JP2023088197A - 推定装置、推定方法、推定プログラム、及び学習モデル生成装置 - Google Patents

Abstract

【課題】特殊な検出装置を用いることなく、導電性を有する柔軟材料を備えた装着物の電気特性を利用して、把持部材が把持対象物を把持した際の滑り状態を推定する。【解決手段】推定装置は、導電性を有し、かつ与えられた刺激の変化に応じて電気特性が変化する柔軟材料を備えた把持部材の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、柔軟材料に刺激を与えた際の時系列の電気特性と、柔軟材料に刺激を与える把持部材が把持対象物を把持した際の滑り状態を示す滑り状態情報とを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、滑り状態情報を出力するように学習された学習モデルに対して、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把持部材が把持対象物を把持した際の滑り状態を示す滑り状態情報を推定する推定部と、滑り状態情報を出力する出力部と、を含む。【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、及び学習モデル生成装置に関する。

従来より、物体に生じる形状変化を検出し、当該検出結果を用いて物体に変形を与える人や物の状態を推定することが行われている。物体に生じる形状変化を検出する側面では、物体の変形を阻害せずに変形を検出することは困難である。また、金属変形等の剛体の検出に用いられる歪センサは物品に利用困難なため、物体の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１参照）。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２参照）。

国際公開第２０１７／０２９９０５号 特開２０１３－１０１０９６号公報

しかしながら、物体等の対象物に生じる形状変化を検出する側面では、カメラ及び画像解析手法を用いて対象物の変位等の変形量を検出する場合、カメラ及び画像解析等を含むシステムは、大規模なものとなり、装置の大型化を招くので好ましくはない。また、カメラを用いた光学手法ではカメラに撮像されない隠れた部分の計測は出来ない。従って、物体の変形を検出するのには改善の余地がある。

特に、例えば手に装着するグローブ及びロボットのハンド等のような把持部材が把持対象物を把持した際に生じる形状変化から把持対象物の滑り状態を検出する場合、把持部材に専用の検出器を設けて把持部材の形状変化から滑り状態を検出する他なかった。また、把持対象物を把持した際に生じる滑り状態を検出するのは、複雑かつ大掛かりな装置が要求されるため、実用的ではなかった。

本開示は、特殊な検出装置を用いることなく、導電性を有する柔軟材料を備えた把持部材の電気特性を利用して、把持部材が把持対象物を把持した際の滑り状態を推定可能な推定装置、推定方法、推定プログラム、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、かつ与えられた刺激の変化に応じて電気特性が変化する柔軟材料を備えた把持部材の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、前記柔軟材料に刺激を与えた際の時系列の電気特性と、前記柔軟材料に刺激を与える前記把持部材により把持対象物を把持した際の滑り状態を示す滑り状態情報とを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、前記滑り状態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前記把持部材により前記把持対象物を把持した際の滑り状態を示す滑り状態情報を推定する推定部と、前記滑り状態情報を出力する出力部と、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、前記滑り状態は、前記把持部材と前記把持対象物との摩擦力分布に関する状態を含む。

第３態様は、第１態様又は第２態様の推定装置において、前記把持部材は、手に装着するグローブ及びロボットのハンドの何れかである。

第４態様は、第１～第３態様の何れかの態様の推定装置において、前記把持部材は、前記把持対象物を把持する際の把持状態を調整可能であり、前記滑り状態情報に基づいて、前記把持状態を制御する制御部を更に備える。

第５態様は、第１～第４態様の何れかの態様の推定装置において、前記把持部材は、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、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、若しくはゴムの少なくとも一部に導電性が付与された材料を含む。

第６態様は、第１～第５態様の何れかの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、コンピュータが、導電性を有し、かつ与えられた刺激の変化に応じて電気特性が変化する柔軟材料を備えた把持部材の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し、前記柔軟材料に刺激を与えた際の時系列の電気特性と、前記柔軟材料に刺激を与える前記把持部材により把持対象物を把持した際の滑り状態を示す滑り状態情報とを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、前記滑り状態情報を出力するように学習された学習モデルに対して、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前記把持部材により前記把持対象物を把持した際の滑り状態を示す滑り状態情報を推定し、前記滑り状態情報を出力する推定方法である。

第８態様は、コンピュータに、導電性を有し、かつ与えられた刺激の変化に応じて電気特性が変化する柔軟材料を備えた把持部材の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し、前記柔軟材料に刺激を与えた際の時系列の電気特性と、前記柔軟材料に刺激を与える前記把持部材により把持対象物を把持した際の滑り状態を示す滑り状態情報とを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、前記滑り状態情報を出力するように学習された学習モデルに対して、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前記把持部材により前記把持対象物を把持した際の滑り状態を示す滑り状態情報を推定し、前記滑り状態情報を出力する処理を実行させる推定プログラムである。

第９態様は、導電性を有し、かつ与えられた刺激の変化に応じて電気特性が変化する柔軟材料を備えた把持部材の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の前記電気特性と、前記柔軟材料に刺激を与える前記把持部材により把持対象物を把持した際の滑り状態を示す滑り状態情報と、を取得する取得部と、前記取得部の取得結果に基づいて、前記柔軟材料に圧力を与えた際の時系列の電気特性を入力とし、前記柔軟材料に刺激を与える前記把持部材により前記把持対象物を把持した際の滑り状態を示す滑り状態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と、を含む学習モデル生成装置である。

本開示によれば、特殊な検出装置を用いることなく、導電性を有する柔軟材料を備えた把持部材の電気特性を利用して、把持部材が把持対象物を把持した際の滑り状態を推定することができる、という効果を有する。

実施形態に係る推定装置の構成を示す図である。 実施形態に係る導電性ウレタンの配置を示す図である。 実施形態に係る学習モデル生成装置の概念構成を示す図である。 実施形態に係る学習処理部の機能構成を示す図である。 実施形態に係る学習処理部の他の機能構成を示す図である。 実施形態に係る推定装置の電気的な構成を示す図である。 実施形態に係る推定処理の流れを示すフローチャートである。 手袋を装着した手を示す図である。 手袋を装着した手で把持対象物を把持した状態を示す図である。 推定装置の詳細な構成を示す図である。 手袋を装着した手を示す図である。 推定装置の詳細な構成を示す図である。 実施形態に係る推定処理の流れを示すフローチャートである。 実施形態に係る推定処理の流れを示すフローチャートである。

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合を付与し、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。

なお、本開示において人物とは、対象物に対して物理量により刺激を与えることが可能な人体及び物体の少なくとも一方を含む概念である。以下の説明では、人体及び物体の少なくとも一方を区別することなく、ヒトとモノとを含む概念として人物と総称して説明する。すなわち、人体及び物体のそれぞれの単体、及び人体と物体の組み合わせた組合せ体を総称して人物と称する。

まず、図１から図７を参照して、本開示の技術を適用する導電性が付与された柔軟材料、及び当該柔軟材料を用いて、柔軟材料に対する付与側の状態を推定する状態推定処理を説明する。

＜柔軟材料＞

本開示において「柔軟材料」とは、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。これらの構造体の一例には、ウレタン材及びゴム（発泡体）などの高分子材料が挙げられる。また、本開示では、導電性が付与された柔軟材料を用いる。「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。導電性を付与する柔軟材料はウレタン材及びゴムなどの高分子材料が好適である。以下の説明では、導電性が付与された柔軟材料の一例として、ウレタン材の全部または一部に導電材料を配合及び浸潤（含浸ともいう）等により形成させた部材を、「導電性ウレタン」と称して説明する。導電性ウレタンは、導電材料を配合と浸潤（含浸）との何れかの方法で形成可能であり、導電材料の配合又は浸潤（含浸）で形成可能で、また導電材料の配合と浸潤（含浸）とを組み合わせて形成可能である。例えば、浸潤（含浸）による導電性ウレタンが、配合による導電性ウレタン２２より導電性が高い場合には、浸潤（含浸）により導電性ウレタンを形成することが好ましい。

導電性ウレタンは、与えられた物理量に応じて電気特性が変化する機能を有する。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、撓み等のように構造を変形させる圧力による刺激（以下、圧力刺激という。）を示す圧力値による刺激値が挙げられる。なお、圧力刺激は、所定部位への圧力及び所定範囲の圧力の分布による圧力付与を含む。また、当該物理量の他例には、含水率及び水分付与等によって素材の性質を変化（変質）させる刺激（以下、素材刺激という。）を示す水分量等の刺激値が挙げられる。導電性ウレタンは、与えられた物理量に応じて電気特性が変化する。この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。

導電性ウレタンは、所定の体積を有する柔軟材料に導電性を与えることで、与えられた物理量に応じた電気特性（すなわち電気抵抗値の変化）が現れ、その電気抵抗値は、導電性ウレタンの体積抵抗値と捉えることが可能である。導電性ウレタンは、電気経路が複雑に連携し、例えば、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、導電性ウレタンは、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、与えられた物理量による刺激（圧力刺激及び素材刺激）の大きさや分布に応じた変形や変質で異なる電気特性を有する挙動を示す。このため、導電性ウレタンに与えられた物理量による刺激の大きさや分布に応じて電気特性が変化する。

なお、導電性ウレタンを用いることで、変形及び変質についての対象箇所に電極等の検出点を設ける必要はない。導電性ウレタンに物理量による刺激が与えられる箇所を挟む任意の少なくとも２箇所に電極等の検出点を設ければよい（例えば図１）。

また、導電性ウレタンの電気特性の検出精度を向上するため、２個の検出点より多くの検出点を用いてもよい。また、本開示の導電性ウレタンは、図１に示す導電性ウレタン２２を１導電性ウレタン片とし、複数の導電性ウレタン片を配列してなる導電性ウレタン群で形成してもよい。この場合、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し、複数の導電性ウレタン片の電気特性を合成して検出してもよい。複数の導電性ウレタン片毎に電気特性を検出する場合、配置部位毎（例えば検出セット＃１～＃ｎ）に電気抵抗値等の電気特性を検出できる。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。

＜推定装置＞

次に、導電性ウレタンを用いて、当該導電性ウレタンに対する付与側の状態を推定する推定装置の一例を説明する。

図１に、付与側の状態を推定する推定処理を実行可能な推定装置１の構成の一例を示す。推定装置１は、推定部５を備え、導電性ウレタン２２における電気特性が入力されるように対象物２に接続されている。推定装置１では、対象物２に含まれる導電性ウレタン２２に対する付与側の状態が推定される。推定装置１は、後述する処理を実行する実行装置としてのＣＰＵを備えたコンピュータによって実現可能である。

上述した導電性ウレタンの変形及び変質は、導電性ウレタンに対して時系列に与えられた物理量で生じる。この時系列に与えられる物理量は、付与側の状態に依存する。従って、時系列に変化する導電性ウレタンの電気特性は、導電性ウレタンに与えられた物理量の付与側の状態に対応する。例えば、導電性ウレタンを変形させる圧力刺激または導電性ウレタンを変質させる素材刺激が与えられる場合、時系列に変化する導電性ウレタンの電気特性は、圧力刺激の位置及び分布、並びに大きさを示す付与側の状態に対応する。よって、時系列に変化する導電性ウレタンの電気特性から導電性ウレタンに対する付与側の状態を推定することが可能である。

推定装置１では、後述する推定処理によって、学習済みの学習モデル５１を用いて、未知の付与側の状態を推定し、出力する。これにより、特殊な装置や大型の装置を用いたり対象物に含まれる導電性ウレタン２２の変形及び変質を直接計測することなく、対象物２に対する付与側の状態を同定することが可能となる。学習モデル５１は、対象物２に対する付与側の状態と、対象物２の電気特性（すなわち、対象物２に配置された導電性ウレタン２２の電気抵抗値等の電気特性）と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。

なお、導電性ウレタン２２は、柔軟性を有する部材２１に配置して対象物２を構成することが可能である（図２）。導電性ウレタン２２が配置された部材２１により構成される対象物２は、電気特性検出部７６を含む。導電性ウレタン２２は、部材２１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。また、導電性ウレタンは、導電性ウレタンへの付与側の状態を推定可能に配置すればよく、例えば、人物に直接的又は間接的、或いはその両方で接触可能に配置すればよい。

図２に、対象物２における導電性ウレタン２２の配置例を示す。対象物２のＡ－Ａ断面を対象物断面２－１として示すように、導電性ウレタン２２は、部材２１の内部を全て満たすように形成しても良い。また、対象物断面２－２に示すように、導電性ウレタン２２は、部材２１の内部における一方側（表面側）に形成しても良く、対象物断面２－３に示すように、部材２１の内部における他方側（裏面側）に導電性ウレタン２２を形成しても良い。さらに、対象物断面２－４に示すように、部材２１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、対象物断面２－５に示すように、導電性ウレタン２２は、部材２１の表面側の外側に分離して配置しても良く、対象物断面２－６に示すように、他方側（裏面側）の外部に配置しても良い。導電性ウレタン２２を部材２１の外部に配置する場合、導電性ウレタン２２と部材２１とを積層するのみでもよく、導電性ウレタン２２と部材２１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を部材２１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材であるため、部材２１の柔軟性は阻害されない。

図１に示すように、導電性ウレタン２２は、距離を隔てて配置された少なくとも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。図１の例では、導電性ウレタン２２上で対角位置に配置された２個の検出点７５からの信号により電気特性（時系列の電気抵抗値）を検出する検出セット＃１が示されている。なお、検出点７５の個数及び配置は、図１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３個以上の個数でもよく何れの位置でもよい。なお、導電性ウレタン２２の電気特性は、電気特性（例えば、電気抵抗値である体積抵抗値）を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。

本実施形態では、センサとして導電性ウレタン２２を用いるため、例えば、人物が介在する場合に従来のセンサに比べて人物に与える違和感が極めて少ない。このため、計測中に人物に関する付与側の状態を害することが無く、計測と付与側の状態推定を同時に行うことが可能となる。これは計測と付与側の状態推定を別個に行っていた従来のセンサに比べて利点となり、とりわけ時系列変化を追う長時間の計測評価による推定においては、そのメリットは大きい。

推定部５は、対象物２に接続され、導電性ウレタン２２の変形及び変質の少なくとも一方に応じて変化する電気特性に基づき、学習モデル５１を用いて、付与側の状態を推定する機能部である。具体的には、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（電気抵抗値等）を表す時系列の入力データ４が入力される。入力データ４は、対象物２に対する付与側の状態、例えば対象物２に接触した人物の姿勢や動き等の人物の挙動に関する状態を示す状態データ３に対応する。例えば、人物が対象物２に接触する際、姿勢等の所定の状態で接触し、当該状態に対応して、対象物２を構成する導電性ウレタン２２には刺激（圧力刺激及び素材刺激の少なくとも一方）が物理量として与えられ、導電性ウレタン２２の電気特性が変化する。従って、入力データ４により示される時系列に変化する導電性ウレタン２２の電気特性は、対象物２、すなわち、導電性ウレタン２２に対する付与側の状態に対応するものとなる。また、推定部５は、学習済みの学習モデル５１を用いた推定結果として、時系列に変化する導電性ウレタン２２の電気特性に対応する付与側の状態を表す出力データ６を出力する。

学習モデル５１は、物理量として与えられる刺激（圧力刺激及び素材刺激）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、付与側の状態を表す出力データ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。

＜学習処理＞

次に、学習モデル５１を生成する学習処理について説明する。

図３に、学習モデル５１を生成する学習モデル生成装置の概念構成を示す。学習モデル生成装置は、学習処理部５２を備えている。学習モデル生成装置は、図示しないＣＰＵを備えたコンピュータを含んで構成可能であり、ＣＰＵにより実行される学習データ収集処理及び学習モデル生成処理によって学習処理部５２として実行されて学習モデル５１を生成する。

＜学習データ収集処理＞

学習処理部５２は、学習データ収集処理において、付与側の状態を表す状態データ３をラベルとして導電性ウレタン２２における電気特性（例えば電気抵抗値）を時系列に測定した大量の入力データ４を学習データとして収集する。従って、学習データは、電気特性を示す入力データ４と、その入力データ４に対応する付与側の状態を示す状態データ３と、のセットを大量に含む。

具体的には、学習データ収集処理では、対象物２における状態（すなわち、導電性ウレタン２２に対する付与側の状態）が形成された際の付与側の状態に応じた刺激（圧力刺激及び素材刺激）により変化する電気特性（例えば電気抵抗値）を時系列に取得する。次に、取得した時系列の電気特性（入力データ４）に状態データ３をラベルとして付与し、状態データ３と入力データ４と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処理を繰り返す。これらの付与側の状態を示す状態データ３と、付与側の状態毎に取得した時系列の導電性ウレタン２２の電気特性（入力データ４）とのセットが学習データとなる。なお、学習データにおける状態データ３は、後述する学習処理において推定結果が正解である付与側の状態を示す出力データ６として扱われるように図示しないメモリに記憶される。

なお、学習データは、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を対応付けてもよい。この場合、付与側の状態として定まる期間について、導電性ウレタン２２における時系列な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。

上述した学習データの一例を次に表で示す。表１は、導電性ウレタン２２に対する付与側の状態に関する学習データとして、時系列の電気抵抗値データ（ｒ）と付与側の状態を示す状態データ（Ｒ）とを対応付けたデータセットの一例である。

なお、導電性ウレタン２２で検出される電気特性（時系列の電気抵抗値データによる時間特性）は、導電性ウレタン２２に対する付与側の状態に関する特徴パターンとして捉えることが可能である。すなわち、導電性ウレタン２２に対する付与側の状態によって、導電性ウレタン２２に対して異なる刺激が時系列に与えられる。従って、所定の時間内における時系列の電気特性は、付与側の状態に対して特徴的な電気特性として表れると考えられる。よって、導電性ウレタン２２で検出される電気特性（時系列の電気抵抗値データによる時間特性）に示されるパターン（例えば電気特性における時系列の電気抵抗値の分布形状）は、付与側の状態に対応し、後述する学習処理において有効に機能する。

＜学習モデル生成処理＞

次に、学習モデル生成処理について説明する。図３に示す学習モデル生成装置は、学習処理部５２における学習モデル生成処理によって、上述した学習データを用いて学習モデル５１を生成する。

図４は、学習処理部５２の機能構成、すなわち学習処理部５２で実行される学習モデル生成処理に関して、図示しないＣＰＵの機能構成を示す図である。学習処理部５２の図示しないＣＰＵは、生成器５４及び演算器５６の機能部として動作する。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。

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（例えば、電気抵抗値）と、導電性ウレタン２２に刺激を与えた付与側の状態を示す状態データ３である出力データ６とのセットを図示しないメモリに多数保持している。

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（例えば、電気抵抗値）から付与側の状態を表すデータ又は付与側の状態に近いデータとしての生成出力データ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から導電性ウレタン２２に刺激が与えられた付与側の状態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から、付与側の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を用いて学習することで、対象物２すなわち導電性ウレタン２２に刺激が与えられた人物等の付与側の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、対象物２すなわち導電性ウレタン２２に刺激が与えられた人物等の付与側の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。

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。

学習処理部５２は、学習モデル生成処理によって、上述した学習データを用いて学習モデル５１を生成する。学習モデル５１は、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、図示しないメモリに記憶される。

具体的には、学習処理部５２は、次の手順により学習モデル生成処理を実行する。第１学習処理では、時系列に測定した結果の学習データである、付与側の状態を示す情報をラベルとした入力データ４（電気特性）を取得する。第２学習処理では、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、第３学習処理では、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。

そして、上記推定装置１では、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、対象物２、すなわち導電性ウレタン２２の時系列の電気特性（例えば、時系列に変化する電気抵抗値の特性）から付与側の状態を同定することも不可能ではない。

＜ＰＲＣ＞

ところで、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、電気経路の伸縮、膨縮、一時的な切断、及び新たな接続等の変化（変形）、並びに素材の性質の変化（変質）に応じた挙動を示す。結果的に、導電性ウレタン２２は、与えられた刺激（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、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、ＰＲＣ、及びＰＲＣＮは、導電性ウレタン２２の変形や変質に関する情報の推定に好適である。

図５に、ＰＲＣＮを適用した学習処理部５２の機能構成の一例を示す。ＰＲＣＮを適用した学習処理部５２は、入力リザーバ層５４１と、推定層５４５とを含む。入力リザーバ層５４１は、対象物２に含まれる導電性ウレタン２２が対応する。すなわち、ＰＲＣＮを適用した学習処理部５２では、導電性ウレタン２２を含む対象物２を、導電性ウレタン２２を含む対象物２の変形及び変質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。導電性ウレタン２２は、多様な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の変形及び変質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、人物等の付与側の状態により与えられた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５４５で、与えられた導電性ウレタン２２の電気抵抗値から未知の付与側の状態を推定することが可能である。従って、ＰＲＣＮを適用した学習処理部５２における学習処理では、推定層５４５を学習すればよい。

＜推定装置の構成＞

次に、上述した推定装置１の具体的な構成の一例についてさらに説明する。図６に、推定装置１の電気的な構成の一例を示す。図６に示す推定装置１は、上述した各種機能を実現する処理を実行する実行装置としてのコンピュータを含んで構成したものである。上述の推定装置１は、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。

推定装置１として機能するコンピュータは、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、ディスプレイやキーボード等の操作表示部１１６、及び検出部１１８が接続されている。検出部１１８は、導電性ウレタン２２を含む対象物２から、入力データ４（時系列の電気抵抗値等の電気特性）を取得する。すなわち、検出部１１８は、導電性ウレタン２２が配置された対象物２を含み、かつ導電性ウレタン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を取得することが可能である。なお検出部１１８は通信部１１４を介して接続してもよい。

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、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。

＜推定処理＞

次に、コンピュータにより実現された推定装置１における推定処理についてさらに説明する。図７に、コンピュータ本体１００で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７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。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、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（ステップＳ２００）。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４、図５参照）を、ＲＡＭ１０４に展開することによって、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、導電性ウレタン２２に与えられた刺激による付与側の状態を推定する対象となる未知の入力データ４（電気特性）を、検出部１１８を介して時系列に取得する（ステップＳ２０２）。次に、ＣＰＵ１０２は、学習モデル５１を用いて、取得済みの入力データ４に対応する出力データ６（未知の付与側の状態）を推定する（ステップＳ２０４）。そして、ＣＰＵ１０２は、推定結果の出力データ６（付与側の状態）を、通信部１１４を介して出力し（ステップＳ２０６）、本処理ルーチンを終了する。

このように、推定装置１によれば、導電性ウレタン２２の電気抵抗値から未知の付与側の状態を推定可能である。具体的には、推定装置１では、付与側の状態により導電性ウレタン２２に与えられた刺激に応じて変化する入力データ４（電気特性）から、人物等の付与側の状態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することなく、人物等の付与側の状態を推定することが可能となる。

＜滑り状態の推定＞

このような導電性ウレタン２２を手袋に適用する場合について説明する。導電性ウレタン２２を手袋に適用した場合、手袋を装着した手による把持対象物を把持する動きに応じて手袋の部分的な圧縮といった圧力刺激が生じる。また、手が把持対象物を把持する把持力、把持対象物の把持の仕方、手袋の素材、把持対象物の重さ、及び把持対象物の素材等によって、把持対象物の滑りやすさを示す滑り状態は異なる。滑り状態は、導電性ウレタン２２に加わる圧力の時系列変化に基づいて推定することが可能である。そのため、推定装置１によって、導電性ウレタン２２の時系列の電気抵抗値から手袋を装着した手により把持対象物を把持した際の滑り状態が推定可能となる。説明の便宜上、以降では、手袋Ｇをはめる人物を、単に「人物」ということにする。

ここで、滑り状態は、例えば把持部材の一例としての手袋を装着した手と把持対象物との摩擦力分布に関する状態を含む。導電性ウレタン２２を含む手袋と把持対象物との摩擦力の分布が分かれば把持対象物が手袋を装着した手から滑り落ちるか否かを推定することができる。従って、滑り状態は、把持対象物が滑り落ちる度合いを含む。なお、滑り状態は、把持部材と把持対象物との滑りの度合いを示すものであれば、これらに限られるものではない。

図８は、導電性ウレタン２２を対象物２としての手袋Ｇに適用した一例を示す図である。すなわち、圧力刺激が与えられる対象物２は手袋Ｇということになる。ここで、手袋Ｇは、手の全てを覆うものに限定されず、例えば、指先の部分を覆わないようなものであってもよいし、又、各指に分かれている五本指型の手袋Ｇではなく、各指に分かれていないミトン型の手袋Ｇであってもよい。

図９に示すように、人物は導電性ウレタン２２を含む手袋Ｇを装着した手Ｈで把持対象物Ｂを把持する。なお、手袋Ｇに導電性ウレタン２２が含まれるとは、導電性ウレタン２２と手袋Ｇを構成する部材２１（この場合、綿や化学繊維）との配置例が、図２に示したような導電性ウレタン２２と部材２１の配置例の何れかを満たすことをいう。

図８に示すように、導電性ウレタン２２は、手袋Ｇと略同一の形状であり、例えば手袋Ｇの内側全体に設けられる。また、手袋Ｇは、検出ユニット７８を備える。

図１０に示すように、検出ユニット７８は、導電性ウレタン２２に設けられた複数の検出点７５が接続された電気特性検出部７６、通信部８０、蓄電部８２、及び発電部８４を備えている。なお、検出点７５の位置及び数は、圧力刺激による電気特性の変化が手袋Ｇの全体で検出可能なように、手袋Ｇのサイズ及び形状に応じて適宜設定される。

電気特性検出部７６は、検出点７５から入力される電気特性を検出し、検出結果を通信部８０に出力する。

通信部８０は、スマートフォン等の携帯端末装置３０と通信を行い、電気特性検出部７６の検出点７５から得られる電気特性を表す物理量の検出結果を携帯端末装置３０に送信する。通信部８０は、例えば、Ｗｉ－Ｆｉ（登録商標）やＢｌｕｅｔｏｏｔｈ（登録商標）等の近距離無線通信により、携帯端末装置３０と通信を行う。

蓄電部８２は、電気特性検出部７６が電気特性を検出するための電力、及び通信部８０が携帯端末装置３０と通信するための電力を供給する。蓄電部８２は、例えば、各種充電電池や、キャパシタ等が適用され、発電部８４による発電電力により充電される。

発電部８４は、種々の周知の方法で発電し、発電電力を蓄電部８２に供給することにより、蓄電部８２を充電する。例えば、コイルと磁石を用いて、手袋Ｇの揺動に応じて磁石がコイル中を相対移動することにより発電してもよい。或いは、光、熱、圧力、振動などのエネルギーを電力に変換する発電素子等を用いて発電してもよい。

一方、携帯端末装置３０は、上述のコンピュータ本体１００、通信部１１４、及び操作表示部１１６の構成を備える。

携帯端末装置３０は、推定装置１として機能し、コンピュータ本体１００が、学習済みの学習モデル５１を用いて、手袋Ｇに設けた導電性ウレタン２２における電気特性から手袋Ｇを装着した手Ｈで把持対象物Ｂを把持した際の滑り状態を推定する。

通信部１１４は、手袋Ｇの通信部８０と通信を行い、電気特性検出部７６の検出点７５から得られる電気特性を表す物理量の検出結果を手袋Ｇから取得する。通信部１１４は、例えば、Ｗｉ－Ｆｉ（登録商標）やＢｌｕｅｔｏｏｔｈ（登録商標）等の近距離無線通信により、携帯端末装置３０と通信を行う。

操作表示部１１６は、出力部の一例に対応し、コンピュータ本体１００によって推定した、手袋Ｇを装着した手Ｈで把持対象物Ｂを把持した際の滑り状態、例えば摩擦力分布等を表示する。これにより、把持対象物Ｂが滑り落ちそうか否かを把握することができる。

携帯端末装置３０における推定処理は、学習済みの学習モデル５１を用いて、手袋Ｇを装着した手Ｈで把持対象物Ｂを把持した際の未知の滑り状態として、例えば摩擦力分布等を推定し、出力する。これにより、特殊な装置や大型の装置を用いたり手袋Ｇに含まれる導電性ウレタン２２の変形を直接計測したりすることなく、手袋Ｇを装着した手Ｈで把持対象物Ｂを把持した際の滑り状態を同定することが可能となる。従って、導電性ウレタン２２における電気特性から手袋Ｇを装着した手Ｈで把持対象物Ｂを把持した際の滑り状態を推定するために、携帯端末装置３０には、導電性ウレタン２２における電気特性から手袋Ｇを装着した手Ｈで把持対象物Ｂを把持した際の滑り状態を推定する学習モデル５１が補助記憶装置１０８に記憶される。

次に、手袋Ｇを装着した手Ｈで把持対象物Ｂを把持した際の滑り状態情報を推定するための学習モデル５１を生成する学習処理について説明する。

図３に示した学習モデル生成装置の学習処理部５２は、学習データ収集処理において、手袋Ｇを装着した手Ｈで把持対象物Ｂを把持した際の滑り状態を表す状態データ３をラベルとする導電性ウレタン２２における電気抵抗値を時系列に測定した大量の入力データ４を学習データとして収集する。

具体的には、学習データ収集処理では、手袋Ｇを装着した手Ｈで把持対象物Ｂを把持することにより圧力刺激が与えられた手袋Ｇに含まれる導電性ウレタン２２の電気特性（例えば、電気抵抗値）を手袋Ｇに取り付けられた電気特性検出部７６から時系列に取得する。次に、取得した時系列の電気特性である入力データ４に状態データ３を、滑り状態を示すラベルとして付与し、状態データ３と入力データ４とを組み合わせた複数の学習データを準備する。

以降では、手袋Ｇに含まれる導電性ウレタン２２の電気特性の一例として電気抵抗値を用いた説明を行うが、導電性ウレタン２２の電気特性として電流値又は電圧値を用いてもよいことは前述した通りである。

手袋Ｇを装着した手Ｈで把持対象物Ｂを把持した際の滑り状態情報の推定に用いる学習データとしては、例えば前述した表１に示すデータセットが用いられる。導電性ウレタン２２を手袋Ｇに適用した場合における表１のデータセットは、手袋Ｇから得られた時系列の電気抵抗値データ（ｒ）と、手袋Ｇを装着した手Ｈで把持対象物Ｂを把持した際の滑り状態を示す状態データ（Ｒ）とを対応付けたデータセットである。

この場合、表１における状態Ｒ１～Ｒｋ・・・は、手袋Ｇを装着した手Ｈに対する滑り状態Ｒ１～Ｒｋ・・・である。滑り状態の例としては、前述したように、摩擦力分布及び把持対象物Ｂが滑り落ちる度合い等が挙げられる。

学習処理部５２は、このような時系列の電気抵抗値データ（ｒ）と、手袋Ｇを装着した手Ｈに対する滑り状態を示す状態データ（Ｒ）と、が対応付けられた学習データを用いて、前述した学習モデル生成処理により学習モデル５１を生成する。

推定装置１は、導電性ウレタン２２の時系列の電気抵抗値データによって表される特徴パターンと、手袋Ｇを装着した手Ｈで把持対象物Ｂを把持した際の滑り状態との関連性を機械学習した滑り状態に関する学習モデル５１を用いて図７に示した推定処理を実行することによって、導電性ウレタン２２における時系列の未知の電気抵抗値データから、手袋Ｇを装着した手Ｈで把持対象物Ｂを把持した際の滑り状態を推定する。

具体的には、図７のステップＳ２００において、推定装置１のＣＰＵ１０２は、手袋Ｇを装着した手Ｈで把持対象物Ｂを把持した際の滑り状態に関する学習モデル５１を取得し、ステップＳ２０２において、ＣＰＵ１０２は、滑り状態の推定対象となる手袋Ｇに設けられた電気特性検出部７６から送信された時系列の電気抵抗値データを入力データ４として取得する。

なお、ステップＳ２０２で取得する入力データ４は、推定処理の実行期間中に手袋Ｇからリアルタイムに得られた入力データ４であっても、推定処理を実行する前に予め得られていた入力データ４であってもよい。

ステップＳ２０４において、ＣＰＵ１０２は、ステップＳ２００で取得した学習モデル５１に、ステップＳ２０２で取得した入力データ４を入力し、学習モデル５１から出力された出力データ６を取得する。ＣＰＵ１０２は、表２に示した状態データ３のうち、出力データ６に最も近い状態データ３と対応付けられている滑り状態を、手袋Ｇを装着した手Ｈで把持対象物Ｂを把持した際の滑り状態として推定する。

ステップＳ２０６において、ＣＰＵ１０２は、ステップＳ２０４で推定した手袋Ｇを装着した手Ｈで把持対象物Ｂを把持した際の滑り状態を示す滑り状態情報を出力する。例えば、摩擦力分布を操作表示部１１６に表示させたり、把持対象物Ｂが滑り落ちる度合いを操作表示部１１６に表示させたりする。

このように、本実施形態に係る推定装置１によれば、導電性ウレタン２２を手袋Ｇに適用し、手袋Ｇを装着した手Ｈで把持対象物Ｂを把持することにより発生する圧力刺激によって変化する導電性ウレタン２２の時系列の電気特性と、手袋Ｇを装着した手Ｈで把持対象物Ｂを把持した際の滑り状態を示す滑り状態情報との関連性を予め機械学習した学習モデル５１に、手袋Ｇを装着した手Ｈで把持対象物Ｂを把持した際の滑り状態に対応した時系列の未知の電気特性を入力することで得られる出力データ６により、手袋Ｇを装着した手Ｈで把持対象物Ｂを把持した際の滑り状態を推定する。

したがって、推定装置１によって、例えば、上記で説明した手袋Ｇを装着した手Ｈで把持対象物Ｂを把持した際の滑り状態を推定することが可能となり、推定した滑り状態を操作表示部１１６に表示することが可能となる。これにより、把持対象物Ｂを適切な把持状態で把持するよう促すことができる。

ところで、手袋Ｇを、自動で把持状態を調整可能な構成とし、推定した滑り状態情報に基づいて、把持状態を自動で制御するようにしてもよい。ここで、把持状態とは、把持力及び把持の仕方の少なくとも１つを含む。把持の仕方とは、どのように把持対象物を把持するかを表し、例えば把持対象物を把持する際の手袋Ｇの形状を含む。この場合、図１１に示すように、手袋Ｇは、手袋Ｇの把持状態を調整するための駆動部７９を備えた構成とする。駆動部７９は、図１２に示すように、通信部８０を介して携帯端末装置３０と通信可能である。

携帯端末装置３０のコンピュータ本体１００は制御部として機能し、推定した滑り状態情報に基づいて、把持状態を制御するための制御信号を、通信部１１４を介して手袋Ｇに送信する。これにより、手袋Ｇでは、通信部８０を介して携帯端末装置３０からの制御信号を受信し、受信した制御信号に基づいて駆動部７９が手袋Ｇの把持状態を制御する。

図１３には、手袋Ｇの把持状態を制御する場合の制御処理のフローチャートを示す。図１２の制御処理は、図７の推定処理にステップＳ２０８が追加されたものであり、ステップＳ２００～Ｓ２０６の処理は図７と同一であるので説明は省略する。

ステップＳ２０８では、ステップＳ２０４で推定された滑り状態に基づいて、手袋Ｇの把持状態を制御する。例えば、推定された滑り状態が、把持対象物Ｂが滑り落ちる状態を示している場合は、把持対象物が滑り落ちないよう把持状態の変更を指示する制御信号を送信する。これにより、手袋Ｇの駆動部７９は、把持対象物が滑り落ちないように手袋Ｇの把持状態を変更する。すなわち、例えば把持力を強くしたり、把持対象物の把持の仕方を変更したりする。一方、推定された滑り状態が、把持対象物Ｂが滑り落ちない状態を示している場合は、把持状態を維持することを指示する制御信号を送信する。これにより、手袋Ｇの把持対象物Ｂの把持状態を自動で制御することができる。このため、例えば手の力が弱くなっている人物が把持対象物Ｂを把持する動作を支援することが可能となる。

なお、本実施形態では、把持部材が手袋Ｇである場合について説明したが、ロボットのハンドでもよい。例えば図１４に示すように、ロボットＲＢのハンドＨＤに導電性ウレタン２２を設けた構成とする。この場合、ハンドＨＤが把持対象物Ｂを把持した際の滑り状態が、把持対象物Ｂが滑り落ちる状態を示している場合は、把持対象物Ｂが滑り落ちないようにハンドＨＤの把持状態を変更する。一方、ハンドＨＤが把持対象物Ｂを把持した際の滑り状態が、把持対象物Ｂが滑り落ちない状態を示している場合は、把持対象物Ｂの把持状態を維持する。このように、把持対象物Ｂが滑り落ちないように把持状態が自動で制御されるため、把持対象物Ｂが滑り落ちてしまうのを防ぐことができる。

上述したように、本開示では、柔軟部材の一例として導電性ウレタン２２を適用した場合を説明したが、柔軟部材は導電性ウレタン２２に限定されないことは勿論である。

また、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、推定処理及び学習処理を、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１の一部、例えば、学習モデル５１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 推定装置
２ 対象物
３ 状態データ
４ 入力データ
５ 推定部
６ 出力データ
６Ａ 生成出力データ
２２ 導電性ウレタン
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 (9)

1. 導電性を有し、かつ与えられた刺激の変化に応じて電気特性が変化する柔軟材料を備えた把持部材の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、
   前記柔軟材料に刺激を与えた際の時系列の電気特性と、前記柔軟材料に刺激を与える前記把持部材により把持対象物を把持した際の滑り状態を示す滑り状態情報とを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、前記滑り状態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前記把持部材により前記把持対象物を把持した際の滑り状態を示す滑り状態情報を推定する推定部と、
   前記滑り状態情報を出力する出力部と、
   を含む推定装置。
2. 前記滑り状態は、前記把持部材と前記把持対象物との摩擦力分布に関する状態を含む
   請求項１記載の推定装置。
3. 前記把持部材は、手に装着するグローブ及びロボットのハンドの何れかである
   請求項１又は請求項２記載の推定装置。
4. 前記把持部材は、前記把持対象物を把持する際の把持状態を調整可能であり、
   前記滑り状態情報に基づいて、前記把持状態を制御する制御部
   を更に備えた請求項１～３の何れか１項に記載の推定装置。
5. 前記把持部材は、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、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、若しくはゴム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１～４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１～５の何れか１項に記載の推定装置。
7. コンピュータが、
   導電性を有し、かつ与えられた刺激の変化に応じて電気特性が変化する柔軟材料を備えた把持部材の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し、
   前記柔軟材料に刺激を与えた際の時系列の電気特性と、前記柔軟材料に刺激を与える前記把持部材により把持対象物を把持した際の滑り状態を示す滑り状態情報とを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、前記滑り状態情報を出力するように学習された学習モデルに対して、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前記把持部材により前記把持対象物を把持した際の滑り状態を示す滑り状態情報を推定し、
   前記滑り状態情報を出力する
   推定方法。
8. コンピュータに、
   導電性を有し、かつ与えられた刺激の変化に応じて電気特性が変化する柔軟材料を備えた把持部材の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し、
   前記柔軟材料に刺激を与えた際の時系列の電気特性と、前記柔軟材料に刺激を与える前記把持部材により把持対象物を把持した際の滑り状態を示す滑り状態情報とを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、前記滑り状態情報を出力するように学習された学習モデルに対して、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前記把持部材により前記把持対象物を把持した際の滑り状態を示す滑り状態情報を推定し、
   前記滑り状態情報を出力する
   処理を実行させるための推定プログラム。
9. 導電性を有し、かつ与えられた刺激の変化に応じて電気特性が変化する柔軟材料を備えた把持部材の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の前記電気特性と、前記柔軟材料に刺激を与える前記把持部材により把持対象物を把持した際の滑り状態を示す滑り状態情報と、を取得する取得部と、
   前記取得部の取得結果に基づいて、前記柔軟材料に圧力を与えた際の時系列の電気特性を入力とし、前記柔軟材料に刺激を与える前記把持部材により前記把持対象物を把持した際の滑り状態を示す滑り状態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と、
   を含む学習モデル生成装置。

Images