【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、方向修正を行なう小口径トンネルロボットのファジィ方向制御の最適ファジィ集合代表値オートチューニングに関するものである。

【０００２】

【従来の技術】以下に最適ファジィ集合代表値を求める従来技術に関して述べる。

【０００３】図１２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もつトンネルロボット本体１００、埋設管１０１、埋設管１０１を押し込む押管装置１０２、油圧装置１０３、操作盤１０４
よりなる。

【０００４】埋設管１０１は押管装置１０２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１０５
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う。 ここで、１０６は地表である。

【０００５】次に本ロボットのファジィ方向制御法とそのシミュレータについて述べる。

【０００６】多重ファジィ制御規則 「ＩＦ ｘ ｉｓ Ａ ＡＮＤ ｙ ｉｓ Ｂ ＴＨＥ
Ｎ ｚ ｉｓ Ｃ」の前件部ｘとして小口径トンネルロボット本体の計画線に対する偏差、前件部ｙとして計画線に対する偏角（ピッチング角−計画線の傾き）、前件部Ａとしてｘを示す三角形型のファジィ集合、前件部Ｂ
としてｙを示す三角形型のファジィ集合、後件部ｚとして小口径トンネルロボットのヘッド角、後件部Ｃとしてｚを示す三角形型のファジィ集合をとり、偏差、偏角のファジィ集合の三角形の頂点での偏差、偏角の値の絶対値を大きい順にＡ、Ｂ、Ｃ、…Ｚ、ＯとしたときＡ−Ｂ
＞Ｂ−Ｃ＞…＞＝ＺとなるようにＡ、Ｂ、Ｃ、…Ｚを決定し、前記多重ファジィ制御規則に偏差ｘ＝ｘ０、ピッチング角度偏差ｙ＝ｙ０が入力された時、制御入力であるヘッド角ｚを非ファジィ化手法の「代数積−加算−重心法」を用いて決定するファジィ制御法を用いた。

【０００７】また、多重ファジィ制御規則の集合を図１
３のファジィ制御規則としている。 ただし、ＰＢ：ｐｏｓｉｔｉｖｅ ｂｉｇ ＰＭ：ｐｏｓｉｔｉｖｅ ｍｅｄｉａｎ ＰＳ：ｐｏｓｉｔｉｖｅ ｓｍａｌｌ ＺＯ：ｚｅｒｏ ＮＳ：ｎｅｇａｔｉｖｅ ｓｍａｌｌ ＮＭ：ｎｅｇａｔｉｖｅ ｍｅｄｉａｎ ＮＢ：ｎｅｇａｔｉｖｅ ｂｉｇ とした。

【０００８】なお、ファジィ集合の形は三角形とし、図１４のように設定されている。

【０００９】以下に、図１５を参照してヘッド角とピッチング角について定義する。

【００１０】 シミュレータ Δθ _p （ｋ）＝ａ ₁ Δθ _p （ｋ−１）＋…＋ａ _n Δ _p （ｋ−ｎ） （１） ＋ｂ ₀ θ _h （ｋ）＋ｂ ₁ θ _h （ｋ−１） ＋…＋ｂ _n θ _h （ｋ−ｎ）＋ｅ（ｋ） θ _p （ｋ）＝θ _p （ｋ−１）＋Δθ _p （ｋ） （２） Ｙ（ｋ）＝Ｙ（ｋ−１）＋Ｌ・sin （θ _p （ｋ）） （３） θ _h （ｋ）←ファジィ制御則 上記ミシュレータは方向修正に関するダイナミックモデル［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う。

【００１１】まず、ファジィ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、ロボットのピッチング角と位置を計算する。

【００１２】本システムのダイナミックモデル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わすピッチング角変化量の時系列項および確率分布項の和で表わせる確率モデルで表した。 パラメータａ _n 、ｂ _nは最小２乗法によって推定される。 図１６で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。

【００１３】また、式（２）のダイナミックモデルにおいて、ｅ（ｋ）は残差、ｎはモデルの次数である。 方向制御のブロック線図を図１７に示す。 上記シミュレータを用いて本方向制御法の有効性を検討した結果、ファジィ集合代表値をうまく選択すれば、良好な制御を行なうことが分かった。

【００１４】

【発明が解決しようとする課題】そこで、次に、最適ファジィ集合代表値をシミュレータを用いて試行錯誤で求めてみた。 岡山地区のシミュレーション結果を図１８に示す。 図１８のように、試行錯誤でも最適ファジィ集合代表値は求まるが、探索には多大な手間と時間がかかるという問題点があった。

【００１５】本発明の小口径トンネルロボットのニューラル型最適ファジィ集合代表値オートチューニング方法はこのような課題に着目してなされたもので、その目的とするところは、ニュ−ラルネットワ−クの学習能力によって簡単かつ短時間に最適ファジィ集合代表値をオ−
トチュ−ニングすることが可能な小口径トンネルロボットのニューラル型最適ファジィ集合代表値オートチューニング方法を提供することにある。

【００１６】

【課題を解決するための手段】上記の目的を達成するために、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て方向修正を行う小口径トンネルロボットにおいて、入力を初期偏差と初期ピッチング角度偏差、出力を偏角ファジィ集合代表値ＰＢ、
ＰＭ、ＰＳとしたニューラルネットワークを、方向制御シミュレーションを使い学習させることにより最適ファジィ集合代表値を得るものである。

【００１７】

【作用】すなわち、本発明においては、方向制御シミュレーションを使ってニュ−ラルネットワ−クを学習させることによって最適ファジィ集合代表値をオ−トチュ−
ニングさせるものである。

【００１８】

【実施例】以下に、図面を参照して本発明の一実施例について説明する。

【００１９】図２に最適ファジィ集合代表値を得るためのニューラルネットワークの構成図を示す。 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２個とし、入力層のユニットへは初期位置偏差（初期偏差）と初期ピッチング角度偏差（初期偏角）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ファジィ制御則へ入力する、ファジィ集合代表値ＰＢ、ＰＭ、ＰＳの３層とした。

【００２０】ファジィ集合代表値ＰＢ、ＰＭ、ＰＳの最適ファジィ集合代表値オートチューニングのフローチャートを図１に示す。 以下にオートチューニングの具体的なプロセスを記述する。

【００２１】（１）初期設定として結合係数、オフセットの初期化及び偏差ファジィ集合代表値ＰＢ＝５０、Ｐ
Ｍ＝１５、ＰＳ＝５、ＺＯ＝０、ＮＳ＝−５、ＮＭ＝−
１５、ＮＢ＝−５０の設定を行なう（ステップＳ１）。

【００２２】（２）出力層より出力された偏角ファジィ集合代表値ＰＢ、ＰＭ、ＰＳ及び上記で設定した偏差ファジィ集合代表値ＰＢ、ＰＭ、ＰＳ、ＺＯ、ＮＳ、Ｎ
Ｍ、ＮＢをファジィ制御則を用いた方向制御シミュレータに入れ、シミュレーションを行ない、その時の各ストローク時の計画線とロボット本体の位置偏差の絶対値の総和を算出し、総偏差誤差とする。 ただし、偏角ファジィ集合代表値ＮＢ、ＮＭ、ＮＳの値は出力層より出力される偏角ファジィ集合代表値ＰＢ、ＰＭ、ＰＳのそれぞれのマイナスの値とし、ＺＯは０とする（ステップＳ
２）。

【００２３】（３）総偏差誤差を５０００で割ったものを偏角ファジィ集合代表値ＰＢの結合係数修正誤差、偏角ファジィ集合代表値ＰＭの結合係数修正誤差、偏角ファジィ集合代表値ＰＳの結合係数修正誤差とする。 また、各結合修正誤差の最大値をすべて５とした。

【００２４】次に、出力層より出力された偏角ファジィ集合代表値ＰＢ、ＰＭ、ＰＳに、適当な値を加減算した偏角ファジィ集合代表値（ＰＢ±ａ、ＰＭ±ｂ、ＰＳ±
ｃ）で小口径トンネルロボットのシミュレーションを８
回行ない、最小の総偏差誤差となったときの偏角ファジィ集合代表値（ＰＢ±ａ、ＰＭ±ｂ、ＰＳ±ｃ）の加減算した符号を、プロセス（３）で求めた各結合係数修正誤差の符号としてつけ、あらためてそれらを偏角ファジィ集合代表値ＰＢの結合係数修正誤差、偏角ファジィ集合代表値ＰＭの結合係数修正誤差、偏角ファジィ集合代表値ＰＳの結合係数修正誤差とする。

【００２５】次に、逆伝搬学習則（バックプロパゲーション）を使って、先ほど求めた偏角ファジィ集合代表値ＰＢの結合係数修正誤差、偏角ファジィ集合代表値ＰＭ
の結合係数修正誤差、偏角ファジィ集合代表値ＰＳの結合修正誤差によりニューラルネットの結合係数修正量を求め、変更された結合係数による出力、すなわち偏角ファジィ集合代表値ＰＢ、ＰＭ、ＰＳを出す（ステップＳ
３）。

【００２６】ただし、８回のシミュレーション結果の総偏差誤差のいずれもが、出力層より出力された偏角ファジィ集合代表値ＰＢ、ＰＭ、ＰＳによるシミュレーション結果の総偏差誤差より大きい場合は、各結合係数修正誤差はすべてゼロとする。

【００２７】また、ファジィ集合代表値ＰＢ、ＰＭ、Ｐ
ＳはＰＢ＞ＰＭ＞ＰＳの関係を保たなければならないためＰＢ＜ＰＭとなった場合はＰＢの結合係数修正値に、
ＰＭ＜ＰＳとなった場合はＰＭの結合係数修正量に１を与えるようにしている。

【００２８】（４）ある一定学習回数の間、Ｋ回目の学習とＫ＋１回目の学習によって得られた偏角ファジィ集合代表値の差がある設定値（設定誤差）以下であった場合、収束したとみなしその時の偏角ファジィ集合代表値を最適ファジィ集合代表値とする（ステップＳ４）。 それまでの間は（２）から（３）のプロセスを繰り返す。

【００２９】図３にオートチューニング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（バックプロパゲーション）を用いた。

【００３０】次に、実際にオートチューニングさせた例を示す。 以下のシミュレーションではニューラルネットワークの入力は初期偏差５０［mm］、初期ピッチング角度偏差０［deg ］とした。 岡山地区のシミュレーションモデルを使った場合、ニューラルの学習中に出力層より出力される偏角ファジィ集合代表値ＰＢ、ＰＭ、ＰＳ
と、これら偏角ファジィ集合代表値を用いたシミュレーションにより計算される総偏差誤差が学習回数によってどのように変化するかを示したものを図４に示す。

【００３１】この図を見ると学習初期の偏角ファジィ集合代表値ＰＢ、ＰＭ、ＰＳはかなり変動し総偏差誤差は確実に減少する方向に向かっていることが分かる。 また学習回数が５００回程度で偏角ファジィ集合代表値はほぼ安定し学習回数を重ねてもあまり変化はなく収束したといえる。

【００３２】また、岡山地区の学習中のシミュレーション結果を図５から図８に示す。 これらの図より学習が進むほど良好な制御を行なうファジィ集合代表値を出力していることが分かる。 学習後の重みを使用した岡山地区のモデルでの初期位置が５０［mm］、初期ピッチング角度偏差が０［deg ］のシミュレーションを行なった結果を図９に示す。 このように学習後には最適な制御を行なうファジィ集合代表値を出力していることが分かる。

【００３３】図１１に初期位置を５０［mm］、初期ピッチング角度偏差を０［deg ］とした場合のファジィ集合代表値を試行錯誤で求めた最適ファジィ集合代表値Ｐ
Ｂ、ＰＭ、ＰＳ、総偏差誤差と本発明のニューラルネットワークによって求めた最適ファジィ集合代表値ＰＢ、
ＰＭ、ＰＳ、総偏差誤差を示す。 この結果よりニューラルネットワークは最適なファジィ集合代表値を学習によって得ていることが分かる。

【００３４】今までのニューラルの学習では初期ピッチング角度偏差０［deg ］を入力としていれていたが初期ピッチング角度偏差が０以外の場合でも良好に学習する。 学習後の初期偏差５０［mm］、初期ピッチング角度偏差０．２５［deg ］の場合の岡山地区のモデルのシミュレーション結果を図１０に示す。 図を見て分かるように良好に制御されている。

【００３５】

【発明の効果】以上説明したように、本発明によれば、
入力を初期偏差と初期ピッチング角度偏差、出力を偏角ファジィ集合代表値としたニューラルネットワークを方向制御シミュレーションを使い学習させることにより自動的に最適ファジィ集合代表値を得ることが出来るため、従来技術に比較して手間がかからず時間も格段に短縮される。

【図面の簡単な説明】

【図１】本発明にかかるオートチューニング方法を説明するためのフロ−チャ−トである。

【図２】ニュ−ラルネットワ−クの構成を示す図。

【図３】本発明に係るオートチューニングを実現するためのブロック線図である。

【図４】総偏差誤差と学習回数の関係を示す図である。

【図５】学習中のシミュレーション結果を示す図である。

【図６】学習中のシミュレーション結果を示す図である。

【図７】学習中のシミュレーション結果を示す図である。

【図８】学習中のシミュレーション結果を示す図である。

【図９】学習後の重みを使用した初期位置５０［mm］、
初期ピッチング角度偏差０［deg ］のシミュレーション結果を示す図である。

【図１０】学習後の重みを使用した初期位置５０［m
m］、初期ピッチング角度偏差０．２５［deg ］のシミュレーション結果を示す図である。

【図１１】従来法と本発明の方法による最適ファジィ集合代表値ＰＢ、ＰＭ、ＰＳ、総偏差誤差の比較を示す図である。

【図１２】トンネルロボットのシステム構成を示す図である。

【図１３】ファジィ制御規則を示す図である。

【図１４】ファジィ集合の形を３角形として表した図である。

【図１５】ヘッド角とピッチング角を定義するための図である。

【図１６】各パラメータを定義するための図。

【図１７】方向制御ブロック線図である。

【図１８】試行錯誤で求めた岡山地区のシミュレーション結果を示す図である。

【符号の説明】

１００…ロボット本体、１０１…埋設管、１０２…押管装置、１０３…油圧装置、１０４…操作盤、１０５…オペレ−タ、１０６…地表。