JP2018045512A - 作業性評価装置 - Google Patents

Abstract

【課題】評価対象作業の実際の作業性を評価できる汎用性に優れた技術を提供する。【解決手段】評価対象作業の作業性を評価する作業性評価装置が、作業者が前記評価対象作業を実施したときに前記作業者の動作に関わる情報を作業データとして記録する作業データ記録部と、前記作業データの中に含まれる作業者の動作を解析することによって前記評価対象作業の全体を複数の部分作業に分ける部分作業分類部と、前記作業データの複数のサンプルにおけるばらつきを部分作業ごとに評価することによって、部分作業ごとの作業性に関する指標を求める作業性評価部と、を有する。【選択図】図２

Description

本発明は、作業性を評価するための技術に関する。

工場などの生産現場では、製品の組み立て作業の作業性を評価し、その結果を作業効率や安全性の向上などの工程改善に生かす取り組みがなされている。例えば特許文献１では、組立部品の３ＤＣＡＤデータと人体モデルを用いたシミュレーションにより組立作業性を評価するシステムが提案されている。また特許文献２では、作業者の動作を記録した動画像から抽出した部品の運動ベクトルとＣＡＤデータから求めた参照ベクトルの差分をとることで、作業者の動作に無駄がないかを評価するシステムが提案されている。

特開２０１４−１００７７３号公報 特開２００９−１２２７２６号公報

しかしながら、特許文献１、２のシステムでは、作業に関わる対象物の構成や配置を定義するＣＡＤデータを与える必要があると共に、それらのＣＡＤデータをもとに作業性を評価するためのプログラムを開発しなければならない。しかし、一般に、作業性は、作業に関わる対象物の構成や配置のみではなく、作業者の特性、作業環境などの様々な要因の影響を受けるため、多様な作業について汎用的に対応可能な評価方法をあらかじめ作業性評価プログラムに組み込むことは困難である。したがって、従来のシステムでは、評価結果と実際の作業性とが一致しないことがあるという問題があった。

なお、ここまでの文脈では、組み立て作業を例に挙げて課題の説明を行ったが、同様の課題はあらゆる分野の作業性評価においても起こり得る。

本発明は上記実情に鑑みなされたものであり、評価対象作業の実際の作業性を評価できる汎用性に優れた技術を提供することを目的とする。

上記目的を達成するため、本発明は以下の構成を採用する。

本発明の第一態様は、評価対象作業の作業性を評価する作業性評価装置であって、作業者が前記評価対象作業を実施したときに前記作業者の動作に関わる情報を作業データとして記録する作業データ記録部と、前記作業データの中に含まれる作業者の動作を解析することによって前記評価対象作業の全体を複数の部分作業に分ける部分作業分類部と、前記作業データの複数のサンプルにおけるばらつきを部分作業ごとに評価することによって、部分作業ごとの作業性に関する指標を求める作業性評価部と、を有する作業性評価装置を提供する。

この構成によれば、作業者が評価対象作業を実際に実施したときの記録である作業データを基に評価を行うため、現実の作業に即した作業性を評価することができる。また、作業データのばらつきを評価するという簡易かつ汎用的なアルゴリズムであるため、様々な種類の作業性評価に対し適用することができる。さらに、評価対象作業を小さい動作単位
である部分作業に分けたので、サンプル間での動作の対応付けや、問題個所の発見、作業性を阻害する要因の特定などが容易になるという利点もある。また、部分作業分類部は、作業データの中に含まれる作業者の動作を解析することにより部分作業の分類を行うので、実際の作業性を評価するのに適した単位で部分作業を生成することができる。なお本発明において「作業者」は、人でもよいし、人工知能により動作するＡＩロボットでもよい。

例えば、前記部分作業分類部は、前記作業データの複数のサンプルに基づきＤｅｅｐ Ｌｅａｒｎｉｎｇにより動作を解析することによって、前記評価対象作業の全体を前記複数の部分作業に分けるとよい。Ｄｅｅｐ Ｌｅａｒｎｉｎｇによる機械学習を利用することにより、特段の事前知識が無くても、未知の評価対象作業を適切な単位の部分作業に分類することが可能である。言い換えると、作業データのサンプルを複数与えるだけで、作業性評価装置が、未知の評価対象作業を複数の部分作業に分類するための新たな分類能力を自ら獲得することができる。したがって、この構成によれば、作業性評価装置の汎用性及び適応性を格段に向上することができる。

もちろん、機械学習以外の方法により部分作業への分類を行うこともできる。例えば、前記部分作業分類部は、前記作業データに基づき作業者の動作の変化点を検出し、前記動作の変化点を基に前記評価対象作業の全体を前記複数の部分作業に分類してもよい。この構成によっても、作業データのサンプルを複数与えるだけで、作業性評価装置が、未知の評価対象作業を複数の部分作業に分類することができる。

前記複数のサンプルは、複数の作業者それぞれの複数回の作業データを含み、前記作業性評価部は、部分作業ごとに各作業者の平均作業時間を算出し、部分作業ごとに平均作業時間の作業者間でのばらつきを表す指標を求めるとよい。平均作業時間の作業者間でのばらつきを表す指標を用いることで、作業の難易度を評価することができると考えられる。

前記複数のサンプルは、複数の作業者それぞれの複数回の作業データを含み、前記作業性評価部は、部分作業ごとに各作業者の作業時間のばらつきを算出し、部分作業ごとに各作業者の作業時間のばらつきを表す指標を求めるとよい。各作業者の作業時間のばらつきを表す指標を用いることで、作業の手順の自由度を評価することができると考えられる。

作業者の動きを検出する１つ以上のセンサを有し、前記作業データ記録部は、前記センサから得られるセンサデータを記録するとよい。これにより、作業者の動きを自動で収集することができる。またセンサデータにより作業者の動きを客観的な物理量として捉えることができる。例えば、前記センサは、作業者の身体に装着された動きセンサを含むとよい。身体に装着された動きセンサを用いることで、作業者の身体の動きを直接的かつ正確に捉えることができる。

なお、本発明は、上記構成ないし機能の少なくとも一部を有する作業性評価装置として捉えることができる。作業性評価装置は、単体の装置で構成してもよいし、複数の装置の組み合わせで構成してもよい。また、本発明は、上記処理の少なくとも一部を含む作業性評価方法、または、かかる方法をコンピュータに実行させるためのプログラム、または、そのようなプログラムを非一時的に記録したコンピュータ読取可能な記録媒体として捉えることもできる。上記構成および処理の各々は技術的な矛盾が生じない限り互いに組み合わせて本発明を構成することができる。

本発明によれば、評価対象作業の実際の作業性を評価することができる。また、本発明は、様々な作業の作業性評価に汎用的に適用できる。

図１は作業性評価装置のハードウェア構成を示す外観図である。 図２は作業性評価装置の機能構成を示すブロック図である。 図３Ａ〜図３Ｃは部分作業を説明するための図である。 図４は組み立て作業の一例を示す図である。 図５は作業性評価処理のフローチャートである。 図６Ａと図６Ｂは部分作業分類部の内部構成を示す図である。 図７は部分作業分類部のフローチャートである。 図８は部分作業リストの一例である。 図９はＤｅｅｐ Ｌｅａｒｎｉｎｇの学習用データと分類結果の例を示す図である。 図１０は評価結果の出力例である。

本発明に係る作業性評価装置は、任意の作業の作業性を評価するためのシステムである（評価の対象となる作業を「評価対象作業」と呼ぶ）。以下に述べる実施形態では、工場での製品組み立て作業の作業性評価に本発明を適用した例を挙げるが、本発明の適用範囲はこの例に限られない。例えば、工場などの生産現場における監視作業・チェック作業・データ入力作業、装置やシステムの操作・運転・メンテナンス、手術における手技や手順、農業・漁業・林業における各種作業、オフィスワークでの作業、クリエイターの作業など、様々な分野やアプリケーションにおける作業性評価に適用することができる。また、本発明に係る装置で生成される作業性評価の結果（評価指標）は、工程改善、ＱＣ（Ｑｕａｌｉｔｙ Ｃｏｎｔｒｏｌ）活動、製品設計へのフィードバックなど、様々な目的に活用される。

＜作業性評価方法の概要＞
従来システム（特許文献１）のようにＣＡＤデータを用いたシミュレーションにより作業性を評価する方法は、汎用性・実用性が低く、また作業者の特性や作業環境などの影響を考慮することができないという問題があった。このような点に鑑み、本実施形態の作業性評価方法は、作業者に評価対象作業を実際に実施させ、そのときの作業者の動作を記録したデータ（「作業データ」と呼ぶ）を解析することにより、評価対象作業の作業性を評価するというアプローチを採用する。この方法によれば、ＣＡＤデータのような特別な定義情報を与える必要がないので、あらゆる種類の作業性評価に汎用的に適用することができる。また、作業者の実際の作業データを用いるので、作業の対象物の設計、作業手順、作業者の特性、作業環境などの影響がすべて考慮された、現実の作業に即した作業性評価を行うことができる。

図１に、本実施形態の作業性評価装置１００を模式的に示す。作業性評価の大まかな流れは次のようになる。まず、評価対象作業の作業手順（作業標準）を設定する。例えば製品の組み立て作業の場合であれば、部品の組み立ての順番などが作業手順に定義される。そして、作業手順にしたがって作業者１１０に実際に作業を実施させる。このとき、作業性評価装置１００は、作業者１１０又は作業で使用する物体１１１に取り付けたセンサ１０１によって、作業中の作業者１１０の動作を記録する。一又は複数の作業者に同じ作業を複数回実施させることで、複数サンプルの作業データを収集することができる。

ここで、作業性の良し悪しは、作業中の動作のばらつき、ひいては作業時間のばらつきに現れると仮定する。例えば、作業中の動作や作業時間が作業者間で大きくばらついている場合は、作業そのものの難易度が高いために（熟練しないと作業が安定しないために）、作業性が低下しているとみなすことができる。また、同じ作業者において動作や作業時
間が大きくばらついている場合は、作業手順の自由度が高すぎるために（動作の選択肢が多く、同じ作業を再現できないために）、作業性が低下しているとみなすことができる。このような仮定に基づき、本実施形態の作業性評価装置１００は、複数サンプルの作業データにおけるばらつきから評価対象作業の作業性を評価する。詳細は後述する。

また、作業性評価装置１００は、評価対象作業の全体を複数の部分作業（要素作業）に分け、部分作業ごとの作業性を個別に評価する。部分作業ごとの作業性が分かれば、作業性を低下させている問題個所を発見したり、作業性を阻害している要因を特定したりするのが容易になるからである。

ところで、部分作業ごとの作業性評価を実現するにあたっては、評価対象作業の作業データを部分作業ごとのデータに分割する処理が必要となる。この処理は評価者が手作業で行ってもよいが、複数のサンプルから対応する部分作業を抽出する作業は難しく、また膨大な工数が必要となるため、現実的ではない。とはいえ、作業者ごと、作業の実施回ごとに、動作のばらつきや作業時間のばらつきがあるので、作業データを単純に分割することはできない。そこで、本実施形態の作業性評価装置１００は、作業データに基づき作業者の動作を解析し、部分作業への分類を自動化する。詳細は後述する。

なお、図１では、作業者１１０として人を例示したが、人工知能により動作するＡＩロボットを作業者１１０としてもよい。例えば、ＡＩロボットがＤｅｅｐ Ｌｅａｒｎｉｎｇなどの機械学習により作業の最適動作を学習していく過程においても作業中の動作や作業時間にばらつきが現れるため、このばらつきを基に当該作業の作業性を評価することが可能である。

＜作業性評価装置の構成＞
図１と図２を参照して、作業性評価装置の構成について説明する。図１は、作業性評価装置のハードウェア構成を示す外観図であり、図２は、作業性評価装置の機能構成を示すブロック図である。

（ハードウェア構成）
作業性評価装置１００は、主なハードウェアとして、１つ以上のセンサ１０１と情報処理装置１０２を有して構成される。

情報処理装置１０２は、例えば、ハードウェアプロセッサ（ＣＰＵ）、メモリ、記憶装置（ハードディスク、半導体ディスクなどのストレージ）、入力装置（キーボード、マウス、タッチパネルなど）、表示装置、通信装置などのハードウェア資源を有する汎用のコンピュータにより構成することができる。図２に示す作業性評価装置１００の機能は、記憶装置に格納されたプログラムがメモリにロードされ、プロセッサにより実行されることにより、実現されるものである。なお、情報処理装置１０２は、一台のコンピュータにより構成してもよいし、複数台のコンピュータによる分散コンピューティングにより構成してもよい。また、情報処理装置１０２の機能の一部をクラウドサーバにより実現してもよい。また、処理の高速化のため、情報処理装置１０２の機能の一部または全部を専用のハードウェア（例えばＧＰＵやＦＰＧＡ、ＡＳＩＣなど）を用いて実現することも可能である。

センサ１０１は、作業者１１０の動作をデータとして記録するためのデバイスである。作業者１１０の動作を直接的または間接的に検出ないし推定することができれば、いかなる種類・方式のセンサを用いてもよい。例えば、センサ１０１には、作業者１１０をセンシングするセンサ、作業者１１０が作業中に取り扱う物体（以下「作業対象」と呼ぶ）１１１をセンシングするセンサ、作業者１１０と作業対象１１１の間の介在物をセンシング
するセンサなどが含まれる。以下、センサ１０１の一例を挙げるが、作業性評価装置１００はすべてのセンサ１０１を備える必要はなく、装置構成、作業の種類や内容、用途などに応じて必要なセンサ１０１を設ければよい。

作業者１１０をセンシングするセンサ１０１としては、頭部・視線・手・足・胴体などの動きをセンシングする動きセンサを用いることができる。例えば、作業者１１０の左右の手首に装着した加速度センサや角加速度センサを用いることで、組み立て作業における右手と左手の動きを検出できる。さらに、指先に加速度センサや角加速度センサを装着することで、指先の動きを検出することもできる。作業者１１０に装着するセンサでなく、画像センサ（カメラ）で撮影した動画を解析することで作業者１１０の動きや周囲の物との関係をセンシングすることもできる。或いは、作業者１１０に装着したマーカを、磁気センサや赤外線センサで検知することで、作業者１１０の動きをセンシングすることもできる。

また、作業者１１０をセンシングするセンサ１０１としては、表情・目の動き・顔の動かし方をセンシングする顔画像センサ、心拍をセンシングする心拍センサ、脈拍をセンシングする脈拍センサ、手・足・首・胴など身体の各部に取り付けた電極で筋肉の動きをセンシングする筋電センサ、血圧をセンシングする血圧センサ、脳の各領域の脳波をセンシングする脳波センサ、各部の血流をセンシングする血流センサ、作業者１１０の視線の方向や注視している箇所をセンシングする画像センサなどを用いることができる。

センサ１０１の形態は問わない。例えば、スマートフォンの備えるセンサを利用してもよいし、スマートウォッチやスマートグラスなどのウェアラブル装置の備えるセンサを利用してもよい。

作業対象１１１とは、組み立て作業の場合であれば組み立ての対象となる部品であるし、装置の操作・運転の場合であればその装置である。作業対象１１１の状態も作業者１１０の動作に影響を与え得るので、間接的な情報として作業対象１１１の状態をセンシングした情報を用いることで、作業者１１０の動作の正確な評価に役立つ可能性がある。例えば、作業対象１１１の空間的な位置を検出するセンサ、作業対象１１１の姿勢を検出するセンサ、作業対象１１１の状態（加速度、温度、色、形状などの状態の変化）を検出するセンサ、作業対象１１１の環境状態（周囲の温度、湿度など環境に関する物理量や情報）を検出するセンサなどを例示できる。

作業者１１０と作業対象１１１の間の介在物とは、組み立て作業の場合であれば組み立てに用いる工具や装置である。このような介在物の状態も作業者１１０の動作に影響を与え得るので、間接的な情報として介在物の状態をセンシングした情報を用いることで、作業者１１０の動作の正確な評価に役立つ可能性がある。例えば、介在物の空間的な位置を検出するセンサ、介在物の姿勢を検出するセンサ、介在物の状態（温度、色、形状などの状態の変化）を検出するセンサ、介在物の環境状態（周囲の温度、湿度など環境に関する物理量や情報）を検出するセンサなどを例示できる。また、作業者１１０の操作により介在物に作用する力、介在物に関連する物理量（加速度、振動、切削音など）などを検出するセンサを用いてもよい。例えば、自動車の運転の場合であれば、運転操作部に取り付けたセンサにより、ステアリング操作、アクセル操作、ブレーキ操作、各種のスイッチ操作などを検出してもよい。

また、作業者１１０がＡＩロボットの場合は、ＡＩロボットのモータ制御に用いられるエンコーダ、ＡＩロボットが備えるカメラなどを、センサ１０１として用いることもできる。

（機能構成）
図２に示すように、作業性評価装置１００は、センサ情報入力部２０１、作業対象情報入力部２０２、作業データ記録部２０３、部分作業分類部２０４、作業性評価部２０５、結果出力部２０６を有する。

センサ情報入力部２０１は、センサ１０１からセンサデータを取得する機能である。作業対象情報入力部２０２は、作業対象の情報（例えば、評価対象作業の種別、作業手順など）を取得する機能である。作業データ記録部２０３は、センサ情報入力部２０１により取得した情報に基づき、評価対象作業の開始から終了までの動作の記録（作業データ）を生成し、記憶装置に記録する機能である。例えば、同じ作業を複数の作業者に複数回ずつ行わせることで、作業者や習熟度の異なる複数の作業データが記録される。

部分作業分類部２０４は、作業データをもとに、評価対象作業の全体を複数の部分作業に分割・分類する機能である。作業性評価部２０５は、作業データのばらつきを部分作業ごとに評価することによって、部分作業ごとの作業性に関する指標を求める機能である。結果出力部２０６は、作業性評価部２０５の評価結果を出力する機能である。

＜作業の定義＞
本実施形態では「作業」を「設定された目的（課題）を遂行するために作業者が身体の一部または全部を使って行う行為」と定義する。したがって、作業の実施過程では必ず作業者の動作が発生する。また、作業に対してはあらかじめ「作業手順」が設定されるが、その作業手順に従う限り、具体的な動作については任意とする。したがって、作業データの記録時には、作業を実施する作業者によって、あるいは、作業の習熟度合によって、作業の実施過程で行われる動作にある程度の違いが生じ得る。

一つの「作業」は、複数の「部分作業」に分けることができる。図３Ａに示すように、複数の部分作業を時間的に連続するように設定してもよいし、図３Ｂに示すように、複数の部分作業を離散的に設定してもよい。部分作業の個数や設定方法は任意であるが、図３Ｃに示すように、異なる作業データの間で部分作業の対応をとることを容易にするため、ある程度の動作のまとまりの単位で部分作業を設定することが好ましい。

＜作業性評価処理＞
次に、工場での組み立て作業を例にとり、作業性評価装置１００の動作を説明する。

（組み立て作業の例）
図４は製品の組み立て作業の一例である。３つの穴があるベース部品４０１に、長さが違う３個の部品４０２ａ、４０２ｂ、４０２ｃを取り付ける作業を想定する。ベース部品４０１にある穴４０１ａ、穴４０１ｂ、穴４０１ｃに、部品箱４０３ａにある部品４０２ａ、部品箱４０３ｂにある部品４０２ｂ、部品箱４０３ｃにある部品４０２ｃをそれぞれ取り付ける。作業手順としては、
（１）部品４０２ａを穴４０１ａに挿入
（２）部品４０２ｂを穴４０１ｂに挿入
（３）部品４０３ｃを穴４０１ｃに挿入
という組み立ての順番だけが与えられているものとする。ベース部品４０１には前後にフレーム４０１ｄ，４０１ｅが設けられているため、部品４０２ａ、部品４０２ｂ、部品４０２ｃの取り付けは、フレーム４０１ｄ，４０１ｅを避けて行う必要がある。

（装置の動作）
図５のフローチャートに沿って、作業性評価装置１００による作業性評価処理の流れを説明する。

（１）作業データの記録
評価対象作業を作業者に複数回実施させ、作業データ記録部２０３によって、それぞれの作業データを記録する（ステップＳ５００）。図４の例では、ベース部品４０１に３個の部品４０２ａ，４０２ｂ，４０２ｃを順番に取り付ける作業について記録が行われる。すなわち、３個の部品４０２ａ，４０２ｂ，４０２ｃのそれぞれについて、部品を部品箱からピックアップして、フレームや他の物体を避けながら、部品をベース部品４０１の穴に向けて移動させ、部品と穴の空間的姿勢を合わせて部品の先端を穴に差し込み、嵌め込みが完了したことを確認し手を離す、という一連の動作に関する情報が記録される。

作業の開始と終了（データ記録の開始と終了）は、作業者がボタン押下などで指示してもよいし、センサ１０１の信号に基づき自動で判定してもよい。作業の実施は、一人の作業者が複数回行ってもよいし、複数の作業者が一回ずつまたは複数回ずつ行ってもよい。人による動作の違いや習熟によるノウハウ・技能を生かすため、望ましくは、複数の作業者それぞれに複数回ずつ実施させるとよい。これにより、同じ作業について複数の作業データが取得される。個々の作業データを「作業サンプル」または単に「サンプル」とも呼ぶ。

作業データは、少なくとも、センサ情報入力部２０１から取得されるセンサデータを含む。また、必要に応じて、作業データは、作業対象情報入力部２０２から取得される作業対象の情報を含む場合もある。

本実施形態では、作業者１１０の右手首に装着された動きセンサ１０１により、単位時間ごと（例えば０．１秒ごと）の作業者１１０の右手首の位置および向きを記録した多次元ベクトルの時系列データが作業データとして記録される。例えば、３人の作業者がそれぞれ１０回ずつ作業を行い、その動作を記録することにより、３０個のサンプルが得られる。

（２）部分作業の分類
次に、部分作業分類部２０４が、複数サンプルの作業データに基づき作業者の動作を解析することにより、評価対象作業の全体動作を複数の部分作業に分類すると共に、各サンプルの作業データを部分作業ごとのデータに分割する（ステップＳ５０１）。

部分作業の分類は、動きの変化に基づき行うことができる。作業サンプルごとに作業者の動作や作業時間は少しずつ異なるものの、作業手順や組み立て対象の設計による制約があるため、小さな部分作業の単位でみると動きの変化は概ね共通している。例えば、作業者１１０の手の動き（位置、向き、速度、角速度、加速度、角加速度など）を表す動きベクトルの変化点に着目すると、手の加速・減速・停止・方向転換などが分かるので、動きの変化（部分動作の切り替わり）を捉えることができる。あるいは、Ｄｅｅｐ Ｌｅａｒｎｉｎｇによる分類技術を利用してもよい。例えば、Ｄｅｅｐ Ｌｅａｒｎｉｎｇ技術であるリカレントニューラルネットワーク（ＲＮＮ）を用いて、時系列のデータを学習させることができる。複数の作業サンプルそれぞれの時系列データを学習データとして与え、Ｄｅｅｐ Ｌｅａｒｎｉｎｇによる学習を行うと、作業全体を所定個数の部分作業に分類する分類器が自動生成される。なお、本実施形態では部分作業の分類はデータ解析により自動で行うことを想定しているが、分類作業の一部を人が行うようにしてもよい。

部分作業の分類を行う際には、作業対象から検出された情報を用いてもよい。また、工具やアクチュエータ、他の機械など、介在物から検出された情報を加えて分類を行うこともできる。例えば、工具の振動や反力、位置、稼働状況などを検出して、分類情報として用いることができる。あるいは、隣のロボットのセンサ情報を分類情報として用いること
ができる。作業者の属性や作業対象の属性ごとに分類を行うようにしてもよい。部分作業は、必ずしも、人が見たときの作業単位と一致していなくてもよい。複数の作業サンプルのそれぞれから対応する部分作業が正確に抽出できさえすればよい。分類が適切であるかは、同じ分類に属するサンプルの間の類似度を用いて評価できる。適切に分類されていれば、サンプル間の類似度が高くなる。

図６Ａに、部分作業分類部２０４の内部構成の一例として、動きの変化に基づき動作を分類する場合の構成例を示す。この部分作業分類部２０４は、動きベクトル抽出部６０１、変化点検出部６０２、類似点検出部６０３、分類生成部６０４、分類結果出力部６０５を有する。

図７のフローチャートに沿って、部分作業分類部２０４の処理フローを説明する。まず、動きベクトル抽出部６０１はサンプル（作業データ）を１つ読み込む（ステップＳ７００）。動きベクトル抽出部６０１は、作業データから作業者の右手首の位置および向きを記録した多次元ベクトルの時系列データを読み出し、それを時間微分することによって速度および角速度を要素としてもつ動きベクトルの時系列データを生成する（ステップＳ７０１）。変化点検出部６０２は、動きベクトルの時系列データを解析することで、作業者の動きの変化点を検出する（ステップＳ７０２）。例えば、停止状態から動き始めた時、動きを止めた時、速度を急に上げた／下げた時、移動方向を変えた時などを動きの変化点として検出することができる。変化点検出部６０２は、検出した変化点を記述した変化点リストを作成する（ステップＳ７０３）。ステップＳ７００〜Ｓ７０３の処理をすべてのサンプルについて行うことで（ステップＳ７０４）、３０個のサンプルそれぞれの変化点リストが得られる。

次に、類似点検出部６０３が、複数のサンプルのうちの一つを代表サンプルとして選び、変化点リストを参照して、代表サンプルにおける変化点のそれぞれについて、他のサンプルにおける変化点のなかから動きの変化が類似する類似点を検出する（ステップＳ７０５）。これは、複数のサンプルの間で動作の対応点を探索する処理である。なお、代表サンプルはどのように選んでもよく、本実施形態では、複数のサンプルのうち変化点の数が最も少ないものを代表サンプルとして選ぶ。１つの変化点について類似点がみつからない場合もあれば、複数の類似点がみつかる場合もある。類似点の検出には、伸縮マッチングや遺伝的アルゴリズムを利用することができる。類似点検出部６０３は、代表サンプルにおける各変化点に対応する類似点を記述した類似点リストを作成する（ステップＳ７０６）。

次に、分類生成部６０４が、代表サンプルの変化点リストを基に、代表サンプルにおける作業の全体動作を複数の部分作業に分ける（ステップＳ７０７）。代表サンプルに含まれる変化点が少なければ（例えば数個であれば）、変化点で区切られる単位を部分作業としてもよい。変化点の数が多い場合（例えば数十以上）などは、変化点リストに含まれる変化点のうちから数個の特異点を抽出し、その特異点で区切られる単位を部分作業とすればよい。この場合、変化が特に大きい点、移動方向が変わる点、他のサンプルに類似点が存在する点などを優先的に特異点に選ぶとよい。なお、部分作業の分類作業の一部をユーザが行うようにしてもよい。例えば、分類生成部６０４により分類された部分作業を表示装置に提示し、ユーザによる修正（部分作業の統合や再分割）を可能にすることができる。

次に、分類生成部６０４は、代表サンプルの動きベクトルの時系列データを部分作業ごとのデータに分割するとともに、類似点リストに基づき、他のサンプルの動きベクトルの時系列データについても部分作業ごとのデータに分割する（ステップＳ７０８）。最後に、分類結果出力部６０５が、部分作業リストを作成し出力する（ステップＳ７０９）。

図８に部分作業リストの一例を示す。この部分作業リストは、各サンプルについて、作業者を特定する情報（作業者ＩＤなど）、部分作業ごとの作業時間、部分作業ごとの動きベクトルの時系列データなどが記述されたリストである。

なお、ここまで、動きの変化に基づき動作を分類する場合の構成および処理の例を説明したが、Ｄｅｅｐ Ｌｅａｒｎｉｎｇの技術を利用して動作の分類を行うことも可能である。その場合の部分作業分類部２０４は、図７Ｂのように、作業データを入力する作業データ入力部６１０と、入力された作業データを分類する深層ニューラルネットワーク６１１と、分類結果に基づき部分作業リストを作成し出力する分類結果出力部６１２とで構成できる。この構成の場合も、深層ニューラルネットワーク６１１による分類結果を提示し、ユーザによる修正を可能にしてもよい。

Ｄｅｅｐ Ｌｅａｒｎｉｎｇの技術を利用した場合、例えば、評価対象作業の始点から終点までの動作をＮ段階（例えば１００段階）に分類することについて学習させることができる。この時、作業データ入力部６１０には、多くの作業者に評価対象作業を複数回実施させることにより得られた複数サンプルの作業データを学習用のデータとして入力するとよい。それぞれの作業データにおいて、作業の始点と終点ではデータ（作業者の手の位置など）が同一であるが、作業の途中（始点と終点の間）では作業データごとにデータが少しずつ異なり得る。それらを分類する学習をすることによって、データが類似する部分を分類する能力をもつ深層ニューラルネットワーク６１１を得ることができる。この場合、Ｎ段階に分類された各部分はそれぞれ隣の部分とつながっている。すると、いずれの作業者の動作も、類似する部分が同じ分類とされる。

図９にＤｅｅｐ Ｌｅａｒｎｉｎｇの学習用データと分類結果の一例を示す。グラフ上に描画されたそれぞれの曲線が作業データを示している。グラフの縦軸はデータの値であり、横軸は時間である。なお、本実施形態では、作業データとして、作業者の手の水平方向の加速度と手または部品の位置情報を用いるためデータの値は多次元ベクトルとなるが、図９では図示の便宜のためデータの値を１次元で示している。また、作業データごとに総作業時間（始点から終点までの時間長さ）が異なり得るが、図９では、始点及び終点が一致するように（各作業データの総作業時間の長さが同じになるように）規格化している。Ｄｅｅｐ Ｌｅａｒｎｉｎｇでは、手の加速度情報だけでなく手または部品の位置情報に基いて分類を行う。したがって、手が近い位置にある動作は同じ部分に分類される。グラフの下方に、Ｄｅｅｐ Ｌｅａｒｎｉｎｇによる分類結果の一例を示す。この例では作業データ全体が６段階の部分に分類されており、それぞれの部分が部分作業に相当する。

（３）作業性の評価
作業性評価部２０５は、部分作業リストから部分作業を一つずつ選択し（ステップＳ５０２）、部分作業ごとの作業性を評価する。本実施形態では、部分作業の作業性を表す指標として、
（指標１）作業者間での平均作業時間のばらつき、及び、
（指標２）作業者ごとの作業時間のばらつき、
を計算する（ステップＳ５０３、Ｓ５０４）。

指標１は部分作業の難易度（例えば、組み立て性の低さ）を表す指標であり、ばらつきが大きいほど、部分作業の難易度が高く、作業性が低いことを表している。また指標２は作業手順の自由度を表す指標であり、ばらつきが大きいほど、作業手順の自由度（つまり曖昧性）が高く、作業性が低いことを表している。なお、「ばらつき」には、例えば、分散、標準偏差、値域（最大値と最小値の差）などを用いることができる。

例えば、作業者Ａ，Ｂ，Ｃの部分作業Ｗに関する作業時間の平均をｘ_ＷＡ，ｘ_ＷＢ，ｘ_ＷＣ、分散をｙ_ＷＡ，ｙ_ＷＢ，ｙ_ＷＣとしたとき、指標１のばらつきが大きいとはｘ_ＷＡ，ｘ_ＷＢ，ｘ_ＷＣの分散が大きいことを意味し、指標２のばらつきが大きいとはｙ_ＷＡ，ｙ_ＷＢ，ｙ_ＷＣのそれぞれの値又はｙ_ＷＡ，ｙ_ＷＢ，ｙ_ＷＣのうちの代表値（例えば、平均値、中間値、最大値など）が大きいことを意味する。

部分作業リストに含まれるすべての部分作業について作業性を評価したら（ステップＳ５０５のＹＥＳ）、ステップＳ５０６へ進む。

（４）評価結果の出力
ステップＳ５０６では、結果出力部２０６が、作業性評価部２０５の評価結果を表示装置又は外部装置に対し出力する。

図１０に評価結果の出力例を示す。この例では、評価対象作業Ｗ００１、Ｗ００２の部分作業ごとに、「評価」、「作業難易度」、「手順自由度」の３項目の評価結果が出力されている。「作業難易度」は、上述した指標１のばらつきの大きさを低／中／高の３段階で示すものであり、「手順自由度」は、上述した指標２のばらつきの大きさを低／中／高の３段階で示すものである。また「評価」は、作業難易度の結果と手順自由度の結果の総合評価であり、部分作業の作業性を◎／〇／△／×の４段階で示している。このような評価結果を出力することにより、評価対象作業のなかの問題個所（作業性の低い部分作業）や作業性を低下させている要因（作業が難しすぎるのか、作業手順が曖昧なのか）を容易に特定することができ、製品の設計の見直しや作業手順の改善に役立てることができる。

なお、評価結果の出力に、各部分作業の作業時間の最小値やそのときの動作（移動経路、移動速度など）を表す情報を含めてもよい。このような情報を出力することにより、作業性の改善可能な度合いを把握したり、改善目標を設定したりするのが容易になる。また、各部分作業を行ったときに記録された情報を評価結果の出力に含めてもよい。これによい、作業性を低下させている要因の推定やその改善方法の検討が容易になる。

以上述べた本実施形態の作業性評価装置１００によれば、作業者が評価対象作業を実際に実施したときの記録である作業データを基に評価を行うため、現実の作業に即した作業性を評価することができる。また、作業データのばらつきを評価するという簡易かつ汎用的なアルゴリズムであるため、様々な種類の作業性評価に対し適用することができる。さらに、評価対象作業を小さい動作単位である部分作業に分けたので、サンプル間での動作の対応付けや、問題個所の発見、作業性を阻害する要因の特定などが容易になるという利点もある。しかも、本実施形態の作業性評価装置１００では、作業データに基づく動作解析によって部分作業への分類を自動的に行うことができる。したがって、作業性評価装置１００の汎用性及び適応性を格段に向上することができる。

なお、上述した実施形態の構成は本発明の一具体例を示したものにすぎず、本発明の範囲を限定する趣旨のものではない。本発明はその技術思想を逸脱しない範囲において、種々の具体的構成を採り得るものである。

例えば、本明細書に開示された技術思想は、以下のような発明として特定することもできる。
（付記１）
本発明は、評価対象作業の作業性を評価する作業性評価装置であって、
ハードウェアプロセッサと前記ハードウェアプロセッサに動作的に連結されたメモリと、ストレージとを有し、
前記ハードウェアプロセッサは前記ストレージに格納されたプログラムを前記メモリに
配置し、コンピュータの機能として、
作業者が前記評価対象作業を実施したときに前記作業者の動作に関わる情報を作業データとして前記ストレージ内に記録する作業データ記録部と、
前記作業データの中に含まれる作業者の動作を解析することによって前記評価対象作業の全体を複数の部分作業に分ける部分作業分類部と、
前記作業データの複数のサンプルにおけるばらつきを部分作業ごとに評価することによって、部分作業ごとの作業性に関する指標を求める作業性評価部と、
を有する。
（付記２）
本発明は、評価対象作業の作業性を評価する作業性評価方法であって、
少なくとも１つのハードウェアプロセッサによって、作業者が前記評価対象作業を実施したときに前記作業者の動作に関わる情報を作業データとしてストレージ内に記録するステップと、
少なくとも１つのハードウェアプロセッサによって、前記作業データの中に含まれる作業者の動作を解析することによって前記評価対象作業の全体を複数の部分作業に分類するステップと、
少なくとも１つのハードウェアプロセッサによって、前記作業データの複数のサンプルにおけるばらつきを部分作業ごとに評価することによって、部分作業ごとの作業性に関する指標を求めるステップと、
を有する。

１００：作業性評価装置、１０１：センサ、１０２：情報処理装置、１１０：作業者、１１１：物体（作業対象）
２０１：センサ情報入力部、２０２：作業対象情報入力部、２０３：作業データ記録部、２０４：部分作業分類部、２０５：作業性評価部、２０６：結果出力部
４０１：ベース部品、４０１ａ，４０１ｂ，４０１ｃ：穴、４０１ｄ，４０１ｅ：フレーム、４０２ａ，４０２ｂ，４０２ｃ：部品、４０３ａ，４０３ｂ，４０３ｃ：部品箱
６０１：ベクトル抽出部、６０２：変化点検出部、６０３：類似点検出部、６０４：分類生成部、６０５：分類結果出力部
６１０：作業データ入力部、６１１：深層ニューラルネットワーク、６１２：分類結果出力部

Claims (10)

1. 評価対象作業の作業性を評価する作業性評価装置であって、
   作業者が前記評価対象作業を実施したときに前記作業者の動作に関わる情報を作業データとして記録する作業データ記録部と、
   前記作業データの中に含まれる作業者の動作を解析することによって前記評価対象作業の全体を複数の部分作業に分ける部分作業分類部と、
   前記作業データの複数のサンプルにおけるばらつきを部分作業ごとに評価することによって、部分作業ごとの作業性に関する指標を求める作業性評価部と、
   を有することを特徴とする作業性評価装置。
2. 前記部分作業分類部は、前記作業データの複数のサンプルに基づきＤｅｅｐ Ｌｅａｒｎｉｎｇにより動作を解析することによって、前記評価対象作業の全体を前記複数の部分作業に分ける
   ことを特徴とする請求項１に記載の作業性評価装置。
3. 前記部分作業分類部は、前記作業データに基づき作業者の動作の変化点を検出し、前記動作の変化点を基に前記評価対象作業の全体を前記複数の部分作業に分ける
   ことを特徴とする請求項１に記載の作業性評価装置。
4. 前記複数のサンプルは、複数の作業者それぞれの複数回の作業データを含み、
   前記作業性評価部は、部分作業ごとに各作業者の平均作業時間を算出し、部分作業ごとに平均作業時間の作業者間でのばらつきを表す指標を求める
   ことを特徴とする請求項１〜３のうちいずれか１項に記載の作業性評価装置。
5. 前記複数のサンプルは、複数の作業者それぞれの複数回の作業データを含み、
   前記作業性評価部は、部分作業ごとに各作業者の作業時間のばらつきを算出し、部分作業ごとに各作業者の作業時間のばらつきを表す指標を求める
   ことを特徴とする請求項１〜３のうちいずれか１項に記載の作業性評価装置。
6. 作業者の動きを検出する１つ以上のセンサを有し、
   前記作業データ記録部は、前記センサから得られるセンサデータを記録する
   ことを特徴とする請求項１〜５のうちいずれか１項に記載の作業性評価装置。
7. 前記センサは、作業者の身体に装着された動きセンサを含む
   ことを特徴とする請求項６に記載の作業性評価装置。
8. 前記作業者は、人、又は、人工知能により動作するＡＩロボットである
   ことを特徴とする請求項１〜７のうちいずれか１項に記載の作業性評価装置。
9. コンピュータにより評価対象作業の作業性を評価する作業性評価方法であって、
   作業者が前記評価対象作業を実施したときに前記作業者の動作に関わる情報を作業データとして記録するステップと、
   前記作業データの中に含まれる作業者の動作を解析することによって前記評価対象作業の全体を複数の部分作業に分類するステップと、
   前記作業データの複数のサンプルにおけるばらつきを部分作業ごとに評価することによって、部分作業ごとの作業性に関する指標を求めるステップと、
   を有することを特徴とする作業性評価方法。
10. 請求項９に記載の作業性評価方法の各ステップをコンピュータに実行させるためのプロ
    グラム。

Images