JP2021001959A - 学習装置、評価装置および学習モデルの生産方法 - Google Patents
学習装置、評価装置および学習モデルの生産方法 Download PDFInfo
- Publication number
- JP2021001959A JP2021001959A JP2019115172A JP2019115172A JP2021001959A JP 2021001959 A JP2021001959 A JP 2021001959A JP 2019115172 A JP2019115172 A JP 2019115172A JP 2019115172 A JP2019115172 A JP 2019115172A JP 2021001959 A JP2021001959 A JP 2021001959A
- Authority
- JP
- Japan
- Prior art keywords
- data
- learning
- tool
- work
- signal processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- General Factory Administration (AREA)
Abstract
Description
この発明は上述した事情に鑑みてなされたものであり、作業者の技量を適切に判定できる学習装置、評価装置および学習モデルの生産方法を提供することを目的とする。
図1は、本発明の一実施形態による技量評価システム100のブロック図である。
技量評価システム100は、学習装置102と、評価装置104と、を備えている。学習装置102および評価装置104は、それぞれ、CPU(Central Processing Unit)、RAM(Random Access Memory)、ROM(Read Only Memory)、SSD(Solid State Drive)等、一般的なコンピュータとしてのハードウエアを備えており、SSDには、OS(Operating System)、アプリケーションプログラム、各種データ等が格納されている。OSおよびアプリケーションプログラムは、RAMに展開され、CPUによって実行される。図1において、学習装置102および評価装置104の内部は、アプリケーションプログラム等によって実現される機能を、ブロックとして示している。
図2は、本実施形態におけるデータ取得システム106の模式図である。
データ取得システム106は、溶接作業に際して、学習用原データDTまたは判定用原データDX(図1参照)を取得するものである。そのため、データ取得システム106は、複数のマーカ53と、制御装置55と、電気計測装置56と、視野映像用カメラ57と、複数の(図示の例では5台の)モーションキャプチャ用のカメラ58と、を備えている。
次に、図1に示した学習用原データDTの詳細を説明する。上述のように、学習用原データDTは、挙動データDTMと、環境データDTEと、ワーク状態データDTWとを有している。
挙動データDTMの例を列挙すると、例えば以下の通りになる。
・溶接作業者50の頭、顔、体、目線、腕、手、指、足、若しくは関節のうち何れかである身体部位の位置、該身体部位の向き、該身体部位の傾き、該身体部位の回転状態、若しくは該身体部位と他の部位との相対的位置関係に関する時系列データである姿勢データ、
・該姿勢データに係る速度の時間的変化、
・該姿勢データに係る加速度の時間的変化、
・該姿勢データに係る角速度の時間的変化、
・トーチ52の位置、向き、傾き、回転状態、若しくは該トーチ52の各部の相対的位置関係に関する時系列データである施工具データ、
・該施工具データに係る速度の時間的変化、
・該施工具データに係る加速度の時間的変化、
・該施工具データに係る角速度の時間的変化
・トーチ52に供給される溶接電流の時系列データ、
・トーチ52に印加される溶接電圧の時系列データ、
・トーチ52に印加される不活性ガスのガス量の時系列データ、
・溶接時に発生する音、施工時に発生する電磁波、若しくはその他施工時に環境に放射されるエネルギーの時系列データ。
・ワーク51の溶接個所の温度溶接個所の色彩、溶接個所の酸化度、溶接個所の溶融状態、に関する時系列データである施工箇所データ、
・該施工箇所データの時間的変化。
(自己相関振幅)
次に、信号処理部12,22において実行される特徴量抽出処理の詳細を説明する。
本発明者らは、信号処理部12,22に適用される特徴量の算出について、上述の挙動データDTM、すなわち作業中の作業者の身体の位置等の経時的な変化に基づいて、熟練度すなわち技量レベルと相関が大きい特徴量を導き出すことを試みた。その結果、溶接作業においては、「ウィービング操作の自己相関が、技量レベルとの相関が大きい」ことが判明した。なお、ウィービングとは、溶接進行方向速度に対して交差する方向にトーチ52(図2参照)を振る動作を指す。以下、図3〜図6を参照し、その詳細を説明する。
図3において横軸は時刻である。また、縦軸は、ウィービング座標値である。ここで、ウィービング座標値とは、溶接進行方向速度に対して直交する方向における、トーチ52の先端位置の座標値である。なお、トーチ52(図2参照)の先端にはマーカ53を装着できないが、トーチ52およびワーク51は剛体である見做せるため、複数のマーカ53の位置関係に基づいてトーチ52の先端位置を算出することができる。
図4において横軸、縦軸の意義は図3のものと同様である。また、図3および図4において、ワーク51は同一材質および同一形状のものを適用した。トーチ52も同一のものを適用した。但し、溶接条件の設定は、各々の溶接作業者50に委ねた。図3および図4のグラフそのものを単純に比較したのでは、定量的な特徴量を抽出することは困難である。しかし、後述するように、統計的な手法の一つである自己相関を取得することで、隠された特性を抽出できることを発明者らは発見した。
図5および図6を比較すると、熟練者および初級者によるウィービング操作には、明らかに周期性が異なっていることが解る。すなわち、熟練者によるウィービング操作には、図5に示すように強い周期性が現れる。一方、初級者によるウィービング操作には、図6に示すように弱い周期性が現れる。図5および図6において、最初に現れる極小値をbとし、極小値bの後に最初に現れる極大値をaとし、両者の差分を自己相関振幅c=a−bとする。この自己相関振幅cは、溶接作業者50の技量レベルに対して強い相関性を有していることが解る。
溶接作業において、溶接進行方向速度、トーチ52の先端高さ(トーチ52の先端とワーク51との距離)等のパラメータは、変化すると溶接状態も大きく変化することから、安定した一定値を取ることが望ましいと考えられる。このようなパラメータ項目については、レベルを表す統計値として、平均値を適用することが好ましい。また、変化または分布を表す統計値として、標準偏差や分散値、最大値、最小値、パーセンタイル値等が適しているという知見を本発明者らは見出した。また、測定値そのものの原系列に対して、値の変化を表す階差系列(差分系列)、あるいは、原系列データに対して対数変換を施した対数系列、さらに対数系列に対して差分系列をとった対数差分系列も有効であることを本発明者らは見出した。
・元データの時間差分。
・元データを昇順に整列した際の分布が1%以上かつ99%以下の範囲の少なくとも1つのパーセンタイル。
・元データのフーリエ変換結果に基づいて取得した値。
・元データの自己相関に基づいて取得した値。
・元データを畳み込みニューラルネットワーク(CNN:Convolutional Neural Network)に入力して取得した値。
・元データを再帰型ニューラルネットワーク(RNN:Recurrent Neural Network)に入力して取得した値。
・トーチ52の溶接進行方向速度に対する自己相関、平均、標準偏差、最小値、最大値、25パーセンタイル値、または75パーセンタイル値。
・トーチ52のウィービング座標値に対する自己相関、平均、標準偏差、最小値、最大値、25パーセンタイル値、または75パーセンタイル値。
・トーチ52の先端高さに対する自己相関、平均、標準偏差、最小値、最大値、25パーセンタイル値、または75パーセンタイル値。
・トーチ52の傾き(ワーク51の表面に対するトーチ52の角度)に対する自己相関、平均、標準偏差、最小値、最大値、25パーセンタイル値、または75パーセンタイル値。
次に、学習部14(図1参照)において実行される学習処理の詳細を説明する。
機械学習の学習方法は大別して教師あり学習と教師なし学習とに分類される。例えば、溶接作業者50(図2参照)等の被検者について制御装置55等で収集されたデータに基づいて技量レベルを判定する場合、その技量レベル毎にデータを収集することが可能であれば、これらのデータを教師データとする教師あり学習が可能となる。
図示の例では、学習部14における学習アルゴリズムとして、ニューラルネットの一種である多層パーセプトロン (MLP:Multi Layer Perceptron)を用いている。図7の横軸は、訓練用データDTA1の個数である。また、縦軸は正答率である。なお、テスト用データDTA2の個数は図示しないが、訓練用データDTA1の個数の1/4になる。また、特性Q1は、最適化を行っていないデフォルトの学習モデルDMに対して訓練用データDTA1を適用した特性である。また、特性Q2は、パラメータを最適化した学習モデルDMに対して、訓練用データDTA1を適用した特性である。
本発明は上述した実施形態に限定されるものではなく、種々の変形が可能である。上述した実施形態は本発明を理解しやすく説明するために例示したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、上記実施形態の構成に他の構成を追加してもよく、構成の一部について他の構成に置換をすることも可能である。また、図中に示した制御線や情報線は説明上必要と考えられるものを示しており、製品上で必要な全ての制御線や情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えてもよい。上記実施形態に対して可能な変形は、例えば以下のようなものである。
・施工具に供給される電流、施工具に印加される電圧、施工具に供給されるガス量施工具に供給されるエネルギー量、若しくは、施工具に供給される物品の量、に関する時系列データである供給データ。
・施工時に発生する音、施工時に発生する電磁波、若しくはその他施工時に環境に放射されるエネルギーの時系列データである放射エネルギーデータ。
・上述した供給データの時間的変化。
・上述した放射エネルギーデータの時間的変化。
以上のように本実施形態の学習装置102は、技量レベルが異なる複数の作業者(50)の作業動作または作業者(50)に操作される施工具(52)の状態を測定した時系列データである挙動データDTMと、挙動データDTMに対応する時系列を有し、施工具(52)に供給される電流、施工具(52)に印加される電圧、または作業を行う周囲の状況を測定した環境データDTEと、挙動データDTMに対応する時系列を有し、作業中のワーク51の状況を測定したワーク状態データDTWと、に対して信号処理を施し、信号処理結果を学習用データDTAとして出力する信号処理部12と、学習用データDTAを入力データとし技量レベルを出力データとする機械学習を行うことによって学習モデルDMを生成する学習部14と、を備える。
このように、機械学習を行う前に特徴量を算出することにより、機械学習を一層効率的に実行することが可能になる。
これにより、評価する技量レベルに対して最適なアルゴリズムを適用することができる。
これにより、一層適切な学習モデルDMを構築してゆくことができる。
これにより、第2の作業者(50)の技量レベルを適切に判断することができる。
これにより、時間範囲毎に技量レベルを判定することができる。
12,22 信号処理部
12 信号処理部(第1の信号処理部)
14 学習部
22 信号処理部(第2の信号処理部)
24 評価部
26 学習モデル記憶部
50 溶接作業者(作業者、第1の作業者、第2の作業者)
51 ワーク(第1のワーク、第2のワーク)
52 トーチ(施工具、第1の施工具、第2の施工具)
100 技量評価システム
102 学習装置
104 評価装置
106 データ取得システム
DM 学習モデル
DTA 学習用データ
DTA1 訓練用データ
DTA2 テスト用データ
DTE 環境データ(第1の環境データ)
DTM 挙動データ(第1の挙動データ)
DTW ワーク状態データ(第1のワーク状態データ)
DXA 判定用データ
DXA1〜DXAn 部分判定用データ
DXE 環境データ(第2の環境データ)
DXM 挙動データ(第2の挙動データ)
DXW ワーク状態データ(第2のワーク状態データ)
Claims (11)
- 技量レベルが異なる複数の作業者の作業動作または前記作業者に操作される施工具の状態を測定した時系列データである挙動データと、前記挙動データに対応する時系列を有し、前記施工具に供給される電流、前記施工具に印加される電圧、または作業を行う周囲の状況を測定した環境データと、前記挙動データに対応する時系列を有し、作業中のワークの状況を測定したワーク状態データと、に対して信号処理を施し、信号処理結果を学習用データとして出力する信号処理部と、
前記学習用データを入力データとし技量レベルを出力データとする機械学習を行うことによって学習モデルを生成する学習部と、を備える
ことを特徴とする学習装置。 - 前記挙動データは、
前記作業者の頭、顔、体、目線、腕、手、指、足、若しくは関節のうち何れかである身体部位の位置、前記身体部位の向き、前記身体部位の傾き、前記身体部位の回転状態、若しくは前記身体部位と他の部位との相対的位置関係に関する時系列データである姿勢データ、
前記姿勢データに係る速度の時間的変化、
前記姿勢データに係る加速度の時間的変化、
前記姿勢データに係る角速度の時間的変化、
前記施工具の位置、向き、傾き、回転状態、若しくは前記施工具の各部の相対的位置関係に関する時系列データである施工具データ、
前記施工具データに係る速度の時間的変化、
前記施工具データに係る加速度の時間的変化、または
前記施工具データに係る角速度の時間的変化である
ことを特徴とする請求項1に記載の学習装置。 - 前記環境データは、
前記施工具に供給される電流、前記施工具に印加される電圧、前記施工具に供給されるガス量前記施工具に供給されるエネルギー量、若しくは、前記施工具に供給される物品の量、に関する時系列データである供給データ、
施工時に発生する音、施工時に発生する電磁波、若しくはその他施工時に環境に放射されるエネルギーの時系列データである放射エネルギーデータ、
前記供給データの時間的変化、または
前記放射エネルギーデータの時間的変化である
ことを特徴とする請求項1に記載の学習装置。 - 前記ワーク状態データは、前記ワークの前記施工具による施工箇所の温度、前記施工箇所の色彩、前記施工箇所の酸化度、若しくは前記施工箇所の溶融状態に関する時系列データである施工箇所データ、または前記施工箇所データの時間的変化である
ことを特徴とする請求項1に記載の学習装置。 - 前記信号処理部は、前記挙動データ、前記環境データ、または前記ワーク状態データのうち何れかを元データとし、前記元データの時間差分、前記元データを昇順に整列した際の分布が1%以上かつ99%以下の範囲の少なくとも1つのパーセンタイル、前記元データのフーリエ変換結果に基づいて取得した値、前記元データの自己相関に基づいて取得した値前記元データを畳み込みニューラルネットワークに入力して取得した値、または前記元データを再帰型ニューラルネットワークに入力して取得した値を特徴量として算出する機能を有し、
前記学習部は、前記学習用データに加えて前記特徴量を前記入力データとする機械学習を行う機能を有する
ことを特徴とする請求項1に記載の学習装置。 - 前記学習部における機械学習のアルゴリズムは、決定木、ランダムフォレスト、パーセプトロン、ロジスティック回帰、スコアカードモデル、ベイジアンアルゴリズム、サポートベクターマシン、k近傍法、k平均法、アダブースト、またはニューラルネットワークを適用したものである
ことを特徴とする請求項1に記載の学習装置。 - 前記学習部は、前記学習用データの一部を訓練用データとし、前記学習用データの残りをテスト用データとし、前記訓練用データに基づく前記学習モデルの構築と、前記テスト用データに基づく前記学習モデルの修正とを繰り返すことによって前記学習モデルの正答率を向上させてゆく
ことを特徴とする請求項1に記載の学習装置。 - 前記信号処理部と前記学習部とは、通信ネットワーク経由で情報を送受信する
ことを特徴とする請求項1に記載の学習装置。 - 技量レベルが異なる複数の第1の作業者の作業動作または前記第1の作業者に操作される第1の施工具の状態を測定した時系列データである第1の挙動データと、前記第1の挙動データに対応する時系列を有し、前記第1の施工具に供給される電流、前記第1の施工具に印加される電圧、または作業を行う周囲の状況を測定した第1の環境データと、前記第1の挙動データに対応する時系列を有し、作業中の第1のワークの状況を測定した第1のワーク状態データと、に対して信号処理を施し、信号処理結果を学習用データとして出力する第1の信号処理部と、前記学習用データを入力データとし技量レベルを出力データとする機械学習を行うことによって学習モデルを生成する学習部と、を有する学習装置によって生成された前記学習モデルを記憶する学習モデル記憶部と、
第2の作業者の作業動作または前記第2の作業者に操作される第2の施工具の状態を測定した時系列データである第2の挙動データと、前記第2の挙動データに対応する時系列を有し、前記第2の施工具に供給される電流、前記第2の施工具に印加される電圧、または作業を行う周囲の状況を測定した第2の環境データと、前記第2の挙動データに対応する時系列を有し、作業中の第2のワークの状況を測定した第2のワーク状態データと、に対して信号処理を施し、信号処理結果を判定用データとして出力する第2の信号処理部と、
前記学習モデルと、前記判定用データと、に基づいて、前記第2の作業者の技量レベルを出力する評価部と、を備える
ことを特徴とする評価装置。 - 前記判定用データは、複数の時間範囲に対応して区切られた複数の部分判定用データを有するものであり、
前記評価部は、複数の前記部分判定用データに対応する複数の技量レベルを出力する
ことを特徴とする請求項9に記載の評価装置。 - 技量レベルが異なる複数の作業者の作業動作または前記作業者に操作される施工具の状態を測定した時系列データである挙動データと、前記挙動データに対応する時系列を有し、前記施工具に供給される電流、前記施工具に印加される電圧、または作業を行う周囲の状況を測定した環境データと、前記挙動データに対応する時系列を有し、作業中のワークの状況を測定したワーク状態データと、に対して信号処理を施し、信号処理結果を学習用データとして出力する信号処理過程と、
前記学習用データを入力データとし技量レベルを出力データとする機械学習を行うことによって学習モデルを生成する学習過程と、を有する
ことを特徴とする学習モデルの生産方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019115172A JP7248517B2 (ja) | 2019-06-21 | 2019-06-21 | 学習装置、評価装置および学習モデルの生産方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019115172A JP7248517B2 (ja) | 2019-06-21 | 2019-06-21 | 学習装置、評価装置および学習モデルの生産方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021001959A true JP2021001959A (ja) | 2021-01-07 |
JP7248517B2 JP7248517B2 (ja) | 2023-03-29 |
Family
ID=73993978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019115172A Active JP7248517B2 (ja) | 2019-06-21 | 2019-06-21 | 学習装置、評価装置および学習モデルの生産方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7248517B2 (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021026041A (ja) * | 2019-07-31 | 2021-02-22 | 株式会社ラムダシステム | 溶接技能レベル判定システム、記憶媒体、学習済モデル生成方法、ニューラルネットワークおよび学習済モデル |
WO2022158099A1 (ja) * | 2021-01-21 | 2022-07-28 | ソニーグループ株式会社 | 情報処理方法、情報処理システム、情報端末、並びにコンピュータプログラム |
CN115034935A (zh) * | 2022-06-02 | 2022-09-09 | 北京新唐思创教育科技有限公司 | 学习特性的评估方法、装置、设备及介质 |
CN116805186A (zh) * | 2023-08-21 | 2023-09-26 | 北京柏瑞安电子技术有限公司 | 一种pcba板智能加工数据管理系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10235490A (ja) * | 1996-12-24 | 1998-09-08 | Kawasaki Steel Corp | 電気溶接機の溶接状態の評価方法および装置 |
JP2001071140A (ja) * | 1999-09-02 | 2001-03-21 | Toshiba Corp | 手溶接支援装置、手溶接支援方法、手溶接訓練装置、および手溶接訓練方法 |
JP2006171184A (ja) * | 2004-12-14 | 2006-06-29 | Toshiba Corp | 技能評価システムおよび技能評価方法 |
JP2013538687A (ja) * | 2010-07-09 | 2013-10-17 | ルノー エス.ア.エス. | はんだ接合の品質検査方法 |
CN108817724A (zh) * | 2018-08-08 | 2018-11-16 | 经略智能科技(苏州)有限公司 | 基于XGBoost机器学习模型的焊接方法 |
JP2019005809A (ja) * | 2017-06-20 | 2019-01-17 | リンカーン グローバル,インコーポレイテッド | 溶接物の分類及び相関関係のための機械学習 |
-
2019
- 2019-06-21 JP JP2019115172A patent/JP7248517B2/ja active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10235490A (ja) * | 1996-12-24 | 1998-09-08 | Kawasaki Steel Corp | 電気溶接機の溶接状態の評価方法および装置 |
JP2001071140A (ja) * | 1999-09-02 | 2001-03-21 | Toshiba Corp | 手溶接支援装置、手溶接支援方法、手溶接訓練装置、および手溶接訓練方法 |
JP2006171184A (ja) * | 2004-12-14 | 2006-06-29 | Toshiba Corp | 技能評価システムおよび技能評価方法 |
JP2013538687A (ja) * | 2010-07-09 | 2013-10-17 | ルノー エス.ア.エス. | はんだ接合の品質検査方法 |
JP2019005809A (ja) * | 2017-06-20 | 2019-01-17 | リンカーン グローバル,インコーポレイテッド | 溶接物の分類及び相関関係のための機械学習 |
CN108817724A (zh) * | 2018-08-08 | 2018-11-16 | 经略智能科技(苏州)有限公司 | 基于XGBoost机器学习模型的焊接方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021026041A (ja) * | 2019-07-31 | 2021-02-22 | 株式会社ラムダシステム | 溶接技能レベル判定システム、記憶媒体、学習済モデル生成方法、ニューラルネットワークおよび学習済モデル |
JP7411174B2 (ja) | 2019-07-31 | 2024-01-11 | 株式会社ラムダシステム | 溶接技能レベル判定システム、記憶媒体、学習済モデル生成方法および学習済モデル |
WO2022158099A1 (ja) * | 2021-01-21 | 2022-07-28 | ソニーグループ株式会社 | 情報処理方法、情報処理システム、情報端末、並びにコンピュータプログラム |
CN115034935A (zh) * | 2022-06-02 | 2022-09-09 | 北京新唐思创教育科技有限公司 | 学习特性的评估方法、装置、设备及介质 |
CN116805186A (zh) * | 2023-08-21 | 2023-09-26 | 北京柏瑞安电子技术有限公司 | 一种pcba板智能加工数据管理系统 |
CN116805186B (zh) * | 2023-08-21 | 2023-11-10 | 北京柏瑞安电子技术有限公司 | 一种pcba板智能加工数据管理系统 |
Also Published As
Publication number | Publication date |
---|---|
JP7248517B2 (ja) | 2023-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021001959A (ja) | 学習装置、評価装置および学習モデルの生産方法 | |
US20210177124A1 (en) | Information processing apparatus, information processing method, and computer-readable storage medium | |
JP6514166B2 (ja) | ロボットの動作プログラムを学習する機械学習装置,ロボットシステムおよび機械学習方法 | |
CN111902077B (zh) | 利用神经肌肉信号进行手部状态表示建模的校准技术 | |
JP6810087B2 (ja) | 機械学習装置、機械学習装置を用いたロボット制御装置及びロボットビジョンシステム、並びに機械学習方法 | |
JP2021535465A (ja) | 神経筋信号のカメラ誘導による解釈 | |
JP5931215B2 (ja) | 姿勢を推定する方法及び装置 | |
Glasauer et al. | Interacting in time and space: Investigating human-human and human-robot joint action | |
CN111902847A (zh) | 手部状态表示模型估计的实时处理 | |
JP6490124B2 (ja) | レーザ加工装置および機械学習装置 | |
KR102377561B1 (ko) | 미러 디스플레이를 이용하여 태권도 동작 코칭 서비스를 제공하는 장치 및 방법 | |
JP2018086711A (ja) | レーザ加工ロボットの加工順序を学習する機械学習装置、ロボットシステムおよび機械学習方法 | |
JPWO2019059364A1 (ja) | 遠隔制御マニピュレータシステムおよび制御装置 | |
JP6680720B2 (ja) | ロボットの動作軌跡を自動で生成する装置、システム、および方法 | |
JP4463120B2 (ja) | 身まねロボットシステムとその身まね動作制御方法 | |
KR102452924B1 (ko) | 역각 시각화 장치, 로봇 및 역각 시각화 프로그램 | |
JP6828265B2 (ja) | 表示方法、スイング解析装置、スイング解析システム、スイング解析プログラム、および記録媒体 | |
JP2013088730A (ja) | 技能習得支援システム及び技能習得支援方法 | |
JP2017134116A (ja) | 情報処理装置、情報処理方法及びプログラム | |
CA2830094C (en) | Lifting motion evaluation | |
US11482046B2 (en) | Action-estimating device | |
Rosado et al. | A Kinect-based motion capture system for robotic gesture imitation | |
JP5041370B2 (ja) | 身体訓練装置およびプログラム | |
JP2017189491A (ja) | 表示方法、スイング解析装置、スイング解析システム、スイング解析プログラム、および記録媒体 | |
JP7125872B2 (ja) | 作業支援装置、および、作業支援方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220303 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221202 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221213 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230125 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230228 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230316 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7248517 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |