JPH08272764A - 遺伝的アルゴリズムを用いた小口径トンネルロボットの最適ゲイン探索方法 - Google Patents
遺伝的アルゴリズムを用いた小口径トンネルロボットの最適ゲイン探索方法Info
- Publication number
- JPH08272764A JPH08272764A JP7078550A JP7855095A JPH08272764A JP H08272764 A JPH08272764 A JP H08272764A JP 7078550 A JP7078550 A JP 7078550A JP 7855095 A JP7855095 A JP 7855095A JP H08272764 A JPH08272764 A JP H08272764A
- Authority
- JP
- Japan
- Prior art keywords
- gain
- small
- feedback
- genetic algorithm
- diameter tunnel
- 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
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【目的】 最適ゲインの探索を短時間で効率的に行うこ
とができる遺伝的アルゴリズムを用いた小口径トンネル
ロボットの最適ゲイン探索方法を提供する。 【構成】 乱数発生装置から発生する乱数によって０と
１をランダムに発生させて、バイナリー形式の符号化し
たものを遺伝子とする生物個体群を作成し、この生物個
体群に遺伝的アルゴリズムを適用して進化させ、小口径
トンネルロボットの方向制御した結果の軌跡をフィード
バック方向制御シミュレータでシミュレーションしてフ
ィードバック方向制御則の最適ゲインを得る。
とができる遺伝的アルゴリズムを用いた小口径トンネル
ロボットの最適ゲイン探索方法を提供する。 【構成】 乱数発生装置から発生する乱数によって０と
１をランダムに発生させて、バイナリー形式の符号化し
たものを遺伝子とする生物個体群を作成し、この生物個
体群に遺伝的アルゴリズムを適用して進化させ、小口径
トンネルロボットの方向制御した結果の軌跡をフィード
バック方向制御シミュレータでシミュレーションしてフ
ィードバック方向制御則の最適ゲインを得る。
Description
【０００１】
【産業上の利用分野】本発明は、無排土式で地中を押し
進む小口径トンネルロボットの先端のヘッド角を制御し
て方向修正を行う該トンネルロボットの進行方向と所望
の進路方向を示す計画線との誤差を最小にする最適ゲイ
ンを探索する遺伝的アルゴリズムを用いた小口径トンネ
ルロボットの最適ゲイン探索方法に関する。
進む小口径トンネルロボットの先端のヘッド角を制御し
て方向修正を行う該トンネルロボットの進行方向と所望
の進路方向を示す計画線との誤差を最小にする最適ゲイ
ンを探索する遺伝的アルゴリズムを用いた小口径トンネ
ルロボットの最適ゲイン探索方法に関する。
【０００２】
【従来の技術】従来の方法には、例えば試行錯誤による
方法とニューラルネットワークを用いた方法がある。前
者の試行錯誤による方法は、方向制御シミュレーション
を使用し、試行錯誤的に人間がゲインを探索する方法で
ある。
方法とニューラルネットワークを用いた方法がある。前
者の試行錯誤による方法は、方向制御シミュレーション
を使用し、試行錯誤的に人間がゲインを探索する方法で
ある。
【０００３】また、後者のニューラルネットワークを用
いた方法は、入力を初期偏差と偏角とし、出力を偏差、
偏角フィードバックゲイン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用して学習させるこ
とにより最適ゲインを得る方法であり、自動的にゲイン
を探索することができる。
いた方法は、入力を初期偏差と偏角とし、出力を偏差、
偏角フィードバックゲイン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用して学習させるこ
とにより最適ゲインを得る方法であり、自動的にゲイン
を探索することができる。
【０００４】
【発明が解決しようとする課題】上述した従来の方法に
おいて、試行錯誤による方法は探索時間が非常にかかる
という問題があり、またニューラルネットワークを用い
た方法はニューラルネットワークの学習に時間がかかる
という問題がある。
おいて、試行錯誤による方法は探索時間が非常にかかる
という問題があり、またニューラルネットワークを用い
た方法はニューラルネットワークの学習に時間がかかる
という問題がある。
【０００５】本発明は、上記に鑑みてなされたもので、
その目的とするところは、最適ゲインの探索を短時間で
効率的に行うことができる遺伝的アルゴリズムを用いた
小口径トンネルロボットの最適ゲイン探索方法を提供す
ることにある。
その目的とするところは、最適ゲインの探索を短時間で
効率的に行うことができる遺伝的アルゴリズムを用いた
小口径トンネルロボットの最適ゲイン探索方法を提供す
ることにある。
【０００６】
【課題を解決するための手段】上記目的を達成するた
め、請求項１記載の本発明は、先端のヘッド角を制御し
て方向修正を行いながら前進する小口径トンネルロボッ
トの進行方向と所望の進路方向を示す計画線との誤差を
最小にする最適ゲインを探索する遺伝的アルゴリズムを
用いた小口径トンネルロボットの最適ゲイン探索方法で
あって、偏差、偏角フィードバックゲインの数値情報を
符号化したものを遺伝子とする生物個体群を作成し、こ
の生物個体群に遺伝的アルゴリズムを適用して進化さ
せ、小口径トンネルロボットの方向制御した結果の軌跡
をフィードバック方向制御シミュレータでシミュレーシ
ョンしてフィードバック方向制御則の最適ゲインを得る
ことを要旨とする。
め、請求項１記載の本発明は、先端のヘッド角を制御し
て方向修正を行いながら前進する小口径トンネルロボッ
トの進行方向と所望の進路方向を示す計画線との誤差を
最小にする最適ゲインを探索する遺伝的アルゴリズムを
用いた小口径トンネルロボットの最適ゲイン探索方法で
あって、偏差、偏角フィードバックゲインの数値情報を
符号化したものを遺伝子とする生物個体群を作成し、こ
の生物個体群に遺伝的アルゴリズムを適用して進化さ
せ、小口径トンネルロボットの方向制御した結果の軌跡
をフィードバック方向制御シミュレータでシミュレーシ
ョンしてフィードバック方向制御則の最適ゲインを得る
ことを要旨とする。
【０００７】また、請求項２記載の本発明は、請求項１
記載の発明において、前記遺伝的アルゴリズムでは、位
置偏差フィードバックゲインとピッチング角度偏差フィ
ードバックゲインの組を符号列で表した個体の遺伝子に
対応させ、個体から獲得した位置偏差フィードバックゲ
インとピッチング角度偏差フィードバックゲインを用い
てシミュレーションを行ったときの出力と計画線との誤
差を使用して定義した適合度を導入し、前記適合度の値
が一定世代続けて同じであった場合に突然変異率の割合
を自動的に変化させる操作を導入したことを要旨とす
る。
記載の発明において、前記遺伝的アルゴリズムでは、位
置偏差フィードバックゲインとピッチング角度偏差フィ
ードバックゲインの組を符号列で表した個体の遺伝子に
対応させ、個体から獲得した位置偏差フィードバックゲ
インとピッチング角度偏差フィードバックゲインを用い
てシミュレーションを行ったときの出力と計画線との誤
差を使用して定義した適合度を導入し、前記適合度の値
が一定世代続けて同じであった場合に突然変異率の割合
を自動的に変化させる操作を導入したことを要旨とす
る。
【０００８】
【作用】請求項１記載の本発明にあっては、偏差、偏角
フィードバックゲインの数値情報を符号化したものを遺
伝子として作成された生物個体群に遺伝的アルゴリズム
を適用して進化させ、フィードバック方向制御シミュレ
ータでシミュレーションしてフィードバック方向制御則
の最適ゲインを短時間で得ている。
フィードバックゲインの数値情報を符号化したものを遺
伝子として作成された生物個体群に遺伝的アルゴリズム
を適用して進化させ、フィードバック方向制御シミュレ
ータでシミュレーションしてフィードバック方向制御則
の最適ゲインを短時間で得ている。
【０００９】また、請求項２記載の本発明にあっては、
遺伝的アルゴリズムにおいて、位置偏差およびピッチン
グ角度偏差フィードバックゲインの組を符号列で表した
個体の遺伝子に対応させ、個体から獲得した位置偏差お
よびピッチング角度偏差フィードバックゲインを用いて
シミュレーションを行ったときの出力と計画線との誤差
を使用して定義した適合度を導入し、該適合度の値が一
定世代続けて同じであった場合に突然変異率の割合を自
動的に変化させる操作を導入している。
遺伝的アルゴリズムにおいて、位置偏差およびピッチン
グ角度偏差フィードバックゲインの組を符号列で表した
個体の遺伝子に対応させ、個体から獲得した位置偏差お
よびピッチング角度偏差フィードバックゲインを用いて
シミュレーションを行ったときの出力と計画線との誤差
を使用して定義した適合度を導入し、該適合度の値が一
定世代続けて同じであった場合に突然変異率の割合を自
動的に変化させる操作を導入している。
【００１０】
【実施例】以下、図面を用いて本発明の実施例を説明す
る。
る。
【００１１】図１は、本発明の一実施例に係る遺伝的ア
ルゴリズムを用いた小口径トンネルロボットの最適ゲイ
ン探索方法を適用した小口径トンネルロボットのシステ
ム構成を示す図である。同図に示すシステムは、ヘッド
角修正機能を持つ小口径トンネルロボット本体１１、埋
設管１２、埋設管１２を押し込む押管装置１３、油圧装
置１４、操作盤１５よりなる。埋設管１２は押管装置１
３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１６は小口径トンネルロボット本体１１のヘッド
角を逐次修正し、計画線に沿うように方向制御を行う。
１７は地表である。
ルゴリズムを用いた小口径トンネルロボットの最適ゲイ
ン探索方法を適用した小口径トンネルロボットのシステ
ム構成を示す図である。同図に示すシステムは、ヘッド
角修正機能を持つ小口径トンネルロボット本体１１、埋
設管１２、埋設管１２を押し込む押管装置１３、油圧装
置１４、操作盤１５よりなる。埋設管１２は押管装置１
３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１６は小口径トンネルロボット本体１１のヘッド
角を逐次修正し、計画線に沿うように方向制御を行う。
１７は地表である。
【００１２】次に、図２を参照して、前記小口径トンネ
ルロボット本体１１の方向修正時の動作について説明す
る。図２において、１１ａは小口径トンネルロボット本
体１１のヘッドであり、１１ｂは推進ジャッキであり、
１１ｃは傾動ジャッキであり、１１ｄは防護管である。
なお、この小口径トンネルロボット本体１１の方向修正
制御では、下方に方向修正する場合について説明する。
ルロボット本体１１の方向修正時の動作について説明す
る。図２において、１１ａは小口径トンネルロボット本
体１１のヘッドであり、１１ｂは推進ジャッキであり、
１１ｃは傾動ジャッキであり、１１ｄは防護管である。
なお、この小口径トンネルロボット本体１１の方向修正
制御では、下方に方向修正する場合について説明する。
【００１３】図２（ａ）に示す状態から、下方に方向修
正するには、図２（ｂ）に示すように、上部の傾動ジャ
ッキ１１ｃを縮め、下部の傾動ジャッキ１１ｃを伸ば
し、ヘッド１１ａを下方に修正する。それから、図２
（ｃ）に示すように、推進ジャッキ１１ｂを伸ばし、ヘ
ッド１１ａを土中に向かって圧入する。そして、推進ジ
ャッキ１１ｂを縮めると同時に押管ジャッキを伸ばし、
防護管１１ｄを推進する。更に、押管ジャッキを縮める
と同時に、ジャッキ移動用スクリューを回転し、押管ジ
ャッキを前方に移動する。以上の手順の１動作で小口径
トンネルロボットは４５ｃｍ推進する。この動作を１ス
トロークと定義する。そして、６ストロークで防護管１
本分の推進を終了する。それから、防護管を継ぎ足し、
この動作を繰り返し行う。
正するには、図２（ｂ）に示すように、上部の傾動ジャ
ッキ１１ｃを縮め、下部の傾動ジャッキ１１ｃを伸ば
し、ヘッド１１ａを下方に修正する。それから、図２
（ｃ）に示すように、推進ジャッキ１１ｂを伸ばし、ヘ
ッド１１ａを土中に向かって圧入する。そして、推進ジ
ャッキ１１ｂを縮めると同時に押管ジャッキを伸ばし、
防護管１１ｄを推進する。更に、押管ジャッキを縮める
と同時に、ジャッキ移動用スクリューを回転し、押管ジ
ャッキを前方に移動する。以上の手順の１動作で小口径
トンネルロボットは４５ｃｍ推進する。この動作を１ス
トロークと定義する。そして、６ストロークで防護管１
本分の推進を終了する。それから、防護管を継ぎ足し、
この動作を繰り返し行う。
【００１４】次に、小口径トンネルロボットのフィード
バック方向制御法における線形時系列形方向修正量モデ
ルとシミュレータについて説明する。まずはじめに、図
３を用いて各ストロークにおける本トンネルロボットと
施工計画線との幾何学的関係を定義する。ヘッド角はロ
ボット本体１１とロボット先端部のヘッド１１ａとのな
す角であり、制御入力となる。ピッチング角変化量は１
ストローク前のピッチング角と現在のピッチング角との
差分であり、本ロボットの出力となる。ピッチング角は
施工計画線とロボット本体とのなす角である。線形時系
列形方向修正量モデルを（１）式に示す。パラメータａ
n ，ｂn は最小二乗法を用いて推定する（文献１：青
島、武田、薮田、「小口径トンネルロボットの方向制御
法と最適フィードバックゲイン、日本機会学会論文集
（Ｃ編）、Vol.58，No.546，1992年，492-498 参照）。
バック方向制御法における線形時系列形方向修正量モデ
ルとシミュレータについて説明する。まずはじめに、図
３を用いて各ストロークにおける本トンネルロボットと
施工計画線との幾何学的関係を定義する。ヘッド角はロ
ボット本体１１とロボット先端部のヘッド１１ａとのな
す角であり、制御入力となる。ピッチング角変化量は１
ストローク前のピッチング角と現在のピッチング角との
差分であり、本ロボットの出力となる。ピッチング角は
施工計画線とロボット本体とのなす角である。線形時系
列形方向修正量モデルを（１）式に示す。パラメータａ
n ，ｂn は最小二乗法を用いて推定する（文献１：青
島、武田、薮田、「小口径トンネルロボットの方向制御
法と最適フィードバックゲイン、日本機会学会論文集
（Ｃ編）、Vol.58，No.546，1992年，492-498 参照）。
【００１５】
【数１】 Δθp （ｋ）＝ａ1 Δθp （ｋ−１）＋・・・＋ａn Δθp （ｋ−ｎ） ＋ｂ0 θh （ｋ）＋ｂ1 θh （ｋ−１） ＋・・・＋ｂn θh （ｋ−ｎ） ＋ｅ（ｋ） （１） 但し、 Δθp （ｋ−ｎ）：ピッチング角変化量 θh （ｋ−ｎ）：ヘッド角 ｅ（ｋ）：残差 ｎ：モデルの次数 図４に各ストロークにおけるロボットの位置と姿勢およ
び施工計画線の関係を示す。ストロークｋにおけるロボ
ットの位置をＹ（ｋ）、ロボットのピッチング角をθp
（ｋ）、ピッチング角変化量をΔθp （ｋ）、１ストロ
ークの長さをＬとすると、ロボットの位置と姿勢は、
（２），（３）式の漸化式により与えられる。シミュレ
ータは、（１），（２），（３）式により構成される。
び施工計画線の関係を示す。ストロークｋにおけるロボ
ットの位置をＹ（ｋ）、ロボットのピッチング角をθp
（ｋ）、ピッチング角変化量をΔθp （ｋ）、１ストロ
ークの長さをＬとすると、ロボットの位置と姿勢は、
（２），（３）式の漸化式により与えられる。シミュレ
ータは、（１），（２），（３）式により構成される。
【００１６】
【数２】 θp （ｋ）＝θp （ｋ−１）＋Δθp （ｋ） （２） Ｙ（ｋ）＝Ｙ（ｋ−１）＋Ｌｓｉｎ｛θp （ｋ）｝ （３） 制御則は、施工計画線に対するロボット本体の位置偏差
とピッチング角偏差にゲインを乗じたものを入力ヘッド
角とするフィードバック制御則となっている。ストロー
クｋにおける施工計画線の位置をＹd （ｋ）、傾きをθ
p （ｋ）とすると、制御則は、（４）式により与えられ
る。
とピッチング角偏差にゲインを乗じたものを入力ヘッド
角とするフィードバック制御則となっている。ストロー
クｋにおける施工計画線の位置をＹd （ｋ）、傾きをθ
p （ｋ）とすると、制御則は、（４）式により与えられ
る。
【００１７】
【数３】 θh （ｋ）＝ｋp ｛Ｙd （ｋ）−Ｙ（ｋ−１）｝ ＋ｋa ｛θd （ｋ）−θp （ｋ−１）｝ （４） ｋp ：位置偏差フィードバックゲイン ［ｄ
ｅｇ／ｍｍ］ ｋa ：ピッチング角度偏差フィードバックゲイン ［無
次元］ 図５に方向制御のブロック線図を示す。方向制御のシミ
ュレーションは、まずはじめに制御則（４）式によりヘ
ッド角を求める。求めたヘッド角をダイナミックモデル
（１）式に代入し、方向修正量を計算する。最後に
（２），（３）式を用いて小口径トンネルロボットのピ
ッチング角と位置を計算する。この制御法は、ｋp ，ｋ
a を適当に選択すれば良好な方向制御が可能なことが示
されている（前述した文献１参照）。
ｅｇ／ｍｍ］ ｋa ：ピッチング角度偏差フィードバックゲイン ［無
次元］ 図５に方向制御のブロック線図を示す。方向制御のシミ
ュレーションは、まずはじめに制御則（４）式によりヘ
ッド角を求める。求めたヘッド角をダイナミックモデル
（１）式に代入し、方向修正量を計算する。最後に
（２），（３）式を用いて小口径トンネルロボットのピ
ッチング角と位置を計算する。この制御法は、ｋp ，ｋ
a を適当に選択すれば良好な方向制御が可能なことが示
されている（前述した文献１参照）。
【００１８】最適ゲイン探索アルゴリズムについて説明
する前に、遺伝的アルゴリズムＧＡの基本原理について
簡単に説明する。ＧＡでは、探索問題を生物の進化に模
倣させた方法によって解き、探索空間中の探索点を一点
ずつ順番に逐次探索するのではなく、複数個の探索点を
同時に用いる。つまり、各探索点を遺伝子を持つ仮想的
な生物であるとみなす。そして、各個体に対して、それ
ぞれ環境との適合度を計算して、低い適合度を持つ個体
を淘汰して消滅させ、高い適応度を持つ個体を増殖させ
る。これらの操作を繰り返すことにより、環境に最も適
合した個体のみが生き残ることになる。
する前に、遺伝的アルゴリズムＧＡの基本原理について
簡単に説明する。ＧＡでは、探索問題を生物の進化に模
倣させた方法によって解き、探索空間中の探索点を一点
ずつ順番に逐次探索するのではなく、複数個の探索点を
同時に用いる。つまり、各探索点を遺伝子を持つ仮想的
な生物であるとみなす。そして、各個体に対して、それ
ぞれ環境との適合度を計算して、低い適合度を持つ個体
を淘汰して消滅させ、高い適応度を持つ個体を増殖させ
る。これらの操作を繰り返すことにより、環境に最も適
合した個体のみが生き残ることになる。
【００１９】ＧＡを適用する場合、まず、個体の染色体
の内部的表現である遺伝子型と各個体が環境とどの程度
適応しているかを表わす適合度を定義しなければならな
い。本ロボットの最適ゲインの探索は、計画線との誤差
を最小にするゲインｋp ，ｋa の組み合わせを求める問
題として取り扱うことができる。したがって、個体は、
ｋp ，ｋa の情報を遺伝子としてもつ生物であると定義
し、環境との適合度は、ｋp ，ｋa を変数とする評価関
数として定義すればＧＡを適用することができる。そこ
で、個体の遺伝子型をバイナリー形式によって図６に示
すように２８ビット長の符号列として表現し、これとｋ
p ，ｋa を対応させ、（５）式に示すように遺伝子の上
位１４ビット長をｋp 、下位１４ビット長をｋa として
割り当てる。
の内部的表現である遺伝子型と各個体が環境とどの程度
適応しているかを表わす適合度を定義しなければならな
い。本ロボットの最適ゲインの探索は、計画線との誤差
を最小にするゲインｋp ，ｋa の組み合わせを求める問
題として取り扱うことができる。したがって、個体は、
ｋp ，ｋa の情報を遺伝子としてもつ生物であると定義
し、環境との適合度は、ｋp ，ｋa を変数とする評価関
数として定義すればＧＡを適用することができる。そこ
で、個体の遺伝子型をバイナリー形式によって図６に示
すように２８ビット長の符号列として表現し、これとｋ
p ，ｋa を対応させ、（５）式に示すように遺伝子の上
位１４ビット長をｋp 、下位１４ビット長をｋa として
割り当てる。
【００２０】
【数４】 ［Ｇpij ，Ｇaij ］＝［１０１〜１１０，０１０〜１０１］ （５） 但し、 ｉ：世代番号 ｊ：個体番号（０≦ｊ≦Ｍ−１） Ｍ：個体数 Ｇpij ：ｋp に対応するｉ世代目のｊ番目の個体の遺伝
子部分 Ｇaij ：ｋa に対応するｉ世代目のｊ番目の個体の遺伝
子部分 次に、この遺伝子型をもつ各個体の表現型を決定する。
表現型とは、各個体の実態に相当するもので、本問題の
場合、ｋp ，ｋa の実際の値を示しており、実数の領域
で定義されなければならない。ｋp ，ｋa に対応する遺
伝子は上位と下位に１４ビット長ずつ分かれているの
で、１４ビット長の符号列より０〜１６３８３（２14−
１）までの整数値を獲得できる。しかし、ゲイン値とし
ては、経験上大きすぎてしかも整数値に限られてしまう
ので獲得した整数値を１／１０００にして領域を実数の
範囲に拡大する。これらの操作を（５）式に示す変換関
数Ｇconvert （Ｇpij ，Ｇaij ）として定義する。遺伝
子型は、Ｇconvert （Ｇpij，Ｇaij ）によって表現型
に変換されて、０〜１６．３８３までの実数値として決
定される。
子部分 Ｇaij ：ｋa に対応するｉ世代目のｊ番目の個体の遺伝
子部分 次に、この遺伝子型をもつ各個体の表現型を決定する。
表現型とは、各個体の実態に相当するもので、本問題の
場合、ｋp ，ｋa の実際の値を示しており、実数の領域
で定義されなければならない。ｋp ，ｋa に対応する遺
伝子は上位と下位に１４ビット長ずつ分かれているの
で、１４ビット長の符号列より０〜１６３８３（２14−
１）までの整数値を獲得できる。しかし、ゲイン値とし
ては、経験上大きすぎてしかも整数値に限られてしまう
ので獲得した整数値を１／１０００にして領域を実数の
範囲に拡大する。これらの操作を（５）式に示す変換関
数Ｇconvert （Ｇpij ，Ｇaij ）として定義する。遺伝
子型は、Ｇconvert （Ｇpij，Ｇaij ）によって表現型
に変換されて、０〜１６．３８３までの実数値として決
定される。
【００２１】
【数５】 ［ｋpij ，ｋaij ］＝Ｇconvert （Ｇpij ，Ｇaij ） （６） 但し、 ｋpij ：ｉ世代目のｊ番目の個体から獲得したｋp ｋaij ：ｉ世代目のｊ番目の個体から獲得したｋa 一方、各個体の適合度を表わす評価関数は、ｉ世代目の
ｊ番目のシミュレータの出力Ｙij（ｋ）と計画線の位置
Ｙd （ｋ）との誤差がｋpij ，ｋaij に依存しているこ
とに着目すれば、この出力誤差を用いて間接的に定義す
ることが可能である。そこで、適合度を求めるための評
価関数を（８）式のように定義する。但し、適合度の計
算では、各個体の誤差の絶対値積分値を（７）式から求
めた後、同世代中最大の絶対値積分値で正規化した数値
を用いている。したがって、適合度ｆijは、０以上１以
下の実数であり、誤差が最小になるとき適合度は最大と
なる。
ｊ番目のシミュレータの出力Ｙij（ｋ）と計画線の位置
Ｙd （ｋ）との誤差がｋpij ，ｋaij に依存しているこ
とに着目すれば、この出力誤差を用いて間接的に定義す
ることが可能である。そこで、適合度を求めるための評
価関数を（８）式のように定義する。但し、適合度の計
算では、各個体の誤差の絶対値積分値を（７）式から求
めた後、同世代中最大の絶対値積分値で正規化した数値
を用いている。したがって、適合度ｆijは、０以上１以
下の実数であり、誤差が最小になるとき適合度は最大と
なる。
【００２２】
【数６】 次に、アルゴリズムの具体的な手順について図７に示す
最適ゲイン探索アルゴリズムのフローチャートを参照し
て説明する。
最適ゲイン探索アルゴリズムのフローチャートを参照し
て説明する。
【００２３】［ステップＳ１］ 初期設定 ロボットの初期位置、傾き、世代数、個体数、淘汰率、
遺伝率、突然変異率１、突然変異率２を設定する。初期
設定時の各個体の遺伝子は、乱数によって０と１をラン
ダムに発生させて、（５）式に示すようなバイナリー形
式の符号列として生成される。
遺伝率、突然変異率１、突然変異率２を設定する。初期
設定時の各個体の遺伝子は、乱数によって０と１をラン
ダムに発生させて、（５）式に示すようなバイナリー形
式の符号列として生成される。
【００２４】［ステップＳ２］ 適合度の計算 各個体の遺伝子を（６）式によって実数に変換して、実
際のゲインを獲得する。次に、獲得したゲインを用いて
（４）式から制御入力θh を求める。そして、θh をシ
ミュレータへ入力し、ロボットの出力を獲得する。但
し、本ロボットの制御入力θh の可動範囲は、機構構造
上制限があるため、アルゴリズム実行中は常に、可動範
囲を越えないように制御入力θh を調整している。この
操作を個体数分繰り返した後、各個体全てについて計画
線との誤差を（７）式にしたがって求める。最後に、
（８）式を用いて各個体の適合度を計算する。
際のゲインを獲得する。次に、獲得したゲインを用いて
（４）式から制御入力θh を求める。そして、θh をシ
ミュレータへ入力し、ロボットの出力を獲得する。但
し、本ロボットの制御入力θh の可動範囲は、機構構造
上制限があるため、アルゴリズム実行中は常に、可動範
囲を越えないように制御入力θh を調整している。この
操作を個体数分繰り返した後、各個体全てについて計画
線との誤差を（７）式にしたがって求める。最後に、
（８）式を用いて各個体の適合度を計算する。
【００２５】［ステップＳ３］ 淘汰 適合度を評価することにより個体を淘汰する。淘汰方法
は、図８に示すように適合度の下位の一定の割合を淘汰
し、上位の個体を残す。このときの割合は、淘汰率とし
て与える。
は、図８に示すように適合度の下位の一定の割合を淘汰
し、上位の個体を残す。このときの割合は、淘汰率とし
て与える。
【００２６】［ステップＳ４］ 交差 次に、図８に示すように残された上位の個体のペアの交
差によって子孫を補って個体総数を一定に保つ。ｎ個の
個体を淘汰した場合、ｎ組の親を適合度の上位の個体群
の中からランダムに選択する。交差方法は、一様交差を
用いる。一様交差は、図９に示すように親１または親２
の対応する遺伝子を一定の確率でランダムに選択するこ
とによって子孫の遺伝子型を生成する方法である。この
ときの確率は、遺伝率として与えることにする。
差によって子孫を補って個体総数を一定に保つ。ｎ個の
個体を淘汰した場合、ｎ組の親を適合度の上位の個体群
の中からランダムに選択する。交差方法は、一様交差を
用いる。一様交差は、図９に示すように親１または親２
の対応する遺伝子を一定の確率でランダムに選択するこ
とによって子孫の遺伝子型を生成する方法である。この
ときの確率は、遺伝率として与えることにする。
【００２７】［ステップＳ５］ 突然変異 更に、交差後の各子孫の個体を突然変異させる。突然変
異は図１０に示すように各個体中の任意の１ビットを反
転（０→１，１→０）させる方法を用いた。突然変異さ
せるかさせないかは、突然変異率１で決める。また、突
然変異が発生するビット位置は、乱数によりランダムに
決定される。但し、突然変異は、ステップＳ４で生成し
た子孫の個体のみに実行して、子孫の親には実行しない
ものとする。ここまでの操作により新世代の個体が生成
されることになる。
異は図１０に示すように各個体中の任意の１ビットを反
転（０→１，１→０）させる方法を用いた。突然変異さ
せるかさせないかは、突然変異率１で決める。また、突
然変異が発生するビット位置は、乱数によりランダムに
決定される。但し、突然変異は、ステップＳ４で生成し
た子孫の個体のみに実行して、子孫の親には実行しない
ものとする。ここまでの操作により新世代の個体が生成
されることになる。
【００２８】［ステップＳ６］ 評価 最後に、獲得した個体を実数に変換してゲインを求め
る。このゲインを用いてシミュレーションを行い、誤差
を計算し適合度を求める。個体群の中で最大の適合度を
求め、この値が予め設定した評価値より小さい場合かあ
るいは一定の世代数の間、変化しなかった場合は収束し
たとみなし、そのときのゲインを最適ゲインとしてアル
ゴリズムを終了する。それ以外の場合は、世代を更新し
てステップＳ３へ戻り、ステップＳ１で設定した世代数
の範囲内で評価基準を満足するまでステップＳ３，〜，
ステップＳ６を繰り返す。但し、最大の適合度の値が１
０世代続いて同じであった場合は突然変異率１を突然変
異率２へ１度だけ変化させる。この操作は、突然変異の
割合を変えることを意味している。同じような遺伝子を
もった個体が大量に発生している状態のときに適合度は
一定になり、大域的な最適解ではなく局所的な最適解に
トラップされてしまう。トラップされた状態から抜け出
すためには、各個体にバリエーションをもたせて探索範
囲を広げなければならない。そこで、突然変異率を世代
更新の途中で変えることにより各個体にバリエーション
をもたせて、トラップされた状態から抜け出せるように
した。
る。このゲインを用いてシミュレーションを行い、誤差
を計算し適合度を求める。個体群の中で最大の適合度を
求め、この値が予め設定した評価値より小さい場合かあ
るいは一定の世代数の間、変化しなかった場合は収束し
たとみなし、そのときのゲインを最適ゲインとしてアル
ゴリズムを終了する。それ以外の場合は、世代を更新し
てステップＳ３へ戻り、ステップＳ１で設定した世代数
の範囲内で評価基準を満足するまでステップＳ３，〜，
ステップＳ６を繰り返す。但し、最大の適合度の値が１
０世代続いて同じであった場合は突然変異率１を突然変
異率２へ１度だけ変化させる。この操作は、突然変異の
割合を変えることを意味している。同じような遺伝子を
もった個体が大量に発生している状態のときに適合度は
一定になり、大域的な最適解ではなく局所的な最適解に
トラップされてしまう。トラップされた状態から抜け出
すためには、各個体にバリエーションをもたせて探索範
囲を広げなければならない。そこで、突然変異率を世代
更新の途中で変えることにより各個体にバリエーション
をもたせて、トラップされた状態から抜け出せるように
した。
【００２９】以上のプロセスを整理すると、本アルゴリ
ズムを用いたゲインの自動探索は、図１１に示すブロッ
ク線図となる。
ズムを用いたゲインの自動探索は、図１１に示すブロッ
ク線図となる。
【００３０】次に、本方法を用いた数値実験について説
明する。計画線は直線として、ロボットが初期位置５０
ｍｍ、傾き０°の場合についてシミュレーションを行っ
た。地区は岡山地区を用いた。このときの個体数は１５
個、遺伝率は０．５、淘汰率は０．４、突然変異率１は
０．１、突然変異率２は０．３とした。図１２に世代数
と総偏差誤差およびフィードバックゲインｋp ，ｋa の
関係を示す。図１２をみると世代が更新するにつれて総
偏差誤差が減少して行くのが分かる。
明する。計画線は直線として、ロボットが初期位置５０
ｍｍ、傾き０°の場合についてシミュレーションを行っ
た。地区は岡山地区を用いた。このときの個体数は１５
個、遺伝率は０．５、淘汰率は０．４、突然変異率１は
０．１、突然変異率２は０．３とした。図１２に世代数
と総偏差誤差およびフィードバックゲインｋp ，ｋa の
関係を示す。図１２をみると世代が更新するにつれて総
偏差誤差が減少して行くのが分かる。
【００３１】図１３〜１６に各世代のシミュレーション
の結果を示す。世代数が小さいときは、最適なゲインが
選択されていないので、計画線に追従していないことが
分かる。一方、世代更新が進むにつれて、ゲインが良く
チューニングされてくるので計画線に追従してくるのが
分かる。岡山地区の場合、ほぼ２０世代ほどで総偏差誤
差が収束している。
の結果を示す。世代数が小さいときは、最適なゲインが
選択されていないので、計画線に追従していないことが
分かる。一方、世代更新が進むにつれて、ゲインが良く
チューニングされてくるので計画線に追従してくるのが
分かる。岡山地区の場合、ほぼ２０世代ほどで総偏差誤
差が収束している。
【００３２】図１７に初期位置５０ｍｍ、傾き０°の場
合についてシミュレーションを行ったときの、試行錯誤
によって求めた最適ゲインｋp ，ｋa および総偏差誤
差、ニューラルネットワークを用いた方法によって求め
た最適ゲインｋp ，ｋa および総偏差誤差、ＧＡを用い
た方法によって求めた最適ゲインｋp ，ｋa および総偏
差誤差を示す。これを見るとＧＡを用いた方法が生物に
見立てたゲインを進化させることにより最適ゲインを獲
得していることが分かる（文献２：青島、武田、薮田：
「小口径トンネルロボットのニューラル形最適ゲインオ
ートチューニング、日本機会学会論文集（Ｃ編）、Vol.
58，No.546，1992年，499-505 参照）。
合についてシミュレーションを行ったときの、試行錯誤
によって求めた最適ゲインｋp ，ｋa および総偏差誤
差、ニューラルネットワークを用いた方法によって求め
た最適ゲインｋp ，ｋa および総偏差誤差、ＧＡを用い
た方法によって求めた最適ゲインｋp ，ｋa および総偏
差誤差を示す。これを見るとＧＡを用いた方法が生物に
見立てたゲインを進化させることにより最適ゲインを獲
得していることが分かる（文献２：青島、武田、薮田：
「小口径トンネルロボットのニューラル形最適ゲインオ
ートチューニング、日本機会学会論文集（Ｃ編）、Vol.
58，No.546，1992年，499-505 参照）。
【００３３】上述したように、本実施例では、偏差、偏
角フィードバックゲインの数値情報をバイナリー形式に
より符号化したものを遺伝子として保有する仮想的な生
物個体群を作り、遺伝的アルゴリズムと方向制御シミュ
レータを使い適合度の高い生物個体に進化させること
（注意：ここで述べている『適合度の高い生物個体』と
は、計画線との誤差を最小にするゲインのことである）
により最適ゲインを得ることができる。
角フィードバックゲインの数値情報をバイナリー形式に
より符号化したものを遺伝子として保有する仮想的な生
物個体群を作り、遺伝的アルゴリズムと方向制御シミュ
レータを使い適合度の高い生物個体に進化させること
（注意：ここで述べている『適合度の高い生物個体』と
は、計画線との誤差を最小にするゲインのことである）
により最適ゲインを得ることができる。
【００３４】
【発明の効果】以上説明したように本発明によれば、偏
差、偏角フィードバックゲインの数値情報をバイナリー
形式により符号化したものを遺伝子とする生物個体群を
作り、遺伝的アルゴリズムと方向制御シミュレータを組
み合わせて、適合度の高いゲインに進化させることによ
り自動的に最適ゲインを得ることができるため、従来技
術に比較して手間がかからず、最適ゲイン探索時間も従
来法に比べ格段に短縮される。
差、偏角フィードバックゲインの数値情報をバイナリー
形式により符号化したものを遺伝子とする生物個体群を
作り、遺伝的アルゴリズムと方向制御シミュレータを組
み合わせて、適合度の高いゲインに進化させることによ
り自動的に最適ゲインを得ることができるため、従来技
術に比較して手間がかからず、最適ゲイン探索時間も従
来法に比べ格段に短縮される。
【図１】本発明の一実施例に係る遺伝的アルゴリズムを
用いた小口径トンネルロボットの最適ゲイン探索方法を
適用した小口径トンネルロボットのシステム構成を示す
図である。
用いた小口径トンネルロボットの最適ゲイン探索方法を
適用した小口径トンネルロボットのシステム構成を示す
図である。
【図２】図１のシステムに使用されている小口径トンネ
ルロボットの構成および動作を説明するための図であ
る。
ルロボットの構成および動作を説明するための図であ
る。
【図３】ヘッド角とピッチング角変化量の定義を説明す
るための説明図である。
るための説明図である。
【図４】各パラメータの定義を説明するための説明図で
ある。
ある。
【図５】方向制御のブロック線図である。
【図６】ゲインの遺伝子表現を説明するための説明図で
ある。
ある。
【図７】最適ゲイン探索アルゴリズムを示すフローチャ
ートである。
ートである。
【図８】淘汰方法を説明するための説明図である。
【図９】一様交差の方法を説明するための説明図であ
る。
る。
【図１０】突然変異の方法を説明するための説明図であ
る。
る。
【図１１】最適ゲイン探索アルゴリズムのブロック線図
である。
である。
【図１２】総偏差誤差と世代数の関係を示す特性図であ
る。
る。
【図１３】１世代目の岡山地区のシミュレーション結果
を示す特性図である。
を示す特性図である。
【図１４】２世代目の岡山地区のシミュレーション結果
を示す特性図である。
を示す特性図である。
【図１５】７世代目の岡山地区のシミュレーション結果
を示す特性図である。
を示す特性図である。
【図１６】２０世代目の岡山地区のシミュレーション結
果を示す特性図である。
果を示す特性図である。
【図１７】従来法と本発明の方法による最適ゲイン
ｋp ，ｋa および総偏差誤差の比較を示す説明図であ
る。
ｋp ，ｋa および総偏差誤差の比較を示す説明図であ
る。
１１ 小口径トンネルロボット本体 １１ａ ヘッド １１ｂ 推進ジャッキ １１ｃ 傾動ジャッキ １１ｄ 防護管 １２ 埋設管 １３ 押管装置 １４ 油圧装置 １５ 操作盤 １６ オペレータ
Claims (2)
- 【請求項１】 先端のヘッド角を制御して方向修正を行
いながら前進する小口径トンネルロボットの進行方向と
所望の進路方向を示す計画線との誤差を最小にする最適
ゲインを探索する遺伝的アルゴリズムを用いた小口径ト
ンネルロボットの最適ゲイン探索方法であって、偏差、
偏角フィードバックゲインの数値情報を符号化したもの
を遺伝子とする生物個体群を作成し、この生物個体群に
遺伝的アルゴリズムを適用して進化させ、小口径トンネ
ルロボットの方向制御した結果の軌跡をフィードバック
方向制御シミュレータでシミュレーションしてフィード
バック方向制御則の最適ゲインを得ることを特徴とする
遺伝的アルゴリズムを用いた小口径トンネルロボットの
最適ゲイン探索方法。 - 【請求項２】 前記遺伝的アルゴリズムにおいては、位
置偏差フィードバックゲインとピッチング角度偏差フィ
ードバックゲインの組を符号列で表した個体の遺伝子に
対応させ、個体から獲得した位置偏差フィードバックゲ
インとピッチング角度偏差フィードバックゲインを用い
てシミュレーションを行ったときの出力と計画線との誤
差を使用して定義した適合度を導入し、前記適合度の値
が一定世代続けて同じであった場合に突然変異率の割合
を自動的に変化させる操作を導入したことを特徴とする
請求項１記載の遺伝的アルゴリズムを用いた小口径トン
ネルロボットの最適ゲイン探索方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7078550A JPH08272764A (ja) | 1995-04-04 | 1995-04-04 | 遺伝的アルゴリズムを用いた小口径トンネルロボットの最適ゲイン探索方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7078550A JPH08272764A (ja) | 1995-04-04 | 1995-04-04 | 遺伝的アルゴリズムを用いた小口径トンネルロボットの最適ゲイン探索方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH08272764A true JPH08272764A (ja) | 1996-10-18 |
Family
ID=13665033
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP7078550A Pending JPH08272764A (ja) | 1995-04-04 | 1995-04-04 | 遺伝的アルゴリズムを用いた小口径トンネルロボットの最適ゲイン探索方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH08272764A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001024421A (ja) * | 1999-07-02 | 2001-01-26 | Mitsubishi Electric Corp | アレーアンテナの素子間引き方法及びアレーアンテナの素子間引きプログラムを記録した記録媒体 |
| CN108255174A (zh) * | 2017-12-20 | 2018-07-06 | 北京理工华汇智能科技有限公司 | 机器人路径规划方法及装置 |
-
1995
- 1995-04-04 JP JP7078550A patent/JPH08272764A/ja active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001024421A (ja) * | 1999-07-02 | 2001-01-26 | Mitsubishi Electric Corp | アレーアンテナの素子間引き方法及びアレーアンテナの素子間引きプログラムを記録した記録媒体 |
| CN108255174A (zh) * | 2017-12-20 | 2018-07-06 | 北京理工华汇智能科技有限公司 | 机器人路径规划方法及装置 |
| CN108255174B (zh) * | 2017-12-20 | 2021-03-16 | 北京理工华汇智能科技有限公司 | 机器人路径规划方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108919641B (zh) | 一种基于改进樽海鞘算法的无人机航迹规划方法 | |
| Guo et al. | The enhanced genetic algorithms for the optimization design | |
| Tian et al. | An effective robot trajectory planning method using a genetic algorithm | |
| CN112362066B (zh) | 一种基于改进的深度强化学习的路径规划方法 | |
| Gomez et al. | Solving non-Markovian control tasks with neuroevolution | |
| CN107186713B (zh) | 一种过路径点的机械臂多轴运动规划优化方法 | |
| CN105069220B (zh) | 基于bp神经网络免疫遗传算法的微生物发酵优化方法 | |
| CN108413963A (zh) | 基于自学习蚁群算法的条形机器人路径规划方法 | |
| CN115493597B (zh) | 一种基于sac算法的auv路径规划控制方法 | |
| CN104616062A (zh) | 一种基于多目标遗传规划的非线性系统辨识方法 | |
| CN112577507A (zh) | 基于哈里斯鹰优化算法的电动汽车路径规划方法 | |
| CN113687654A (zh) | 一种基于进化算法的神经网络训练方法及路径规划方法 | |
| CN105976029B (zh) | 一种布谷鸟行为rna-ga的桥式吊车神经网络建模方法 | |
| JPH08272764A (ja) | 遺伝的アルゴリズムを用いた小口径トンネルロボットの最適ゲイン探索方法 | |
| CN115826591B (zh) | 一种基于神经网络估计路径代价的多目标点路径规划方法 | |
| CN105117616B (zh) | 基于粒子群算法的微生物发酵优化方法 | |
| CN116841303A (zh) | 一种针对水下机器人的智能择优高阶迭代自学习控制方法 | |
| CN114488810A (zh) | 机器人末端姿态跟踪预测控制方法及系统和机器人 | |
| Yamada et al. | Control program design of autonomous vehicle robot using grammatical evolution | |
| KrishnaKumar | Immunized neurocontrol-concepts and initial results | |
| Wang | Intelligent Path Planning of Mobile Robot Based on Genetic Algorithm | |
| Chau Sam et al. | Applications of Sinusoidal Neural Network and Momentum Genetic Algorithm to Two‐wheel Vehicle Regulating Problem | |
| Quafafou et al. | GAITS: Fuzzy sets-based algorithms for computing strategies using genetic algorithms | |
| CN116127584B (zh) | 一种动态过道布置方法 | |
| CN110598835B (zh) | 基于高斯变异遗传算法优化神经网络的小车自动寻路方法 |