JP6816784B2 - クレーン - Google Patents

Description

本発明は、フックに吊り下げられた荷物の挙動を高精度に制御できるクレーンに関する。また、荷物が目標位置に到達するのを保証でき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、荷物を吊り下げた状態でこれを運搬可能としている。

ところで、モデル予測制御は、動的特性を捉えた予測モデルによって制御対象の挙動を予測し、最適化問題を解くことによって制御入力を定める制御方式である（特許文献１及び特許文献２参照）。しかし、複雑な油圧システムや機械システムの動的特性を数式で表すのは困難であり、予測モデルの不完全性に起因して精度が粗くなってしまうという問題があった。そこで、フックに吊り下げられた荷物の挙動を正確に予測し、これに基づいてアクチュエータの制御入力を定めるクレーンが求められていた。つまりは、アクチュエータを高精度に制御でき、ひいてはフックに吊り下げられた荷物の挙動を高精度に制御できるクレーンが求められていたのである。

加えて、モデル予測制御を適用したクレーンにおいては、目標経路上に現れた障害物を回避すべく、予測区間を長く確保したほうがよい場合がある。この場合、現時刻から十分に先まで予測区間とすることができれば、荷物が目標位置に到達するのを保証できるようになると考えられる。しかし、予測区間の長さに応じて計算負荷が増大するのは自明であり、高性能で高価なコントローラを搭載せざるを得ないという問題があった。そこで、外部又は内部のコンピュータを用いて荷物の挙動を予測し、なおかつアクチュエータの制御入力を定め、その結果に基づいてアクチュエータを稼動させるクレーンが求められていた。つまりは、計算負荷に関わらず予測区間を長く確保することができ、ひいては荷物が目標位置に到達するのを保証できるクレーンが求められていたのである。

特開２０１８−４１１５０号公報 特開平１１−２１０７７号公報

フックに吊り下げられた荷物の挙動を高精度に制御できるクレーンを提供する。また、荷物が目標位置に到達するのを保証でき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、
前記フックに荷物を吊り下げた状態で当該荷物を運搬するクレーンにおいて、
前記荷物の運搬に供する各種のアクチュエータと、
前記アクチュエータの稼動を指示するコントローラと、が搭載され、
更に前記荷物の挙動を予測する予測モデル並びに最適化問題を解くことによって前記アクチュエータの制御入力を定める最適化器で構成された外部又は内部のコンピュータと通信可能になっており、
前記コンピュータにおける前記予測モデルは、多階層のニューラルネットワークを用いた人工知能であり、前記ニューラルネットワークの入力層に前記アクチュエータの制御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前記荷物の挙動データを出力する、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、
前記コンピュータにおける前記最適化器は、前記荷物の目標経路に対して現実経路の誤差が最小となる前記アクチュエータの制御入力を特定する、ものである。

第三の発明は、第一又は第二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、前記アクチュエータの制御データと前記荷物の挙動データ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。

第四の発明は、第一から第三のいずれかの発明に係るクレーンにおいて、
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前記荷物の目標経路及び／又は現実経路を表示する、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、
前記コンピュータは、通信ネットワークを経由して前記学習用データを取得して前記予測モデルを更新できる、ものである。

第六の発明は、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、
前記コンピュータは、通信ネットワークを経由して制約条件を取得して前記最適化器を更新できる、ものである。

第一の発明に係るクレーンにおいては、荷物の挙動を予測する予測モデル並びに最適化問題を解くことによってアクチュエータの制御入力を定める最適化器で構成された外部又は内部のコンピュータと通信可能になっている。そして、コンピュータにおける予測モデルは、多階層のニューラルネットワークを用いた人工知能であり、ニューラルネットワークの入力層にアクチュエータの制御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荷物の挙動データを出力する。かかる技術的思想によれば、フックに吊り下げられた荷物の挙動を正確に予測し、これに基づいてアクチュエータの制御入力を定めることが可能となる。従って、アクチュエータを高精度に制御でき、ひいてはフックに吊り下げられた荷物の挙動を高精度に制御できる。また、外部又は内部のコンピュータを用いて荷物の挙動を予測し、なおかつアクチュエータの制御入力を定め、その結果に基づいてアクチュエータを稼動させることが可能となる。従って、計算負荷に関わらず予測区間を長く確保することができ、ひいては荷物が目標位置に到達するのを保証できる。

第二の発明に係るクレーンにおいて、コンピュータにおける最適化器は、荷物の目標経路に対して現実経路の誤差が最小となるアクチュエータの制御入力を特定する。かかる技術的思想によれば、フックに吊り下げられた荷物の目標経路に対して現実経路の追従性を高めることができる。

第三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、アクチュエータの制御データと荷物の挙動データ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。かかる技術的思想によれば、荷物の挙動について正確に予測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、ディスプレイに荷物の目標経路及び／又は現実経路を表示する。かかる技術的思想によれば、操縦者が荷物の目標経路及び／又は現実経路を視認することができる。

第五の発明に係るクレーンにおいて、コンピュータは、通信ネットワークを経由して学習用データを取得して予測モデルを更新できる。かかる技術的思想によれば、最新の予測モデルによって荷物の挙動を予測することが可能となる。

第六の発明に係るクレーンにおいて、コンピュータは、通信ネットワークを経由して制約条件を取得して最適化器を更新できる。かかる技術的思想によれば、最新の最適化器によってアクチュエータの制御入力を定めることが可能となる。

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。 コンピュータの構成を示す図。 モデル予測制御の概要を示す図。 予測モデルの構成を示す図。 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。 荷物を運搬する際の制御態様を示す図。 荷物の現在位置を表示した状態を示す図。 荷物の目標位置を表示した状態を示す図。 荷物の目標経路を表示した状態を示す図。 荷物の現実経路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、旋回レバー３１や伸縮レバー３２、起伏レバー３３、巻回レバー３４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１６について説明する。

操縦システム１６は、主にコントローラ２０で構成されている。

コントローラ２０は、ＲＯＭによって情報記憶部２１を構成している。情報記憶部２１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、コントローラ２０は、ＣＰＵやＲＯＭ、ＲＡＭなどによって情報受信部２２を構成している。情報受信部２２は、通信ネットワークＮを経由して外部又は内部のコンピュータ５０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に関する情報や後述するアクチュエータの制御入力などの情報を取得することができる。こうして取得した情報は、情報記憶部２１に納められる。

更に、コントローラ２０は、ＣＰＵやＲＯＭ、ＲＡＭなどによって情報処理部２３を構成している。情報処理部２３は、コンピュータ５０から取得した制御入力に基づいて電気信号に変換し、アクチュエータを稼動させる各種バルブ３５〜３８へ送信する。こうして、コントローラ２０は、ブーム７の稼動（旋回動作・伸縮動作・起伏動作）及びウインチ１０の稼動（巻入動作・巻出動作）を実現する。

詳しく説明すると、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モータ１２と定義する（図１参照）。旋回用モータ１２は、方向制御弁である旋回用バルブ３５によって適宜に稼動される。つまり、旋回用モータ１２は、旋回用バルブ３５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３５は、コントローラ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、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シリンダ１３と定義する（図１参照）。伸縮用シリンダ１３は、方向制御弁である伸縮用バルブ３６によって適宜に稼動される。つまり、伸縮用シリンダ１３は、伸縮用バルブ３６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３６は、コントローラ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、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シリンダ１４と定義する（図１参照）。起伏用シリンダ１４は、方向制御弁である起伏用バルブ３７によって適宜に稼動される。つまり、起伏用シリンダ１４は、起伏用バルブ３７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３７は、コントローラ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、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モータ１５と定義する（図１参照）。巻回用モータ１５は、方向制御弁である巻回用バルブ３８によって適宜に稼動される。つまり、巻回用モータ１５は、巻回用バルブ３８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３８は、コントローラ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１６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は、それぞれコントローラ２０に接続されている。

レーザセンサ４１は、地表面を走査するものである。レーザセンサ４１は、地表面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（図１参照）。また、レーザセンサ４１は、地表面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トローラ２０に送信する。具体的に説明すると、レーザセンサ４１は、地表面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トローラ２０に送信する。こうして、コントローラ２０は、地形や建築物などを仮想空間上で再現した三次元マップＭを作成することができる（図１１から図１４参照）。

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、操縦者が各種レバー３１〜３４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、コントローラ２０に接続されている（図３参照）。そのため、コントローラ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、コントローラ２０へ情報を提供することもできる。

次に、図４から図９を用いて、コンピュータ５０について説明する。

コンピュータ５０は、ＲＯＭによって情報記憶部５１を構成している。情報記憶部５１は、アクチュエータ（旋回用モータ１２・伸縮用シリンダ１３・起伏用シリンダ１４・巻回用モータ１５）の制御入力を定めるためのプログラムが記憶されている。

また、コンピュータ５０は、ＣＰＵやＲＯＭ、ＲＡＭなどによって情報受信部５２を構成している。情報受信部５２は、通信ネットワークＮを経由して遠隔サーバＳ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に関する情報や後述する学習用データＤｓなどの情報を取得することができる。こうして取得した情報は、情報記憶部５１に納められる。

更に、コンピュータ５０は、ＣＰＵやＲＯＭ、ＲＡＭなどによって情報処理部５３を構成している。情報処理部５３は、予測モデル５４と最適化器５５によって、いわゆるモデル予測制御（ＭＰＣ：Ｍｏｄｅｌ Ｐｒｅｄｉｃｔｉｖｅ Ｃｏｎｔｒｏｌ）を可能としている。予測モデル５４は、フック９に吊り下げられた荷物Ｌの挙動を予測する。最適化器５５は、最適化問題を解くことによってアクチュエータ（旋回用モータ１２・伸縮用シリンダ１３・起伏用シリンダ１４・巻回用モータ１５）の制御入力を定める。

ここで、モデル予測制御について簡単に説明しておく。既に荷物Ｌの目標経路Ｒｔが与えられているものとする（図５参照）。また、ｕ（ｔ）は制御入力、ｙ（ｔ）は制御出力を表す。

コンピュータ５０は、現時刻ｋにおける荷物Ｌの挙動に基づいて徐々に目標経路Ｒｔに近づく参照経路Ｒｒを算出する。また、コンピュータ５０は、現時刻ｋから所定時間Ｈｐを経過した時刻ｋ＋Ｈｐまでの挙動を予測する（予測経路Ｒｐを算出する）。このときの所定時間Ｈｐは、「予測ホライズン」と呼ばれ、時刻ｋ＋Ｈｐで参照経路Ｒｒと予測経路Ｒｐが交差するようにアクチュエータ（旋回用モータ１２・伸縮用シリンダ１３・起伏用シリンダ１４・巻回用モータ１５）の制御入力が定められる。そして、コンピュータ５０は、現時刻ｋから「制御ホライズン」と呼ばれる所定時間Ｈｕの間で制御入力を行うものと決定する。その後、コンピュータ５０は、時刻ｋ＋Ｈｕを現時刻ｋ＋Ｈｕとして同様のルーチンを繰り返すのである。なお、本願における予測区間Ｔは、「予測ホライズン」と同義である。

本クレーン１の特徴として、コンピュータ５０における予測モデル５４は、多階層のニューラルネットワーク６０を用いた人工知能である（図６参照）。「多階層のニューラルネットワーク６０」とは、入力層６１と出力層６２のほか、複数の隠れ層６３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６０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。ニューラルネットワーク６０は、ニューロンに相当するノード６４をシナプスに相当する回路６５でつなぎ、ある階層のノード６４から次の階層のノード６４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６０は、回路６５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６４で閾値を超える度に次のノード６４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６０は、学習フェーズにおいてフック９に吊り下げられた荷物Ｌの挙動を予測するという機能を獲得する（図７参照）。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６５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６０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６０は、利用フェーズにおいてフック９に吊り下げられた荷物Ｌの挙動を予測する（図８参照）。「荷物Ｌの挙動」には、荷物Ｌの慣性に起因する振れやブーム７の撓みに起因する振れをも含んでいる（図１における矢印Ｅ参照）。動的特性を数式で表すものではないため、外乱などに対してロバスト性が高くなる。また、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、正確な挙動を予測できる。但し、情報処理部５３に別途のプログラムを構成し、正確な挙動を予測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。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、アクチュエータ（旋回用モータ１２・伸縮用シリンダ１３・起伏用シリンダ１４・巻回用モータ１５）の制御データと荷物Ｌの挙動データを組み合わせたものである。換言すると、各種レバー３１〜３４をどのように操作したかをまとめたデータとそれによって荷物Ｌがどのように動いたかをまとめたデータを組み合わせたものである（図９参照）。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、各種レバー３１〜３４の操作データから荷物Ｌの挙動データを予測できるようになるまで重みＷの値を修正する。つまり、ひたすら予測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。

加えて、本クレーン１においては、クレーン１が荷物Ｌを吊り上げて運搬することで学習用データＤｓを作成することができる。このため、クレーン１は、自らが得た学習用データＤｓを用いてニューラルネットワーク６０を更新することができる。これにより、クレーン１は、常に最新の予測モデル５４によって荷物Ｌの挙動を予測することが可能となる。また、経年劣化などを織り込んだ予測を実現することも可能となる。更に、本クレーン１は、通信ネットワークＮを介して学習用データＤｓを取得してニューラルネットワーク６０を更新することもできる。これによっても、クレーン１は、常に最新の予測モデル５４によって荷物Ｌの挙動を予測することが可能となる。また、充実した学習用データＤｓに基づいた予測を実現することも可能となる。但し、このような更新機能を有していないとしてもよい。

他方、コンピュータ５０における最適化器５５は、フック９に吊り下げられた荷物Ｌの目標経路Ｒｔに対して現実経路Ｒａの誤差が最小となるアクチュエータ（旋回用モータ１２・伸縮用シリンダ１３・起伏用シリンダ１４・巻回用モータ１５）の制御入力を特定する。このとき、最適化器５５は、荷物Ｌの挙動に対して課された制約条件を満たすよう、達成度をコスト関数Ｃにて表し、かつ誤差が最小となるように計算する。そして、計算の結果に基づいてアクチュエータ（１２・１３・１４・１５）の制御入力を特定するのである。なお、以下に旋回動作に関するコスト関数Ｃの一例（数１）を示す。「Ｂ」はバリア関数を表す。「θ」は旋回角度、「Δｐｏｓ」は荷振れ距離、「ｕ」は旋回レバー３１の操作量である。従って、コスト関数Ｃの各項は、目標旋回角度までの距離、荷振れの距離、荷振れの最大制限、旋回レバー３１による入力の最大制限、旋回レバー３１による入力速度の変化、を表している。更に、目標位置に到達するか否かの評価項を加えてもよい。かかる評価項は、障害物によって目標位置に到達できない場合に大きな値となるように設計される。

加えて、本クレーン１においては、操縦者が制約条件を設定することができる。このため、クレーン１は、操縦者が設定した制約条件を満たすように最適化器５５を更新することができる。これにより、クレーン１は、常に最新の最適化器５５によってアクチュエータ（旋回用モータ１２・伸縮用シリンダ１３・起伏用シリンダ１４・巻回用モータ１５）の制御入力を定めることが可能となる。また、操縦者の要求を反映させることも可能となる。更に、本クレーン１は、通信ネットワークＮを介して制約条件を取得して最適化器５５を更新することもできる。これによっても、クレーン１は、常に最新の最適化器５５によってアクチュエータ（１２・１３・１４・１５）の制御入力を定めることが可能となる。また、その他の者の要求を反映させることも可能となる。但し、このような更新機能を有していないとしてもよい。

次に、図１０から図１４を用いて、荷物Ｌを運搬する際の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５０は、荷物Ｌの現在位置Ｐｃを算出する。つまり、コンピュータ５０は、走行体２の位置とブーム７の姿勢などから荷物Ｌの三次元座標を算出する。このとき、ディスプレイ４２の三次元マップＭ上に現在位置Ｐｃを表す三次元座標が表示されるとしてもよい（図１１参照：（○，△，□））。

ステップＳ２において、コンピュータ５０は、荷物Ｌの目標位置Ｐｔを把握する。つまり、コンピュータ５０は、操縦者やその他の者が荷物Ｌの目標位置Ｐｔとして入力した三次元座標を把握する。このとき、ディスプレイ４２の三次元マップＭ上に目標位置Ｐｔを表す三次元座標が表示されるとしてもよい（図１２参照：（●，▲，■））。

ステップＳ３において、コンピュータ５０は、荷物Ｌの目標経路Ｒｔを作成する。つまり、コンピュータ５０は、荷物Ｌの現在位置Ｐｃと目標位置Ｐｔ、荷物Ｌの形状、作業現場の三次元マップＭに基づいて目標経路Ｒｔを作成する。このとき、コンピュータ５０は、ディスプレイ４２を見る操縦者にも目標経路Ｒｔが分かるよう、三次元マップＭ上に目標経路Ｒｔを表示するとしてもよい（図１３参照）。なお、何を優先して目標経路Ｒｔを作成するかは選択できるのが好ましい。また、コンピュータ５０が目標経路Ｒｔを作成するのではなく、操縦者などが直接的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５０は、アクチュエータ（旋回用モータ１２・伸縮用シリンダ１３・起伏用シリンダ１４・巻回用モータ１５）の制御入力を特定する。つまり、コンピュータ５０は、予測モデル５４を用いて荷物Ｌの挙動を予測し、最適化器５５が最適化問題を解くことによってアクチュエータ（１２・１３・１４・１５）の制御入力を特定する。このとき、コンピュータ５０は、現時刻ｋから十分に先まで予測区間Ｔとすることにより、荷物Ｌが目標位置Ｐｔに到達するのを保証する。少なくとも荷物Ｌが遠方まで到達するのを保証する。そして、コンピュータ５０は、コントローラ２０へアクチュエータ（１２・１３・１４・１５）の制御入力を伝達する。

ステップＳ５において、コントローラ２０は、フック９を動かして荷物Ｌを運搬する。つまり、コントローラ２０は、アクチュエータ（旋回用モータ１２・伸縮用シリンダ１３・起伏用シリンダ１４・巻回用モータ１５）を稼動させてフック９を動かし、これによって荷物Ｌを運搬する。このとき、コンピュータ５０は、ディスプレイ４２を見る操縦者にも現実経路Ｒａが分かるよう、コントローラ２０を介して三次元マップＭ上に現実経路Ｒａを表示するとしてもよい（図１４参照）。更に、コンピュータ５０は、ディスプレイ４２を見る操縦者にも荷物Ｌが目標位置Ｐｔに到達したのが分かるよう、コントローラ２０を介して運搬が完了した旨のコメントなどを表示するとしてもよい。

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においては、荷物Ｌの挙動を予測する予測モデル５４並びに最適化問題を解くことによってアクチュエータ（旋回用モータ１２・伸縮用シリンダ１３・起伏用シリンダ１４・巻回用モータ１５）の制御入力を定める最適化器５５で構成された外部又は内部のコンピュータ５０と通信可能になっている。そして、コンピュータ５０における予測モデル５４は、多階層のニューラルネットワーク６０を用いた人工知能であり、ニューラルネットワーク６０の入力層６１にアクチュエータ（１２・１３・１４・１５）の制御データを入力すると、ニューラルネットワーク６０の出力層６２から荷物Ｌの挙動データを出力する。かかる技術的思想によれば、フック９に吊り下げられた荷物Ｌの挙動を正確に予測し、これに基づいてアクチュエータ（１２・１３・１４・１５）の制御入力を定めることが可能となる。従って、アクチュエータ（１２・１３・１４・１５）を高精度に制御でき、ひいてはフック９に吊り下げられた荷物Ｌの挙動を高精度に制御できる。また、外部又は内部のコンピュータ５０を用いて荷物Ｌの挙動を予測し、なおかつアクチュエータ（１２・１３・１４・１５）の制御入力を定め、その結果に基づいてアクチュエータ（１２・１３・１４・１５）を稼動させることが可能となる。従って、計算負荷に関わらず予測区間Ｔを長く確保することができ、ひいては荷物Ｌが目標位置Ｐｔに到達するのを保証できる。

また、本クレーン１において、コンピュータ５０における最適化器５５は、荷物Ｌの目標経路Ｒｔに対して現実経路Ｒａの誤差が最小となるアクチュエータ（旋回用モータ１２・伸縮用シリンダ１３・起伏用シリンダ１４・巻回用モータ１５）の制御入力を特定する。かかる技術的思想によれば、フック９に吊り下げられた荷物Ｌの目標経路Ｒｔに対して現実経路Ｒａの追従性を高めることができる。

更に、本クレーン１において、ニューラルネットワーク６０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、アクチュエータ（旋回用モータ１２・伸縮用シリンダ１３・起伏用シリンダ１４・巻回用モータ１５）の制御データと荷物Ｌの挙動データ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６５の重み付けを調整したものである。かかる技術的思想によれば、荷物Ｌの挙動について正確に予測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５０は、ディスプレイ４２に荷物Ｌの目標経路Ｒｔ及び／又は現実経路Ｒａを表示する。かかる技術的思想によれば、操縦者が荷物Ｌの目標経路Ｒｔ及び／又は現実経路Ｒａを視認することができる。

更に、本クレーン１において、コンピュータ５０は、通信ネットワークＮを経由して学習用データＤｓを取得して予測モデル５４を更新できる。かかる技術的思想によれば、最新の予測モデル５４によって荷物Ｌの挙動を予測することが可能となる。

更に、本クレーン１において、コンピュータ５０は、通信ネットワークＮを経由して制約条件を取得して最適化器５５を更新できる。かかる技術的思想によれば、最新の最適化器５５によってアクチュエータ（旋回用モータ１２・伸縮用シリンダ１３・起伏用シリンダ１４・巻回用モータ１５）の制御入力を定めることが可能となる。

最後に、本願においては、コンピュータ５０がクレーン１の外部に置かれているか内部に置かれているかを限定しない。また、コンピュータ５０がクレーン１の内部に置かれている場合は、コントローラ２０と一体であってもよい。つまり、コンピュータ５０は、コントローラ２０に設けられた別途の情報処理部であってもよい。加えて、本願においては、発明の対象を「フックに吊り下げられた荷物の挙動を高精度に制御できるクレーン」としたが、「フックに吊り下げられた荷物の挙動を高精度に制御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 旋回用モータ（アクチュエータ）
１３ 伸縮用シリンダ（アクチュエータ）
１４ 起伏用シリンダ（アクチュエータ）
１５ 巻回用モータ（アクチュエータ）
１６ 操縦システム
２０ コントローラ
２１ 情報記憶部
２２ 情報受信部
２３ 情報処理部
５０ コンピュータ
５１ 情報記憶部
５２ 情報受信部
５３ 情報処理部
５４ 予測モデル
５５ 最適化器
６０ ニューラルネットワーク
６１ 入力層
６２ 出力層
６３ 隠れ層
６４ ノード
６５ 回路
Ｃ コスト関数
Ｄｓ 学習用データ
Ｌ 荷物
Ｎ 通信ネットワーク
Ｒａ 現実経路
Ｒｔ 目標経路
Ｔ 予測区間
Ｗ 重み

Claims (5)

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、
   前記フックに荷物を吊り下げた状態で当該荷物を運搬するクレーンにおいて、
   前記荷物の運搬に供する各種のアクチュエータと、
   前記アクチュエータの稼動を指示するコントローラと、が搭載され、
   更に前記荷物の挙動を予測する予測モデル並びに最適化問題を解くことによって前記アクチュエータの制御入力を定める最適化器で構成された外部のコンピュータと通信可能になっており、
   前記コンピュータにおける前記予測モデルが多階層のニューラルネットワークを用いた人工知能であり、前記ニューラルネットワークの入力層に前記アクチュエータの制御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前記荷物の挙動データ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、荷物を吊り上げて運搬することで得られる前記アクチュエータの制御データと前記荷物の挙動データ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、
   前記ブームの旋回動作を行う際に、前記最適化器は、前記ブームの旋回角度と、前記荷物の荷振れ距離と、前記ブームの旋回レバーの操作量と、を変数として含むコスト関数の計算の結果に基づいて前記アクチュエータの制御入力を特定する、ことを特徴とするクレーン。
2. 前記コンピュータにおける前記最適化器は、前記荷物の目標経路に対して現実経路の誤差が最小となる前記アクチュエータの制御入力を特定する、ことを特徴とする請求項１に記載のクレーン。
3. 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前記荷物の目標経路及び／又は現実経路を表示する、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. 前記コンピュータは、通信ネットワークを経由して前記学習用データを取得して前記予測モデルを更新できる、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。
5. 前記コンピュータは、通信ネットワークを経由して制約条件を取得して前記最適化器を更新できる、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