特許ウォッチ

公開番号2024070098
公報種別公開特許公報(A)
公開日2024-05-22
出願番号2022180483
出願日2022-11-10
発明の名称情報処理システムおよびプログラム
出願人西松建設株式会社,大裕株式会社,国立大学法人大阪大学
代理人弁理士法人MIP
主分類E21D 9/093 20060101AFI20240515BHJP(地中もしくは岩石の削孔;採鉱)
要約【課題】掘削機械の挙動のシミュレーションが実用上で可能となるシステム、方法およびプログラムを提供すること。
【解決手段】情報処理システム30は、掘削機械の挙動を再現するシステムであり、掘削機械の制御に使用する学習済みモデルから出力された制御情報と、調整可能なパラメータとを用いて、制御情報により制御した場合の掘削機械の動作結果を予測する予測部40と、実際に制御情報により制御した場合の掘削機械の動作結果を取得する取得部41と、取得された動作情報に基づき、予測された動作結果を検証する検証部42と、検証結果に応じて、パラメータを調整する調整部43とを含む。
【選択図】図5
特許請求の範囲【請求項１】
掘削機械の挙動を再現する情報処理システムであって、
前記掘削機械の制御に使用する学習済みモデルから出力された制御情報と、調整可能なパラメータとを用いて、前記制御情報により制御した場合の前記掘削機械の動作結果を予測する予測手段と、
実際に前記制御情報により制御した場合の前記掘削機械の動作結果を取得する取得手段と、
取得された前記動作結果に基づき、予測された前記動作結果を検証する検証手段と、
検証結果に応じて、前記パラメータを調整する調整手段と
を含む、情報処理システム。
続きを表示（約 1,100 文字）【請求項２】
前記検証手段は、取得された前記動作結果である観測値と、予測された前記動作結果である予測値との差分が、閾値以上であるか否かにより、前記予測手段の妥当性を判定する、請求項１に記載の情報処理システム。
【請求項３】
前記予測手段は、時間変化する前記制御情報を変数とし、時間変化する前記パラメータを係数とした数式を用い、前記予測値を算出する、請求項２に記載の情報処理システム。
【請求項４】
前記調整手段は、前記検証結果として前記予測手段が妥当でないと判定された場合に、前記パラメータを調整する、請求項２または３に記載の情報処理システム。
【請求項５】
前記調整手段は、前記パラメータをサンプリングする確率分布を修正し、修正した前記確率分布から再度サンプリングすることにより前記パラメータを調整する、請求項４に記載の情報処理システム。
【請求項６】
前記検証手段により前記予測手段が妥当であると判定されるまで、前記調整手段による前記パラメータの調整、前記予測手段による前記予測値の算出、前記取得手段による前記掘削機械の動作結果の取得を繰り返す、請求項５に記載の情報処理システム。
【請求項７】
教師情報を用いて前記掘削機械の制御に使用する学習モデルを学習する学習手段と、
学習された学習モデルである前記学習済みモデルにテストデータを適用して、前記学習済みモデルが所定の汎化性能を有するか否かを判定する判定手段と、
前記所定の汎化性能を有すると判定された場合に、前記学習済みモデルを使用して前記制御情報の予測を実行する予測実行手段と、
前記学習済みモデルから出力された前記制御情報による制御の結果が許容範囲内か否かを判定することにより、前記結果を評価する評価手段と
をさらに含む、請求項１に記載の情報処理システム。
【請求項８】
掘削機械の挙動を再現する処理をコンピュータに実行させるためのプログラムであって、
前記掘削機械の制御に使用する学習済みモデルから出力された制御情報と、調整可能なパラメータとを用いて、前記制御情報により制御した場合の前記掘削機械の動作結果を予測するステップと、
実際に前記制御情報により制御した場合の前記掘削機械の動作結果を取得するステップと、
取得された前記動作結果に基づき、予測された前記動作結果を検証するステップと、
検証結果に応じて、前記パラメータを調整するステップと、
前記学習済みモデルから出力された制御情報と、調整された前記パラメータとを用いて、前記掘削機械の動作結果を再度予測するステップと
を実行させる、プログラム。

発明の詳細な説明【技術分野】
【０００１】
本発明は、掘削機械の挙動を再現する情報処理システムおよびその再現する処理をコンピュータに実行させるためのプログラムに関する。
続きを表示（約 1,500 文字）【背景技術】
【０００２】
シールドマシン（以下、単にシールドと呼ぶ。）等の掘削機械の制御を機械学習で学習した学習済みモデルを使用して自動化する技術が知られている（例えば、特許文献１参照）シールドの掘削制御を学習済みモデルで実行する場合、学習済みモデルに入力するデータに異常値や欠損値があると、工事の安全性や品質が低下する。そこで、上記の技術では、予測失敗リスク評価の基準として、各計測値の全てが、学習モデルを学習する際に用いた教師データにおける計測値の学習データ範囲内にあるか（内挿状態であるか）を判定し、評価が合格の場合のみ、シールドの操作の制御データの設定値を、学習済みモデルを使用して推定している。
【０００３】
学習モデルを学習させる際、計測値が指示された値から乖離するデータを教師データとして使用すると、正しい推定を行わせるための学習が行えず、学習モデルが計測値に対応した適切な操作の設定値を推定しない場合がある。
【０００４】
そこで、掘削状況を測定した状況測定データと掘削の目標である指示値との乖離度合に基づき、操作実績データと状況測定データとを含む判定対象データを、掘削機械の操作の設定値を推定する学習モデルの学習データとするか否かを判定する技術が提案されている（例えば、特許文献２参照）。
【先行技術文献】
【特許文献】
【０００５】
特開２０１９－１４３３８８号公報
特開２０１９－１４３３８９号公報
【発明の概要】
【発明が解決しようとする課題】
【０００６】
上記の従来の２つの技術を組み合わせることにより、シールドの掘削制御を、学習済みモデルを使用して自動化する場合の妥当性と精度を向上させることができる。
【０００７】
現実の掘削工事では、線形や地質等の条件が工事途中で大きく変わることが事例として多く、工事毎に掘削機械の仕様も異なる。このため、一企業で収集できる教師データは、多様な背景を持ったデータとなる。このような教師データでは、学習モデルの汎化性能を高める目途が立たず、予測失敗リスク評価において不合格が多い状態となってしまう。
【０００８】
予測失敗リスクを管理するためには、学習済みモデルの出力を実機入力したケースでのシミュレーションが必要である。しかしながら、これまでの理論的にシールド挙動を再現するシミュレータは、複雑で多数の未知のパラメータを包含するモデルになることから、複雑すぎて現実的ではなく、実用化には至っていない。
【課題を解決するための手段】
【０００９】
本発明は、上記課題に鑑みてなされたものであり、掘削機械の挙動を再現する情報処理システムであって、
掘削機械の制御に使用する学習済みモデルから出力された制御情報と、調整可能なパラメータとを用いて、制御情報により制御した場合の掘削機械の動作結果を予測する予測手段と、
実際に制御情報により制御した場合の掘削機械の動作結果を取得する取得手段と、
取得された動作情報に基づき、予測された動作結果を検証する検証手段と、
検証結果に応じて、パラメータを調整する調整手段と
を含む、情報処理システムが提供される。
【発明の効果】
【００１０】
本発明によれば、掘削機械の挙動のシミュレーションが実用上で可能となる。
【図面の簡単な説明】
（【００１１】以降は省略されています）

関連特許