WO2023152862A1 - 風況学習装置、風況予測装置、及びドローンシステム - Google Patents

風況学習装置、風況予測装置、及びドローンシステム Download PDF

Info

Publication number
WO2023152862A1
WO2023152862A1 PCT/JP2022/005311 JP2022005311W WO2023152862A1 WO 2023152862 A1 WO2023152862 A1 WO 2023152862A1 JP 2022005311 W JP2022005311 W JP 2022005311W WO 2023152862 A1 WO2023152862 A1 WO 2023152862A1
Authority
WO
WIPO (PCT)
Prior art keywords
wind
wind condition
learning
drone
environmental space
Prior art date
Application number
PCT/JP2022/005311
Other languages
English (en)
French (fr)
Inventor
勝治 今城
俊平 亀山
優佑 伊藤
Original Assignee
三菱電機株式会社
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 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to PCT/JP2022/005311 priority Critical patent/WO2023152862A1/ja
Priority to JP2022536485A priority patent/JP7166498B1/ja
Publication of WO2023152862A1 publication Critical patent/WO2023152862A1/ja

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64C—AEROPLANES; HELICOPTERS
    • B64C39/00—Aircraft not otherwise provided for
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G9/00—Traffic control systems for craft where the kind of craft is irrelevant or unspecified
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Definitions

  • the technology disclosed herein relates to a wind condition learning device, a wind condition prediction device, and a drone system.
  • the Doppler lidar is known as a device that measures wind conditions. It is possible to improve the accuracy of wind condition measurement and prediction by increasing the number of Doppler LIDAR measurement points. In addition to measurements by Doppler LIDAR, the idea of trying to predict wind conditions by performing machine learning is disclosed.
  • Patent Document 1 discloses the idea of predicting the wind conditions of the entire wind farm by machine learning based on the information measured by the Doppler lidar around the wind farm.
  • Patent Document 1 discloses information to the extent that it can be implemented, specifically what kind of teacher data is used and what kind of machine learning is performed to be able to predict wind conditions. do not have.
  • An object of the technology disclosed herein is to clarify aspects of machine learning that enable prediction of wind conditions.
  • a wind condition learning device includes an input unit to which a learning data set is input, and an AI, and a computing unit in which the AI learns based on the learning data set, and one of the learning data sets is , is the wind resource altitude distribution model value that conforms to the power law on the inflow side. flow energy, or turbulence intensity.
  • the wind condition learning device has the above configuration, and the aspect of machine learning that enables wind condition prediction is clear.
  • FIG. 1 is a schematic diagram showing the configuration of a drone system according to the technology disclosed herein.
  • FIG. 2 is a block diagram showing functional blocks of the wind condition prediction device according to the technology disclosed herein.
  • FIG. 3 is a flow chart showing processing steps of the wind condition prediction device according to the technology disclosed herein.
  • FIG. 4 is a diagram showing the hardware configuration of the wind condition prediction device according to the technology disclosed herein.
  • FIG. 5 is a schematic diagram showing the learning process of the wind condition learning device according to the disclosed technology.
  • FIG. 6 is a schematic diagram showing an inference process of the wind condition prediction device according to the technology disclosed herein.
  • FIG. 7 is a schematic diagram showing the learning process of the wind condition learning device according to the first embodiment.
  • FIG. 8 is a schematic diagram showing an inference process of the wind condition prediction device according to the first embodiment.
  • FIG. 9 is a schematic diagram showing an inference process of the wind condition prediction device according to the second embodiment.
  • FIG. 10 is a schematic diagram showing the learning process of the wind condition learning device according to the third embodiment.
  • a wind condition learning device is a device using AI (Artificial Intelligence), and can be applied, for example, to the technical field of drones.
  • the wind condition learning device according to the disclosed technology is in the learning phase of the wind condition prediction device 30 according to the disclosed technology.
  • the wind condition prediction device 30 according to the technology disclosed herein will be described by dividing it into a learning phase and an inference phase.
  • the wind condition prediction device 30 in the inference phase only needs to be equipped with an AI model that has been trained by the technology of the present disclosure, and does not need to be equipped with the learning function itself.
  • the wind condition prediction device 30 performs a wind condition simulation assuming a large number of scenarios in advance. to learn.
  • AI predicts the wind that may cause the drone to move unexpectedly at the flight point and warns.
  • the wind condition measuring instrument 20 may be a lidar (LiDAR: Light Detection And Ranging) that emits laser light, a radar that emits microwaves, or a sonar that emits sound waves.
  • Wind generally means air in motion.
  • various time scales and spatial scales hereafter referred to as "spatio-temporal scales"
  • spatio-temporal scales such as gusts associated with thunderstorms or tornadoes, local winds such as land and sea breezes, strong winds associated with typhoons, large-scale winds such as trade winds, and jet streams.
  • Winds are categorized by their average size and lifespan, with large spatial scales tending to have long lifespans. Wind basically has a horizontal component, and usually has a small vertical component. It is generally said that the standard wind speed at which a drone can fly is up to 5 [m/s].
  • the target of wind conditions predicted by the wind condition prediction device 30 according to the technology disclosed herein has a wind speed of approximately 4 [m/s] to 20 [m/s], and has a lifetime of seconds to minutes. belongs to.
  • the wind on the spatio-temporal scale in this range is also called "small turbulence".
  • FIG. 1 is a schematic diagram showing the configuration of a drone system 100 according to Embodiment 1.
  • a drone system 100 includes a drone 10, a controller 12, a wind condition measuring instrument 20, and a wind condition prediction device 30, as shown in FIG.
  • FIG. 1 shows how the wind condition prediction device 30 of the drone system 100 predicts wind conditions for an environmental space including the flight area of the drone 10, for example, an environmental space where infrastructure equipment is installed in the case of infrastructure inspection.
  • the controller 12 is for operating the drone 10 .
  • the wind condition prediction device 30 can communicate with the wind condition measuring device 20 by wire or wirelessly, and can acquire the observation value of the wind condition measuring device 20 .
  • the wind condition prediction device 30 can also communicate with the controller 12 by wire or wirelessly, and can transmit wind condition prediction results to the controller 12 .
  • a drone system 100 may include two or more drones 10 .
  • one wind condition measuring device 20 is shown in FIG. 1, the technology disclosed herein is not limited to this.
  • the drone system 100 may include two or more wind condition measuring instruments 20 .
  • FIG. 2 is a block diagram showing functional blocks of the wind condition prediction device 30 according to the first embodiment.
  • the wind condition prediction device 30 includes an input section 32 , a calculation section 34 and an output section 36 .
  • the input unit 32 is a functional block to which learning data sets are input.
  • a learning data set is a set of learning data for supervised learning in the technology of the present disclosure. Learning data may also be referred to as training data or teacher data.
  • the learning data according to the technique of the present disclosure includes observation data of the wind condition measuring instrument 20 obtained by simulation, details of which will be clarified later.
  • the calculation unit 34 has AI.
  • AI learns based on learning data.
  • the learning here is supervised learning. More specifically, learning may be machine learning, reinforcement learning, or deep learning.
  • the AI that the calculation unit 34 has may be a neural network such as a hierarchical neural network, an interconnected neural network, a deep neural network, a convolutional neural network, a recursive neural network, or the like.
  • the AI of the computing unit 34 may be a learnable mathematical model (also referred to as a “learning model”) other than a neural network.
  • the output unit 36 is a functional block for outputting the wind conditions predicted and calculated by the calculation unit 34 . Details of each functional block will be made clear later.
  • FIG. 3 is a flow chart showing processing steps of the wind condition prediction device 30 according to the first embodiment.
  • the processing steps of the wind condition prediction device 30 include input processing ST32 performed by the input unit 32, arithmetic processing ST34 performed by the calculation unit 34, and output processing ST36 performed by the output unit 36. include.
  • FIG. 4 is a diagram showing the hardware configuration of the wind condition prediction device 30 according to Embodiment 1. As shown in FIG. The upper part of FIG. 4 shows the case where each function of the wind condition prediction device 30 is executed by hardware. The lower part of FIG. 4 shows the case where each function of the wind condition prediction device 30 is executed by software. As shown in FIG. 4, each function of the input section 32, the calculation section 34, and the output section 36 in the wind condition prediction device 30 is implemented by a processing circuit. That is, the wind condition prediction device 30 includes a processing circuit for predicting the wind conditions by performing an input process ST32, an arithmetic process ST34, and an output process ST36.
  • a processing circuit even if it is dedicated hardware, is a CPU that executes a program stored in a memory (Central Processing Unit, also referred to as a central processing unit, a processing unit, an arithmetic unit, a microprocessor, a microcomputer, a processor, or a DSP) or either.
  • a memory Central Processing Unit, also referred to as a central processing unit, a processing unit, an arithmetic unit, a microprocessor, a microcomputer, a processor, or a DSP
  • each of the input section 32, the calculation section 34, and the output section 36 may be implemented by corresponding processing circuits 40, or the functions of each section may be combined and implemented by a single processing circuit 40. may be
  • the processing circuit When the processing circuit is a CPU, that is, when it is the processor 60 shown in the lower part of FIG. is realized by a combination of Software and firmware are written as programs and stored in the memory 70 .
  • the processing circuit reads out and executes programs stored in the memory 70 to achieve the functions of each unit. That is, the wind condition prediction device 30 includes a memory 70 for storing a program that results in the execution of the input processing ST32, the arithmetic processing ST34, and the output processing ST36 when executed by the processing circuit. It can also be said that these programs cause the computer to execute the procedures and methods of the input section 32, the calculation section 34, and the output section 36.
  • memory 70 may be non-volatile or volatile semiconductor memory such as RAM, ROM, flash memory, EPROM, and EEPROM, for example.
  • Memory 70 may also be a magnetic disk, floppy disk, optical disk, compact disk, minidisk, or DVD.
  • the memory 70 may be an HDD or an SSD.
  • the functions of the input unit 32, the calculation unit 34, and the output unit 36 may be partly configured by dedicated hardware and partly configured by software or firmware.
  • the processing circuit implements each function of the wind condition prediction device 30 by hardware, software, firmware, or a combination thereof.
  • the wind condition prediction device 30 may be applied to the drone system 100 .
  • the wind condition prediction device 30 applied to the drone system 100 does not need to predict exact values for the wind speed, wind direction, and time of arrival of the wind blowing to the drone 10 . Rather, from a fail-safe point of view, the wind prediction device 30 should be able to warn that a wind that could cause the drone 10 to move unintentionally will occur in a few seconds. Therefore, the wind condition prediction device 30 in the learning phase, ie, an example of the wind condition learning device, is trained to give this fail-safe warning.
  • the disclosed technology considers the wind in a model in which the atmosphere with a certain spatial scale moves as a group. Therefore, the technique of the present disclosure is based on the premise that if the head of a group of atmospheres having this spatial scale can be captured, then the behavior of the group of atmospheres after that can be predicted.
  • Classification and regression can be considered as supervised learning problems that are generally solved by AI. It can be said that the problem solved by the AI of the calculation unit 34 according to the technology disclosed herein is regression. Therefore, the learning data set input to the AI of the calculation unit 34 is data called an explanatory variable that is input as original data for prediction, and data called an objective variable that is output as a prediction result. It consists of the correct label to indicate and two types of data.
  • One of the learning data sets input to the AI of the calculation unit 34 is an explanatory variable, for example, a wind condition altitude distribution model value that conforms to the power law on the windward inflow side. is.
  • the wind condition altitude distribution model value is a value used in the simulation, and the wind direction and wind speed on the wind inflow side are set for a two-dimensional plane consisting of the altitude direction and the calculation area width direction. All of the wind direction values may be obtained by calculation at intervals of 0.1 [deg], for example. Further, the wind velocity values may be obtained by calculation in increments of 0.1 [m/sec], for example. Also, one of the learning data sets may be the past observation data of the wind condition measuring instrument 20 . The other of the learning data sets for the AI is the correct label of the objective variable. flow energy, or turbulence intensity. Turbulence energy and turbulence intensity are indicators of turbulence.
  • the wind conditions in the environmental space may be taken as, for example, one minute after the observation data was acquired by the wind condition measuring device 20 .
  • the wind conditions in the environmental space in the learning data set may be appropriately determined according to design specifications such as how long it has been since the acquisition of observation data and whether frame-by-frame advance is possible.
  • design specifications such as how long it has been since the acquisition of observation data and whether frame-by-frame advance is possible.
  • the worst case of the wind condition distribution in the environmental space changes depending on how many scenarios are assumed in the simulation. Therefore, the amount of scenarios to be assumed by simulation may also be appropriately determined according to the design specifications.
  • the technology disclosed herein wants to capture the head of a group of atmospheres, so it is desirable to install the wind condition measuring instrument 20 at the boundary of the environmental space with the outside world in a direction to observe the sky from the ground. It is ideal if a plurality of wind condition measuring instruments 20 in the drone system 100 can be prepared.
  • the number of wind condition measuring devices 20 and their respective installation positions and orientations are adapted to the learning phase as used in the inference phase.
  • the wind condition measuring instrument 20 is assumed to be a Doppler lidar that emits laser light, but the technology disclosed herein is not limited to this.
  • the wind condition measuring instrument 20 may be a Doppler radar that emits microwaves or a sonar that emits sound waves, as long as it has a function of observing wind conditions at the boundary of the environmental space.
  • the environmental space is divided into a mesh of wireframes as shown in FIG. Each subspace thus divided is referred to as a subregion of the environmental space.
  • the wind conditions in the environmental space are represented by allocating vectors representing wind direction and wind speed to each small area.
  • the environmental space is assumed to have a scale of approximately 300 [m] in height, 500 [m] in width, and 500 [m] in depth.
  • the grid interval that divides the environmental space may be changed depending on the topography and the shape of the structure, but is assumed to be, for example, about 1 [m] to 5 [m].
  • the wind velocity predicted by the wind condition prediction device 30 is 5 [m/s]
  • the wind condition in the environmental space is that of one minute after the observation data is acquired
  • a group of the atmosphere will move to 300 [m/s] during that time. m] go forward.
  • the area of the environmental space it is appropriate to set the area of the environmental space as 500 [m] square when viewed from above.
  • the simulation may be, for example, using incompressible fluid analysis based on the Navier-Stokes equation. More specifically, the simulation may employ an unstructured grid and perform numerical calculations by the finite volume method.
  • Generalized logarithmic law may be used for friction in features such as buildings, trees, etc. in the simulation.
  • the logarithmic law of roughness length may be used for the friction on the ground surface in the simulation.
  • a power law may be used as a boundary condition in the simulation.
  • RNG or Realizable-k- ⁇ may be used as the turbulence model in the simulation.
  • FIG. 5 is a schematic diagram showing the learning process of the wind condition learning device according to the disclosed technology.
  • the “numerical simulation” block shown in FIG. 5 represents the simulation that generates the above learning data set.
  • the environmental space is generated as a virtual space so as to include three-dimensional information of landforms and features (simply indicated as "terrain data” in FIG. 5).
  • the "input data” block shown in FIG. 5 represents the input information for executing the numerical simulation, and specifically corresponds to the boundary conditions at the boundary of the environmental space.
  • the input data should be created with many scenarios in mind.
  • the input data for executing the numerical simulation is required for the length of the simulation. For example, when simulating the wind conditions in the environmental space after one minute, input data from time 0 to one minute after is required.
  • the initial value of the wind conditions to be simulated ie, the initial state, may be zero, ie no wind, in all small areas in the environmental space.
  • one example of the disclosed technology learns to provide fail-safe warnings.
  • a method of using the wind condition altitude distribution model value and a method of using past meteorological data are conceivable as the boundary conditions of the region where the simulation is performed.
  • a method of using observation data of the wind condition measuring instrument 20 as the boundary condition is also conceivable. If the observation data of the wind condition measuring instrument 20 is data within the learning area, it may happen that a plurality of simulation results are calculated for which the observation data is the solution. This is because in the technology disclosed herein, the drone system 100 may have one wind condition measuring instrument 20 . Setting the number of wind condition measuring instruments 20 to one means that only part of the input data in the numerical simulation is observed.
  • Observed data from one wind condition measuring instrument 20 is not sufficient information to reproduce the wind conditions in the environmental space.
  • An example of the technology disclosed herein is to OR the wind conditions of the environmental space, which can be in any number of ways, based on the observation data of the wind condition measuring instrument 20, in order to perform a fail-safe warning. Learning proceeds with the worst case of each subregion in . Worst case here means the vector for which the wind speed is the higher value.
  • FIG. 6 is a schematic diagram showing an inference process of the wind condition prediction device 30 according to the technology disclosed herein.
  • the wind condition prediction device 30 in the inference phase has learned AI. More specifically, the calculation unit 34 of the wind condition prediction device 30 has a learned AI.
  • the "measured data” block shown in FIG. 6 represents the observation data (hereinafter referred to as "actually measured data") of the wind condition measuring instrument 20 by actual measurement in the inference phase.
  • the “output data (estimation)” block shown in FIG. 6 is the output of the learned AI, and represents the worst-case wind conditions for each small area in the environmental space obtained by learning. Note that FIG.
  • FIG. 6 shows the output of the learned AI as "wind condition distribution in the analysis area", but this distribution may change depending on what kind of learning data set is used in the learning phase. That is, in the learning phase, if the wind conditions in the environmental space in the learning data set are assumed to be 30 seconds after obtaining the observation data, the output of the trained AI will also be the predicted wind distribution distribution 30 seconds after obtaining the observation data.
  • the output unit 36 of the wind condition prediction device 30 transmits the wind condition of the environmental space predicted by the learned AI to the controller 12 of the drone 10 .
  • the controller 12 of the drone 10 preferably has a display that displays the transmitted predicted wind conditions in the environmental space.
  • the predicted wind conditions in the environmental space can be displayed as wind direction and speed values, heat maps, and arrow feathers.
  • the information sent to the controller 12 of the drone 10 may also be turbulence energy or turbulence intensity.
  • the predicted wind condition of the environmental space may be divided into safe and dangerous areas. This function allows the operator of the drone 10 to detect in advance the wind that may cause the drone 10 to move unintentionally.
  • the wind condition prediction device 30 instructs the controller 12 of the drone 10 in danger, based on the predicted wind condition of the environmental space and the current position of the drone 10, to pay attention to the wind in a few seconds.
  • a warning message may be sent.
  • the controller 12 may notify the operator of the drone 10 by emitting sound or light when the warning message is transmitted from the wind condition prediction device 30 .
  • FIG. 7 is a schematic diagram showing the learning process of the wind condition learning device according to Embodiment 1.
  • FIG. 7 is for comparison with the learning process of the wind condition learning device according to Embodiment 3, which will be described later.
  • the details of the wind condition learning device according to Embodiment 3 will be made clear later.
  • FIG. 8 is a schematic diagram showing the inference process of the wind condition prediction device 30 according to the first embodiment.
  • FIG. 8 is for comparison with the inference process of the wind condition prediction device 30 according to Embodiment 2, which will be described later.
  • the details of the wind condition prediction device 30 according to the second embodiment will be made clear later.
  • the wind condition learning device has the above configuration, and it is clear that the machine learning mode makes it possible to predict wind conditions.
  • the wind condition prediction device 30 according to Embodiment 1 since the wind condition prediction device 30 according to Embodiment 1 has the above configuration, it is possible to predict wind conditions that induce inadvertent movements of the drone 10 . Further, the drone system 100 including the wind condition prediction device 30 according to Embodiment 1 can prevent the drone 10 from being carelessly moved due to wind pressure or the like without requiring a guideline.
  • Drone 10 is used for infrastructure inspection in Embodiment 1, the disclosed technology is not limited to this.
  • Drone 10 may be a logistical vehicle that transports goods, or a flying vehicle that transports people.
  • FIG. 9 is a schematic diagram showing the inference process of the wind condition prediction device 30 according to the second embodiment. Comparing FIG. 9 with FIG. 8, the wind condition prediction device 30 according to Embodiment 2 has "whole area wind condition data", “inflow side calculation”, and “wind condition measuring device inflow side deflection”. A processing step is provided.
  • Embodiment 2 requires large computational resources or a huge computational time to numerically simulate the wind conditions in the environmental space based on fluid dynamics. However, we focus on the fact that it can be calculated in real time.
  • the "whole area wind condition data" block shown in Fig. 9 means that the wind conditions are roughly observed over the entire environmental space.
  • the wind condition measuring instrument 20 according to Embodiment 2 is preferably installed near the center of the environmental space, not at the boundary of the environmental space. Further, the wind condition measuring instrument 20 according to the second embodiment is made so that the direction of observation can be changed, and observes other than directly above where it is installed.
  • the learned AI of the calculation unit 34 of the wind condition prediction device 30 according to Embodiment 2 sets the explanatory variable to the wind conditions around the boundary between the environmental space and the outside world, and the objective variable to the wind condition distribution of the environmental space. and learned.
  • the "inflow side calculation" processing step shown in FIG. 9 means obtaining the upwind of the wind that blows into the environmental space.
  • the processing step of "wind condition measuring device inflow side deflection" shown in FIG. 9 means that the wind condition measuring device 20 according to Embodiment 2 is directed upwind of the wind blowing in the environmental space.
  • the drone system 100 has the effects described in the first embodiment. It has the effect of being able to cope with changes in the direction of the wind blowing in the space.
  • the learned AI of the calculation unit 34 of the wind condition prediction device 30 sets the explanatory variable to the wind conditions around the boundary between the environmental space and the outside world, and sets the objective variable to the wind condition of the environmental space. It is learned as a distribution. Having such a learned AI means that the statistical wind condition distribution of the environmental space can be predicted by inputting the statistical wind condition data at the point where the wind condition measuring device 20 is installed.
  • the statistical wind condition data are average wind speed, maximum wind speed, minimum wind speed, and the like.
  • FIG. 10 is a schematic diagram showing the learning process of the wind condition learning device according to the third embodiment. Comparing FIG. 10 with FIG. 7, it can be seen that the processing flow of the third embodiment includes a judgment block labeled "wind condition data comparison".
  • the learning data set of the wind condition learning device is not a simulation, but the observation data of the wind condition measuring device 20 obtained by actual measurement and the wind condition of the environmental space obtained by actual measurement. you can Embodiment 3 is designed to bring the learning data set obtained by simulation closer to that obtained by actual measurement in the learning phase.
  • the "wind condition data comparison" judgment process shown in FIG. 10 means comparing the wind condition data obtained by the simulation with the actually measured wind condition data. That is, in the third embodiment, by adjusting various conditions in the simulation and repeating trial and error, the learning data set obtained by the simulation is brought closer to that obtained by actual measurement.
  • the wind condition learning device can bring the learning data set created by the simulation closer to the actually measured one, and can perform learning close to the one based on the actually measured learning data set. .
  • the wind condition prediction device 30 can be applied to the drone system 100 for infrastructure inspection, and has industrial applicability.

Landscapes

  • Environmental & Geological Engineering (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)

Abstract

本開示技術に係る風況学習装置は、学習データセットが入力される入力部（３２）と、ＡＩを備え、ＡＩは学習データセットに基づいて学習する、演算部（３４）と、を備え、学習データセットの一方は、流入側における冪乗則に則した風況高度分布モデル値であり、学習データセットの他方は、シミュレーションにより得られる環境空間の風況分布のうち、風速の平均値、風速の最大値、乱流エネルギー、又は乱流強度、を含むものである。

Description

風況学習装置、風況予測装置、及びドローンシステム
　本開示技術は、風況学習装置、風況予測装置、及びドローンシステムに関する。
　風況を計測する機器として、ドップラーライダーが知られている。ドップラーライダーの計測点を増やすことで、風況の計測及び予測の精度を向上することは可能である。また、ドップラーライダーによる計測に加え、機械学習を行って風況の予測を試みる着想が開示されている。
　例えば特許文献１には、ドップラーライダーによるウィンドファーム周辺の計測情報に基づいて、機械学習によりウィンドファーム全体の風況を予測する着想が開示されている。
特開２０１９－２２２５８号公報
　特許文献１には、具体的にどのような教師データを用い、どのような機械学習を行えば風況の予測ができるようになるのか、実施可能な程度に情報が開示されているとは言えない。
　本開示技術は、風況の予測を可能とする機械学習の態様を明らかにすることを目的とする。
　本開示技術に係る風況学習装置は、学習データセットが入力される入力部と、ＡＩを備え、ＡＩは学習データセットに基づいて学習する、演算部と、を備え、学習データセットの一方は、流入側における冪乗則に則した風況高度分布モデル値であり、学習データセットの他方は、シミュレーションにより得られる環境空間の風況分布のうち、風速の平均値、風速の最大値、乱流エネルギー、又は乱流強度、を含むものである。
　本開示技術に係る風況学習装置は上記構成を備え、風況の予測を可能とする機械学習の態様が明らかである。
図１は、本開示技術に係るドローンシステムの構成を示す模式図である。 図２は、本開示技術に係る風況予測装置の機能ブロックを示すブロック図である。 図３は、本開示技術に係る風況予測装置の処理ステップを示すフローチャートである。 図４は、本開示技術に係る風況予測装置のハードウエア構成を示す図である。 図５は、本開示技術に係る風況学習装置の学習過程を示した模式図である。 図６は、本開示技術に係る風況予測装置の推論過程を示した模式図である。 図７は、実施の形態１に係る風況学習装置の学習過程を示した模式図である。 図８は、実施の形態１に係る風況予測装置の推論過程を示した模式図である。 図９は、実施の形態２に係る風況予測装置の推論過程を示した模式図である。 図１０は、実施の形態３に係る風況学習装置の学習過程を示した模式図である。
　本開示技術に係る風況学習装置は、ＡＩ（Ａｒｔｉｆｉｃｉａｌ　Ｉｎｔｅｌｌｉｇｅｎｃｅ）を用いた装置であり、例えばドローンの技術分野に応用可能である。本開示技術に係る風況学習装置は、本開示技術に係る風況予測装置３０の学習フェーズのものである。本明細書は、本開示技術に係る風況予測装置３０を学習フェーズと推論フェーズとに分けて説明する。推論フェーズにおける風況予測装置３０は、本開示技術によって学習済みのＡＩモデルを備えればよく、学習機能自体を備える必要はない。
　インフラ点検用途にも応用されているドローンの技術分野において、リアルタイム風況予測が行えれば、風圧等によるドローンの不用意な移動を予防でき、安全飛行に寄与できる。一般に、インフラ点検を行うドローンの飛行領域について、精確なリアルタイム風況予測を行おうことは、多くの観測データと、スーパーコンピュータ等の大きな計算資源を要する。
　本開示技術に係る風況予測装置３０は、事前に多数のシナリオを想定した風況シミュレーションを行い、風況計測器２０を想定した模擬観測データとドローンの飛行領域における風況との関係をＡＩに学習させる。実際にドローンを飛行させる時には、リアルタイムに得られる風況計測器２０の実観測データに基づいて、ＡＩが、飛行地点のドローンに不用意な移動を誘発するおそれのある風を予測し、警告する。具体的に風況計測器２０は、レーザ光を発するライダー（ＬｉＤＡＲ：Ｌｉｇｈｔ　Ｄｅｔｅｃｔｉｏｎ　Ａｎｄ　Ｒａｎｇｉｎｇ）、マイクロ波を発するレーダ、又は音波を発するソナーでよい。
　一般に風とは、運動している空気を意味する。ところで大気中には、様々な時間スケール及び空間スケール（以降、「時空間スケール」と称する）の大気現象があり、それに伴って生じる風にも、地表面付近の大気境界層内の乱れから、雷雨又は竜巻に伴う突風、海陸風などの局地風、台風に伴う強風、さらに貿易風などの大規模スケールの風、ジェット気流など、様々な時空間スケールのものがある。風は、その平均的な大きさと寿命とで分類されるが、空間スケールが大きいと寿命が長いという傾向にある。
　風は基本的には水平方向の成分を持つものであり、通常、鉛直方向の成分は小さいが、乱流、及び積乱雲に伴う風など、大きな鉛直方向の成分を持つものもある。
　ドローンを飛ばせる風速の目安は、一般的には５［ｍ／ｓ］までと言われている。また、４［ｍ／ｓ］から５［ｍ／ｓ］程度の風であっても、継続的に、例えば数時間単位で吹いている状況においては、通常、ドローンの飛行は行わない。したがって、本開示技術に係る風況予測装置３０が予測する風況の対象は、風速がおおよそ４［ｍ／ｓ］から２０［ｍ／ｓ］程度のものであり、寿命としては秒から分単位のものである。この範囲の時空間スケールの風は、「小さな乱渦」とも称される。
実施の形態１．
　図１は、実施の形態１に係るドローンシステム１００の構成を示す模式図である。図１に示されるとおりドローンシステム１００は、ドローン１０と、コントローラ１２と、風況計測器２０と、風況予測装置３０と、を含む。図１は、ドローンシステム１００の風況予測装置３０が、ドローン１０の飛行領域を含む環境空間、例えばインフラ点検であればインフラ設備が設置されている環境空間について、風況を予測する様子を示している。
　コントローラ１２は、ドローン１０を操縦するためのものである。風況予測装置３０は、有線又は無線により風況計測器２０と通信可能であり、風況計測器２０の観測値を取得することができる。風況予測装置３０は、有線又は無線によりコントローラ１２とも通信可能であり、コントローラ１２へ風況の予測結果を送信することができる。
　図１に示されるドローン１０は１台だが、本開示技術はこれに限定されない。ドローンシステム１００は、２台以上のドローン１０が含まれていてもよい。また図１に示される風況計測器２０は１機だが、本開示技術はこれに限定されない。ドローンシステム１００は、２機以上の風況計測器２０が含まれていてもよい。
　図２は、実施の形態１に係る風況予測装置３０の機能ブロックを示すブロック図である。図２に示されるとおり風況予測装置３０は、入力部３２と、演算部３４と、出力部３６と、を備える。
　入力部３２は、学習データセットが入力される機能ブロックである。学習データセットは、本開示技術における教師あり学習のための学習データのセットである。学習データは、トレーニングデータ、又は教師データと称されることもある。本開示技術に係る学習データには、詳細は後述により明らかとなるが、シミュレーションにより得られる風況計測器２０の観測データが含まれる。
　演算部３４は、ＡＩを有している。ＡＩは、学習データに基づいて学習する。ここでの学習は、教師あり学習である。より具体的に学習は、機械学習、強化学習、又は深層学習（ディープラーニング）であってよい。
　演算部３４が有するＡＩは、階層型ニューラルネットワーク、相互結合型ニューラルネットワーク、ディープニューラルネットワーク、畳込みニューラルネットワーク、再帰型ニューラルネットワーク、等のニューラルネットワークであってよい。また演算部３４が有するＡＩは、ニューラルネットワーク以外の学習可能な数理モデル（「学習モデル」とも称す）であってもよい。
　出力部３６は、演算部３４が予測演算した風況を出力するための機能ブロックである。各機能ブロックの詳細は、後述により明らかとなる。
　図３は、実施の形態１に係る風況予測装置３０の処理ステップを示すフローチャートである。図３に示されるとおり風況予測装置３０の処理ステップは、入力部３２が実施する入力処理ＳＴ３２と、演算部３４が実施する演算処理ＳＴ３４と、出力部３６が実施する出力処理ＳＴ３６と、を含む。
　図４は、実施の形態１に係る風況予測装置３０のハードウエア構成を示す図である。図４の上部は、風況予測装置３０の各機能がハードウエアで実行される場合を示したものである。図４の下部は、風況予測装置３０の各機能がソフトウエアで実行される場合を示したものである。
　図４に示されるとおり風況予測装置３０における入力部３２、演算部３４、出力部３６の各機能は、処理回路により実現される。すなわち風況予測装置３０は、入力処理ＳＴ３２、演算処理ＳＴ３４、出力処理ＳＴ３６、を実施することによって風況を予測するための処理回路を備える。処理回路は、専用のハードウエアであっても、メモリに格納されるプログラムを実行するＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、プロセッサ、ＤＳＰともいう）であっても、いずれでもよい。
　処理回路が専用のハードウエアである場合、すなわち図４の上部に示される処理回路４０である場合、処理回路４０は、例えば単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、又はこれらを組み合わせたものが該当する。風況予測装置３０は、入力部３２、演算部３４、出力部３６のそれぞれが、対応する処理回路４０によって実現されてもよいし、各部の機能がまとめられて単一の処理回路４０によって実現されてもよい。
　処理回路がＣＰＵの場合、すなわち図４の下部に示されるプロセッサ６０である場合、入力部３２、演算部３４、出力部３６の各機能は、ソフトウエア、ファームウエア、又はソフトウエアとファームウエアとの組合せにより実現される。ソフトウエア及びファームウエアはプログラムとして記述され、メモリ７０に格納される。処理回路は、メモリ７０に記憶されたプログラムを読み出して実行することにより、各部の機能を実現する。すなわち風況予測装置３０は、処理回路により実行されるときに、入力処理ＳＴ３２、演算処理ＳＴ３４、出力処理ＳＴ３６、が結果的に実行されることになるプログラムを格納するためのメモリ７０を備える。またこれらのプログラムは、入力部３２、演算部３４、出力部３６の手順及び方法をコンピュータに実行させるものである、とも言える。ここでメモリ７０は、例えばＲＡＭ、ＲＯＭ、フラッシュメモリ、ＥＰＲＯＭ、及びＥＥＰＲＯＭ、等の不揮発性又は揮発性の半導体メモリであってよい。またメモリ７０は、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、又はＤＶＤであってもよい。さらにメモリ７０は、ＨＤＤ、又はＳＳＤであってもよい。
　なお、入力部３２、演算部３４、出力部３６の各機能について、一部が専用のハードウエアで構成され、一部がソフトウエア又はファームウエアで構成されてもよい。
　このように、処理回路は、ハードウエア、ソフトウエア、ファームウエア、又はこれらの組合せによって、風況予測装置３０の各機能を実現する。
〈学習フェーズ〉
　本開示技術に係る風況予測装置３０は、ドローンシステム１００に応用することが考えられる。風況予測装置３０をドローンシステム１００に応用することにより、風圧によるドローン１０の不用意な移動を予防することが期待できる。
　ドローンシステム１００に応用する風況予測装置３０は、ドローン１０に吹く風の風速、風向き、及び伝わる時刻について、厳密な値を予測する必要はない。むしろフェイルセーフに考えて、風況予測装置３０は、ドローン１０の不用意な移動を生じさせ得る風が数秒後に起きる、という警告ができればよい。したがって学習フェーズにおける風況予測装置３０すなわち風況学習装置の一例は、このフェイルセーフな警告を行うように学習がなされる。
　本開示技術は、風を、或る空間的なスケールをもった大気が一団となって移動する、というモデルで考える。したがって本開示技術は、この空間的なスケールをもった大気の一団の先頭を捉えることができれば、その後の大気の一団の振舞いを予測できる、という前提に基づく。
　一般にＡＩが解く教師あり学習の問題には、分類、及び回帰、が考えられる。本開示技術に係る演算部３４のＡＩが解く問題は、回帰であると言える。よって演算部３４のＡＩへ入力される学習データセットは、予測の元データとして入力される説明変数と称されるデータと、予測結果として出力される目的変数と称されるデータであって正解を示す正解ラベルと、二種類のデータで構成される。
　演算部３４のＡＩへ入力される学習データセットの一方は、説明変数であり、例えば、風上である流入側における冪乗則（べきじょうそく、Ｐｏｗｅｒ　Ｌａｗ）に則した風況高度分布モデル値である。ここで風況高度分布モデル値とは、シミュレーションで用いる値であり、風の流入側における風向き及び風速を、高度方向と計算領域幅方向とからなる２次元平面について設定するものである。
　風向値は、例えば０．１［ｄｅｇ］の刻み幅で全数が計算により求められてもよい。また風速値は、例えば０．１［ｍ／ｓｅｃ］の刻み幅で全数が計算により求められてもよい。また学習データセットの一方は、風況計測器２０の過去の観測データでも良い。そしてＡＩへの学習データセットの他方は、目的変数の正解ラベルであり、シミュレーションにより得られるインフラ設備が設置されている環境空間の風況分布のうち、風速の平均値、風速の最大値、乱流エネルギー、又は乱流強度、を含むものである。乱流エネルギー及び乱流強度は、乱れ具合の指標となる。環境空間の風況は、風況計測器２０が観測データを取得時刻から、例えば１分後のものとしてよい。学習データセットにおける環境空間の風況は、観測データ取得後どれくらい経過したものとするか、さらにはコマ送りを可能とするか、等の設計仕様によって、適宜決定されてよい。
　なお、シミュレーションは、どの程度の量のシナリオを想定するかによって、環境空間の風況分布のうちワーストケースが変わってくる。よって、シミュレーションによりどの程度の量のシナリオを想定するかということも、設計仕様によって適宜決定されてよい。
　前述のとおり本開示技術は大気の一団の先頭を捉えたいので、風況計測器２０は、環境空間の外界との境界に、地上から上空を観察する向きで設置することが望ましい。またドローンシステム１００における風況計測器２０は、複数用意できれば理想的だが、１～２機しか用意できない場合は、ドローン１０の位置に対して風上となりそうな位置を選択するとよい。
　風況計測器２０の数、それぞれの設置位置及び向きは、推論フェーズにおいて使用する態様に学習フェーズも合わせる。
　なお風況計測器２０は、レーザ光を発するドップラーライダーを想定しているが、本開示技術はこれに限定されない。風況計測器２０は、環境空間の境界における風況を観察する機能を備えればよいから、マイクロ波を発するドップラーレーダ、又は音波を発するソナーであってもよい。
　環境空間の風況を表すため、図１に示されるとおり環境空間は、ワイヤーフレームの網目に分けられる。このように分けられたそれぞれの部分空間は、環境空間の小領域と称される。環境空間の風況は、小領域ごとに、風向きと風速とを表すベクトルを割り振ることで表される。
　環境空間は、おおよそ高さが３００［ｍ］、幅が５００［ｍ］、奥行が５００［ｍ］のスケールのものが想定される。環境空間を分割する格子間隔は、地形及び構造物の形状によって変えればよいが、例えば１［ｍ］から５［ｍ］程度のものが想定される。
　本開示技術に係る風況予測装置３０が予測する風の風速を５［ｍ／ｓ］とし、環境空間の風況を観測データ取得後１分のものとすると、その間に大気の一団は３００［ｍ］進む。このことからも、環境空間の上空から見たときの広さを５００［ｍ］四方とすることは、妥当である。
　学習データセットをシミュレーションで生成する場合、シミュレーションは、例えばナビエストークス方程式に基づいた非圧縮性流体解析を用いたものでよい。より具体的にシミュレーションは、非構造格子を採用し、有限体積法による数値計算を行うものでよい。シミュレーションにおいて建物、樹木、等の地物における摩擦は、一般化対数則が用いられてよい。シミュレーションにおいて地表面における摩擦は、粗度長の対数則が用いられてもよい。シミュレーションにおける境界条件は、べき乗則が用いられてよい。シミュレーションにおける乱流モデルは、ＲＮＧ又はＲｅａｌｉｚａｂｌｅ－ｋ－εが用いられてよい。
　図５は、本開示技術に係る風況学習装置の学習過程を示した模式図である。図５に示される「数値シミュレーション」のブロックは、上記の学習データセットを生成するシミュレーションを表している。
　シミュレーションにおいて環境空間は、地形及び地物の３次元情報（図５においては単に「地形データ」と表示）を含むよう、仮想的な空間として生成される。
　図５に示される「入力データ」のブロックは、数値シミュレーションを実施するための入力情報を表し、具体的には環境空間の境界における境界条件が該当する。入力データは、多数のシナリオを想定して作成するとよい。なお、数値シミュレーションを実施するための入力データは、シミュレーションの長さ分だけ必要である。例えば１分後の環境空間の風況をシミュレーションする場合、入力データも時刻０から１分後までが必要となる。風況シミュレーションのための入力データは、統計データを用い、小さな乱渦の平均的なスケールと寿命とを考慮して作成するとよい。
　また、シミュレーションする風況の初期値つまり初期状態は、環境空間におけるすべての小領域においてゼロつまり無風としてよい。
　前述のとおり本開示技術の一例は、フェイルセーフな警告を行うように学習を進める。
　学習データセットの中で、シミュレーションを行う領域の境界条件に、風況高度分布モデル値を用いる方法と、過去の気象データを用いる方法と、が考えられる。また境界条件に、風況計測器２０の観測データを用いる方法が考えられる。風況計測器２０の観測データが学習する領域内のデータであった場合、その観測データが解となるシミュレーション結果が複数算出される、ということが起こり得る。これは、本開示技術において、ドローンシステム１００における風況計測器２０の数を１台としてもよい、としたからである。風況計測器２０の数を１台とすることは、数値シミュレーションにおける入力データの一部しか観測していないことを意味する。１台の風況計測器２０の観測データは、環境空間の風況を再現するのに十分な情報ではない。
　本開示技術の一例は、フェイルセーフな警告を行うようにするため、風況計測器２０の観測データに基づいて、幾通りにもなり得る環境空間の風況のＯＲをとって、すなわち環境空間における小領域それぞれのワーストケースを正として、学習を進める。ここでワーストケースとは、風速がより大きい値であるベクトルを意味する。
〈推論フェーズ〉
　図６は、本開示技術に係る風況予測装置３０の推論過程を示した模式図である。図６に示されるとおり推論フェーズにおける風況予測装置３０は、学習済みＡＩを備える。より具体的には風況予測装置３０の演算部３４は学習済みＡＩを備える。図６に示される「実測データ」のブロックは、推論フェーズにおいて、実測による風況計測器２０の観測データ（以降、「実測観測データ」と称する）を表している。また図６に示される「出力データ（推定）」のブロックは、学習済みＡＩの出力であり、学習により得られる環境空間における小領域それぞれのワーストケースの風況を表している。
　なお、図６では学習済みＡＩの出力を「解析領域中の風況分布」として示したが、この分布は、学習フェーズにおいてどのような学習データセットを用いるかによって変わり得る。すなわち学習フェーズにおいて、学習データセットにおける環境空間の風況を観測データ取得後３０秒後のものとした場合、学習済みＡＩの出力も、観測データ取得後３０秒後の予測風況分布となる。
　推論フェーズにおいて風況予測装置３０の出力部３６は、学習済みＡＩが予測した環境空間の風況を、ドローン１０のコントローラ１２へ送信する。ドローン１０のコントローラ１２は、送信された環境空間の予測風況を表示する表示ディスプレイを備えるものであることが好ましい。環境空間の予測風況は、風向値と風速値、ヒートマップ、及び矢羽根として表示するこが考えられる。また、ドローン１０のコントローラ１２へ送信される情報は、乱流エネルギー又は乱流強度であってもよい。さらに環境空間の予測風況は、領域を安全と危険とに分ける領域分けであってもよい。
　この機能によりドローン１０の操縦者は、ドローン１０に対して不用意な移動を誘発するおそれのある風を事前に察知することができる。
　本開示技術に係るドローンシステム１００において、警告の態様は様々考えられる。例えば風況予測装置３０は、予測した環境空間の風況と、現在のドローン１０の位置と、に基づいて、危険な状態にあるドローン１０のコントローラ１２に、数秒後の風に注意せよ、という警告メッセージを送信してもよい。コントローラ１２は、風況予測装置３０から警告メッセージが送信されたときに、音又は光を発することにより、ドローン１０の操縦者に知らせる、という態様でもよい。
　図７は、実施の形態１に係る風況学習装置の学習過程を示した模式図である。図７は、後述する実施の形態３に係る風況学習装置の学習過程と比較するためのものである。実施の形態３に係る風況学習装置の詳細は、後述により明らかとなる。
　図８は、実施の形態１に係る風況予測装置３０の推論過程を示した模式図である。図８は、後述する実施の形態２に係る風況予測装置３０の推論過程と比較するためのものである。実施の形態２に係る風況予測装置３０の詳細は、後述により明らかとなる。
　以上のとおり実施の形態１に係る風況学習装置は上記構成を備え、風況の予測を可能とする機械学習の態様が明らかである。
　また、実施の形態１に係る風況予測装置３０は上記構成を備えるため、ドローン１０の不用意な移動を誘発する風況を予測できる。また実施の形態１に係る風況予測装置３０を備えるドローンシステム１００は、ガイドラインを要さずとも、風圧等によるドローン１０の不用意な移動の予防が可能である。
　なお、実施の形態１においてドローン１０をインフラ点検用としたが、本開示技術はこれに限定されない。ドローン１０は、物資を輸送する物流用、又は人を運ぶ空飛ぶ車、であってもよい。
実施の形態２．
　図９は、実施の形態２に係る風況予測装置３０の推論過程を示した模式図である。図９を図８と比較して見ると、実施の形態２に係る風況予測装置３０は、「全域風況データ」、「流入側算出」、及び「風況計測装置流入側偏向」、という処理ステップを備える。
　実施の形態２は、環境空間の風況を、流体力学に基づいて数値シミュレーションをするには大きな計算資源又は膨大な計算時間を要するが、いったん学習済みＡＩを作成してしまえば、汎用のＰＣでもリアルタイムで計算できる、ということに着目する。
　図９に示される「全域風況データ」のブロックは、環境空間の全域にわたって風況をざっと観察することを意味する。実施の形態２に係る風況計測器２０は、環境空間の境界ではなく、環境空間の中央付近に設置されるとよい。また実施の形態２に係る風況計測器２０は、観測する向きを変えられるようにし、設置された真上以外も観察する。実施の形態２に係る風況予測装置３０の演算部３４が有する学習済みＡＩは、説明変数を環境空間と外界との境界の全周に渡る風況とし、目的変数を環境空間の風況分布とし、学習されたものである。
　図９に示される「流入側算出」の処理ステップは、環境空間に吹く風の風上を求めることを意味する。
　図９に示される「風況計測装置流入側偏向」の処理ステップは、実施の形態２に係る風況計測器２０を、環境空間に吹く風の風上へ向けることを意味する。
　以上の構成により実施の形態２に係るドローンシステム１００は、実施の形態１に記載した効果に加え、使用可能な風況計測器２０が１機であっても、設置箇所を動かすことなく、環境空間に吹く風の風向きが変わることに対応できる、という効果を奏する。
　なお実施の形態２に係る風況予測装置３０の演算部３４が有する学習済みＡＩは、説明変数を環境空間と外界との境界の全周に渡る風況とし、目的変数を環境空間の風況分布とし、学習されたものである。このような学習済みＡＩを有することは、風況計測器２０が設置される地点における統計風況データを入力することで、環境空間の統計的な風況分布を予測できることを意味する。ここで統計風況データとは、平均風速、最大風速、及び最小風速、等である。
実施の形態３．
　図１０は、実施の形態３に係る風況学習装置の学習過程を示した模式図である。図１０を図７と比較して見ると、実施の形態３の処理フローには、「風況データ比較」と記載した判断ブロックがあることがわかる。
　前述のとおり、本開示技術に係る風況学習装置の学習データセットは、シミュレーションではなく、実測により得られた風況計測器２０の観測データと実測により得られた環境空間の風況とであってよい。実施の形態３は、学習フェーズにおいて、シミュレーションにより得られる学習データセットを、実測により得られるものに近づける工夫を施すものである。
　図１０に示される「風況データ比較」の判断処理は、シミュレーションにより得られた風況データを、実測の風況データと比較することを意味する。すなわち実施の形態３は、シミュレーションにおける様々な条件を調整し、トライアンドエラーを繰り返すことにより、シミュレーションにより得られる学習データセットを、実測により得られるものに近づける。
　以上の構成により実施の形態３に係る風況学習装置は、シミュレーションで作成した学習データセットを実測のものに近づけることができ、実測の学習データセットによるものに近い学習を行える、という効果を奏する。
　本開示技術に係る風況予測装置３０は、インフラ点検用のドローンシステム１００に応用でき、産業上の利用可能性を有する。
　１０　ドローン、１２　コントローラ、２０　風況計測器、３０　風況予測装置、３２　入力部、３４　演算部、３６　出力部、４０　処理回路、５０　入力インターフェース、６０　プロセッサ、７０　メモリ、８０　出力インターフェース、１００　ドローンシステム。

Claims (10)

  1. 　学習データセットが入力される入力部と、
    　ＡＩを備え、前記ＡＩは前記学習データセットに基づいて学習する、演算部と、を備え、
    　前記学習データセットの一方は、流入側における冪乗則に則した風況高度分布モデル値であり、前記学習データセットの他方は、シミュレーションにより得られる環境空間の風況分布のうち、風速の平均値、風速の最大値、乱流エネルギー、又は乱流強度、を含むものである、
    　風況学習装置。
  2. 　前記学習データセットの他方は、前記環境空間における小領域において、複数得られる風況を表すベクトルのうち、風速がより大きい値のものを選択したものである、
    　請求項１に記載の風況学習装置。
  3. 　風況計測器の実測観測データを取得する入力部と、
    　学習済みＡＩを備え、前記実測観測データに基づいて環境空間の風況分布を予測演算する演算部と、
    　予測演算した前記風況分布を出力する出力部と、を備える
    　風況予測装置。
  4. 　前記風況計測器は、ライダー、レーダ、又はソナーである、
    　請求項３に記載の風況予測装置。
  5. 　前記学習済みＡＩは、説明変数を前記環境空間と外界との境界の全周に渡る風況とし、目的変数を前記環境空間の前記風況分布として学習された、
    　請求項４に記載の風況予測装置。
  6. 　前記環境空間の前記風況分布は、
    　少なくとも風速の平均値、風速の最大値、乱流エネルギー、又は乱流強度、を含むものである、
    　請求項４に記載の風況予測装置。
  7. 　前記環境空間を飛行するドローンと、
    　前記ドローンを操縦するコントローラと、
    　前記風況計測器と、
    　請求項４に記載の風況予測装置と、を備える
    　ドローンシステム。
  8. 　前記コントローラは、表示ディスプレイを備える
    　請求項７に記載のドローンシステム。
  9. 　前記出力部は、前記風況分布を、風向値と風速値、ヒートマップ、矢羽根、又は領域を安全と危険とに分ける領域分け、の態様で前記コントローラに送信し、
    　前記コントローラは、送信された前記風況分布を前記表示ディスプレイに表示する、
    　請求項８に記載のドローンシステム。
  10. 　予測した前記環境空間の前記風況分布と、現在の前記ドローンの位置と、に基づいて、
    　前記ドローンに対して警告が必要な状況だと判断された場合に、
    　対応する前記コントローラに警告メッセージを送信する、
    　請求項７に記載のドローンシステム。
PCT/JP2022/005311 2022-02-10 2022-02-10 風況学習装置、風況予測装置、及びドローンシステム WO2023152862A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/JP2022/005311 WO2023152862A1 (ja) 2022-02-10 2022-02-10 風況学習装置、風況予測装置、及びドローンシステム
JP2022536485A JP7166498B1 (ja) 2022-02-10 2022-02-10 風況学習装置、風況予測装置、及びドローンシステム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/005311 WO2023152862A1 (ja) 2022-02-10 2022-02-10 風況学習装置、風況予測装置、及びドローンシステム

Publications (1)

Publication Number Publication Date
WO2023152862A1 true WO2023152862A1 (ja) 2023-08-17

Family

ID=83931125

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/005311 WO2023152862A1 (ja) 2022-02-10 2022-02-10 風況学習装置、風況予測装置、及びドローンシステム

Country Status (2)

Country Link
JP (1) JP7166498B1 (ja)
WO (1) WO2023152862A1 (ja)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06110860A (ja) * 1992-09-28 1994-04-22 Kawasaki Steel Corp 信号処理装置
US20110172920A1 (en) * 2007-01-12 2011-07-14 Young Paul Yee Process for generating spatially continuous wind profiles from wind profiler measurements
JP2017102760A (ja) * 2015-12-02 2017-06-08 メトロウェザー株式会社 風力発電量予測システム、風力発電量予測プログラム、および風力発電量予測方法
JP2018142302A (ja) * 2017-02-24 2018-09-13 キヤノンマーケティングジャパン株式会社 情報処理装置、情報処理装置の制御方法、無人航空機、無人航空機の制御方法、およびプログラム
JP2019022258A (ja) * 2017-07-12 2019-02-07 株式会社日立製作所 風力発電システム
JP2019089538A (ja) * 2017-11-16 2019-06-13 ザ・ボーイング・カンパニーＴｈｅ Ｂｏｅｉｎｇ Ｃｏｍｐａｎｙ 航空機の飛行計画において微細風況を考慮するシステム
US20190271563A1 (en) * 2018-03-02 2019-09-05 International Business Machines Corporation Microclimate wind forecasting
JP2020159725A (ja) * 2019-03-25 2020-10-01 株式会社新エネルギー総合研究所 風況予測システム、及び風況予測方法
WO2021039164A1 (ja) * 2019-08-26 2021-03-04 ソニー株式会社 情報処理装置、情報処理システム及び情報処理方法
JP2021043598A (ja) * 2019-09-09 2021-03-18 パイオニア株式会社 表示制御装置、表示制御方法及び表示制御プログラム
JP2021056073A (ja) * 2019-09-30 2021-04-08 東日本旅客鉄道株式会社 渦検出装置、渦検出方法、プログラム及び学習済モデル
CN112782660A (zh) * 2020-12-29 2021-05-11 杭州电子科技大学 基于Bert的雷达目标识别方法
JP2021111090A (ja) * 2020-01-09 2021-08-02 三菱電機株式会社 飛行ルート学習装置、飛行ルート決定装置及び飛行装置
CN113536685A (zh) * 2021-07-23 2021-10-22 河北工业大学 一种基于神经网络外推的风速概率模型的建模方法
WO2022029847A1 (ja) * 2020-08-03 2022-02-10 Ａｎａホールディングス株式会社 乱気流予測システムおよび乱気流予測方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013054005A (ja) * 2011-09-06 2013-03-21 Seiko Epson Corp 気象変動情報提供システム、気象変動情報提供方法、気象変動情報提供プログラム及び記録媒体
US20210063429A1 (en) * 2018-08-28 2021-03-04 Ball Aerospace & Technologies Corp. Optical Wind Lidar-Based Multifunctional Instrument for Enhanced Measurements and Prediction of Clear Air Turbulence and Other Wind-Based Aviation Related Phenomena
JP2022038675A (ja) * 2020-08-27 2022-03-10 ソニーグループ株式会社 情報処理装置及び情報処理方法、コンピュータプログラム、並びに移動体装置

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06110860A (ja) * 1992-09-28 1994-04-22 Kawasaki Steel Corp 信号処理装置
US20110172920A1 (en) * 2007-01-12 2011-07-14 Young Paul Yee Process for generating spatially continuous wind profiles from wind profiler measurements
JP2017102760A (ja) * 2015-12-02 2017-06-08 メトロウェザー株式会社 風力発電量予測システム、風力発電量予測プログラム、および風力発電量予測方法
JP2018142302A (ja) * 2017-02-24 2018-09-13 キヤノンマーケティングジャパン株式会社 情報処理装置、情報処理装置の制御方法、無人航空機、無人航空機の制御方法、およびプログラム
JP2019022258A (ja) * 2017-07-12 2019-02-07 株式会社日立製作所 風力発電システム
JP2019089538A (ja) * 2017-11-16 2019-06-13 ザ・ボーイング・カンパニーＴｈｅ Ｂｏｅｉｎｇ Ｃｏｍｐａｎｙ 航空機の飛行計画において微細風況を考慮するシステム
US20190271563A1 (en) * 2018-03-02 2019-09-05 International Business Machines Corporation Microclimate wind forecasting
JP2020159725A (ja) * 2019-03-25 2020-10-01 株式会社新エネルギー総合研究所 風況予測システム、及び風況予測方法
WO2021039164A1 (ja) * 2019-08-26 2021-03-04 ソニー株式会社 情報処理装置、情報処理システム及び情報処理方法
JP2021043598A (ja) * 2019-09-09 2021-03-18 パイオニア株式会社 表示制御装置、表示制御方法及び表示制御プログラム
JP2021056073A (ja) * 2019-09-30 2021-04-08 東日本旅客鉄道株式会社 渦検出装置、渦検出方法、プログラム及び学習済モデル
JP2021111090A (ja) * 2020-01-09 2021-08-02 三菱電機株式会社 飛行ルート学習装置、飛行ルート決定装置及び飛行装置
WO2022029847A1 (ja) * 2020-08-03 2022-02-10 Ａｎａホールディングス株式会社 乱気流予測システムおよび乱気流予測方法
CN112782660A (zh) * 2020-12-29 2021-05-11 杭州电子科技大学 基于Bert的雷达目标识别方法
CN113536685A (zh) * 2021-07-23 2021-10-22 河北工业大学 一种基于神经网络外推的风速概率模型的建模方法

Also Published As

Publication number Publication date
JPWO2023152862A1 (ja) 2023-08-17
JP7166498B1 (ja) 2022-11-07

Similar Documents

Publication Publication Date Title
CN110221546B (zh) 虚实融合的船舶智能控制系统测试平台
EP3926582B1 (en) Model generating apparatus, method, and program, and prediction apparatus
CN106951997B (zh) 预测风机的故障的方法和设备
CN108645413A (zh) 一种移动机器人的同时定位与地图创建的动态纠正方法
KR101965879B1 (ko) 인공신경망 기반 고층 구조물 응력 예측모델 시스템, 이를 이용한 안전평가 시스템 및 그 평가방법
Xia et al. Operation and maintenance optimization of offshore wind farms based on digital twin: A review
CN110807571A (zh) 基于3d激光传感与BIM结合的建筑工程质量控制系统
KR101590253B1 (ko) 이미징 소나의 이미지 예측 시뮬레이션 방법 및 이를 이용한 장치
JP2015520698A (ja) シップの性能の評価ための方法およびシステム
TWI725677B (zh) 自航船舶的模擬系統及其運作方法
CN111222438A (zh) 一种基于深度学习的行人轨迹预测方法和系统
CN103984355A (zh) 一种巡检飞行机器人与架空电力线路距离预测和保持方法
Allaerts et al. Development of a time–height profile assimilation technique for large-eddy simulation
JP6949644B2 (ja) 風環境学習装置、風環境評価システム、風環境学習方法及び風環境評価方法
CN114352478B (zh) 海上风电机组控制系统及控制方法
Vidhya et al. An effective evaluation of SONARS using arduino and display on processing IDE
My et al. An Artificial Neural Networks (ANN) Approach for 3 Degrees of Freedom Motion Controlling
US20200293704A1 (en) Method, a system and a computer program product for monitoring remote infrastructure networks
WO2023152862A1 (ja) 風況学習装置、風況予測装置、及びドローンシステム
CN111780760B (zh) 基于远洋航行气象时效性的船舶航路仿真测试方法
Hollenbeck et al. Pitch and roll effects of on-board wind measurements using sUAS
CN116931448A (zh) 一种基于数字孪生的智能船状态监测和控制系统
WO2019128018A1 (zh) 确定风资源的方法和装置
CN110390124A (zh) 确定物体形状的方法和设备、制造计算装置的方法
JP7470413B2 (ja) 情報処理装置、情報処理方法、及びプログラム

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 2022536485

Country of ref document: JP

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

Ref document number: 22925883

Country of ref document: EP

Kind code of ref document: A1