知財求人 - 知財ポータルサイト「IP Force」
特許7548313クレーン位置決定装置、移動式クレーン、及びクレーン位置決定方法
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2024-09-02
(45)【発行日】2024-09-10
(54)【発明の名称】クレーン位置決定装置、移動式クレーン、及びクレーン位置決定方法
(51)【国際特許分類】
B66C 15/00 20060101AFI20240903BHJP
B66C 23/00 20060101ALI20240903BHJP
【ＦＩ】
B66C15/00 A
B66C23/00 Z
【請求項の数】
9
(21)【出願番号】P 2022539465
(86)(22)【出願日】2021-07-27
(86)【国際出願番号】 JP2021027636
(87)【国際公開番号】W WO2022025023
(87)【国際公開日】2022-02-03
【審査請求日】2023-01-24
(31)【優先権主張番号】P 2020126487
(32)【優先日】2020-07-27
(33)【優先権主張国・地域又は機関】JP
(73)【特許権者】
【識別番号】000148759
【氏名又は名称】株式会社タダノ
(74)【代理人】
【識別番号】110002952
【氏名又は名称】弁理士法人鷲田国際特許事務所
(72)【発明者】
【氏名】亀茲 マルダン
【審査官】須山 直紀
(56)【参考文献】
【文献】特開２０１８－０８００５３（ＪＰ，Ａ）
【文献】特開２０１８－２０３４６９（ＪＰ，Ａ）
【文献】特開２０１８－１７２２０８（ＪＰ，Ａ）
【文献】特開２０１８－１６７９３９（ＪＰ，Ａ）
【文献】米国特許出願公開第２０２０／６２５６５（ＵＳ，Ａ１）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｂ６６Ｃ １５／００
Ｂ６６Ｃ ２３／００
(57)【特許請求の範囲】
【請求項1】
移動式クレーンに搭載されるクレーン位置決定装置であって、クレーン作業の作業条件の入力を受け付ける入力部と、
学習モデルを有し、前記学習モデルの出力に基づいて前記移動式クレーンの設置位置を決定する決定部と、
前記移動式クレーンの設置位置を報知する報知部と、を備え、
前記学習モデルは、
前記クレーン作業に関する少なくとも一つの評価関数を含む報酬関数に基づいて、前記作業条件に対する移動式クレーンの最適な設置位置に関する情報を出力するように学習したモデルである、
クレーン位置決定装置。
【請求項2】
前記評価関数は、前記移動式クレーンの動作効率を評価するための動作効率評価関数、
荷物の運搬経路を評価するための経路評価関数、
作業領域に対する前記移動式クレーンの設置位置の適正を評価するための領域評価関数、及び
アウトリガの張出状態を考慮した前記移動式クレーンの設置位置の適正を評価するための安定評価関数
のうちの少なくとも一つを含む、請求項１に記載のクレーン位置決定装置。
【請求項3】
前記作業条件は、搬送元の位置に関する情報、搬送先の位置に関する情報、吊荷の荷重に関する情報、作業領域に関する情報、及び前記移動式クレーンの動作効率に関する情報を含む、請求項１に記載のクレーン位置決定装置。
【請求項4】
前記動作効率は、旋回体の旋回効率、ブームの起伏効率、前記ブームの伸縮効率、及びウインチのウインチ効率に基づいて算出される、請求項３に記載のクレーン位置決定装置。
【請求項5】
前記作業条件は、前記作業領域の環境に関する情報、を更に含む、請求項３に記載のクレーン位置決定装置。
【請求項6】
前記学習モデルは、前記作業条件に対するアウトリガの最適な設置位置に関する情報を出力し、前記決定部は、前記学習モデルの出力に基づいて、前記アウトリガの設置位置を決定すし、
前記報知部は、前記移動式クレーンの設置位置とともに、前記アウトリガの設置位置を報知する、請求項１に記載のクレーン位置決定装置。
【請求項7】
前記決定部は、決定した前記アウトリガの設置位置に基づいて、前記移動式クレーンの向き及び／又は前記アウトリガの張出幅を決定し、前記報知部は、移動式クレーンの向き及び／又は前記アウトリガの張出幅を出力する、請求項６に記載のクレーン位置決定装置。
【請求項8】
請求項１に記載のクレーン位置決定装置を備える、移動式クレーン。
【請求項9】
移動式クレーンに搭載されたコンピュータにより実行されるクレーン位置決定方法であって、クレーン作業の作業条件の入力を受け付けるステップと、
前記クレーン作業に関する少なくとも一つの評価関数を含む報酬関数に基づいて、前記作業条件に対する最適な移動式クレーンの設置位置に関する情報を出力するように学習した学習モデルの出力に基づいて前記移動式クレーンの設置位置を決定するステップと、
前記移動式クレーンの設置位置を報知するステップと、を含む、
クレーン位置決定方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、クレーン位置決定装置、移動式クレーン、及びクレーン位置決定方法に関する。
【背景技術】
【0002】
クレーン作業では、移動式クレーンを適切な位置に設置することが難しい。このため、移動式クレーンには、クレーン作業に適さない領域を作業者に警告する制御装置を備えるものがある。
【0003】
例えば、特許文献１には、測位衛星の信号を受信して現在位置を計測する測位装置と、測位装置が計測した現在位置の地盤情報を無線手段によって取得し、取得した地盤情報から作業領域が警報領域であると判定した場合に、警告を発する制御装置と、を備える移動式クレーンが開示されている。
【先行技術文献】
【特許文献】
【0004】
【文献】特開２０１８－９５３７２号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
クレーン作業では、作業効率を高めるため、移動式クレーンを吊荷に対して適切な位置に設置することが望まれている。
【0006】
しかし、特許文献１に記載の移動式クレーンでは、移動式クレーンを地盤情報に基づく適切な位置に設置できるだけである。このため、この移動式クレーンでは、移動式クレーンをクレーン作業の効率が高い位置に設置することが難しい。その結果、作業者の技能及び経験に頼らざるを得ない。
【0007】
本発明は上記の課題を解決するためになされたもので、クレーン作業の効率が高い位置に移動式クレーンを設置することができるクレーン位置決定装置、移動式クレーン、及びクレーン位置決定方法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】
【0008】
本発明に係るクレーン位置決定装置の一態様は、
移動式クレーンに搭載されるクレーン位置決定装置であって、
クレーン作業の作業条件の入力を受け付ける入力部と、
学習モデルを有し、学習モデルの出力に基づいて移動式クレーンの設置位置を決定する決定部と、
移動式クレーンの設置位置を報知する報知部と、を備え、
学習モデルは、
クレーン作業に関する少なくとも一つの評価関数を含む報酬関数に基づいて、作業条件に対する最適な移動式クレーンの設置位置に関する情報を出力するように学習したモデルである。
移動式クレーンに搭載されるクレーン位置決定装置であって、
クレーン作業の作業条件の入力を受け付ける入力部と、
学習モデルを有し、学習モデルの出力に基づいて移動式クレーンの設置位置を決定する決定部と、
移動式クレーンの設置位置を報知する報知部と、を備え、
学習モデルは、
クレーン作業に関する少なくとも一つの評価関数を含む報酬関数に基づいて、作業条件に対する最適な移動式クレーンの設置位置に関する情報を出力するように学習したモデルである。
【0009】
本発明に係るクレーンの一態様は、上述のクレーン位置決定装置を備える。
【0010】
本発明に係るクレーン位置決定方法の一態様は、
移動式クレーンに搭載されたコンピュータにより実行されるクレーン位置決定方法であって、
クレーン作業の作業条件の入力を受け付けるステップと、
クレーン作業に関する少なくとも一つの評価関数を含む報酬関数に基づいて、作業条件に対する最適な移動式クレーンの設置位置に関する情報を出力するように学習した学習モデルの出力に基づいて移動式クレーンの設置位置を決定するステップと、
移動式クレーンの設置位置を報知するステップと、を含む。
移動式クレーンに搭載されたコンピュータにより実行されるクレーン位置決定方法であって、
クレーン作業の作業条件の入力を受け付けるステップと、
クレーン作業に関する少なくとも一つの評価関数を含む報酬関数に基づいて、作業条件に対する最適な移動式クレーンの設置位置に関する情報を出力するように学習した学習モデルの出力に基づいて移動式クレーンの設置位置を決定するステップと、
移動式クレーンの設置位置を報知するステップと、を含む。
【発明の効果】
【0011】
本発明の構成によれば、クレーン作業の効率が高い位置に移動式クレーンを設置することができる。
【図面の簡単な説明】
【0012】
【発明を実施するための形態】
【0013】
以下、本発明の実施の形態に係るクレーン位置決定装置、移動式クレーン、クレーン位置決定方法及びプログラムについて図面を参照して詳細に説明する。なお、図中、同一又は同等の部分には同一の符号を付す。
【0014】
実施の形態に係る移動式クレーンの位置決定装置は、吊荷を運搬する作業、すなわち、クレーン作業を開始するときに、移動式クレーンの走行体の設置位置（停車位置）とアウトリガの設置位置（張出位置）を決定する装置である。
【0015】
この位置決定装置では、走行体の停車位置の決定にニューラルネットワークで構築された学習済みモデルを用いている。また、学習済みモデルを用いてアウトリガの張出位置を決定し、その張出位置からアウトリガの張出幅を算出している。
【0016】
まず、図１を参照して、位置決定装置が装備される移動式クレーンの構成について説明する。次に、図２－図７を参照して、位置決定装置の構成について、学習済みモデルとあわせて説明する。続いて、図８及び図９を参照して、位置決定装置が実施する位置決定処理について説明する。
【0017】
図１は、実施の形態に係る位置決定装置１が装備されるラフテレーンクレーン１００の上面図である。なお、図１では、理解を容易にするため、ラフテレーンクレーン１００がアウトリガ１３０を張り出し、ブーム１２０を伸長させている。さらに、図示しないフックに吊荷２００が取り付けられている。
【0018】
図１に示すように、ラフテレーンクレーン１００は、走行体１１０と、クレーン作業をするためのブーム１２０と、クレーン作業時に走行体１１０を安定させるアウトリガ１３０と、を備えている。
【0019】
走行体１１０は、図示しないが、原動機によって回転駆動されるホイールを有する。また、走行体１１０には、図１に示すブーム１２０が搭載されている。走行体１１０は、原動機がホイールを回転駆動することにより、所望の位置に移動する。そして、走行体１１０は、その所望の位置で、ブーム１２０を用いたクレーン作業を可能にする。
【0020】
一方、ブーム１２０は、テレスコピック（ｔｅｌｅｓｃｏｐｉｃ）式ブーム、すなわち、伸縮可能な筒状のブームで構成されている。その末端は、走行体１１０に設けられ、旋回モータによって旋回する旋回体１１１によって支持されている。また、ブーム１２０は、旋回体１１１に設けられた起伏シリンダによって起伏可能に支持されている。これにより、ブーム１２０は、走行体１１０に対して旋回すると共に、旋回した位置で起伏可能である。
【0021】
また、ブーム１２０の先端には、ブームヘッド１２１が設けられている。図示しないが、ブームヘッド１２１では、先端がフックに結びつけられたロープがシーブから垂下している。そして、旋回体１１１には、そのロープを巻き上げ及び巻き下げするウインチ１１２が設けられている。これにより、ブーム１２０は、吊荷２００を吊り上げ及び吊り下げ可能である。
【0022】
アウトリガ１３０は、走行体１１０の前後左右に合計４つ、設けられている。そして、アウトリガ１３０それぞれは、左右方向に張出可能なビーム１３１と、上下方向に伸縮可能に設けられたジャッキ１３２と、ジャッキ１３２の下端に設けられたフロート１３３と、を有している。これにより、アウトリガ１３０それぞれは、ビーム１３１を張り出してジャッキ１３２を伸長して、フロート１３３を接地することが可能である。そして、４つのアウトリガ１３０は、フロート１３３を接地することにより、走行体１１０を安定させてラフテレーンクレーン１００の転倒を防止する。
【0023】
ラフテレーンクレーン１００では、次のようにクレーン作業を行う。まず、作業を始めるに当たって、吊荷２００付近に走行体１１０を停車させる。そして、アウトリガ１３０のビーム１３１を張り出し、かつジャッキ１３２を伸長させてフロート１３３を接地させる。
【0024】
次に、ブーム１２０の起こし、伸長、旋回体１１１の旋回の各動作をさせて、吊荷２００の上にブームヘッド１２１を移動させる。その後、フックに吊荷２００を取り付けて、ウインチ１１２を巻き上げることにより、吊荷２００を吊り上げる。
【0025】
続いて、旋回体１１１の旋回、ブーム１２０の伸縮、及び起伏によって、所望の位置に吊荷２００を運搬して、吊荷２００を吊り下げる。
【0026】
このようなクレーン作業では、走行体１１０と吊り上げ対象の吊荷２００との距離に応じて、旋回体１１１の旋回量及びブーム１２０の伸長量等が変化してしまう。また、アウトリガ１３０のビーム１３１の張出幅（以下、単に、アウトリガ１３０の張出幅という）に応じて吊り上げ荷重及び最大作業半径が変化してしまう。このため、クレーン作業の効率を高めるには、ラフテレーンクレーン１００のオペレータが適切な位置に走行体１１０を停車させ、適切な張出幅にアウトリガ１３０を張り出す必要がある。
【0027】
しかしながら、オペレータが走行体１１０を適切な設置位置に設置し、アウトリガ１３０を適切な設置位置に設置することは難しい。
【0028】
そこで、ラフテレーンクレーン１００には、クレーン作業の効率を高めるために、走行体１１０の停車位置とアウトリガ１３０の設置位置（張出幅）を決定する位置決定装置１が装備されている。次に、図２－図７を参照して、位置決定装置１の構成について説明する。
【0029】
図２は、実施の形態に係る位置決定装置１の機能ブロック図である。図３は、位置決定装置１が備える入力部１０に入力されるデータセット１１の概略図である。図４は、入力部１０に入力される作業領域Ｍの概念図である。図５は、位置決定装置１が備える決定部２０と学習部４０のハードウエア構成図である。図６は、位置決定装置１が備えるニューラルネットワーク部２１の概念図である。図７は、位置決定装置１が備える学習用データベース４５のデータセット１１の概略図である。
【0030】
図２に示すように、位置決定装置１は、クレーン作業の情報を入力する入力部１０と、入力部１０に入力された情報を処理するニューラルネットワーク部２１を有し、走行体１１０の停車位置（設置位置）及びアウトリガ１３０の張出位置（設置位置）を決定する決定部２０と、決定部２０が決定した停車位置及び張出位置を出力する出力部３０と、ニューラルネットワーク部２１を学習させる学習部４０と、を備えている。
【0031】
入力部１０は、キーパッドを有する。入力部１０には、ユーザーがキーパッドを用いて、図３に示すデータセット１１の入力を受け付ける。尚、入力部は、キーパッドに限定されない。入力部は、例えば記憶部（不図示）に記憶されたデータを入力情報として受け付けるように構成されてもよい。
【0032】
詳細には、入力部１０は、ラフテレーンクレーン１００により実施されるクレーン作業（搬送作業）の作業条件の入力を受け付ける。具体的には、作業条件は、予定されているクレーン作業の、図４に示す開始地点Ｐs、終了地点Ｐeの座標、吊荷２００の荷重ｍr、クレーン作業を行う現場の作業領域Ｍ、及びラフテレーンクレーン１００の動作効率（第一動作効率）を含む。又、ラフテレーンクレーン１００の動作効率は、旋回体１１１の旋回効率Ｐr、ブーム１２０の起伏効率Ｐｌ、及び／又はウインチ効率Ｐwを含む。また、作業条件は、作業領域Ｍの気温Ｔ、風速Ｗ、及び風向ＶXYZを含んでもよい。
【0033】
ここで、開始地点Ｐsは、搬送元の位置に関する情報の一例に該当し、吊荷２００を吊り上げることにより、運搬を開始する地点である。また、終了地点Ｐeは、搬送先の位置に関する情報の一例に該当し、吊荷２００を運搬後、その運搬を終了する地点である。一般には、地点の座標は、緯度経度座標系、平面直角座標系等で表されるが、開始地点Ｐs及び終了地点Ｐeの平面直角座標系のＸ値、Ｙ値、Ｚ値で表される。地点の座標は、グローバル座標であってもよいし、ローカル座標であってもよい。
【0034】
また、吊荷２００の荷重ｍrとは、吊荷の荷重に関する情報の一例に該当し、クレーン作業で運搬が予定されている吊荷２００の荷重に、ラフテレーンクレーン１００のフック、フックブロック等の吊り具の荷重を加えた総荷重を意味する。
【0035】
作業領域Ｍとは、作業領域に関する情報の一例に該当し、図４に示すように、開始地点Ｐs、終了地点Ｐeを含むクレーン作業が予定されている現場の、作業可能な領域のことである。換言すると、作業領域Ｍとは、現場内のラフテレーンクレーン１００が停車でき、かつアウトリガ１３０の張り出しをすることができる領域のことである。作業領域Ｍは、その外周上にある複数の地点の平面直角座標系のＸ値、Ｙ値で表される。
【0036】
旋回効率Ｐr、起伏効率Ｐｌ、及びウインチ効率Ｐwとは、移動式クレーンの動作効率に関する情報の一例に該当し、旋回体１１１、ブーム１２０、及びウインチ１１２の動力源に供給されたエネルギーに対する、旋回体１１１、ブーム１２０、及びウインチ１１２の各動作による仕事量のことである。
【0037】
気温Ｔとは、予定しているクレーン作業を行う日時の作業領域Ｍ内の気温のことである。気温Ｔは、作業現場で測定された平均気温又は、天気予報から得た作業領域Ｍの平均気温で表される。
【0038】
風速Ｗとは、風の強さ及び向きをベクトルで表したときのスカラー値のことである。風向ＶXYZとは、そのベクトルの単位ベクトルのことである。これら風速Ｗ及び風向ＶXYZは、作業現場で測定された、或いは天気予報から得た、１０分間の平均風速及び平均風向で表される。なお、風向ＶXYZは、上記平面直角座標系のＸ値及びＹ値で表される。
【0039】
入力部１０は、このようなデータセット１１が入力されると、そのデータセット１１を図２に示す決定部２０に送信する。
【0040】
決定部２０は、学習モデルを有し、学習モデルの出力に基づいて移動式クレーンの設置位置を決定する。入力部１０から受け取ったデータセット１１に基づいて走行体１１０の停車位置及びアウトリガ１３０の張出位置を決定するための情報を求めるニューラルネットワーク部２１と、ニューラルネットワーク部２１が求めた情報から走行体１１０の停車位置とアウトリガ１３０の張出位置を決定する演算部２２と、を有する。
【0041】
位置決定装置１は、図５に示すメモリ３１０、補助メモリ３３０及びＣＰＵ（Central Processing Unit）３２０を含むコンピュータを備える。ニューラルネットワーク部２１は、メモリ３１０に格納されたニューラルネットワークプログラム３１１をＣＰＵ３２０が実行することで実現されている。
【0042】
ニューラルネットワーク部２１は、学習モデルの一例に該当し、図６に示すように、ニューロンと呼ばれる複数のノード２１１を有する。それらノード２１１は、入力層２１２、隠れ層２１３及び、出力層２１４を形成している。そして、ノード２１１とノード２１１は結合している。学習モデルは、クレーン作業に関する少なくとも一つの評価関数を含む報酬関数に基づいて、作業条件に対する最適な移動式クレーンの設置位置に関する情報を出力するように学習するモデルである。
【0043】
なお、図６では、理解を容易にするため、ノード２１１を２つ有する出力層２１４を示しているが、出力層２１４のノード２１１は、走行体１１０を停車させる停車位置Ｐoの候補の数と４つのアウトリガ１３０それぞれを張り出す張出位置Ｒoの候補の数とをあわせた数だけ設けられている。
【0044】
ノード２１１間の結合強度には、重みθが付けられている。この重みθは、上述したニューラルネットワークプログラム３１１が、図５に示す補助メモリ３３０に格納されたパラメータデータベース２５を読み出すことにより、付けられている。これにより、図６に示すニューラルネットワーク部２１は、走行体１１０の停車位置Ｐoとアウトリガ１３０の張出位置Ｒoを決定する法則を学習した学習済みモデルを構築している。
【0045】
入力層２１２には、入力部１０から受け取ったデータセット１１が入力される。
【0046】
入力層２１２、隠れ層２１３、及び出力層２１４は、入力層２１２にデータセット１１が入力されると、上述した学習済みモデルは、走行体１１０の停車位置Ｐoとアウトリガ１３０の張出位置Ｒoを決定するための情報処理を行う。入力層２１２、隠れ層２１３及び出力層２１４は、後述するように、強化学習の行動価値関数Ｑを近似している。このため、出力層２１４には、行動価値関数Ｑの行動価値が出力される。
【0047】
詳細には、出力層２１４は、走行体１１０の停車位置Ｐoを特定の位置にしたときの行動価値を出力する。また、アウトリガ１３０の張出位置Ｒoを特定の位置にしたときの行動価値を出力する。
【0048】
ここで、走行体１１０の設置位置（停車位置Ｐo）とは、図１に示す旋回体１１１が有する旋回中心の位置のことである。
【0049】
また、アウトリガ１３０の設置位置（張出位置Ｒo）とは、図４に示す、４つのアウトリガ１３０を張り出したときの、アウトリガ１３０それぞれのフロート１３３の平面視中心の位置ｒ1、ｒ２、ｒ３、ｒ4のことである。張出位置Ｒ０は、絶対座標であってもよいし、走行体１１０の停車位置Ｐoを基準とした相対座標であっても良い。
【0050】
出力層２１４は、例えば、作業領域Ｍをマス目状の小領域に区切った場合、それら小領域それぞれに走行体１１０の停車位置Ｐoにしたときの行動価値を出力する。また、出力層２１４は、それら小領域それぞれにアウトリガ１３０を張り出したときの行動価値を出力する。出力層２１４の出力は、演算部２２に送信される。出力層２１４の出力である行動価値は、移動式クレーンの設置位置に関する情報の一例に該当する。又、出力層２１４の出力である行動価値は、アウトリガの設置位置に関する情報の一例に該当する。又、出力層２１４の出力のうち移動式クレーンの設置位置に関する最も価値が高い行動価値は、移動式クレーンの最適な設置位置に関する情報の一例に該当する。又、出力層２１４の出力のうちアウトリガの設置位置に関する最も価値が高い行動価値は、アウトリガの最適な設置位置に関する情報の一例に該当する。
【0051】
【0052】
演算部２２は、出力層２１４から受信した停車位置Ｐo及び張出位置Ｒoに関する行動価値のデータから、最も価値が高い停車位置Ｐo及び張出位置Ｒoを選択する。そして、演算部２２は、選択した停車位置Ｐo及び張出位置Ｒoを、走行体１１０の停車位置Ｐo及びアウトリガ１３０の張出位置Ｒoとする。これにより、演算部２２は、走行体１１０の停車位置Ｐo及びアウトリガ１３０の張出位置Ｒoを決定する。
【0053】
さらに、演算部２２は、オペレータがラフテレーンクレーン１００を操作しやすくするため、決定したアウトリガ１３０の張出位置Ｒoから、決定した停車位置Ｐoに対する走行体１１０の向きと、アウトリガ１３０の張出幅と、を算出する。演算部２２は、決定した走行体１１０の停車位置Ｐo、算出した走行体１１０の向き、及びアウトリガ１３０の張出幅のデータを出力部３０に送信する。
【0054】
出力部３０は、報知部の一例に該当し、液晶ディスプレイを備えている。出力部３０は、演算部２２から走行体１１０の停車位置Ｐo、走行体１１０の向き、及びアウトリガ１３０の張出幅を受信すると、液晶ディスプレイに、受信した走行体１１０の停車位置Ｐo、走行体１１０の向き、アウトリガ１３０の張出位置、及びアウトリガ１３０の張出幅を表示する。これにより、出力部３０は、ラフテレーンクレーン１００のオペレータに、望ましい走行体１１０の停車位置Ｐo、走行体１１０の向き、アウトリガ１３０の張出位置、及びアウトリガ１３０の張出幅を報知する。その結果、位置決定装置１では、オペレータが走行体１１０を適切な位置に停車させ、アウトリガ１３０を適切な張出幅だけ張り出すことができる。
【0055】
上述したように、決定部２０のニューラルネットワーク部２１は、ニューラルネットワークプログラム３１１が、パラメータデータベース２５に格納された重みθを読み出すことにより、走行体１１０の停車位置Ｐo及びアウトリガ１３０の張出位置Ｒoを決定する法則を学習した学習済みモデルを構築している。この学習済みモデルを作成するため、或いは、学習済みモデルによる停車位置Ｐo及び張出位置Ｒoの決定の精度を高めるため、位置決定装置１は、学習部４０を備えている。
【0056】
学習部４０は、位置決定装置１が備える図５に示すメモリ３１０に格納された学習プログラム３１２をＣＰＵ３２０が実行することで実現されている。
【0057】
学習部４０は、図２に示すニューラルネットワーク部２１を深層強化学習させて、走行体１１０の停車位置Ｐo及びアウトリガ１３０の張出位置Ｒoを決定する法則を学習した学習済みモデルを生成する。
【0058】
ここで、深層強化学習とは、Ｑラーニングと呼ばれる強化学習を、深層学習に組み合わせた学習のことである。ここで、強化学習は、時刻ｔの状態ｓｔで、取り得る行動ａｔを選択して、状態ｓｔ＋１となったときの報酬を報酬関数Ｒ（ｓｔ，ａｔ，ｓｔ＋１）、その行動の価値を行動価値関数Ｑ（ｓｔ，ａｔ）と定義する場合に、行動価値関数Ｑ（ｓｔ，ａｔ）を、報酬の累積値が最大となるように最適化する。一方、深層強化学習は、上述の強化学習の行動価値関数Ｑ（ｓｔ，ａｔ）を、深層学習を利用することにより、ニューラルネットワークで表すと共に、バックプロパゲーション、すなわち、誤差逆伝搬法によって最適化する学習手法である。なお、行動価値関数Ｑ（ｓｔ，ａｔ）は、以下、単に行動価値関数Ｑと称する。
【0059】
学習部４０について詳細に説明すると、学習部４０は、学習用データベース４５を読み出す。図５に示す補助メモリ３３０には、学習用データベース４５が格納されている。その学習用データベース４５には、ＢＩＭ（Building Information Modeling）データ、ラフテレーンクレーン１００の設計データ、及び気象データ等から作成され、データセット１１と同様に、開始地点Ｐs、終了地点Ｐeの座標、吊荷２００の荷重ｍr、作業領域Ｍ、ラフテレーンクレーン１００の動作効率（例えば、旋回効率Ｐr、起伏効率Ｐｌ、及びウインチ効率Ｐw）、気温Ｔ、風速Ｗ、及び風向ＶXYZのデータで構成された、図７に示すデータセット４６が複数組、記憶されている。学習部４０は、学習用データベース４５を読み出して、学習用データベース４５から複数組のデータセット４６をサンプリングする。
【0060】
学習部４０は、上述した状態ｓｔとして、サンプリングした複数組のデータセット４６それぞれを図６に示すニューラルネットワーク部２１の入力層２１２に入力する。
【0061】
これに対して、入力層２１２、隠れ層２１３、及び出力層２１４は、上述したように、行動価値関数Ｑとして、走行体１１０の停車位置Ｐo及びアウトリガ１３０の張出位置Ｒoを決定する行動の行動価値関数を、ニューラルネットワークの結合形式で表している。その結果、出力層２１４は、入力層２１２に入力されたデータセット４６それぞれについて、走行体１１０の停車位置Ｐoを特定の位置にしたときの行動価値とアウトリガ１３０の張出位置Ｒoを特定の位置にしたときの行動価値を出力する。
【0062】
学習部４０は、入力層２１２に入力されたデータセット４６の各データと、出力層２１４から出力された上記の行動価値のデータとを、以下に示す数式１－６で示される報酬関数Ｊ（・）に適用して報酬値を算出する。この報酬値の算出は、入力層２１２に入力されたデータセット４６それぞれについて行う。
【0063】
ここで、報酬関数Ｊ（・）とは、動作効率評価関数をＪ（Ｗｏｒｋ）、経路評価関数をＪ（Ｐａｔｈ）、領域評価関数をＪ（Ｐｏｓ）、及び安定評価関数をＪ（ＯＲ）としたときの、以下の数式１で表される関数のことである。動作効率評価関数Ｊ（Ｗｏｒｋ）、経路評価関数Ｊ（Ｐａｔｈ）、領域評価関数Ｊ（Ｐｏｓ）、及び安定評価関数Ｊ（ＯＲ）はそれぞれ、クレーン作業に関する評価関数の一例に該当する。報酬関数Ｊ（・）は、動作効率評価関数Ｊ（Ｗｏｒｋ）、経路評価関数Ｊ（Ｐａｔｈ）、領域評価関数Ｊ（Ｐｏｓ）、及び安定評価関数Ｊ（ＯＲ）のうち少なくとも一つの評価関数を含めばよい。
【0064】
【数1】
【0065】
動作効率評価関数Ｊ（Ｗｏｒｋ）は、移動式クレーンの動作効率を評価するための関数である。動作効率評価関数Ｊ（Ｗｏｒｋ）は、旋回効率をＰrとし、起伏効率をＰｌとし、ウインチ効率をＰwとし、風と気温による旋回効率Ｐr、起伏効率Ｐｌ、及びウインチ効率Ｐwへの影響を環境係数Ｋr、Ｋl、Ｋwとする場合に、以下の数式２で表される評価関数である。なお、本明細書では、動作効率評価関数Ｊ（Ｗｏｒｋ）のことをクレーン動作効率関数ともいう。
【0066】
【数2】
【0067】
なお、環境係数Ｋr、Ｋl、Ｋwは、風速Ｗ、風向ＶXYZ、気温Ｔの逆数に比例する。例えば、風がほぼ無風状態のとき、旋回及び起伏等への風の影響が小さいので、環境係数Ｋr、Ｋl、Ｋwは数値１である。
【0068】
経路評価関数Ｊ（Ｐａｔｈ）は、荷物の運搬経路を評価するための関数である。経路評価関数Ｊ（Ｐａｔｈ）とは、開始地点Ｐsから終了地点Ｐeへの吊荷２００を運搬するクレーン作業をするときの運搬経路を作業半径の変化率で評価する関数のことである。詳細には、経路評価関数Ｊ（Ｐａｔｈ）は、走行体１１０の停車位置Ｐoを中心点とし、かつ開始地点Ｐs又は終了地点Ｐeを通る円弧の、図４に示す弦長をａ、ｂ（但し、ａ≧ｂ）とする場合に、以下の数式３で表される。なお、本明細書では、経路評価関数Ｊ（Ｐａｔｈ）のことを、ブーム１２０の伸縮の効率を示すことから、ブーム伸縮効率関数ともいう。また、経路評価関数Ｊ（Ｐａｔｈ）と動作効率評価関数Ｊ（Ｗｏｒｋ）をあわせて、クレーンの動作効率関数ともいう。
【0069】
【数3】
【0070】
領域評価関数Ｊ（Ｐｏｓ）は、作業領域に対する移動式クレーンの設置位置の適正を評価するため関数である。領域評価関数Ｊ（Ｐｏｓ）とは、作業領域Ｍに対する走行体１１０の停車位置Ｐoの適否を示す、数式４で表される評価関数である。
【0071】
【数4】
【0072】
安定評価関数Ｊ（ＯＲ）は、アウトリガの張出状態を考慮した移動式クレーンの設置位置の適正を評価するための関数である。安定評価関数Ｊ（ＯＲ）とは、アウトリガ１３０の張出位置Ｒoでの最大作業半径をＲｗとし、かつクレーン作業時の姿勢で吊ることができる定格総荷重をｍとしたときの、以下の数式５で表される評価関数である。なお、本明細書では、張出位置Ｒoでの最大作業半径Ｒｗに対する停車位置Ｐoの適否を表す関数ともいう。
【0073】
【数5】
【0074】
学習部４０は、報酬関数Ｊ（・）から求めた報酬値を用いて、データセット４６それぞれについて、出力層２１４から出力されるべきターゲット値を算出する。例えば、行動価値関数Ｑの例で説明すると、学習部４０は、以下の数式６を用いて、ターゲット値を算出する。そして、学習部４０は、データセット４６それぞれについての、ターゲット値と出力層２１４の出力との誤差から、ノード２１１間の結合強度の重みθを更新する。このとき、学習部４０は、数式７に基づき、出力層２１４の重みθを更新する。さらに、誤差逆伝搬法によって、隠れ層２１３、入力層２１２の重みを更新する。これにより、学習部４０は、ニューラルネットワーク部２１を深層強化学習させる。
【0075】
【数6】
【0076】
【数7】
【0077】
ここで、数式６のｔはターゲット値、γは割引率である。数式７のαは、学習率である。Ｊ（・）は、数式１の報酬関数である。
【0078】
学習部４０は、学習用データベース４５から全てのデータセット４６のサンプリングが終わるまで、一連の処理を繰り返す。すなわち、学習用データベース４５からのデータセット４６のサンプリング、サンプリングしたデータセット４６の入力層２１２へ入力、報酬値及びターゲット値の算出、及び誤差によるノード２１１間の結合強度の重みθの更新からなる一連の動作を繰り返す。
【0079】
学習部４０は、全てのデータセット４６のサンプリングが終わると、深層強化学習を停止させる。これにより、上述した、走行体１１０の停車位置Ｐoとアウトリガ１３０の張出位置Ｒoを決定する法則を学習した学習済みモデルが生成される。学習部４０は、学習済みモデルが生成されると、ノード２１１間の結合強度の重みθをパラメータデータベース２５に格納する。
【0080】
位置決定装置１では、学習部４０が格納した重みθを、ニューラルネットワークプログラム３１１が読み出すことにより、ニューラルネットワーク部２１に、走行体１１０の停車位置Ｐo及びアウトリガ１３０の張出位置Ｒoを決定する法則を学習した学習済みモデルが構築される。この学習済みモデル（学習モデル）は、作業条件に対する最適な移動式クレーンの設置位置に関する情報を出力する機能を有する。その結果、決定部２０は、この学習済みモデルを用いて、入力部１０に入力されたデータセット１１から走行体１１０の停車位置Ｐo及びアウトリガ１３０の張出位置Ｒoを決定することができる。
【0081】
次に、図８及び図９を参照して、位置決定装置１が実施する位置決定処理について説明する。以下の説明では、位置決定装置１に図示しない電源ボタンが設けられ、その電源ボタンのオン、オフにより位置決定装置１に電源から電力が供給されるものとする。また、ラフテレーンクレーン１００のオペレータは、位置決定装置１の使用前に、補助メモリ３３０に学習用データベース４５を格納するか、或いは、パラメータデータベース２５を格納するものとする。
【0082】
【0083】
まず、ラフテレーンクレーン１００のオペレータは、位置決定装置１の電源ボタンを押して、位置決定装置１それ自体を起動させる。これにより、ＣＰＵ３２０によって位置決定プログラム３１３が実行される。その結果、位置決定処理のフローが開始される。
【0084】
位置決定処理のフローが開始されると、決定部２０は、まず、図８に示すように、補助メモリ３３０にパラメータデータベース２５が格納されているか否かを判定する（ステップＳ１）。
【0085】
決定部２０は、パラメータデータベース２５が格納されていないと判定した場合（ステップＳ１のＮｏ）、学習プログラム３１２を起動して、学習処理を実施する（ステップＳ２）。
【0086】
学習処理のフローが開始されると、決定部２０は、まず、図９に示すように、補助メモリ３３０に学習用データベース４５が格納されているか否かを判定する（ステップＳ２１）。
【0087】
学習用データベース４５が格納されていないと判定した場合（ステップＳ２１のＮｏ）、決定部２０は、学習処理を終了させ、出力部３０が備える液晶ディスプレイに、学習用データベース４５が存在しない旨のエラーを表示させる。
【0088】
一方、学習用データベース４５が格納されていると判定した場合（ステップＳ２１のＹｅｓ）、決定部２０は、学習用データベース４５から、複数のデータセット４６をサンプリングする（ステップＳ２２）。
【0089】
次に、決定部２０は、サンプリングしたデータセット４６をニューラルネットワーク部２１の入力層２１２に入力する（ステップＳ２３）。続いて、決定部２０は、報酬関数Ｊ（・）を用いて、ターゲット値を算出する（ステップＳ２４）。
【0090】
決定部２０は、算出したターゲット値から出力層２１４との誤差を算出し、ノード２１１間の結合強度の重みθを更新する（ステップＳ２５）。
【0091】
次に、決定部２０は、学習用データベース４５から、全てのデータセット４６がサンプリングされたか否かを判定する（ステップＳ２６）。
【0092】
決定部２０は、全てのデータセット４６がサンプリングされていないと判定した場合（ステップＳ２６のＮｏ）、ステップＳ２２に戻り、ニューラルネットワーク部２１の深層強化学習を続ける。
【0093】
一方、決定部２０は、全てのデータセット４６がサンプリングされていると判定した場合（ステップＳ２６のＹｅｓ）、パラメータデータベース２５にノード２１１間の結合強度の重みθを記憶させる（ステップＳ２７）。続いて、学習処理を終了させ、位置決定処理のフローに戻る。そして、位置決定処理のステップＳ３に進む。
【0094】
図８に示す位置決定処理のフローに戻って、ステップＳ１で、決定部２０は、学習処理を実施しない場合、すなわち、パラメータデータベース２５が格納されていると判定した場合（ステップＳ１のＹｅｓ）、出力部３０が備える液晶ディスプレイに、データセット１１を入力するための入力画面の画像を表示させる（ステップＳ３）。これにより、ラフテレーンクレーン１００のオペレータにデータセット１１の入力を促す。
【0095】
このとき、入力を容易にするため、予め補助メモリ３３０に地図データを格納しておき、その地図データに基づく地図画像を出力部３０の液晶ディスプレイに表示すると良い。そして、入力部１０が備えるキーパッドによって、データセット１１の作業領域Ｍを入力可能にすると良い。
【0096】
ラフテレーンクレーン１００のオペレータは、入力部１０のタッチパネルを用いて、データセット１１の各データを入力する。
【0097】
決定部２０は、入力画面の画像を出力部３０の液晶ディスプレイに表示させた後、入力部１０にデータセット１１が入力されたか否かを判定する（ステップＳ４）。
【0098】
決定部２０は、入力部１０にデータセット１１が入力されたと判定した場合（ステップＳ４のＹｅｓ）、ニューラルネットワークプログラム３１１を起動して、ニューラルネットワーク処理を実施する（ステップＳ５）。このとき、決定部２０は、パラメータデータベース２５からノード２１１間の結合強度の重みθを読み出して、走行体１１０の停車位置Ｐoとアウトリガ１３０の張出位置Ｒoを決定する法則を学習した学習済みモデルを構築する。
【0099】
一方、入力部１０にデータセット１１が入力されていないと判定した場合（ステップＳ４のＮｏ）、ステップＳ４に戻り、入力部１０にデータセット１１が入力されるまで待機する。
【0100】
ニューラルネットワーク処理が実施されると（ステップＳ５）、決定部２０は、ニューラルネットワーク部２１の入力層２１２にデータセット１１の各データを入力する。その結果、ニューラルネットワーク部２１の出力層２１４から、走行体１１０の停車位置Ｐoを特定の位置にしたときの行動価値、及び、アウトリガ１３０の張出位置Ｒoを特定の位置にしたときの行動価値が出力される。そして、その出力は、決定部２０が備える演算部２２に送信させる。
【0101】
演算部２２は、ニューラルネットワーク部２１の出力が送信されると、そのニューラルネットワーク部２１の出力に基づいて、走行体１１０の停車位置Ｐoとアウトリガ１３０の張出位置Ｒoを決定する（ステップＳ６）。詳細には、演算部２２は、ニューラルネットワーク部２１の出力層２１４が出力する行動価値のうち、最も高い行動価値を示す走行体１１０の停車位置Ｐoとアウトリガ１３０の張出位置Ｒoを選択する。これにより、演算部２２は、走行体１１０の停車位置Ｐoとアウトリガ１３０の張出位置Ｒoを決定する。
なお、本明細書では、ステップＳ５及びＳ６のことを決定ステップともいう。
なお、本明細書では、ステップＳ５及びＳ６のことを決定ステップともいう。
【0102】
次に、演算部２２は、決定したアウトリガ１３０の張出位置Ｒoから、決定した停車位置Ｐoに対する走行体１１０の向きと、アウトリガ１３０の張出幅と、を算出する（ステップＳ７）。
【0103】
続いて、演算部２２は、決定した走行体１１０の停車位置Ｐoと算出した走行体１１０の向き及びアウトリガ１３０の張出幅を出力部３０の液晶ディスプレイに表示させる（ステップＳ８）。これにより、ラフテレーンクレーン１００のオペレータは、走行体１１０を停車させる望ましい停車位置Ｐoとその向きを知ることができる。また、その停車位置Ｐoで、望ましい張出幅だけアウトリガ１３０を張り出すことができる。その結果、オペレータは、ラフテレーンクレーン１００をクレーン作業の効率が高い位置に停車させると共に、アウトリガ１３０をクレーン作業の効率が高い張出幅だけ張り出すことができる。
なお、本明細書では、ステップＳ８のことを出力ステップともいう。
なお、本明細書では、ステップＳ８のことを出力ステップともいう。
【0104】
以上のように、本実施の形態に係る位置決定装置１では、決定部２０が学習済みモデルを用いて、走行体１１０の停車位置Ｐoとアウトリガ１３０の張出位置Ｒoを決定するところ、学習済みモデルは、停車位置Ｐo及び張出位置Ｒoで、吊荷２００を開始地点Ｐsから終了地点Ｐeまで移動させるクレーン作業をしたときの、ラフテレーンクレーン１００の動作効率と、停車位置Ｐoの、開始地点Ｐs、終了地点Ｐe及び作業領域Ｍに対する適否と、から算出された報酬値に基づいて、データセット４６に対する走行体の停車位置Ｐoとアウトリガ１３０の張出位置Ｒoを深層強化学習することにより生成されている。
【0105】
このため、決定部２０は、クレーン作業の効率が高い、走行体１１０の停車位置Ｐoを決定することができる。また、クレーン作業の効率が高い、アウトリガの張出位置Ｒoを求めることができる。その結果、クレーン作業の効率が高い位置にラフテレーンクレーン１００を設置することができる。
【0106】
以上、本発明の実施の形態を説明したが、本発明は上記の実施の形態に限定されるものではない。例えば、上記の実施の形態では、位置決定装置１が学習部４０を備えている。しかし、本発明はこれに限定されない。位置決定装置１では、決定部２０が、実施の形態で説明した学習済みモデルを用いて、走行体１１０の停車位置Ｐo及びアウトリガ１３０の張出位置Ｒoを決定できれば良い。
【0107】
図１０は、他の実施の形態に係る位置決定装置２の機能ブロック図である。
【0108】
図１０に示すように、位置決定装置２は、実施の形態で説明した入力部１０、決定部２０及び出力部３０を備え、学習部４０を備えていない。図示しないが、決定部２０は、無線通信モジュールを有する。
【0109】
一方、学習部４０は、決定部２０の無線通信モジュールとネットワーク５０を経由して接続されたサーバー３に設けられている。そして、学習部４０は、無線通信モジュールを介して、決定部２０のニューラルネットワーク部２１を深層強化学習させて、実施の形態で説明した学習済みモデルを生成することが可能である。また、学習部４０は、学習済みモデルの生成後、無線通信モジュールを介して、ノード２１１間の結合強度の重みθをパラメータデータベース２５に格納することが可能である。
【0110】
このように、位置決定装置１、２は、学習部４０を備えなくてもよい。そして、位置決定装置１、２が学習部４０を備えない場合、パラメータデータベース２５に重みθが格納されていれば良い。
【0111】
上記の実施の形態では、決定部２０がニューラルネットワーク部２１を有している。しかし、本発明はこれに限定されない。決定部２０は、開始地点Ｐs、終了地点Ｐe、吊荷２００の荷重ｍr、作業領域Ｍ及び、動作効率のデータに対する走行体１１０の停車位置Ｐo及びアウトリガ１３０の張出位置Ｒoを強化学習することにより生成された学習済みモデルを用いて、停車位置Ｐo及び張出位置Ｒoを決定すれば良い。学習済みモデルは、強化学習することにより生成されていれば良いので、決定部２０がニューラルネットワーク部２１を有する必要はない。学習済みモデルは、深層強化学習のほか、Ｑラーニング、サルサ（Ｓａｒｓａ）、モンテカルロ法で強化学習されても良い。
【0112】
上記の実施の形態では、入力部１０に、作業領域Ｍの気温Ｔ、風速Ｗ、風向ＶXYZが入力され、さらに、学習部４０が、これら気温Ｔ、風速Ｗ、風向ＶXYZをニューラルネットワーク部２１の入力層２１２に入力して深層強化学習をしている。しかし、本発明はこれに限定されない。位置決定装置１、２では、気温Ｔ、風速Ｗ、風向ＶXYZのデータの有無は任意である。例えば、気温Ｔが常温で、風速Ｗが、ほぼ無風の結果、０．３ｍ／秒未満の場合、クレーン作業での旋回体１１１の旋回効率Ｐr、ブーム１２０の起伏効率Ｐｌ、ウインチ１１２のウインチ効率Ｐwにほとんど影響がない。このため、常温かつ無風であることを前提にして、学習部４０に学習済みモデルを生成させ、その学習済みモデルを用いて、決定部２０が停車位置Ｐoと張出位置Ｒoを決定しても良い。この場合、数式２の環境係数Ｋr、Ｋl、Ｋwを数値１に固定して、動作効率評価関数Ｊ（Ｗｏｒｋ）を求めると良い。
【0113】
なお、本明細書では、数式２の環境係数Ｋr、Ｋl、Ｋwを１の大きさの定数としたときの、動作効率評価関数Ｊ（Ｗｏｒｋ）のことを第一動作効率の関数、数式２の環境係数Ｋr、Ｋl、Ｋwが変数であるときの動作効率評価関数Ｊ（Ｗｏｒｋ）のことを第二動作効率の関数ともいう。
【0114】
上記の実施の形態では、位置決定装置１、２がラフテレーンクレーン１００に装備されているが、位置決定装置１、２は、走行体１１０とアウトリガ１３０を備える移動式クレーン全般に適用可能である。例えば、位置決定装置１、２は、オールテレーンクレーン、トラッククレーンにも適用可能である。
【0115】
２０２０年７月２７日出願の特願２０２０－１２６４８７の日本出願に含まれる明細書、図面、及び要約書の開示内容は、すべて本願に援用される。
【産業上の利用可能性】
【0116】
本発明に係る地切り制御装置は、ラフテレーンクレーンに限らず、種々の移動式クレーンに適用できる。
【符号の説明】
【0117】
１、２ 位置決定装置
３ サーバー
１０ 入力部
１１ データセット
２０ 決定部
２１ ニューラルネットワーク部
２２ 演算部
２５ パラメータデータベース
３０ 出力部
４０ 学習部
４５ 学習用データベース
４６ データセット
５０ ネットワーク
１００ ラフテレーンクレーン
１１０ 走行体
１１１ 旋回体
１１２ ウインチ
１２０ ブーム
１２１ ブームヘッド
１３０ アウトリガ
１３１ ビーム
１３２ ジャッキ
１３３ フロート
２００ 吊荷
２１１ ノード
２１２ 入力層
２１３ 隠れ層
２１４ 出力層
３１０ メモリ
３１１ ニューラルネットワークプログラム
３１２ 学習プログラム
３１３ 位置決定プログラム
３２０ ＣＰＵ
３３０ 補助メモリ
ａ、ｂ 弦長
Ｍ 作業領域
Ｔ 気温
Ｗ 風速
ＶXYZ 風向
ｒ1－ｒ4 位置
Ｐs 開始地点
Ｐe 終了地点
Ｐo 停車位置
Ｒo 張出位置
３ サーバー
１０ 入力部
１１ データセット
２０ 決定部
２１ ニューラルネットワーク部
２２ 演算部
２５ パラメータデータベース
３０ 出力部
４０ 学習部
４５ 学習用データベース
４６ データセット
５０ ネットワーク
１００ ラフテレーンクレーン
１１０ 走行体
１１１ 旋回体
１１２ ウインチ
１２０ ブーム
１２１ ブームヘッド
１３０ アウトリガ
１３１ ビーム
１３２ ジャッキ
１３３ フロート
２００ 吊荷
２１１ ノード
２１２ 入力層
２１３ 隠れ層
２１４ 出力層
３１０ メモリ
３１１ ニューラルネットワークプログラム
３１２ 学習プログラム
３１３ 位置決定プログラム
３２０ ＣＰＵ
３３０ 補助メモリ
ａ、ｂ 弦長
Ｍ 作業領域
Ｔ 気温
Ｗ 風速
ＶXYZ 風向
ｒ1－ｒ4 位置
Ｐs 開始地点
Ｐe 終了地点
Ｐo 停車位置
Ｒo 張出位置
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】