【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、無排土式で押し込み推進させながらロボット先端のヘッド角を制御し、方向修正を行なうニューラルネットワークを用いた小口径トンネルロボットの自動方向制御法に関するものである。

【０００２】

【従来の技術】小口径トンネルロボットの方向制御則が多数検討されている。 この一例を以下に示す。

【０００３】（１）計画線に対するロボット本体の位置偏差とピッチグ角度偏差に、ある比例ゲインをかけたものを次の入力ヘッド角とするフィードバック制御則。

【０００４】（２）計画線に対するロボット本体の位置偏差とピッチング角度偏差とそれに対する入力ヘッド角に関する関係オペレータの経験と知識を使い、制御規則、メンバーシップ関数で表現し制御するファジィ制御則。

【０００５】これらの制御則は、小口径トンネルロボットの方向制御に有効であることが確認されている。

【０００６】しかし、これらの制御では初期偏差または、初期ピッチング角度偏差が変化した場合、その初期位置偏差、初期ピッチング角度偏差の時に最適な制御を行なうための最適値つまり、フィードバック制御則では最適フィードバックゲイン、ファジィ制御則では最適メンバーシップ関数値を探索しなければならないという問題があった。

【０００７】次に、従来技術の一例として、小口径トンネルロボットのフィードバック方向制御則の最適フィードバックゲインの探索法について述べる。

【０００８】図６にトンネルロボットのシステム構成を示す。 本システムはヘッド角修正機能を持つトンネルロボット本体１、埋設管２、埋設管２を押し込む押管装置３、油圧装置４、操作盤５よりなる。 埋設管２は押管装置３により油圧で１本ずつ押し込まれる。 このとき、オペレータ６はヘッド角を逐次修正し、計画線に沿うように方向制御を行なう。 ７は地表である。

【０００９】次に、本ロボットのフィードバック方向制御法とそのシミュレータについて述べる。 フィードバック制御法はロボット本体の位置偏差とピッチング角度偏差に、ある比例ゲインをかけたものを次の入力ヘッド角とする制御法である。 図７でヘッド角とピッチング角について定義する。 シミュレータは方向修正に関するダイナミックモデル式［式（１）］とロボットのピッチング角と位置の算出式［式（２）、（３）］によって構成される。 方向制御のシミュレーションは以下のように行なう。 まず、式（４）の制御則によりヘッド角を求める。
次にそのヘッド角を、式（１）のダイナミックモデル式に代入し、方向修正量を計算する。 そして、式（２）、
（３）を用い、ロボットの位置とピッチング角を計算する。

【００１０】本システムのダイナミックモデル式は方向修正角がヘッド角とロボットの姿勢を近似的に表すピッチング角変化量の時系列項および確立分布項の和で表せる確立モデルで表した。 パラメータａn 、ｂn は最小二乗法によって推定される。

【００１１】 シミュレータ Δθ _p （ｋ）＝ａ ₁ Δθ _p （ｋ−１）＋…＋ａ _n Δθ _p （ｋ−ｎ） ＋ｂ ₀ θ _h （ｋ）＋ｂ ₁ θ _h （ｋ−１）＋…＋ｂ _n θ _h （ｋ−ｎ）＋ｅ（ｋ） （１） θ _p （ｋ）＝θ _p （ｋ−１）＋Δθ _p （ｋ） （２） Ｙ（ｋ）＝Ｙ（ｋ−１）＋Ｌsin （θ _p （ｋ）） （３） 制御則 θ _h （ｋ）＝Ｋ _p （Ｙ _d （ｋ）−Ｙ（ｋ−１）＋Ｋ _a （θ _d （ｋ）−θ _p （ｋ −１）） （４） ただし、Ｋ _p ：位置偏差フィードバックゲイン Ｋ _a ：角度偏差フィードバックゲイン 図８でシミュレータおよび制御則で用いる各パラメータを定義する。下方の軌道が計画線であり、上方の軌道がロボットの軌道である。ストロークＫにおける計画線の位置をＹ _d （ｋ）、計画線の傾きをθ _d （ｋ）、ロボットの位置をＹ（ｋ）、ロボットのピッチング角をθ
_p （ｋ）、ピッチング角変化量をΔθ _p （ｋ）、１ストロークの長さをＬとおく。 また、式（１）のダイナミックモデルにおいて、ｅ（ｋ）はモデルの残差、ｎはモデルの次数である。 方向制御のブロック図を図９に示す。

【００１２】上記シミュレータを用いてフィードバック方向制御法の有効性を検討した結果、位置偏差フィードバックゲインと角度偏差フィードバックをうまく選択すれば、良好な方向制御を行うことが分かった。

【００１３】そこで、次に、最適フィードバックゲインを従来の方法では以下のように求めた。 一例としてＮ値が０〜２である岡山地区のデータを使って説明する。 ここで、Ｎ値は土質のかたさ、絞まり具合を表す数値で、
値が大きいほどかたい。 図１０にＫ _p ＝０．０１［deg/
mm］と固定したときの、Ｋ _a −過度応答の偏差絶対値積分値を示す。 ただし、残差ｅ（ｋ）は平均値０deg 、ロボットの初期位置偏差、初期ピッチング角度偏差はそれぞれ５００mm、０deg とした。 また、計画線は初期値０
mmの水平線とした。 この図より偏差絶対値積分値が最小になるＫ _aを求めることが出来る。 この場合、Ｋ _a ＝
１．５となる。 次に、上記と同様に、Ｋ _pを０．０１から１０［deg/mm］まで変化させて偏差絶対値積分値が最小になるＫ _aを求める。 これらの結果を用いると、図１
１に示すＫ _p −最小偏差絶対値積分値特性が求まる。 この図より偏差絶対値積分値が最小になるＫ _pは０．０７
［deg/mm］となり、そのときのＫ _aはＫ _pが０．０７
［deg/mm］のときのＫ _a −過度応答の偏差絶対値積分値特性により７．８［無次元］と求まる。

【００１４】従って、初期位置偏差、初期ピッチング角度偏差がそれぞれ５００mm、０degの場合、岡山に関する最適ゲインはＫ _p ＝０．０７［deg/mm］、Ｋ _a ＝７．
８［無次元］となる。 図１２にこの最適なＫ _p 、Ｋ _aを使った場合の方向制御シミュレーション結果を示す。 初期位置偏差は５００mm、計画線は位置が０mmの水平線とした。 図に示されるように、良好な制御が行なわれていることが分かる。

【００１５】

【発明が解決しようとする課題】しかし、初期位置偏差、初期ピッチング角度偏差が異なる場合に同じゲインを使った場合、良好な制御は行なわれない。 初期位置偏差、初期ピッチング角度偏差が異なる場合は上記プロセスをふんで所定の初期位置偏差、初期ピッチング角度に対する最適ゲインを求めなければならない。 従って、従来法によって任意の初期位置偏差、初期ピッチング角度に対する最適ゲインを得るためには上記プロセスを数多く行なわなければならず多大な手間と時間を必要とする問題点があった。

【００１６】本発明の目的は、従来技術の初期偏差または初期ピッチング角度偏差が変化した場合に制御則の最適フィードバックゲイン、最適メンバーシップ関数値を探索しなければならないという問題点を克服し、初期位置偏差、初期ピッチング角度偏差がどのような場合でも最適な方向制御を行なえるニューラルネットワーク型方向制御則を得ることが出来るニューラルネットワークを用いた小口径トンネルロボットの自動方向制御法を確立することである。

【００１７】

【課題を解決するための手段】本発明は上記課題を解決するために、無排土式で押し込み推進させながらロボット先端のヘッド角を制御して方向修正を行なう小口径トンネルロボットにおいて、入力を小口径トンネルロボットの位置偏差の時系列とピッチング角度偏差の時系列、
出力をヘッド角としたニューラルネットワークを、所定の小口径トンネルロボットの方向制御則から得られる、
ある所定の位置偏差、ピッチグ角度偏差の時系列に対するヘッド角との関係を学習データとして、ニューラルネットワークに学習させることにより、任意の位置偏差、
ピッチング角度偏差の時系列に対する最適なヘッド角を得ることを特徴とするものである。

【００１８】

【作用】本発明は、入力層、少なくとも１層以上の中間層、出力層を持ち、各層がユニットの集合であり、計画線に対する小口径トンネルロボット本体の位置偏差の時系列とピッチング角度偏差の時系列を入力層の入力とし、ヘッド角を出力層の出力とするニューラルネットワークを、所定の小口径トンネルロボットの方向制御則から得られる、ある所定の位置偏差、ピッチグ角度偏差の時系列に対するヘッド角との関係を学習データとして、
ニューラルネットワークに学習させることにより、任意の位置偏差の時系列、初期ピッチング角度偏差の時系列に対応したヘッド角を出力するニューラルネット型方向制御則を得ることを特長とする。 従来技術との差異は、
従来法では初期偏差または、初期ピッチング角度偏差が変化した場合、その初期位置偏差、初期ピッチング角度偏差の時に最適な制御を行なうための最適値つまり、フィードバック制御則では最適フィードバックゲイン、ファジィ制御則では最適メンバーシップ関数値を探索しなければならなが、本発明によれば、学習させたニューラルネットワークを用いることにより初期位置偏差、初期ピッチング角度偏差がどのような場合でも最適な方向制御が出来る点である。

【００１９】

【実施例】以下図面を参照して本発明の実施例について説明する。

【００２０】図２にニューラルネットワーク構成図を示す。 このニューラルネットワークは、入力層、中間層、
出力層の３層から構成されている。 各層はユニットの集合であり、となりあう層のユニット同志がもれなく結合されている。 この結合を通して前層の各ユニットから後層のユニットへ値が伝えられる。 このとき、結合に固有の重み係数があり、前層ユニットの出力値にこの重みを乗じた値が後層ユニットに入力される。 後層ユニットは前層のすべてのユニットからの値の総和を計算し、出力関数として定義される非線形変換を施した後、次の層へ値を出力する。 入力層のユニット数は６個とし、入力層のユニットへは計画線に対する小口径トンネルロボット本体の位置偏差（偏差）の時系列とピッチング角度偏差（偏角）の時系列を入力する。 中間層のユニット数は任意の数に設定する。 出力層のユニットはヘッド角の１層とした。

【００２１】図１に自動方向制御のブロック線図を示す。 本ニューラルネットワークの学習則は逆伝搬学習則（バックプロバケーション）を用いた。

【００２２】図３に自動方向制御法のフローチャートを示す。

【００２３】図１，図３を参照してニューラルネットワーク型自動方向制御則を得るための具体的なプロセスを以下に記述する。

【００２４】（１）従来法のプロセス等により、ある初期位置偏差、初期ピッチング角度偏差、例えば、５００
［mm］、０［deg ］に対する最適ゲインを求める。

【００２５】（２）ニューラルネットワークの結合係数、オフセット、モーメントの初期化を行なう。

【００２６】（３）入力層の入力に位置偏差の時系列とピッチング角度偏差の時系列を入力し、出力層よりヘッド角を出力させる。

【００２７】（４）現在の位置偏差とピッチング角度偏差を用いて、フィードバック制御則により最適ヘッド角を求める。

【００２８】（５）ニューラルネットワークより出力されたヘッド角を小口径トンネルロボットのシミュレータに入れ、次のストロークのロボットの位置偏差とピッチング角度偏差を求める。

【００２９】（６）ニューラルネットワークより出力されたヘッド角と、フィードバック制御則により求めた最適ヘッド角の差の絶対値を積分する。

【００３０】（７）シミュレータのストローク数が、ある設定ストローク数より小さいときは上記（３）〜
（６）のプロセスを繰り返す。

【００３１】（８）ニューラルネットワークより出力されたヘッド角と、フィードバック制御則により求めた最適ヘッド角の差の絶対値積分値が、ある設定誤差より小さくなったときは学習を終了するが、逆に設定誤差より大きい時はニューラルネットワークの重みを調整する。

【００３２】（９）学習回数がある設定回数より少ないときは、学習を続け、学習回数がある設定回数より大きくなったときは、学習を終了する。

【００３３】以下に、実際にニューラルネットワークを用いた自動方向制御法をニューラルを学習させることによって得た例を示す。 学習データとしては、フィードバック制御則で岡山地区の初期位置偏差５００mm、初期ピッチング角度偏差０deg としたときの最適ゲイン（Ｋ _p
＝０．０７、Ｋ _a ＝７．８）のものを使用し、最初から１００ストローク分を使用した。 また、入力層への入力として、位置偏差の時系列は、（ｋ）時刻、（ｋ−１）
時刻、（ｋ−２）時刻の３次数とし、ピッチング角度偏差の時系列は、（ｋ）時刻、（ｋ−１）時刻、（ｋ−
２）時刻の３次数とし、出力層より出力されるヘッド角は（ｋ＋１）時刻とした。 学習を行なったときのニューラルネットワークの各層の構成と各定数の最適値を以下に示す。

【００３４】地区名 岡山地区 初期位置偏差５００
mm、初期ピッチング角度偏差０deg 学習データ数 １００個 入力層 （ｋ）時刻、（ｋ−１）時刻、（ｋ−２）時刻の位置偏差 （ｋ）時刻、（ｋ−１）時刻、（ｋ−２）時刻のピッチング角度偏差の６層 中間層 ２４層 出力層 （ｋ＋１）時刻のヘッド角の１層 シグモイドの傾き定数 ４０．０ 結合係数（α） ０．２ オフセット値（β） ０．１ モーメント値 ０．７５ 学習回数 １０万回 学習後の誤差 ０．７２６４ これらの条件によれば、学習を重ねるごとに誤差は少しずつ確実に下がる。 しかし、学習回数が１０万回以上になったため学習を終えた。 この学習後のニューラルの重みを使って、初期位置偏差５００［mm］、初期ピッチング角度偏差０［deg ］とし、ニューラル型方向制御則により制御したシミュレーシュン結果を図４に示す。 フィードバック制御の図１２と比べてみて、ほとんど同様な制御を行っていることが分かる。

【００３５】次に、同じニューラルの重みを使って、初期位置偏差、初期ピッチング角度偏差をいろいろ変化させた場合のシミュレーションを行なってみた。 初期位置偏差、初期ピッチング角度偏差はそれぞれ（イ：５００
［mm］，１．５［deg ］），（ロ：４００［mm］，１
［deg ］），（ハ：３００［mm］，０［deg ］），
（ニ：２００［mm］，−０．５［deg ］），（ホ：１０
０［mm］，−１［deg ］）と設定したシミュレーションを行なった。 シミュレーション結果を図５に示す。 図５
を見ると、ニューラルネットワーク型方向制御則は、初期位置偏差、初期ピッチング角度偏差がどのような場合でも、計画線に速く一致するような最適な制御を行っていることが分かる。

【００３６】

【発明の効果】以上説明したように本発明によれば、所定の小口径トンネルロボットの方向制御則から得られる、「偏差の時系列と偏角の時系列」に対する「ヘッド角」の関係を学習データとして、ニューラルネットワークの学習則によって学習させることにより、初期位置偏差、初期ピッチング角度偏差がどのような場合でも最適な方向制御を行なえるニューラルネットワーク型方向制御則を得ることが出来るので、従来技術に比較して初期位置偏差、初期ピッチング角度偏差に対応したゲイン調整などにかかっていた手間と時間が解消された。

【図面の簡単な説明】

【図１】本発明の一実施例を示すブロック図である。

【図２】本発明に係るニューラルネットワークの一例を示す構成図である。

【図３】本発明の一実施例を示すフローチャートである。

【図４】本発明に係るニューラルネットワーク型方向制御則を用いた方向制御シミュレーション結果の一例を示す特性図である。

【図５】本発明に係るニューラルネットワーク型方向制御則を用いた方向制御シミュレーション結果の他の例を示す特性図である。

【図６】トンネルロボットのシステム構成の一例を示す構成説明図である。

【図７】ヘッド角とピッチング角の定義の一例を示す説明図である。

【図８】各パラメータの定義の一例を示す説明図である。

【図９】従来のフィードバック制御則の一例を示すブロック図である。

【図１０】従来のＫ _a −偏差絶対値積分値特性の一例を示す特性図である。

【図１１】従来のＫ _p −最小偏差絶対値積分値特性の一例を示す特性図である。

【図１２】従来のフィードバック制御則を用いた方向制御シミュレーション結果の一例を示す特性図である。

【符号の説明】

１…ロボット本体、２…埋設管、３…押管装置、４…油圧装置、５…操作盤、６…オペレータ、７…地表。