JPH05171890A - トンネルロボットの方向修正量モデル形成法 - Google Patents

Abstract

(57)【要約】 【目的】 小口径トンネルロボットの方向修正量モデル
を、入力としてオフセット値を用いないニューラルネッ
トワークにより形成する。 【構成】 トンネルロボットの現在及び過去のヘッドの
ピッチング角θhp(k)〜θhp(k-n)，ロボット本体の過去
のピッチング角変化量Δθp(k-1)〜Δθp(k-n)を入力層
の入力とし、現在のピッチング角変化量Δθp(k)を出力
層の出力とする３層構造のニューラルネットワーク１１
を用いる。そして、実際に施工した時の「現在及び過去
のヘッドのピッチング角，ロボット本体の過去のピッチ
ング角変化量」と「現在のピッチング角変化量」との関
係を学習データとしてニューラルネットワーク１１の学
習則によって学習させる。これにより、「現在及び過去
のヘッドのピッチング角，ロボット本体の過去のピッチ
ング角変化量」を入力したとき「現在のピッチング角変
化量」を出力するニューラルネットワークによって方向
修正量モデルを形成する。

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
正を行う小口径トンネルロボットの方向修正量モデル形
成法に関するものである。

【０００２】

【従来の技術】図９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、図９に示すように、先端ヘッド
１ａのヘッド角を修正する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
し管装置３，油圧装置４，操作盤５より構成されてい
る。そして、ロボット本体１つまりトンネルロボットの
推進は最後部の埋設管２を油圧装置４に連結した押し管
装置３により押し込み、その力を順次中間部の埋設管２
を介して先端まで伝達することにより行う。このとき、
オペレータ６はロボット本体１のヘッド角を遂次修正
し、計画線に沿うように方向制御を行う。

【０００３】図１０でトンネルロボットのヘッド角とピ
ッチング角及びピッチング角変化量の定義を行う。ヘッ
ド角θh とはトンネルロボット本体１とヘッド１ａのな
す角である。ピッチング角θp は地表７に対する水平線
とトンネルロボット本体１とのなす角である。ピッチン
グ角変化量Δθp(k)は１ストローク前のピッチング角θ
p(k-1)と現在のピッチング角θp(k)との差である。

【０００４】ところで、このようなトンネルロボットの
方向制御は現状ではオペレータの経験と知識に頼ってい
るのが一般的である。しかし、図１１の実際の施工デー
タから求めたヘッド角−ピッチング角変化量特性に示さ
れるように、ピッチング角変化量Δθpはヘッド角θhが
同じでもかなりばらついており、ヘッド角が異なると、
そのばらつきかたも違う。このため、ある角度、方向修
正したいと思っても、どの程度ヘッド角を修正すればよ
いかわからず、方向制御が非常に困難であった。

【０００５】そこで、ヘッド角及び過去のピッチング角
変化量から現在のピッチング角変化量すなわち方向修正
量を得る方法が、同一出願人の出願に係る特願平２−１
１５１１０号で提案されている。この方法では、図１２
に示すように、ニューラルネットワーク９の入力を先端
ヘッド角Ｕ，過去のロボット本体のピッチング角変化量
にオフセット値Ｙo を加えたもの、及びオフセット値Ｙ
o により構成し、現在のピッチング角変化量Ｙにオフセ
ット値Ｙoを加えたものと、ニューラルネットワーク９
の出力ＹNとの誤差εを使ってニューラルネットワーク
９の重みを修正し、方向修正量モデルを形成している。
なお、図中８はトンネルロボットの方向制御システムと
してのプラントである。

【０００６】

【発明が解決しようとする課題】しかし、この方法で
は、実際の施工データ以外のオフセット値Ｙo をニュー
ラルネットワークの入力や重み修正のための誤差を生成
する際に使っており、 (i)ニューラルネットワーク構成が複雑になる。 (ii) オフセット値の認定を行う必要がある。 という問題がある。

【０００７】また、土質，土の硬さの変化に対応できる
方向修正量モデルを形成する方法が、同一出願人の出願
に係る特願平３ー８４４９１号において提案されてい
る。この方法では４層のニューラルネットワークを用
い、この入力層から数えて３層目と４層目の間の重みを
小口径トンネルロボットの掘削の対象とする土質のＮ値
（土の硬さ，湿り具合いなどを表す数値）の整数乗と
し、その重みは学習により変化させず、１−２層間，２
−３層間の重みを学習により変化させ、土質，土の硬さ
の変化に対応できる方向修正量モデルを形成している。

【０００８】しかし、この方法では、(i)土質，土の硬
さの変化に対応できるモデルを作るため、Ｎ値に関連す
る層を設けており、通常用いられている３層のニューラ
ルネットワークにさらに、もう１層を付加し、４層構造
のニューラルネットワークを用いている。従って、ニュ
ーラルネットワークの構造が複雑になる。という問題点
があった。

【０００９】さらに、これらの方法では、(i)ピッチン
グの方向修正量モデルは記述できるが、ピッチングとヨ
ーイング方向の両方の影響を含んだ方向修正量モデルは
形成できない。という問題点があった。

【００１０】

【課題を解決するための手段】前述の課題を解決するた
め、本発明はつぎの手段により構成するものとなってい
る。すなわち本発明は、上述の小口径トンネルロボット
において、入力層，少なくとも１層以上の中間層および
出力層からなり、各層がユニットの集合であり、トンネ
ルロボットの現在及び過去のヘッドのピッチング角，ロ
ボット本体の過去のピッチング角変化量を入力層とし、
現在のピッチング角変化量を出力層の出力とするニュー
ラルネットワークを用い、実際に施工したい時の「現在
及び過去のヘッドのピッチング角，ロボット本体の過去
のピッチング角変化量」と「現在のピッチング角変化
量」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、「現在及び
過去のヘッドのピッチング角，ロボット本体の過去のピ
ッチング角変化量」を入力したとき「現在のピッチング
角変化量」を出力するニューラルネットワークにより方
向修正量モデルを形成するものである。

【００１１】また本発明の別の発明は、上記のものにお
いてニューラルネットワークとして３層構造のニューラ
ルネットワークを用い、実際に複数の異なる土質，土の
硬さで施工した時の、それぞれの土質，土の硬さにおけ
る「現在及び過去のヘッドのピッチング角，ロボット本
体の過去のピッチング角変化量」と「現在のピッチング
角変化量」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、「現
在及び過去のヘッドのピッチング角，ロボット本体の過
去のピッチング角変化量」を入力したとき「現在のピッ
チング角変化量」を出力する任意の土質，土の硬さに適
応できるニューラルネットワークにより方向修正量モデ
ルを形成するものである。

【００１２】さらに本発明の別の発明は、上記のものに
おいてニューラルネットワークとして３層構造のニュー
ラルネットワークを用い、実際に複数の異なる土質，土
の硬さで施工した時の、それぞれの土質，土の硬さにお
ける「現在及び過去のヘッドのピッチング角，ロボット
本体の過去のピッチング角変化量および，トンネルロボ
ットの現在及び過去のヘッドのヨーイング角，ロボット
本体の過去のヨーイング角変化量」と「現在のピッチン
グ角変化量及びヨーイング角変化量」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、「現在及び過去のヘッドのピッチ
ング角，ロボット本体の過去のピッチング角変化量およ
び，トンネルロボットの現在及び過去のヘッドのヨーイ
ング角，ロボット本体の過去のヨーイング角変化量」を
入力したとき「現在のピッチング角変化量及びヨーイン
グ角変化量」を出力する任意の土質，土の硬さに適応で
きるニューラルネットワークにより方向修正量モデルを
形成するものである。

【００１３】

【作用】したがって本発明によれば、小口径トンネルロ
ボットの方向修正量モデルを、入力としてオフセット値
を用いないニューラルネットワークで形成できる。また
本発明の別の発明によれば、小口径トンネルロボットの
土質，土の硬さの変化に対応できる方向修正量モデル
を、Ｎ値を重みとして使用しない単純な３層構造のニュ
ーラルネットワークにより形成できる。さらに本発明の
別の発明によれば、ピッチングとヨーイング方向の両方
の影響を含んだピッチングとヨーイング方向の土質，土
の硬さの変化に対応できる方向修正量モデルを単純な３
層構造のニューラルネットワークにより形成できる。

【００１４】

【実施例】以下本発明を実施例と共に詳細に説明する。 実施例１ 本発明で用いたニューラルネットワークの構成を図１に
示す。本実施例のニューラルネットワークは、入力層，
中間層，および出力層の３層構造からなり、各層がユニ
ットの集合であり、トンネルロボットの現在及び過去の
ピッチング方向のヘッド角つまりヘッドのピッチング角
θhp(k)〜θhp(k-n)，ロボット本体の過去のピッチング
角変化量Δθp(k-1)〜Δθp(k-n)を入力層の入力とし、
現在のピッチング角変化量Δθp(k)を出力層の出力とす
る３層構造のニューラルネットワーク１１を用いる。そ
して、実際に施工した時の「現在及び過去のヘッドのピ
ッチング角，ロボット本体の過去のピッチング角変化
量」と「現在のピッチング角変化量」との関係を学習デ
ータ（または教師データ）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た。

【００１５】本実施例では３層構造のニューラルネット
ワーク１１の学習に際して、以下に示すように結合係
数，オフセット値の修正を行った。なお、ここで用いて
いるオフセット値は、従来技術で用いているニューラル
ネットワークの入力に入れているオフセット値と異な
り、ニューラルネットワークの結合係数と同様、値を学
習則によって変化させていくものであることを注記して
おく。

【００１６】すなわち、ニューラルネットワーク１１の
入力層と中間層の関係は以下の式で記述される。ただし
Σの下部位置に付記するｉは省略する。 Ｕj＝ΣＷjiＩi＋θj (1) Ｈj＝ｆ（Ｕj） (2) ｆ（Ｕj）＝１／｛１＋ｅｘｐ（−２Ｕj／Ｕ0）｝ (3)

【００１７】また中間層と出力層との間の関係も同様
に、以下のようになる。ただしΣの下部位置に付記する
ｊは省略する。 Ｓk＝ΣＶkjＨj＋γk (4) Ｏk＝ｆ（Ｓk） (5)

【００１８】そしてニューラルネットワーク１１の結合
係数，オフセット値は学習により次のように修正する。 Ｖkj→ｍＶkj＋αδkＨj (6) γk →ｍγk＋βδk (7) Ｗji→ｍＷji＋ασjＩi (8) θj →ｍθj＋βσj (9)

【００１９】このときδk，σjは次のように記述され
る。ただしΣの下部位置に付記するｋは省略する。 δk＝（Ｔk−Ｏk）ｆ’（Ｓk） (10) σj＝ｆ’（Ｕj）ΣδkＶkj (11)

【００２０】ここで、 Ｕj：中間層のユニットｊの入力 Ｓk：出力層のユニットｋの入力 ｆ()：シグモイド関数 Ｉi：入力層のユニットｉの出力 Ｈj：中間層のユニットｊの出力 Ｏk：出力層のユニットｋの出力 Ｔk：出力層のユニットｋに対する教師信号（学習デー
タ）

【００２１】Ｗji：入力層のユニットｉから中間層のユ
ニットｊへの結合係数 Ｖkj：中間層のユニットｊから出力層のユニットｋへの
結合係数 θj：中間層のユニットｊのオフセット γk：出力層のユニットｋのオフセット Ｕ0：シグモイド関数の傾きに関する定数 α：結合係数の学習速度に関する定数 β：オフセット値の学習速度に関する定数 ｍ：修正時に用いられるモーメント値

【００２２】次に、本実施例において実際に岡山地区の
ピッチング方向に関する方向修正量モデルを形成した例
を示す。３層構造のニューラルネットワーク１１の構
成，パラメータを以下に示す。 地区名 岡山地区（粘土，Ｎ値 ０〜２） 入力層 ７ユニット（図１でｎ＝３とした） 中間層 １０ユニット、出力層 １ユニット シグモイドの傾きに関する定数Ｕ0 ２．０ 結合係数の学習速度に関する定数Ａ ０．３ オフセット値の学習速度に関する定数Ｂ ０．２ モーメント値ｍ ０．８ 学習データ数 １００個（１００ストロークに関するデ
ータ）

【００２３】上記条件により、十分に学習した後のニュ
ーラルネットワーク１１の入力に、各ストロークに対応
した学習データのヘッド角，過去のピッチング角を入れ
た場合の出力、すなわちピッチング角変化量をプロット
したものを図２に示す。点線が実際のピッチング角変化
量、実線がニューラルネットワークが出力した推定され
たピッチング角変化量である。同図を見てわかるように
両者は一致しており、ニューラルネットワークによるモ
デリングが巧く行われていることがわかる。

【００２４】なお、上記実施例ではニューラルネットワ
ークとして３層構造のものを用いたが、中間層を１層以
上もつ多層構造のものを用いることもできる。

【００２５】実施例２ 本実施例では土質，土の硬さの変化に対応できる方向修
正量モデルを、Ｎ値を重みとして使用しない単純な３層
構造の１つのニューラルネットワークで形成できること
を以下に示す。学習データとして、土質，Ｎ値の異なる
３地区のものを用いた。ニューラルネットワークの構
成，パラメータは学習データ以外、実施例１と同じとし
た。

【００２６】地区名 岡山地区（粘土、 Ｎ値 ０〜
２） 狭山地区（ローム、Ｎ値 ５） 東扇島地区（砂、 Ｎ値 ５） 入力層 ７ユニット（図１でｎ＝３とした） 中間層 １０ユニット、出力層 １ユニット シグモイドの傾きに関する定数Ｕ0 ２．０ 結合係数の学習速度に関する定数Ａ ０．３ オフセット値の学習速度に関する定数Ｂ ０．２ モーメント値ｍ ０．８ 学習データ数 ５０個×３地区＝１５０個 （各地区５０ストロークに関するデータ）

【００２７】上記条件により、十分に学習した後のニュ
ーラルネットワークの入力に、各地区の各ストロークに
対応した学習データのヘッド角，過去のピッチング角を
入れた場合の出力、すなわちピッチング角変化量をプロ
ットしたものをそれぞれ、図３（岡山地区），図４（狭
山地区），図５（東扇島地区）に示す。点線が実際のピ
ッチング角変化量、実線がニューラルネットワークルが
出力した推定されたピッチング角変化量である。図をみ
てわかるように各地区とも施工データ、推定値はほぼ一
致しており、Ｎ値を重みとして使用しない単純な３層構
造の１つのニューラルネットワークで土質，土の硬さが
異なる地区のモデリングが巧く行われていることがわか
る。

【００２８】実施例３ 本実施例ではピッチングとヨーイング方向の両方の影響
を含んだピッチングとヨーイング方向の土質，土の硬さ
の変化に対応できる方向修正量モデルを単純な３層構造
のニューラルネットワークで形成する。

【００２９】すなわち、図６に示すように、トンネルロ
ボットの現在及び過去のヘッドのピッチング角θhp(k)
〜θhp(k-n)，ロボット本体の過去のピッチング角変化
量Δθp(k-1)〜Δθp(k-1)および，トンネルロボットの
現在及び過去のヘッドのヨーイング角θhy(k)〜θhy(k-
n)，ロボット本体の過去のヨーイング角変化量Δθy(kー
1)〜Δθy(k-n)を入力層の入力とし、現在のピッチング
角変化量Δθp(k)及びヨーイング角変化量Δθy(k)を出
力層の出力とするニューラルネットワーク１２を用い
る。

【００３０】そして、実際に複数の異なる土質，土の硬
さで施工した時の、それぞれの土質，土の硬さにおける
「現在及び過去のヘッドのピッチング角，ロボット本体
の過去のピッチング角変化量および，トンネルロボット
の現在及び過去のヘッドのヨーイング角，ロボット本体
の過去のヨーイング角変化量」と「現在のピッチング角
変化量及びヨーイング角変化量」との関係を学習データ
として実施例１で示したニューラルネットワークの学習
則によって学習させる。これにより、「現在及び過去の
ヘッドのピッチング角，ロボット本体の過去のピッチン
グ角変化量および，トンネルロボットの現在及び過去の
ヘッドのヨーイング角，ロボット本体の過去のヨーイン
グ角変化量」を入力層に入力すれば、「現在のピッチン
グ角変化量及びヨーイング角変化量」を出力する任意の
土質，土の硬さに適応できるニューラルネットワークを
得ることができる。

【００３１】以下に上記方法を用いて実際にピッチング
とヨーイング方向の土質，土の硬さの変化に対応できる
方向修正量モデルをニューラルネットで形成した例を示
す。ニューラルネットワークの各層の構成と各定数の値
を以下に示す。 地区名 筑波地区 Ｎ値 ３〜４ 入力層 １４ユニット 中間層 ２０ユニット、出力層 ２ユニット シグモイドの傾きに関する定数Ｕ₀ ２．０ 結合係数の学習速度に関する定数Ａ ０．２ オフセット値の学習速度に関する定数Ｂ ０．１ モーメント値ｍ ０．８ 学習データは５０ストローク分のヘッド角，ピッチング
角変化量，ヨーイング角変化量を用いた。

【００３２】以上の構成でニューラルの学習を行った。
１６万回の学習で誤差が０．３５に下がりほぼ収束した
ため学習を終了した。学習済みのニューラルネットで推
定されたピッチング角変化量，ヨーイング角変化量をぞ
れぞれ図７，図８に示す。点線が実際の施工データで、
実線が推定値である。ピッチング角変化量，ヨーイング
角変化量とも推定値と実際の施工データはほぼ一致し、
本方法の有効性が確認できた。

【００３３】

【発明の効果】以上説明したように本発明すれば、小口
径トンネルロボットの方向修正量モデルを、入力として
オフセット値を用いないより簡単な構造のニューラルネ
ットワークにより形成することができる。また本発明の
別の発明によれば、小口径トンネルロボットの土質，土
の硬さの変化に対応できる方向修正量モデルを、Ｎ値を
重みとして使用しない単純な３層構造のニューラルネッ
トワークで形成することができる。

【００３４】さらに本発明の別の発明によれば、ピッチ
ングとヨーイング方向の両方の影響を含んだピッチング
とヨーイング方向の土質，土の硬さの変化に対応できる
方向修正量モデルを単純な３層構造のニューラルネット
ワークで形成することができる。という効果がある。

【図面の簡単な説明】

【図１】本発明の一実施例によるニューラルネットワー
クの概念図である。

【図２】本実施例におけるピッチング角変化量の施工デ
ータと推定値との比較図である。

【図３】本発明の別の実施例におけるピッチング角変化
量の施工データと推定値との比較図である。

【図４】本発明の別の実施例におけるピッチング角変化
量の施工データと推定値との比較図である。

【図５】本発明の別の実施例におけるピッチング角変化
量の施工データと推定値との比較図である。

【図６】本発明のさらに別の実施例によるニューラルネ
ットワークの概念図である。

【図７】図６の実施例におけるピッチング角変化量の施
工データと推定値との比較図である。

【図８】図６の実施例におけるヨーイング角変化量の施
工データと推定値との比較図である。

【図９】一般的な小口径トンネルロボットのシステム構
成図である。

【図１０】トンネルロボットのヘッド角とピッチング角
及びピッチング角変化量の定義を説明する図である。

【図１１】従来例によるヘッド角−ピッチング角変化量
特性図である。

【図１２】従来の方向修正量モデルを示す図である。

【符号の説明】

１１ ３層構造のニューラルネットワーク １２ ３層構造のニューラルネットワーク θhp(k)〜θhp(k-n) ヘッドのピッチング角 Δθp(k-1)〜Δθp(k-n) ピッチング角変化量 Δθp(k) ピッチング角変化量（ピッチング方向の方向
修正量） θhy(k)〜θhy(k-n) ヘッドのヨーイング角 Δθy(k-1)〜Δθy(k-n) ヨーイング角変化量 Δθy(k) ヨーイング角変化量（ヨーイング方向の方向
修正量）

───────────────────────────────────────────────────── フロントページの続き (72)発明者 羽成 賢一 東京都武蔵野市吉祥寺南町１丁目27番１号 エヌ・ティ・ティ・アドバンステクノロ ジ株式会社内

Claims (4)

【特許請求の範囲】
1. 【請求項１】 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、方向修正を行う小口径ト
   ンネルロボットにおいて、 入力層，少なくとも１層以上の中間層および出力層から
   なり、各層がユニットの集合であり、トンネルロボット
   の現在及び過去のヘッドのピッチング角，ロボット本体
   の過去のピッチング角変化量を入力層の入力とし、現在
   のピッチング角変化量を出力層の出力とするニューラル
   ネットワークを用い、 実際に施工した時の「現在及び過去のヘッドのピッチン
   グ角，ロボット本体の過去のピッチング角変化量」と
   「現在のピッチング角変化量」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、「現在及び過去のヘッドのピッチング
   角，ロボット本体の過去のピッチング角変化量」を入力
   したとき「現在のピッチング角変化量」を出力するニュ
   ーラルネットワークにより方向修正量モデルを形成する
   ことを特徴とするトンネルロボットの方向修正量モデル
   形成法。
2. 【請求項２】 請求項１において、ニューラルネットワ
   ークとして３層構造のニューラルネットワークを用い、 実際に複数の異なる土質，土の硬さで施工した時の、そ
   れぞれの土質，土の硬さにおける「現在及び過去のヘッ
   ドのピッチング角，ロボット本体の過去のピッチング角
   変化量」と「現在のピッチング角変化量」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、「現在及び過去のヘッドのピ
   ッチング角，ロボット本体の過去のピッチング角変化
   量」を入力したとき「現在のピッチング角変化量」を出
   力する任意の土質，土の硬さに適応できるニューラルネ
   ットワークにより方向修正量モデルを形成することを特
   徴とするトンネルロボットの方向修正量モデル形成法。
3. 【請求項３】 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、方向修正を行う小口径ト
   ンネルロボットにおいて、 入力層，中間層および出力層からなる３層構造を有し、
   各層がユニットの集合であり、トンネルロボットの現在
   及び過去のヘッドのピッチング角，ロボット本体の過去
   のピッチング角変化量および，トンネルロボットの現在
   及び過去のヘッドのヨーイング角，ロボット本体の過去
   のヨーイング角変化量を入力層の入力とし、現在のピッ
   チング角変化量及びヨーイング角変化量を出力層の出力
   とするニューラルネットワークを用い、 実際に施工した時の「現在及び過去のヘッドのピッチン
   グ角，ロボット本体の過去のピッチング角変化量およ
   び，トンネルロボットの現在及び過去のヘッドのヨーイ
   ング角変化量及びヨーイング角変化量」と「現在のピッ
   チング角変化量及びヨーイング角変化量」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、「現在及び過去のヘッドのピ
   ッチング角，ロボット本体の過去のピッチング角変化量
   および，トンネルロボットの現在及び過去のヘッドのヨ
   ーイング角，ロボット本体の過去のヨーイング角変化
   量」を入力したとき「現在のピッチング角変化量及びヨ
   ーイング角変化量」を出力するニューラルネットワーク
   により方向修正量モデルを形成することを特徴とするト
   ンネルロボットの方向修正量モデル形成法。
4. 【請求項４】 請求項３に記載の３層構造ニューラルネ
   ットワークを用い、 実際に複数の異なる土質，土の硬さで施工した時の、そ
   れぞれの土質，土の硬さにおける「現在及び過去のヘッ
   ドのピッチング角，ロボット本体の過去のピッチング角
   変化量および，トンネルロボットの現在及び過去のヘッ
   ドのヨーイング角，ロボット本体の過去のヨーイング角
   変化量」と「現在のピッチング角変化量及びヨーイング
   角変化量」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、「現
   在及び過去のヘッドのピッチング角，ロボット本体の過
   去のピッチング角変化量および、トンネルロボットの現
   在及び過去のヘッドのヨーイング角，ロボット本体の過
   去のヨーイング角変化量」を入力したとき「現在のピッ
   チング角変化量及びヨーイング角変化量」を出力する任
   意の土質，土の硬さに適応できるニューラルネットワー
   クにより方向修正量モデルを形成することを特徴とする
   トンネルロボットの方向修正量モデル形成法。