JP6833195B2 - データ指向型フィードバック制御装置およびデータ指向型フィードバック制御方法 - Google Patents

Description

本発明は、データ指向型フィードバック制御装置およびデータ指向型フィードバック制御方法に関するものである。

下記特許文献１には、蓄積データに基づいて、制御パラメータを調整し、制御対象の温度や圧力などの物理状態を制御する制御装置が開示されている。

また、下記特許文献２には、まばたきセンサ、皮膚抵抗センサから生体情報を取得し、作業内容を的確に制御する心理状態評価方法が開示されている。

特許第４８２５９６０号 特開平１１−６５４２２号公報

しかしながら、上記特許文献１は、人間を対象にしたものでなく、人間の心理に関するデータを用いるものでない。また、上記特許文献２は、まばたきセンサ、皮膚抵抗センサから生体情報を取得するものの、どの様にフィードバックのパラメータとして活用し、どの様に人間を最適な心理状態にするかを示す制御装置でない。

この様に、人間の心理状態（快適度、感性）を考慮した制御装置が存在せず、短下肢装置、アシスト装置等では、フィードバック制御が行われるものの、これらを装着した人間の心理状態（快適度、感性）をデータとして活用していないので、装着感、使用感を満足した装置を提供出来ていない状況であった。

本発明はこの問題を解決するものであり、人間（非線形）に対する短下肢装置等の制御装置において、物理量に対する制御の他に、人間の心理状態（例えば感性）をフィ−ドバック制御する制御を行う事により、装着感、使用感を満足したデータ指向型フィードバック制御装置およびデータ指向型フィードバック制御方法を提供することを目的とする。

本発明の一局面に従ったデータ指向型フィードバック制御装置は、入力される操作量ｕ（ｔ）に基づき、人間に対する制御量θ（ｔ）を決定する制御対象装置と、入力される推定目標値ｗ（ｔ）と制御量θ（ｔ）の差分ｖ（ｔ）に基づき、操作量ｕ（ｔ）を決定する第１の制御手段と、制御量θ（ｔ）に対応する人間の生体情報ｂｉｏ（ｔ）を検出し、この生体情報ｂｉｏ（ｔ）に基づき、人間の心理状態を判別し、この心理状態に対応する心理出力値ｙ（ｔ）を決定する心理判別手段と、人間の心理状態の目標値ｒ（ｔ）と心理出力値ｙ（ｔ）との差分ε（ｔ）が入力され、差分ε（ｔ）に基づき、推定目標値ｗ（ｔ）を決定する第２の制御手段を備えている。

また、本発明の別の一局面に従ったデータ指向型フィードバック制御方法は、制御対象装置が、入力される操作量ｕ（ｔ）に基づき、人間に対する制御量θ（ｔ）を決定し、第１の制御手段が、入力される推定目標値ｗ（ｔ）と制御量θ（ｔ）の差分ｖ（ｔ）に基づ
き、操作量ｕ（ｔ）を決定し、心理判別手段が、制御量θ（ｔ）に対応する人間の生体情報ｂｉｏ（ｔ）を検出し、この生体情報ｂｉｏ（ｔ）に基づき、人間の心理状態を判別し、この心理状態に対応する心理出力値ｙ（ｔ）を決定し、第２の制御手段が、人間の心理状態の目標値ｒ（ｔ）と心理出力値ｙ（ｔ）との差分ε（ｔ）に基づき、推定目標値ｗ（ｔ）を決定する。

本発明によると、短下肢装置等の制御対象である装置から、快適度、感性等の人間の生体情報を検出し、これにより、人間の心理状態を判別し、この心理状態に対応した値を制御パラメータとして活用するので、装着感、使用感を十分に満足させられるデータ指向型フィードバック制御装置およびデータ指向型フィードバック制御方法を提供できる。

本発明の第１の実施例を示す全体構成図 感性多軸モデル図 ＦＲＩＴ法の解析による制御パラメータの算出の回路構成を示す図 本発明の第２の実施例を示す全体構成図 踝回転誤差と快適度の関係を示す図 模式的に、人間の踝Ａ、膝Ｂ、ヒップＣの配置を示した図 固定ＰＩＤゲイン時の、目標踝回転量ｒ_θと踝回転量θ(t)の関係を示す図 可変ＰＩＤゲイン時の、目標踝回転量ｒ_θと踝回転量θ(t)の関係を示す図

以下、適宜図面を参照しながら、実施の形態を詳細に説明する。ただし、必要以上に詳細な説明は省略する場合がある。例えば、既によく知られた事項の詳細説明や実質的に同一の構成に対する重複説明を省略する場合がある。これは、以下の説明が不必要に冗長になるのを避け、当業者の理解を容易にするためである。

なお、発明者らは、当業者が本発明を十分に理解するために添付図面および以下の説明を提供するのであって、これらによって特許請求の範囲に記載の主題を限定することを意図するものではない。

以下、本発明の第１、第２の実施例を、回路構成、データ制御等の内容に従って、順次説明する。

（１）実施例１
本実施例は、本発明に係る基本的な構成を備えたものである。
（全体回路構成）
図１は、本発明の基本構成を示す図面である。同図において、制御対象装置１は、入力される操作量ｕ（ｔ）に基づき、人間に対する制御量θ（ｔ）を決定する。第１の制御手段（Primary Controller）２は、入力される推定目標値ｗ（ｔ）と制御量θ（ｔ）の差分ｖ（ｔ）に基づき、制御対象装置１に対する操作量ｕ（ｔ）を決定する。心理判別手段３は、制御量θ（ｔ）に対応する人間の生体情報ｂｉｏ（ｔ）を検出し、この生体情報ｂｉｏ（ｔ）に基づき、人間の心理状態を判別し、この心理状態に対応する心理出力値ｙ（ｔ）を決定する。第２の制御手段（Secondary Controller）４は、入力される人間の心理状態の目標値ｒ（ｔ）と心理出力値ｙ（ｔ）との差分ε（ｔ）に基づき、推定目標値ｗ（ｔ）を決定する。

ここで、第１の制御手段２の入出力関係は、次の関係に基づくＰＤ制御がなされる。ここでのＰＤ制御においては、ゲインＫ_Ｐ１、Ｋ_Ｄ１は、固定した定数を用いている。

なお、一般的には、ＰＩＤ制御では、積分動作も考慮するが、ここでは積分動作を考慮せずに便宜的にＰＤ制御としている。その理由は、下述の短下肢装置等の人間を対象とする装置では、積分動作を考慮せずにＰＤ制御で十分だからである。ただし、例えば制御対象装置１がエアコン等の場合、人間の心理状態に応じてエアコンを制御して部屋の温度をコントロールするには積分動作を考慮する必要がある。従って、制御対象装置１をＰＩＤ制御するのかあるいはＰＤ制御するかは積分動作の必要性に応じて適宜決めればよい。また、便宜上、ＰＤ制御においてゲインＫ_Ｐ１、Ｋ_Ｄ１を固定した定数としたが、制御対象装置１によっては、これらゲインは可変であり得る。

また、第２の制御手段４の入出力関係は、次のＰＩＤ制御がなされる。この内容については、後述する。

この様に、本実施例では、人間の生体情報ｂｉｏ（ｔ）に基づく心理出力値ｙ（ｔ）を制御パラメータに用いているので、人間の心理状態（快適度、感性等）を反映した装置の提供が可能になる。

（生体情報検出１）
なお、人間の生体情報ｂｉｏ（ｔ）を検出する手段として、ＣＣＤカメラによる顔表情の検出、心拍センサによる心拍の検出、ＣＣＤカメラによる呼吸（回数や深さ）検出、皮膚インピーダンスセンサによる皮膚抵抗検出、筋電センサによる上肢筋電、下肢筋電の検出、マイクによる音声情報検出等が考えられ、適時、一つ或いは二つ以上の検出手段を用いて、生体情報を検出することが出来る。

（生体情報検出２）
次に、人間の生体情報ｂｉｏ（ｔ）として、「感性」を例に述べる。

人は何かを見たり、聞いたり、あるいは何かに触れたり、触れられたりしたときに、わくわくしたり、うきうきしたり、はらはらしたり、どきどきしたりといった感情あるいは情動を抱くことがある。そのような感情あるいは情動は人の複雑で高次の脳活動によってもたらされると考えられ、感情あるいは情動の形成には、運動神経および感覚神経を含む体性神経系、交感神経および副交感神経を含む自律神経系、さらには記憶や経験などが深く関与していると考えられる。感性を、外受容感覚情報（体性神経系）と内受容感覚情報（自律神経系）を統合し、過去の経験、記憶と照らし合わせて生じる情動反応を、より上位のレベルで俯瞰する高次脳機能と定義する。換言すると、感性は、予測（イメージ）と結果（感覚情報）とのギャップを経験・知識と比較することによって“はっ”と気付く高
次脳機能であると言える。

このような高次脳機能である感性は、種々の観点あるいは側面から総合的に感性を捉える必要がある。

例えば、人が快い、快適、あるいは心地よいと感じているか、あるいは反対に人が気持ち悪い、不快、あるいは心地よくないと感じているかといった「快／不快」の観点あるいは側面から感性を捉えることができる。

また、例えば、人が覚醒、興奮、あるいは活性状態にあるか、あるいは反対に人がぼんやり、沈静、あるいは非活性状態にあるかといった「活性／非活性」の観点あるいは側面から感性を捉えることができる。

また、例えば、人が何かを期待あるいは予期してわくわくしているか、あるいは反対にわくわく感が阻害されているかといった「期待感」の観点あるいは側面から感性を捉えることができる。

快／不快および活性／非活性を２軸に表したラッセル（Russell）の円環モデルが知ら
れている。感情はこの円環モデルで表すことができる。しかし、感性は予測（イメージ）と結果（感覚情報）とのギャップを経験・知識と比較する高次脳機能であるので、快／不快および活性／非活性の２軸からなる既存の円環モデルでは十分に表し得ない。そこで、本発明者らは、ラッセルの円環モデルに、時間軸（たとえば、期待感）を第３軸として加えた感性多軸モデルとして、感性を考えている。

図２は、本発明において採用する感性多軸モデルの模式図である。感性多軸モデルは、「快／不快」を第１軸、「活性／非活性」を第２軸、「時間（期待感）」を第３軸として表すことができる。感性を多軸モデル化することのメリットは、各軸に評価値を算出し、それらを総合することで、漠然と広い概念の感性を定量的に評価する、すなわち、可視化することができる点にある。具体的には、感性多軸モデルの各軸の脳生理情報から、各軸の脳生理指標値（EEG_快，EEG_活性，EEG_期待感）を求め、被験者の主観的な統計データか
ら得られた、感性多軸モデルの各軸の重み付け係数（a，b，c）を示す主観心理軸を用い
て、次の計算式で、感性値を評価する事が出来ることが実証されている。

感性値＝[主観心理軸]＊[脳生理指標]＝a＊EEG_快＋b＊EEG_活性＋c＊EEG_期待感
従って、この感性値を、心理出力値ｙ（ｔ）として用いれば、人間の感性を導入したデータ指向型フィードバック制御装置が実現される。

（データ制御）
１．第２の制御手段４の設計手順
本実施例では、下記の手順により，第２の制御手段４の設計を行っている。

［ＳＴＥＰ１］初期データベースの作成
データ駆動型制御では、過去の蓄積データが存在しない場合、原理的にＰＩＤゲインを算出することができない。したがって、適当なＰＩＤゲインを使用し、それによる入出力データとＰＩＤゲインからなる情報ベクトルによって初期データベースを作成する。

ここで、上式は、時刻ｊにおける、第２の制御手段４内のデータである。

さらに，^￣φ（ｊ）とＫ（ｊ）は以下の式により与えられる。

ここで，Ｎはデータ数（初期データベースにおける情報ベクトルの数）を表す。初期データベースにおけるＰＩＤゲインは固定であるので，Ｋ（１）＝Ｋ（２）＝…＝Ｋ（Ｎ）である。

上式から明らかな様に、時刻ｔにおいて、第２の制御手段４内のデータベースには、目標値ｒ（ｔ＋１）、心理出力値ｙ（ｔ）、過去の心理出力値ｙ（ｔ−１）・・・、過去の推定目標値ｗ（ｔ−１）・・・と、最新のＰＩＤゲインＫ（ｔ）が蓄積されている。

［ＳＴＥＰ２］距離の選択、近傍の選択
要求点^￣φ（ｔ）とデータベースに蓄えられている情報ベクトル^￣φ（ｊ）との距離を次式の重みつきＬ_１ノルムにより求める。

ここで、^￣φ_ｌ（ｊ）は第ｊ番目の情報ベクトルの第ｌ番目の要素を表している。同じく、^￣φ_ｌ（ｔ）は時刻ｔにおける要求点の第ｌ番目の要素を表している。さらに、ｍａｘ^￣φ_ｌ（ｍ）はデータベースにあるすべての情報ベクトル（^￣φ（ｊ），ｊ＝１，２，…，Ｎ）の第ｌ番目の要素の中で最も大きな要素を、ｍｉｎ^￣φ_ｌ（ｍ）はその最小値を示している。いま、上式により求められた、距離ｄが小さいものからｋ個の情報ベクトルを選択し、その選択されたデータ集合を近傍として定義している。この距離データを使用して、或る時間におけるＰＩＤゲインを最新データに置き換えがなされる。

［ＳＴＥＰ３］局所コントローラの構成
次に、ＳＴＥＰ２において選択された近傍に対して、以下で示される，重みつき局所線形平均法（Linearly Weighted Average：LWA）により局所コントローラを構成する。

ここで、ω_ｉは選択された第ｉ番目の情報ベクトルに含まれるＫ（ｉ）に対する重みであり、次式で与える。

以上の手順により各時刻におけるＰＩＤゲインを算出することができる。なお、データ駆動型ＰＩＤ制御系によってＰＩＤゲインを適切に調整するためには、データベースの学習（制御パラメータの更新）を行う必要がある。そこで本実施例ではFictitious Reference Iterative Tuning（ＦＲＩＴ法）を適用し、データベースの構築に用いた初期データ
から学習によって、データベース内の各データセットにおけるＰＩＤゲインを、事前にオフラインで更新する方法を用いる。従って、オフライン更新後に［ＳＴＥＰ３］を適用することで、更新後のＰＩＤゲインを制御系に適用できる。

このオフラインでデータを更新する方法は、オンラインで行う場合に比較して、大幅に計算時間を短縮することが出来る効果がある。
２．ＦＲＩＴ法によるオフライン処理
図３は、一回の実験によって得られた入出力データｗ_０（ｔ），ｙ_０（ｔ）および、これらのデータから生成される擬似参照入力^〜ｒ（ｔ）によって制御器の制御パラメータを直接的に算出する方法を示している。同図において、符号４は第２の制御手段を、符号５は制御対象装置および第１の制御手段からなるシステムを、符号６は参照モデル作成手段を表す。この出力^〜ｙ_ｍ（ｔ）は最新の制御パラメータ作成に用いられる。

ここで、第２の制御手段４の入出力関係は次式となる。

したがって、目標値^〜ｒ（ｔ）は、実験データを用いて以下のように算出される。

ＦＲＩＴ法では、目標値^〜ｒ（ｔ）に対する参照モデルの出力を^〜ｙ_ｍ（ｔ）とし、^〜ｙ_ｍ（ｔ）とｙ_０（ｔ）の誤差が小さくなるような制御パラメータを決定する。
３．ＦＲＩＴ法を用いたデータ駆動型ＰＩＤ制御のオフライン学習
次に、ＦＲＩＴ法を用いたデータ駆動型ＰＩＤ制御のオフライン学習について、具体的に説明する。まず、閉ループデータでの要求点^￣φ_０（ｔ）におけるＰＩＤゲインを算出するために式（ａ）により、要求点とデータベース内の情報ベクトルの距離を計算し、ｋ個の近傍データを選択する。続いて、式（ｂ）を用いて以下のＰＩＤゲインＫ^ｏｌｄ（ｔ）を算出し、さらに、最急降下法を用いて、ＰＩＤゲインＫ^ｏｌｄ（ｔ）を学習し、新たにＫ^ｎｅｗ（ｔ）を導出する。この様にして、ＰＩＤゲインは最新のデータに書き換えがなされる。

ここで、ηは学習係数、Ｊ（ｔ＋１）は以下で定義される評価規範を表している。

ただし、^〜ｙ_ｍ（ｔ）は次式のように設計される。

なお、Ｐ（ｚ^−１）は参照モデルの特性多項式であり、次式で表される。

ここでδ，σはそれぞれ制御系の立ち上がり特性、減衰特性に関係するパラメータを示しており、設計時に任意に設定される。式（ｃ）の右辺第２項のそれぞれの偏微分は以下のように展開される。

ここで、Γ（ｔ）は以下のようになる。

この手順を式（ｄ）の評価規範が十分小さくなるまでオフライン学習を繰り返すことで、最適なデータベースを取得することができる。データ駆動制御を適用する際は、ステップ毎に、［ＳＴＥＰ１］−［ＳＴＥＰ３］の手順から局所コントローラを構成することにより、非線形システム（人の感性）に対してより有効な制御性能を得ることが可能となる。

（２）実施例２
本実施例は、本発明を短下肢装置に展開したものである。

（回路構成）
図４（ａ）は、本実施例の全体構成を示す図面であり、同図において、制御対象となる短下肢装置１１は、入力される操作量ｕ（ｔ）に基づき、人間に対する踝の回転量θ（ｔ）を決定する。第１の制御手段（Primary Controller）１２は、入力される推定目標値ｗ（ｔ）と踝回転量θ（ｔ）の差分ｖ（ｔ）に基づき、短下肢装置１１に対するトルク量ｕ（ｔ）を決定する。快適度判別手段１３は、踝回転量θ（ｔ）に対応し、人間の生体情報ｂｉｏ（ｔ）を検出し、この生体情報ｂｉｏ（ｔ）に基づき、人間の心理状態を判別し、この心理状態に対応する快適度ｙ（ｔ）を決定する。第２の制御手段（Secondary Controller）１４は、入力される人間の心理状態の目標値ｒ（ｔ）と快適度ｙ（ｔ）との差分ε（ｔ）に基づき、推定目標値ｗ（ｔ）を決定する。目標踝回転算出手段１５は、目標となる踝の目標踝回転量ｒ_θ（ｔ）を算出する。この目標踝回転量ｒ_θ（ｔ）はロボット工学の数式を活用して算出される（詳細は後述する）。

図４（ｂ）は、短下肢装置の全体図を示すもので、踝Ａの回転を、踝回転量θ（ｔ）としている。

（快適度判別手段の構成）
本実施例においては、人間の生体情報ｂｉｏ（ｔ）として、踝回転量θ（ｔ）と目標踝回転量ｒ_θ（ｔ）の差分ｅを用いており、快適度判別手段１３ではこの差分ｅに基づき、快適度ｙ（ｔ）を出力している。これは、実際の踝回転量が目標と踝回転量との間に、誤差（差分）があれば、この誤差に対応して人間の快適度が決定されるとの仮定に基づくものである。具体的にいうと、刺激と感覚量は刺激のｌｏｇに比例するとのウェーバー・フェヒナーの法則を利用し、次の関係式を導いている。ここで、Ｅは定数で、人間に依存して変化するものである。

図５は、誤差ｅと快適度ｙ（ｔ）の関係を示すものである。この図から明らかな様に、誤差ｅが大きければ、快適度ｙ（ｔ）が低下することがわかる。

（目標踝回転量算出手段の構成）
本実施例では、下記に示すロボット工学等で用いられる手法を用いて、目標踝回転量ｒ_θ（ｔ）を基準とし、人間に対する不快を与える誤差として、短下肢装置１１の出力である踝回転量θ（ｔ）と、目標踝回転量ｒ_θ（ｔ）を用いている。

本手段では、ｎ次多項式を用いた位置・速度・加速度の計画法を用い、目標踝回転量ｒ_θ（ｔ）を生成する。ここで、多項式とは次式で表現されるような時間関数を意味する。

ｎは多項式の次数であり、自然数とする。係数ａ_ｊ（ｊ＝０，１，２，…，ｎ）は初期条件や終端条件から決定される。上式を位置の関数とすると、速度、加速度はその一階、二階微分なので以下の式がそれぞれ得られる。

いま、ｎ＝５の場合の設計手順を示す。ｒ（ｔ），^・ｒ（ｔ），^・・ｒ（ｔ）は以下の通りとなる。

未知変数ａ_ｊは６つなので、初期条件（ｔ＝０：初期位置ｒ_θ（０），初期速度^・ｒ_θ（０），初期加速度^・・ｒ_θ（０））と終端条件（ｔ＝ｔ_ｅｎｄ：終端位置ｒ_θ（ｔ_ｅｎｄ），終端速度^・ｒ_θ（ｔ_ｅｎｄ），終端加速度^・・ｒ_θ（ｔ_ｅｎｄ））を設定すれば，未知変数ａ_ｊを次式により算出できる。

上式より算出したａ_ｊを式（ｅ）に代入することで、目標踝回転量ｒ_θ（ｔ）を算出することができる。

（データ制御）
この内容については、実施例１で示した内容と全く同じであるので、説明は省略する。

（シミュレーション結果）
次に、本実施例によるシミュレーション結果を示す。

図６はシミュレーションの結果を分かり易くするため、模式的に、人間の踝Ａ、膝Ｂ、ヒップＣの配置を示したものである。

図７、 図８にシミュレーション結果を示す。図７、 図８において、Ａ，Ｂ，Ｃは図６に対応している。ここで、図７は、第２の制御手段４がデータ駆動型制御ではなく固定ＰＩＤゲインを適用した結果であり，図８は本発明を適用し、図７の入出力データを用いて、データベースに含まれる可変ＰＩＤゲインを学習した制御結果である。

図７から、人は非線形システムで表現できるため、固定ＰＩＤゲインでは目標踝回転量（目標歩行）ｒ_θに踝回転量（実際の歩行）θ（ｔ）が追従できていないことがわかる。一方、図８の結果では、ＰＩＤゲインを学習することにより、適切に目標歩行推移に追従していることから、本発明によって良好な歩行を支援できることがわかる。

以上のように、本発明における技術の例示として、実施の形態を説明した。そのために、添付図面および詳細な説明を提供した。

したがって、添付図面および詳細な説明に記載された構成要素の中には、課題解決のために必須な構成要素だけでなく、上記技術を例示するために、課題解決のためには必須でない構成要素も含まれ得る。そのため、それらの必須ではない構成要素が添付図面や詳細な説明に記載されていることをもって、直ちに、それらの必須ではない構成要素が必須であるとの認定をするべきではない。

また、上述の実施の形態は、本発明における技術を例示するためのものであるから、特許請求の範囲またはその均等の範囲において種々の変更、置き換え、付加、省略などを行うことができる。

本発明のデータ指向型フィードバック制御装置およびデータ指向型フィードバック制御方法は、短下肢装置、アシスト装置等の様に直接人間の動作をアシストする装置のみでなく、間接的に人間に作用するエアコン等の家電製品、車等の移動手段にも適用可能であることは言うまでもない。

１ 制御対象装置
２ 第１の制御手段
３ 心理判別手段
４ 第２の制御手段
１１ 短下肢装置
１２ 第１の制御手段
１３ 快適度判別手段
１４ 第２の制御手段
１５ 目標踝回転量算出手段

Claims (9)

1. 入力される操作量ｕ（ｔ）に基づき、人間に対する制御量θ（ｔ）を決定する制御対象装置と、
   入力される推定目標値ｗ（ｔ）と制御量θ（ｔ）の差分ｖ（ｔ）に基づき、操作量ｕ（ｔ）を決定する第１の制御手段と、
   制御量θ（ｔ）に対応する人間の生体情報ｂｉｏ（ｔ）を検出し、この生体情報ｂｉｏ（ｔ）に基づき、人間の心理状態を判別し、この心理状態に対応する心理出力値ｙ（ｔ）を決定する心理判別手段と、
   人間の心理状態の目標値ｒ（ｔ）と心理出力値ｙ（ｔ）との差分ε（ｔ）が入力され、差分ε（ｔ）に基づき、推定目標値ｗ（ｔ）を決定する第２の制御手段とを備えた
   ことを特徴とするデータ指向型フィードバック制御装置。
2. 前記心理判別手段は、快・不快、活性・非活性、期待感の３つの情報を、生体情報ｂｉｏ（ｔ）として検出し、この３つの情報の相関性から感性値を決定し、この感性値を心理出力値ｙ（ｔ）とすることを特徴とする請求項１記載のデータ指向型フィードバック制御装置。
3. 前記第２の制御手段は、人間の心理状態の目標値ｒ（ｔ）、心理出力値ｙ（ｔ）、推定目標値ｗ（ｔ）を順次データベースに蓄積し、この蓄積データを用いて、ＰＩＤゲインＫ_Ｐ、Ｋ_Ｉ、Ｋ_Ｄを算出し、次の数式で表される最新の推定目標値ｗ（ｔ）を出力することを特徴とする請求項１または請求項２記載のデータ指向型フィードバック制御装置。
   
4. 前記第１の制御手段が、推定目標値ｗ（ｔ）と制御量θ（ｔ）の差分ｖ（ｔ）を入力とし、操作量ｕ（ｔ）を出力とした場合、次の数式で示される制御を行うことを特徴とする請求項１から請求項３の何れかに記載のデータ指向型フィードバック制御装置。
   （ただし、Ｋ_Ｐ１，Ｋ_Ｄ１はＰＤ制御のゲイン）
5. 入力される操作量ｕ（ｔ）に基づき、人間に対する踝回転量θ（ｔ）を決定する短下肢装置と、
   入力される推定目標値ｗ（ｔ）と踝回転量θ（ｔ）の差分ｖ（ｔ）に基づき、操作量ｕ（ｔ）を決定する第１の制御手段と、
   目標踝回転量ｒ_θ（ｔ）を出力する目標踝回転量算出手段と、
   踝回転量θ（ｔ）と目標踝回転量ｒ_θ（ｔ）の誤差ｅに対応した快適度ｙ（ｔ）を決定する快適度判別手段と、
   人間の心理状態の目標値ｒ（ｔ）と快適度ｙ（ｔ）との差分ε（ｔ） が入力され、差
   分ε（ｔ）に基づき、推定目標値ｗ（ｔ）を決定する第２の制御手段とを備えた
   ことを特徴とするデータ指向型フィードバック制御装置。
6. 前記快適度判別手段の入力を、踝回転量θ（ｔ）と目標踝回転量ｒ_θ（ｔ）の誤差ｅと
   し、その出力を快適度ｙ（ｔ）とした場合、次の数式で示される関係式が成立することを特徴とする請求項５記載のデータ指向型フィードバック制御装置。
   （ただし、Ｅは個人に起因する定数）
7. 前記第２の制御手段は、人間の心理状態の目標値ｒ（ｔ）、快適度ｙ（ｔ）、推定目標値ｗ（ｔ）を順次データベースに蓄積し、この蓄積データを用いて、ＰＩＤゲインＫ_Ｐ、Ｋ_Ｉ、Ｋ_Ｄを算出し、次の数式で表される最新の推定目標値ｗ（ｔ）を出力することを特徴とする請求項５または請求項６記載のデータ指向型フィードバック制御装置。
   
8. 前記第１の制御手段が、推定目標値ｗ（ｔ）と踝回転量θ（ｔ）の差分ｖ（ｔ）を入力とし、操作量ｕ（ｔ）を出力とした場合、次の数式で示される制御を行うことを特徴とする請求項５から請求項７の何れかに記載のデータ指向型フィードバック制御装置。
   （ただし、Ｋ_Ｐ１，Ｋ_Ｄ１はＰＤ制御のゲイン）
9. 制御対象装置が、入力される操作量ｕ（ｔ）に基づき、人間に対する制御量θ（ｔ）を決定し、
   第１の制御手段が、入力される推定目標値ｗ（ｔ）と制御量θ（ｔ）の差分ｖ（ｔ）に基づき、操作量ｕ（ｔ）を決定し、
   心理判別手段が、制御量θ（ｔ）に対応する人間の生体情報ｂｉｏ（ｔ）を検出し、この生体情報ｂｉｏ（ｔ）に基づき、人間の心理状態を判別し、この心理状態に対応する心理出力値ｙ（ｔ）を決定し、
   第２の制御手段が、人間の心理状態の目標値ｒ（ｔ）と心理出力値ｙ（ｔ）との差分ε（ｔ）に基づき、推定目標値ｗ（ｔ）を決定する
   ことを特徴とするデータ指向型フィードバック制御方法。