JP7808317B2 - 推定装置、推定方法、推定プログラム、及び学習モデル生成装置 - Google Patents

Description

本開示は、推定装置、推定方法、推定プログラム、及び学習モデル生成装置に関する。

従来より、物体に生じる形状変化を検出し、当該検出結果を用いて物体に変形を与える人や物の状態を推定することが行われている。物体に生じる形状変化を検出する側面では、物体の変形を阻害せずに変形を検出することは困難である。また、金属変形等の剛体の検出に用いられる歪センサは物品に利用困難なため、物体の変形を検出するためには、特殊な検出装置が要求される。例えば、カメラによる物体の変位と振動を測定して、変形画像を取得し、変形量を抽出する技術が知られている（例えば、特許文献１参照）。また、光の透過量から変形量を推定する柔軟触覚センサに関する技術も知られている（例えば、特許文献２参照）。

国際公開第２０１７／０２９９０５号 特開２０１３－１０１０９６号公報

しかしながら、物体等の対象物に生じる形状変化を検出する側面では、カメラ及び画像解析手法を用いて対象物の変位等の変形量を検出する場合、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、一方では、物体として、変形及び変形後の復元を可能とする柔軟性を有する柔軟材料で形成された対象物は、経時変化などによって柔軟性・反発力・復元力が低下する。しかし、柔軟性の評価は対象物を変形させたときにおける柔らかさ及び硬さなどの感覚による検査者の主観に依存しており、対象物の柔軟性を特定するには充分ではない。よって、例えば、経時変化などにより対象物の柔らかさが当初の柔らかさより硬い状態になって柔軟性が低下した劣化状態を特定する時期が曖昧になる。従って、対象物の劣化状態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、導電性を有する柔軟材料を備えた対象物の電気特性を利用して、対象物の劣化状態を推定可能な推定装置、推定方法、推定プログラム、及び学習モデル生成装置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、
導電性を有し、かつ変形に応じて電気特性が変化する柔軟材料を備えた対象物の前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出する検出部と、
前記柔軟材料の変形に応じて変化する時系列の電気特性と、前記柔軟材料の変形に関する劣化状態を示す劣化状態情報とを学習用データとして用いて、前記時系列の電気特性を入力とし、前記劣化状態情報を出力するように学習された学習モデルに対して、推定対象物の前記検出部で検出された時系列の電気特性を入力し、入力した時系列の電気特性に対応する劣化状態を示す劣化状態情報を推定する推定部と、
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、
前記電気特性は、体積抵抗であり、
前記対象物は、柔軟性を有する部材を含み、
前記劣化状態は、前記対象物の初期状態からの変形回数、変形頻度及び経過時間の少なくとも１つの物理量が大きくなるに従って劣化の度合いが大きくなる劣化度を示す状態である。

第３態様は、第２態様の推定装置において、
前記劣化状態は、時系列の電気特性において前記対象物の変形前形状からの変形時の電気特性、及び前記変形前形状への復元時の電気特性の少なくとも一方に対する劣化度を示す状態である。

第４態様は、第３態様の推定装置において、
前記劣化状態は、時系列の電気特性を周波数分析し、分析結果の周波数のパワーが、所定時期の周波数のパワーより大きくなるに従って劣化の度合いが大きくなる劣化度を示す状態である。

第５態様は、第２態様から第４態様の何れか１態様の推定装置において、
前記対象物は、繊維状及び網目状の少なくとも一方の骨格を有する構造、又は内部に微小な空気泡が複数散在する構造のウレタン材の少なくとも一部に導電性が付与された材料を含む。

第６態様は、第１態様から第５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、前記柔軟材料をリザーバとして当該リザーバを用いたリザーバ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７態様は、
コンピュータが
導電性を有し、かつ変形に応じて電気特性が変化する柔軟材料を備えた対象物の前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出し、
前記柔軟材料の変形に応じて変化する時系列の電気特性と、前記柔軟材料の変形に関する劣化状態を示す劣化状態情報とを学習用データとして用いて、前記時系列の電気特性を入力とし、前記劣化状態情報を出力するように学習された学習モデルに対して、検出された推定対象物の時系列の電気特性を入力し、入力した時系列の電気特性に対応する劣化状態を示す劣化状態情報を推定する
推定方法である。

第８態様は、
コンピュータに
導電性を有し、かつ変形に応じて電気特性が変化する柔軟材料を備えた対象物の前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出し、
前記柔軟材料の変形に応じて変化する時系列の電気特性と、前記柔軟材料の変形に関する劣化状態を示す劣化状態情報とを学習用データとして用いて、前記時系列の電気特性を入力とし、前記劣化状態情報を出力するように学習された学習モデルに対して、検出された推定対象物の時系列の電気特性を入力し、入力した時系列の電気特性に対応する劣化状態を示す劣化状態情報を推定する
処理を実行させるための推定プログラムである。

第９態様は、
導電性を有し、かつ変形に応じて電気特性が変化する柔軟材料を備えた対象物の前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出する検出部からの前記電気特性と、前記柔軟材料の劣化状態を示す劣化状態情報と、を取得する取得部と、
前記柔軟材料の変形に応じて変化する時系列の電気特性と、前記柔軟材料の変形に関する劣化状態を示す劣化状態情報とを学習用データとして、前記柔軟材料を変形させた際の時系列の電気特性を入力とし、前記柔軟材料の変形に関する劣化状態を示す劣化状態情報を出力する学習モデルを生成する学習モデル生成部と、
を含む学習モデル生成装置である。

本開示によれば、特殊な検出装置を用いることなく、導電性を有する柔軟材料を備えた対象物の電気特性を利用して、対象物の劣化状態を推定することができる、という効果を有する。

実施形態に係る推定装置の構成を示す図である。 実施形態に係る導電性ウレタンの配置を示す図である。 実施形態に係る学習モデル生成装置の概念構成を示す図である。 実施形態に係る学習処理部の機能構成を示す図である。 実施形態に係る学習処理部の他の機能構成を示す図である。 実施形態に係る推定装置の電気的な構成を示す図である。 実施形態に係る推定処理の流れを示すフローチャートである。 実施形態に係る劣化状態推定装置の構成の一例を示す図である。 実施形態に係る対象物の物理量を測定する測定装置を示す図である。 実施形態に係る対象物の耐久試験を行った結果の一例を示す概念図である。 実施形態に係る対象物の電気特性の一例を示す図である。 実施形態に係る対象物の電気特性を電気抵抗値の変化の観点から捉えた概念図である。 実施形態に係る対象物の電気特性における周波数特性（パワースペクトル）を示す概念図である。 実施形態に係る学習処理の流れの一例を示す図である。 実施形態に係る対象物における劣化状態の推定処理の流れの一例を示すフローチャートである。 実施形態に係る劣化状態推定部の変形例を示す図である。

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。

なお、本開示において人物とは、対象物に対して物理量により刺激を与えることが可能な人体及び物体の少なくとも一方を含む概念である。以下の説明では、人体及び物体の少なくとも一方を区別することなく、ヒトとモノとを含む概念として人物と総称して説明する。すなわち、人体及び物体のそれぞれの単体、及び人体と物体の組み合わせた組合せ体を総称して人物と称する。

まず、図１から図７を参照して、本開示の技術を適用する導電性が付与された柔軟材料、及び当該柔軟材料を用いて、柔軟材料に対する付与側の状態を推定する状態推定処理を説明する。

＜柔軟材料＞
本開示において「柔軟材料」とは、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弾性体、繊維状及び網目状の少なくとも一方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。これらの構造体の一例には、ウレタン材などの高分子材料が挙げられる。また、本開示では、導電性が付与された柔軟材料を用いる。「導電性が付与された柔軟材料」とは、導電性を有する材料を含む概念であり、導電性を付与するために導電材を柔軟材料に付与した材料、及び柔軟材料が導電性を有する材料を含む。導電性を付与する柔軟材料はウレタン材などの高分子材料が好適である。以下の説明では、導電性が付与された柔軟材料の一例として、ウレタン材の全部または一部に導電材料を配合及び浸潤（含浸ともいう）等により形成させた部材を、「導電性ウレタン」と称して説明する。導電性ウレタンは、導電材料を配合と浸潤（含浸）との何れかの方法で形成可能であり、導電材料の配合又は浸潤（含浸）で形成可能で、また導電材料の配合と浸潤（含浸）とを組み合わせて形成可能である。例えば、浸潤（含浸）による導電性ウレタンが、配合による導電性ウレタン２２より導電性が高い場合には、浸潤（含浸）により導電性ウレタンを形成することが好ましい。

導電性ウレタンは、与えられた物理量に応じて電気特性が変化する機能を有する。電気特性が変化する機能を生じさせる物理量の一例には、撓み等のように構造を変形させる圧力による刺激（以下、圧力刺激という。）を示す圧力値による刺激値が挙げられる。なお、圧力刺激は、所定部位への圧力及び所定範囲の圧力の分布による圧力付与を含む。また、当該物理量の他例には、含水率及び水分付与等によって素材の性質を変化（変質）させる刺激（以下、素材刺激という。）を示す水分量等の刺激値が挙げられる。導電性ウレタンは、与えられた物理量に応じて電気特性が変化する。この電気特性を表す物理量の一例には、電気抵抗値が挙げられる。また、他例には、電圧値、又は電流値が挙げられる。

導電性ウレタンは、所定の体積を有する柔軟材料に導電性を与えることで、与えられた物理量に応じた電気特性（すなわち電気抵抗値の変化）が現れ、その電気抵抗値は、導電性ウレタンの体積抵抗値と捉えることが可能である。導電性ウレタンは、電気経路が複雑に連携し、例えば、変形に応じて電気経路が伸縮したり膨縮したりする。また、電気経路が一時的に切断される挙動、及び以前と異なる接続が生じる挙動を示す場合もある。従って、導電性ウレタンは、所定距離を隔てた位置（例えば電極が配置された検出点の位置）の間では、与えられた物理量による刺激（圧力刺激及び素材刺激）の大きさや分布に応じた変形や変質で異なる電気特性を有する挙動を示す。このため、導電性ウレタンに与えられた物理量による刺激の大きさや分布に応じて電気特性が変化する。

なお、導電性ウレタンを用いることで、変形及び変質についての対象箇所に電極等の検出点を設ける必要はない。導電性ウレタンに物理量による刺激が与えられる箇所を挟む任意の少なくとも２箇所に電極等の検出点を設ければよい（例えば図１）。

また、導電性ウレタンの電気特性の検出精度を向上するため、２個の検出点より多くの検出点を用いてもよい。また、本開示の導電性ウレタンは、図１に示す導電性ウレタン２２を１導電性ウレタン片とし、複数の導電性ウレタン片を配列してなる導電性ウレタン群で形成してもよい。この場合、複数の導電性ウレタン片毎に電気特性を検出してもよいし、複数の導電性ウレタン片の電気特性を合成して検出してもよい。複数の導電性ウレタン片毎に電気特性を検出する場合、配置部位毎（例えば検出セット＃１～＃ｎ）に電気抵抗値等の電気特性を検出できる。また、他例としては、導電性ウレタン２２上における検出範囲を分割して分割した検出範囲毎に検出点を設けて検出範囲毎に電気特性を検出してもよい。

＜推定装置＞
次に、導電性ウレタンを用いて、当該導電性ウレタンに対する付与側の状態を推定する推定装置の一例を説明する。

図１に、付与側の状態を推定する推定処理を実行可能な推定装置１の構成の一例を示す。推定装置１は、推定部５を備え、導電性ウレタン２２における電気特性が入力されるように対象物２に接続されている。推定装置１では、対象物２に含まれる導電性ウレタン２２に対する付与側の状態が推定される。推定装置１は、後述する処理を実行する実行装置としてのＣＰＵを備えたコンピュータによって実現可能である。

上述した導電性ウレタンの変形及び変質は、導電性ウレタンに対して時系列に与えられた物理量で生じる。この時系列に与えられる物理量は、付与側の状態に依存する。従って、時系列に変化する導電性ウレタンの電気特性は、導電性ウレタンに与えられた物理量の付与側の状態に対応する。例えば、導電性ウレタンを変形させる圧力刺激または導電性ウレタンを変質させる素材刺激が与えられる場合、時系列に変化する導電性ウレタンの電気特性は、圧力刺激の位置及び分布、並びに大きさを示す付与側の状態に対応する。よって、時系列に変化する導電性ウレタンの電気特性から導電性ウレタンに対する付与側の状態を推定することが可能である。

推定装置１では、後述する推定処理によって、学習済みの学習モデル５１を用いて、未知の付与側の状態を推定し、出力する。これにより、特殊な装置や大型の装置を用いたり対象物に含まれる導電性ウレタン２２の変形及び変質を直接計測することなく、対象物２に対する付与側の状態を同定することが可能となる。学習モデル５１は、対象物２に対する付与側の状態と、対象物２の電気特性（すなわち、対象物２に配置された導電性ウレタン２２の電気抵抗値等の電気特性）とを入力として学習される。学習モデル５１の学習については後述する。

なお、導電性ウレタン２２は、柔軟性を有する部材２１に配置して対象物２を構成することが可能である（図２）。導電性ウレタン２２が配置された部材２１により構成される対象物２は、電気特性検出部７６を含む。導電性ウレタン２２は、部材２１の少なくとも一部に配置すればよく、内部に配置してもよいし外部に配置してもよい。また、導電性ウレタンは、導電性ウレタンへの付与側の状態を推定可能に配置すればよく、例えば、人物に直接的又は間接的、或いはその両方で接触可能に配置すればよい。

図２に、対象物２における導電性ウレタン２２の配置例を示す。対象物２のＡ－Ａ断面を対象物断面２－１として示すように、導電性ウレタン２２は、部材２１の内部を全て満たすように形成しても良い。また、対象物断面２－２に示すように、導電性ウレタン２２は、部材２１の内部における一方側（表面側）に形成しても良く、対象物断面２－３に示すように、部材２１の内部における他方側（裏面側）に導電性ウレタン２２を形成しても良い。さらに、対象物断面２－４に示すように、部材２１の内部の一部に導電性ウレタン２２を形成しても良い。また、対象物断面２－５に示すように、導電性ウレタン２２は、部材２１の表面側の外側に分離して配置しても良く、対象物断面２－６に示すように、他方側（裏面側）の外部に配置しても良い。導電性ウレタン２２を部材２１の外部に配置する場合、導電性ウレタン２２と部材２１とを積層するのみでもよく、導電性ウレタン２２と部材２１とを接着等により一体化してもよい。なお、導電性ウレタン２２を部材２１の外部に配置する場合であっても、導電性ウレタン２２が導電性を有するウレタン部材であるため、部材２１の柔軟性は阻害されない。

図１に示すように、導電性ウレタン２２は、距離を隔てて配置された少なくとも２個の検出点７５からの信号によって、導電性ウレタン２２の電気特性（すなわち、電気抵抗値である体積抵抗値）を検出する。図１の例では、導電性ウレタン２２上で対角位置に配置された２個の検出点７５からの信号により電気特性（時系列の電気抵抗値）を検出する検出セット＃１が示されている。なお、検出点７５の個数及び配置は、図１に示す位置に限定されるものではなく、導電性ウレタン２２の電気特性を検出可能な位置であれば３個以上の個数でもよく何れの位置でもよい。なお、導電性ウレタン２２の電気特性は、電気特性（例えば、電気抵抗値である体積抵抗値）を検出する電気特性検出部７６を検出点７５に接続し、その出力を用いればよい。

本実施形態では、センサとして導電性ウレタン２２を用いるため、例えば、人物が介在する場合に従来のセンサに比べて人物に与える違和感が極めて少ない。このため、計測中に人物に関する付与側の状態を害することが無く、計測と付与側の状態推定を同時に行うことが可能となる。これは計測と付与側の状態推定を別個に行っていた従来のセンサに比べて利点となり、とりわけ時系列変化を追う長時間の計測評価による推定においては、そのメリットは大きい。

推定部５は、対象物２に接続され、導電性ウレタン２２の変形及び変質の少なくとも一方に応じて変化する電気特性に基づき、学習モデル５１を用いて、付与側の状態を推定する機能部である。具体的には、推定部５には、導電性ウレタン２２における電気抵抗の大きさ（電気抵抗値等）を表す時系列の入力データ４が入力される。入力データ４は、対象物２に対する付与側の状態、例えば対象物２に接触した人物の姿勢や動き等の人物の挙動に関する状態を示す状態データ３に対応する。例えば、人物が対象物２に接触する際、姿勢等の所定の状態で接触し、当該状態に対応して、対象物２を構成する導電性ウレタン２２には刺激（圧力刺激及び素材刺激の少なくとも一方）が物理量として与えられ、導電性ウレタン２２の電気特性が変化する。従って、入力データ４により示される時系列に変化する導電性ウレタン２２の電気特性は、対象物２、すなわち、導電性ウレタン２２に対する付与側の状態に対応するものとなる。また、推定部５は、学習済みの学習モデル５１を用いた推定結果として、時系列に変化する導電性ウレタン２２の電気特性に対応する付与側の状態を表す出力データ６を出力する。

学習モデル５１は、物理量として与えられる刺激（圧力刺激及び素材刺激）により変化する導電性ウレタン２２の電気抵抗（入力データ４）から、付与側の状態を表す出力データ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。

＜学習処理＞
次に、学習モデル５１を生成する学習処理について説明する。
図３に、学習モデル５１を生成する学習モデル生成装置の概念構成を示す。学習モデル生成装置は、学習処理部５２を備えている。学習モデル生成装置は、図示しないＣＰＵを備えたコンピュータを含んで構成可能であり、ＣＰＵにより実行される学習データ収集処理及び学習モデル生成処理によって学習処理部５２として実行されて学習モデル５１を生成する。

＜学習データ収集処理＞
学習処理部５２は、学習データ収集処理において、付与側の状態を表す状態データ３をラベルとして導電性ウレタン２２における電気特性（例えば電気抵抗値）を時系列に測定した大量の入力データ４を学習データとして収集する。従って、学習データは、電気特性を示す入力データ４と、その入力データ４に対応する付与側の状態を示す状態データ３と、のセットを大量に含む。

具体的には、学習データ収集処理では、対象物２における状態（すなわち、導電性ウレタン２２に対する付与側の状態）が形成された際の付与側の状態に応じた刺激（圧力刺激及び素材刺激）により変化する電気特性（例えば電気抵抗値）を時系列に取得する。次に、取得した時系列の電気特性（入力データ４）に状態データ３をラベルとして付与し、状態データ３と入力データ４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処理を繰り返す。これらの付与側の状態を示す状態データ３と、付与側の状態毎に取得した時系列の導電性ウレタン２２の電気特性（入力データ４）とのセットが学習データとなる。なお、学習データにおける状態データ３は、後述する学習処理において推定結果が正解である付与側の状態を示す出力データ６として扱われるように図示しないメモリに記憶される。

なお、学習データは、導電性ウレタン２２の電気抵抗値（入力データ４）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を対応付けてもよい。この場合、付与側の状態として定まる期間について、導電性ウレタン２２における時系列な電気抵抗値の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。

上述した学習データの一例を次に表で示す。表１は、導電性ウレタン２２に対する付与側の状態に関する学習データとして、時系列の電気抵抗値データ（ｒ）と付与側の状態を示す状態データ（Ｒ）とを対応付けたデータセットの一例である。

なお、導電性ウレタン２２で検出される電気特性（時系列の電気抵抗値データによる時間特性）は、導電性ウレタン２２に対する付与側の状態に関する特徴パターンとして捉えることが可能である。すなわち、導電性ウレタン２２に対する付与側の状態によって、導電性ウレタン２２に対して異なる刺激が時系列に与えられる。従って、所定の時間内における時系列の電気特性は、付与側の状態に対して特徴的な電気特性として表れると考えられる。よって、導電性ウレタン２２で検出される電気特性（時系列の電気抵抗値データによる時間特性）に示されるパターン（例えば電気特性における時系列の電気抵抗値の分布形状）は、付与側の状態に対応し、後述する学習処理において有効に機能する。

＜学習モデル生成処理＞
次に、学習モデル生成処理について説明する。図３に示す学習モデル生成装置は、学習処理部５２における学習モデル生成処理によって、上述した学習データを用いて学習モデル５１を生成する。

図４は、学習処理部５２の機能構成、すなわち学習処理部５２で実行される学習モデル生成処理に関して、図示しないＣＰＵの機能構成を示す図である。学習処理部５２の図示しないＣＰＵは、生成器５４及び演算器５６の機能部として動作する。生成器５４は、入力である時系列に取得された電気抵抗値の前後関係を考慮して出力を生成する機能を有する。

学習処理部５２は、学習用データとして、上述した入力データ４（例えば、電気抵抗値）と、導電性ウレタン２２に刺激を与えた付与側の状態を示す状態データ３である出力データ６とのセットを図示しないメモリに多数保持している。

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）を構成する。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、入力された入力データ４（例えば、電気抵抗値）から付与側の状態を表すデータ又は付与側の状態に近いデータとしての生成出力データ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、入力データ４から導電性ウレタン２２に刺激が与えられた付与側の状態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入力データ４から、付与側の状態に近い状態を示す生成出力データを生成する。生成器５４は、多数の入力データ４を用いて学習することで、対象物２すなわち導電性ウレタン２２に刺激が与えられた人物等の付与側の状態に近い生成出力データ６Ａを生成できるようになる。他の側面では、時系列に入力された入力データ４である電気特性をパターンとして捉え、当該パターンを学習することで、対象物２すなわち導電性ウレタン２２に刺激が与えられた人物等の付与側の状態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。

なお、生成器５４は、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てもよく、他の手法を用いてもよい。

学習処理部５２は、学習モデル生成処理によって、上述した学習データを用いて学習モデル５１を生成する。学習モデル５１は、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、図示しないメモリに記憶される。

具体的には、学習処理部５２は、次の手順により学習モデル生成処理を実行する。第１学習処理では、時系列に測定した結果の学習データである、付与側の状態を示す情報をラベルとした入力データ４（電気特性）を取得する。第２学習処理では、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、第３学習処理では、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。

そして、上記推定装置１では、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、対象物２、すなわち導電性ウレタン２２の時系列の電気特性（例えば、時系列に変化する電気抵抗値の特性）から付与側の状態を同定することも不可能ではない。

＜ＰＲＣ＞
ところで、導電性ウレタン２２は、上述したように電気経路が複雑に連携し、電気経路の伸縮、膨縮、一時的な切断、及び新たな接続等の変化（変形）、並びに素材の性質の変化（変質）に応じた挙動を示す。結果的に、導電性ウレタン２２は、与えられた刺激（例えば圧力刺激）に応じて異なる電気特性を有する挙動を示す。このことは、導電性ウレタン２２を、導電性ウレタン２２の変形に関するデータを貯留するリザーバとして扱うことが可能である。すなわち、推定装置１は、物理的なリザーバ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。）に、導電性ウレタン２２を適用することが可能である。ＰＲＣおよびＰＲＣＮ自体は公知の技術であるため、詳細な説明を省略するが、ＰＲＣ、及びＰＲＣＮは、導電性ウレタン２２の変形や変質に関する情報の推定に好適である。

図５に、ＰＲＣＮを適用した学習処理部５２の機能構成の一例を示す。ＰＲＣＮを適用した学習処理部５２は、入力リザバ層５４１と、推定層５４５とを含む。入力リザバ層５４１は、対象物２に含まれる導電性ウレタン２２が対応する。すなわち、ＰＲＣＮを適用した学習処理部５２では、導電性ウレタン２２を含む対象物２を、導電性ウレタン２２を含む対象物２の変形及び変質に関するデータを貯留するリザーバとして扱って学習する。導電性ウレタン２２は、多様な刺激の各々に応じた電気特性（電気抵抗値）となり、電気抵抗値を入力する入力層として機能し、また、導電性ウレタン２２の変形及び変質に関するデータを貯留するリザーバ層として機能する。導電性ウレタン２２は、人物等の付与側の状態により与えられた刺激に応じて異なる電気特性（入力データ４）を出力するので、推定層５４５で、与えられた導電性ウレタン２２の電気抵抗値から未知の付与側の状態を推定することが可能である。従って、ＰＲＣＮを適用した学習処理部５２における学習処理では、推定層５４５を学習すればよい。

＜推定装置の構成＞
次に、上述した推定装置１の具体的な構成の一例についてさらに説明する。図６に、推定装置１の電気的な構成の一例を示す。図６に示す推定装置１は、上述した各種機能を実現する処理を実行する実行装置としてのコンピュータを含んで構成したものである。上述の推定装置１は、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。

推定装置１として機能するコンピュータは、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、ディスプレイやキーボード等の操作表示部１１６、及び検出部１１８が接続されている。検出部１１８は、導電性ウレタン２２を含む対象物２から、入力データ４（時系列の電気抵抗値等の電気特性）を取得する機能する。すなわち、検出部１１８は、導電性ウレタン２２が配置された対象物２を含み、かつ導電性ウレタン２２における検出点７５に接続された電気特性検出部７６から入力データ４を取得することが可能である。なお検出部１１８は通信部１１４を介して接続してもよい。

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、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。

＜推定処理＞
次に、コンピュータにより実現された推定装置１における推定処理についてさらに説明する。図７に、コンピュータ本体１００で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７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。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、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（ステップＳ２００）。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（図４、図５参照）を、ＲＡＭ１０４に展開することによって、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、導電性ウレタン２２に与えられた刺激による付与側の状態を推定する対象となる未知の入力データ４（電気特性）を、検出部１１８を介して時系列に取得する（ステップＳ２０２）。次に、ＣＰＵ１０２は、学習モデル５１を用いて、取得済みの入力データ４に対応する出力データ６（未知の付与側の状態）を推定する（ステップＳ２０４）。そして、ＣＰＵ１０２は、推定結果の出力データ６（付与側の状態）を、通信部１１４を介して出力し（ステップＳ２０６）、本処理ルーチンを終了する。

このように、推定装置１によれば、導電性ウレタン２２の電気抵抗値から未知の付与側の状態を推定可能である。具体的には、推定装置１では、付与側の状態により導電性ウレタン２２に与えられた刺激に応じて変化する入力データ４（電気特性）から、人物等の付与側の状態を推定することが可能となる。すなわち、特殊な装置や大型の装置を用いたり柔軟部材の変形を直接計測することなく、人物等の付与側の状態を推定することが可能となる。

ところで、少なくとも一部が撓み等のように変形可能な柔軟材料は、変形回数及び経時変化等によって柔らかさや硬度（柔軟性・反発力・復元力）が劣化する。なお、変形回数は、変形頻度でもよく、変形回数と変形頻度とを組み合わせてもよい。変形頻度は、変形回数と等価に適用してもよく、単位時間当たりの変形回数を適用してもよい。以降では、変形回数、及び単位時間当たりの変形回数を総称して変形頻度と称して説明する。上述した導電性ウレタン２２は、時系列の電気特性に付与側の状態に関する特徴が電気特性として表れる。よって、導電性ウレタン２２で検出される電気特性（時系列の電気抵抗値データによる時間特性）に示されるパターン（例えば電気特性における時系列の電気抵抗値の分布形状）に、変形頻度及び経時変化等によって生じる柔軟性の劣化状態を示す特徴が表れる。そこで、本実施形態では、上述した導電性ウレタン２２を含む推定装置１によって、変形可能な柔軟材料の劣化を推定する。

なお、以降では、説明を簡単にするため、対象物２に非導電性でかつ変形可能な柔軟材料を部材２１として含み、部材２１の裏面側に導電性ウレタン２２を配置する一例を説明する（図２の対象物断面２－５）。また、以降の説明では、柔らかさ（柔軟性）が徐々に硬くなる劣化の場合を説明する。しかし、柔らかさが徐々に柔らかくなる劣化の場合にも同様に本開示の技術が適用可能であることは勿論である。すなわち、柔らかさ（柔軟性）が徐々に硬くなる劣化は、変形可能な柔軟材料、例えばウレタンにおける発泡体の中の気泡が潰れて元の形状に復帰しないことによって硬くなる現象が一例として挙げられる。一方、ウレタンなどの変形可能な柔軟材料で、例えば、硬度が下がっていく状態（柔軟材料を構成する骨格が徐々に柔らかくなって反発力が低下する状態）にも適用可能である。

本実施形態では「劣化」及び「劣化状態」とは、圧力刺激が与えられた際における柔軟材料の変形及び変形からの復元に関して、所定時期、例えば柔軟材料の形成当初から、柔らかさが変化した状態を含む概念である。具体的には、例えば、柔軟材料の構造及び形状の側面で、変形後の構造及び形状が変形前の構造及び形状に復元する復元力が柔軟材料の製造当初より変化（増加又は減少）する状態、変形時に付与可能な圧力が柔軟材料の製造当初の圧力から変化（増加または減少）する状態を含む。

＜劣化状態推定装置＞
次に、導電性ウレタン２２を含む対象物２の劣化状態を推定する劣化状態推定装置の一例を説明する。

図８に、本実施形態に係る劣化状態推定装置としての推定装置１Ａの構成の一例を示す。図８に示す推定装置１Ａは、図１に示す推定部５に代えて、劣化状態推定部１０を備えている。

劣化状態推定装置１Ａにおける推定処理は、学習済みの学習モデル５１を用いて、未知の物品（推定対象物）の劣化状態を推定し、出力する。学習モデル５１は、導電性ウレタン２２の電気特性及び導電性ウレタン２２を含む対象物２の劣化状態を含む学習データによって学習される。

次に、本実施形態に係る学習モデル５１を生成する学習処理について説明する。対象物２の劣化状態を示す劣化状態情報（状態データ３）をラベルとする導電性ウレタン２２の電気特性（入力データ４）を学習データとして学習を行う。

まず、学習処理に用いる学習データについて説明する。
図９に、対象物２における物理量を測定する測定装置８の一例を示す。測定装置８は圧力刺激を繰り返し与えることで、対象物２の耐久試験装置としても機能する（詳細は後述）。

測定装置８は、基台８１に固定された固定部８２に、対象物２に圧力刺激を与えるための圧力付与部８３が取り付けられる。圧力付与部８３は、圧力付与本体８３Ａ、当該圧力付与本体８３Ａから伸縮可能なアーム８３Ｂ、及びアーム８３Ｂの先端に取り付けられた先端部８３Ｃを備えている。圧力付与本体８３Ａは固定部８２に固定され、入力信号に応じてアーム８３Ｂが伸縮されて、先端部８３Ｃが所定方向（矢印Ｚ方向及び逆方向）に移動される。これによって、押圧部材８４は基台８１に設置される対象物２に接触したり、接触後に押圧したり、対象物２から離間したりすることが可能となる。

対象物２は、基台８１上に導電性ウレタン２２が配置され、導電性ウレタン２２上にウレタンなどの柔軟性を有する部材２１が配置される。圧力付与部８３の先端部８３Ｃには、所定形状の押圧部材８４が取り付けられる。対象物２は、圧力付与部８３の先端部８３Ｃに取り付けられた押圧部材８４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、所定形状の押圧部材８４の一例として、先端が曲面形状（例えば球体の一部）の押圧部材８４を用いる。押圧部材８４は、対象物２に対して所定の圧力により圧力刺激を与える部材である。なお、押圧部材８４の形状は断面形状として四角形、台形、円形、楕円形、又は多角形の何れの形状でもよく、その他の形状でもよい。

圧力付与部８３は、アーム８３Ｂが伸長することによって、先端部８３Ｃが押圧部材８４を対象物２に押圧するように作動する。

圧力付与本体８３Ａ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８５を備える。フォースセンサ８５は、検出した力から、対象物２に対する押圧部材８４の押圧状態を検出する機能、及び対象物２に付与される圧力を検出する機能を有する。このフォースセンサ８５によって、押圧部材８４の対象物２への押圧状態における物理量を時系列に検出可能であり、対象物２に付与される圧力を時系列に検出可能である。なお、劣化状態のみを試験する場合はフォースセンサ８５は省略可能である。

測定装置８は、圧力付与部８３、及びフォースセンサ８５に接続されたコントローラ８０を備えている。コントローラ８０は、図示しないＣＰＵを備え、図示しないＣＰＵにより圧力付与部８３の制御を行い、対象物２に対して圧力刺激を与え、対象物２への圧力刺激による時系列の電気特性を取得し、記憶する。

本実施形態では、コントローラ８０は、アーム８３Ｂを伸縮する往復運動を行って、対象物２に対して圧力刺激の付与及び解除を行うように圧力付与部８３の制御を行う。また、コントローラ８０は、対象物２に対する圧力刺激の付与及び解除に同期して、導電性ウレタン２２における電気特性を取得する。従って、測定装置８は、学習データの１つとして、断続的（例えば周期的）に変形を与えた対象物２の変形に関する電気特性を時系列に取得可能となる。

次に、対象物２の劣化状態について説明する。
対象物２では、変形の頻度及び経時変化の少なくとも一方によって、柔らかさが劣化する。例えば、変形の頻度が増加するに従って柔らかさが劣化したり、対象物２の放置時間等の経過時間が増加するに従って柔らかさが劣化したりする。また、変形の頻度及び経過時間のそれぞれが増加するに従って柔らかさが劣化する場合もある。対象物の劣化を示す劣化状態は、対象物２の構造及び形状等の幾何学的な側面では、圧力刺激が与えられて変形してから圧力刺激が与えられる前の構造等に復元するまでの時間、及び元の構造等と復元後の構造等との構造相違の度合いが想定される。また、対象物２に生じる力学的な側面では、圧力刺激が与えられて変形する際の対象物２の反発力、及び圧力刺激が解除されて変形が復元する際の対象物２の復元力が相違する度合いが想定される。しかし、柔軟性を有する対象物２では、幾何学的な側面及び力学的な側面の両者は密接に関係するため、本実施形態では、両者を区別することなく、対象物２の劣化状態として扱う。

なお、変形の頻度については、同じ大きさの試料（対象物２）を複数用意し、同じ環境下で、予め定めた時間内に、各々の試料に各々異なる回数の変形を与えて、変形状態を測定したところ、変形回数が多い程、すなわち予め定めた時間内の変形頻度が多い程、劣化の度合いが大きいことを確認した。また、経過時間については、試料（対象物２）を用意し、同じ環境下で、予め定めた時間毎に変形状態を測定したところ、時間の経過が長くなる程、すなわち経過時間が長くなる程、劣化の度合いが大きいことを確認した。

図１０に、上述した測定装置８を用いて対象物２の耐久試験を行った結果の一例を概念図として示す。図１０は、対象物２に対する圧力刺激の付与及び解除を連続して繰り返した場合に時系列に変化する電気特性（電気抵抗値の変化特性）の概念を一例として示す。

図１０に示すように、対象物２の電気特性は、測定初期は、圧力刺激の付与時の電気抵抗値Ｅｄ及び解除し復元時の電気抵抗値Ｅｕの間で変動する。そして、対象物２の電気特性は、繰り返し回数が増加する（測定の時間ｔが長くなる）に従って測定初期から徐々に電気抵抗値が低下する傾向となって現れる。そこで、本実施形態では、電気抵抗値が低下する傾向を定量化して劣化度とする。すなわち、劣化度は、電気抵抗値が低下する傾向の度合いを示す。劣化度は、電気特性に含まれる特徴に応じて定めることが可能である。

第１の特徴は、対象物２の劣化状態が対象物２の電気特性（図１０）において徐々に低下する抵抗値に表れることである。例えば、圧力刺激の付与時の電気抵抗値に関する特性は、曲線Ｅｄｘとなる。曲線Ｅｄｘにおける電気抵抗値をベース抵抗値として、このベース抵抗値を劣化度とする。なお、第１の特徴を適用する劣化度は、ベース抵抗値をそのまま用いてもよく、対象物２の測定初期または対象物２の形成当初の電気抵抗値からの差及び比率を劣化度として適用してもよい。また、対象物２の劣化度はユーザに直感的なメッセージに対応付けてもよい。例えば、劣化状態の判定のための電気抵抗値の閾値Ｅｔｈを予め定めておき、閾値Ｅｔｈ未満の場合は未劣化の状態、閾値Ｅｔｈ以上の場合は劣化した状態と設定してもよい。閾値Ｅｔｈは、対象物２の測定初期の形状及び測定初期の柔らかさ等のように対象物２に個別の幾何学的な種類または力学的な種類による規定に応じて予め実験等によって定めることが可能である。なお、上記では、閾値Ｅｔｈを境界として状態を定めたが、閾値は１つに限定されるものではなく、複数定めて、段階的に劣化状態を定めてもよい。なお、劣化度は、初期のベース抵抗値や電気抵抗値に対する現在の値により示される変化量を、劣化判定のための劣化指標として用いてもよい。

第２の特徴は、対象物２の劣化状態が、圧力刺激の付与及び解除の１サイクルの電気特性又は所定サイクルの電気特性に表れることである。具体的には、対象物２の劣化状態が圧力刺激の付与及び解除の電気特性において電気抵抗値の変化に表れることである。

図１１に、上述した試験結果による対象物２の電気特性の一例を示す。図１１では、測定初期に圧力刺激の付与及び解除を所定数繰り返した際における対象物２の電気特性の一例を電気特性４１として示している。また、電気特性４２には、測定初期から連続して圧力刺激の付与及び解除を繰り返すことを継続して行い、予め定めた圧力刺激の付与及び解除（変形の頻度の増加）を行った後の経過時期における対象物２の電気特性を示す。図１１では、同一周期で、測定初期及び経過時期に２回の圧力刺激を付与した時期をＰ１とＰ２で示している。図１１に示すように、対象物２の電気特性は、測定初期と経過時期とでは異なる特性になっている。なお、図１１では所定の変形の頻度を増加させた場合の経過時期としたが、経過時期は圧力刺激の付与及び解除を実行せずに、放置した時間であってもよい。また、経過時期は、圧力刺激の付与及び解除を継続的に繰り返しもよく、断続的に繰り返すことを含み、継続的又は断続的に変形の頻度を増加させ、かつ当該増加後の所定時間経過後でもよい。

図１２に、図１１に示す対象物２の電気特性について、電気抵抗値の変化の観点から対象物２の電気特性を捉えた概念図を示す。図１２では、測定した電気抵抗値と電気抵抗値の平均値との比率に関する電気特性の概念を時間特性として示す。なお、図１２は、押圧部材８４として接触部分が略平面の平板型の押圧部材８４を用いて計測した電気特性を示す。測定初期の時間特性は、特性４３として実線で示し、経過時期の時間特性は、特性４４として点線で示す。また、図１２では、対象物に与えた圧力刺激の圧力特性を特性４５として示している。なお、図１２では、対象物２に対して圧力刺激を最大値で与えた時期（圧力刺激を解除する直前）をＰ１ａ，Ｐ２ａで示している。

図１２に示すように、電気抵抗値の変化の観点では、対象物２の電気特性は、圧力刺激を付与した時期と解除した時期とでは異なる特性になっている。具体的には、圧力刺激を付与した時期における電気抵抗値の変化傾向（例えば変化率）は、測定初期の傾向Ｗａと経過時期の傾向Ｗｂとの差は微小である。それに対して、解除した時期における電気抵抗値の変化傾向（例えば変化率）は、測定初期の傾向Ｗｃと経過時期の傾向Ｗｄとの差が大きくなる傾向である。また、経過時期では、測定初期に圧力刺激を付与した時期における差に比べて、大きくなる傾向になっている（図１２で実線と点線との間隔が離れている）。

従って、第２の特徴では、対象物２の劣化状態として、圧力刺激の付与及び解除の電気特性における電気抵抗値の変化を適用する。具体的には、例えば、電気抵抗値の変化傾向（例えば変化率）、または電気抵抗値の変化の最小値の差を劣化傾向を示す劣化度とする。なお、上述したように、第２の特徴を適用する劣化度は、第１の特徴を適用する劣化度と同様に、ユーザに直感的なメッセージに対応付けてもよいし、劣化状態の判定のための閾値を予め定め、閾値に対して未劣化の状態または劣化した状態と設定してもよい。また、劣化度は、初期の値に対する現在の値により示される変化量を、劣化判定のための劣化指標として用いてもよい。

第２の特徴を適用する劣化度は、第１の特徴を適用する劣化度と比べて、電気特性の絶対値の変動に影響されることを抑制でき、対象物２の劣化状態を特定可能となる。

第３の特徴は、対象物２の劣化状態が、対象物２の電気特性の周波数の変化、すなわち、対象物２で検出される時系列の電気抵抗値の時間特性の周波数の変化に表れることである。

図１３に、対象物２の電気特性における周波数特性（パワースペクトル）の一例を概念図として示す。図１３では、測定初期に圧力刺激の付与及び解除を所定数繰り返した際における対象物２の電気特性４１（例えば図１２）のパワースペクトルの概念の一例を特性４６として示す。また、測定初期から連続して圧力刺激の付与及び解除を繰り返すことを継続して行い、予め定めた圧力刺激の付与及び解除（変形の頻度の増加）を行った後の経過時期における対象物２の電気特性４２（例えば図１２）のパワースペクトルを特性４２として示す。

図１３に示すように、対象物２の柔軟性は、変形頻度及び時間経過の少なくとも一方の物理量が大きくなるに従って（例えば、変形回数が増加又は時間経過が長くなるに従って）、劣化し、以前の柔軟性から変化する現象が高周波数成分に現れる。すなわち、変形の頻度が増加するに従って高周波数成分が変化したり、対象物２の放置時間等の経過時間が増加するに従って高周波数成分が変化したりする。また、変形の頻度及び経過時間のそれぞれが増加するに従って高周波数成分が変化する場合もある。図１３に示す例では、変形頻度の増加に伴う時間経過の長期化で高周波成分が徐々に減少し、柔軟性が徐々に柔らかくなる劣化が進むことが示されている。なお、図１３では所定の変形の頻度の増加に伴う経過時期としたが、経過時期は放置時間であってもよく、変形を継続的に繰り返してもよく、断続的に繰り返すことを含み、継続的又は断続的に変形の頻度を増加させ、かつ当該増加後の所定時間経過後でもよい。

具体的には、電気特性の周波数特性（パワースペクトル）において、第１の周波数ｆ１と、第１の周波数ｆ１より高周波側の第２の周波数ｆ２とのパワーの差Ｐｓを考える。測定初期（特性４６）におけるパワーの差Ｐｓ１より、経過時期（特性４７）におけるパワーの差Ｐｓ２が大きくなる傾向である。

従って、第３の特徴では、対象物２の劣化状態として、対象物２の電気特性における周波数の変化を適用する。具体的には、例えば、電気抵抗値における周波数の変化傾向（例えば、変化量又は変化率）を劣化傾向を示す劣化度とする。なお、上述したように、第３の特徴を適用する劣化度は、ユーザに直感的なメッセージに対応付けてもよいし、劣化状態の判定のための閾値を予め定め、閾値に対して未劣化の状態または劣化した状態と設定してもよい。また、劣化度は、初期の値に対する現在の値により示される変化量を、劣化判定のための劣化指標として用いてもよい。

第３の特徴を適用する劣化度は、第１の特徴又は第２の特徴を適用する劣化度と比べて、電気特性の絶対値の変動、及び電気特性の相対的な変動に影響されることを抑制でき、より高精度に対象物２の劣化状態を特定可能となる。

上述した劣化度によって、対象物２の劣化状態を示す劣化状態情報（状態データ３）を設定することが可能となる。従って、対象物２の電気特性に示される上述した特徴を導出することで、もう１つの学習データとして、対象物２の変形に関する時系列の電気特性に対する対象物２の劣化状態を対応付けることが可能となる。

従って、対象物２（すなわち、導電性ウレタン２２）における時系列の電気特性と、電気特性に対する対象物２の劣化状態との各々を示す情報によるセットが学習データとなる。当該学習データの一例を次に表で示す。表２は、導電性ウレタン２２を含む対象物２の劣化状態に関する学習データとして、時系列の電気抵抗値データ（ｒ）と劣化状態を示す状態データ（Ｒ）とを対応付けたデータセットの一例である。

表２は、上述した表１における状態データ（Ｒ）を、劣化状態に対応させて詳細にしたものである。状態データ（Ｒ）は、上述した電気特性に表れる特徴の何れかを対応させればよい。例えば、第１の特徴を適用する劣化度（Ｅ）を適用すればよい。第１の特徴を適用する劣化度には、ベース抵抗値、初期電気抵抗値からの差又は比率、劣化度を示すメッセージ、及びこれらの劣化度から導出される劣化指標が挙げられる。第２の特徴では、電気特性における電気抵抗値の変化、例えば、電気抵抗値の変化率等の変化傾向（Ｗ）を、劣化傾向を示す劣化度として適用すればよい。第３の特徴を適用する劣化度では、電気特性における周波数の変化、例えば、電気抵抗値における変化量又は変化率等の周波数の変化傾向（Ｆ）を劣化傾向を示す劣化度とすればよい。従って、対象物２（導電性ウレタン２２）の時系列の電気特性には、対象物２の劣化状態が特徴的に表れるので、学習処理において有効に機能する。

次に、本実施形態にかかる対象物２の劣化状態に関する学習モデル５１を生成する学習処理を説明する。

図１４に、学習処理部５２において実行される学習処理の流れの一例を示す。学習処理は、上述した学習処理部５２における図示しないＣＰＵの処理によって行われる。

ステップＳ１１０では、対象物２の電気特性（入力データ４）を取得する。次のステップＳ１１１では、まず、対象物２の電気特性（入力データ４）を解析し、上述した特徴を表す劣化度を導出することで、対象物２の劣化状態を示す状態データ３を取得する。このステップＳ１１１では、対象物２の電気特性である入力データ４と、解析結果の対象物２の劣化状態を示す状態データ３とを対応付け、状態データ３（劣化度）をラベルとした入力データ４（電気抵抗）のセットを学習データとして取得する。次に、ステップＳ１１２では、取得した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。

次に、本実施形態にかかる学習モデル５１を用いた対象物２における劣化状態の推定処理について説明する。

上述したように、劣化状態推定装置１Ａでは、以上に例示した手法により生成した学習済みの学習モデル５１を用いることで、十分に学習した学習モデル５１を用いれば、対象物２における電気特性から、対象物２の劣化を同定することも不可能ではない。
なお、対象物の劣化状態推定装置１は、本開示の推定部および推定装置の一例である。

図１５に、コンピュータ本体１００で実行される制御プログラム１０８Ｐによる対象物２における劣化状態の推定処理の流れの一例を示す。図１５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。

まず、ステップＳ２０１では、補助記憶装置１０８の学習モデル１０８Ｍから上述した劣化状態推定用に学習済みの学習モデル５１を読み出し、ＲＡＭ１０４に展開することで、学習モデル５１を取得して学習モデル５１を構築する。

次に、ステップＳ２０３で、未知の対象物２（推定対象物）における時系列の入力データ４（電気特性）を、検出部１１８を介して取得する。

次に、ステップＳ２０５では、ステップＳ２０１で取得した学習モデル５１を用いて、ステップＳ２０３において取得した入力データ４（電気特性）に対応する出力データ６（推定対象物の劣化状態）を推定する。そして、次のステップＳ２０７では、推定結果の出力データ６（推定対象物の劣化状態）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、ステップＳ２０７では、交換時期を報知する等の支援情報を出力することも可能である。例えば、上述したユーザに直感的なメッセージを劣化度として通信部１１４又は操作表示部１１６へ出力してもよい。具体的には、劣化状態の判定のための閾値未満の場合は未劣化の状態、閾値以上の場合は交換が好ましい劣化した状態の何れかを示すメッセージを情報として出力してもよい。このように支援情報を出力することで、ユーザは、対象物２について、予め定められた劣化状態となる適切な時期に交換を行うことが可能となる。

上述した図１５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、劣化状態が未知の推定対象物における電気特性から、推定対象物の劣化状態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、対象物２の変形時における電気特性を利用して、推定対象物の劣化状態を推定することが可能となる。

また、推定対象物における劣化状態の推定結果を出力することによって、対象物２に含まれるセンサとして機能する導電性ウレタン２２における柔軟性を含めて劣化状態が推定される。これによって、対象物２の形成初期におけるセンサとしての機能が劣化した場合であっても予め定められた劣化状態となる適切な時期に交換を行うことが可能となる。

＜変形例＞
上述した劣化状態推定部１０は、上記電気特性に含まれる特徴に対応して機能別に構成することが可能である。

図１６に、劣化状態推定部１０の構成の変形例を示す。劣化状態推定部１０は、劣化状態分析部、比較判定部、及び閾値記憶部とを含む。

劣化状態分析部は、導電性ウレタン２２の変形に応じて変化する時系列の電気特性（入力データ４）を用いて、導電性ウレタン２２を含む対象物２の劣化状態を分析する機能部である。劣化状態分析部は、上述した第１の特徴から第３の特徴の何れかとして、電気特性に含まれる特徴により示される劣化度を導出する。比較判定部は、劣化状態の判定用の閾値を記憶した閾値記憶部に接続され、分析結果の劣化状態と劣化状態の判定用閾値とを比較し、比較結果を劣化度として出力する機能部である。閾値記憶部は、例えば、ユーザに直感的なメッセージに対応付ける等のように劣化状態の判定のための閾値を、ＲＯＭ１０６又は補助記憶装置１０８に記憶すればよい。また、比較判定部は、例えば、劣化状態の判定のための閾値を用いて、導出された劣化度が閾値未満の場合は未劣化の状態、閾値以上の場合は劣化した状態と判定すればよい。このように、劣化状態推定部１０を電気特性に含まれる特徴に対応して機能別に構成することで、独立した装置構成及び電気回路構成等のハードウェア構成に容易に適用することができる。

本開示では、柔軟部材の一例として導電性ウレタンを適用した場合を説明したが、柔軟部材は柔軟性を有すればよく、上述した導電性ウレタンに限定されないことは勿論である。

また、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、推定処理及び学習処理を、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 推定装置
２ 対象物
３ 状態データ
４ 入力データ
５ 推定部
６ 出力データ
６Ａ 生成出力データ
２１ 部材
２２ 導電性ウレタン
５１ 学習モデル
５２ 学習処理部
５４ 生成器
５６ 演算器
７５ 検出点
７６ 電気特性検出部

Claims (9)

1. 導電性を有し、かつ変形に応じて電気特性が変化する柔軟材料を備えた対象物の前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出する検出部と、
   前記対象物に対して与えられる圧力刺激による前記柔軟材料の変形に応じて変化する時系列の電気特性と、前記柔軟材料の変形に関する劣化状態を示す劣化状態情報とを、対応付けて学習用データとして用いて、前記時系列の電気特性を入力とし、前記劣化状態情報を出力するように学習された学習モデルに対して、推定対象物の前記検出部で検出された時系列の電気特性を入力し、入力した時系列の電気特性に対応する前記劣化状態情報を推定及び出力する推定部と、
   を含む推定装置。
2. 前記電気特性は、体積抵抗であり、
   前記対象物は、柔軟性を有する部材を含み、
   前記劣化状態情報が示す、前記柔軟材料の変形に関する前記劣化状態は、前記対象物の初期状態からの変形回数、変形頻度及び経過時間の少なくとも１つの物理量が大きくなるに従って劣化の度合いが大きくなる劣化度を示す状態である
   請求項１に記載の推定装置。
3. 前記劣化状態情報が示す、前記柔軟材料の変形に関する前記劣化状態は、時系列の電気特性において前記対象物の変形前形状からの変形時の電気特性、及び前記変形前形状への復元時の電気特性の少なくとも一方に対する劣化度を示す状態である
   請求項２に記載の推定装置。
4. 前記劣化状態情報が示す、前記柔軟材料の変形に関する前記劣化状態は、時系列の電気特性を周波数分析したときに、分析結果の周波数のパワーが、所定時期の周波数のパワーより大きくなるに従って劣化の度合いが大きくなる劣化度を示す状態である
   請求項２に記載の推定装置。
5. 前記対象物は、繊維状及び網目状の少なくとも一方の骨格を有する構造、又は内部に微小な空気泡が複数散在する構造のウレタン材の少なくとも一部に導電性が付与された材料を含む
   請求項２から請求項４の何れか１項に記載の推定装置。
6. 前記学習モデルは、前記柔軟材料をリザーバとして当該リザーバを用いたリザーバ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５の何れか１項に記載の推定装置。
7. コンピュータが
   導電性を有し、かつ変形に応じて電気特性が変化する柔軟材料を備えた対象物の前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出し、
   前記対象物に対して与えられる圧力刺激による前記柔軟材料の変形に応じて変化する時系列の電気特性と、前記柔軟材料の変形に関する劣化状態を示す劣化状態情報とを、対応付けて学習用データとして用いて、前記時系列の電気特性を入力とし、前記劣化状態情報を出力するように学習された学習モデルに対して、検出された推定対象物の時系列の電気特性を入力し、入力した時系列の電気特性に対応する前記劣化状態情報を推定及び出力する
   推定方法。
8. コンピュータに
   導電性を有し、かつ変形に応じて電気特性が変化する柔軟材料を備えた対象物の前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出し、
   前記対象物に対して与えられる圧力刺激による前記柔軟材料の変形に応じて変化する時系列の電気特性と、前記柔軟材料の変形に関する劣化状態を示す劣化状態情報とを、対応付けて学習用データとして用いて、前記時系列の電気特性を入力とし、前記劣化状態情報を出力するように学習された学習モデルに対して、検出された推定対象物の時系列の電気特性を入力し、入力した時系列の電気特性に対応する前記劣化状態情報を推定及び出力する
   処理を実行させるための推定プログラム。
9. 導電性を有し、かつ変形に応じて電気特性が変化する柔軟材料を備えた対象物の前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出する検出部からの前記電気特性と、前記柔軟材料の劣化状態を示す劣化状態情報と、を取得する取得部と、
   前記対象物に対して与えられる圧力刺激による前記柔軟材料の変形に応じて変化する時系列の電気特性と、前記柔軟材料の変形に関する劣化状態を示す劣化状態情報とを、対応付けて学習用データとして、前記対象物に対して与えられる圧力刺激により前記柔軟材料を変形させた際の時系列の電気特性を入力とし、前記柔軟材料の変形に関する劣化状態を示す前記劣化状態情報を出力する学習モデルを生成する学習モデル生成部と、
   を含む学習モデル生成装置。