JPH04309696A - ニューラルネットワークを用いた小口径トンネルロボットの方向制御知識の獲得法 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は無排土式で押し込み推進
させながらロボット先端のヘッド角を制御し、方向修正
を行なう小口径トンネルロボットのニューラルネットワ
ークを用いた方向制御知識の獲得法に関するものである
。

【０００２】

【従来の技術】小口径トンネルロボットの方向制御則が
多数検討されている。この一例を以下に示す。 （１）計画線に対するロボット本体の位置偏差とピッチ
ング角度偏差に、ある比例ゲインをかけたものを次の入
力ヘッド角とするフィードバック制御則。

【０００３】（２）計画線に対するロボット本体の位置
偏差とピッチング角度偏差と、それに対する入力ヘッド
角に関する関係をオペレータの経験と知識を使い制御規
則、メンバーシップ関数で表現し制御するファジィ制御
則。これらの制御則は小口径トンネルロボットの方向制
御に有効であることが確認されている。

【０００４】

【発明が解決しようとする課題】しかし、これらの制御
では、初期偏差や土質等が変化した場合、それぞれの場
合に対する、フィードバック制御則では最適フィードバ
ックゲイン、ファジィ制御では最適メンバーシップ関数
値を探索しなければならず、多大な手間と時間がかかる
という問題点があった。

【０００５】本発明の目的は従来技術の制御則の最適フ
ィードバックゲイン、最適メンバーシップ関数値探索の
多大な手間と時間がかかるという問題点を克服するニュ
ーラルネットワークを用いた小口径トンネルロボットの
方向制御知識の獲得法を確立することである。

【０００６】

【課題を解決するための手段】本発明は、入力層、少な
くとも１層以上の中間層、そして出力層を持ち、各層が
ユニットの集合であり、計画線に対する小口径ロボット
本体の偏差と偏角を入力層の入力とし、ヘッド角を出力
層の出力とするニューラルネットワークを、所定の小口
径トンネルロボットの方向制御則から得られる、ある所
定の初期偏差、偏角や土質に対する「偏差、偏角」と「
ヘッド角」との関係を学習データとしてニューラルネッ
トワークの学習則によって学習させることにより、任意
の初期偏差、偏角や土質に対応できるニューラルネット
型方向制御則を得ることを特徴とする。

【０００７】

【作用】従来法では求めるために多大な手間と時間がか
かった任意の初期偏差、偏角や土質に対応できる方向制
御則を本発明によればある所定の初期偏差、偏角や土質
に対する「偏差、偏角」と「ヘッド角」との関係をニュ
ーラルネットワークに学習させるだけで得ることができ
る。

【０００８】

【実施例】以下図面を参照して本発明の実施例を詳細に
説明する。はじめに小口径トンネルロボットのフィード
バック方向制御則の最適フィードバックゲインを求める
従来技術に関して述べる。

【０００９】図１にトンネルロボットのシステム構成を
示す。本システムはヘッド角修正機能を持つトンネルロ
ボット本体１、埋設管２、埋設管２を押し込む押管装置
３、油圧装置４、操作盤５よりなる。埋設管２は押管装
置３により油圧で１本ずつ押し込まれる。このとき、オ
ペレータ６はヘッド角を逐次修正し、計画線に沿うよう
に方向制御を行なう。７は地表である。

【００１０】次に本ロボットのフィードバック方向制御
法とそのシミュレータについて述べる。本制御法ではロ
ボット本体の位置偏差とピッチング角偏差に、ある比例
ゲインをかけたものを次の入力ヘッド角とするフィード
バック制御則を用いている。図２でヘッド角とピッチン
グ角について定義する。シミュレータは方向修正に関す
るダイナミックモデル［式（１）］とロボットのピッチ
ング角と位置の算出式［式（２），（３）］によって構
成される。方向制御のシミュレーションは以下のように
行なう。まず、式（４）の制御則によりヘッド角を求め
る。次にそのヘッド角を式（１）のダイナミックモデル
に代入し、方向修正量を計算する。そして、式（２），
（３）を用い、ロボットのピッチング角と位置を計算す
る。

【００１１】本システムのダイナミックモデルは方向修
正角がヘッド角とロボットの姿勢を近似的に表わすピッ
チング角変化量の時系列項および確率分布項の和で表わ
せる確率モデルで表した。パラメータａｎ　，ｂｎ　は
最小２乗法によって推定される。 シミュレータ 　　Δθｐ　（ｋ）　＝ａ１　Δθｐ　（ｋ−１）　＋
…＋ａｎ　Δθｐ　（ｋ−ｎ）　　　　　　＋ｂ０　θ
ｈ　（ｋ）　＋ｂ１　θｈ　（ｋ−１）　＋…＋ｂｎ　
θｈ　（ｋ−ｎ）　＋ｅ（ｋ）　　　　　（１） 　　θｐ　　（ｋ）　　＝θｐ　（ｋ−１）　＋Δθｐ
　（ｋ）　　　　　　　　　　　　　　　　　　　　　
　　　　　　　　　　　　　（２） 　　Ｙ（ｋ）　＝Ｙ（ｋ−１）　＋Ｌｓｉｎ　（θｐ　
（ｋ））　　　　　　　　　　　　　　　　　　　　　
　　　　　　　　　　（３） 制御則 　　θｈ　（ｋ）　＝Ｋｐ　（Ｙｄ　（ｋ）　−Ｙ（ｋ
−１））＋Ｋａ　（θｄ　（ｋ）　−θｐ　（ｋ−１）
）　　　（４） 　　ただし、Ｋｐ　：位置偏差フィードバックゲインＫ
ａ　：角度偏差フィードバックゲイン

【００１２】図３
でシミュレータ及び制御則で用いる各パラメータを定義
する。下方の軌道が計画線であり、上方の軌道がロボッ
トの軌道である。ストロークｋにおける計画線の位置を
Ｙｄ　（ｋ）　、計画線の傾きをθｄ　（ｋ）　、ロボ
ットの位置をＹ（ｋ）　、ロボットのピッチング角をθ
ｐ　（ｋ）　、ピッチング角変化量をΔθｐ　（ｋ）　
、１ストロークの長さをＬとおく。また、式（２）のダ
イナミックモデルにおて、ｅ（ｋ）　は残差、ｎはモデ
ルの次数である。 方向制御のブロック線図を図４に示す。

【００１３】上記シミュレータを用いて本方向制御法の
有効性を検討した結果、位置偏差フィードバックゲイン
と角度偏差フィードバックゲインをうまく選択すれば、
良好な方向制御を行なうことがわかった。

【００１４】そこで、次に、最適フィードバックゲイン
を従来の方法では以下のように求めた。一例としてＮ値
が０〜２である岡山地区のデータを使って説明する。こ
こで、Ｎ値は土質のかたさ、締り具合いを表わす数値で
、値が大きいほどかたい。図５にＫｐ　＝０．０１（ｄ
ｅｇ／ｍｍ）と固定した時の、Ｋａ　−過渡応答の偏差
絶対値積分値特性を示す。ただし、残差ｅ（ｋ）　は平
均値０ｄｅｇ　、標準偏差０．１３ｄｅｇ　の正規分布
で近似し、初期位置、初期ピッチング角度はそれぞれ、
５００ｍｍ、０ｄｅｇ　とした。また、計画線は初期値
０ｍｍの水平線とした。この図より、偏差絶対値積分値
が最小になるＫａ　を求めることができる。この場合、
Ｋａ　＝１．５となる。次に、上記と同様に、Ｋｐ　を
０．０１から１０（ｄｅｇ／ｍｍ）まで変化させて偏差
絶対値積分値が最小になるＫａ　を求める。これらの結
果を用いると、図６に示すＫｐ　−最小偏差絶対値積分
値特性が求まる。この図より偏差絶対値積分値が最小に
なるＫｐ　は０．０７（ｄｅｇ／ｍｍ）となり、そのと
きのＫａ　はＫｐ　が０．０７（ｄｅｇ／ｍｍ）のとき
のＫａ−過渡応答の偏差絶対値積分値特性により７．８
（無次元）と求まる。

【００１５】従って、初期位置、初期ピッチング角度が
それぞれ５００ｍｍ、０ｄｅｇ　の場合、岡山に関する
最適ゲインはＫｐ　＝０．０７（ｄｅｇ／ｍｍ）、Ｋａ
　＝７．８（無次元）となる。図７にこの最適なＫａ　
，Ｋｐ　を使った場合の方向制御シミュレーション結果
を示す。初期位置は５００ｍｍ、計画線は位置が０ｍｍ
の水平線とした。図に示されるように、良好な制御が行
なわれていることがわかる。しかし、初期位置、初期ピ
ッチング角度が異なる場合に、同じゲインを使った場合
良好な制御は行なわれない。その場合には面倒でも上記
プロセスをふんで所定の初期位置、初期ピッチング角度
に対する最適ゲインを求めなければならない。従って、
従来方法によって任意の初期位置、初期ピッチング角度
に対する最適ゲインを得るためには上記プロセスを数多
く行なわなければならず多大な手間と時間を必要とする
問題点があった。

【００１６】そこで本発明では上記プロセスにより所定
の初期位置、初期ピッチング角度、例えば（５００ｍｍ
，０ｄｅｇ　）、（３００ｍｍ，０ｄｅｇ　）、（１０
０ｍｍ，０ｄｅｇ　）の３つの場合に対する最適ゲイン
を求める。この場合少なくとも３つの場合の制御則の最
適ゲインが確定するため、それぞれの制御則により所定
の初期偏差、偏角に対する「偏差、偏角」と「ヘッド角
」との関係が得られる。この関係を教師データとして、
入力層、少なくとも１層以上の中間層、そして出力層を
持ち、各層がユニットの集合であり、計画線に対する小
口径ロボット本体の偏差と偏角を入力層の入力とし、ヘ
ッド角を出力層の出力とするニューラルネットワークを
学習させることにより、任意の初期偏差、偏角、例えば
初期位置、初期ピッチング角度が（４００ｍｍ，０ｄｅ
ｇ　）、（２００ｍｍ，０ｄｅｇ　）に対応できるニュ
ーラルネット型方向制御則を得ることができる。

【００１７】以下に、実際にニューラルネット型方向制
御則をニューラルを学習させることによって得た例を示
す。今回用いたニューラルネットワークの構成を図８に
示すう。まず初めに偏差、偏角とヘッド角の関係をニュ
ーラルネットで学習できることを示す。学習データとし
ては岡山地区の初期偏差５０ｍｍ、初期偏角０ｄｅｇ　
のもので、最初から３０ストローク分を使用した。ただ
し、データ生成のために用いたゲインは最適ゲイン（Ｋ
ｐ　＝０．１３，Ｋａ　＝７．６）ではなく最適ゲイン
を少しずらしたゲイン（Ｋｐ＝０．０９，Ｋａ　＝７．
５５）を使用した。この理由は最適ゲインを使用した場
合の制御入力ヘッド角を見てみると、所定の偏差までは
ヘッド角を下方最大限の−１．５度に固定して最大限の
速度で計画線に近づき、その後上方最大限の＋１．５度
にヘッド角を制御し、計画線に一致するようにしている
ため、学習データとするヘッド角を最初からとった場合
にヘッド角が＋１．５，−１．５度の２つしかなく学習
データとしては適さないためである。ゲインをずらした
後は±１．５度以内で適当にデータが作成される。なお
学習データとしてはさらに±１．５度のヘッド角は取り
除き±１．５度未満のデータのみを学習データとした。 上記最適ゲインをすこしずらしたゲイン（Ｋｐ　＝０．
０９，　　Ｋａ　＝７．５５）を使用した方向制御シミ
ュレーションを図９に示す。また上述した方法で生成し
た学習データを用いて学習を行なったときのニューラル
ネットワークの各層の構成と各定数の最適値を以下に示
す。 　　　　地区名　　　　　　　　　　　　　　　　　　
岡山地区　　初期偏差５０ｍｍ　　　　　　　　　　　
　　　　　　　　　　　　　　　　　　　　　　　　　
　　初期偏角０ｄｅｇ　　　　　学習データ数　　　　
　　　　　　　　３０個　　　　入力層　　　　　　　
　　　　　　　　　　　偏差と偏角の２層　　　　中間
層　　　　　　　　　　　　　　　　　　４層　　　　
出力層　　　　　　　　　　　　　　　　　　ヘッド角
の１層　　　　シグモイドの傾き定数　　　　３．０　
　　　結合係数（α）　　　　　　　　　　０．４　　
　　オフセット値（β）　　　　　　０．３　　　　モ
ーメント値　　　　　　　　　　　　０．９　　　　学
習回数　　　　　　　　　　　　　　　　１００万回　
　　　学習後の誤差　　　　　　　　　　　　０．６４

【００１８】これらの条件によれば、学習を重ねるごと
に誤差は少しずつ確実に下がる。しかし、学習回数が１
００万回以上になったため学習を終えた。この学習後の
ニューラルの重みを使ったニューラル型方向制御則によ
り生成されるヘッド角により制御したシミュレーション
結果を図１０に示す。フィードバック制御の図９とほと
んど同様に良好な制御を行なっていることがわかる。

【００１９】基本的な学習ができることがわかったので
次に、（５００ｍｍ，０ｄｅｇ　）、（３００ｍｍ，０
ｄｅｇ　）、（１００ｍｍ，０ｄｅｇ　）の３つの場合
のデータを学習データとしてニューラルネットを学習さ
せニューラルネット型方向制御則をつくり、その制御則
を使って方向制御シミュレーションした結果を図１１に
示す。この結果を見ると、教師データ以外の初期位置、
初期ピッチング角度が（４００ｍｍ，０ｄｅｇ）、（２
００ｍｍ，０ｄｅｇ　），（５０ｍｍ，０ｄｅｇ　）の
場合でも良好に制御されていることがわかる。このよう
に本発明の手法は有効であることがわかる。

【００２０】次にオペレータの経験と知識を制御規則と
して有効に利用できるファジィ制御則の知識獲得に本手
法を適用した場合を示す。このファジィ制御ではまずオ
ペレータの経験と知識により偏差、偏角とヘッド角との
関係を示す図１２のようなファジィ制御規則をつくり、
図１３に示すファジィ集合に非ファジィ化手法を適用し
てヘッド角を逐次決定し方向制御を行なう。ファジィ制
御シミュレータのブロック線図を図１４に示す。

【００２１】以下に、岡山地区のパラメータ推定値を用
いたシミュレーション結果を示す。計画線はすべて初期
位置、角度とも０の水平線とした。図１５はファジィ制
御シミュレーション（ファジィ制御規則）の結果である
。このシミュレーションでは、 多重ファジィ制御規則 「ＩＦ　　ｘ　　ｉｓ　　Ａ　　ＡＮＤ　　ｙ　　ｉｓ
　　Ｂ　　ＴＨＥＮ　　ｚ　　ｉｓ　　Ｃ」

【００２２】の前件部ｘとして小口径トンネルロボット
本体の計画線に対する偏差、前件部ｙとして計画線に対
する偏角、前件部Ａとしてｘを示すファジィ集合、前件
部Ｂとしてｙを示すファジィ集合、後件部ｚとして小口
径トンネルロボットのヘッド角、後件部Ｃとしてｚを示
すファジィ集合をとり、前記多重ファジィ制御規則に偏
差ｘ＝ｘ０、偏角ｙ＝ｙ０が入力された時、制御入力で
あるヘッド角ｚを「代数積−加算−重心法」による非フ
ァジィ化手法を用いて決定するファジィ制御法において
、多重ファジィ制御規則の集合を、図１２のファジィ制
御規則としている。　　ただし、 ＰＢ：ｐｏｓｉｔｉｖｅ　　ｂｉｇ ＰＭ：ｐｏｓｉｔｉｖｅ　　ｍｅｄｉａｎＰＳ：ｐｏｓ
ｉｔｉｖｅ　　ｓｍａｌｌＺＯ：ｚｅｒｏ ＮＢ：ｎｅｇａｔｉｖｅ　　ｂｉｇ ＮＭ：ｎｅｇａｔｉｖｅ　　ｍｅｄｉａｎＮＳ：ｎｅｇ
ａｔｉｖｅ　　ｓｍａｌｌとした。なお、ファジィ集合
の形は三角形とし、図１３のように設定されており、フ
ァジィ制御規則では、偏差のファジィ集合の三角形の頂
点と底辺の両端の値として、 ＰＢ＝５００，ＰＭ＝１５０，ＰＳ＝５０，ＺＯ＝０，
ＮＳ＝−ＰＳ，ＮＭ＝−ＰＭ，ＮＢ＝−ＰＢ偏角のファ
ジィ集合の三角形の頂点と底辺の両端の値として、 ＰＢ＝２．２，ＰＭ＝０．４，ＰＳ＝０．２，ＺＯ＝０
，ＮＳ＝−ＰＳ，ＮＭ＝−ＰＭ，ＮＢ＝−ＰＢヘッド角
のファジィ集合の三角形の頂点と底辺の両端の値として
、 ＰＢ＝１．５，ＰＭ＝１．０，ＰＳ＝０．５，ＺＯ＝０
，ＮＳ＝−ＰＳ，ＮＭ＝−ＰＭ，ＮＢ＝−ＰＢ

【００２
３】とし、特許請求の範囲で示したように｜ＰＢ−ＰＭ
｜＞｜ＰＭ−ＰＳ｜＞＝｜ＰＳ｜，｜ＮＢ−ＮＭ｜＞｜
ＮＭ−ＮＳ｜＞＝｜ＮＳ｜になるように選択してある。

【００２４】また、残差ｅ（ｋ）　は平均値０ｄｅｇ　
、標準偏差０．１３ｄｅｇ　の正規分布で近似した。初
期位置、角度はそれぞれ、５００ｍｍ、０ｄｅｇ　とし
た。計画線は初期偏差０ｍｍの水平線とした。図１５を
見てわかるように非常に良好な制御が行なわれているこ
とがわかる。次に、初期偏差が変化した時のシミュレー
ションを以下に示す。 図１６はファジィ制御シミュレーション（初期偏差２０
０ｍｍ）、図１７はファジィ制御シミュレーション（初
期偏差−２００ｍｍ）である。

【００２５】図１６，図１７に示されるように、初期偏
差を変えた場合でもわりあい良好に計画線に追従してい
くことがわかる。しかし、この場合、ファジィ集合のＰ
Ｂ，ＰＳなどの値を変えていないため、収束に多少時間
がかかる。このファジィ集合のＰＢ，ＰＳなどの値を調
整するのはフィードバックゲインを調整するようにかな
り時間がかかる。

【００２６】そこでフィードバック制御の場合と同様に
（５００ｍｍ，０ｄｅｇ　）、（３００ｍｍ，０ｄｅｇ
　）、（１００ｍｍ，０ｄｅｇ　）の３つの場合のファ
ジィ制御則によって得られた偏差偏角とヘッド角のデー
タを学習データとしてニューラルネットを学習させニュ
ーラルネット型方向制御則をつくればその制御則を使っ
て、教師データ以外の初期位置、初期ピッチング角度が
（４００ｍｍ，０ｄｅｇ　）、（２００ｍｍ，０ｄｅｇ
　）、（５０ｍｍ，０ｄｅｇ　）の場合でも良好に制御
でき、ファジィ集合のＰＢ，ＰＳなどの値を調整する必
要がない。

【００２７】また、異なる所定の土質に関する初期偏差
、初期偏角に対応するヘッド角のデータを学習させるこ
とによって、異なる土質に対応できるニューラルネット
型方向制御則をつくることができる。

【００２８】

【発明の効果】以上説明したように本発明によれば、所
定の小口径トンネルロボットの方向制御則から得られる
、ある所定の初期偏差、偏角や土質に対する「偏差、偏
角」と「ヘッド角」との関係を学習データとしてニュー
ラルネットワークの学習則によって学習させることによ
り、任意の初期偏差、偏角や土質に対応できるニューラ
ルネット型方向制御則を得ることができるので、従来技
術に比較して初期偏差、偏角や土質に対応したゲイン調
整などの手間がかからず時間も従来法に較べ格段に短縮
される。

【図面の簡単な説明】

【図１】本発明を説明するためのトンネルロボットのシ
ステム構成図である。

【図２】本発明を説明するためのヘッド角とピッチング
角変化量の定義を説明するための説明図である。

【図３】本発明を説明するための各パラメータの定義を
説明するための説明図である。

【図４】本発明を説明するための方向制御のブロック線
図を説明するための説明図である。

【図５】本発明を説明するためのＫｐ　＝０．０１（ｄ
ｅｇ／ｍｍ）と固定した時の、Ｋａ−過渡応答の偏差絶
対値積分値特性を示す特性図である。

【図６】本発明を説明するためのＫｐ　−最小偏差絶対
値積分値特性を示す特性図である。

【図７】本発明を説明するための最適なＫａ　，Ｋｐ　
を使った場合の方向制御シミュレーション結果を説明す
るための説明図である。

【図８】本発明を説明するためのニューラルネットワー
クの構成図である。

【図９】本発明を説明するための最適ゲインをすこしず
らしたゲイン（Ｋｐ＝０．０９、Ｋａ　＝７．５５）を
使用した方向制御シミュレーションを示す特性図である
。

【図１０】本発明を説明するための学習後のニューラル
の重みを使ったニューラル型方向制御則により生成され
るヘッド角により制御したシミュレーション結果を示す
特性図である。

【図１１】本発明を説明するための（５００ｍｍ，０ｄ
ｅｇ　）、（３００ｍｍ，０ｄｅｇ　）、（１００ｍｍ
，０ｄｅｇ　）の３つの場合のデータを学習データとし
てニューラルネットを学習させニューラルネット型方向
制御則をつくり、その制御則を使って方向制御シミュレ
ーョンした結果を示す特性図である。

【図１２】本発明を説明するためのファジィ制御規則を
説明するための説明図である。

【図１３】本発明を説明するためのファジィ集合を説明
するための説明図である。

【図１４】本発明を説明するためのファジィ制御シミュ
レータのブロック線図である。

【図１５】本発明を説明するためのファジィ制御シミュ
レーション（ファジィ制御規則）の結果を示す特性図で
ある。

【図１６】本発明を説明するためのファジィ制御シミュ
レーション（初期偏差２００ｍｍ）を示す特性図である
。

【図１７】本発明を説明するためのファジィ制御シミュ
レーション（初期偏差−２００ｍｍ）を示す特性図であ
る。

【符号の説明】

１…トンネルロボット本体、２…埋設管、３…押管装置
、４…油圧装置、５…操作盤。

Claims (1)

【特許請求の範囲】
1. 【請求項１】　　入力層、少なくとも１層以上の中間層
   、そして出力層を持ち、各層がユニットの集合であり、
   計画線に対する小口径ロボット本体の偏差と偏角を入力
   層の入力とし、ヘッド角を出力層の出力とするニューラ
   ルネットワークを、所定の小口径トンネルロボットの方
   向制御則から得られる、ある所定の初期偏差、偏角や土
   質に対する「偏差、偏角」と「ヘッド角」との関係を学
   習データとしてニューラルネットワークの学習則によっ
   て学習させることにより、任意の初期偏差、偏角や土質
   に対応できるニューラルネット型方向制御則を得ること
   を特徴とするニューラルネットワークを用いた小口径ト
   ンネルロボットの方向制御知識の獲得法。