JPH06131009A - フィードバック制御装置 - Google Patents
フィードバック制御装置Info
- Publication number
- JPH06131009A JPH06131009A JP4281204A JP28120492A JPH06131009A JP H06131009 A JPH06131009 A JP H06131009A JP 4281204 A JP4281204 A JP 4281204A JP 28120492 A JP28120492 A JP 28120492A JP H06131009 A JPH06131009 A JP H06131009A
- Authority
- JP
- Japan
- Prior art keywords
- feedback
- input
- control
- unit
- control device
- 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
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【目的】 制御対象の状態をセンサを用いてフィードバ
ックして制御を行うフィードバック制御装置に関し、即
応性と安定性に優れ、かつ多変数の制御も可能な制御装
置を提供することを目的とする。 【構成】 現制御時刻のフィードバック量が入力され、
現制御時刻の次の制御時刻における予測フィードバック
量と現制御時刻の目標値との偏差を小さくする動作信号
を求め、その動作信号を操作部に出力する予測制御手段
を備えるように構成する。
ックして制御を行うフィードバック制御装置に関し、即
応性と安定性に優れ、かつ多変数の制御も可能な制御装
置を提供することを目的とする。 【構成】 現制御時刻のフィードバック量が入力され、
現制御時刻の次の制御時刻における予測フィードバック
量と現制御時刻の目標値との偏差を小さくする動作信号
を求め、その動作信号を操作部に出力する予測制御手段
を備えるように構成する。
Description
【０００１】
【産業上の利用分野】本発明はロボット、プラント、産
業設備などに用いられる制御系一般に係わり、さらに詳
しくは制御対象の状態をセンサを用いてフィードバック
して制御を行うフィードバック制御装置に関する。
業設備などに用いられる制御系一般に係わり、さらに詳
しくは制御対象の状態をセンサを用いてフィードバック
して制御を行うフィードバック制御装置に関する。
【０００２】
【従来の技術】図１６はフィードバック制御系の従来例
の構成ブロック図である。同図において、制御対象１は
機械や物体、プラント、プロセス、ロボット、産業設備
などであり、制御量を出力する。検出部２は、制御対象
１の出力する制御量を制御系の目標値と比較可能とする
ために、適切なフィードバック量に変換するものであ
る。制御部４は目標値とフィードバック量との差として
の偏差を、操作部３を駆動するために適切な動作信号に
増幅、または変換するものであり、操作部３は制御部４
からの信号を、制御対象１を制御するための操作量に変
換するものである。
の構成ブロック図である。同図において、制御対象１は
機械や物体、プラント、プロセス、ロボット、産業設備
などであり、制御量を出力する。検出部２は、制御対象
１の出力する制御量を制御系の目標値と比較可能とする
ために、適切なフィードバック量に変換するものであ
る。制御部４は目標値とフィードバック量との差として
の偏差を、操作部３を駆動するために適切な動作信号に
増幅、または変換するものであり、操作部３は制御部４
からの信号を、制御対象１を制御するための操作量に変
換するものである。
【０００３】図１６において、フィードバック制御は次
の手順によって行われる。まず第１に検出部２によって
制御量が検出され、その制御量がフィードバック量に変
換される。第２の手順として目標値とフィードバック量
が比較され、制御偏差が取り出される。第３の手順とし
て、制御偏差の符号やその大きさなどに応じて、偏差を
なくすように操作部３から操作量が制御対象１に与えら
れ、訂正動作が行われる。
の手順によって行われる。まず第１に検出部２によって
制御量が検出され、その制御量がフィードバック量に変
換される。第２の手順として目標値とフィードバック量
が比較され、制御偏差が取り出される。第３の手順とし
て、制御偏差の符号やその大きさなどに応じて、偏差を
なくすように操作部３から操作量が制御対象１に与えら
れ、訂正動作が行われる。
【０００４】フィードバック制御系は、検出された制御
対象１の制御量を目標値と一致させるために、検出され
た制御量をフィードバックして目標値と比較し、操作部
３によって自動的に訂正動作を行うものである。フィー
ドバック制御を行うことにより外乱、すなわち目標値の
変化以外の制御量変化の外的要因や、パラメータ（制御
系内の、例えば増幅器の増幅度など）の変化の影響を受
けにくくすることができ、目標値に対して制御量をよく
一致させることができる。
対象１の制御量を目標値と一致させるために、検出され
た制御量をフィードバックして目標値と比較し、操作部
３によって自動的に訂正動作を行うものである。フィー
ドバック制御を行うことにより外乱、すなわち目標値の
変化以外の制御量変化の外的要因や、パラメータ（制御
系内の、例えば増幅器の増幅度など）の変化の影響を受
けにくくすることができ、目標値に対して制御量をよく
一致させることができる。
【０００５】
【発明が解決しようとする課題】前述のようにフィード
バック制御系はできるだけ早く制御量を目標値に近づけ
ることをその目的としているが、従来の制御装置では制
御装置のゲインが低いと制御量がなかなか目標値に近づ
かず、反応の鈍い制御になってしまうという問題点があ
った。一般に制御装置や制御対象は時間遅れを持つた
め、即応性に優れた制御を行おうとして制御装置のゲイ
ンを高めると制御の安定性が失われ、制御量に発散や振
動が生じてしまうという問題点があった。
バック制御系はできるだけ早く制御量を目標値に近づけ
ることをその目的としているが、従来の制御装置では制
御装置のゲインが低いと制御量がなかなか目標値に近づ
かず、反応の鈍い制御になってしまうという問題点があ
った。一般に制御装置や制御対象は時間遅れを持つた
め、即応性に優れた制御を行おうとして制御装置のゲイ
ンを高めると制御の安定性が失われ、制御量に発散や振
動が生じてしまうという問題点があった。
【０００６】本発明の課題は、即応性と安定性に優れ、
かつ多変数の制御も可能なフィードバック制御装置を提
供することである。
かつ多変数の制御も可能なフィードバック制御装置を提
供することである。
【０００７】
【課題を解決するための手段】図１は本発明の原理ブロ
ック図である。同図は、制御対象１の制御量を目標値と
比較できるフィードバック量に変換する検出部２と、制
御対象１に対して操作量を出力する操作部３を備えたフ
ィードバック制御装置の原理ブロック図である。
ック図である。同図は、制御対象１の制御量を目標値と
比較できるフィードバック量に変換する検出部２と、制
御対象１に対して操作量を出力する操作部３を備えたフ
ィードバック制御装置の原理ブロック図である。
【０００８】図１において、予測制御手段１０は検出部
２が出力する現在の制御時刻のフィードバック量の入力
に対して、その現制御時刻の次の制御時刻における予測
フィードバック量と現制御時刻の目標値との偏差を小さ
くする動作信号を求め、その動作信号を操作部３に出力
するものである。
２が出力する現在の制御時刻のフィードバック量の入力
に対して、その現制御時刻の次の制御時刻における予測
フィードバック量と現制御時刻の目標値との偏差を小さ
くする動作信号を求め、その動作信号を操作部３に出力
するものである。
【０００９】
【作用】本発明において予測制御手段１０は、例えば前
述の予測フィードバック量を出力する出力層ユニット
と、現制御時刻のフィードバック量と前述の動作信号に
対応する信号とが入力される入力層ユニットを有する階
層型ニューラルネットワークを備え、予測フィードバッ
ク量と現制御時刻の目標値との偏差を小さくするように
入力層ユニットへの入力を修正した結果としての入力層
ユニットへの入力値を動作信号として操作部３に出力す
る。
述の予測フィードバック量を出力する出力層ユニット
と、現制御時刻のフィードバック量と前述の動作信号に
対応する信号とが入力される入力層ユニットを有する階
層型ニューラルネットワークを備え、予測フィードバッ
ク量と現制御時刻の目標値との偏差を小さくするように
入力層ユニットへの入力を修正した結果としての入力層
ユニットへの入力値を動作信号として操作部３に出力す
る。
【００１０】これによって、予測制御手段１０によって
予測された予測フィードバック量と目標値との偏差が小
さくなるような動作信号が操作部３に与えられ、制御対
象１が制御される。すなわち予測制御手段１０は制御対
象１を制御した後でのフィードバック量が目標値に近づ
くように動作信号を発生することになり、制御装置のゲ
インを大きくしても制御量に振動や発散などの不安定性
が生じることを防止することができる。
予測された予測フィードバック量と目標値との偏差が小
さくなるような動作信号が操作部３に与えられ、制御対
象１が制御される。すなわち予測制御手段１０は制御対
象１を制御した後でのフィードバック量が目標値に近づ
くように動作信号を発生することになり、制御装置のゲ
インを大きくしても制御量に振動や発散などの不安定性
が生じることを防止することができる。
【００１１】
【実施例】図２は本発明のフィードバック制御装置の基
本構成ブロック図である。同図において予測制御部１１
が図１の予測制御手段１０に対応し、検出部２の出力す
るフィードバック量を受けて現在の制御時刻の次の制御
時刻におけるフィードバック量を予測し、その予測フィ
ードバック量と目標値との偏差が小さくなるような動作
信号を操作部３に出力する。
本構成ブロック図である。同図において予測制御部１１
が図１の予測制御手段１０に対応し、検出部２の出力す
るフィードバック量を受けて現在の制御時刻の次の制御
時刻におけるフィードバック量を予測し、その予測フィ
ードバック量と目標値との偏差が小さくなるような動作
信号を操作部３に出力する。
【００１２】図３はフィードバック制御装置の実施例の
構成ブロック図である。同図においては、図２の予測制
御部１１としてニューラルネットワーク１２が用いられ
ている。このニューラルネットワークの作用について、
図４の予測制御部の実施例を用いて説明する。
構成ブロック図である。同図においては、図２の予測制
御部１１としてニューラルネットワーク１２が用いられ
ている。このニューラルネットワークの作用について、
図４の予測制御部の実施例を用いて説明する。
【００１３】図４において、ニューラルネットワーク１
２は階層型ニューラルネットワークであり、その入力層
ユニットには、最初に検出部２の検出する現在の制御時
刻のフィードバック量ｓ（ｔ）と動作信号に対応する初
期値とが入力される。そして出力層ユニットからは、現
在の制御時刻ｔの次の制御時刻ｔ＋１における予測フィ
ードバック量ｓ（ｔ＋１）が出力される。ここでフィー
ドバック量ｓ（ｔ）、動作信号に対応する初期値、およ
び予測フィードバック量ｓ（ｔ＋１）はそれぞれ一般的
にベクトル量であるものとする。
２は階層型ニューラルネットワークであり、その入力層
ユニットには、最初に検出部２の検出する現在の制御時
刻のフィードバック量ｓ（ｔ）と動作信号に対応する初
期値とが入力される。そして出力層ユニットからは、現
在の制御時刻ｔの次の制御時刻ｔ＋１における予測フィ
ードバック量ｓ（ｔ＋１）が出力される。ここでフィー
ドバック量ｓ（ｔ）、動作信号に対応する初期値、およ
び予測フィードバック量ｓ（ｔ＋１）はそれぞれ一般的
にベクトル量であるものとする。
【００１４】図４において階層型ニューラルネットワー
クの出力、すなわち予測フィードバック量ｓ（ｔ＋１）
と目標値ｒ（ｔ）とが比較され、その差としての偏差ε
（ｔ）がニューラルネットワークの中で誤差逆伝搬さ
れ、入力層ユニットのうちで動作信号に対応する初期値
が入力された入力層ユニットへの入力値が小さくなるよ
うに修正される。
クの出力、すなわち予測フィードバック量ｓ（ｔ＋１）
と目標値ｒ（ｔ）とが比較され、その差としての偏差ε
（ｔ）がニューラルネットワークの中で誤差逆伝搬さ
れ、入力層ユニットのうちで動作信号に対応する初期値
が入力された入力層ユニットへの入力値が小さくなるよ
うに修正される。
【００１５】図５はニューラルネットワークを含む予測
制御装置、すなわち図２における予測制御部１１の実施
例の詳細構成ブロック図である。同図において、ニュー
ラルネットワーク１２は図４で説明したものであり、そ
の入力層ユニットには検出部２からのフィードバック量
ｓ（ｔ）と、初期値設定機構１３によって設定された動
作信号に対応する入力値が入力される。そして出力層ユ
ニットからは予測フィードバック量ｓ（ｔ＋１）が出力
され、その出力が現在の時刻の目標値ｒ（ｔ）と誤差計
算部１４によって比較され、偏差ε（ｔ）が誤差逆伝搬
機構１５に与えられる。
制御装置、すなわち図２における予測制御部１１の実施
例の詳細構成ブロック図である。同図において、ニュー
ラルネットワーク１２は図４で説明したものであり、そ
の入力層ユニットには検出部２からのフィードバック量
ｓ（ｔ）と、初期値設定機構１３によって設定された動
作信号に対応する入力値が入力される。そして出力層ユ
ニットからは予測フィードバック量ｓ（ｔ＋１）が出力
され、その出力が現在の時刻の目標値ｒ（ｔ）と誤差計
算部１４によって比較され、偏差ε（ｔ）が誤差逆伝搬
機構１５に与えられる。
【００１６】誤差逆伝搬機構１５によってニューラルネ
ットワーク１２内で誤差が逆伝搬され、入力更新機構１
６によって動作信号に対応する入力が与えられる入力層
ユニットへの入力値が更新される。一方誤差計算部１４
の出力に対しては、終了判定機構１７によって、例えば
ある値以下に収束したか否かが判定され、収束したと判
定された時には終了判定機構１７から更新終了信号が誤
差逆伝搬機構１５、入力更新機構１６、および入力値取
り出し機構１８に与えられる。入力値取り出し機構１８
によって、更新された結果としての入力値が取り出さ
れ、これが動作信号として操作部に与えられる。
ットワーク１２内で誤差が逆伝搬され、入力更新機構１
６によって動作信号に対応する入力が与えられる入力層
ユニットへの入力値が更新される。一方誤差計算部１４
の出力に対しては、終了判定機構１７によって、例えば
ある値以下に収束したか否かが判定され、収束したと判
定された時には終了判定機構１７から更新終了信号が誤
差逆伝搬機構１５、入力更新機構１６、および入力値取
り出し機構１８に与えられる。入力値取り出し機構１８
によって、更新された結果としての入力値が取り出さ
れ、これが動作信号として操作部に与えられる。
【００１７】図６は本発明の制御装置の全体処理フロー
チャートである。同図において処理が開始されると、ま
ずステップ（ｓ）２０において検出部によって現在の時
刻のフィードバック量ｓ（ｔ）が検出され、Ｓ２１で図
５の予測制御装置内のニューラルネットワークの入力層
ユニットにフィードバック量ｓ（ｔ）と動作信号に対応
する入力値の初期値として適当な量、例えば‘０’がセ
ットされ、Ｓ２２で入力層ユニットへの動作信号に対応
する入力値の更新処理が行われる。この入力値更新処理
については後述する。
チャートである。同図において処理が開始されると、ま
ずステップ（ｓ）２０において検出部によって現在の時
刻のフィードバック量ｓ（ｔ）が検出され、Ｓ２１で図
５の予測制御装置内のニューラルネットワークの入力層
ユニットにフィードバック量ｓ（ｔ）と動作信号に対応
する入力値の初期値として適当な量、例えば‘０’がセ
ットされ、Ｓ２２で入力層ユニットへの動作信号に対応
する入力値の更新処理が行われる。この入力値更新処理
については後述する。
【００１８】Ｓ２２の入力更新処理が終了すると、Ｓ２
３で図５の入力値取り出し機構１８によって動作信号が
操作部に出力され、Ｓ２４で操作部が動作して１つの時
刻における制御動作が終了し、以後Ｓ２０からの処理が
繰り返される。
３で図５の入力値取り出し機構１８によって動作信号が
操作部に出力され、Ｓ２４で操作部が動作して１つの時
刻における制御動作が終了し、以後Ｓ２０からの処理が
繰り返される。
【００１９】図７は図６のＳ２２における入力値更新処
理の詳細フローチャートである。同図において処理が開
始されると、まずＳ２５で入力値の更新回数としてのカ
ウント値が‘０’に設定された後に、Ｓ２６で図６のＳ
２１でニューラルネットワークの入力層ユニットに与え
られた入力に対する階層型ニューラルネットワークの前
向き処理によって、予測フィードバック量としての出力
ｓ（ｔ＋１）が出力され、Ｓ２７で予測フィードバック
量と現在の時刻の目標値ｒ（ｔ）との誤差ε（ｔ）が計
算される。
理の詳細フローチャートである。同図において処理が開
始されると、まずＳ２５で入力値の更新回数としてのカ
ウント値が‘０’に設定された後に、Ｓ２６で図６のＳ
２１でニューラルネットワークの入力層ユニットに与え
られた入力に対する階層型ニューラルネットワークの前
向き処理によって、予測フィードバック量としての出力
ｓ（ｔ＋１）が出力され、Ｓ２７で予測フィードバック
量と現在の時刻の目標値ｒ（ｔ）との誤差ε（ｔ）が計
算される。
【００２０】そしてＳ２８でその誤差が許容誤差以上か
否かが判定され、許容誤差以上である時にはＳ２９でそ
の誤差が入力層ユニットへ逆伝搬され、カウント値が歩
進され、Ｓ３０で動作信号に対応する入力が与えられる
入力ユニットへの入力値が更新され、Ｓ３１でカウント
値が指定回数を越えたか否かが判定され、指定回数を越
えていない時にはＳ２６からの処理が繰り返され、Ｓ２
８で許容誤差以上でないと判定された時、およびＳ３１
でカウント値が指定回数を越えたと判定された時点で処
理は終了する。
否かが判定され、許容誤差以上である時にはＳ２９でそ
の誤差が入力層ユニットへ逆伝搬され、カウント値が歩
進され、Ｓ３０で動作信号に対応する入力が与えられる
入力ユニットへの入力値が更新され、Ｓ３１でカウント
値が指定回数を越えたか否かが判定され、指定回数を越
えていない時にはＳ２６からの処理が繰り返され、Ｓ２
８で許容誤差以上でないと判定された時、およびＳ３１
でカウント値が指定回数を越えたと判定された時点で処
理は終了する。
【００２１】図８は図４、５における階層型ニューラル
ネットワークの説明図である。同図を用いて、入力層ユ
ニットへの動作信号に対応する入力値の更新処理につい
て説明する。
ネットワークの説明図である。同図を用いて、入力層ユ
ニットへの動作信号に対応する入力値の更新処理につい
て説明する。
【００２２】誤差関数をＥとして、図８に示すように出
力層、中間層、入力層のユニットの出力値をｙi ，
ｙj ，ｙk 、中間層から出力層への結合の重みをｗji、
入力層から中間層への重みをｗkjで表すことにする。こ
こで、各層のユニットが完全結合したネットワークを考
える。
力層、中間層、入力層のユニットの出力値をｙi ，
ｙj ，ｙk 、中間層から出力層への結合の重みをｗji、
入力層から中間層への重みをｗkjで表すことにする。こ
こで、各層のユニットが完全結合したネットワークを考
える。
【００２３】本発明では、誤差逆伝搬法が誤差関数を小
さくするような重みの修正量を求めるのに対し、誤差関
数を小さくするような入力値の修正量を求める緩和アル
ゴリズムを用いる。
さくするような重みの修正量を求めるのに対し、誤差関
数を小さくするような入力値の修正量を求める緩和アル
ゴリズムを用いる。
【００２４】最急降下法による入力ユニットの更新値と
しては、
しては、
【００２５】
【数１】
【００２６】を求めればよい。誤差逆伝搬法と同様にこ
の出力に対する誤差変化δを出力層から順番に導出す
る。まず、出力層ユニットの出力値ｙi に関する誤差変
化は、
の出力に対する誤差変化δを出力層から順番に導出す
る。まず、出力層ユニットの出力値ｙi に関する誤差変
化は、
【００２７】
【数２】
【００２８】となる。次に中間層の出力値ｙi に関する
誤差変化は、
誤差変化は、
【００２９】
【数３】
【００３０】である。ここで、出力層のニューロンの入
力値の合計ｘi は、１をユニットｉに接続している一つ
前の層のユニットとし、ユニット間の結合をｗljとする
と、
力値の合計ｘi は、１をユニットｉに接続している一つ
前の層のユニットとし、ユニット間の結合をｗljとする
と、
【００３１】
【数４】
【００３２】となるから、（３）は、
【００３３】
【数５】
【００３４】となり、中間層ユニットの出力値に関する
誤差変化が求められる。入力層ユニットに関しても同様
に計算することで、以下のような入力ユニットの出力変
化に対する誤差変化が求めることができる。
誤差変化が求められる。入力層ユニットに関しても同様
に計算することで、以下のような入力ユニットの出力変
化に対する誤差変化が求めることができる。
【００３５】
【数６】
【００３６】３層以上の階層ネットワークに対しても、
この計算を繰り返すことで入力ユニトの出力変化に関す
る誤差変化を求めることができる。ここで、誤差関数Ｅ
が一般に用いられている出力と目標値との二乗誤差で定
義されている場合を考える。
この計算を繰り返すことで入力ユニトの出力変化に関す
る誤差変化を求めることができる。ここで、誤差関数Ｅ
が一般に用いられている出力と目標値との二乗誤差で定
義されている場合を考える。
【００３７】
【数７】
【００３８】とすると、出力ユニットにおける誤差変化
は、
は、
【００３９】
【数８】
【００４０】となるので、（３）（５）式に従い、出力
層から入力層に向けて順次計算することで入力ユニット
を更新することができる。さて、ニューロンの出力関数
がシグモイド関数
層から入力層に向けて順次計算することで入力ユニット
を更新することができる。さて、ニューロンの出力関数
がシグモイド関数
【００４１】
【数９】
【００４２】の場合には、その微分が、
【００４３】
【数１０】
【００４４】であるので、出力関数の微分を簡単に計算
できる。上記のように、出力層から入力層へ向けて誤差
を逆伝搬することで、出力層の誤差が減少するように、
入力層ユニットの出力値を更新できる。
できる。上記のように、出力層から入力層へ向けて誤差
を逆伝搬することで、出力層の誤差が減少するように、
入力層ユニットの出力値を更新できる。
【００４５】このように、本緩和アルゴリズムを用いた
制御装置は、予測フィードバック量と目標値の誤差が単
調減少するような制御信号生成することができる。続い
て本発明の実施例についてより詳細に説明するために、
図９の具体例を用いることにする。同図（ａ）において
カメラ４０が回転台４１の上にのっており、この回転台
４１は水平方向に回転するようなアクチュエータを備え
ているものとする。そして回転台４１を回転させること
によって、カメラ４０の方向と目標物体４２の方向との
成す角αを同図（ｂ）に示すように‘０’とし、カメラ
４０が目標物体４２と正対するように制御が行われる。
制御装置は、予測フィードバック量と目標値の誤差が単
調減少するような制御信号生成することができる。続い
て本発明の実施例についてより詳細に説明するために、
図９の具体例を用いることにする。同図（ａ）において
カメラ４０が回転台４１の上にのっており、この回転台
４１は水平方向に回転するようなアクチュエータを備え
ているものとする。そして回転台４１を回転させること
によって、カメラ４０の方向と目標物体４２の方向との
成す角αを同図（ｂ）に示すように‘０’とし、カメラ
４０が目標物体４２と正対するように制御が行われる。
【００４６】図９において、回転台４１を回転させるア
クチュエータに対して、予測制御装置内のニューラルネ
ットワークから取り出された動作信号が角度指令として
アクチュエータに与えられる。それによって回転台４１
は回転し、カメラ４０の方向が変更される。カメラ４０
と，目標物体４２から構成される環境を制御対象と考え
ると、制御対象を観測する手段として検出部としての視
覚センサを備えているものとし、視覚センサがカメラ４
０の投影面における目標物体４２の重心の座標を検出す
ることができるものとする。そこで行われるべき制御の
目標は、視覚センサによって検出される目標物体４２の
重心位置ｘ（ｔ）を、回転台４１を回転させることによ
り指定した値、例えばカメラ４０の投影面の中央に一致
させることである。
クチュエータに対して、予測制御装置内のニューラルネ
ットワークから取り出された動作信号が角度指令として
アクチュエータに与えられる。それによって回転台４１
は回転し、カメラ４０の方向が変更される。カメラ４０
と，目標物体４２から構成される環境を制御対象と考え
ると、制御対象を観測する手段として検出部としての視
覚センサを備えているものとし、視覚センサがカメラ４
０の投影面における目標物体４２の重心の座標を検出す
ることができるものとする。そこで行われるべき制御の
目標は、視覚センサによって検出される目標物体４２の
重心位置ｘ（ｔ）を、回転台４１を回転させることによ
り指定した値、例えばカメラ４０の投影面の中央に一致
させることである。
【００４７】図１０は図９の具体例に対する制御系の構
成ブロック図である。同図例えば図３と比較すると、制
御対象１はカメラ４０と目標物体４２とによって構成さ
れる環境４３であり、操作部３は回転台４１に対応す
る。検出部２はカメラの投影面における目標物体４２の
重心座標を投影面座標ｘ（ｔ）として検出する視覚セン
サ４４に対応し、ニューラルネットワーク４５は次の制
御時刻における予測投影面座標ｘ（ｔ＋１）を予測フィ
ードバック量として出力し、これと目標値ｒ（ｔ）との
偏差ε（ｔ）が小さくなるような動作信号、すなわち回
転台４１の角度変化量Δα（ｔ）を回転台４１に出力す
る。ここで前述のように目標物体４２の重心座標がカメ
ラの投影面の中央、すなわち原点に一致するような制御
を行うために、目標をｒ（ｔ）＝０とする制御が行われ
る。
成ブロック図である。同図例えば図３と比較すると、制
御対象１はカメラ４０と目標物体４２とによって構成さ
れる環境４３であり、操作部３は回転台４１に対応す
る。検出部２はカメラの投影面における目標物体４２の
重心座標を投影面座標ｘ（ｔ）として検出する視覚セン
サ４４に対応し、ニューラルネットワーク４５は次の制
御時刻における予測投影面座標ｘ（ｔ＋１）を予測フィ
ードバック量として出力し、これと目標値ｒ（ｔ）との
偏差ε（ｔ）が小さくなるような動作信号、すなわち回
転台４１の角度変化量Δα（ｔ）を回転台４１に出力す
る。ここで前述のように目標物体４２の重心座標がカメ
ラの投影面の中央、すなわち原点に一致するような制御
を行うために、目標をｒ（ｔ）＝０とする制御が行われ
る。
【００４８】図１１は図１０におけるニューラルネット
ワークの構成ブロック図である。同図に示すように、階
層型ニューラルネットワークの入力層ユニット、ここで
は２個の一方に対して視覚センサ４４の出力としての目
標物体の投影面座標ｘ（ｔ）が、他方に対して回転台の
角度変化量に対応する適当な初期値が与えられ、出力層
の１個の出力ユニットからは予測投影面座標ｘ（ｔ＋
１）が出力され、目標値との差ε（ｔ）が小さくなるよ
うに回転台の角度変化に対応する入力層ユニットへの入
力が誤差逆伝搬によって更新され、更新処理の終了時点
で回転台の角度変化に対応する入力が図１０における回
転台４１への動作信号として出力される。
ワークの構成ブロック図である。同図に示すように、階
層型ニューラルネットワークの入力層ユニット、ここで
は２個の一方に対して視覚センサ４４の出力としての目
標物体の投影面座標ｘ（ｔ）が、他方に対して回転台の
角度変化量に対応する適当な初期値が与えられ、出力層
の１個の出力ユニットからは予測投影面座標ｘ（ｔ＋
１）が出力され、目標値との差ε（ｔ）が小さくなるよ
うに回転台の角度変化に対応する入力層ユニットへの入
力が誤差逆伝搬によって更新され、更新処理の終了時点
で回転台の角度変化に対応する入力が図１０における回
転台４１への動作信号として出力される。
【００４９】図９の具体例に対する制御シュミレーショ
ンの結果を次に述べる。図９において、カメラ４０の方
向と目標物体４２の方向との相対角αと、目標物体４２
の重心位置ｘ（ｔ）との関係は次式に与えられるものと
する。
ンの結果を次に述べる。図９において、カメラ４０の方
向と目標物体４２の方向との相対角αと、目標物体４２
の重心位置ｘ（ｔ）との関係は次式に与えられるものと
する。
【００５０】ｘ（ｔ）＝ｓｉｎ｛α（ｔ）｝ そこで回転台４１をΔαだけ動かした時の重心位置は次
式で与えられる。 ｘ（ｔ＋１）＝ｓｉｎ〔ｓｉｎ-1｛ｘ（ｔ）｝＋Δα（ｔ）〕 本実施例においては目標物体４２の重心位置ｘ（ｔ）の
値は−１から＋１までの範囲とし、また１つの制御ステ
ップ（時刻）における角度指令を−１５度から＋１５の
範囲に制限するものとする。
式で与えられる。 ｘ（ｔ＋１）＝ｓｉｎ〔ｓｉｎ-1｛ｘ（ｔ）｝＋Δα（ｔ）〕 本実施例においては目標物体４２の重心位置ｘ（ｔ）の
値は−１から＋１までの範囲とし、また１つの制御ステ
ップ（時刻）における角度指令を−１５度から＋１５の
範囲に制限するものとする。
【００５１】図１２はニューラルネットワークに与える
学習データの例である。同図において、学習データは目
標物体のカメラの投影面上における重心位置ｘの値を−
0.5から＋0.5 まで 0.1刻みで変化させ、その各重心位
置において角度指令として−１５度、０度および＋１５
度を与えた時の次の制御時刻の重心位置、すなわち予測
投影面座標ｘ（ｔ＋１）を示す３３組の学習データであ
る。
学習データの例である。同図において、学習データは目
標物体のカメラの投影面上における重心位置ｘの値を−
0.5から＋0.5 まで 0.1刻みで変化させ、その各重心位
置において角度指令として−１５度、０度および＋１５
度を与えた時の次の制御時刻の重心位置、すなわち予測
投影面座標ｘ（ｔ＋１）を示す３３組の学習データであ
る。
【００５２】図１２の学習データを図１１のニューラル
ネットワークに学習させ、学習終了後に図１３に示すよ
うに物体の重心位置が＋１にあり、カメラ４０の方向と
目標物体４２の方向との成す角αが８５度の初期状態か
ら、α＝０、ｘ＝０の状態への制御を実行させた。図１
４、図１５は制御結果の例である。図１４は角度指令の
変化に対する重心位置の変化を示し、最初の数時刻にお
いて角度指令としての限界−１５度が与えられ、重心位
置が０に近づく様子が示されている。また図１５におい
ては、カメラと目標物体との相対角度が角度指令に対し
てどのように変化するかが示されている。これらの図に
おいて、例えば重心位置に振動などを生ずることなく、
良好な制御が行われていることが分かる。
ネットワークに学習させ、学習終了後に図１３に示すよ
うに物体の重心位置が＋１にあり、カメラ４０の方向と
目標物体４２の方向との成す角αが８５度の初期状態か
ら、α＝０、ｘ＝０の状態への制御を実行させた。図１
４、図１５は制御結果の例である。図１４は角度指令の
変化に対する重心位置の変化を示し、最初の数時刻にお
いて角度指令としての限界−１５度が与えられ、重心位
置が０に近づく様子が示されている。また図１５におい
ては、カメラと目標物体との相対角度が角度指令に対し
てどのように変化するかが示されている。これらの図に
おいて、例えば重心位置に振動などを生ずることなく、
良好な制御が行われていることが分かる。
【００５３】
【発明の効果】以上詳細に説明したように、本発明によ
れば予測制御装置により次の制御時刻におけるフィード
バック量を予測して、その予測値と目標値との偏差が小
さくなるような制御が行われ、制御量を目標値に向かっ
て単調に接近させることができ、安定性と速応性に優れ
た制御装置が構築され、自動制御技術の発展に寄与する
ところが大きい。
れば予測制御装置により次の制御時刻におけるフィード
バック量を予測して、その予測値と目標値との偏差が小
さくなるような制御が行われ、制御量を目標値に向かっ
て単調に接近させることができ、安定性と速応性に優れ
た制御装置が構築され、自動制御技術の発展に寄与する
ところが大きい。
【図１】本発明の原理ブロック図である。
【図２】本発明のフィードバック制御装置の基本構成を
示すブロック図である。
示すブロック図である。
【図３】フィードバック制御装置の実施例の構成を示す
ブロック図である。
ブロック図である。
【図４】図３におけるニューラルネットワークの実施例
を示す図である。
を示す図である。
【図５】ニューラルネットワークを含む予測制御部の構
成を示すブロック図である。
成を示すブロック図である。
【図６】フィードバック制御装置の全体処理フローチャ
ートである。
ートである。
【図７】入力値更新処理の詳細フローチャートである。
【図８】階層型ニューラルネットワークの説明図であ
る。
る。
【図９】制御の具体例の説明図である。
【図１０】図９の具体例に対する制御系の構成を示すブ
ロック図である。
ロック図である。
【図１１】図１０におけるニューラルネットワークの構
成を示す図である。
成を示す図である。
【図１２】ニューラルネットワークの学習データの例を
示す図である。
示す図である。
【図１３】学習終了後の制御の例を説明する図である。
【図１４】制御結果を示す図である（その１）。
【図１５】制御結果を示す図である（その２）。
【図１６】フィードバック制御系の従来例の構成を示す
ブロック図である。
ブロック図である。
１ 制御対象 ２ 検出部 ３ 操作部 ４ 制御部 １０ 予測制御手段 １１ 予測制御部 １２ ニューラルネットワーク １３ 初期値設定機構 １４ 誤差計算部 １５ 誤差逆伝搬機構 １６ 入力更新機構 １７ 終了判定機構 １８ 入力値取出し機構
フロントページの続き (72)発明者 長田 茂美 神奈川県川崎市中原区上小田中1015番地 富士通株式会社内
Claims (9)
- 【請求項１】 制御対象（１）の制御量を目標値と比較
できるフィードバック量に変換する検出部（２）と、制
御対象（１）に対する操作信号を出力する操作部（３）
とを備えたフィードバック制御装置において、 現制御時刻のフィードバック量が入力され、該現制御時
刻の次の制御時刻における予測フィードバック量と現制
御時刻の目標値との偏差を小さくする動作信号を求め、
該動作信号を前記操作部（３）に出力する予測制御手段
（１０）を備えたことを特徴とするフィードバック制御
装置。 - 【請求項２】 前記目標値、フィードバック量、操作
量、制御量、および動作信号がそれぞれベクトル量であ
ることを特徴とする請求項１記載のフィードバック制御
装置。 - 【請求項３】 前記予測制御手段（１０）が、前記予測
フィードバック量を出力する出力層ユニットと、前記現
制御時刻のフィードバック信号と前記動作信号に対応す
る信号とが入力される入力層ユニットを有する階層型ニ
ューラルネットワークを備え、前記偏差を小さくするよ
うに該入力層ユニットへの入力を修正した結果としての
該入力層ユニットへの入力値を、前記動作信号として前
記操作部（３）に出力することを特徴とする請求項１、
または２記載のフィードバック制御装置。 - 【請求項４】 前記入力層ユニットへの入力の修正にお
いて、緩和アルゴリズムを用いて該入力層ユニット側に
向かって前記予測フィードバック量と現制御時刻の目標
値との偏差を誤差フィードバックすることを特徴とする
請求項３記載のフィードバック制御装置。 - 【請求項５】 前記入力層ユニットへの入力の修正にお
いて、該修正処理を前記動作信号に対応する信号が入力
される入力ユニットの全部、または一部のみに対して行
うことを特徴とする請求項４記載のフィードバック制御
装置。 - 【請求項６】 前記動作信号として操作部（３）に出力
される入力層ユニットへの入力値を、該操作部（３）の
許容入力以内に制限するように前記誤差フィードバック
を行うことを特徴とする請求項４、または５記載のフィ
ードバック制御装置。 - 【請求項７】 前記目標が一定であり、定値制御を行う
ことを特徴とする請求項１記載のフィードバック制御装
置。 - 【請求項８】 前記目標値が任意に変化し、追従制御を
行うことを特徴とする請求項１記載のフィードバック制
御装置。 - 【請求項９】 前記目標値がプログラムに従って変化
し、プログラム制御を行うことを特徴とする請求項１記
載のフィードバック制御装置。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4281204A JPH06131009A (ja) | 1992-10-20 | 1992-10-20 | フィードバック制御装置 |
| US08/113,110 US5498943A (en) | 1992-10-20 | 1993-08-30 | Feedback control device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4281204A JPH06131009A (ja) | 1992-10-20 | 1992-10-20 | フィードバック制御装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH06131009A true JPH06131009A (ja) | 1994-05-13 |
Family
ID=17635809
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP4281204A Pending JPH06131009A (ja) | 1992-10-20 | 1992-10-20 | フィードバック制御装置 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US5498943A (ja) |
| JP (1) | JPH06131009A (ja) |
Families Citing this family (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE4440859C2 (de) * | 1994-11-15 | 1998-08-06 | Alexander Kaske | Verfahren und Vorrichtung zum Steuern eines autonom explorierenden Roboters |
| US5657240A (en) * | 1995-05-01 | 1997-08-12 | Nec Usa, Inc. | Testing and removal of redundancies in VLSI circuits with non-boolean primitives |
| US5943660A (en) * | 1995-06-28 | 1999-08-24 | Board Of Regents The University Of Texas System | Method for feedback linearization of neural networks and neural network incorporating same |
| DE69729981T2 (de) * | 1996-05-28 | 2004-12-16 | Honda Giken Kogyo K.K. | Gerät zur Steuerung des Luft/Kraftstoffverhältnisses, das ein neuronales Netzwerk benutzt |
| US5992383A (en) * | 1996-05-28 | 1999-11-30 | U.S. Philips Corporation | Control unit having a disturbance predictor, a system controlled by such a control unit, an electrical actuator controlled by such a control unit, and throttle device provided with such an actuator |
| US5901059A (en) * | 1996-09-13 | 1999-05-04 | Honeywell Measurex Corp | Method and apparatus for controlling a process using adaptive prediction feedback |
| JPH1091207A (ja) * | 1996-09-13 | 1998-04-10 | Fujitsu Ltd | 内部表現自動生成方法及び装置 |
| US6445964B1 (en) | 1997-08-04 | 2002-09-03 | Harris Corporation | Virtual reality simulation-based training of telekinegenesis system for training sequential kinematic behavior of automated kinematic machine |
| US6556980B1 (en) * | 1998-08-28 | 2003-04-29 | General Cyberation Group, Inc. | Model-free adaptive control for industrial processes |
| US6289874B1 (en) * | 2000-03-31 | 2001-09-18 | Borgwarner Inc. | Electronic throttle control |
| US6684112B1 (en) * | 2000-04-11 | 2004-01-27 | George Shu-Xing Cheng | Robust model-free adaptive control |
| NO318096B1 (no) * | 2003-05-08 | 2005-01-31 | Tandberg Telecom As | Arrangement og fremgangsmate for lokalisering av lydkilde |
| US7977906B1 (en) * | 2008-08-14 | 2011-07-12 | Hrl Laboratories, Llc | Saccadic tracking for an electro-mechanical system |
| US8396282B1 (en) | 2008-10-31 | 2013-03-12 | Hrl Labortories, Llc | Method and system for computing fused saliency maps from multi-modal sensory inputs |
| US8160728B2 (en) * | 2009-09-14 | 2012-04-17 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Methods of determining complete sensor requirements for autonomous mobility |
| US9110453B2 (en) * | 2011-04-08 | 2015-08-18 | General Cybernation Group Inc. | Model-free adaptive control of advanced power plants |
| CN104932270A (zh) * | 2015-06-08 | 2015-09-23 | 三维泰柯（厦门）电子科技有限公司 | PID神经元网络3d打印控制算法 |
| US10318904B2 (en) | 2016-05-06 | 2019-06-11 | General Electric Company | Computing system to control the use of physical state attainment of assets to meet temporal performance criteria |
| US11200489B2 (en) | 2018-01-30 | 2021-12-14 | Imubit Israel Ltd. | Controller training based on historical data |
| US11812589B2 (en) * | 2021-05-12 | 2023-11-07 | Nvidia Corporation | Intelligent refrigerant distribution unit for datacenter cooling systems |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5151822A (en) * | 1986-10-17 | 1992-09-29 | E. I. Du Pont De Nemours And Company | Transform digital/optical processing system including wedge/ring accumulator |
| JP2764832B2 (ja) * | 1989-11-15 | 1998-06-11 | 本田技研工業株式会社 | 車両制御方法 |
| JP2810202B2 (ja) * | 1990-04-25 | 1998-10-15 | 株式会社日立製作所 | ニューラルネットワークによる情報処理装置 |
| EP0512856B1 (en) * | 1991-05-08 | 1998-11-04 | Electronic Data Systems Corporation | Weapon system |
| US5268834A (en) * | 1991-06-24 | 1993-12-07 | Massachusetts Institute Of Technology | Stable adaptive neural network controller |
-
1992
- 1992-10-20 JP JP4281204A patent/JPH06131009A/ja active Pending
-
1993
- 1993-08-30 US US08/113,110 patent/US5498943A/en not_active Expired - Lifetime
Also Published As
| Publication number | Publication date |
|---|---|
| US5498943A (en) | 1996-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPH06131009A (ja) | フィードバック制御装置 | |
| Jin et al. | Robot manipulator control using neural networks: A survey | |
| US7324907B2 (en) | Self-calibrating sensor orienting system | |
| US6665651B2 (en) | Control system and technique employing reinforcement learning having stability and learning phases | |
| US5341459A (en) | Generalized compliant motion primitive | |
| US5579442A (en) | Adaptive kinematic control apparatus | |
| Nguyen et al. | Adaptive chattering free neural network based sliding mode control for trajectory tracking of redundant parallel manipulators | |
| Wilcox et al. | SOLAR-GP: Sparse online locally adaptive regression using Gaussian processes for Bayesian robot model learning and control | |
| Roy et al. | Grey wolf optimization-based second order sliding mode control for inchworm robot | |
| Tsai et al. | Robust fuzzy model-following control of robot manipulators | |
| US20210347047A1 (en) | Generating robot trajectories using neural networks | |
| Qu et al. | Adaptive neural network visual servoing of dual-arm robot for cyclic motion | |
| US20010034560A1 (en) | Control system | |
| Choi et al. | Local online support vector regression for learning control | |
| Izadbakhsh et al. | Superiority of q-Chlodowsky operators versus fuzzy systems and neural networks: Application to adaptive impedance control of electrical manipulators | |
| Yoon et al. | Assembly of low-stiffness parts through admittance control with adaptive stiffness | |
| Pavlichenko et al. | Real-robot deep reinforcement learning: Improving trajectory tracking of flexible-joint manipulator with reference correction | |
| Fu et al. | An iterative learning scheme for motion control of robots using neural networks: A case study | |
| Feng | A new stable tracking control scheme for robotic manipulators | |
| Vochten et al. | Shape-preserving and reactive adaptation of robot end-effector trajectories | |
| Grimble et al. | Non-linear predictive control for manufacturing and robotic applications | |
| Kumar et al. | Control of robot manipulator error using FPDI–IQGA in neural network | |
| Loo et al. | A hybrid intelligent active force controller for articulated robot arms using dynamic structure neural network | |
| Toner et al. | Probabilistically safe mobile manipulation in an unmodeled environment with automated feedback tuning | |
| Normey-Rico et al. | A Smith predictor based generalized predictive controller for mobile robot path-tracking |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 19990622 |