JP6737368B1 - クレーン - Google Patents

Abstract

【課題】荷物の重心位置を推定できるクレーンを提供する。ひいては、重心位置の上方で吊り具にフックを引っ掛ける作業が容易となり、且つ、かかる作業を素早く終えることが可能となるクレーンを提供する。【解決手段】ブーム７と、ブーム７から垂下するワイヤロープ８と、ワイヤロープ８の巻き入れ及び巻き出しによって昇降するフック９と、を備えたクレーン１において、地上に置かれた荷物Ｌを撮影するカメラ４１と、カメラ４１が撮影した荷物Ｌの画像Ｉに基づいて処理を行うコンピュータ２０と、を具備し、コンピュータ２０は、多階層のニューラルネットワーク５０を用いた人工知能機能を有しており、ニューラルネットワーク５０の入力層５１に荷物Ｌの画像Ｉを入力すると、ニューラルネットワーク５０の出力層５２から荷物Ｌの重心位置を出力する、とした。【選択図】図７

Description

本発明は、荷物の重心位置を推定できるクレーンに関する。ひいては、重心位置の上方で吊り具にフックを引っ掛ける作業が容易となり、且つ、かかる作業を素早く終えることが可能となるクレーンに関する。

従来より、代表的な作業車両であるクレーンが知られている。クレーンは、主に走行体と旋回体で構成されている。走行体は、複数の車輪を備え、自走可能としている。旋回体は、ブームのほかにワイヤロープやフックを備え、荷物を吊り上げた状態でこれを運搬可能としている。

ところで、荷物を吊り上げる際には、荷物に固定された吊り具にフックを引っ掛けなければならない（特許文献１参照）。このとき、クレーンの玉掛け作業者は、経験に基づいて荷物の重心位置を想像し、重心位置の上方にフックを誘導する必要がある。しかし、荷物の重心位置を想像するのは、玉掛け作業者の経験に依るところが大きく、あらゆる荷物の正確な重心位置を想像するのは、非常に困難であるといわざるを得ない。このような理由から、重心位置の上方で吊り具にフックを引っ掛ける作業は容易でなく、且つ、かかる作業を素早く終えることができないという問題があった。

特開２０１８−９５３７５号公報

荷物の重心位置を推定できるクレーンを提供する。ひいては、重心位置の上方で吊り具にフックを引っ掛ける作業が容易となり、且つ、かかる作業を素早く終えることが可能となるクレーンを提供する。

第一の発明は、
ブームと、
前記ブームから垂下するワイヤロープと、
前記ワイヤロープの巻き入れ及び巻き出しによって昇降するフックと、を備えたクレーンにおいて、
地上に置かれた荷物を撮影するカメラと、
前記カメラが撮影した荷物の画像に基づいて処理を行うコンピュータと、を具備し、
前記コンピュータは、多階層のニューラルネットワークを用いた人工知能機能を有しており、前記ニューラルネットワークの入力層に荷物の画像を入力すると、前記ニューラルネットワークの出力層から荷物の重心位置を出力する、ものである。

第二の発明は、第一の発明に係るクレーンにおいて、
前記ニューラルネットワークは、ニューロンとニューロンがシナプスで結合された脳神経回路を模しており、荷物の二次元形状情報と荷物の重心位置情報の組み合わせを学習用データとして前記シナプスに相当する回路の重み付けを調整した、ものである。

第三の発明は、第二の発明に係るクレーンにおいて、
荷物の二次元形状情報は、仮想荷物を仮想平面に投影したものであり、
荷物の重心位置情報は、前記仮想荷物における重心位置を同じく仮想平面に投影した、ものである。

第四の発明は、第二又は第三の発明に係るクレーンにおいて、
前記コンピュータは、荷物の画像と荷物の二次元形状情報との位置合せによって荷物の位置及び姿勢を把握し、荷物の重心位置をクレーンの座標系で表す、ものである。

第五の発明は、第一から第四のいずれかの発明に係るクレーンにおいて、
荷物の画像を映し出すディスプレイを具備し、
前記コンピュータは、前記ディスプレイに映し出された荷物の画像に対して重心位置を表示する、ものである。

第六の発明は、第一から第五のいずれかの発明に係るクレーンにおいて、
前記ブームを稼動させるアクチュエータを具備し、
前記コンピュータは、前記アクチュエータを自動的に制御して重心位置の上方に前記フックを誘導する、ものである。

第一の発明に係るクレーンは、地上に置かれた荷物を撮影するカメラと、カメラが撮影した荷物の画像に基づいて処理を行うコンピュータと、を具備している。そして、コンピュータは、多階層のニューラルネットワークを用いた人工知能機能を有しており、ニューラルネットワークの入力層に荷物の画像を入力すると、ニューラルネットワークの出力層から荷物の重心位置を出力する。かかるクレーンによれば、あらゆる荷物の重心位置を推定できる。従って、重心位置の上方で吊り具にフックを引っ掛ける作業が容易となり、且つ、かかる作業を素早く終えることが可能となる。

第二の発明に係るクレーンにおいて、ニューラルネットワークは、ニューロンとニューロンがシナプスで結合された脳神経回路を模しており、荷物の二次元形状情報と荷物の重心位置情報の組み合わせを学習用データとしてシナプスに相当する回路の重み付けを調整したものである。かかるクレーンによれば、荷物の画像に基づいて重心位置を推定する機能を獲得できる。

第三の発明に係るクレーンにおいて、荷物の二次元形状情報は、仮想荷物を仮想平面に投影したものであり、荷物の重心位置情報は、仮想荷物における重心位置を同じく仮想平面に投影したものである。かかるクレーンによれば、一方向から撮影された荷物の画像に基づいて重心位置を推定する機能を獲得できる。

第四の発明に係るクレーンにおいて、コンピュータは、荷物の画像と荷物の二次元形状情報との位置合せによって荷物の位置及び姿勢を把握し、荷物の重心位置をクレーンの座標系で表す。かかるクレーンによれば、重心位置の上方にフックを誘導する際の制御が容易となる。

第五の発明に係るクレーンは、荷物の画像を映し出すディスプレイを具備している。そして、コンピュータは、ディスプレイに映し出された荷物の画像に対して重心位置を表示する。かかるクレーンによれば、操縦者が荷物の重心位置を視認することができる。

第六の発明に係るクレーンは、ブームを稼動させるアクチュエータを具備している。そして、コンピュータは、アクチュエータを自動的に制御して重心位置の上方にフックを誘導する。かかるクレーンによれば、操縦者が各種操作具を操作せずとも、荷物の重心位置の上方にフックを誘導することができる。

クレーンを示す図。 キャビンの内部を示す図。 操縦システムの構成を示す図。 カメラの狙点と画像領域を示す図。 コンピュータの構成を示す図。 ニューラルネットワークの学習フェーズを示す図。 ニューラルネットワークの利用フェーズを示す図。 学習用データの作成方法を示す図。 荷物の重心位置を推定してフックを誘導する制御態様を示す図。 荷物の重心位置を表示した状態を示す図。 フックの誘導方向を表示した状態を示す図。 フックの誘導が完了した旨を表示した状態を示す図。 フックの降下が完了した旨を表示した状態を示す図。

本願に開示する技術的思想は、以下に説明するクレーン１のほか、他のクレーンにも適用できる。

まず、図１及び図２を用いて、クレーン１について説明する。

クレーン１は、主に走行体２と旋回体３で構成されている。

走行体２は、左右一対の前輪４と後輪５を備えている。また、走行体２は、荷物Ｌの運搬作業を行う際に接地させて安定を図るアウトリガ６を備えている。なお、走行体２は、アクチュエータによって、その上部に支持する旋回体３を旋回自在としている。

旋回体３は、その後部から前方へ突き出すようにブーム７を備えている。そのため、ブーム７は、アクチュエータによって旋回自在となっている（矢印Ａ参照）。また、ブーム７は、アクチュエータによって伸縮自在となっている（矢印Ｂ参照）。更に、ブーム７は、アクチュエータによって起伏自在となっている（矢印Ｃ参照）。

加えて、ブーム７には、ワイヤロープ８が架け渡されている。ブーム７の先端部分から垂下するワイヤロープ８には、フック９が取り付けられている。また、ブーム７の基端側近傍には、ウインチ１０が配置されている。ウインチ１０は、アクチュエータと一体的に構成されており、ワイヤロープ８の巻き入れ及び巻き出しを可能としている。そのため、フック９は、アクチュエータによって昇降自在となっている（矢印Ｄ参照）。なお、旋回体３は、ブーム７の側方にキャビン１１を備えている。キャビン１１の内部には、後述する旋回操作具２１や伸縮操作具２２、起伏操作具２３、巻回操作具２４が設けられている。また、後述するディスプレイ４２が設けられている。

次に、図３を用いて、操縦システム１２の構成について説明する。

操縦システム１２は、主にコンピュータ２０で構成されている。コンピュータ２０には、各種操作具２１〜２４が接続されている。また、コンピュータ２０には、各種バルブ２５〜２８が接続されている。

前述したように、ブーム７は、アクチュエータによって旋回自在となっている（図１における矢印Ａ参照）。本願においては、かかるアクチュエータを旋回用油圧モータ３１と定義する。旋回用油圧モータ３１は、方向制御弁である旋回用バルブ２５によって適宜に稼動される。つまり、旋回用油圧モータ３１は、旋回用バルブ２５が作動油の流動方向を切り替えることで適宜に稼動される。なお、旋回用バルブ２５は、コンピュータ２０の指示に基づいて稼動される。ブーム７の旋回角度や旋回速度は、図示しないセンサによって検出される。

また、前述したように、ブーム７は、アクチュエータによって伸縮自在となっている（図１における矢印Ｂ参照）。本願においては、かかるアクチュエータを伸縮用油圧シリンダ３２と定義する。伸縮用油圧シリンダ３２は、方向制御弁である伸縮用バルブ２６によって適宜に稼動される。つまり、伸縮用油圧シリンダ３２は、伸縮用バルブ２６が作動油の流動方向を切り替えることで適宜に稼動される。なお、伸縮用バルブ２６は、コンピュータ２０の指示に基づいて稼動される。ブーム７の伸縮長さや伸縮速度は、図示しないセンサによって検出される。

更に、前述したように、ブーム７は、アクチュエータによって起伏自在となっている（図１における矢印Ｃ参照）。本願においては、かかるアクチュエータを起伏用油圧シリンダ３３と定義する。起伏用油圧シリンダ３３は、方向制御弁である起伏用バルブ２７によって適宜に稼動される。つまり、起伏用油圧シリンダ３３は、起伏用バルブ２７が作動油の流動方向を切り替えることで適宜に稼動される。なお、起伏用バルブ２７は、コンピュータ２０の指示に基づいて稼動される。ブーム７の起伏角度や起伏速度は、図示しないセンサによって検出される。

加えて、前述したように、フック９は、アクチュエータによって昇降自在となっている（図１における矢印Ｄ参照）。本願においては、かかるアクチュエータを巻回用油圧モータ３４と定義する。巻回用油圧モータ３４は、方向制御弁である巻回用バルブ２８によって適宜に稼動される。つまり、巻回用油圧モータ３４は、巻回用バルブ２８が作動油の流動方向を切り替えることで適宜に稼動される。なお、巻回用バルブ２８は、コンピュータ２０の指示に基づいて稼動される。フック９の吊下長さや昇降速度は、図示しないセンサによって検出される。

更に加えて、本操縦システム１２は、カメラ４１とディスプレイ４２を有している。カメラ４１とディスプレイ４２も、コンピュータ２０に接続されている。

カメラ４１は、地上に置かれた荷物Ｌを撮影するものである。カメラ４１は、地上に置かれた荷物Ｌを真上或いは斜め上方から撮影すべく、ブーム７に取り付けられている。本クレーン１においては、ブーム７の先端部分に取り付けられている（図１参照）。

ディスプレイ４２は、様々な画像を映し出すものである。ディスプレイ４２は、操縦者が各種操作具２１〜２４を操作しながら視認できるよう、キャビン１１の内部における前方側に取り付けられている（図２参照）。なお、ディスプレイ４２は、コンピュータ２０に接続されている（図３参照）。そのため、コンピュータ２０は、ディスプレイ４２を通じ、操縦者へ情報を提供することができる。他方で、ディスプレイ４２は、いわゆるタッチパネルであることから、操縦者の入力機器であるともいえる。そのため、操縦者は、ディスプレイ４２を通じ、コンピュータ２０へ情報を提供することもできる。

次に、図４を用いて、カメラ４１の狙点Ｐと画像領域Ｒについて説明する。

前述したように、ブーム７は、旋回動作と伸縮動作と起伏動作を可能としている。このとき、カメラ４１は、ブーム７に取り付けられているので、ブーム７の稼動に応じてともに移動する。すると、カメラ４１の狙点Ｐも移動することとなり、ひいては狙点Ｐを中心とする画像領域Ｒも移動する。

ここで、本願においては、地上に置かれた荷物Ｌが画像領域Ｒの内側に含まれているものとする。画像領域Ｒは、ディスプレイ４２に映し出される。ディスプレイ４２には、カメラ４１の狙点Ｐが表示される（図１０から図１３参照）。また、ディスプレイ４２には、走行体２の方向を表す標識Ｍａが表示される（図１０から図１３参照）。更に、ディスプレイ４２には、東西南北の方位を表す標識Ｍｂが表示される（図１０から図１３参照）。なお、本クレーン１において、狙点Ｐがブーム７の先端部分における鉛直下方にあることを考慮すると、かかる狙点Ｐは、フック９を降下させたときの着地点にほぼ等しいといえる。

次に、図５から図８を用いて、コンピュータ２０の構成について説明する。

コンピュータ２０は、ＲＯＭによって情報記憶部２０ｍを構成している。情報記憶部２０ｍは、クレーン１の制御に要する様々なプログラムが記憶されている。

また、コンピュータ２０は、ＣＰＵやＲＯＭ、ＲＡＭなどによって情報受信部２０ｉを構成している。情報受信部２０ｉは、通信ネットワークＮｔを経由して遠隔サーバＳｖに格納されている様々な情報を取得できる。例えば荷物Ｌに関する情報（形状や重さ、重心位置など）を取得することができる。取得した情報は、情報記憶部２０ｍに納められる。

更に、コンピュータ２０は、ＣＰＵやＲＯＭ、ＲＡＭなどによって情報処理部２０ｐを構成している。コンピュータ２０は、カメラ４１が撮影した荷物Ｌの画像Ｉ（図７参照）に基づいて処理を行う。本コンピュータ２０においては、多階層のニューラルネットワーク５０を用いた人工知能機能によって処理を行うものとしている。「多階層のニューラルネットワーク」とは、入力層５１と出力層５２のほか、複数の隠れ層５３からなる三層以上のニューラルネットワークを指す。また、「人工知能」とは、『人工的につくられた人間のような知能』と定義できる。このような知能は、『表現学習を可能としたコンピュータ』、より詳細には『データの中から特徴量を生成してモデル化できるコンピュータ』によって実現される。

ニューラルネットワーク５０は、ニューロンとニューロンがシナプスで結合された脳神経回路を模したものである（図５参照）。ニューラルネットワーク５０は、ニューロンに相当するノード５４をシナプスに相当する回路５５でつなぎ、ある階層のノード５４から次の階層のノード５４へ信号を伝達するようにプログラム上で表現されている。なお、ニューラルネットワーク５０は、回路５５ごとに結合強度を表す重み付けがなされており、与えられた信号値に重みＷをかけあわせて伝達する。そして、それぞれのノード５４で閾値を超える度に次のノード５４へ信号を伝達していくのである。

ニューラルネットワーク５０は、学習フェーズを経ることで荷物Ｌの重心位置Ｇを推定するという機能を獲得する（図６参照）。学習フェーズにおいては、入力データに対して正しい出力データを導き出すよう、回路５５ごとの重み付けが調整される。なお、ニューラルネットワークを作り上げる学習方法は、一般的に「機械学習」と呼ばれる。但し、本ニューラルネットワーク５０を作り上げる学習方法は、機械学習の一態様として確立された「深層学習（ディープラーニング）」である。深層学習は、人間を介することなく、自ら特徴量を生成してモデル化を行う点で機械学習とは異なる。

こうして作り上げたニューラルネットワーク５０は、利用フェーズにおいて荷物Ｌの重心位置Ｇを推定する（図７参照）。建築構造物の資材は、規格によって形状が定まっているものが多いため、適正な学習用データＤｓを用いた適正な学習フェーズを経れば、正確な重心位置Ｇを推定できる。但し、情報処理部２０ｐに別途のプログラムを構成し、正確な重心位置Ｇの推定ができないと判断したのであれば、これをキャンセルするとしてもよい。あまり一般的でない荷物Ｌについて重心位置Ｇを推定するのは困難だからである。この場合は、キャンセルした旨をディスプレイ４２に表示することが考えられる。

ところで、深層学習を行うには、学習用データＤｓが必要となる。本願における学習用データＤｓは、荷物Ｌの二次元形状情報Ｉｉと荷物Ｌの重心位置情報Ｇｉを組み合わせたものである（図８参照）。荷物Ｌの二次元形状情報Ｉｉは、仮想荷物（三次元ＣＡＤソフトによって荷物Ｌを再現したものを指す）Ｌｉを仮想平面Ｓｉに投影したものである。また、荷物Ｌの重心位置情報Ｇｉは、仮想荷物Ｌｉにおける重心位置を同じく仮想平面Ｓｉに投影したものである。そして、二次元形状情報Ｉｉと重心位置情報Ｇｉは、投影用光源に配置された仮想カメラＣｉが撮影したとして保存される。学習フェーズにおいては、数千件から数万件の学習用データＤｓを利用し、荷物Ｌの二次元形状情報Ｉｉから重心位置情報Ｇｉを推定できるようになるまで重みＷの値を修正する。つまり、ひたすら推定と答え合わせを繰り返し、復元エラーが最小となる重みＷの値を見つけ出すのである。このような手法を誤差逆伝播法（Ｂａｃｋｐｒｏｐａｇａｔｉｏｎ）という。

次に、図９から図１３を用いて、荷物Ｌの重心位置Ｇを推定してフック９を誘導する制御態様について説明する。但し、以下に説明する制御態様は、クレーン１にて実現した一実施例であり、これに限定するものではない。

ステップＳ１において、コンピュータ２０は、カメラ４１が撮影した画像を取得する。コンピュータ２０は、走行体２の位置とブーム７の姿勢（旋回角度・伸縮長さ・起伏角度で表される）を考慮し、かかる画像の撮影位置や撮影角度を把握する。そのため、コンピュータ２０は、カメラ４１の狙点Ｐのほか、走行体２の方向や東西南北の方位をディスプレイ４２に表示させることができる。

ステップＳ２において、コンピュータ２０は、取得した画像における荷物Ｌを捕捉する。コンピュータ２０は、画像にフィルタをかけて輪郭を抽出するなどの所作により、画像に含まれる荷物Ｌを見つけ出す。そして、コンピュータ２０は、複数の荷物Ｌから操縦者が選択した一の荷物Ｌを捕捉する。このとき、コンピュータ２０は、捕捉している荷物ＬをカーソルＣで囲うとしてもよい。

ステップＳ３において、コンピュータ２０は、捕捉している荷物Ｌの重心位置Ｇを推定する。コンピュータ２０は、荷物Ｌの画像Ｉを入力データとしてニューラルネットワーク５０に入力し、このニューラルネットワーク５０から出力される出力データを荷物Ｌの重心位置Ｇとして推定する（図７参照）。こうして、コンピュータ２０は、荷物Ｌの重心位置Ｇをディスプレイ４２に表示させることができる。

ステップＳ４において、コンピュータ２０は、クレーン１の座標系で荷物Ｌの重心位置Ｇを把握する。まず、コンピュータ２０は、例えばＰＯＣ（Ｐｈａｓｅ−Ｏｎｌｙ Ｃｏｒｒｅｌａｔｉｏｎ）アルゴリズムを用いて荷物Ｌの画像Ｉと荷物Ｌの二次元形状情報Ｉｉとの位置合せを行う。これは、荷物Ｌの画像Ｉに二次元形状情報Ｉｉの座標系（図８参照）を当てはめ、かかる座標系とクレーン１の座標系（図４参照）との差異から回転行列を求めるためである。こうすることで、コンピュータ２０は、クレーン１の座標系で荷物Ｌの位置及び姿勢を把握することができる。更には、クレーン１の座標系で荷物Ｌの重心位置Ｇを把握することができる。

ステップＳ５において、コンピュータ２０は、推定した重心位置Ｇの上方にフック９を誘導する。コンピュータ２０は、旋回用油圧モータ３１や伸縮用油圧シリンダ３２、起伏用油圧シリンダ３３を適宜に制御し、ブーム７を稼動させることによって重心位置Ｇの上方にフック９を誘導する。このとき、コンピュータ２０は、ディスプレイ４２を見る操縦者にもフック９の誘導方向が分かるように矢印Ａを表示させるとしてもよい（図１１参照）。かかる矢印Ａは、フック９の誘導が完了したときに消滅し、代わりに誘導が完了した旨のコメントＣ１を表示するとしてもよい（図１２参照）。

加えて、コンピュータ２０は、巻回用油圧モータ３４を適宜に制御して重心位置Ｇの直上までフック９を降下させるのが好ましい。これは、コンピュータ２０が荷物Ｌの高さｈ（図１参照）を把握するとともにフック９の高さＨ（図１参照）を把握することによって実現できる。なお、荷物Ｌの高さｈを把握するためには、該当する荷物Ｌを特定して形状と姿勢を把握する必要がある。また、フック９の高さＨは、ブーム７の姿勢（伸縮長さ・起伏角度）とフック９の吊下長さから算出することができる。このときも、降下が完了した旨のコメントＣ２を表示するとしてもよい（図１３参照）。

更に加えて、本コンピュータ２０においては、画像にフィルタをかけて輪郭を抽出するなどの所作により、画像に含まれる荷物Ｌを見つけ出すとしている。しかし、例えばＦＣＮ（Ｆｕｌｌｙ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋ）アルゴリズムを用いて荷物Ｌを見つけ出すとしてもよい。地上の凹凸を測定したり或いは色彩を検出したりする機能を取り入れ、これらの結果を用いて画像に含まれる荷物Ｌを見つけ出すとしてもよい。また、本コンピュータ２０においては、操縦者が選択した荷物Ｌを捕捉し、かかる荷物Ｌについて重心位置Ｇを推定する対象としている。しかし、玉掛け作業者が遠隔操作端末を携帯しており、玉掛け作業者が選択した荷物Ｌについて重心位置Ｇを推定するとしてもよい。更に、複数の荷物Ｌについて順次又は同時に重心位置Ｇを推定するとしてもよい。この場合は、複数の荷物Ｌの画像Ｉに対して重心位置Ｇが表示される。

次に、本クレーン１に適用された技術的思想とその効果についてまとめる。

本クレーン１は、地上に置かれた荷物Ｌを撮影するカメラ４１と、カメラ４１が撮影した荷物Ｌの画像Ｉに基づいて処理を行うコンピュータ２０と、を具備している。そして、コンピュータ２０は、多階層のニューラルネットワーク５０を用いた人工知能機能を有しており、ニューラルネットワーク５０の入力層５１に荷物Ｌの画像Ｉを入力すると、ニューラルネットワーク５０の出力層５２から荷物Ｌの重心位置Ｇを出力する。かかるクレーン１によれば、あらゆる荷物Ｌの重心位置Ｇを推定できる。従って、重心位置Ｇの上方で吊り具Ｔ（図１参照）にフック９を引っ掛ける作業が容易となり、且つ、かかる作業を素早く終えることが可能となる。

また、本クレーン１において、ニューラルネットワーク５０は、ニューロンとニューロンがシナプスで結合された脳神経回路を模しており、荷物Ｌの二次元形状情報Ｉｉと荷物Ｌの重心位置情報Ｇｉの組み合わせを学習用データＤｓとしてシナプスに相当する回路５５の重み付けを調整したものである。かかるクレーン１によれば、荷物Ｌの画像Ｉに基づいて重心位置Ｇを推定する機能を獲得できる。

更に、本クレーン１において、荷物Ｌの二次元形状情報Ｉｉは、仮想荷物Ｌｉを仮想平面Ｓｉに投影したものであり、荷物Ｌの重心位置情報Ｇｉは、仮想荷物Ｌｉにおける重心位置を同じく仮想平面Ｓｉに投影したものである。かかるクレーン１によれば、一方向から撮影された荷物Ｌの画像Ｉに基づいて重心位置Ｇを推定する機能を獲得できる。

更に、本クレーン１において、コンピュータ２０は、荷物Ｌの画像Ｉと荷物Ｌの二次元形状情報Ｉｉとの位置合せによって荷物Ｌの位置及び姿勢を把握し、荷物Ｌの重心位置Ｇをクレーン１の座標系で表す。かかるクレーン１によれば、重心位置Ｇの上方にフック９を誘導する際の制御が容易となる。

更に、本クレーン１は、荷物Ｌの画像Ｉを映し出すディスプレイ４２を具備している。そして、コンピュータ２０は、ディスプレイ４２に映し出された荷物Ｌの画像Ｉに対して重心位置Ｇを表示する。かかるクレーン１によれば、操縦者が荷物Ｌの重心位置Ｇを視認することができる。

更に、本クレーン１は、ブーム７を稼動させるアクチュエータ（旋回用油圧モータ３１・伸縮用油圧シリンダ３２・起伏用油圧シリンダ３３）を具備している。そして、コンピュータ２０は、アクチュエータ（３１・３２・３３）を自動的に制御して重心位置Ｇの上方にフック９を誘導する。かかるクレーン１によれば、操縦者が各種操作具（旋回操作具２１・伸縮操作具２２・起伏操作具２３）を操作せずとも、荷物Ｌの重心位置Ｇの上方にフック９を誘導することができる。

最後に、本クレーン１は、コンピュータ２０を具備しており、このコンピュータ２０が荷物Ｌの重心位置Ｇを推定するものとしている。しかし、遠隔地のコンピュータとつながることで、このコンピュータが荷物Ｌの重心位置Ｇを推定するとしてもよい。また、本願においては、発明の対象を「荷物の重心位置を推定できるクレーン」としたが、「荷物の重心位置を推定できるクレーン用制御システム」と捉えることもできる。従って、これについても技術的思想が及ぶものである。

１ クレーン
２ 走行体
３ 旋回体
７ ブーム
８ ワイヤロープ
９ フック
１０ ウインチ
１２ 操縦システム
２０ コンピュータ
４１ カメラ
４２ ディスプレイ
５０ ニューラルネットワーク
５１ 入力層
５２ 出力層
５３ 隠れ層
５４ ノード
５５ 回路
Ｄｓ 学習用データ
Ｇ 荷物の重心位置
Ｇｉ 荷物の重心位置情報
Ｉ 荷物の画像
Ｉｉ 荷物の二次元形状情報
Ｌ 荷物
Ｌｉ 仮想荷物
Ｐ 狙点
Ｒ 画像領域
Ｓｉ 仮想平面
Ｔ 吊り具
Ｗ 重み

Claims (4)

1. ブームと、
   前記ブームから垂下するワイヤロープと、
   前記ワイヤロープの巻き入れ及び巻き出しによって昇降するフックと、を備えたクレーンにおいて、
   地上に置かれた荷物を撮影するカメラと、
   前記カメラが撮影した荷物の画像に基づいて処理を行うコンピュータと、を具備し、
   前記コンピュータが多階層のニューラルネットワークを用いた人工知能機能を有しており、前記ニューラルネットワークの入力層に荷物の画像を入力すると、前記ニューラルネットワークの出力層から荷物の重心位置を出力するものとされ、
   前記ニューラルネットワークは、ニューロンとニューロンがシナプスで結合された脳神経回路を模しており、仮想荷物を仮想平面に投影した二次元形状情報と前記仮想荷物における重心位置を同じく仮想平面に投影した重心位置情報の組み合わせを学習用データとして前記シナプスに相当する回路の重み付けを調整したものである、ことを特徴とするクレーン。
2. 前記コンピュータは、荷物の画像と荷物の二次元形状情報との位置合せによって荷物の位置及び姿勢を把握し、荷物の重心位置をクレーンの座標系で表す、ことを特徴とする請求項１に記載のクレーン。
3. 荷物の画像を映し出すディスプレイを具備し、
   前記コンピュータは、前記ディスプレイに映し出された荷物の画像に対して重心位置を表示する、ことを特徴とする請求項１又は請求項２に記載のクレーン。
4. 前記ブームを稼動させるアクチュエータを具備し、
   前記コンピュータは、前記アクチュエータを自動的に制御して重心位置の上方に前記フックを誘導する、ことを特徴とする請求項１から請求項３のいずれか一項に記載のクレーン。