WO2020090659A1 - 感性フィードバック制御装置 - Google Patents

感性フィードバック制御装置 Download PDF

Info

Publication number
WO2020090659A1
WO2020090659A1 PCT/JP2019/041919 JP2019041919W WO2020090659A1 WO 2020090659 A1 WO2020090659 A1 WO 2020090659A1 JP 2019041919 W JP2019041919 W JP 2019041919W WO 2020090659 A1 WO2020090659 A1 WO 2020090659A1
Authority
WO
WIPO (PCT)
Prior art keywords
sensitivity
operator
control
target
feedback control
Prior art date
Application number
PCT/JP2019/041919
Other languages
English (en)
French (fr)
Inventor
山本　透
拓矢 木下
Original Assignee
コベルコ建機株式会社
国立大学法人広島大学
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by コベルコ建機株式会社, 国立大学法人広島大学 filed Critical コベルコ建機株式会社
Priority to EP19879978.5A priority Critical patent/EP3855258B1/en
Priority to CN201980070348.9A priority patent/CN112867973A/zh
Priority to US17/288,757 priority patent/US11926991B2/en
Publication of WO2020090659A1 publication Critical patent/WO2020090659A1/ja

Links

Images

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
    • G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02F—DREDGING; SOIL-SHIFTING
    • E02F9/00—Component parts of dredgers or soil-shifting machines, not restricted to one of the kinds covered by groups E02F3/00 - E02F7/00
    • E02F9/20—Drives; Control devices
    • E02F9/2025—Particular purposes of control systems not otherwise provided for
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
    • B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
    • B60R16/037—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements for occupant comfort, e.g. for automatic adjustment of appliances according to personal settings, e.g. seats, mirrors, steering wheel
    • 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
    • G05B6/00—Internal feedback arrangements for obtaining particular characteristics, e.g. proportional, integral or differential
    • G05B6/02—Internal feedback arrangements for obtaining particular characteristics, e.g. proportional, integral or differential electric
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/20—Workers
    • A61B2503/22—Motor vehicles operators, e.g. drivers, pilots, captains
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02F—DREDGING; SOIL-SHIFTING
    • E02F9/00—Component parts of dredgers or soil-shifting machines, not restricted to one of the kinds covered by groups E02F3/00 - E02F7/00
    • E02F9/20—Drives; Control devices
    • E02F9/2004—Control mechanisms, e.g. control levers

Definitions

  • the present invention relates to a sensitivity feedback control device.
  • Japan According to a survey by the Cabinet Office, Japan has low happiness despite its high gross domestic product (GDP). That is, there is a large gap between the "richness of goods” regarding GDP and the “richness of heart” regarding happiness.
  • GDP gross domestic product
  • Patent Document 1 As one of the measures to fill such a gap, an already sophisticated “thing” (welfare support device, etc.) improves the richness of the mind by performing an operation in consideration of human sensitivity. This is considered (for example, Patent Document 1). In addition, research on visualization of “sensitivity” has been conducted assuming social implementation (for example, Patent Document 2).
  • an object of the present invention is to provide a kansei feedback control device capable of feedback controlling the kansei of an operator in a device operated by the operator.
  • An emotional feedback device detects a target device operated by an operator and biometric information x (t) of the operator corresponding to an output u (t) of the target device, A sensitivity meter that determines the comfort level y (t) of the operator based on the information x (t), a first target value r (t) regarding the comfort level y (t), and the comfort level y (t). Based on the difference between the second target value w (t) and the second target value w (t) based on the difference between the second target value w (t) and the output u (t).
  • a second control unit that determines a control input v c (t) for the target device, an operation input v h (t) for the target device by the operator, and the control input v c (t). , A weighting setting for performing weighting according to the operation level of the operator And parts, the weighting setting unit by adding the operation input weighted respectively v h (t) and the control input v c (t), and an adder for inputting a sum value to the target device.
  • this numerical example it is a graph showing comfort level y (t), output u (t) (speed), and control input v (t) (torque) at each step (time). It is a graph which shows the adjusted control parameter (PID gain) in each step (time). It is a block diagram of the sensitivity feedback control apparatus which concerns on a comparative example. In a comparative example, it is a graph which shows the result of having performed the sensitivity feedback control, adjusting the control parameter of a control part by database drive type control.
  • FIG. 1 is a configuration diagram of a sensitivity feedback control device according to the embodiment.
  • the sensitivity feedback control device 100 includes a target device 10, a sensitivity meter 20, a first control unit 30, a second control unit 40, a ⁇ setting unit 50, a database 60, and a control input.
  • the adjusting unit 70 and the operation input adjusting unit 80 are provided.
  • the ⁇ setting unit 50, the control input adjusting unit 70, and the operation input adjusting unit 80 are examples of weighting setting units.
  • the sensitivity feedback control device 100 includes subtractors A1 and A2 and an adder A3.
  • the target device 10 is a device operated by an operator, such as an automobile or a construction machine. In FIG.
  • the first control unit 30, the second control unit 40, the sensitivity meter 20, the subtractors A1 and A2, and the adder A3 are configured by a processor such as a CPU, for example.
  • the database 60 is composed of a non-volatile memory such as a solid state drive or a hard disk drive.
  • the sensitivity meter 20 detects the biometric information x (t) of the operator corresponding to the output u (t) of the target device 10, and determines the comfort level y (t) of the operator based on the biometric information x (t). decide.
  • the output u (t) of the target device 10 is, for example, the response speed of the hydraulic excavator.
  • the subtractor A1 calculates the difference e (t) between the first target value (target comfort level r (t)) and the comfort level y (t), and inputs it to the first control unit 30.
  • the first control unit 30 determines a second target value (target output w (t)) regarding the output u (t) based on the difference e (t) calculated by the subtractor A1 and inputs it to the subtractor A2.
  • the subtractor A2 calculates the difference ⁇ (t) between the target output w (t) and the output u (t), and inputs it to the second controller 40.
  • the second control unit 40 determines the control input v c (t) for the target device 10 based on the difference ⁇ (t) calculated by the subtractor A2, and inputs the control input v c (t) to the control input adjustment unit 70.
  • the ⁇ setting unit 50 sets a weight value (1- ⁇ ) for the operation input v h (t) of the target device 10 by the operator.
  • the ⁇ setting unit 50 sets a weight value ( ⁇ ) for the control input v c (t).
  • the ⁇ setting unit 50 sets the weight value (1- ⁇ ) and the weight value ( ⁇ ) according to the operation level of the operator.
  • Control input adjustment unit 70 multiplies the weight values for the control input [delta] setting unit 50 has set v c (t) ( ⁇ ) the control input v c (t), is input to the adder A3.
  • Operation input adjustment unit 80 multiplies the operation [delta] setting unit 50 has set input v h weight values for (t) (1- ⁇ ) The operation input v h (t), is input to the adder A3.
  • the adder A3 adds ⁇ ⁇ v c (t) input from the control input adjustment unit 70 and (1 ⁇ ) ⁇ v h (t) input from the operation input adjustment unit 80, and calculates the added value. Input to the target device 10.
  • the target device 10 acquires the added value input from the adder A3, and calculates the output u (t) according to this added value.
  • the sensitivity meter 20 calculates the comfort level y (t) based on the biometric information x (t) of the operator corresponding to the output u (t) of the target device.
  • the biometric information x (t) of the operator is, for example, facial expression of the operator, skin resistance of the operator, upper limb EMG of the operator, lower branch EMG of the operator, voice information indicating the voice of the operator, and the like. ..
  • the sensitivity meter 20 may detect the facial expression of the operator with a CCD camera, for example.
  • the sensitivity meter 20 may detect a heartbeat by a heartbeat sensor, for example.
  • the sensitivity meter 20 may detect respiration (number of times or depth) with a CCD camera, for example.
  • the sensitivity meter 20 may detect the skin resistance with a skin impedance sensor.
  • the sensitivity meter 20 may detect the upper limb myoelectric potential and the lower limb myoelectric potential using, for example, myoelectric sensors.
  • the sensitivity meter 20 may detect voice information with a microphone.
  • Sensitivity is an emotional reaction that occurs by comparing information obtained by integrating external receptive sensory information (somatic nervous system information) and internal receptive sensory information (autonomic nervous system information) with past experience and memory. It is defined as a higher brain function overlooking at a higher level. In other words, Kansei is a higher-order brain function that is noticed by comparing the gap between prediction (image) and result (sensory information) with experience and knowledge.
  • the sensibilities can be grasped from the viewpoint of "pleasure / discomfort” such as whether the person feels comfortable, comfortable, or comfortable, or conversely, the person feels uncomfortable, uncomfortable, or uncomfortable.
  • the sensibility can be grasped from the viewpoint of “active / inactive” such as whether the person is awake, excited, or active, or conversely, the person is vague, calm, or inactive.
  • the sensitivity can be grasped from the viewpoint of "expectation” such as whether a person is excited or expecting something or is hindered from the excitement.
  • the sensitivity is captured by a sensitivity multi-axis model in which a time axis (for example, a feeling of expectation) is added as a third axis to the Russell ring model.
  • FIG. 2 is a schematic diagram of a sensitivity multi-axis model used in the sensitivity feedback control device according to the embodiment.
  • “pleasure / discomfort” is the first axis
  • “activity / inactivity” is the second axis
  • “time (expectation)” is It can be represented as a third axis.
  • the merit of multi-axis sensitivity modeling is to calculate the evaluation values of each axis and combine them to quantitatively evaluate, or visualize, the sensitivity of vaguely broad concepts. ..
  • the brain physiological index value (EEG comfort, EEG activity, EEG expectation) of each axis is obtained from the brain physiological information of each axis of the affective multiaxial model. Further, from the subjective statistical data of the subject, the subjective psychological axis indicating the weighting coefficient (a, b, c) of each axis of the affective multiaxial model can be obtained. Then, the sensitivity value can be evaluated by the following calculation formula using the brain physiological index value and the subjective psychological axis.
  • the subject's subjective statistical data is data indicating the relationship between the subject's electroencephalogram in a certain state and the subject's answer (subjectivity) to the state, and is pre-learned data.
  • the sensitivity meter 20 calculates the brain physiological index value by inputting the biological information x (t) detected by, for example, the various sensors described above into a predetermined arithmetic expression. Then, the sensitivity meter 20 calculates the sensitivity value by inputting the calculated brain physiological index value into the above-described calculation formula. Then, the sensitivity meter 20 outputs the calculated sensitivity value as the comfort level y (t).
  • the 1st control part 30 performs PID control shown in the following formulas (1) which make K P , K I , and K D respectively a control parameter, for example.
  • the target output w (t) is a manipulated variable in PID control.
  • K P , K I , and K D are a proportional gain, an integral gain, and a differential gain in PID control, respectively. Proportional gain, integral gain, and derivative gain are called PID gains.
  • the difference e (t) is a deviation in PID control.
  • w (t) is adjusted so that the difference e (t) approaches zero.
  • the purpose is to improve the comfort level y (t) by bringing the comfort level y (t) close to the target comfort level r (t).
  • a target suitable for each operator is provided. It is difficult to set the output w (t). Therefore, the present embodiment employs a cascade control system as shown in FIG. As a result, the present embodiment can automatically generate a target output w (t) suitable for each operator by giving the target comfort level r (t).
  • human sensitivity is considered to be a time-varying system or a non-linear system. Therefore, as shown in FIG.
  • the first control unit 30 controls the feedback control using the database 60 (database-driven control: Shin Wakitani et al., Design, measurement and control of a nonlinear PID control system using the FRIT method). , Vol. 52, No. 10, pp. 885-891 (2013) ”).
  • Data necessary for adjusting the PID gain of the first control unit 30, for example, the target comfort level r (t), the comfort level y (t), and the target output w (t) are sequentially stored in the database 60. .. For example, a predetermined value is adopted as the target comfort level r (t).
  • FIG. 3 is a diagram illustrating database-driven control used in the sensitivity feedback control device according to the embodiment.
  • the database-driven control of the first controller 30 will be described in detail in an embodiment described later.
  • the database-driven control according to the present embodiment may use, for example, a learning function that uses a gradient method, or offline learning that combines a gradient method and a FRIT (Fittitious Reference Iterative Tuning) method, or a gradient method and FRIT. Online learning that combines methods may be used.
  • FRIT Fittitious Reference Iterative Tuning
  • the control parameter shown in Expression (1) is calculated based on the neighborhood data in the neighborhood of the current state of the system among the data accumulated in the database 60.
  • the control parameters calculated here the control parameters obtained by the online learning described in the examples described later are used.
  • the control parameter shown in Expression (1) may be a control parameter obtained by off-line learning described in an example described later.
  • the second control unit 40 for example, K P ', K I' , which executes the PID control shown in equation (2) below which respectively control parameter K D '.
  • the control input v c (t) is a manipulated variable in PID control.
  • K P ′, K I ′, and K D ′ are a proportional gain, an integral gain, and a differential gain in PID control, respectively.
  • the difference ⁇ (t) is a deviation in PID control.
  • the control input v c (t) is adjusted so that the difference ⁇ (t) becomes zero.
  • the control parameter of the second control unit 40 is an existing parameter according to the target device 10, for example.
  • the existing parameter may be a fixed constant or a variable parameter.
  • the ⁇ setting unit 50 basically sets a relatively low weight value ( ⁇ ) to an operator with high skill and sets a relatively high weight value ( ⁇ ) to an operator with low skill. ..
  • the ⁇ setting unit 50 holds, for example, skill data in which the skill level of the operator evaluated in advance in five stages and the weight value ( ⁇ ) corresponding to each skill level are associated with each other. Then, when the operator's skill level is input, the ⁇ setting unit 50 may determine the weight value ( ⁇ ) corresponding to the input skill level from the skill data. Alternatively, the ⁇ setting unit 50 may evaluate the level of the operator based on the test result when the operator performs the test operation, and set the weight value ( ⁇ ) based on the evaluation result. ..
  • the sensitivity meter 20 detects the biometric information x (t) of the operator corresponding to the output u (t) of the target device 10, and the biometric information Based on the information x (t), the operator's comfort level y (t) is determined. Further, the first control unit 30 outputs u (t) based on the difference e (t) between the first target value (target comfort level) r (t) regarding the comfort level y (t) and the comfort level y (t). Determine the target output w (t) for t).
  • the second control unit 40 also determines the control input v c (t) for the target device 10 based on the difference ⁇ (t) between the target output w (t) and the output u (t). As described above, the sensitivity feedback control device 100 uses the sensitivity meter 20, the first control unit 30, and the second control unit 40 to affect the operator's sensitivity to the target device 10 (specifically, the comfort level y (t). ) Can be fed back for control.
  • FIG. 4 is a diagram showing effects obtained by the sensitivity feedback control device 100 of the present embodiment.
  • the sensitivity feedback control device 100 is applied to the target device 10 that is, for example, a hydraulic excavator.
  • the target device 10 shown in FIG. 4 can perform control by feeding back the sensitivity of the operator. Therefore, the sensitivity feedback control apparatus 100 can cause the target device 10, which is originally designed uniformly regardless of the skill level of the operator, to make an output response according to the operator having various skill levels. It will be possible. Therefore, the sensitivity feedback control device 100 can improve the comfort level of the operator having various skill levels.
  • the weighting setting unit including the ⁇ setting unit 50, the control input adjusting unit 70, and the operation input adjusting unit 80 respectively operates the operation input v h (t) and the control input v c (t) with respect to the target device 10 by the operator. Is weighted according to the operation level of the operator, and the weighted operation input v h (t) and control input v c (t) are added and input to the target device 10. Therefore, the weight setting unit can set an appropriate degree of the kansei feedback according to the operation level of the operator. As a result, the weighting setting unit can increase the degree of kansei feedback for an inexperienced operator and reduce the degree of reflection of the operation input of the operator on the target device 10. On the contrary, the weighting setting unit can reduce the degree of the kansei feedback for the skilled operator and increase the reflection degree of the operator's operation input in the target device 10.
  • the affective meter 20 detects three pieces of information of the operator's emotional value, activity level, and expectation as biometric information x (t), and detects the three pieces of information of the three pieces of information.
  • the sensitivity value obtained from the correlation may be determined as the comfort level y (t).
  • the affective value obtained from the correlation of the three pieces of information is calculated by machine learning using AI, for example, the three pieces of information and the affective value.
  • the sensitivity feedback control device 100 of the present embodiment further includes a database 60 in which the target comfort level r (t), the target output w (t), and the comfort level y (t) are sequentially accumulated, and the first control unit is provided. 30 may determine the target output w (t) while adjusting the control parameter using the data accumulated in the database 60.
  • the sensitivity feedback control can be performed using the database-driven control without modeling the sensitivity of the operator, which is a non-linear system.
  • the operator when the target device 10 is a construction machine, the operator outputs the same output u (t) as the target output of the construction machine in the brain (for example, the target response speed of the hydraulic excavator). ) Can be used to operate a real construction machine.
  • the database-driven control of the first control unit 30 may use a learning function.
  • the target device 10 gradually changes so as to perform an output response more suitable for the operator.
  • the sensitivity feedback control device 100 can further improve the comfort level of the operator.
  • ⁇ is set to “1” and only the control input v c (t) is input to the target device 10.
  • the database-driven control by the first controller 30 is mainly described.
  • FIG. 5 is a diagram showing a configuration when ⁇ is set to 1 in the sensitivity feedback control device 100 shown in FIG.
  • the same components as those in FIG. 1 are designated by the same reference numerals.
  • the ⁇ setting unit 50, the control input adjusting unit 70, the operation input adjusting unit 80, and the adder A3 are not shown.
  • the target device 10 is a hydraulic excavator.
  • the output u (t) of the target device 10 is the response speed of the bucket of the hydraulic excavator.
  • the control input v c (t) to the target device 10 is torque.
  • the response speed is measured by a sensor, for example.
  • the response speed may be a response speed of another member such as a boom and an arm other than the bucket, instead of the response speed of the bucket. That is, the response speed is the response speed of the work device such as the bucket, arm, and boom.
  • the comfort level y (t) of the operator who is the control target is regarded as a non-linear system, and the database drive type control is applied to the first control unit 30.
  • the comfort level y (t) to be controlled is represented by a discrete-time nonlinear system (hereinafter abbreviated as “system”) represented by the following equation (3).
  • Equation (3) the comfort level y (t) is the output of the system.
  • f () is a non-linear function.
  • ⁇ (t ⁇ 1) is called an information vector and represents the state before the time t of the system.
  • the information vector ⁇ (t ⁇ 1) is defined by the following equation (4).
  • the target output w (t) is an input of the system for controlling the comfort level y (t).
  • n y is the order of the output of the system.
  • n w is the input order of the system.
  • each operation data is stored in the database 60 (see FIG. 3) in the format of Expression (4).
  • ⁇ (t) is an information vector representing the current system state, and is called a request point (query).
  • e (t) is a control error signal.
  • e (t) is defined by the following equation (6), where r (t) is the target comfort level.
  • K P (t), K I (t), and K D (t) are the proportional gain, integral gain, and derivative gain at each step (time t), respectively.
  • z ⁇ 1 is a delay operator.
  • the first control unit 30 uses the FRIT method to generate input / output data w 0 (t) and y 0 (t) obtained by one operation experiment, and these experimental data.
  • the control parameter of the first controller 30 is directly calculated using the pseudo reference input to r (t).
  • FIG. 6 is a block diagram of FRIT used in this embodiment.
  • System is the second control unit 40, the target device 10, and the sensitivity meter 20.
  • C (z ⁇ 1 ) is a controller.
  • the controller can be expressed by the following equation (7).
  • n is the order of the control law.
  • n 2.
  • the input / output relationship of C (z ⁇ 1 ) is represented by the following equation (8).
  • a reference model Gm (z ⁇ 1 ) having a desired characteristic designed in advance is used. Based on the output ⁇ y m (t) of the reference model Gm (z -1 ) for the pseudo reference input ⁇ r, the first control unit 30 determines that the error between the output ⁇ y m (t) and y 0 (t) The control parameter is calculated so as to be small.
  • the reference model Gm (z ⁇ 1 ) is represented by the characteristic polynomials of the following expressions (10) and (11).
  • ⁇ represents the rising characteristic of the control system.
  • ⁇ indicates a parameter related to the damping characteristic.
  • ⁇ and ⁇ can be set arbitrarily.
  • T s is the sampling time.
  • ⁇ is the time until the output of the control system reaches about 60% of the step-like target value. Further, it is desirable that ⁇ is set in the range of 0 or more and 2.0 or less.
  • ⁇ 0 indicates the response of the Binomial model.
  • the PID gain (control parameter) is calculated from the input / output data obtained around a certain equilibrium point by using the Zieglar & Nichols (ZN) method, the Chien, Hornes & Reswick (CHR) method, or the like, An initial database including an information vector (represented by the following formula (12)) including the PID gain and the input / output data described above is created.
  • ZN Zieglar & Nichols
  • CHR Chien, Hornes & Reswick
  • the CHR method is disclosed in the document “KL Chien et al., On the Automatic Control of Generalized Passive Systems, Trans. ASME, Vol. 74, pp. 175-185 (1972)”.
  • the input / output data obtained around the equilibrium point is, for example, a set of data having the same characteristics.
  • the above processing for creating the initial database is executed when the system is not in operation, using the operation data accumulated in the database during operation of the system.
  • N (t) is the number of data (the number of information vectors) stored in the database at time t.
  • - phi l (j) is the l th element of the j-th information vector.
  • - ⁇ l (t) is the l-th element of the request points at time t.
  • min - ⁇ l (m) is the smallest element among the l-th elements.
  • k pieces of information vectors are selected from the database in the ascending order of the distance d shown in Expression (15), and the selected data set is defined as neighborhood data.
  • the weighted local linear averaging method (Linear Weighted Average: LWA) represented by the following equation (16) is applied to the neighborhood data selected as described above, and the local controller is applied. Make up.
  • LWA Linear Weighted Average
  • w i is a weight for K (i) included in the i-th information vector of the neighborhood data, and is given by the following equation (17).
  • the PID gain at each time t is calculated by the above procedure. Furthermore, in order for the database-driven control system to be able to appropriately adjust the PID gain at each equilibrium point, it is necessary to perform database learning (update of control parameters). Therefore, in this embodiment, FRIT is applied, and the PID gain in each data set in the database is updated off-line by learning from the initial data used to construct the database.
  • the offline is a state before the system is operated, for example, when the target device 10 is not in operation.
  • Equation (23) ⁇ (t) is expressed as in equation (24) below.
  • Equation (29) y m (t) is expressed by Equation (29).
  • Gm (z-1) is a characteristic polynomial of the reference model, and is represented by equations (30) and (31).
  • ⁇ is the rising characteristic of the control system.
  • ⁇ is a parameter relating to the damping characteristic.
  • ⁇ and ⁇ are arbitrarily set by the designer.
  • the partial differential of the second term on the right side of Expression (25) is expressed by Expression (32).
  • the target device 10 shown in FIG. 5 is a hydraulic excavator.
  • the target device 10 is represented by the first-order lag system of the following equation (33).
  • the comfort level y (t) is the Weber-Fechner's law ("IP Herman, Physics of the Human Body: Biological and Medical Physics, Biological, Biological Springer-Verlag GmbH & CO.KG (2007) ”).
  • the maximum value of the comfort level y (t) is 1.
  • Equation (34), in the formula (35), w h (t) is the operator is the target speed of the hydraulic excavator having in the brain, which is unknown to the control system.
  • e h (t) is the speed error of the hydraulic excavator felt in the operator's brain.
  • FIG. 7 is a graph showing the relationship between the speed error e h (t) in the operator's brain and the comfort level y (t). As shown in FIG. 7, the comfort level y (t) decreases as the speed error e h (t) increases. In addition, as E (t) increases, the rate of decrease in comfort level y (t) increases.
  • the existing control parameters were used for the second control unit 40 of the inner loop.
  • database-driven control that is effective for nonlinear systems (Shin Wakitani et al., Non-linear PID control system design using FRIT method, measurement and control, Vol .52, No. 10, pp. 885-891 (2013) ”).
  • K P 3.5
  • K I 0.5
  • K D 3.5
  • K P ' 1.5
  • K I' 0.1
  • K D ' 0.1.
  • FIG. 8 is a graph showing the comfort level y (t), the output u (t) (speed), and the control input v c (t) (torque) at each step (time) in this numerical example.
  • FIG. 9 is a graph showing the adjusted control parameter (PID gain) at each step (time).
  • the PID gain is adjusted by the database driven control. Therefore, as shown in the upper graph of FIG. 8, the comfort level y follows the target comfort level r.
  • the sensitivity feedback control is realized in the present embodiment. This is because the PID gain is adaptively adjusted as shown in FIG.
  • FIG. 10 is a configuration diagram of a sensitivity feedback control device according to a comparative example.
  • the sensitivity feedback control device 200 according to the comparative example includes the target device 10, the sensitivity meter 20, the control unit 30A, and the database 60A.
  • the target device 10 is a hydraulic excavator operated by an operator, as in the above-described embodiment.
  • the sensitivity meter 20 is the same as the sensitivity meter 20 of the sensitivity feedback control device 200 of the present embodiment shown in FIG.
  • the sensitivity meter 20 detects the biometric information x (t) of the operator corresponding to the output u (t) of the target device 10, and determines the comfort level y (t) of the operator based on the biometric information x (t). decide.
  • the control unit 30A uses the control input v c (for the target device 10) based on the difference e (t) between the target value (target comfort level) r (t) regarding the comfort level y (t) and the comfort level y (t). t) is determined.
  • the control unit 30A executes the PID control shown in the following equation (36), for example, using K P ′′, K I ′′, and K D ′′ as PID gains, respectively.
  • the control unit 30A also performs database-driven control using the database 60A.
  • Data necessary for adjusting the PID gain of the control unit 30A, for example, the target comfort level r (t), the comfort level y (t), and the control input v c (t) are sequentially stored in the database 60A.
  • the output u (t) of the target device 10 is the response speed of the bucket of the hydraulic excavator, and the control input v c (t) to the target device 10 is the torque.
  • FIG. 11 is a graph showing a result of performing the sensitivity feedback control while adjusting the control parameter of the control unit 30A by the database driven control in the comparative example.
  • the upper graph shows the comfort level y (t) at each step (time).
  • the middle graph shows the output u (t) (speed) at each step (time).
  • the lower graph shows the control input v c (t) (torque) at each step (time).
  • the PID gain is adjusted by the database-driven control, but the comfort level y does not follow the target comfort level r. That is, the sensitivity feedback control according to the comparative example cannot realize sufficient control performance.
  • the responsiveness of the inner loop (second control unit 40) is improved by the cascade control system.
  • the control system can be easily designed, and the sensitivity of the sensitivity feedback control can be improved.
  • the sensitivity feedback control device has been described by taking a hydraulic excavator (construction machine) as an example, but the present invention can be similarly applied to other devices operated by an operator.

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Structural Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Civil Engineering (AREA)
  • Mining & Mineral Resources (AREA)
  • Mechanical Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

感性メータは、対象機器の出力に対応する操作者の生体情報を検出し、当該生体情報に基づき、操作者の快適度を決定する。第１制御部は、快適度に関する第１目標値と、快適度との差分に基づき、出力に関する第２目標値を決定する。第２制御部は、第２目標値と出力との差分に基づき、対象機器に対する制御入力を決定する。δ設定部は、操作者による対象機器に対する操作入力、及び、制御入力のそれぞれについて、操作者の操作レベルに応じた重み付けを行う。加算器は、重み付けされた操作入力及び制御入力を合算して対象機器に入力する。

Description

感性フィードバック制御装置
　本発明は、感性フィードバック制御装置に関するものである。
　内閣府の調査によれば、我が国は、国内総生産（ＧＤＰ）が高いにも関わらず、幸福度が低いとされている。すなわち、ＧＤＰに関する「物の豊かさ」と、幸福度に関する「心の豊かさ」との間には大きなギャップが存在している。
　このようなギャップを埋めるための方策の１つとして、既に高度化されている「物」（福祉支援機器など）が、人の感性を考慮した動作を行うことによって、心の豊かさを向上させることが考えられている（例えば特許文献１）。また、「感性」の可視化技術についても、社会実装を想定した研究が行われている（例えば特許文献２）。
　しかしながら、感性に関するほとんどの研究は、製品のデザイン評価・設計などの静的な分野であり、特に操作者によって操作される自動車や建設機械等の機器を対象として操作者の感性を動的に制御する研究はほとんど行われていない。
特開２０１８－３６７７３号公報 特開２０１７－７４３５６号公報
　そこで、本発明は、操作者によって操作される機器において操作者の感性をフィードバック制御できる感性フィードバック制御装置を提供することを目的とする。
　本発明の一局面に係る感性フィードバック装置は、操作者によって操作される対象機器と、前記対象機器の出力ｕ（ｔ）に対応する前記操作者の生体情報ｘ（ｔ）を検出し、当該生体情報ｘ（ｔ）に基づき、前記操作者の快適度ｙ（ｔ）を決定する感性メータと、前記快適度ｙ（ｔ）に関する第１目標値ｒ（ｔ）と前記快適度ｙ（ｔ）との差分に基づき、前記出力ｕ（ｔ）に関する第２目標値ｗ（ｔ）を決定する第１制御部と、前記第２目標値ｗ（ｔ）と前記出力ｕ（ｔ）との差分に基づき、前記対象機器に対する制御入力ｖｃ（ｔ）を決定する第２制御部と、前記操作者による前記対象機器に対する操作入力ｖｈ（ｔ）、及び、前記制御入力ｖｃ（ｔ）のそれぞれについて、前記操作者の操作レベルに応じた重み付けを行う重み付け設定部と、前記重み付け設定部によりそれぞれ重み付けされた前記操作入力ｖｈ（ｔ）及び前記制御入力ｖｃ（ｔ）を加算し、加算値を前記対象機器に入力する加算器とを備えている。
実施形態に係る感性フィードバック制御装置の構成図である。 実施形態に係る感性フィードバック制御装置において用いられる感性多軸モデルの模式図である。 実施形態に係る感性フィードバック制御装置において用いられるデータベース駆動型制御を説明する図である。 実施形態に係る感性フィードバック制御装置によって得られる効果を示す図である。 図１に示す感性フィードバック制御装置においてδが１である場合の構成を簡単化して示す図である。 実施形態に係る感性フィードバック制御装置において用いられるＦＲＩＴのブロック線図である。 操作者の脳内での速度誤差ｅｈ（ｔ）と、快適度ｙ（ｔ）との関係を示すグラフである。 本数値例において、各ステップ（時刻）における快適度ｙ（ｔ）、出力ｕ（ｔ）（速度）、及び制御入力ｖ（ｔ）（トルク）を示すグラフである。 各ステップ（時刻）における調整された制御パラメータ（ＰＩＤゲイン）を示すグラフである。 比較例に係る感性フィードバック制御装置の構成図である。 比較例において、データベース駆動型制御により制御部の制御パラメータの調整を行いながら感性フィードバック制御を行った結果を示すグラフである。
　以下、図面を参照しながら、本発明の実施形態に係る感性フィードバック制御装置について説明する。尚、本発明の範囲は、以下の実施形態に限定されず、本発明の技術的思想の範囲内で任意に変更可能である。
　図１は、実施形態に係る感性フィードバック制御装置の構成図である。図１に示すように、感性フィードバック制御装置１００は、対象機器１０と、感性メータ２０と、第１制御部３０と、第２制御部４０と、δ設定部５０と、データベース６０と、制御入力調整部７０と、操作入力調整部８０とを備えている。δ設定部５０、制御入力調整部７０、及び操作入力調整部８０は重み付け設定部の一例である。さらに、感性フィードバック制御装置１００は、減算器Ａ１，Ａ２、及び加算器Ａ３を備えている。対象機器１０は、操作者によって操作される機器、例えば、自動車又は建設機械等である。図１において、第１制御部３０、第２制御部４０、感性メータ２０、減算器Ａ１，Ａ２、及び加算器Ａ３は、例えば、ＣＰＵなどのプロセッサで構成される。データベース６０は、例えばソリッドステートドライブ又はハードディスクドライブなどの不揮発性のメモリで構成される。
　感性メータ２０は、対象機器１０の出力ｕ（ｔ）に対応する操作者の生体情報ｘ（ｔ）を検出し、当該生体情報ｘ（ｔ）に基づき、操作者の快適度ｙ（ｔ）を決定する。対象機器１０の出力ｕ（ｔ）は、例えば、油圧ショベルの応答速度である。
　減算器Ａ１は、第１目標値（目標快適度ｒ（ｔ））と、快適度ｙ（ｔ）との差分ｅ（ｔ）を算出し、第１制御部３０に入力する。
　第１制御部３０は、減算器Ａ１が算出した差分ｅ（ｔ）に基づき、出力ｕ（ｔ）に関する第２目標値（目標出力ｗ（ｔ））を決定し、減算器Ａ２に入力する。
　減算器Ａ２は、目標出力ｗ（ｔ）と出力ｕ（ｔ）との差分ε（ｔ）を算出し、第２制御部４０に入力する。
　第２制御部４０は、減算器Ａ２が算出した差分ε（ｔ）に基づき、対象機器１０に対する制御入力ｖｃ（ｔ）を決定し、制御入力調整部７０に入力する。
　δ設定部５０は、操作者による対象機器１０に対する操作入力ｖｈ（ｔ）に対する重み値（１－δ）を設定する。δ設定部５０は、制御入力ｖｃ（ｔ）に対する重み値（δ）を設定する。δ設定部５０は、操作者の操作レベルに応じて重み値（１－δ）及び重み値（δ）を設定する。
　制御入力調整部７０は、δ設定部５０が設定した制御入力ｖｃ（ｔ）に対する重み値（δ）を制御入力ｖｃ（ｔ）に乗じて、加算器Ａ３に入力する。
　操作入力調整部８０は、δ設定部５０が設定した操作入力ｖｈ（ｔ）に対する重み値（１－δ）を操作入力ｖｈ（ｔ）に乗じて、加算器Ａ３に入力する。
　加算器Ａ３は、制御入力調整部７０から入力されたδ・ｖｃ（ｔ）と操作入力調整部８０から入力された（１－δ）・ｖｈ（ｔ）とを加算し、加算値を対象機器１０に入力する。
　対象機器１０は、加算器Ａ３から入力された加算値を取得し、この加算値にしたがって出力ｕ（ｔ）を算出する。
　次に、感性メータ２０の詳細を説明する。
　（感性メータ）
　本実施形態では、感性メータ２０は、対象機器の出力ｕ（ｔ）に対応する操作者の生体情報ｘ（ｔ）に基づいて快適度ｙ（ｔ）を算出する。操作者の生体情報ｘ（ｔ）は、例えば、操作者の顔表情、操作者の皮膚抵抗、操作者の上肢筋電、操作者の下枝筋電、操作者の音声を示す音声情報などである。感性メータ２０は、例えばＣＣＤカメラにより操作者の顔表情を検出すればよい。感性メータ２０は、例えば心拍センサにより心拍を検出すればよい。感性メータ２０は、例えばＣＣＤカメラにより呼吸（回数や深さ）を検出すればよい。感性メータ２０は、皮膚インピーダンスセンサにより皮膚抵抗を検出すればよい。感性メータ２０は、例えば筋電センサにより上肢筋電及び下肢筋電を検出すればよい。感性メータ２０は、マイクにより音声情報を検出すればよい。
　人は何かを見たり、聞いたり、或いは何かに触れたり、触れられたりしたときに、わくわくしたり、うきうきしたり、はらはらしたり、どきどきしたりといった感情或いは情動を抱くことがある。そのような感情或いは情動は人の複雑で高次の脳活動によってもたらされる。感情或いは情動の形成には、運動神経及び感覚神経を含む体性神経系、交感神経及び副交感神経を含む自律神経系、さらには記憶又は経験などが深く関与している。そこで、感性は、外受容感覚情報（体性神経系の情報）と内受容感覚情報（自律神経系の情報）とを統合した情報を過去の経験及び記憶と照らし合わせることによって生じる情動反応を、より上位のレベルで俯瞰する高次脳機能と定義される。換言すると、感性は、予測（イメージ）と結果（感覚情報）とのギャップを、経験及び知識と比較することによって“はっ”と気付く高次脳機能である。
　このような高次脳機能である感性は、種々の観点から総合的に捉える必要がある。例えば、人が快い、快適、或いは心地よいと感じているか、反対に人が気持ち悪い、不快、或いは心地よくないと感じているかといった「快・不快」の観点から感性を捉えることができる。また、例えば、人が覚醒、興奮、或いは活性状態にあるか、反対に人がぼんやり、沈静、或いは非活性状態にあるかといった「活性・非活性」の観点から感性を捉えることができる。また、例えば、人が何かを期待或いは予期してわくわくしているか、反対にわくわく感が阻害されているかといった「期待感」の観点から感性を捉えることができる。
　快・不快及び活性・非活性を２軸に表したラッセル（Ｒｕｓｓｅｌｌ）の円環モデルが知られている。感情は、この円環モデルで表すことができる。しかし、感性は予測（イメージ）と結果（感覚情報）とのギャップを経験及び知識と比較する高次脳機能である。そのため、感性は、快・不快及び活性・非活性の２軸からなる既存の円環モデルでは十分に表すことができない。そこで、本実施形態では、例えば、ラッセルの円環モデルに時間軸（例えば期待感）を第３軸として加えた感性多軸モデルによって、感性をとらえる。
　図２は、実施形態に係る感性フィードバック制御装置において用いられる感性多軸モデルの模式図である。図２に示すように、感性多軸モデルは、「快・不快」（感情価）を第１軸、「活性・非活性」（活性度）を第２軸、「時間（期待感）」を第３軸として表すことができる。感性を多軸モデル化することのメリットは、各軸の評価値を算出し、それらを総合することで、漠然と広い概念の感性を定量的に評価する、つまり、可視化することができる点にある。具体的には、感性多軸モデルの各軸の脳生理情報から、各軸の脳生理指標値（ＥＥＧ快，ＥＥＧ活性，ＥＥＧ期待感）が求められる。また、被験者の主観的な統計データから、感性多軸モデルの各軸の重み付け係数（ａ，ｂ，ｃ）を示す主観心理軸が得られる。そして、脳生理指標値と主観心理軸とを用いて、次のような計算式で、感性値は評価できる。被験者の主観的な統計データは、ある状態における被験者の脳波とその状態に対する被験者の回答（主観）との関係を示すデータであり、予め学習されたデータである。
　感性値＝［主観心理軸］＊［脳生理指標値］＝ａ＊ＥＥＧ快＋ｂ＊ＥＥＧ活性＋ｃ＊ＥＥＧ期待感
　感性メータ２０は、例えば上述した各種のセンサにより検出した生体情報ｘ（ｔ）を所定の演算式に入力することによって脳生理指標値を算出する。そして、感性メータ２０は、算出した脳生理指標値を上記の計算式に入力することによって、感性値を算出する。そして、感性メータ２０は、算出した感性値を快適度ｙ（ｔ）として出力する。
　次に、第１制御部３０の詳細を説明する。
　（第１制御部）
　第１制御部３０は、例えば、ＫＰ、ＫＩ、ＫＤをそれぞれ制御パラメータとする下記の式（１）に示すＰＩＤ制御を実行する。
Figure JPOXMLDOC01-appb-M000001
　目標出力ｗ（ｔ）はＰＩＤ制御における操作量である。ＫＰ、ＫＩ、ＫＤはそれぞれＰＩＤ制御における比例ゲイン、積分ゲイン、及び微分ゲインである。比例ゲイン、積分ゲイン、及び微分ゲインは、ＰＩＤゲインと称される。差分ｅ（ｔ）はＰＩＤ制御における偏差である。ここでは、差分ｅ（ｔ）がゼロに近づくようにｗ（ｔ）が調整される。
　本実施形態では、快適度ｙ（ｔ）を目標快適度ｒ（ｔ）に近づけることによって快適度ｙ（ｔ）を向上させることが目的となるが、フィードバック制御において操作者の個々に適した目標出力ｗ（ｔ）を設定することは困難である。そこで、本実施形態は、図１に示すようなカスケード制御系を採用する。これにより、本実施形態は、目標快適度ｒ（ｔ）を与えることによって、操作者の個々に適した目標出力ｗ（ｔ）を自動生成することができる。このとき、人の感性は時変系、非線形系であると考えられる。そのため、第１制御部３０は、図１に示すように、データベース６０を利用したフィードバック制御（データベース駆動型制御：例えば「脇谷伸　他、ＦＲＩＴ法を用いた非線形ＰＩＤ制御系の設計、計測と制御、Ｖｏｌ．５２、Ｎｏ．１０、ｐｐ．８８５－８９１　（２０１３）」参照）を行う。データベース６０には、第１制御部３０のＰＩＤゲインの調整に必要なデータ、例えば、目標快適度ｒ（ｔ）、快適度ｙ（ｔ）、及び目標出力ｗ（ｔ）等が逐次蓄積される。目標快適度ｒ（ｔ）は、例えば予め定められた値が採用される。
　図３は、実施形態に係る感性フィードバック制御装置において用いられるデータベース駆動型制御を説明する図である。第１制御部３０のデータベース駆動型制御は、後記の実施例で詳述される。本実施形態に係るデータベース駆動型制御は、例えば、勾配法を用いた学習機能を利用してもよいし、勾配法及びＦＲＩＴ（Ｆｉｃｔｉｔｉｏｕｓ　Ｒｅｆｅｒｅｎｃｅ　Ｉｔｅｒａｔｉｖｅ　Ｔｕｎｉｎｇ）法を組み合わせたオフライン学習、又は勾配法及びＦＲＩＴ法を組み合わせたオンライン学習を利用してもよい。
　例えば、本実施形態では、式（１）に示す制御パラメータは、データベース６０に蓄積されたデータのうち、システムの現在の状態の近傍にある近傍データに基づいて算出される。ここで算出される制御パラメータは後述の実施例で説明されるオンライン学習によって得られた制御パラメータが用いられる。但し、これは一例であり、式（１）に示す制御パラメータは、後述の実施例で説明されるオフライン学習によって得られる制御パラメータであってもよい。
　次に、第２制御部４０の詳細について説明する。
　（第２制御部）
　第２制御部４０は、例えば、ＫＰ’、ＫＩ’、ＫＤ’をそれぞれ制御パラメータとする下記の式（２）に示すＰＩＤ制御を実行する。
Figure JPOXMLDOC01-appb-M000002
　制御入力ｖｃ（ｔ）はＰＩＤ制御における操作量である。ＫＰ’、ＫＩ’、ＫＤ’は、それぞれＰＩＤ制御における比例ゲイン、積分ゲイン、及び微分ゲインである。差分ε（ｔ）はＰＩＤ制御における偏差である。ここでは、差分ε（ｔ）がゼロになるように制御入力ｖｃ（ｔ）が調整される。
　第２制御部４０の制御パラメータは、例えば対象機器１０に応じた既存のパラメータである。既存のパラメータは、固定の定数であってもよいし、可変パラメータであってもよい。
　（δ設定部）
　δ設定部５０は、基本的には、スキルの高い操作者には相対的に低い重み値（δ）を設定し、スキルの低い操作者には相対的に高い重み値（δ）を設定する。δ設定部５０は、例えば、５段階で予め評価された操作者のスキルレベルと、各スキルレベルに応じた重み値（δ）とを対応付けたスキルデータを保持しておく。そして、δ設定部５０は、操作者のスキルレベルが入力されると、入力されたスキルレベルに対応する重み値（δ）をスキルデータから決定すればよい。或いは、δ設定部５０は、操作者がテスト操作を行ったときのテスト結果に基づき、当該操作者のレベルを評価し、その評価の結果に基づいて重み値（δ）を設定してもよい。
　（効果）
　以上に説明したように、本実施形態の感性フィードバック制御装置１００は、感性メータ２０が、対象機器１０の出力ｕ（ｔ）に対応する操作者の生体情報ｘ（ｔ）を検出し、当該生体情報ｘ（ｔ）に基づき、操作者の快適度ｙ（ｔ）を決定する。また、第１制御部３０は、快適度ｙ（ｔ）に関する第１目標値（目標快適度）ｒ（ｔ）と、快適度ｙ（ｔ）との差分ｅ（ｔ）に基づき、出力ｕ（ｔ）に関する目標出力ｗ（ｔ）を決定する。また、第２制御部４０は、目標出力ｗ（ｔ）と出力ｕ（ｔ）との差分ε（ｔ）に基づき、対象機器１０に対する制御入力ｖｃ（ｔ）を決定する。このように、感性フィードバック制御装置１００は、感性メータ２０、第１制御部３０、及び第２制御部４０を用いて、対象機器１０に対する操作者の感性（具体的には快適度ｙ（ｔ））をフィードバックした制御を行うことができる。
　図４は、本実施形態の感性フィードバック制御装置１００によって得られる効果を示す図である。図４の例では、感性フィードバック制御装置１００は、例えば油圧ショベルからなる対象機器１０に適用されている。これにより、図４に示す対象機器１０は、操作者の感性をフィードバックした制御を行うことができる。そのため、感性フィードバック制御装置１００は、元来操作者のスキルレベルと無関係に画一的に設計されている対象機器１０に、多種多様なスキルレベルを持つ操作者に応じた出力応答をさせることが可能となる。従って、感性フィードバック制御装置１００は、多種多様なスキルレベルを持つ操作者の快適度を向上させることができる。
　また、δ設定部５０、制御入力調整部７０、及び操作入力調整部８０を含む重み付け設定部は、操作者による対象機器１０に対する操作入力ｖｈ（ｔ）及び制御入力ｖｃ（ｔ）のそれぞれについて、操作者の操作レベルに応じた重み付けを行い、重み付けした操作入力ｖｈ（ｔ）及び制御入力ｖｃ（ｔ）を合算し、対象機器１０に入力する。このため、重み付け設定部は、操作者の操作レベルに応じて適切な感性フィードバックの度合いを設定できる。これにより、重み付け設定部は、例えば、未熟な操作者に対しては感性フィードバックの程度を高くして、対象機器１０における当該操作者の操作入力の反映度を低くできる。逆に、重み付け設定部は、熟練操作者に対しては感性フィードバックの程度を低くして、対象機器１０における当該操作者の操作入力の反映度を高くできる。
　また、本実施形態の感性フィードバック制御装置１００において、感性メータ２０は、操作者の感情価、活性度、及び期待感の３つの情報を生体情報ｘ（ｔ）として検出し、当該３つの情報の相関性から得られる感性値を快適度ｙ（ｔ）として決定してもよい。この場合、感性である「快適度」が定量的に評価されるので、感性フィードバック制御の精度が向上される。この場合、当該３つの情報の相関性から得られる感性値は、例えば、当該３つの情報と感性値とをＡＩを用いた機械学習によって演算される。
　また、本実施形態の感性フィードバック制御装置１００において、目標快適度ｒ（ｔ）、目標出力ｗ（ｔ）、及び快適度ｙ（ｔ）が逐次蓄積されるデータベース６０をさらに備え、第１制御部３０は、データベース６０に蓄積されているデータを用いて、制御パラメータの調整を行いながら、目標出力ｗ（ｔ）を決定してもよい。この場合、非線形系である操作者の感性をモデル化することなく、データベース駆動型制御を用いて、感性フィードバック制御を行うことができる。
　また、本実施形態の感性フィードバック制御装置１００において、対象機器１０が建設機械の場合、操作者が、脳内の建設機械の目標出力（例えば油圧ショベルの目標応答速度）と同様な出力ｕ（ｔ）が得られるように現実の建設機械を操作することが可能になる。
　また、本実施形態の感性フィードバック制御装置１００において、第１制御部３０のデータベース駆動型制御は学習機能を利用してもよい。この場合、操作者による対象機器１０の操作時間が長くなるに従って、対象機器１０は、当該操作者にとってより適した出力応答を行うように徐々に変化する。これにより、感性フィードバック制御装置１００は、操作者の快適度をより一層向上できる。
　（実施例）
　以下、感性フィードバック制御装置１００の実施例が説明される。この実施例では、δが「１」に設定され、対象機器１０に制御入力ｖｃ（ｔ）のみが入力されている。また、この実施例では、主として第１制御部３０によるデータベース駆動型制御が説明される。
　図５は、図１に示す感性フィードバック制御装置１００においてδを１に設定した場合の構成を示す図である。尚、図５において、図１と同じ構成要素には同じ符号が付されている。また、図５では、δ設定部５０、制御入力調整部７０、操作入力調整部８０、及び加算器Ａ３は図示が省略されている。
　本実施例では、対象機器１０は油圧ショベルである。対象機器１０の出力ｕ（ｔ）は油圧ショベルのバケットの応答速度である。対象機器１０に対する制御入力ｖｃ（ｔ）はトルクである。応答速度は、例えば、センサにより計測される。応答速度は、バケットの応答速度に代えて、バケット以外のブーム及びアームなどの他の部材の応答速度であってもよい。すなわち、応答速度は、バケット、アーム、及びブームなどの作業装置の応答速度である。
　また、本実施例では、制御対象である操作者の快適度ｙ（ｔ）は非線形系と捉えられ、第１制御部３０に対してデータベース駆動型制御が適用される。尚、内側ループの第２制御部４０は、ＫＰ’＝１．５、ＫＩ’＝０．１、ＫＤ’＝０．１とされ、式（２）に示すＰＩＤ制御を行う。したがって、本実施例では第２制御部４０の制御パラメータは調整対象ではない。
　本実施例において、制御対象である快適度ｙ（ｔ）は、下記の式（３）に示す離散時間非線形システム（以下、「システム」と略す。）で表される。
Figure JPOXMLDOC01-appb-M000003
　式（３）において、快適度ｙ（ｔ）はシステムの出力である。ｆ（）は非線形関数である。φ（ｔ－１）は、情報ベクトルと呼ばれ、システムの時刻ｔより前の状態を表す。情報ベクトルφ（ｔ－１）は、下記の式（４）で定義される。
Figure JPOXMLDOC01-appb-M000004
　ここで、目標出力ｗ（ｔ）は、快適度ｙ（ｔ）の制御に対するシステムの入力である。ｎｙはシステムの出力の次数である。ｎｗはシステムの入力の次数である。データベース駆動型制御では、各操業データが式（４）の形式でデータベース６０（図３参照）に蓄積される。φ（ｔ）は、現在のシステムの状態を表す情報ベクトルであり、要求点（クエリ）と呼ばれる。
　第１制御部３０の制御則としては、下記の式（５）で表される速度型Ｉ－ＰＤ制御則が用いられる。
Figure JPOXMLDOC01-appb-M000005
　但し、式（５）において、ｅ（ｔ）は制御誤差信号である。ｅ（ｔ）は、ｒ（ｔ）を目標快適度とすると、下記の式（６）で定義される。
Figure JPOXMLDOC01-appb-M000006
　式（５）において、ＫＰ（ｔ）、ＫＩ（ｔ）、ＫＤ（ｔ）はそれぞれ、各ステップ（時刻ｔ）における、比例ゲイン、積分ゲイン、微分ゲインである。さらに、Δ（：＝１－ｚ－１）は差分演算子である。ｚ－１は遅延演算子である。
　本実施例では、第１制御部３０は、ＦＲＩＴ法を用いて、１回の動作実験によって得られた入出力データｗ０（ｔ）及びｙ０（ｔ）と、これらの実験データから生成される擬似参照入力～ｒ（ｔ）とを用いて第１制御部３０の制御パラメータを直接的に算出する。図６は、本実施例で用いられるＦＲＩＴのブロック線図である。図６において、Ｓｙｓｔｅｍは、第２制御部４０、対象機器１０、及び感性メータ２０である。Ｃ（ｚ－１）は制御器である。制御器は、下記の式（７）で表すことができる。
Figure JPOXMLDOC01-appb-M000007
　式（７）において、ｎは制御則の次数である。ＰＩＤ制御則の場合、ｎ＝２である。図６に示すように、Ｃ（ｚ－１）の入出力関係は、下記の式（８）で表される。
Figure JPOXMLDOC01-appb-M000008
　式（８）より、擬似参照入力～ｒは、下記の式（９）のように算出される。
Figure JPOXMLDOC01-appb-M000009
　尚、ＦＲＩＴ法では、図６に示すように、予め設計された所望の特性を有する参照モデルＧｍ（ｚ－１）が用いられる。擬似参照入力～ｒに対する参照モデルＧｍ（ｚ－１）の出力～ｙｍ（ｔ）に基づいて、第１制御部３０は、出力～ｙｍ（ｔ）とｙ0（ｔ）との誤差が小さくなるように、制御パラメータを算出する。参照モデルＧｍ（ｚ－１）は、下記の式（１０）、式（１１）の特性多項式で表される。
Figure JPOXMLDOC01-appb-M000010
Figure JPOXMLDOC01-appb-M000011
　式（１１）において、αは制御系の立ち上がり特性を示す。σは減衰特性に関係するパラメータを示す。α，σは、それぞれ任意に設定可能である。Ｔｓはサンプリング時間である。具体的には、σは制御系の出力がステップ状の目標値の約６０％に達するまでの時間である。また、αは０以上２．０以下の範囲で設定されることが望ましい。α＝０はＢｉｎｏｍｉａｌモデルの応答を示す。α＝１はＢｕｔｔｅｒｗｏｒｔｈモデルの応答を示す。
　以下、データベース駆動型ＰＩＤコントローラの設計手順について説明する。
　＜初期データベースの作成＞
　データベース駆動型制御では、過去の蓄積データが存在しない場合、原理的に局所コントローラの設計を行うことができない。従って、本実施例では、ある平衡点周りで得られた入出力データから、Ｚｉｅｇｌａｒ　＆　Ｎｉｃｈｏｌｓ（ＺＮ）法、又はＣｈｉｅｎ，Ｈｒｏｎｅｓ＆Ｒｅｓｗｉｃｋ（ＣＨＲ）法などを用いてＰＩＤゲイン（制御パラメータ）を算出し、ＰＩＤゲインと前述の入出力データとからなる情報ベクトル（下記の式（１２）で表される）を含む初期データベースを作成する。ＺＮ法は文献「Ｊ．Ｇ．Ｚｉｅｇｌａｒ　他、Ｏｐｔｉｍｕｍ　ｓｅｔｔｉｎｇｓ　ｆｏｒ　ａｕｔｏｍａｔｉｃ　ｃｏｎｔｒｏｌｌｅｒｓ、Ｔｒａｎｓ．ＡＳＭＥ、Ｖｏｌ．６４、Ｎｏ．８、ｐｐ．７５９－７６８　（１９４２）」に開示されている。ＣＨＲ法は文献「Ｋ．Ｌ．Ｃｈｉｅｎ他、Ｏｎ　ｔｈｅ　Ａｕｔｏｍａｔｉｃ　Ｃｏｎｔｒｏｌ　ｏｆ　Ｇｅｎｅｒａｌｉｚｅｄ　Ｐａｓｓｉｖｅ　Ｓｙｓｔｅｍｓ、Ｔｒａｎｓ．ＡＳＭＥ、Ｖｏｌ．７４、ｐｐ．１７５－１８５　（１９７２）」に開示されている。衡点周りで得られた入出力データとは、例えば、同じ特性のデータの集合である。
Figure JPOXMLDOC01-appb-M000012
　式（１２）において、ｊ＝１、２、・・・、Ｎ（０）であり、ｉ＝１、２、・・・Ｍであり、－φ（ｊ）、Ｋ（ｊ）はそれぞれ下記の式（１３）、式（１４）で与えられる。
Figure JPOXMLDOC01-appb-M000013
Figure JPOXMLDOC01-appb-M000014
　Ｎ（０）は初期データ数（初期データベースにおける情報ベクトルの数）である。Ｍは要素数である。初期データベースにおけるＰＩＤゲインは固定であるので、Ｋ（１）＝Ｋ（２）＝・・・＝Ｋ（Ｎ（０））である。
　以上の初期データベースを作成する処理は、システムの稼働中にデータベースに６０蓄積された操業データを用いて、システムの非稼働時に実行される。
　＜距離の算出、近傍の選択＞
　要求点－φ（ｔ）と、データベースに蓄えられている情報ベクトル－φ（ｊ）との距離は、下記の式（１５）で表される重みつきＬ１ノルムにより求められる。
Figure JPOXMLDOC01-appb-M000015
　Ｎ（ｔ）は時刻ｔにおいてデータベースに蓄えられているデータ数（情報ベクトルの数）である。－φｌ（ｊ）は第ｊ番目の情報ベクトルの第ｌ番目の要素である。－φｌ（ｔ）は時刻ｔにおける要求点の第ｌ番目の要素である。ｍａｘ－φｌ（ｍ）は、データベースに存在する全ての情報ベクトル（－φ（ｊ）：ｊ＝１、２、・・・、Ｎ（ｔ））の第ｌ番目の要素の中で最も大きな要素である。ｍｉｎ－φｌ（ｍ）は、前記第ｌ番目の要素のなかで最も小さな要素である。
　本実施例は、式（１５）に示す距離ｄが小さい順にｋ個の情報ベクトルをデータベースから選択し、選択したデータの集合を近傍データとして定義する。
　＜局所コントローラの構成＞
　次に、本実施例は、前述のように選択された近傍データに対して、下記の式（１６）で示される、重みつき局所線形平均法（Ｌｉｎｅａｒｌｙ　Ｗｅｉｇｈｔｅｄ　Ａｖｅｒａｇｅ：ＬＷＡ）を適用し、局所コントローラを構成する。
Figure JPOXMLDOC01-appb-M000016
　ここで、ｗｉは、近傍データの第ｉ番目の情報ベクトルに含まれるＫ（ｉ）に対する重みであり、下記の式（１７）で与えられる。
Figure JPOXMLDOC01-appb-M000017
　以上の手順により各時刻ｔにおけるＰＩＤゲインが算出される。さらに、データベース駆動型制御系が各平衡点において適切にＰＩＤゲインを調整できようにするためには、データベースの学習（制御パラメータの更新）を行う必要がある。そこで、本実施例は、ＦＲＩＴを適用し、データベースの構築に用いた初期データから、学習によってデータベース内の各データセットにおけるＰＩＤゲインをオフラインで更新する。オフラインは、システムを稼働させる前の状態であり、例えば、対象機器１０の非稼働時である。
　＜ＦＲＩＴを用いたデータベース駆動型制御のオフライン学習＞
　以下、ＦＲＩＴを用いたデータベース駆動型制御のオフライン学習が具体的に説明される。まず、閉ループデータでの要求点－φ０（ｔ）におけるＰＩＤゲインを算出するために、式（１５）によって、要求点とデータベース６０内の情報ベクトルとの間の距離が計算され、計算結果からｋ個の近傍データが選択される。続いて、式（１６）によってＰＩＤゲインが算出される。算出されたＰＩＤゲインに対して、下記の式（１８）、式（１９）で表される最急降下法が適用される。これにより、ＰＩＤゲインＫｏｌｄ（ｔ）の学習が行われ、新たにＫｎｅｗが導出される。
Figure JPOXMLDOC01-appb-M000018
Figure JPOXMLDOC01-appb-M000019
　式（１８）、式（１９）において、ηは学習係数、Ｊ（ｔ＋１）は、下記の式（２０）、式（２１）で定義される評価規範である。
Figure JPOXMLDOC01-appb-M000020
Figure JPOXMLDOC01-appb-M000021
　但し、～ｙｍ（ｔ）は、下記の式（２２）のように設計される。
Figure JPOXMLDOC01-appb-M000022
　式（２２）において、Ｇｍ（１）＝１＋ｐ１＋ｐ２である（式（１０）参照）。
　また、式（１８）の右辺第２項のそれぞれの偏微分は、式（２３）のように展開される。
Figure JPOXMLDOC01-appb-M000023
　式（２３）において、Γ（ｔ）は、下記の式（２４）のように表される。
Figure JPOXMLDOC01-appb-M000024
　式（２３）に擬似参照入力～ｒ（ｔ）が含まれていることから、式（１８）は、ＦＲＩＴによるオフライン学習となっている。式（１８）により得られたＫｎｅｗ（ｔ）を用いて、データベース上の各近傍データが更新される。この手順が、式（２０）で表される評価規範が十分小さくなるまで繰り返される。これによって、最適なデータベースが取得される。システムに対してデータベース駆動型制御を適用する際は、各ステップ（時刻）のそれぞれに、前述の「初期データベースの作成」、「距離の算出、近傍の選択」、「局所コントローラの構成」で説明した手順に従って局所コントローラが構成される。これにより、非線形システムに対して、より有効な制御性能が得られる。
　＜ＦＲＩＴを用いたデータベース駆動型制御のオンライン学習＞
　上記のオフライン学習によって得られたＰＩＤゲインは、さらに、下記のオンライン学習によって更新される。オンライン学習とは、システムのオンライン時に行われる。オンラインとは、システムが稼働中の状態であることを示す。
　オンライン学習は、オフライン学習により得られたＰＩＤゲインに対して、式（２５）、式（２６）に示す再急降下法を適用する。
Figure JPOXMLDOC01-appb-M000025
Figure JPOXMLDOC01-appb-M000026
　式（２５）、式（２６）において、ηは学習係数、Ｊ（ｔ＋１）は、下記の式（２７）、式（２８）で定義される評価規範である。式（２８）において式（２１）で示すｙ０（ｔ）がｙ（ｔ）となっている点がオフライン学習と相違する。
　ｙｍ（ｔ）は式（２９）で表される。
Figure JPOXMLDOC01-appb-M000027
Figure JPOXMLDOC01-appb-M000028
Figure JPOXMLDOC01-appb-M000029
　Ｇｍ（ｚ－１）は参照モデルの特性多項式であり、式（３０）、式（３１）で表される。
Figure JPOXMLDOC01-appb-M000030
Figure JPOXMLDOC01-appb-M000031
　δは制御系の立ち上がり特性である。σは減衰特性に関するパラメータである。δ，σは、それぞれ、設計者により任意に設定される。式（２５）の右辺第２項の偏微分は式（３２）で表される。
Figure JPOXMLDOC01-appb-M000032
　オンライン学習により算出されたＰＩＤゲインは式（１）の制御パラメータとして適用される。
　＜数値例＞
　以下、本実施例による感性フィードバック制御の数値例について説明する。
　ここで、図５に示す対象機器（操作者が操作する機器）１０は、油圧ショベルであるとする。この場合、対象機器１０は、下記の式（３３）の一次遅れ系で表される。
Figure JPOXMLDOC01-appb-M000033
　一方、快適度ｙ（ｔ）は、下記の式（３４）、式（３５）に示すウェーバー・フェヒナーの法則（「Ｉ．Ｐ．Ｈｅｒｍａｎ、Ｐｈｙｓｉｃｓ　ｏｆ　ｔｈｅ　Ｈｕｍａｎ　Ｂｏｄｙ：Ｂｉｏｌｏｇｉｃａｌ　ａｎｄ　Ｍｅｄｉｃａｌ　Ｐｈｙｓｉｃｓ、Ｂｉｏｍｅｄｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ、Ｓｐｒｉｎｇｅｒ－Ｖｅｒｌａｇ　ＧｍｂＨ　＆　ＣＯ．ＫＧ　（２００７）」参照）を用いて表される。式（３４）、式（３５）において、快適度ｙ（ｔ）は、最大値が１となる。
Figure JPOXMLDOC01-appb-M000034
Figure JPOXMLDOC01-appb-M000035
　式（３４）、式（３５）において、ｗｈ（ｔ）は、操作者が脳内で持つ油圧ショベルの目標速度であるが、これは制御系にとって未知である。ｅｈ（ｔ）は、操作者の脳内で感じる油圧ショベルの速度誤差である。
　式（３４）から、操作者の脳内での速度誤差ｅｈ（ｔ）が完全にゼロであれば、快適度ｙ（ｔ）は最大の１となる。Ｅ（ｔ）は、快適度ｙ（ｔ）に関する変数であり、操作者によって異なる値を持つ。図７は、操作者の脳内での速度誤差ｅｈ（ｔ）と、快適度ｙ（ｔ）との関係を示すグラフである。図７に示すように、速度誤差ｅｈ（ｔ）が大きくなるほど、快適度ｙ（ｔ）が低下する。また、Ｅ（ｔ）が大きくなるほど、快適度ｙ（ｔ）の低下率が大きくなる。
　以下に説明する数値例における各設定パラメータは、ｒ＝０．８、ｗｈ＝４０、σ＝１０、α＝０、η＝［８０、６０、８０］とされた。
　内側ループの第２制御部４０には、既存の制御パラメータが用いられた。外側ループの第１制御部３０の制御パラメータの調整には、非線形システムに対して有効なデータベース駆動型制御（「脇谷伸　他、ＦＲＩＴ法を用いた非線形ＰＩＤ制御系の設計、計測と制御、Ｖｏｌ．５２、Ｎｏ．１０、ｐｐ．８８５－８９１　（２０１３）」参照）が用いられた。
　また、初期データ｛ｕ０、ｙ０｝を取得するための外側ループ（第１制御部３０）のＰＩＤゲインは、ＫＰ＝３．５、ＫＩ＝０．５、ＫＤ＝３．５とされた。内側ループ（第２制御部４０）のＰＩＤゲインは、ＫＰ’＝１．５、ＫＩ’＝０．１、ＫＤ’＝０．１とされた。
　以上の設定においてデータベース駆動型制御により第１制御部３０の制御パラメータの調整を行いながら感性フィードバック制御が行われた。図８は、本数値例において、各ステップ（時刻）における快適度ｙ（ｔ）、出力ｕ（ｔ）（速度）、及び制御入力ｖｃ（ｔ）（トルク）を示すグラフである。図９は、各ステップ（時刻）における調整された制御パラメータ（ＰＩＤゲイン）を示すグラフである。
　式（３４）で表されるように、快適度ｙ（ｔ）は非線形系である。そのため、図８の上段のグラフに示すように、ＰＩＤゲインが固定された状態で得られた初期データｙ０は、目標快適度ｒ（＝０．８）に追従していない。一方、本実施例は、データベース駆動型制御によりＰＩＤゲインを調整する。そのため、図８の上段のグラフに示すように、快適度ｙは、目標快適度ｒに追従している。このように、本実施例では、感性フィードバック制御が実現されていることが分かる。これは、図９に示すように、ＰＩＤゲインが適応的に調整されているからである。
　操作者の脳内の目標出力ｗｈ（＝４０：目標速度）は制御系にとっては未知であるが、本実施例によって得られた目標出力ｗ（目標速度）は、最終的には４０になっている（図８の中段のグラフ）。このことから、データベースを解析すれば、操作者の脳内の目標速度を推定できる。
　また、図８の下段に示すように、負荷が大きいときには、それに伴って大きい制御入力ｖｃ（ｔ）（トルク）が自動算出されていることが分かる。
　（比較例）
　以下、本実施形態の感性フィードバック制御の比較例が説明される。この比較例は、感性フィードバック制御を外側ループのみにより実現する。つまり、この比較例は、対象機器に関する内側の制御ループが省かれている。以下、この比較例を用いて、本実施形態の感性フィードバック制御におけるカスケード制御系（外側ループ＋内側ループ）の有効性について説明する。
　図１０は、比較例に係る感性フィードバック制御装置の構成図である。図１０に示すように、比較例に係る感性フィードバック制御装置２００は、対象機器１０、感性メータ２０、制御部３０Ａ、及びデータベース６０Ａを備えている。対象機器１０は、前述の実施例と同様に、操作者によって操作される油圧ショベルである。感性メータ２０は、図１に示す本実施形態の感性フィードバック制御装置２００の感性メータ２０と同様である。感性メータ２０は、対象機器１０の出力ｕ（ｔ）に対応する操作者の生体情報ｘ（ｔ）を検出し、当該生体情報ｘ（ｔ）に基づき、操作者の快適度ｙ（ｔ）を決定する。制御部３０Ａは、快適度ｙ（ｔ）に関する目標値（目標快適度）ｒ（ｔ）と、快適度ｙ（ｔ）との差分ｅ（ｔ）に基づき、対象機器１０に対する制御入力ｖｃ（ｔ）を決定する。
　制御部３０Ａは、例えば、ＫＰ’’、ＫＩ’’、ＫＤ’’をそれぞれＰＩＤゲインとして、下記の式（３６）に示すＰＩＤ制御を実行する。
Figure JPOXMLDOC01-appb-M000036
　また、制御部３０Ａは、データベース６０Ａを利用したデータベース駆動型制御を行う。データベース６０Ａには、制御部３０ＡのＰＩＤゲインの調整に必要なデータ、例えば、目標快適度ｒ（ｔ）、快適度ｙ（ｔ）、及び制御入力ｖｃ（ｔ）等が逐次蓄積される。
　本比較例でも、対象機器１０の出力ｕ（ｔ）は油圧ショベルのバケットの応答速度であり、対象機器１０に対する制御入力ｖｃ（ｔ）はトルクである。
　図１１は、比較例において、データベース駆動型制御により制御部３０Ａの制御パラメータの調整を行いながら感性フィードバック制御を行った結果を示すグラフである。図１１において、上段のグラフは、各ステップ（時刻）における快適度ｙ（ｔ）を示す。中段のグラフは各ステップ（時刻）における出力ｕ（ｔ）（速度）を示す。下段のグラフは、各ステップ（時刻）における制御入力ｖｃ（ｔ）（トルク）を示す。尚、初期データ｛ｕ０、ｙ０｝を取得するための制御部３０ＡのＰＩＤゲインは、前述の実施例と同様に、ＫＰ＝３．５、ＫＩ＝０．５、ＫＤ＝３．５とされた。その他のパラメータも、前述の実施例と同様に、ｒ＝０．８、ｗｈ＝４０、σ＝１０、α＝０、η＝［８０、６０、８０］とされた。
　図１１の上段に示すように、比較例においては、データベース駆動型制御によりＰＩＤゲインが調整されているが、快適度ｙは目標快適度ｒに追従していない。すなわち、比較例に係る感性フィードバック制御は、十分な制御性能を実現できていない。
　この結果から、本実施形態の感性フィードバック制御においてはカスケード制御系により内側ループ（第２制御部４０）の即応性が向上されている。これにより、本実施形態は、制御系の設計が容易になり、感性フィードバック制御の精度を向上できる。
　以上、本発明についての実施形態（実施例を含む）を説明したが、本発明は前述の実施形態のみに限定されず、発明の範囲内で種々の変更が可能である。すなわち、前述の実施形態の説明は、本質的に例示に過ぎず、本発明、その適用物或いはその用途を制限することを意図してない。
　例えば、本実施形態においては、油圧ショベル（建設機械）を例として、感性フィードバック制御装置を説明したが、操作者により操作される他の機器についても同様に適用可能である。

Claims (6)

  1. 　操作者によって操作される対象機器と、
    　前記対象機器の出力ｕ（ｔ）に対応する前記操作者の生体情報ｘ（ｔ）を検出し、当該生体情報ｘ（ｔ）に基づき、前記操作者の快適度ｙ（ｔ）を決定する感性メータと、
    　前記快適度ｙ（ｔ）に関する第１目標値ｒ（ｔ）と前記快適度ｙ（ｔ）との差分に基づき、前記出力ｕ（ｔ）に関する第２目標値ｗ（ｔ）を決定する第１制御部と、
    　前記第２目標値ｗ（ｔ）と前記出力ｕ（ｔ）との差分に基づき、前記対象機器に対する制御入力ｖｃ（ｔ）を決定する第２制御部と、
    　前記操作者による前記対象機器に対する操作入力ｖｈ（ｔ）、及び、前記制御入力ｖｃ（ｔ）のそれぞれについて、前記操作者の操作レベルに応じた重み付けを行う重み付け設定部と、
    　前記重み付け設定部によりそれぞれ重み付けされた前記操作入力ｖｈ（ｔ）及び前記制御入力ｖｃ（ｔ）を加算し、得られた値を前記対象機器に入力する加算器とを備える、
    　感性フィードバック制御装置。
  2. 　請求項１に記載の感性フィードバック制御装置において、
    　前記感性メータは、操作者の感情価、活性度、及び期待感の３つの情報を前記生体情報ｘ（ｔ）として検出し、当該３つの情報の相関性から得られる感性値を前記快適度ｙ（ｔ）として決定する、
    　感性フィードバック制御装置。
  3. 　請求項１又は２に記載の感性フィードバック制御装置において、
    　前記第１目標値ｒ（ｔ）、前記第２目標値ｗ（ｔ）、及び前記快適度ｙ（ｔ）が逐次蓄積されるデータベースをさらに備え、
    　前記第１制御部は、前記データベースに蓄積されているデータを用いて、制御パラメータの調整を行いながら、前記第２目標値ｗ（ｔ）を決定する、
    　感性フィードバック制御装置。
  4. 　請求項１～３のいずれか１項に記載の感性フィードバック制御装置において、
    　前記対象機器は、建設機械である、
    　感性フィードバック制御装置。
  5. 　請求項４記載の感性フィードバック制御装置において、
    　前記出力ｕ（ｔ）は、前記建設機械が備える作業装置の応答速度である、
    　感性フィードバック制御装置。
  6. 　請求項３記載の感性フィードバック制御装置において、
    　前記制御パラメータは、比例ゲインＫｐ（ｔ）、積分ゲインＫＩ（ｔ）、及び微分ゲインＫＤ（ｔ）である、
    　感性フィードバック制御装置。
     
PCT/JP2019/041919 2018-11-01 2019-10-25 感性フィードバック制御装置 WO2020090659A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP19879978.5A EP3855258B1 (en) 2018-11-01 2019-10-25 Sensibility feedback control device
CN201980070348.9A CN112867973A (zh) 2018-11-01 2019-10-25 感性反馈控制装置
US17/288,757 US11926991B2 (en) 2018-11-01 2019-10-25 Sensibility feedback control device

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018206633A JP7154954B2 (ja) 2018-11-01 2018-11-01 感性フィードバック制御装置
JP2018-206633 2018-11-01

Publications (1)

Publication Number Publication Date
WO2020090659A1 true WO2020090659A1 (ja) 2020-05-07

Family

ID=70464020

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/041919 WO2020090659A1 (ja) 2018-11-01 2019-10-25 感性フィードバック制御装置

Country Status (5)

Country Link
US (1) US11926991B2 (ja)
EP (1) EP3855258B1 (ja)
JP (1) JP7154954B2 (ja)
CN (1) CN112867973A (ja)
WO (1) WO2020090659A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012022041A (ja) * 2010-07-12 2012-02-02 Mazda Motor Corp 車両用運転技量育成装置
JP2017074356A (ja) 2015-10-16 2017-04-20 国立大学法人広島大学 感性評価方法
WO2017104793A1 (ja) * 2015-12-17 2017-06-22 国立大学法人広島大学 乗員の感性向上システム
JP2017136922A (ja) * 2016-02-02 2017-08-10 富士通テン株式会社 車両制御装置、車載機器制御装置、地図情報生成装置、車両制御方法及び車載機器制御方法
JP2018036773A (ja) 2016-08-30 2018-03-08 国立大学法人広島大学 データ指向型フィードバック制御装置およびデータ指向型フィードバック制御方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008058459A (ja) * 2006-08-30 2008-03-13 Toyota Motor Corp 運転評価装置
CN101140656A (zh) * 2006-09-04 2008-03-12 张德富 一种音乐消费行为分析的方法
US8872640B2 (en) 2011-07-05 2014-10-28 Saudi Arabian Oil Company Systems, computer medium and computer-implemented methods for monitoring health and ergonomic status of drivers of vehicles
CN102679505B (zh) * 2012-06-13 2014-04-23 重庆大学 房间温度控制方法
JP6658029B2 (ja) * 2016-02-04 2020-03-04 スズキ株式会社 車両用スロープ収納機構
KR101953051B1 (ko) * 2016-03-31 2019-02-27 히다찌 겐끼 가부시키가이샤 건설 기계의 출력 특성 변경 시스템
US10351000B2 (en) 2016-08-01 2019-07-16 International Business Machines Corporation Intelligent vehicle fuel gauge

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012022041A (ja) * 2010-07-12 2012-02-02 Mazda Motor Corp 車両用運転技量育成装置
JP2017074356A (ja) 2015-10-16 2017-04-20 国立大学法人広島大学 感性評価方法
WO2017104793A1 (ja) * 2015-12-17 2017-06-22 国立大学法人広島大学 乗員の感性向上システム
JP2017136922A (ja) * 2016-02-02 2017-08-10 富士通テン株式会社 車両制御装置、車載機器制御装置、地図情報生成装置、車両制御方法及び車載機器制御方法
JP2018036773A (ja) 2016-08-30 2018-03-08 国立大学法人広島大学 データ指向型フィードバック制御装置およびデータ指向型フィードバック制御方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
J. G. ZIEGLAR ET AL.: "Optimum settings for automatic controllers", TRANS. ASME, vol. 64, 1942, pages 759 - 768
K. L. CHIEN ET AL.: "On the Automatic Control of Generalized Passive Systems", TRANS. ASME, vol. 74, 1972, pages 175 - 185
See also references of EP3855258A4
WAKITANI SHIN ET AL.: "Design of FRIT-Based Nonlinear PID Control Systems", JOURNAL OF THE SOCIETY OF INSTRUMENT AND CONTROL ENGINEERS, vol. 52, no. 10, 2013, pages 885 - 891

Also Published As

Publication number Publication date
EP3855258A4 (en) 2021-12-15
JP7154954B2 (ja) 2022-10-18
US11926991B2 (en) 2024-03-12
US20210395977A1 (en) 2021-12-23
EP3855258B1 (en) 2022-10-05
CN112867973A (zh) 2021-05-28
JP2020071766A (ja) 2020-05-07
EP3855258A1 (en) 2021-07-28

Similar Documents

Publication Publication Date Title
US20170312582A1 (en) Force Profile Control For The Application Of Horizontal Resistive Force
CN112673378B (zh) 推断器生成装置、监视装置、推断器生成方法以及推断器生成程序
US10575769B2 (en) Data-oriented feedback controller and data-oriented feedback control method
JP6111913B2 (ja) 制御パラメータ調整システム
WO2020107693A1 (zh) 空氧混合器压力控制方法、装置、计算机设备和存储介质
As’ arry et al. Hybrid learning control for improving suppression of hand tremor
WO2020090659A1 (ja) 感性フィードバック制御装置
Kinoshita et al. Design of a database-driven kansei feedback control system using a hydraulic excavators simulator
Ensastiga et al. Speed controller-based fuzzy logic for a biosignal-feedbacked cycloergometer
JPH10262942A (ja) 満足感計測システムおよびフィードバック装置
EP4047140A1 (en) Feedback control device
JP5213026B2 (ja) フィードバック制御ゲインの設定方法及び設定支援プログラム
KR102276625B1 (ko) 비정상 근육 시너지 패턴 교정 훈련 장치 및 이를 이용한 피험자의 근육 시너지 패턴 교정 훈련 방법
JP7217874B2 (ja) 評価装置、制御装置、操作主体感向上システム、評価方法、及びコンピュータプログラム
Chotimah et al. Chronic Kidney Disease Diagnosis System using Sequential Backward Feature Selection and Artificial Neural Network
JP2017140187A (ja) 運転者用呼吸モニタ装置
JP5442480B2 (ja) マッサージ機、及びマッサージ力の設定方法
Etumusei et al. Estimating change intensity and duration in human activity recognition using martingales
Pham et al. A hybrid controller for multiple drug infusion in heart failure using convolutional neural network
US20230011012A1 (en) Adaptive cyber manufacturing (acm) through online human-ai partnerships
US12020789B1 (en) Systems and methods enabling baseline prediction correction
Kashihara Nonlinear system identification based on convolutional neural networks for multiple drug interactions
JP4155508B2 (ja) 制御装置の制御パラメータ調整方法
KR102218713B1 (ko) 발표자의 정신적 스트레스 인식 및 피드백 제공 장치
Kashihara Dynamically assessing the arterial baroreflex by examining ramp responses to vasoactive agents

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19879978

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2019879978

Country of ref document: EP

Effective date: 20210420

NENP Non-entry into the national phase

Ref country code: DE