JP6626544B1 - 作業用車両決定装置および作業用車両決定方法 - Google Patents

Abstract

【課題】作業者に適した作業用車両を決定する。【解決手段】作業用車両決定装置（１）は、作業の結果への評価と、作業者、フォークリフト、作業の組合せ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、作業者がフォークリフトにより作業を行う場合に当該作業の結果への評価を決定する評価部（１０３）と、当該評価に基づき、作業者に使用させるフォークリフトを決定する作業用車両決定部（１０４）と、を備えている。【選択図】図１

Description

本発明は、作業者に適した作業用車両を決定する作業用車両決定装置等に関する。

複数の搬送台車を共用しながら、複数の搬送作業を並行して実行する際の搬送台車の搬送スケジュールを制御する従来技術が知られている（特許文献１参照）。

特開平５−９４２１１号公報

しかし、上記従来技術は、搬送スケジュールをリアルタイムに見直すことによって搬送効率を高めることを主眼としたものである。このため、このような従来技術を用いても、搬送台車の操作者に対してある作業が割り当てられた場合に、その操作者に適した搬送台車を決定することはできなかった。

このため、従来は、複数の作業用車両が選択候補として存在する場合、作業用車両を使用する作業者が、自身の使用する作業用車両を、候補の中から勘に頼って選択していた。その結果、その作業者との相性が良くない作業用車両（例えば、その作業者が運転しづらいものや、過去に事故を起こしたことのあるもの等）が選択されると、作業の効率性、安全性、快適性等が低くなることがあるという問題があった。

本発明は、上記の問題点に鑑みてなされたものであり、その目的は、作業の効率性、安全性、快適性等の観点で作業者に適した作業用車両を決定することのできる作業用車両決定装置等を提供することにある。

上記の課題を解決するために、本発明の一態様に係る作業用車両決定装置は、作業者が作業用車両を使用して行った作業の結果に対する評価と、当該作業者、当該作業用車両、および当該作業の組合せ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、上記作業者がある作業用車両を使用して所定の作業を行う場合における当該所定の作業の結果に対する評価を決定する評価部と、上記評価部が決定した上記評価に基づき、上記作業者に使用させる上記作業用車両を決定する作業用車両決定部と、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作業用車両決定方法は、作業者が作業用車両を使用して行った作業の結果に対する評価と、当該作業者、当該作業用車両、および当該作業の組合せ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、上記作業者がある作業用車両を使用して所定の作業を行う場合における当該所定の作業の結果に対する評価を決定する評価ステップと、上記評価ステップにおいて決定した上記評価に基づき、上記作業者に使用させる上記作業用車両を決定する作業用車両決定ステップと、を含む。

本発明の一態様によれば、作業の効率性、安全性、快適性等の観点で作業者に適した作業用車両を決定することができる。

本発明の実施形態１に係る作業用車両決定装置の要部構成の一例を示すブロック図である。 上記作業用車両決定装置の概要を示す図である。 上記作業用車両決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。

〔実施形態１〕
（装置概要）
本実施形態の作業用車両決定装置の概要を図２に基づいて説明する。図２は、作業用車両決定装置１の概要を示す図である。作業用車両決定装置１は、作業者が作業用車両を操作して行う作業に関して、作業者に適した作業用車両を決定する装置である。以下では、作業用車両がフォークリフトである例を説明するが、作業用車両は作業に用いられる車両であればよく、フォークリフトに限られない。

図２の例では、フォークリフトを用いて作業を行う作業者が、その作業を示す作業コードと、当該作業者の識別情報である作業者ＩＤを作業用車両決定装置１に入力している。フォークリフトを用いて行う作業としては、例えば棚やトラック等からの荷降ろし、棚やトラック等への荷の積み込み、荷物の移動、およびこれらの組み合わせ（例えば荷下ろしと積み込みとの両方を行う作業）等が挙げられる。

そして、作業用車両決定装置１は、入力された作業コードと作業者ＩＤに基づき、３台のフォークリフトの選択候補の中から、作業者に適したフォークリフトを選定している。このように、作業者は、自身の作業者ＩＤと作業コードを作業用車両決定装置１に入力するだけで、その作業者と作業に応じた適切なフォークリフトを作業用車両決定装置１に選定させることができる。

（作業用車両決定装置の要部構成）
作業用車両決定装置１の要部構成について図１に基づいて説明する。図１は、作業用車両決定装置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、作業用車両決定装置１は、作業用車両決定装置１の各部を統括して制御する制御部１０と、作業用車両決定装置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、作業用車両決定装置１は、作業用車両決定装置１に対する入力操作を受け付ける入力部３０と、作業用車両決定装置１が情報を出力するための出力部４０とを備えている。

また、制御部１０には、入力データ生成部１０１、候補抽出部１０２、評価部１０３、作業用車両決定部１０４、教師データ生成部１０５、および学習部１０６が含まれている。そして、記憶部２０には、空車情報２０１が記憶されている。空車情報２０１は、現在利用可能なフォークリフト、すなわち選択候補となるフォークリフトを示す情報である。空車情報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。

入力データ生成部１０１は、評価部１０３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、フォークリフトを使用する作業者と、選択候補のフォークリフトと、該フォークリフトを用いて行う作業とを示すデータである。

候補抽出部１０２は、選択候補のフォークリフトを抽出する。具体的には、候補抽出部１０２は、記憶部２０に記憶されている空車情報２０１に基づき、現在利用可能なフォークリフトを選択候補として抽出する。本実施形態では、選択候補のフォークリフトを車両ＩＤで識別する例を説明する。なお、同一の車種であっても、過去の走行履歴等によって、車両ごとに操作感等が微妙に異なり、その差異がフォークリフトの運転のしやすさにも影響を与え得る。このため、各フォークリフトに固有の車両ＩＤを付与しておくことが好ましい。

評価部１０３は、作業者がフォークリフトを使用して行った作業の結果に対する評価と、当該作業者、当該フォークリフト、および当該作業の組合せ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、作業者があるフォークリフトを使用して所定の作業を行う場合における当該所定の作業の結果に対する評価を決定する。学習済みモデルの詳細は後述する。

作業用車両決定部１０４は、評価部１０３が決定した評価に基づき、作業者に使用させるフォークリフトを決定する。具体的には、作業用車両決定部１０４は、選択候補のフォークリフトのうち、評価部１０３の評価が最も高いフォークリフトを、作業者に使用させるフォークリフトとして決定する。

また、作業用車両決定部１０４は、決定したフォークリフトを出力部４０に出力させる。これにより、作業者に適したフォークリフトを当該作業者に認識させることができる。なお、出力部４０の出力態様は特に限定されず、例えば出力部４０が表示装置であれば表示出力すればよく、出力部４０が音声出力装置であれば音声出力すればよい。また、作業用車両決定部１０４は、例えば作業者の所持する携帯端末に決定したフォークリフトを通知してもよい。また、作業用車両決定部１０４は、フォークリフトを遠隔で移動させることが可能である場合、決定したフォークリフトを作業者のところまで移動させてもよい。

教師データ生成部１０５は、学習済みモデルの更新に用いる教師データを生成する。また、学習部１０６は、上記教師データを用いて上記学習済みモデルを更新する。学習済みモデルの詳細については以下で説明し、教師データの生成と学習済みモデルの更新については後述する。

（学習済みモデルについて）
評価部１０３が評価に用いる学習済みモデルについて説明する。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用いる例を説明するが、選択候補のフォークリフトの評価に利用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用いる場合、高精度の評価を行うことが可能な多層のＮＮの学習済みモデルを用いることが好ましい。

上記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を用いて行われた作業について、当該作業の結果に対する評価、当該作業に使用したフォークリフトとその操作者、および当該作業を示す情報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、使用したフォークリフトとその作業者および当該作業を示す情報が入力データであり、評価が正解データである。

以下では、作業の結果を「Ａ」〜「Ｄ」の４段階（「Ａ」が最も高評価であり「Ｄ」が最も低評価）で評価する例を説明する。具体的には、過去にフォークリフトを用いて行われた作業について、以下の（１）〜（４）の少なくとも何れかに基づいて、「Ａ」〜「Ｄ」の何れかの評価を決定する。そして、その作業に使用したフォークリフトとその操作者、および当該作業を示す情報を入力データとし、その作業について決定された上記評価を正解データとした教師データを用いる。なお、４段階評価は一例であり、３段階未満や５段階以上で評価してもよいし、数値（評価値）で評価してもよい。

（１）当該作業における事故の有無、
（２）当該作業における事故の内容、
（３）当該作業におけるフォークリストの運転内容（急旋回や急加減速の多さ等）、
（４）当該作業の開始から終了までの時間
これにより、上記（１）〜（４）の少なくとも何れかの観点から見て、作業者が作業を行うのに適したフォークリフトを決定することができる。例えば、上記（１）に基づく評価を採用した場合、候補となるフォークリフトのうち、過去の作業の結果から見て、事故が発生する可能性が最も低いフォークリフトを決定することができる。

上記（１）に基づいて評価する場合、例えば、事故がなければ「Ａ」と評価し、事故があれば「Ｄ」と評価してもよい。また、事故の回数あるいは頻度を加味して評価してもよく、例えば年間の事故回数の多寡に応じて「Ａ」〜「Ｄ」の評価を決定してもよい。

上記（２）に基づいて評価する場合、例えば、事故の内容が軽微であれば「Ｂ」と評価し、事故の内容が重大であれば「Ｄ」と評価してもよい。また、事故の要因がフォークリフトにあるか否かで評価してもよい。例えば、誤操作による衝突事故であれば、作業者にとって操作し難いフォークリフトを使用したことが一因である可能性があるので、「Ｄ」と評価してもよい。一方、停車中に他のフォークリフトに衝突された事故であれば、事故の要因がフォークリフトにはないと考えられるので、「Ｂ」と評価してもよい。

上記（３）に基づいて評価する場合、例えば、急加速の回数、急減速の回数、急旋回の回数、および誤操作の回数の少なくとも何れかに基づいて評価してもよい。例えば、これらの回数が閾値以上であれば「Ｄ」と評価し、閾値未満であれば「Ａ」〜「Ｃ」と評価してもよい。なお、「Ａ」〜「Ｃ」の何れの評価とするかについても閾値に基づいて判定すればよい。

上記（４）に基づいて評価する場合、例えば、当該作業の標準的な作業時間と比べて有意に短い時間であれば「Ａ」と評価し、標準的な作業時間と同程度であれば「Ｂ」と評価し、標準的な作業時間よりも有意に長い時間であれば「Ｃ」と評価してもよい。また、上記（１）〜（４）のうち複数を考慮して評価を決定してもよい。

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、評価部１０３が使用する学習済みモデルを生成することができる。

そして、この学習済みモデルに、入力データ生成部１０１が生成した入力データを入力すると、「Ａ」〜「Ｄ」の各評価に該当する確率が出力される。そして、評価部１０３は、上記確率が最も高い評価を、上記入力データに対応する評価として決定する。例えば、「Ａ」〜「Ｄ」に該当する確率がそれぞれ、８０％、１５％、３％、２％であった場合、評価部１０３は、評価を「Ａ」と決定する。

（処理の流れ）
作業用車両決定装置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、作業用車両決定装置１が実行する処理（作業用車両決定方法）の一例を示すフローチャートである。

まず、入力部３０は、フォークリフトを操作する作業者のＩＤの入力を受け付ける（Ｓ１）。また、入力部３０は、上記作業者に割り当てられた作業内容を示す作業コードの入力を受け付ける（Ｓ２）。

次に、候補抽出部１０２は、空車情報２０１を参照して、上記作業者が現在利用可能なフォークリフトの選択候補を複数抽出する（Ｓ３）。具体的には、候補抽出部１０２は、空車情報２０１から選択候補のフォークリフトの車両ＩＤを抽出する。

そして、入力データ生成部１０１は、上記の選択候補ごとに、作業者ＩＤと、作業コードと、車両ＩＤとの組合せからなる入力データを生成する（Ｓ４）。そして、入力データ生成部１０１は、生成した入力データを評価部１０３に入力する。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、教師データにおける入力データが、フォークリフトの車両ＩＤと、作業者ＩＤと、作業コードを組み合わせたデータであった場合、入力データ生成部１０１は、車両ＩＤと、作業者ＩＤと、作業コードを組み合わせた入力データを生成する。

次に、評価部１０３は、学習済みモデルの出力値に基づいて、各選択候補の評価を決定する（Ｓ５、評価ステップ）。具体的には、評価部１０３は、各選択候補についての評価を「Ａ」〜「Ｄ」の何れかに決定する。

最後に、作業用車両決定部１０４は、最も高い評価の選択候補を作業者に割り当てる（Ｓ６、作業用車両決定ステップ）。これにより、図３の処理は終了となる。なお、作業用車両決定部１０４は、評価が基準以上の選択候補を作業者に割り当ててもよい。この場合に評価が基準以上の選択候補が複数存在していれば、作業用車両決定部１０４は、それら複数の選択候補を作業者に提示して所望の選択候補を選択させてもよい。

また、評価が基準以上の選択候補を作業者に割り当てる場合、複数の選択候補について順次評価を決定し、基準以上の評価が決定された時点で評価を終了してもよい。これにより、全ての選択候補の評価を決定することなく、速やかに選択候補の割り当てを完了することが可能になる。

（教師データの生成と学習済みモデルの更新について）
教師データ生成部１０５は、上記のようにして決定された選択候補のフォークリフトを用いた作業が行われた後、その作業の評価と、上記選択候補について入力データ生成部１０１が生成した入力データとを対応付けて教師データを生成する。なお、上記評価は、入力部３０を介して入力されたものであってもよい。また、上記フォークリフトを用いた作業内容を解析することにより、教師データ生成部１０５が評価を決定してもよい。例えば、上記フォークリフトに加速度センサを搭載しておき、教師データ生成部１０５が、上記加速度センサの出力値を受信して、該出力値から急加速や急減速の回数を特定し、特定した回数から評価を決定する構成としてもよい。これにより、人手を用いることなく教師データを生成することができる。

このように、教師データ生成部１０５は、作業用車両決定部１０４が決定したフォークリフトによる作業の実行に伴って教師データを生成するので、フォークリフトの決定と作業の実行の度に教師データが増えていく。学習部１０６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評価部１０３の学習済みモデルを更新する。これにより、評価部１０３による評価の精度を維持または向上させることができる。

（実施形態１のまとめ）
以上のように、作業用車両決定装置１は、作業者がフォークリフトを使用して行った作業の結果に対する評価と、当該作業者、当該フォークリフト、および当該作業の組合せ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、上記作業者があるフォークリフトを使用して所定の作業を行う場合における当該所定の作業の結果に対する評価を決定する評価部１０３を備えている。また、作業用車両決定装置１は、上記評価部が決定した上記評価に基づき、上記作業者に使用させる上記作業用車両を決定する作業用車両決定部１０４を備えている。よって、作業用車両決定装置１によれば、作業者に適した作業用車両を決定することができる。

〔分散処理について〕
作業用車両決定装置１の実行する処理の一部は、作業用車両決定装置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、評価部１０３の実行する処理を、作業用車両決定装置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、作業用車両決定装置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作業者に適したフォークリフトを決定する。

〔作業者の特定と選択候補の検出について〕
上記実施形態では、作業者ＩＤの入力を受け付けることによって作業者を特定しているが、作業者の特定方法はこの例に限られない。例えば、作業用車両決定装置１は、作業者を撮影した画像を解析することにより、作業者を特定してもよい。この場合、画像解析には、作業者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。特に、畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）の学習済みモデルを用いた場合、高精度な作業者の特定が可能になるため好ましい。

また、上記実施形態では、空車情報２０１から選択候補のフォークリフトを特定（抽出）する例を示したが、選択候補のフォークリフトの特定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、選択候補のフォークリフトを特定してもよい。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。なお、駐車スペースを撮影した画像に作業者が写っている場合には、その画像から作業者と選択候補のフォークリフトの両方を特定することも可能である。

〔ソフトウェアによる実現例〕
作業用車両決定装置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、作業用車両決定装置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 作業用車両決定装置
１０３ 評価部
１０４ 作業用車両決定部

Claims (3)

1. 作業者が作業用車両を使用して行った作業の結果に対する評価と、当該作業者、当該作業用車両、および当該作業の組合せ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、上記作業者がある作業用車両を使用して所定の作業を行う場合における当該所定の作業の結果に対する評価を決定する評価部と、
   上記評価部が決定した上記評価に基づき、上記作業者に使用させる上記作業用車両を決定する作業用車両決定部と、
   を備えていることを特徴とする作業用車両決定装置。
2. 上記作業者が上記作業用車両を使用して行った作業の結果に対する評価は、
   （１）当該作業における事故の有無、
   （２）当該作業における事故の内容、
   （３）当該作業における上記作業用車両の運転内容、
   （４）当該作業の開始から終了までの時間
   の少なくとも何れかに基づいて決定されたものである、
   ことを特徴とする請求項１に記載の作業用車両決定装置。
3. 作業用車両決定装置が実行する作業用車両決定方法であって、
   作業者が作業用車両を使用して行った作業の結果に対する評価と、当該作業者、当該作業用車両、および当該作業の組合せ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、上記作業者がある作業用車両を使用して所定の作業を行う場合における当該所定の作業の結果に対する評価を決定する評価ステップと、
   上記評価ステップにおいて決定した上記評価に基づき、上記作業者に使用させる上記作業用車両を決定する作業用車両決定ステップと、
   を含むことを特徴とする作業用車両決定方法。

Images