JPH0566803A - 小口径トンネルロボツトのニユーラル型最適フアジイ集合代表値オートチユーニング方法 - Google Patents
小口径トンネルロボツトのニユーラル型最適フアジイ集合代表値オートチユーニング方法Info
- Publication number
- JPH0566803A JPH0566803A JP22744591A JP22744591A JPH0566803A JP H0566803 A JPH0566803 A JP H0566803A JP 22744591 A JP22744591 A JP 22744591A JP 22744591 A JP22744591 A JP 22744591A JP H0566803 A JPH0566803 A JP H0566803A
- Authority
- JP
- Japan
- Prior art keywords
- layer
- fuzzy set
- deviation
- set representative
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Excavating Of Shafts Or Tunnels (AREA)
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【目的】 ニュ−ラルネットワ−クの学習能力によって
簡単かつ短時間に最適ファジィ集合代表値をオ−トチュ
−ニングすることが可能な小口径トンネルロボットのニ
ューラル型最適ファジィ集合代表値オートチューニング
方法を提供する。 【構成】 入力を初期偏差と初期ピッチング角度偏差、
出力を偏角ファジィ集合代表値ＰＢ、ＰＭ、ＰＳとした
ニューラルネットワークを、方向制御シミュレーション
を使い学習させることにより最適ファジィ集合代表値を
得る。
簡単かつ短時間に最適ファジィ集合代表値をオ−トチュ
−ニングすることが可能な小口径トンネルロボットのニ
ューラル型最適ファジィ集合代表値オートチューニング
方法を提供する。 【構成】 入力を初期偏差と初期ピッチング角度偏差、
出力を偏角ファジィ集合代表値ＰＢ、ＰＭ、ＰＳとした
ニューラルネットワークを、方向制御シミュレーション
を使い学習させることにより最適ファジィ集合代表値を
得る。
Description
【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ファジィ方向制御
の最適ファジィ集合代表値オートチューニングに関する
ものである。
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ファジィ方向制御
の最適ファジィ集合代表値オートチューニングに関する
ものである。
【０００２】
【従来の技術】以下に最適ファジィ集合代表値を求める
従来技術に関して述べる。
従来技術に関して述べる。
【０００３】図１２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もつトンネル
ロボット本体１００、埋設管１０１、埋設管１０１を押
し込む押管装置１０２、油圧装置１０３、操作盤１０４
よりなる。
を示す。本システムはヘッド角修正機能をもつトンネル
ロボット本体１００、埋設管１０１、埋設管１０１を押
し込む押管装置１０２、油圧装置１０３、操作盤１０４
よりなる。
【０００４】埋設管１０１は押管装置１０２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１０５
はヘッド角を逐次修正し、計画線に沿うように方向制御
を行う。ここで、１０６は地表である。
で１本ずつ押し込まれる。このとき、オペレータ１０５
はヘッド角を逐次修正し、計画線に沿うように方向制御
を行う。ここで、１０６は地表である。
【０００５】次に本ロボットのファジィ方向制御法とそ
のシミュレータについて述べる。
のシミュレータについて述べる。
【０００６】多重ファジィ制御規則 「ＩＦ ｘ ｉｓ Ａ ＡＮＤ ｙ ｉｓ Ｂ ＴＨＥ
Ｎ ｚ ｉｓ Ｃ」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（ピッチング角−計画線の傾き）、前件
部Ａとしてｘを示す三角形型のファジィ集合、前件部Ｂ
としてｙを示す三角形型のファジィ集合、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を示す三角形型のファジィ集合をとり、偏差、偏角の
ファジィ集合の三角形の頂点での偏差、偏角の値の絶対
値を大きい順にＡ、Ｂ、Ｃ、…Ｚ、ＯとしたときＡ−Ｂ
＞Ｂ−Ｃ＞…＞＝ＺとなるようにＡ、Ｂ、Ｃ、…Ｚを決
定し、前記多重ファジィ制御規則に偏差ｘ＝ｘ０、ピッ
チング角度偏差ｙ＝ｙ０が入力された時、制御入力であ
るヘッド角ｚを非ファジィ化手法の「代数積−加算−重
心法」を用いて決定するファジィ制御法を用いた。
Ｎ ｚ ｉｓ Ｃ」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（ピッチング角−計画線の傾き）、前件
部Ａとしてｘを示す三角形型のファジィ集合、前件部Ｂ
としてｙを示す三角形型のファジィ集合、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を示す三角形型のファジィ集合をとり、偏差、偏角の
ファジィ集合の三角形の頂点での偏差、偏角の値の絶対
値を大きい順にＡ、Ｂ、Ｃ、…Ｚ、ＯとしたときＡ−Ｂ
＞Ｂ−Ｃ＞…＞＝ＺとなるようにＡ、Ｂ、Ｃ、…Ｚを決
定し、前記多重ファジィ制御規則に偏差ｘ＝ｘ０、ピッ
チング角度偏差ｙ＝ｙ０が入力された時、制御入力であ
るヘッド角ｚを非ファジィ化手法の「代数積−加算−重
心法」を用いて決定するファジィ制御法を用いた。
【０００７】また、多重ファジィ制御規則の集合を図１
３のファジィ制御規則としている。 ただし、ＰＢ：ｐｏｓｉｔｉｖｅ ｂｉｇ ＰＭ：ｐｏｓｉｔｉｖｅ ｍｅｄｉａｎ ＰＳ：ｐｏｓｉｔｉｖｅ ｓｍａｌｌ ＺＯ：ｚｅｒｏ ＮＳ：ｎｅｇａｔｉｖｅ ｓｍａｌｌ ＮＭ：ｎｅｇａｔｉｖｅ ｍｅｄｉａｎ ＮＢ：ｎｅｇａｔｉｖｅ ｂｉｇ とした。
３のファジィ制御規則としている。 ただし、ＰＢ：ｐｏｓｉｔｉｖｅ ｂｉｇ ＰＭ：ｐｏｓｉｔｉｖｅ ｍｅｄｉａｎ ＰＳ：ｐｏｓｉｔｉｖｅ ｓｍａｌｌ ＺＯ：ｚｅｒｏ ＮＳ：ｎｅｇａｔｉｖｅ ｓｍａｌｌ ＮＭ：ｎｅｇａｔｉｖｅ ｍｅｄｉａｎ ＮＢ：ｎｅｇａｔｉｖｅ ｂｉｇ とした。
【０００８】なお、ファジィ集合の形は三角形とし、図
１４のように設定されている。
１４のように設定されている。
【０００９】以下に、図１５を参照してヘッド角とピッ
チング角について定義する。
チング角について定義する。
【００１０】 シミュレータ Δθp （ｋ）＝ａ1 Δθp （ｋ−１）＋…＋ａn Δp （ｋ−ｎ） （１） ＋ｂ0 θh （ｋ）＋ｂ1 θh （ｋ−１） ＋…＋ｂn θh （ｋ−ｎ）＋ｅ（ｋ） θp （ｋ）＝θp （ｋ−１）＋Δθp （ｋ） （２） Ｙ（ｋ）＝Ｙ（ｋ−１）＋Ｌ・sin （θp （ｋ）） （３） θh （ｋ）←ファジィ制御則 上記ミシ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う。
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う。
【００１１】まず、ファジィ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。
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。
【００１２】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。図１６で各パラメータを定
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。
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。図１６で各パラメータを定
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。
【００１３】また、式（２）のダイナミックモデルにお
いて、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１７に示す。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、ファジ
ィ集合代表値をうまく選択すれば、良好な制御を行なう
ことが分かった。
いて、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１７に示す。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、ファジ
ィ集合代表値をうまく選択すれば、良好な制御を行なう
ことが分かった。
【００１４】
【発明が解決しようとする課題】そこで、次に、最適フ
ァジィ集合代表値をシミュレータを用いて試行錯誤で求
めてみた。岡山地区のシミュレーション結果を図１８に
示す。図１８のように、試行錯誤でも最適ファジィ集合
代表値は求まるが、探索には多大な手間と時間がかかる
という問題点があった。
ァジィ集合代表値をシミュレータを用いて試行錯誤で求
めてみた。岡山地区のシミュレーション結果を図１８に
示す。図１８のように、試行錯誤でも最適ファジィ集合
代表値は求まるが、探索には多大な手間と時間がかかる
という問題点があった。
【００１５】本発明の小口径トンネルロボットのニュー
ラル型最適ファジィ集合代表値オートチューニング方法
はこのような課題に着目してなされたもので、その目的
とするところは、ニュ−ラルネットワ−クの学習能力に
よって簡単かつ短時間に最適ファジィ集合代表値をオ−
トチュ−ニングすることが可能な小口径トンネルロボッ
トのニューラル型最適ファジィ集合代表値オートチュー
ニング方法を提供することにある。
ラル型最適ファジィ集合代表値オートチューニング方法
はこのような課題に着目してなされたもので、その目的
とするところは、ニュ−ラルネットワ−クの学習能力に
よって簡単かつ短時間に最適ファジィ集合代表値をオ−
トチュ−ニングすることが可能な小口径トンネルロボッ
トのニューラル型最適ファジィ集合代表値オートチュー
ニング方法を提供することにある。
【００１６】
【課題を解決するための手段】上記の目的を達成するた
めに、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て方向修正を行う小口径
トンネルロボットにおいて、入力を初期偏差と初期ピッ
チング角度偏差、出力を偏角ファジィ集合代表値ＰＢ、
ＰＭ、ＰＳとしたニューラルネットワークを、方向制御
シミュレーションを使い学習させることにより最適ファ
ジィ集合代表値を得るものである。
めに、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て方向修正を行う小口径
トンネルロボットにおいて、入力を初期偏差と初期ピッ
チング角度偏差、出力を偏角ファジィ集合代表値ＰＢ、
ＰＭ、ＰＳとしたニューラルネットワークを、方向制御
シミュレーションを使い学習させることにより最適ファ
ジィ集合代表値を得るものである。
【００１７】
【作用】すなわち、本発明においては、方向制御シミュ
レーションを使ってニュ−ラルネットワ−クを学習させ
ることによって最適ファジィ集合代表値をオ−トチュ−
ニングさせるものである。
レーションを使ってニュ−ラルネットワ−クを学習させ
ることによって最適ファジィ集合代表値をオ−トチュ−
ニングさせるものである。
【００１８】
【実施例】以下に、図面を参照して本発明の一実施例に
ついて説明する。
ついて説明する。
【００１９】図２に最適ファジィ集合代表値を得るため
のニューラルネットワークの構成図を示す。このニュー
ラルネットワークは入力層、中間層、出力層の３層から
構成されている。各層はユニットの集合であり、となり
あう層のユニット同志がもれなく結合されている。この
結合を通して前層の各ユニットから後層のユニットへ値
が伝えられる。このとき、結合に固有の重み係数があ
り、前層ユニットの出力値にこの重みを乗じた値が後層
ユニットに入力される。後層ユニットは前層のすべての
ユニットからの値の総和を計算し、出力関数として定義
される非線形変換を施した後、次の層へ値を出力する。
入力層のユニット数は２個とし、入力層のユニットへは
初期位置偏差（初期偏差）と初期ピッチング角度偏差
（初期偏角）を入力する。中間層のユニット数は任意の
数に設定する。出力層のユニットはファジィ制御則へ入
力する、ファジィ集合代表値ＰＢ、ＰＭ、ＰＳの３層と
した。
のニューラルネットワークの構成図を示す。このニュー
ラルネットワークは入力層、中間層、出力層の３層から
構成されている。各層はユニットの集合であり、となり
あう層のユニット同志がもれなく結合されている。この
結合を通して前層の各ユニットから後層のユニットへ値
が伝えられる。このとき、結合に固有の重み係数があ
り、前層ユニットの出力値にこの重みを乗じた値が後層
ユニットに入力される。後層ユニットは前層のすべての
ユニットからの値の総和を計算し、出力関数として定義
される非線形変換を施した後、次の層へ値を出力する。
入力層のユニット数は２個とし、入力層のユニットへは
初期位置偏差（初期偏差）と初期ピッチング角度偏差
（初期偏角）を入力する。中間層のユニット数は任意の
数に設定する。出力層のユニットはファジィ制御則へ入
力する、ファジィ集合代表値ＰＢ、ＰＭ、ＰＳの３層と
した。
【００２０】ファジィ集合代表値ＰＢ、ＰＭ、ＰＳの最
適ファジィ集合代表値オートチューニングのフローチャ
ートを図１に示す。以下にオートチューニングの具体的
なプロセスを記述する。
適ファジィ集合代表値オートチューニングのフローチャ
ートを図１に示す。以下にオートチューニングの具体的
なプロセスを記述する。
【００２１】（１）初期設定として結合係数、オフセッ
トの初期化及び偏差ファジィ集合代表値ＰＢ＝５０、Ｐ
Ｍ＝１５、ＰＳ＝５、ＺＯ＝０、ＮＳ＝−５、ＮＭ＝−
１５、ＮＢ＝−５０の設定を行なう（ステップＳ１）。
トの初期化及び偏差ファジィ集合代表値ＰＢ＝５０、Ｐ
Ｍ＝１５、ＰＳ＝５、ＺＯ＝０、ＮＳ＝−５、ＮＭ＝−
１５、ＮＢ＝−５０の設定を行なう（ステップＳ１）。
【００２２】（２）出力層より出力された偏角ファジィ
集合代表値ＰＢ、ＰＭ、ＰＳ及び上記で設定した偏差フ
ァジィ集合代表値ＰＢ、ＰＭ、ＰＳ、ＺＯ、ＮＳ、Ｎ
Ｍ、ＮＢをファジィ制御則を用いた方向制御シミュレー
タに入れ、シミュレーションを行ない、その時の各スト
ローク時の計画線とロボット本体の位置偏差の絶対値の
総和を算出し、総偏差誤差とする。ただし、偏角ファジ
ィ集合代表値ＮＢ、ＮＭ、ＮＳの値は出力層より出力さ
れる偏角ファジィ集合代表値ＰＢ、ＰＭ、ＰＳのそれぞ
れのマイナスの値とし、ＺＯは０とする（ステップＳ
２）。
集合代表値ＰＢ、ＰＭ、ＰＳ及び上記で設定した偏差フ
ァジィ集合代表値ＰＢ、ＰＭ、ＰＳ、ＺＯ、ＮＳ、Ｎ
Ｍ、ＮＢをファジィ制御則を用いた方向制御シミュレー
タに入れ、シミュレーションを行ない、その時の各スト
ローク時の計画線とロボット本体の位置偏差の絶対値の
総和を算出し、総偏差誤差とする。ただし、偏角ファジ
ィ集合代表値ＮＢ、ＮＭ、ＮＳの値は出力層より出力さ
れる偏角ファジィ集合代表値ＰＢ、ＰＭ、ＰＳのそれぞ
れのマイナスの値とし、ＺＯは０とする（ステップＳ
２）。
【００２３】（３）総偏差誤差を５０００で割ったもの
を偏角ファジィ集合代表値ＰＢの結合係数修正誤差、偏
角ファジィ集合代表値ＰＭの結合係数修正誤差、偏角フ
ァジィ集合代表値ＰＳの結合係数修正誤差とする。ま
た、各結合修正誤差の最大値をすべて５とした。
を偏角ファジィ集合代表値ＰＢの結合係数修正誤差、偏
角ファジィ集合代表値ＰＭの結合係数修正誤差、偏角フ
ァジィ集合代表値ＰＳの結合係数修正誤差とする。ま
た、各結合修正誤差の最大値をすべて５とした。
【００２４】次に、出力層より出力された偏角ファジィ
集合代表値ＰＢ、ＰＭ、ＰＳに、適当な値を加減算した
偏角ファジィ集合代表値（ＰＢ±ａ、ＰＭ±ｂ、ＰＳ±
ｃ）で小口径トンネルロボットのシミュレーションを８
回行ない、最小の総偏差誤差となったときの偏角ファジ
ィ集合代表値（ＰＢ±ａ、ＰＭ±ｂ、ＰＳ±ｃ）の加減
算した符号を、プロセス（３）で求めた各結合係数修正
誤差の符号としてつけ、あらためてそれらを偏角ファジ
ィ集合代表値ＰＢの結合係数修正誤差、偏角ファジィ集
合代表値ＰＭの結合係数修正誤差、偏角ファジィ集合代
表値ＰＳの結合係数修正誤差とする。
集合代表値ＰＢ、ＰＭ、ＰＳに、適当な値を加減算した
偏角ファジィ集合代表値（ＰＢ±ａ、ＰＭ±ｂ、ＰＳ±
ｃ）で小口径トンネルロボットのシミュレーションを８
回行ない、最小の総偏差誤差となったときの偏角ファジ
ィ集合代表値（ＰＢ±ａ、ＰＭ±ｂ、ＰＳ±ｃ）の加減
算した符号を、プロセス（３）で求めた各結合係数修正
誤差の符号としてつけ、あらためてそれらを偏角ファジ
ィ集合代表値ＰＢの結合係数修正誤差、偏角ファジィ集
合代表値ＰＭの結合係数修正誤差、偏角ファジィ集合代
表値ＰＳの結合係数修正誤差とする。
【００２５】次に、逆伝搬学習則（バックプロパゲーシ
ョン）を使って、先ほど求めた偏角ファジィ集合代表値
ＰＢの結合係数修正誤差、偏角ファジィ集合代表値ＰＭ
の結合係数修正誤差、偏角ファジィ集合代表値ＰＳの結
合修正誤差によりニューラルネットの結合係数修正量を
求め、変更された結合係数による出力、すなわち偏角フ
ァジィ集合代表値ＰＢ、ＰＭ、ＰＳを出す（ステップＳ
３）。
ョン）を使って、先ほど求めた偏角ファジィ集合代表値
ＰＢの結合係数修正誤差、偏角ファジィ集合代表値ＰＭ
の結合係数修正誤差、偏角ファジィ集合代表値ＰＳの結
合修正誤差によりニューラルネットの結合係数修正量を
求め、変更された結合係数による出力、すなわち偏角フ
ァジィ集合代表値ＰＢ、ＰＭ、ＰＳを出す（ステップＳ
３）。
【００２６】ただし、８回のシミュレーション結果の総
偏差誤差のいずれもが、出力層より出力された偏角ファ
ジィ集合代表値ＰＢ、ＰＭ、ＰＳによるシミュレーショ
ン結果の総偏差誤差より大きい場合は、各結合係数修正
誤差はすべてゼロとする。
偏差誤差のいずれもが、出力層より出力された偏角ファ
ジィ集合代表値ＰＢ、ＰＭ、ＰＳによるシミュレーショ
ン結果の総偏差誤差より大きい場合は、各結合係数修正
誤差はすべてゼロとする。
【００２７】また、ファジィ集合代表値ＰＢ、ＰＭ、Ｐ
ＳはＰＢ＞ＰＭ＞ＰＳの関係を保たなければならないた
めＰＢ＜ＰＭとなった場合はＰＢの結合係数修正値に、
ＰＭ＜ＰＳとなった場合はＰＭの結合係数修正量に１を
与えるようにしている。
ＳはＰＢ＞ＰＭ＞ＰＳの関係を保たなければならないた
めＰＢ＜ＰＭとなった場合はＰＢの結合係数修正値に、
ＰＭ＜ＰＳとなった場合はＰＭの結合係数修正量に１を
与えるようにしている。
【００２８】（４）ある一定学習回数の間、Ｋ回目の学
習とＫ＋１回目の学習によって得られた偏角ファジィ集
合代表値の差がある設定値（設定誤差）以下であった場
合、収束したとみなしその時の偏角ファジィ集合代表値
を最適ファジィ集合代表値とする（ステップＳ４）。そ
れまでの間は（２）から（３）のプロセスを繰り返す。
習とＫ＋１回目の学習によって得られた偏角ファジィ集
合代表値の差がある設定値（設定誤差）以下であった場
合、収束したとみなしその時の偏角ファジィ集合代表値
を最適ファジィ集合代表値とする（ステップＳ４）。そ
れまでの間は（２）から（３）のプロセスを繰り返す。
【００２９】図３にオートチューニングのブロック線図
を示す。本ニューラルネットワークの学習則は逆伝搬学
習則（バックプロパゲーション）を用いた。
を示す。本ニューラルネットワークの学習則は逆伝搬学
習則（バックプロパゲーション）を用いた。
【００３０】次に、実際にオートチューニングさせた例
を示す。以下のシミュレーションではニューラルネット
ワークの入力は初期偏差５０［mm］、初期ピッチング角
度偏差０［deg ］とした。岡山地区のシミュレーション
モデルを使った場合、ニューラルの学習中に出力層より
出力される偏角ファジィ集合代表値ＰＢ、ＰＭ、ＰＳ
と、これら偏角ファジィ集合代表値を用いたシミュレー
ションにより計算される総偏差誤差が学習回数によって
どのように変化するかを示したものを図４に示す。
を示す。以下のシミュレーションではニューラルネット
ワークの入力は初期偏差５０［mm］、初期ピッチング角
度偏差０［deg ］とした。岡山地区のシミュレーション
モデルを使った場合、ニューラルの学習中に出力層より
出力される偏角ファジィ集合代表値ＰＢ、ＰＭ、ＰＳ
と、これら偏角ファジィ集合代表値を用いたシミュレー
ションにより計算される総偏差誤差が学習回数によって
どのように変化するかを示したものを図４に示す。
【００３１】この図を見ると学習初期の偏角ファジィ集
合代表値ＰＢ、ＰＭ、ＰＳはかなり変動し総偏差誤差は
確実に減少する方向に向かっていることが分かる。また
学習回数が５００回程度で偏角ファジィ集合代表値はほ
ぼ安定し学習回数を重ねてもあまり変化はなく収束した
といえる。
合代表値ＰＢ、ＰＭ、ＰＳはかなり変動し総偏差誤差は
確実に減少する方向に向かっていることが分かる。また
学習回数が５００回程度で偏角ファジィ集合代表値はほ
ぼ安定し学習回数を重ねてもあまり変化はなく収束した
といえる。
【００３２】また、岡山地区の学習中のシミュレーショ
ン結果を図５から図８に示す。これらの図より学習が進
むほど良好な制御を行なうファジィ集合代表値を出力し
ていることが分かる。学習後の重みを使用した岡山地区
のモデルでの初期位置が５０［mm］、初期ピッチング角
度偏差が０［deg ］のシミュレーションを行なった結果
を図９に示す。このように学習後には最適な制御を行な
うファジィ集合代表値を出力していることが分かる。
ン結果を図５から図８に示す。これらの図より学習が進
むほど良好な制御を行なうファジィ集合代表値を出力し
ていることが分かる。学習後の重みを使用した岡山地区
のモデルでの初期位置が５０［mm］、初期ピッチング角
度偏差が０［deg ］のシミュレーションを行なった結果
を図９に示す。このように学習後には最適な制御を行な
うファジィ集合代表値を出力していることが分かる。
【００３３】図１１に初期位置を５０［mm］、初期ピッ
チング角度偏差を０［deg ］とした場合のファジィ集合
代表値を試行錯誤で求めた最適ファジィ集合代表値Ｐ
Ｂ、ＰＭ、ＰＳ、総偏差誤差と本発明のニューラルネッ
トワークによって求めた最適ファジィ集合代表値ＰＢ、
ＰＭ、ＰＳ、総偏差誤差を示す。この結果よりニューラ
ルネットワークは最適なファジィ集合代表値を学習によ
って得ていることが分かる。
チング角度偏差を０［deg ］とした場合のファジィ集合
代表値を試行錯誤で求めた最適ファジィ集合代表値Ｐ
Ｂ、ＰＭ、ＰＳ、総偏差誤差と本発明のニューラルネッ
トワークによって求めた最適ファジィ集合代表値ＰＢ、
ＰＭ、ＰＳ、総偏差誤差を示す。この結果よりニューラ
ルネットワークは最適なファジィ集合代表値を学習によ
って得ていることが分かる。
【００３４】今までのニューラルの学習では初期ピッチ
ング角度偏差０［deg ］を入力としていれていたが初期
ピッチング角度偏差が０以外の場合でも良好に学習す
る。学習後の初期偏差５０［mm］、初期ピッチング角度
偏差０．２５［deg ］の場合の岡山地区のモデルのシミ
ュレーション結果を図１０に示す。図を見て分かるよう
に良好に制御されている。
ング角度偏差０［deg ］を入力としていれていたが初期
ピッチング角度偏差が０以外の場合でも良好に学習す
る。学習後の初期偏差５０［mm］、初期ピッチング角度
偏差０．２５［deg ］の場合の岡山地区のモデルのシミ
ュレーション結果を図１０に示す。図を見て分かるよう
に良好に制御されている。
【００３５】
【発明の効果】以上説明したように、本発明によれば、
入力を初期偏差と初期ピッチング角度偏差、出力を偏角
ファジィ集合代表値としたニューラルネットワークを方
向制御シミュレーションを使い学習させることにより自
動的に最適ファジィ集合代表値を得ることが出来るた
め、従来技術に比較して手間がかからず時間も格段に短
縮される。
入力を初期偏差と初期ピッチング角度偏差、出力を偏角
ファジィ集合代表値としたニューラルネットワークを方
向制御シミュレーションを使い学習させることにより自
動的に最適ファジィ集合代表値を得ることが出来るた
め、従来技術に比較して手間がかからず時間も格段に短
縮される。
【図１】本発明にかかるオートチューニング方法を説明
するためのフロ−チャ−トである。
するためのフロ−チャ−トである。
【図２】ニュ−ラルネットワ−クの構成を示す図。
【図３】本発明に係るオートチューニングを実現するた
めのブロック線図である。
めのブロック線図である。
【図４】総偏差誤差と学習回数の関係を示す図である。
【図５】学習中のシミュレーション結果を示す図であ
る。
る。
【図６】学習中のシミュレーション結果を示す図であ
る。
る。
【図７】学習中のシミュレーション結果を示す図であ
る。
る。
【図８】学習中のシミュレーション結果を示す図であ
る。
る。
【図９】学習後の重みを使用した初期位置５０［mm］、
初期ピッチング角度偏差０［deg ］のシミュレーション
結果を示す図である。
初期ピッチング角度偏差０［deg ］のシミュレーション
結果を示す図である。
【図１０】学習後の重みを使用した初期位置５０［m
m］、初期ピッチング角度偏差０．２５［deg ］のシミ
ュレーション結果を示す図である。
m］、初期ピッチング角度偏差０．２５［deg ］のシミ
ュレーション結果を示す図である。
【図１１】従来法と本発明の方法による最適ファジィ集
合代表値ＰＢ、ＰＭ、ＰＳ、総偏差誤差の比較を示す図
である。
合代表値ＰＢ、ＰＭ、ＰＳ、総偏差誤差の比較を示す図
である。
【図１２】トンネルロボットのシステム構成を示す図で
ある。
ある。
【図１３】ファジィ制御規則を示す図である。
【図１４】ファジィ集合の形を３角形として表した図で
ある。
ある。
【図１５】ヘッド角とピッチング角を定義するための図
である。
である。
【図１６】各パラメータを定義するための図。
【図１７】方向制御ブロック線図である。
【図１８】試行錯誤で求めた岡山地区のシミュレーショ
ン結果を示す図である。
ン結果を示す図である。
１００…ロボット本体、１０１…埋設管、１０２…押管
装置、１０３…油圧装置、１０４…操作盤、１０５…オ
ペレ−タ、１０６…地表。
装置、１０３…油圧装置、１０４…操作盤、１０５…オ
ペレ−タ、１０６…地表。
Claims (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て方向修正を行う小口径ト
ンネルロボットにおいて、 入力を初期偏差と初期ピッチング角度偏差、出力を偏角
ファジィ集合代表値ＰＢ、ＰＭ、ＰＳとしたニューラル
ネットワークを、方向制御シミュレーションを使い学習
させることにより最適ファジィ集合代表値を得ることを
特徴とする小口径トンネルロボットのニューラル型最適
ファジィ集合代表値オートチューニング方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP22744591A JPH0566803A (ja) | 1991-09-06 | 1991-09-06 | 小口径トンネルロボツトのニユーラル型最適フアジイ集合代表値オートチユーニング方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP22744591A JPH0566803A (ja) | 1991-09-06 | 1991-09-06 | 小口径トンネルロボツトのニユーラル型最適フアジイ集合代表値オートチユーニング方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0566803A true JPH0566803A (ja) | 1993-03-19 |
Family
ID=16860985
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP22744591A Pending JPH0566803A (ja) | 1991-09-06 | 1991-09-06 | 小口径トンネルロボツトのニユーラル型最適フアジイ集合代表値オートチユーニング方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0566803A (ja) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1995018433A1 (fr) * | 1993-12-28 | 1995-07-06 | Mitsubishi Jidosha Kogyo Kabushiki Kaisha | Dispositif d'alarme pour conducteur assoupi |
| CN103777522A (zh) * | 2014-01-21 | 2014-05-07 | 上海海事大学 | 基于模糊pid的无人水面艇直线跟踪方法 |
| CN109002035A (zh) * | 2017-06-07 | 2018-12-14 | 北京京东尚科信息技术有限公司 | 机器人运动的控制方法和装置、计算机可读存储介质 |
| CN111119902A (zh) * | 2019-12-16 | 2020-05-08 | 北京科技大学 | 一种基于bp神经网络的隧道动态施工方法 |
| CN114701567A (zh) * | 2022-02-25 | 2022-07-05 | 重庆长安汽车股份有限公司 | 基于长短期记忆网络的转向机中位偏差自学习方法 |
-
1991
- 1991-09-06 JP JP22744591A patent/JPH0566803A/ja active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1995018433A1 (fr) * | 1993-12-28 | 1995-07-06 | Mitsubishi Jidosha Kogyo Kabushiki Kaisha | Dispositif d'alarme pour conducteur assoupi |
| US5745031A (en) * | 1993-12-28 | 1998-04-28 | Mitsubishi Jidosha Kogyo Kabushiki Kaisha | Safety driving system |
| CN103777522A (zh) * | 2014-01-21 | 2014-05-07 | 上海海事大学 | 基于模糊pid的无人水面艇直线跟踪方法 |
| CN103777522B (zh) * | 2014-01-21 | 2016-09-28 | 上海海事大学 | 基于模糊pid的无人水面艇直线跟踪方法 |
| CN109002035A (zh) * | 2017-06-07 | 2018-12-14 | 北京京东尚科信息技术有限公司 | 机器人运动的控制方法和装置、计算机可读存储介质 |
| CN111119902A (zh) * | 2019-12-16 | 2020-05-08 | 北京科技大学 | 一种基于bp神经网络的隧道动态施工方法 |
| CN111119902B (zh) * | 2019-12-16 | 2021-04-06 | 北京科技大学 | 一种基于bp神经网络的隧道动态施工方法 |
| CN114701567A (zh) * | 2022-02-25 | 2022-07-05 | 重庆长安汽车股份有限公司 | 基于长短期记忆网络的转向机中位偏差自学习方法 |
| CN114701567B (zh) * | 2022-02-25 | 2023-08-18 | 重庆长安汽车股份有限公司 | 基于长短期记忆网络的转向机中位偏差自学习方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu | Fuzzy interval control of mobile robots | |
| US6442463B1 (en) | Fuzzy steering controller | |
| CN107168324A (zh) | 一种基于anfis模糊神经网络的机器人路径规划方法 | |
| CN111307153B (zh) | 基于六边形栅格地图的多auv任务分配与路径规划方法 | |
| Barai et al. | Optimal two-degree-of-freedom fuzzy control for locomotion control of a hydraulically actuated hexapod robot | |
| CN107045347A (zh) | 用于农机无人驾驶的自动掉头路径规划及其控制方法 | |
| CN110737195A (zh) | 基于速度控制的双足机器人行走落脚点规划方法及装置 | |
| Jha et al. | On-line stable gait generation of a two-legged robot using a genetic–fuzzy system | |
| JPH0566803A (ja) | 小口径トンネルロボツトのニユーラル型最適フアジイ集合代表値オートチユーニング方法 | |
| CN109828464B (zh) | 一种航天器自主姿态控制方法 | |
| CN109249393B (zh) | 一种基于经验控制的多参数机器人实时行为校正方法 | |
| Arain et al. | A comparison of search-based planners for a legged robot | |
| JPH05231091A (ja) | 小口径トンネルロボットのニューラル型偏差・偏角ファジィ変数オートチューニング方法 | |
| JP2612972B2 (ja) | 小口径トンネルロボットのニューラル型最適ゲインオートチューニング方法 | |
| Kovàcs et al. | Interpolation-based fuzzy logic controller, as a simplified way for constructing the fuzzy rulebase of the path tracking and collision avoidance strategy of an AGV | |
| JPH0553605A (ja) | プロセス制御方法及びその制御装置 | |
| Zamani et al. | Nonlinear model predictive control of hopping model using approximate step-to-step models for navigation on complex terrain | |
| JPH04309696A (ja) | 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 | |
| JP2597419B2 (ja) | 小口径トンネルロボットのファジィ制御法 | |
| US6662169B2 (en) | Controlling the self learning behavior of an autonomous agent | |
| CN112894819A (zh) | 一种基于双神经网络的机器人动力学运动控制方法及装置 | |
| CN112486018A (zh) | 一种基于速度自适应预瞄的无模型无人车路径跟踪方法 | |
| JPH08129420A (ja) | トンネルロボットの方向・位置制御装置及びｎ次元線形離散時間系確率モデルの構成方法 | |
| JPH0886190A (ja) | トンネルロボットの方向・位置制御方法及び装置 | |
| JPH05321583A (ja) | 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自動方向制御法 |