JP2023017636A - 推定装置、推定方法、推定プログラム、ロボットシステム及び学習モデル生成装置 - Google Patents

Abstract

【課題】大掛かりな設備を用いることなく、導電性を有する柔軟材料の電気特性を利用して、ロボットに接触する利用者の識別情報を推定する。【解決手段】推定装置（１）は導電性を有し、かつ付与された圧力の変化に応じて電気特性が変化する柔軟材料を備えたロボット（２）における複数の検出点の間の電気特性を検出部で検出する。推定部（５）は、学習モデル（５１）を用いてロボット（２）の電気特性から利用者の識別情報を推定する。柔軟材料に圧力を与えた際の電気特性と、ロボット（２）に接触し、かつ、柔軟材料に圧力を与える利用者の識別情報とを学習用データとして用いて、その電気特性を入力とし、利用者の識別情報を出力するように学習された学習モデルに対して、電気特性を入力し、入力した電気特性に対応する利用者の識別情報を出力するように学習される。【選択図】図１

Description

本開示は、推定装置、推定方法、推定プログラム、ロボットシステム及び学習モデル生成装置に関する。

従来、ユーザの作業や動作を支援するロボットに関する技術開発が盛んに行われている。ロボットは、人や物との緩衝を考慮するため、多数の特殊な接触センサを備えて、ロボットに対する人や物の接触を検出する技術が知られている（例えば、特許文献１参照）。

また、ロボットに対する人や物の接触を検出するために、ロボットの外郭に生じる形状変化を検出することが考えられるが、形状変化を検出する側面で、変形を検出するためには、特殊な検出装置が要求される。例えば、カメラによる物体の変位と振動を測定して、変形画像を取得し、変形量を抽出する技術が知られている（例えば、特許文献２参照）。また、光の透過量から変形量を推定する柔軟触覚センサに関する技術も知られている（例えば、特許文献３参照）。

特開２０１１－０５６６１９号公報 国際公開２０１７０２９９０５号公報 特開２０１３－１０１０９６号公報

しかしながら、多数の特殊な接触センサを備えて接触を検出する側面では、接触を検出するための各部位に接触センサを備えることが要求され、センサ数が膨大となって、ロボットの大型化を招くので好ましくはない。また、多数の特殊な接触センサ自体がロボットの接触状態を阻害する虞もある。

また、形状変化を検出する側面では、変形量を検出するためにカメラや光の透過量を検出するセンサとセンサ出力を解析する解析装置等を含むシステムは、大規模なものとなり、ロボットの大型化を招くので好ましくはない。また、変形量を検出するためにロボットの全ての部位に対して変形量を検出するセンサを配置することが要求され、好ましくはない。特に、介護ロボット等のロボットでは、ロボットに接触する個々の利用者に応じて様々な適用ずれの調整を行うことがあるため、利用者の識別を行う場合がある。しかしながら、利用者の識別を行うために別の装置が必要とされ、大掛かりな設備となり好ましくはない。

本開示は、大掛かりな設備を用いることなく、導電性を有する柔軟材料の電気特性を利用して、ロボットに接触する利用者の識別情報を推定することができる推定装置、推定方法、推定プログラム、ロボットシステム及び学習モデル生成装置を提供することを目的とする。

上記目的を達成するために、第１態様は、
導電性を有し、かつ与えられた圧力の変化に応じて電気特性が変化する柔軟材料を外郭部の少なくとも一部に備えたロボットにおける前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出する検出部と、
前記柔軟材料に圧力を与えた際の時系列の電気特性と、前記ロボットに接触し、かつ、前記柔軟材料に圧力を与える利用者の識別情報とを利用者毎の学習用データとして用いて、前記時系列の電気特性を入力とし、前記利用者の識別情報を出力するように学習された学習モデルに対して、前記検出部で検出された時系列の電気特性を入力し、入力した時系列の電気特性に対応する利用者の識別情報を推定する推定部と、
を含む推定装置である。

第２態様は、第１態様の推定装置において、
前記学習モデルを用いて推定して得られた推定結果から新たな学習用データを利用者毎に収集し、収集した利用者毎の学習用データを用いて、前記学習モデルを継続的に学習する学習部を更に含む。

第３態様は、第１態様又は第２態様の推定装置において、
前記電気特性は、体積抵抗であり、
前記柔軟材料は、繊維状及び網目状の少なくとも一方の構造、又は内部に微小な空気泡が複数散在する構造のウレタン材の少なくとも一部に導電性が付与された材料を含む。

第４態様は、第１態様から第３態様の何れか１態様の推定装置において、
前記柔軟材料は、前記ロボットの骨格の周囲に配置され、前記ロボットの骨格に近づくに従って、硬さが硬くなる材料で形成されるか、又は前記ロボットの骨格に近づくに従って、硬さが硬くなるように、硬さが異なる複数の材料を積層して形成される。

第５態様は、第１態様から第４態様の何れか１態様の推定装置において、
前記柔軟材料は、前記ロボットの複数の異なる部位に配置され、
前記検出部は、前記複数の異なる部位の各々における複数の検出点の間の電気特性を検出し、
前記学習モデルは、前記複数の異なる部位の各々に対する利用者の接触状態により定まる当該利用者の識別情報を出力するように学習される。

第６態様は、第１態様から第５態様の何れか１態様の推定装置において、
前記学習モデルは、前記柔軟材料をリザーバとして当該リザーバを用いたリザーバコンピューティングによるネットワークを用いて学習させることで生成されたモデルを含む。

第７態様は、
導電性を有し、かつ与えられた圧力の変化に応じて電気特性が変化する柔軟材料を外郭部の少なくとも一部に備えたロボットと、
前記推定装置と、
を備えたロボットシステムである。

第８態様は、
コンピュータが
導電性を有し、かつ与えられた圧力の変化に応じて電気特性が変化する柔軟材料を外郭部の少なくとも一部に備えたロボットにおける前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出する検出部から前記電気特性を取得し、
前記柔軟材料に圧力を与えた際の時系列の電気特性と、前記ロボットに接触し、かつ、前記柔軟材料に圧力を与える利用者の識別情報とを利用者毎の学習用データとして用いて、前記時系列の電気特性を入力とし、前記利用者の識別情報を出力するように学習された学習モデルに対して、前記検出部で検出された時系列の電気特性を入力し、入力した時系列の電気特性に対応する利用者の識別情報を推定する
推定方法である。

第９態様は、
コンピュータに
導電性を有し、かつ与えられた圧力の変化に応じて電気特性が変化する柔軟材料を外郭部の少なくとも一部に備えたロボットにおける前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出する検出部から前記電気特性を取得し、
前記柔軟材料に圧力を与えた際の時系列の電気特性と、前記ロボットに接触し、かつ、前記柔軟材料に圧力を与える利用者の識別情報とを利用者毎の学習用データとして用いて、前記時系列の電気特性を入力とし、前記利用者の識別情報を出力するように学習された学習モデルに対して、前記検出部で検出された時系列の電気特性を入力し、入力した時系列の電気特性に対応する利用者の識別情報を推定する
処理を実行させるための推定プログラムである。

第１０態様は、
導電性を有し、かつ与えられた圧力の変化に応じて電気特性が変化する柔軟材料を外郭部の少なくとも一部に備えたロボットにおける前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出する検出部から前記電気特性を入力とし、前記ロボットに接触し、かつ、前記柔軟材料に圧力を与える利用者の識別情報を出力する学習モデルを生成する学習モデル生成部
を含む学習モデル生成装置である。

本開示によれば、大掛かりな設備を用いることなく、導電性を有する柔軟材料の電気特性を利用して、ロボットに接触する利用者の識別情報を推定することができる、という効果を有する。

実施形態に係る識別情報推定装置の構成の一例を示す図である。 実施形態に係るロボットに関する図である。 実施形態に係るロボットの腕部に関する図である。 実施形態に係るロボットの外郭部に関する図である。 実施形態に係るロボットの外郭部の硬さに関する概念図である。 実施形態に係るロボットに関する図である。 実施形態に係るロボットに関する図である。 実施形態に係る導電性を有する部材の検出点に関する図である。 実施形態に係る導電性を有する部材に関する図である。 実施形態に係る導電性を有する部材に関する図である。 実施形態に係る導電性を有する部材に関する図である。 実施形態に係る学習処理に関する図である。 実施形態に係る学習データ収集処理の一例を示すフローチャートである。 実施形態に係る学習処理部における学習処理に関する図である。 実施形態に係る学習処理の流れの一例を示すフローチャートである。 実施形態に係る学習処理部における学習処理に関する図である。 実施形態に係る識別情報推定装置の構成の一例を示す図である。 実施形態に係る推定処理の流れの一例を示すフローチャートである。 実施形態に係るロボットに関係する特性を示す図である。

以下、図面を参照して本開示の技術を実現する実施形態を詳細に説明する。
なお、作用、機能が同じ働きを担う構成要素及び処理には、全図面を通して同じ符号を付与し、重複する説明を適宜省略する場合がある。また、本開示は、以下の実施形態に何ら限定されるものではなく、本開示の目的の範囲内において、適宜変更を加えて実施することができる。また、本開示では、主として非線形に変形する部材に対する物理量の推定を説明するが、線形に変形する部材に対する物理量の推定に適用可能であることは言うまでもない。

本開示において「ロボット」とは、複数のパーツが連携して構成され、少なくとも一部のパーツが可動可能な構造体を含む概念である。ロボットの一例には、介護ロボット、ペットロボット、盲導犬ロボット、介助犬ロボット等が挙げられ、人と接触するロボットであれば対象とされる。「利用者の識別情報」とは、ロボットに接触し、かつ、ロボットを構成する少なくとも１つのパーツに対して圧力等のエネルギを与える利用者を一意に識別するための情報である。

本開示において「柔軟材料」とは、外部力が与えられることによって少なくとも一部が撓み等のように変形可能な材料を含む概念であり、ゴム材料等の柔らかい弾性体、繊維状及び網目状の少なくとも一方の骨格を有する構造体、及び内部に微小な空気泡が複数散在する構造体を含む。外部力の一例には圧力が挙げられる。繊維状及び網目状の少なくとも一方の骨格を有する構造体、及び内部に微小な空気泡が複数散在する構造体の一例には、ウレタン材などの高分子材料が挙げられる。「導電性が付与された柔軟材料」とは、導電性を有する材料を含む概念であり、導電性を付与するために導電材を柔軟材料に付与した材料、及び柔軟材料が導電性を有する材料を含む。また、導電性が付与された柔軟材料は、変形に応じて電気特性が変化する機能を有する。なお、変形に応じて電気特性が変化する機能を生じさせる物理量の一例には柔軟材料に与えられる圧力による刺激（以下、圧力刺激という。）を示す圧力値が挙げられる。柔軟材料の変形に応じて変化する電気特性を表す物理量の一例には、電気抵抗値が挙げられる。また、他例には、電圧値、又は電流値が挙げられる。電気抵抗値は、柔軟材料の体積抵抗値と捉えることが可能である。

柔軟材料は、導電性を与えることで、圧力による変形に応じた電気特性が現れる。すなわち、導電性が付与された柔軟材料は、電気経路が複雑に連携し、変形に応じて電気経路が伸縮したり膨縮したりする。また、電気経路が一時的に切断される挙動、及び以前と異なる接続が生じる挙動を示す場合もある。従って、柔軟材料は、所定距離を隔てた位置（例えば電極が配置された検出点の位置）の間では、与えられた力（例えば圧力刺激）の大きさや分布に応じて異なる電気特性を有する挙動を示す。このため、柔軟材料に与えられた力（例えば圧力刺激）の大きさや分布に応じて電気特性が変化する。

本開示の推定装置は、学習済みの学習モデルを用いて、ロボットに備えられた導電性を有する柔軟材料における電気特性から、ロボットに接触し、かつ、その柔軟材料に圧力を与える利用者の識別情報を推定する。学習モデルは、導電性を有する柔軟材料に圧力を与えた際の時系列の電気特性と、ロボットに接触し、かつ、その柔軟材料に圧力を与える利用者の識別情報とを利用者毎の学習用データとして用いる。学習モデルは、時系列の電気特性を入力とし、その時系列の電気特性に対応する利用者の識別情報を出力するように学習される。

以下の説明では、導電性を有する柔軟材料としてウレタン部材の全部または少なくとも一部に導電材料が配合されたシート部材（以下、導電性ウレタンという。）が、ロボットの少なくとも一部の外郭部に配置された場合を説明する。また、導電性ウレタンを変形させる物理量としてはロボット、すなわち柔軟材料に与えられる圧力刺激を示す値（圧力値）を適用する。なお、圧力刺激に応じて変化する物理量としては、導電性ウレタンの電気抵抗値を適用した場合を説明する。

図１に、本開示の推定装置としての識別情報推定装置１の構成の一例を示す。

識別情報推定装置１における推定処理は、学習済みの学習モデル５１を用いて、ロボット２に配置された導電性ウレタン２２における電気特性から、ロボット２に接触する未知の利用者の識別情報を推定し、出力する。ロボット２に接触（例えば、握手等）する利用者毎に接触状態に特徴（例えば、握手の仕方等）があり、接触状態の特徴に応じて導電性ウレタン２２の変形、つまり、電気特性が異なる点に着目し、導電性ウレタン２２の電気特性から、例えば、Ａさんの握手、Ｂさんの握手等を推定することが可能とされる。つまり、導電性ウレタン２２の電気特性から利用者の識別情報を推定することが可能とされる。これにより、特殊な装置や大型の装置を用いたり、ロボット２の外郭の変形を直接計測したりすることなく、利用者の識別情報を推定することが可能となる。学習モデル５１は、接触状態（例えば、握手）及び利用者の識別情報（例えば、Ａさん）をラベルとし、当該利用者の識別情報における導電性ウレタンの電気特性（すなわち、ロボット２に配置された導電性ウレタンの電気抵抗値）を入力として学習される。学習モデル５１の学習については後述する。

ここで、ロボット２の構造を説明する。図２に人型に模した介護ロボット２００のロボット構造の一例を示す。人型の介護ロボット２００は、一例として、利用者との握手等を含む触れ合い、利用者の自立支援、利用者の抱き抱え、利用者の移乗支援等を行う機能を備えている。なお、介護ロボット２００は、人型に限定されるものではなく、利用者と接触して介護を行う機能を備えたものであればよい。

図２に示す介護ロボット２００は、頭部２１０、胴体部２２０、腕部２３０（上腕２３２、前腕２３４、手２３６）、脚部２４０（大腿２４２、下腿２４４、足２４６）の各々のパーツが骨格２１によって連結される。介護ロボット２００は、骨格２１の周囲に導電性ウレタン２２を配置することで、介護ロボット２００の外側である外郭に導電性ウレタン２２が配置される。ロボット２に配置された導電性ウレタン２２は、電極等の検出点７５を介して電気特性検出部７６（図８）に接続される。

例えば、図３に上腕２３２の概略構造の一例を断面図で示すように、上腕２３２の骨格２１の周囲に、人工筋肉などの構造物を含む内部層２５が配置され、内部層２５の周囲に表皮としても機能する外郭部２７が配置される。なお、内部層２５を不要とし、骨格２１の周囲に表皮として機能する外郭部２７を配置してもよい。

導電性ウレタン２２は、骨格２１の周囲に配置する材料、すなわち外郭部２７の少なくとも一部に配置すればよく、内部に配置してもよいし外部に配置してもよい（図４）。具体的な一例には、外郭部２７のＡ－Ａ断面を外郭断面２７－１として示すように、外郭部２７の内部を全て導電性ウレタン２２で構成しても良い。また、外郭断面２７－２に示すように、外郭部２７の外側（表面側）の一部に導電性ウレタン２２を形成しても良く、外郭断面２７－３に示すように、外郭部２７の内側（骨格側）に導電性ウレタン２２を形成しても良い。さらに、外郭断面２７－４に示すように、外郭部２７の内部の一部に導電性ウレタン２２を形成しても良い。また、外郭断面２７－５に示すように、外郭部２７を構成する柔軟性を有する材料２７Ａの外側に導電性ウレタン２２を配置しても良く、外郭断面２７－６に示すように、外郭部２７の内側（骨格側）の外部に導電性ウレタン２２を配置しても良い。導電性ウレタン２２を外郭部２７を構成する材料２７Ａの外部に配置する場合、導電性ウレタン２２と外郭部２７を構成する材料とを積層するのみでもよく、導電性ウレタン２２と外郭部２７を構成する材料とを接着等により一体化してもよい。なお、導電性ウレタン２２を外郭部２７を構成する材料の外部に配置する場合であっても、導電性ウレタン２２が導電性を有するウレタン部材であるため、外郭部２７を構成する材料の柔軟性は阻害されない。

また、導電性ウレタン２２は、所定の硬さの柔軟性を有するように形成してもよく、例えば、図５に概念的に示すように、深さに応じて硬さが変化する柔軟性を有するように形成してもよい。図５に示す例では、外郭断面２７－７として示す外郭部２７を導電性ウレタン２２で構成する場合、外郭部２７の外側（表面側）から内側（骨格側）に向かうに従って、すなわち深さが深くなるのに従って徐々に硬さが硬くなるように導電性ウレタン２２を形成することが可能である。また、外郭断面２７－８に示すように、硬さが異なる複数の導電性ウレタン２２（硬さ：２２Ｘ＜２２Ｙ＜２２Ｚ）を配置しても良い。導電性ウレタン２２を含む外郭部２７の硬さ（柔軟性）を深さに応じて変化するように構成することで、人体の表皮部分に近い触感を提供することが可能である。

以降では、説明を簡単にするため、本開示のロボットの一例として、図６に示す簡易型のロボットを含む自立型介護ロボットシステムをロボット２として適用した場合を説明する。ロボット２は、骨格２１の周囲にロボット２の外側である外郭として導電性ウレタン２２を配置して外郭部を形成する。

図６に示すように、ロボット２は、表示部２１１及び首部２１２を含んで頭部２１０を構成し、上部胴体２２２、及び下部胴体２２４を含んで胴体部２２０を構成する。また、ロボット２は、肩部２３１、アーム部２３３、及び手２３６を含んで腕部２３０を構成し、図示しない移動機構を備えたベース部２４１を含んで脚部２４０を構成する。頭部２１０、胴体部２２０、腕部２３０及び脚部２４０は、骨格２１によって連結される。

図６に示すロボット２では、胴体部２２０（上部胴体２２２、及び下部胴体２２４）、腕部２３０（肩部２３１、アーム部２３３、及び手２３６）、脚部２４０（ベース部２４１）の各々の外側に導電性ウレタン２２を含む外郭部２７が配置される。なお、外郭部２７は、１枚のシートで構成して配置してもよく、各々のパーツ毎に配置してもよい。各々のパーツ毎に導電性ウレタン２２を含む外郭部２７を配置する場合、外郭部２７の一部が重複するように配置してもよい。ロボット２に配置された導電性ウレタン２２は、電極等の検出点７５を介して電気特性検出部７６（図８）に接続される。

腕部２３０は、肩部２３１を支点として、アーム部２３３が屈曲可能に形成される。腕部２３０でアーム部２３３が屈曲可能に形成する構成には、線形又は非線形に変形する弾性体を含む部材が適用可能であり、付与された物理量（例えば圧力や流体の供給）により所定方向に収縮力を発生する弾性収縮体が一例として挙げられる。弾性収縮体の一例には、公知技術のエアバッグタイプの部材を適用可能である（例えば、特公昭52-40378号参照）。エアバッグタイプの弾性収縮体（例えば、ラバーアクチュエータ）は、ゴム部材等の柔らかい弾性体で構成される管状体の外周を、有機又は無機高張力繊維、例えば芳香族ポリアミド繊維の編組み補強構造により被覆した本体を有し、両端開口を閉塞部材によって封止したものである。ラバーアクチュエータは、その閉塞部材に設けられた接続口を介して内部空洞に加圧流体が供給されることによって膨径変形し、軸線方向に沿って収縮力が発生するようになっている。このラバーアクチュエータは、膨径変形によって、ラバーアクチュエータの長さが変化する。ただし、ラバーアクチュエータを適用対象とするのはあくまで一例に過ぎず、本開示の推定装置はラバーアクチュエータ以外の部材にも適用可能である。

ロボット２は、図示しない弾性収縮体の駆動によって、図７に示すように、アーム部２３３が屈曲する。アーム部２３３の作動によって、人体の腕部を模擬することが可能となる。

また、ロボット２は、ベース部２４１に図示しない移動機構を備えることで、移動可能とされる。ベース部２４１には、ロボット２の制御を行う制御装置２５０が備えられている（図１７）。制御装置２５０は、識別情報推定装置１として動作する機能部を含む。

また、ロボット２は、操作部１１５、表示部２１１、マイク１１７、スピーカ１１８を備えることで（図１７）、ユーザからの指示やユーザの状態、及びユーザへの応答等の情報を取得したり、提供したりすることが可能である。

なお、ロボット２は、ベース部２４１を含む脚部２４０以外の部位において、骨格２１の連携による各パーツを移動するための駆動部１１９（図１７）を備えている。駆動部１１９（図１７）の駆動によって、ロボット２は、パーツ毎の移動、或いは複数のパーツが連携した移動によって、各種の姿勢を維持したり、各種の挙動を実行したりすることが可能となる。よって、ロボット２は、自立型介護ロボットシステムとして動作する。

ところで、識別情報推定装置１は、利用者の識別情報を推定するために、ロボット２に配置された導電性ウレタン２２における電気特性を検出する。

図８に示すように、距離を隔てて配置された複数（図８では２個）の検出点７５からの信号によって、導電性ウレタン２２の電気特性（すなわち、電気抵抗値である体積抵抗値）を検出することが可能である。図８は、外郭部２７の一部として配置された導電性ウレタン２２を平面展開した場合を例示した。また、図８では、導電性ウレタン２２上の側辺部分に検出点７５を偏らせて、導電性ウレタン２２上で距離を隔てて対角位置に配置された複数の検出点７５からの信号により電気抵抗値を検出する検出セット＃１が示されている。なお、複数の検出点７５の配置は、図８に示す位置に限定されるものではなく、導電性ウレタン２２の電気特性を検出可能な位置であれば何れの位置でもよい。例えば、複数の検出点７５を離間して配置すればよく、側辺部分への配置に限定されず、中央部分であってもよく、側辺部分と中央部分との組み合わせであってもよい。また、導電性ウレタン２２の電気特性は、電気特性（すなわち、電気抵抗値である体積抵抗値）の検出する電気特性検出部７６を検出点７５に接続し、その出力を用いればよい。

外郭部２７に導電性ウレタン２２を備えて構成されるロボット２において検出される電気抵抗値は、ロボット２の外郭部２７に圧力刺激が与えられる等の導電性ウレタン２２の変形によって、その変形の前後で変化する。よって、時系列の電気抵抗値の検出、すなわち、ロボット２に圧力刺激が与えられていない状態からの電気抵抗値の変化を検出（例えば予め定めた閾値を超えた電気抵抗値を検出）することで、ロボット２に対する利用者の接触を検出することが可能となる。具体的には、ロボット２に対する利用者の接触を示す接触状態は、圧力刺激を伴う。よって、ロボット２に導電性ウレタン２２を配置することで、ロボット２に対する利用者の接触を検出可能となる。また、ロボット２に与えられた圧力刺激の位置や分布、及び大きさの何れか１つが変化しても電気抵抗値は変化する。従って、時系列に変化した電気抵抗値から、ロボット２に対する利用者の接触位置を含む接触状態を検出することも不可能ではない。

ロボット２に形成される導電性ウレタン２２を含む外郭部２７は、ロボット２の外側を一体構造として導電性ウレタン２２を含む外郭部２７を形成してもよく、パーツ毎に独立した導電性ウレタン２２を含む外郭部２７を形成してもよい。

なお、１つの導電性ウレタン２２の電気特性の検出精度を向上するため、図８に示す検出点（２個）より多くの検出点を用いてもよい。

一例としては、各々検出点が配置された複数の導電性ウレタン片からなる列を１列または複数列並べて導電性ウレタン２２を形成し、複数の導電性ウレタン片毎に電気特性を検出してもよい。例えば、導電性ウレタン片２３（図９）を、配列して導電性ウレタン２２を構成してもよい（図１０、図１１）。図９に示す例は、距離を隔てて対角位置に配置された検出点７５Ａからの信号により電気抵抗値を検出する第１の検出セット＃１と、他の対角位置に配列された検出点７５Ｂからの信号により電気抵抗値を検出する第２の検出セット＃２とを示している。また、図１０に示す例では、導電性ウレタン片２３（図９）を、外郭部２７の長手方向に配列（４ｘ１）して導電性ウレタン２２を構成し、順に、第１の検出セット＃１から第８の検出セット＃８を構成することを示している。さらに、図１１に示す例では、導電性ウレタン片２３（図９）において各々第１の検出セット＃１を採用し、外郭部２７の長手方向及び幅方向に配列（４ｘ２）して導電性ウレタン２２を構成し、第１の検出セット＃１から第８の検出セット＃８を構成することを示している。

また、他例としては、導電性ウレタン２２上における検出範囲を分割して分割した検出範囲毎に検出点を設けて検出範囲毎に電気特性を検出してもよい。例えば、図１０及び図１１に示す導電性ウレタン片２３の大きさに相当する領域を検出範囲として導電性ウレタン２２に設定し、設定した検出範囲毎に検出点を配置して、検出範囲毎に電気特性を検出すればよい。

図１に示すように、識別情報推定装置１は、推定部５を備えている。推定部５には、導電性ウレタン２２における電気抵抗の大きさ（電気抵抗値）を表す時系列の入力データ４が入力される。具体的には、導電性ウレタン２２の検出点７５に接続された電気特性検出部７６から出力される電気特性（すなわち、電気抵抗値である体積抵抗値）が入力される。入力データ４は、ロボット２の利用者毎の接触状態３に対応する。また、推定部５は、推定結果として接触状態３を示す物理量（接触状態値）及び接触状態３に対応付けられた利用者の識別情報を表す出力データ６を出力する。なお、推定部５は、学習済みの学習モデル５１を含む。

学習モデル５１は、接触状態３に応じた圧力刺激により変化する導電性ウレタン２２の電気抵抗（入力データ４）から、利用者のロボット２に対する接触状態及び接触状態に対応付けられた利用者の識別情報（出力データ６）を導出する学習を済ませたモデルである。学習モデル５１は、例えば、学習済みのニューラルネットワークを規定するモデルであり、ニューラルネットワークを構成するノード（ニューロン）同士の間の結合の重み（強度）の情報の集合として表現される。

学習モデル５１は、学習処理部５２（図１２）の学習処理により生成される。学習処理部５２は、接触状態３により生じる圧力刺激で変化する導電性ウレタン２２における電気特性（入力データ４）を用いて学習処理を行う。すなわち、接触状態３及び接触状態３に対応付けられた利用者の識別情報をラベルとして導電性ウレタン２２における電気抵抗を時系列に測定した大量のデータを学習データとする。具体的には、学習データは、電気抵抗値（入力データ４）を含んだ入力データと、その入力データに対応する接触状態３を表す接触状態値及び接触状態値に対応付けられた利用者の識別情報（出力データ６）とのセットを大量に含む。ここでは、導電性ウレタン２２の電気抵抗値（入力データ４）の各々に測定時刻を示す情報を付与することで時系列情報が対応付けられる。この場合、接触状態３として定まる期間について、導電性ウレタン２２における時系列の電気抵抗値のセットに測定時刻を示す情報を付与して時系列情報を対応付けてもよい。

次に、学習処理部５２について説明する。
学習処理部５２が行う学習処理では、上述した導電性ウレタン２２が配置されたロボット２の外郭部２７が検出部として適用され、接触状態３と、接触状態３に対応付けられた利用者の識別情報と、導電性ウレタン２２による電気抵抗値（入力データ４）とが学習データとして用いられる。

例えば、利用者のロボット２に対する接触状態及び接触状態に対応付けられた利用者の識別情報を学習データとする。具体的には、少なくとも一部のパーツに対して圧力等のエネルギが与えられる所定の接触状態となるように、利用者毎に、ロボット２に対して所定姿勢で接触したり動きを伴って接触したりする等を行うことを指示し、そのときの電気抵抗値を検出して、接触状態及び利用者の識別情報を対応付けて学習データとする。ロボット２は、利用者から少なくとも一部のパーツに対して圧力等のエネルギが与えられることによって外郭部２７が変形して、導電性ウレタン２２の電気抵抗値が変化するので、時系列に電気抵抗値を検出して、接触状態（接触状態値）及び利用者の識別情報を対応付けて学習データとすることが可能となる。学習モデル５１は、複数の異なるパーツ（部位）の各々に対する利用者の接触状態により定まる当該利用者の識別情報を出力するように学習される。

学習処理部５２は、図示しないＣＰＵを含むコンピュータを含んで構成可能であり、学習データ収集処理及び学習処理を実行する。図１３に、図示しないＣＰＵが実行する学習データ収集処理の一例を示す。学習処理部５２は、ステップＳ１００で、上述した利用者の接触状態を得るための指示を行い、ステップＳ１０２で、接触状態に応じた圧力刺激により変化する導電性ウレタン２２の電気抵抗値を時系列に取得する。次のステップＳ１０４では、取得した時系列の電気抵抗値に接触状態３を示す接触状態値及び利用者の識別情報をラベルとして付与して、記憶する。学習処理部５２は、これら接触状態値、利用者の識別情報、及び導電性ウレタン２２の電気抵抗値のセットが予め定めた所定数、又は予め定めた所定時間に達するまで（ステップＳ１０６で、肯定判断されるまで否定判断し）、上記処理を繰り返す。これにより、学習処理部５２は、各利用者について、接触状態３毎に、導電性ウレタン２２における電気抵抗値を時系列に取得し、記憶することが可能となり、各利用者について、記憶された接触状態毎の時系列の導電性ウレタン２２の電気抵抗値のセットが学習データとなる。

また、識別情報推定装置１は、学習部７を備えていてもよい。学習部７は、学習モデル５１を用いて推定して得られた推定結果から新たな学習データを利用者毎に収集し、収集した利用者毎の学習データを用いて、学習モデル５１を継続的に学習する。つまり、識別情報推定装置１は、学習モデル５１を継続的に自己学習する機能を備えており、利用者の識別情報の推定精度をより向上させることができる。なお、学習部７による自己学習は、学習処理部５２による学習処理と同様である。

ところで、接触状態のうち、ロボット２に利用者が接触等の圧力刺激を伴って付勢した場合、利用者が外郭部２７に接触する付勢状態から付勢力（押圧力）が大きくなるのに従って、電気特性（電気抵抗値）が大きく変化する。従って、時系列の電気特性が接触検出用に予め定めた閾値を超えること検出することで、少なくとも利用者が外郭部２７に接触した付勢状態を検出可能である。よって、少なくとも利用者が外郭部２７に接触した付勢状態を検出するのであれば、接触した付勢状態を特定する付勢力（押圧力）に対応する時系列の電気特性を学習データとすればよい。

図１９に、ロボット２のアーム部２３３における電気特性の一例を示す。図１９は、ロボット２のアーム部２３３を、異なる付勢力（ピーク値Ｐ１～Ｐ８の押圧力）によって利用者の手により押圧した際の導電性ウレタン２２の電気特性を示す。また、ピーク値Ｐ１～Ｐ７は、利用者が接触に至らない接触状態とし、ピーク値Ｐ８は、利用者が接触したときの接触状態とする。

図１９に示すように、導電性ウレタン２２の時系列の電気特性（各ピーク値Ｐ１～Ｐ８を含む前後の電気特性）の各々が、利用者の付勢力（押圧力）に応じてアーム部２３３に接触し、付勢された際の接触状態における特徴パターンである。すなわち、アーム部２３３が利用者の手により押圧されると、電気抵抗値が急激に上昇し、押圧が解除（利用者の手が離間）されると電気抵抗値が徐々に低下するパターンが、特徴パターンとして現れている。図１９に示す例では、ピーク値Ｐ１～Ｐ７に比べて、ピーク値Ｐ８が大きい電気抵抗値となっている。このため、ピーク値Ｐ１～Ｐ７を超える電気抵抗値を閾値ｔｈに定めることで、利用者が外郭部２７に接触した付勢状態を検出可能である。よって、学習処理部５２は、接触した付勢状態を特定する付勢力（押圧力）に対応する時系列の電気特性を学習データとして学習する。

一方、接触状態を表す特徴パターンは、ロボット２に接触する利用者に応じて異なる。例えば、Ａさんの握手を表す特徴パターンと、Ｂさんの握手を表す特徴パターンとは異なっている。つまり、接触状態を表す特徴パターンによって、利用者を識別することが可能とされる。

従って、接触状態に応じてロボット２における圧力刺激が変化し、その圧力刺激の変化に対応する電気特性を時系列に取得することで、接触状態に対応付けられた利用者の識別情報に時系列の電気特性を対応付けて記憶することが可能となる。当該時系列の電気特性、接触状態を示す接触状態値、及び接触状態値に対応付けられた利用者の識別情報のセットを学習データとすることが可能となる。

次に、上述した学習データの一例を表で示す。表１は、学習データとして、時系列の電気抵抗値データ（ｒ）と、接触状態値と、利用者の識別情報とを対応付けたデータの一例である。表２は、ロボット２における各パーツが連携することを考慮して、各パーツで検出された時系列の電気抵抗値を示す特性データ（Ｊ）のセットと、接触状態値と、利用者の識別情報とを対応付けたデータの一例である。このセットに含まれる何れかの特性データ（Ｊ）に接触状態の特徴、すなわち、特徴パターンが含まれる。各特性データ（Ｊ）は、全て学習データとして用いる。例えば、ロボット２で検出された複数の特性データ（Ｊ）と、接触状態値（表２ではロボットが利用者を「両腕で抱える」動作を示す値）と、利用者の識別情報（表２では「Ａさん」を示す値）を学習データとして用いる。

次に、学習処理部５２における学習処理ついて説明する。図１４は、学習処理において学習処理部５２の図示しないＣＰＵにおける機能を示す図である。
学習処理部５２の図示しないＣＰＵは、生成器５４及び演算器５６の機能部を含む。生成器５４は、入力である時系列に取得された電気抵抗値の前後関係を考慮して出力を生成する機能を有する。

また、学習処理部５２は、学習用データとして、上述した入力データ４（電気抵抗値）と、入力データ４（電気抵抗値）に対応する接触状態３及び利用者の識別情報である出力データ６とのセットを多数保持している。

生成器５４は、入力層５４０、中間層５４２、および出力層５４４を含んで、公知のニューラルネットワーク（ＮＮ：Neural Network）を構成する。ニューラルネットワーク自体は公知の技術であるため詳細な説明は省略するが、中間層５４２は、ノード間結合およびフィードバック結合を有するノード群（ニューロン群）を多数含む。その中間層５４２には、入力層５４０からのデータが入力され、中間層５４２の演算結果のデータは、出力層５４４へ出力される。

生成器５４は、入力された入力データ４（電気抵抗）から接触状態及び利用者の識別情報を表す生成出力データ６Ａを生成するニューラルネットワークである。生成出力データ６Ａは、入力データ４（電気抵抗）から接触状態及び利用者の識別情報を推定したデータである。生成器５４は、時系列に入力された入力データ４（電気抵抗）から、接触状態に近い状態を示す生成出力データを生成する。生成器５４は、多数の入力データ４（電気抵抗）を用いて学習することで、ロボット２すなわち導電性ウレタン２２に圧力刺激が与えられる接触状態に近い生成出力データ６Ａを生成できるようになる。他の側面では、時系列に入力された入力データ４である電気特性をパターンとして捉え、当該パターンを学習することで、ロボット２すなわち導電性ウレタン２２に圧力刺激が与えられる接触状態に近い生成出力データ６Ａを生成できるようになる。

演算器５６は、生成出力データ６Ａと、学習データの出力データ６とを比較し、その比較結果の誤差を演算する演算器である。学習処理部５２は、生成出力データ６Ａ、および学習データの出力データ６を演算器５６に入力する。これに応じて、演算器５６は、生成出力データ６Ａと、学習データの出力データ６との誤差を演算し、その演算結果を示す信号を出力する。

学習処理部５２は、演算器５６で演算された誤差に基づいて、ノード間の結合の重みパラメータをチューニングする、生成器５４の学習を行う。具体的には、生成器５４における入力層５４０と中間層５４２とのノード間の結合の重みパラメータ、中間層５４２内のノード間の結合の重みパラメータ、および中間層５４２と出力層５４４とのノード間の結合の重みパラメータの各々を例えば勾配降下法や誤差逆伝搬法等の手法を用いて、生成器５４にフィードバックする。すなわち、学習データの出力データ６を目標として、生成出力データ６Ａと学習データの出力データ６との誤差を最小化するように全てのノード間の結合を最適化する。

学習モデル５１は、学習処理部５２の学習処理により生成される。学習モデル５１は、学習処理部５２による学習結果のノード間の結合の重みパラメータ（重み又は強度）の情報の集合として表現される。

図１５に学習処理の流れの一例を示す。学習処理部５２は、ステップＳ１１０で、時系列に測定した結果の学習データである、接触状態を示す情報及び利用者の識別情報をラベルとした入力データ４（電気抵抗）を取得する。学習処理部５２は、ステップＳ１１２で、時系列に測定した結果の学習データを用いて学習モデル５１を生成する。すなわち、上記のようにして多数の学習データを用いて学習した学習結果のノード間の結合の重みパラメータ（重み又は強度）の情報の集合を得る。そして、ステップＳ１１４で、学習結果のノード間の結合の重みパラメータ（重み又は強度）の情報の集合として表現されるデータを学習モデル５１として記憶する。

なお、生成器５４は、時系列入力の前後関係を考慮して出力を生成する機能を有する再帰型ニューラルネットワークを用いてもよく、他の手法を用いてもよい。

そして、上記識別情報推定装置１では、以上に例示した手法により生成した学習済みの生成器５４（すなわち、学習結果のノード間の結合の重みパラメータの情報の集合として表現されるデータ）を学習モデル５１として用いる。十分に学習した学習モデル５１を用いれば、ロボット２、すなわち外郭部２７に配置された導電性ウレタン２２における時系列の電気抵抗値から接触状態及び利用者の識別情報を同定することも不可能ではない。

なお、学習処理部５２による処理は、本開示の学習モデル生成装置の処理の一例である。また、識別情報推定装置１は、本開示の推定部および推定装置の一例である。接触状態３を示す情報及び利用者の識別情報である出力データ６は、本開示の識別情報の一例である。

ところで、上述したように、導電性ウレタン２２は、上述したように電気経路が複雑に連携し、変形に応じた電気経路の伸縮、膨縮、一時的な切断、及び新たな接続が生じる等の挙動を示し、結果的に、与えられた力（例えば圧力刺激）に応じて異なる電気特性を有する挙動を示す。このことは、導電性ウレタン２２を、導電性ウレタン２２の変形に関するデータを貯留するリザーバとして扱うことが可能である。すなわち、識別情報推定装置１は、物理的なリザーバコンピューティング（ＰＲＣ：Physical Reservoir Computing）と呼ばれるネットワークモデル（以下、ＰＲＣＮという。）に、導電性ウレタン２２を適用することが可能である。ＰＲＣおよびＰＲＣＮ自体は公知の技術であるため、詳細な説明を省略するが、すなわち、ＰＲＣ、及びＰＲＣＮは、導電性ウレタン２２の変形に関する情報の推定に好適に適用可能である。

図１６に、導電性ウレタン２２を含むロボット２を、導電性ウレタン２２を含むロボット２の変形に関するデータを貯留するリザーバとして扱って学習する学習処理部５２の一例を示す。導電性ウレタン２２は、多様な圧力刺激の各々に応じた電気特性（電気抵抗値）となり、電気抵抗値を入力する入力層として機能し、また、導電性ウレタン２２の変形に関するデータを貯留するリザーバ層として機能する。導電性ウレタン２２は、接触状態３により与えられた圧力刺激に応じて異なる電気特性（入力データ４）を出力するので、推定層で、導電性ウレタン２２の電気抵抗値から与えられた圧力刺激３を推定することが可能である。従って、学習処理では、推定層を学習すればよい。

上述の識別情報推定装置１は、例えば、コンピュータに上述の各機能を表すプログラムを実行させることにより実現可能である。

図１７に、識別情報推定装置１の各種機能を実現する処理を実行する実行装置としてコンピュータを含んで構成した制御装置２５０の一例を示す。

識別情報推定装置１として機能する制御装置２５０は、図１７に示すコンピュータ本体１００を備えている。コンピュータ本体１００は、ＣＰＵ１０２、揮発性メモリ等のＲＡＭ１０４、ＲＯＭ１０６、ハードディスク装置（ＨＤＤ）等の補助記憶装置１０８、及び入出力インターフェース（Ｉ／Ｏ）１１０を備えている。これらのＣＰＵ１０２、ＲＡＭ１０４、ＲＯＭ１０６、補助記憶装置１０８、及び入出力Ｉ／Ｏ１１０は、相互にデータ及びコマンドを授受可能にバス１１２を介して接続された構成である。また、入出力Ｉ／Ｏ１１０には、外部装置と通信するための通信部１１４が接続されている。通信部１１４は、導電性ウレタン２２を含むロボット２との間で、入力データ４（電気抵抗）を取得する機能する。すなわち、通信部１１４は、検出部である、ロボット２に配置された導電性ウレタン２２における検出点７５に接続された電気特性検出部７６から入力データ４（電気抵抗）を取得することが可能である。

また、入出力Ｉ／Ｏ１１０には、キーボード等の操作部１１５、ディスプレイ等の表示部２１１、音声入力のためのマイク１１７、音声出力のためのスピーカ１１８、及び駆動部１１９が接続されている。表示部２１１は、ロボット２の頭部２１０に配置される。また、操作部１１５、マイク１１７、及びスピーカ１１８は、例えば、ロボット２の胴体部２２０の内部に配置される（図示省略）。駆動部１１９は、ロボット２の骨格２１の連携による各パーツを移動可能に駆動するように配置される（図示省略）。

補助記憶装置１０８には、コンピュータ本体１００を本開示の推定装置の一例として識別情報推定装置１として機能させるための制御プログラム１０８Ｐが記憶される。ＣＰＵ１０２は、制御プログラム１０８Ｐを補助記憶装置１０８から読み出してＲＡＭ１０４に展開して処理を実行する。これにより、制御プログラム１０８Ｐを実行したコンピュータ本体１００は、本開示の推定装置の一例として識別情報推定装置１として動作する。

なお、補助記憶装置１０８には、学習モデル５１を含む学習モデル１０８Ｍ、及び各種データを含むデータ１０８Ｄが記憶される。制御プログラム１０８Ｐは、ＣＤ－ＲＯＭ等の記録媒体により提供するようにしても良い。

次に、コンピュータにより実現された識別情報推定装置１における推定処理について説明する。

図１８に、コンピュータ本体１００において、実行される制御プログラム１０８Ｐによる推定処理の流れの一例を示す。
図１８に示す推定処理は、コンピュータ本体１００に電源投入されると、ＣＰＵ１０２により実行される。すなわち、ＣＰＵ１０２は、制御プログラム１０８Ｐを補助記憶装置１０８から読み出し、ＲＡＭ１０４に展開して処理を実行する。

まず、ＣＰＵ１０２は、ステップＳ２００で、補助記憶装置１０８の学習モデル１０８Ｍから学習モデル５１を読み出し、ＲＡＭ１０４に展開することで、学習モデル５１を取得する。具体的には、学習モデル５１として表現された重みパラメータによるノード間の結合となるネットワークモデル（図１４、図１６参照）を、ＲＡＭ１０４に展開する。よって、重みパラメータによるノード間の結合が実現された学習モデル５１が構築される。

次に、ＣＰＵ１０２は、ステップＳ２０２で、導電性ウレタン２２に与えられた圧力刺激による接触状態及び利用者の識別情報を推定する対象となる未知の入力データ４（電気抵抗）を、通信部１１４を介して時系列に取得する。

次に、ＣＰＵ１０２は、ステップＳ２０４で、ステップＳ２００で取得した学習モデル５１を用いて、ステップＳ２０２において取得した入力データ４（電気抵抗）に対応する出力データ６（未知の接触状態及び利用者の識別情報）を推定する。

そして、次のステップＳ２０６で、推定結果の出力データ６（接触状態及び利用者の識別情報）を、通信部１１４を介して出力したり、スピーカ１１８から音を発するようにデータを出力したり、表示部２１１に表示するようにデータを出力して、本処理ルーチンを終了する。

なお、図１８に示す推定処理は、本開示の推定方法で実行される処理の一例である。

以上説明したように、本開示によれば、導電性ウレタン２２に対して、利用者毎の接触状態３における圧力刺激に応じて変化する入力データ４（電気抵抗）から、接触状態３及び利用者の識別情報を推定することが可能となる。すなわち、特殊な装置や大型の装置を用いたり、柔軟部材の変形を直接計測したりすることなく、未知の接触状態及び利用者の識別情報を推定することが可能となる。

また、利用者毎の接触状態に応じて電気特性が変化し、当該電気特性（時系列の電気抵抗）に接触状態の特徴が反映されるので、導電性ウレタン２２において時系列に変化する電気抵抗値から接触状態及び利用者の識別情報を推定可能である。すなわち、ロボット２が様々な利用者、接触状態であっても、上述した学習モデルを用いることで、適切な接触状態、利用者の識別情報を推定できる。

本実施形態に係る識別情報推定装置１では、上述した学習処理によって学習された学習モデル５１を用いることによって、導電性ウレタン２２の電気特性を入力することで、電気特性に対応した様々な利用者、接触状態を推定できることを確認した。

なお、本実施形態では、上述したように、柔軟部材の一例として導電性ウレタンを適用した場合を説明したが、柔軟部材は導電性を有する材料であればよく、導電性ウレタンに限定されないことは勿論である。

また、本実施形態では、上述した学習処理によって学習された学習モデル５１を用いて、導電性ウレタン２２の電気特性に対応した様々な利用者、接触状態を推定する場合を説明した。この場合、接触状態として利用者が外郭部２７に接触した付勢状態を検出することに注目する場合、識別情報推定装置１を、時系列の電気特性が接触検出用に予め定めた閾値を超えることを検出する機能部分は、ロボット２の利用者の接触を検出する接触検出装置として適用可能である。

本開示の技術的範囲は上記実施形態に記載の範囲には限定されない。要旨を逸脱しない範囲で上記実施形態に多様な変更または改良を加えることができ、当該変更または改良を加えた形態も本開示の技術的範囲に含まれる。

また、上記実施形態では、推定処理、学習処理を、フローチャートを用いた処理によるソフトウエア構成によって実現した場合について説明したが、これに限定されるものではなく、例えば各処理をハードウェア構成により実現する形態としてもよい。

また、推定装置の一部、例えば学習モデル等のニューラルネットワークを、ハードウェア回路として構成してもよい。

１ 識別情報推定装置
２ ロボット
３ 利用者毎の接触状態
４ 入力データ
５ 推定部
６ 出力データ
６Ａ 生成出力データ
７ 学習部
２２ 導電性ウレタン
２３ 導電性ウレタン片
５１ 学習モデル
５２ 学習処理部
５４ 生成器
５６ 演算器
７５ 検出点
７６ 電気特性検出部

Claims (10)

1. 導電性を有し、かつ与えられた圧力の変化に応じて電気特性が変化する柔軟材料を外郭部の少なくとも一部に備えたロボットにおける前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出する検出部と、
   前記柔軟材料に圧力を与えた際の時系列の電気特性と、前記ロボットに接触し、かつ、前記柔軟材料に圧力を与える利用者の識別情報とを利用者毎の学習用データとして用いて、前記時系列の電気特性を入力とし、前記利用者の識別情報を出力するように学習された学習モデルに対して、前記検出部で検出された時系列の電気特性を入力し、入力した時系列の電気特性に対応する利用者の識別情報を推定する推定部と、
   を含む推定装置。
2. 前記学習モデルを用いて推定して得られた推定結果から新たな学習用データを利用者毎に収集し、収集した利用者毎の学習用データを用いて、前記学習モデルを継続的に学習する学習部を更に含む
   請求項１に記載の推定装置。
3. 前記電気特性は、体積抵抗であり、
   前記柔軟材料は、繊維状及び網目状の少なくとも一方の構造、又は内部に微小な空気泡が複数散在する構造のウレタン材の少なくとも一部に導電性が付与された材料を含む
   請求項１又は請求項２に記載の推定装置。
4. 前記柔軟材料は、前記ロボットの骨格の周囲に配置され、前記ロボットの骨格に近づくに従って、硬さが硬くなる材料で形成されるか、又は前記ロボットの骨格に近づくに従って、硬さが硬くなるように、硬さが異なる複数の材料を積層して形成される
   請求項１から請求項３の何れか１項に記載の推定装置。
5. 前記柔軟材料は、前記ロボットの複数の異なる部位に配置され、
   前記検出部は、前記複数の異なる部位の各々における複数の検出点の間の電気特性を検出し、
   前記学習モデルは、前記複数の異なる部位の各々に対する利用者の接触状態により定まる当該利用者の識別情報を出力するように学習される
   請求項１から請求項４の何れか１項に記載の推定装置。
6. 前記学習モデルは、前記柔軟材料をリザーバとして当該リザーバを用いたリザーバコンピューティングによるネットワークを用いて学習させることで生成されたモデルを含む
   請求項１から請求項５の何れか１項に記載の推定装置。
7. 導電性を有し、かつ与えられた圧力の変化に応じて電気特性が変化する柔軟材料を外郭部の少なくとも一部に備えたロボットと、
   請求項１から請求項６の何れか１項に記載の推定装置と、
   を備えたロボットシステム。
8. コンピュータが
   導電性を有し、かつ与えられた圧力の変化に応じて電気特性が変化する柔軟材料を外郭部の少なくとも一部に備えたロボットにおける前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出する検出部から前記電気特性を取得し、
   前記柔軟材料に圧力を与えた際の時系列の電気特性と、前記ロボットに接触し、かつ、前記柔軟材料に圧力を与える利用者の識別情報とを利用者毎の学習用データとして用いて、前記時系列の電気特性を入力とし、前記利用者の識別情報を出力するように学習された学習モデルに対して、前記検出部で検出された時系列の電気特性を入力し、入力した時系列の電気特性に対応する利用者の識別情報を推定する
   推定方法。
9. コンピュータに
   導電性を有し、かつ与えられた圧力の変化に応じて電気特性が変化する柔軟材料を外郭部の少なくとも一部に備えたロボットにおける前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出する検出部から前記電気特性を取得し、
   前記柔軟材料に圧力を与えた際の時系列の電気特性と、前記ロボットに接触し、かつ、前記柔軟材料に圧力を与える利用者の識別情報とを利用者毎の学習用データとして用いて、前記時系列の電気特性を入力とし、前記利用者の識別情報を出力するように学習された学習モデルに対して、前記検出部で検出された時系列の電気特性を入力し、入力した時系列の電気特性に対応する利用者の識別情報を推定する
   処理を実行させるための推定プログラム。
10. 導電性を有し、かつ与えられた圧力の変化に応じて電気特性が変化する柔軟材料を外郭部の少なくとも一部に備えたロボットにおける前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出する検出部から前記電気特性を入力とし、前記ロボットに接触し、かつ、前記柔軟材料に圧力を与える利用者の識別情報を出力する学習モデルを生成する学習モデル生成部
    を含む学習モデル生成装置。

Images