JP2010086376A - センサユニット - Google Patents

Abstract

【課題】ネットワークセンサは、天井等の使用者から離れた場所や、動かしにくい場所に設置されるため、センサが誤検知をおこなった場合でも容易にその条件を変えることができない。
【解決手段】複数のネットワークセンサのデータを自己組織化マップ上に射影して出力する自己組織化マップ計算手段と、状態図とその時のセンサのパラメータ値の組を記憶している状態図記憶手段と、自己組織化マップ計算手段によるマップ計算結果と状態図記憶手段が記憶する状態図を入力としマップ計算結果と状態図の位置関係を計算して位置情報として出力する状態図位置計算手段と、状態図位置計算手段の位置情報と状態図記憶手段のセンサのパラメータ値から現在のセンサのパラメータ値を決定する状態図制御手段と、状態図制御手段のセンサのパラメータ値からネットワークセンサの信頼度を算出するネットワークセンサ値信用度算出手段を備えた。
【選択図】図１

Description

本発明は、ネットワークに接続されたセンサにおいて、自動的にセンサの方向、ズーム量等の機械量を最適化することで誤検知が少ないセンサユニットとプログラムおよびその
記録媒体に関するものである。

従来、ネットワークに接続された人体検知、開閉センサを用いることで、遠隔地の人体情報、ドアの開閉情報を容易に知ることができた。その情報を活用することにより、省エネ、および、利便性を向上する制御を行うことができた（例えば、特許文献１参照）。
特開２００５−２２７９８２号公報

しかしながら、ネットワークセンサは、一例としてあげると、天井、足元等の使用者から離れた場所、動かしにくい場所に設置されるため、検知方向、検知場所の条件下でセンサが誤検知をおこなった場合でも容易にその条件を変えることができなかった。その結果として誤検知が多く、かつ、信頼性の低いセンサとなるという課題があった。本発明は、前記従来の課題を解決するもので、使用者の手間を省き、自律的にセンサユニットの検知方向、検知場所の最適制御を行うことで、誤検知が少なく、信頼性の高いセンサユニットとプログラムおよびその記録媒体を提供することを目的とする。

前記従来の課題を解決するために、ネットワークに接続され、機械手段によって検知する方向を決定され、対象物の状態を検知したセンサの値をネットワークセンサ値として出力するネットワークセンサと、複数の機械手段の中で使用する機械手段とその移動量を示す機械量を決定する機械制御手段と、機械制御手段によって使用が決定した場合は、機械制御手段による移動量に達するまでモータを稼動する機械手段と、ネットワークセンサに接続され、ネットワークセンサ値の複数の特徴量を抽出する特徴量抽出手段と、特徴量抽出手段による複数の特徴量を自己組織化マップ上に射影して、マップ計算結果として出力する自己組織化マップ計算手段と、特徴量を自己組織化マップ上に射影した結果と特徴量に対応する信用度、および、信用度を上げるために必要な機械手段とその移動量をパラメータ値の組として記憶している状態図記憶手段と、前記自己組織化マップ計算手段によるマップ計算結果と前記状態図記憶手段が記憶する状態図を入力としマップ計算結果と状態図の位置関係を計算して位置情報として出力する状態図位置計算手段と、前記状態図位置計算手段の位置情報と前記状態図記憶手段のサンプルデータの信用度から現在のネットワークセンサの信用度を算出する信用度算出手段と、状態図記憶手段のパラメータ値、信用度算出手段による信用度を入力して、ネットワークセンサユニットの機械量を決定し、機械制御手段に機械量を出力する機械量決定手段を備えたセンサユニットを有するものである。

これによって、ネットワークセンサの特徴量によってセンサの信用度を算出し、センサの信用度を最大化する条件にまで機械手段による移動量を示す機械量を制御して、ネットワークセンサの検知を行うので、誤検知が少なく、かつ、信頼性が高いセンサユニットを提供することができる。

本発明のセンサユニットとプログラムおよびその記録媒体は、誤検知が少なく、かつ、
信頼性が高いセンサユニットを提供することができる。

従来の課題を解決するために、第１の発明は、ネットワークに接続され、機械手段によって検知する方向を決定され、対象物の状態を検知したセンサの値をネットワークセンサ値として出力するネットワークセンサと、複数の機械手段の中で使用する機械手段とその移動量を示す機械量を決定する機械制御手段と、機械制御手段によって使用が決定した場合は、機械制御手段による移動量に達するまでモータを稼動する機械手段と、ネットワークセンサに接続され、ネットワークセンサ値の複数の特徴量を抽出する特徴量抽出手段と、特徴量抽出手段による複数の特徴量を自己組織化マップ上に射影して、マップ計算結果として出力する自己組織化マップ計算手段と、特徴量を自己組織化マップ上に射影した結果と特徴量に対応する信用度、および、信用度を上げるために必要な機械手段とその移動量をパラメータ値の組として記憶している状態図記憶手段と、前記自己組織化マップ計算手段によるマップ計算結果と前記状態図記憶手段が記憶する状態図を入力としマップ計算結果と状態図の位置関係を計算して位置情報として出力する状態図位置計算手段と、前記状態図位置計算手段の位置情報と前記状態図記憶手段のサンプルデータの信用度から現在のネットワークセンサの信用度を算出する信用度算出手段と、状態図記憶手段のパラメータ値、信用度算出手段による信用度を入力して、ネットワークセンサユニットの機械量を決定し、機械制御手段に機械量を出力する機械量決定手段を備えたセンサユニットを有するものである。

これによって、ネットワークセンサの特徴量によってセンサの信用度を算出し、センサの信用度を最大化する条件にまで機械手段による移動量を示す機械量を制御して、ネットワークセンサの検知を行うので、誤検知が少なく、かつ、信頼性が高いセンサユニットを提供することができる。

第２の発明は、特に、第１の発明において、特徴抽出手段の特徴量の数を３以上とすることにより、より多くの情報を得ることができるので、より正確にパラメータの決定を行うことができる。

第３の発明は、特に、第１または第２の発明において、状態図記憶手段は、自己組織化マップ上に射影するデータとその時におけるパラメータ値は既知であるものにしたことにより、より正確に情報を把握することができ、さらにより正確な制御をすることができる。

第４の発明は、特に、第１〜第３のいずれか１つの発明において、状態図位置計算は、マップ計算結果、状態図、位置情報を使用者に報知するようにしたことにより、使用者はセンサユニットの状態を正確に知ることができる。

第５の発明は、特に、第３または第４の発明において、状態図記憶手段は、データとその時におけるパラメータ値の組が入力されると、状態図に追加することにより、センサユニットの状態などの最新、かつ、正確な情報を入手することができるので、より正確にセンサユニットを制御することができる。

第６の発明は、特に、第１〜第５のいずれか１つの発明において、状態図制御手段は、状態図記憶手段が記憶する状態図とそのときのパラメータ値を入力として、状態図を入力、パラメータ値を出力とする関係式を記憶して、関係式を用いてパラメータ値を決定するようにしたことにより、パラメータを迅速に求めることができ、センサユニットの制御をタイムリーに行うことができる。

第７の発明は、特に、第６の発明において、信用度算出手段は、自己組織化マップ計算手段のマップ計算結果を関係式に代入することに より正確なパラメータ値を求める構成とするものである。よって、関係式に代入することによりパラメータを求めるようにしたことにより、パラメータを迅速に求めることができ、センサユニットの制御をよりタイムリーに行うことができる。

第８の発明は、特に、第５〜第７のいずれか１つの発明において、状態図記憶手段は、データが過去に入力されたデータと同じである場合は、状態図に追加しない構成とすることにより、無駄なデータ学習による時間のロスを防ぐことができ、よりスピーディなセンサユニットの制御を行うことができる。

第９の発明は、特に、第５〜第８のいずれか１つの発明において、信用度算出手段は、データと過去に入力されたデータの差異が予め設定されたしきい値を上回る場合は、状態図に追加しない構成とすることにより、過去のサンプルデータとの差異が大きいもの、つまり、間違ったデータである可能性が高いものは除くので、より正確なセンサユニットの制御を行うことができる。

第１０の発明は、特に、第１〜第８のいずれか１つの発明において、自己組織化マップ計算手段は、自己組織化マップ上に射影した結果が規定された最大値を上回ったときは最大値を、または、自己組織化マップ上に射影した結果が規定された最小値を下回ったときは、最小値を出力する構成とすることにより、状態図の範囲外のデータでもセンサユニットの制御を行うことができるので、より幅広い範囲でのセンサユニットの制御を行うことができる。

第１１の発明は、特に、第１〜第１０のいずれか１つの発明におけるセンサユニットの機能の少なくとも一部をコンピュータに実行させるためのプログラムとすることにより、プログラムであるので、電気・情報機器、コンピュータ、サーバーなどのハードリソースを協働させてセンサユニットの少なくとも一部を容易に実現することができる。

第１２の発明は、特に、第１１の発明におけるプログラムを記録したコンピュータ読み取り可能な記録媒体とすることにより、記録媒体に記録したり通信回線を用いてプログラムを配信したりすることで、プログラムの配布・更新やそのインストール作業が簡単にできる。

以下、本実施の形態について、図面を参照しながら説明する。なお、この実施の形態によって本発明が限定されるものではない。

（実施の形態）
各図は、本発明の実施の形態におけるセンサユニットを示している。

図１に示すように、ネットワークセンサ２は距離測定、人体検知、開閉状態等を検知するネットワークセンサであり、制御ユニット１５と離れた場所に設置され、小電力無線、ブルートゥース、無線ＬＡＮ、有線ＬＡＮケーブル等の通信手段により制御ユニット１５へそのデータを転送するものである。ネットワークセンサ２は、第一の機械手段４、第二の機械手段５によりその検知する方向、一例として挙げると、第一の機械手段３で左右、第二の機械手段４で上下方向に移動するものである。第一の機械手段４、第二の機械手段５は、機械制御手段５により決定された移動量に達するまでネットワークセンサの方向移動を行う。

さらに、ネットワークセンサ２の特徴量、一例にて上げると、センサ出力時間、形状、
高さの３つの特徴量を抽出し、その値を出力する特徴量抽出手段６と、特徴量を自己組織化マップ上に射影して、マップ計算結果として出力する自己組織化マップ計算手段７と、特徴量を自己組織化マップ上に射影した結果である状態図、その特徴量であるときの信用度、及び、その信用度を向上させる機械手段とその移動量を示す機械量を一対のパラメータの組として記憶している状態図記憶手段９と、自己組織化マップ計算手段７によるマップ計算結果と状態図記憶手段９が記憶する状態図を入力として、マップ計算結果と状態図の位置関係を計算して、位置情報として出力する状態図位置計算手段８と、状態図位置計算手段８の位置情報と状態図記憶手段９のパラメータ値からネットワークセンサの信用度を算出する信用度算出手段１３、また、信用度算出手段１３、状態図記憶手段９を入力として、信用度算出手段１３による信用度をさらに向上させるための第一の機械手段４、第二の機械手段５の移動量を状態図記憶手段９を用いて決定する機械量決定手段１４を備えている。また、加えて、状態図位置計算手段８による低次元の状態図を使用者に報知（表示）するようにした状態表示手段１２と、状態図更新手段１０と、サンプルデータ追加手段１１とを備えている。

状態図更新手段１０は、サンプルデータ追加手段１１により既知であるセンサの特徴量、そのときの信用度、および、信用度を向上させるための機械量を一組としてサンプルデータとして入力されると、サンプルデータのセンサのデータを自己組織化マップ上に射影した結果であるサンプルデータマップ計算結果を状態図記憶手段９が記憶する状態図にパラメータ値と対にして追加する。ただし、状態図更新手段１０は、サンプルデータのデータ値が大幅に大きいとか、小さい場合は、サンプルのデータの値がおかしいとして状態図の追加を行わない。よって、状態図記憶手段９が記憶する状態図の群はより正確なデータベースを作成することができる。また、サンプルデータ追加手段１１により上記工程を経て、サンプルデータによる状態図の更新が常に行われるために、より正確な複数のネットワークセンサ２の検知方向等のパラメータを設定することができる。

また、状態図位置計算手段５は、状態図記憶手段９が記憶する状態図と自己組織化マップ計算手段７が計算したマップ計算結果を入力とし、マップ計算結果と状態図の位置関係を計算して、位置情報として出力するものである。

上記のセンサユニット構成によると、複数のネットワークセンサ２のパラメータを自律的に、自己組織的に最適なものに変更することができ、センサ値を使用する機器のマイコンの負担、設計者によるカットアンドトライによる手間を大幅に削減することができる。ただし、上記図１の構成図においては抽出量の数を３として説明したが、抽出量の数はいくらでも良く、数が多い方がより効果が大きい。

また、状態表示手段１２は低次元の自己組織化マップ、状態図を使用者に表示することにより、ネットワークセンサ２の状態を報知する。そのことにより、例えば、使用者はセンサが異常状態であることを知ることができる。よって、使用者にセンサユニットの安全使用状況などの情報を提供することができる。

次に、自己組織化マップ計算手段７で使用する自己組織化マップについて説明する。自己組織化マップは、入力層と競合層の２層からなる多層ニューラルネットワークの一種であり、人の脳における働きの一つである「情報を学習し似通った情報同士を一つのグループとして取り扱うグループ分け、または、クラスタリングを行う行為」を人工的に行うものである。また、自己組織化マップを用いることにより多次元のデータを２次元に写像することが可能であり、高次元のデータの可視化、特に、クラスタリング結果の可視化を行うことが容易にできるという特長がある。

図２により、自己組織化マップの動作について説明する。自己組織化マップは、上述し
たように、図２に示す入力層、競合層の２層からなるニューラルネットワークである。入力層はｎ個（図２の場合はｎ＝４）のユニットから構成され、ｉ番目のユニットの値をＸｉ（ｉ＝１〜ｎ）とする。また、競合層はｍ個（図２の場合はｍ＝６）のユニットから構成され、ｊ番目のユニットの値をＹｊ（ｊ＝１〜ｍ）とする。

自己組織化マップにおいて、入力層のユニットＸｉと競合層のユニットＹｊは次式に示す関係式を満たす。

Ｙｊ＝ｆ（Σｊ＝１〜ｍＷｉｊ・Ｘｉ）・・・（１）
ただし、ｆ（ｘ）＝１（ｘ＞０．５）、ｆ（ｘ）＝０（ｘ≦０．５）、重み係数Ｗｉｊ（ｉ＝１〜ｎ、ｊ＝１〜ｍ）はある定数とする。

つまり、入力層のユニットにデータＸｉが入力されると、競合層のユニットＹｊは（１）式によって計算することにより求めることができる。

自己組織化マップによるデータの学習とは、重みＷｉｊを入力層Ｘｊに入力された入力データＺｋの値によって変化することである。ただし、入力データＺｋは対応する入力層Ｘｉに入力する。つまり、入力層Ｘｉ＝Ｚｉ（ｉ＝１〜ｎ）となる。ｔ回目の学習の方法を以下で簡単に説明すると、全ての重み係数Ｗｉｊと入力Ｘｉとの距離ｄｊを（２）の式に従って計算し、最もその距離が短い、つまり、最も値が小さい競合ユニットｊを勝者ユニットとする（詳細は、「自己組織化マップの応用」出版：海文堂、著作：徳高平蔵、岸田悟、藤村喜久郎、Ｐ７からＰ９）。

ｄｊ＝Σｉ＝１〜ｎ（Ｗｉｊ−Ｘｉ）２ ・・・（２）
勝者ユニットｊを決定すると、全ての重み係数Ｗｉｊを以下の（３）の式に従って更新する。

Ｗｉｊ← Ｗｉｊ＋α・（Ｘｉ−Ｗｉｊ） ・・・（３）
ただし、αは近傍関数と呼ばれる関数であり、以下の性質を満たす。

１．近傍関数αは学習回数ｔに関する単調減少関数であり、学習回数ｔが無限大になったとき、０に収束する。

２．競合ユニット同士の距離ｓに関して単調減少する。図２の一例にて挙げると、競合ユニット１と競合ユニット５の場合の距離ｓは４＝５−１となる。入力データＺｋの数に相当する重み係数Ｗｉｊの変化を１工程、つまり、１回の学習として学習回数ｔが要求する数になるまで繰り返し行う。

自己組織化マップによる学習結果について、図３〜図５を用いて説明する。

図３は、縦軸に動物名、横軸を属性として、各々交わった箇所が正しければ○を、間違っていれば×を記入することにより作成した動物の属性図である。例えば、ハトは、「小さく」「２本足である」「羽を持っている」「飛ぶことができる」ので、それぞれ該当する項目「小さい」「２本足」「羽」「飛ぶ」に○を記入し、それ以外の項目は×とする。同様に、その他の動物についても属性図を作成する。

図３で作成した属性図を入力データＺｌｋ（ｌ番目の入力データＺｌのｋ番目の要素を意味する）に変換したのが、図４である。ただし、図３に示す属性データにおいて○であれば１、×であれば０としてｌ番目の入力データＺｌｋを作成する。

図４に示す動物の属性データを入力データＺｌｋとして自己組織化マップによって、学習した結果を図５に示す。図５は点で示した競合ユニットを横７個、縦８個に並べて図示したものであり、動物名は各動物の入力データの勝者ユニットを表している。図５に示すように、属性が似通ったもの鳥類「アヒル」「ガチョウ」など、草食動物「ウマ」「ウシ」など、肉食動物「トラ」「ライオン」は距離的に近い場所に集合していること、同類によるグループに分けられたクラスタリングができていることがわかる。

次に、図５に示す学習が終了した自己組織化マップの入力層のユニットＸｉに図４で示した工程で作成した新しいデータを下式の（４）に代入すると、最も値が大きい競合層のユニットＹｊを求めることができる。

Ｙｊ＝ｆ（Σｊ＝１〜ｍＷｉｊ・Ｘｉ）・・・（４）
最も値が大きくなる競合層のユニットＹｊと図５の自己組織化マップ上の位置関係を見ることで新しいデータの性質を知ることができる。例えば、新しいデータを入力したとき、図５におけるタカの競合層のユニットが最も大きくなった場合、新しいデータはタカであるとわかるし、タカとワシ間の競合層のユニットが最も大きくなった場合、入力されたデータは鳥類であり、タカとワシと似通った特性のトンビであることがわかる。

つまり、上記で示したように、サンプルとするデータによって自己組織化マップを作成し、作成した自己組織化マップに新しいデータを入力することにより、入力データの特性を容易に知ることができる。また、入力データの次元が多い場合でも図５の２次元の自己組織化マップ上に射影することと同等であるから、次元数が多い、データ数が多いなどの複雑なデータ分析も容易に行うことができる。

また、定性量が明らかな物質を同様に自己組織化マップで学習した場合、競合層のユニットを座標として示したもの（図５）の横軸、縦軸がある特徴的な値（鉛含有量、塩分量）を示すことがわかっている。つまり、自己組織化マップを使用することにより２次元の主成分分析を容易に行うことができる。

次に、本実施の形態における自己組織化マップによる解析の具体例を、使用センサユニットとして人体検知センサを使用した時を一例として図６、図７で説明する。

図６は、ある部屋にセンサユニット１が設置されたものを示している。ネットワークセンサ２は人体を検知すると、それを報知するために制御ユニット１５へその人体検知信号を出力する。制御ユニット１５では、その報知信号が入力されると人がいるとして、一例としてあげるとエアコンを動作させる。上記ネットワークセンサを使用することにより、人の検知を行い、その結果により省エネ、および、快適性を同時に実現する家電機器の制御を行うことができる。

しかし、一例として示すと、西日による太陽光が連続して照射される条件下では赤外線を検知して人体検知を行うネットワークセンサは図６に示すネットワークセンサのようにセンサ出力が出し続ける状態となることがある。その結果、人がいないのに人がいるという誤検知を行う可能性が生じる。

さらに、一例として図７に示すように、カーテンの風による移動が太陽光を部屋内部に照射し、さらに風でカーテンが移動により揺らめくことによる太陽光が揺らめいている等の理由で、ネットワークセンサの出力値が継続して不規則的に変化することがある。その結果、人がいないのに人がいるという誤検知を行う可能性が生じる。上記図６、図７は、西日、カーテンの風の揺らめきにより人体検知の誤動作を示した一例であり、その他の条件でも誤動作がある可能性がある。

しかし、ネットワークセンサの出力値の履歴、つまり、図６のネットワークセンサの出力値、図７の各ネットワークセンサの出力変化を見ることでそれが誤動作していることがわかる。そこで本発明では、ネットワークセンサの出力値の履歴を自己組織化マップを利用することにより、そのセンサ値が飽和しているか、どうかの非飽和度Ｋ、不規則に揺らめいていないかどうかを示す不規則度Ｈを調べることによりネットワークセンサのデータの使用度を計算するものである。

前工程として、信用度が明らかなネットワークセンサの特徴量を入力データとして学習を行い、対応した自己組織化マップを作成する。また、図５に示すように競合層のユニットを配置した時の横軸、縦軸の特徴的な値、一例にて示すと、非飽和度Ｋ、不規則度Ｈとする。

図８に学習した自己組織化マップの結果を示す。ただし、サンプルデータａ、ｂ、ｃ、ｄ、ｅの自己組織化マップ上の座標も同時に示した。

もし図８の自己組織化マップにしきい値が決定していないネットワークセンサのデータを入れると、ある点に射影される。サンプルデータａ、ｂ、ｃ、ｄ、ｅ上に射影されれば、同じ環境であると考えて、対応するサンプルデータのしきい値の時間、大きさを使用すれば良い。

しかし、一般には、サンプルデータと同じ点に射影されないため、下記に示す各サンプルデータとの距離を関係式として求める。

サンプルａとの距離 ｄ１２＝（ａ１−ａ）＾２＋（ｂ１−ｂ）＾２
サンプルｂとの距離 ｄ２２＝（ａ２−ａ）＾２＋（ｂ２−ｂ）＾２
サンプルｃとの距離 ｄ３２＝（ａ３−ａ）＾２＋（ｂ３−ｂ）＾２
サンプルｄとの距離 ｄ４２＝（ａ４−ａ）＾２＋（ｂ４−ｂ）＾２
サンプルｅとの距離 ｄ５２＝（ａ５−ａ）＾２＋（ｂ５−ｂ）＾２
上記に示すサンプルとの距離が最も短いものに属するサンプルを選択し、そのサンプルデータが最も近いものとして、サンプルデータのもつ信用度をネットワークセンサの信用度として決定する。また、類似度を示す関係式を作成し、類似度に応じてセンサのパラメータを決定しても良い。

上記で示したように、ネットワークセンサに関して学習を行った自己組織化マップを使用することにより、ネットワークセンサのパラメータを決定することができる。また、多くのネットワークセンサを使用した場合でも、２次元の自己組織化マップに射影するので、より簡単にセンサのパラメータを決定することができる。

自己組織化マップ計算手段４は、既に学習した自己組織化マップを記憶しており、ネットワークセンサの特徴量を入力することで、図８に示す自己組織化マップ上の座標を決定する。

状態図記憶手段７は、特徴量を自己組織化マップ上に射影した結果である状態図、その特徴量であるときの信用度、及び、その信用度を向上させる機械手段とその移動量を示す機械量を一対のパラメータの組として記憶している。

状態図位置計算手段５は、自己組織化マップ計算手段４による自己組織化マップの結果と状態図記憶手段７による状態図を図８のように図示して、位置関係を、関係式を用いて把握する。

信用度算出手段６は、状態図位置計算手段５による自己組織化マップ上のサンプルデータと取得したデータの位置関係から状態図記憶手段７が記憶するサンプルデータの信用度を利用して、センサの信用度を決定する。

本実施の形態は、ネットワークに接続され、状態を検知したセンサの値をネットワークセンサ値として出力する複数のネットワークセンサと、複数のネットワークセンサのデータを自己組織化マップ上に射影して、マップ計算結果として出力する自己組織化マップ計算手段と、センサのデータを自己組織化マップ上に射影した結果である状態図とその時におけるセンサのパラメータ値の組を記憶している状態図記憶手段と、前記自己組織化マップ計算手段によるマップ計算結果と前記状態図記憶手段が記憶する状態図を入力としマップ計算結果と状態図の位置関係を計算して位置情報として出力する状態図位置計算手段と、前記状態図位置計算手段の位置情報と前記状態図記憶手段のセンサのパラメータ値から現在のセンサのパラメータ値を決定する状態図制御手段と、状態図制御手段のセンサのパラメータ値からネットワークセンサの信頼度を算出するネットワークセンサ値信用度算出手段を備えたセンサユニットとを有するものである。

これによって、３つ以上のセンサがある場合でも一般的に自己組織化マップと呼ばれる２次元の状態図に射影し、射影した結果によって制御を行うので、３つ以上の入力でも使用することができる。また、設計者が容易に判断することができる２次元の状態図を使用するので、信頼性の高いものを提供することができる。さらに、センサの数に関係なく２次元の状態図に射影して使用するため、記憶すべきデータ量はセンサの数にほとんど関係なく一定であり、マイコンに搭載するメモリ容量も小さくすることができる。

また、本実施の形態は、センサは、その数を３以上とすることにより、より多くの情報を得ることができるので、より正確にパラメータの決定を行うことができる。

さらに、本実施の形態は、状態図記憶手段を自己組織化マップ上に射影するセンサのデータとその時におけるセンサのパラメータ値は既知であるものにしたことにより、より正確に情報を把握することができ、さらにより正確な制御をすることができる。

本実施の形態は、状態図位置計算は、マップ計算結果、状態図、位置情報を使用者に報知するようにしたことにより、使用者はセンサユニットの状態を正確に知ることができる。

さらに、状態図記憶手段は、センサのデータとその時におけるセンサのパラメータ値の組が入力されると、状態図に追加することにより、センサユニットの状態などの最新、かつ、正確な情報を入手することができるので、より正確にセンサユニットを制御することができる。

信用度算出手段は、状態図記憶手段が記憶する状態図とその時における信用度を入力として、状態図を入力、センサの信用度を出力とする関係式を記憶して、関係式を用いて信用度を決定するようにしたことにより、信用度を迅速に求めることができる。

また、機械量決定手段は、信用度算出手段の信用度が低い場合は、最も近いサンプルデータに関して状態図記憶手段が記憶する使用機械手段とその移動量を読み取り、信用度向上のための対策としてその値を機械制御手段に出力する。一例として挙げると、図６の西日によるセンサ値の飽和に関しては、西日が直接センサに入るのを防止するために、下方向にさらに１０度下げることにより誤検知を防止する。また、図７のカーテンの揺らめきによるセンサ値の不規則な変化は、センサの検知範囲をカーテンから除くように、右にさ
らに１０度回転させるなどの対策を行う。要はセンサの誤検知はセンサの検知範囲を変えることにより防げることが大きいので、誤検知の内容がわかればそれに対応した対策を行うことによりその誤検知を防止する。

さらに、状態図記憶手段は、データが過去に入力されたデータと同じである場合は、状態図に追加しない構成とすることにより、無駄なデータ学習による時間のロスを防ぐことができ、よりスピーディなセンサユニットの制御を行うことができる。

そして、状態図記憶手段は、データと過去に入力されたデータの差異が予め設定されたしきい値を上回る場合は、状態図に追加しない構成とすることにより、過去のサンプルデータとの差異が大きいもの、つまり、間違ったデータである可能性が高いものは除くので、より正確なセンサユニットの制御を行うことができる。

さらに、自己組織化マップ計算手段は、自己組織化マップ上に射影した結果が規定された最大値を上回ったときは最大値を、または、自己組織化マップ上に射影した結果が規定された最小値を下回ったときは、最小値を出力する構成とすることにより、状態図の範囲外のデータでもセンサユニットの制御を行うことができるので、より幅広い範囲でのセンサユニットの制御を行うことができる。

以上のように、本発明にかかるセンサユニットとプログラムおよびその記録媒体は、ネットワークに接続されたセンサにおいて、自動的にセンサの方向、ズーム量を最適化することで誤検知が少ないセンサユニットとプログラムおよびその記録媒体に関するものである。監視用あるいは作業用ネットワーク機器などに用いるセンサユニットとして適応できる。

本発明の実施の形態におけるセンサユニットを示すブロック図 同センサユニットにおける自己組織化マップの構成例を示す図 同センサユニットにおける自己組織化マップを作成するデータの一例を示す第一の属性図 同センサユニットにおける自己組織化マップを作成するデータの一例を示す第二の属性図 同センサユニットにおける自己組織化マップの結果を示す状態図 同センサユニットにおけるネットワークセンサの誤検知例を示す図 同センサユニットにおけるネットワークセンサの誤検知例を示す図 同センサユニットにおける自己組織化マップの結果を示す図

符号の説明

１ センサユニット
２ ネットワークセンサ
３ 機械制御手段
４ 第一の機械手段
５ 第二の機械手段
６ 特徴量抽出手段
７ 自己組織化マップ計算手段
８ 状態図位置計算手段
９ 状態図記憶手段
１０ 状態図更新手段
１１ サンプルデータ追加手段
１２ 状態表示手段
１３ 信用度算出手段
１４ 機械量決定手段
１５ 制御ユニット

Claims (12)

1. ネットワークに接続され、機械手段によって検知する方向を決定され、対象物の状態を検知したセンサの値をネットワークセンサ値として出力するネットワークセンサと、複数の機械手段の中で使用する機械手段とその移動量を示す機械量を決定する機械制御手段と、機械制御手段によって使用が決定した場合は、機械制御手段による移動量に達するまでモータを稼動する機械手段と、ネットワークセンサに接続され、ネットワークセンサ値の複数の特徴量を抽出する特徴量抽出手段と、特徴量抽出手段による複数の特徴量を自己組織化マップ上に射影して、マップ計算結果として出力する自己組織化マップ計算手段と、特徴量を自己組織化マップ上に射影した結果と特徴量に対応する信用度、および、信用度を上げるために必要な機械手段とその移動量をパラメータ値の組として記憶している状態図記憶手段と、前記自己組織化マップ計算手段によるマップ計算結果と前記状態図記憶手段が記憶する状態図を入力としマップ計算結果と状態図の位置関係を計算して位置情報として出力する状態図位置計算手段と、前記状態図位置計算手段の位置情報と前記状態図記憶手段のサンプルデータの信用度から現在のネットワークセンサの信用度を算出する信用度算出手段と、状態図記憶手段のパラメータ値、信用度算出手段による信用度を入力して、ネットワークセンサユニットの機械量を決定し、機械制御手段に機械量を出力する機械量決定手段を備えたセンサユニット。
2. 特徴量抽出手段の特徴量の数は、３以上とする請求項１に記載のセンサユニット。
3. 状態図記憶手段は、自己組織化マップ上に射影するデータとその時におけるパラメータ値は既知であるものである請求項 １または２に記載のセンサユニット。
4. 状態図位置計算はマップ計算結果、状態図、位置情報を使用者に報知するようにした請求項１〜３のいずれか１項に記載のセンサユニット。
5. 状態図記憶手段は、データとその時におけるパラメータ値の組が入力されると、状態図に追加する請求項３または４に記 載のセンサユニット。
6. 信用度算出手段は、状態図記憶手段が記憶する状態図とそのときのパラメータ値を入力として、状態図を入力、パラメータ値を出力とする関係式を計算して、記憶する請求項１〜５のいずれか１項に記載のセンサユニット。
7. 信用度算出手段は、自己組織化マップ計算手段のマップ計算結果を関係式に代入することによりパラメータ値を求める構成とする請求項６に記載のセンサユニット。
8. 状態図記憶手段は、データが過去に入力されたデータと同じである場合は、状態図に追加しない構成とする請求項５〜７のいずれか１項に記載のセンサユニット。
9. 状態図記憶手段は、データと過去に入力されたデータの差異が予め設定されたしきい値を上回る場合は、状態図に追加しない構成とする請求項５〜８のいずれか１項に記載のセンサユニット。
10. 自己組織化マップ計算手段は、自己組織化マップ上に射影した結果が規定された最大値を上回ったときは最大値を、または、自己組織化マップ上に射影した結果が規定された最小値を下回ったときは、最小値を出力する構成とする請求項１〜９のいずれか１項に記載のセンサユニット。
11. 請求項１〜１０のいずれか１項に記載のセンサユニットにおける機能の少なくとも一部を
    コンピュータに実行させるためのプログラム。
12. 請求項１１に記載のプログラムを記録したコンピュータ読み取り可能な記録媒体。