JP7525441B2 - 推定装置、推定方法、及びプログラム - Google Patents

Description

本発明は、推定装置、推定方法、及びプログラムに関する。

従来より、対象物を識別することに関係して、対象物の確認に関係する様々な技術が提案されている。例えば、対象物を撮影した撮影画像を画像処理して撮影画像における光の波長から対象物の材質を検出する技術が知られている（例えば、特許文献１参照）。また、特許文献２には、オペレータに対して振動によって触感を与える技術が知られている（例えば、特許文献２参照）。さらに、人型ロボットの指用触覚センサに関する技術も知られている（例えば、非特許文献１参照）。

特開２００６－１２６２０７号公報 国際公開２０１６０８８２４６号のパンフレット

「人型ロボットの指用触覚センサの構成法と評価法」、日本ロボット学会誌Ｖｏｌ．３７ Ｎｏ．５，ｐｐ１－５、２０１９

しかしながら、例えば、カメラ及び画像解析手法を用いて物体の変位等の変形量を検出する手法を用いて柔軟材料の変形を検出する場合、カメラ及び画像解析等を含むシステムは、大規模なものとなり、装置の大型化を招くので好ましくはない。また、振動によって触感を与えるための対象物の触感の計測には多様な手法が存在し、対象物の材質を特定することは困難である。さらに、温度や圧力等の静的なエネルギを検出する触覚センサにより対象物を分類する場合、例えば時系列に動的に変化するエネルギにより変化する対象物の材質を特定するのには充分ではない。従って、対象物の材質などを特定するのには改善の余地がある。

本開示は、特殊な検出装置を用いることなく、対象物への接触時における摩擦力を利用して、対象物の材質を示す材質情報を推定することができる推定装置、推定方法、及びプログラムを提供することを目的とする。

上記目的を達成するために、第１態様は、
弾性体を接触させた際に生じる対象物の材質に応じて変化する摩擦特性と、前記対象物の材質を示す材質情報とを学習用データとして用いて、前記摩擦特性を入力とし、前記材質情報を出力するように学習された学習モデルに対して、推定対象物の摩擦特性を入力し、前記推定対象物の材質情報を推定する推定部、
を含む推定装置である。

第２態様は、第１態様の推定装置において、
前記摩擦特性は、前記弾性体及び前記対象物に相対的に所定の圧力刺激が発生するように前記弾性体と前記対象物とが接触された場合における摩擦特性を含む。

第３態様は、第２態様の推定装置において、
前記所定の圧力刺激は、前記弾性体と前記対象物とを予め定められた圧力値で接触させながら前記弾性体と前記対象物とを相対的に摺動させた摺動状態のときに発生する圧力刺激を含む。

第４態様は、第２態様又は第３態様の推定装置において、
前記学習モデルは、前記摩擦特性と、前記材質情報と、前記圧力刺激を示す圧力情報とを学習用データとして用いて、前記摩擦特性及び前記圧力情報を入力とし、前記材質情報を出力するように学習され、
前記推定部は、推定対象物の摩擦特性及び圧力情報を入力し、前記推定対象物の材質情報を推定する。

第５態様は、第１態様から第４態様の何れか１態様の推定装置において、
前記学習モデルは、前記摩擦特性と、前記材質情報との複数の関係をリザバーとして当該リザバーを用いたリザバーコンピューティングによるネットワークを用いて学習させることで生成されたモデルを含む。

第６態様は、
コンピュータが
弾性体を接触させた際に生じる対象物の材質に応じて変化する摩擦特性と、前記対象物の材質を示す材質情報とを学習用データとして用いて、前記摩擦特性を入力とし、前記材質情報を出力するように学習された学習モデルに対して、推定対象物の摩擦特性を入力し、前記推定対象物の材質情報を推定する
推定方法である。

第７態様は、
コンピュータに
弾性体を接触させた際に生じる対象物の材質に応じて変化する摩擦特性と、前記対象物の材質を示す材質情報とを学習用データとして用いて、前記摩擦特性を入力とし、前記材質情報を出力するように学習された学習モデルに対して、推定対象物の摩擦特性を入力し、前記推定対象物の材質情報を推定する
処理を実行させるためのプログラムである。

本開示によれば、特殊な検出装置を用いることなく、対象物への接触時における摩擦力を利用して、対象物の材質を示す材質情報を推定することができる、という効果を有する。

実施形態に係る対象物の材質推定装置の構成の一例を示す図である。 実施形態に係る学習処理に関する図である。 実施形態に係る測定装置の一例を示す図である。 圧力刺激に関係する時間特性を示す図である。 摩擦特性に関係する時間特性を示す図である。 摩擦特性に関係する時間特性を示す図である。 実施形態に係る学習データ収集処理の一例を示すフローチャートである。 実施形態に係る学習処理部における学習処理に関する図である。 実施形態に係る学習処理の流れの一例を示すフローチャートである。 再帰型ニューラルネットワークの一例を示す図である。 リザバーコンピューティングネットワークの一例を示す図である。 実施形態に係る対象物の材質推定装置の構成の一例を示す図である。 実施形態に係る推定処理の流れの一例を示すフローチャートである。 実施形態に係る材質推定に関する検証結果を示す図である。

以下、図面を参照して本開示の技術を実現する実施形態を詳細に説明する。
なお、作用、機能が同じ働きを担う構成要素及び処理には、全図面を通して同じ符合を付与し、重複する説明を適宜省略する場合がある。また、本開示は、以下の実施形態に何ら限定されるものではなく、本開示の目的の範囲内において、適宜変更を加えて実施することができる。

本開示において「弾性体」とは、ゴム、発泡材および樹脂材などの柔らかい材料を含む概念である。すなわち、弾性体とは、外部力が与えられることによって少なくとも一部が撓み等のように変形可能な材料を含む概念であり、ゴム材料等の柔らかい材料、繊維状の骨格を有する構造体、及び内部に微小な空気泡が複数散在する構造体を含む。外部力の一例には圧力が挙げられる。繊維状の骨格を有する構造体、及び内部に微小な空気泡が複数散在する構造体の一例には、ウレタン材などの高分子材料が挙げられる。なお、弾性体の形状や移動により接触又は押圧された物品にさまざまな圧力刺激を与えることが可能である。

本開示において、「摩擦特性」とは、時系列に連続する複数の摩擦力の値を示す情報の集合を含む概念である。すなわち、ゴム材料等の弾性体は、同一の材質又は異なる材質の物品に対して相対的に摺動させることで、摩擦特性が現れる。この摩擦特性は、物品の種類、すなわち、物品の接触部分における物品の材質に応じて変化した挙動を示す。このため、ゴム材料等の弾性体を物品に接触又は摺動させる状態の観点では、弾性体と物品との間に与えられた力（例えば圧力刺激）に応じて摩擦特性が変化すると考えられる。

本開示の推定装置は、弾性体を接触させた際に生じる素材の材質に応じて変化する摩擦特性と、物品の材質を示す材質情報とを学習用データとして用いて、摩擦特性を入力とし、材質情報を出力するように学習された学習モデルに対して、推定対象物の摩擦特性を入力し、その出力を推定対象物の材質情報として推定する。

図１に、本開示の推定装置としての対象物の材質推定装置１の構成の一例を示す。

対象物の材質推定装置１における推定処理は、所定の材質で表面が形成された素材を含む物品２の接触部分における材質を示す材質情報をラベルとする付与データ（少なくとも対象物に与えられた圧力刺激）及び物品２の摩擦データ（すなわち、摩擦特性）を入力として学習を行った学習済みの学習モデルを用いて、未知の物品（推定対象物）の材質を推定し、出力する。

すなわち、対象物の材質推定装置１は、物品２に与えられた圧力刺激により変化した摩擦特性から、物品２の材質を推定する。これにより、特殊な装置や大型の装置を用いたり対象物の材質を直接計測することなく、対象物の材質を同定することが可能となる。

図１に示すように、対象物の材質推定装置１は、推定部５を備えている。推定部５には、物品２とゴム部材７４とに相対的に与えられた時系列な圧力刺激を示す第１入力データ３と、その圧力刺激より時系列に発生した摩擦力の大きさ（摩擦特性）を示す第２入力データ４が入力される。また、推定部５は、推定結果の物品２の材質を示す出力データ６を出力する。推定部５は、学習済みの学習モデル５１を含んでいる。

学習モデル５１は、物品２に対する圧力刺激（第１入力データ３）及び摩擦特性（第２入力データ４）から、物品２の材質（出力データ６）を導出する学習を済ませたモデルである。学習モデル５１は、例えば、学習済みのニューラルネットワークを規定するモデルであり、ニューラルネットワークを構成するノード（ニューロン）同士の間の結合の重み（強度）の情報の集合として表現される。

また、学習モデル５１は、学習処理部５２（図２）の学習処理により生成される。学習処理部５２は、物品２とゴム部材７４とにおける相対的に発生する時系列な物理量を用いて学習処理を行う。本実施形態では、物品２に対する物理量を時系列に測定した大量のデータを学習データとして含む。具体的には、学習データは、圧力刺激（第１入力データ３）及び摩擦特性（第２入力データ４）を含んだ入力データと、物品２の表面の材質（出力データ６）と、のセットを大量に含む。ここでは、物品２の表面の材質（出力データ６）の各々に測定時刻を示す情報を付与することで時系列情報が対応付けられる。この場合、前記セットに測定時刻を示す情報を付与して時系列情報を対応付けてもよい。

次に、学習処理部５２が行う学習処理について説明する。

まず、学習処理に用いる学習データについて説明する。
図３に、物品２における物理量を測定する測定装置７の一例を示す。

測定装置７は、基台７１に固定された固定部７２に、物品２に圧力刺激を与えるための圧力付与部７３が取り付けられる。圧力付与部７３は、圧力付与本体７３Ａ、圧力付与本体７３Ａから伸縮可能なアーム７３Ｂ、及びアーム７３Ｂの先端に取り付けられた先端部７３Ｃを備えている。圧力付与本体７３Ａは固定部７２に固定され、入力信号に応じてアーム７３Ｂが伸縮されて、先端部７３Ｃが所定方向（矢印Ｆ方向）に移動される。また、先端部７３Ｃ及びゴム部材７４は、アーム７３Ｂを介して、伸縮される所定方向（矢印Ｆ方向）と交差する所定方法（矢印Ｘ方向）にも移動される。これによって、ゴム部材７４は物品２に接触したり、所定方向に摺動したりすることが可能となる。ゴム部材７４は、物品２に圧力刺激を与えるための押圧部材の一例である。

具体的には、圧力付与部７３の先端部７３Ｃに、所定形状のゴム部材７４が取り付けられる。物品２は、基台７１に設置され、圧力付与部７３の先端部７３Ｃに取り付けられたゴム部材７４が、少なくとも接触可能に配置される。なお、本実施形態では、所定形状のゴム部材７４の一例として、円錐台形状のゴム部材７４を用いる。ゴム部材７４は、物品２に対して所定の圧力で接触、又は接触しつつ摺動する圧力刺激を与える押圧部材である。なお、ゴム部材７４の形状は円形、楕円形、又は多角形の何れの形状でもよい。

圧力付与部７３は、アーム７３Ｂが伸長することによって、先端部７３Ｃがゴム部材７４を物品２に押圧、又は押圧して摺動するように作動する。

圧力付与本体７３Ａは、例えば６軸方向の力を検出する機能を有するフォースセンサ７５を備える。フォースセンサ７５は、検出した力から、物品２に対するゴム部材７４の押圧状態及び摺動状態を検出する機能、及び物品２に付与される圧力を検出する機能を有する。また、フォースセンサ７５は、検出した力から、物品２における摩擦力すなわち摩擦特性を導出する機能を有する。このフォースセンサ７５によって、ゴム部材７４の物品２への押圧状態及び摺動状態における物理量を時系列に検出可能であり、物品２に付与される圧力を時系列に検出可能である。また、フォースセンサ７５によって、物品２における摩擦力すなわち摩擦特性を時系列に検出可能である。時系列に検出される摩擦特性（すなわち、摩擦力を示す値）は、物品２の摩擦データ（すなわち、摩擦特性）を示す第２入力データ４である。また、時系列に検出される圧力特性（圧力を示す値）は、付与データ（少なくとも対象物に与えられた圧力刺激）を示す第１入力データ３である。なお、物品２の摩擦データ（すなわち、摩擦特性）は、フォースセンサ７５で検出した力から後述するコントローラ７０で導出してもよい。

測定装置７は、圧力付与部７３、及びフォースセンサ７５に接続されたコントローラ７０を備えている。コントローラ７０は、圧力付与部７３の制御を行い（図４）、物品２に対して圧力刺激を与え、押圧状態又は摺動状態を特定し、物品２への圧力刺激による摩擦特性（図５）を取得し、記憶する。なお、記憶されるデータには、物品２への圧力刺激、すなわちゴム部材７４の移動時における圧力値、そして物品２の材質を示す情報が対応付けられる。具体的には、物品２の材質を示す情報に対応して、ゴム部材７４を物品２に押圧する状態を維持しつつ周期的に摺動する状態における摩擦力を示す値及び圧力刺激を示す値が時系列に記憶される。

図４に示すように、本実施形態では、コントローラ７０は、第１位置と第２位置とを往復運動、すなわち時間ｔ０から時間ｔ１の往路と、時間ｔ１から時間ｔ２までの復路を移動する１周期を周期Ｔａとする圧力付与部７３の制御を行う。この周期Ｔａによる１周期は、例えば、フォースセンサ７５で検出される力の向きの変化や大きさ、そして時間により同定可能である。また、図５には、周期Ｔａによる周期を繰り返して圧力刺激を付与した場合に摩擦力が時系列に変化する特性（摩擦特性）の一例を示した。また、図６には、物品２の異なる材質としてアクリルと鉄との２種類の物品２における摩擦特性を示した。図６に示すように、物品２の異なる材質としての特徴が摩擦特性の違いとして現れる。従って、摩擦特性は、物品２の材質に応じて変化する特徴データでもある。

従って、測定装置７は、ゴム部材７４の押圧制御による物品２における時系列な摩擦力を示す摩擦特性を含むデータのデータセットを時系列に複数取得可能となる。

図７に、コントローラ７０における学習データ収集処理の一例を示す。
コントローラ７０は、図示しないＣＰＵを含むコンピュータを含んで構成可能であり、学習データ収集処理を実行する。コントローラは、ステップＳ１００で、物品２に対してゴム部材７４による圧力刺激の指示、すなわち、物品２にゴム部材７４を接触させつつ周期Ｔａによる往復運動の指示を行い、ステップＳ１０２で、物品２における摩擦力を示すデータを時系列に取得する。次のステップＳ１０４では、物品２に対する圧力刺激及び摩擦特性に物品２の材質をラベルとして付与して、記憶する。コントローラ７０は、これらの物品２に対する時系列な圧力刺激及び摩擦特性と、物品２の材質とのセットが予め定めた所定数、又は予め定めた所定時間に達するまで（ステップＳ１０６で、肯定判断されるまで否定判断し）、上記処理を繰り返す。

従って、コントローラ７０は、種類（材質）が異なる複数の物品２の各々について、ゴム部材７４による圧力刺激の押圧制御を行うことによって、ゴム部材７４の材質毎に、圧力刺激および摩擦特性を時系列に取得し、記憶することが可能となる。このコントローラ７０に記憶された物品２に対する、時系列な圧力刺激及び摩擦特性と、材質とのセットが学習データとなる。

次に、図８を参照して、学習処理部５２について説明する。
学習処理部５２は、生成器５４と演算器５６とを含む。生成器５４は、入力である時系列に取得された少なくとも摩擦特性の前後関係を考慮して出力を生成する機能を有する。

また、学習処理部５２は、学習用データとして、測定装置７において、周期的に時系列に測定した第１入力データ３（圧力刺激）及び第２入力データ４（摩擦特性）と、出力データ６（物品２の材質）とのセットを多数保持している。

図８に示す例では、生成器５４は、入力層５４０、中間層５４２、および出力層５４４を含んで、公知のニューラルネットワーク（ＮＮ：Neural Network）を構成している。ニューラルネットワーク自体は公知の技術であるため詳細な説明は省略するが、中間層５４２は、ノード間結合およびフィードバック結合を有するノード群（ニューロン群）を多数含む。その中間層５４２には、入力層５４０からのデータが入力され、中間層５４２の演算結果のデータは、出力層５４４へ出力される。

生成器５４は、第１入力データ３（圧力刺激）及び第２入力データ４（摩擦特性）からゴム部材７４の材質を表す生成出力データ６Ａを生成するニューラルネットワークである。生成出力データ６Ａは、第１入力データ３（圧力刺激）及び第２入力データ４（摩擦特性）から物品２の材質を推定したデータである。生成器５４は、時系列に入力された第１入力データ３（圧力刺激）及び第２入力データ４（摩擦特性）から、物品２の材質に近い材質を示す生成出力データを生成する。生成器５４は、多数の第１入力データ３（圧力刺激）及び第２入力データ４（摩擦特性）を用いて学習することで、より物品２の材質に近い生成出力データ６Ａを生成できるようになる。

演算器５６は、生成出力データ６Ａと、学習データの出力データ６とを比較し、その比較結果の誤差を演算する演算器である。学習処理部５２は、生成出力データ６Ａ、および学習データの出力データ６を演算器５６に入力する。これに応じて、演算器５６は、生成出力データ６Ａと、学習データの出力データ６との誤差を演算し、その演算結果を示す信号を出力する。

学習処理部５２は、演算器５６で演算された誤差に基づいて、ノード間の結合の重みパラメータをチューニングする、生成器５４の学習を行う。具体的には、生成器５４における入力層５４０と中間層５４２とのノード間の結合の重みパラメータ、中間層５４２内のノード間の結合の重みパラメータ、および中間層５４２と出力層５４４とのノード間の結合の重みパラメータの各々を例えば勾配降下法や誤差逆伝搬法等の手法を用いて、生成器５４にフィードバックする。すなわち、学習データの出力データ６を目標として、生成出力データ６Ａと学習データの出力データ６との誤差を最小化するように全てのノード間の結合を最適化する。

学習モデル５１は、学習処理部５２の学習処理により生成される。学習モデル５１は、学習処理部５２による学習結果のノード間の結合の重みパラメータ（重み又は強度）の情報の集合として表現される。

図９に学習処理の流れの一例を示す。
学習処理部５２は、図示しないＣＰＵを含むコンピュータを含んで構成し、学習処理を実行することが可能である。学習処理部５２は、ステップＳ１１０で、時系列に測定した結果の学習データである、物品２の材質を示す情報をラベルとした第１入力データ３（圧力刺激）及び第２入力データ４（摩擦特性）を取得する。学習処理部５２は、ステップＳ１１２で、時系列に測定した結果の学習データを用いて学習モデル５１を生成する。すなわち、上記のようにして多数の学習データを用いて学習した学習結果のノード間の結合の重みパラメータ（重み又は強度）の情報の集合を得る。そして、ステップＳ１１４で、学習結果のノード間の結合の重みパラメータ（重み又は強度）の情報の集合として表現されるデータを学習モデル５１として記憶する。

上述したように、対象物の材質推定装置１では、以上に例示した手法により生成した学習済みの生成器５４（すなわち、学習結果のノード間の結合の重みパラメータの情報の集合として表現されるデータ）を学習モデル５１として用いる。十分に学習した学習モデル５１を用いれば、物品２に対する圧力刺激及び摩擦特性から、物品２の材質を同定することも不可能ではない。
なお、対象物の材質推定装置１は、本開示の推定部および推定装置の一例である。

なお、生成器５４は、図１０に示すように、時間的な相関を有する中間層５４２を含み、時系列入力の前後関係を考慮して出力を生成する機能を有する再帰型ニューラルネットワークを用いることが好ましい。再帰型ニューラルネットワークは公知の技術であるため詳細な説明は省略する。

一般的な再帰型ニューラルネットワークでは、入力層から中間層へのノードの結合、中間層におけるノード間の結合およびフィードバック結合、そして中間層から出力層へのノード間の結合の各々の結合について重みパラメータの情報を最適化する。しかし、時間的な相関を持つ時系列データを用いた学習では膨大な学習時間が要求される。また、時系列な学習データによる学習時に、時間的遡及を行うために、膨大なメモリも要求される。これらの要求に対して、学習時間の抑制やメモリの使用量の抑制を実現する、リザバーコンピューティングと呼ばれる周知のネットワークモデルが知られている。リザバーコンピューティング（ＲＣ：Reservoir Computing）と呼ばれるネットワークモデル（以下、ＲＣＮという。）自体は公知の技術であるため、詳細な説明を省略するが、図１１に示すように、ＲＣＮの一例は、再帰型ニューラルネットワークの一部を固定し（ランダムなネットワークに置き換え）、中間層から出力層へのノード間の結合のみを最適化する。図１１には、図１０に示す中間層５４２をリザバー層５４３に代えた構成の生成器５４Ａの一例を示した。

ＲＣＮには、物理的なリザバーコンピューティング（ＰＲＣ：Physical Reservoir Computing）と呼ばれるネットワークモデル（以下、ＰＲＣＮという。）や、エコーステイトネットワーク（ＥＳＮ：Echo State Network）と呼ばれるネットワークモデルが知られている。物品２の材質に関する情報の推定には、ＥＳＮが好適に適用可能である。ＥＳＮは、過去の記憶が時間によって消失していくという制限(Echo state property) をかけることで、短期な記憶情報のみを利用する技術である。なお、ＰＲＣ、ＰＲＣＮ及びＥＳＮ自体は公知の技術であるため、詳細な説明を省略する。

上述の対象物の材質推定装置１は、例えば、コンピュータに上述の各機能を表すプログラムを実行させることにより実現可能である。

図１２に、対象物の材質推定装置１の各種機能を実現する処理を実行する実行装置としてコンピュータを含んで構成した場合の一例を示す。

対象物の材質推定装置１として機能するコンピュータは、図１２に示すコンピュータ本体１００を備えている。コンピュータ本体１００は、ＣＰＵ１０２、揮発性メモリ等のＲＡＭ１０４、ＲＯＭ１０６、ハードディスク装置（ＨＤＤ）等の補助記憶装置１０８、及び入出力インターフェース（Ｉ／Ｏ）１１０を備えている。これらのＣＰＵ１０２、ＲＡＭ１０４、ＲＯＭ１０６、補助記憶装置１０８、及び入出力Ｉ／Ｏ１１０は、相互にデータ及びコマンドを授受可能にバス１１２を介して接続された構成である。また、入出力Ｉ／Ｏ１１０には、外部装置と通信するための通信部１１４、及びディスプレイやキーボード等の操作表示部１１６が接続されている。通信部１１４は、外部装置との間で、第１入力データ３（圧力刺激）及び第２入力データ４（摩擦特性）と、出力データ６（物品２の材質）とのセットを取得する機能を有する。すなわち、通信部１１４は、検出部である、物品２に対する第１入力データ３（圧力刺激）と、物品２における第２入力データ４（摩擦特性）を取得することが可能である。

補助記憶装置１０８には、コンピュータ本体１００を本開示の推定装置の一例として対象物の材質推定装置１として機能させるための制御プログラム１０８Ｐが記憶される。ＣＰＵ１０２は、制御プログラム１０８Ｐを補助記憶装置１０８から読み出してＲＡＭ１０４に展開して処理を実行する。これにより、制御プログラム１０８Ｐを実行したコンピュータ本体１００は、本開示の推定装置の一例として対象物の材質推定装置１として動作する。

なお、補助記憶装置１０８には、学習モデル５１を含む学習モデル１０８Ｍ、及び各種データを含むデータ１０８Ｄが記憶される。制御プログラム１０８Ｐは、ＣＤ－ＲＯＭ等の記録媒体により提供するようにしても良い。

次に、コンピュータにより実現された対象物の材質推定装置１における推定処理について説明する。

図１３に、コンピュータ本体１００において、実行される制御プログラム１０８Ｐによる推定処理の流れの一例を示す。
図１３に示す推定処理は、コンピュータ本体１００に電源投入されると、ＣＰＵ１０２により実行される。すなわち、ＣＰＵ１０２は、制御プログラム１０８Ｐを補助記憶装置１０８から読み出し、ＲＡＭ１０４に展開して処理を実行する。

まず、ＣＰＵ１０２は、ステップＳ２００で、補助記憶装置１０８の学習モデル１０８Ｍから学習モデル５１を読み出し、ＲＡＭ１０４に展開することで、学習モデル５１を取得する。具体的には、学習モデル５１として表現された重みパラメータによるノード間の結合となるネットワークモデルを、ＲＡＭ１０４に展開する。よって、重みパラメータによるノード間の結合が実現された学習モデル５１が構築される。

次に、ＣＰＵ１０２は、ステップＳ２０２で、未知の材質である物品２（推定対象物）に対する第１入力データ３（圧力刺激）と、第２入力データ４（摩擦特性）を、通信部１１４を介して時系列に取得する。

次に、ＣＰＵ１０２は、ステップＳ２０４で、ステップＳ２００で取得した学習モデル５１を用いて、ステップＳ２０２において取得した第１入力データ３（圧力刺激）と、第２入力データ４（摩擦特性）に対応する出力データ６（推定対象物の材質）を推定する。

そして、次のステップＳ２０６で、推定結果の出力データ６（推定対象物の材質）を、通信部１１４を介して出力して、本処理ルーチンを終了する。

なお、図１３に示す推定処理は、本開示の推定方法で実行される処理の一例である。

以上説明したように、本開示によれば、材質が未知の推定対象物である物品２に対する、第１入力データ３（圧力刺激）と、第２入力データ４（摩擦特性）から、推定対象物である物品２の材質を推定することが可能となる。すなわち、特殊な検出装置を用いることなく、物品２への接触時における摩擦力を利用して、物品２の材質を示す材質情報を推定することが可能となる。

なお、上述した実施形態では、周期的に時系列に測定した第１入力データ３（圧力刺激）及び第２入力データ４（摩擦特性）と、出力データ６（物品２の材質）とのセットを用いて学習された学習モデル５１により物品２の材質を推定した。しかし、本開示の推定装置は、第１入力データ３（圧力刺激）及び第２入力データ４（摩擦特性）を入力することに限定されない。摩擦特性のみから物品２の材質を推定することが可能である。摩擦特性のみから物品２の材質を推定する場合は、異なる種類の物品２の各々に同じ圧力刺激を付与することを標準の圧力刺激として、当該標準の圧力刺激を定数化して記憶し、圧力刺激の対応付けを省略することが可能である。

また、学習モデル５１は第１入力データ３（圧力刺激）及び第２入力データ４（摩擦特性）を用いて学習し、材質が未知の推定対象物である物品２について、材質を推定する場合に、摩擦特性のみから物品２の材質を推定することも可能である。この場合は、第１入力データ３（圧力刺激）を予め定められた圧力刺激、又は上記した圧力刺激を読み取り、入力すればよい。さらに、第１入力データ３（圧力刺激）の入力を省略し、第２入力データ４（摩擦特性）のみのデータで学習モデル５１を学習し、材質が未知の推定対象物である物品２について、摩擦特性のみから物品２の材質を推定してもよい。

また、上述した実施形態では、物品２に対して圧力刺激を与える場合を説明したが、本開示の推定装置は、物品２に対して圧力刺激を与えることに限定されるものではない。圧力刺激は、物品２とゴム部材７４との間で相対的に圧力刺激が与えられれば良い。すなわち、物品２とゴム部材７４との少なくとも一方を移動させて、接触状態又は摺動状態を形成するようにしてもよい。

次に、上述した対象物の材質推定装置１において、材質が未知の物品２に対し、材質推定に関して検証した検証結果を説明する。

図１４には、複数の異なる材質の物品２に圧力刺激を与え、材質が未知の推定対象物として第１入力データ３（圧力刺激）と、第２入力データ４（摩擦特性）を入力して物品２の材質の推定結果を検証した検証結果が示されている。この検証では、鉄、硝子、アクリル、大理石及びポリプロピレンの各々を物品２として、各々について、３５００回の押圧試験（摺動試験）を行い、各々の時系列に変化した圧力刺激と摩擦特性とを学習データとして収集した。そして、収集した学習データで学習された学習モデルを構築し、その学習モデルを用いて、１５００回の材質推定試験を実施した。図１４では、実際の材質の物品の試験回数に対する材質が一致した推定結果の判定率を示した。

図１４に示すように、上述した対象物の材質推定装置１によれば、異なる材質の物品２に対して、実際の部品の材質に適合する推定結果となることを確認できる。

本開示の技術的範囲は上記実施形態に記載の範囲には限定されない。要旨を逸脱しない範囲で上記実施形態に多様な変更または改良を加えることができ、当該変更または改良を加えた形態も本開示の技術的範囲に含まれる。

また、上記実施形態では、検査処理を、フローチャートを用いた処理によるソフトウエア構成によって実現した場合について説明したが、これに限定されるものではなく、例えば各処理をハードウェア構成により実現する形態としてもよい。

また、推定装置の一部、例えば学習モデル等のニューラルネットワークを、ハードウェア回路として構成してもよい。

１ 材質推定装置
２ 物品
３ 第１入力データ（圧力刺激）
４ 第２入力データ（摩擦特性）
５ 推定部
６ 出力データ（材質）
６Ａ 生成出力データ
７ 測定装置
５１ 学習モデル
５２ 学習処理部
５４ 生成器
５６ 演算器
７０ コントローラ
７１ 基台
７２ 固定部
７３ 圧力付与部
７４ ゴム部材
７５ フォースセンサ

Claims (7)

1. 弾性体を接触させた際に生じる対象物の材質に応じて変化する摩擦特性と、前記対象物の材質を示す材質情報とを学習用データとして用いて、前記摩擦特性を入力とし、前記材質情報を出力するように学習された学習モデルに対して、推定対象物の摩擦特性を入力し、前記推定対象物の材質情報を推定する推定部、
   を含む推定装置。
2. 前記摩擦特性は、前記弾性体及び前記対象物に相対的に所定の圧力刺激が発生するように前記弾性体と前記対象物とが接触された場合における摩擦特性を含む
   請求項１に記載の推定装置。
3. 前記所定の圧力刺激は、前記弾性体と前記対象物とを予め定められた圧力値で接触させながら前記弾性体と前記対象物とを相対的に摺動させた摺動状態のときに発生する圧力刺激を含む
   請求項２に記載の推定装置。
4. 前記学習モデルは、前記摩擦特性と、前記材質情報と、前記圧力刺激を示す圧力情報とを学習用データとして用いて、前記摩擦特性及び前記圧力情報を入力とし、前記材質情報を出力するように学習され、
   前記推定部は、推定対象物の摩擦特性及び圧力情報を入力し、前記推定対象物の材質情報を推定する
   請求項２又は請求項３に記載の推定装置。
5. 前記学習モデルは、前記摩擦特性と、前記材質情報との複数の関係をリザバーとして当該リザバーを用いたリザバーコンピューティングによるネットワークを用いて学習させることで生成されたモデルを含む
   請求項１から請求項４の何れか１項に記載の推定装置。
6. コンピュータが
   弾性体を接触させた際に生じる対象物の材質に応じて変化する摩擦特性と、前記対象物の材質を示す材質情報とを学習用データとして用いて、前記摩擦特性を入力とし、前記材質情報を出力するように学習された学習モデルに対して、推定対象物の摩擦特性を入力し、前記推定対象物の材質情報を推定する
   推定方法。
7. コンピュータに
   弾性体を接触させた際に生じる対象物の材質に応じて変化する摩擦特性と、前記対象物の材質を示す材質情報とを学習用データとして用いて、前記摩擦特性を入力とし、前記材質情報を出力するように学習された学習モデルに対して、推定対象物の摩擦特性を入力し、前記推定対象物の材質情報を推定する
   処理を実行させるためのプログラム。