測部９は、ニューラルネットワークを有しており、モデルデータベース８より出力された重み係数１３を設定する。これにより推論予測部９のニューラルネットワークは学習を終えた状態に設定される。

推論予測部９の入力データは、気象データ観測部４で観測した天気、降水量、風速・風向、雲画像、気温、日照などの気象データ１１である。上記気象データ１１を推論予測部９のニューラルネットワークに入力することで、推論予測された装備品・施設等の運用状況予測データ１６を出力する。

推論予測部９で出力された運用状況予測データ１６は、シミュレータ３のシミュレーション実行部１０に入力される。シミュレーション実行部１０は、上記運用状況予測データ１６を用いてシナリオ１５に基づいたシミュレーション、例えば、部隊による作戦や交戦を実施する。

シミュレーション状況は、図１には記載していないが、画面等の表示装置を用いて表示させるようにしてもよい。上記のようにして、シミュレーション処理を実行する。

図２は、学習部６で用いられるニューラルネットワークの構造例を示す図である。ニューラルネットワークにおいては、図２に示すように、中間層、出力層に重み係数１３がある。これは例えば、中間層のある素子２１に対して、入力に重み係数１３を乗算して和をとったものがその素子２１の出力となる。時刻と場所により対応付けられた入力パターンである気象データ１１と出力パターンである運用状況データ１２はともに既知であり、重み係数１３は未知である。従って、ニューラルネットワークに既知である気象データ１１と運用状況データ１２を繰り返し与えることにより各素子２１の重み係数１３を調整して決定する。

ニューラルネットワークでの各素子２１の重み係数１３を決定するには、例えばバックプロパゲーション手法を用いる。バックプロパゲーション手法は、画像や文字などのあいまい認識に対する手法として、一般的に用いられている手法である。従って、詳細な動作説明は省略する。

以上説明したように実施の形態１によれば、実際に観測した気象データを試験データとして入力し、帰納的に学習してモデルを生成することで、実際の状況に即した高精度のシミュレーションが実現できる。またシミュレーション実行時には、装備品・設備等の運用状況を観測データに基づき、シナリオ内容に応じて推論、モデリングするため、最新の気象データによるすべての気象パターンをモデリングする必要がなく、モデリングの負担を軽減することができる。

なお実施の形態１においては、学習部６の処理例としてニューラルネットワークによるバックプロパゲーション手法を用いて説明しているが、ニューラルネットワークに限らず、学習結果から推論予測する処理であれば、他の手法を用いてもよいことは言うまでもない。

実施の形態２．
図３は、本発明の実施の形態２におけるシミュレーション装置のブロック図を示した図である。シミュレーション装置は、データ観測装置１とモデル生成・推論予測装置２とシミュレータ３より構成される。モデル生成・推論予測装置２は、学習・推論予測部３１とモデル生成部７とモデルデータベース８より構成される。それ以外は、実施の形態１と同様である。なお図３（ａ）は、モデル生成処理における処理動作を示すブロック図である。また図３（ｂ）は、シミュレーション処理における処理動作を示すブロック図である。また図３（ａ）、図３（ｂ）とも、矢印はデータの流れを示している。

モデル生成処理における実施の形態１との相違点について説明する。学習・推論予測部３１には、気象データ観測部４より出力された気象データ１１と運用状況把握部５より出力された運用状況データ１２を入力する。学習・推論予測部３１は、例えば実施の形態１における学習部６及び推論予測部９と同様に、ニューラルネットワークにより構成され、重み係数１３を決定し出力する。学習・推論予測部３１の処理動作は、実施の形態１における学習部６と同様であるため、説明は省略する。またモデル生成処理におけるモデル生成部７以降の処理動作も同様であるため、説明は省略する。

次にシミュレーション処理における実施の形態１との相違点ついて説明する。シミュレーション実行部１０におけるシナリオ１５の設定から、モデルデータベース８における判定モデル１４の重み係数１３出力までの処理は、実施の形態１と同様である。

学習・推論予測部３１は、モデルデータベース８より出力された重み係数１３を上書き設定する。学習・推論予測部３１には気象データ１１が入力され、推論予測された装備品・施設等の運用状況予測データ１６を出力する。

シミュレーション実行部１０に運用状況予測データ１６を入力してから以降の動作は、実施の形態１と同様であるため、説明は省略する。

以上説明したように実施の形態２によれば、実施の形態１での効果に加え、実施の形態１で用いた学習部６と推論予測部９を学習・推論予測部３１として機能を纏めることにより、機能ブロックを削減することが可能となる。

本発明の実施の形態１におけるシミュレーション装置のブロック図を示した図である。 学習部６で用いられるニューラルネットワークの構造例を示す図である。 本発明の実施の形態２におけるシミュレーション装置のブロック図を示した図である。

符号の説明

１．データ観測装置
２．モデル生成・推論予測装置
３．シミュレータ
４．気象データ観測部
５．運用状況把握部
６．学習部
７．モデル生成部
８．モデルデータベース
９．推論予測部
１０．シミュレーション実行部
１１．気象データ
１２．運用状況データ
１３．重み係数
１４．判定モデル
１５．シナリオ
１６．運用状況予測データ
２１．素子
３１．学習・推論予測部

Claims (4)

1. センサにより観測された気象データと各種装備品や地上施設や部隊の運用状況に関する運用状況データを入力し、前記気象データと前記運用状況データを入出力パターンとして、処理内部構造を変える学習機能を有し、学習結果である内部構造情報を出力する学習部と、
   前記学習部より出力された内部構造情報を入力し、前記装備品や地上施設や部隊のモデルに対して設定項目における前記内部構造情報を纏めた判定データを出力するモデル生成部と、
   前記モデル生成部より出力された判定モデルを入力蓄積するとともに、入力されたシミュレーションのシナリオに従い蓄積した前記判定モデルの内部構造情報を出力するモデルデータベースと、
   前記モデルデータベースより出力された判定モデルの内部構造情報と気象データを入力し、各種装備品や地上施設や部隊の運用状況を推論予測することで、各種装備品や地上施設や部隊の運用状況予測データを出力する推論予測部と、
   前記推論予測部より出力された各種装備品や地上施設や部隊の運用状況予測データをもとにシミュレーションを実行するシミュレーション実行部と、
   を備えたことを特徴とするシミュレーション装置。
2. センサにより観測された気象データと各種装備品や地上施設や部隊の運用状況に関する運用状況データを入力し、前記気象データと前記運用状況データを入出力パターンとして、処理内部構造を変える学習機能を有し、学習結果である内部構造情報を前記モデル生成部に出力するとともに、
   入力されたシミュレーションのシナリオに従い前記モデルデータベースより出力された前記判定モデルの内部構造情報と気象データを入力し、各種装備品や地上施設や部隊の運用状況を推論予測して、各種装備品や地上施設や部隊の運用状況予測データを出力する学習・推論予測部
   を備えたことを特徴とする請求項１記載のシミュレーション装置。
3. 前記学習部、前記推論予測部にはニューラルネットワークを用い、前記学習部より出力される内部構造情報は、ニューラルネットワークにおける重み係数であることを特徴とする請求項１記載のシミュレーション装置。
4. 前記学習・推論予測部にはニューラルネットワークを用い、前記学習・推論予測部より出力される内部構造情報は、ニューラルネットワークにおける重み係数であることを特徴とする請求項２記載のシミュレーション装置。

Images