JP6539395B1

JP6539395B1 - 予測装置および予測方法

Info

Publication number: JP6539395B1
Application number: JP2018156350A
Authority: JP
Inventors: 大塚　誠; 誠大塚; 弘司椎崎; 門地　正史; 正史門地; 拓也明石; 昭伍南; 中島　慎; 慎中島; 貴大萩野; 佑輔竹内; 健次中山; 南望大西; 遼介別府
Original assignee: Mitsubishi Logisnext Co Ltd
Current assignee: Mitsubishi Logisnext Co Ltd
Priority date: 2018-08-23
Filing date: 2018-08-23
Publication date: 2019-07-03
Anticipated expiration: 2038-08-23
Also published as: JP2020029344A

Abstract

【課題】輸送車両の積荷の荷降ろし作業に要する時間を予測する。
【解決手段】荷降ろし時間予測装置（１）は、輸送車両の積荷に関する情報およびフォークリフトに関する情報と、積荷の荷降ろしに要した時間との相関関係を機械学習させた学習済みモデルを用いて、トラック（３）からの荷降ろし時間を予測する荷降ろし時間予測部（１０４）を備えている。
【選択図】図１

Description

本発明は、輸送車両の荷降ろし作業に要する時間を予測する、荷降ろし時間予測装置等に関する。

トラックなどの輸送車両で輸送される積荷は、輸送先に到着した後、フォークリフトなどの荷降ろし用の車両により、輸送車両から荷降ろしされる（例えば下記特許文献１参照）。

特開２０１０−２３５２２３号公報

上述の荷降ろし作業にはある程度の時間を要するため、複数の輸送車両の到着が重なった場合等には、後着の輸送車両は、先着の輸送車両からの荷降ろし作業が終わるまで待機する必要が生じることがあり、これが輸送車両の運転者の負担となっていた。先着の輸送車両からの荷降ろし作業に要する時間を予測することができれば、後着の輸送車両に対する通知や制御等を行うことが可能となり、後着の輸送車両の運転者の負担を軽減することが可能になる。

本発明の一態様は、輸送車両の積荷の荷降ろし作業に要する時間を予測することのできる荷降ろし時間予測装置等を提供することを目的とする。

上記の課題を解決するために、本発明の一態様に係る荷降ろし時間予測装置は、輸送車両の積荷に関する情報および該積荷の荷降ろしに使用した荷降ろし車両に関する情報と、該輸送車両の全ての積荷の荷降ろしに要した時間との相関関係を機械学習させた学習済みモデルを用いて、対象輸送車両の積荷に関する情報および該積荷の荷降ろしに使用可能な荷降ろし車両に関する情報から、上記対象輸送車両の全ての積荷の荷降ろしに要する所要時間を予測する荷降ろし時間予測部を備えている。

上記の課題を解決するために、本発明の一態様に係る荷降ろし時間予測装置による荷降ろし時間予測方法は、輸送車両の積荷に関する情報および該積荷の荷降ろしに使用した荷降ろし車両に関する情報と、該輸送車両の全ての積荷の荷降ろしに要した時間との相関関係を機械学習させた学習済みモデルを用いて、対象輸送車両の積荷に関する情報および該積荷の荷降ろしに使用可能な荷降ろし車両に関する情報から、上記対象輸送車両の全ての積荷の荷降ろしに要する所要時間を予測する荷降ろし時間予測ステップを含む。

本発明の一態様によれば、輸送車両の積荷の荷降ろしの所要時間を予測することできる。

本発明の実施形態１に係る荷降ろし時間予測装置の要部構成の一例を示すブロック図である。上記荷降ろし時間予測装置を含む荷降ろし時間予測システムの概要を示す図である。上記荷降ろし時間予測装置が実行する処理の一例を示すフローチャートである。本発明の実施形態３に係る荷降ろし時間予測装置の要部構成の一例を示すブロック図である。上記荷降ろし時間予測装置が実行する処理の一例を示すフローチャートである。

〔実施形態１〕
（システム概要）
本実施形態の荷降ろし時間予測システムの概要を図２に基づいて説明する。図２は、荷降ろし時間予測システム１００の概要を示す図である。荷降ろし時間予測システム１００は、対象輸送車両の積荷に関する情報および該積荷の荷降ろしに使用可能な荷降ろし車両に関する情報から、対象輸送車両の全ての積荷の荷降ろしの所要時間を予測するシステムである。なお、以下では、全ての積荷の荷降ろしの所要時間を、単に「荷降ろし時間」と呼ぶ。

図２に示す荷降ろし時間予測システム１００は、荷降ろし時間の予測を行う荷降ろし時間予測装置１と、トラック３の積荷を撮影する撮影装置２とを含む。トラック３は、荷降ろし時間を予測する対象の車両である対象輸送車両の一例である。なお、対象輸送車両は荷物を輸送できる車両であればよく、トラックに限定されない。また、図２では、荷降ろし車両の例としてフォークリフトを記載しているが、荷降ろし車両は、積荷の荷降ろしに使用できる車両であればよく、フォークリフトに限られない。

撮影装置２は、トラック３が荷降ろしを行う場所において、トラック３の荷台の扉が開いたときに積荷を写すことができる位置に配置しておけばよい。また、撮影装置２として、既に設置されている防犯カメラを利用してもよい。撮影装置２が積荷を撮影した画像である積荷画像は、荷降ろし時間予測装置１に送信される。なお、撮影装置２は、トラック３に積荷を積み込む場所に設置してもよい。この場合、撮影装置２により積み込み完了時点の荷台上の積荷を撮影し、撮影した積荷画像を荷降ろし時間予測装置１に送信する。

また、荷降ろし時間予測装置１は、トラック３の荷降ろしに使用可能なフォークリフトを特定する。そして、荷降ろし時間予測装置１は、トラック３の積荷画像と、荷降ろしに使用可能なフォークリフトとに基づいて、トラック３からの荷降ろし時間を予測する。このように、荷降ろし時間予測システム１００は、トラック３からの荷降ろし荷降ろし時間を予測する。

（荷降ろし時間予測装置の要部構成）
荷降ろし時間予測装置１の要部構成について図１に基づいて説明する。図１は、荷降ろし時間予測装置１の要部構成の一例を示すブロック図である。図示のように、荷降ろし時間予測装置１は、荷降ろし時間予測装置１の各部を統括して制御する制御部１０と、荷降ろし時間予測装置１が使用する各種データを記憶する記憶部２０とを備えている。さらに、荷降ろし時間予測装置１は、荷降ろし時間予測装置１に対する入力操作を受け付ける入力部３０と、情報を出力するための出力部４０と、他の装置（例えば図２の撮影装置２）と通信するための通信部５０とを備えている。

また、制御部１０には、積荷情報取得部１０１、荷降ろし車両情報取得部１０２、入力データ生成部１０３、荷降ろし時間予測部１０４、およびリソース決定部１０５が含まれている。そして、記憶部２０には、トラック３の荷降ろしに使用可能なフォークリフトを特定するための荷降ろし車両情報２０１が記憶されている。

積荷情報取得部１０１は、トラック３の積荷に関する情報を取得する。本実施形態の積荷情報取得部１０１は、通信部５０を介した通信により、トラック３の積荷に関する情報としては、上述の積荷画像を取得する。

荷降ろし車両情報取得部１０２は、トラック３の積荷の荷降ろしに使用可能なフォークリフトに関する情報である荷降ろし車両情報を取得する。具体的には、荷降ろし車両情報取得部１０２は、記憶部２０に記憶されている荷降ろし車両情報２０１を取得する。

荷降ろし車両情報２０１は、上記のとおり、トラック３からの積荷の荷降ろしに使用可能なフォークリフトに関する情報である。荷降ろし車両情報２０１は、フォークリフトの使用状況に応じて適宜更新される。荷降ろし車両情報２０１は、トラック３からの荷降ろし時間と相関のある情報を含んでいればよい。例えば、荷降ろし車両情報２０１は、トラック３からの積荷の荷降ろしに使用可能なフォークリフトの種類、台数、および運転者の少なくとも何れかを示す情報を含んでいてもよい。

フォークリフトの種類を示す情報としては、例えばフォークリフトの種類（車種であってもよい）を示す車両ＩＤ（識別情報）を用いてもよい。また、フォークリフトの運転者を示す情報としては、各運転者に固有の運転者ＩＤを用いてもよい。このような情報は、積荷情報取得部１０１が、フォークリフトおよび運転者の作業予定表を参照することによって取得することもできる。

なお、フォークリフトの種類は、荷降ろしにおける作業能力に応じてフォークリフトを分類したものであってもよい。例えば、所定サイズの積荷を単位時間当たりに荷降ろしできる量に応じてフォークリフトを分類してもよい。また、運転者を示す情報として、荷降ろしにおける作業能力に応じた運転者の分類を用いてもよい。この場合、運転者の作業能力を所定の基準で評価し、その評価結果に基づいて運転者を分類することができる。例えば、単位時間に荷降ろしできる積荷の量や、所定の作業の平均所要時間等の作業の速さを示す数値により運転者を評価してもよい。また、フォークリフトを用いた作業の経験年数や、フォークリフトの総運転時間等により運転者を分類してもよく、例えば新人とベテランのような分類としてもよい。

入力データ生成部１０３は、積荷情報取得部１０１が取得したトラック３の積荷画像および荷降ろし車両情報取得部１０２が取得した荷降ろし車両情報２０１から、荷降ろし時間予測部１０４が使用する学習済みモデルへの入力データを生成する。なお、学習済みモデルと入力データの詳細は後述する。

荷降ろし時間予測部１０４は、荷降ろし時間を予測する。具体的には、荷降ろし時間予測部１０４は、入力データ生成部１０３が生成した入力データを後述する学習済みモデルに入力して得られる出力値から、トラック３からの荷降ろし時間を予測する。

リソース決定部１０５は、荷降ろし時間予測部１０４が予測した荷降ろし時間に応じて、トラック３の積荷の荷降ろしに使用するリソース、すなわちフォークリフトの種類、台数、および運転者を決定する。なお、リソース決定部１０５は、フォークリフトの種類、台数、および運転者の少なくとも何れかを決定する構成であってもよい。

（学習済みモデルについて）
本実施形態の荷降ろし時間予測部１０４が使用する学習済みモデルは、荷降ろし時間を予測するために、教師ありの機械学習により生成された学習済みモデルである。以下では、この学習済みモデルについて説明する。なお、学習済みモデルとしては、例えば、ＣＮＮ（Convolutional Neural Network）の学習済みモデルを用いることが好ましい。画像認識性能の高いＣＮＮを用いることにより、積荷画像を含む入力データを用いた、荷降ろし時間の予測を高精度に行うことができる。

上記学習済みモデルの生成には、教師データとして、トラック等の輸送車両の積荷に関する情報および該積荷の荷降ろしに使用したフォークリフトに関する情報と、該輸送車両の荷降ろし時間とを対応付けたデータを用いる。なお、これらのデータのうち、積荷に関する情報およびフォークリフトに関する情報が入力データであり、荷降ろし時間が正解データである。

積荷に関する上記情報としては、例えば上記輸送車両の積荷画像を用いることができる。また、フォークリフトに関する上記情報としては、例えば上記輸送車両からの荷降ろしに使用したフォークリフトの種類、台数、および運転手の少なくとも何れかを示す情報を用いることができる。

荷降ろし時間については、所定範囲毎にクラスタ分けしておくことが好ましい。これにより、クラスタ分けしない場合と比べて学習済みモデルの構築に必要な教師データの数を抑えることができる。本実施形態では、荷降ろし時間を、クラスタＡ（１０分未満）、Ｂ（１０分以上２０分未満）、Ｃ（２０分以上３０分未満）、Ｄ（３０分以上４０分未満）、Ｅ（４０分以上５０分未満）、およびＦ（５０分以上）の６つのクラスタに分類して学習させた学習済みモデルを用いる例を説明する。無論、各クラスタをどのような時間範囲とするかは荷降ろしに要した時間をどの程度詳細に予測する必要があるか等に応じて適宜決めればよく、上記の例に限られない。

なお、積荷画像は、フォークリフトに関する情報と比べてデータ量が大きい。このため、積荷画像に対して次元削減を行う、あるいはフォークリフトに関する上記情報に重み付けをする等の処理を施すことにより、積荷に関する情報とフォークリフトに関する情報の双方を適切に反映させた教師データを用いることが好ましい。

（学習済みモデルを用いた荷降ろし時間の予測について）
過去に行われた輸送車両からの荷降ろしについて、上述のような教師データをそれぞれ生成し、生成した教師データを用いて機械学習を行うことにより、荷降ろし時間予測部１０４が使用する学習済みモデルを生成することができる。この学習済みモデルは、トラック３等の輸送車両の積荷に関する情報および該積荷の荷降ろしに使用した荷降ろし車両に関する情報と、該輸送車両からの荷降ろし時間との相関関係を機械学習させたモデルとなる。なお、学習済みモデルは、荷降ろし時間予測装置１が構築してもよい。この場合、荷降ろし時間予測装置１の制御部１０に学習部を追加し、該学習部に上記のような教師データを与えることにより、学習済みモデルを構築することができる。

上記のようにして生成された学習済みモデルに入力データ生成部１０３が生成した入力データを入力すると、上述のＡ〜Ｆの６つのクラスタに該当する確率がそれぞれ出力される。そして、荷降ろし時間予測部１０４は、上記確率が最も高いクラスタに対応する時間を、荷降ろしに要する所要時間とする。例えば、クラスタＡ〜Ｆに該当する確率がそれぞれ、２％、１５％、８０％、２％、１％、１％であった場合、荷降ろし時間予測部１０４は、最も確率が高いクラスタＣを特定する。

ここで、荷降ろし時間予測部１０４は、特定したクラスタに対応する時間範囲をそのまま出力してもよいし、上記時間範囲を代表する時間を出力してもよい。本実施形態では、荷降ろし時間予測部１０４が、特定したクラスタにおける時間範囲の下限値を出力する例を説明する。例えば、荷降ろし時間予測部１０４は、クラスタＣを特定した場合、その範囲（２０分以上３０分未満）の下限値である２０分を荷降ろし時間の予測値として出力する。無論、荷降ろし時間予測部１０４は、上記範囲の上限値を出力してもよいし、上限値および下限値の間の値（例えば上限値および下限値の平均値）を出力してもよい。

なお、学習済みモデルに入力する入力データの形式は、その学習済みモデルの機械学習に用いた教師データと同じにする。例えば、教師データにおける入力データが、積荷画像と、使用したフォークリフトの車両ＩＤと、台数と、運転者ＩＤとを組み合わせたデータであったとする。この場合、入力データ生成部１０３は、積荷画像と、荷降ろし車両情報２０１に示される、使用可能なフォークリフトの車両ＩＤ、台数、および運転者ＩＤとを組み合わせた入力データを生成する。

（リソース決定方法）
リソース決定部１０５によるリソース決定方法について説明する。リソース決定部１０５は、荷降ろし時間予測部１０４が予測した荷降ろし時間に応じて、トラック３の積荷の荷降ろしに使用するフォークリフトの種類、台数、および運転者を決定する。これにより、予測した荷降ろし時間に応じた適切なリソースを決定することができる。例えば、予測した荷降ろし時間が短い場合には、それに応じた少ないリソース（少ない台数のフォークリフト、作業が遅い新人運転者など）が決定される。また、予測した荷降ろし時間よりも短時間で荷降ろしを完了させたい場合には、フォークリフトの台数を多くする、運転者をより作業の早い者に変更する等のように、リソースを増強することを決定してもよい。

例えば、リソース決定部１０５は、荷降ろし時間予測部１０４が予測した荷降ろし時間と所定の基準時間とを比較し、その比較結果に基づいて、トラック３の積荷の荷降ろしに使用するフォークリフトの種類、台数、および運転者を決定してもよい。この場合、予測された荷降ろし時間が、上記基準時間より短ければ、リソース決定部１０５は、荷降ろしに使用するリソースを、上記所要時間の予測に用いたリソースよりも減らすことを決定する。例えば、現在利用可能な全てのリソースを用いた場合の荷降ろし時間が予測された場合、リソース決定部１０５は、現在利用可能なリソースの一部を、上記荷降ろし作業に用いることを決定する。

ここでリソース決定部１０５は、リソースを減らす量を、予測された荷降ろし時間間と所定の基準時間との差に応じて決定してもよい。例えば、リソース決定部１０５は、予測された荷降ろし時間と上記基準時間との差が大きいほどリソースを大幅に減らしてもよく、これにより、実際の荷降ろし時間を基準時間に近付けることができる。この場合、リソースの変化と荷降ろしの所要時間との関係を予め定式化しておいてもよい。例えば、運転者をベテランから新人に変えた場合、荷降ろし時間がｎ倍（ｎは１以上の数）になることを定式化しておくことにより、新人を荷降ろしのリソースとして活用しつつ、基準時間以内に荷降ろしを終了させることも可能になる。また、余剰のリソースは他の作業に割り当てることもできる。

また、荷降ろし時間予測部１０４は、荷降ろしに使用可能なリソースの一部を用いた場合の荷降ろし時間を予測してもよい。この場合、リソース決定部１０５は、荷降ろし時間予測部１０４が予測した荷降ろし時間が、基準時間より長ければ、荷降ろしに使用するリソースを、上記荷降ろし時間の予測に用いたリソースよりも増強することを決定してもよい。

さらに、リソース決定部１０５は、トラック３および他の輸送車両の搬入状況に応じて上記基準時間を決定してもよい。例えば、リソース決定部１０５は、トラック３に後続する輸送車両の到着予定時刻を上記基準時間としてもよい。これにより、トラック３からの荷降ろしに必要十分なリソースを割り当てつつ、次に到着する輸送車両に順番待ち時間が発生することを防ぐことが可能になる。

（処理の流れ）
荷降ろし時間予測装置１が実行する処理の流れを図３に基づいて説明する。図３は、荷降ろし時間予測装置１が実行する処理（荷降ろし時間予測方法）の一例を示すフローチャートである。

Ｓ１では、積荷情報取得部１０１が、通信部５０を介して、トラック３の積荷を撮影することによって得られた積荷画像を取得する。そして、積荷情報取得部１０１は、取得した積荷画像を入力データ生成部１０３に送信する。

Ｓ２では、荷降ろし車両情報取得部１０２が、荷降ろし車両情報２０１を取得し、使用可能なフォークリフトおよび運転者を特定する。そして、荷降ろし車両情報取得部１０２は、特定した使用可能なフォークリフトおよび運転者を、入力データ生成部１０３に通知する。

Ｓ３では、入力データ生成部１０３が、荷降ろし時間予測部１０４に入力するための入力データを生成する。具体的には、入力データ生成部１０３は、Ｓ１で取得された積荷画像と、Ｓ２で特定された使用可能なフォークリフトおよび運転者から入力データを生成する。

Ｓ４（荷降ろし時間予測ステップ）では、荷降ろし時間予測部１０４が、荷降ろし時間を予測する。具体的には、荷降ろし時間予測部１０４は、Ｓ３で生成された入力データを学習済みモデルに入力することによって出力された出力値から荷降ろし時間を予測する。なお、学習済みモデルの出力値から荷降ろし時間を予測する方法については、前述の「学習済みモデルについて」で説明したとおりである。

Ｓ５では、リソース決定部１０５が、荷降ろしに用いるフォークリフトと、その運転者とを決定し、決定した情報を出力部４０に出力させる。なお、出力態様は特に限定されない。例えば、リソース決定部１０５は、出力部４０が表示装置であれば表示出力させればよく、出力部４０が音声出力装置であれば音声出力させればよい。また、リソース決定部１０５は、出力部４０に上記のような出力を行わせると共に、あるいは上記のような出力を行わせる代わりに、例えば決定した運転者が所持する端末装置等の他の装置に対して、決定したフォークリフトを通知してもよい。

（予測時間の他の利用例）
荷降ろし時間予測装置１の制御部１０には、荷降ろし時間予測部１０４が予測した荷降ろし時間に基づいてトラック３の後続の輸送車両に対する通知を行う通知部が含まれていてもよい。上記通知部は、荷降ろし時間予測部１０４が予測した荷降ろし時間をそのまま通知してもよいし、トラック３からの荷降ろしの開始時刻に上記荷降ろし時間を加算して荷降ろし終了予想時刻を算出し、算出した荷降ろし終了予想時刻を通知してもよい。また、通知先は後続の輸送車両が備えるカーナビゲーション装置等の通信機器であってもよいし、該輸送車両の運転者が所持する端末装置であってもよいし、所定のネットワーク上のサーバ等であってもよい。サーバに通知した場合、後続の輸送車両の運転手は、自身の端末装置等を用いて該サーバにアクセスすることにより、荷降ろし終了予想時刻を確認できる。

このように、荷降ろし時間予測装置１が通知部を備えている場合、後続の輸送車両の運転手に荷降ろし終了予想時刻を認識させることができる。そして、これにより該運転手は、待ち時間が発生しないか、あるいは最小限となるように、到着時刻を調整することが可能になる。

また、後続の輸送車両が、自走式の輸送車両である場合、荷降ろし時間予測装置１の制御部１０には、荷降ろし時間予測部１０４が予測した荷降ろし時間に基づいて、トラック３に後続する自走式の輸送車両の動作を制御する輸送車両制御部が含まれていてもよい。例えば、上記輸送車両制御部は、トラック３からの荷降ろしの終了予想時刻を算出し、その時刻に到着するように自走式の輸送車両の走行を制御してもよい。この走行制御には、例えば出発時刻の調整、走行速度の調整などが含まれる。

このように、荷降ろし時間予測装置１が輸送車両制御部を備えている場合、トラック３の荷降ろしの完了を待つ時間が発生しないか、あるいは最小限となるように、自走式の輸送車両の到着時刻を調整することが可能になる。

（実施形態１のまとめ）
以上のように、本実施形態の荷降ろし時間予測部１０４は、トラック３の積荷に関する情報および該積荷の荷降ろしに使用可能なフォークリフトに関する荷降ろし車両情報２０１から、トラック３からの荷降ろし時間を予測する。よって、トラック３に積載された積荷および該積荷の荷降ろしに使用可能なフォークリフトを考慮した荷降ろし時間を予測することできる。そして、このようにして予測した荷降ろし時間を用いることにより、トラック３の荷降ろしに使用するリソース（フォークリフトとその運転者）の調整を行うことが可能になる。また、トラック３の荷降ろしが完了した後に荷降ろしを行う予定である後続の輸送車両に対する通知や制御等を行うことも可能となる。

また、本実施形態の荷降ろし時間予測部１０４は、トラック３の積荷に関する情報として、積荷が積載されたトラック３の荷台を撮影した積荷画像を用いる。よって、トラック３の荷台を撮影するだけで、トラック３の積荷に関する情報を容易に得ることができる。

〔実施形態２〕
本発明の他の実施形態について、以下に説明する。なお、説明の便宜上、上記実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。実施形態３以降も同様である。

実施形態１の荷降ろし時間予測装置１は、トラック３の積荷に関する情報として、トラック３の荷台を撮影した積荷画像を用いる。これに対し、本実施形態の荷降ろし時間予測装置１は、トラック３の積荷に関する情報として、トラック３の識別表示を撮影した画像を用いる。なお、以下ではこの画像を識別表示画像と呼ぶ。

上記識別表示は、その表示から、トラック３が積載している積荷のサイズ、個数、およびレイアウトを推定可能なものであればよい。例えば、積荷の搬入業者ごとに、搬送する積荷のサイズ、個数、およびレイアウトが決まっている場合がある。このような場合には、識別表示画像として、搬入業者を示す識別表示（トラック３の車体に描かれた文字や絵、記号、ナンバープレート等）を撮影した画像を用いればよい。

トラック３の積荷に関する情報として識別表示画像を用いて荷降ろし時間を予測するため、荷降ろし時間予測部１０４が用いる学習済みモデルは上記実施形態と異なっている。本実施形態で使用する学習済みモデルは、過去に荷降ろしが行われた輸送車両の識別表示画像と、その荷降ろしに使用したフォークリフトに関する情報とを入力データとし、荷降ろし時間を正解データとした教師データを用いて構築したものである。

このため、本実施形態の積荷情報取得部１０１は、トラック３の識別表示画像を取得する。識別表示画像を撮影する撮影装置は、トラック３の識別表示を撮影可能な位置に配置されていればよい。例えば、上記撮影装置は、トラック３の搬入先施設の入り口等に配置されていてもよい。また、既に設置されている防犯カメラを上記撮影装置として利用してもよい。

そして、本実施形態の入力データ生成部１０３は、積荷情報取得部１０１が取得した、トラック３の識別表示画像と、実施形態１と同様にして荷降ろし車両情報取得部１０２が取得した荷降ろし車両情報２０１から入力データを生成する。入力データ生成後の処理は実施形態１と同様であり、荷降ろし時間予測部１０４は、学習済みモデルに上記入力データを入力して得られる出力値から、荷降ろし時間を予測する。また、リソース決定部１０５が、予測された荷降ろし時間に応じたリソースを決定する。

なお、曜日や時間帯によって、積荷のサイズ、個数、およびレイアウトの特徴が異なっている場合、曜日および時間帯ごとに学習済みモデルを構築してもよい。この場合、荷降ろし時間予測部１０４は、トラック３が撮影された曜日および時間帯に応じた学習済みモデルを用いて荷降ろし時間を予測する。これにより、荷降ろし時間予測部１０４は、曜日および時間帯ごとの積荷の特徴を考慮して、より正確な荷降ろし時間を予測することが可能になる。また、曜日および時間帯の何れか一方に応じた学習済みモデルを構築してもよい。

（実施形態２のまとめ）
以上のように、本実施形態の荷降ろし時間予測部１０４は、トラック３の積荷に関する情報として、該積荷のサイズ、個数、およびレイアウトが推定可能な識別表示画像を用いる。トラック３の識別表示は、荷台を開ける前に撮影可能であるから、本実施形態の荷降ろし時間予測装置１によれば、荷台上の積荷を撮影した積荷画像を用いて予測する実施形態１の構成と比べて、荷降ろし時間をより早い時点で予測することが可能になる。

〔実施形態３〕
本実施形態の荷降ろし時間予測部１０４は、まず、実施形態２の荷降ろし時間予測部１０４と同様に、トラック３の積荷に関する情報として識別表示画像を用いて荷降ろし時間を予測する。その後、本実施形態の荷降ろし時間予測部１０４は、実施形態１の荷降ろし時間予測部１０４と同様に、トラック３の積荷に関する情報として積荷画像を用いて荷降ろし時間を予測する。これにより、まず識別表示画像に基づく大まかな荷降ろし時間を予測することができると共に、その後、積荷画像に基づくより正確な荷降ろし時間を予測することができる。

図４は、本発明の実施形態に係る荷降ろし時間予測装置１の要部構成の一例を示すブロック図である。図４に示すように、本実施形態の荷降ろし時間予測装置１は、制御部１０にリソース仮決定部１０７が含まれている点で実施形態１の荷降ろし時間予測装置１と相違している。また、荷降ろし時間予測部１０４には、荷降ろし時間第一予測部１０６と、荷降ろし時間第二予測部１０８が含まれる点においても、実施形態１の荷降ろし時間予測装置１と相違している。

荷降ろし時間第一予測部１０６は、実施形態２の荷降ろし時間予測部１０４と同様に、トラック３の積荷に関する情報として識別表示画像を用いて生成された入力データから荷降ろしの所要時間を予測する。また、荷降ろし時間第二予測部１０８は、実施形態１の荷降ろし時間予測部１０４と同様に、トラック３の積荷に関する情報として積荷画像を用いて生成された入力データから荷降ろし時間を予測する。

このため、本実施形態の積荷情報取得部１０１は、識別表示画像を取得すると共に、積荷画像も取得する。また、本実施形態の入力データ生成部は、識別表示画像を用いて入力データを生成すると共に、積荷画像を用いて入力データを生成する。

リソース仮決定部１０７は、荷降ろし時間第一予測部１０６が予測した荷降ろしの所要時間に応じて、トラック３からの荷降ろしに使用するリソースを決定する。リソースは、フォークリフトの種類、台数、および運転者の少なくとも何れかであってもよい。リソース仮決定部１０７は、リソース決定部１０５と同様の処理を行うが、荷降ろし時間第一予測部１０６が予測した荷降ろし時間に基づいてリソースを決定する点でリソース決定部１０５と相違している。本実施形態のリソース決定部１０５は、荷降ろし時間第二予測部１０８が予測した荷降ろし時間に基づいてリソースを決定する。

（処理の流れ）
荷降ろし時間予測装置１が実行する処理の流れを図５に基づいて説明する。図５は、荷降ろし時間予測装置１が実行する処理（荷降ろし時間予測方法）の一例を示すフローチャートである。

Ｓ１１では、積荷情報取得部１０１が、通信部５０を介して識別表示画像を取得する。そして、積荷情報取得部１０１は、取得した識別表示画像を入力データ生成部１０３に送信する。

Ｓ１２では、図３のＳ２と同様に、荷降ろし車両情報取得部１０２が、荷降ろし車両情報２０１を取得し、使用可能なフォークリフトおよび運転者を特定する。そして、荷降ろし車両情報取得部１０２は、特定した使用可能なフォークリフトおよび運転者を、入力データ生成部１０３に通知する。

Ｓ１３では、入力データ生成部１０３が、荷降ろし時間第一予測部１０６に入力するためのデータを生成する。具体的には、入力データ生成部１０３は、Ｓ１１で取得された識別表示画像と、Ｓ１２で特定された使用可能なフォークリフトおよび運転者から入力データを生成する。

Ｓ１４（荷降ろし時間予測ステップ）では、荷降ろし時間第一予測部１０６が、荷降ろし時間を予測する。具体的には、荷降ろし時間第一予測部１０６は、Ｓ１３で生成された入力データを学習済みモデルに入力することによって出力された出力値から荷降ろし時間を予測する。なお、学習済みモデルの出力値から荷降ろし時間を予測する方法については、前述の「学習済みモデルについて」で説明したとおりである。また、ここで用いられる学習済みモデルは実施形態２で用いられる学習済みモデルと同じである。

Ｓ１５では、リソース仮決定部１０７が、Ｓ１４で予測された荷降ろし時間に基づき、荷降ろしに用いるリソースとして、フォークリフトと、その運転者とを決定し、決定した情報を出力部４０に出力させる。なお、Ｓ１５におけるリソースの決定は仮決定であり、最終的なリソースはＳ１９で決定される。

Ｓ１６では、図３のＳ１と同様に、積荷情報取得部１０１が、通信部５０を介して、トラック３の積荷を撮影することによって得られた積荷画像を取得する。そして、積荷情報取得部１０１は、取得した積荷画像を入力データ生成部１０３に送信する。

Ｓ１７では、入力データ生成部１０３が、荷降ろし時間第二予測部１０８に入力するための入力データを生成する。具体的には、入力データ生成部１０３は、Ｓ１６で取得された積荷画像と、Ｓ１２で特定された使用可能なフォークリフトおよび運転者から入力データを生成する。

Ｓ１８（荷降ろし時間予測ステップ）では、荷降ろし時間第二予測部１０８が、荷降ろし時間を予測する。具体的には、荷降ろし時間第二予測部１０８は、Ｓ１７で生成された入力データを学習済みモデルに入力することによって出力された出力値から荷降ろし時間を予測する。ここで用いられる学習済みモデルは実施形態１で用いられる学習済みモデルと同じである。

Ｓ１９では、図３のＳ５と同様に、リソース決定部１０５が、荷降ろしに用いるフォークリフトと、その運転者とを決定し、決定した情報を出力部４０に出力させる。なお、リソース決定部１０５は、Ｓ１５で仮決定されたリソースと、Ｓ１９で決定したリソースとの差分を出力部４０に出力させてもよい。

（実施形態３のまとめ）
以上のように、荷降ろし時間第一予測部１０６は、トラック３の積荷に関する情報として識別表示画像を用いて荷降ろし時間を予測する。このように、識別表示画像を用いることで、おおよその荷降ろし時間を早い時点で予測することができる。これにより、リソース仮決定部１０７は、予測された荷降ろし時間に応じて、大まかなリソース（フォークリフトおよび運転者）をまず確保することができる。

そして、荷降ろし時間第一予測部１０６による予測の後、荷降ろし時間第二予測部１０８は、トラック３の積荷に関する情報として積荷画像を用いて荷降ろし時間を予測する。このように、積荷画像を用いることにより、荷降ろしに要するより正確な荷降ろし時間を予測することができる。そして、リソース決定部１０５は、リソース仮決定部１０７が決定したリソースよりも、より適切なリソースを決定することができるので、リソース仮決定部１０７の決定に基づいて確保されたリソースを、適切に調整することができる。

〔分散処理について〕
上記各実施形態で説明した荷降ろし時間予測装置１の実行する処理の一部は、荷降ろし時間予測装置１と通信接続された１または複数の装置に実行させてもよい。例えば、学習済みモデルを用いた演算処理を、荷降ろし時間予測装置１と通信接続されたＡＩサーバに実行させてもよい。この場合、荷降ろし時間予測装置１は、入力データ生成部１０３が生成した入力データをＡＩサーバに送信し、該ＡＩサーバから学習済みモデルの出力値を受信して荷降ろし時間の予測を行う。

〔入力データについて〕
学習済みモデルに対する入力データとしては、画像をそのまま用いてもよいし、画像に対して所定の処理を施したものを用いてもよい。上記所定の処理は、積荷の特徴点を失わせることなく、特徴点と関係のない情報を減らすことができるものであればよい。例えば、画像がカラー画像であれば、グレースケール化して入力データとしてもよい。また、画像において、一部の領域のみを抽出して入力データとしてもよい。

さらに、例えば画像に写る対象物の中からトラック３の積荷が写る領域のみ、またはトラック３の識別表示が写る領域のみを入力データとしてもよい。これにより、トラック３の積荷およびトラック３の識別表示以外の背景の影響を排除することができるので、予測精度を高めることができる。なお、トラック３の積荷およびトラック３の識別表示の検出には、例えばＣＮＮ等の学習済みモデルを用いることができる。

〔荷降ろし車両情報について〕
上記各実施形態では、トラック３からの荷降ろしに使用可能なフォークリフトに関する情報として荷降ろし車両情報２０１を取得する例を示したが、トラック３からの荷降ろしに使用可能なフォークリフトに関する情報の取得方法はこの例に限られない。例えば、現在利用可能なフォークリフトが駐車されているフォークリフトの駐車スペースを撮影した画像を解析することにより、トラック３からの荷降ろしに使用可能なフォークリフトに関する情報を取得してもよい。この場合、画像解析には、各フォークリフトの画像を教師データとして機械学習することにより構築した学習済みモデルを用いることが好ましい。これにより、駐車スペースを撮影した画像から、駐車されているフォークリフトを検出することができると共に、検出したフォークリフトが何れの車両ＩＤのフォークリフトであるかを特定することができる。この学習済みモデルについても、ＣＮＮを適用することが特定精度の面から好ましい。また、例えば運転者の待機場所を撮影した画像から上記と同様にして運転者を検出および識別し、識別した運転者をトラック３からの荷降ろし作業を行うことができる運転者として特定することも可能である。

〔ソフトウェアによる実現例〕
荷降ろし時間予測装置１の制御ブロック（特に制御部１０に含まれる各部）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。

後者の場合、荷降ろし時間予測装置１は、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータを備えている。このコンピュータは、例えば１つ以上のプロセッサを備えていると共に、上記プログラムを記憶したコンピュータ読み取り可能な記録媒体を備えている。そして、上記コンピュータにおいて、上記プロセッサが上記プログラムを上記記録媒体から読み取って実行することにより、本発明の目的が達成される。上記プロセッサとしては、例えばＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）を用いることができる。上記記録媒体としては、「一時的でない有形の媒体」、例えば、ＲＯＭ（Read Only Memory）等の他、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムを展開するＲＡＭ（Random Access Memory）などをさらに備えていてもよい。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。なお、本発明の一態様は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。

〔参考例〕
積荷が積載されたトラック３の荷台を撮影した画像を解析することにより、その積荷のサイズ、個数、およびレイアウトを特定することも可能である。この解析にもＣＮＮを適用することができる。そして、特定したサイズ、個数、およびレイアウトと、荷降ろしに使用可能なフォークリフトの種類、台数、および運転者とから、荷降ろし時間を予測することも可能である。この予測には、上記各実施形態と同様の学習済みモデルを用いてもよいし、統計的手法等、他の手法を用いてもよい。

また、所定の識別表示のトラック３が、所定のサイズ、個数、およびレイアウトの積荷輸送していることが予めわかっている場合、識別表示画像の解析により、トラック３の積荷のサイズ、個数、およびレイアウトを特定可能である。そして、上記段落の例と同様に、特定したサイズ、個数、およびレイアウトと、荷降ろしに使用可能なフォークリフトの種類、台数、および運転者とから、荷降ろし時間を予測することも可能である。

本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。

１荷降ろし時間予測装置
１０４荷降ろし時間予測部
１０５リソース決定部

Claims

輸送車両の積荷に関する情報および該積荷の荷降ろしに使用した荷降ろし車両に関する情報と、該輸送車両の全ての積荷の荷降ろしに要した時間との相関関係を機械学習させた学習済みモデルを用いて、対象輸送車両の積荷に関する情報および該積荷の荷降ろしに使用可能な荷降ろし車両に関する情報から、上記対象輸送車両の全ての積荷の荷降ろしに要する所要時間を予測する荷降ろし時間予測部を備えていることを特徴とする荷降ろし時間予測装置。
上記荷降ろし時間予測部が予測した上記所要時間に応じて、上記対象輸送車両の積荷の荷降ろしに使用する荷降ろし車両の種類、台数、および運転者の少なくとも何れかを決定するリソース決定部を備えていることを特徴とする請求項１に記載の荷降ろし時間予測装置。
上記荷降ろし時間予測部は、上記対象輸送車両の積荷に関する情報として、該積荷のサイズ、個数、およびレイアウトが推定可能な、上記対象輸送車両の識別表示を撮影した画像、および上記積荷が積載された上記対象輸送車両の荷台を撮影した画像の少なくとも何れかを用いることを特徴とする請求項１または２に記載の荷降ろし時間予測装置。
上記荷降ろし時間予測部は、上記対象輸送車両の積荷に関する情報として上記対象輸送車両の識別表示を撮影した画像を用いて上記所要時間を予測した後、上記対象輸送車両の積荷に関する情報として当該積荷が積載された上記対象輸送車両の荷台を撮影した画像を用いて上記所要時間を予測することを特徴とする請求項３に記載の荷降ろし時間予測装置。
荷降ろし時間予測装置による荷降ろし時間予測方法であって、
輸送車両の積荷に関する情報および該積荷の荷降ろしに使用した荷降ろし車両に関する情報と、該輸送車両の全ての積荷の荷降ろしに要した時間との相関関係を機械学習させた学習済みモデルを用いて、対象輸送車両の積荷に関する情報および該積荷の荷降ろしに使用可能な荷降ろし車両に関する情報から、上記対象輸送車両の全ての積荷の荷降ろしに要する所要時間を予測する荷降ろし時間予測ステップを含むことを特徴とする荷降ろし時間予測方法。