JPH06149357A - 径路の学習方法およびガイダンス方法 - Google Patents

Abstract

(57)【要約】 【目的】 いかなるジオメトリを有する環境でも、径路
を学習することができるようにし、それにより経済的な
径路を通ることができるようにする。 【構成】 カオス的最急降下法を用いて探索された径路
の軌跡がベクトル量子化学習され、この学習結果に基づ
いて、コホーネン型ニューラルネットワークを構成す
る、例えば６４の各ニューロンの位置（図中、黒丸で示
す位置）が決定される。さらに、ニューロンどうしの距
離から、そのニューロン間の結合重みが決定され、カオ
ス的最急降下法を用いてコホーネン型ニューラルネット
ワークの径路の記憶を想起させる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、例えば工場などで移動
ロボットに、物品を運搬する径路を学習させ、径路をガ
イダンスする場合に用いて好適な径路の学習方法および
ガイダンス方法に関する。

【０００２】

【従来の技術】従来、例えば工場などで移動ロボットに
より物品を運搬する場合においては、移動ロボットが、
地面あるいは建物内の床などに埋め込まれたガイド線を
トレースすることにより所定の目的地にガイダンスされ
るようになっている。

【０００３】さらに、このような方法による場合、例え
ば特開平３−７３００４号公報に開示されているよう
に、移動ロボットを臨時にガイド線から離し、再びガイ
ド線に沿って走行させるようにすることにより、途中に
意図しない障害物などがあっても、障害物を回避し、目
的地に到達することができるようにすることができる。

【０００４】しかしながら、以上のような方法において
は、基本的にガイド線に沿って移動ロボットが進むよう
になっており、ガイド線を設けなければならず、また工
場内のレイアウトを変更した場合においては、ガイド線
も変更しなければならず、ガイド線の設置または変更は
容易ではなかった。

【０００５】そこで、移動ロボットに目的地から発せら
れている、例えば電波を受信させ、その電波の発する方
向に移動させる方法が提案されている。

【０００６】

【発明が解決しようとする課題】しかしながら、この場
合、いわゆるローカルミニマムの課題を解決することが
困難であった。即ち、障害物を回避しつつ所定の位置ま
で移動してきた場合において、たまたまそこが他の位置
より目的地に近い位置であるが、それ以上目的地に近づ
くことができないような位置であると、一旦元の位置に
戻らなければならないが、元の位置に戻ると目的地から
遠くなってしまうために、結果的にその極小位置から離
脱することができなくなるときがあった。

【０００７】また、極小位置に停留することなく目的地
まで到達することができたとしても、障害物を回避する
ときに経済的な径路を走行するとは限らず、むしろ不経
済な径路を走行し、目的地に到達するまで時間がかかる
課題があった。

【０００８】そこで、移動ロボットに経済的な径路を学
習させる方法がある。しかしながら、従来の径路の学習
は、例えば ○いわゆるメイズなどのように、移動ロボットの移動
（走行）する径路が縦横にくっきりと直行している ○移動ロボットの移動（走行）する径路の途中に、複雑
な形状の障害物が存在しない などのような、単純なジオメトリを有する環境において
のみ可能であり、複雑なジオメトリの環境において行う
ことは困難であった。

【０００９】本発明は、このような状況に鑑みてなされ
たものであり、ローカルミニマムの課題を解決するとと
もに、いかなるジオメトリの環境においても径路を学習
し、経済的な径路を得ることができるようにするもので
ある。

【００１０】

【課題を解決するための手段】請求項１に記載の径路の
学習方法は、物体が目的地に到達するまでの径路を、例
えばカオス的最急降下法などのカオスによって、少なく
とも１回探索し、所定の条件を満足する径路を学習する
ことを特徴とする。

【００１１】請求項２に記載の径路の学習方法は、所定
の条件が、物体が目的地に到達するまでの時間が短いこ
とであることを特徴とする。

【００１２】請求項３に記載の径路の学習方法は、所定
の条件が、物体が目的地に到達するまでの距離が短いこ
とであることを特徴とする。

【００１３】請求項４に記載の径路の学習方法は、物体
が、移動ロボットであることを特徴とする。

【００１４】請求項５に記載の径路の学習方法は、目的
地に向かう吸引力を設定して径路を探索することを特徴
とする。

【００１５】請求項６に記載の径路の学習方法は、探索
した径路をベクトル量子化して学習することを特徴とす
る。

【００１６】請求項７に記載の径路のガイダンス方法
は、物体が目的地に到達するまでの径路をカオスによっ
て、少なくとも１回探索させ、所定の条件を満足する径
路を学習させた、非平衡力学系を適用したニューロンか
ら構成される相互結合型ニューラルネットワークの所定
のニューロンを状態発火し、相互結合型ニューラルネッ
トワークにおける状態発火が伝播する軌跡に基づいて、
物体が目的地に到達するまでの径路をガイダンスするこ
とを特徴とする。

【００１７】請求項８に記載の径路のガイダンス方法
は、相互結合型ニューラルネットワークの、目的地に対
応するニューロンに正のバイアスを与えるとともに、相
互結合型ニューラルネットワークの、径路の始点に対応
するニューロンを初期状態にして発火し、相互結合型ニ
ューラルネットワークの状態発火を、径路の始点から目
的地に伝播させることを特徴とする。

【００１８】請求項９に記載の径路のガイダンス方法
は、相互結合型ニューラルネットワークが、コホーネン
型ニューラルネットワークの結合を決定したものである
ことを特徴とする。

【００１９】

【作用】本発明の径路の学習方法においては、例えば移
動ロボット１などの物体が目的地４２に到達するまでの
径路を、例えばカオス的最急降下法などのカオスによっ
て、少なくとも１回探索し、移動ロボット１が目的地４
２に到達するまでの時間や距離が短いといった、所定の
条件を満足する径路を学習する。従って、任意のジオメ
トリを有する環境において有効な径路の学習を行うこと
ができる。

【００２０】さらに、この径路の学習方法においては、
目的地に向かう吸引力を設定して径路を探索するように
することができるので、径路の探索を迅速に行うことが
できる。

【００２１】また、この径路の学習方法においては、探
索した径路をベクトル量子化して学習するようにするこ
とができるので、径路の学習を迅速に行うことができ
る。

【００２２】本発明の径路のガイダンス方法において
は、移動ロボット１が目的地４２に到達するまでの径路
をカオス的最急降下法によって、少なくとも１回探索さ
せ、所定の条件を満足する径路を学習させた、非平衡力
学系を適用したニューロンから構成される相互結合型ニ
ューラルネットワークの、例えば目的地４２に対応する
ニューロンに正のバイアスを与えるとともに、径路の始
点に対応するニューロンなどの所定のニューロンを初期
状態にして状態発火し、状態発火が伝播する軌跡に基づ
いて、移動ロボット１が目的地４２に到達するまでの径
路をガイダンスする。従って、経済的な径路を通って目
的地４２に到達することができる。

【００２３】

【実施例】図１は本発明の径路の学習方法によって径路
を学習し、その学習結果に基づいて移動する移動ロボッ
トの一実施例の外観構成を示している。移動ロボット１
は前輪２と後輪３，４を有しており、前輪２はその方向
を所定の方向に向けることができ、後輪３，４は回転さ
れて、移動ロボット１を移動させることができるように
なされている。複数のレンジセンサ５は移動ロボット１
のほぼ中央に環状に配置され、障害物１２の方向と距離
を検出することができるようになされている。このレン
ジセンサ５は例えば超音波センサ等により構成すること
ができる。目的地ガイダンスセンサ６は目的地１１より
出力される信号（電波）を受信し、目的地１１の方向と
距離を検出することができるようになされている。

【００２４】即ち、レンジセンサ５は障害物１２に対す
るベクトルを検出し、目的地ガイダンスセンサ６は目的
地１１に対するベクトルを検出することができるように
なされている。コンピュータ７はレンジセンサ５や目的
地ガイダンスセンサ６の出力をモニタし、その出力から
所定の演算を実行し、移動ロボット１の動作を制御する
ようになされている。

【００２５】図２は移動ロボット１の電気的構成を示し
ている。レンジセンサ５の出力はノイズを除去するフィ
ルタ２１を介してコンピュータ７に供給されるようにな
されている。また、目的地ガイダンスセンサ６の出力も
コンピュータ７に供給されている。前輪角度サーボ回路
２２はコンピュータ７により制御され、モータ２３を駆
動して前輪２の方向を所定の方向に駆動するようになさ
れている。また、駆動速度制御回路２４はコンピュータ
７により制御され、モータ２５を所定の速度で回転させ
るようになされている。このモータ２５により後輪３，
４が回転されるようになされている。

【００２６】目的地１１にはアンテナ３２を有する発信
器３１が配置され、この発信器３１がアンテナ３２を介
して出力する電波が目的地ガイダンスセンサ６により受
信されるようになされている。目的地１１へのガイドは
電波の他、赤外線等を用いることも可能である。

【００２７】次に、移動ロボット１が、目的地１１まで
の径路を探索するときの動作を図３のフローチャートを
参照して説明する。最初にコンピュータ７はステップＳ
１において、目的地ガイダンスセンサ６の出力から目的
地１１の距離と方向（ベクトル）を求める。さらにレン
ジセンサ５の出力をフィルタ２１を介して受け取り、障
害物１２に対する距離と方向（ベクトル）を求める。そ
して、この２つのベクトルから移動ロボット１が受ける
力ベクトルＦを演算する。即ち、目的地ガイダンスセン
サ６が出力する目的地１１に対するベクトルをａ1（＝
（ｘ1−ｘ，ｙ1−ｙ）：（ｘ1，ｙ1）は目的地１１の位
置、（ｘ，ｙ）は移動ロボット１の位置）とし、レンジ
センサ５が出力する障害物１２に対するベクトルをａ2
（＝（ｘ2−ｘ，ｙ2−ｙ）：（ｘ2，ｙ2）は障害物１２
の位置）とするとき、移動ロボット１が受ける仮の力ベ
クトルＦは次のように求められる。

【００２８】

【数１】

【００２９】上式においては、ベクトルは符号の上に水
平方向の矢印を付して示してある。

【００３０】上式の右辺のベクトルｆ1は移動ロボット
１が目的地１１から受ける力を示しており、目的地１１
に近くなる程大きくなる。また、ベクトルｆ2は移動ロ
ボット１が障害物１１から受ける力を表わしており、障
害物１１に近くなる程小さくなる（負の方向に大きくな
る）。

【００３１】ここで関数ｇ1（ｄ），ｇ2（ｄ）は距離ｄ
に単調に反比例する非負の図４に示すような関数であ
る。即ち、ベクトルＦは障害物１２に接触せずに目的地
１１に移動ロボット１を引き寄せるような力ベクトルと
なる。

【００３２】ここでベクトルＦをそのまま移動ロボット
１の速度方向ベクトルにすると、上述したローカルミニ
マムの課題を解決することができなくなる。

【００３３】そこで本実施例においては、上式より求め
たベクトルＦを次の式に代入し、次の式から移動ロボッ
ト１の実際の移動のための速度方向ベクトルＶを求め
る。

【００３４】

【数２】

【００３５】ここで、振動型非線形抵抗ｆを図５に示す
ように比較的遅い周期ωで周期的に変動させると、上記
した方程式の時間発展は極小解を脱出することができる
ようになる。この関係を、力ベクトルＦを距離Ｘで積分
して得られるエネルギＥの変化として示すと、図６に示
すようになる。即ち、図中○印で囲で示す１，２の２つ
の極小解を順次飛び越し、最小解３に到達する。

【００３６】このように非線形抵抗を周期的に振動さ
せ、その最小解を求める方法をカオス的最急降下法と定
義する。このカオス的最急降下法の詳細については、例
えば１９９１年８月号、電子通信情報学会、論文誌Ａ、
Ｖｏｌ．Ｊ７４−Ｎｏ．８，Ｐ１２０８−Ｐ１２１５、
「カオス的最急降下法を適用したニューラルネットにお
ける学習および記憶想起の動特性について」や、特願平
３−２４０４６７号（特願平２−２９８９８４号，特願
平２−４１４９０７号，特願平３−１４９６８８号の国
内優先出願）に開示されている。

【００３７】コンピュータ７はこのようなカオスの時間
発展方程式により次の時刻における移動ロボット１の位
置ＸをステップＳ１で演算し、速度方向ベクトルＶを求
める。そして、ステップＳ２で、この速度方向ベクトル
Ｖに対応して前輪角度サーボ回路２２と駆動速度制御回
路２４を制御する。前輪角度サーボ回路２２はモータ２
３を介して前輪２を所定の方向に向けさせる。また、駆
動速度制御回路２４はモータ２５を駆動し、後輪３，４
を所定の速度で回転させる。これにより移動ロボット１
が所定の方向に所定の速度で移動することになる。

【００３８】次にステップＳ３において、移動ロボット
１の位置が目的地１１の位置と実質的に許容される範囲
内に位置するか否かが判定され、許容される範囲内にな
い（目的地１１に達していない）と判定され場合におい
ては、ステップＳ１に戻り、それ以降の処理が繰り返し
実行される。実質的に目的地１１に達したと判定された
場合においては、ステップＳ４に進み、移動ロボット１
の駆動が停止される。

【００３９】図７は、移動ロボット１の現在の位置から
目的地１１に対するベクトルａ1と、障害物１２に対す
るベクトルａ2、ならびに移動ロボット１の目的地１１
から受ける力ベクトルｆ1と障害物１２から受ける力ベ
クトルｆ2との関係を示している。同図に示すようにベ
クトルａ1は移動ロボット１と目的地１１とを結ぶ直線
上のベクトルで表わされ、また、ベクトルａ2は移動ロ
ボット１と障害物１２の最も近い位置とを結ぶ直線上の
ベクトルで示すことができる。力ベクトルｆ1はこのベ
クトルａ1と同一方向のベクトルとして表わすことがで
き、力ベクトルｆ2はベクトルａ2と反対方向のベクトル
として表わすことができる。そして、力ベクトルＦは力
ベクトルｆ1とｆ2を合成したものとして示すことができ
る。

【００４０】図８は、移動ロボット１が障害物１２を回
避しながら、目的地１１に到達する様子を示している。
図中、等高線のように示される線はエネルギを表わして
おり、このエネルギは上記したベクトルＦをベクトルＸ
（＝（ｘ，ｙ））で積分することにより求めることがで
きる。このエネルギは目的地１１において最も小さくな
り、移動ロボット１はよりエネルギが小さくなる方向を
指向して移動することになる。

【００４１】カオス的最急降下法を用いない場合におい
ては、同図に示すように、障害物１２が目的地１１の方
向に窪んでいると、移動ロボット１は比較的小さいエネ
ルギレベル（−３）の位置に移動したとき、そこから離
れるとエネルギが大きくなってしまうために、そこから
離脱することができなくなる課題（ローカルミニマムの
課題）があったのであるが、本実施例のようにカオス的
最急降下法を用いる場合においては、上述したように非
線形抵抗が振動されるために、この極小解（−３）にと
らわれず、そこから離脱して、最小解（−６）（目的
地）に到達するこができるのである。

【００４２】次に、例えば図９に示すような、障害物４
３乃至４５が配置された障害物環境において、図の左上
の目的地４２に、目的地１１（図１）における場合と同
様にアンテナ３２を有する発信器３１（図２）を配置
し、移動ロボット１が図の右下のスタート地点４１か
ら、前述したステップＳ１乃至Ｓ４の処理に基づいて移
動する場合、移動ロボット１は、前述したように障害物
４３乃至４５を避けながら目的地４２に向かって行く
が、その径路としては、大きく分けて次の３つのパター
ンが考えられる。

【００４３】（１）障害物４３を避けて、図の左下を回
る径路 （２）障害物４３を避けて、図の右上を回る径路 （３）障害物４３の中に一度入り込んでから、図の左下
あるいは右下を回る径路

【００４４】パターン（３）の径路においては、前述し
たカオス的最急降下法を用いることにより、移動ロボッ
ト１が障害物４３の中に一度入り込んでも、その中から
出ることができるわけであるが、この場合、スタート地
点４１から目的地４２に到達するまでの時間がかかるこ
とになる。

【００４５】そこで、この移動ロボット１においては、
径路を学習し、その学習結果に基づいて、パターン
（１）あるいは（２）などの経済的な径路を移動する。

【００４６】即ち、まず図１０に示すステップＳ１１に
おいて、前述した図３のステップＳ１乃至Ｓ４の処理を
１ステップとして繰り返すことにより、スタート地点４
１から目的地４２に到達するまでの径路の探索が、所定
のトライアル回数だけ行われ、各トライアルごとの、１
ステップごとの移動ロボット１が移動した軌跡（座標）
（ｘ，ｙ）が、コンピュータ７（図２）の内蔵するメモ
リ（図示せず）に記憶される（図１１）。

【００４７】ここで、実験で径路の探索を１００トライ
アルだけ行ったときの、１ステップごとの移動ロボット
１の移動した軌跡（移動ロボット１の軌跡）をプロット
したものを図１２に示す。なお、この図１２に示す軌跡
は、１トライアルにつき３００００ステップまで行って
プロットしたものである。

【００４８】そして、ステップＳ１２に進み、例えば所
定の時間（所定のステップ数）内に、目的地４２まで到
達できたときの（目的地４２の位置と実質的に許容され
る範囲内に移動ロボット１が位置することができたとき
の）、移動ロボット１が移動した軌跡（ｘ，ｙ）だけ
が、コンピュータ７（図２）の内蔵するメモリに保持さ
れる（他の軌跡は削除される）。

【００４９】ここで、実験で１トライアルにつき１７０
００ステップまでに目的地４２に到達できたときの、移
動ロボット１の軌跡をプロットしたものを図１３に示
す。この場合、図１２に示す軌跡と比較して、パターン
（３）のような不経済な径路の軌跡が除かれていること
が判る。

【００５０】以上のようにして、パターン（１）あるい
は（２）のような経済的な径路の軌跡（図１３）を得た
後、ステップＳ１３に進み、相互結合型ニューラルネッ
トワークとしての、例えばコホーネン型ニューラルネッ
トワークを用いて、図１３に示す移動ロボット１の軌跡
がベクトル量子化学習される。

【００５１】ここで、実験で図１３に示す移動ロボット
１の軌跡を、６４のニューロンからなるコホーネン型ニ
ューラルネットワークによって、"A neural gas networ
k learns topology", in Proc. ICANN 91(Helsinki), 1
991に開示されているニューロガスアルゴリズムを用い
てベクトル量子化した結果を図１４に示す。なお、図
中、黒丸で示す部分がニューロンである。

【００５２】コホーネン型ニューラルネットワークにお
ける６４の各ニューロンは、自身の位置を示すベクトル
（座標）（ｘ，ｙ）を有しており、図１３に示す移動ロ
ボット１の軌跡をベクトル量子化学習することにより、
各ニューロンの位置（ｘ，ｙ）が決定される。

【００５３】なお、ここでは、各ニューロンの位置
（ｘ，ｙ）が決定されるだけで、まだ互いに結合しては
いない。

【００５４】ステップＳ１３でのベクトル量子化学習に
より、コホーネン型ニューラルネットワークにおける６
４のニューロンは、図１４に示すように、スタート地点
４１から目的地４２までの径路を一般化した形で表現す
るようになる。

【００５５】ベクトル量子化学習により、ニューロンの
位置が決定された後、ステップＳ１４に進み、各ニュー
ロン間どうしの距離に基づいて、結合重みが決定され
る。即ち、ステップＳ１４では、図１４に示す６４の各
ニューロンにおいて、ニューロンｉに対するニューロン
ｊからの入力結合をＷijとし、ニューロンｉからニュー
ロンｊまでの距離をＤij（＝Ｄji）とした場合、例えば
まずニューロンｉから、他の６３のニューロンまでの距
離Ｄij（ｊ＝１，２，・・・，６４、但しｊ≠ｉ）がそ
れぞれ求められ、距離Ｄij（ｊ＝１，２，・・・，６
４、但しｊ≠ｉ）の小さい順に、１，２，・・・，６３
という具合にランクＲijが決定される。

【００５６】つまり、例えばニューロン２に対して、ニ
ューロン３が一番距離の近いところに位置している場
合、ランクＲ23＝１と決定される。また、ニューロン２
に対して、ニューロン１が一番距離の遠いところに位置
している場合、ランクＲ21＝６３と決定される。

【００５７】以上のようにして、６４のすべてのニュー
ロンに対してランクＲij（ｉ＝１，２，・・・，６４，
ｊ＝１，２，・・・，６４、但しｉ≠ｊ）が決定された
後、結合重み（入力結合）Ｗijが、例えば次式にしたが
って算出される。

【００５８】 Ｗij＝１．５−１．５／５×Ｒij （但し、Ｒij≦５） Ｗij＝−１．０×（Ｒij−５）／５５ （但し、Ｒij＞５）

【００５９】以上により、距離の近いニューロン間は正
結合となり、距離の離れたニューロン間は負結合となる
（図１５）。

【００６０】以上のステップＳ１４の処理により、図１
４に示すニューロンを結合した状態を図１６に示す。な
お、図１６においては、結合が正結合なったニューロン
間を線で結んで示してある。

【００６１】ステップＳ１１乃至Ｓ１４の処理により学
習が終わると、ステップＳ１５に進み、コホーネン型ニ
ューラルネットワークの想起のダイナミクスに、前述し
たカオス的最急降下法を適用して、ニューロンｉの発火
状態ａiが次式により計算される。

【００６２】

【数３】 但し、ｕiは、ニューロンｉの内部状態を示し、ｂi，Ｋ
はそれぞれ定数である。

【００６３】ここで、この場合、例えば目的地４２に対
応するニューロンに正のバイアスが与えられるととも
に、スタート地点４１に対応するニューロンが初期状態
として発火されるようになっている。これにより、ニュ
ーロンの発火が、例えば図１７乃至図２３に示すよう
に、スタート地点４１に対応するニューロンから目的地
４２に対応するニューロンへ順次伝播していき、スター
ト地点４１から目的地４２までの径路が想起されること
になる。

【００６４】なお、ニューロンの発火は、図１７乃至図
２３に示すように、図の左下を伝播する場合（パターン
（１））だけでなく、例えば図２４乃至図３０に示すよ
うに図の右上を伝播する場合（パターン（２））もあ
り、この伝播の仕方はカオス的である。即ち、６４のニ
ューロン（コホーネン型ニューラルネットワーク）は、
移動ロボット１が探索した径路の中から、いくつかの経
済的な径路を学習し、その径路を想起するわけである。

【００６５】ここで、図１７乃至図２３、図２４乃至図
３０において、丸の大きさは、ニューロンの発火状態に
対応している。即ち、図中、大きく描いた丸に対応する
ニューロンほど、激しく発火していることを示してい
る。

【００６６】ステップＳ１５においては、上述したよう
にしてニューロンの発火状態が計算されるとともに、発
火伝播するニューロン（ニューロン群）の、所定の時間
ごとの位置重心が算出される。

【００６７】コンピュータ７は、以上のステップＳ１１
乃至Ｓ１５の処理を行い、発火伝播するニューロン群の
位置重心を算出して、そこに移動ロボット１をガイダン
スし、これにより、移動ロボット１は、発火伝播するニ
ューロン群の位置重心を追うように移動し、経済的な径
路をたどって、目的地４１に到達することになる。

【００６８】なお、本実施例においては、所定の時間
（ステップ数）内で目的地４２に到達する径路の軌跡だ
けを求め、コホーネン型ニューラルネットワークにベク
トル量子化学習させるようにしたが、例えば目的地４２
に到達するまでの径路の軌跡長が所定の距離以下になる
軌跡だけを求め、ベクトル量子化学習させるようにする
ことができる。

【００６９】さらに、本実施例では、ステップＳ１３で
ニューロガスアルゴリズムによりコホーネン型ニューラ
ルネットワークにベクトル量子化学習させるようにした
が、他のベクトル量子化学習方法を適用するようにする
ことができる。

【００７０】また、径路を学習させるニューラルネット
ワークもコホーネン型ニューラルネットワークに限られ
ることなく、あらゆるベクトル量子化型ニューラルネッ
トワークを適用することができる。

【００７１】

【発明の効果】以上の如く、本発明の径路の学習方法に
よれば、物体が目的地に到達するまでの径路をカオスに
よって、少なくとも１回探索し、例えば物体が目的地に
到達するまでの時間や距離が短いといった、所定の条件
を満足する径路を学習する。従って、任意のジオメトリ
を有する環境において有効な径路の学習を行うことがで
きる。

【００７２】さらに、この径路の学習方法によれば、目
的地に向かう吸引力を設定して径路を探索するようにす
ることができるので、径路の探索を迅速に行うことがで
きる。

【００７３】また、この径路の学習方法によれば、探索
した径路をベクトル量子化して学習するようにすること
ができるので、径路の学習を迅速に行うことができる。

【００７４】本発明の径路のガイダンス方法によれば、
物体が目的地に到達するまでの径路をカオスによって、
少なくとも１回探索させ、所定の条件を満足する径路を
学習させた、非平衡力学系を適用したニューロンから構
成される相互結合型ニューラルネットワークの、例えば
目的地に対応するニューロンに正のバイアスを与えると
ともに、径路の始点に対応するニューロンなどの所定の
ニューロンを初期状態にして状態発火し、状態発火が伝
播する軌跡に基づいて、物体が目的地に到達するまでの
径路をガイダンスする。従って、経済的な径路を通って
目的地に到達することができる。

【図面の簡単な説明】

【図１】本発明の径路の学習方法によって径路を学習し
て移動する移動ロボットの一実施例の外観構成を示す平
面図である。

【図２】図１の移動ロボット１の電気的構成例を示すブ
ロック図である。

【図３】図１の移動ロボット１が径路を探索するときの
動作を説明するフローチャートである。

【図４】関数ｇ1（ｄ），ｇ2（ｄ）の特性図である。

【図５】カオス的最急降下法による非線形抵抗の振動の
様子を説明する図である。

【図６】カオス的最急降下法による極小値からの脱出を
説明する図である。

【図７】図１の実施例における移動ロボット１と障害物
１２および目的地１１との関係を説明する図である。

【図８】移動ロボット１が障害物１２を回避して目的地
１１に到達する様子を説明する図である。

【図９】障害物環境を示す平面図である。

【図１０】図１の移動ロボット１が径路を学習し、その
学習結果に基づいてガイダンスされるときの動作を説明
するフローチャートである。

【図１１】図１０のフローチャートのステップＳ１１で
移動ロボット１が探索した径路の軌跡（ｘ，ｙ）を示す
図である。

【図１２】移動ロボット１に径路の探索を１００トライ
アルだけ行わせたときの、１ステップごとの移動ロボッ
ト１の移動した軌跡（移動ロボット１の軌跡）を、３０
０００ステップまでプロットした図である。

【図１３】１トライアルにつき１７０００ステップまで
に目的地４２に到達できたときの、移動ロボット１の軌
跡をプロットした図である。

【図１４】図１３の径路の軌跡を６４のニューロンから
なるコホーネン型ニューラルネットワークにベクトル量
子化学習させたときの、ニューロンの位置を示す図であ
る。

【図１５】図１４のニューロンの結合関係を説明するた
めの図である。

【図１６】図１４のニューロンの正の結合を示す図であ
る。

【図１７】ニューロンにより径路が想起されている様子
を示す図である。

【図１８】ニューロンにより径路が想起されている様子
を示す図である。

【図１９】ニューロンにより径路が想起されている様子
を示す図である。

【図２０】ニューロンにより径路が想起されている様子
を示す図である。

【図２１】ニューロンにより径路が想起されている様子
を示す図である。

【図２２】ニューロンにより径路が想起されている様子
を示す図である。

【図２３】ニューロンにより径路が想起されている様子
を示す図である。

【図２４】ニューロンにより径路が想起されている様子
を示す図である。

【図２５】ニューロンにより径路が想起されている様子
を示す図である。

【図２６】ニューロンにより径路が想起されている様子
を示す図である。

【図２７】ニューロンにより径路が想起されている様子
を示す図である。

【図２８】ニューロンにより径路が想起されている様子
を示す図である。

【図２９】ニューロンにより径路が想起されている様子
を示す図である。

【図３０】ニューロンにより径路が想起されている様子
を示す図である。

【符号の説明】

１ 移動ロボット ２ 前輪 ３，４ 後輪 ５ レンジセンサ ６ 目的地ガイダンスセンサ ７ コンピュータ １１ 目的地 １２ 障害物 ２１ フィルタ ２２ 前輪角度サーボ回路 ２３ モータ ２４ 駆動速度制御回路 ２５ モータ ３１ 発振器 ３２ アンテナ ４１ スタート地点 ４２ 目的地 ４３乃至４５ 障害物

Claims (9)

【特許請求の範囲】
1. 【請求項１】 物体が目的地に到達するまでの径路をカ
   オスによって、少なくとも１回探索し、 所定の条件を満足する前記径路を学習することを特徴と
   する径路の学習方法。
2. 【請求項２】 前記所定の条件は、前記物体が目的地に
   到達するまでの時間が短いことであることを特徴とする
   請求項１に記載の径路の学習方法。
3. 【請求項３】 前記所定の条件は、前記物体が目的地に
   到達するまでの距離が短いことであることを特徴とする
   請求項１に記載の径路の学習方法。
4. 【請求項４】 前記物体は、移動ロボットであることを
   特徴とする請求項１乃至３のいずれかに記載の径路の学
   習方法。
5. 【請求項５】 前記目的地に向かう吸引力を設定して前
   記径路を探索することを特徴とする請求項１乃至４のい
   ずれかに記載の径路の学習方法。
6. 【請求項６】 前記探索した径路をベクトル量子化して
   学習することを特徴とする請求項１乃至５のいずれかに
   記載の学習方法。
7. 【請求項７】 請求項１乃至６のいずれかに記載の学習
   方法により学習させた、非平衡力学系を適用したニュー
   ロンから構成される相互結合型ニューラルネットワーク
   の所定のニューロンを状態発火し、 前記相互結合型ニューラルネットワークにおける状態発
   火が伝播する軌跡に基づいて、物体が目的地に到達する
   までの径路をガイダンスすることを特徴とする径路のガ
   イダンス方法。
8. 【請求項８】 前記相互結合型ニューラルネットワーク
   の、前記目的地に対応するニューロンに正のバイアスを
   与えるとともに、前記相互結合型ニューラルネットワー
   クの、前記径路の始点に対応するニューロンを初期状態
   にして発火し、 前記相互結合型ニューラルネットワークの状態発火を、
   前記径路の始点から前記目的地に伝播させることを特徴
   とする請求項７に記載の径路のガイダンス方法。
9. 【請求項９】 前記相互結合型ニューラルネットワーク
   は、コホーネン型ニューラルネットワークの結合を決定
   したものであることを特徴とする請求項７または８のい
   ずれかに記載の径路のガイダンス方法。