JPH06102907A

JPH06102907A - 階層型ファジィ制御方法

Info

Publication number: JPH06102907A
Application number: JP4251654A
Authority: JP
Inventors: Toru Yamaguchi; 亨山口
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 1992-09-21
Filing date: 1992-09-21
Publication date: 1994-04-15

Abstract

(57)【要約】【目的】必要な知識を、簡略なファジィルールで容易
に表現し、システム稼働前の専門家からの知識の抽出
や、抽出した知識の洗練、および、オンライン学習の実
施を容易に行うことを可能にする。【構成】利用者入力指令を、ファジィ（モデル型）ル
ールを１回以上適用することによって、他の入力指令に
共通に利用可能な基礎指令群に分解し、分解された基礎
指令をファジィ推論によって組み合わせ、操作量を得
る。具体的には、目標発生合成器８を使用して、利用者
入力指令９を基礎目標指令の組み合わせに変換し、出力
する。目標発生器７を使用して、基礎目標指令を仮想目
標値指令の組み合わせに変換し、出力する。安定化制御
器２を使用して、仮想目標値指令と制御系の制御量を操
作量の組み合わせに変換し、最終的な操作量を出力す
る。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、専門家の知識に基づい
て知的な制御を実現する階層型ファジィ制御方法に関
し、特に、ファジィ知識表現とニューラルネットの学習
・連想機能を融合し、制御知識の獲得を半自動化する技
術に関する。

【０００２】

【従来の技術】ファジィ制御は、人間が理解しやすい
（「親和性の高い」）言語的な「高い」・「低い」など
の表現をメンバシップ関数などで特徴付けることによ
り、少数のコンパクトなｉｆ−ｔｈｅｎルールで制御知
識を表現できる。このため、近年、多くの制御システム
で用いられている。また、ファジィルールで表現する制
御知識の洗練を半自動化するための方法として、各種の
ニューラルネットの融合手法がある。

【０００３】そして、以上のようなファジィ制御の「親
和性の高さ」とニューラルネット学習の融合による「学
習の容易性」から、特性の変動する対象システムを安定
化する適応型制御器への適用が盛んである。さらに、目
標発生器からの信号への追従のためのフィードフォワー
ド操作量をチューニングする適応型制御器などへの適用
も行われている。

【０００４】これらの適用において、優れたファジィ制
御を実現するためには、その制御対象システムの分野に
おける専門家の知識が必要とされる。従来のファジィ制
御方法においては、このような専門家の知識として、例
えば、「各定常状態における安定化の知識」をファジィ
ルールで表現している。さらに、ファジィ制御に対し
て、シンプルな操作の合成により多くの複雑な操作を可
能にするような、より優れた知的な制御を実現すること
が求められている。

【０００５】

【発明が解決しようとする課題】しかしながら、専門家
の知識に基づいて、シンプルな操作の合成により多くの
複雑な操作を可能にするような、より専門家のイメージ
に近い知的な制御を実現するためには、従来型のファジ
ィ制御方法において使用されている「各定常状態におけ
る安定化の知識」だけでは不十分であり、「定常状態か
ら定常状態への推移のための知識」や「複雑な操作を単
純な操作の組み合わせで実現する合成の知識」などを必
要とする。

【０００６】従来型のファジィｉｆ−ｔｈｅｎルールで
これらの知識をそのまま表現する場合は、多くの複雑な
ｉｆ部の条件とその条件に対応する制御操作を表現する
膨大な数のファジィルールが必要となり、膨大なｉｆ条
件に対応する操作知識の不足や近いｉｆ条件のファジィ
ルール間のあいまいな干渉の影響で、システム稼働前の
専門家からの知識の抽出や、抽出した知識の洗練が難し
くなる。また、稼働後に知識を洗練するオンライン学習
の実施は、さらに難しく、従来型では不可能に近いなど
の問題点がある。

【０００７】本発明は、以上のような従来技術の問題点
を解決するために提案されたものであり、その目的は、
シンプルな操作の合成により多くの複雑な操作を可能に
する知的な制御を実現するために必要な知識を、簡略な
ファジィルールまたはファジィモデル型ルールで容易に
表現可能であり、システム稼働前の専門家からの知識の
抽出や、抽出した知識の洗練、および、オンライン学習
の実施が容易に行えるような、優れた階層型ファジィ制
御方法を提供することである。

【０００８】

【課題を解決するための手段】上述した課題を解決する
ために、本発明においては、１）制御目的別に分離し階
層構造を用いて知識を表現する手段（構成法）を提案す
るとともに、２）専門家からの知識の抽出とそのオンラ
イン学習による知識洗練の手段（学習法）を提案し、組
み込む構成とする。さらに、３）このような分割型、階
層型の、学習により修正可能な知識の組み合わせによっ
て、複雑で高度な操作を必要とする制御目的を満足する
操作の合成を実現する手段（推論法）を組み込む構成と
する。

【０００９】まず、１）の構成法では、制御目的別に、
「安定化制御器」、「目標発生器」、「目標発生合成
器」を、ファジィルール（または、ファジィモデル型ル
ール）で実現するように構成する。安定化制御器は、対
象システムを安定化する閉ループ系の制御を行う。目標
発生器は、前述の閉ループ系への目標値を発生するもの
で、制御出力が理想の目標となるような仮想目標値を発
生する。この目標発生器は、複雑な動作を実現する上で
必要となる円形、直線などの基準的な目標値（基準目標
値）パターンを実現する仮想目標値を発生する。目標発
生合成器は、目標発生器の上位に位置し、目標発生器に
よる円形や直線などの基準目標値パターンの組み合わせ
を行い、複雑な最終目標動作を実現する。

【００１０】そして、これらのファジィルール内に、各
制御目的別に少なくとも１つ以上の多くの制御対象の変
動状況や制御目的へ対応できる確かな制御ルール（ロバ
ストで消極的な制御ルールと呼ぶ）を持ち、特徴的な各
変動状況や特徴的な各制御目的（これらを特徴モードと
呼ぶ）を記述するあいまいなルールを持つ構成とする。
ここで、あいまいなルールとは、前件部や後件部のファ
ジィ命題を特徴付けるメンバシップ関数や入出力関数が
確かでなかったり、論理関係が確かでなかったりするル
ールを総称する。これらを言い換えれば、少なくとも１
つ以上のロバストで消極的な制御ルールと、多くの特徴
モードを記述する複数のあいまいな制御ルールを持つ構
成とする。

【００１１】次に、２）の学習法では、各制御目的別に
ファジィルールの各部（ルール前件部、ルール後件部、
論理関係）を連携し学習する学習器によって、ルールを
修正可能に構成する。学習器は、各部のデータを保存す
るデータ保存器を持ち、さらに、ルール前件部と後件部
に対し、個別の評価器と修正器を持つ。評価器は、各部
の発生データを評価し、修正器は、データ保存器に保存
している修正用学習データを用いて修正器のアルゴリズ
ムに従って各部を修正する。この際、ルール前件部や後
件部の学習に連携してルールの論理関係を修正する論理
関係修正器を持つように構成し、オンライン学習を実現
する。

【００１２】続いて、３）の推論法では、各制御目的別
のファジィルールを推論する推論器とその推論結果を用
いてルール後件部を合成する合成器を持つように構成す
る。推論器は、学習中のあいまいなルールを用いてファ
ジィ推論を可能とする。推論時のあいまいさの広がりを
抑える機能（すなわち、適合するルールを想起する連想
機能）を用いることで、専門家のイメージに合致する適
切な推論を行う。合成器は、推論器によるルール後件部
の真理値を用いて、後件部の命題を記述するパラメトリ
ックな関数（Ｓｉｎ関数、線形関数他）のパラメータを
内挿により調整する。

【００１３】

【作用】以上のような構成を有する本発明によれば、制
御目的別に、「安定化制御器」、「目標発生器」、「目
標発生合成器」を、コンパクトなファジィルール（また
は、ファジィモデル型ルール）で実現できるため、従来
型のファジィｉｆ−ｔｈｅｎルールでこれらの知識をそ
のまま表現する場合において存在していた問題、すなわ
ち、膨大なｉｆ条件に対応する操作知識の不足などの影
響によってシステムの稼働前の専門家からの知識の抽出
が難しいなどの問題を解決できる。また、各制御目的別
にファジィルールの各部（ルール前件部、ルール後件
部、論理関係）を連携して学習する学習器により、稼働
後に知識を洗練するオンライン学習を実現できる。

【００１４】このように獲得され学習で洗練されていく
ファジィルールからの推論による制御操作は、各制御目
的別の推論器とその推論結果を用いてルール後件部を合
成する合成器により実現できる。推論器は、学習中のあ
いまいなルールを用いてファジィ推論を行う場合に従来
問題であった推論時のあいまいさの広がりを抑える。す
なわち、推論時のあいまいさの広がりを抑える機能（す
なわち、適合するルールを想起する連想機能）を用いる
ことで、専門家のイメージに合致する適切な推論を行う
ことができる。合成器は、推論器によるルール後件部の
真理値を用いて、後件部の命題を記述するパラメトリッ
クな関数（Ｓｉｎ関数、線形関数他）のパラメータを内
挿により調整する。この制御目的別の調整された関数を
組み合わせて、特性の変動する制御対象に対して、複雑
な最終目的に合う操作を実現する。

【００１５】

【実施例】以下には、図面を参照して、本発明による階
層型ファジィ制御方法の一実施例について説明する。

【００１６】１）階層型ファジィ制御方法の概要…図１図１は、本実施例の階層型ファジィ制御方法の概要を示
す説明図である。図中、１は制御対象のプラントで、通
常は特性変動を持つ。２は、ファジィルール（この図で
はファジィモデル型ルール）による安定化制御器（ファ
ジイモデル型制御器）であり、ルール前件部のメンバシ
ップ関数３、ルール後件部の制御器４、推論器５、およ
び、合成器６を有する。安定化制御器２は、プラントの
変動をルール前件部のメンバシップ関数３で状況評価
し、それに対応するルール後件部の制御器４を選択す
る。そして、安定化制御器２は、論理関係に基づき、推
論器５で推論してその選択の割合（寄与度）を決定す
る。また、安定化制御器２は、合成器６によって、寄与
度の割合で制御器４のパラメータを調整し、そのパラメ
ータによる制御器４を用いて操作量を得る。この場合、
制御器４がパラメトリックな線形制御器の場合は、等価
的に図１に示す制御器４の合成となる。

【００１７】さらに、この閉ループ制御系に対して、目
標値を発生する目標発生器７と、それらの目標値を合成
する目標発生合成器８が設けられている。なお、これら
のフィードフォワード型補償器をプラントの操作量へ加
算する構成においても、本発明では同様に扱うことがで
きる。目標発生器７は、基本的な円や線に関する目標値
を発生し、目標発生合成器８は、これらの目標値の組み
合わせによって複雑な最終目標を発生する。これらの目
標発生器７と目標発生合成器８は、前述した安定化制御
器２と同様に、ファジィルール（ファジィモデル型ルー
ル）で記述される。これらのルールは、各制御目標別に
シンプルな複数のルールで記述される。複数のルール中
には、制御目標を実現する少なくとも１つ以上のロバス
トで消極な確かなルールと、学習により洗練し多くの特
徴的なモードに適切に対応するためのあいまいなルール
がある。なお、図中９は、目標発生合成器８に入力され
る利用者からの制御指令（利用者入力指令）を示してい
る。

【００１８】２）学習器とそのアルゴリズム…図２前述の各ファジィモデル型ルールは、学習器により知識
の洗練が行われる。図２は、学習器のアルゴリズムを示
す説明図である。図中のアルゴリズムは、各ルールに対
して一定の処理（または一定時間）ごとに動作する。図
に示すように、評価器１０は、データ保存器１１に保存
している各部のデータ値と対応する目標値との差や対応
する専門家からの修正信号を用いて、ファジィルールの
前件部、後件部を評価し、１２として示すエラー信号Ｅ
１を出力する。エラー信号Ｅ１の値が大きい場合には、
学習器１３で修正し、１４として示すエラー信号Ｅ２を
出力する。さらに、論理関係修正器１５において、修正
前後のエラー信号Ｅ１，Ｅ２の値を評価し、前件部−後
件部の論理関係を修正する。この論理関係の強度を０〜
１の値で表現したものを「関連度」と呼ぶ。

【００１９】３）推論器とそのアルゴリズム…図３各制御目標別に推論器を用意する。前述したように、各
制御目的別のルール中には、制御目標を実現する少なく
とも１つ以上のロバストで消極的な確かなルールと、学
習により洗練し多くの特徴的なモードに適切に対応する
ためのあいまいなルールがある。このようなルールで
は、各ルール命題の理想値との変位を「関連度」とし
て、０〜１の値で表現する。この場合、関連度が０の場
合は無関係、関連度が１の場合は理想値であることを示
す。

【００２０】これらのあいまいな論理関係をもつファジ
ィルールの表現とその推論を、ファジィ連想記憶システ
ムを用いて実現する。図３は、このようなファジィ連想
記憶システムを用いた推論器の構成を示す説明図であ
る。この推論器は、ファジィルール上に表現されている
論理関係を、相互結合型ニューラルネットのＢＡＭ（Ｂ
ｉｄｉｒｅｃｔｉｏｎａｌＡｓｓｏｃｉａｔｉｖｅ
Ｍｅｍｏｒｉｅｓ）の考え方を利用し、連想記憶システ
ム上に表現する。ＢＡＭは、２層のニューロンが相互に
結合するネットワークを形成する。これらの結合の強さ
をマトリクスＭで表し、相関マトリクスと呼ぶ。ここ
で、相関マトリクスＭがＸ，Ｙ層に対し、パターンｘ，
ｙのペアを明記しているとする。Ｘ層に、たとえノイズ
を含むｘ（ｘ”）が与えられても、相関マトリクスＭを
用いた連想（反響動作に伴なう状態推移ｔ）によって、
最終的にｘ，ｙのペアが想起される。ＢＡＭは、この連
想の仮定で、ある種のファジィエントロピー（あいまい
さの指標）を最小化することが知られている。ＢＡＭの
連想における反響の演算は、次の式（１）で与えられ
る。

【００２１】

【数１】ここで、明記したいパターンのペアが、（ｘ１，ｙ
１），・・・，（ｘｎ，ｙｎ）で与えられた場合、相関
マトリクスＭは、次の式（２）で得られる。

【００２２】

【数２】ただし、ＢＡＭの連想記憶ネットワークが形成するエネ
ルギー関数を考慮し、［０，１］のパターンのペアを、
［−１，１］のバイポーラへ変換して用いる。ＢＡＭが
明記できる制約として、パターンのペア間の直交性が強
く、かつ、それぞれの層でパターンとパターンのコンプ
リメントのハミング距離が十分に離れている必要があ
る。このため、ファジィルールをそのまま明記すること
が難しい。そこで、前述のＢＡＭを２つ組み合わせた図
３の構成を用いる。

【００２３】図３に１６として示すＸ層は、Ｉｆ−ｐａ
ｒｔの命題を代表するニューロンで、入力を特徴付ける
メンバシップ関数を代表する。図３に２３として示すフ
ァジィルールの例では、Ｘ層１６のＳ、Ｍ、Ｂは、それ
ぞれ、図中１９として示すメンバシップ関数「Ｓｍａｌ
ｌ」、「Ｍｅｄｉｕｍ」、「Ｂｉｇ」を代表する。１８
として示すＹ層は、Ｔｈｅｎ−ｐａｒｔの命題を代表す
るニューロンで、メンバシップ関数や（ファジィモデル
型の知識表現における）入出力関数を代表する。図３の
ルール表現では、ｆｉは、制御器２０として示す入出力
関数を代表するニューロンで、その活性値を示す。１７
として示す中央のＲ層は、ファジィルールを代表するニ
ューロンであり、Ｒｉで示される。

【００２４】この構成の基本的な考え方は、「ファジィ
ルールの上位概念が、Ｉｆ部とｔｈｅｎ部の２つの属性
を持つ」としている点である。このため、図中左側のＩ
ｆ部と図中中央のファジィルール部の相関、ファジィル
ール部と図中右側のｔｈｅｎ部の相関に分け、ＢＡＭを
用いて表現する。ファジィルールをＲ層でコーディネー
トしているために、前述のＢＡＭにおける明記できるパ
ターンの制約を満足できる。また、Ｒ層１７には、コー
ディネータと呼ぶ互いに他のルールを抑える負の結合が
ある。このため、最終的に最も条件に合うルールが活性
化し、安定状態となる。また、Ｒ層１７は、データの安
定のためのリカレントな結合も有する。これらの相関マ
トリクスを、左から順に、Ｍｘｘ、Ｍｘｒ、Ｍｒｒ、Ｍ
ｒｙ、Ｍｙｙとする。

【００２５】この場合、相関マトリクスＭｘｒ、Ｍｒｙ
は、ＢＡＭの前記の式（２）を用いて以下の手順で求め
る。まず、記憶するＩｆ部とファジィルール部の関係の
ペアをバイポーラに変換し、（ｘ，ｙ）のペアとする。
このペア数は、ルール数ｎと一致する。次に、前記の式
（２）を用いて、相関マトリクスをコーディングする。
ファジィルール部とｔｈｅｎ部の場合も同様な手順で行
う。図３のルール１の例では、Ｓ−Ｒ１間を（＋β１）
倍で、Ｍ−Ｒ１とＢ−Ｒ１間は（−β１）倍で結合す
る。また、Ｒ１−ｆ１間は（＋β２）倍で、Ｒ１とｆ２
〜ｆｎとの間は、（−β２）倍で結合する。さらに、コ
ーディネータとして、Ｒ１とＲ２〜Ｒｎとの間は（−β
３）倍で、Ｒ１−Ｒ１として（＋β３）倍で結合する。
ただし、βｉは正の係数である。あいまいなファジィル
ールの例で、Ｒ−Ｙ層に関連度Ｃを用いる知識表現の場
合は、明記のパターンにその関連度Ｃを乗算する。他の
場合も、同様に乗算する。

【００２６】推論器は、以上のようにして算出した相関
マトリクスＭｘｘ、Ｍｘｒ、Ｍｒｒ、Ｍｒｙ、Ｍｙｙを
用いて、前記の式（１）と同様な連想の反響動作を行
う。一定回数の連想動作後のＹ層の活性値ａｉを用い
て、その正規化処理を行い、図中の合成器２１が、図中
２２として示す出力を合成する。

【００２７】以上の連想記憶を用いた推論器は、従来問
題となっていたあいまいなルールからの推論におけるあ
いまいさの爆発を改善し適切な推論結果をもたらす。ま
た、ルール中に事前に用意された確かでロバストなルー
ルの効果で、学習前でも十分な推論結果を出力する。さ
らに、学習後は、個々の特徴的な状況へ対応する洗練さ
れた知識により、より適切な推論結果を出力する。この
あいまいなルールの論理関係を記憶する推論器の部分を
Ｉｆ−ｔｈｅｎ−ｒｕｌｅ−ｐａｒｔと呼ぶ。

【００２８】４）飛行ビークルへの適用以下には、本実施例の階層型ファジィ制御方法を飛行ビ
ークル（模型ヘリコプター）の運転制御・運転支援に適
用してなる一例について説明する。

【００２９】［飛行ビークルの特性］適用対象となる模
型ヘリコプターは、４つの直流モータの電動ファンｍｉ
（ｉ＝１〜４）を用いて飛行する。また、操作系統は、
通常のヘリコプターと同様で、アクセル（上昇・下降：
ｚ軸の操作）、ヨーイング（回転：ωの操作）、ピッチ
ング（前後の傾き・移動：θｙの傾きとｙ軸の操作）、
ローリング（左右の傾き・移動：θｘの傾きとｘ軸の操
作）の４系統を持つ。このヘリコプターは対称的な構造
を有しており、ピッチングとローリングの系統の特性は
同様である。このため、以下では、ピッチング系統の操
作を取り上げて説明する。なお、ローリング系統やヨー
イング系統の操作に関しても、ピッチング系統の操作と
同様な手法を用いることができる。

【００３０】操縦者のヘリコプターの動特性に関する知
識を基に、上空飛行や低空飛行などの異なった状況にお
けるパラメータの変動を表現するモデルを実現する必要
がある。各種同定試験を行った結果から、次の式（３）
に示す４次の伝達関数Ｐ_vで対称を近似する。

【００３１】

【数３】低空飛行では、地面からのバックラッシュ（地面効果）
が働き、操縦の感度が高くなる（ｋ＝ｋ₂の状況）。ま
た、地面からの乱流で外乱が増す。上空飛行では地面効
果がなくなり、操縦の感度が低くなる（ｋ＝ｋ₃の状
況）。操縦者は、ヘリコプターの特性として、この２つ
の特徴的なモデルを得る。これらの特徴的な低空のモデ
ルをＰ₂、上空のモデルをＰ₃とする。ファジィモデル
の考え方を用いて、変動のプラントモデルＰ_vを、次の
式（４）に示すＰ₁で定義する。なお、この場合、式
（４）は、２つの参照モデルＰ₂，Ｐ₃のパラメータ値
の内挿を意味する、同一の状態を持つ一つのプラントを
示す。

【００３２】

【数４】［安定化制御器用のファジィ知識の抽出］上空と低空の
２つの代表的な参照モデルを持つヘリコプターに対し、
操縦者は、初めは両方のモデルを操縦できる一つのロバ
ストで消極的な操作モデルにより操縦を行う。この全域
Ｐ１に対応するロバストな操作モデル（制御器）をｆ１
とする。操縦者は訓練を重ね、ｆ１を洗練し各状況（上
空飛行、低空飛行）に対応する専用の操作モデルを得
る。低空のモデルＰ２、上空のモデルＰ３に対応する操
作モデルをそれぞれｆ２、ｆ３とする。以上の操縦に関
する知識のアウトラインをファジィモデル形式で表現す
ると、次の式（５）に示すようになる。

【００３３】

【数５】この式（５）においては、ファジィルールへの学習性を
考慮して、関連度Ｃｕｉを用いる。関連度は、現在の操
作モデルｆｉと理想の操作モデルｆｉ^*との関連を示
し、理想に近いほど１に近い値となる。関連度Ｃｕｉが
高くなるとその状況における操作モデルの寄与する度合
が増加する。各操作モデルの寄与度γｉは、ファジィル
ールのＩｆ−ｔｈｅｎ関係と関連度Ｃｕｉによる連想記
憶のファジィ推論で得られる。寄与度γｉは、前述の推
論器による推論値ａｉを正規化したものである。ファジ
ィ制御器による操作量ｕ^*は、寄与度γｉにより、次の
式（６）によって合成される。

【００３４】

【数６】ところで、前記の式（５）で、操縦に関する初期知識と
しては、低空の操作モデルｆ２や上空の操作モデルｆ３
を獲得していないため、全域の操作モデルｆ１を仮にｆ
２、ｆ３に設定する。このため、関連度Ｃｕ２、Ｃｕ３
は低い値となる。ここで用いる推論器は、このような不
完全な知識（知識のアウトライン）を関連度を用いて表
現し、推論器における連想によるファジィ推論や、学習
器における知識の洗練で利用する。この安定化制御器の
構成を図４に示す。図中、２４はルール前件部のメンバ
シップ関数、２５は推論器、２６はルール後件部の制御
器、２７はファジィルール、２８は推論結果を用いた合
成器である。図４において、初期状態では、全域に対応
する保守的な操作モデルｆ１を操縦に用いる。その応答
情報や操縦者の修正情報を用いて、各状況に対応した操
作モデルｆ２、ｆ３を学習により洗練する。最終的に
は、特徴的な状況Ｐ２、Ｐ３に対して、洗練後の操作モ
デルｆ２、ｆ３による操縦へ移行する。

【００３５】以下に、初期知識として重要な全域の操作
モデルｆ１の設計と、相互結合型ニューラルネットワー
クによる連想記憶システムの設計を説明する。

【００３６】［ロバストな操作モデルｆ１の設計］操作
モデルｆ１は、ヘリコプターのパラメータ変動の全域Ｐ
１に対して有効な制御器である。したがって、ロバスト
な操作モデルｆ１の設計にあたっては、低空のモデルＰ
２から上空のモデルＰ３までの変動域に対する同時安定
化補償器を考慮する。また、操縦者は、全域に対する操
作において機体の変位ｙと機体の速度を用いる。この場
合、これらの変位と速度（変位の微分）のフィードバッ
クゲインを、ｈ₁₀、ｈ₁₁とする。前記の式（３）より、
操作モデルｆ１による閉ループ伝達関数Ｐ_cvは、次の式
（７）のように表される。

【００３７】

【数７】この場合、操縦者の変位、速度に対する比率に関する知
識と操作データから、フィードバックゲインｈ₁₀、ｈ₁₁
を求める。このフィードバックゲインを確かな知識とし
て用いる。

【００３８】［学習による安定化制御器用ファジィ知識
の洗練］この例では、操縦者の教師信号なしで、初期知
識の操作モデルｆ１による応答を教師信号として各状況
に対応する操作モデルｆ２，ｆ３を洗練するフィードバ
ック誤差学習を行うことが可能である。しかし、操縦者
の修正信号がデータ保存部へ蓄えられるため、この修正
信号を教師信号として用いる。各状況における操作モデ
ルの学習にあたっては、２乗誤差を最小にする誤差逆伝
播法の原理と同様なＷｉｄｒｏｗ−Ｈｏｆｆの学習則を
用いる。また、各操作モデルを模擬する制御器の構造と
して、初期知識で得た操作モデルｆ１の構造を用い、そ
の制御パラメータの初期値としてｆ１のパラメータ値ｈ
₁₀、ｈ₁₁を用いる。ここで、操縦者の修正信号をΔｕ、
操作モデルｉの変位ｙのフィードバックゲインの修正量
をΔｈ_i0、変位の微分のゲインの修正量をΔｈ_i1とす
る。学習で求めるフィードバックゲインの修正量は、次
の式（８）の誤差Ｅ１を最小化するものである（０から
Ｔまでの一定時間の積分）。

【００３９】

【数８】この式（８）を離散時間表現して、次の式（９）を得
る。

【００４０】

【数９】この場合、添字ｔは、時刻を示す。また、Ｅ１は図２の
１２に対応し、他のデータは図２の１１に対応する。続
いて、以下に示すように、式（９）から、式（１０）を
得る。さらに、式（１０）を変形し、式（１１）および
式（１２）を得る。

【００４１】

【数１０】

【数１１】

【数１２】各状況に応じて、操作モデルのパラメータを、前記の式
（１１）および式（１２）を用いて調整する（図２の学
習器における１３の処理）。これらの学習により、操作
モデルが洗練されるにしたがって、対応する関連度Ｃｕ
ｉを１へ近付ける（図２の１５の処理）。このため、学
習後は、操縦への寄与度γｉが、全域の操作ｆ１から各
状況別の低空の操作ｆ２や上空の操作ｆ３へ移行する。
飛行状況を低空から上空まで変化させた場合の各操作モ
デルの寄与度γｉの学習の度合いに応じた推移を図５に
示す。これらの寄与度には、推論ステップｔ＝４の値を
用いる。

【００４２】Ｈｅｂｂ学習則と同様な考え方（操作モデ
ルを洗練する度合で関連度を強くする）を用いて各操作
モデルの関連度Ｃｕｉをその学習進度に応じて変化させ
る。例えば、学習初期ではＣｕ１：Ｃｕ２：Ｃｕ３＝
７：１：１、学習中期ではＣｕ１：Ｃｕ２：Ｃｕ３＝
５：４：４、学習後期ではＣｕ１：Ｃｕ２：Ｃｕ３＝
１：９：９、と変化させる。関連度の変化により、学習
後は各状況に応じた操作モデルの寄与度が増す。この推
論器で用いた連想型の推論は、状況に適合し、かつ、洗
練されている操作モデルを想起する。

【００４３】［軌道制御のための目標発生器・目標発生
合成器の設計と学習］安定化の制御だけではなく、より
高度な軌道制御を実現するために、図１に示す目標発生
器と目標発生合成器を設計する。これらの構成は、前述
の安定化制御器の構成と同様であるため、学習法も同様
である。このため、以下には、それらのルールと組み合
わせによる高度な飛行操作の実現を説明するのみとす
る。

【００４４】本実施例では、ヘリコプターの高度な飛行
の一種である垂直・水平方向の円形飛行や８の字飛行を
実現する。なお、これらの組み合わせで、宙返り飛行も
同様に可能である。目標発生器では、これらの円形や８
の字飛行の基礎となる多種（大、中、小）の円の発生モ
ードがルールで記述される。これらのルールは、学習に
よって、ヘリコプターの軌道が目標と一致するように、
その位相や半径が調節される。次の式（１３）にルール
の一例を示す。

【００４５】

【数１３】これらのルールは、各軸（前後：ｘ軸、左右：ｙ軸、上
下：ｚ軸）別に用意される。前記の式（１３）は前後系
のルールである。また、このような発生モードのルール
は、目標発生の合成器からの指令で選択され、組み合わ
されて利用される。その組み合わせを行う合成器（図１
の６）においては、同型のパラメトリックな関数の合成
において、推論結果によるパラメータの内挿でその関数
を用いる処理を行う。言い換えると、パラメータの内挿
処理を行う。ここで、水平方向の８の字飛行（ルール
１）と垂直方向の円形飛行（ルールＮ）の知識を、目標
発生合成器で示すと、次の式（１４）のように表され
る。

【００４６】

【数１４】このルール中の（ｒｐ：Ｂ，ｆｐ：Ｓ）のよ
うに、同様の目標パターンが複数のルールに利用され
る。これらを組み合わせて目的とする高度な動作を実現
する。このように、目標発生器の基本的なパターンは、
他の動作へ流用可能な、ある種の抽象的な知識である。
これらの基本的なパターンの組み合わせで複雑な動作を
実現できるため、用いるルールは、コンパクトなもので
十分である。

【００４７】［実施例の効果］以上のような構成を有す
る本実施例においては、コンパクトな知識の組み合わせ
で、飛行ビークルにおける多種の軌道飛行を実現するこ
とができる。また、システムの稼働後において、操縦者
の修正信号を教師信号とすることにより、オンライン学
習で制御知識を洗練することができる。

【００４８】［他の実施例］本発明の階層型ファジィ制
御方法の適用対象は、前記実施例に限定されるものでは
なく、例えば、宇宙・航空関連の飛行体の運転制御・運
転支援、自動車の運転支援装置、自動車庫入れ装置、自
動車の仮想連結運転装置、列車の自動運転装置・運転支
援装置、列車自動連結装置、マニュプレータ運転支援装
置への適用が可能である。さらに、前記の構成で、人間
の操作モデルを含む物理系のモデリングも実現できる。

【００４９】

【発明の効果】以上説明したように、本発明の階層型フ
ァジィ制御方法によれば、制御目的別に、「安定化制御
器」、「目標発生器」、「目標発生合成器」を、コンパ
クトなファジィルール（または、ファジィモデル型ルー
ル）で容易に表現することにより、システム稼働前の専
門家からの知識の抽出や、抽出した知識の洗練を容易に
行うことが可能である。また、各制御目的別にファジィ
ルールの各部（ルール前件部、ルール後件部、論理関
係）を連携して学習する学習器により、稼働後に知識を
洗練するオンライン学習を実現できる。さらに、制御目
的別のルール中に、確かでロバストなルールを予め用意
することにより、学習前でも十分な推論結果を出力する
ことができ、学習後は、個々の特徴的な状況に対応する
洗練された知識により、より適切な推論結果を得ること
ができる。

【図面の簡単な説明】

【図１】本発明の階層型ファジィ制御方法の一実施例の
概要を示す説明図。

【図２】図１の階層型ファジィ制御方法に使用される学
習器のアルゴリズムを示す説明図。

【図３】図１の階層型ファジィ制御方法に使用されるフ
ァジィ連想記憶システムを用いた推論器の構成を示す説
明図。

【図４】図１の階層型ファジィ制御方法の、飛行ビーク
ルへの適用例で使用する安定化制御器の構成を示す説明
図。

【図５】図４の適用例におけるオンライン学習の進度に
応じた推論結果を示す説明図。

【符号の説明】

１…制御対象のプラント２…安定化制御器３…ルール前件部のメンバシップ関数４…ルール後件部の制御器５…推論器６…合成器７…目標発生器８…目標発生合成器９…利用者入力指令１０…評価器１１…データ保存器１２，１４…エラー信号１３…学習器１５…論理関係修正器１６…Ｘ層１７…Ｒ層１８…Ｙ層１９…メンバシップ関数２０…制御器２１…合成器２２…出力２３…ファジィルール２４…ルール前件部のメンバシップ関数２５…推論器２６…ルール後件部の制御器２７…ファジィルール２８…合成器

Claims

【特許請求の範囲】

【請求項１】前件部と後件部およびその論理関係部に
より表現されるファジィルールまたはファジィモデル型
ルールを用いて、利用者から入力される利用者入力指令
を操作量に変換し、出力する階層型ファジィ制御方法に
おいて、利用者入力指令を、ファジィルールまたはファジィモデ
ル型ルールを１回以上適用することによって、他の入力
指令に共通に利用可能な基礎指令群に分解し、分解され
た基礎指令をファジィ推論によって組み合わせ、操作量
を得ることを特徴とする階層型ファジィ制御方法。
【請求項２】ファジィルールまたはファジィモデル型
ルールで表現された目標発生合成器を使用して、利用者
入力指令を、抽象的な言語的ラベルを用いて表現する基
礎目標指令の組み合わせに変換し、出力するステップ
と、ファジィルールまたはファジィモデル型ルールで表現さ
れた目標発生器を使用して、前記目標発生合成器から出
力された基礎目標指令を、制御対象への直接の入力とな
る信号と同じ単位を持つ数値の時系列からなる制御信号
を用いて表現する仮想目標値指令の組み合わせに変換
し、出力するステップと、ファジィルールまたはファジィモデル型ルールで表現さ
れた安定化制御器を使用して、前記目標発生器から出力
された仮想目標値指令と制御系の制御量を、その仮想目
標値指令への追従と制御系の安定化を可能とする操作量
の組み合わせに変換し、最終的な操作量を出力するステ
ップを有することを特徴とする請求項１に記載の階層型
ファジィ制御方法。
【請求項３】各階層の目標に対する応答結果の誤差を
減少させるようにして、ファジィルールまたはファジィ
モデル型ルールを、個別に評価、修正することを特徴と
する請求項１に記載の階層型ファジィ制御方法。