JP7676257B2 - 振動型アクチュエータの制御装置、撮像装置、及び自動ステージ - Google Patents

Description

本発明は、振動型アクチュエータの制御装置、撮像装置、及び自動ステージに関するものである。

振動型アクチュエータの一例として振動型モータについて説明する。振動型モータは、弾性体に結合された、圧電素子等の電気－機械エネルギー変換素子に交流電圧を印加することで、該素子に高周波振動を発生させ、その振動エネルギーを連続的な機械運動として取り出すように構成された、非電磁駆動式のモータである。

振動型モータは小型軽量、高精度、低速高トルクといった優れたモータ性能を有する一方で、非線形のモータ特性を有しているのでモデル化は難しく、駆動条件や温度環境に応じて制御性が変化するので制御系に工夫が必要となる。また、周波数、位相差、電圧といった制御パラメータも多く、調整も複雑となる。

図１３（ａ）は、従来の一般的なＰＩＤ制御による振動型制御装置の制御ブロック図である（特許文献１参照）。後述する制御量が入力された駆動回路からは２相（Ａ相、Ｂ相）の交流電圧（交流信号）が出力される。そして、駆動回路から出力される２相の交流電圧の、周波数（１／周期）、位相差、電圧振幅（以下、単に「電圧」ともいう）を制御することで、振動型モータの実速度（検出速度）を制御することができる（図１３（ｂ））。尚、電圧振幅は、後述する、ＰＩＤ制御器から駆動回路へ入力されるパルス幅によって可変である。

位置生成手段（位置指令部）によって指令された、振動型モータの目標位置と、位置検出手段（位置検出部）によって検出された、振動型モータの実位置（相対位置、検出位置）と、の差（差に基づく値）である位置偏差が、ＰＩＤ制御器に入力される。そして、ＰＩＤ制御器に入力された位置偏差に応じてＰＩＤ演算された制御量（周波数、位相差及びパルス幅）が、ＰＩＤ制御器から制御サンプリング周期毎に逐次出力される制御量が駆動回路に入力される。そして、制御量が入力された駆動回路からは２層の交流電圧が出力され、駆動回路から出力された２相の交流電圧によって振動型モータの速度が制御される。そして、それらによって、位置フィードバック制御が行われる。尚、制御サンプリング周期を、以下、単に「サンプリング周期」ともいう。

図１３（ｃ）は、振動型モータの周波数‐速度特性を模式的に示した図である。図１３（ｃ）には、具体的には、高速域（低周波数範囲）の周波数（ｆ１）では、速度が大きく、周波数－速度特性の傾きが大きい様子が示されている。また、低速域（高周波数範囲）の周波数（ｆ２）では、速度が小さく、周波数－速度特性の傾きが小さい様子が示されている。振動型モータは、使用する速度域によって、制御性能（周波数－速度特性、位相差－速度特性）が異なり、ＰＩＤ制御ゲインの調整が難しくなる。

図１３（ｄ）は、振動型モータの位相差－速度特性を模式的に示した図である。図１３（ｄ）には、具体的には、高速域（低周波数範囲）の周波数（ｆ１）では、速度が大きく、位相差－速度特性の傾きが大きい様子が示されている。また、低速域（高周波数範囲）の周波数（ｆ２）では、速度が小さく、位相差－速度特性の傾きが小さい様子が示されている。

図１３（ｃ）や図１３（ｄ）に示したように、振動型アクチュエータは、使用する速度域によって周波数－速度特性や位相差－速度特性が異なるので、駆動周波数や位相差によって制御性能が変化してしまう。

また、環境温度による変化、例えば、常温から低温に変化した場合は、圧電素子の温度特性に基づき、共振周波数が低周波数側から高周波数側にシフトする。その場合、駆動周波数に対応する速度と、駆動周波数に対応する周波数－速度特性の傾きが、共振周波数が低周波数側から高周波数側にシフトする前と後とでは異なるので、環境温度によっても制御性能が変化してしまう。

また、振動型モータの個体差によっても速度と傾きが異なるので、個体によっても制御性能が変化してしまう。

また、経時変化によっても制御性能が変化してしまう。これら全ての変化要因を考慮してＰＩＤ制御ゲイン（ＰＩＤ制御の比例ゲイン、積分ゲイン、微分ゲイン）を調整し、ゲイン余裕と位相余裕を確保するように設計する必要がある。

特開２０１６－１４４２６２号公報

そこで、従来のＰＩＤ制御器とは異なる制御量出力部を主たる制御量出力部として有する振動型アクチュエータの制御装置などが求められていた。本発明は、従来のＰＩＤ制御器とは異なる制御量出力部を主たる制御量出力部として有する振動型アクチュエータの制御装置などを提供することを目的とする。

振動子に発生した振動によって、前記振動子と接触する接触体を前記振動子に対して相対的に移動させる振動型アクチュエータの制御装置であって、
前記接触体を前記振動子に対して相対的に移動させるための目標速度及び目標位置が入力された場合に、前記接触体を前記振動子に対して相対的に移動させるための制御量を出力する制御部を有し、
前記制御部は、
前記目標速度、及び前記目標位置に基づく値が入力された場合に前記接触体を前記振動子に対して相対的に移動させるための制御量を出力するように機械学習された第１の学習済モデルと、
前記目標速度及び所定の値が入力される第２の学習済モデルと、を備え、
前記目標位置に基づく値は、第１の値と第２の値との積に基づく値であり、
前記第１の値は、前記目標位置と、前記制御量に基づいて移動された前記振動型アクチュエータから検出された検出位置と、の差に基づく値であり、
前記第２の値は、前記第１の学習済モデルから出力された制御量と、前記目標速度及び前記所定の値が入力された場合に前記第２の学習済モデルから出力される値と、の比に基づく値である、ことを特徴とする。

本発明によれば、従来のＰＩＤ制御器とは異なる制御量出力部を主たる制御量出力部として有する振動型アクチュエータの制御装置などを提供することができる。

本発明の第１の実施形態の振動型駆動装置を示す図（制御ブロック図）である。 リニア駆動の振動型モータの駆動原理を説明する図である。 レンズ鏡筒のレンズの駆動機構部を説明する図である。 本発明の第１の実施形態の学習モデルが有するニューラルネットワーク構成を示す図である。 本発明の第１の実施形態での機械学習と学習済モデルによる制御のフローチャートを示すものである。 ニューラルネットワークのパラメータの最適化演算手法（最適化アルゴリズム）としてＡｄａｍを用いた場合のフローチャートを示すものである。 本発明の第１の実施形態の学習モデルと実測した学習データを用いて、Ａｄａｍ、ＲＭＳｐｒｏｐ、Ｍｏｍｅｎｔｕｍ、ＳＧＤの演算結果を比較したものである。 機械学習部におけるバッチ学習とオンライン学習を説明するタイミングチャートである。 本発明の第１の実施形態のＡＧＣ回路のブロック図である。 本発明の第２の実施形態における、振動型駆動装置を示す図（制御ブロック図）である。 本発明の第３の実施形態における、振動型駆動装置を示す図（制御ブロック図）である。 本発明の第４の実施形態における、振動型駆動装置を示す図（制御ブロック図）である。 従来の一般的なＰＩＤ制御による振動型駆動装置を示す図（制御ブロック図）等である。 本発明の第１の実施形態において、所定の目標位置パターンで振動型モータのフィードバック制御を行った結果である。 本発明の第１の実施形態における、制御装置のロバスト性を示す結果である。 本発明の第５の実施形態における、振動型駆動装置を示す図（制御ブロック図）である。 位相差、周波数、パルス幅を出力とする学習モデルのニューラルネットワーク構造を示すものである。 本発明の制御装置の適用例である撮像装置の外観を示す平面図及び内部構造の概略図である。 本発明の制御装置の適用例である顕微鏡の外観を示す図である。 制御量に基づく振動型アクチュエータの速度特性を示す図である。

（第１の実施形態）
図１は、本発明の第１の実施形態における、振動型駆動装置を示す図（制御ブロック図）である。

振動型駆動装置１７は、振動型モータ（振動型アクチュエータ）を制御する制御部１０、学習モデル生成部１２、駆動部１１を有する。また、振動型駆動装置１７は、振動子１３１及び接触体１３２を有する振動型モータ１３（振動型アクチュエータ）、振動子１３１と接触体１３２の相対位置（検出位置）を検出する位置検出手段１４（位置検出部）を有する。また、振動型駆動装置１７は、相対速度（検出速度）を検出する速度検出手段１６（速度検出部）を有する。図１においては、振動型駆動装置１７から制御対象たる振動型モータ１３を除いたものが、制御装置１５である。

制御部１０は、前記振動子の駆動をオートゲインコントロール（以下、ＡＧＣ）によって制御する信号を生成できるよう構成される。すなわち、振動型モータの目標速度と、位置偏差の補正値（目標偏差に基づく値）とを制御用の学習済モデルを備える制御量出力部１０３に入力し、出力された位相差と周波数を制御量として用いる。尚、制御量として電圧振幅を変更するためのパルス幅を用いても良い。

制御部１０は、速度生成手段１０１（速度指令部）、位置生成手段１０２（位置指令部）、制御用の学習済モデルを備える制御量出力部１０３、参照用の学習済モデルを備える制御量出力部１０７、ＡＧＣ回路１０８を有する。駆動部１１は、交流信号生成手段１０４（交流信号生成部）及び昇圧回路１０５を有する。

速度生成手段１０１（速度指令部）によって、振動子１３１と接触体１３２との相対速度（検出速度）の時間毎の目標速度が生成される。また、位置生成手段１０２（位置指令部）によって相対位置（検出位置）の時間毎の目標位置が生成され、位置検出手段１４（位置検出部）で検出された相対位置（検出位置）と目標位置との差（差に基づく値）が位置偏差（第１の値）として演算される。

ここで、目標速度及び目標位置は、例えば、制御サンプリング周期毎に１つの指令値が各生成手段（各指令部）から出力される。制御サンプリングとは、図１における位置偏差（第１の値）の取得から、制御量の出力、振動子への交流信号の入力、振動子と接触体の相対速度（検出速度）や相対位置（検出位置）の検出を経て、位置偏差（第１の値）の取得が始まる直前までの１サイクルを示す。前記サイクルで、振動型モータの位置又は速度がフィードバック制御される。

尚、目標速度とは所定の位置に振動型モータを追従させるために与える速度であり、目標位置を時間毎に微分して生成しても良い。逆に、目標速度を積分することで目標位置を生成しても良い。

本発明の特徴であるＡＧＣ回路１０８について詳細に説明する。

目標速度と、位置偏差（第１の値）の補正値（目標位置に基づく値）と、は制御用の学習済モデルを備える制御量出力部１０３に入力され、位相差と周波数が出力される。一方で、参照用の学習済モデルを備える制御量出力部１０７には目標速度と所定の値（ゼロ）が入力され、位相差の参照値が出力される。従って、ＡＧＣ回路１０８には「制御量としての位相差」と、「参照値としての位相差」が入力される。

尚、参照用の学習済モデルを備える制御量出力部１０７は２つの参照値（位相差、周波数）を演算しているので、周波数の参照値をＡＧＣに用いる構成としても良い。また、位相差と周波数の両方を参照値として用いても良い。ＡＧＣ回路１０８は、制御量と参照値を入力として補正ゲイン（第２の値）を出力する。補正ゲイン（第２の値）は、事前に学習された結果である参照値に対して、実際の駆動に用いる制御量の相対比を示すものである。

図９は、本発明の第１の実施形態のＡＧＣ回路のブロック図である。

制御量と参照値は、それぞれ絶対値演算９０１が行われてから、ゼロ除算防止用に所定の値９０２が加算される。その後、除算器９０３によって参照値に対する制御量の相対比が算出される。相対比はノイズ成分を除去する為にローパスフィルタ９０４による処理が施され、所定の設定ゲイン９０５で増幅された後に補正ゲイン（第２の値）として出力される。前記設定ゲイン９０５は、学習時に得られたＮＮのパラメータで安定且つ精度良く振動型モータを制御できるように設定された基準となるゲインである。

ＡＧＣ回路において、例えば、図１３（ｄ）において、位相差－速度特性が実線から点線に変化することにより、学習時より振動型モータの速度特性が低下した場合には、制御量を学習時より大きくしないと同じ速度が得られない。したがって、この場合には、増加した補正ゲイン（第２の値）が出力される。それとは逆に、図１３（ｄ）において、位相差－速度特性が点線から実線に変化することにより、学習時より振動型モータの速度特性が増加した場合には、制御量を学習時より小さくしても同じ速度が得られる。したがって、この場合には、減少した補正ゲイン（第２の値）が出力される。

よって、駆動中に算出される位置偏差（第１の値）及び前記補正ゲイン（第２の値）を乗算して得た補正値（目標位置に基づく値、第１の値と第２の値との積に基づく値）を制御用の学習済モデルを備える制御量出力部１０３に入力する。そして、それにより、振動型モータの速度特性を補償することができる。そして、この結果、駆動条件や温度環境が変化しても、オートゲインコントロールによる制御量の自動的な補正が行われ、高精度でロバスト性の高い制御性を得ることができる。

本発明の第１の実施形態のＡＧＣ回路の動作について、実機での制御結果を用いて具体的に説明する。

図１４は、本発明の制御装置において、所定の目標位置パターンで振動型モータのフィードバック制御を行った結果である。

目標速度は最大１５０ｍｍ／ｓの台形駆動で、位置決め動作を含む１２ｍｍストロークの往復動作を行うパターンである。横軸は時間（ｓｅｃ）、縦軸は目標位置（エンコーダパルス数：１ｍｍあたり８０００ｐｌｓ）（左軸）、μｍ単位での位置偏差（第１の値）（右軸）を示す。

図１４（ａ）は起動周波数９１ｋＨｚでの制御結果、図１４（ｂ）は起動周波数９３ｋＨｚでの制御結果、図１４（ｃ）は起動周波数９５ｋＨｚでの制御結果を示す。尚、後述の実施例で示すＰＩＤ制御器を並列に接続した構成で測定を行った。制御量は位相差と周波数である。学習済モデルの生成は、起動周波数９３ｋＨｚで制御した測定データを用いて行った。位置偏差（第１の値）は加減速領域で大きくなる傾向にあり、これは非駆動体のイナーシャによる影響で学習済モデルが出力する制御量と実際の制御量とで誤差が生じる為である。

下段の３つの図は上段図に対応しており、制御中にＡＧＣ回路から出力される補正ゲイン（第２の値）をログ出力したものである。横軸は時間（ｓｅｃ）、縦軸は補正ゲイン（第２の値）である。例えば、学習済モデルと実際の制御量が完全に一致していれば、補正ゲイン（第２の値）は１が出力される。（ａ）の起動周波数９１ｋＨｚの場合、学習時より共振周波数に近いので振動型モータの速度特性が増加し、学習時よりも小さい制御量で同じ速度が得られる。従って、図のように加減速領域で補正ゲイン（第２の値）は０．６付近に減少しており、実質的に位置偏差（第１の値）に係るゲインを下げる方向に動作している。また、（ｃ）の起動周波数９５ｋＨｚの場合、学習時より共振周波数から離れるので振動型モータの速度特性が低下し、学習時よりも大きい制御量でなければ同じ速度は得られない。従って、図のように加減速領域で補正ゲイン（第２の値）は１．６付近に増加しており、実質的に位置偏差（第１の値）に係るゲインを上げる方向に動作している。このように、振動型モータの特性変化に応じてオートゲインコントロールによる制御量の自動的な補正が行われるので、駆動中の位置偏差（第１の値）を低減でき、制御性を向上することが可能である。

図１５は、本発明の第１の実施形態における、制御装置におけるロバスト性を示す結果である。

最高速１５０ｍｍ／ｓの台形駆動で位置決め動作を行い、１２ｍｍストロークの往復動作中の位置偏差（第１の値）を３σで算出した結果を示す。横軸は起動周波数、縦軸は位置偏差（第１の値）である。比較例１は従来のＰＩＤ制御による結果である。比較例１に対して、本発明のオートゲインコントロールを用いた学習済モデルによる制御は、大幅に位置偏差（第１の値）が改善されている。起動周波数を変えても位置偏差（第１の値）の変動は小さく、ロバスト性が向上している事が分かる。

尚、比較例２は、オートゲインコントロールをオフとしたニューラルネットワークによる制御結果である。起動周波数９３ｋＨｚでは大きな差異はないが、起動周波数が９５ｋＨｚでは位置偏差（第１の値）が大きくなっており、本発明による効果が伺える。前述のように、異なる起動周波数で制御を行うと振動型モータの非線形特性によって速度の傾きが変化するため、従来のＰＩＤ制御では対応が難しかった。本発明は、オートゲインコントロールによる制御量の自動的な補正が行われるので、異なる起動周波数においても良好な制御性を得ることができる。

以下、本発明で用いる学習モデルの構成と学習方法、学習済モデルによる振動型モータの制御方法について説明する。

図４は、本発明の第１の実施形態の学習モデルが有するニューラルネットワーク構成を示す図である。

制御用の学習済モデルを備える制御量出力部１０３と参照用の学習済モデルを備える制御量出力部１０７は、次に示すニューラルネットワーク（以下、「ＮＮ」という）で構成される。ＮＮは、入力層のＸ層、隠れ層のＨ層、出力層のＺ層から成る。本発明の第１の実施形態では、入力データとして目標速度をｘ１、位置偏差（第１の値）をｘ２に設定し、出力データとして位相差をｚ１、周波数をｚ２に設定した。隠れ層は７個のニューロンで形成し、活性化関数として一般的なシグモイド関数（図４（ｂ））を用いた。隠れ層のニューロンは７個以外でも良く、例えば３～２０個の範囲が好ましい。ニューロンの数が少ないほど精度は悪いが学習が速く収束し、ニューロンの数が多いほど精度は向上するが学習が遅くなる。また、出力層の活性化関数は一般的にはシグモイド関数やＲｅＬＵ（ランプ関数）が用いられるが、制御量である位相差のマイナス符号にも対応させる為、線形関数（図４（ｃ））を用いた。入力層と隠れ層の各ニューロンを結ぶ重みをｗｈ、隠れ層のニューロンの閾値をθｈ、隠れ層と出力層の各ニューロンを結ぶ重みをｗｏ、出力層のニューロンの閾値をθｏとした。全ての重みと閾値は、後述の機械学習部１２によって学習された値が適用される。学習済みのＮＮは振動型モータの速度と制御量の時系列データから共通する特徴パターンを抽出した集合体と捉えることができ、出力は重みと閾値を変数とする関数によって得られる値となる。

制御用の学習済モデルを備える制御量出力部１０３から出力された制御量（位相差、周波数）は、交流信号生成手段１０４（交流信号生成部）に入力され、振動型モータの速度、駆動方向が制御される。交流信号生成手段１０４（交流信号生成部）では、位相差、周波数、及びパルス幅に基づいて、２相の交流信号が生成される。昇圧回路１０５は、例えばコイルやトランスなどを有し、昇圧回路１０５によって所望の駆動電圧に昇圧された交流信号は、振動子１３１の圧電素子に印加され、接触体１３２を駆動する。

本発明に適用できる振動型モータの一例について、図面を参照しながら説明する。本発明の第１の実施形態の振動型モータは、振動子、及び接触体を有する。

図２は、振動型モータの例として、リニア駆動型の振動型モータの駆動原理を説明する図である。

図２（ａ）に示す振動型モータは、弾性体２０３、及び弾性体２０３に接着された電気―機械エネルギー変換素子である圧電素子２０４を有する振動子１３１と、振動子１３１によって駆動される接触体１３２を有する。圧電素子２０４に交流電圧を印加することにより、図２（ｃ）、（ｄ）に示すような２つの振動モードを発生させ、突起部２０２に加圧接触する接触体１３２を矢印方向に移動させる。

図２（ｂ）は圧電素子２０４の電極パターンを示す図であり、例えば振動子１３１の圧電素子２０４には、長手方向で２等分された電極領域が形成されている。また、各電極領域における分極方向は、同一方向（＋）となっている。圧電素子２０４の２つの電極領域のうち図２（ｂ）の右側に位置する電極領域には交流電圧（ＶＢ）が印加され、左側に位置する電極領域には交流電圧（ＶＡ）が印加される。

ＶＢおよびＶＡを第１の振動モードの共振周波数付近の周波数で、かつ同位相の交流電圧とすると、圧電素子２０４の全体（２つの電極領域）がある瞬間には伸び、また別の瞬間には縮むことになる。この結果、振動子１３１には図２（ｃ）に示す第１の振動モードの振動（以下、突上げ振動）が発生することになる。これにより、突起部２０２には、突上げ方向（Ｚ方向）の変位が生じる。

また、ＶＢおよびＶＡを第２の振動モードの共振周波数付近の周波数で、かつ位相が１８０°ずれた交流電圧とすると、ある瞬間には、圧電素子２０４の右側の電極領域が縮むとともに、左側の電極領域が伸びる。また、別の瞬間には逆の関係となる。この結果、振動子１３１には図２（ｄ）に示す第２の振動モードの振動（以下、送り振動）が発生することになる。これにより、突起部２０２には、駆動方向（送り方向、Ｘ方向）の変位が生じる。

したがって、第１及び第２の振動モードの共振周波数付近の周波数を有する交流電圧を圧電素子２０４の電極に印加することで、第１及び第２の振動モードが合成された振動を励起することができる。

このように、２つの振動モードを合成することにより、突起部２０２は、図２（ｄ）におけるＹ方向（Ｘ方向及びＺ方向と垂直な方向）に垂直な断面において、楕円運動を行う。該楕円運動によって、接触体１３２が図２（ａ）の矢印方向に駆動される。この接触体１３２と振動子１３１が相対移動する方向、すなわち振動子１３１によって接触体１３２が駆動される方向（ここではＸ方向）を、駆動方向と示す。

また、第２の振動モードの第１の振動モードに対する振幅比Ｒ（送り振動振幅／突上げ振動振幅）は、２等分された電極へ入力する２相の交流電圧の位相差を変えることにより変更可能である。この振動型モータでは、振動の振幅比を変えることにより接触体の速度を変更させることが可能となる。

なお、上記説明では、振動子１３１が静止し、接触体１３２が移動する場合を例として説明したが、本発明はこの形態に限定されない。接触体１３２と振動子１３１は、互いの接触部の位置が相対的に変わっていればよく、例えば、接触体１３２が固定されて振動子１３１が移動しても良い。すなわち、本発明において、「駆動する」とは、接触体と振動子の相対的な位置を変化させることを意味し、接触体の位置（たとえば、接触体と振動子とを内包する筐体の位置を基準とした場合の接触体の位置）が変化することを要しない。

振動型モータは、例えばカメラのオートフォーカス駆動などに用いられている。

図３は、本発明の第１の実施形態のレンズ鏡筒のレンズの駆動機構を説明する図である。

振動型モータによるレンズホルダの駆動機構は、振動子と、レンズホルダと、このレンズホルダを摺動自在に保持する、平行に配された第１ガイドバー及び第２ガイドバーとを備えている。本発明の第１の実施形態において、第２ガイドバーが接触体であり、第２ガイドバーは固定され、振動子とレンズホルダが一体となって移動する場合について説明する。

振動子は、電気－機械エネルギー変換素子に対する駆動電圧の印加によって生成された振動子の突起部の楕円運動によって、振動子と弾性体の突起部と接触する第２ガイドバーとの間に相対移動力を発生させる。これによって、振動子と一体に固定されたレンズホルダを第１及び第２ガイドバーに沿って移動可能に構成されている。

具体的には、接触体の駆動機構３００は、主にレンズ保持部材であるレンズホルダ３０２、レンズ３０６、フレキシブルプリント基板が結合された振動子１３１、加圧磁石３０５、２つのガイドバー３０３、３０４及び不図示の基体を有する。ここでは、振動子として振動子１３１を例に説明する。

第１のガイドバー３０３、第２ガイドバー３０４は、互いに平行に配置されるようにそれらの各ガイドバーの両端が、不図示の基体により保持固定されている。レンズホルダ３０２は、円筒状のホルダ部３０２ａ、振動子１３１及び加圧磁石３０５を保持固定する保持部３０２ｂ、第１ガイドバー３０３と嵌合してガイドの作用をなす第１のガイド部３０２ｃを有する。

加圧手段（加圧部）を構成するための加圧磁石３０５は、永久磁石及び永久磁石の両端に配置される２つのヨークを有する。加圧磁石３０５と第２ガイドバー３０４との間に磁気回路が形成され、これら部材間に吸引力が発生する。加圧磁石３０５は第２ガイドバー３０４とは間隔を設けて配置されており、第２ガイドバー３０４は振動子１３１と接するように配置されている。

前記の吸引力により第２ガイドバー３０４と振動子１３１との間に加圧力が与えられる。弾性体の２箇所の突起部が第２ガイドバー３０４と加圧接触して第２のガイド部を形成する。第２のガイド部は磁気による吸引力を利用してガイド機構を形成しており、外力を受ける等により振動子１３１と第２ガイドバー３０４が引き離される状態が生じるが、これに対しては、つぎのように対処されている。

すなわち、レンズホルダ３０２に備えられる脱落防止部３０２ｄが第２ガイドバー３０４に当たることで、レンズホルダ３０２が所望の位置に戻るように対応が施されている。振動子１３１に所望の交流電圧信号を与えることで振動子１３１と第２ガイドバー３０４との間に駆動力が発生し、この駆動力によりレンズホルダの駆動が行われる。

接触体１３２または振動子１３１に取り付けられた不図示の位置センサによって、振動子１３１と接触体１３２の相対位置（検出位置）及び相対速度（検出速度）が検出される。相対位置（検出位置）は、学習済モデル制御部１０（制御部）に位置偏差（第１の値）としてフィードバックされることで、時間毎の目標位置に追従するように振動型モータはフィードバック制御される。相対速度（検出速度）は、機械学習部１２に入力されて、制御量と共に学習データとして使用される。

尚、本発明の第１の実施形態は、電気－機械エネルギー変換素子である圧電素子を２相に分けて駆動する２相駆動の制御装置を例にとり説明するが、本発明は２相駆動に限定されるものではなく、２相以上の振動型モータにも適用できる。

次に、学習モデル生成部１２について説明する。

学習モデルの生成は、速度検出手段１６（速度検出部）からの相対速度（検出速度）と速度偏差を入力とし、位相差及び周波数を出力とするＮＮ（図４参照）を用いて行われる。速度偏差は、目標速度と相対速度（検出速度）の偏差である。尚、速度偏差の代わりに目標偏差としてゼロを入力しても良く、メカ系のガタを補償するようにオフセット値を与えても良い。制御用の学習済モデルを備える制御量出力部１０３から出力される制御量（位相差、周波数）は正解データとして用いられ、相対速度（検出速度）と速度偏差を入力としてＮＮから出力される制御量と比較され、誤差が算出される。尚、本例は位相差と周波数を制御量としたが、これ以外にも、パルス幅と周波数、パルス幅と位相差、の組み合わせも適用できる。また、ＮＮの出力層のニューロンを１つとしても良く、位相差、周波数、パルス幅のいずれかを選択するよう設計しても良い。

図５は、本発明の第１の実施形態での機械学習と学習済モデルによる制御のフローチャートを示すものである。

ステップ１で、制御用の学習済モデルを備える制御量出力部１０３と参照用の学習済モデルを備える制御量出力部１０７の重みと閾値が初期値に設定される。初期値は、ランダム関数に基づいて設定されるが（未学習状態）、事前に学習したパラメータを用いても良い。

ステップ２で、前記未学習モデルを用いて振動型モータの制御が行われる。

ステップ３で、振動型モータの駆動中に制御用の学習済モデルを備える制御量出力部１０３から出力された制御量と、検出された相対速度（検出速度）及び速度偏差の時系列データが学習データとして取得される。

ステップ４で、前記学習データの制御量を正解データとして、機械学習による学習モデルの最適化演算が行われる。機械学習によってＮＮの重みと閾値が最適化され、制御用の学習済モデルを備える制御量出力部１０３と参照用の学習済モデルを備える制御量出力部１０７のパラメータが更新される。

ステップ５で、重みと閾値が更新された学習済モデルを用いたオートゲインコントロールによる振動型モータの制御が行われる。制御後は、駆動条件や温度環境の変化に対応するため、ステップ３に戻り学習データの取得が行われる。学習データの取得方法として、駆動停止中に学習を行うバッチ学習や、駆動中に逐次学習を行うオンライン学習などが実施される。

図８は、機械学習部におけるバッチ学習とオンライン学習を説明するタイミングチャートである。

横軸は時間を示し、縦軸は振動型モータをフィードバック制御するために指令値として与える目標位置パターンである。図８（ａ）は駆動停止中に学習を行うバッチ学習の例を示す。振動型モータの駆動期間において検出した速度と制御量の時系列データを学習データとして取得し、停止期間を利用して機械学習とＮＮのパラメータ更新（重み、閾値）を行う。

尚、停止期間毎に必ずしも機械学習を行う必要はなく、例えば温度環境や駆動条件の変化を検知した場合のみ学習する方法も可能である。図８（ｂ）は駆動中に逐次学習を行うオンライン学習の例を示す。本例は、駆動期間と併行してオンラインで機械学習を行い、駆動期間中にＮＮのパラメータを更新するものである。オンライン学習の適用により、駆動期間中に生じる負荷変動にも対応することが可能となる。

前述のステップ４の機械学習について、図６を用いて更に説明する。

図６（ａ）は、ＮＮパラメータの最適化演算手法（最適化アルゴリズム）としてＡｄａｍを用いた場合のフローチャートを示すものである。

ステップ１～２は前述の図５で説明した通りである。ステップ３で、図６（ｂ）に示す時系列の学習データを取得する。速度（ｎ）と制御量（ｎ）は、未学習モデルで制御した場合の測定データであり、速度と位相差の各サンプル数ｎは３４００個である。これは、制御サンプリングレート１０ｋＨｚで０．３４ｓｅｃ駆動した場合の実測データである。尚、学習データは必ずしも制御サンプリングレートで取得する必要はなく、間引くことでメモリの節約と学習時間の短縮が可能である。本発明は、速度（ｎ）を学習モデルの入力とし、その演算結果の出力ｚ（ｎ）を正解データの制御量（ｎ）と比較して誤差ｅ（ｎ）を算出する。ステップ４で、３４００個分の誤差Ｅが１回目のループで算出され、重み（ｗｈ、ｗｏ）と閾値（θｈ、θｏ）の誤差勾配∇Ｅがそれぞれ演算される。次に、誤差勾配∇Ｅを用いて、最適化演算手法（最適化アルゴリズム）の１つであるＡｄａｍを用いて下記のようにパラメータの最適化が行われる。

ｗ_ｔはパラメータ更新量、∇Ｅは誤差勾配、Ｖ_ｔは誤差勾配の移動平均、Ｓ_ｔは誤差勾配の二乗の移動平均、ηは学習率、εはゼロ割防止定数である。各パラメータは、η＝０．００１、β１＝０．９、β２＝０．９９９、ε＝１０ｅ－１２を用いた。最適化演算を繰り返す毎に重みと閾値が更新され、学習モデルの出力ｚ（ｎ）は正解データの制御量（ｎ）に近づいていくので、誤差Ｅは小さくなっていく。図６（ｃ）は演算ループ回数に基づく誤差Ｅの推移を示したものである。尚、最適化演算手法として、これ以外の手法を用いても良い。

図７（ａ）は、本発明の第１の実施形態の学習モデルと実測した学習データを用いて、Ａｄａｍ、ＲＭＳｐｒｏｐ、Ｍｏｍｅｎｔｕｍ、ＳＧＤによる演算結果を比較したものである。

演算回数と安定性、最終的な誤差の観点から、Ａｄａｍで最も優秀な結果が得られた。図７（ｂ）は、制御量（位相差）のＡｄａｍによる学習例である。ループ１回目の学習モデルの出力ｚは、正解データｔと大きく異なる様子がわかる。演算を繰り返し、ループ５０００回目の学習モデルの出力ｚは、正解データｔとほぼ一致している。本例は、ループ回数を５０００回として最適化を行ったが、収束率に応じて回数は適宜調整するのが望ましい。以上が本発明の制御装置の構成である。

尚、制御部１０と学習モデル生成部１２は、例えばＣＰＵ、ＰＬＤ（ＡＳＩＣを含む）などのデジタルデバイスや、Ａ／Ｄ変換器などの素子から構成される。また、駆動部１１の交流信号生成手段１０４（交流信号生成部）は、例えばＣＰＵや関数発生器とスイッチング回路を有し、昇圧回路は、例えばコイルや、トランス、コンデンサから構成される。なお、制御部及び駆動部は、１つの素子や回路から構成されるだけではなく、複数の素子や回路から構成されていてもよい。また、各処理をいずれの素子や回路が実行してもよい。

（第２の実施形態）
本発明の第２の実施形態について説明する。

図１０は、本発明の第２の実施形態における、振動型駆動装置を示す図（制御ブロック図）である。図１０においては、振動型駆動装置１７から制御対象たる振動型モータ１３を除いたものが、制御装置１５である。

図１０が示す制御ブロック図では、パルス幅と周波数を制御量として機械学習を行い、その学習済モデルを用いて制御を行う。本制御ブロックにおいて、振動型モータ１３（振動型アクチュエータ）の位置フィードバック制御は、制御用の学習済モデルを備える制御量出力部１００３から出力されるパルス幅と周波数によって行われる。学習モデル生成部１２では、制御用の学習済モデルを備える制御量出力部１００３から出力された２つの制御量と、速度検出手段１６（速度検出部）で検出された相対速度（検出速度）を学習データとして取得し、機械学習が行われる。オートゲインコントロールに用いる制御量及び参照値はパルス幅であり、ＡＧＣ回路１０８に各々入力される。尚、パルス幅の代わりに周波数を用いても良い。

本発明の第２の実施形態を用いれば、駆動条件や温度環境が変化してもオートゲインコントロールによるパルス幅と周波数の自動的な補正が行われ、高精度でロバスト性の高い制御性を得ることができる。

図２０は、制御量に基づく振動型モータの速度特性を示す図である。

図２０（ａ）は位相差と周波数を用いて制御を行う場合である（本発明の第１の実施形態を参照）。横軸は周波数、縦軸はモータ速度を示す。図のように、位相差と周波数を各々操作することでモータ速度を制御することができる。例えばグレーの領域で制御を行う場合、駆動周波数は８８～９３ｋＨｚ、位相差は０～±１２０°の範囲で各制御量が出力される。本発明の学習済モデルは、目標速度の入力に応じて２つの制御量が出力されることで制御が行われる。図２０（ｂ）は、本発明の第２の実施形態のパルス幅と周波数を用いて制御を行う場合である。同様に、パルス幅と周波数を各々操作することでモータ速度を制御することができる。例えばグレーの領域で制御を行う場合、駆動周波数は８８～９３ｋＨｚ、パルス幅は０～５０％の範囲で各制御量が出力される。学習済モデルに入力される目標速度に応じて、パルス幅と周波数が出力されることで制御が行われる。

（第３の実施形態）
本発明の第３の実施形態について説明する。

図１１は、本発明の第３の実施形態における、振動型駆動装置を示す図（制御ブロック図）である。図１１においては、振動型駆動装置１７から制御対象たる振動型モータ１３を除いたものが、制御装置１５である。

図１１が示す制御ブロック図では、位相差、周波数、パルス幅を制御量として機械学習を行い、その学習済モデルを用いて制御を行う。

本制御ブロックにおいて、振動型モータ１３（振動型アクチュエータ）の位置フィードバック制御は学習済モデルを備える制御量出力部１１０３から出力される各制御量（位相差、周波数、パルス幅）によって行われる。学習済モデルを備える制御量出力部１１０３には、目標速度と、位置偏差（第１の値）の補正値（目標位置に基づく値）と、が入力される。そして、ニューラルネットワークで演算された、位相差、周波数及びパルス幅が駆動部１１に出力されて振動型モータ１３（振動型アクチュエータ）は制御される。学習モデル生成部１２では、学習済モデルを備える制御量出力部１１０３から出力された３つの制御量と、速度検出手段１６（速度検出部）で検出された相対速度（検出速度）及び速度偏差を学習データとして取得し、学習モデルの機械学習が行われる。オートゲインコントロールに用いる制御量及び参照値は位相差、周波数、パルス幅のいずれか又は組合せであり、ＡＧＣ回路１０８に各々入力される。

本発明の第３の実施形態を用いれば、駆動条件や温度環境が変化してもオートゲインコントロールによる位相差、周波数、パルス幅の自動的な補正が行われ、高精度でロバスト性の高い制御性を得ることができる。

図１７は、位相差、周波数、パルス幅を出力とする学習モデルのニューラルネットワーク構造を示すものである。

制御用の学習済モデルを備える制御量出力部１１０３と参照用の学習済モデルを備える制御量出力部１１０７は、速度と偏差を入力とし、３つの制御量を出力とするＮＮ構造を有する。機械学習に用いる学習データは、学習済モデルによる制御の測定データを用いても良い。機械学習に用いる学習データは、ランダム関数でパラメータを設定した未学習モデルによる制御の測定データを用いても良い。機械学習に用いる学習データは、制御量を任意に設定された駆動パターンで出力するオープン駆動による測定データ、ＰＩＤ制御による時系列の測定データを用いても良い。

尚、ＮＮの重みと閾値を決定する際、複数の学習データから位置偏差（第１の値）や消費電力などの観点で最適な条件のパラメータを選定しても良い。これは、振動型モータの所定の速度が得られる条件、すなわち位相差、周波数、パルス幅の組み合わせは無数に存在する為である。

本発明の第３の実施形態を適用することにより、振動型モータを操作するパラメータが増えるので、適切な機械学習を行うことで細かな制御性能の調整を行うことができる。

（第４の実施形態）
本発明の第４の実施形態について説明する。

図１２は、本発明の第４の実施形態における、振動型駆動装置を示す図（制御ブロック図）である。図１２においては、振動型駆動装置１７から制御対象たる振動型モータ１３を除いたものが、制御装置１５である。

図１２が示す制御ブロック図では、振動型モータ１３（振動型アクチュエータ）の位置フィードバック制御はＰＩＤ制御器１０９を制御用の学習済モデルを備える制御量出力部１０３に並列接続して行われる。ＰＩＤ制御器１０９には位置偏差（第１の値）が入力され、ＰＩＤ演算されて位相差と周波数の制御量が出力される。尚、ＰＩＤ制御器以外の構成でも良く、例えばＰ制御、ＰＩ制御、ＰＤ制御なども適用できる。制御用の学習済モデルを備える制御量出力部１０３には、目標速度と、第１の値、及びＡＧＣ回路１０８による補正ゲイン（第２の値）を乗算して得た補正値（目標位置に基づく値）が入力される。つまり、制御用の学習済モデルを備える制御量出力部１０３には、目標速度と、目標位置に基づく値（第１の値と第２の値との積に基づく値）が入力される。

前記ＰＩＤ制御器から出力された制御量と、制御用の学習済モデルを備える制御量出力部１０３から出力された制御量は加算され、駆動部１１に出力される。また、加算された制御量は、ＡＧＣ回路１０８に入力され、参照用の学習済モデルを備える制御量出力部１０７から出力された参照値と比較される。学習モデル生成部１２では、加算後の制御量と、速度検出手段１６（速度検出部）で検出された相対速度（検出速度）と速度偏差とを用いて機械学習が行われ、制御部１０の学習モデルが生成される。

本発明の第４の実施形態を適用することにより、オートゲインコントロールによる制御量の自動的な補正が行われるので、駆動条件や温度環境に依らず、高精度でロバスト性の高い制御性を得ることができる。また、ＰＩＤ制御器を併用することによって制御ループの伝達特性を柔軟に調整でき、位置決め精度を更に向上することができる。

（第５の実施形態）
本発明の第５の実施形態について説明する。

図１６は、本発明の第５の実施形態における、振動型駆動装置を示す図（制御ブロック図）である。図１６においては、振動型駆動装置１７から制御対象たる振動型モータ１３を除いたものが、制御装置１５である。

本制御ブロックにおいて、ＰＩＤ制御器１０９が、制御用の学習済モデルを備える制御量出力部１０３に並列接続されている。そして、第１のスイッチＳＷ１（切替部）、第２のスイッチＳＷ２（切替部）によって振動型モータ１３（振動型アクチュエータ）の位置フィードバック制御が選択的に行われる。スイッチは、ＰＩＤ制御器１０９と制御用の学習済モデルを備える制御量出力部１０３の各出力部に設けられており、駆動条件に応じてＰＩＤ制御のみによる制御と、学習済モデルのみによる制御を選択できる。また、両方の制御量を加算して制御しても良い。

機械学習においても同様で、例えば、ＰＩＤ制御のみを用いて学習すれば、全く学習がされていない状態でも規定の制御パラメータで学習モデルを生成することができる。

本発明の第５の実施形態を適用することにより、オートゲインコントロールによる制御量の自動的な補正が行われるので、駆動条件や温度環境に依らず、高精度でロバスト性の高い制御性を得ることができる。また、ＰＩＤ制御器を選択的に用いることによって、制御と学習の安定性を高めることができる。

（第６の実施形態）
本発明の第６の実施形態について説明する。

本発明の第１の実施形態では、振動型モータの制御装置は、撮像装置のオートフォーカス用のレンズ駆動に用いる例を説明したが、本発明の適用例はこれに限定されない。例えば、図１８に示すように、手ぶれ補正時のレンズや撮像素子の駆動に用いることもできる。図１８（ａ）は、撮像装置６０の外観を示す平面図（上面図）である。また、図１８（ｂ）は、撮像装置６０の内部構造の概略図である。

撮像装置６０は、大略的に、本体６１と、本体６１に対して着脱自在なレンズ鏡筒６２とで構成されている。本体６１は、レンズ鏡筒６２を通過した光が結像した光学像を画像信号に変換するＣＣＤセンサやＣＭＯＳセンサ等の撮像素子６３と、撮像装置６０の全体的な動作を制御するカメラ制御マイコン６４を備える。レンズ鏡筒６２には、フォーカスレンズやズームレンズ等の複数のレンズＬが所定位置に配置されている。また、レンズ鏡筒６２には、像ぶれ補正装置５０が内蔵されており、像ぶれ補正装置５０は、円板部材５６、円板部材５６に設けられた振動子１３１を有し、円板部材５６の中央に形成されている穴部に、像ぶれ補正レンズ６５が配置されている。像ぶれ補正装置５０は、レンズ鏡筒６２の光軸と直交する面内で像ぶれ補正レンズ６５を移動させることができるように配置される。この場合、本発明の制御装置１２を用いて振動子１３１を駆動することで、鏡筒に固定されている接触体１３２に対し、振動子１３１や円板部材５６が相対移動し、補正レンズが駆動される。

また、本発明の制御装置は、ズーム用レンズの移動のためのレンズホルダの駆動に用いることもできる。したがって、本発明の制御装置は、レンズ駆動用に、撮像装置に加えて、交換用レンズにも搭載することができる。

また、本発明の第１の実施形態に示した、振動型モータの制御装置は、自動ステージの駆動にも用いることができる。例えば、図１９に示すように、顕微鏡の自動ステージの駆動に用いることができる。

図１９の顕微鏡は、撮像素子と光学系を内蔵する撮像部７０と、基台上に設けられ、振動型モータにより移動されるステージ７２を有する自動ステージ７１と、を有する。被観察物をステージ７２上に置いて、拡大画像を撮像部７０で撮影する。観察範囲が広範囲に有る場合には、本発明の第１の実施形態の制御装置１２または本発明の第２実施の形態の制御装置１２を用いて振動型駆モータを駆動することで、ステージ７２を移動させる。これによって、被観察物を図中のＸ方向やＹ方向に移動させて、多数の撮影画像を取得する。不図示のコンピュータにて、撮影画像を結合し、観察範囲が広範囲で、かつ、高精細な１枚の画像を取得できる。

第１の実施形態から第５の実施形態では、学習済モデルとして、２つの学習済モデルを有する。具体的には、学習済モデルは、目標速度、及び前記目標位置に基づく値が入力される第１の学習済モデルと、目標速度及び所定の値が入力される第２の学習済モデルと、を有していた。

しかし、本発明はこれに限られず、学習済モデルとして、１つのみの学習済モデルを有してもよい。具体的には、学習済モデルは、目標速度、及び前記目標位置に基づく値と、前記目標速度及び所定の値と、が異なるタイミングで入力されてもよい。

以上、本発明をその好適な実施形態に基づいて詳述してきた。しかし、本発明はこれら特定の実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の様々な形態も本発明に含まれる。さらに、上述した各実施形態は本発明の一実施形態を示すものにすぎず、各実施形態を適宜組み合わせることも可能である。

１０ 学習済モデル制御部（制御部）
１１ 駆動部
１２ 学習モデル生成部
１３ 振動型モータ（振動型アクチュエータ）
１４ 位置検出手段（位置検出部）
１５ 振動型駆動装置
１６ 速度検出手段（速度検出部）
１７ 振動型駆動装置
１０１ 速度生成手段（速度指令部）
１０２ 位置生成手段（位置指令部）
１０３ 制御用の学習済モデルを備える制御量出力部
１０４ 交流信号生成手段（交流信号生成部）
１０５ 昇圧回路
１０７ 参照用の学習済モデルを備える制御量出力部
１０８ ＡＧＣ回路
１３１ 振動子
１３２ 接触体

Claims (18)

1. 振動子に発生した振動によって、前記振動子と接触する接触体を前記振動子に対して相対的に移動させる振動型アクチュエータの制御装置であって、
   前記接触体を前記振動子に対して相対的に移動させるための目標速度及び目標位置が入力された場合に、前記接触体を前記振動子に対して相対的に移動させるための制御量を出力する制御部を有し、
   前記制御部は、
   前記目標速度、及び前記目標位置に基づく値が入力された場合に前記接触体を前記振動子に対して相対的に移動させるための制御量を出力するように機械学習された第１の学習済モデルと、
   前記目標速度及び所定の値が入力される第２の学習済モデルと、を備え、
   前記目標位置に基づく値は、第１の値と第２の値との積に基づく値であり、
   前記第１の値は、前記目標位置と、前記制御量に基づいて移動された前記振動型アクチュエータから検出された検出位置と、の差に基づく値であり、
   前記第２の値は、前記第１の学習済モデルから出力された制御量と、前記目標速度及び前記所定の値が入力された場合に前記第２の学習済モデルから出力される値と、の比に基づく値である、ことを特徴とする振動型アクチュエータの制御装置。
2. 前記第１の学習済モデルは、前記振動型アクチュエータの検出速度と、前記目標速度と前記検出速度との差である速度偏差を入力とし、前記制御量を出力とする学習データを使用して機械学習されたことを特徴とする請求項１に記載の振動型アクチュエータの制御装置。
3. 前記第２の学習済モデルは、前記目標速度と、所定の値と、を入力とし、前記制御量を出力とする学習データを使用して学習されたことを特徴とする請求項１に記載の振動型アクチュエータの制御装置。
4. 前記所定の値はゼロであることを特徴とする請求項３に記載の振動型アクチュエータの制御装置。
5. 前記第１の学習済モデルおよび前記第２の学習済モデルは、１つ又は複数の第１のニューロンを有する入力層と、複数の第２のニューロンを有する隠れ層と、及び１つ又は複数の第３のニューロンを有する出力層と、を有するニューラルネットワーク構成を有し、
   前記ニューラルネットワーク構成におけるパラメータとして、前記１つ又は複数の第１のニューロンから前記複数の第２のニューロンへの複数の出力に付された複数の第１の重みと、前記複数の第２のニューロンから前記１つ又は複数の第３のニューロンへの複数の出力に付された複数の第２の重みと、前記第２のニューロンの閾値と、前記第３のニューロンの閾値と、を有することを特徴とする請求項１乃至４のいずれか１項に記載の振動型アクチュエータの制御装置。
6. 前記第１の学習済モデルおよび前記第２の学習済モデルは、前記第１の重み、前記第２の重み、前記第２のニューロンの閾値、及び前記第３のニューロンの閾値が最適化されたことを特徴とする請求項５に記載の振動型アクチュエータの制御装置。
7. 前記第１の学習済モデルおよび前記第２の学習済モデルは、ランダム関数で設定された前記第１の重み、前記第２の重み、前記第２のニューロンの閾値、及び前記第３のニューロンの閾値が最適化アルゴリズムに基づいて機械学習されることによって最適化されたことを特徴とする請求項６に記載の振動型アクチュエータの制御装置。
8. 前記第１の学習済モデルおよび前記第２の学習済モデルは、最適化アルゴリズムに基づいて機械学習された前記第１の重み、前記第２の重み、前記第２のニューロンの閾値、前記第３のニューロンの閾値が最適化アルゴリズムに基づいて機械学習されることによって最適化されたことを特徴とする請求項６に記載の振動型アクチュエータの制御装置。
9. 前記最適化アルゴリズムは、Ａｄａｍ、Ｍｏｍｅｎｔｕｍ、ＲＭＳｐｒｏｐ、及びＳＧＤのいずれか１つであることを特徴とする請求項７又は８に記載の振動型アクチュエータの制御装置。
10. 前記第１の値が入力された場合に前記接触体を前記振動子に対して相対的に移動させるための制御量を出力するＰＩＤ制御器を有し、
    前記制御部から出力される制御量は、前記第１の学習済モデルから出力された制御量としての第１の制御量と、前記ＰＩＤ制御器から出力された制御量としての第２の制御量と、の和に基づく値であることを特徴とする請求項１乃至９のいずれか１項に記載の振動型アクチュエータの制御装置。
11. 前記第１の学習済モデルと前記ＰＩＤ制御器とを切り替え可能な切替部を有することを特徴とする請求項１０に記載の振動型アクチュエータの制御装置。
12. 前記振動型アクチュエータの制御装置は、
    前記目標位置を出力する位置指令部と、
    前記検出位置を出力する位置検出部と、を有する、ことを特徴とする請求項１乃至１１のいずれか１項に記載の振動型アクチュエータの制御装置。
13. 前記制御量は、位相差、周波数及びパルス幅の少なくとも１つであることを特徴とする請求項１乃至１２のいずれか１項に記載の振動型アクチュエータの制御装置。
14. 前記学習済モデルは、
    前記目標速度、及び前記目標位置に基づく値と、前記目標速度及び所定の値と、が異なるタイミングで入力されることを特徴とする請求項１乃至１３のいずれか１項に記載の振動型アクチュエータの制御装置。
15. 振動子に発生した振動によって、前記振動子と接触する接触体を前記振動子に対して相対的に移動させる振動型アクチュエータと、
    請求項１乃至１４のいずれか１項に記載の振動型アクチュエータの制御装置と、を有することを特徴とする振動型駆動装置。
16. 請求項１５に記載の振動型駆動装置と、
    前記接触体を前記振動子に対して相対的に移動させることによって駆動されるレンズと、を有することを特徴とする交換用レンズ。
17. 請求項１５に記載の振動型駆動装置と、
    前記接触体を前記振動子に対して相対的に移動させることによって駆動される撮像素子と、を有することを特徴とする撮像装置。
18. 請求項１５に記載の振動型駆動装置と、
    前記接触体を前記振動子に対して相対的に移動させることによって駆動されるステージと、を有することを特徴とする自動ステージ。

Images