WO2021070711A1 - 情報処理装置、及び情報処理方法 - Google Patents

情報処理装置、及び情報処理方法 Download PDF

Info

Publication number
WO2021070711A1
WO2021070711A1 PCT/JP2020/037219 JP2020037219W WO2021070711A1 WO 2021070711 A1 WO2021070711 A1 WO 2021070711A1 JP 2020037219 W JP2020037219 W JP 2020037219W WO 2021070711 A1 WO2021070711 A1 WO 2021070711A1
Authority
WO
WIPO (PCT)
Prior art keywords
work
simulation
information processing
sample data
parameter
Prior art date
Application number
PCT/JP2020/037219
Other languages
English (en)
French (fr)
Inventor
宇都木　契
真斗 永田
宏視 荒
石橋　尚也
守屋　俊夫
Original Assignee
株式会社日立製作所
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 株式会社日立製作所 filed Critical 株式会社日立製作所
Priority to US17/767,482 priority Critical patent/US20230219226A1/en
Priority to CN202080071279.6A priority patent/CN114556385A/zh
Publication of WO2021070711A1 publication Critical patent/WO2021070711A1/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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1671—Programme controls characterised by programming, planning systems for manipulators characterised by simulation, either to verify existing program or to create and verify new program, CAD/CAM oriented, graphic oriented programming systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J13/00—Controls for manipulators
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/1653—Programme controls characterised by the control loop parameters identification, estimation, stiffness, accuracy, error analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]

Definitions

  • the present invention relates to an information processing apparatus and an information processing method, and particularly to a technique for simulating a process.
  • Patent Document 1 discloses a simulator cooperation device configured for the purpose of solving the problem that simulations executed by each of a plurality of simulators cannot be synchronized.
  • the simulator cooperation device receives the sample interval for periodically executing the simulation from the user, acquires the first execution result for the sample interval of the first simulator from the first simulator, and the sample interval from the second simulator for the controlled device.
  • the second execution result of the minute is acquired, the first execution result is output to the second simulator, the second execution result is output to the first simulator, and the simulation is cycled to each of the first simulator and the second simulator at sample intervals.
  • the above problem is solved by executing the simulation.
  • the processing load is relatively small and the result can be obtained quickly, but high prediction accuracy cannot be expected.
  • the prediction accuracy is higher than that of the upper simulation, but the processing load is large and the time until the result is obtained is long.
  • Patent Document 1 discloses a method of linking a plurality of simulators, but there is nothing about a mechanism for improving accuracy and reducing a processing load in a simulation of work performed by a plurality of processes having a hierarchical structure. Not disclosed.
  • the present invention has been made in view of such a background, and is an information processing device and information capable of efficiently predicting an index for work performed by a plurality of steps having a hierarchical structure with high accuracy.
  • the purpose is to provide a processing method.
  • One of the present inventions for achieving the above object is an information processing device that predicts an index when a work is performed by a plurality of steps having a hierarchical structure, and the lower step of the work is a lower step.
  • Sample data which is data including an index generated by executing a lower simulation, which is a simulation based on a lower model, which is a model set for, is stored in association with a parameter representing each of the above operations, and is predicted.
  • the upper simulation which is a simulation based on the upper model, which is a model set for the upper process, which is the upper process, is associated with a parameter similar to the parameter representing the prediction work.
  • an index for the prediction work is predicted.
  • (A) is an example of parameters
  • (b) is an example of sample data.
  • This is an example of a process work stack table.
  • (A) is an example of a screen displayed by a robot simulator
  • (b) is an example of a screen displayed by a human work simulator.
  • (A) is an example of screen information used when executing an RPA script
  • (b) is an example of an RPA script for automatically executing a simulator. It is a flowchart explaining the prediction process.
  • This is an example of a prediction result presentation screen.
  • work information (second embodiment).
  • This is an example of parameters (second embodiment).
  • It is a flowchart explaining the prediction process (second embodiment).
  • This is an example of a virtual space model (third embodiment).
  • This is an example of a three-dimensional simulation image (third embodiment).
  • FIG. 1 is an example of work performed by a plurality of processes having a hierarchical structure (for example, work in warehouse work, work in product manufacturing work, etc.).
  • the work illustrated is the upper process 31 (A1, A2, A3) and the lower process 32 constituting the upper process 31 (in the figure, the lower process 32 (A11, A12, A13) of the upper process A1. ) Only exemplify) and.
  • the output of each step is input to the subsequent steps via the buffer 35 (such as a storage area for luggage and products).
  • the upper model is a model set for the upper process 31.
  • KPI Key Performance Indicator
  • the lower-level simulation is a model set for each of the lower-level processes 32 constituting the upper-level process 31.
  • the required time when the work predicted by a known work amount prediction method (hereinafter referred to as "prediction work”) is input to the upper process 31 is obtained as a predicted value.
  • the required time is obtained by, for example, a higher model that performs approximate processing such as dividing the work amount of the prediction work by the average number of processes or the average number of productions.
  • the lower simulation for example, when a person is the main work subject, "total amount of work", “number of workers involved”, “occurrence rate of stagnation factors that hinder work", and “skilled worker”.
  • the upper simulation does not require the setting of detailed parameters having indefiniteness as compared with the latter lower simulation, and the processing load is small, so that the results can be obtained quickly.
  • the accuracy can be expected to be improved by the lower simulation, the processing tends to be heavier by handling the detailed parameters, and the time until the result is obtained is longer than that by the upper simulation.
  • parameters that cannot be determined need to be supplemented with default values, mean values obtained from random values, variance values, etc., which leads to a decrease in accuracy and an increase in processing load.
  • the actually measured data (hereinafter referred to as “measured data") and the data generated by the lower simulation (hereinafter referred to as “sample data”) for various input operations are referred to. If the sample data associated with the parameter (feature amount) representing the work feature is stored and the sample data associated with the parameter similar to the parameter representing the prediction work is stored, the sample data is used.
  • the predicted value for the upper process 31 is obtained by performing the upper simulation.
  • sample data that complements the sample data by performing a lower simulation for the lower process 32 of the upper process 31.
  • complementary data is generated, and a higher-level simulation is performed using the sample data and the complementary data (or only the complementary data) to obtain a predicted value for the higher-level process 31.
  • the upper simulation is performed using the sample data, and the parameter similar to the parameter representing the prediction work is set.
  • the predicted value can be obtained efficiently and with high accuracy by generating the necessary complementary data by the lower simulation and performing the upper simulation.
  • FIG. 2 shows the hardware configuration of the information processing device (hereinafter referred to as “prediction device 100”) used to realize the above mechanism.
  • the prediction device 100 includes a processor 11, a main storage device 12, an auxiliary storage device 13, an input device 14, an output device 15, and a communication device 16.
  • the prediction device 100 may be realized by using a virtual information processing resource such as a cloud server provided by a cloud system. Further, the prediction device 100 may be configured by using a plurality of information processing devices having the configurations shown in the figure.
  • the processor 11 includes, for example, a CPU (Central Processing Unit), an MPU (Micro Processing Unit), a GPU (Graphics Processing Unit), an FPGA (Field Programmable Gate Array), an ASIC (Application Specific Integrated Circuit), an AI (Artificial Intelligence) chip, and the like. It is configured using.
  • a CPU Central Processing Unit
  • MPU Micro Processing Unit
  • GPU Graphics Processing Unit
  • FPGA Field Programmable Gate Array
  • ASIC Application Specific Integrated Circuit
  • AI Artificial Intelligence
  • the main storage device 12 is a device that stores programs and data, such as a ROM (Read Only Memory), a RAM (Random Access Memory), and a non-volatile memory (NVRAM (Non Volatile RAM)).
  • ROM Read Only Memory
  • RAM Random Access Memory
  • NVRAM Non Volatile RAM
  • the auxiliary storage device 13 includes, for example, an SSD (Solid State Drive), a hard disk drive, an optical storage device (CD (Compact Disc), DVD (Digital Versatile Disc), etc.), a storage system, an IC card, an SD card, or an optical recording device.
  • a reading / writing device for a recording medium such as a medium, a storage area for a cloud server, and the like.
  • Programs and data can be read into the auxiliary storage device 13 via a reading device for a recording medium or a communication device 16.
  • Programs and data stored (stored) in the auxiliary storage device 13 are read into the main storage device 12 at any time.
  • the input device 14 is an interface that accepts input from the outside, and is, for example, a keyboard, a mouse, a touch panel, a card reader, a voice input device, or the like.
  • the output device 15 is an interface that outputs various information such as processing progress and processing results.
  • the output device 15 is, for example, a display device (liquid crystal monitor, LCD (Liquid Crystal Display), graphic card, etc.) that visualizes the above-mentioned various information, and a device (audio output device (speaker, etc.)) that visualizes the above-mentioned various information.
  • a device printing device, etc.
  • the prediction device 100 may be configured to input or output information from another device via the communication device 16.
  • the communication device 16 is a device that realizes communication with other devices.
  • the communication device 16 realizes communication with another device (for example, an information processing device or a user terminal (smartphone, tablet, mobile phone, etc.) provided at the site where the process is performed) via a communication network.
  • Wired or wireless communication interface for example, NIC (Network Interface Card), wireless communication module (BLE module, WiFi module, etc.), USB module, serial communication module, and the like.
  • the functions included in the prediction device 100 are realized by the processor 11 reading and executing the program stored in the main storage device 12, or by the hardware (FPGA, ASIC, AI chip, etc.) constituting each of them.
  • the hardware FPGA, ASIC, AI chip, etc.
  • an operating system, a device driver, a file system, a DBMS (DataBase Management System) (relational database, NoSQL, etc.) and the like may be introduced in the prediction device 100.
  • FIG. 3 shows the main functions of the prediction device 100.
  • the prediction device 100 includes a storage unit 110, a work prediction unit 130, an equipment information management unit 132, a worker information management unit 133, a parameter generation information management unit 134, a parameter generation unit 135, and a sample data management unit.
  • Each function includes 140, a prediction processing unit 150, and a progress management unit 160.
  • the storage unit 110 includes upper model information 111, lower model information 112, work information 113, device information 114, worker information 115, parameter generation information 116, parameter 117, sample data 118, complementary data 119, virtual process progress table 121, And each information (data) of the process work stack table 120 is stored.
  • the storage unit 110 stores such information as, for example, a database table provided by the DBMS or a file provided by the file system.
  • the upper model information 111 includes data for defining the upper model (for example, a calculation formula for linear prediction, definition information of a machine learning model).
  • the upper model outputs a predicted value by performing a higher-level simulation in which the parameter 117 generated by the parameter generation unit 135 is input to the work generated (predicted) by the work prediction unit 130.
  • the lower model information 112 includes data for defining the lower model (for example, a calculation formula for linear prediction, definition information of a machine learning model).
  • the lower model outputs a result such as a predicted value by performing a lower simulation with the parameter 117 generated by the parameter generation unit 135 and the output of the lower simulation in the previous stage as inputs for the work generated by the work prediction unit 130.
  • the work information 113 includes information (type of prediction work, amount of work, etc.) related to the prediction work predicted by the work prediction unit 130.
  • the device information 114 is information managed by the device information management unit 132, and includes information about the device existing at the site where the work of the process is performed.
  • the device information 114 is referred to by the parameter generation unit 135 and the complementary data generation unit 170.
  • the worker information 115 is data managed by the worker information management unit 133, and includes information on the worker who carries out the work of the process.
  • the worker information 115 is referred to by the parameter generation unit 135 and the complementary data generation unit 170.
  • the parameter generation information 116 is information managed by the parameter generation information management unit 134, and includes information on a method for generating the parameter 117.
  • the parameter generation information 116 is referred to when the parameter generation unit 135 generates the parameter 117.
  • the parameter 117 is information (feature amount) representing the characteristics of the prediction work generated based on the work information 113, the device information 114, the worker information 115, and the parameter generation information 116, and is expressed in, for example, a vector format. ..
  • the parameter 117 is input to the model (upper model, lower model) when the simulation (upper simulation, lower simulation) is executed.
  • the sample data 118 is information managed by the sample data management unit 140, and includes information representing a process index.
  • the sample data 118 is generated based on the information actually measured under various conditions of the process and the information obtained by the lower simulation.
  • Complementary data 119 is data that complements the sample data 118 that is insufficient in the implementation of the higher-level simulation, and is generated by the complementary data generation unit 153, which will be described later.
  • the virtual process progress table 121 is information managed by the progress management unit 160, and includes information on the progress status of the virtual process based on the predicted value generated by the prediction processing unit 150.
  • the process work stack table 120 is information managed by the progress management unit 160, and includes information on a virtual progress status for each work.
  • the work prediction unit 130 predicts the work (work type, work amount, etc.) input to the process by a known work amount prediction method, and generates work information 113.
  • FIG. 4 shows an example of work information 113.
  • the illustrated work information 113 includes work ID 1131, item 1132, quantity 1133, weight 1134, volume 1135, maximum length 1136, vertical consideration required 1137, price tagging work 1138, inspection work type 1139, and so on. It is composed of one or more entries (records) consisting of each item of individual packing necessity 1140.
  • a work ID which is a work identifier, is set in the work ID 1131.
  • Information (item name in this example) indicating the item handled in the work is set in the item 1132.
  • the quantity 1133 is set to the quantity of the item handled in the work.
  • the weight 1134 is set to the weight per item.
  • the volume per item is set in the volume 1135.
  • the maximum length of the item is set in the maximum length 1136.
  • Information indicating whether or not it is necessary to take care not to turn the item upside down when handling the item in this example, " ⁇ " if necessary, no In that case, "x" is set.
  • Information indicating whether or not it is necessary to attach a price tag when working on the item is set in 1138 with or without price tagging work. ..
  • Information indicating the inspection work format of the product is set in the inspection work format 1139.
  • Information indicating whether or not the product is subject to individual packaging is set in the individual packaging necessity 1140.
  • the device information management unit 132 manages the device information 114. Further, the worker information management unit 133 manages the worker information 115. Further, the parameter generation information management unit 134 manages the parameter generation information 116.
  • the device information 114 and the worker information 115 may be input via the input device 14, or may be automatically acquired from the site where the process is performed via the communication device 16, for example.
  • the parameter generation unit 135 generates the parameter 117 with reference to at least one of the work information 113, the device information 114 and the worker information 115, and the parameter generation information 116.
  • FIG. 5 shows an example of device information 114.
  • the illustrated device information 114 is an example in the case where the device is a work robot such as a cargo handling robot. As shown in the figure, the illustrated device information 114 has items of device ID 1141, maximum arm vertical movement speed 1142, maximum arm horizontal movement speed 1143, recognition module average performance value 1144, and hardware performance deterioration margin 1145. Consists of one or more entries (records).
  • a device ID which is an identifier of the device, is set in the device ID 1141.
  • the maximum vertical movement speed of the arm included in the device is set in the maximum vertical movement speed 1142 of the arm.
  • the maximum horizontal movement speed of the arm included in the device is set to the maximum horizontal movement speed of the arm 1143.
  • the recognition module average performance value 1144 the average time required for the object recognition device included in the device to acquire the characteristics of the object flowing on the conveyor is set.
  • Information indicating the usage limit (deterioration margin) of the hardware (for example, a motor) included in the device is set in the hardware performance deterioration margin 1145.
  • FIG. 6 shows an example of worker information 115.
  • the worker information 115 manages real-time information about workers who perform work at the site where the process is performed.
  • the illustrated worker information 115 has one or more items having each item of product feature amount 1151, environmental feature amount 1152, work content 1153, experience period 1154, required time 1155, and continuous working time 1156. Consists of entries (records) of.
  • Information indicating the characteristics of the product handled by the worker is set in the product feature amount 1151.
  • Information indicating the working environment of the worker (in this example, the length of the conveyor that conveys the product) is set in the environmental feature amount 1152.
  • Information indicating the content of the work performed by the worker is set in the work content 1153.
  • the experience period 1154 the experience period of the work assumed for the worker who performs the work is set.
  • the required time 1155 is set to the time required for the worker to perform the work.
  • the continuous working time 1156 is set to the upper limit time during which the worker can continuously engage in the work.
  • FIG. 7 shows an example of the parameter generation information 116.
  • (A) is the parameter generation information 116 when the process work is performed by using the device (robot), and (b) is the parameter generation information 116 when the worker performs the process work.
  • the parameter generation information 116 is composed of one or more entries (records) having each item of the parameter ID 1161, the acquisition destination 1162, the usage item 1163, and the calculation formula 1164.
  • a parameter ID which is an identifier of a parameter (feature amount) is set in the parameter ID 1161.
  • the acquisition destination 1162 includes information indicating the acquisition destination of the information (item) used for calculating the parameter (“work information” (when the acquisition destination is the work information 113), “device information” (acquisition destination is the device information 114). (When), "worker information” (when the acquisition destination is worker information 115), etc.) are set.
  • Information that identifies one or more items to be acquired from the acquisition destination is set in the usage item 1163.
  • a calculation formula for obtaining the parameter is set in the calculation formula 1164.
  • the parameter generation unit 135 is, for example, a parameter acquired from the work information 113 based on at least one of the work information 113, the device information 114, and the worker information 115 and the parameter generation information 116 illustrated above.
  • Number of items number of types of item 1132
  • weight 1134 maximum length 1136
  • vertical consideration required 1137 ability and performance acquired from device information 114 (arm vertical movement maximum speed 1142, arm horizontal movement maximum speed 1143, recognition
  • a feature vector having the module average performance value 1144 and the hardware performance deterioration margin 1145) as elements is generated as the parameter 117.
  • FIG. 8A shows an example of the parameter 117.
  • the illustrated parameter 117 is composed of one or more entries (records) having each item of the data ID 1171 and the parameter element 1172.
  • a parameter ID which is an identifier of the parameter 117, is set in the data ID 1171.
  • Parameter elements (z 1 to z 6 ) are set in the parameter element 1172.
  • the sample data management unit 145 manages the sample data acquired from the site where the process is performed as the sample data 118.
  • FIG. 8B shows an example of sample data 118.
  • the illustrated sample data 118 is composed of one or more entries (records) having each item of data ID 1181, parameter element 1182, required time 1183, and rate of change 1184 for each element of the parameter.
  • a sample data ID which is an identifier of the sample data 118, is set in the data ID 1181.
  • Parameter elements (z 1 to z 6 ) associated with the sample data 118 are set in the parameter element 1182.
  • the parameter element 1182 serves as an index when searching for sample data 118 similar to the parameter 117 which is the input of the upper simulation.
  • the measured value of the productivity index (required time, etc.) or the result of the lower simulation is set.
  • the calculated value of the rate of change for each element of the parameter is set in the rate of change 1184 for each element of the parameter. The method of calculating the rate of change for each parameter element will be described later.
  • the complementary data 119 has the same configuration as the sample data 118.
  • the prediction processing unit 150 obtains a predicted value, which is an index related to work productivity, by executing a simulation (upper simulation, lower simulation).
  • a simulation upper simulation, lower simulation.
  • the prediction processing unit 150 stores sample data 118 associated with a parameter similar to the parameter 117 representing the prediction work
  • the prediction processing unit 150 performs a higher-level simulation using the sample data 118 to perform a higher-level simulation for the higher-level process 31. Find the predicted value.
  • the prediction processing unit 150 when the prediction processing unit 150 does not store the sample data 118 associated with the parameter similar to the parameter 117 representing the prediction work, the prediction processing unit 150 performs supplementary data by performing a lower simulation for the lower process 32 of the upper process 31. 119 is generated, and the predicted value for the upper process 31 is obtained by performing a higher-level simulation using the sample data 118 and the generated complementary data 119 (or only the generated complementary data 119).
  • the prediction processing unit 150 includes a sample data extraction unit 151, a complement necessity determination unit 152, a complement data generation unit 153, and a prediction value calculation unit 154.
  • the sample data extraction unit 151 extracts sample data 118 associated with a parameter similar to the parameter 117 representing the prediction work for which the predicted value is to be obtained from the sample data 118 stored in the storage unit 110. The details of the extraction method of the sample data 118 will be described later.
  • the complement necessity determination unit 152 determines whether or not the sample data 118 associated with the parameter similar to the parameter 117 representing the prediction work is stored, thereby determining the complement data 119. Judge the necessity of generation. The details of the method for determining the necessity of generating the supplementary data 119 will be described later.
  • the complementary data generation unit 153 generates complementary data 119 by executing a lower simulation for the lower processes constituting the upper process. The details of the method of generating the complementary data 119 will be described later.
  • the predicted value calculation unit 154 obtains the predicted value by performing a high-level simulation.
  • the progress management unit 160 manages the progress status of each process based on the execution result of each higher-level simulation. As shown in the figure, the progress management unit 160 includes a work progress prediction unit 161, a work progress management unit 162, and a process progress management unit 163.
  • the work progress prediction unit 161 obtains the progress amount (progress degree) of the work based on the execution result of the upper simulation.
  • the work progress management unit 162 manages the progress status of the work in the process work stack table 120.
  • FIG. 9 shows an example of the process work stack table 120.
  • the illustrated process work stack table 120 is composed of one or more entries (records) having each item of process ID 1201, work ID 1202, progress 1203, required time 1204, and virtual start time 1205.
  • a process ID which is a process identifier, is set in the process ID 1201.
  • a work ID is set in the work ID 1202.
  • the current progress of the process is set in the progress 1203.
  • the required time 1204 is set to the time required for the work up to the present time.
  • the virtual start time 1205 is set to a virtual start time in the simulation of the work. This example is an example when the current time in the simulation is "10:00 am".
  • the process progress management unit 163 shown in FIG. 3 reflects the process progress status (completion status) based on the process work stack table 120 in the virtual process progress table 121.
  • FIG. 10 shows an example of the virtual process progress table 121.
  • the illustrated virtual process progress table 121 is composed of a work ID 1211 and one or more entries (records) having each item of the start / end time setting fields 1212 to 1213 of each process.
  • a work ID is set in the work ID 1211.
  • the start or end time of each process is set in the setting fields 1212 to 1213 of the start / end time of each process, respectively. This example is an example when the current time is "10:00 am".
  • FIG. 11 is a flowchart illustrating a calculation process of the change rate 1184 for each element of the parameter in the sample data 118 of FIG. 8 (b) (hereinafter, referred to as “parameter element change rate calculation process S1100”). ..
  • the parameter element-by-element change rate calculation process S1100 will be described with reference to the figure.
  • the sample data management unit 140 executes the process when, for example, the prediction device 100 stores new sample data 118 (S1111: YES).
  • the sample data management unit 140 selects one of the elements z i of the parameter z (S1112), and causes the selected element z i to make a slight change (z + ⁇ z i ) (S1113).
  • the sample data managing unit 140 executes the upper simulation z + Delta] z i obtain the prediction value y i (S1114).
  • the sample data management unit 140 determines whether or not all the elements z i have been selected in S1112 (S1117). If all the elements z i have been selected (S1117: YES), the process ends. If there are all unselected elements z i (S1117: NO), the process returns to S1112.
  • the predicted value calculation unit 154 generates a predicted value by performing linear prediction based on the following equation in, for example, a higher-level simulation.
  • y (z + ⁇ z) on the left side is a predicted value of productivity to be obtained by a higher-level simulation.
  • y (z) in the first term on the right side is an actually measured value (workplace time, etc.) of the productivity index.
  • ⁇ z i of the second term on the right side is a difference from the parameter element z i of the sample data 118 or the complementary data 119 for each element z i 0 of the parameter of the prediction work.
  • the partial derivative of the second term on the right-hand side is the rate of change for each parameter element z i of productivity obtained from the sample data 118 or the complementary data 119 (rate of change for each element of the parameter in FIG. 8 1184).
  • the complement necessity determination unit 152 determines the complement necessity based on the magnitude of the change in the predicted value of the index for the prediction work by the upper simulation with respect to the change in the parameter associated with the sample data 118. Specifically, for example, the complement necessity determination unit 152 determines the necessity of generating the complement data 119 based on the distance d (z 0, z) defined by the following equation. In the above equation, z i 0 is an element of the parameter 117 of the prediction work, and z i is an element of the parameter stored in association with the sample data 118.
  • the necessity of complementation is determined based on the magnitude of the change in the predicted value of the index for the prediction work by the upper simulation with respect to the change in the parameter associated with the sample data 118.
  • the prediction accuracy of the index can be improved.
  • the complement necessity determination unit 152 determines that the generation of the complement data 119 is unnecessary when N sample data 118 having a small distance d (z 0, z) exist in the vicinity of the parameter 117 of the prediction work. On the other hand, if it does not exist, it is determined that the complementary data 119 needs to be generated. Specifically, for example, the complement necessity determination unit 152 determines that the generation of the complement data 119 is unnecessary when the sample data 118 satisfying the following equation with w as a positive constant exists, and if it does not exist, the complement data 119 is not generated. It is determined that the supplementary data 119 needs to be generated.
  • the complementary data generation unit 153 generates parameters to be input to the lower simulation, and generates complementary data 119 by executing the lower simulation using the generated parameters.
  • the complementary data generation unit 153 generates parameters to be used in the lower simulation, for example, by generating random values according to the data distribution grasped from the parameters associated with the sample data 118.
  • the complementary data generation unit 153 is, for example, a simulator that simulates the work of the work robot while referring to the device information 114 by using the generated parameters when the work subject of the lower process 32 is the work robot (hereinafter, "" Complementary data 119 is generated by executing "robot simulator").
  • FIG. 12A shows an example of a screen displayed by the robot simulator.
  • the illustrated robot simulator executes a simulation by setting, for example, data for specifying the size of the product, the weight of the product, the coefficient of friction of the surface of the product, the shape of the product, etc. as parameters via the user interface.
  • the information corresponding to the complementary data 119 is output.
  • RPA Robot Process Automation
  • the complementary data generation unit 153 uses the generated parameters, for example, when the work subject of the lower process 32 is a worker (person), and the supplementary data generation unit 153 refers to the worker information 115 while referring to the person.
  • Complementary data 119 is generated by executing a simulator (hereinafter, referred to as "human work simulator") that simulates the work of.
  • FIG. 12B shows an example of a screen displayed by the human work simulator.
  • the product features product size, product weight, product surface friction coefficient, product shape, packaging material shape, etc.
  • work environment is used as parameters via the user interface.
  • Features input work buffer, input conveyor, output conveyor, work desk, conveyor operation panel, inspection sensor, etc.
  • the worker's experience period data that identifies the work content, etc. are set to execute the simulation.
  • the information corresponding to the complementary data 119 is output.
  • FIG. 13 shows an example of an RPA script used when automatically executing the simulator.
  • A is an example of screen information used when executing the RPA script.
  • (b) is an example of an RPA script for automatically executing the simulator.
  • the lower simulation can be easily performed at low cost. Moreover, by automatically executing the simulator by the RPA script, the lower simulation can be efficiently performed.
  • FIG. 14 is a flowchart illustrating a process (hereinafter, referred to as “prediction process S1400”) performed by the prediction device 100 when generating a predicted value.
  • prediction process S1400 will be described with reference to the figure.
  • the prediction process S1400 is a loop process for each upper model to be simulated, for each preset unit time, and for each work predicted by the work prediction unit 130 (in order, S1401S to S1401E, S1402S). -S1402E, S1403S to S1403E). It is assumed that the work information 113 has already been generated by the work prediction unit 130 at the start of the prediction process S1400.
  • the parameter generation unit 135 first generates the parameter 117 with reference to at least one of the work information 113, the device information 114, and the worker information 115, and the parameter generation information 116 (S1411).
  • the sample data extraction unit 151 of the prediction processing unit 150 searches for sample data 118 whose parameters are similar to the generated parameter 117, and the complement necessity determination unit 152 is a parameter representing the prediction work. It is determined whether or not the sample data 118 associated with the parameter similar to 117 could be extracted (S1412). When the sample data 118 can be extracted (S1412: YES), the predicted value calculation unit 154 performs a higher-level simulation using the extracted sample data 118 to calculate the predicted value (S1420).
  • the parameter generation unit 135 when the sample data 118 cannot be extracted (S1412: NO), the parameter generation unit 135 generates the parameters used for the lower simulation (S1415), and the complementary data generation unit 153 uses the generated parameters as inputs.
  • Complementary data 119 is generated and stored by performing a lower simulation (S1415, S1416). Then, the predicted value calculation unit 154 performs a higher-level simulation using the generated sample data 118 and the generated complementary data 119 (or only the generated complementary data 119) to calculate the predicted value (S1420).
  • the work progress prediction unit 161 of the progress management unit 160 obtains the progress of the work based on the execution result of the upper simulation (S1430).
  • the work progress management unit 162 reflects the obtained progress level in the process work stack table 120 (S1431).
  • the process progress management unit 163 grasps whether or not the process is completed based on the process work stack table 120, and reflects the grasped contents in the virtual process progress table 121 (S1432).
  • FIG. 15 is an example of a screen (hereinafter, referred to as “prediction result presentation screen 1500”) presented to the user by the prediction device 100 as a prediction result.
  • the horizontal axis is any element (z 1 to z 4 ) of the parameter z
  • the vertical axis is the magnitude of the prediction value y.
  • Display column 1511 of the graph plotting the nearest sample data and complementary data list box 1512 for letting the user select the contents of the horizontal axis of the graph, display column 1513 of the predicted value (productivity estimated value), ⁇ y It includes a display column 1514 of the value of / y1514 (corresponding to the ratio of the right side second term to the right side first term of the equation 1), the display column 1515 of the value of w (update threshold) described above, the manual recalculation button 1516 and the like.
  • the user can select one of the parameter elements (z 1 to z 4 ) on the horizontal axis of the graph by operating the list box 1512. Further, the user can re-execute the prediction process S1400 based on the latest sample data 118 by operating the manual recalculation button 1516. For example, when the value of ⁇ y / y1514 is larger than the preset threshold value, the user operates the manual recalculation button 1516 to re-execute the prediction process S1400 based on the latest sample data 118.
  • the user can easily confirm the relationship between the prediction value generated by the prediction processing S1400 and the sample data or complementary data, and various values used in the prediction processing S1400. Can be done.
  • FIG. 16 is an example of work information 113 generated by the work prediction unit 130 of the prediction device 100 of the second embodiment.
  • the work prediction unit 130 generates a work plan table of the warehouse as work information 113.
  • the work information 113 includes information indicating a daily work plan.
  • the work information 113 illustrated includes information set for each item of work, total number of work items, number of work types, total work weight, planned number of work, scheduled end time, and profit index prediction.
  • FIG. 17 is an example of the parameter 117 generated by the parameter generation unit 135 of the prediction device 100 of the second embodiment. As shown in the figure, in this example, for each work day 1171, parameters (z 1 to z 5 ) having the total number of work items, the number of work types, the total weight of work, the planned number of work, and the number of work robots as elements (z 1 to z 5). Is generated.
  • FIG. 18 is a flowchart illustrating a process (hereinafter, referred to as “prediction process S1800”) performed by the prediction device 100 of the second embodiment when generating a predicted value.
  • prediction process S1800 will be described with reference to the figure. It is assumed that the work information 113 shown in FIG. 16 has already been generated by the work prediction unit 130 at the start of the prediction process S1800.
  • the prediction process S1800 includes a loop process (S1801S to S1801E) for each work day of the work information 113.
  • the parameter generation unit 135 refers to at least one of the work information 113, the device information 114, and the worker information 115, and the parameter generation information 116, and the parameter 117 (parameter 117 illustrated in FIG. 17). ) Is generated (S1811).
  • the sample data extraction unit 151 of the prediction processing unit 150 searches for sample data 118 whose parameters are similar to the generated parameter 117, and the complement necessity determination unit 152 represents the prediction work. It is determined whether or not the sample data 118 associated with the parameter similar to the parameter 117 can be extracted (S1812). When the sample data 118 can be extracted (S1812: YES), the predicted value calculation unit 154 performs a higher-level simulation using the extracted sample data 118 to obtain the predicted value (in this example, the scheduled end time of the work and the profit index). Predicted value) is obtained (S1820).
  • the complementary data generation unit 153 when the sample data 118 cannot be extracted (S1812: NO), the complementary data generation unit 153 generates a parameter to be used for the lower simulation (S1815), and performs the lower simulation with the generated parameter as an input to perform the complementary data. 119 is generated and stored (S1815, S1816), and a higher-level simulation is performed using the generated sample data 118 and the generated complementary data 119 (or only the generated complementary data 119) to obtain a predicted value (S1820).
  • the predicted value calculation unit 154 After exiting the loop processing (S1801S to S1801E), the predicted value calculation unit 154 subsequently calculates the predicted value of the monthly gross profit (S1830), and each of the calculated predicted values (scheduled work end time, profit index). A calendar for a predetermined period is generated and output (S1831), in which the predicted value and the predicted value of the monthly gross profit are described.
  • the prediction processing unit 150 determines whether or not an additional input of the confirmation date has been received from the user (S1840).
  • S1840 YES
  • the accepted confirmation date is added to the work day and the process from S1801S is performed. If the additional input is not accepted (S1840: NO), the prediction process S1800 ends.
  • the configuration of the first embodiment can be applied to the case of predicting the work index in the warehouse management plan, and the work index in the warehouse management plan can be predicted efficiently and with high accuracy. Can be done.
  • the third embodiment shows an example of application of the mechanism of the prediction device 100 of the first embodiment to a physical distribution business system that performs work related to physical distribution business (inspection, sorting, packing, etc.) using an autonomous control robot.
  • the logistics business system illustrated below is a system in which individual robots autonomously judge the situation and operate (hereinafter referred to as "autonomous action system”), and instruct a plurality of robots to outline the work. It includes a system that manages the overall operation of a plurality of robots (hereinafter, referred to as a “cooperative management system”).
  • FIG. 19 is a virtual space model 5 of a work site used when simulating a logistics business system.
  • the virtual space model 5 is carried into the work area 20 from a carry-in device 21 having a plurality of carry-in inlets 21a for carrying the article 6 to be worked into the work area 20, and each carry-in entrance 21a.
  • Multiple conveyor BCs for transporting articles 6 (conveyors for transporting articles 6 to work positions, conveyors for carrying out articles 6 after work), number of articles 6 placed on each conveyor BC (articles before work)
  • a plurality of article counting devices CT which count the number of articles 6 and the number of articles 6 after work), are included.
  • the work robot RW can replace the attachment A, and by replacing the attachment A, the type of work to be performed on the article 6 can be changed. It takes a predetermined time to replace the attachment A.
  • the prediction device 100 simulates the cooperative management system as a higher-level simulation for the virtual space model 5. Further, the prediction device 100 simulates the autonomous behavior system as a lower simulation for the virtual space model 5. For example, the prediction device 100 has an algorithm for issuing a work instruction to the transport robot RT based on the number of pre-work articles (unprocessed articles) mounted on the conveyor BC, and a pre-work article mounted on the conveyor BC. A higher-level simulation is performed for the purpose of verifying the efficiency of the algorithm that issues an attachment A replacement instruction to the work robot RW based on the number of. Further, for example, the prediction device 100 performs a lower-level simulation for the purpose of verifying the efficiency of the collision avoidance algorithm of the transport robot RT and the algorithm for recognizing a work object.
  • the simulation of the operation of the working robot RW as the lower simulation can be performed by the same method as the method using the robot simulator described in the first embodiment (FIG. 12A, etc.).
  • the simulation of the operation of the material handling robot RT is performed by, for example, the method described below.
  • FIG. 20 is an example of an information processing system (hereinafter, referred to as “material handling robot control system 7”) that simulates the operation of the material handling robot RT as a lower simulation.
  • the material handling robot control system 7 has the function of the prediction device 100 of the first embodiment.
  • the material handling robot control system 7 includes a simulation processing unit 71, a material handling robot control unit 72, and a robot behavior determination unit 73.
  • a known robot control system having such a configuration for example, there is one by ROS (Robot Operating System) or Issac.
  • the simulation processing unit 71 is controlled by a physical behavior simulation unit 711 that simulates the physical behavior of the transport robot RT, a 3D image rendering unit 712 that generates a 3D simulation image related to the transport robot RT, and a robot behavior determination unit 73. It has an abstracted API 713 that accepts instructions.
  • the simulation processing unit 71 can acquire the operation history 75 of each material handling robot RT existing in the work area 20.
  • the transport robot control unit 72 includes an actual robot control unit 721 that controls an actual transport robot RT, a sensor device 722 (photographing device (camera)) provided in the transport robot RT and the work area 20, and various types. It has a sensor) and an abstracted API 723 that receives control instructions from the robot behavior determination unit 73.
  • the robot behavior determination unit 73 uses data indicating preset business instructions and sensor data input from the simulation processing unit 71 and the transport robot control unit 72 (video data and image data captured by the photographing device, and various sensors. Based on the acquired measured value), the action to be taken by the transport robot RT is determined, and the control instruction (motor (actuator) control signal, etc.) according to the result of the determination is issued to the simulation processing unit 71 or the transport robot control unit. Enter in 72.
  • the above determination is performed using, for example, a machine learning model learned from learning data based on the past operation history of the material handling robot RT.
  • FIG. 21 shows an example of a 3D simulation image generated by the 3D image rendering unit 712 as sensor data.
  • the transport robot RT is moved to one of the carry-in inlets 21a of the carry-in device 21 according to the data indicating the business instruction to receive the article 6, and the received article 6 is instructed on the conveyor BC BC.
  • the machine learning model is learned so that when the transport robot RT may collide with another transport robot RT or an obstacle, motion control (direction change, speed adjustment, etc.) is performed to avoid the collision. ..
  • the degree of the above-mentioned operation control can be adjusted by, for example, setting a penalty value when a collision occurs.
  • the simulation processing unit 71 simulates the behavior of the transport robot RT when the transport robot RT is controlled according to the control instruction input from the robot behavior determination unit 73, and the sensor data generated based on the simulation result is used in the robot behavior determination unit 73. Enter in.
  • the above behavior is, for example, receiving a control instruction, moving the carry-in device 21 to one of the carry-in inlets 21a, receiving the article 6, moving the article 6 to the conveyor BC, placing the article 6 on the conveyor BC, and the like. is there.
  • the simulation processing unit 71 stores the simulation result (log information) as sample data 118. Further, the simulation processing unit 71 calculates the required time when the transport robot RT acts according to the control instruction, and generates and stores the sample data 118 including the calculated required time.
  • the material handling robot control unit 72 controls the material handling robot RT according to a control instruction input from the robot behavior determination unit 73. Further, the transport robot control unit 72 inputs the sensor data to the robot behavior determination unit 73.
  • FIG. 22 is an example of the parameter 117 generated by the parameter generation unit 135 of the prediction device 100. As shown in the figure, in this example, for each data ID 2111, the identifier of the carry-out port of the automated warehouse model of the transport source, the identifier of the conveyor at the transport destination, the total number of transport robots in motion, and the sensor of the conveyor (1).
  • the operation of the transport robot RT other than the transport robot RT of interest, which is required when executing the lower simulation, is saved in advance using, for example, the operation history of the past transport robot RT or the result of the simulation already performed. Use the behavior patterns that have been done. If there is a possibility of collision between the material handling robots RT, a simulation may be executed for each material handling robot RT that may collide.
  • the configuration of the first embodiment provides an index of work in a physical distribution business system including an autonomous behavior system and a cooperative management system, which performs work related to physical distribution business (inspection, sorting, packing, etc.) using an autonomous control robot. It can also be applied to the case of prediction, which makes it possible to efficiently predict the index of work in the logistics business system with high accuracy.
  • each of the above configurations, functional units, processing units, processing means, etc. may be realized by hardware by designing a part or all of them by, for example, an integrated circuit.
  • each of the above configurations, functions, and the like may be realized by software by the processor interpreting and executing a program that realizes each function.
  • Information such as programs, tables, and files that realize each function can be placed in a memory, a hard disk, a recording device such as an SSD (Solid State Drive), or a recording medium such as an IC card, an SD card, or a DVD.
  • control lines and information lines are shown as necessary for explanation, and not all the control lines and information lines in the implementation are shown. For example, in practice almost all configurations may be considered interconnected.
  • the arrangement form of various functional units, various processing units, and various databases of each information processing device described above is only an example.
  • the arrangement form of various function units, various processing units, and various databases can be changed to the optimum arrangement form from the viewpoints of hardware and software performance, processing efficiency, communication efficiency, and the like provided in these devices.
  • the configuration of the database (schema, etc.) that stores the various data described above can be flexibly changed from the viewpoints of efficient use of resources, improvement of processing efficiency, improvement of access efficiency, improvement of search efficiency, and the like.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Robotics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Manufacturing & Machinery (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)
  • Manipulator (AREA)

Abstract

階層構造を有する複数の工程により行われる作業についての指標の予測を効率よく高い精度で行う。情報処理装置は、下位工程について設定された下位モデルに基づく下位シミュレーションを実行することにより生成される指標を含むサンプルデータを、夫々の作業を表すパラメータに対応付けて記憶し、予測される作業について、上位工程について設定された上位モデルに基づく上位シミュレーションを、予測作業を表すパラメータに類似するパラメータに対応づけられているサンプルデータを用いて行うことにより指標を予測する。予測作業を表すパラメータに類似するパラメータに対応づけられているサンプルデータを記憶していない場合、情報処理装置は、下位シミュレーションを行ってサンプルデータを補完し、補完したサンプルデータを用いて上位シミュレーションを行う。

Description

情報処理装置、及び情報処理方法
　本発明は、情報処理装置、及び情報処理方法に関し、とくに工程のシミュレーションを行う技術に関する。
　本出願は、２０１９年１０月１１日に出願された日本特許出願２０１９－１８７４４４号に基づく優先権を主張し、その開示全体を援用して本出願に取り込むものである。
　特許文献１には、複数のシミュレータの各々が実行するシミュレーションを同期させることができないという課題を解決することを目的として構成されたシミュレータ連携装置に関して開示されている。シミュレータ連携装置は、シミュレーションを周期的に実行させるサンプル間隔をユーザから受け付け、第１シミュレータから第１シミュレータのサンプル間隔分の第１実行結果を取得し、被制御装置についての第２シミュレータからサンプル間隔分の第２実行結果を取得し、第１実行結果を第２シミュレータに出力し、第２実行結果を第１シミュレータに出力し、第１シミュレータ及び第２シミュレータの各々にサンプル間隔でシミュレーションを周期的に実行させることにより上記課題の解決を図る。
特開２０１８－３６９４５号公報
　階層構造を有する複数の工程により行われる作業について、作業効率等に関する指標の予測をシミュレーションにより求める方法としては、上位工程について設定したモデルである上位モデルを用いたシミュレーション（以下、「上位シミュレーション」と称する。）による方法と、上位工程を構成する下位工程の夫々について設定したモデルである下位モデルを用いたシミュレーション（以下、「下位シミュレーション」と称する。）による方法と、がある。
　ここで上位シミュレーションによる場合は、処理負荷が比較的小さく迅速に結果を得ることができるが、高い予測精度は期待できない。一方、下位シミュレーションによる場合は上位シミュレーションに比べて予測精度は高くなるが、処理負荷が大きく、結果が得られるまでの時間も長くなる。
　上記特許文献１は、複数のシミュレータを連携する方法を開示するが、階層構造を有する複数の工程により行われる作業のシミュレーションにおいて、精度の向上や処理負荷の低減を図るための仕組みについては何も開示していない。
　本発明はこのような背景に鑑みてなされたものであり、階層構造を有する複数の工程により行われる作業についての指標の予測を効率よく高い精度で行うことが可能な、情報処理装置、及び情報処理方法を提供することを目的とする。
　上記目的を達成するための本発明の一つは、階層構造を有する複数の工程により作業を行う際の指標を予測する情報処理装置であって、前記作業について、下位の前記工程である下位工程について設定されたモデルである下位モデルに基づくシミュレーションである下位シミュレーションを実行することにより生成される指標を含むデータであるサンプルデータを、夫々の前記作業を表すパラメータに対応付けて記憶し、予測される作業である予測作業について、上位の前記工程である上位工程について設定されたモデルである上位モデルに基づくシミュレーションである上位シミュレーションを、前記予測作業を表すパラメータに類似するパラメータに対応づけられている前記サンプルデータを用いて行うことにより、前記予測作業についての指標を予測する。
　その他、本願が開示する課題、及びその解決方法は、発明を実施するための形態の欄、及び図面により明らかにされる。
　本発明によれば、階層構造を有する複数の工程により行われる作業についての指標の予測を効率よく高い精度で行うことができる。
階層構造を有する複数の工程により行われる作業の例である。 予測装置のハードウェア構成を示す図である。 予測装置が備える主な機能を示す図である。 作業情報の一例である。 機器情報の一例である。 作業者情報の一例である。 パラメータ生成情報の一例である。 （ａ）はパラメータの一例であり、（ｂ）はサンプルデータの一例である。 工程作業スタック表の一例である。 仮想工程進捗表の一例である。 パラメータの要素毎の変化率の算出方法を説明するフローチャートである。 （ａ）はロボットシミュレータが表示する画面の例であり、（ｂ）は人作業シミュレータが表示する画面の例である。 （ａ）はＲＰＡスクリプトの実行に際して用いる画面情報の一例であり、（ｂ）はシミュレータを自動実行するためのＲＰＡスクリプトの一例である。 予測処理を説明するフローチャートである。 予測結果提示画面の一例である。 作業情報の一例である（第２実施形態）。 パラメータの一例である（第２実施形態）。 予測処理を説明するフローチャートである（第２実施形態）。 仮想空間モデルの一例である（第３実施形態）。 運搬ロボット制御システムの一例である（第３実施形態）。 ３次元シミュレーション映像の一例である（第３実施形態）。 パラメータの一例である（第３実施形態）。
　以下、実施形態について図面を参照しつつ説明する。以下の説明において、同一の又は類似する機能を有する構成について同一の符号を付すことにより重複した説明を省略することがある。また以下の説明において、符号の前に付した「Ｓ」の文字は処理ステップを意味する。
［第１実施形態］
　図１は、階層構造を有する複数の工程により行われる作業（例えば、倉庫業務における作業、製品製造業務における作業等）の例である。同図に示すように、例示する作業は、上位工程３１（Ａ１，Ａ２，Ａ３）と、上位工程３１を構成する下位工程３２（同図では上位工程Ａ１の下位工程３２（Ａ１１、Ａ１２、Ａ１３）のみ例示）と、を含む。各工程の出力は、バッファ３５（荷物や製品の保管エリア等）を介して、後続する工程に入力される。
　同図に示す作業において、例えば、作業効率や作業品質、利益率等の各種指標(ＫＰＩ:Key Performance Indicator)の予測値をシミュレーションにより求める方法としては、上位工程３１について設定したモデルである上位モデルを用いたシミュレーション（以下、「上位シミュレーション」と称する。）による方法と、上位工程３１を構成する下位工程３２の夫々について設定したモデルである下位モデルを用いたシミュレーション（以下、「下位シミュレーション」と称する。）による方法と、がある。
　例えば、公知の作業量予測手法によって予測された作業（以下、「予測作業」と称する。）を上位工程３１に入力した場合の所要時間を予測値として求める場合を考える。この場合、上位シミュレーションでは、例えば、予測作業の作業量を平均処理数や平均生産数で除算する等の概算処理を行う上位モデルにより上記の所用時間を求める。一方、下位シミュレーションでは、例えば、人が作業主体となる場合であれば「作業の総量」や「関与する作業人数」、「作業を阻害するような停滞要因の発生率」、「作業者の熟練度」、「疲労による集中力の低下」等を、またロボット等の機械が作業主体となる場合であれば「作業対象物の認識処理時間」や「認識成功率」等を、夫々パラメータとして設定して機械学習モデル等からなる下位モデルに入力することにより上記の所用時間を求める。
　ここで上位シミュレーションによる場合は後者の下位シミュレーションによる場合に比べて不定性を有する細かいパラメータの設定が必要でなく、また処理負荷が小さいため迅速に結果を得ることができる等の利点がある。一方、下位シミュレーションによる場合は精度の向上が期待できるが、詳細なパラメータを取り扱うことで処理が重くなり易く、上位シミュレーションによる場合に比べて結果が得られるまでの時間も長くなる。また確定できないパラメータについては、デフォルト値や、ランダム値により求めた平均値や分散値等により補完する必要があり、精度の低下や処理負荷の増大につながる。
　そこで以下に示す実施形態では、入力される様々な作業について実測されたデータ（以下、「実測データ」と称する。）や下位シミュレーションにより生成したデータ（以下、「サンプルデータ」と称する。）を、作業の特徴を表すパラメータ（特徴量）に対応づけて記憶しておき、予測作業を表わすパラメータに類似するパラメータに対応づけられているサンプルデータを記憶している場合は、当該サンプルデータを利用して上位シミュレーションを行うことにより上位工程３１についての予測値を求める。
　また予測作業を表わすパラメータに類似するパラメータに対応づけられているサンプルデータを記憶していない場合は、当該上位工程３１の下位工程３２について下位シミュレーションを行うことによりサンプルデータを補完するデータ（サンプルデータとして追加するデータ。以下、「補完データ」と称する。）を生成し、サンプルデータと補完データ（もしくは補完データのみ）を用いて上位シミュレーションを行うことにより、上位工程３１についての予測値を求める。
　このように、予測作業を表わすパラメータに類似するパラメータに対応づけられているサンプルデータを記憶している場合は、サンプルデータを利用して上位シミュレーションを行い、予測作業を表わすパラメータに類似するパラメータに対応づけられているサンプルデータを記憶していない場合は、必要な補完データを下位シミュレーションにより生成して上位シミュレーションを行うことで、効率よく高い精度で予測値を求めることができる。以下、作業が倉庫業務における作業である場合を例として説明する。
　図２に、以上の仕組みの実現に用いる情報処理装置（以下、「予測装置１００」と称する。）のハードウェア構成を示している。同図に示すように、予測装置１００は、プロセッサ１１、主記憶装置１２、補助記憶装置１３、入力装置１４、出力装置１５、及び通信装置１６を備える。尚、予測装置１００は、例えば、クラウドシステム（Cloud System）により提供されるクラウドサーバ（Cloud Server）のように仮想的な情報処理資源を用いて実現されるものであってもよい。また予測装置１００は、同図に示す構成を有する複数の情報処理装置を用いて構成してもよい。
　プロセッサ１１は、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（Field Programmable Gate Array）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＡＩ（Artificial Intelligence）チップ等を用いて構成されている。
　主記憶装置１２は、プログラムやデータを記憶する装置であり、例えば、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、不揮発性メモリ（ＮＶＲＡＭ（Non Volatile RAM））等である。
　補助記憶装置１３は、例えば、ＳＳＤ（Solid State Drive）、ハードディスクドライブ、光学式記憶装置（ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）等）、ストレージシステム、ＩＣカード、ＳＤカードや光学式記録媒体等の記録媒体の読取／書込装置、クラウドサーバの記憶領域等である。補助記憶装置１３には、記録媒体の読取装置や通信装置１６を介してプログラムやデータを読み込むことができる。補助記憶装置１３に格納（記憶）されているプログラムやデータは主記憶装置１２に随時読み込まれる。
　入力装置１４は、外部からの入力を受け付けるインタフェースであり、例えば、キーボード、マウス、タッチパネル、カードリーダ、音声入力装置等である。
　出力装置１５は、処理経過や処理結果等の各種情報を出力するインタフェースである。出力装置１５は、例えば、上記の各種情報を可視化する表示装置（液晶モニタ、ＬＣＤ（Liquid Crystal Display）、グラフィックカード等）、上記の各種情報を音声化する装置（音声出力装置（スピーカ等））、上記の各種情報を文字化する装置（印字装置等）である。尚、例えば、予測装置１００が通信装置１６を介して他の装置との間で情報の入力や出力を行う構成としてもよい。
　通信装置１６は、他の装置との間の通信を実現する装置である。通信装置１６は、通信ネットワークを介した他の装置（例えば、工程が行われる現場に設けられている情報処理装置やユーザ端末（スマートフォン、タブレット、携帯電話機等））との間の通信を実現する、有線方式または無線方式の通信インタフェースであり、例えば、ＮＩＣ（Network Interface Card）、無線通信モジュール（ＢＬＥモジュール、ＷｉＦｉモジュール等）、ＵＳＢモジュール、シリアル通信モジュール等である。
　予測装置１００が備える機能は、プロセッサ１１が、主記憶装置１２に格納されているプログラムを読み出して実行することによって、もしくは、夫々を構成するハードウェア（ＦＰＧＡ、ＡＳＩＣ、ＡＩチップ等）によって実現される。予測装置１００には、例えば、オペレーティングシステム、デバイスドライバ、ファイルシステム、ＤＢＭＳ（DataBase Management System）（リレーショナルデータベース、ＮｏＳＱＬ等）等が導入されていてもよい。
　図３に予測装置１００が備える主な機能を示す。同図に示すように、予測装置１００は、記憶部１１０、作業予測部１３０、機器情報管理部１３２、作業者情報管理部１３３、パラメータ生成情報管理部１３４、パラメータ生成部１３５、サンプルデータ管理部１４０、予測処理部１５０、及び進捗管理部１６０の各機能を備える。
　記憶部１１０は、上位モデル情報１１１、下位モデル情報１１２、作業情報１１３、機器情報１１４、作業者情報１１５、パラメータ生成情報１１６、パラメータ１１７、サンプルデータ１１８、補完データ１１９、仮想工程進捗表１２１、及び工程作業スタック表１２０の各情報（データ）を記憶する。記憶部１１０は、例えば、ＤＢＭＳが提供するデータベースのテーブルや、ファイルシステムが提供するファイルとして、これらの情報を記憶する。
　上位モデル情報１１１は、上位モデルを定義するデータ（例えば、線形予測を行う算出式、機械学習モデルの定義情報）を含む。上位モデルは、作業予測部１３０が生成（予測）した作業について、パラメータ生成部１３５が生成したパラメータ１１７を入力とする上位シミュレーションを行うことにより予測値を出力する。
　下位モデル情報１１２は、下位モデルを定義するデータ（例えば、線形予測を行う算出式、機械学習モデルの定義情報）を含む。下位モデルは、作業予測部１３０が生成した作業について、パラメータ生成部１３５が生成したパラメータ１１７や、前段の下位シミュレーションの出力を入力として下位シミュレーションを行うことにより、予測値等の結果を出力する。
　作業情報１１３は、作業予測部１３０が予測した予測作業に関する情報（予測作業の種類や作業量等）を含む。
　機器情報１１４は、機器情報管理部１３２によって管理される情報であり、工程の作業が実施される現場に存在する機器に関する情報を含む。機器情報１１４は、パラメータ生成部１３５や補完データ生成部１７０によって参照される。
　作業者情報１１５は、作業者情報管理部１３３によって管理されるデータであり、工程の作業を実施する作業者に関する情報を含む。作業者情報１１５は、パラメータ生成部１３５や補完データ生成部１７０によって参照される。
　パラメータ生成情報１１６は、パラメータ生成情報管理部１３４によって管理される情報であり、パラメータ１１７の生成方法に関する情報を含む。パラメータ生成情報１１６は、パラメータ生成部１３５がパラメータ１１７を生成する際に参照される。
　パラメータ１１７は、作業情報１１３、機器情報１１４、作業者情報１１５、及びパラメータ生成情報１１６に基づき生成される、予測作業の特徴を表す情報（特徴量）であり、例えば、ベクトル形式で表現される。パラメータ１１７は、シミュレーション（上位シミュレーション、下位シミュレーション）の実行に際してモデル（上位モデル、下位モデル）に入力される。
　サンプルデータ１１８は、サンプルデータ管理部１４０によって管理される情報であり、工程の指標を表わす情報を含む。サンプルデータ１１８は、工程の様々な状況下で実測された情報や、下位シミュレーションにより得られる情報に基づき生成される。
　補完データ１１９は、上位シミュレーションに実施において不足するサンプルデータ１１８を補完するデータであり、後述する補完データ生成部１５３によって生成される。
　仮想工程進捗表１２１は、進捗管理部１６０によって管理される情報であり、予測処理部１５０により生成された予測値に基づく仮想的な工程の進捗状況に関する情報を含む。
　工程作業スタック表１２０は、進捗管理部１６０によって管理される情報であり、作業毎の仮想的な進捗状況に関する情報を含む。
　作業予測部１３０は、公知の作業量予測手法により工程に入力される作業（作業の種類、作業量等）を予測して作業情報１１３を生成する。
　図４に作業情報１１３の一例を示す。同図に示すように、例示する作業情報１１３は、作業ＩＤ１１３１、品目１１３２、数量１１３３、重量１１３４、容積１１３５、最大長１１３６、上下配慮要否１１３７、値札付け作業有無１１３８、検品作業形式１１３９、及び個別梱包要否１１４０の各項目からなる一つ以上のエントリ（レコード）で構成される。
　作業ＩＤ１１３１には、作業の識別子である作業ＩＤが設定される。品目１１３２には、当該作業で取り扱われる品目を示す情報（本例では品目名）が設定される。数量１１３３には、当該作業で取り扱われる当該品目の数量が設定される。重量１１３４には、当該品目１つあたりの重量が設定される。容積１１３５には、当該品目１つあたりの容積が設定される。最大長１１３６には、当該品目の最大長が設定される。上下配慮要否１１３７には、当該品目の取り扱いに際し、当該品目の上下を逆にしないように配慮する必要があるか否かを示す情報（本例では、要の場合は「○」、否の場合は「×」）が設定される。値札付け作業有無１１３８には、当該品目の作業に際し値札を付ける必要があるか否かを示す情報（本例では、要の場合は「○」、否の場合は「×」）が設定される。検品作業形式１１３９には、当該商品の検品作業の形式を示す情報が設定される。個別梱包要否１１４０には、当該商品が個別梱包対象か否かを示す情報（本例では、要の場合は「○」、否の場合は「×」）が設定される。
　図３に戻り、機器情報管理部１３２は、機器情報１１４を管理する。また作業者情報管理部１３３は、作業者情報１１５を管理する。またパラメータ生成情報管理部１３４は、パラメータ生成情報１１６を管理する。機器情報１１４や作業者情報１１５は、例えば、入力装置１４を介して入力されるものでもよいし、通信装置１６を介して工程が行われる現場等から自動取得されるものでもよい。
　パラメータ生成部１３５は、作業情報１１３、機器情報１１４と作業者情報１１５のうちの少なくともいずれか、及びパラメータ生成情報１１６を参照してパラメータ１１７を生成する。
　図５に機器情報１１４の一例を示す。例示する機器情報１１４は、機器が荷捌きロボット等の作業ロボットである場合の例である。同図に示すように、例示する機器情報１１４は、機器ＩＤ１１４１、アーム垂直移動最大速度１１４２、アーム水平移動最大速度１１４３、認識モジュール平均性能値１１４４、及びハードウェア性能劣化マージン１１４５の各項目を有する一つ以上のエントリ（レコード）で構成される。
　機器ＩＤ１１４１には、機器の識別子である機器ＩＤが設定される。アーム垂直移動最大速度１１４２には、当該機器が備えるアームの垂直移動最大速度が設定される。アーム水平移動最大速度１１４３には、当該機器が備えるアームの水平移動最大速度が設定される。認識モジュール平均性能値１１４４には、当該機器が備える物体認識装置が、コンベアを流れる物体の特徴を取得するのに要する平均時間が設定される。ハードウェア性能劣化マージン１１４５には、機器が備えるハードウェア（例えば、モータ）の使用限界（劣化マージン）を示す情報が設定される。
　図６に作業者情報１１５の一例を示す。作業者情報１１５には、工程が行われる現場で作業を行う作業者に関するリアルタイムな情報が管理される。同図に示すように、例示する作業者情報１１５は、商品特徴量１１５１、環境特徴量１１５２、作業内容１１５３、経験期間１１５４、所要時間１１５５、及び連続従事時間１１５６の各項目を有する一つ以上のエントリ（レコード）で構成される。
　商品特徴量１１５１には、作業者が取り扱う商品の特徴を示す情報（本例では、要素ｚ1～ｚ3の組み合わせ）が設定される。環境特徴量１１５２には、作業者の作業環境を示す情報（本例では商品を搬送するコンベアの長さ）が設定される。作業内容１１５３には、作業者が行う作業の内容を示す情報が設定される。経験期間１１５４には、当該作業を行う作業者について想定する当該作業の経験期間が設定される。所要時間１１５５には、作業者が当該作業を行うのに要する時間が設定される。連続従事時間１１５６には、作業者が当該作業に連続して従事可能な上限時間が設定される。
　図７にパラメータ生成情報１１６の一例を示す。（ａ）は機器（ロボット）を利用して工程の作業を行う場合のパラメータ生成情報１１６であり、（ｂ）は作業者が工程の作業を行う場合のパラメータ生成情報１１６である。同図に示すように、パラメータ生成情報１１６は、パラメータＩＤ１１６１、取得先１１６２、利用項目１１６３、及び算出式１１６４の各項目を有する一つ以上のエントリ（レコード）で構成される。
　パラメータＩＤ１１６１には、パラメータ（特徴量）の識別子であるパラメータＩＤが設定される。取得先１１６２には、当該パラメータの算出に用いる情報（項目）の取得先を示す情報（「作業情報」（取得先が作業情報１１３である場合）、「機器情報」（取得先が機器情報１１４である場合）、「作業者情報」（取得先が作業者情報１１５である場合）等）が設定される。利用項目１１６３には、取得先から取得する一つ以上の項目を特定する情報が設定される。算出式１１６４には、当該パラメータを求めるための算出式が設定される。
　パラメータ生成部１３５は、以上に例示した、作業情報１１３、機器情報１１４、及び作業者情報１１５のうちの少なくともいずれかとパラメータ生成情報１１６とに基づき、例えば、作業情報１１３から取得されるパラメータである品目数（品目１１３２の種類の数）、重量１１３４、最大長１１３６、上下配慮要否１１３７、機器情報１１４から取得される能力や性能（アーム垂直移動最大速度１１４２、アーム水平移動最大速度１１４３、認識モジュール平均性能値１１４４、及びハードウェア性能劣化マージン１１４５）等を要素とする特徴ベクトルをパラメータ１１７として生成する。
　図８（ａ）に、パラメータ１１７の一例を示す。例示するパラメータ１１７は、データＩＤ１１７１、及びパラメータ要素１１７２の各項目を有する一つ以上のエントリ（レコード）で構成される。データＩＤ１１７１には、パラメータ１１７の識別子であるパラメータＩＤが設定される。パラメータ要素１１７２には、パラメータの要素（ｚ1～ｚ6）が設定される。
　図３に戻り、サンプルデータ管理部１４５は、工程が行われる現場等から取得されたサンプルデータをサンプルデータ１１８として管理する。
　図８（ｂ）に、サンプルデータ１１８の一例を示す。例示するサンプルデータ１１８は、データＩＤ１１８１、パラメータ要素１１８２、所用時間１１８３、及びパラメータの要素毎の変化率１１８４の各項目を有する一つ以上のエントリ（レコード）で構成される。
　データＩＤ１１８１には、サンプルデータ１１８の識別子であるサンプルデータＩＤが設定される。パラメータ要素１１８２には、当該サンプルデータ１１８に対応付けられるパラメータの要素（ｚ1～ｚ6）が設定される。尚、パラメータ要素１１８２は、上位シミュレーションの入力となるパラメータ１１７に類似するサンプルデータ１１８を検索する際のインデックスとなる。所用時間１１８３には、生産性指標（所用時間等）の実測値又は下位シミュレーションの結果が設定される。パラメータの要素毎の変化率１１８４には、パラメータの要素毎の変化率の算出値が設定される。パラメータの要素毎の変化率の算出方法については後述する。尚、補完データ１１９もサンプルデータ１１８と同様の構成を有する。
　図３に戻り、予測処理部１５０は、シミュレーション（上位シミュレーション、下位シミュレーション）を実行することにより、作業の生産性に関する指標である予測値を求める。予測処理部１５０は、予測作業を表わすパラメータ１１７に類似するパラメータに対応づけられているサンプルデータ１１８を記憶している場合、当該サンプルデータ１１８を用いて上位シミュレーションを行うことにより上位工程３１についての予測値を求める。
　また予測処理部１５０は、予測作業を表わすパラメータ１１７に類似するパラメータに対応づけられているサンプルデータ１１８を記憶していない場合、当該上位工程３１の下位工程３２について下位シミュレーションを行うことにより補完データ１１９を生成し、サンプルデータ１１８と生成した補完データ１１９（もしくは生成した補完データ１１９のみ）を用いて上位シミュレーションを行うことにより、上位工程３１についての予測値を求める。
　同図に示すように、予測処理部１５０は、サンプルデータ抽出部１５１、補完要否判定部１５２、補完データ生成部１５３、及び予測値算出部１５４を含む。
　サンプルデータ抽出部１５１は、記憶部１１０が記憶しているサンプルデータ１１８の中から、予測値を求めたい予測作業を表わすパラメータ１１７に類似するパラメータに対応づけられているサンプルデータ１１８を抽出する。サンプルデータ１１８の抽出方法の詳細については後述する。
　補完要否判定部１５２は、上位シミュレーションの実行に際し、予測作業を表わすパラメータ１１７に類似するパラメータに対応づけられているサンプルデータ１１８を記憶しているか否かを判定することにより、補完データ１１９の生成要否を判定する。補完データ１１９の生成要否の判定方法の詳細については後述する。
　補完データ生成部１５３は、上位工程を構成する下位工程について下位シミュレーションを実行することにより補完データ１１９を生成する。補完データ１１９の生成方法の詳細については後述する。
　予測値算出部１５４は、上位シミュレーションを行うことにより予測値を求める。
　図３に戻り、進捗管理部１６０は、各上位シミュレーションの実行結果に基づき、各工程の進捗状況を管理する。同図に示すように、進捗管理部１６０は、作業進捗予測部１６１、作業進捗管理部１６２、及び工程進捗管理部１６３を含む。
　作業進捗予測部１６１は、上位シミュレーションの実行結果に基づき、作業の進捗量（進捗度）を求める。
　作業進捗管理部１６２は、工程作業スタック表１２０に作業の進捗状況を管理する。
　図９に工程作業スタック表１２０の一例を示す。同図に示すように、例示する工程作業スタック表１２０は、工程ＩＤ１２０１、作業ＩＤ１２０２、進捗度１２０３、所用時間１２０４、仮想開始時間１２０５の各項目を有する一つ以上のエントリ（レコード）で構成される。工程ＩＤ１２０１には、工程の識別子である工程ＩＤが設定される。作業ＩＤ１２０２には、作業ＩＤが設定される。進捗度１２０３には、工程の現在の進捗度が設定される。所用時間１２０４には、現時点までに当該作業に要した時間が設定される。仮想開始時間１２０５には、当該作業のシミュレーション上の仮想的な開始時間が設定される。尚、本例はシミュレーション上の現在時刻が「午前１０：００」であるときの例である。
　図３に示す工程進捗管理部１６３は、工程作業スタック表１２０に基づく工程の進捗状況（完了状況）を仮想工程進捗表１２１に反映する。
　図１０に仮想工程進捗表１２１の一例を示す。例示する仮想工程進捗表１２１は、作業ＩＤ１２１１、及び各工程の開始／終了時刻の設定欄１２１２～１２１３の各項目を有する一つ以上のエントリ（レコード）で構成される。作業ＩＤ１２１１には、作業ＩＤが設定される。各工程の開始／終了時刻の設定欄１２１２～１２１３には夫々、各工程の開始又は終了時刻が設定される。尚、本例は現在時刻が「午前１０：００」であるときの例である。
＜パラメータの要素毎の変化率の算出方法＞
　図１１は、図８（ｂ）のサンプルデータ１１８におけるパラメータの要素毎の変化率１１８４の算出処理（以下、「パラメータの要素毎変化率算出処理Ｓ１１００」と称する。）、を説明するフローチャートである。以下、同図とともにパラメータの要素毎変化率算出処理Ｓ１１００について説明する。
　サンプルデータ管理部１４０は、例えば、予測装置１００が新たなサンプルデータ１１８を記憶したことを契機として当該処理を実行する（Ｓ１１１１：ＹＥＳ）。
　まずサンプルデータ管理部１４０は、パラメータｚの要素ｚiの一つを選択し（Ｓ１１１２）、選択した要素ｚiを微小変化（ｚ＋Δｚi）させる（Ｓ１１１３）。
　続いて、サンプルデータ管理部１４０は、ｚ＋Δｚiで上位シミュレーションを実行して予測値ｙiを求める（Ｓ１１１４）。
　続いて、サンプルデータ管理部１４０は、予測値ｙiの元の予測値ｙ0からの変化量Δｙi＝ｙi－ｙ0を求める（Ｓ１１１５）。
　続いて、サンプルデータ管理部１４０は、予測値ｙiの変化率（＝Δｙi／Δｚi）を変化率ｄｙ／ｄｚiとしてサンプルデータ１１８に設定する（Ｓ１１１６）。
　続いて、サンプルデータ管理部１４０は、Ｓ１１１２で全ての要素ｚiを選択済か否かを判定する（Ｓ１１１７）。全ての要素ｚiを選択済であれば（Ｓ１１１７：ＹＥＳ）当該処理は終了する。未選択の全ての要素ｚiがあれば（Ｓ１１１７：ＮＯ）、処理はＳ１１１２に戻る。
＜予測値の算出方法の例＞
　予測値算出部１５４は、例えば、上位シミュレーションにおいて次式に基づく線形予測を行うことにより予測値を生成する。
Figure JPOXMLDOC01-appb-I000001
　上式において、左辺のｙ（ｚ＋Δｚ）は、上位シミュレーションにより求めようとする生産性の予測値である。また右辺第１項のｙ（ｚ）は、生産性指標の実測値(作業所用時間等）である。また右辺第２項のΔｚiは、予測作業のパラメータの要素ｚi 0毎のサンプルデータ１１８又は補完データ１１９のパラメータ要素ｚiとの差である。右辺第２項の偏微分は、サンプルデータ１１８又は補完データ１１９から取得される、生産性のパラメータ要素ｚi毎の変化率（図８のパラメータの要素毎の変化率１１８４）である。
＜補完要否判定部１５２による補完要否の判定方法＞
　補完要否判定部１５２は、サンプルデータ１１８に対応づけられているパラメータの変化量に対する、上位シミュレーションによる予測作業についての指標の予測値の変化量の大きさに基づき補完要否を判定する。具体的には、例えば、補完要否判定部１５２は、次式で定義される距離ｄ（ｚ0，ｚ）に基づき補完データ１１９の生成要否を判定する。
Figure JPOXMLDOC01-appb-I000002
　上式において、ｚi 0は、予測作業のパラメータ１１７の要素であり、ｚiは、サンプルデータ１１８に対応付けて記憶しているパラメータの要素である。
　このようにサンプルデータ１１８に対応づけられているパラメータの変化量に対する、上位シミュレーションによる予測作業についての指標の予測値の変化量の大きさに基づき補完要否を判定することで、予測作業についての指標の予測精度を高めることができる。
　補完要否判定部１５２は、距離ｄ（ｚ0，ｚ）が小さいＮ個のサンプルデータ１１８が予測作業のパラメータ１１７の近傍に存在する場合は、補完データ１１９の生成は不要であると判定し、一方、存在しない場合は、補完データ１１９の生成が必要であると判定する。具体的には、例えば、補完要否判定部１５２は、ｗを正の定数として次式を満たすサンプルデータ１１８が存在する場合は補完データ１１９の生成は不要であると判定し、存在しない場合は補完データ１１９の生成が必要であると判定する。
Figure JPOXMLDOC01-appb-I000003
＜補完データの生成方法＞
　補完データ生成部１５３は、下位シミュレーションに入力するパラメータを生成し、生成したパラメータを用いて下位シミュレーションを実行することにより補完データ１１９を生成する。補完データ生成部１５３は、例えば、サンプルデータ１１８に対応づけられているパラメータから把握されるデータ分布に従ったランダム値を生成することにより、下位シミュレーションに用いるパラメータを生成する。また補完データ生成部１５３は、例えば、下位工程３２の作業主体が作業ロボットである場合、生成したパラメータを用いて、機器情報１１４を参照しつつ、作業ロボットの作業を模擬するシミュレータ（以下、「ロボットシミュレータ」と称する。）を実行することにより、補完データ１１９を生成する。
　図１２（ａ）に、ロボットシミュレータが表示する画面の例を示す。例示するロボットシミュレータは、例えば、ユーザインタフェースを介して、パラメータとして、商品のサイズ、商品の重量、商品の表面の摩擦係数、商品の形状を特定するデータ等を設定することによりシミュレーションを実行し、補完データ１１９に相当する情報を出力する。尚、パラメータの設定から補完データ１１９の取得までの一連の処理をＲＰＡ（Robotic Process Automation）等を用いて自動化することで、ロボットシミュレータを用いて効率よく補完データ１１９を生成することができる。
　また補完データ生成部１５３は、例えば、下位工程３２の作業主体が作業者（人）である場合、生成したパラメータを用いて、補完データ生成部１５３は、作業者情報１１５を参照しつつ、人の作業を模擬するシミュレータ（以下、「人作業シミュレータ」と称する。）を実行することにより、補完データ１１９を生成する。
　図１２（ｂ）に、人作業シミュレータが表示する画面の例を示す。例示する人作業シミュレータは、例えば、ユーザインタフェースを介して、パラメータとして、商品の特徴（商品のサイズ、商品の重量、商品の表面の摩擦係数、商品の形状、梱包材の形状等）や作業環境の特徴（入力用作業バッファ、入力コンベア、出力コンベア、作業机、コンベア操作盤、検品センサ等）、作業者の経験期間、作業内容等を特定するデータ等を設定することによりシミュレーションを実行し、補完データ１１９に相当する情報を出力する。尚、パラメータの設定から補完データ１１９の取得までの一連の処理をＲＰＡ等を用いて自動化することで、人作業シミュレータを用いて効率よく補完データ１１９を生成することができる。
　図１３にシミュレータを自動実行する際に用いるＲＰＡスクリプトの例を示す。（ａ）は、ＲＰＡスクリプトの実行に際して用いる画面情報の一例である。また（ｂ）は、シミュレータを自動実行するためのＲＰＡスクリプトの一例である。
　このように下位シミュレーションを既存のシミュレータを用いて行うことで、低コストで簡便に下位シミュレーションを行うことができる。またＲＰＡスクリプトによりシミュレータを自動実行することで、効率よく下位シミュレーションを行うことができる。
＜予測処理＞
　図１４は、予測装置１００が予測値の生成に際して行う処理（以下、「予測処理Ｓ１４００」と称する。）を説明するフローチャートである。以下、同図とともに予測処理Ｓ１４００について説明する。
　同図に示すように、予測処理Ｓ１４００は、シミュレーションの対象となる上位モデル毎、予め設定された単位時間毎、及び作業予測部１３０により予測された作業毎のループ処理（順にＳ１４０１Ｓ～Ｓ１４０１Ｅ、Ｓ１４０２Ｓ～Ｓ１４０２Ｅ、Ｓ１４０３Ｓ～Ｓ１４０３Ｅ）を含む。尚、予測処理Ｓ１４００の開始時点において、作業予測部１３０により作業情報１１３は既に生成されているものとする。
　上記ループ処理では、まずパラメータ生成部１３５が、作業情報１１３、機器情報１１４及び作業者情報１１５のうちの少なくともいずれか、及びパラメータ生成情報１１６を参照してパラメータ１１７を生成する（Ｓ１４１１）。
　続いて、予測処理部１５０のサンプルデータ抽出部１５１が、生成されたパラメータ１１７と対応づけられているパラメータが類似するサンプルデータ１１８を検索し、補完要否判定部１５２が、予測作業を表わすパラメータ１１７に類似するパラメータに対応づけられているサンプルデータ１１８を抽出できたか否かを判定する（Ｓ１４１２）。サンプルデータ１１８を抽出できた場合（Ｓ１４１２：ＹＥＳ）、予測値算出部１５４が、抽出したサンプルデータ１１８を用いて上位シミュレーションを行い予測値を算出する（Ｓ１４２０）。
　一方、サンプルデータ１１８を抽出できなかった場合（Ｓ１４１２：ＮＯ）、パラメータ生成部１３５が、下位シミュレーションに用いるパラメータを生成し（Ｓ１４１５）、補完データ生成部１５３が、生成された上記パラメータを入力として下位シミュレーションを行うことにより補完データ１１９を生成して記憶する（Ｓ１４１５、Ｓ１４１６）。そして予測値算出部１５４が、生成したサンプルデータ１１８と生成した補完データ１１９（もしくは生成した補完データ１１９のみ）を用いて上位シミュレーションを行い予測値を算出する（Ｓ１４２０）。
　続いて、進捗管理部１６０の作業進捗予測部１６１が、上位シミュレーションの実行結果に基づき、作業の進捗度を求める（Ｓ１４３０）。
　続いて、作業進捗管理部１６２が、求めた進捗度を工程作業スタック表１２０に反映する（Ｓ１４３１）。
　続いて、工程進捗管理部１６３が、工程作業スタック表１２０に基づき工程の完了有無を把握し、把握した内容を仮想工程進捗表１２１に反映する（Ｓ１４３２）。
＜予測結果の提示＞
　図１５は、予測装置１００が予測結果としてユーザに提示する画面（以下、「予測結果提示画面１５００」と称する。）の一例である。同図に示すように、予測結果提示画面１５００は、横軸をパラメータｚのいずれかの要素（ｚ1～ｚ4）とし、縦軸を予測値ｙの大きさとして、予測値、サンプルデータ、最近傍のサンプルデータ、及び補完データをプロットしたグラフの表示欄１５１１、上記グラフの横軸の内容をユーザに選択させるためのリストボックス１５１２、予測値（生産性推定値）の表示欄１５１３、Δｙ／ｙ１５１４の値（式１の右辺第１項に対する右辺第２項の比に相当）の表示欄１５１４、前述したｗの値（更新閾値）の表示欄１５１５、手動再計算ボタン１５１６等を含む。
　ユーザは、リストボックス１５１２を操作することで、上記グラフの横軸のパラメータの要素（ｚ1～ｚ4）の一つを選択することができる。またユーザは、手動再計算ボタン１５１６を操作することで、予測装置１００に、最新のサンプルデータ１１８に基づく予測処理Ｓ１４００を再実行させることができる。例えば、Δｙ／ｙ１５１４の値が予め設定された閾値よりも大きい場合、ユーザは手動再計算ボタン１５１６を操作して最新のサンプルデータ１１８に基づく予測処理Ｓ１４００を再実行させる。
　ユーザは、予測結果提示画面１５００を参照することで、予測処理Ｓ１４００により生成された予測値とサンプルデータもしくは補完データとの関係や、予測処理Ｓ１４００で用いられた各種の値を容易に確認することができる。
［第２実施形態］
　続いて、第２実施形態として、作業が倉庫の経営計画（週次予測計画）に関する作業である場合における構成例を示す。第２実施形態の予測装置１００の基本的な構成は第１実施形態の予測装置１００と同様である。以下、第１実施形態と相違する部分を中心として説明する。
　図１６は、第２実施形態の予測装置１００の作業予測部１３０が生成する作業情報１１３の一例である。同図に示すように、作業予測部１３０は、倉庫の作業計画表を作業情報１１３として生成する。作業情報１１３は、日毎の作業計画を示す情報を含む。例示する作業情報１１３は、作業、作業総品目数、作業種類数、作業総重量、作業予定人数、終了予定時刻、及び利益指標予測の各項目について設定された情報を含む。
　図１７は、第２実施形態の予測装置１００のパラメータ生成部１３５が生成するパラメータ１１７の一例である。同図に示すように、本例では、作業日１１７１毎に、作業総品目数、作業種類数、作業総重量、作業予定人数、及び作業ロボット数を要素（ｚ1～ｚ5）とするパラメータが生成される。
　図１８は、第２実施形態の予測装置１００が予測値の生成に際して行う処理（以下、「予測処理Ｓ１８００」と称する。）を説明するフローチャートである。以下、同図とともに予測処理Ｓ１８００について説明する。尚、予測処理Ｓ１８００の開始時点において、作業予測部１３０により図１６に示す作業情報１１３が既に生成されているものとする。
　同図に示すように、予測処理Ｓ１８００は、作業情報１１３の作業日毎のループ処理（Ｓ１８０１Ｓ～Ｓ１８０１Ｅ）を含む。
　上記ループ処理では、まずパラメータ生成部１３５が、作業情報１１３、機器情報１１４及び作業者情報１１５のうちの少なくともいずれか、及びパラメータ生成情報１１６を参照してパラメータ１１７（図１７に例示するパラメータ１１７）を生成する（Ｓ１８１１）。
　続いて、予測処理部１５０のサンプルデータ抽出部１５１が、生成されたパラメータ１１７と、対応づけられているパラメータが類似するサンプルデータ１１８を検索し、補完要否判定部１５２が、予測作業を表わすパラメータ１１７に類似するパラメータに対応づけられているサンプルデータ１１８を抽出できたか否かを判定する（Ｓ１８１２）。サンプルデータ１１８を抽出できた場合（Ｓ１８１２：ＹＥＳ）、予測値算出部１５４が、抽出したサンプルデータ１１８を用いて上位シミュレーションを行うことにより予測値（本例では作業の終了予定時刻、利益指標の予測値）を求める（Ｓ１８２０）。
　一方、サンプルデータ１１８を抽出できなかった場合（Ｓ１８１２：ＮＯ）、補完データ生成部１５３が、下位シミュレーションに用いるパラメータを生成し（Ｓ１８１５）、生成したパラメータを入力として下位シミュレーションを行うことにより補完データ１１９を生成して記憶し（Ｓ１８１５、Ｓ１８１６）、生成したサンプルデータ１１８と生成した補完データ１１９（もしくは生成した補完データ１１９のみ）を用いて上位シミュレーションを行って予測値を求める（Ｓ１８２０）。
　ループ処理（Ｓ１８０１Ｓ～Ｓ１８０１Ｅ）を抜けると、続いて、予測値算出部１５４が、月間総利益の予測値を算出するとともに（Ｓ１８３０）、算出した各予測値（作業の終了予定時刻、利益指標の予測値、月間総利益の予測値）を記載した、所定期間における予定表を生成して出力する（Ｓ１８３１）。
　続いて、予測処理部１５０は、ユーザから確認日の追加入力を受け付けたか否かを判定する（Ｓ１８４０）。追加入力を受け付けた場合は（Ｓ１８４０：ＹＥＳ）、受け付けた確認日を作業日に加えてＳ１８０１Ｓからの処理を行う。追加入力を受け付けていない場合（Ｓ１８４０：ＮＯ）、予測処理Ｓ１８００は終了する。
　このように、第１実施形態の構成は、倉庫の経営計画における作業の指標を予測する場合にも適用することができ、倉庫の経営計画に関する作業の指標の予測を効率よく高い精度で行うことができる。
［第３実施形態］
　第３実施形態では、第１実施形態の予測装置１００の仕組みを、自律制御ロボットを用いて物流業務（検品、仕分け、梱包等）に関する作業を行う物流業務システムへの適用事例を示す。以下に例示する物流業務システムは、個々のロボットが自律的に状況判断を行って動作するシステム（以下、「自律行動システム」と称する。）と、複数のロボットに対して作業の概要を指示して複数のロボットの全体的な動作を管理するシステム（以下、「協調管理システム」と称する。）と、を含む。
　図１９は、物流業務システムのシミュレーションに際して用いる、作業現場の仮想空間モデル５である。同図に示すように、仮想空間モデル５は、作業対象となる物品６を作業エリア２０に搬入する、複数の搬入口２１ａを有する搬入装置２１、各搬入口２１ａから作業エリア２０に搬入される物品６を運搬する複数の運搬ロボットＲＴ、物品６に対して作業（検品、仕分け、梱包等）を行う複数の作業ロボットＲＷ、作業ロボットＲＷが物品６に対して作業を行う複数の作業台２２、物品６を搬送する複数のコンベアＢＣ（作業位置まで物品６を搬送するコンベア、作業後の物品６を搬出するコンベア）、各コンベアＢＣに載置されている物品６の数（作業前の物品６の数、作業後の物品６の数）を計数する複数の物品計数装置ＣＴ、を含む。作業ロボットＲＷは、アタッチメントＡの交換が可能であり、アタッチメントＡを交換することで物品６に対して行う作業の種類を変更することができる。アタッチメントＡの交換には所定時間を要する。
　予測装置１００は、仮想空間モデル５について、上位シミュレーションとして協調管理システムのシミュレーションを行う。また予測装置１００は、仮想空間モデル５について、下位シミュレーションとして自律行動システムのシミュレーションを行う。例えば、予測装置１００は、コンベアＢＣに載置されている作業前物品（未処理物品）の数に基づき、運搬ロボットＲＴに作業指示を出すアルゴリズムや、コンベアＢＣに載置されている作業前物品の数に基づき作業ロボットＲＷにアタッチメントＡの交換指示を出すアルゴリズムの効率検証を目的として、上位シミュレーションを行う。また例えば、予測装置１００は、運搬ロボットＲＴの衝突回避のアルゴリズムや、作業物体の認識を行うアルゴリズムの効率検証を目的として、下位シミュレーションを行う。
　ここで下位シミュレーションとしての作業ロボットＲＷの動作のシミュレーションは、第１実施形態で説明したロボットシミュレータを用いる方法（図１２（ａ）等）と同様の方法で行うことができる。一方、運搬ロボットＲＴの動作のシミュレーションについては、例えば、以下に説明する方法により行う。
　図２０は、下位シミュレーションとして運搬ロボットＲＴの動作をシミュレーションする情報処理システム（以下、「運搬ロボット制御システム７」と称する。）の一例である。運搬ロボット制御システム７は、第１実施形態の予測装置１００の機能を備える。
　同図に示すように、運搬ロボット制御システム７は、シミュレーション処理部７１、運搬ロボット制御部７２、及びロボット行動判定部７３を備える。このような構成を有する公知のロボット制御システムとして、例えば、ＲＯＳ（Robot Operating System）やＩｓｓａｃによるものがある。
　シミュレーション処理部７１は、運搬ロボットＲＴの物理的な挙動をシミュレーションする物理挙動シミュレーション部７１１、運搬ロボットＲＴに関する３次元シミュレーション映像を生成する３次元映像レンダリング部７１２、及びロボット行動判定部７３からの制御指示を受け付ける抽象化ＡＰＩ７１３を有する。尚、シミュレーション処理部７１は、作業エリア２０に存在する各運搬ロボットＲＴの動作履歴７５を取得可能である。
　図２０に示すように、運搬ロボット制御部７２は、実際の運搬ロボットＲＴを制御する実ロボット制御部７２１、運搬ロボットＲＴや作業エリア２０に設けられたセンサ装置７２２（撮影装置（カメラ）、各種センサ）、及びロボット行動判定部７３からの制御指示を受け付ける抽象化ＡＰＩ７２３を有する。
　ロボット行動判定部７３は、予め設定された業務指示を示すデータと、シミュレーション処理部７１や運搬ロボット制御部７２から入力されるセンサデータ（撮影装置により撮影された映像データや画像データ、各種センサにより取得された計測値）とに基づき、運搬ロボットＲＴがとるべき行動を判定し、判定の結果に応じた制御指示（モータ（アクチュエータ）の制御信号等）を、シミュレーション処理部７１又は運搬ロボット制御部７２に入力する。上記の判定は、例えば、運搬ロボットＲＴの過去の動作履歴等に基づく学習データにより学習された機械学習モデルを用いて行われる。尚、図２１に、３次元映像レンダリング部７１２がセンサデータとして生成する３次元シミュレーション映像の一例を示す。
　上記の機械学習モデルは、運搬ロボットＲＴを、業務指示を示すデータに応じて、搬入装置２１の搬入口２１ａの一つに移動させて物品６を受け取り、受け取った物品６を指示されたコンベアＢＣまで運搬する制御指示を出力する。また機械学習モデルは、運搬ロボットＲＴが、他の運搬ロボットＲＴや障害物と衝突する可能性がある場合、動作制御（方向転換、速度調節等）を行って衝突を回避するように学習される。尚、上記の動作制御の度合いは、例えば、衝突が生じた場合のペナルティ値を設定することで調節することができる。
　シミュレーション処理部７１は、ロボット行動判定部７３から入力される制御指示に従って運搬ロボットＲＴを制御した場合における運搬ロボットＲＴの挙動をシミュレーションし、シミュレーションの結果に基づき生成したセンサデータをロボット行動判定部７３に入力する。上記挙動は、例えば、制御指示の受信、搬入装置２１の搬入口２１ａの一つへの移動、物品６の受け取り、搬送先のコンベアＢＣまでの移動、物品６のコンベアＢＣへの載置等である。シミュレーション処理部７１は、シミュレーションの結果（ログ情報）をサンプルデータ１１８として記憶する。またシミュレーション処理部７１は、運搬ロボットＲＴが制御指示に従った行動をしたときの所要時間を算出し、算出した所要時間を含むサンプルデータ１１８を生成して記憶する。
　運搬ロボット制御部７２は、ロボット行動判定部７３から入力される制御指示に従って運搬ロボットＲＴを制御する。また運搬ロボット制御部７２は、センサデータをロボット行動判定部７３に入力する。
　図２２は、予測装置１００のパラメータ生成部１３５が生成するパラメータ１１７の一例である。同図に示すように、本例では、データＩＤ２１１１毎に、運搬元の自動倉庫モデルの運び出し口の識別子、運搬先のコンベアの識別子、移動中の運搬ロボットの総数、コンベア（１）のセンサのカウント数、コンベア（２）のセンサのカウント数、コンベア（３）のセンサのカウント数、コンベア（１）に向けて動いている運搬ロボットの数、コンベア（２）に向けて動いている運搬ロボットの数、コンベア（３）に向けて動いている運搬ロボットの数、コンベア（１）から帰っていく運搬ロボットの数、コンベア（２）から帰っていく運搬ロボットの数、コンベア（３）から帰っていく運搬ロボットの数、対象の自律体に与えられている衝突ペナルティの値（４）、及び全ロボットに与えられている衝突ペナルティの値の平均値を要素（ｚ1～ｚ14）とするパラメータが生成される。
　尚、下位シミュレーションの実行に際して必要になる、注目する運搬ロボットＲＴ以外の運搬ロボットＲＴの動作については、例えば、過去の運搬ロボットＲＴの動作履歴や、既に実施したシミュレーションの結果を用いて事前に保存された行動パターンを利用する。また運搬ロボットＲＴ同士の衝突が生じる可能性がある場合は、衝突の可能性のある各運搬ロボットＲＴについてシミュレーションを実行するようにしてもよい。
　このように、第１実施形態の構成は、自律制御ロボットを用いて物流業務（検品、仕分け、梱包等）に関する作業を行う、自律行動システム及び協調管理システムを含む物流業務システムにおける作業の指標を予測する場合にも適用することができ、これにより物流業務システムにおける作業の指標の予測を効率よく高い精度で行うことができる。
　以上、本発明の一実施形態について詳細に説明したが、本発明は上記の実施形態に限定されるものではなく、その要旨を逸脱しない範囲で種々変更可能であることはいうまでもない。例えば、上記の実施形態は本発明を分かりやすく説明するために詳細に説明したものであり、説明した全ての構成を備えるものに必ずしも限定されるものではない。また上記実施形態の構成の一部について、他の構成の追加や削除、置換をすることが可能である。
　また上記の各構成、機能部、処理部、処理手段等は、それらの一部または全部を、例えば、集積回路で設計する等によりハードウェアで実現してもよい。また上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリやハードディスク、ＳＳＤ（Solid State Drive）等の記録装置、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。
　また各図において、制御線や情報線は説明上必要と考えられるものを示しており、必ずしも実装上の全ての制御線や情報線を示しているとは限らない。例えば、実際には殆ど全ての構成が相互に接続されていると考えてもよい。
　また以上に説明した各情報処理装置の各種機能部、各種処理部、各種データベースの配置形態は一例に過ぎない。各種機能部、各種処理部、各種データベースの配置形態は、これらの装置が備えるハードウェアやソフトウェアの性能、処理効率、通信効率等の観点から最適な配置形態に変更し得る。
　また前述した各種のデータを格納するデータベースの構成（スキーマ（Schema）等）は、リソースの効率的な利用、処理効率向上、アクセス効率向上、検索効率向上等の観点から柔軟に変更し得る。
３１　上位工程、３２　下位工程、３５　バッファ、１００　予測装置、１１０　記憶部、１１１　上位モデル情報、１１２　下位モデル情報、１１３　作業情報、１１４　機器情報、１１５　作業者情報、１１６　パラメータ生成情報、１１７　パラメータ、１１８　サンプルデータ、１１９　補完データ、１２０　工程作業スタック表、１２１　仮想工程進捗表、１３０　作業予測部、１３２　機器情報管理部、１３３　作業者情報管理部、１３４　パラメータ生成情報管理部、１３５　パラメータ生成部、１４０　サンプルデータ管理部、１５０　予測処理部、１５１　サンプルデータ抽出部、１５２　補完要否判定部、１５３　補完データ生成部、１５４　予測値算出部、１６０　進捗管理部、１６１　作業進捗予測部、１６２　作業進捗管理部、１６３　工程進捗管理部

Claims (12)

  1. 　階層構造を有する複数の工程により作業を行う際の指標を予測する情報処理装置であって、
    　前記作業について、下位の前記工程である下位工程について設定されたモデルである下位モデルに基づくシミュレーションである下位シミュレーションを実行することにより生成される指標を含むデータであるサンプルデータを、夫々の前記作業を表すパラメータに対応付けて記憶し、
    　予測される作業である予測作業について、上位の前記工程である上位工程について設定されたモデルである上位モデルに基づくシミュレーションである上位シミュレーションを、前記予測作業を表すパラメータに類似するパラメータに対応づけられている前記サンプルデータを用いて行うことにより、前記予測作業についての指標を予測する、
    　情報処理装置。
  2. 　請求項１に記載の情報処理装置であって、
    　前記上位シミュレーションの実行に際し、前記予測作業を表すパラメータに類似するパラメータに対応づけられている前記サンプルデータを記憶しているか否かを判定し、
    　前記予測作業を表すパラメータに類似するパラメータに対応づけられている前記サンプルデータを記憶している場合は、当該サンプルデータを用いて前記上位シミュレーションを行うことにより指標の予測値を求め、
    　前記予測作業を表すパラメータに類似するパラメータに対応づけられている前記サンプルデータを記憶していない場合は、前記上位工程を構成する前記下位工程の前記下位シミュレーションを行うことにより、前記予測作業を表すパラメータに類似するパラメータについての前記サンプルデータを生成し、生成した前記サンプルデータを用いて前記上位シミュレーションを行うことにより、前記予測作業についての指標の予測値を求める、
    　情報処理装置。
  3. 　請求項２に記載の情報処理装置であって、
    　前記判定を、前記サンプルデータの前記パラメータの変化量に対する、前記上位シミュレーションによる前記予測作業についての指標の予測値の変化量の大きさに基づき行う、
    　情報処理装置。
  4. 　請求項１乃至３のいずれか一項に記載の情報処理装置であって、
    　前記下位シミュレーションを、前記下位工程の作業を行うロボットの動作を模擬するシミュレータ、及び前記下位工程の作業を行う作業者の動作を模擬するシミュレータのうちの少なくともいずかを用いて行う、
    　情報処理装置。
  5. 　請求項１乃至３のいずれか一項に記載の情報処理装置であって、
    　ユーザインタフェースを介して受け付けた情報を入力として前記下位シミュレーションに相当する処理を行うシミュレータと通信可能に接続し、
    　前記下位モデルに入力するパラメータを前記シミュレータに入力して前記シミュレータによりシミュレーション行い当該シミュレーションの結果を取得する一連の処理を自動で行うＲＰＡ（Robotic Process Automation）のスクリプトを実行する、
    　情報処理装置。
  6. 　請求項１乃至３のいずれか一項に記載の情報処理装置であって、
    　前記作業は、自律制御が可能な複数のロボットを用いて行われる作業を含み、
    　前記上位シミュレーションは、前記複数のロボットの全体としての協調動作についてのシミュレーションであり、
    　前記下位シミュレーションは、前記複数のロボットの個々の自律動作についてのシミュレーションである、
    　情報処理装置。
  7. 　階層構造を有する複数の工程により作業を行う際の指標を予測する情報処理方法であって、
    　情報処理装置が、
    　前記作業について、下位の前記工程である下位工程について設定されたモデルである下位モデルに基づくシミュレーションである下位シミュレーションを実行することにより生成される指標を含むデータであるサンプルデータを、夫々の前記作業を表すパラメータに対応付けて記憶するステップ、及び、
    　予測される作業である予測作業について、上位の前記工程である上位工程について設定されたモデルである上位モデルに基づくシミュレーションである上位シミュレーションを、前記予測作業を表すパラメータに類似するパラメータに対応づけられている前記サンプルデータを用いて行うことにより、前記予測作業についての指標を予測するステップ、
    　を実行する、情報処理方法。
  8. 　請求項７に記載の情報処理方法であって、
    　前記情報処理装置が、
    　前記上位シミュレーションの実行に際し、前記予測作業を表すパラメータに類似するパラメータに対応づけられている前記サンプルデータを記憶しているか否かを判定するステップ、
    　前記予測作業を表すパラメータに類似するパラメータに対応づけられている前記サンプルデータを記憶している場合は、当該サンプルデータを用いて前記上位シミュレーションを行うことにより指標の予測値を求めるステップ、及び、
    　前記予測作業を表すパラメータに類似するパラメータに対応づけられている前記サンプルデータを記憶していない場合は、前記上位工程を構成する前記下位工程の前記下位シミュレーションを行うことにより、前記予測作業を表すパラメータに類似するパラメータについての前記サンプルデータを生成し、生成した前記サンプルデータを用いて前記上位シミュレーションを行うことにより、前記予測作業についての指標の予測値を求めるステップ、
    　をさらに実行する、情報処理方法。
  9. 　請求項８に記載の情報処理方法であって、
    　前記情報処理装置が、前記判定を、前記サンプルデータの前記パラメータの変化量に対する、前記上位シミュレーションによる前記予測作業についての指標の予測値の変化量の大きさに基づき行うステップ、
    　をさらに実行する、情報処理方法。
  10. 　請求項７乃至９のいずれか一項に記載の情報処理方法であって、
    　前記情報処理装置が、前記下位シミュレーションを、前記下位工程の作業を行うロボットの動作を模擬するシミュレータ、及び前記下位工程の作業を行う作業者の動作を模擬するシミュレータのうちの少なくともいずかを用いて行う、
    　情報処理方法。
  11. 　請求項７乃至９のいずれか一項に記載の情報処理方法であって、
    　前記情報処理装置は、ユーザインタフェースを介して受け付けた情報を入力として前記下位シミュレーションに相当する処理を行うシミュレータと通信可能に接続しており、
    　前記情報処理装置が、前記下位モデルに入力するパラメータを前記シミュレータに入力して前記シミュレータによりシミュレーション行い当該シミュレーションの結果を取得する一連の処理を自動で行うＲＰＡ（Robotic Process Automation）のスクリプトを実行するステップ、
    　をさらに実行する、情報処理方法。
  12. 　請求項７乃至９のいずれか一項に記載の情報処理方法であって、
    　前記作業は、自律制御が可能な複数のロボットを用いて行われる作業を含み、
    　前記上位シミュレーションは、前記複数のロボットの全体としての協調動作についてのシミュレーションであり、
    　前記下位シミュレーションは、前記複数のロボットの個々の自律動作についてのシミュレーションである、
    　情報処理方法。
PCT/JP2020/037219 2019-10-11 2020-09-30 情報処理装置、及び情報処理方法 WO2021070711A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US17/767,482 US20230219226A1 (en) 2019-10-11 2020-09-30 Information processing device and information processing method
CN202080071279.6A CN114556385A (zh) 2019-10-11 2020-09-30 信息处理装置以及信息处理方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019187444A JP7416597B2 (ja) 2019-10-11 2019-10-11 情報処理装置、及び情報処理方法
JP2019-187444 2019-10-11

Publications (1)

Publication Number Publication Date
WO2021070711A1 true WO2021070711A1 (ja) 2021-04-15

Family

ID=75437906

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/037219 WO2021070711A1 (ja) 2019-10-11 2020-09-30 情報処理装置、及び情報処理方法

Country Status (4)

Country Link
US (1) US20230219226A1 (ja)
JP (1) JP7416597B2 (ja)
CN (1) CN114556385A (ja)
WO (1) WO2021070711A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI806545B (zh) * 2022-04-12 2023-06-21 廖文岳 圖形模組化自動加工整合系統

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000317779A (ja) * 1999-05-10 2000-11-21 Mitsubishi Heavy Ind Ltd 離散事象のシミュレーションシステム
JP2001356806A (ja) * 2000-06-12 2001-12-26 Nippon Telegr & Teleph Corp <Ntt> 分散生産管理装置及び記録媒体
JP2003108220A (ja) * 2001-09-28 2003-04-11 Omron Corp 制御プログラム開発支援方法及び装置
JP2012014386A (ja) * 2010-06-30 2012-01-19 Canon It Solutions Inc 情報処理装置、情報処理方法、及びコンピュータプログラム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018036945A (ja) * 2016-09-01 2018-03-08 オムロン株式会社 シミュレータ連携装置、シミュレータ連携装置の制御方法、情報処理プログラム、および記録媒体

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000317779A (ja) * 1999-05-10 2000-11-21 Mitsubishi Heavy Ind Ltd 離散事象のシミュレーションシステム
JP2001356806A (ja) * 2000-06-12 2001-12-26 Nippon Telegr & Teleph Corp <Ntt> 分散生産管理装置及び記録媒体
JP2003108220A (ja) * 2001-09-28 2003-04-11 Omron Corp 制御プログラム開発支援方法及び装置
JP2012014386A (ja) * 2010-06-30 2012-01-19 Canon It Solutions Inc 情報処理装置、情報処理方法、及びコンピュータプログラム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI806545B (zh) * 2022-04-12 2023-06-21 廖文岳 圖形模組化自動加工整合系統

Also Published As

Publication number Publication date
US20230219226A1 (en) 2023-07-13
JP2021064081A (ja) 2021-04-22
JP7416597B2 (ja) 2024-01-17
CN114556385A (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
Xie et al. Introducing split orders and optimizing operational policies in robotic mobile fulfillment systems
Erboz How to define industry 4.0: main pillars of industry 4.0
Prajapat et al. A review of assembly optimisation applications using discrete event simulation
Cirulis et al. Augmented reality in logistics
WO2019090264A1 (en) Real time anomaly detection systems and methods
Bonney Reflections on production planning and control (PPC)
CN109145352B (zh) 用于学习取图像作为输入的函数的数据集
CN107728584A (zh) 工序计划支持设备和方法以及计算机可读记录介质
TW201835821A (zh) 工作計劃最佳化裝置及工作計劃最佳化方法
Sturrock et al. Recent innovations in Simio
US20150286212A1 (en) Manufacturing execution system and method of determining production metrics for a line
CA2910808A1 (en) Systems, devices, and methods for determining an operational health score
Wallis et al. Intelligent Utilization of Digital Manufacturing Data in Modern Product Emergence Processes.
WO2021070711A1 (ja) 情報処理装置、及び情報処理方法
US20130346138A1 (en) Creation of production process workflow diagrams
Kofler et al. Rassigning storage locations in a warehouse to optimize the order picking process
US20150277434A1 (en) Production plan creation support method and production plan creation support apparatus
JP6064038B2 (ja) 配置データの処理装置と処理方法、及び物品の入出庫作業方法
US10627984B2 (en) Systems, devices, and methods for dynamic virtual data analysis
Daneshjo et al. Software support for optimizing layout solution in lean production
JP6214835B2 (ja) 作業指導割当システム及び作業指導割当方法
JP6730091B2 (ja) 積載手順決定装置、および積載手順決定プログラム
US20240036561A1 (en) Production Line Design Device, Production Line Design System, and Production Line Design Method
Ryu et al. Development of integrated and interactive spatial planning system of assembly blocks in shipbuilding
Ishmetyev et al. On the aspect of implementing solutions for information support of industrial plant control systems

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: 20875452

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20875452

Country of ref document: EP

Kind code of ref document: A1