JP6581701B1 - 判定装置および判定方法 - Google Patents

Abstract

【課題】作業中のバッテリ切れを回避する。【解決手段】判定装置（１）は、作業用車両を用いた作業におけるバッテリ残量の減少度合と、バッテリ状態および作業内容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、予定作業におけるバッテリ残量の減少度合を特定する減少度合特定部（１０４）と、該減少度合から予定作業の実行可否を判定する実行可否判定部（１０５）と、を備えている。【選択図】図１

Description

本発明は、作業用車両のバッテリ残量に基づいて、当該作業用車両を用いた作業の実行可否を判定する判定装置等に関する。

バッテリで駆動する車両について、充電容量が一定量以下になったことの検出に基づいてバッテリ交換する技術が知られている（例えば、下記特許文献１）。

特開平５−２９４１４７号公報

しかし、バッテリは、使用回数の増加等に伴って性能が劣化するとバッテリ残量の減り方が速くなる。このため、同型の作業用車両の各々に、劣化度合が異なり残量が同じである同型バッテリを搭載したうえで同一の作業を行わせた場合において、劣化度合の大きいバッテリを搭載した車両のみが作業中にバッテリ切れとなる事態が起こり得る。また、バッテリの減り方は作業負荷に応じて変わるため、負荷のかからない作業を行った時にはバッテリ切れにならず、一方、負荷のかかる作業を行った時にはバッテリ切れとなる事態が起こり得る。したがって、バッテリ残量のみに基づいてバッテリ交換または充電することなく作業を実行できると判定した場合、バッテリの劣化度合や作業負荷等によっては、作業中にバッテリ残量が急激に減少して、バッテリ切れを起こすおそれがあった。

また、作業中のバッテリ切れを防ぐために、毎回早めにバッテリ交換または充電を行うことを取り決めた場合には、バッテリ残量に余裕があるにもかかわらずバッテリ交換または充電が頻繁になされる事態を招く。このような事態は、バッテリ交換回数または充電回数の増加による作業効率の低下やバッテリ寿命の早期短縮などの事態を招くため好ましくない。また、従来から運転者の経験則に基づいて、作業の実行前の時点でバッテリ交換または充電の要否を判断することも行われているが、このような判断では安定して適切なタイミングでバッテリ交換または充電を行うことは難しい。

本発明の一態様は、作業の実行前の時点において、当該作業の実行中にバッテリ切れを起こすことなく当該作業を完了できるか否かを、運転者の経験則に頼ることなく判定し、作業の実行途中でのバッテリ切れを回避することができる判定装置等を実現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判定装置は、バッテリで駆動する作業用車両を用いて行われた作業における上記バッテリ残量の減少度合と、上記バッテリの状態および上記作業の内容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、上記作業用車両を用いて行う予定の予定作業における上記バッテリ残量の減少度合を特定する減少度合特定部と、上記減少度合特定部が特定した上記減少度合に基づいて、上記作業用車両を用いた上記予定作業の実行可否を判定する実行可否判定部と、を備えている。

また、上記の課題を解決するために、本発明の一態様に係る判定方法は、判定装置による判定方法であって、バッテリで駆動する作業用車両を用いて行われた作業における上記バッテリ残量の減少度合と、上記バッテリの状態および上記作業の内容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、上記作業用車両を用いて行う予定の予定作業における上記バッテリ残量の減少度合を特定する減少度合特定ステップと、上記減少度合特定ステップで特定した上記減少度合に基づいて、上記作業用車両を用いた上記予定作業の実行可否を判定する実行可否判定ステップと、を含む。

本発明の一態様によれば、運転者の経験則に頼ることなく、作業の実行途中でのバッテリ切れを回避することができる。

本発明の実施形態１に係る判定装置の要部構成の一例を示すブロック図である。 上記判定装置による判定の概要を示す図である。 上記判定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２に係る判定装置の要部構成の一例を示すブロック図である。

〔実施形態１〕
（判定装置の概要）
本実施形態の判定装置の概要を図２に基づいて説明する。図２は、判定装置１による判定の概要を示す図である。判定装置１は、バッテリで駆動する作業用車両のバッテリ残量に基づいて、当該作業用車両による予定作業の実行可否を判定する装置である。図２に示す例では、フォークリフト３Ａが作業予定表Ａに示される複数の作業（Ａ、Ｂ、Ｃ、…）を順次実行し、フォークリフト３Ｂが作業予定表Ｂに示される複数の作業（Ｘ、Ｙ、Ｚ、…）を順次実行する予定となっている。なお、フォークリフト３Ａ、３Ｂは、何れもバッテリで駆動する作業用車両の一例である。これらを特に区別する必要がないときにはフォークリフト３と記載する。

判定装置１は、フォークリフト３Ａのバッテリ残量が少なくなると、フォークリフト３Ａのバッテリの状態を特定すると共に、作業予定表Ａからフォークリフト３Ａが次に行う予定の予定作業を特定する。そして、判定装置１は、予定作業を行ったときのフォークリフト３のバッテリ残量の減少度合を特定し、特定した減少度合に基づいて予定作業の実行可否を判定する。同様に、判定装置１は、フォークリフト３Ｂについてもバッテリの状態を特定すると共に、作業予定表Ｂからフォークリフト３Ｂが次に行う予定の予定作業を特定する。なお、予定作業は、フォークリフト３により１つの荷物を棚から降ろすような一動作の作業であってもよいし、一群の荷物をトラックから降ろして棚に収納するような複数の動作からなる作業であってもよい。

図２の例では、判定装置１は、フォークリフト３Ａは予定作業が実行できない（具体的には、予定作業を完了するにはバッテリ残量が不足している）と判定しており、一方のフォークリフト３Ｂは予定作業が実行できる（具体的には、予定作業を完了できる程度にバッテリ残量が足りている）と判定している。このため、判定装置１は、フォークリフト３Ａの運転者に対しては予定作業の実行を中止させる通知を行う。一方、フォークリフト３Ｂに対してはそのような通知を行わない。つまり、フォークリフト３Ｂにはそのまま予定作業を実行させる。

このように、判定装置１によれば、予定作業の実行前の時点において、当該予定作業の実行中にバッテリ切れを起こすことなく当該予定作業を完了できるか否かを、運転者の経験則に頼ることなく判定することができる。そして、これにより、フォークリフト３Ａが予定作業中にバッテリ切れを起こすことを回避することができる。

（判定装置の要部構成）
判定装置１の要部構成について図１に基づいて説明する。図１は、判定装置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、判定装置１は、判定装置１の各部を統括して制御する制御部１０と、判定装置１が使用する各種データを記憶する記憶部２０を備えている。さらに、判定装置１は、判定装置１に対する入力操作を受け付ける入力部３０と、判定装置１が他の装置と通信するための通信部４０とを備えている。また、制御部１０には、作業情報取得部１０１、バッテリ情報取得部１０２、入力データ生成部１０３、減少度合特定部１０４、および実行可否判定部１０５が含まれている。そして、記憶部２０には、バッテリ情報２０１が記憶されている。

作業情報取得部１０１は、バッテリ残量の減少度合を特定する対象となるフォークリフト（図２の例ではフォークリフト３Ａまたは３Ｂ、以下対象フォークリフトと呼ぶ）が次に実行する予定となっている予定作業を特定する。具体的には、作業情報取得部１０１は、対象フォークリフトの作業予定表から予定作業を特定する。例えば、図２の例において、フォークリフト３Ａの予定作業を特定する場合、作業情報取得部１０１は、現在時刻と、時刻毎の作業が規定された作業予定表Ａから予定作業を特定してもよい。無論、予定作業の特定方法はこの例に限られず、例えば、作業情報取得部１０１は、予定作業やそのＩＤ（識別情報）の入力を、入力部３０を介して受け付けることにより、予定作業を特定してもよい。また、例えば、フォークリフト３Ａによる作業が行われる場所を撮影した画像から予定作業が特定できる場合（例えば、荷降ろし場所にトラックが到着していれば荷降ろしを行うことが決まっている場合等）には、上記画像の解析により予定作業を特定してもよい。

バッテリ情報取得部１０２は、対象フォークリフトのバッテリ残量を検出する。バッテリ残量は、例えば対象フォークリフトに搭載された残量センサの出力値を対象フォークリフトとの通信により取得して検出してもよい。そして、バッテリ情報取得部１０２は、対象フォークリフトのバッテリ残量が所定の閾値以下であるか否かを判定する。

また、バッテリ情報取得部１０２は、対象フォークリフトのバッテリの状態を示すバッテリ情報を取得する。具体的には、バッテリ情報取得部１０２は、記憶部２０に記憶されているバッテリ情報２０１を取得する。詳細は後述するが、バッテリ情報２０１は、バッテリ残量の減少度合に相関のある情報である。

入力データ生成部１０３は、減少度合特定部１０４に入力する入力データを生成する。詳細は後述するが、この入力データは、バッテリ情報取得部１０２が取得したバッテリ情報２０１と、作業情報取得部１０１が特定した予定作業の内容に応じたデータである。

減少度合特定部１０４は、教師ありの機械学習によって生成された学習済みモデルを用いて、予定作業における対象フォークリフトのバッテリ残量の減少度合を特定する。詳細は後述するが、上記学習済みモデルは、バッテリで駆動するフォークリフトを用いて行われた作業におけるバッテリ残量の減少度合と、バッテリの状態および作業内容との相関関係をニューラルネットワークに機械学習させることにより生成されたものである。

実行可否判定部１０５は、減少度合特定部１０４が特定した減少度合に基づいて対象フォークリフトを用いた予定作業の実行可否を判定する。具体的には、実行可否判定部１０５は、予定作業の実行直前の対象フォークリフトのバッテリ残量から、減少度合特定部１０４が特定した減少度合を減算した値が、所定の下限値以上であれば実行可と判定し、上記下限値未満であれば実行不可と判定する。なお、上記下限値は、例えばフォークリフト３がバッテリの交換または充電を行うことができる場所まで移動するのに必要なバッテリ残量に所定のマージンを加算した値であってもよい。

バッテリ情報２０１は、上述のように、対象フォークリフトのバッテリの状態を示すデータであり、バッテリの状態の変化に応じて更新される。図２の例のように、複数のフォークリフトが対象フォークリフトとなり得る場合、各フォークリフトについてバッテリ情報２０１を記憶しておく。

（学習済みモデルの生成と入力データについて）
本実施形態の減少度合特定部１０４が、予定作業におけるバッテリ残量の減少度合を特定するために用いる学習済みモデルの生成について説明する。なお、以下では、ニューラルネットワーク（ＮＮ：Neural Network）の学習済みモデルを生成する例を説明するが、バッテリ残量の減少度合を特定することが可能な学習済みモデルを構築できるものであれば、他のアルゴリズムを適用することも可能である。ＮＮの学習済みモデルを生成する場合、高い特定精度が期待できる多層のＮＮの学習済みモデルを生成することが好ましい。

学習済みモデルの生成には、教師データとして、過去にフォークリフトがある作業を行ったときの、作業直前のバッテリの状態と、ある作業の作業内容と、ある作業でのバッテリ残量の減少度合とが対応付けられたデータを用いることができる。なお、これらのデータのうち、作業直前のバッテリの状態と作業内容が入力データとなり、バッテリ残量の減少度合が正解データである。

上記「バッテリの状態」と「作業内容」は、何れもバッテリ残量の減少度合に相関のある情報である。例えば、バッテリの老朽化度、バッテリ残量、および最終充電からの経過時間の少なくとも何れかを上記「バッテリの状態」としてもよい。この他にも、例えばバッテリ残量の時系列変化を記録しておき、そのパターンを類型化したものを「バッテリの状態」としてもよい。

また、上記「作業内容」としては、例えば、荷物の移動、トラックなどの搬送車両からの荷物の積み降ろしなどが挙げられる。また、作業における負荷の程度を示す情報を上記「作業内容」としてもよい。例えば、フォークリフトの累積移動距離、搬送する荷物の総重量、荷物の上げ下ろしの総回数、および作業における移動時のフォークリフトの総加速回数（閾値以上の加速度が生じる加速が行われた回数）の少なくとも何れかを作業における負荷の程度を示す情報としてもよい。

なお、上記「バッテリの状態」と「作業内容」は、ニューラルネットワークの入力データとするため、何れもバッテリ残量の減少度合に相関のある値としておく。例えば、「バッテリの状態」として老朽化度とバッテリ残量を用いる場合には、累積充電回数とバッテリ残量を示す数値の組み合わせにより「バッテリの状態」を表してもよい。また、「作業内容」は、例えば作業内容ごとに予め設定したＩＤ（識別情報）で表してもよいし、作業における負荷の程度を示す数値で表してもよい。

上記「減少度合」は、バッテリ残量がどの程度減少したかを示す情報である。例えば、フル充電状態におけるバッテリ残量を１００％として、上記「減少度合」をパーセントで表してもよい。また、本実施形態では、減少度合を下記の５段階に分類する。

（１）バッテリ残量の減少度合いが１０％未満
（２）バッテリ残量の減少度合いが１０％以上２０％未満
（３）バッテリ残量の減少度合いが２０％以上３０％未満
（４）バッテリ残量の減少度合いが３０％以上４０％未満
（５）バッテリ残量の減少度合いが４０％以上
この場合、過去にフォークリフトを用いて行われた作業において、例えば作業前のバッテリ残量が３０％であり、作業後のバッテリ残量が１５％であれば、その作業に基づく教師データにおける正解データ（減少度合）は上記（２）の分類となる。なお、正解データは、予定作業の実行可否を判定できるような形式のデータであればよく、上記の例に限られない。

過去にフォークリフトを用いて行われた作業について、こ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、減少度合特定部１０４の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ことにより、対象フォークリフトのバッテリの減少度合いが、上記の５分類に該当する確率がそれぞれ出力される。そして、減少度合特定部１０４は、対象フォークリフトのバッテリの減少度合いとして、出力された確率が最も高い分類を特定する。例えば、上記（３）の分類の確率が他の何れの分類の確率よりも高い場合、減少度合特定部１０４は、バッテリ残量の減少度合いは２０％以上３０％未満であると特定する。

なお、バッテリの減少度合いは、バッテリの種類や、バッテリが搭載されるフォークリフトの車種などによって変わる。このため、上記の機械学習には、減少度合特定部１０４がバッテリの減少度合いを特定する対象となるフォークリフトと同種のバッテリを搭載した同車種のフォークリフトを用いて行われた作業に基づいて生成した教師データを用いることが望ましい。

（処理の流れ）
判定装置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、判定装置１が実行する処理（判定方法）の一例を示すフローチャートである。なお、以下ではフォークリフト３について判定を行う例を説明する。

Ｓ１では、バッテリ情報取得部１０２が、フォークリフト３のバッテリ残量を検出する。また、バッテリ情報取得部１０２は、Ｓ２において、Ｓ１で検出したバッテリ残量が閾値以下であるか否かを判定する。ここで、閾値以下であると判定された場合（Ｓ２でＹＥＳ）には処理はＳ３に進む。一方、バッテリ残量が閾値を超えていると判定された場合（Ｓ２でＮＯ）には処理はＳ１に戻る。

Ｓ３では、バッテリ情報取得部１０２は、フォークリフト３のバッテリの状態を特定する。具体的には、バッテリ情報取得部１０２は、記憶部２０に記憶されているフォークリフト３のバッテリ情報２０１を取得することにより、フォークリフト３のバッテリの状態を特定する。

Ｓ４では、作業情報取得部１０１が、フォークリフト３の予定作業を特定する。例えば、作業情報取得部１０１は、現在時刻とフォークリフト３の作業予定表Ａから予定作業を特定してもよい。作業予定表Ａは、例えば入力部３０を介して判定装置１に入力されたものを使用すればよい。

Ｓ５では、入力データ生成部１０３が、Ｓ３で特定されたバッテリの状態と、Ｓ４で特定された予定作業の内容に応じた入力データを生成する。なお、入力データの形式は、機械学習に用いた教師データと同じにする。例えば、累積充電回数、バッテリ残量を示す数値、および作業内容のＩＤを組み合わせた教師データで機械学習した学習済みモデルを用いる場合、入力データ生成部１０３は、累積充電回数、バッテリ残量を示す数値、および作業内容のＩＤを組み合わせた入力データを生成する。そして、入力データ生成部１０３は、生成した入力データを減少度合特定部１０４に入力する。

Ｓ６（減少度合特定ステップ）では、減少度合特定部１０４が、Ｓ４で特定された予定作業をフォークリフト３が実行した場合の、当該作業におけるバッテリ残量の減少度合を特定する。

Ｓ７（実行可否判定ステップ）では、実行可否判定部１０５が、減少度合特定部１０４により特定された減少度合いに基づき、Ｓ４で特定された予定作業をフォークリフト３が実行可能か否かを判定する。ここで、実行可能と判定された場合（Ｓ７でＹＥＳ）にはＳ１の処理に戻る。一方、実行不可と判定された場合（Ｓ７でＮＯ）には、処理はＳ８に進む。

Ｓ８では、実行可否判定部１０５は、フォークリフト３に指示して、予定作業の実行中止をフォークリフト３の運転者に通知させる。そして、この通知を受信したフォークリフト３は、予定作業の実行を中止するよう運転者に通知する。これにより、運転者は予定作業の実行途中でのバッテリ切れを回避することができる。Ｓ８の終了後、処理はＳ１に戻る。

（判定の契機について）
上述の例では、バッテリ残量が閾値以下となった場合に予定作業の実行可否を判定しているが、予定作業の実行可否を判定する契機はこの例に限られない。例えば、１つの作業が終了した時点で、次の作業、すなわち予定作業の実行可否を判定する構成としてもよい。

（バッテリ交換または充電のタイミングの調整について）
また、判定装置１は、連続して行われる予定の複数の作業について、順次に実行可否を判定してもよい。この場合、複数の作業のうち何れの作業まで実行できるかを予め把握することができる。さらに、複数のフォークリフトについてこのような判定を行うことにより、各フォークリフトのバッテリ交換または充電が必要なタイミングを特定することができる。これにより、バッテリ交換または充電のタイミングが重ならないように、各フォークリフトのバッテリ交換または充電のタイミングを調整することも可能になる。例えば、フォークリフト３Ａは、作業Ａ〜Ｄまでは実行可能であるが、それ以降の作業は実行不可であり、フォークリフト３Ｂは、作業Ｘ〜Ｚまでは実行可能であるが、それ以降の作業は実行不可であったとする。この場合、作業ＤとＺの終了予定時刻が近接していれば、フォークリフト３Ａまたは３Ｂのバッテリ交換または充電のタイミングを前倒しにして、バッテリ交換または充電のタイミングが重ならないようにしてもよい。

（通知について）
上記Ｓ８の処理に関して、フォークリフト３による通知の態様は特に限定されない。例えば、フォークリフト３がスピーカ等の出力装置を備えている場合には、その出力装置に予定作業の実行中止を促すメッセージを出力させてもよい。また、例えば、フォークリフト３が表示装置を備えている場合にはその表示装置により上記のようなメッセージを表示させることにより運転者への通知を行ってもよい。この他にも、例えばフォークリフト３が、バッテリ残量が少ないことを示す点灯部を備えている場合には、その点灯部を点灯あるいは点滅させることにより運転者への通知を行う等の態様であってもかまわない。

また、実行可否判定部１０５は、予定作業を実行不可と判定した場合、バッテリの交換または充電に関する処理をフォークリフト３に実行させてもよい。この構成によれば、予定作業を実行させる代わりに、バッテリ交換または充電に関する処理を実行させるので、バッテリ切れを確実に回避させることができる。

なお、上記「バッテリの交換に関する処理」は、例えば、対象フォークリフトがフォークリフト３のような有人の作業用車両である場合には、その運転者にバッテリ交換を促す通知を送信する処理であってもよい。なお、このような通知は、フォークリフト３以外の機器（例えばフォークリフト３の運転者の所持する携帯端末など）に行わせてもよいし、フォークリフト３が作業している施設内のスピーカ等に出力させてもよい。また、判定の対象が無人の作業用車両である場合には、その作業用車両の動作を制御してバッテリ交換を行わせてもよい。充電に関する処理についても同様である。

（実施形態１のまとめ）
以上のように、判定装置１は、予定作業におけるバッテリ残量の減少度合を特定する減少度合特定部１０４を備えている。この減少度合特定部１０４は、バッテリで駆動するフォークリフト３を用いて行われた作業におけるバッテリ残量の減少度合と、上記バッテリの状態および上記作業の内容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上記減少度合を特定する。また、判定装置１は、減少度合特定部１０４が特定した上記減少度合に基づいて、フォークリフト３による上記予定作業の実行可否を判定する実行可否判定部１０５を備えている。したがって、予定作業の実行前の時点におけるバッテリ交換または充電の要否を、運転者の経験則に頼ることなく、判定することできる。また、予定作業の実行途中でのバッテリ切れを回避することができる。

〔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１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。

本実施形態の判定装置１は、バッテリ残量の減少度合をより正確に特定するため、フォークリフト３の運転者を考慮して予定作業の実行可否を判定する点で実施形態１の判定装置と異なっている。また、本実施形態の判定装置１は、教師データを生成して学習済みモデルを更新する点でも実施形態１の判定装置と異なっている。これについて、図４に基づいて説明する。図４は、本発明の実施形態２に係る判定装置１の要部構成を示す図である。図４に示すように、本実施形態の判定装置１の制御部１０には、運転者情報取得部１２１、教師データ生成部１２２、および学習部１２３が含まれている。

運転者情報取得部１２１は、フォークリフト３の運転者を示す運転者情報を取得する。運転者情報の取得方法は特に限定されず、例えば入力部３０に運転者名や運転者ＩＤを入力させることにより運転者情報を取得してもよい。また、例えば、運転者を撮影した画像を解析することにより運転者情報を取得してもよい。また、画像から運転者情報を取得する場合には、運転者の画像を教師データとして機械学習した畳み込みニューラルネットワーク（ＣＮＮ（Convolutional Neural Network））を用いてもよい。

上述のように、本実施形態ではフォークリフト３の運転者を考慮して予定作業の実行可否を判定する。このため、本実施形態の入力データ生成部１０３は、運転者情報取得部１２１が取得した運転者情報を含む入力データを生成する。

また、本実施形態の減少度合特定部１０４は、フォークリフト３を用いた作業におけるバッテリ残量の減少度合と、バッテリの状態、作業内容、およびフォークリフト３の運転者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バッテリ残量の減少度合を特定する。つまり、本実施形態の減少度合特定部１０４は、フォークリフト３の運転者情報を含む教師データを用いて生成された学習済みモデルを用いる。

教師データ生成部１２２は、上記学習済みモデルの更新に用いる教師データを生成する。具体的には、教師データ生成部１２２は、フォークリフト３を用いた予定作業が実行された場合に、該予定作業におけるバッテリ残量の減少度合と、該予定作業の実行直前のバッテリの状態および該予定作業の内容とを対応付けて教師データを生成する。

学習部１２３は、教師データ生成部１２２が生成した教師データを用いて、減少度合特定部１０４が使用する学習済みモデルを更新する。教師データ生成と学習済みモデルの更新については、以下詳細に説明する。なお、学習部１２３は、予め用意された教師データを用いることにより、学習済みモデルの生成を行うこともできる。

（教師データ生成と学習済みモデルの更新について）
本実施形態においても、予定作業が実行可能と判定された場合（図３のＳ７でＹＥＳの場合）には、フォークリフト３を用いて予定作業が実行される。この場合、教師データ生成部１２２は、予定作業におけるバッテリ残量の減少度合と、該予定作業の実行直前のバッテリの状態および該予定作業の内容とを対応付けて、学習済みモデルの更新に用いる教師データを生成する。

より詳細には、バッテリ情報取得部１０２が、予定作業を終了した時点におけるフォークリフト３のバッテリ残量を検出する。そして、教師データ生成部１２２は、図３のＳ１で検出されたバッテリ残量から、上記検出したバッテリ残量を減算して、予定作業におけるバッテリ残量の減少度合を特定する。また、教師データ生成部１２２は、予定作業の実行直前のバッテリの状態および該予定作業の内容を示す情報として、図３のＳ５で生成された入力データを取得し、この入力データと上記特定した減少度合いとを対応付けて教師データを生成する。

このように、教師データ生成部１２２が、予定作業の実行に伴って教師データを生成するので、フォークリフト３による作業が行われる度に教師データが増えていく。学習部１２３は、このようにして生成された教師データが所定数蓄積される毎に、それらの教師データを用いて減少度合特定部１０４の学習済みモデルを更新する。これにより、減少度合特定部１０４による減少度合の特定精度を維持または向上させることができる。なお、実施形態１の判定装置１についても、教師データ生成部１２２と学習部１２３を備えた構成とすることができる。

（実施形態２のまとめ）
以上のように、本実施形態の減少度合特定部１０４は、フォークリフト３を用いて行われた作業におけるバッテリ残量の減少度合と、上記バッテリの状態、上記作業の内容、およびフォークリフト３の運転者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、フォークリフト３の運転者に応じた、上記予定作業における上記バッテリ残量の減少度合を特定する。よって、運転者毎の操作の違いを考慮して、バッテリ残量の減少度合をより正確に特定することができる。

〔予定作業の実行可否判定後の処理について〕
実行可否判定部１０５は、予定作業の実行不可（図３のＳ７でＮＯ）と判定した場合、フォークリフト３に予定作業を実行させる代わりに、フォークリフト３のバッテリ残量で実行可能な他の作業を実行させてもよい。これにより、バッテリ残量を有効に活用して作業を進めることができる。なお、この場合、実行可否判定部１０５は、フォークリフト３に指示して、予定作業の実行中止と、代わりに実行すべき他の作業をフォークリフト３の運転者に通知させる。また、判定の対象が無人の作業用車両である場合には、実行可否判定部１０５は、当該作業用車両の動作制御を行い、予定作業の代わりに他の作業を実行させればよい。

また、実行可否判定部１０５は、予定作業の実行不可（図３のＳ７でＮＯ）と判定した場合、予定作業を実行可能な他のフォークリフトを検出して、そのフォークリフトに予定作業を実行させてもよい。例えば、実行可否判定部１０５が、フォークリフト３Ａは予定作業Ｄを実行できないと判定した場合を考える。この場合、フォークリフト３Ｂは予定作業を全て終えても、予定作業Ｄを実行するのに十分なバッテリ残量があることが、減少度合特定部１０４の出力から分かった場合、実行可否判定部１０５は、フォークリフト３Ｂに予定作業Ｄを実行させてもよい。これにより、複数のフォークリフトの中にバッテリ残量不足のフォークリフトが出た場合であっても、予定作業を予定通り進めることが可能になる。

〔分散処理について〕
上記各実施形態で説明した判定装置１の実行する処理の一部は、判定装置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、減少度合特定部１０４の実行する処理を、判定装置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、判定装置１は、入力データを生成してＡＩサーバに送信し、該ＡＩサーバから出力データを受信して予定作業の実行可否を判定する。

〔ソフトウェアによる実現例〕
判定装置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、判定装置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。

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 判定装置
１０４ 減少度合特定部
１０５ 実行可否判定部
１２２ 教師データ生成部

Claims (5)

1. バッテリで駆動する作業用車両を用いて行われた作業における上記バッテリ残量の減少度合と、上記バッテリの状態を示す情報および上記作業の内容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、上記作業用車両を用いて行う予定の予定作業における上記バッテリ残量の減少度合を特定する減少度合特定部と、
   上記減少度合特定部が特定した上記減少度合に基づいて、上記作業用車両を用いた上記予定作業の実行可否を判定する実行可否判定部と、
   を備え、
   上記バッテリの状態を示す情報は、上記バッテリ残量の減少度合に相関のある情報であることを特徴とする判定装置。
2. 上記実行可否判定部は、上記予定作業を実行不可と判定した場合、上記バッテリの交換または充電に関する処理を実行させる、
   ことを特徴とする請求項１に記載の判定装置。
3. 上記学習済みモデルは、上記作業用車両を用いて行われた作業における上記バッテリ残量の減少度合と、上記バッテリの状態を示す情報、上記作業の内容、および上記作業用車両の運転者との相関関係を機械学習させた学習済みモデルであり、
   上記減少度合特定部は、上記学習済みモデルを用いて、上記作業用車両の運転者に応じた、上記予定作業における上記バッテリ残量の減少度合を特定する、
   ことを特徴とする請求項１または２に記載の判定装置。
4. 上記作業用車両を用いた上記予定作業が実行された場合に、該予定作業における上記バッテリ残量の減少度合と、該予定作業の実行直前の上記バッテリの状態を示す情報および該予定作業の内容とを対応付けて、上記学習済みモデルの更新に用いる教師データを生成する教師データ生成部を備えている、
   ことを特徴とする請求項１から３の何れか１項に記載の判定装置。
5. 判定装置による判定方法であって、
   バッテリで駆動する作業用車両を用いて行われた作業における上記バッテリ残量の減少度合と、上記バッテリの状態を示す情報および上記作業の内容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、上記作業用車両を用いて行う予定の予定作業における上記バッテリ残量の減少度合を特定する減少度合特定ステップと、
   上記減少度合特定ステップで特定した上記減少度合に基づいて、上記作業用車両を用いた上記予定作業の実行可否を判定する実行可否判定ステップと、を含み、
   上記バッテリの状態を示す情報は、上記バッテリ残量の減少度合に相関のある情報であることを特徴とする判定方法。
   
   

Images