JP7166498B1 - 風況学習装置、風況予測装置、及びドローンシステム - Google Patents

Abstract

本開示技術に係る風況学習装置は、学習データセットが入力される入力部（３２）と、ＡＩを備え、ＡＩは学習データセットに基づいて学習する、演算部（３４）と、を備え、学習データセットの一方は、流入側における冪乗則に則した風況高度分布モデル値であり、学習データセットの他方は、シミュレーションにより得られる環境空間の風況分布のうち、風速の平均値、風速の最大値、乱流エネルギー、又は乱流強度、を含むものである。

Description

本開示技術は、風況学習装置、風況予測装置、及びドローンシステムに関する。

風況を計測する機器として、ドップラーライダーが知られている。ドップラーライダーの計測点を増やすことで、風況の計測及び予測の精度を向上することは可能である。また、ドップラーライダーによる計測に加え、機械学習を行って風況の予測を試みる着想が開示されている。

例えば特許文献１には、ドップラーライダーによるウィンドファーム周辺の計測情報に基づいて、機械学習によりウィンドファーム全体の風況を予測する着想が開示されている。

特開２０１９－２２２５８号公報

特許文献１には、具体的にどのような教師データを用い、どのような機械学習を行えば風況の予測ができるようになるのか、実施可能な程度に情報が開示されているとは言えない。
本開示技術は、風況の予測を可能とする機械学習の態様を明らかにすることを目的とする。

本開示技術に係る風況学習装置は、学習データセットが入力される入力部と、ＡＩを備え、ＡＩは学習データセットに基づいて学習する、演算部と、を備え、学習データセットの一方は、流入側における冪乗則に則した風況高度分布モデル値であり、学習データセットの他方は、シミュレーションにより得られる環境空間の風況分布のうち、乱流エネルギー、又は乱流強度、を含むものである。

本開示技術に係る風況学習装置は上記構成を備え、風況の予測を可能とする機械学習の態様が明らかである。

図１は、本開示技術に係るドローンシステムの構成を示す模式図である。 図２は、本開示技術に係る風況予測装置の機能ブロックを示すブロック図である。 図３は、本開示技術に係る風況予測装置の処理ステップを示すフローチャートである。 図４は、本開示技術に係る風況予測装置のハードウエア構成を示す図である。 図５は、本開示技術に係る風況学習装置の学習過程を示した模式図である。 図６は、本開示技術に係る風況予測装置の推論過程を示した模式図である。 図７は、実施の形態１に係る風況学習装置の学習過程を示した模式図である。 図８は、実施の形態１に係る風況予測装置の推論過程を示した模式図である。 図９は、実施の形態２に係る風況予測装置の推論過程を示した模式図である。 図１０は、実施の形態３に係る風況学習装置の学習過程を示した模式図である。

本開示技術に係る風況学習装置は、ＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）を用いた装置であり、例えばドローンの技術分野に応用可能である。本開示技術に係る風況学習装置は、本開示技術に係る風況予測装置３０の学習フェーズのものである。本明細書は、本開示技術に係る風況予測装置３０を学習フェーズと推論フェーズとに分けて説明する。推論フェーズにおける風況予測装置３０は、本開示技術によって学習済みのＡＩモデルを備えればよく、学習機能自体を備える必要はない。
インフラ点検用途にも応用されているドローンの技術分野において、リアルタイム風況予測が行えれば、風圧等によるドローンの不用意な移動を予防でき、安全飛行に寄与できる。一般に、インフラ点検を行うドローンの飛行領域について、精確なリアルタイム風況予測を行おうことは、多くの観測データと、スーパーコンピュータ等の大きな計算資源を要する。
本開示技術に係る風況予測装置３０は、事前に多数のシナリオを想定した風況シミュレーションを行い、風況計測器２０を想定した模擬観測データとドローンの飛行領域における風況との関係をＡＩに学習させる。実際にドローンを飛行させる時には、リアルタイムに得られる風況計測器２０の実観測データに基づいて、ＡＩが、飛行地点のドローンに不用意な移動を誘発するおそれのある風を予測し、警告する。具体的に風況計測器２０は、レーザ光を発するライダー（ＬｉＤＡＲ：Ｌｉｇｈｔ Ｄｅｔｅｃｔｉｏｎ Ａｎｄ Ｒａｎｇｉｎｇ）、マイクロ波を発するレーダ、又は音波を発するソナーでよい。

一般に風とは、運動している空気を意味する。ところで大気中には、様々な時間スケール及び空間スケール（以降、「時空間スケール」と称する）の大気現象があり、それに伴って生じる風にも、地表面付近の大気境界層内の乱れから、雷雨又は竜巻に伴う突風、海陸風などの局地風、台風に伴う強風、さらに貿易風などの大規模スケールの風、ジェット気流など、様々な時空間スケールのものがある。風は、その平均的な大きさと寿命とで分類されるが、空間スケールが大きいと寿命が長いという傾向にある。
風は基本的には水平方向の成分を持つものであり、通常、鉛直方向の成分は小さいが、乱流、及び積乱雲に伴う風など、大きな鉛直方向の成分を持つものもある。
ドローンを飛ばせる風速の目安は、一般的には５［ｍ／ｓ］までと言われている。また、４［ｍ／ｓ］から５［ｍ／ｓ］程度の風であっても、継続的に、例えば数時間単位で吹いている状況においては、通常、ドローンの飛行は行わない。したがって、本開示技術に係る風況予測装置３０が予測する風況の対象は、風速がおおよそ４［ｍ／ｓ］から２０［ｍ／ｓ］程度のものであり、寿命としては秒から分単位のものである。この範囲の時空間スケールの風は、「小さな乱渦」とも称される。

実施の形態１．
図１は、実施の形態１に係るドローンシステム１００の構成を示す模式図である。図１に示されるとおりドローンシステム１００は、ドローン１０と、コントローラ１２と、風況計測器２０と、風況予測装置３０と、を含む。図１は、ドローンシステム１００の風況予測装置３０が、ドローン１０の飛行領域を含む環境空間、例えばインフラ点検であればインフラ設備が設置されている環境空間について、風況を予測する様子を示している。
コントローラ１２は、ドローン１０を操縦するためのものである。風況予測装置３０は、有線又は無線により風況計測器２０と通信可能であり、風況計測器２０の観測値を取得することができる。風況予測装置３０は、有線又は無線によりコントローラ１２とも通信可能であり、コントローラ１２へ風況の予測結果を送信することができる。
図１に示されるドローン１０は１台だが、本開示技術はこれに限定されない。ドローンシステム１００は、２台以上のドローン１０が含まれていてもよい。また図１に示される風況計測器２０は１機だが、本開示技術はこれに限定されない。ドローンシステム１００は、２機以上の風況計測器２０が含まれていてもよい。

図２は、実施の形態１に係る風況予測装置３０の機能ブロックを示すブロック図である。図２に示されるとおり風況予測装置３０は、入力部３２と、演算部３４と、出力部３６と、を備える。

入力部３２は、学習データセットが入力される機能ブロックである。学習データセットは、本開示技術における教師あり学習のための学習データのセットである。学習データは、トレーニングデータ、又は教師データと称されることもある。本開示技術に係る学習データには、詳細は後述により明らかとなるが、シミュレーションにより得られる風況計測器２０の観測データが含まれる。

演算部３４は、ＡＩを有している。ＡＩは、学習データに基づいて学習する。ここでの学習は、教師あり学習である。より具体的に学習は、機械学習、強化学習、又は深層学習（ディープラーニング）であってよい。
演算部３４が有するＡＩは、階層型ニューラルネットワーク、相互結合型ニューラルネットワーク、ディープニューラルネットワーク、畳込みニューラルネットワーク、再帰型ニューラルネットワーク、等のニューラルネットワークであってよい。また演算部３４が有するＡＩは、ニューラルネットワーク以外の学習可能な数理モデル（「学習モデル」とも称す）であってもよい。

出力部３６は、演算部３４が予測演算した風況を出力するための機能ブロックである。各機能ブロックの詳細は、後述により明らかとなる。

図３は、実施の形態１に係る風況予測装置３０の処理ステップを示すフローチャートである。図３に示されるとおり風況予測装置３０の処理ステップは、入力部３２が実施する入力処理ＳＴ３２と、演算部３４が実施する演算処理ＳＴ３４と、出力部３６が実施する出力処理ＳＴ３６と、を含む。

図４は、実施の形態１に係る風況予測装置３０のハードウエア構成を示す図である。図４の上部は、風況予測装置３０の各機能がハードウエアで実行される場合を示したものである。図４の下部は、風況予測装置３０の各機能がソフトウエアで実行される場合を示したものである。
図４に示されるとおり風況予測装置３０における入力部３２、演算部３４、出力部３６の各機能は、処理回路により実現される。すなわち風況予測装置３０は、入力処理ＳＴ３２、演算処理ＳＴ３４、出力処理ＳＴ３６、を実施することによって風況を予測するための処理回路を備える。処理回路は、専用のハードウエアであっても、メモリに格納されるプログラムを実行するＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、プロセッサ、ＤＳＰともいう）であっても、いずれでもよい。

処理回路が専用のハードウエアである場合、すなわち図４の上部に示される処理回路４０である場合、処理回路４０は、例えば単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、又はこれらを組み合わせたものが該当する。風況予測装置３０は、入力部３２、演算部３４、出力部３６のそれぞれが、対応する処理回路４０によって実現されてもよいし、各部の機能がまとめられて単一の処理回路４０によって実現されてもよい。

処理回路がＣＰＵの場合、すなわち図４の下部に示されるプロセッサ６０である場合、入力部３２、演算部３４、出力部３６の各機能は、ソフトウエア、ファームウエア、又はソフトウエアとファームウエアとの組合せにより実現される。ソフトウエア及びファームウエアはプログラムとして記述され、メモリ７０に格納される。処理回路は、メモリ７０に記憶されたプログラムを読み出して実行することにより、各部の機能を実現する。すなわち風況予測装置３０は、処理回路により実行されるときに、入力処理ＳＴ３２、演算処理ＳＴ３４、出力処理ＳＴ３６、が結果的に実行されることになるプログラムを格納するためのメモリ７０を備える。またこれらのプログラムは、入力部３２、演算部３４、出力部３６の手順及び方法をコンピュータに実行させるものである、とも言える。ここでメモリ７０は、例えばＲＡＭ、ＲＯＭ、フラッシュメモリ、ＥＰＲＯＭ、及びＥＥＰＲＯＭ、等の不揮発性又は揮発性の半導体メモリであってよい。またメモリ７０は、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、又はＤＶＤであってもよい。さらにメモリ７０は、ＨＤＤ、又はＳＳＤであってもよい。

なお、入力部３２、演算部３４、出力部３６の各機能について、一部が専用のハードウエアで構成され、一部がソフトウエア又はファームウエアで構成されてもよい。
このように、処理回路は、ハードウエア、ソフトウエア、ファームウエア、又はこれらの組合せによって、風況予測装置３０の各機能を実現する。

〈学習フェーズ〉
本開示技術に係る風況予測装置３０は、ドローンシステム１００に応用することが考えられる。風況予測装置３０をドローンシステム１００に応用することにより、風圧によるドローン１０の不用意な移動を予防することが期待できる。
ドローンシステム１００に応用する風況予測装置３０は、ドローン１０に吹く風の風速、風向き、及び伝わる時刻について、厳密な値を予測する必要はない。むしろフェイルセーフに考えて、風況予測装置３０は、ドローン１０の不用意な移動を生じさせ得る風が数秒後に起きる、という警告ができればよい。したがって学習フェーズにおける風況予測装置３０すなわち風況学習装置の一例は、このフェイルセーフな警告を行うように学習がなされる。

本開示技術は、風を、或る空間的なスケールをもった大気が一団となって移動する、というモデルで考える。したがって本開示技術は、この空間的なスケールをもった大気の一団の先頭を捉えることができれば、その後の大気の一団の振舞いを予測できる、という前提に基づく。

一般にＡＩが解く教師あり学習の問題には、分類、及び回帰、が考えられる。本開示技術に係る演算部３４のＡＩが解く問題は、回帰であると言える。よって演算部３４のＡＩへ入力される学習データセットは、予測の元データとして入力される説明変数と称されるデータと、予測結果として出力される目的変数と称されるデータであって正解を示す正解ラベルと、二種類のデータで構成される。
演算部３４のＡＩへ入力される学習データセットの一方は、説明変数であり、例えば、風上である流入側における冪乗則（べきじょうそく、Ｐｏｗｅｒ Ｌａｗ）に則した風況高度分布モデル値である。ここで風況高度分布モデル値とは、シミュレーションで用いる値であり、風の流入側における風向き及び風速を、高度方向と計算領域幅方向とからなる２次元平面について設定するものである。
風向値は、例えば０．１［ｄｅｇ］の刻み幅で全数が計算により求められてもよい。また風速値は、例えば０．１［ｍ／ｓｅｃ］の刻み幅で全数が計算により求められてもよい。また学習データセットの一方は、風況計測器２０の過去の観測データでも良い。そしてＡＩへの学習データセットの他方は、目的変数の正解ラベルであり、シミュレーションにより得られるインフラ設備が設置されている環境空間の風況分布のうち、風速の平均値、風速の最大値、乱流エネルギー、又は乱流強度、を含むものである。乱流エネルギー及び乱流強度は、乱れ具合の指標となる。環境空間の風況は、風況計測器２０が観測データを取得時刻から、例えば１分後のものとしてよい。学習データセットにおける環境空間の風況は、観測データ取得後どれくらい経過したものとするか、さらにはコマ送りを可能とするか、等の設計仕様によって、適宜決定されてよい。
なお、シミュレーションは、どの程度の量のシナリオを想定するかによって、環境空間の風況分布のうちワーストケースが変わってくる。よって、シミュレーションによりどの程度の量のシナリオを想定するかということも、設計仕様によって適宜決定されてよい。

前述のとおり本開示技術は大気の一団の先頭を捉えたいので、風況計測器２０は、環境空間の外界との境界に、地上から上空を観察する向きで設置することが望ましい。またドローンシステム１００における風況計測器２０は、複数用意できれば理想的だが、１～２機しか用意できない場合は、ドローン１０の位置に対して風上となりそうな位置を選択するとよい。
風況計測器２０の数、それぞれの設置位置及び向きは、推論フェーズにおいて使用する態様に学習フェーズも合わせる。
なお風況計測器２０は、レーザ光を発するドップラーライダーを想定しているが、本開示技術はこれに限定されない。風況計測器２０は、環境空間の境界における風況を観察する機能を備えればよいから、マイクロ波を発するドップラーレーダ、又は音波を発するソナーであってもよい。

環境空間の風況を表すため、図１に示されるとおり環境空間は、ワイヤーフレームの網目に分けられる。このように分けられたそれぞれの部分空間は、環境空間の小領域と称される。環境空間の風況は、小領域ごとに、風向きと風速とを表すベクトルを割り振ることで表される。
環境空間は、おおよそ高さが３００［ｍ］、幅が５００［ｍ］、奥行が５００［ｍ］のスケールのものが想定される。環境空間を分割する格子間隔は、地形及び構造物の形状によって変えればよいが、例えば１［ｍ］から５［ｍ］程度のものが想定される。
本開示技術に係る風況予測装置３０が予測する風の風速を５［ｍ／ｓ］とし、環境空間の風況を観測データ取得後１分のものとすると、その間に大気の一団は３００［ｍ］進む。このことからも、環境空間の上空から見たときの広さを５００［ｍ］四方とすることは、妥当である。

学習データセットをシミュレーションで生成する場合、シミュレーションは、例えばナビエストークス方程式に基づいた非圧縮性流体解析を用いたものでよい。より具体的にシミュレーションは、非構造格子を採用し、有限体積法による数値計算を行うものでよい。シミュレーションにおいて建物、樹木、等の地物における摩擦は、一般化対数則が用いられてよい。シミュレーションにおいて地表面における摩擦は、粗度長の対数則が用いられてもよい。シミュレーションにおける境界条件は、べき乗則が用いられてよい。シミュレーションにおける乱流モデルは、ＲＮＧ又はＲｅａｌｉｚａｂｌｅ－ｋ－εが用いられてよい。

図５は、本開示技術に係る風況学習装置の学習過程を示した模式図である。図５に示される「数値シミュレーション」のブロックは、上記の学習データセットを生成するシミュレーションを表している。
シミュレーションにおいて環境空間は、地形及び地物の３次元情報（図５においては単に「地形データ」と表示）を含むよう、仮想的な空間として生成される。
図５に示される「入力データ」のブロックは、数値シミュレーションを実施するための入力情報を表し、具体的には環境空間の境界における境界条件が該当する。入力データは、多数のシナリオを想定して作成するとよい。なお、数値シミュレーションを実施するための入力データは、シミュレーションの長さ分だけ必要である。例えば１分後の環境空間の風況をシミュレーションする場合、入力データも時刻０から１分後までが必要となる。風況シミュレーションのための入力データは、統計データを用い、小さな乱渦の平均的なスケールと寿命とを考慮して作成するとよい。
また、シミュレーションする風況の初期値つまり初期状態は、環境空間におけるすべての小領域においてゼロつまり無風としてよい。

前述のとおり本開示技術の一例は、フェイルセーフな警告を行うように学習を進める。
学習データセットの中で、シミュレーションを行う領域の境界条件に、風況高度分布モデル値を用いる方法と、過去の気象データを用いる方法と、が考えられる。また境界条件に、風況計測器２０の観測データを用いる方法が考えられる。風況計測器２０の観測データが学習する領域内のデータであった場合、その観測データが解となるシミュレーション結果が複数算出される、ということが起こり得る。これは、本開示技術において、ドローンシステム１００における風況計測器２０の数を１台としてもよい、としたからである。風況計測器２０の数を１台とすることは、数値シミュレーションにおける入力データの一部しか観測していないことを意味する。１台の風況計測器２０の観測データは、環境空間の風況を再現するのに十分な情報ではない。
本開示技術の一例は、フェイルセーフな警告を行うようにするため、風況計測器２０の観測データに基づいて、幾通りにもなり得る環境空間の風況のＯＲをとって、すなわち環境空間における小領域それぞれのワーストケースを正として、学習を進める。ここでワーストケースとは、風速がより大きい値であるベクトルを意味する。

〈推論フェーズ〉
図６は、本開示技術に係る風況予測装置３０の推論過程を示した模式図である。図６に示されるとおり推論フェーズにおける風況予測装置３０は、学習済みＡＩを備える。より具体的には風況予測装置３０の演算部３４は学習済みＡＩを備える。図６に示される「実測データ」のブロックは、推論フェーズにおいて、実測による風況計測器２０の観測データ（以降、「実測観測データ」と称する）を表している。また図６に示される「出力データ（推定）」のブロックは、学習済みＡＩの出力であり、学習により得られる環境空間における小領域それぞれのワーストケースの風況を表している。
なお、図６では学習済みＡＩの出力を「解析領域中の風況分布」として示したが、この分布は、学習フェーズにおいてどのような学習データセットを用いるかによって変わり得る。すなわち学習フェーズにおいて、学習データセットにおける環境空間の風況を観測データ取得後３０秒後のものとした場合、学習済みＡＩの出力も、観測データ取得後３０秒後の予測風況分布となる。

推論フェーズにおいて風況予測装置３０の出力部３６は、学習済みＡＩが予測した環境空間の風況を、ドローン１０のコントローラ１２へ送信する。ドローン１０のコントローラ１２は、送信された環境空間の予測風況を表示する表示ディスプレイを備えるものであることが好ましい。環境空間の予測風況は、風向値と風速値、ヒートマップ、及び矢羽根として表示するこが考えられる。また、ドローン１０のコントローラ１２へ送信される情報は、乱流エネルギー又は乱流強度であってもよい。さらに環境空間の予測風況は、領域を安全と危険とに分ける領域分けであってもよい。
この機能によりドローン１０の操縦者は、ドローン１０に対して不用意な移動を誘発するおそれのある風を事前に察知することができる。

本開示技術に係るドローンシステム１００において、警告の態様は様々考えられる。例えば風況予測装置３０は、予測した環境空間の風況と、現在のドローン１０の位置と、に基づいて、危険な状態にあるドローン１０のコントローラ１２に、数秒後の風に注意せよ、という警告メッセージを送信してもよい。コントローラ１２は、風況予測装置３０から警告メッセージが送信されたときに、音又は光を発することにより、ドローン１０の操縦者に知らせる、という態様でもよい。

図７は、実施の形態１に係る風況学習装置の学習過程を示した模式図である。図７は、後述する実施の形態３に係る風況学習装置の学習過程と比較するためのものである。実施の形態３に係る風況学習装置の詳細は、後述により明らかとなる。

図８は、実施の形態１に係る風況予測装置３０の推論過程を示した模式図である。図８は、後述する実施の形態２に係る風況予測装置３０の推論過程と比較するためのものである。実施の形態２に係る風況予測装置３０の詳細は、後述により明らかとなる。

以上のとおり実施の形態１に係る風況学習装置は上記構成を備え、風況の予測を可能とする機械学習の態様が明らかである。

また、実施の形態１に係る風況予測装置３０は上記構成を備えるため、ドローン１０の不用意な移動を誘発する風況を予測できる。また実施の形態１に係る風況予測装置３０を備えるドローンシステム１００は、ガイドラインを要さずとも、風圧等によるドローン１０の不用意な移動の予防が可能である。

なお、実施の形態１においてドローン１０をインフラ点検用としたが、本開示技術はこれに限定されない。ドローン１０は、物資を輸送する物流用、又は人を運ぶ空飛ぶ車、であってもよい。

実施の形態２．
図９は、実施の形態２に係る風況予測装置３０の推論過程を示した模式図である。図９を図８と比較して見ると、実施の形態２に係る風況予測装置３０は、「全域風況データ」、「流入側算出」、及び「風況計測装置流入側偏向」、という処理ステップを備える。

実施の形態２は、環境空間の風況を、流体力学に基づいて数値シミュレーションをするには大きな計算資源又は膨大な計算時間を要するが、いったん学習済みＡＩを作成してしまえば、汎用のＰＣでもリアルタイムで計算できる、ということに着目する。

図９に示される「全域風況データ」のブロックは、環境空間の全域にわたって風況をざっと観察することを意味する。実施の形態２に係る風況計測器２０は、環境空間の境界ではなく、環境空間の中央付近に設置されるとよい。また実施の形態２に係る風況計測器２０は、観測する向きを変えられるようにし、設置された真上以外も観察する。実施の形態２に係る風況予測装置３０の演算部３４が有する学習済みＡＩは、説明変数を環境空間と外界との境界の全周に渡る風況とし、目的変数を環境空間の風況分布とし、学習されたものである。

図９に示される「流入側算出」の処理ステップは、環境空間に吹く風の風上を求めることを意味する。

図９に示される「風況計測装置流入側偏向」の処理ステップは、実施の形態２に係る風況計測器２０を、環境空間に吹く風の風上へ向けることを意味する。

以上の構成により実施の形態２に係るドローンシステム１００は、実施の形態１に記載した効果に加え、使用可能な風況計測器２０が１機であっても、設置箇所を動かすことなく、環境空間に吹く風の風向きが変わることに対応できる、という効果を奏する。

なお実施の形態２に係る風況予測装置３０の演算部３４が有する学習済みＡＩは、説明変数を環境空間と外界との境界の全周に渡る風況とし、目的変数を環境空間の風況分布とし、学習されたものである。このような学習済みＡＩを有することは、風況計測器２０が設置される地点における統計風況データを入力することで、環境空間の統計的な風況分布を予測できることを意味する。ここで統計風況データとは、平均風速、最大風速、及び最小風速、等である。

実施の形態３．
図１０は、実施の形態３に係る風況学習装置の学習過程を示した模式図である。図１０を図７と比較して見ると、実施の形態３の処理フローには、「風況データ比較」と記載した判断ブロックがあることがわかる。

前述のとおり、本開示技術に係る風況学習装置の学習データセットは、シミュレーションではなく、実測により得られた風況計測器２０の観測データと実測により得られた環境空間の風況とであってよい。実施の形態３は、学習フェーズにおいて、シミュレーションにより得られる学習データセットを、実測により得られるものに近づける工夫を施すものである。

図１０に示される「風況データ比較」の判断処理は、シミュレーションにより得られた風況データを、実測の風況データと比較することを意味する。すなわち実施の形態３は、シミュレーションにおける様々な条件を調整し、トライアンドエラーを繰り返すことにより、シミュレーションにより得られる学習データセットを、実測により得られるものに近づける。

以上の構成により実施の形態３に係る風況学習装置は、シミュレーションで作成した学習データセットを実測のものに近づけることができ、実測の学習データセットによるものに近い学習を行える、という効果を奏する。

本開示技術に係る風況予測装置３０は、インフラ点検用のドローンシステム１００に応用でき、産業上の利用可能性を有する。

１０ ドローン、１２ コントローラ、２０ 風況計測器、３０ 風況予測装置、３２ 入力部、３４ 演算部、３６ 出力部、４０ 処理回路、５０ 入力インターフェース、６０ プロセッサ、７０ メモリ、８０ 出力インターフェース、１００ ドローンシステム。

Claims (9)

1. 学習データセットが入力される入力部と、
   ＡＩを備え、前記ＡＩは前記学習データセットに基づいて学習する、演算部と、を備え、
   前記学習データセットの一方は、流入側における冪乗則に則した風況高度分布モデル値であり、前記学習データセットの他方は、シミュレーションにより得られる環境空間の風況分布のうち、乱流エネルギー、又は乱流強度、を含むものである、
   風況学習装置。
2. 前記学習データセットの他方は、前記環境空間における小領域において、複数得られる風況を表すベクトルのうち、風速がより大きい値のものを選択したものである、
   請求項１に記載の風況学習装置。
3. 風況計測器の実測観測データを取得する入力部と、
   学習済みＡＩを備え、前記実測観測データに基づいて環境空間の風況分布を予測演算する演算部と、
   予測演算した前記風況分布を出力する出力部と、を備え、
   前記風況分布は、乱流エネルギー、又は乱流強度、を含むものである、
   風況予測装置。
4. 前記風況計測器は、ライダー、レーダ、又はソナーである、
   請求項３に記載の風況予測装置。
5. 前記学習済みＡＩは、説明変数を前記環境空間と外界との境界の全周に渡る風況とし、目的変数を前記環境空間の前記風況分布として学習された、
   請求項４に記載の風況予測装置。
6. 前記環境空間を飛行するドローンと、
   前記ドローンを操縦するコントローラと、
   前記風況計測器と、
   請求項４に記載の風況予測装置と、を備える
   ドローンシステム。
7. 前記コントローラは、表示ディスプレイを備える
   請求項６に記載のドローンシステム。
8. 前記出力部は、前記風況分布を、風向値と風速値、ヒートマップ、矢羽根、又は領域を安全と危険とに分ける領域分け、の態様で前記コントローラに送信し、
   前記コントローラは、送信された前記風況分布を前記表示ディスプレイに表示する、
   請求項７に記載のドローンシステム。
9. 予測した前記環境空間の前記風況分布と、現在の前記ドローンの位置と、に基づいて、
   前記ドローンに対して警告が必要な状況だと判断された場合に、
   対応する前記コントローラに警告メッセージを送信する、
   請求項６に記載のドローンシステム。

Images