特開 2023-88173 推定装置、推定方法、推定プログラム、及び学習モデル生成装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2023088173

(43)【公開日】2023-06-26

(54)【発明の名称】推定装置、推定方法、推定プログラム、及び学習モデル生成装置

(51)【国際特許分類】

   A61B 5/11 20060101AFI20230619BHJP

   G06N 3/044 20230101ALI20230619BHJP

   G06N 3/02 20060101ALI20230619BHJP

   G06N 20/00 20190101ALI20230619BHJP

   A61B 5/22 20060101ALI20230619BHJP

   A61B 5/16 20060101ALI20230619BHJP

【ＦＩ】

A61B5/11 230

G06N3/04 145

G06N3/02

G06N20/00

A61B5/22 220

A61B5/16 110

【審査請求】未請求

【請求項の数】13

【出願形態】ＯＬ

(21)【出願番号】P 2021202869

(22)【出願日】2021-12-14

(71)【出願人】

【識別番号】000005278

【氏名又は名称】株式会社ブリヂストン

(74)【代理人】

【識別番号】110001519

【氏名又は名称】弁理士法人太陽国際特許事務所

(72)【発明者】

【氏名】北野 創

(72)【発明者】

【氏名】若尾 泰通

(72)【発明者】

【氏名】城 健智

【テーマコード（参考）】

4C038

【Ｆターム（参考）】

4C038VA04

4C038VB12

(57)【要約】

【課題】特殊な検出装置を用いることなく、導電性を有する柔軟材料を備えた対象物の電気特性を利用して、対象物に刺激を与える付与側の状態を推定する。
【解決手段】推定装置（１）は、導電性を有し、かつ与えられた刺激の変化に応じて電気特性が変化する柔軟材料（２２）を備えた把持部（２）の柔軟材料に予め定められた複数の検出点（７５）の間の電気特性を検出する検出部と、前記柔軟材料に刺激を与えた際の時系列の電気特性と、前記柔軟材料に刺激を与える前記把持部の人物による把持状態を示す把持状態情報とを学習用データとして用いて、前記時系列の電気特性を入力とし、前記把持状態情報を出力するように学習された学習モデルに対して、前記検出部で検出された時系列の電気特性を入力し、入力した時系列の電気特性に対応する前記把持部の人物による把持状態を示す把持状態情報を推定する推定部（５）と、を備える。
【選択図】図１

【特許請求の範囲】

【請求項1】

導電性を有し、かつ与えられた刺激の変化に応じて電気特性が変化する柔軟材料を備えた把持部の前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出する検出部と、
前記柔軟材料に刺激を与えた際の時系列の電気特性と、前記柔軟材料に刺激を与える前記把持部の人物による把持状態を示す把持状態情報とを学習用データとして用いて、前記時系列の電気特性を入力とし、前記把持状態情報を出力するように学習された学習モデルに対して、前記検出部で検出された時系列の電気特性を入力し、入力した時系列の電気特性に対応する人物による把持状態を示す把持状態情報を推定する推定部と、
を含む推定装置。

【請求項2】

前記電気特性は、体積抵抗であり、
前記把持状態は、前記把持部に対する人物による圧力刺激及び素材刺激の少なくとも一方の刺激を付与する状態を含み、
前記学習モデルは、検出された電気特性に対応する人物による圧力刺激及び素材刺激の少なくとも一方の刺激を付与する状態を示す情報を前記把持状態情報として出力するように学習される
請求項１に記載の推定装置。

【請求項3】

前記圧力刺激は、前記人物による前記把持部を把持する動きに伴い発生する圧力刺激であり、
前記把持状態情報は、前記人物による前記把持部を把持する動きに関する情報である請求項２に記載の推定装置。

【請求項4】

前記把持状態情報には、前記人物により前記把持部を把持する位置に関する情報を含む請求項３に記載の推定装置。

【請求項5】

前記素材刺激は、前記把持部への含水に伴い発生する素材刺激であり、
前記把持状態情報は、前記把持部における含水に関する情報である請求項２に記載の推定装置。

【請求項6】

前記把持状態情報には、前記把持部を把持する人物の身体状態情報を含む請求項１から請求項５の何れか１項に記載の推定装置。

【請求項7】

前記推定部によって推定された前記把持状態を出力する出力部を更に含む請求項１から請求項６の何れか１項に記載の推定装置。

【請求項8】

前記把持部は、繊維状及び網目状の少なくとも一方の骨格を有する構造、又は内部に微小な空気泡が複数散在する構造のウレタン材の少なくとも一部に導電性が付与された材料を含む
請求項１から請求項７の何れか１項に記載の推定装置。

【請求項9】

前記把持部は、運動用具のグリップ部及び施術用椅子の手摺部の少なくとも１つを含む請求項１から請求項８の何れか１項に記載の推定装置。

【請求項10】

前記学習モデルは、前記柔軟材料をリザーバとして当該リザーバを用いたリザーバコンピューティングによるネットワークを用いて学習させることで生成されたモデルを含む
請求項１から請求項９の何れか１項に記載の推定装置。

【請求項11】

コンピュータが
導電性を有し、かつ与えられた刺激の変化に応じて電気特性が変化する柔軟材料を備えた把持部の前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出し、
前記柔軟材料に刺激を与えた際の時系列の電気特性と、前記柔軟材料に刺激を与える前記把持部の人物による把持状態を示す把持状態情報とを学習用データとして用いて、前記時系列の電気特性を入力とし、前記把持状態情報を出力するように学習された学習モデルに対して、検出した時系列の電気特性を入力し、入力した時系列の電気特性に対応する前記把持部の人物による把持状態を示す把持状態情報を推定する
推定方法。

【請求項12】

コンピュータに
導電性を有し、かつ与えられた刺激の変化に応じて電気特性が変化する柔軟材料を備えた把持部の前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出し、
前記柔軟材料に刺激を与えた際の時系列の電気特性と、前記柔軟材料に刺激を与える前記把持部の人物による把持状態を示す把持状態情報とを学習用データとして用いて、前記時系列の電気特性を入力とし、前記把持状態情報を出力するように学習された学習モデルに対して、検出した時系列の電気特性を入力し、入力した時系列の電気特性に対応する前記把持部の人物による把持状態を示す把持状態情報を推定する
処理を実行させるための推定プログラム。

【請求項13】

導電性を有し、かつ与えられた刺激の変化に応じて電気特性が変化する柔軟材料を備えた把持部の前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出する検出部からの前記電気特性と、前記柔軟材料に刺激を与える前記把持部の人物による把持状態を示す把持状態情報と、を取得する取得部と、
前記取得部の取得結果に基づいて、前記柔軟材料に圧力を与えた際の時系列の電気特性を入力とし、前記柔軟材料に刺激を与える前記把持部の人物による把持状態を示す把持状態情報を出力する学習モデルを生成する学習モデル生成部と、
を含む学習モデル生成装置。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、推定装置、推定方法、推定プログラム、及び学習モデル生成装置に関する。

【背景技術】

【0002】

従来より、物体に生じる形状変化を検出し、当該検出結果を用いて物体に変形を与える人や物の状態を推定することが行われている。物体に生じる形状変化を検出する側面では、物体の変形を阻害せずに変形を検出することは困難である。また、金属変形等の剛体の検出に用いられる歪センサは物品に利用困難なため、物体の変形を検出するためには、特殊な検出装置が要求される。例えば、カメラによる物体の変位と振動を測定して、変形画像を取得し、変形量を抽出する技術が知られている（例えば、特許文献１参照）。また、シート状の感圧センサを用いて、車椅子、クッション、ベッド等にかかる圧力分布を測定する技術も知られている（例えば、非特許文献１参照）。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】国際公開第２０１７／０２９９０５号

【非特許文献】

【0004】

【非特許文献1】https://www.nitta.co.jp/product/sensor/bpms/

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかしながら、物体等の対象物に生じる形状変化を検出する側面では、カメラ及び画像解析手法を用いて対象物の変位等の変形量を検出する場合、カメラ及び画像解析等を含むシステムは、大規模なものとなり、装置の大型化を招くので好ましくはない。また、カメラを用いた光学手法ではカメラに撮像されない隠れた部分の計測は出来ない。従って、物体の変形を検出するのには改善の余地がある。

【0006】

本開示は、特殊な検出装置を用いることなく、導電性を有する柔軟材料を備えた対象物の電気特性を利用して、対象物に刺激を与える付与側の状態を推定可能な推定装置、推定方法、推定プログラム、及び学習モデル生成装置を提供することを目的とする。

【課題を解決するための手段】

【0007】

上記目的を達成するために、第１態様は、
導電性を有し、かつ与えられた刺激の変化に応じて電気特性が変化する柔軟材料を備えた把持部の前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出する検出部と、
前記柔軟材料に刺激を与えた際の時系列の電気特性と、前記柔軟材料に刺激を与える前記把持部の人物による把持状態を示す把持状態情報とを学習用データとして用いて、前記時系列の電気特性を入力とし、前記把持状態情報を出力するように学習された学習モデルに対して、前記検出部で検出された時系列の電気特性を入力し、入力した時系列の電気特性に対応する人物による把持状態を示す把持状態情報を推定する推定部と、
を含む推定装置である。

【0008】

第２態様は、第１態様の推定装置において、
前記電気特性は、体積抵抗であり、
前記把持状態は、前記把持部に対する人物による圧力刺激及び素材刺激の少なくとも一方の刺激を付与する状態を含み、
前記学習モデルは、検出された電気特性に対応する人物による圧力刺激及び素材刺激の少なくとも一方の刺激を付与する状態を示す情報を前記把持状態情報として出力するように学習される。

【0009】

第３態様は、第２態様の推定装置において、
前記圧力刺激は、前記人物による前記把持部を把持する動きに伴い発生する圧力刺激であり、
前記把持状態情報は、前記人物による前記把持部を把持する動きに関する情報である。

【0010】

第４態様は、第３態様の推定装置において、
前記把持状態情報には、前記人物により前記把持部を把持する位置に関する情報を含む。

【0011】

第５態様は、第２態様の推定装置において、
前記素材刺激は、前記把持部への含水に伴い発生する素材刺激であり、
前記把持状態情報は、前記把持部における含水に関する情報である。

【0012】

第６態様は、第１態様から第５態様の何れか１態様の推定装置において、
前記把持状態情報には、前記把持部を把持する人物の身体状態情報を含む。

【0013】

第７態様は、第１態様から第６態様の何れか１態様の推定装置において、
前記推定部によって推定された前記把持状態を出力する出力部を更に含む。

【0014】

第８態様は、第１態様から第７態様の何れか１態様の推定装置において、
前記把持部は、繊維状及び網目状の少なくとも一方の骨格を有する構造、又は内部に微小な空気泡が複数散在する構造のウレタン材の少なくとも一部に導電性が付与された材料を含む。

【0015】

第９態様は、第１態様から第８態様の何れか１態様の推定装置において、
前記把持部は、運動用具のグリップ部及び施術用椅子の手摺部の少なくとも１つを含む。

【0016】

第１０態様は、第１態様から第９態様の何れか１態様の推定装置において、
前記学習モデルは、前記柔軟材料をリザーバとして当該リザーバを用いたリザーバコンピューティングによるネットワークを用いて学習させることで生成されたモデルを含む。

【0017】

第１１態様は、
コンピュータが
導電性を有し、かつ与えられた刺激の変化に応じて電気特性が変化する柔軟材料を備えた把持部の前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出し、
前記柔軟材料に刺激を与えた際の時系列の電気特性と、前記柔軟材料に刺激を与える前記把持部の人物による把持状態を示す把持状態情報とを学習用データとして用いて、前記時系列の電気特性を入力とし、前記把持状態情報を出力するように学習された学習モデルに対して、検出した時系列の電気特性を入力し、入力した時系列の電気特性に対応する前記把持部の人物による把持状態を示す把持状態情報を推定する
推定方法である。

【0018】

第１２態様は、
コンピュータに
導電性を有し、かつ与えられた刺激の変化に応じて電気特性が変化する柔軟材料を備えた把持部の前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出し、
前記柔軟材料に刺激を与えた際の時系列の電気特性と、前記柔軟材料に刺激を与える前記把持部の人物による把持状態を示す把持状態情報とを学習用データとして用いて、前記時系列の電気特性を入力とし、前記把持状態情報を出力するように学習された学習モデルに対して、検出した時系列の電気特性を入力し、入力した時系列の電気特性に対応する前記把持部の人物による把持状態を示す把持状態情報を推定する
処理を実行させるための推定プログラムである。

【0019】

第１３態様は、
導電性を有し、かつ与えられた刺激の変化に応じて電気特性が変化する柔軟材料を備えた把持部の前記柔軟材料に予め定められた複数の検出点の間の電気特性を検出する検出部からの前記電気特性と、前記柔軟材料に刺激を与える前記把持部の人物による把持状態を示す把持状態情報と、を取得する取得部と、
前記取得部の取得結果に基づいて、前記柔軟材料に圧力を与えた際の時系列の電気特性を入力とし、前記柔軟材料に刺激を与える前記把持部の人物による把持状態を示す把持状態情報を出力する学習モデルを生成する学習モデル生成部と、
を含む学習モデル生成装置である。

【発明の効果】

【0020】

本開示によれば、特殊な検出装置を用いることなく、導電性を有する柔軟材料を備えた対象物の電気特性を利用して、付与側の状態を推定することができる、という効果を有する。

【図面の簡単な説明】

【0021】

【図1】実施形態に係る推定装置の構成を示す図である。

【図2】実施形態に係る導電性ウレタンの配置を示す図である。

【図3】実施形態に係る学習モデル生成装置の概念構成を示す図である。

【図4】実施形態に係る学習処理部の機能構成を示す図である。

【図5】実施形態に係る学習処理部の他の機能構成を示す図である。

【図6】実施形態に係る推定装置の電気的な構成を示す図である。

【図7】実施形態に係る推定処理の流れを示すフローチャートである。

【図8】実施形態に係る把持部の具体例を説明するための説明図である。

【図9】実施形態に係る学習データ収集処理の流れを示すフローチャートである。

【図10】実施形態に係る学習処理の流れを示すフローチャートである。

【図11】実施形態に係る推定処理の流れの具体例を示すフローチャートである。

【発明を実施するための形態】

【0022】

以下、図面を参照して本開示の技術を実現する実施形態を詳細に説明する。なお、作用、機能が同じ働きを担う構成要素及び処理には、全図面を通して同じ符合を付与し、重複する説明を適宜省略する場合がある。また、本開示は、以下の実施形態に何ら限定されるものではなく、本開示の目的の範囲内において適宜変更を加えて実施することができる。

【0023】

なお、本開示において人物とは、対象物に対して物理量により刺激を与えることが可能な人体及び物体の少なくとも一方を含む概念である。以下の説明では、人体及び物体の少なくとも一方を区別することなく、ヒトとモノとを含む概念として人物と総称して説明する。すなわち、人体及び物体のそれぞれの単体、及び人体と物体を組み合わせた組合せ体を総称して人物と称する。

【0024】

まず、図１から図７を参照して、本開示の技術を適用する導電性が付与された柔軟材料、及び当該柔軟材料を用いて、柔軟材料に対する付与側の状態を推定する状態推定処理を説明する。

【0025】

＜柔軟材料＞
本開示において「柔軟材料」とは、少なくとも一部が撓み等のように変形可能な材料を含む概念であり、ゴム材料等の柔らかい弾性体、繊維状及び網目状の少なくとも一方の骨格を有する構造体、及び内部に微小な空気泡が複数散在する構造体を含む。これらの構造体の一例には、ウレタン材などの高分子材料が挙げられる。また、本開示では、導電性が付与された柔軟材料を用いる。「導電性が付与された柔軟材料」とは、導電性を有する材料を含む概念であり、導電性を付与するために導電材を柔軟材料に付与した材料、及び柔軟材料が導電性を有する材料を含む。導電性を付与する柔軟材料はウレタン材などの高分子材料が好適である。以下の説明では、導電性が付与された柔軟材料の一例として、ウレタン材の全部または一部に導電材料を配合及び浸潤（含浸ともいう）等により形成させた部材を、「導電性ウレタン」と称して説明する。導電性ウレタンは、導電材料を配合と浸潤（含浸）との何れかの方法で形成可能であり、導電材料の配合又は浸潤（含浸）で形成可能で、また導電材料の配合と浸潤（含浸）とを組み合わせて形成可能である。例えば、浸潤（含浸）による導電性ウレタンが、配合による導電性ウレタンより導電性が高い場合には、浸潤（含浸）により導電性ウレタンを形成することが好ましい。

【0026】

導電性ウレタンは、与えられた物理量に応じて電気特性が変化する機能を有する。電気特性が変化する機能を生じさせる物理量の一例には、撓み等のように構造を変形させる圧力による刺激（以下、圧力刺激という。）を示す圧力値による刺激値が挙げられる。なお、圧力刺激は、所定部位への圧力及び所定範囲の圧力の分布による圧力付与を含む。また、当該物理量の他例には、含水率及び水分付与等によって素材の性質を変化（変質）させる刺激（以下、素材刺激という。）を示す水分量等の刺激値が挙げられる。導電性ウレタンは、与えられた物理量に応じて電気特性が変化する。この電気特性を表す物理量の一例には、電気抵抗値が挙げられる。また、他例には、電圧値、又は電流値が挙げられる。

【0027】

導電性ウレタンは、所定の体積を有する柔軟材料に導電性を与えることで、与えられた物理量に応じた電気特性（すなわち電気抵抗値の変化）が現れ、その電気抵抗値は、導電性ウレタンの体積抵抗値と捉えることが可能である。導電性ウレタンは、電気経路が複雑に連携し、例えば、変形に応じて電気経路が伸縮したり膨縮したりする。また、電気経路が一時的に切断される挙動、及び以前と異なる接続が生じる挙動を示す場合もある。従って、導電性ウレタンは、所定距離を隔てた位置（例えば電極が配置された検出点の位置）の間では、与えられた物理量による刺激（圧力刺激及び素材刺激）の大きさや分布に応じた変形や変質で異なる電気特性を有する挙動を示す。このため、導電性ウレタンに与えられた物理量による刺激の大きさや分布に応じて電気特性が変化する。

【0028】

なお、導電性ウレタンを用いることで、変形及び変質についての対象箇所に電極等の検出点を設ける必要はない。導電性ウレタンに物理量による刺激が与えられる箇所を挟む任意の少なくとも２箇所に電極等の検出点を設ければよい（例えば図１）。

【0029】

また、導電性ウレタンの電気特性の検出精度を向上するため、２個の検出点より多くの検出点を用いてもよい。また、本開示の導電性ウレタンは、図１に示す導電性ウレタン２２を１導電性ウレタン片とし、複数の導電性ウレタン片を配列してなる導電性ウレタン群で形成してもよい。この場合、複数の導電性ウレタン片毎に電気特性を検出してもよいし、複数の導電性ウレタン片の電気特性を合成して検出してもよい。複数の導電性ウレタン片毎に電気特性を検出する場合、配置部位毎（例えば検出セット＃１～＃ｎ）に電気抵抗値等の電気特性を検出できる。また、他例としては、導電性ウレタン２２上における検出範囲を分割して分割した検出範囲毎に検出点を設けて検出範囲毎に電気特性を検出してもよい。

【0030】

＜推定装置＞
次に、導電性ウレタンを用いて、当該導電性ウレタンに対する付与側の状態を推定する推定装置の一例を説明する。

【0031】

図１に、付与側の状態を推定する推定処理を実行可能な推定装置１の構成の一例を示す。推定装置１は、推定部５を備え、導電性ウレタン２２における電気特性が入力されるように対象物２に接続されている。推定装置１では、対象物２に含まれる導電性ウレタン２２に対する付与側の状態が推定される。推定装置１は、後述する処理を実行する実行装置としてのＣＰＵを備えたコンピュータによって実現可能である。

【0032】

上述した導電性ウレタンの変形及び変質は、導電性ウレタンに対して時系列に与えられた物理量で生じる。この時系列に与えられる物理量は、付与側の状態に依存する。従って、時系列に変化する導電性ウレタンの電気特性は、導電性ウレタンに与えられた物理量の付与側の状態に対応する。例えば、導電性ウレタンを変形させる圧力刺激または導電性ウレタンを変質させる素材刺激が与えられる場合、時系列に変化する導電性ウレタンの電気特性は、圧力刺激の位置及び分布、並びに大きさを示す付与側の状態に対応する。よって、時系列に変化する導電性ウレタンの電気特性から導電性ウレタンに対する付与側の状態を推定することが可能である。

【0033】

推定装置１では、後述する推定処理によって、学習済みの学習モデル５１を用いて、未知の付与側の状態を推定し、出力する。これにより、特殊な装置や大型の装置を用いたり対象物に含まれる導電性ウレタン２２の変形及び変質を直接計測することなく、対象物２に対する付与側の状態を同定することが可能となる。学習モデル５１は、対象物２に対する付与側の状態と、対象物２の電気特性（すなわち、対象物２に配置された導電性ウレタン２２の電気抵抗値等の電気特性）とを入力として学習される。学習モデル５１の学習については後述する。

【0034】

なお、導電性ウレタン２２は、柔軟性を有する部材２１に配置して対象物２を構成することが可能である（図２）。導電性ウレタン２２が配置された部材２１により構成される対象物２は、電気特性検出部７６を含む。導電性ウレタン２２は、部材２１の少なくとも一部に配置すればよく、内部に配置してもよいし外部に配置してもよい。また、導電性ウレタンは、導電性ウレタンへの付与側の状態を推定可能に配置すればよく、例えば、人物に直接的又は間接的、或いはその両方で接触可能に配置すればよい。

【0035】

図２に、対象物２における導電性ウレタン２２の配置例を示す。対象物２のＡ－Ａ断面を対象物断面２－１として示すように、導電性ウレタン２２は、部材２１の内部を全て満たすように形成しても良い。また、対象物断面２－２に示すように、導電性ウレタン２２は、部材２１の内部における一方側（表面側）に形成しても良く、対象物断面２－３に示すように、部材２１の内部における他方側（裏面側）に導電性ウレタン２２を形成しても良い。さらに、対象物断面２－４に示すように、部材２１の内部の一部に導電性ウレタン２２を形成しても良い。また、対象物断面２－５に示すように、導電性ウレタン２２は、部材２１の表面側の外側に分離して配置しても良く、対象物断面２－６に示すように、他方側（裏面側）の外部に配置しても良い。導電性ウレタン２２を部材２１の外部に配置する場合、導電性ウレタン２２と部材２１とを積層するのみでもよく、導電性ウレタン２２と部材２１とを接着等により一体化してもよい。なお、導電性ウレタン２２を部材２１の外部に配置する場合であっても、導電性ウレタン２２が導電性を有するウレタン部材であるため、部材２１の柔軟性は阻害されない。

【0036】

図１に示すように、導電性ウレタン２２は、距離を隔てて配置された少なくとも２個の検出点７５からの信号によって、導電性ウレタン２２の電気特性（すなわち、電気抵抗値である体積抵抗値）を検出する。図１の例では、導電性ウレタン２２上で対角位置に配置された２個の検出点７５からの信号により電気特性（時系列の電気抵抗値）を検出する検出セット＃１が示されている。なお、検出点７５の個数及び配置は、図１に示す位置に限定されるものではなく、導電性ウレタン２２の電気特性を検出可能な位置であれば３個以上の個数でもよく何れの位置でもよい。なお、導電性ウレタン２２の電気特性は、電気特性（例えば、電気抵抗値である体積抵抗値）を検出する電気特性検出部７６を検出点７５に接続し、その出力を用いればよい。

【0037】

本実施形態では、センサとして導電性ウレタン２２を用いるため、例えば、人物が介在する場合に従来のセンサに比べて人物に与える違和感が極めて少ない。このため、計測中に人物に関する付与側の状態を害することが無く、計測と付与側の状態推定を同時に行うことが可能となる。これは計測と付与側の状態推定を別個に行っていた従来のセンサに比べて利点となり、とりわけ時系列変化を追う長時間の計測評価による推定においては、そのメリットは大きい。

【0038】

推定部５は、対象物２に接続され、導電性ウレタン２２の変形及び変質の少なくとも一方に応じて変化する電気特性に基づき、学習モデル５１を用いて、付与側の状態を推定する機能部である。具体的には、推定部５には、導電性ウレタン２２における電気抵抗の大きさ（電気抵抗値等）を表す時系列の入力データ４が入力される。入力データ４は、対象物２に対する付与側の状態、例えば対象物２に接触した人物の姿勢や動き等の人物の挙動に関する状態を示す状態データ３に対応する。例えば、人物が対象物２に接触する際、姿勢等の所定の状態で接触し、当該状態に対応して、対象物２を構成する導電性ウレタン２２には刺激（圧力刺激及び素材刺激の少なくとも一方）が物理量として与えられ、導電性ウレタン２２の電気特性が変化する。従って、入力データ４により示される時系列に変化する導電性ウレタン２２の電気特性は、対象物２、すなわち、導電性ウレタン２２に対する付与側の状態に対応するものとなる。また、推定部５は、学習済みの学習モデル５１を用いた推定結果として、時系列に変化する導電性ウレタン２２の電気特性に対応する付与側の状態を表す出力データ６を出力する。

【0039】

学習モデル５１は、物理量として与えられる刺激（圧力刺激及び素材刺激）により変化する導電性ウレタン２２の電気抵抗（入力データ４）から、付与側の状態を表す出力データ６を導出する学習を済ませたモデルである。学習モデル５１は、例えば、学習済みのニューラルネットワークを規定するモデルであり、ニューラルネットワークを構成するノード（ニューロン）同士の間の結合の重み（強度）の情報の集合として表現される。

【0040】

＜学習処理＞
次に、学習モデル５１を生成する学習処理について説明する。
図３に、学習モデル５１を生成する学習モデル生成装置の概念構成を示す。学習モデル生成装置は、学習処理部５２を備えている。学習モデル生成装置は、図示しないＣＰＵを備えたコンピュータを含んで構成可能であり、ＣＰＵにより実行される学習データ収集処理及び学習モデル生成処理によって学習処理部５２として実行されて学習モデル５１を生成する。

【0041】

＜学習データ収集処理＞
学習処理部５２は、学習データ収集処理において、付与側の状態を表す状態データ３をラベルとして導電性ウレタン２２における電気特性（例えば電気抵抗値）を時系列に測定した大量の入力データ４を学習データとして収集する。従って、学習データは、電気特性を示す入力データ４と、その入力データ４に対応する付与側の状態を示す状態データ３と、のセットを大量に含む。

【0042】

具体的には、学習データ収集処理では、対象物２における状態（すなわち、導電性ウレタン２２に対する付与側の状態）が形成された際の付与側の状態に応じた刺激（圧力刺激及び素材刺激）により変化する電気特性（例えば電気抵抗値）を時系列に取得する。次に、取得した時系列の電気特性（入力データ４）に状態データ３をラベルとして付与し、状態データ３と入力データ４とのセットが予め定めた所定数、又は予め定めた所定時間に達するまで処理を繰り返す。これらの付与側の状態を示す状態データ３と、付与側の状態毎に取得した時系列の導電性ウレタン２２の電気特性（入力データ４）とのセットが学習データとなる。なお、学習データにおける状態データ３は、後述する学習処理において推定結果が正解である付与側の状態を示す出力データ６として扱われるように図示しないメモリに記憶される。

【0043】

なお、学習データは、導電性ウレタン２２の電気抵抗値（入力データ４）の各々に測定時刻を示す情報を付与することで時系列情報を対応付けてもよい。この場合、付与側の状態として定まる期間について、導電性ウレタン２２における時系列な電気抵抗値のセットに測定時刻を示す情報を付与して時系列情報を対応付けてもよい。

【0044】

上述した学習データの一例を次に表で示す。表１は、導電性ウレタン２２に対する付与側の状態に関する学習データとして、時系列の電気抵抗値データ（ｒ）と付与側の状態を示す状態データ（Ｒ）とを対応付けたデータセットの一例である。

【0045】

【表1】

【0046】

なお、導電性ウレタン２２で検出される電気特性（時系列の電気抵抗値データによる時間特性）は、導電性ウレタン２２に対する付与側の状態に関する特徴パターンとして捉えることが可能である。すなわち、導電性ウレタン２２に対する付与側の状態によって、導電性ウレタン２２に対して異なる刺激が時系列に与えられる。従って、所定の時間内における時系列の電気特性は、付与側の状態に対して特徴的な電気特性として表れると考えられる。よって、導電性ウレタン２２で検出される電気特性（時系列の電気抵抗値データによる時間特性）に示されるパターン（例えば電気特性における時系列の電気抵抗値の分布形状）は、付与側の状態に対応し、後述する学習処理において有効に機能する。

【0047】

＜学習モデル生成処理＞
次に、学習モデル生成処理について説明する。図３に示す学習モデル生成装置は、学習処理部５２における学習モデル生成処理によって、上述した学習データを用いて学習モデル５１を生成する。

【0048】

図４は、学習処理部５２の機能構成、すなわち学習処理部５２で実行される学習モデル生成処理に関して、図示しないＣＰＵの機能構成を示す図である。学習処理部５２の図示しないＣＰＵは、生成器５４及び演算器５６の機能部として動作する。生成器５４は、入力である時系列に取得された電気抵抗値の前後関係を考慮して出力を生成する機能を有する。

【0049】

学習処理部５２は、学習用データとして、上述した入力データ４（例えば、電気抵抗値）と、導電性ウレタン２２に刺激を与えた付与側の状態を示す状態データ３である出力データ６とのセットを図示しないメモリに多数保持している。

【0050】

生成器５４は、入力層５４０、中間層５４２、および出力層５４４を含んで、公知のニューラルネットワーク（ＮＮ：Neural Network）を構成する。ニューラルネットワーク自体は公知の技術であるため詳細な説明は省略するが、中間層５４２は、ノード間結合およびフィードバック結合を有するノード群（ニューロン群）を多数含む。その中間層５４２には、入力層５４０からのデータが入力され、中間層５４２の演算結果のデータは、出力層５４４へ出力される。

【0051】

生成器５４は、入力された入力データ４（例えば、電気抵抗値）から付与側の状態を表すデータ又は付与側の状態に近いデータとしての生成出力データ６Ａを生成するニューラルネットワークである。生成出力データ６Ａは、入力データ４から導電性ウレタン２２に刺激が与えられた付与側の状態を推定したデータである。生成器５４は、時系列に入力された入力データ４から、付与側の状態に近い状態を示す生成出力データを生成する。生成器５４は、多数の入力データ４を用いて学習することで、対象物２すなわち導電性ウレタン２２に刺激が与えられた人物等の付与側の状態に近い生成出力データ６Ａを生成できるようになる。他の側面では、時系列に入力された入力データ４である電気特性をパターンとして捉え、当該パターンを学習することで、対象物２すなわち導電性ウレタン２２に刺激が与えられた人物等の付与側の状態に近い生成出力データ６Ａを生成できるようになる。

【0052】

演算器５６は、生成出力データ６Ａと、学習データの出力データ６とを比較し、その比較結果の誤差を演算する演算器である。学習処理部５２は、生成出力データ６Ａ、および学習データの出力データ６を演算器５６に入力する。これに応じて、演算器５６は、生成出力データ６Ａと、学習データの出力データ６との誤差を演算し、その演算結果を示す信号を出力する。

【0053】

学習処理部５２は、演算器５６で演算された誤差に基づいて、ノード間の結合の重みパラメータをチューニングする、生成器５４の学習を行う。具体的には、生成器５４における入力層５４０と中間層５４２とのノード間の結合の重みパラメータ、中間層５４２内のノード間の結合の重みパラメータ、および中間層５４２と出力層５４４とのノード間の結合の重みパラメータの各々を例えば勾配降下法や誤差逆伝播法等の手法を用いて、生成器５４にフィードバックする。すなわち、学習データの出力データ６を目標として、生成出力データ６Ａと学習データの出力データ６との誤差を最小化するように全てのノード間の結合を最適化する。

【0054】

なお、生成器５４は、時系列入力の前後関係を考慮して出力を生成する機能を有する再帰型ニューラルネットワークを用いてもよく、他の手法を用いてもよい。

【0055】

学習処理部５２は、学習モデル生成処理によって、上述した学習データを用いて学習モデル５１を生成する。学習モデル５１は、学習結果のノード間の結合の重みパラメータ（重み又は強度）の情報の集合として表現され、図示しないメモリに記憶される。

【0056】

具体的には、学習処理部５２は、次の手順により学習モデル生成処理を実行する。第１学習処理では、時系列に測定した結果の学習データである、付与側の状態を示す情報をラベルとした入力データ４（電気特性）を取得する。第２学習処理では、時系列に測定した結果の学習データを用いて学習モデル５１を生成する。すなわち、上記のようにして多数の学習データを用いて学習した学習結果のノード間の結合の重みパラメータ（重み又は強度）の情報の集合を得る。そして、第３学習処理では、学習結果のノード間の結合の重みパラメータ（重み又は強度）の情報の集合として表現されるデータを学習モデル５１として記憶する。

【0057】

そして、上記推定装置１では、学習済みの生成器５４（すなわち、学習結果のノード間の結合の重みパラメータの情報の集合として表現されるデータ）を学習モデル５１として用いる。十分に学習した学習モデル５１を用いれば、対象物２、すなわち導電性ウレタン２２の時系列の電気特性（例えば、時系列に変化する電気抵抗値の特性）から付与側の状態を同定することも不可能ではない。

【0058】

＜ＰＲＣ＞
ところで、導電性ウレタン２２は、上述したように電気経路が複雑に連携し、電気経路の伸縮、膨縮、一時的な切断、及び新たな接続等の変化（変形）、並びに素材の性質の変化（変質）に応じた挙動を示す。結果的に、導電性ウレタン２２は、与えられた刺激（例えば圧力刺激）に応じて異なる電気特性を有する挙動を示す。このことは、導電性ウレタン２２を、導電性ウレタン２２の変形に関するデータを貯留するリザーバとして扱うことが可能である。すなわち、推定装置１は、物理的なリザーバコンピューティング（ＰＲＣ：Physical Reservoir Computing）と呼ばれるネットワークモデル（以下、ＰＲＣＮという。）に、導電性ウレタン２２を適用することが可能である。ＰＲＣおよびＰＲＣＮ自体は公知の技術であるため、詳細な説明を省略するが、ＰＲＣ、及びＰＲＣＮは、導電性ウレタン２２の変形や変質に関する情報の推定に好適である。

【0059】

図５に、ＰＲＣＮを適用した学習処理部５２の機能構成の一例を示す。ＰＲＣＮを適用した学習処理部５２は、入力リザーバ層５４１と、推定層５４５とを含む。入力リザーバ層５４１は、対象物２に含まれる導電性ウレタン２２が対応する。すなわち、ＰＲＣＮを適用した学習処理部５２では、導電性ウレタン２２を含む対象物２を、導電性ウレタン２２を含む対象物２の変形及び変質に関するデータを貯留するリザーバとして扱って学習する。導電性ウレタン２２は、多様な刺激の各々に応じた電気特性（電気抵抗値）となり、電気抵抗値を入力する入力層として機能し、また、導電性ウレタン２２の変形及び変質に関するデータを貯留するリザーバ層として機能する。導電性ウレタン２２は、人物等の付与側の状態により与えられた刺激に応じて異なる電気特性（入力データ４）を出力するので、推定層５４５で、与えられた導電性ウレタン２２の電気抵抗値から未知の付与側の状態を推定することが可能である。従って、ＰＲＣＮを適用した学習処理部５２における学習処理では、推定層５４５を学習すればよい。

【0060】

＜推定装置の構成＞
次に、上述した推定装置１の具体的な構成の一例についてさらに説明する。図６に、推定装置１の電気的な構成の一例を示す。図６に示す推定装置１は、上述した各種機能を実現する処理を実行する実行装置としてのコンピュータを含んで構成したものである。上述の推定装置１は、コンピュータに上述の各機能を表すプログラムを実行させることにより実現可能である。

【0061】

推定装置１として機能するコンピュータは、コンピュータ本体１００を備えている。コンピュータ本体１００は、ＣＰＵ１０２、揮発性メモリ等のＲＡＭ１０４、ＲＯＭ１０６、ハードディスク装置（ＨＤＤ）等の補助記憶装置１０８、及び入出力インターフェース（Ｉ／Ｏ）１１０を備えている。これらのＣＰＵ１０２、ＲＡＭ１０４、ＲＯＭ１０６、補助記憶装置１０８、及び入出力Ｉ／Ｏ１１０は、相互にデータ及びコマンドを授受可能にバス１１２を介して接続された構成である。また、入出力Ｉ／Ｏ１１０には、外部装置と通信するための通信部１１４、ディスプレイやキーボード等の操作表示部１１６、及び検出部１１８が接続されている。検出部１１８は、導電性ウレタン２２を含む対象物２から、入力データ４（時系列の電気抵抗値等の電気特性）を取得する機能を有する。すなわち、検出部１１８は、導電性ウレタン２２が配置された対象物２を含み、かつ導電性ウレタン２２における検出点７５に接続された電気特性検出部７６から入力データ４を取得することが可能である。なお検出部１１８は通信部１１４を介して接続してもよい。

【0062】

補助記憶装置１０８には、コンピュータ本体１００を本開示の推定装置の一例として推定装置１として機能させるための制御プログラム１０８Ｐが記憶される。ＣＰＵ１０２は、制御プログラム１０８Ｐを補助記憶装置１０８から読み出してＲＡＭ１０４に展開して処理を実行する。これにより、制御プログラム１０８Ｐを実行したコンピュータ本体１００は、推定装置１として動作する。

【0063】

なお、補助記憶装置１０８には、学習モデル５１を含む学習モデル１０８Ｍ、及び各種データを含むデータ１０８Ｄが記憶される。制御プログラム１０８Ｐは、ＣＤ－ＲＯＭ等の記録媒体により提供するようにしても良い。

【0064】

＜推定処理＞
次に、コンピュータにより実現された推定装置１における推定処理についてさらに説明する。図７に、コンピュータ本体１００で実行される制御プログラム１０８Ｐによる推定処理の流れの一例を示す。図７に示す推定処理は、コンピュータ本体１００に電源投入されると、ＣＰＵ１０２により実行される。ＣＰＵ１０２は、制御プログラム１０８Ｐを補助記憶装置１０８から読み出し、ＲＡＭ１０４に展開して処理を実行する。

【0065】

まず、ＣＰＵ１０２は、補助記憶装置１０８の学習モデル１０８Ｍから学習モデル５１を読み出し、ＲＡＭ１０４に展開することで、学習モデル５１を取得する（ステップＳ２００）。具体的には、学習モデル５１として表現された重みパラメータによるノード間の結合となるネットワークモデル（図４、図５参照）を、ＲＡＭ１０４に展開することによって、重みパラメータによるノード間の結合が実現された学習モデル５１が構築される。

【0066】

次に、ＣＰＵ１０２は、導電性ウレタン２２に与えられた刺激による付与側の状態を推定する対象となる未知の入力データ４（電気特性）を、検出部１１８を介して時系列に取得する（ステップＳ２０２）。次に、ＣＰＵ１０２は、学習モデル５１を用いて、取得済みの入力データ４に対応する出力データ６（未知の付与側の状態）を推定する（ステップＳ２０４）。そして、ＣＰＵ１０２は、推定結果の出力データ６（付与側の状態）を、通信部１１４を介して出力し（ステップＳ２０６）、本処理ルーチンを終了する。

【0067】

このように、推定装置１によれば、導電性ウレタン２２の電気抵抗値から未知の付与側の状態を推定可能である。具体的には、推定装置１では、付与側の状態により導電性ウレタン２２に与えられた刺激に応じて変化する入力データ４（電気特性）から、人物等の付与側の状態を推定することが可能となる。すなわち、特殊な装置や大型の装置を用いたり柔軟部材の変形を直接計測することなく、人物等の付与側の状態を推定することが可能となる。

【0068】

＜把持状態の推定＞
このような導電性ウレタン２２を把持部に適用すれば、人物による把持部を把持する動きに応じて把持部の部分的な圧縮といった圧力刺激が生じる。そのため、推定装置１によって、導電性ウレタン２２の時系列の電気抵抗値から人物による把持部を把持する動きが推定可能となる。説明の便宜上、以降では、把持部を把持する人物を、単に「人物」ということにする。ここで、「人物による把持部を把持する動き」は、人物が把持部を把持しているか（把持の有無）、把持部をどの程度の力で把持しているか（把持する力の強弱）、把持部をどの位置で把持しているか（把持する位置）、把持部をどの指に力を掛けて把持しているか（把持の仕方）、等を含む。

【0069】

図８は、導電性ウレタン２２を運動用具、例えばテニスラケットＲのグリップ部Ｔに適用した一例を示す図である。すなわち、刺激が与えられる対象物２は運動用具のグリップ部ということになる。

【0070】

図８（Ａ）に示す例では、人物は導電性ウレタン２２を含むグリップ部Ｔを手Ｈで把持する。グリップ部Ｔに導電性ウレタン２２が含まれるとは、導電性ウレタン２２とテニスラケットＲのグリップ部Ｔを構成する部材２１、より詳しくはグリップ部Ｔに巻かれる部材２１（この場合、綿や化学繊維）との配置例が、図２に示したような導電性ウレタン２２と部材２１の配置例の何れかを満たすことをいう。

【0071】

そして、図８（Ａ）に示すように、電気特性検出部７６をグリップ部Ｔに付け、無線を利用すれば、グリップ部Ｔを把持する人物の動きを妨げることなく、通信部１１４経由で電気特性検出部７６と推定装置１を接続することが可能である。なお、状況に応じて電気特性検出部７６と推定装置１を有線で接続してもよい。

【0072】

図８（Ａ）に示す例では、グリップ部Ｔに電気特性検出部７６が取り付けられており、グリップ部Ｔに取り付けられた電気特性検出部７６は、グリップ部Ｔに含まれる導電性ウレタン２２の電気抵抗値を検出する。

【0073】

なお、本実施形態における把持部は、人物が把持するものであればその種類に制限はない。例えば、上述した運動用具のグリップ部や、施術用椅子の手摺部、ジェットコースターの座席に設けられる手摺部などであってもよい。ここで、運動用具のグリップ部Ｔは、上述したテニスラケットＲのグリップ部Ｔの他、ゴルフクラブのグリップ部、野球のバットのグリップ部などであってもよい。また、施術用の椅子の手摺部は、歯科用の椅子に座った治療中の患者が把持する手摺部などを含む。

【0074】

このように、人物による前記把持部を把持する動きは、把持部の把持状態に影響を与えることから、人物による前記把持部を把持する動きに関する情報は、人物による把持状態を示す把持状態情報の一例である。

【0075】

次に、人物による把持部を把持する動きを推定するための学習モデル５１を生成する学習処理について説明する。

【0076】

図３に示した学習モデル生成装置の学習処理部５２は、学習データ収集処理において、人物による把持部を把持する動きを表す状態データ３をラベルとする導電性ウレタン２２における電気抵抗値を時系列に測定した大量の入力データ４を学習データとして収集する。

【0077】

具体的には、学習データ収集処理では、人物による把持部を把持する動きにより変化する把持部に含まれる導電性ウレタン２２の電気特性（例えば、電気抵抗値）を把持部に取り付けられた電気特性検出部７６から時系列に取得する。次に、取得した時系列の電気特性である入力データ４に状態データ３をラベルとして付与し、状態データ３と入力データ４とを組み合わせた複数の学習データを準備する。

【0078】

また、学習データは、人物に把持部を把持する動きを指示し、そのときの電気抵抗値を検出して、人物による前記把持部を把持する動きを収集する（表２参照）。かかる学習データの把持部を把持する動きをする人物は、特定の人物、例えばプロテニスプレーヤーであってもよいし、又、複数の様々な人物であってもよい。

【0079】

以降では、把持部に含まれる導電性ウレタン２２の電気特性の一例として電気抵抗値を用いた説明を行うが、導電性ウレタン２２の電気特性として電流値又は電圧値を用いてもよいことは前述した通りである。

【0080】

表２は、人物による把持部を把持する動きの推定に用いる学習データとして、把持部から得られた時系列の電気抵抗値データ、すなわち、入力データ４と、人物による把持部を把持する動きを示す状態データ３（Ｒ１～Ｒｋ）とを対応付けたデータセットの一例である。

【0081】

【表2】

【0082】

ここで、把持状態情報は、例えば、把持部をどの程度の力で把持しているか（把持する力の強弱）の情報である。把持する力の強弱は、学習データの把持部を把持する動きをする人物に把持部の種類に応じた様々な場面での把持部を把持する力を加える指示を与えることで収集する。例えば、把持部がテニスラケットのグリップ部Ｔである場合は、サーブを打つ場合（Ｒ１）の電気抵抗値、ストロークでボールを打つ場合（Ｒ２）の電気抵抗値、ボレーでボールを打つ場合（Ｒ３）の電気抵抗値などを収集する。すなわち、例えば、テニスの熟練者と初心者では、グリップ部Ｔを把持する力の入れ方が異なることが知られている。このため、熟練者の学習データを収集して、学習モデル５１を生成し、生成した学習モデル５１に対して入力した把持部を把持する圧力刺激から、推定部５が、人物の現在の把持状態を推定することができる。そして、スマートフォンなどの端末装置に推定結果を出力する。出力された推定結果から、人物が、学習データとの違いを修正するようにテニスラケットのグリップ部Ｔの把持する力の入れ方を練習していくことで、熟練者に近づくような技術の上達を図ることも可能となる。

【0083】

また、把持部が施術用椅子の手摺部である場合は、正常状態中に把持する場合（Ｒ１）の電気抵抗値、痛みのある施術中に把持する場合（Ｒ２）の電気抵抗値などを収集する。すなわち、例えば、緊張している場合や痛みを感じている場合などは、緊張していない場合や痛みを感じていない正常状態中の場合よりも把持部を強く把持することが知られている。このため、学習データを収集して、学習モデル５１を生成し、生成した学習モデル５１に対して入力した把持部を把持する圧力刺激から、推定部５が、人物の現在の身体状態を推定することができる。そして、スマートフォンなどの端末装置に推定結果を出力する。出力された推定結果が、施術中の人物が痛みを感じているとの把持状態情報である場合は、施術を中断するなどの措置をとることも可能である。このように、把持状態情報には、緊張状態や苦痛状態などの身体状態情報を含む。

【0084】

また、把持状態情報は、例えば、把持部への含水に関する情報である。導電性ウレタン２２を含む把持部が水分を含んだ場合、素材刺激が発生し、素材刺激の大きさや分布に応じて導電性ウレタン２２の電気特性が変化する。したがって、推定装置１によって、導電性ウレタン２２の時系列の電気抵抗値から把持部に生じた含水に関する情報が推定可能となる。ここで、把持部への含水は、主として把持部を把持する人物の手から生じる汗である。把持部への含水は、学習データの把持部を把持する動きをする人物に把持部の種類に応じた様々な場面での把持部を把持する指示を与えることで収集する。例えば、把持部が施術用椅子の手摺部である場合は、正常状態の含水量（Ｒ１）による電気抵抗値、痛みのある施術中の含水量（Ｒ２）による電気抵抗値などを収集する。すなわち、例えば、緊張している場合や痛みを感じている場合などは、緊張していない場合や痛みを感じていない正常状態中の場合よりも把持部を把持する手に汗をかくことが知られている。このため、学習データを収集して、学習モデル５１を生成し、生成した学習モデル５１に対して入力した把持部を把持する素材刺激から、推定部５が、人物の現在の身体状態を推定することができる。そして、スマートフォンなどの端末装置に推定結果を出力する。出力された推定結果が、施術中の人物が痛みを感じているとの把持状態情報である場合は、施術を中断するなどの措置をとることも可能である。このように、把持状態情報には、緊張状態や苦痛状態などの身体状態情報を含む。

【0085】

また、把持状態情報は、例えば、把持部をどの位置で把持しているか（把持部を把持する位置）に関する情報である。図８（Ｂ）に示すように、テニスラケットＲのグリップ部Ｔに巻かれる部材２１を展開した状態の座標位置（ｘ，ｙ）から、例えば、座標ｘ１，ｙ１を把持する場合（Ｒ１）の電気抵抗値、座標ｘ１，ｙ２を把持する場合（Ｒ２）の電気抵抗値、などを収集する。すなわち、例えば、テニスの熟練者と初心者では、グリップ部Ｔを把持する位置が異なることが知られている。このため、熟練者の学習データを収集して、学習モデル５１を生成し、生成した学習モデル５１に対して入力した把持部を把持する圧力刺激から、推定部５が、人物の現在の把持状態を推定することができる。そして、スマートフォンなどの端末装置に推定結果を出力する。出力された推定結果から、人物が、学習データとの違いを修正するようにテニスラケットＲのグリップ部Ｔの把持する位置を練習していくことで、熟練者に近づくことも可能となる。

【0086】

なお、把持状態情報は、上述したものに限定されず、例えば、人物の指毎の圧力刺激や素材刺激による導電性ウレタン２２の電気特性であってもよい。

【0087】

学習処理部５２は、図示しないＣＰＵを含むコンピュータを含んで構成可能であり、学習データ収集処理及び学習処理を実行する。

【0088】

図９は、学習処理部５２で行われる学習データ収集処理の流れの一例を示す図である。

【0089】

学習処理部５２は、ステップＳ１００で、人物に把持部を把持する動きを指示し、ステップＳ１０２で、把持部を把持する動きを伴う把持状態に応じた圧力刺激により変化する電気抵抗値を時系列に取得する。次のステップＳ１０４では、取得した時系列の電気抵抗値に動きを伴う把持状態をラベルとして付与して、記憶する（表２参照）。学習処理部５２は、これら把持状態、及び導電性ウレタン２２の電気抵抗値のセットが予め定めた所定数、又は予め定めた所定時間に達するまで（ステップＳ１０６で、肯定判断されるまで否定判断し）、上記処理を繰り返す。これにより、学習処理部５２は、把持状態毎に、導電性ウレタン２２における電気抵抗値を時系列に取得し、記憶することが可能となり、記憶された把持状態毎の時系列な導電性ウレタン２２の電気抵抗値のセットが学習データとなる。

【0090】

学習モデル５１は、学習処理部５２の学習処理により生成される。学習モデル５１は、学習処理部５２による学習結果のノード間の結合の重みパラメータ（重み又は強度）の情報の集合として表現される。

【0091】

図１０は、学習処理部５２で行われる学習処理の流れの一例を示す図である。

【0092】

学習処理部５２は、ステップＳ１１０で、表２に示した複数の学習データの中から、何れか１つの学習データを選択する。そして、選択した学習データから時系列の入力データ４を取得する。学習処理部５２は、ステップＳ１１２で、時系列に測定した結果の学習データを用いて学習モデル５１を生成する。すなわち、上記のようにして多数の学習データを用いて学習した学習結果のノード間の結合の重みパラメータ（重み又は強度）の情報の集合を得る。そして、ステップＳ１１４で、学習結果のノード間の結合の重みパラメータ（重み又は強度）の情報の集合として表現されるデータを学習モデル５１として記憶する。

【0093】

なお、生成器５４は、時系列入力の前後関係を考慮して出力を生成する機能を有する再帰型ニューラルネットワークを用いてもよく、他の手法を用いてもよい。

【0094】

そして、上記推定装置１では、以上に例示した手法により生成した学習済みの生成器５４（すなわち、学習結果のノード間の結合の重みパラメータの情報の集合として表現されるデータ）を学習モデル５１として用いる。十分に学習した学習モデル５１を用いれば、把持部、すなわち導電性ウレタン２２における時系列な電気抵抗値から把持状態を同定することも不可能ではない。

【0095】

なお、学習処理部５２による処理は、例えば、推定装置１とは異なる外部の学習モデル生成装置（図示省略）によって実行される。推定装置１は、推定部５を含む。把持状態を示す情報である出力データ６は、本開示の把持状態情報の一例である。

【0096】

次に、本実施形態にかかる学習モデル５１を用いた把持状態の推定処理について説明する。

【0097】

図１１に、コンピュータ本体１００で実行される制御プログラム１０８Ｐによる把持状態の推定処理の流れの一例を示す。図１１に示す推定処理は、コンピュータ本体１００に電源投入されると、ＣＰＵ１０２により実行される。

【0098】

まず、ステップＳ２００では、補助記憶装置１０８の学習モデル１０８Ｍから上述した把持状態推定用に学習済みの学習モデル５１を読み出し、ＲＡＭ１０４に展開することで、学習モデル５１を取得して学習モデル５１を構築する。

【0099】

次に、ステップＳ２０２で、把持部に与えられた圧力刺激による把持部の把持状態を推定する対象となる未知の入力データ４（電気特性）を、検出部１１８を介して時系列に取得する。

【0100】

次に、ステップＳ２０４では、ステップＳ２００で取得した学習モデル５１を用いて、ステップＳ２０２において取得した入力データ４（電気特性）に対応する出力データ６（把持状態）を推定する。そして、次のステップＳ２０６では、推定結果の出力データ６（把持状態）を、補助記憶装置１０８に出力又は出力部の一例である通信部１１４を介して出力して、本処理ルーチンを終了する。ここで、通信部１１４を介してスマートフォンなどの端末装置に出力される推定結果は、熟練者との違いが分かるような把持状態の画像などであってもよい。

【0101】

上述した図１１に示す推定処理は、本開示の推定方法で実行される処理の一例である。

【0102】

以上説明したように、本開示によれば、人物の把持部を把持する未知の電気特性から、人物の把持部を把持する動きを推定することが可能となる。

【0103】

したがって、推定装置１によって、例えば、把持部を把持する動きによって、人物の熟練度や経験度が分かるため、フォームチェックなどのスポーツの分野に推定装置１を適用することができる。

【0104】

また、推定装置１によって、例えば、把持部を把持する動きによって、人物の身体状態が分かるため、治療を中断するなどの医療の分野に推定装置１を適用することができる。

【0105】

上述したように、本開示では、柔軟部材の一例として導電性ウレタンを適用した場合を説明したが、柔軟部材は導電性ウレタンに限定されないことは勿論である。

【0106】

また、本開示の技術的範囲は上記実施形態に記載の範囲には限定されない。要旨を逸脱しない範囲で上記実施形態に多様な変更または改良を加えることができ、当該変更または改良を加えた形態も本開示の技術的範囲に含まれる。

【0107】

また、上記実施形態では、推定処理及び学習処理を、フローチャートを用いた処理によるソフトウエア構成によって実現した場合について説明したが、これに限定されるものではなく、例えば各処理をハードウエア構成により実現する形態としてもよい。

【0108】

また、推定装置の一部、例えば学習モデル等のニューラルネットワークを、ハードウエア回路として構成してもよい。

【符号の説明】

【0109】

１ 推定装置
２ 対象物
３ 状態データ
４ 入力データ
５ 推定部
６ 出力データ
６Ａ 生成出力データ
２２ 導電性ウレタン
５１ 学習モデル
５２ 学習処理部
５４ 生成器
５６ 演算器
７５ 検出点
７６ 電気特性検出部
Ｒ テニスラケット
Ｔ グリップ部
Ｈ 手

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】