JP3633642B2 - 情報の処理装置 - Google Patents
情報の処理装置 Download PDFInfo
- Publication number
- JP3633642B2 JP3633642B2 JP02943594A JP2943594A JP3633642B2 JP 3633642 B2 JP3633642 B2 JP 3633642B2 JP 02943594 A JP02943594 A JP 02943594A JP 2943594 A JP2943594 A JP 2943594A JP 3633642 B2 JP3633642 B2 JP 3633642B2
- Authority
- JP
- Japan
- Prior art keywords
- information
- knowledge
- intermediate representation
- state
- neural network
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Image Analysis (AREA)
Description
【０００１】
【産業上の利用分野】
本発明は、曖昧な、あるいは、膨大な情報から構成される知識情報もしくは状態情報を中間表現に変換し、この変換された中間表現を用いて推論、判断を行う情報の処理装置に関する。
【０００２】
【従来の技術】
ある概念や知識を表すのには膨大な情報が必要である。この膨大な情報をそのまま使って処理していたのでは、処理に時間がかかり実用的でない。
そこで、この膨大な情報の中から必要な情報だけを取捨選択して、必要な情報だけを取り出して、圧縮して利用する方法をとる必要がある。また、取得した情報を用いてある概念や知識を特定する際には、情報が曖昧であったり、情報の欠落があったりする場合が殆どである。
【０００３】
【発明が解決しようとする課題】
従来の知識処理方法においては、このような曖昧な情報を使うと人間が意図的に作成した情報表現との正確なマッチングをとることができず、それを使った推論や判断などの処理をうまく続行することができなかった。
本発明は上記した従来技術の問題点を考慮してなされたものであって、知識情報もしくは状態情報を中間表現に変換して処理することにより、曖昧な情報、もしくは、膨大な情報をうまく推論、判断することができる情報の処理装置を提供することを目的とする。
【０００４】
【課題を解決するための手段】
図１は本発明の原理図であり、同図において、Ｓは入力された情報、Ｓ１はセンサ等の状態検出手段により観測された状態情報、Ｋは人間の知識情報、ｆ，ｆ１，ｆ２ は、それぞれ、情報を中間表現に変換する例えばニューラルネット等から構成される情報変換関数、状態変換関数および知識変換関数、ｇは例えばニューラルネット等から構成される情報復元関数、Ｒ，Ｒ１ ，Ｒ２ ，Ｒ３ は中間表現である。
中間表現とは、複数の類似した情報をある一つのカテゴリに分類したものである。例えば、「りんご」というカテゴリを考えると、色、形は多少異なっても一つの「りんご」というカテゴリに分類できる情報は、一つのカテゴリに対応する中間表現とする。また、情報変換関数はこの分類を行う関数である。
【０００５】
上記課題を解決するため、本発明の請求項１の発明は、図２（ｂ）に示すように、センサにより入力された入力された状態情報を変換してその状態情報Ｓ１に対応した第１の中間表現を生成する状態変換手段（図２（ｂ）の状態変換関数ｆ１）と、物体の形状もしくは物体の状態に関する人間が理解可能な知識情報Ｋを変換して、その知識情報Ｋに対応し、上記状態変換手段により変換された中間表現とマッチング可能である上記知識情報の属性情報を表す第２の中間表現を生成する知識変換手段（図２（ｂ）の知識変換関数ｆ２）と、上記第１の中間表現と上記第２の中間表現を比較する手段と、上記比較の結果、上記第１の中間表現と上記第２の中間表現の一致した場合に、上記入力された状態情報と上記知識情報の一致を推定し、該推定の結果に基づきロボットを制御する手段とを備えたものである。
本発明の請求項２の発明は、請求項１の発明において、上記変換手段としてニューラルネットを用いたものである。
【０００６】
【作用】
まず、ある作業命令Ｃが与えられたとする。この命令は、たとえば、「肉と野菜を買ってきて」といった命令である。ここには、肉とは何か、野菜とは何かといった、従来の手法では非常に定義しにくい情報処理問題を含んでいる。
これを解釈する機構および情報の表現方法について説明する。与えられた作業命令Ｃが遂行されたかどうかは、その作業命令Ｃが達成された状態を表すゴールに到達したかどうかで判断する。ロボットがゴールに到達したかどうかの判断は、ロボットが持つセンサを使って状態Ｓ（ｎ） を測定することによって決定する。
状態Ｓ（ｎ） にはセンサ等から得られる環境情報やロボットの内部状態などが含まれる。したがって、ある作業命令Ｃが与えられたときには、それに対応する状態Ｓ（ｎ） が得られれば、命令を解釈できたことになる。
【０００７】
ところが、状態Ｓ（ｎ） はたとえば、センサの生データなどからなるので、このままでは処理データ数がすぐに膨大になって扱いにくい。そこで、これを何らかの方法で変換統合することを考える。つまり、式（１）に示すように状態Ｓ（ｎ） をある関数ｆによって変換し、中間表現Ｒとする。
中間表現Ｒ＝ 情報変換関数ｆ（状態Ｓ（ｎ） ） （１）
式（１）に与えられた命令が達成された状態ＳＧを入力すると、ゴールを表す中間表現ＲＧが得られる。
ゴールの中間表現ＲＧ ＝ 情報変換関数ｆ（状態ＳＧ） （２）
すなわち、図２（ｃ）に示すように、前記作業命令Ｃ１ が与えられたとき、これを詳細命令群Ｃ２ に展開したのち、詳細命令群Ｃ２ を満足する状態情報ＳＧに変換し、さらに、状態情報ＳＧを状態変換関数ｆ１ （状態情報を変換する情報変換関数ｆを状態変換関数ｆ１ という）により中間表現ＲＧを得て、これを満足するように個々の命令を実行することにより、作業命令Ｃを達成することができる。
【０００８】
中間表現は、たとえば、数ビットの０１の組み合せが考えられる。例えば、８ビットならば、００００００００から１１１１１１１１まで２５６通りの中間表現が扱える。状態Ｓ（ｎ） が無限にある場合には、状態変換関数ｆ１ は無限情報を２５６通りに分類したことに相当し、情報の変換が図られたことになる。
すなわち、図１（ａ）（ｂ）に示すように、センサ等の状態情報検出手段により検出された情報Ｓを情報変換関数ｆにより変換し、中間表現Ｒを得ることにより、状態Ｓを何通りかに分類し、情報の変換を図ることができる。
なお、情報変換関数ｆは、図１（ｄ）に示すように、たとえばニューラルネットを用いて実現することができる。
状態Ｓと中間表現Ｒ１ との対応を決めるときには、２５６通りのデータのなかから、適当に一つを選択し、それと明らかに異なる状態では異なるデータを割り当てる。その際、明らかに、ある状態を特定できるときは、これを中間表現のなかのある特定のビットに割り当てれば、あとで中間表現を見るだけで、状態が推定できる。
【０００９】
一方、人間の知識についても、図１（ｃ）に示すように、知識変換関数ｆ２ （知識を変換する情報変換関数ｆを知識変換関数ｆ２ という）を用い、中間表現Ｒ２ に変換することができ、知識変換関数ｆ２ も図１（ｄ）に示すように、ニューラルネットを用いて実現することができる。
さらに、情報変換関数ｆの逆関数ｇを作ると、これは情報復元関数となる。
状態Ｓ（ｎ） ＝ 情報復元関数ｇ （中間表現Ｒ１ ） （１’）
上記情報復元関数ｇを用いて、図２（ａ）に示すように、中間表現を知識、または状態情報に逆変換することにより、中間表現を人間が理解可能な表現に復元することができる。
上記したような中間表現を使うと、センサレベルの信号と知識との融合が可能となる。つまり、図２（ｂ）に示すように、ある一つの知識Ｋを中間表現に変換し、あるビット表現で表わしておく。これと、センサから観測される情報Ｓを中間表現に変換してあるビット表現で表わしたものが一致すれば、観測されたものＳは、知識Ｋだと推定できる。
【００１０】
例として、「りんご」という知識または記号とセンサから観測されたもののマッチングをとる場合を考える。ここでは、複数のセンサをもつロボットがある物体をセンスし、それが人間の言葉で何というものかを特定する場合を考える。つまり、ロボットが測定したものと人間が見たものがどちらも「りんご」だと認識することが目標である。
まず、「もの」にはいろんな属性、たとえば、色、形、重さ、材質、用途などがあるので、これらにいくつかのビットを割り当てることを考える。一つの属性に１６ビットのビット列を割り付けておく。もちろん、このビット数は増減してよいし、知識の増減にしたがって自動的に増減させてもよい。
【００１１】
あるとき、何らかのセンサによって取得された情報を情報変換関数に入力し、出力として、下記▲１▼のような中間表現が得られたものとする。
▲１▼＜センサから得られた中間表現＞
色 ：０００１ ００００ １０００ ０１００
形 ：００００ ０１００ ００００ ０１００
重さ ：００００ ００１０ ００００ ０１００
材質 ：００１０ ００００ ０１００ ００１０
用途 ：００１０ ００１０ ００１０ ０１００
ここでは、もっと多くのセンサからこれら１６ビット表現に変換してもよいし、１６ビット以下のセンサから１６ビット表現に拡張してもよいが、センサ信号から、何らかの方法によって、１６ビットの中間表現に対応する信号を得ているものとする。もちろん、上表で表わされた表現が、センサを使って見た「りんご」（まだこれが「りんご」かどうかはこのロボットは知らないが）の中間表現である。
【００１２】
一方、人間が「りんご」と言うとき、これを上記のパターン化した知識として表わしておき、このパターン化された知識とセンサから得られた知識のマッチングがとれれば、人間とロボットで共通の概念が生成できたことになり、ロボットには「りんご」というだけでそれが何か理解させることができる。
次に、人間が「りんご」に対するイメージをビット表現に変換することを考える。まず、色は赤または緑であるが、ここでは簡単のため赤という知識だけを色ビットに適当に割り付ける。形は球、丸。重さは１００ｇくらい、材質はよくわからないが、柔らかい、用途は、果物、などの属性が挙げられる。これらは、人間がロボットに直接入力してもいいし、ロボットからの質問形式で答えてもよい。そして、下記▲２▼のような中間表現が得られたものとする。
この際、ロボットにはまだ何の知識もないので、赤や緑といった概念すら存在せず、色に対して緑とか赤とかを表す適当な表現がまだ構築されていない。他の属性に関しても同様である。
【００１３】
▲２▼＜人間の知識から得られた中間表現＞
色 ：０１００ ００００ １０１０ ０１１０
形 ：００１０ １１００ ０１００ ００００
重さ ：００００ １０１０ ０１００ ０１００
材質 ：０１１０ ０１００ ０１００ ００００
用途 ：１０００ １０１０ ００１０ ０１００
人間から、今センスしたものと人間が与えた知識は同じものだから、これを同じ表現にせよという命令が与えられ、▲１▼と▲２▼の中間表現の共通化を試みる。これには両者のＡＮＤをとったりＯＲをとったりする方法や確率的にどちらかのビットを選択するなどの方法が考えられる。いづれにしても、何らかの操作によって、両者の共通した表現、下記の▲３▼が得られる。
【００１４】
▲３▼＜人間の知識とセンサ情報を融合して得られた中間表現＞
色 ：０１０１ ００００ １０１０ ０１００
形 ：００１０ ０１００ ０１００ ０１００
重さ ：００００ １０１０ ００００ ０１００
材質 ：００１０ ０１００ ０１００ ００１０
用途 ：００１０ ００１０ ００１０ ０１００
以上の過程を図に表わすと図１（ｅ）に示すようになる。
上の方法では、初期知識がなかったため、センサ信号や人間の知識を直接共通の中間表現にはできなかった。そこで、すでに獲得した中間表現を参考に、信号変換や知識変換部を学習させて、直接、共通の中間表現に変換させることを考える。たとえば、色表現を例に取ると、赤は、初めはそれぞれ下記▲４▼のように表現されたので、これを信号変換や知識変換の過程で、両者を融合して得られた色表現を直接出力できるように学習させる。この学習にはたとえば、階層型ネットワークが利用できる。
【００１５】
▲４▼＜色表現の中間表現＞
センサ信号から得られた色表現：０００１ ００００ １０００ ０１００
人間の知識から得られた色表現：０１００ ００００ １０１０ ０１１０
両者を融合して得られた色表現：０１０１ ００００ １０１０ ０１００
さて、この表現を利用すると、りんごを学習したことによって、同時に色の学習ができたことになる。つまり、学習によって、りんごの赤という色の共通の中間表現が得られたので、たとえば、赤い花といったとき、赤の表現が先に学習した赤の色表現を参考にして、生成できる。同様に他の色についても学習させることによって、色の知識獲得が可能となる。また、赤と緑の中間の色なども両者の混合として表わすことができる。
以上の過程において、あらかじめ、赤なら赤に対応するビット表現を決めておき、それに合致するようセンサ信号変換則を学習してもよい。このときは、ビット表現を見るだけで簡単にその意味が理解できるようにすることが可能である。
【００１６】
本発明は上記原理に基づき、前記課題を解決するようにしたものであり、本発明の請求項１の発明においては、センサにより入力された物体の形状もしくは物体の状態に関する状態情報を変換してその状態情報に対応した第１の中間表現を生成する状態変換手段と、物体の形状もしくは物体の状態に関する人間が理解可能な知識情報を変換して、その知識情報に対応し、上記状態変換手段により変換された中間表現とマッチング可能である上記知識情報の属性情報を表す第２の中間表現を生成する知識変換手段と、上記第１の中間表現と上記第２の中間表現を比較する手段と、上記比較の結果、上記第１の中間表現と上記第２の中間表現の一致した場合に、上記入力された状態情報と上記知識情報の一致を推定し、該推定の結果に基づきロボットを制御する手段とを設けたので、センサ等により観測された状態情報Ｓと人間の知識Ｋとが同じものであるか否かを推定し、ロボットを制御することができる。
本発明の請求項２の発明は、請求項１の発明において、上記変換手段としてニューラルネットを用いたので、中間表現を容易に生成することができる。
【００１７】
【実施例】
図３は状態変換関数としてニューラルネットを用い、センサにより検出された物体の状態情報を中間情報に変換する実施例を示す図である。同図において、１１は物体、１２ａ〜１２ｄは物体の状態を検出する各種センサであり、例えば、色センサ１２ａは、分光反射率等を観測する光センサと、Ａ／Ｄ変換器から構成されており、上記光センサにより物体の反射波の波長を取得し、Ａ／Ｄ変換器により４ビットのディジタル信号からなる色情報に変換する。
形状センサ１２ｂは、例えば、カメラ等の画像取得手段と、画像処理手段とから構成されており、物体の形状を画像取得手段により取得し、取得した形状を画像処理手段により、４ビットの形状パターンに分類する。同様に、質量センサ１２ｃは質量を計測する手段と、Ａ／Ｄ変換器から構成されており、取得した物体の質量を４ビットの質量情報に変換する。
また、１３は４ビットの情報からなる状態情報を８ビットの中間表現に変換するニューラルネット、１３１ａ〜１３１ｄはニューラルネットの入力ユニット、１３２、１３３はそれぞれニューラルネットの中間ユニット、出力ユニットである。
【００１８】
同図において、色センサ１２ａ、形状センサ１２ｂ、質量センサ１２ｃ、…、その他のセンサ１２ｄにより、物体１１の状態を検出し、それぞれ４ビットの状態情報に変換する。
一方、中間表現として、異なる種類の物体、例えば、「りんご」と「みかん」等が同一表現にならないように物体毎に適当に定めておく。最も簡単には、「りんご」を「０００００００１」、「みかん」を「０００００００２」のように定める。
そして、各種の物体について、上記各種センサ１２ａ〜１２ｄにより得た４ビットの状態情報をニューラルネット１３の入力ユニット１３１ａ〜１３１ｄに与えるとともに、上記中間表現を教師信号としてニューラルネット１３の出力ユニットに与え、ニユーラルネット１３をバックプロパゲーション法等で学習させる。
これにより、物体についての状態情報をニューラルネット１３に与えると、ニューラルネット１３は物体の特徴をこれに対応した８ビットの中間表現を出力するようになる。すなわち、ニューラルネット１３は情報の変換を学習して、状態変換関数として機能するようになる。
【００１９】
図４は知識変換関数としてニューラルネットを用い、ある物体の知識を中間情報に変換する実施例を示す図である。同図において、２１はある物体の知識、２２ａ〜２２ｄはある物体についての色、形状、属性等を４ビットの情報で表した知識情報である。
また、２３は４ビットの情報からなる知識情報を８ビットの中間表現に変換するニューラルネット、２３１ａ〜２３１ｄはニューラルネットの入力ユニット、２３２、２３３はそれぞれニューラルネットの中間ユニット、出力ユニットである。
同図において、知識情報は知識の分類が可能なように、適当な知識の特徴量を選んで決める。例えば、色情報を４ビットで表す場合には、図５に示すように定めることができる。すなわち、００００を黒、０００１を赤（暗い）、…、１１１１を白のように定めたり、これらの色を組み合わせた、例えば、マゼンタを００１１とし、０１０１を黄色（暗い）と定めるなど、各色を適当な４ビットの情報に対応させる。
【００２０】
また、形状に関する知識情報としては、例えば、丸を０００１、三角を００１０、四角を０１００などと決めることができる。その他の特徴に関しても、適当な知識の特徴量を選んで決める。
一方、中間表現として、前記と同様に適当に定めておき、各種の知識について、ニユーラルネット１３をバックプロパゲーション法等で学習させる。
これにより、知識についての知識情報をニューラルネット１３に与えると、ニューラルネット１３はこれに対応した８ビットの中間表現を出力するようになる。すなわち、ニューラルネット１３は情報の変換を学習して、知識変換関数として機能するようになる。
【００２１】
図６、図７は本発明をロボットの物体認識に適用した実施例を示す図であり、図６において、３１は人間がロボットに与える、例えば、「りんごをつかめ」という作業命令、３２は作業命令を分解（解釈）する命令解釈部、３３は命令解釈部３２により得られた、例えば「りんご」というの知識、３４ａ，３４ｂを「りんご」という知識より得た「赤い（暗い）」、「丸い」等をビット表現で表した知識情報、３５は上記知識情報を中間表現に変換するニューラルネット、３６はニューラルネット３５により得られた得られた中間表現、３７は上記中間表現３６と後述する図７に示すロボットから得られた中間表現を比較し、一致するか否かを判定する比較手段である。
また、図７において４１はロボット、４１ａは色情報、形状情報等を取得する色センサ、カメラ等のセンサ、４２ａ，４２ｂはセンサ４１ａにより取得した色情報、形状情報等の状態情報、４３は上記状態情報を中間表現に変換するニューラルネット、４４はニューラルネット４３により得られた得られた中間表現であり、中間表現４４は図６に示す比較手段３７において、中間表現３６と比較される。
【００２２】
図６、図７において、まず、人間が「りんごをつかめ」という作業命令を与えるものとする。
この命令は命令解釈部３２において、「りんご」と「つかむ」という２種類の情報に分類解釈される。そして、「りんご」という知識３３とそれに付随して記憶されているそのビット表現である「赤（暗い）」、「丸い」という知識情報３４ａ，３４ｂがニューラルネット３５に入力され、ニューラルネット３５はそれに対応した中間表現を出力する。
一方、ロボット４１のセンサ４１ａは「りんご」を特定すべく、色情報、形状情報などを取得する。これらの状態情報は、ニューラルネット４３により中間表現に変換される。
比較手段３７はニューラルネット３５と４３により変換された中間表現３６と４４とを比較し、それらが一致すると一致信号を出力する。
そこで、比較手段３７が一致信号を出力するまで、ロボット４１側で一連の操作を行えば、「りんご」の探索を行うことができる。
【００２３】
以上のように、本実施例によれば、人間が「りんごをつかめ」というロボットにとって曖昧な作業命令を与えるだけで、ロボットに「りんご」を探索させることができる。
なお、上記実施例では、物体と知識との情報変換を別々のニューラルネットを用いて実現しているが、センサ情報から取得したビット表現をそのまま知識のビット表現として用いれば、同一のニューラルネットを用いてもかまわない。但し、この場合には、人間がビット表現を見ただけでは、それが何の情報に対応するのかは、おそらく理解できなくなる。
ところで、知識情報として、ニューラルネットへの入力データを全部覚えておくのは膨大な記憶装置を必要とするし、また、冗長でもある。
そこで、入力データそのものではなく、中間表現だけを覚えておけば、少ない記憶領域ですみ、都合がよい。すなわち、「りんご」という知識に対して、中間表現である８ビットの情報だけを記憶するようにしておく。
このとき、個々の属性情報がほしい場合に、中間表現から個々の属性情報へと逆変換できるようにしておけば、必要に応じて、中間表現を人間が理解できる表現にすることができる。この逆変換は順変換と同様にニューラルネットを用いて実現することができる。
【００２４】
図８は上記のように中間表現を逆変換して人間が理解できる知識情報に変換する実施例を示す図である。同図において、５１は既に学習された既学習知識、５２はその中間表現、５３はニューラルネットから構成される知識逆変換関数、５４は逆変換された知識情報である。
また、５５は未学習知識、５６は未学習な知識情報を中間表現に変換するニューラルネットから構成される知識変換関数、５７は知識変換関数５６により得られた中間表現である。
同図において、例えば、「りんご」という知識に対して中間表現である８ビットだけを記憶するようにしておく。そして、「りんご」という知識の個々の属性情報がほしいときには、知識逆変換関数５３により、中間表現から個々の属性情報への逆変換を行う。
一方、まだ学習していない未学習知識５５に関しては、人間がその属性を決めるなり、センサ情報を使うなりして、知識変換関数５６により中間表現を生成し、これを記憶する。そして、逆変換が可能なように、知識逆変換関数５３にもこの関係を覚えさせておく。これにより、中間表現だけを記憶しておくことで、知識情報の処理が可能となる。
【００２５】
【発明の効果】
以上説明したように本発明においては、次の効果を得ることができる。
(1) 請求項１の発明においては、センサにより入力された物体の形状もしくは物体の状態に関する状態情報を変換してその状態情報に対応した第１の中間表現を生成する状態変換手段と、物体の形状もしくは物体の状態に関する人間が理解可能な知識情報を変換して、その知識情報に対応し、上記状態変換手段により変換された中間表現とマッチング可能である上記知識情報の属性情報を表す第２の中間表現を生成する知識変換手段と、上記第１の中間表現と上記第２の中間表現を比較する手段と、上記比較の結果、上記第１の中間表現と上記第２の中間表現の一致した場合に、上記入力された状態情報と上記知識情報の一致を推定し、該推定の結果に基づきロボットを制御する手段を設けたので、センサ等により観測された状態情報と人間の知識とが同じものであるか否かを推定し、ロボットを制御することができる。
(2) 請求項２の発明においては、上記変換手段としてニューラルネットを用いたので、中間表現を容易に生成することができる。
【図面の簡単な説明】
【図１】本発明の原理図である。
【図２】本発明の原理図（続き）である。
【図３】ニューラルネットにより状態変換関数を実現した実施例を示す図である。
【図４】ニューラルネットにより知識変換関数を実現した実施例を示す図である。
【図５】色情報を４ビットで表す一例を示す図である。
【図６】本発明をロボットに適用した実施例を示す図である。
【図７】本発明をロボットに適用した実施例（続き）を示す図である。
【図８】中間表現を逆変換して知識情報に変換する実施例を示す図である。
【符号の説明】
Ｓ 情報
ｆ 情報変換関数
Ｓ１，４２ａ，４２ｂ 状態情報
Ｋ，５４ 知識情報
ｆ１， 状態変換関数
ｆ２ ，５６ 知識変換関数
Ｒ，Ｒ１ ，Ｒ２ ，Ｒ３ ，３６，４４，５２，５２，５７中間表現
１１ 物体
１２ａ，１２ｂ，１２ｃ，１２ｄ 各種センサ
１３，２３，３５，４３ ニューラルネット
２１，３３ 知識
２２ａ，２２ｂ，２２ｃ，２２ｄ 知識情報
Ｃ１ ，Ｃ２ ，３１ 作業命令
３２ 命令解釈部
３７ 比較手段
４１ ロボット
４１ａ センサ
５１ 既学習知識
５３ 知識逆変換関数
５５ 未学習知識
【産業上の利用分野】
本発明は、曖昧な、あるいは、膨大な情報から構成される知識情報もしくは状態情報を中間表現に変換し、この変換された中間表現を用いて推論、判断を行う情報の処理装置に関する。
【０００２】
【従来の技術】
ある概念や知識を表すのには膨大な情報が必要である。この膨大な情報をそのまま使って処理していたのでは、処理に時間がかかり実用的でない。
そこで、この膨大な情報の中から必要な情報だけを取捨選択して、必要な情報だけを取り出して、圧縮して利用する方法をとる必要がある。また、取得した情報を用いてある概念や知識を特定する際には、情報が曖昧であったり、情報の欠落があったりする場合が殆どである。
【０００３】
【発明が解決しようとする課題】
従来の知識処理方法においては、このような曖昧な情報を使うと人間が意図的に作成した情報表現との正確なマッチングをとることができず、それを使った推論や判断などの処理をうまく続行することができなかった。
本発明は上記した従来技術の問題点を考慮してなされたものであって、知識情報もしくは状態情報を中間表現に変換して処理することにより、曖昧な情報、もしくは、膨大な情報をうまく推論、判断することができる情報の処理装置を提供することを目的とする。
【０００４】
【課題を解決するための手段】
図１は本発明の原理図であり、同図において、Ｓは入力された情報、Ｓ１はセンサ等の状態検出手段により観測された状態情報、Ｋは人間の知識情報、ｆ，ｆ１，ｆ２ は、それぞれ、情報を中間表現に変換する例えばニューラルネット等から構成される情報変換関数、状態変換関数および知識変換関数、ｇは例えばニューラルネット等から構成される情報復元関数、Ｒ，Ｒ１ ，Ｒ２ ，Ｒ３ は中間表現である。
中間表現とは、複数の類似した情報をある一つのカテゴリに分類したものである。例えば、「りんご」というカテゴリを考えると、色、形は多少異なっても一つの「りんご」というカテゴリに分類できる情報は、一つのカテゴリに対応する中間表現とする。また、情報変換関数はこの分類を行う関数である。
【０００５】
上記課題を解決するため、本発明の請求項１の発明は、図２（ｂ）に示すように、センサにより入力された入力された状態情報を変換してその状態情報Ｓ１に対応した第１の中間表現を生成する状態変換手段（図２（ｂ）の状態変換関数ｆ１）と、物体の形状もしくは物体の状態に関する人間が理解可能な知識情報Ｋを変換して、その知識情報Ｋに対応し、上記状態変換手段により変換された中間表現とマッチング可能である上記知識情報の属性情報を表す第２の中間表現を生成する知識変換手段（図２（ｂ）の知識変換関数ｆ２）と、上記第１の中間表現と上記第２の中間表現を比較する手段と、上記比較の結果、上記第１の中間表現と上記第２の中間表現の一致した場合に、上記入力された状態情報と上記知識情報の一致を推定し、該推定の結果に基づきロボットを制御する手段とを備えたものである。
本発明の請求項２の発明は、請求項１の発明において、上記変換手段としてニューラルネットを用いたものである。
【０００６】
【作用】
まず、ある作業命令Ｃが与えられたとする。この命令は、たとえば、「肉と野菜を買ってきて」といった命令である。ここには、肉とは何か、野菜とは何かといった、従来の手法では非常に定義しにくい情報処理問題を含んでいる。
これを解釈する機構および情報の表現方法について説明する。与えられた作業命令Ｃが遂行されたかどうかは、その作業命令Ｃが達成された状態を表すゴールに到達したかどうかで判断する。ロボットがゴールに到達したかどうかの判断は、ロボットが持つセンサを使って状態Ｓ（ｎ） を測定することによって決定する。
状態Ｓ（ｎ） にはセンサ等から得られる環境情報やロボットの内部状態などが含まれる。したがって、ある作業命令Ｃが与えられたときには、それに対応する状態Ｓ（ｎ） が得られれば、命令を解釈できたことになる。
【０００７】
ところが、状態Ｓ（ｎ） はたとえば、センサの生データなどからなるので、このままでは処理データ数がすぐに膨大になって扱いにくい。そこで、これを何らかの方法で変換統合することを考える。つまり、式（１）に示すように状態Ｓ（ｎ） をある関数ｆによって変換し、中間表現Ｒとする。
中間表現Ｒ＝ 情報変換関数ｆ（状態Ｓ（ｎ） ） （１）
式（１）に与えられた命令が達成された状態ＳＧを入力すると、ゴールを表す中間表現ＲＧが得られる。
ゴールの中間表現ＲＧ ＝ 情報変換関数ｆ（状態ＳＧ） （２）
すなわち、図２（ｃ）に示すように、前記作業命令Ｃ１ が与えられたとき、これを詳細命令群Ｃ２ に展開したのち、詳細命令群Ｃ２ を満足する状態情報ＳＧに変換し、さらに、状態情報ＳＧを状態変換関数ｆ１ （状態情報を変換する情報変換関数ｆを状態変換関数ｆ１ という）により中間表現ＲＧを得て、これを満足するように個々の命令を実行することにより、作業命令Ｃを達成することができる。
【０００８】
中間表現は、たとえば、数ビットの０１の組み合せが考えられる。例えば、８ビットならば、００００００００から１１１１１１１１まで２５６通りの中間表現が扱える。状態Ｓ（ｎ） が無限にある場合には、状態変換関数ｆ１ は無限情報を２５６通りに分類したことに相当し、情報の変換が図られたことになる。
すなわち、図１（ａ）（ｂ）に示すように、センサ等の状態情報検出手段により検出された情報Ｓを情報変換関数ｆにより変換し、中間表現Ｒを得ることにより、状態Ｓを何通りかに分類し、情報の変換を図ることができる。
なお、情報変換関数ｆは、図１（ｄ）に示すように、たとえばニューラルネットを用いて実現することができる。
状態Ｓと中間表現Ｒ１ との対応を決めるときには、２５６通りのデータのなかから、適当に一つを選択し、それと明らかに異なる状態では異なるデータを割り当てる。その際、明らかに、ある状態を特定できるときは、これを中間表現のなかのある特定のビットに割り当てれば、あとで中間表現を見るだけで、状態が推定できる。
【０００９】
一方、人間の知識についても、図１（ｃ）に示すように、知識変換関数ｆ２ （知識を変換する情報変換関数ｆを知識変換関数ｆ２ という）を用い、中間表現Ｒ２ に変換することができ、知識変換関数ｆ２ も図１（ｄ）に示すように、ニューラルネットを用いて実現することができる。
さらに、情報変換関数ｆの逆関数ｇを作ると、これは情報復元関数となる。
状態Ｓ（ｎ） ＝ 情報復元関数ｇ （中間表現Ｒ１ ） （１’）
上記情報復元関数ｇを用いて、図２（ａ）に示すように、中間表現を知識、または状態情報に逆変換することにより、中間表現を人間が理解可能な表現に復元することができる。
上記したような中間表現を使うと、センサレベルの信号と知識との融合が可能となる。つまり、図２（ｂ）に示すように、ある一つの知識Ｋを中間表現に変換し、あるビット表現で表わしておく。これと、センサから観測される情報Ｓを中間表現に変換してあるビット表現で表わしたものが一致すれば、観測されたものＳは、知識Ｋだと推定できる。
【００１０】
例として、「りんご」という知識または記号とセンサから観測されたもののマッチングをとる場合を考える。ここでは、複数のセンサをもつロボットがある物体をセンスし、それが人間の言葉で何というものかを特定する場合を考える。つまり、ロボットが測定したものと人間が見たものがどちらも「りんご」だと認識することが目標である。
まず、「もの」にはいろんな属性、たとえば、色、形、重さ、材質、用途などがあるので、これらにいくつかのビットを割り当てることを考える。一つの属性に１６ビットのビット列を割り付けておく。もちろん、このビット数は増減してよいし、知識の増減にしたがって自動的に増減させてもよい。
【００１１】
あるとき、何らかのセンサによって取得された情報を情報変換関数に入力し、出力として、下記▲１▼のような中間表現が得られたものとする。
▲１▼＜センサから得られた中間表現＞
色 ：０００１ ００００ １０００ ０１００
形 ：００００ ０１００ ００００ ０１００
重さ ：００００ ００１０ ００００ ０１００
材質 ：００１０ ００００ ０１００ ００１０
用途 ：００１０ ００１０ ００１０ ０１００
ここでは、もっと多くのセンサからこれら１６ビット表現に変換してもよいし、１６ビット以下のセンサから１６ビット表現に拡張してもよいが、センサ信号から、何らかの方法によって、１６ビットの中間表現に対応する信号を得ているものとする。もちろん、上表で表わされた表現が、センサを使って見た「りんご」（まだこれが「りんご」かどうかはこのロボットは知らないが）の中間表現である。
【００１２】
一方、人間が「りんご」と言うとき、これを上記のパターン化した知識として表わしておき、このパターン化された知識とセンサから得られた知識のマッチングがとれれば、人間とロボットで共通の概念が生成できたことになり、ロボットには「りんご」というだけでそれが何か理解させることができる。
次に、人間が「りんご」に対するイメージをビット表現に変換することを考える。まず、色は赤または緑であるが、ここでは簡単のため赤という知識だけを色ビットに適当に割り付ける。形は球、丸。重さは１００ｇくらい、材質はよくわからないが、柔らかい、用途は、果物、などの属性が挙げられる。これらは、人間がロボットに直接入力してもいいし、ロボットからの質問形式で答えてもよい。そして、下記▲２▼のような中間表現が得られたものとする。
この際、ロボットにはまだ何の知識もないので、赤や緑といった概念すら存在せず、色に対して緑とか赤とかを表す適当な表現がまだ構築されていない。他の属性に関しても同様である。
【００１３】
▲２▼＜人間の知識から得られた中間表現＞
色 ：０１００ ００００ １０１０ ０１１０
形 ：００１０ １１００ ０１００ ００００
重さ ：００００ １０１０ ０１００ ０１００
材質 ：０１１０ ０１００ ０１００ ００００
用途 ：１０００ １０１０ ００１０ ０１００
人間から、今センスしたものと人間が与えた知識は同じものだから、これを同じ表現にせよという命令が与えられ、▲１▼と▲２▼の中間表現の共通化を試みる。これには両者のＡＮＤをとったりＯＲをとったりする方法や確率的にどちらかのビットを選択するなどの方法が考えられる。いづれにしても、何らかの操作によって、両者の共通した表現、下記の▲３▼が得られる。
【００１４】
▲３▼＜人間の知識とセンサ情報を融合して得られた中間表現＞
色 ：０１０１ ００００ １０１０ ０１００
形 ：００１０ ０１００ ０１００ ０１００
重さ ：００００ １０１０ ００００ ０１００
材質 ：００１０ ０１００ ０１００ ００１０
用途 ：００１０ ００１０ ００１０ ０１００
以上の過程を図に表わすと図１（ｅ）に示すようになる。
上の方法では、初期知識がなかったため、センサ信号や人間の知識を直接共通の中間表現にはできなかった。そこで、すでに獲得した中間表現を参考に、信号変換や知識変換部を学習させて、直接、共通の中間表現に変換させることを考える。たとえば、色表現を例に取ると、赤は、初めはそれぞれ下記▲４▼のように表現されたので、これを信号変換や知識変換の過程で、両者を融合して得られた色表現を直接出力できるように学習させる。この学習にはたとえば、階層型ネットワークが利用できる。
【００１５】
▲４▼＜色表現の中間表現＞
センサ信号から得られた色表現：０００１ ００００ １０００ ０１００
人間の知識から得られた色表現：０１００ ００００ １０１０ ０１１０
両者を融合して得られた色表現：０１０１ ００００ １０１０ ０１００
さて、この表現を利用すると、りんごを学習したことによって、同時に色の学習ができたことになる。つまり、学習によって、りんごの赤という色の共通の中間表現が得られたので、たとえば、赤い花といったとき、赤の表現が先に学習した赤の色表現を参考にして、生成できる。同様に他の色についても学習させることによって、色の知識獲得が可能となる。また、赤と緑の中間の色なども両者の混合として表わすことができる。
以上の過程において、あらかじめ、赤なら赤に対応するビット表現を決めておき、それに合致するようセンサ信号変換則を学習してもよい。このときは、ビット表現を見るだけで簡単にその意味が理解できるようにすることが可能である。
【００１６】
本発明は上記原理に基づき、前記課題を解決するようにしたものであり、本発明の請求項１の発明においては、センサにより入力された物体の形状もしくは物体の状態に関する状態情報を変換してその状態情報に対応した第１の中間表現を生成する状態変換手段と、物体の形状もしくは物体の状態に関する人間が理解可能な知識情報を変換して、その知識情報に対応し、上記状態変換手段により変換された中間表現とマッチング可能である上記知識情報の属性情報を表す第２の中間表現を生成する知識変換手段と、上記第１の中間表現と上記第２の中間表現を比較する手段と、上記比較の結果、上記第１の中間表現と上記第２の中間表現の一致した場合に、上記入力された状態情報と上記知識情報の一致を推定し、該推定の結果に基づきロボットを制御する手段とを設けたので、センサ等により観測された状態情報Ｓと人間の知識Ｋとが同じものであるか否かを推定し、ロボットを制御することができる。
本発明の請求項２の発明は、請求項１の発明において、上記変換手段としてニューラルネットを用いたので、中間表現を容易に生成することができる。
【００１７】
【実施例】
図３は状態変換関数としてニューラルネットを用い、センサにより検出された物体の状態情報を中間情報に変換する実施例を示す図である。同図において、１１は物体、１２ａ〜１２ｄは物体の状態を検出する各種センサであり、例えば、色センサ１２ａは、分光反射率等を観測する光センサと、Ａ／Ｄ変換器から構成されており、上記光センサにより物体の反射波の波長を取得し、Ａ／Ｄ変換器により４ビットのディジタル信号からなる色情報に変換する。
形状センサ１２ｂは、例えば、カメラ等の画像取得手段と、画像処理手段とから構成されており、物体の形状を画像取得手段により取得し、取得した形状を画像処理手段により、４ビットの形状パターンに分類する。同様に、質量センサ１２ｃは質量を計測する手段と、Ａ／Ｄ変換器から構成されており、取得した物体の質量を４ビットの質量情報に変換する。
また、１３は４ビットの情報からなる状態情報を８ビットの中間表現に変換するニューラルネット、１３１ａ〜１３１ｄはニューラルネットの入力ユニット、１３２、１３３はそれぞれニューラルネットの中間ユニット、出力ユニットである。
【００１８】
同図において、色センサ１２ａ、形状センサ１２ｂ、質量センサ１２ｃ、…、その他のセンサ１２ｄにより、物体１１の状態を検出し、それぞれ４ビットの状態情報に変換する。
一方、中間表現として、異なる種類の物体、例えば、「りんご」と「みかん」等が同一表現にならないように物体毎に適当に定めておく。最も簡単には、「りんご」を「０００００００１」、「みかん」を「０００００００２」のように定める。
そして、各種の物体について、上記各種センサ１２ａ〜１２ｄにより得た４ビットの状態情報をニューラルネット１３の入力ユニット１３１ａ〜１３１ｄに与えるとともに、上記中間表現を教師信号としてニューラルネット１３の出力ユニットに与え、ニユーラルネット１３をバックプロパゲーション法等で学習させる。
これにより、物体についての状態情報をニューラルネット１３に与えると、ニューラルネット１３は物体の特徴をこれに対応した８ビットの中間表現を出力するようになる。すなわち、ニューラルネット１３は情報の変換を学習して、状態変換関数として機能するようになる。
【００１９】
図４は知識変換関数としてニューラルネットを用い、ある物体の知識を中間情報に変換する実施例を示す図である。同図において、２１はある物体の知識、２２ａ〜２２ｄはある物体についての色、形状、属性等を４ビットの情報で表した知識情報である。
また、２３は４ビットの情報からなる知識情報を８ビットの中間表現に変換するニューラルネット、２３１ａ〜２３１ｄはニューラルネットの入力ユニット、２３２、２３３はそれぞれニューラルネットの中間ユニット、出力ユニットである。
同図において、知識情報は知識の分類が可能なように、適当な知識の特徴量を選んで決める。例えば、色情報を４ビットで表す場合には、図５に示すように定めることができる。すなわち、００００を黒、０００１を赤（暗い）、…、１１１１を白のように定めたり、これらの色を組み合わせた、例えば、マゼンタを００１１とし、０１０１を黄色（暗い）と定めるなど、各色を適当な４ビットの情報に対応させる。
【００２０】
また、形状に関する知識情報としては、例えば、丸を０００１、三角を００１０、四角を０１００などと決めることができる。その他の特徴に関しても、適当な知識の特徴量を選んで決める。
一方、中間表現として、前記と同様に適当に定めておき、各種の知識について、ニユーラルネット１３をバックプロパゲーション法等で学習させる。
これにより、知識についての知識情報をニューラルネット１３に与えると、ニューラルネット１３はこれに対応した８ビットの中間表現を出力するようになる。すなわち、ニューラルネット１３は情報の変換を学習して、知識変換関数として機能するようになる。
【００２１】
図６、図７は本発明をロボットの物体認識に適用した実施例を示す図であり、図６において、３１は人間がロボットに与える、例えば、「りんごをつかめ」という作業命令、３２は作業命令を分解（解釈）する命令解釈部、３３は命令解釈部３２により得られた、例えば「りんご」というの知識、３４ａ，３４ｂを「りんご」という知識より得た「赤い（暗い）」、「丸い」等をビット表現で表した知識情報、３５は上記知識情報を中間表現に変換するニューラルネット、３６はニューラルネット３５により得られた得られた中間表現、３７は上記中間表現３６と後述する図７に示すロボットから得られた中間表現を比較し、一致するか否かを判定する比較手段である。
また、図７において４１はロボット、４１ａは色情報、形状情報等を取得する色センサ、カメラ等のセンサ、４２ａ，４２ｂはセンサ４１ａにより取得した色情報、形状情報等の状態情報、４３は上記状態情報を中間表現に変換するニューラルネット、４４はニューラルネット４３により得られた得られた中間表現であり、中間表現４４は図６に示す比較手段３７において、中間表現３６と比較される。
【００２２】
図６、図７において、まず、人間が「りんごをつかめ」という作業命令を与えるものとする。
この命令は命令解釈部３２において、「りんご」と「つかむ」という２種類の情報に分類解釈される。そして、「りんご」という知識３３とそれに付随して記憶されているそのビット表現である「赤（暗い）」、「丸い」という知識情報３４ａ，３４ｂがニューラルネット３５に入力され、ニューラルネット３５はそれに対応した中間表現を出力する。
一方、ロボット４１のセンサ４１ａは「りんご」を特定すべく、色情報、形状情報などを取得する。これらの状態情報は、ニューラルネット４３により中間表現に変換される。
比較手段３７はニューラルネット３５と４３により変換された中間表現３６と４４とを比較し、それらが一致すると一致信号を出力する。
そこで、比較手段３７が一致信号を出力するまで、ロボット４１側で一連の操作を行えば、「りんご」の探索を行うことができる。
【００２３】
以上のように、本実施例によれば、人間が「りんごをつかめ」というロボットにとって曖昧な作業命令を与えるだけで、ロボットに「りんご」を探索させることができる。
なお、上記実施例では、物体と知識との情報変換を別々のニューラルネットを用いて実現しているが、センサ情報から取得したビット表現をそのまま知識のビット表現として用いれば、同一のニューラルネットを用いてもかまわない。但し、この場合には、人間がビット表現を見ただけでは、それが何の情報に対応するのかは、おそらく理解できなくなる。
ところで、知識情報として、ニューラルネットへの入力データを全部覚えておくのは膨大な記憶装置を必要とするし、また、冗長でもある。
そこで、入力データそのものではなく、中間表現だけを覚えておけば、少ない記憶領域ですみ、都合がよい。すなわち、「りんご」という知識に対して、中間表現である８ビットの情報だけを記憶するようにしておく。
このとき、個々の属性情報がほしい場合に、中間表現から個々の属性情報へと逆変換できるようにしておけば、必要に応じて、中間表現を人間が理解できる表現にすることができる。この逆変換は順変換と同様にニューラルネットを用いて実現することができる。
【００２４】
図８は上記のように中間表現を逆変換して人間が理解できる知識情報に変換する実施例を示す図である。同図において、５１は既に学習された既学習知識、５２はその中間表現、５３はニューラルネットから構成される知識逆変換関数、５４は逆変換された知識情報である。
また、５５は未学習知識、５６は未学習な知識情報を中間表現に変換するニューラルネットから構成される知識変換関数、５７は知識変換関数５６により得られた中間表現である。
同図において、例えば、「りんご」という知識に対して中間表現である８ビットだけを記憶するようにしておく。そして、「りんご」という知識の個々の属性情報がほしいときには、知識逆変換関数５３により、中間表現から個々の属性情報への逆変換を行う。
一方、まだ学習していない未学習知識５５に関しては、人間がその属性を決めるなり、センサ情報を使うなりして、知識変換関数５６により中間表現を生成し、これを記憶する。そして、逆変換が可能なように、知識逆変換関数５３にもこの関係を覚えさせておく。これにより、中間表現だけを記憶しておくことで、知識情報の処理が可能となる。
【００２５】
【発明の効果】
以上説明したように本発明においては、次の効果を得ることができる。
(1) 請求項１の発明においては、センサにより入力された物体の形状もしくは物体の状態に関する状態情報を変換してその状態情報に対応した第１の中間表現を生成する状態変換手段と、物体の形状もしくは物体の状態に関する人間が理解可能な知識情報を変換して、その知識情報に対応し、上記状態変換手段により変換された中間表現とマッチング可能である上記知識情報の属性情報を表す第２の中間表現を生成する知識変換手段と、上記第１の中間表現と上記第２の中間表現を比較する手段と、上記比較の結果、上記第１の中間表現と上記第２の中間表現の一致した場合に、上記入力された状態情報と上記知識情報の一致を推定し、該推定の結果に基づきロボットを制御する手段を設けたので、センサ等により観測された状態情報と人間の知識とが同じものであるか否かを推定し、ロボットを制御することができる。
(2) 請求項２の発明においては、上記変換手段としてニューラルネットを用いたので、中間表現を容易に生成することができる。
【図面の簡単な説明】
【図１】本発明の原理図である。
【図２】本発明の原理図（続き）である。
【図３】ニューラルネットにより状態変換関数を実現した実施例を示す図である。
【図４】ニューラルネットにより知識変換関数を実現した実施例を示す図である。
【図５】色情報を４ビットで表す一例を示す図である。
【図６】本発明をロボットに適用した実施例を示す図である。
【図７】本発明をロボットに適用した実施例（続き）を示す図である。
【図８】中間表現を逆変換して知識情報に変換する実施例を示す図である。
【符号の説明】
Ｓ 情報
ｆ 情報変換関数
Ｓ１，４２ａ，４２ｂ 状態情報
Ｋ，５４ 知識情報
ｆ１， 状態変換関数
ｆ２ ，５６ 知識変換関数
Ｒ，Ｒ１ ，Ｒ２ ，Ｒ３ ，３６，４４，５２，５２，５７中間表現
１１ 物体
１２ａ，１２ｂ，１２ｃ，１２ｄ 各種センサ
１３，２３，３５，４３ ニューラルネット
２１，３３ 知識
２２ａ，２２ｂ，２２ｃ，２２ｄ 知識情報
Ｃ１ ，Ｃ２ ，３１ 作業命令
３２ 命令解釈部
３７ 比較手段
４１ ロボット
４１ａ センサ
５１ 既学習知識
５３ 知識逆変換関数
５５ 未学習知識
Claims (2)
- センサにより入力された物体の形状もしくは物体の状態に関する状態情報を変換してその状態情報に対応した第１の中間表現を生成する状態変換手段と、
物体の形状もしくは物体の状態に関する人間が理解可能な知識情報を変換して、その知識情報に対応し、上記状態変換手段により変換された中間表現とマッチング可能である上記知識情報の属性情報を表す第２の中間表現を生成する知識変換手段と、
上記第１の中間表現と上記第２の中間表現を比較する手段と、
上記比較の結果、上記第１の中間表現と上記第２の中間表現の一致した場合に、上記入力された状態情報と上記知識情報の一致を推定し、該推定の結果に基づきロボットを制御する手段とを備えた
ことを特徴とする情報の処理装置。 - 上記変換手段としてニューラルネットを用いた
ことを特徴とする請求項１の情報の処理装置。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP02943594A JP3633642B2 (ja) | 1994-02-28 | 1994-02-28 | 情報の処理装置 |
| US08/371,430 US5845050A (en) | 1994-02-28 | 1995-01-11 | Method and apparatus for processing information and a method and apparatus for executing a work instruction |
| DE19502554A DE19502554C2 (de) | 1994-02-28 | 1995-01-27 | Lernverfahren für ein Objekterkennungsgerät, Objekterkennungsverfahren und -gerät, sowie Verfahren und Vorrichtung zur maschinellen Ausführung einer Arbeitsanweisung |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP02943594A JP3633642B2 (ja) | 1994-02-28 | 1994-02-28 | 情報の処理装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH07239785A JPH07239785A (ja) | 1995-09-12 |
| JP3633642B2 true JP3633642B2 (ja) | 2005-03-30 |
Family
ID=12276067
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP02943594A Expired - Fee Related JP3633642B2 (ja) | 1994-02-28 | 1994-02-28 | 情報の処理装置 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US5845050A (ja) |
| JP (1) | JP3633642B2 (ja) |
| DE (1) | DE19502554C2 (ja) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6038567A (en) * | 1998-02-19 | 2000-03-14 | Microsoft Corporation | Method and system for propagating object properties in a desktop publishing program |
| US6272396B1 (en) * | 1998-02-20 | 2001-08-07 | Tairob Industrial Technology Ltd. | Method for applying knowledge from a skilled worker via a master expert machine to a slave expert machine for repetitive tasks |
| WO2006005669A2 (de) * | 2004-07-09 | 2006-01-19 | Siemens Aktiengesellschaft | System zur informationsextraktion und/oder informationsbewertung |
| US8156147B1 (en) | 2007-02-06 | 2012-04-10 | The Mathworks, Inc. | Sharing of instructions across model boundaries |
| US20090132088A1 (en) * | 2007-04-24 | 2009-05-21 | Tairob Ltd. | Transfer of knowledge from a human skilled worker to an expert machine - the learning process |
| US9052710B1 (en) * | 2009-03-20 | 2015-06-09 | Exelis Inc. | Manipulation control based upon mimic of human gestures |
| KR20120027253A (ko) * | 2009-04-23 | 2012-03-21 | 코닌클리케 필립스 일렉트로닉스 엔.브이. | 물체-학습 로봇 및 방법 |
| JP5516610B2 (ja) * | 2012-01-19 | 2014-06-11 | 株式会社安川電機 | ロボット、ロボットハンドおよびロボットハンドの保持位置調整方法 |
| US10456910B2 (en) * | 2016-01-14 | 2019-10-29 | Purdue Research Foundation | Educational systems comprising programmable controllers and methods of teaching therewith |
| US11420325B2 (en) * | 2018-03-05 | 2022-08-23 | Omron Corporation | Method, apparatus and system for controlling a robot, and storage medium |
Family Cites Families (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS62270712A (ja) * | 1986-05-20 | 1987-11-25 | Nippon Kokan Kk <Nkk> | 高炉状況検出方法 |
| JPH087789B2 (ja) * | 1988-08-15 | 1996-01-29 | 工業技術院長 | パターン連想記憶方法および装置 |
| US5093899A (en) * | 1988-09-17 | 1992-03-03 | Sony Corporation | Neural network with normalized learning constant for high-speed stable learning |
| US5099436A (en) * | 1988-11-03 | 1992-03-24 | Allied-Signal Inc. | Methods and apparatus for performing system fault diagnosis |
| US5005147A (en) * | 1988-12-30 | 1991-04-02 | The United States Of America As Represented By The Administrator, The National Aeronautics And Space Administration | Method and apparatus for sensor fusion |
| US5144685A (en) * | 1989-03-31 | 1992-09-01 | Honeywell Inc. | Landmark recognition for autonomous mobile robots |
| JPH03189856A (ja) * | 1989-12-20 | 1991-08-19 | Fujitsu Ltd | 外部評価基準の学習方式 |
| US5299284A (en) * | 1990-04-09 | 1994-03-29 | Arizona Board Of Regents, Acting On Behalf Of Arizona State University | Pattern classification using linear programming |
| FR2661265B1 (fr) * | 1990-04-24 | 1994-07-29 | Thomson Csf | Systeme neuronal de classification et procede de classification utilisant un tel systeme. |
| JPH04227507A (ja) * | 1990-07-02 | 1992-08-17 | Nec Corp | 移動ロボット用のマップを作成し保持する方法 |
| DE4100500A1 (de) * | 1991-01-10 | 1992-07-16 | Bodenseewerk Geraetetech | Signalverarbeitungsanordnung zur klassifizierung von objekten aufgrund der signale von sensoren |
| US5276772A (en) * | 1991-01-31 | 1994-01-04 | Ail Systems, Inc. | Real time adaptive probabilistic neural network system and method for data sorting |
| US5239594A (en) * | 1991-02-12 | 1993-08-24 | Mitsubishi Denki Kabushiki Kaisha | Self-organizing pattern classification neural network system |
| JP2635836B2 (ja) * | 1991-02-28 | 1997-07-30 | 株式会社東芝 | 全自動洗濯機 |
| US5303330A (en) * | 1991-06-03 | 1994-04-12 | Bell Communications Research, Inc. | Hybrid multi-layer neural networks |
| US5586215A (en) * | 1992-05-26 | 1996-12-17 | Ricoh Corporation | Neural network acoustic and visual speech recognition system |
-
1994
- 1994-02-28 JP JP02943594A patent/JP3633642B2/ja not_active Expired - Fee Related
-
1995
- 1995-01-11 US US08/371,430 patent/US5845050A/en not_active Expired - Lifetime
- 1995-01-27 DE DE19502554A patent/DE19502554C2/de not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| US5845050A (en) | 1998-12-01 |
| JPH07239785A (ja) | 1995-09-12 |
| DE19502554C2 (de) | 1999-07-01 |
| DE19502554A1 (de) | 1995-08-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111737458B (zh) | 基于注意力机制的意图识别方法、装置、设备及存储介质 | |
| Wang et al. | Protein sequence classification using extreme learning machine | |
| JP3633642B2 (ja) | 情報の処理装置 | |
| KR950004881A (ko) | 칼라화상처리방법 및 장치 | |
| Osakada et al. | Neural networks for process planning of cold forging | |
| Mouha | Deep learning for robotics | |
| CN115631365A (zh) | 一种融合知识图谱的跨模态对比零样本学习方法 | |
| CN114731341A (zh) | 信息获取方法、设备和系统 | |
| WO2022030506A1 (ja) | 情報処理装置及び情報処理方法 | |
| Heywood et al. | A framework for improved training of Sigma-Pi networks | |
| Tatiya et al. | Haptic knowledge transfer between heterogeneous robots using kernel manifold alignment | |
| Pau et al. | Neural network signal understanding for instrumentation | |
| US5506936A (en) | Fuzzy inference system and a pattern input type membership value generator | |
| Kimura et al. | New perspective of interpretability of deep neural networks | |
| Hampson et al. | Representing and learning boolean functions of multivalued features | |
| Takagi et al. | A trial for data retrieval using conceptual fuzzy sets | |
| Di Felice et al. | One-shot imitation learning with Graph Neural Networks for Pick-and-Place manipulation tasks | |
| JP2701311B2 (ja) | 認識辞書作成機能を備えた文字認識装置 | |
| EP0567983B1 (en) | Learning type waveform recognizer | |
| Yamamoto et al. | An improved expand-and-truncate learning | |
| CN111079928A (zh) | 基于对抗学习的循环神经网络用于人体运动预测方法 | |
| Benoit et al. | A fuzzy colour sensor | |
| Balado et al. | Chatgpt for Point Cloud 3d Object Processing | |
| Omlin et al. | Representation of fuzzy finite state automata in continuous recurrent, neural networks | |
| Moussa et al. | A connectionist model of human grasps and its application to robot grasping |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20020604 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20041130 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20041221 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080107 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090107 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100107 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110107 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110107 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120107 Year of fee payment: 7 |
|
| LAPS | Cancellation because of no payment of annual fees |