JP6737369B1 - クレーン - Google Patents

Abstract

【課題】荷物の重心位置を特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】地上に置かれた荷物Ｌを走査するレーザセンサ４１と、レーザセンサ４１の走査によって得られる荷物Ｌの点群データＰに基づいて処理を行うとともに荷物に関する情報を記憶した部分（情報記憶部２０ｍ）から荷物ＬのラベルＬｂｌに基づいて重心位置情報を読み出すコンピュータ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の点群データＰを入力すると、ニューラルネットワーク５０の出力層５２から該当する荷物ＬのラベルＬｂｌを出力する、とした。【選択図】図７

Description

本発明は、荷物の重心位置を特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

荷物の重心位置を特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走査するレーザセンサと、
前記レーザセンサの走査によって得られる荷物の点群データに基づいて処理を行うとともに荷物に関する情報を記憶した部分から荷物のラベルに基づいて重心位置情報を読み出すコンピュータと、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点群データを入力すると、前記ニューラルネットワークの出力層から該当する荷物のラベルを出力する、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、荷物の三次元形状情報と荷物のラベル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、
荷物の三次元形状情報は、仮想上の荷物を点群データに変換した、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、荷物の点群データと荷物の三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走査するレーザセンサと、レーザセンサの走査によって得られる荷物の点群データに基づいて処理を行うとともに荷物に関する情報を記憶した部分から荷物のラベルに基づいて重心位置情報を読み出すコンピュータと、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点群データを入力すると、ニューラルネットワークの出力層から該当する荷物のラベルを出力する。かかるクレーンによれば、あらゆる荷物の重心位置を特定できる。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、荷物の三次元形状情報と荷物のラベル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、荷物の点群データに基づいてラベル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、荷物の三次元形状情報は、仮想上の荷物を点群データに変換したものである。かかるクレーンによれば、簡単に学習用データの充実を図れ、荷物の点群データに基づいてラベル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、荷物の点群データと荷物の三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。 レーザセンサの走査領域を示す図。 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、レーザセンサ４１とディスプレイ４２を有している。レーザセンサ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。

レーザセンサ４１は、地上に置かれた荷物Ｌを走査するものである。レーザセンサ４１は、地上に置かれた荷物Ｌに対して真上或いは斜め上方からレーザ光を照射すべく、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）。また、レーザセンサ４１は、荷物Ｌから戻ってきた反射光を受け、これに相当する信号をコンピュータ２０に送信する。具体的に説明すると、レーザセンサ４１は、荷物Ｌから戻ってきた反射光を受け、反射光が戻ってきた時間や角度に相当する信号をコンピュータ２０に送信する。

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、レーザセンサ４１の走査領域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、レーザセンサ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、レーザセンサ４１の走査領域Ｒも移動することとなる。

ここで、本願においては、地上に置かれた荷物Ｌが走査領域Ｒの内側に含まれているものとする。走査領域Ｒは、点群データに基づいて作成されたマップ（点群によって表される地形図）Ｍがディスプレイ４２に映し出される（図１０から図１３参照）。ディスプレイ４２には、走査領域Ｒにおける中央点Ｅ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、中央点Ｅ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、かかる中央点Ｅ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、重心位置のほか、ラベルＬｂｌ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、レーザセンサ４１の走査によって得られる荷物Ｌの点群データＰに基づいて処理を行う。また、コンピュータ２０は、荷物Ｌに関する情報を記憶した部分（情報記憶部２０ｍ）から荷物ＬのラベルＬｂｌに基づいて重心位置情報を読み出す。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のラベルＬｂｌ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のラベルＬｂｌ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、正確なラベルＬｂｌ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、正確なラベルＬｂｌ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についてラベルＬｂｌ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の三次元形状情報Ｐｉと荷物ＬのラベルＬｂｌを組み合わせたものである（図８参照）。荷物Ｌの三次元形状情報Ｐｉは、仮想上の荷物（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を点群データに変換したものである。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の三次元形状情報ＰｉからラベルＬｂｌ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、レーザセンサ４１が走査した走査領域ＲのマップＭを作成する。また、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、走査領域Ｒの位置や方向を把握する。そのため、コンピュータ２０は、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、マップＭの基となった点群データにおける荷物Ｌを捕捉する。コンピュータ２０は、例えば地表面から高さ方向に突出している部分を切り出し、かかる点群データＰを荷物Ｌとして認識する。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、捕捉した荷物ＬのラベルＬｂｌを推定する。コンピュータ２０は、荷物Ｌの点群データＰ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のラベルＬｂｌとして推定する（図７参照）。但し、コンピュータ２０は、荷物Ｌの点群データＰをボクセル化し、これをニューラルネットワーク５０に入力するとしてもよい。

ステップＳ４において、コンピュータ２０は、推定したラベルＬｂｌに基づいて該当する荷物Ｌの三次元形状情報Ｐｉと重心位置情報を読み出す。コンピュータ２０は、ラベルＬｂｌを順次に照らし合せていくことで、様々な荷物Ｌの中から該当する荷物Ｌの三次元形状情報Ｐｉと重心位置情報を読み出すことができる。こうすることで、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のである。

ステップＳ５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ＩＣＰ（Ｉｔｅｒａｔｉｖｅ Ｃｌｏｓｅｓｔ Ｐｏｉｎｔ）アルゴリズムを用いて荷物Ｌの点群データＰと荷物Ｌの三次元形状情報Ｐｉとの位置合せを行う。これは、荷物Ｌの点群データＰに三次元形状情報Ｐｉ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Ｓ６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は、マップＭから読み取ることができる。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、地表面から高さ方向に突出している部分を切り出し、かかる点群データＰを荷物Ｌとして認識する。しかし、高さ方向に突出している部分の投影データや曲面率データを作成し、隠れマルコフモデル（ＨＭＭ）を適用したプログラムを用いることで、かかる点群データＰを荷物Ｌとして認識するとしてもよい。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についてラベルＬｂｌ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についてラベルＬｂｌ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ラベルＬｂｌ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を走査するレーザセンサ４１と、レーザセンサ４１の走査によって得られる荷物Ｌの点群データＰに基づいて処理を行うとともに荷物Ｌに関する情報を記憶した部分（情報記憶部２０ｍ）から荷物ＬのラベルＬｂｌに基づいて重心位置情報を読み出すコンピュータ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の点群データＰを入力すると、ニューラルネットワーク５０の出力層５２から該当する荷物ＬのラベルＬｂｌ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を特定できる。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の三次元形状情報Ｐｉと荷物ＬのラベルＬｂｌ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の点群データＰに基づいてラベルＬｂｌ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の三次元形状情報Ｐｉは、仮想上の荷物Ｌｉを点群データに変換したものである。かかるクレーン１によれば、簡単に学習用データＤｓ
の充実を図れ、荷物Ｌの点群データＰに基づいてラベルＬｂｌ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の点群データＰと荷物Ｌの三次元形状情報Ｐｉ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「荷物の重心位置を特定できるクレーン」としたが、「荷物の重心位置を特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 レーザセンサ
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
Ｐ 荷物の点群データ
Ｐｉ 荷物の三次元形状情報
Ｌ 荷物
Ｌｉ 仮想上の荷物
Ｌｂｌ ラベル
Ｒ 走査領域
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走査するレーザセンサと、
   前記レーザセンサの走査によって得られる荷物の点群データに基づいて処理を行うとともに荷物に関する情報を記憶した部分から荷物のラベルに基づいて重心位置情報を読み出すコンピュータと、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点群データを入力すると、前記ニューラルネットワークの出力層から該当する荷物のラベル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、仮想上の荷物を点群データに変換した三次元形状情報と荷物のラベル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、荷物の点群データと荷物の三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。
   

Images