JPH049632A - ニューロセンサ - 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】 〔概　　要〕 ロボットハンドの皮膚等として取り付けられ、把持物体
との接触により生ずる圧覚及びすべり覚等の接触覚を検
出する圧力センサに関し、圧力センサの出力に基づいて
、作用力の合計値、圧力分布の重心位置、すべり量等の
みならず、必要に応じて接触物体の形状・硬さ等を検出
可能な、高度な知能を有する圧力センサを提供し、それ
によりホストコンピュータ等の制御部の負荷低減を可能
にすることを目的とし、 カー電気信号変換素子をマトリックス状に配置した圧力
分布センシング手段と、該各カー電気信号変換素子を順
次掃引し、該各素子に対応する圧力値データを検出する
圧力値データ検出手段と、該圧力値データ検出手段から
の各圧力値データの組を入力パターンとし、圧力分布セ
ンシング手段へ接触する被接触物の状態をニューロネッ
トワークにより認識する認識手段と、を一体として有す
るように構成する。

〔産業上の利用分野〕

本発明は、ロボットハンドの皮膚等として取り付けられ
、把持物体との接触により生ずる圧覚及びすべり覚等の
接触覚を検出する圧力センサに関する。

［従来の技術］ 製造業、原子力産業等の分野で人間の手作業に代わって
複雑又は危険な作業等を行うロボットハンドにおいては
、物体を正確に、かつ傷つけないように把持する機構が
求められる。

このような機構においては、物体の把持状態を把持圧力
として検出する圧力センサが用いられる。

第１０図は、代表的な圧力センサを示すもので、基板７
０１上に、カー電気信号変換器７０２がマトリックス状
に配置され、上部に皮膚ゴム７０３が設けられた構成を
有する。

このような圧力センサが、ロボットハンドの先端部に設
けられ、制御回路がこの圧力センサの出力に基づいて、
物体の把持制御を行う。この場合、ロボットハンドが把
持した物体をすべり落とさないようにしたり、把持した
物体を静かに机の上等に置く動作を実現するためには、
圧力センサの各々のカー電気信号変換器７０２の出力に
基づく圧力の分布パターンを検出しただけでは不十分で
あり、圧力の分布パターン及びその時間的変化に基づく
制御が必要となる。

上述の動作を実現するために、従来は、圧力の分布パタ
ーン及びその時間的変化を所定のアルゴリズムに沿って
計算・加工し、ロボットハンドを制御することが行われ
ている。

従来例のロボットハンドの把持力の制御においては、「
作用力の合計値」、「圧力分布の重心位置」及び「すベ
リ覚」という物理量が用いられる。

始めに、作用力の合計値の求め方につき説明する。圧力
センサのカー電気信号変換器７０２（第１０図参照）が
、ｍＸｎ個のマトリックス状に並んでいるとし、ｉ行ｊ
列目の素子に加わっている力をｐｉｊとすると、作用力
Ｆは、 で計算できる。

次に、圧力分布の重心位置は、以下の如く求められる。

すなわち、カー電気信号変換器７０２間のピッチをΔｌ
とすると、重心位置（ＸＧ、ＹＧ）は、次式で計算でき
る。

・　・　・（２） 最後に、すべり覚は、前述の（２）式により計算される
圧力分布の重心位置を時刻ｔ−△ｔａｔで計算と７で、
次式のようにしてすべり量Ｓ（重心の移動量）として求
めることができる。

上述の（１）〜（３）式を用いて、ロボットハンドに例
えば積木の積み上げ、積み鋒ろし作業を行わせるための
従来例におけるアルゴリズムを第１１図に示す。

まず、ユーザは、積木を持ち上げるモードか降ろすモー
ドかを設定する（ｓ＋）。

積木を持ち上げるモードの場合（Ｓ２の判定がＹＥＳの
場合）、ロボットハンドによって積木を軽くつかみ、積
木を少しずつ持ち上げながら（ＳＺ）、前述の（２）式
及び（３）式を絶えず計算し、（３）式で評価されるす
べり量Ｓに基づいてすべりが発生しているか否かを判別
し、すべりが発生している間は、ロボットハンドが積木
をつかむ把持力が増加するように制御を行う（Ｓ、−５
４−５，−５３の繰り返し）。

そして、すべりが発生しなくなったら、積木を目的の位
置まで持ち上げる（　Ｓ　４−５　ｂ　）。

一方、積木を降ろすモードの場合（ＳＺの判定がＮｏの
場合）、積木をそれを置く台の近傍まで下げながらｃｓ
、＞　、（３）式で評価されるすべり量Ｓに基づいてす
べりが発生したか否かを判別し、すべりが発生しなけれ
ば、更に積木を下げる動作を繰り返す（ＳフーＳ＠−３
，の繰り返し）。そして、積木が台に接触してすべりが
発生したら、ロボットハンドが積木をつかむ把持力をＯ
にして積木を台に置＜　　（Ｓｌ−５９）　。

以上の制御動作の結果、スムーズな積木の積み上げ、積
み降ろし作業が可能となる。

〔発明が解決しようとする課題］ 上述の従来例のアルゴリズムにおいて、前述の（１）弐
〜（３）式は、通常、ロボットハンドを制御するホスト
コンピュータ等の制御部で計算することになるが、制御
部は、第１１図に示したアルゴリズムを実現するプログ
ラム全体の実行を行う仕事も受は持っているので、上述
の式の演算を実行するには負担が大きい。前述の従来例
は、非常に簡単な制御例であったが、知能ロボットは通
常このようなレベルのタスク（積木上げ、積木降ろし等
の各仕事）を数十通りこなすことが要求されるため、制
御部は、前述の（１）弐〜（３）式の演算を実行する時
間的余裕を有し得ないことが多いという問題点を有して
いる。

また、従来例では、例えば物体の形状等を検出するため
には、圧力センサの出力に基づく複雑なアルゴリズムが
必要となってしまい、各種制御動作における自由度が小
さいという問題点を有している。

本発明は、圧力センサの出力に基づいて、作用力の合計
値、圧力分布の重心位置及びすべり量等の演算のみなら
ず、必要に応じて接触物体の形状・硬さ等を検出可能な
、高度な知能を有する圧力センサを提供し、それにより
ホストコンピュータ等の制御部の負荷低減を可能にする
ことを目的とする。

〔課題を解決するための手段〕

第１図は、本発明のブロック図である。

まず、カー電気信号変換素子１０１をマトリックス状に
配置した圧力分布センシング手段１０２を有する。

次に、各カー電気信号変換素子１０１を順次掃引し、該
各素子に対応する圧力値データ１０４を検出する圧力値
データ検出手段１０３を有する。

同手段は、例えば各カー電気信号変換素子１０１を選択
するアドレス信号を発生するスキャナと、そのアドレス
信号をデコードして対応するカー電気信号変換素子１０
１の出力を選択するデコーダと、各カー電気信号変換素
子１０１の出力に対して、温度補償等を行って圧力値デ
ータ１０４を検出する演算回路等で実現される。

そして、圧力値データ検出手段１０３からの各圧力値デ
ータ１０４の組を入力パターン１０５とし、圧力分布セ
ンシング手段１０２へ接触する被接触物１０７の状態、
例えば形状、すべり量とすべり方向、硬さ、作用力の合
計値、圧力分布の重心位置等を、ニューロネットワーク
により認識する認識手段１０６を有する。このニューロ
ネットワークは、例えばバックプロパゲーションの学習
機能を有するニューロネットワーク又はタイムデイレイ
型のバックプロパゲーションの学習機能を有するニュー
ロネットワーク等であり、予め被接触物１０７の形状、
すべり量とすべり方向、硬さ、作用力の合計値、圧力分
布の重心位置等の基本的パターンにより学習されている
。なお、認識手段１０６は、複数のニューロネットワー
クを切り替えて使用するようにも構成できる。

そして、上述の圧力分布センシング手段１０２、圧力値
データ検出手段１０３及び認識手段１０６は、一体とし
て構成される。

〔作　　　用〕

本発明では、圧力センサシステムの処理系の内部に、ニ
ューロネットワークによる認識手段１０６を内蔵させて
いるため、圧力センサに基本的な、形状、すべり量とす
べり方向、硬さ、作用力の合計値、圧力分布の重心位置
等の、各種パターンを学習させることができる。これに
より、ロボットにさせる作業内容の変更にともない認識
すべき項目が変更になった場合、プログラムを変更する
ことなく学習によりシステムの内部構造を柔軟に変更す
ることができる。

また、ニューロネットワークの学習が十分に行われた段
階では、外部のホストコンピュータ等の判断を仰ぐこと
なく、圧力分布センシング手段１０２に接触する被接触
物１０７の状態を高速に評価できるため、ロボットの制
御を行うホストコンピユータ等の負荷を著しく軽減させ
ることができる。この結果、ホストコンピュータ等の処
理に余裕が生まれるので、ロボットのシステムに視覚セ
ンサ等の新しいセンサを装着しセンサの数を増やすこと
も可能であり、また、ロボットに作業のプランニングや
接触物体の固定・認識等の高度な知的作業を行わせるこ
とも可能となる。

更に、ニューロネットワークがもつ流化作用により、学
習時に用いた基本的なパターンの中間の入力に対しても
妥当な出力を与えることができる。

例えばニューロネットワークに△とＯの形状を与えそれ
ぞれに対してＯと１の出力がでるように教育した後、そ
のニューロネットワークにΔとＯの中間の形状を示すと
ちょうどＯと１の中間の値を出力するように構成できる
。すべり量とすべり方向、硬さ、作用力の合計値、圧力
分布の重心位置等についても同様である。

〔実　　施　　例〕

以下、図面を参照しながら本発明の実施例につき説明す
る。

第２図は、本発明による圧力センサシステムの実施例の
構成図である。

圧力センサシステムは、ロボットハンドの先端部に設け
られ、大きく分けて圧力分布センシング部２０１と信号
処理部２０２とから構成される。

圧力分布センシング部２０１は、前述の第１０図と同様
に、基板７０１の上部にカー電気信号変換器（センサ素
子）７０２がマトリックス状に配置され、更にその上部
に皮膚ゴム７０３が被覆された圧力センサ２０３を有し
、ロボットハンドが物体を把持することにより対応する
検出信号を出力する。

圧力分布を実際に計測するには、信号処理部２０２内の
スキャナ２１４による発生したアドレス信号２０６にし
たがってＸＹデコーダから出力されたＸアドレス及びＹ
アドレスに対応するカー電気信号変換器７０２の出力ス
イッチがオンになる。

これにより対応するカー電気信号変換器７０２からのア
ナログの出力信号２０７が、演算増幅器であるアンプ２
０５で増幅された後、Ａ／Ｄ変換器２０８でデジタル値
に変換される。そして、このデジタル値は、演算器２０
９において、ＲＯＭ２１０に記憶されている温度補償の
係数及びデジタル値から圧力値への変換係数等が収めら
れている係数ファイルのデータに基づいて、実際の圧力
値に変換される。

一方、ＲＡＭ２１２上には、圧力分布センシング部２０
１からの検出信号を入力として、ロボットハンドが物体
を把持したときの力のレベル、すべり及び物体の形状、
すべり量、硬さ等を検出するニューロネットワークが構
成される。また、補助記憶装置２１３には、ＲＡＭ２１
２上でニューロネットワークを構成するときの係数が記
憶される。これらについては後述する。

スキャナ２１４は、前述の如く圧力分布センシング部２
０１にアドレス信号２０６を出力する。

インタフェース部（１７Ｆ）２１５は、特には図示しな
いホストコンピュータとの間で各種信号の送受信を行う
。

ＣＰＵ　（中央制御装置）２１１は、信号処理部２０２
内の各部の全体的な動作、特にＲＡＭ２１２上に構成さ
れるニューロネットワークの動作を制御する。

次に、ＲＡＭ２１２上に構成されるニューロネットワー
クについて説明する。このニューロネットワークは、圧
力分布センシング部２０１からの検出信号を入力として
、ロボットハンドが物体を把持したときの力のレベル、
すべり及び物体の形状、硬さ等を検出する機能を有し、
本実施例の最も特徴とする部分である。本実施例で用い
るニューロネットワークとしては、バックプロパゲーシ
ョンによる学習機能を有するＲｕｍｅｌｈａｒｔ　（Ｎ
ａｔｒｕｅＶｏｌ、３２３−９（１９８６）　）のネッ
トワークを用いる。

まず第３図には、生理学で調べられているニューロンの
数学的モデルが示されており、これによれば入力信号ｙ
ｔ（ｔ）と出力信号ｘ（ｔ）の関係は次式で表現できる
。但し、括弧内の「ｔ」は、それぞれが時間の関数であ
ることを示している。

ｘ（ｔ）＝ｆ　（２ｗｔ　ｙｔ（ｔ）　）　　　　　−
・・（４）盛＝１ ここにＷ、は重み係数、また非線形関数ｆは、通常、第
４図に示すような特性を有するｓｔｇｍｏｉｄ関数が用
いられる。ｓｉｇｍｏｉｄ関数としては次式がよく用い
られる。

ｆ　（ｘ）　　＝　（１＋　ｅ−′″Ｘ）　　　　　　
　　　−・−（５）（ａｇｏ、Ｏ≦Ｘ≦１） ここで、Ｘは、関数ｆの引数、ｅは自然対数の底を示す
。

次に、上述のニューロンを構成要素として、第２図のＲ
ＡＭ２１２上に構成されるニューロネットワークについ
て説明する。

まず、第５図は、接触物体の形状を検出するニューロネ
ットワークの例を示した図である。

同図のネットワークは、それぞれ多数のニューロン（各
ニューロンは第３図に対応する）を持つ入力層、隠れ層
Ｉ、■及び１つのニューロンを持つ出力層（同図の各層
の列）から成る。そして、成る層の全てのニューロンは
、その左側の層内の全てのニューロンと、また、その右
側の層内の全てのニューロンと、重み付きの有向リンク
で結合している。有向リンクの向きは左側の層内の二ニ
ーロンを入力とし、右側の層内のニューロンを出力とし
ている。ニューロンｊからニューロンｉに到るリンクの
重みはＷｉＪで表現される。また、同じ層にあるニュー
ロンは、相互に結合しない、入力層の各ニューロンには
入力パターンが与えられる。すなわち、第２図の圧力セ
ンサ２０３の各カー電気信号変換器７０２に対応して演
算器２０９から出力される各圧力値が与えられる。そし
て、最古の出力層のニューロンの出力値が、ニューロネ
ットワークの出力となる。

以上のような構成を有するニューロネットワークのもと
て前述の（４）式を拡張すると以下のようになる。すな
わち、第２番目の入力パターンに対する成る層（これを
第Ｓ層と呼ぶ）の第１番目のニューロンの出力をＸｉｐ
とし、その１つ左の層（第ｓ−１層）の第ｊ番目のニュ
ーロンの出力をＦＪＩＩとし、各層のニューロンの個数
をｎとすると、）（、、−ｆ　ｉ（ｚ　ｔｐ）　　　　
　　　　　　　−−・（６）となる。

このような関係式が成り立つような第５図のニューロネ
ットワークに入力パターンが与えられたときに理想的な
出力がでるように、学習によって重み係数ＷｉＪすなわ
ちニューロン間の結合の強さを更新することにする。

これを実際に行うため、Ｒｕａ＋ｅｌｈａｒｔは次のよ
うなバックブロパゲーシツンと呼ばれる学習アルゴリズ
ムを提案している。まず、学習に用いるパターンはｔ個
あるものとし、第Ｓ層のｎ個のニューロンにおいて、第
１番目のニューロンにおける第２番目のパターンに対す
る教師からの出力値（最も望ましい出力値）をｄｉｐ、
実際の出力値をｘｉｓとする。ユークリッドノルムを用
いて、第Ｓ層における第２番目のパターンに対する誤差
Ｅ、及びｔ個の全パターンに対する誤差Ｅを次の（８）
式及び（９）式によって評価する。

ＥをＷｉＪに対し最小にするため、θＢ、／θＷｉＪ（
Ｅ、のＷｉＪに対する偏微分）を計算し、ＷｉＪを次式
によって更新する。

ＷｔＪ（ｔ）＝ｗｉｊ（ｔ　　　１）＋ΣΔｐ　ＷＩＪ
　　・・Ｊ（Ｄ−＝１ ここで、Ｗｔｊ（ｔｌ）は更新前の重みＷＩＪの値、Ｗ
□（１）は更新後の重みＷｉＪＯ値である。ここで、Δ
ｐＷｉｒ＝−ηθＥ、／δｗ０・・・００である。ＯＩ
式及びＯＤ式より、ｆｉｊ（ｔ）は、更新前の重みＷｔ
Ｊ（ｔ　　１）を誤差Ｅ、の最急降下方向へステップ幅
ηだけ変化させることにより得られることがわかる。

上述の０１）式で、Δｐｗ目＝−ηθＥ、／θｗｔｊは
、ＷｉＪに偏微分とチエインルールを実行することによ
って、 ΔｐＷｉＪ””ηδｉ＊！Ｊｐ　　　　　　　　Ｉ　＋
　”Ｑ７Ｊとして計算できるが、更に、δＬ、の求め方
は、第Ｓ層が出力層である場合とそうでない場合とで若
干異なる。第Ｓ層が出力層である場合は、■弐のδ２．
は、 δ１ｐ−−ｆｔ’（ｚｉｐ）　（Ｘｔｐ　　ｄｉｐ）　
　　・・・（１３１となり、第Ｓ層が出力層でない場合
は、第ｓ＋１層のニューロンの添字をｋとして、 δｔｐ＝　　ｆｔ’（ｚｔＤ）Σδに、Ｗｋｉ　　　　
”　・−Ｑ４）ｈ＝＋ トナル。但し、ｒ　ｉ’　（ｚ　ｉｐ）は、ｆ　ｉ（Ｚ
　ｉｔ）の１次微分を示す。これより、ＯＤ弐〜圓式を
ネットワークの逆方向に順次適用してＷｉＪの変化分を
計算し、各層について００式によってニューロン間の結
合の強さを繰り返し調整することによって、最終的にパ
ターンＰを与えると教師からの信号ｄｉｐに近い値を出
力するニューロネットワークを構成できる。

以上のアルゴリズムを特には図示しないＲＯＭ等にプロ
グラミングしておき、第２図のＣＰＵ２１１がＲＡＭ２
１２上のニューロネットワークに学習パターンを入力し
ながら上記アルゴリズムを実行することにより、ネット
ワークの学習を行える。この場合、−度プログラミング
すれば、学習すべきパターンが将来変わっても、再度プ
ログラミングする必要はない。言い換えれば、外界の刺
激に対して内部の構造を自動的に変化させることのでき
るシステムが構成できることになる。

次に、上述の接触物体の形状を検出するニューロネット
ワークの学習手順と、このネットワークを用いた実際の
接触物体の形状のセンス動作の具体例について、第２図
の圧力センサ２０３に円の図形の形状を学習させる場合
を例にとって説明する。

まず、第６図（ａ）に示すように圧力センサ２０３の皮
膚ゴム７０３（第１０図参照）の部分に、円形ゴム試験
片をあてがった状態で、第２図のＣＰＵ２１１が各カー
電気信号変換器７０２に対応する圧力値データを演算器
２０９を介して検出し、補助記憶装置２１３等に記憶す
る。この動作を、円形ゴム試験片の場所を変えながら、
複数回繰り返す。この場合、各回数における一組の圧力
値データをパターンと呼ぶことにする。

次に、第６図（ａ）の如く、ＣＰＵ２１１は、上記各パ
ターンを、ＲＡＭ２１２上に構成されている第５図のニ
ューロネットワークに入力として与え、いずれのパター
ンが入力として与えられても円の形状を検出するニュー
ロン（第５図の出力層のニューロンに対応する）の出力
が、教師信号（例えば１”）と等しくなるように、前述
のＧＯ）弐〜０４）式に示すバックプロパゲーションア
ルゴリズムに従って、前述の（８）式及び（９）式で求
まる誤差が十分小さくなるように重み係数ＷＩＪを調節
する。これによって得られた第５図の各層の各ニューロ
ン毎の最終的な重み係数ＷｉＪの値は、第２図の補助記
憶装置２１３に格納される。

次に、第２図のシステムで、接触物体の形状のセンス動
作を行う場合は、第６図［有］）に示すように、ＣＰＵ
２１１は、上述の学習手順によって得られた重み係数Ｗ
ｉＪを補助記憶装置２１３からＲＡＭ２１２に呼び出し
、前述の（５）弐〜（７）式で示されるアルゴリズムに
より出力信号を計算する。これによれば、円形の接触物
体を圧力センサ２０３のどの部分にあてがっても円の形
状を検出するニューロンの出力はほぼ“１”となる。

上述の例では、静的な接触パターンを扱う例について示
したが、すべりを扱う場合には、接触パターンの時間的
変化を追跡する必要性が生じるため、入力パターンの時
間的な変化を検出可能なニューロネットワークを第２図
のＲＡＭ２１２上に構成する。

第７図は、接触物体のすべりを検出するタイムデイレイ
型のパックプロパゲーションによる学習機能を有するニ
ューロネットワークの例を示した図である。

同図の例では、隠れ層■に、隠れ層Ｉの各ニューロンの
２ステツプ前までの重み付き有向リンクを取り込む機能
を持たせている。すなわち、第２番目の入力パターンに
対する第Ｓ層の第ｊ番目のニューロンの現在のステップ
での出力をｘｔｐ（ｔ）とし、その１つ左の層（第ｓ−
１層）の第ｊ番目のニューロンの現在のステップの出力
をｙＪｐ（ｔ）、１ステツプ前の出力をＶ　ｊｐ（ｔ−
１）　、２ステツプ前の出力をＶ　ｊｐ（ｔ−２）とし
、ニューロンｊからニューロンｉに到るリンクの現在の
ステップの重みをＷｔｊ（ｔ）　、１ステツプ前の重み
をＷｉＪ（ｔ−１）　、２ステツプ前の重みをＷ　Ｉ　
Ｊ　（ｔ−２）とすれば、前述の（６）式及び（７）式
に対応する式として、ｘ　１ｔ（ｔ）＝　ｔ　ｉｃｚ　
ｔｐ（ｔ））　　　　　　　　−−−０５１Ｚ　１ｔ（
ｔ）　＝Σ（ｗｉｊ（ｔ）　ｙ　ｊｐ（ｔ）”’　　　
＋αｗｉｊ（ｔ−１））’＊＋＞（ｔ−１）が得ｋ）れ
る４、Δ謄９．１ｒｆｆバ・びβ１．Ｊ定数である。以
、（７の０９式と０１＋）人と、前述の（ｊ））式！４
．よ−、と、夕・・イム、゛イレイ型の　１〜１し、ツ
トマノークが実現ζ：き乙。

ごこて、７第８図Ｕ゛小“４−よ・）６１丁、第２シ（
Ｉの圧力・ｆ：ンリ゛２０３　）適当な位置（第８図−
ｅ＋、、、Ｉ、中心）ニｘＹ座標系の原貞イ］設け、圧
７１Ｊシ’−”Ｊ　２０３　ｉに接触する物体のｔべり
蓋と４゛べりノノ向・を５、イーの物体の重心位置の移
動前の庫標から移動後の庫標ハ２の”づべりヘクトル券
もとＧこ１．イの３４゛ベロ′フ・＼り１ルの大きさ（
移動量に対応する）と、ぞのずベリベクトルについ°−
このχ方向及、びＹ方向への方向余弦（単位−５り（・
ル）によっ？６表１．．そして、第７図の、２ブ、−ロ
ネットワー・りの出力層のニュー・＋１７は、“４−べ
りベクトルの大きさ！７反応する。′：、１、−ロン、
４゛べりベクトルのＸ方向の方向余弦に反応する一！、
ツーロン、ずベリベクトルのＹ方向の方向余弦に“反応
するニエー悄１ンからなり１．８Ｌ記３種類の、−、ユ
・・・・ロンの出力値の組によって１ベリ量とＪべり方
向を検出する。

以Ｉのよ）２！（閏イ；％：が成／リ−◇・九しパ）な
第７図の、７、ノ、−１７ネ・・、・ト・「ノー６６７
．１人カバターく１・′がｌ可えＣ：〉れノ、・ときに
理想的な出力がＣる３１：・・”）ｋ：、学Ｆ１によ一
２７回図の各層のスミラグの重み係数ＷｉＪ（隠れ層Ｉ
乙こ“月ハζは、前３３’５の如＜　Ｗ　ｉ　、、ｉ　
（ｊ）１．Ｗｉ、ｉ　（ｔ、−１）　９γドＷｉ、＋（
ト２）　）　’６史新する、“、よｉ；’：する２、学
習の仕方は、タイｊａ　３”イ１、・「型の　、ヌ２・
−し１ネツトワー・りの−・静的な′７習）°ルｆリズ
ｌ、を使用−６る。この場合、適当な試１４：４！、第
２［ｙ４の圧カド／・す２０３ζ′あＣがい、数種類の
すべりのバタ・〜ン４、第２図のＲＡＭ２１２．Ｊに構
成されこいる第７図のニ、ユ〜ロネッＩ・ワークに入カ
フ！：’：　１．、、＝　−（：　Ｉ：ｉ−ｘ、名ずべ
りのパターンｒ対して、同図の、゛、：弓、・−司、７
ネツ［・ワ・−りの出力層の、′：コ、−ロンのイれぞ
れが、７教師伝りとし、で与えられる止ｊ７い値イ、示
すよ・う！ご学習を繰り返す。

Ｊれ１，７より得られ）；・：第７図の各層の各ユ１−
ロン旬の最終的な重み係数Ｗｉｒ（隠れｌｉＩについて
は、前述の如＜　Ｗｉｊ（ｔ）　、ｗｉ、１（ｔ−４）
　、ｗａ、＋（ｔ−２）　）の値は、第２図のＭ助記憶
装ｗ２１３に格納される。

次に、第２図のシステムで１、接触物体の□喝べりのセ
ンス動作を行っ場合は、ＣＰＵ２１１は、学習で得られ
た重み係数Ｗヮ（隠れ層１１コ・つい°Ｃは、ｗｉＪ（
ｔ）　、Ｗｌｊｃｔ”””ｉ：）　、　ｗ＋、＋（ｔ−
２）　）を補助記憶装置２１３からＲＡＭ２１２に呼び
出１１、前述の（５）式、０１））式及び００式で示さ
れるアルゴリズＪ、により出力信号を計算する。これに
よれば、接触物体が圧力センサ２０３十でずベリ動作の
挙動を示ｊ、。

た場合に、そのずべり量とずべり方向が、第７図の出力
層の洛二１−ロンの出力値とし７で得られる。

次に１、第２図のシステムにおいて、圧力センサ２０３
に接触する物体の硬さを検出する場合に゛ついて説明す
る。この場合は、硬さを検出するためのニューロネット
ワークが第２図のＲＡＭ２１２上に構成される。

この場合のニューロネットワークとしては、前述の（５
）式、Ｑ５）式及び００式と第７図によって定義される
、づ−ベりを検出するタイムデイレイ型のニューロネッ
トワークと同じものが共用され、第７図の出力層に硬さ
を検出するニューロンが追加され硬さの検出は、第９図
に示４″′ように、試料ｔＪ同しユ荷重”Ｆを、りえて
も、硬いものほど圧力センサ２０３への接触面積の変化
が小さく（同図（ａ））、柔らかいものほど接触面積の
変化が大きくなる（同図０〕））ことを利用−４る。

１なわち、ニューロネットワークの学習時においては、
種々の硬さの試料に′ついて、荷重を時間に関し・てス
テップ的に変化さゼる。このとき、前述のずべりは発生
ｊ、ていないので、第７図の出力層のすべりを検出する
ニューロンの出力は０となるように、また、硬さを検出
する二１−ロンに′ついζは、教師信号として与えられ
る硬さの値に応じた値が出力されるように、４ネツトワ
ークの学習を行う。

以」６、第２の実施例において、圧力センサ２０３に接
触する物体の形状、ずベリ量とすべり方向及び硬さを検
出する場合を例にあげ“Ｃ１ニューロネットワークの具
体例とともぼ説明した。しかし７、本実施例はこれに限
られるものではなく、従来例として前述した接触物体の
作用力の合計値又は圧力分布の重心位置等についても、
形状を検出する第５図と同様のニューロネットワークを
、第２図のＲＡＭ２　Ｉ　２上に構成することにより検
出することができる。すなわち、ネットワークの出力層
に、作用力又は重心位置に反応するニューロンを設け、
既知の作用力及び重心位置を与えることにより、出力層
の各対応するニューロンが望ましい値を出力するように
学習させればよい。

上述の第２図の実施例は、汎用コンピュータにニューロ
ネットワークのアルゴリズムを組み入れて構成した例で
あったが、近年のニューロチップの開発のスピードアッ
プの加速化を考慮すると、専用のニューロチップを利用
することにより、ハードウェア上でニューロネットワー
クを構成した実施例も容易に実現することができる。

また、現状のデジタル処理を行うハードウェアを、ＬＳ
Ｉ技術により１チツプ化して圧力センサ部に組み込んだ
ものや、ニューロチップとそれを制御する回路を１チツ
プ化して圧力センサに組み込んだものも実現可能である
。

〔発明の効果〕

本発明によれば、圧力センサシステムの処理系の内部に
、ニューロネットワークによる認識手段を内蔵させてい
るため、圧力センサに基本的な、形状、すべり量とすべ
り方向、硬さ、作用力の合計値、圧力分布の重心位置等
の、各種パターンを学習させることができる。これによ
り、ロボットにさせる作業内容の変更にともない認識す
べき項目が変更になった場合、プログラムを変更するこ
となく学習によりシステムの内部構造を柔軟に変更する
ことができる。

また、ニューロネットワークの学習が十分に行われた段
階では、外部のホストコンピュータ等の判断を仰ぐこと
なく、圧力分布センシング手段に接触する被接触物の状
態を高速に評価できるため、ロボットの制御を行うホス
トコンピュータ等の負荷を著しく軽減させることができ
る。この結果、ホストコンピュータ等の処理に余裕が生
まれるので、ロボットのシステムに視覚センサ等の新し
いセンサを装着しセンサの数を増やすことも可能であり
、また、ロボットに作業のプランニングや接触物体の固
定・認識等の高度な知的作業を行わせることも可能とな
る。

更に、ニューロネットワークがもつ流化作用により、学
習時に用いた基本的なパターンの中間の入力に対しても
妥当な出力を与えることが可能となる。

本発明では特に、圧力分布センシング手段とニューロネ
ットワークによる認識手段とを組み合わせることにより
、以下のような効果が生まれる。

すなわち、圧力センサは視覚センサと異なり物体と直接
接触してセンシングするものであるから、接触によりカ
ー電気信号変換素子のいくつかを損傷することがある。

一方ニューロネットワークは、入力パターンの一部を失
っても、正常なニューロネットワークに比較して大幅に
機能が落ちることなく、その機能を発揮できることが一
般に知られている。従って、本発明によれば、従来の圧
力センサと異なり、使用中に多少損傷を受けてもその機
能の劣化を抑えることができ、安定性・実用性に富んだ
圧力センサシステムを実現することが可能となる。

【図面の簡単な説明】

第１図は、本発明のブロック図、 第２図は、本発明による圧力センサシステムの実施例の
構成図、 第３図は、ニューロンの数学的モデルを示した図、 第４図は、ｓｉｇｍｏｉｄ関数を示した図、第５図は、
接触物体の形状を検出するニューロネットワークの例を
示した図、 第６図（ａ）、（ロ）は、接触物体の形状の検出動作の
説明図、 第７図は、接触物体のすべりを検出するニューロネット
ワークの例を示した図、 第８図は、接触物体のすべりの検出動作の説明図、 第９図（ａ）、　（ｂ）は、接触物体の硬さの検出動作
の説明図、 第１０図は、圧力センサの構成図、 第１１図は、従来例におけるアルゴリズムを示す動作フ
ローチャートである。 １０１・・・カー電気信号変換素子、 １０２・・・圧力分布センシング手段、１０３・・・圧
力値データ検出手段、 １０４・・・圧力値データ、 １０５・・・入力パターン、 １０６・・・認識手段。

Claims (1)

1. 【特許請求の範囲】 カー電気信号変換素子（１０１）をマトリックス状に配
   置した圧力分布センシング手段（１０２）と、該各カー
   電気信号変換素子（１０１）を順次掃引し、該各素子に
   対応する圧力値データ（１０４）を検出する圧力値デー
   タ検出手段（１０３）と、 該圧力値データ検出手段からの前記各圧力値データ（１
   ０４）の組を入力パターン（１０５）とし、前記圧力分
   布センシング手段（１０２）へ接触する被接触物（１０
   ７）の状態をニューロネットワークにより認識する認識
   手段（１０６）と、 を一体として有することを特徴とするニューロセンサ。