JP7310164B2 - クレーン及び経路生成システム - Google Patents

Description

本発明は、クレーン及び経路生成システムに関する。

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搬送可能としている。

ところで、複数の節点を配置した点群情報を作成し、いくつかの節点を結んで移動経路を生成する技術が公知となっている（特許文献１及び特許文献２参照）。しかし、かかる技術をクレーンに適用しても、地物の位置や形状に応じた節点の分布がなされなければ、地物に荷物が衝突したり搬送経路が遠回りになったりしてしまう。そこで、作業現場における節点の分布を最適化することで、安全かつ効率のよい搬送経路を生成できるクレーンが求められていた。或いは、このようなクレーンを実現するための経路生成システムが求められていた。

加えて、前述の技術をクレーンに適用するにあたり、荷物を搬送できる範囲全体に節点を配置することが考えられる。また、理想的な搬送経路を生成すべく、節点の数を増やすことも考えられる。しかし、むやみに節点を配置したり節点の数を増やしたりしても、理想的な搬送経路の生成に役立たないばかりか、計算負荷が増大し、結果として計算速度の低下につながる。そこで、作業現場における節点の分布を最適化することで、計算負荷を軽減できるクレーンが求められていた。或いは、このようなクレーンを実現するための経路生成システムが求められていた。

特開２０１６－１４９０９０号公報 特開２０１８－０４５３４１号公報

作業現場における節点の分布を最適化することで、安全かつ効率のよい搬送経路を生成できるクレーン及び経路生成システムを提供する。また、計算負荷を軽減できるクレーン及び経路生成システムを提供する。

第一の発明は、
少なくとも旋回自在のブームと、
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搬送するクレーンにおいて、
作業現場に複数の節点を配置して点群情報を作成した後にいくつかの前記節点を結んで搬送経路を生成するコントローラを具備し、
前記コントローラは、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前記作業現場における地物情報を入力すると、前記ニューラルネットワークの出力層から前記作業現場に適した分布となるように前記節点を配置した点群情報を出力し、
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、前記作業現場における地物情報とそれぞれの作業現場について作成された点群情報又は当該点群情報の各節点ごとの評価値又は当該点群情報に基づいて生成された搬送経路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エッジの重み付けを調整した、ものである。

第二の発明は、
クレーンに搭載可能又は通信可能であり、
作業現場に複数の節点を配置して点群情報を作成した後にいくつかの前記節点を結んで搬送経路を生成する経路生成システムであって、
前記経路生成システムは、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前記作業現場における地物情報を入力すると、前記ニューラルネットワークの出力層から前記作業現場に適した分布となるように前記節点を配置した点群情報を出力し、
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、前記作業現場における地物情報とそれぞれの作業現場について作成された点群情報又は当該点群情報の各節点ごとの評価値又は当該点群情報に基づいて生成された搬送経路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エッジの重み付けを調整した、ものである。

第三の発明は、
少なくとも旋回自在のブームと、
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搬送するクレーンにおいて、
作業現場に複数の節点を配置して点群情報を作成した後にいくつかの前記節点を結んで搬送経路を生成するコントローラを具備し、 前記コントローラは、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前記作業現場における点群情報を入力すると、前記ニューラルネットワークの出力層から不要な前記節点を削除した点群情報を出力する、ものである。

第四の発明は、第三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、前記作業現場における地物情報とそれぞれの作業現場について作成された点群情報又は当該点群情報の各節点ごとの評価値又は当該点群情報に基づいて生成された搬送経路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エッジの重み付けを調整した、ものである。

第五の発明は、
クレーンに搭載可能又は通信可能であり、
作業現場に複数の節点を配置して点群情報を作成した後にいくつかの前記節点を結んで搬送経路を生成する経路生成システムであって、
前記経路生成システムは、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前記作業現場における点群情報を入力すると、前記ニューラルネットワークの出力層から不要な前記節点を削除した点群情報を出力する、ものである。

第一の発明に係るクレーンは、作業現場に複数の節点を配置して点群情報を作成した後にいくつかの節点を結んで搬送経路を生成するコントローラを具備している。コントローラは、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作業現場における地物情報を入力すると、ニューラルネットワークの出力層から作業現場に適した分布となるように節点を配置した点群情報を出力するものである。かかるクレーンによれば、地物の位置や形状に応じた節点の分布となるので、安全かつ効率のよい搬送経路を生成できる。また、不要な節点が配置されないので、計算負荷を軽減できる。 また、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、前記作業現場における地物情報とそれぞれの作業現場について作成された点群情報又は点群情報の各節点ごとの評価値又は点群情報に基づいて生成された搬送経路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エッジ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、節点の分布が最適化されるので、安全かつ効率のよい搬送経路を生成できる。また、計算負荷を軽減できる。

第二の発明に係る経路生成システムは、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作業現場における地物情報を入力すると、ニューラルネットワークの出力層から作業現場に適した分布となるように節点を配置した点群情報を出力するものである。かかる経路生成システムによれば、地物の位置や形状に応じた節点の分布となるので、安全かつ効率のよい搬送経路を生成できる。また、不要な節点が配置されないので、計算負荷を軽減できる。 また、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、前記作業現場における地物情報とそれぞれの作業現場について作成された点群情報又は点群情報の各節点ごとの評価値又は点群情報に基づいて生成された搬送経路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エッジ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、節点の分布が最適化されるので、安全かつ効率のよい搬送経路を生成できる。また、計算負荷を軽減できる。

第三の発明に係るクレーンは、作業現場に複数の節点を配置して点群情報を作成した後にいくつかの節点を結んで搬送経路を生成するコントローラを具備している。コントローラは、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作業現場における点群情報を入力すると、ニューラルネットワークの出力層から不要な節点を削除した点群情報を出力するものである。かかるクレーンによれば、地物の位置や形状に応じた節点の分布となるので、安全かつ効率のよい搬送経路を生成できる。また、不要な節点が配置されないので、計算負荷を軽減できる。

第四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、前記作業現場における地物情報とそれぞれの作業現場について作成された点群情報又は点群情報の各節点ごとの評価値又は点群情報に基づいて生成された搬送経路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エッジ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、節点の分布が最適化されるので、安全かつ効率のよい搬送経路を生成できる。また、計算負荷を軽減できる。

第五の発明に係る経路生成システムは、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作業現場における点群情報を入力すると、ニューラルネットワークの出力層から不要な節点を削除した点群情報を出力するものである。かかる経路生成システムによれば、地物の位置や形状に応じた節点の分布となるので、安全かつ効率のよい搬送経路を生成できる。また、不要な節点が配置されないので、計算負荷を軽減できる。

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。 作業現場における地物情報を示す図。 地物情報に基づいて作成された点群情報を示す図。 点群情報に基づいて生成された搬送経路を示す図。 ニューラルネットワークの構成を示す図。 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。 学習用データを示す図。 その他の学習用データを示す図。 ニューラルネットワークの構成を示す図。 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。 その他の学習用データを示す図。

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の搬送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。

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と各種レバー３１～３４と各種バルブ３５～３８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を記憶している。

また、コントローラ２０は、ＣＰＵやＲＯＭ、ＲＡＭなどによって情報通信部２２を構成している。情報通信部２２は、通信ネットワークを経由して遠隔地にあるサーバーコンピュータ４０から情報を受信できる。例えば、サーバーコンピュータ４０が生成した搬送経路Ｒ（図６参照）などの情報を受信することができる。

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、各種レバー３１～３４の操作態様に基づいて電気信号を作成し、アクチュエータを稼動させる各種バルブ３５～３８を制御する。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）を実現するのである。

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ー１２と定義する（図１参照）。旋回用モーター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、旋回用モーター１２は、旋回用バルブ３５が作動油の流量及び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が作動油の流量及び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が作動油の流量及び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。

更に、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モーター１５と定義する（図１参照）。巻回用モーター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、巻回用モーター１５は、巻回用バルブ３８が作動油の流量及び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。

次に、図４から図６を用いて、荷物Ｌの自動搬送について説明する。

ここで、サーバーコンピュータ４０について説明しておく。サーバーコンピュータ４０は、クレーン１から遠く離れた遠隔地に配置されている。しかしながら、サーバーコンピュータ４０は、クレーン１に搭載されたコントローラ２０と通信することにより、自動搬送を実現する機能として一体をなす。従って、サーバーコンピュータ４０は、コントローラ２０に含まれるとも考えられる。但し、サーバーコンピュータ４０を有さず、全てをコントローラ２０で完結させるとしてもよい。

まず、サーバーコンピュータ４０は、作業現場における地物情報Ｉｂを把握する（図４参照）。地物情報Ｉｂは、作業現場における地物を仮想空間上に再現した三次元データである。かかる地物情報Ｉｂにおいて、地物が作業現場における建築物Ｂである場合、その位置や形状が正確に表されている。なお、サーバーコンピュータ４０は、クレーン１が作成した地物情報Ｉｂを取得してもよいし、その他の機関が作成した地物情報Ｉｂを取得してもよい。

その次、サーバーコンピュータ４０は、地物情報Ｉｂに基づいて点群情報Ｉｐを作成する（図５参照）。点群情報Ｉｐは、荷物Ｌの吊り上げ地点Ｐｓから吊り降ろし地点Ｐｅまで建築物Ｂを除く空間に節点Ｐを配置したものである。かかる点群情報Ｉｐにおいて、節点Ｐの分布（節点Ｐの位置や密度を指す）は、後述するニューラルネットワーク５０によって定められる。なお、ニューラルネットワーク５０がどのようなものであるかについては後述する。

その次、サーバーコンピュータ４０は、点群情報Ｉｐに基づいて搬送経路Ｒを生成する（図６参照）。搬送経路Ｒは、荷物Ｌの吊り上げ地点Ｐｓから吊り降ろし地点Ｐｅまでいくつかの節点Ｐを結んだ線（厳密には折線となる）で表したものである。かかる搬送経路Ｒにおいて、いずれの節点Ｐを通るものとするかは、経路（節点Ｐから節点Ｐをつなぐ線）ごとに付されたコストを比較することによって定められる。なお、このような手法を「ダイクストラ法」という。但し、搬送経路Ｒを定める手法について限定するものではない。

その後、サーバーコンピュータ４０は、搬送経路Ｒをコントローラ２０へ送信する。コントローラ２０（厳密には情報処理部２３）は、搬送経路Ｒに基づいて電気信号を作成し、アクチュエータ（旋回用モーター１２・伸縮用シリンダ１３・起伏用シリンダ１４・巻回用モーター１５）を稼動させる各種バルブ３５～３８を制御する。こうして、コントローラ２０は、搬送経路Ｒに沿って荷物Ｌが動くよう、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。つまりは、荷物Ｌの自動搬送を実現するのである。

次に、図７から図１１を用いて、第一実施形態に係る点群情報Ｉｐの作成工程について詳しく説明する。

サーバーコンピュータ４０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演算を行うものである。「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（図７参照）。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。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エッジ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、エッジ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、学習フェーズにおいて、「作業現場に適した分布となるように節点Ｐを配置した点群情報Ｉｐを作成する」という機能を獲得する（図８参照）。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、エッジ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一般的な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の吊り上げ地点Ｐｓから吊り降ろし地点Ｐｅまでの間に、作業現場に適した分布となるように節点Ｐを配置した点群情報Ｉｐを作成する（図９参照）。即ち、地物が作業現場における建築物Ｂである場合、建築物Ｂの位置や形状に応じた分布となるように節点Ｐを配置した点群情報Ｉｐを作成する。このとき、クレーン１の位置はもちろん、荷物Ｌの重量から定まる搬送範囲を考慮に入れるものとする。また、荷物Ｌの形状も考慮に入れるとしてもよい。つまり、荷物Ｌの回転や振れによって建築物Ｂに衝突しないように考慮に入れるのである。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、最適化された点群情報Ｉｐを作成できる。但し、サーバーコンピュータ４０に別途のプログラムを構成し、作業現場に適した点群情報Ｉｐを作成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３９（図２参照）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（図１０参照）。本願における学習用データＤｓは、あらゆる作業現場における地物情報Ｉｂと、それぞれの作業現場について節点Ｐの分布が最適化された点群情報Ｉｐと、を組み合わせたものである。換言すると、あらゆる作業現場における建築物Ｂの位置や形状をまとめたデータと、その建築物Ｂの位置や形状に応じてどのように節点Ｐの分布をさせたかをまとめたデータと、を組み合わせたものである。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、新たな作業現場Ｆ（図９参照）でも節点Ｐの分布が最適化された点群情報Ｉｐを作成できるようになるまで重みＷの値を修正する。つまり、ひたすら点群情報Ｉｐの作成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。

或いは、学習用データＤｓは、あらゆる作業現場における地物情報Ｉｂと、点群情報Ｉｐの各節点Ｐごとの評価値Ｖと、を組み合わせたものであってもよい（図１１の（Ａ）参照）。換言すると、あらゆる作業現場における建築物Ｂの位置や形状をまとめたデータと、その建築物Ｂの位置や形状に応じて算出された各節点Ｐごとの評価値Ｖをまとめたデータと、を組み合わせたものであってもよい。なお、評価値Ｖは、例えば搬送時間や搬送距離、搬送作業に必要となるエネルギー量などを含む関数によって算出される。但し、その関数について限定するものではない。

或いは、学習用データＤｓは、あらゆる作業現場における地物情報Ｉｂと、点群情報Ｉｐに基づいて生成された搬送経路Ｒと、を組み合わせたものであってもよい（図１１の（Ｂ）参照）。換言すると、あらゆる作業現場における建築物Ｂの位置や形状をまとめたデータと、その建築物Ｂの位置や形状に応じて生成された搬送経路Ｒをまとめたデータと、を組み合わせたものであってもよい。なお、このような学習用データＤｓを用いる場合は、生成された搬送経路Ｒに基づいて改めて点群情報Ｉｐを作成する機能が必要となる。但し、その手法について限定するものではない。

加えて、本クレーン１においては、点群情報Ｉｐの作成に関するモードを変更できるとしてもよい。例えば、建築物Ｂからの距離を大きくとって安全性を優先するモードや搬送距離を短くして効率性を優先するモードなどに変更できるとしてもよい。このようにすれば、荷物Ｌの自動搬送について適宜な態様を実現することができる。なお、状況に応じて自動的にモードを変更できるとしてもよいし、オペレータが任意にモードを変更できるとしてもよい。

更に加えて、本クレーン１においては、クレーン１が荷物Ｌを搬送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５０を更新することができる。これにより、クレーン１は、常に最新のニューラルネットワーク５０によって点群情報Ｉｐを作成することが可能となる。また、本クレーン１は、通信ネットワーク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５０を更新することもできる。これによっても、クレーン１は、常に最新のニューラルネットワーク５０によって点群情報Ｉｐを作成することが可能となる。但し、このような更新機能を有していないとしてもよい。

以下に、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。

即ち、本クレーン１は、作業現場に複数の節点Ｐを配置して点群情報Ｉｐを作成した後にいくつかの節点Ｐを結んで搬送経路Ｒを生成するコントローラ２０（本願においてはサーバーコンピュータ４０を含む）を具備している。コントローラ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に作業現場における地物情報Ｉｂを入力すると、ニューラルネットワーク５０の出力層５２から作業現場に適した分布となるように節点Ｐを配置した点群情報Ｉｐを出力するものである。かかるクレーン１によれば、地物の位置や形状に応じた節点Ｐの分布となるので、安全かつ効率のよい搬送経路Ｒを生成できる。また、不要な節点Ｐが配置されないので、計算負荷を軽減できる。

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、あらゆる作業現場における地物情報Ｉｂとそれぞれの作業現場について作成された点群情報Ｉｐ又は点群情報Ｉｐの各節点Ｐごとの評価値Ｖ又は点群情報Ｉｐに基づいて生成された搬送経路Ｒ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エッジ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、節点Ｐの分布が最適化されるので、安全かつ効率のよい搬送経路Ｒを生成できる。また、計算負荷を軽減できる。

ところで、このような技術的思想は、点群情報Ｉｐを作成し、この点群情報Ｉｐに基づいて搬送経路Ｒを生成する経路生成システム（本願においてはサーバーコンピュータ４０が該当する）としても実現されている。

即ち、経路生成システム（サーバーコンピュータ４０）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に作業現場における地物情報Ｉｂを入力すると、ニューラルネットワーク５０の出力層５２から作業現場に適した分布となるように節点Ｐを配置した点群情報Ｉｐを出力するものである。かかる経路生成システム（４０）によれば、地物の位置や形状に応じた節点Ｐの分布となるので、安全かつ効率のよい搬送経路Ｒを生成できる。また、不要な節点Ｐが配置されないので、計算負荷を軽減できる。

また、本経路生成システム（サーバーコンピュータ４０）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、あらゆる作業現場における地物情報Ｉｂとそれぞれの作業現場について作成された点群情報Ｉｐ又は点群情報Ｉｐの各節点Ｐごとの評価値Ｖ又は点群情報Ｉｐに基づいて生成された搬送経路Ｒ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エッジ５５の重み付けを調整したものである。かかる経路生成システム（４０）によれば、節点Ｐの分布が最適化されるので、安全かつ効率のよい搬送経路Ｒを生成できる。また、計算負荷を軽減できる。

次に、図１２から図１６を用いて、第二実施形態に係る点群情報Ｉｐの作成工程について詳しく説明する。

サーバーコンピュータ４０は、多階層のニューラルネットワーク６０を用いた人工知能機能によって演算を行うものである。「多階層のニューラルネットワーク」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（図１２参照）。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エッジ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、エッジ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、「点群情報Ｉｐから不要な節点Ｐを削除した点群情報Ｉｐを作成する」という機能を獲得する（図１３参照）。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、エッジ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６０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一般的な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、荷物Ｌの吊り上げ地点Ｐｓから吊り降ろし地点Ｐｅまでの間に、点群情報Ｉｐから不要な節点Ｐを削除した点群情報Ｉｐを作成する（図１４参照）。即ち、地物が作業現場における建築物Ｂである場合、建築物Ｂの位置や形状に応じた分布となるように節点Ｐを配置した点群情報Ｉｐを作成する。このとき、クレーン１の位置はもちろん、荷物Ｌの重量から定まる搬送範囲を考慮に入れるものとする。また、荷物Ｌの形状も考慮に入れるとしてもよい。つまり、荷物Ｌの回転や振れによって建築物Ｂに衝突しないように考慮に入れるのである。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、最適化された点群情報Ｉｐを作成できる。但し、サーバーコンピュータ４０に別途のプログラムを構成し、作業現場に適した点群情報Ｉｐを作成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３９（図２参照）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（図１５参照）。本願における学習用データＤｓは、あらゆる作業現場における地物情報Ｉｂ（点群情報Ｉｐを含む）と、それぞれの作業現場について不要な節点Ｐを削除して分布が最適化された点群情報Ｉｐと、を組み合わせたものである。換言すると、あらゆる作業現場における建築物Ｂの位置や形状をまとめたデータと、その建築物Ｂの位置や形状に応じてどのように不要な節点Ｐを削除して分布をさせたかをまとめたデータと、を組み合わせたものである。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、新たな作業現場Ｆ（図１４参照）でも不要な節点Ｐを削除して分布が最適化された点群情報Ｉｐを作成できるようになるまで重みＷの値を修正する。つまり、ひたすら点群情報Ｉｐの作成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。

或いは、学習用データＤｓは、あらゆる作業現場における地物情報Ｉｂ（点群情報Ｉｐを含む）と、点群情報Ｉｐの各節点Ｐごとの評価値Ｖと、を組み合わせたものであってもよい（図１６の（Ａ）参照）。換言すると、あらゆる作業現場における建築物Ｂの位置や形状をまとめたデータと、その建築物Ｂの位置や形状に応じて算出された各節点Ｐごとの評価値Ｖをまとめたデータと、を組み合わせたものであってもよい。なお、評価値Ｖは、例えば搬送時間や搬送距離、搬送作業に必要となるエネルギー量などを含む関数によって算出される。但し、その関数について限定するものではない。

或いは、学習用データＤｓは、あらゆる作業現場における地物情報Ｉｂ（点群情報Ｉｐを含む）
と、点群情報Ｉｐに基づいて生成された搬送経路Ｒと、を組み合わせたものであってもよい（図１６の（Ｂ）参照）。換言すると、あらゆる作業現場における建築物Ｂの位置や形状をまとめたデータと、その建築物Ｂの位置や形状に応じて生成された搬送経路Ｒをまとめたデータと、を組み合わせたものであってもよい。なお、このような学習用データＤｓを用いる場合は、生成された搬送経路Ｒに基づいて改めて点群情報Ｉｐを作成する機能が必要となる。但し、その手法について限定するものではない。

加えて、本クレーン１においても、点群情報Ｉｐの作成に関するモードを変更できるとしてもよい。例えば、建築物Ｂからの距離を大きくとって安全性を優先するモードや搬送距離を短くして効率性を優先するモードなどに変更できるとしてもよい。このようにすれば、荷物Ｌの自動搬送について適宜な態様を実現することができる。なお、状況に応じて自動的にモードを変更できるとしてもよいし、オペレータが任意にモードを変更できるとしてもよい。

更に加えて、本クレーン１においても、クレーン１が荷物Ｌを搬送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、常に最新のニューラルネットワーク６０によって点群情報Ｉｐを作成することが可能となる。また、本クレーン１は、通信ネットワーク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、常に最新のニューラルネットワーク６０によって点群情報Ｉｐを作成することが可能となる。但し、このような更新機能を有していないとしてもよい。

以下に、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。

即ち、本クレーン１は、作業現場に複数の節点Ｐを配置して点群情報Ｉｐを作成した後にいくつかの節点Ｐを結んで搬送経路Ｒを生成するコントローラ２０（本願においてはサーバーコンピュータ４０を含む）を具備している。そして、コントローラ２０は、多階層のニューラルネットワーク６０を用いた人工知能機能を有しており、ニューラルネットワーク６０の入力層６１に作業現場における点群情報Ｉｐを入力すると、ニューラルネットワーク６０の出力層６２から不要な節点を削除した点群情報Ｉｐを出力するものである。かかるクレーン１によれば、地物の位置や形状に応じた節点Ｐの分布となるので、安全かつ効率のよい搬送経路Ｒを生成できる。また、不要な節点Ｐが配置されないので、計算負荷を軽減できる。

また、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、あらゆる作業現場における地物情報Ｉｂとそれぞれの作業現場について作成された点群情報Ｉｐ又は点群情報Ｉｐの各節点Ｐごとの評価値Ｖ又は点群情報Ｉｐに基づいて生成された搬送経路Ｒ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エッジ６５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、節点Ｐの分布が最適化されるので、安全かつ効率のよい搬送経路Ｒを生成できる。また、計算負荷を軽減できる。

ところで、このような技術的思想は、点群情報Ｉｐを作成し、この点群情報Ｉｐに基づいて搬送経路Ｒを生成する経路生成システム（本願においてはサーバーコンピュータ４０が該当する）としても実現されている。

即ち、経路生成システム（サーバーコンピュータ４０）は、多階層のニューラルネットワーク６０を用いた人工知能機能を有しており、ニューラルネットワーク６０の入力層６１に作業現場における点群情報Ｉｐを入力すると、ニューラルネットワーク６０の出力層６２から不要な節点Ｐを削除した点群情報Ｉｐを出力するものである。かかる経路生成システム（４０）によれば、地物の位置や形状に応じた節点Ｐの分布となるので、安全かつ効率のよい搬送経路Ｒを生成できる。また、不要な節点Ｐが配置されないので、計算負荷を軽減できる。

また、本経路生成システム（サーバーコンピュータ４０）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、あらゆる作業現場における地物情報Ｉｂとそれぞれの作業現場について作成された点群情報Ｉｐ又は点群情報Ｉｐの各節点Ｐごとの評価値Ｖ又は点群情報Ｉｐに基づいて生成された搬送経路Ｒ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エッジ６５の重み付けを調整したものである。かかる経路生成システム（４０）によれば、節点Ｐの分布が最適化されるので、安全かつ効率のよい搬送経路Ｒを生成できる。また、計算負荷を軽減できる。

最後に、関連する技術内容について説明する。

本願には、作業現場に適した分布となるように節点Ｐを配置し、その後に搬送経路Ｒを生成するように記載されている。この点、ある程度の密度で節点Ｐを分布させて搬送経路Ｒを生成するのであるが、吊り上げ地点Ｐｓや吊り降ろし地点Ｐｅ、建築物Ｂの近傍などに節点Ｐを追加してから再び搬送経路Ｒを生成するようにすれば、より安全かつ効率のよい搬送経路Ｒを生成できる。また、不要な節点Ｐが配置されないので、計算負荷を軽減できる。

また、トラックなどの移動障害物が現れた場合は、移動障害物を含む任意領域で節点Ｐを削除し、再び搬送経路Ｒを生成する必要がある。このとき、移動障害物の周囲に節点Ｐを追加してから再び搬送経路Ｒを生成するようにすれば、より安全かつ効率のよい搬送経路Ｒを生成できる。更には移動障害物の移動方向を考慮した上で節点Ｐを追加してから再び搬送経路Ｒを生成するようにすれば、不要な節点Ｐが配置されないので、計算負荷を軽減できる。

加えて、本願には、遠隔操作端末について記載されていない。しかしながら、遠隔操作端末を用いた操縦を可能としてもよい。この場合、遠隔操作端末で吊り上げ地点Ｐｓや吊り降ろし地点Ｐｅなどを設定できるようにするのが好ましい。

加えて、本願には、複数の搬送経路Ｒを生成することについて記載されていない。しかしながら、複数の搬送経路Ｒが示された上で、一の搬送経路Ｒを選択できるとしてもよい。この場合、搬送経路Ｒごとの利点が示されるようにするのが好ましい。

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
２０ コントローラ
４０ サーバーコンピュータ
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 エッジ
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 エッジ
Ｌ 荷物
Ｐ 節点
Ｒ 搬送経路
Ｖ 評価値
Ｄｓ 学習用データ
Ｉｂ 地物情報
Ｉｐ 点群情報

Claims (5)

1. 少なくとも旋回自在のブームと、
   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搬送するクレーンにおいて、
   作業現場に複数の節点を配置して点群情報を作成した後にいくつかの前記節点を結んで搬送経路を生成するコントローラを具備し、
   前記コントローラは、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前記作業現場における地物情報を入力すると、前記ニューラルネットワークの出力層から前記作業現場に適した分布となるように前記節点を配置した点群情報を出力し、
   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、前記作業現場における地物情報とそれぞれの作業現場について作成された点群情報又は当該点群情報の各節点ごとの評価値又は当該点群情報に基づいて生成された搬送経路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エッジの重み付けを調整した、ことを特徴とするクレーン。
2. クレーンに搭載可能又は通信可能であり、
   作業現場に複数の節点を配置して点群情報を作成した後にいくつかの前記節点を結んで搬送経路を生成する経路生成システムであって、
   前記経路生成システムは、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前記作業現場における地物情報を入力すると、前記ニューラルネットワークの出力層から前記作業現場に適した分布となるように前記節点を配置した点群情報を出力し、
   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、前記作業現場における地物情報とそれぞれの作業現場について作成された点群情報又は当該点群情報の各節点ごとの評価値又は当該点群情報に基づいて生成された搬送経路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エッジの重み付けを調整した、ことを特徴とする経路生成システム。
3. 少なくとも旋回自在のブームと、
   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搬送するクレーンにおいて、
   作業現場に複数の節点を配置して点群情報を作成した後にいくつかの前記節点を結んで搬送経路を生成するコントローラを具備し、
   前記コントローラは、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前記作業現場における点群情報を入力すると、前記ニューラルネットワークの出力層から不要な前記節点を削除した点群情報を出力する、ことを特徴とするクレーン。
4. 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、前記作業現場における地物情報とそれぞれの作業現場について作成された点群情報又は当該点群情報の各節点ごとの評価値又は当該点群情報に基づいて生成された搬送経路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エッジの重み付けを調整した、ことを特徴とする請求項３に記載のクレーン。
5. クレーンに搭載可能又は通信可能であり、
   作業現場に複数の節点を配置して点群情報を作成した後にいくつかの前記節点を結んで搬送経路を生成する経路生成システムであって、
   前記経路生成システムは、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前記作業現場における点群情報を入力すると、前記ニューラルネットワークの出力層から不要な前記節点を削除した点群情報を出力する、ことを特徴とする経路生成システム。

Images