特許 7708487 情報生成装置、情報生成方法、コンピュータプログラム、及び、学習モデル

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B1)

(11)【特許番号】

(24)【登録日】2025-07-07

(45)【発行日】2025-07-15

(54)【発明の名称】情報生成装置、情報生成方法、コンピュータプログラム、及び、学習モデル

(51)【国際特許分類】

   G05B 19/05 20060101AFI20250708BHJP

   G05D 1/648 20240101ALI20250708BHJP

【ＦＩ】

G05B19/05 A

G05D1/648

【請求項の数】 18

(21)【出願番号】P 2025520727

(86)(22)【出願日】2025-04-02

(86)【国際出願番号】 JP2025013446

【審査請求日】2025-04-09

【早期審査対象出願】

(73)【特許権者】

【識別番号】521293800

【氏名又は名称】株式会社ＬｅｘｘＰｌｕｓｓ

(74)【代理人】

【識別番号】110002790

【氏名又は名称】Ｏｎｅ ｉｐ弁理士法人

(72)【発明者】

【氏名】阿蘓 将也

【審査官】田中 友章

(56)【参考文献】

【文献】特許第７５９５８１７（ＪＰ，Ｂ１）

【文献】中国特許出願公開第１１８２４６４７７（ＣＮ，Ａ）

【文献】米国特許出願公開第２０２４／０２４２０２９（ＵＳ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０５Ｂ １９／０５

Ｇ０５Ｄ １／６４８

(57)【特許請求の範囲】

【請求項1】

制御対象ロボットに実行させる動作内容を示すドキュメントデータを学習モデルに入力し、前記制御対象ロボットの制御に関する情報を示す制御関連情報を前記学習モデルに生成させる生成部と、
前記制御関連情報を記憶する記憶部と、を備え、
前記学習モデルは、学習データセットを学習することで構築されており、
前記学習データセットは、学習用ロボットに実行させる動作内容を示す学習用ドキュメントデータ、及び、前記学習用ロボットの制御に関する情報である学習用制御関連情報を含み、
前記学習用制御関連情報は、前記学習用ドキュメントデータに基づいて作成された前記学習用ロボットの制御情報、前記学習用ロボットの前記制御情報の変更履歴を示す情報、及び、前記変更履歴によって示される変更の理由に関する情報を含む、情報生成装置。

【請求項2】

前記学習用ロボットの前記制御情報は、作業者によって操作される入力装置を介して作成される制御情報を含む、請求項１に記載の情報生成装置。

【請求項3】

前記制御関連情報は、前記制御対象ロボットの制御情報を含む、請求項１又は請求項２に記載の情報生成装置。

【請求項4】

制御対象ロボットに実行させる動作内容を示すドキュメントデータを学習モデルに入力し、前記制御対象ロボットの制御に関する情報を示す制御関連情報を前記学習モデルに生成させる生成部と、
前記制御関連情報を記憶する記憶部と、を備え、
前記学習モデルは、学習データセットを学習することで構築されており、
前記学習データセットは、学習用ロボットに実行させる動作内容を示す学習用ドキュメントデータ、及び、前記学習用ロボットの制御に関する情報である学習用制御関連情報を含み、
前記学習用制御関連情報は、前記学習用ドキュメントデータに基づいて作成された前記学習用ロボットの制御情報を含み、
前記制御関連情報は、前記ドキュメントデータの不備の可能性を直接的又は間接的に示す情報を含む、情報生成装置。

【請求項5】

制御対象ロボットに実行させる動作内容を示すドキュメントデータを学習モデルに入力し、前記制御対象ロボットの制御に関する情報を示す制御関連情報を前記学習モデルに生成させる生成部と、
前記制御関連情報を記憶する記憶部と、を備え、
前記学習モデルは、学習データセットを学習することで構築されており、
前記学習データセットは、学習用ロボットに実行させる動作内容を示す学習用ドキュメントデータ、及び、前記学習用ロボットの制御に関する情報である学習用制御関連情報を含み、
前記学習用制御関連情報は、前記学習用ドキュメントデータに基づいて作成された前記学習用ロボットの制御情報を含み、
前記制御関連情報は、前記ドキュメントデータに不備が存在する可能性を示す情報、及び、前記ドキュメントデータの内容の変更が発生する可能性を示す情報のうちの少なくとも１つの情報を含む、情報生成装置。

【請求項6】

前記ドキュメントデータの内容に関連する参照用制御関連情報をデータベース装置から検索する検索部を更に備え、
前記参照用制御関連情報は、ロボットの制御に関する情報であり、
前記生成部は、前記ドキュメントデータ及び前記検索部による検索結果を前記学習モデルに入力し、前記制御関連情報を前記学習モデルに生成させる、請求項１又は請求項４に記載の情報生成装置。

【請求項7】

前記データベース装置は、前記ロボットの制御情報の変更履歴を示す情報を格納している、請求項６に記載の情報生成装置。

【請求項8】

前記制御関連情報は、前記制御対象ロボットの制御情報を含み、
前記学習モデルによって生成された前記制御対象ロボットの前記制御情報を、変更履歴を示す情報とともに前記データベース装置に格納することで、前記データベース装置を更新する更新部を更に備える、請求項７に記載の情報生成装置。

【請求項9】

前記学習モデルは、ロボットに関する業界標準情報又は法的規制情報を事前に学習している、請求項１又は請求項４に記載の情報生成装置。

【請求項10】

前記ドキュメントデータの内容に関連する業界標準情報又は法的規制情報をデータベース装置から検索する検索部を更に備え、
前記生成部は、前記ドキュメントデータ及び前記検索部による検索結果を前記学習モデルに入力し、前記制御関連情報を前記学習モデルに生成させる、請求項１又は請求項４に記載の情報生成装置。

【請求項11】

前記学習用ロボットは、無人搬送ロボットであり、
前記制御対象ロボットは、無人搬送ロボットである、請求項１又は請求項４に記載の情報生成装置。

【請求項12】

前記無人搬送ロボットは、前記無人搬送ロボットに配置された状態で駆動する作業ロボットを搬送する、請求項１１に記載の情報生成装置。

【請求項13】

制御対象ロボットに実行させる動作内容を示すドキュメントデータを学習モデルに入力し、前記制御対象ロボットの制御に関する情報を示す制御関連情報を前記学習モデルに生成させるステップと、
前記制御関連情報を取得するステップと、を含み、
前記学習モデルは、学習データセットを学習することで構築されており、
前記学習データセットは、学習用ロボットに実行させる動作内容を示す学習用ドキュメントデータ、及び、前記学習用ロボットの制御に関する情報である学習用制御関連情報を含み、
前記学習用制御関連情報は、前記学習用ドキュメントデータに基づいて作成された前記学習用ロボットの制御情報、前記学習用ロボットの前記制御情報の変更履歴を示す情報、及び、前記変更履歴によって示される変更の理由に関する情報を含む、情報生成方法。

【請求項14】

コンピュータに、
制御対象ロボットに実行させる動作内容を示すドキュメントデータを学習モデルに入力し、前記制御対象ロボットの制御に関する情報を示す制御関連情報を前記学習モデルに生成させるステップと、
前記制御関連情報を取得するステップと、を実行させ、
前記学習モデルは、学習データセットを学習することで構築されており、
前記学習データセットは、学習用ロボットに実行させる動作内容を示す学習用ドキュメントデータ、及び、前記学習用ロボットの制御に関する情報である学習用制御関連情報を含み、
前記学習用制御関連情報は、前記学習用ドキュメントデータに基づいて作成された前記学習用ロボットの制御情報、前記学習用ロボットの前記制御情報の変更履歴を示す情報、及び、前記変更履歴によって示される変更の理由に関する情報を含む、コンピュータプログラム。

【請求項15】

制御対象ロボットに実行させる動作内容を示すドキュメントデータを学習モデルに入力し、前記制御対象ロボットの制御に関する情報を示す制御関連情報を前記学習モデルに生成させるステップと、
前記制御関連情報を取得するステップと、を含み、
前記学習モデルは、学習データセットを学習することで構築されており、
前記学習データセットは、学習用ロボットに実行させる動作内容を示す学習用ドキュメントデータ、及び、前記学習用ロボットの制御に関する情報である学習用制御関連情報を含み、
前記学習用制御関連情報は、前記学習用ドキュメントデータに基づいて作成された前記学習用ロボットの制御情報を含み、
前記制御関連情報は、前記ドキュメントデータの不備の可能性を直接的又は間接的に示す情報を含む、情報生成方法。

【請求項16】

コンピュータに、
制御対象ロボットに実行させる動作内容を示すドキュメントデータを学習モデルに入力し、前記制御対象ロボットの制御に関する情報を示す制御関連情報を前記学習モデルに生成させるステップと、
前記制御関連情報を取得するステップと、を実行させ、
前記学習モデルは、学習データセットを学習することで構築されており、
前記学習データセットは、学習用ロボットに実行させる動作内容を示す学習用ドキュメントデータ、及び、前記学習用ロボットの制御に関する情報である学習用制御関連情報を含み、
前記学習用制御関連情報は、前記学習用ドキュメントデータに基づいて作成された前記学習用ロボットの制御情報を含み、
前記制御関連情報は、前記ドキュメントデータの不備の可能性を直接的又は間接的に示す情報を含む、コンピュータプログラム。

【請求項17】

制御対象ロボットに実行させる動作内容を示すドキュメントデータを学習モデルに入力し、前記制御対象ロボットの制御に関する情報を示す制御関連情報を前記学習モデルに生成させるステップと、
前記制御関連情報を取得するステップと、を含み、
前記学習モデルは、学習データセットを学習することで構築されており、
前記学習データセットは、学習用ロボットに実行させる動作内容を示す学習用ドキュメントデータ、及び、前記学習用ロボットの制御に関する情報である学習用制御関連情報を含み、
前記学習用制御関連情報は、前記学習用ドキュメントデータに基づいて作成された前記学習用ロボットの制御情報を含み、
前記制御関連情報は、前記ドキュメントデータに不備が存在する可能性を示す情報、及び、前記ドキュメントデータの内容の変更が発生する可能性を示す情報のうちの少なくとも１つの情報を含む、情報生成方法。

【請求項18】

コンピュータに、
制御対象ロボットに実行させる動作内容を示すドキュメントデータを学習モデルに入力し、前記制御対象ロボットの制御に関する情報を示す制御関連情報を前記学習モデルに生成させるステップと、
前記制御関連情報を取得するステップと、を実行させ、
前記学習モデルは、学習データセットを学習することで構築されており、
前記学習データセットは、学習用ロボットに実行させる動作内容を示す学習用ドキュメントデータ、及び、前記学習用ロボットの制御に関する情報である学習用制御関連情報を含み、
前記学習用制御関連情報は、前記学習用ドキュメントデータに基づいて作成された前記学習用ロボットの制御情報を含み、
前記制御関連情報は、前記ドキュメントデータに不備が存在する可能性を示す情報、及び、前記ドキュメントデータの内容の変更が発生する可能性を示す情報のうちの少なくとも１つの情報を含む、コンピュータプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、情報生成装置、情報生成方法、コンピュータプログラム、及び、学習モデルに関する。

【背景技術】

【0002】

近年、工場及び倉庫内などの施設内における荷物の運搬に自律走行可能な無人搬送車を活用することが実用化されている。施設内に敷設された所定のレール軌道に沿って、無人搬送車を所定の目的位置まで走行させる誘導方式の制御技術が例えば特許文献１などに開示されている。また、自己位置推定と環境地図作成により目的地まで走行制御を行う自律走行方式の技術が例えば特許文献２などに記載されている。

【先行技術文献】

【特許文献】

【0003】

【文献】特開平１１－３０５８３７号公報

【文献】特開２０１２－０９３８１１号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、特許文献１に記載された無人搬送車を制御するためには、要求仕様に基づいて人によって無人搬送車の制御情報を作成する必要がある。従って、制御情報の作成者には、例えば、多大な労力、豊富な経験、及び、蓄積された知識が要求される。この点は、無人搬送車に限られず、その他のロボットの制御情報を作成する際も同様である。また、この点は、ロボットの制御情報に限られず、ロボットの要求仕様を作成する際も同様である。

【0005】

そこで、本開示は上記の問題点に鑑みてなされたものであり、その目的は、制御対象ロボットの制御に関する情報である制御関連情報を容易に生成できる情報生成装置、情報生成方法、コンピュータプログラム、及び、学習モデルを提供することである。

【課題を解決するための手段】

【0006】

本開示によれば、制御対象ロボットに実行させる動作内容を示すドキュメントデータを学習モデルに入力し、前記制御対象ロボットの制御に関する情報を示す制御関連情報を前記学習モデルに生成させる生成部と、前記制御関連情報を記憶する記憶部と、を備え、前記学習モデルは、学習データセットを学習することで構築されており、前記学習データセットは、学習用ロボットに実行させる動作内容を示す学習用ドキュメントデータ、及び、前記学習用ロボットの制御に関する情報である学習用制御関連情報を含み、前記学習用制御関連情報は、前記学習用ドキュメントデータに基づいて作成された前記学習用ロボットの制御情報を含む、情報生成装置が提供される。

【0007】

本開示によれば、制御対象ロボットに実行させる動作内容を示すドキュメントデータを学習モデルに入力し、前記制御対象ロボットの制御に関する情報を示す制御関連情報を前記学習モデルに生成させるステップと、前記制御関連情報を取得するステップと、を含み、前記学習モデルは、学習データセットを学習することで構築されており、前記学習データセットは、学習用ロボットに実行させる動作内容を示す学習用ドキュメントデータ、及び、前記学習用ロボットの制御に関する情報である学習用制御関連情報を含み、前記学習用制御関連情報は、前記学習用ドキュメントデータに基づいて作成された前記学習用ロボットの制御情報を含む、情報生成方法が提供される。

【0008】

本開示によれば、コンピュータに、制御対象ロボットに実行させる動作内容を示すドキュメントデータを学習モデルに入力し、前記制御対象ロボットの制御に関する情報を示す制御関連情報を前記学習モデルに生成させるステップと、前記制御関連情報を取得するステップと、を実行させ、前記学習モデルは、学習データセットを学習することで構築されており、前記学習データセットは、学習用ロボットに実行させる動作内容を示す学習用ドキュメントデータ、及び、前記学習用ロボットの制御に関する情報である学習用制御関連情報を含み、前記学習用制御関連情報は、前記学習用ドキュメントデータに基づいて作成された前記学習用ロボットの制御情報を含む、コンピュータプログラムが提供される。

【0009】

本開示によれば、学習データセットを学習することで構築され、制御対象ロボットの制御に関する情報を示す制御関連情報を生成するように、コンピュータを機能させる学習モデルであって、前記制御対象ロボットに実行させる動作内容を示すドキュメントデータを入力して、前記制御関連情報を生成するように、前記コンピュータを機能させ、前記学習データセットは、学習用ロボットに実行させる動作内容を示す学習用ドキュメントデータ、及び、前記学習用ロボットの制御に関する情報である学習用制御関連情報を含み、前記学習用制御関連情報は、前記学習用ドキュメントデータに基づいて作成された前記学習用ロボットの制御情報を含む、学習モデルが提供される。

【発明の効果】

【0010】

本開示によれば、制御対象ロボットの制御に関する情報である制御関連情報を容易に生成できる情報生成装置、情報生成方法、コンピュータプログラム、及び、学習モデルを提供することができる。

【図面の簡単な説明】

【0011】

【図1】本開示の実施形態１に係るロボットシステムの構成例を示すブロック図である。

【図2】実施形態１に係る学習装置の構成例を示すブロック図である。

【図3】実施形態１に係る学習装置の動作の一例を説明するための図である。

【図4】実施形態１に係る学習方法の一例を示すフローチャートである。

【図5】実施形態１に係る情報生成装置の構成例を示すブロック図である。

【図6】実施形態１に係る情報生成装置の動作の一例を説明するための図である。

【図7】実施形態１に係る情報生成方法の一例を示すフローチャートである。

【図8】本開示の実施形態２に係る学習装置の動作の一例を説明するための図である。

【図9】実施形態２に係る情報生成装置の動作の一例を説明するための図である。

【図10】本開示の実施形態３に係る情報生成装置の動作の一例を説明するための図である。

【図11】実施形態３に係る情報生成方法の一例を示すフローチャートである。

【図12】本開示の実施形態４に係る情報生成装置の動作の一例を説明するための図である。

【図13】実施形態４に係る情報生成方法の一例を示すフローチャートである。

【図14】本開示の実施形態５に係る学習装置の動作の一例を説明するための図である。

【図15】実施形態５に係る学習方法の一例を示すフローチャートである。

【図16】本開示の実施形態６に係る情報生成装置の動作の一例を説明するための図である。

【図17】実施形態６に係る情報生成方法の一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】

【0012】

以下に添付図面を参照しながら、本開示の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。また、図中、データベースを「ＤＢ」と表記する場合がある。

【0013】

（実施形態１）
図１～図７を参照して、本開示の実施形態１に係るロボットシステムＳＹＳを説明する。図１は、ロボットシステムＳＹＳの構成例を示すブロック図である。図１に示すように、ロボットシステムＳＹＳは、学習装置１００と、生成ＡＩ（Artificial Intelligence）装置２００と、情報生成装置３００と、ロボット管理装置４００と、少なくとも１つのロボットＲＢと、少なくとも１つのドキュメントデータベース装置５００と、少なくとも１つの制御データベース装置６００と、を備える。ロボットシステムＳＹＳは、少なくとも１つの環境データベース装置７００を備えていてもよい。

【0014】

ドキュメントデータベース装置５００は、少なくとも１つのドキュメントデータベース５０１を含む。ドキュメントデータベース５０１は、ドキュメントデータ５０２を格納する。ドキュメントデータ５０２は、ロボットＲＢに実行させる動作内容を示す。ドキュメントデータベース５０１は、異なる複数のドキュメントデータ５０２を格納していてもよい。また、ドキュメントデータベース装置５００は、異なる複数のドキュメントデータベース５０１を含んでいてもよい。例えば、ドキュメントデータベース５０１は、ロボットＲＢ１に対するドキュメントデータ５０２を格納し、別のドキュメントデータベース５０１は、ロボットＲＢ２に対するドキュメントデータ５０２を格納する。

【0015】

ドキュメントデータ５０２は、例えば、テキスト、画像、及び、線図（例えば、ＣＡＤ図）のうちの１以上の種類のデータを含む。つまり、ドキュメントデータ５０２は、一種類のデータ形式のデータを含んでいてもよいし、複数種類のデータ形式のデータを含んでいてもよい。

【0016】

ドキュメントデータ５０２は、例えば、ロボットＲＢの仕様書を示すデータである。仕様書は、例えば、ロボットＲＢの要件仕様書及び／又は要求定義書である。換言すれば、ドキュメントデータ５０２は、ロボットＲＢに対する要求仕様を示すデータである。

【0017】

具体的には、ドキュメントデータ５０２は、ロボットＲＢに対する作業要件を含む。作業要件は、ロボットＲＢに実行させる作業内容に関する要件である。作業要件は、例えば、作業プロセス定義、作業対象、作業内容、作業環境条件、並びに、作業タイミングのうちの１以上の情報を含む。

【0018】

作業プロセス定義は、例えば、対象作業プロセスの定義（例えば、部品供給工程）、対象設備及びライン情報（例えば、製造ライン１、２、３）、業務フロー（例えば、業務シーケンスを含む）、並びに、異常時対応フローのうちの１以上の情報を含む。

【0019】

作業対象は、例えば、対象物（ワーク）の種類、形状及びサイズ（例えば、部品の種類）、対象物の物理特性（例えば、重量、材質、又は、柔軟性）、対象物の姿勢及び状態（例えば、向き又は配置状態）、並びに、取り扱い注意事項のうちの１以上を含む。

【0020】

作業内容は、例えば、具体的な作業手順（例えば、ピッキング、搬送、又は供給）、作業地点情報（例えば、部品供給口の位置）、タスク遂行能力要件（例えば、スループット又はサイクルタイム）、同時実行可能タスク数、並びに、作業の自律性レベル要件（例えば、完全手動制御、半自律制御、又は、完全自律制御）のうちの１以上の情報を含む。作業の自律性レベル要件は、ロボットＲＢによる作業の自動化の度合いのレベルを示す。

【0021】

作業環境条件は、例えば、工程レイアウト情報（例えば、各ラインの部品供給口の数と位置）、作業スペース制約、他設備との位置関係、並びに、作業経路上の障害物のうちの１以上の情報を含む。

【0022】

作業タイミング及び同期は、例えば、作業順序及び優先度ルール、他工程との同期条件、タクトタイム要件、作業サイクル及びタイミング、並びに、タスク切替時間要件のうちの１以上の情報を含む。

【0023】

ドキュメントデータ５０２は、ロボットＲＢの機能要件を含んでいてもよい。機能要件は、ロボットＲＢ自体の能力に関する要件である。機能要件は、基本機能、センシング及び認識能力、並びに、インタラクションのうちの１以上の情報を含む。

【0024】

基本機能は、例えば、動作範囲及び自由度、可搬重量及び最大荷重、移動速度及び加速度、最大移動速度、停止精度、位置決め精度及び繰り返し精度、エンドエフェクタの種類及び機能、並びに、電源性能のうちの１以上の情報を含む。電源性能は、例えば、バッテリの稼働時間、バッテリの充電時間、及び、バッテリ交換情報のうちの１以上を含む。

【0025】

センシング及び認識能力は、例えば、搭載センサ種類（例えば、カメラ、ＬｉＤＡＲ、又は、力覚センサ）、対象物認識能力、環境認識能力、自己位置推定精度、障害物検知能力及び検知距離、並びに、センサフュージョン機能のうちの１以上の情報を含む。

【0026】

移動及びナビゲーションは、移動方式（例えば、車輪、クローラ、又は脚）、ナビゲーション方式、経路計画アルゴリズム、マッピング能力、狭路通過能力、並びに、段差及び傾斜対応能力のうちの１以上の情報を含む。

【0027】

インタラクションは、ヒューマンインタフェース種類、音声認識及び発話能力、ジェスチャー認識及び表示能力、遠隔操作インタフェース、ティーチング方式、並びに、フィードバック提示機能のうちの１以上を含む。

【0028】

ドキュメントデータ５０２は、ロボットＲＢの非機能要件を含んでいてもよい。非機能要件は、ロボットＲＢの機能要件以外の特性又は性質を表す要件である。つまり、非機能要件は、品質属性に関する要件である。非機能要件は、例えば、安全性、信頼性及び堅牢性、保守性、通信及び連携、並びに、パフォーマンスのうちの１以上の情報を含む。

【0029】

安全性は、例えば、安全機能及び停止機能、リスクアセスメント結果、安全規格適合性（例えば、ＩＳＯ １０２１８、ＩＳＯ／ＴＳ １５０６６）、フェイルセーフ機構、衝突検知及び回避能力、並びに、電気安全性のうちの１以上の情報を含む。リスクアセスメントは、例えば、安全規格（例えば、ＩＳＯ １０２１８、又は、ＩＳＯ １２１００）に基づいて実施される。

【0030】

信頼性及び堅牢性は、例えば、平均故障間隔、可用性（アップタイム率）、故障検知機能、エラー回復能力、環境耐性（例えば、温度、湿度、又は、粉塵）、並びに、耐久性（例えば、動作寿命又は部品寿命）のうちの１以上の情報を含む。

【0031】

保守性は、例えば、メンテナンス周期、部品交換容易性、自己診断機能、リモートメンテナンス機能、ソフトウェア更新方法、並びに、バックアップ及びリストア機能のうちの１以上の情報を含む。

【0032】

通信及び連携は、例えば、通信インタフェース（有線又は無線）、通信プロトコル、帯域要件、他システムとの連携機能、クラウド連携機能、並びに、データ送受信形式のうちの１以上の情報を含む。通信プロトコルとは、ロボットＲＢが他の機器又はシステムと通信するために対応している通信規格又は通信方式のことである。通信プロトコルは、例えば、産業通信プロトコルである。産業通信プロトコルは、例えば、EtherCAT、FL-net、EtherNet/IP、PROFINET、POWERLINK、SERCOS III、CC-LINK、又は、Modbus TCPである。

【0033】

パフォーマンスは、例えば、処理能力及び演算性能、レスポンス時間、リアルタイム性、資源効率（例えば、電力又は計算リソース）、スケーラビリティ、又は、最適化能力のうちの１以上の情報を含む。

【0034】

ドキュメントデータ５０２は、ロボットＲＢのシステム実装要件を含んでいてもよい。システム実装要件は、ロボットＲＢの構成及び実装に関する要件である。システム実装要件は、例えば、ハードウェア仕様、ソフトウェアアーキテクチャ、及び、物理的特性のうちの１以上の情報を含む。

【0035】

ハードウェア仕様は、例えば、プロセッサ種類及び性能、メモリ容量及び種類、ストレージ容量及び種類、電源仕様（例えば、電圧又は消費電力）、バッテリ容量及び種類、並びに、冷却システムのうちの１以上の情報を含む。

【0036】

ソフトウェアアーキテクチャは、例えば、オペレーティングシステム、ミドルウェア要件、制御アルゴリズム、データ処理パイプライン、ＡＩモデル及び機械学習手法、並びに、ソフトウェアモジュール構成のうちの１以上の情報を含む。

【0037】

物理的特性は、例えば、寸法及びサイズ、重量、形状及び外観、設置面積及び接地圧、材質及び表面仕上げ、並びに、外観情報のうちの１以上の情報を含む。

【0038】

ドキュメントデータ５０２は、ロボットＲＢの運用要件を含んでいてもよい。運用要件は、ロボットＲＢの導入、運用及び管理に関する要件である。運用要件は、例えば、設置及び導入、運用管理、拡張性及びカスタマイズ性、コンプライアンス、並びに、環境適応性のうちの１以上の情報を含む。

【0039】

設置及び導入は、設置条件及び設置方法、初期設定手順、キャリブレーション方法、試運転手順、トレーニング要件、並びに、施工条件のうちの１以上の情報を含む。

【0040】

運用管理は、例えば、運用監視機能、フリートマネジメント機能、ユーザ管理及び権限設定、スケジューリング機能、稼働分析及びレポート機能、並びに、オペレーション支援機能のうちの１以上の情報を含む。フリートマネジメント機能は、複数のロボットＲＢを統合的に管理及び制御する機能を示す。具体的には、フリートマネジメント機能は、複数のロボットＲＢの稼働状況監視、作業割り当て、経路計画の最適化、バッテリ管理、及び／又は、メンテナンス計画を一元的に行う仕組みを示す。

【0041】

拡張性及びカスタマイズ性は、例えば、拡張方法、拡張モジュール対応、ＡＰＩ（Application Programming Interface）サポート、カスタマイズ可能パラメータ、外部連携機能、及び、アップグレードパスのうちの１以上の情報を含む。拡張方法は、例えば、ある設備に導入するロボットＲＢを他の設備に導入する際の拡張方法である。拡張モジュール対応は、例えば、追加機能モジュールの接続及び制御に関する構成及び情報を示す。ＡＰＩサポートは、ロボットＲＢが外部システム（例えば、ロボット管理装置４００、産業用機器ＥＱ又は管理システムＭＧ）と連携する際に提供されるＡＰＩの情報を示す。外部連携機能は、ロボットＲＢが製造元又は開発元以外の第三者が製造又は開発した外部装置と連携又は統合する機能である。外部装置は、例えば、産業用機器ＥＱである。

【0042】

コンプライアンスは、例えば、適合法規制、認証要件（例えば、ＣＥ又はＵＬ）、個人情報保護対応、セキュリティ対応、環境規制対応、及び、業界標準対応のうちの１以上の情報を含む。認証要件は、ロボットＲＢが各国又は地域の規制又は標準に準拠していることを証明するために取得すべき認証に関する要件を示す。セキュリティ対応は、ロボットＲＢがサイバー攻撃又は不正アクセスから守られるように設計及び運用するための対応を示す。例えば、セキュリティ対応は、通信の暗号化、制御情報の暗号化、制御情報の難読化、アクセス制御、脆弱性対策、ログ管理、並びに、マルウェア対策のうちの１以上の対応を含む。環境規制対応は、ロボットＲＢが従うべき環境規制に関する対応を示す。業界標準対応は、ロボットＲＢが従うべき業界標準に関する対応を示す。業界標準は、例えば、安全規格又は通信規格などの規格である。環境規制に関する情報及び業界標準に関する情報は、ロボットＲＢの環境に関する情報である。

【0043】

環境適応性は、例えば、対応可能環境条件（室内又は屋外）、照明条件対応範囲、防塵及び防水性能、温度及び湿度動作範囲、電磁両立性（EMC：Electromagnetic Compatibility）、及び、騒音レベルのうちの１以上の情報を含む。

【0044】

制御データベース装置６００は、少なくとも１つの制御データベース６０１を含む。制御データベース６０１は、制御関連情報６０２を格納する。制御関連情報６０２は、ロボットＲＢの制御に関する情報を示す。制御関連情報６０２は、対応するドキュメントデータ５０２に基づいて作成されたロボットＲＢの制御情報６０３を含む。制御データベース装置６００とドキュメントデータベース装置５００とにおいて、制御関連情報６０２と、対応するドキュメントデータ５０２とは、互いに関連付けられている。制御関連情報６０２は、典型的には、テキスト形式で示される。なお、制御関連情報６０２は、例えば、バイナリ形式又は専用形式であってもよい。専用形式は、業界、会社、団体、又は、システムによって定められる形式である。

【0045】

制御データベース６０１は、異なる複数の制御関連情報６０２を格納していてもよい。また、制御データベース装置６００は、異なる複数の制御データベース６０１を含んでいてもよい。例えば、制御データベース６０１は、ロボットＲＢ１に対する制御関連情報６０２を格納し、別の制御データベース６０１は、ロボットＲＢ２に対する制御関連情報６０２を格納する。

【0046】

ロボットＲＢの制御情報６０３は、典型的には、ドキュメントデータ５０２に基づいて作成される制御設定ファイルを含む。制御設定ファイルは、ロボットＲＢが特定の作業を実行するために必要な具体的なパラメータと動作シーケンスとを定義する情報を含む。制御設定ファイルは、例えば、テキスト形式の構造化記述言語で記述された構造化データである。構造化記述言語は、例えば、ＹＡＭＬ、ＴＯＭＬ、又は、ＪＳＯＮである。構造化記述言語は人間が可読できる言語である。ロボットＲＢのプロセッサは、制御設定ファイルを制御プログラムによって解析（パース）し、解析結果を動作実行時に処理することで、制御設定ファイルに従った動作を実行する。なお、制御設定ファイルは、例えば、機械語にコンパイルされた後にロボットＲＢのプロセッサによって処理されてもよい。

【0047】

制御情報６０３は、ドキュメントデータ５０２に基づいて作成されるため、制御情報６０３は、ドキュメントデータ５０２を構成する各情報に応じた内容の情報を含む。

【0048】

制御情報６０３は、環境定義情報、動作パラメータ情報、タスク定義情報、安全設定情報、連携設定情報、及び、運用管理情報のうちの１以上の情報を含む。具体的には、制御情報６０３は、環境定義情報、動作パラメータ情報、及び、タスク定義情報を含むことが好ましい。制御情報６０３は、安全設定情報、連携設定情報、及び、運用管理情報のうちの１以上の情報を更に含むことが好ましい。

【0049】

環境定義情報は、ロボットＲＢが動作する物理的空間又は仮想的空間に関する情報である。環境定義情報は、例えば、作業空間情報、基準点情報、動作可能範囲情報、動作禁止領域情報、及び、環境状態情報のうちの１以上の情報を含む。作業空間情報は、作業空間の地図情報及び座標系情報のうちの１以上の情報を含む。基準点情報は、例えば、キャリブレーションの基準点、座標系の原点、ロボットＲＢによる位置認識の基準点、又は、作業座標の基準点である。環境状態情報は、ロボットＲＢが作業又は移動を行う空間に関する構成又は状態を示す。

【0050】

動作パラメータ情報は、ロボットＲＢの物理的挙動を制御する技術的パラメータ群である。動作パラメータ情報は、例えば、動作定義情報（例えば、速度、加速度、又は、トルク）、力制限プロファイル、位置決め精度、センサフィードバック設定、制御ゲイン、及び、ダンピング係数のうちの１以上の情報を含む。

【0051】

タスク定義情報は、ロボットＲＢが実行すべき作業内容に関する定義を示す。タスク定義情報は、例えば、動作プログラム、動作シーケンス定義、条件判断、例外処理ロジック、タスク優先度、インターロック条件、作業完了判定基準、及び、品質閾値のうちの１以上の情報を含む。

【0052】

安全設定情報は、ロボットＲＢの動作時の安全性確保のための情報である。安全設定情報は、例えば、衝突検知センサのパラメータ（例えば、感度、検知範囲、又は、反応閾値）、回避行動時の動作パラメータ、安全監視領域、制限値定義、非常停止条件、フェールセーフモード設定、人間協働時の速度、及び、力制限値のうちの１以上の情報を含む。

【0053】

連携設定情報は、ロボットＲＢが外部装置（例えば、ロボット管理装置４００、管理システムＭＧ、又は、産業用機器ＥＱ）と連携する際に要求される情報である。連携設定情報は、例えば、外部装置との通信方法、外部装置との接続時の認証情報、セキュリティ情報、データフォーマット、メッセージ構造定義、通信タイミング、及び、同期パラメータのうちの１以上の情報を含む。通信方法は、例えば、通信プロトコル（例えば、産業通信プロトコル）、ＡＰＩ設定情報、及び、ＵＲＬのうちの１以上の情報を含む。ＡＰＩ設定情報は、外部装置と連携するためのＡＰＩを利用するための情報であり、例えば、ＡＰＩエンドポイントのＵＲＬ及びＡＰＩキーである。

【0054】

運用管理情報は、ロボットＲＢ単体又は複数のロボットＲＢの特定業務における効率的な運用を実現するための情報である。運用管理情報は、例えば、ロボットＲＢ単体または複数のロボットＲＢの動作優先順位、スケジューリング、リソース管理、エラー処理、及び、パフォーマンス評価のうちの１以上の情報を含む。

【0055】

環境データベース装置７００については、後述の実施形態４、５において説明する。

【0056】

学習装置１００は、未学習又は事前学習済みの学習モデルＴＭＢに学習データセット（以下、「学習データセットＴＤ」）を学習させることで、学習モデルＴＭを構築する。学習モデルＴＭは、学習済みモデルである。学習モデルＴＭ、ＴＭＢは、コンピュータプログラムである。また、学習装置１００は、学習モデルＴＭに学習データセットＴＤを再学習させることで、学習モデルＴＭのパラメータを更新してもよい。

【0057】

本明細書において、「学習」は、例えば、「機械学習」を示す。

【0058】

学習データセットＴＤは、学習用のロボットに実行させる動作内容を示す学習用のドキュメントデータ５０２、及び、学習用のロボットの制御に関する情報である学習用の制御関連情報６０２を含む。学習用のロボットは、本開示の「学習用ロボット」の一例に相当する。学習用の制御関連情報６０２は、本開示の「学習用制御関連情報」の一例に相当する。

【0059】

本明細書において、学習用のロボットは、例えば、学習データセットＴＤを取得するためにだけに稼働するロボットであってもよいし、実際の作業目的のために現場で稼働するロボットであってもよい。学習用のドキュメントデータ５０２及び制御関連情報６０２は、学習データセット専用として取得されたドキュメントデータ及び制御関連情報であってもよいし、実際の作業目的のために現場で稼働するロボットに対するドキュメントデータ及び制御関連情報であってもよい。学習用のドキュメントデータ５０２は、本開示の「学習用ドキュメントデータ」の一例に相当する。

【0060】

生成ＡＩ装置２００は、学習装置１００によって生成された学習モデルＴＭを記憶する。生成ＡＩ装置２００は、例えば、サーバである。

【0061】

情報生成装置３００は、制御対象のロボットＲＢに実行させる動作内容を示すドキュメントデータ５０２を学習モデルＴＭに入力し、制御対象のロボットＲＢの制御に関する情報である制御関連情報６０２を学習モデルＴＭに生成させる。従って、実施形態１によれば、人だけで制御関連情報６０２を作成する場合と比較して、制御関連情報６０２を容易に生成できる。その結果、例えば、制御関連情報６０２の作成に携わる人の労力を軽減できる。また、例えば、制御関連情報６０２の作成に携わる人の経験及び知識の多寡が制御関連情報６０２の品質に影響を及ぼすことを抑制できる。制御対象のロボットＲＢは、本開示の「制御対象ロボット」の一例に相当する。

【0062】

ロボットＲＢは、制御関連情報６０２に含まれる制御情報６０３に基づいて動作する。つまり、ロボットＲＢは、制御情報６０３に基づいて稼働する。ロボットＲＢは、実際の作業目的のために現場で稼働するが、この場合のドキュメントデータ５０２及び制御関連情報６０２を学習用のドキュメントデータ及び制御関連情報として使用してもよい。また、ドキュメントデータ５０２及び制御関連情報６０２を学習用として取得するだけの目的でロボットＲＢを稼働させてもよい。これらの観点からは、ロボットＲＢは、実際の作業目的を達成するための制御対象のロボットにもなり得るし、学習用のロボットにもなり得る。

【0063】

ロボットＲＢは、例えば、無人ロボットである。ただし、ロボットＲＢは、有人ロボットであってもよい。また、ロボットＲＢは、例えば、搬送車若しくはコンベア等の搬送ロボット、又は、多関節ロボット等の作業ロボットである。

【0064】

ロボットシステムＳＹＳは、複数のロボットＲＢを備えていてもよい。複数のロボットＲＢは、同じ種類のロボットであってもよいし、異なる種類のロボットであってもよい。ロボットＲＢの種類は特に限定されない。

【0065】

ロボットＲＢ１は、例えば、搬送対象物を搬送する無人搬送ロボットである。ロボットシステムＳＹＳは、１又は複数のロボットＲＢ１を備えていてもよい。搬送対象物は、例えば、台車、ワーク、荷物、又は、ロボット（例えば、搬送ロボット又は作業ロボット）である。

【0066】

無人搬送ロボットは、例えば、製造工場や物流倉庫などにおいて、各種製造部品、荷物等の搬送対象物を搬送するために用いられる無人搬送車である。無人搬送車は、例えば、ＡＧＶ（Automatic Guided Vehicle）又はＡＭＲ（Autonomous Mobile Robot）である。一例として、無人搬送車は、自律走行モード及び／又は誘導走行モードを有している。誘導走行モードとは、無人搬送車が現実又は仮想のガイドラインに沿って移動する走行モードのことである。自律走行モードとは、無人搬送車が自己位置を推定することで、ガイドラインが配置されていないエリアを移動可能な走行モードのことである。自律走行モードは、例えば、ＳＬＡＭ（Simultaneous Localization and Mapping）機能により実現される。また、無人搬送車は、搬送対象物を牽引して走行する。搬送対象物は、無人搬送車に対して、例えば、回動可能に連結される。

【0067】

特に、ロボットＲＢ１が、無人搬送ロボットである場合は、例えば、ドキュメントデータ５０２の作業要件、機能要件、及び、非機能要件は、次の情報を含んでいてもよい。

【0068】

作業要件（業務プロセス定義）は、例えば、対象搬送工程の定義、搬送ルート及び経由点定義、物流管理システムとの連携フロー、異常発生時の代替フロー、並びに、複数台協調搬送ルールのうち１以上の情報を含んでいてもよい。

【0069】

作業要件（作業対象物）は、例えば、搬送対象物の種類・形状・サイズ、荷物の重量範囲、パレット・台車・コンテナの仕様、荷物の識別方法（タグ・コード等）、並びに、特殊取り扱い要件（温度管理等）のうち１以上の情報を含んでいてもよい。

【0070】

作業要件（作業内容）は、例えば、自律搬送タスク、ピックアップ及びドロップオフ精度、高精度ドッキング制御（位置決め精度）、搬送中の荷崩れ防止のための加減速制御、荷物受け渡し協調制御、荷物のピックアップ手順、搬送経路及び優先順位、ドロップオフ（荷下ろし）手順、バッテリ充電タイミング、複数目的地への巡回方法、並びに、空車走行最適化のうちの１以上の情報を含んでいてもよい。自律搬送タスクは、搬送対象物の搬送を開始、実行、及び、完了する一連の作業定義を示す。ピックアップ及びドロップオフ精度は、受け渡し位置に対する許容誤差を示す。

【0071】

作業要件（作業タイミング及び同期）は、例えば、ライン同期機能（生産ラインとの連動制御）、複数のロボットＲＢ１間の交通調整プロトコル、搬送容量オーバーフロー時の自動分散処理、搬送タスク優先順位設定、特定時間帯の運行制限、荷物受け渡しタイミング精度、複数のロボットＲＢ１間の交通調整、並びに、充電スケジューリングのうちの１以上の情報を含んでいてもよい。

【0072】

作業要件（作業環境条件）は、例えば、走行路の幅及び形状、充電ステーション配置、荷物受け渡し場所のレイアウト、人との共存エリア指定、交差点・合流点の通行ルール、並びに、専用レーン設置要件のうちの１以上の情報を含んでいてもよい。

【0073】

機能要件（基本機能）は、例えば、最大積載量及び牽引能力、最高走行速度及び加速・減速性能、連続走行時間（バッテリ駆動時間）、最小回転半径及び旋回性能、勾配走行能力（最大登坂角度）、並びに、台車連結数上限（複数台車牽引時）のうちの１以上の情報を含んでいてもよい。

【0074】

機能要件（センシング及び認識能力）は、例えば、障害物検知範囲及び精度、走行経路認識能力（例えば、磁気テープ、ＱＲコード（登録商標）、又は、マーカ）、荷物検知・識別能力（例えば、バーコード、ＲＦＩＤ、又は、画像認識）、充電ステーション認識精度、人・動的障害物の追跡機能、並びに、ドッキング位置認識精度のうちの１以上の情報を含んでいてもよい。

【0075】

機能要件（移動及びナビゲーション）は、例えば、ロボットＲＢ１の走行方式、地図、自己位置推定精度、動的経路再計画、特定箇所走行制御、衝突回避機能、走行路認識不能時の代替ナビゲーション機能、台車の自動連結及び切離し制御、動的障害物に対する予測的回避動作、交差点での優先順位に基づく通行調整機能、ハイブリッド走行方式における切替規則、マッピング機能及び地図更新能力、並びに、経路計画アルゴリズムのうちの１以上の情報を含んでいてもよい。走行方式は、自律走行モードのみを実装した走行方式、誘導走行モードのみを実装した走行方式、又は、ハイブリッド走行方式である。ハイブリッド走行方式は、自律走行モード及び誘導走行モードの双方を実装した走行方式である。特定箇所走行制御は、狭路又は交差点等の特定箇所における走行制御を示す。衝突回避機能は、例えば、障害物検知精度、衝突回避制御、及び、非常停止トリガのうちの１以上の情報を含む。障害物検知精度は、例えば、静止物又は動的障害物の検知性能又は検知範囲を示す。衝突回避機能は、停止、減速、又は、回避経路選択などの実行制御を示す。ハイブリッド走行方式における切替規則は、自律走行モードから誘導走行モードへの切り替え制御条件、及び、誘導走行モードから自律走行モードへの切り替え制御条件を含む。

【0076】

非機能要件（安全性）は、例えば、非常停止機能（手動及び自動）、衝突防止センサ冗長性、低速走行モード（人との協調作業時）、フェイルセーフ機構（制御不能時）、安全規格適合性、並びに、衝突時の衝撃吸収構造のうちの１以上の情報を含んでいてもよい。

【0077】

非機能要件（信頼性及び堅牢性）は、例えば、牽引安定性、混載搬送対応、及び、連続稼働性能のうちの１以上の情報を含んでもよい。牽引安定性は、例えば、台車連結時の蛇行、転倒、又は、脱落を防止するための設計要件を示す。混載搬送対応は、複数種類の物品を同時に運ぶ能力とその制御設計を示す。連続稼働性能は、稼働中のバッテリ交換及び自己充電機能等に起因するダウンタイムの最小化機能、又は、連続稼働時間を示す。

【0078】

また、ロボットＲＢ１が、無人搬送ロボットである場合は、例えば、制御情報６０３の環境定義情報、動作パラメータ情報、タスク定義情報、安全設定情報、連携設定情報、及び、運用管理情報は、次の情報を含んでいてもよい。

【0079】

環境定義情報は、例えば、地図情報、ガイドライン情報、走行可能床面条件、充電ステーション位置、物流拠点定義（例えば、ピックアップ及びドロップポイントの位置）、走行可能エリア、及び、走行禁止エリアのうちの１以上の情報を含む。

【0080】

動作パラメータ情報は、例えば、駆動輪設定情報（例えば、駆動輪の制御パラメータ）、牽引負荷対応パラメータ（例えば、運搬重量に応じた駆動力又は加速度調整値）、バッテリ消費最適化設定（例えば、走行パターンによる電力消費調整パラメータの設定）、及び、スリップ対応設定のうちの１以上の情報を含む。

【0081】

タスク定義情報は、例えば、動作シナリオ、荷役シーケンス、荷台操作手順、充電タイミング判断条件、台車の連結及び切離し手順、並びに、走行パターンによる電力消費調整パラメータのうちの１以上の情報を含む。動作シナリオは、ロボットＲＢ１が実行すべき一連の動作内容を定義する情報である。動作シナリオは、例えば、ロボットＲＢ１の目的地の情報、目的地に行き着くまでに実行する複数の動作内容、複数動作の動作順序、及び、複数動作の切替条件を含む。荷役シーケンスは、例えば、荷物の受け取り及び下ろしの動作シーケンスである。

【0082】

安全設定情報は、例えば、人検知範囲設定、速度制限情報（例えば、エリアごとの最高速度）、荷崩れ防止パラメータ（例えば、急発進又は急停止防止のための加速度制限値）、並びに、交通ルール（例えば、交差点での減速プロファイル又は通行優先順位決定ルール）のうちの１以上の情報を含む。

【0083】

連携設定情報は、例えば、ドッキング条件、ロボットＲＢ１とゲート若しくはエレベータとの連携設定、並びに、交通管制システムとの連携設定のうちの１以上の情報を含む。ドッキング条件は、例えば、ロボットＲＢが、充電ステーション、台車、又は、受け渡し機構にドッキングする際の条件を示す。

【0084】

運用管理情報は、例えば、搬送タスク割当ポリシー、走行経路占有時間管理、バッテリ残量に基づくタスク制限、及び、混雑時迂回経路定義のうちの１以上の情報を含む。搬送タスク割当ポリシーは、例えば、複数のロボットＲＢ１間での搬送タスクの最適分配アルゴリズムを含む。

【0085】

また、ロボットＲＢ２は、例えば、無人搬送ロボットに配置された状態で駆動する作業ロボットである。作業ロボットは、例えば、多関節ロボットである。作業ロボットは、例えば、協働ロボットであってもよい。協働ロボットとは、人と協働して作業を実行するロボットのことである。ロボットシステムＳＹＳは、１又は複数のロボットＲＢ２を備えていてもよい。なお、多関節ロボットは、例えば、協働ロボットであってもよい。

【0086】

特に、ロボットＲＢ２が、協働ロボットとして機能する多関節ロボットである場合は、例えば、ドキュメントデータ５０２の作業要件、機能要件、及び、非機能要件は、次の情報を含んでいてもよい。

【0087】

作業要件（業務プロセス定義）は、例えば、人及びロボットＲＢ２の作業分担情報、協働作業の手順、人及びロボットＲＢ２の異常時の役割分担、並びに、ロボットＲＢ２介入判断基準のうちの１以上の情報を含んでいてもよい。

【0088】

作業要件（作業対象）は、例えば、ワークの把持特性（例えば、形状、硬さ、又は、重量）、組立て公差要件、ワークの位置公差、並びに、工具操作要件（例えば、トルク又は精度）のうちの１以上の情報を含んでいてもよい。

【0089】

作業要件（作業内容）は、例えば、組立て若しくは加工の具体的手順、力制御による組付け動作、作業品質の自己評価、並びに、ワークに対する動作シーケンスのうちの１以上の情報を含んでいてもよい。動作シーケンスは、例えば、ワークのピックアップ（把持）、位置及び姿勢の調整、移動経路に沿った搬送、目的位置への配置、並びに、リリース（把持解除）を含む。

【0090】

作業要件（作業環境条件）は、例えば、人及びロボット共有作業空間、工具及び部品供給位置、レイアウト、及び、環境照明条件（ビジョン用）のうちの１以上の情報を含んでいてもよい。

【0091】

作業要件（作業タイミング及び同期）は、例えば、人との作業受け渡しタイミング、作業進捗に合わせた動作適応、人の作業リズムへの同調、並びに、複数工程間のタクト調整のうちの１以上の情報を含んでいてもよい。

【0092】

機能要件（基本機能）は、例えば、各関節の可動範囲及びトルク性能、協働用途での出力制限機能、エンドエフェクタ自動交換機能、位置繰り返し精度、並びに、経路追従精度のうちの１以上の情報を含んでいてもよい。

【0093】

機能要件（センシング及び認識能力）は、例えば、関節トルク監視機能、人との接触検知センサ、ワークの位置及び姿勢認識、ハンド部の把持力制御、組立て部品の適合判定、並びに、環境変化への適応検知のうちの１以上の情報を含んでいてもよい。

【0094】

機能要件（移動及びナビゲーション）は、例えば、作業空間内の障害物回避、関節角度の最適解選択、特異点回避アルゴリズム、動的障害物に対する軌道修正、並びに、作業座標系の自動キャリブレーションのうちの１以上の情報を含んでいてもよい。

【0095】

機能要件（インタラクション）は、例えば、人との意図共有インタフェース、力制御によるダイレクトティーチング、ハプティックフィードバック機能、作業状態の視覚的表示機能、ジェスチャー認識による指示入力、並びに、音声コマンド対応のうちの１以上の情報を含んでいてもよい。

【0096】

非機能要件（安全性）は、例えば、力覚モニタリングに基づく衝突検知、速度及びトルク制限機能、パワーのリミッティング制御、安全監視空間の動的設定、人接近時の自動減速機能、並びに、危険度に応じた安全停止区分実装のうちの１以上の情報を含んでいてもよい。

【0097】

また、ロボットＲＢ２が、協働ロボットとして機能する多関節ロボットである場合は、例えば、制御情報６０３の環境定義情報、動作パラメータ情報、タスク定義情報、安全設定情報、連携設定情報、及び、運用管理情報は、次の情報を含んでいてもよい。

【0098】

環境定義情報は、例えば、ロボット基準座標系、工具先端座標系、若しくは、ワーク座標系の位置及び方向、工具先端位置の校正用基準点座標、協働作業領域（人とロボットＲＢ２とが共有する作業空間の境界定義）、干渉確認用形状、工具取付位置情報、工具重量、及び、工具重心位置のうちの１以上の情報を含む。

【0099】

動作パラメータ情報は、例えば、関節可動範囲、動力学補正値（例えば、動作時の慣性力、遠心力、又は重力の影響を補正するパラメータ）、柔軟性制御設定（ロボットＲＢ２の硬さ又は柔らかさを調整する制御係数）、動作経路設定（滑らかな加減速を実現する経路生成の調整値）、位置決め精度調整（各軸の位置制御精度に関するゲイン設定）、力検出設定（各関節のトルク監視値）、並びに、特異点対策設定（例えば、機構的に不安定になる姿勢を回避するための制御値）のうちの１以上の情報を含んでいてもよい。

【0100】

タスク定義情報は、例えば、基本動作種別設定（例えば、点間移動、直線移動、又は、円弧移動の速度又は加速度設定）、力制御作業設定（例えば、位置と力を同時に制御するための制御方向と反力設定）、工具動作条件、画像連動制御設定（例えば、カメラ画像に基づく位置修正の制御設定）、空間軌道定義（例えば、滑らかな曲線による作業経路の数学的定義）、組立作業手順、並びに、電気的及び機械的な接続確認条件のうちの１以上の情報を含む。

【0101】

安全設定情報は、例えば、速度若しくは加速度制限値、安全評価基準値、人接近時速度調整、最小安全距離計算値（例えば、人とロボットＲＢ２との間で維持すべき安全距離の計算設定）、安全監視領域、並びに、出力制限設定（例えば、各関節の最大トルク制限値と衝突検知の閾値）のうちの１以上の情報を含む。

【0102】

連携設定情報は、例えば、画像処理連携（例えば、カメラ画像取得と画像データ形式の設定）、及び、複合センサ統合設定（例えば、複数のセンサ情報を組み合わせる処理設定の情報）のうちの１以上の情報を含む。

【0103】

運用管理情報は、例えば、動作優先順位設定（例えば、複数の作業実行時の処理優先順位と資源配分規則）、動作記録設定、点検計画設定、遠隔監視設定、異常復旧手順、並びに、協働作業効率設定（人とロボットＲＢ２との作業分担を最適化する調整値）のうちの１以上の情報を含む。

【0104】

ロボット管理装置４００は、複数のロボットＲＢを管理する。ロボット管理装置４００は、例えば、ＰＬＣ（Programmable Logic Controller）及び／又はＦＭＳ（Fleet Management System）を含む。

【0105】

学習装置１００、生成ＡＩ装置２００、情報生成装置３００、ロボット管理装置４００、ロボットＲＢ、ドキュメントデータベース装置５００、制御データベース装置６００、及び、環境データベース装置７００は、ネットワークＮＷに接続され、互いに通信可能である。ネットワークＮＷは、例えば、インターネット、閉域網、公衆電話網、ＬＡＮ（Local Area Network）、及び、近距離無線ネットワークを含む。

【0106】

また、ネットワークＮＷには、少なくとも１つの産業用機器ＥＱが接続されていてもよい。複数の産業用機器ＥＱがネットワークＮＷに接続されてもよい。産業用機器ＥＱは、例えば、工場又は倉庫などの事業用設備において、製品の製造、処理、搬送、又は、制御を目的として使用される機械又は装置を示す。産業用機器ＥＱは、例えば、コンベア又はエレベータであるが、特に限定されない。産業用機器ＥＱは、ロボットを含んでいてもよい。

【0107】

更に、ネットワークＮＷには、管理システムＭＧが接続されていてもよい。管理システムＭＧは、産業用機器ＥＱ及びロボットシステムＳＹＳを管理する。管理システムＭＧは、例えば、ＭＥＳ（Manufacturing Execution System）及び／又はＷＭＳ（Warehouse Management System）を含む。

【0108】

なお、生成ＡＩ装置２００、ロボット管理装置４００、ドキュメントデータベース装置５００、制御データベース装置６００、環境データベース装置７００、及び、管理システムＭＧの各々は、例えば、処理部、記憶部、通信部、入力部、及び、出力部を含む。

【0109】

次に、図２～図４を参照して学習装置１００を説明する、図２は、学習装置１００の構成例を示すブロック図である。図２に示すように、学習装置１００は、処理部１１０、入力部１２０、出力部１３０、通信部１４０、及び、記憶部１５０を含む。

【0110】

入力部１２０は、処理部１１０に対して各種情報を入力するための入力機器である。例えば、入力部１２０は、キーボード及びポインティングデバイス、又は、タッチパネルである。

【0111】

出力部１３０は、各種情報を出力する。出力部１３０は、例えば、各種情報を表示する表示部を含む。表示部は、例えば、液晶ディスプレイ、又は、有機エレクトロルミネッセンスディスプレイである。

【0112】

通信部１４０は、ネットワークＮＷに接続される。通信部１４０は、ネットワークＮＷに接続された各種装置と通信する。通信部１４０は、所定の通信プロトコルに従って通信を行う通信機であり、例えば、ネットワークインタフェースコントローラを含む。所定の通信プロトコルは、例えば、イーサネット（登録商標）に準拠したプロトコル、インターネット・プロトコル・スイート、及び／又は、近距離無線通信規格に準拠したプロトコルである。

【0113】

処理部１１０は、各種処理（各種演算）を実行する。処理部１１０は、入力部１２０、出力部１３０、通信部１４０、及び、記憶部１５０を制御する。処理部１１０は、１以上のプロセッサを含む。プロセッサは、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（Field Programmable Gate Array）、ＤＳＰ（Digital Signal Processor）、又は、ＡＳＩＣ（Application Specific Integrated Circuit）である。プロセッサは、コンピュータプログラムよって動作してもよいし、ハードワイヤードロジックによって動作してもよい。

【0114】

記憶部１５０は、１以上の記憶装置を含み、データ及びコンピュータプログラムを記憶する。記憶部１５０は、例えば、半導体メモリ等の主記憶装置と、半導体メモリ又はストレージドライブ等の補助記憶装置とを含む。ストレージドライブは、例えば、ハードディスクドライブ又はソリッドステートドライブである。記憶部１５０は、例えば、非一時的コンピュータ読取可能記憶媒体であってもよい。

【0115】

処理部１１０は、取得部１１１と、学習部１１２とを含む。具体的には、処理部１１０のプロセッサが、記憶部１５０に記憶されたコンピュータプログラムを実行することで、取得部１１１及び学習部１１２として機能する。

【0116】

なお、生成ＡＩ装置２００、ロボット管理装置４００、ドキュメントデータベース装置５００、制御データベース装置６００、環境データベース装置７００、及び、管理システムＭＧの処理部、記憶部、通信部、入力部、及び、出力部のハードウェア構成は、それぞれ、処理部１１０、記憶部１５０、通信部１４０、入力部１２０、及び、出力部１３０のハードウェア構成と同様である。

【0117】

図３は、学習装置１００の動作を説明するための図である。学習装置１００にとって、ロボットＲＢは学習用のロボットＲＢである。図３に示すように、取得部１１１は、ドキュメントデータベース５０１から学習用のドキュメントデータ５０２を取得する。以下、学習用のドキュメントデータ５０２をドキュメントデータ５０２Ｔと記載する場合がある。また、取得部１１１は、制御データベース６０１から学習用の制御関連情報６０２を取得する。制御関連情報６０２は、学習用のロボットＲＢの制御情報６０３を含む。以下、学習用の制御関連情報６０２及び制御情報６０３をそれぞれ制御関連情報６０２Ｔ及び制御情報６０３Ｔと記載する場合がある。記憶部１５０（図２）は、ドキュメントデータ５０２Ｔ及び制御関連情報６０２Ｔを学習データセットＴＤとして記憶する。

【0118】

学習部１１２は、生成ＡＩ装置２００にアクセスして、未学習又は事前学習済みの学習モデルＴＭＢに学習データセットＴＤを学習させることで、学習モデルＴＭを構築する。つまり、学習部１１２は、学習データセットＴＤに基づき、ドキュメントデータ５０２を入力した場合に、制御関連情報６０２（具体的には、制御情報６０３）を生成する学習モデルＴＭＢを構築する。

【0119】

ここで、制御データベース６０１において、学習用のロボットＲＢの制御情報６０３Ｔは、作業者によって操作される入力装置を介して作成される制御情報を含む。従って、実施形態１によれば、作業者（例えば、熟練者）の経験及び知識に基づく制御情報６０３Ｔを学習モデルＴＭＢに学習させることができる。このように、作業者の経験及び知識が反映された高品質な制御情報６０３Ｔを学習データセットＴＤに含めることで、得られる学習モデルＴＭの精度が向上し、信頼性の高い制御情報６０３の生成が可能となる。

【0120】

引き続き図３を参照して学習モデルＴＭの詳細を説明する。学習部１１２は、学習アルゴリズムを実行することで、学習データセットＴＤを用いた学習を実行する。学習部１１２は、複数の学習データセットＴＤを用いて繰り返し学習を実行することで、学習モデルＴＭを生成する。

【0121】

一例として、学習部１１２は、事前学習済みの大規模言語モデル（ＬＬＭ：Large Language Model）又は視覚言語モデル（ＶＬＭ：Vision Language Model）をファインチューニングすることで、学習モデルＴＭを生成する。ファインチューニングに用いる学習アルゴリズムは、例えば、自己教師あり学習、強化学習、教師あり学習、若しくは、教師なし学習、又は、それらの１以上の組合せである。具体的には、学習アルゴリズムは、線形回帰、ニューラルネットワーク、ディープニューラルネットワーク、決定木、ランダムフォレスト、勾配ブースティング、又は、正則化回帰である。なお、例えば、ＬＬＭ及びＶＬＭを生成する際の学習アリゴリズムは、例えば、自己教師あり学習である。具体的には、学習アリゴリズムは、例えば、ニューラルネットワーク、ディープニューラルネットワーク、又は、Ｔｒａｎｓｆｏｒｍｅｒ、である。

【0122】

図４は、実施形態１に係る学習方法の一例を示すフローチャートである。学習方法は学習装置１００によって実行される。図４に示すように、学習方法は、ステップＳ１～ステップＳ４を含む。学習方法は、ステップＳ５～ステップＳ７を更に含むことが好ましい。

【0123】

図４に示すように、まず、ステップＳ１において、取得部１１１は、ドキュメントデータベース５０１からドキュメントデータ５０２Ｔを取得する。

【0124】

次に、ステップＳ２において、取得部１１１は、制御データベース６０１から制御関連情報６０２Ｔ（制御情報６０３Ｔ）を取得する。

【0125】

次にステップＳ３において、学習部１１２は、学習データセットＴＤ（ドキュメントデータ５０２Ｔ及び制御関連情報６０２Ｔ）を用いて、第１学習アルゴリズムによって、ＬＬＭ又はＶＬＭを学習させる（第１学習）。第１学習アルゴリズムは、例えば、教師あり学習である。この場合、ドキュメントデータ５０２Ｔが説明変数（入力）であり、制御情報６０３Ｔが目的変数（出力）である。つまり、制御情報６０３Ｔが正解ラベルに相当する。

【0126】

次に、ステップＳ４において、学習部１１２は、第１終了条件を満たしたか否かを判定する。第１終了条件は、例えば、エポック数が第１所定値に到達したことである。
ステップＳ４で否定判定された場合（ＮＯ）、処理はステップＳ１に進む。
一方、ステップＳ４で肯定判定された場合（ＹＥＳ）、処理はステップＳ５に進む。

【0127】

次に、ステップＳ５において、取得部１１１は、ドキュメントデータベース５０１からドキュメントデータ５０２Ｔを取得する。

【0128】

次に、ステップＳ５において、学習部１１２は、ドキュメントデータ５０２Ｔを用いて、第２学習アルゴリズムによって、第１学習完了後のＬＬＭ又はＶＬＭを学習させる（第２学習）。第２学習アルゴリズムは、例えば、強化学習である。この場合、例えば、学習部１１２は、第１学習完了後のＬＬＭ又はＶＬＭが生成した制御情報６０３Ｔの実行結果及び／又は品質を数値評価し、数値評価の結果である評価値に基づいて報酬値を算出し、報酬値を用いて強化学習アルゴリズムによりＬＬＭ又はＶＬＭの強化学習を実行する。制御情報６０３Ｔの実行結果は、例えば、制御情報６０３ＴによるロボットＲＢの動作結果である。

【0129】

次に、ステップＳ６において、学習部１１２は、第２終了条件を満たしたか否かを判定する。第２終了条件は、例えば、イテレーション数が第２所定値に到達したことである。
ステップＳ６で否定判定された場合（ＮＯ）、処理はステップＳ５に進む。
一方、ステップＳ６で肯定判定された場合（ＹＥＳ）、学習方法は終了する。

【0130】

以上の結果、第１学習及び第２学習の完了後のＬＬＭ又はＶＬＭが、学習モデルＴＭとして生成される。よって、精度の高い学習モデルＴＭを生成できる。以上のように、ＬＬＭ又はＶＬＭに、ドキュメントデータ５０２Ｔと制御関連情報６０２Ｔとの関係性を学習させることで、学習モデルＴＭが生成される。

【0131】

次に、図５～図７を参照して情報生成装置３００を説明する、図５は、情報生成装置３００の構成例を示すブロック図である。図５に示すように、情報生成装置３００は、処理部３１０、入力部３２０、出力部３３０、通信部３４０、及び、記憶部３５０を含む。処理部３１０、入力部３２０、出力部３３０、通信部３４０、及び、記憶部３５０のハードウェア構成は、それぞれ、図２の学習装置１００の処理部１１０、入力部１２０、出力部１３０、通信部１４０、及び、記憶部１５０のハードウェア構成と同様である。

【0132】

入力部３２０は、処理部３１０に対して各種情報を入力するための入力機器である。出力部３３０は、各種情報を出力する。出力部３３０は、例えば、各種情報を表示する表示部を含む。通信部３４０は、ネットワークＮＷに接続され、ネットワークＮＷに接続された各種装置と通信する。処理部３１０は、各種処理（各種演算）を実行する。記憶部３５０は、１以上の記憶装置を含み、データ及びコンピュータプログラムを記憶する。

【0133】

処理部３１０は、受付部３１１と、生成部３１２と、更新部３１３とを含む。具体的には、処理部３１０のプロセッサが、記憶部３５０に記憶されたコンピュータプログラムを実行することで、受付部３１１、生成部３１２、及び、更新部３１３として機能する。

【0134】

図６は、情報生成装置３００の動作を説明するための図である。図７は、実施形態１に係る情報生成方法の一例を示すフローチャートである。情報生成方法は、ロボットＲＢに対するドキュメントデータ５０２を学習モデルＴＭに入力して、ロボットＲＢの制御関連情報６０２Ａを学習モデルＴＭから取得する。ロボットＲＢは制御対象である。情報生成方法は情報生成装置３００によって実行される。図７に示すように、情報生成方法は、ステップＳ２１～ステップＳ２６を含む。

【0135】

図６及び図７に示すように、まず、ステップＳ２１において、情報生成装置３００の受付部３１１は、ロボットＲＢに対するドキュメントデータ５０２を受け付ける。例えば、受付部３１１は、ドキュメントデータ５０２をドキュメントデータベース５０１から取得する。記憶部３５０（図５）は、ドキュメントデータ５０２を記憶する。

【0136】

次に、ステップＳ２２において、生成部３１２は、ロボットＲＢに実行させる動作内容を示すドキュメントデータ５０２を学習モデルＴＭに入力し、ロボットＲＢの制御に関する情報を示す制御関連情報６０２Ａを学習モデルＴＭに生成させる。具体的には、生成部３１２は、ドキュメントデータ５０２を学習モデルＴＭに入力し、ロボットＲＢの制御情報６０３Ａを学習モデルＴＭに生成させる。

【0137】

次に、ステップＳ２３において、生成部３１２は、学習モデルＴＭから制御関連情報６０２Ａを取得する。制御関連情報６０２Ａは制御情報６０３Ａを含む。記憶部３５０は、制御関連情報６０２Ａを記憶する。

【0138】

次に、ステップＳ２４において、生成部３１２は、制御情報６０３Ａを、制御対象のロボットＲＢに送信する。ロボットＲＢは、制御情報６０３Ａに基づいて動作する。実施形態１によれば、学習モデルＴＭによって高速に制御情報６０３Ａを生成できるため、ロボットＲＢの稼働開始時期を短縮できる。

【0139】

次に、ステップＳ２５において、更新部３１３は、制御関連情報６０２Ａを制御データベース６０１に格納することで、制御データベース６０１を更新する。制御関連情報６０２Ａは制御情報６０３Ａを含む。具体的には、更新部３１３は、制御関連情報６０２Ａを制御データベース装置６００に送信する。そして、制御データベース装置６００は、更新部３１３による更新指示に基づいて、制御関連情報６０２Ａを制御データベース６０１に格納する。なお、制御データベース装置６００は、制御情報６０３Ａを、制御対象のロボットＲＢに送信してもよい。この場合は、ステップＳ４を省略できる。

【0140】

次に、ステップＳ２６において、更新部３１３は、学習装置１００（図２）に対して、制御データベース６０１が更新されたこと示す情報（以下、「更新通知情報」）を送信する。そして、情報生成方法は終了する。

【0141】

学習装置１００の取得部１１１（図３）は、更新通知情報を受信すると、制御データベース６０１から、新たに格納された制御関連情報６０２Ａを学習用の制御関連情報６０２Ｔとして取得する。また、取得部１１１は、更新通知情報を受信すると、ドキュメントデータベース５０１から、制御関連情報６０２Ａを生成する際に使用したドキュメントデータ５０２（制御関連情報６０２Ａに対応するドキュメントデータ５０２）を学習用のドキュメントデータ５０２Ｔとして取得する。そして、学習部１１２は、学習データセットＴＤ（ドキュメントデータ５０２Ｔ及び制御関連情報６０２Ｔ）を学習モデルＴＭに再学習させることで、学習モデルＴＭのパラメータを更新する。このように、更新通知情報を受信するたびに再学習を実行することを「逐次再学習」と記載する場合がある。実施形態１によれば、更新通知情報が自動的に情報生成装置３００から学習装置１００に送信されるため、自動的に逐次再学習を実行できる。

【0142】

なお、学習部１１２は、例えば、定期的に学習モデルＴＭを再学習させてもよいし、所定数の更新通知情報を受信した場合に学習モデルＴＭを再学習させてもよい。このような再学習を「バッチ再学習」と記載する場合がある。バッチ再学習を実行する場合は、前回の再学習時よりも後に制御データベース６０１に追加された制御関連情報６０２Ｔ、及び、対応するドキュメントデータ５０２Ｔが、学習データセットＴＤとして使用される（図３）。

【0143】

（実施形態２）
図４及び図７～図９を参照して、本開示の実施形態２に係るロボットシステムＳＹＳを説明する。実施形態２では、学習用の制御関連情報６０２Ｔが、変更履歴情報を含む点で、実施形態１と主に異なる。以下、実施形態２が実施形態１と異なる点を主に説明する。

【0144】

図８は、実施形態２に係るロボットシステムＳＹＳの学習装置１００の動作を説明するための図である。図８に示すように、取得部１１１は、ドキュメントデータベース５０１から学習用のドキュメントデータ５０２Ｔを取得する。また、取得部１１１は、制御データベース６０１から学習用の制御関連情報６０２Ｔを取得する。制御関連情報６０２Ｔは、学習用のロボットＲＢの制御情報６０３Ｔに加えて、制御情報６０３Ｔの変更履歴を示す情報（以下、「変更履歴情報６０４Ｔ」）を含む。記憶部１５０（図２）は、ドキュメントデータ５０２Ｔ及び制御関連情報６０２Ｔを学習データセットＴＤＸとして記憶する。例えば、制御情報６０３Ｔは、制御データベース６０１において、変更履歴情報６０４Ｔによってバージョン管理されている。従って、制御情報６０３Ｔには、１以上のバージョンがある。また、ドキュメントデータ５０２Ｔは、制御データベース６０１において、制御情報６０３Ｔの変更履歴に対応して、バージョン管理されていることが好ましい。従って、この場合は、制御データベース６０１において、ドキュメントデータ５０２Ｔのバージョンと、制御情報６０３Ｔのバージョンとが対応付けられている。

【0145】

学習部１１２は、生成ＡＩ装置２００にアクセスして、未学習又は事前学習済みの学習モデルＴＭＢに学習データセットＴＤＸを学習させることで、学習モデルＴＭを構築する。このように、実施形態２によれば、制御情報６０３Ｔの変更履歴情報６０４Ｔを学習データセットＴＤＸに含めることで、学習モデルＴＭＢは、制御情報６０３Ｔの動的及び時系列的な変遷情報を学習できる。その結果、学習モデルＴＭＢは、制御情報６０３Ｔの変更過程における判断基準及び改善の傾向を学習できる。よって、得られる学習モデルＴＭの精度が更に向上し、更に信頼性の高い制御情報６０３を生成できる。なお、

【0146】

更に、実施形態２では、学習用の制御関連情報６０２Ｔは、制御情報６０３Ｔ及び変更履歴情報６０４Ｔに加えて、制御情報６０３Ｔの変更履歴によって示される変更の理由に関する情報６０５Ｔ（以下、「変更理由情報６０５Ｔ」）を含むことが好ましい。この好ましい例によれば、学習データセットＴＤＸが、ドキュメントデータ５０２Ｔ、制御情報６０３Ｔ、変更履歴情報６０４Ｔ、及び、変更理由情報６０５Ｔを含む。このように、変更理由情報６０５Ｔを学習させることで、得られる学習モデルＴＭは、変更の背後にある意図及び判断基準を理解し、状況に応じたより適切かつ説明可能な制御情報６０３を生成できる。

【0147】

例えば、変更理由情報６０５Ｔを学習して生成された学習モデルＴＭは、変更の意図を推測できる。従って、新たな状況に対しても柔軟な判断を行うことができ、新たな状況に対しても信頼性の高い制御情報６０３を生成できる。

【0148】

例えば、変更理由情報６０５Ｔを学習することで、学習モデルＴＭは、制御情報６０３を説明する説明情報（以下、「説明情報ＥＸ」）を生成できる。説明情報ＥＸは、学習モデルＴＭが、制御情報６０３を生成するに至った根拠を示す。説明情報ＥＸは、例えば、テキスト形式で示される。例えば、説明情報ＥＸは、制御情報６０３を「なぜこのように生成したのか」を示す説明を含む。従って、制御情報６０３の説明情報ＥＸをユーザに提供できる。その結果、ユーザに対して、制御情報６０３の信頼性が高いことを示すことができる。よって、ユーザは、制御情報６０３を高い信頼をもってロボットＲＢに導入できる。このように、説明可能なＡＩ（ＸＡＩ：Explainable AI）である学習モデルＴＭを提供できる。

【0149】

図４及び図８を参照して、実施形態２の学習モデルＴＭの詳細を説明する。実施形態２が実施形態１と異なる点を主に説明する。まず、図４に示すように、ステップＳ１において、取得部１１１は、ドキュメントデータベース５０１からドキュメントデータ５０２Ｔを取得する。

【0150】

次に、ステップＳ２において、取得部１１１は、制御データベース６０１から制御関連情報６０２Ｔ（制御情報６０３Ｔ、変更履歴情報６０４Ｔ、及び、変更理由情報６０５Ｔ）を取得する。なお、制御関連情報６０２Ｔは、変更理由情報６０５Ｔを含んでいなくてもよい。

【0151】

次にステップＳ３において、学習部１１２は、学習データセットＴＤＸ（ドキュメントデータ５０２Ｔ及び制御関連情報６０２Ｔ）を用いて、第１学習アルゴリズムによって、ＬＬＭ又はＶＬＭを学習させる（第１学習）。第１学習アルゴリズムは、例えば、自己学習である。自己学習では、変更履歴情報６０４Ｔ及び／又は変更理由情報６０５Ｔに基づいて、制御情報６０３Ｔの各部分に対して自動的にラベルが付されて、学習が実行される。この場合、ラベルは、例えば、制御情報６０３Ｔの各部分の信頼度を示す。例えば、変更が少ない部分には高い信頼度を示すラベルが付され、頻繁に変更された部分には低い信頼度を示すラベルが付される。そして、自己学習では、ラベル付けされた制御情報６０３Ｔとドキュメントデータ５０２Ｔとを用いて、ドキュメントデータ５０２が入力された場合に制御情報６０３を生成するように、制御情報６０３Ｔとドキュメントデータ５０２Ｔとの対応関係をＬＬＭ又はＶＬＭを学習させる。この場合、ラベルによって示される信頼度が学習時の重み付けとして機能するため、ＬＬＭ又はＶＬＭは、制御情報６０３Ｔとドキュメントデータ５０２Ｔとの対応関係をより緻密に学習することができる。

【0152】

なお、第１学習アルゴリズムは、例えば、教師なし学習又は教師あり学習であってもよい。教師なし学習では、変更履歴情報６０４Ｔ及び／又は変更理由情報６０５Ｔに基づいて、ドキュメントデータ５０２Ｔに対する制御情報６０３Ｔの変遷パターンが学習される。教師あり学習では、例えば、学習データセットＴＤＸは、互いに対応するバージョンのドキュメントデータ５０２Ｔ（説明変数）と制御関連情報６０２Ｔ（目的変数）とで構成される。

【0153】

次に、ステップＳ４及びステップＳ５が実行される。ステップＳ４及びステップＳ５は、それぞれ、実施形態１のステップＳ４及びステップＳ５と同様である。

【0154】

次に、ステップＳ６において、学習部１１２は、第２学習アルゴリズムによって、ＬＬＭ又はＶＬＭを学習させる（第２学習）。第２学習アルゴリズムは、強化学習である。この点は、実施形態１と同様である。ただし、学習部１１２は、変更履歴情報６０４Ｔ及び／又は変更理由情報６０５Ｔを報酬値に反映させて強化学習を実行することで、より信頼度の高い学習モデルＴＭを構築できる。

【0155】

次に、ステップＳ７が実行される。ステップＳ７は、実施形態１のステップＳ７と同様である。ステップＳ１～ステップＳ７によって、ＬＬＭ又はＶＬＭに、ドキュメントデータ５０２Ｔと制御関連情報６０２Ｔとの関係性を学習させることで、学習モデルＴＭが生成される。

【0156】

次に、図９を参照して、実施形態２に係る情報生成装置３００の動作を説明する。この場合、実施形態２に係る情報生成方法は、図７に示す情報生成方法と同様である。従って、図７も参照して、実施形態２が実施形態１と異なる点を主に説明する。図７に示すように、実施形態２に係る情報性生成方法は、ステップＳ２１～ステップＳ２６を含む。ロボットＲＢは制御対象である。

【0157】

図９は、実施形態２に係る情報生成装置３００の動作を説明するための図である。図７及び図９に示すように、ステップＳ２２において、生成部３１２は、ドキュメントデータ５０２を学習モデルＴＭに入力し、ロボットＲＢの制御情報６０３Ａを学習モデルＴＭに生成させる。この場合、生成部３１２は、学習モデルＴＭに対して、制御情報６０３Ａに加えて、制御情報６０３Ａの説明情報ＥＸを生成させることが好ましい。具体的には、生成部３１２は、プロンプトを学習モデルＴＭに入力し、学習モデルＴＭに制御情報６０３Ａ及び説明情報ＥＸを生成させる。プロンプトは、例えば、「ドキュメントデータ５０２に基づいて制御情報６０３Ａを生成するとともに、制御情報６０３Ａの説明情報ＥＸを生成すること」を要求する内容を含む。

【0158】

次に、ステップＳ２３において、生成部３１２は、学習モデルＴＭから制御関連情報６０２Ａを取得する。制御関連情報６０２Ａは、制御情報６０３Ａ及び説明情報ＥＸを含む。

【0159】

次に、ステップＳ２４において、生成部３１２は、制御情報６０３Ａを、制御対象のロボットＲＢに送信する。

【0160】

次に、ステップＳ２５において、更新部３１３は、ロボットＲＢの制御情報６０３Ａを、説明情報ＥＸとともに制御データベース６０１に格納することで、制御データベース６０１を更新する。つまり、制御データベース６０１は、制御情報６０３Ａ及び説明情報ＥＸを含む制御関連情報６０２Ａを格納する。従って、実施形態２によれば、説明情報ＥＸを学習データセットＴＤＸに含めることができる。その結果、学習モデルＴＭが、出力（制御情報６０３Ａ）と根拠（説明情報ＥＸ）との関係を自己評価又は自己検証するようになり、学習モデルＴＭにおいて、矛盾のある出力又は誤った出力を自律的に検出又は回避できる能力が強化される。

【0161】

すなわち、図８に戻って、学習用の制御関連情報６０２Ｔは説明情報ＥＸを更に含むことができる。そして、学習部１１２は、生成ＡＩ装置２００にアクセスして、未学習又は事前学習済みの学習モデルＴＭＢに、説明情報ＥＸを含む学習データセットＴＤＸを学習させることで、学習モデルＴＭを構築する。なお、図３の学習用の制御関連情報６０２Ｔに、説明情報ＥＸを更に含めてもよい。

【0162】

なお、学習装置１００は、更新通知情報を受信すると、実施形態１と同様に、逐次再学習又はバッチ再学習を実行する。

【0163】

また、制御データベース６０１において、変更履歴情報６０４Ｔは、作業者によって操作される入力装置を介して制御情報６０３が作成された際の変更履歴情報を含む。従って、実施形態２によれば、作業者（例えば、熟練者）の経験及び知識に基づく変更履歴情報６０４Ｔを学習モデルＴＭＢに学習させることができる。このように、作業者の経験及び知識が反映された高品質な変更履歴情報６０４Ｔを学習データセットＴＤに含めることで、得られる学習モデルＴＭの精度が更に向上し、更に信頼性の高い制御情報６０３の生成が可能となる。

【0164】

好ましくは、制御データベース６０１において、変更理由情報６０５Ｔは、作業者によって操作される入力装置を介して作成された変更理由情報を含む。従って、実施形態２によれば、作業者の経験及び知識に基づく的確な変更理由情報６０５Ｔを学習モデルＴＭＢに学習させることができる。

【0165】

制御データベース装置６００は、バージョン管理システムを有している。バージョン管理ステムによって、制御データベース６０１における変更履歴情報６０４及び変更理由情報６０５が管理される。

【0166】

ここで、図７及び図９に戻って、実施形態２の変形例を説明する。変形例では、ステップＳ２１において、受付部３１１は、ドキュメントデータ５０２をドキュメントデータベース５０１から受け付けるとともに、修正対象（改善対象）の制御情報６０３を制御データベース６０１から受け付ける。そして、ステップＳ２２において、生成部３１２は、ドキュメントデータ５０２及び制御情報６０３を学習モデルＴＭに入力し、学習モデルＴＭに制御情報６０３を修正（改善）させる。具体的には、生成部３１２は、プロンプトを学習モデルＴＭに入力し、学習モデルＴＭに制御情報６０３を修正（改善）させる。プロンプトは、例えば、「ドキュメントデータ５０２に基づいて作成された制御情報６０３を修正（改善）すること」を要求する内容を含む。

【0167】

この場合、生成部３１２は、学習モデルＴＭにプロンプトを入力することで、学習モデルＴＭに対して、制御情報６０３の修正（改善）に加えて、制御情報６０３の変更理由情報６０５を生成させることが好ましい。変更理由情報６０５は、制御情報６０３に対する修正（改善）の理由（制御情報６０３を変更した理由）に関する情報を含む。「修正（改善）の理由」は、「変更の理由」の一例である。プロンプトは、例えば、「ドキュメントデータ５０２に基づいて作成された制御情報６０３を修正（改善）するとともに、変更理由情報６０５を生成すること」を要求する内容を含む。

【0168】

そして、ステップＳ２３において、生成部３１２は、修正後（改善後）の制御情報６０３Ａ及び変更理由情報６０５を取得する。更に、ステップＳ２４において、生成部３１２は制御情報６０３ＡをロボットＲＢに送信する。

【0169】

そして、ステップＳ２５において、更新部３１３は、修正後（改善後）の制御情報６０３Ａを、変更履歴情報６０４とともに制御データベース６０１に格納することで、制御データベース６０１を更新する。つまり、更新部３１３は、学習モデルＴＭによって生成された制御情報６０３Ａを、変更履歴情報６０４とともに制御データベース装置６００に格納することで、制御データベース装置６００を更新する。従って、変形例によれば、変更履歴情報６０４を学習用の変更履歴情報６０４Ｔとして活用できる。好ましくは、更新部３１３は、制御情報６０３Ａを、変更履歴情報６０４及び変更理由情報６０５とともに制御データベース６０１に格納することで、制御データベース６０１を更新する。この好ましい例によれば、変更履歴情報６０４及び変更理由情報６０５を学習用の変更履歴情報６０４Ｔ及び変更理由情報６０５として活用できる。

【0170】

なお、変形例のステップＳ２１でドキュメントデータ５０２を取得せず、変形例のステップＳ２２でドキュメントデータ５０２を学習モデルＴＭに入力しなくてもよい。この例も、変形例の一種である。

【0171】

なお、図６の実施形態１の変形例として、実施形態２の変形例と同様にして、生成部３１２は、学習モデルＴＭに制御情報６０３を修正（改善）させてもよい。この場合、ドキュメントデータ５０２を学習モデルＴＭに入力してもよいし、入力しなくてもよい。

【0172】

（実施形態３）
図１０及び図１１を参照して、本開示の実施形態３に係るロボットシステムＳＹＳを説明する。実施形態３では、学習モデルＴＭが制御データベース６０１を参照して制御関連情報６０２を生成する点で、実施形態１、２と主に異なる。以下、実施形態３が実施形態１、２と異なる点を主に説明する。

【0173】

図１０は、実施形態３に係る情報生成装置３００の動作を説明するための図である。図１０に示すように、情報生成装置３００の処理部３１０は、受付部３１１と、検索部３１５と、生成部３１２と、更新部３１３とを含む。具体的には、処理部３１０のプロセッサが、記憶部３５０に記憶されたコンピュータプログラムを実行することで、受付部３１１、検索部３１５、生成部３１２、及び、更新部３１３として機能する。

【0174】

図１１は、実施形態３に係る情報生成方法の一例を示すフローチャートである。ロボットＲＢは制御対象である。情報生成方法は情報生成装置３００によって実行される。図１１に示すように、情報生成方法は、ステップＳ３１～ステップＳ３７を含む。

【0175】

図１０及び図１１に示すように、まず、ステップＳ３１において、受付部３１１は、制御対象のロボットＲＢに対するドキュメントデータ５０２を受け付ける。この点は、図７の実施形態１のステップＳ２１と同様である。

【0176】

次に、ステップＳ３２において、検索部３１５は、ドキュメントデータ５０２に基づいて生成された検索クエリに基づいて、ドキュメントデータ５０２の内容に関連する制御関連情報６０２を制御データベース装置６００から検索する。制御データベース装置６００は、複数の制御関連情報６０２を格納している。制御関連情報６０２は、ロボットＲＢの制御に関する情報であり、ロボットＲＢの制御情報６０３及び変更履歴情報６０４を含む。制御関連情報６０２は、変更理由情報６０５を更に含むことが好ましい。検索結果として出力される制御関連情報６０２は、後述するように、学習モデルＴＭによって参照される。このため、検索対象としての制御関連情報６０２は、本開示の「参照用制御関連情報」の一例に相当する。制御データベース装置６００は、本開示の「データベース装置」の一例に相当する。

【0177】

検索クエリは、例えば、ドキュメントデータ５０２の全内容である。なお、検索クエリは、例えば、ドキュメントデータ５０２の一部の内容、特徴的内容、又は、要約であってもよい。

【0178】

次に、ステップＳ３３において、生成部３１２は、ドキュメントデータ５０２及び検索部３１５による検索結果（制御関連情報６０２）を学習モデルＴＭに入力し、制御関連情報６０２Ａ（具体的には、制御情報６０３Ａ）を学習モデルＴＭに生成させる。学習モデルＴＭは、実施形態２に係る学習モデルＴＭ（図９）である。

【0179】

次に、ステップＳ３４において、生成部３１２は、学習モデルＴＭから制御関連情報６０２Ａを取得する。制御関連情報６０２Ａは制御情報６０３Ａを含む。記憶部３５０は、制御関連情報６０２Ａを記憶する。

【0180】

次に、ステップＳ３５～ステップＳ３７が実行される。ステップＳ３５～ステップＳ３７は、それぞれ、図７の実施形態１のステップＳ２４～ステップＳ２６と同様である。ただし、ステップＳ３６では、更新部３１３は、制御データベース６０１に対応して、制御ベクトルデータベース６０１Ｖも更新する。つまり、制御ベクトルデータベース６０１Ｖに、制御関連情報６０２Ａを示す制御関連ベクトル情報６０２Ｖを格納することで、制御ベクトルデータベース６０１Ｖを更新する。

【0181】

以上、図１０及び図１１を参照して説明したように、実施形態３によれば、学習モデルＴＭには、ドキュメントデータ５０２だけでなく、検索部３１５による検索結果としての制御関連情報６０２が入力される。従って、学習モデルＴＭは、制御データベース装置６００に格納された制御関連情報６０２を参照して、ドキュメントデータ５０２に基づいて制御情報６０３Ａを生成できる。従って、学習モデルＴＭは、直近の制御関連情報６０２（制御情報６０３、変更履歴情報６０４、及び、変更理由情報６０５）を取り込むことがきる。加えて、制御対象のロボットＲＢに対するドキュメントデータ５０２に基づく検索クエリによって検索が実行されるため、学習モデルＴＭは、ドキュメントデータ５０２によって示される要求仕様に類似又は関連した制御関連情報６０２を取り込むことができる。その結果、学習モデルＴＭは、更に信頼性の高い制御情報６０３Ａを生成できる。

【0182】

引き続き図１０を参照して詳細に説明する。制御データベース装置６００は、制御ベクトルデータベース６０１Ｖを格納する。制御ベクトルデータベース６０１Ｖは、複数の制御関連情報６０２をそれぞれ示す複数の制御関連ベクトル情報６０２Ｖを格納している。制御関連ベクトル情報６０２Ｖは、制御データベース６０１に格納されている制御関連情報６０２の特徴を複数の数値ベクトルで表現した情報を示す。この場合、特徴は、例えば、制御関連情報６０２の意味的及び／又は構造的な特徴である。数値ベクトルは、例えば、多次元の実数値の配列によって示される。制御ベクトルデータベース６０１Ｖと制御データベース６０１とにおいて、制御関連ベクトル情報６０２Ｖと、対応する制御関連情報６０２とは、互いに関連付けられている。

【0183】

制御関連ベクトル情報６０２Ｖの各々は、制御ベクトル情報６０３Ｖ及び変更履歴ベクトル情報６０４Ｖを含む。制御関連ベクトル情報６０２Ｖの各々は、変更理由ベクトル情報６０５Ｖを更に含むことが好ましい。制御ベクトル情報６０３Ｖは、制御情報６０３の特徴を複数の数値ベクトルで表現した情報を示す。この場合、特徴は、例えば、制御情報６０３の意味的及び／又は構造的な特徴である。変更履歴ベクトル情報６０４Ｖは、変更履歴情報６０４の特徴を複数の数値ベクトルで表現した情報を示す。この場合、特徴は、例えば、変更履歴情報６０４の意味的及び／又は構造的な特徴である。変更理由ベクトル情報６０５Ｖは、変更理由情報６０５の特徴を複数の数値ベクトルで表現した情報を示す。この場合、特徴は、例えば、変更理由情報６０５の意味的及び／又は構造的な特徴である。

【0184】

また、情報生成装置３００の処理部３１０は、前処理部３１４を更に含む。具体的には、処理部３１０のプロセッサが、記憶部３５０に記憶されたコンピュータプログラムを実行することで、受付部３１１、前処理部３１４、検索部３１５、生成部３１２、及び、更新部３１３として機能する。

【0185】

更に、ネットワークＮＷ（図１）には、ベクトル生成装置８００が接続されている。ベクトル生成装置８００は、テキスト及び画像を数値ベクトルに変換する。ベクトル生成装置８００は、例えば、マルチモーダル埋め込みモデルを含む。マルチモーダル埋め込みモデルとは、異なる種類のデータを共通に処理及び理解して、異なる種類のデータを数値ベクトルに変換するように設計された機械学習モデルのことである。例えば、マルチモーダル埋め込みモデルは、画像とテキストとを同一の埋め込み空間にマッピングして数値ベクトル化することにより、画像とテキストとの間の意味的な対応関係を推論できる特徴を有する。

【0186】

前処理部３１４は、ドキュメントデータ５０２をベクトル生成装置８００に入力する。ベクトル生成装置８００は、ドキュメントデータ５０２を数値ベクトル情報に変換する。数値ベクトル情報は、複数の数値ベクトルを含む。この場合、前処理部３１４は、ドキュメントデータ５０２のうちのテキストをセグメント化することが好ましい。セグメント化とは、テキストを意味的又は構造的な単位ごとに分割する処理のことである。セグメント化により、テキストが複数のセグメントに分割される。前処理部３１４は、複数のセグメントをベクトル生成装置８００に入力する。ベクトル生成装置８００は、複数のセグメントをそれぞれ示す複数の数値ベクトルを生成する。また、前処理部３１４は、ドキュメントデータ５０２に１以上の画像が含まれる場合は、画像をベクトル生成装置８００に入力する。更に、前処理部３１４は、ドキュメントデータ５０２に１以上の線図が含まれる場合は、線図を画像に変換し、線図を示す画像をベクトル生成装置８００に入力する。ベクトル生成装置８００は、画像を示す数値ベクトルを生成する。

【0187】

セグメント化は、好ましくは、チャンク化である。チャンクとは、意味又は機能を有するテキストの塊のことである。例えば、前処理部３１４は、ＬＬＭ又はＶＬＭを使用して、ドキュメントデータ５０２のうちのテキストを複数のチャンクに分割する。そして、前処理部３１４は、各チャンクをベクトル生成装置８００によって数値ベクトルに変換する。チャンク化においては、前処理部３１４は、学習モデルＴＭを使用してチャンク化を実行してもよいし、別のＬＬＭ又はＶＬＭを使用してチャンク化を実行してもよい。

【0188】

検索部３１５は、ドキュメントデータ５０２を示す数値ベクトル情報と、制御ベクトルデータベース６０１Ｖの制御関連ベクトル情報６０２Ｖとの間で、各数値ベクトルの類似度を算出する。そして、検索部３１５は、算出された各類似度に基づいて、ドキュメントデータ５０２を示す数値ベクトル情報と制御関連ベクトル情報６０２Ｖとの間の類似度（以下、「総合類似度」）を算出する。検索部３１５は、ドキュメントデータ５０２を示す数値ベクトル情報を、各制御関連ベクトル情報６０２Ｖと比較することで、制御関連ベクトル情報６０２Ｖごとに、総合類似度を算出する。そして、検索部３１５は、複数の総合類似度のうち、類似度の高い上位Ｎ個の総合類似度を選択する。Ｎは１以上の整数を示す。検索部３１５は、上位Ｎ個の総合類似度を示すＮ個の制御関連ベクトル情報６０２Ｖに対応するＮ個の制御関連情報６０２を制御データベース６０１から取得する。検索部３１５は、Ｎ個の制御関連情報６０２を検索結果として生成部３１２に出力する。

【0189】

生成部３１２は、検索部３１５から検索結果として出力されたＮ個の制御関連情報６０２及びドキュメントデータ５０２を学習モデルＴＭに入力し、学習モデルＴＭに、ドキュメントデータ５０２の内容に応じた制御関連情報６０２Ａ（具体的には、制御情報６０３Ａ）を生成させる。例えば、生成部３１２は、プロンプトを作成し、プロンプトを学習モデルＴＭに入力する。プロンプトは、例えば、「Ｎ個の制御関連情報６０２を参照して、ドキュメントデータ５０２によって示される要求仕様を実現できる制御情報６０３Ａを生成すること」を要求する内容を含む。その結果、学習モデルＴＭは、検索部３１５による検索結果として出力されたＮ個の制御情報６０３を参照してドキュメントデータ５０２に応じた制御情報６０３Ａを生成する。

【0190】

なお、実施形態３において、学習モデルＴＭとして、図６の実施形態１（変形例を含む）の学習モデルＴＭを使用してもよい。また、実施形態３において図６の実施形態１（変形例を含む）の学習モデルＴＭを使用する場合、又は、実施形態３（変形例を含む）の学習モデルＴＭを使用する場合において、制御データベース６０１の制御関連情報６０２は、変更履歴情報６０４及び変更理由情報６０５を含まなくてもよい。この場合、制御ベクトルデータベース６０１Ｖの制御関連ベクトル情報６０２Ｖは、変更履歴ベクトル情報６０４Ｖ及び変更理由ベクトル情報６０５Ｖを含まなくてもよい。これらの例も、変形例の一種である。

【0191】

（実施形態４）
図１、図１２及び図１３を参照して、本開示の実施形態４に係るロボットシステムＳＹＳを説明する。実施形態４では、学習モデルＴＭが環境データベース装置７００を参照して制御関連情報６０２を生成する点で、実施形態３と主に異なる。以下、実施形態４が実施形態３と異なる点を主に説明する。

【0192】

図１に示すように、環境データベース装置７００は、少なくとも１つの環境データベース７０１を含む。環境データベース装置７００は、複数の環境データベース７０１を格納していてもよい。環境データベース７０１は、１以上の環境情報７０２を格納している。この場合、例えば、環境情報７０２はテキスト形式で格納される。

【0193】

環境情報７０２は、例えば、ロボットＲＢの技術的環境又は法的環境に関する情報を含む。環境情報７０２は、例えば、国、地域、又は、事業会社において定められる。「法的」は、法的拘束力を有する場合に限られず、自主規制等の「準法的」を含む。

【0194】

技術的環境に関する環境情報７０２は、例えば、ロボットＲＢに関する業界標準を定める情報（以下、「業界標準情報」）である。業界標準情報は、例えば、ロボットＲＢに関する技術的な規格を定める情報である。業界標準情報は、例えば、通信規格情報、制御関連規格情報、ロボット性能規格情報、又は、インタフェース仕様情報である。通信規格情報は、例えば、ＥｔｈｅｒＣＡＴ、ＰＲＯＦＩＮＥＴ、Ｍｏｄｂｕｓ、又は、ＣＡＮｏｐｅｎである。制御関連規格情報は、例えば、ＰＬＣｏｐｅｎ、ＲＯＳ、又は、ＯＰＣ－ＵＡである。ロボット性能規格情報は、例えば、ＩＳＯ ９２８３（性能試験）、又は、ＩＳＯ １０２１８（ロボット設計）である。インタフェース仕様情報は、例えば、ＵＳＢ規格である。

【0195】

法的環境に関する環境情報７０２は、例えば、ロボットＲＢに関する法的規制を定める情報（以下、「法的規制情報」）である。法的規制情報は、例えば、ロボットＲＢに関する法的な規格を定める情報である。法的規制情報は、例えば、安全規格情報、地域法規制情報、又は、化学物質規制情報である。安全規格情報は、例えば、機械指令（Machinery Directive）、ＲｏＨＳ、ＲＥＡＣＨ、ＷＥＥＥ、又は、労働安全衛生法である。地域法規制情報は、例えば、日本の電気用品安全法（ＰＳＥ）、米国のＯＳＨＡ基準、又は、ＥＵのＣＥマーキング要件である。化学物質規制情報は、例えば、ＧＨＳ、ＴＳＣＡ（米国）、又は、ＰＲＴＲ（日本）である。

【0196】

図１２は、実施形態４に係る情報生成装置３００の動作を説明するための図である。図１３は、実施形態４に係る情報生成方法の一例を示すフローチャートである。ロボットＲＢは制御対象である。情報生成方法は情報生成装置３００によって実行される。図１３に示すように、情報生成方法は、ステップＳ４１～ステップＳ４８を含む。

【0197】

図１２及び図１３に示すように、まず、ステップＳ４１において、受付部３１１は、制御対象のロボットＲＢに対するドキュメントデータ５０２を受け付ける。この点は、図１１のステップＳ３１と同様である。

【0198】

次に、ステップＳ４２において、検索部３１５は、ドキュメントデータ５０２に基づいて生成された検索クエリに基づいて、ドキュメントデータ５０２の内容に関連する制御関連情報６０２を制御データベース装置６００から検索する（検索処理）。この点は、図１１のステップＳ３２と同様である。

【0199】

次に、ステップＳ４３において、検索部３１５は、ドキュメントデータ５０２に基づいて生成された検索クエリに基づいて、ドキュメントデータ５０２の内容に関連する環境情報７０２を環境データベース装置７００から検索する。環境データベース装置７００は、複数の環境情報７０２を格納している。検索クエリは、例えば、ドキュメントデータ５０２の全内容である。

【0200】

次に、ステップＳ４４において、生成部３１２は、ドキュメントデータ５０２及び検索部３１５による検索結果（制御関連情報６０２及び環境情報７０２）を学習モデルＴＭに入力し、制御関連情報６０２Ａ（具体的には、制御情報６０３Ａ）を学習モデルＴＭに生成させる。学習モデルＴＭは、実施形態２に係る学習モデルＴＭ（図９）である。

【0201】

次に、ステップＳ４５において、生成部３１２は、学習モデルＴＭから制御関連情報６０２Ａを取得する。制御関連情報６０２Ａは制御情報６０３Ａを含む。記憶部３５０は、制御関連情報６０２Ａを記憶する。

【0202】

次に、ステップＳ４６～ステップＳ４８が実行される。ステップＳ４６～ステップＳ４８は、それぞれ、図１１のステップＳ３５～ステップＳ３７と同様である。

【0203】

以上、図１２及び図１３を参照して説明したように、実施形態４によれば、学習モデルＴＭには、ドキュメントデータ５０２だけでなく、検索部３１５による検索結果としての環境情報７０２が入力される。環境情報７０２は、例えば、業界標準情報又は法的規制情報である。従って、学習モデルＴＭは、制御対象のロボットＲＢが準拠すべき業界標準情報又は法的規制情報を反映した制御情報６０３Ａを生成できる。なお、検索部３１５による検索結果としての制御関連情報６０２が学習モデルＴＭに入力される場合の効果は、実施形態３と同様である。

【0204】

引き続き図１２を参照して詳細に説明する。環境データベース装置７００は、環境ベクトルデータベース７０１Ｖを格納する。環境ベクトルデータベース７０１Ｖは、複数の環境情報７０２をそれぞれ示す複数の環境ベクトル情報７０２Ｖを格納している。環境ベクトル情報７０２Ｖは、環境データベース７０１に格納されている環境情報７０２の特徴を複数の数値ベクトルで表現した情報を示す。この場合、特徴は、例えば、環境情報７０２の意味的及び／又は構造的な特徴である。環境ベクトルデータベース７０１Ｖと環境データベース７０１とにおいて、環境ベクトル情報７０２Ｖと、対応する環境情報７０２とは、互いに関連付けられている。

【0205】

検索部３１５は、ドキュメントデータ５０２を示す数値ベクトル情報と、環境ベクトルデータベース７０１Ｖの環境ベクトル情報７０２Ｖとの間で、各数値ベクトルの類似度を算出する。そして、検索部３１５は、算出された各類似度に基づいて、ドキュメントデータ５０２を示す数値ベクトル情報と環境ベクトル情報７０２Ｖとの間の類似度（以下、「総合類似度」）を算出する。検索部３１５は、ドキュメントデータ５０２を示す数値ベクトル情報を、各環境ベクトル情報７０２Ｖと比較することで、環境ベクトル情報７０２Ｖごとに、総合類似度を算出する。そして、検索部３１５は、複数の総合類似度のうち、類似度の高い上位Ｍ個の総合類似度を選択する。Ｍは１以上の整数を示す。検索部３１５は、上位Ｍ個の総合類似度を示すＭ個の環境ベクトル情報７０２Ｖに対応するＭ個の環境情報７０２を環境データベース７０１から取得する。検索部３１５は、Ｍ個の環境情報７０２を検索結果として生成部３１２に出力する。

【0206】

生成部３１２は、検索部３１５から検索結果として出力されたＮ個の制御関連情報６０２、検索部３１５から検索結果として出力されたＭ個の環境情報７０２、及び、ドキュメントデータ５０２を学習モデルＴＭに入力し、学習モデルＴＭに、ドキュメントデータ５０２の内容に応じた制御関連情報６０２Ａ（具体的には、制御情報６０３Ａ）を生成させる。その結果、学習モデルＴＭは、検索部３１５による検索結果として出力されたＮ個の制御情報６０３及びＭ個の環境情報７０２を参照してドキュメントデータ５０２に応じた制御情報６０３Ａを生成できる。

【0207】

なお、実施形態４において、生成部３１２は制御関連情報６０２を学習モデルＴＭに入力しなくてもよい。この場合は、生成部３１２は、検索部３１５から検索結果として出力されたＭ個の環境情報７０２、及び、ドキュメントデータ５０２を学習モデルＴＭに入力し、学習モデルＴＭに、ドキュメントデータ５０２の内容に応じた制御関連情報６０２Ａ（具体的には、制御情報６０３Ａ）を生成させる。この場合、制御データベース装置６００は、制御ベクトルデータベース６０１Ｖを含まなくてもよい。これらの例も、変形例の一種である。

【0208】

また、検索部３１５は、異なる種類の複数の環境データベース７０１から、異なる種類の環境情報７０２を検索してもよい。この場合は、生成部３１２は、検索結果としての異なる種類の環境情報７０２を学習モデルＴＭに入力する。異なる種類の環境データベース７０１は、例えば、業界標準情報を示す環境情報７０２を格納している環境データベース７０１、及び、法的規制情報を示す環境情報７０２を格納している環境データベース７０１である。これらの例も、変形例の一種である。

【0209】

なお、実施形態４において、学習モデルＴＭとして、図６の実施形態１（変形例を含む）の学習モデルＴＭを使用してもよい。また、制御データベース６０１の制御関連情報６０２は、変更履歴情報６０４及び変更理由情報６０５を含まなくてもよい。この場合、制御ベクトルデータベース６０１Ｖの制御関連ベクトル情報６０２Ｖは、変更履歴ベクトル情報６０４Ｖ及び変更理由ベクトル情報６０５Ｖを含まなくてもよい。これらの例も、変形例の一種である。

【0210】

（実施形態５）
図１４及び図１５を参照して、本開示の実施形態５に係るロボットシステムＳＹＳを説明する。実施形態５では、学習モデルＴＭが環境データベース装置７００に格納された環境情報７０２を事前学習している点で、実施形態３及び実施形態４と主に異なる。以下、実施形態５が実施形態３及び実施形態４と異なる点を主に説明する。

【0211】

図１４は、実施形態５に係る学習装置１００の動作を説明するための図である。学習装置１００にとって、ロボットＲＢは学習用のロボットＲＢである。図１４に示すように、学習部１１２は、学習データセットＴＤＸ（ドキュメントデータ５０２Ｔ及び制御関連情報６０２Ｔ）を学習モデルＴＭＢに学習させる前段階において、環境データベース７０１に格納された環境情報７０２を学習モデルＴＭＢに学習させる。

【0212】

具体的には、取得部１１１は、環境データベース７０１から環境情報７０２を取得する。記憶部１５０（図２）は、環境情報７０２を記憶する。そして、学習部１１２は、生成ＡＩ装置２００にアクセスして、学習モデルＴＭＢに環境情報７０２を事前学習させる。環境情報７０２は、ロボットＲＢに関する業界標準情報又は法的規制情報である。

【0213】

環境情報７０２の事前学習の完了後に、学習部１１２は、環境情報７０２を事前学習した学習モデルＴＭＢに、学習データセットＴＤＸ（ドキュメントデータ５０２Ｔ及び制御関連情報６０２Ｔ）を学習させる。その結果、学習データセットＴＤＸだけでなく、環境情報７０２も学習した学習モデルＴＭが生成される。

【0214】

なお、取得部１１１は、異なる種類の複数の環境データベース７０１から、異なる種類の環境情報７０２を取得してもよい。この場合は、学習部１１２は、異なる種類の環境情報７０２を学習モデルＴＭに事前学習させる。異なる種類の環境データベース７０１は、例えば、業界標準情報を示す環境情報７０２を格納している環境データベース７０１、及び、法的規制情報を示す環境情報７０２を格納している環境データベース７０１である。

【0215】

図１５を参照して、実施形態５に係る学習方法を説明する。一例として、学習部１１２は、事前学習済みのＬＬＭ又はＶＬＭを段階的にファインチューニングすることで、学習モデルＴＭを生成する。

【0216】

図１５は、実施形態５に係る学習方法の一例を示すフローチャートである。図１５に示すように、学習方法は、ステップＳ５１～ステップＳ６０を含む。ステップＳ５１～ステップＳ５３がファインチューニングの第１段階であり、ステップＳ５４～ステップＳ６０がファインチューニングの第２段階である。

【0217】

まず、ステップＳ５１において、取得部１１１は、環境データベース７０１から環境情報７０２を取得する。

【0218】

次に、ステップＳ５２において、学習部１１２は、環境情報７０２を用いて、学習アルゴリズムによって、ＬＬＭ又はＶＬＭを学習させる。学習アルゴリズムは、例えば、自己教師あり学習である。

【0219】

次に、ステップＳ５３において、学習部１１２は、全ての環境情報７０２に対して事前学習が完了したか否かを判定する。
ステップＳ５３で否定判定された場合（ＮＯ）、処理はステップＳ５１に進む。
一方、ステップＳ５３で肯定判定された場合（ＹＥＳ）、処理はステップＳ５４に進む。このようにして、環境情報７０２の事前学習が完了する。

【0220】

次に、ステップＳ５４～ステップＳ６０が実行される。ステップＳ５４～ステップＳ６０は、図４を参照して説明した実施形態２に係るステップＳ１～ステップＳ７と同様である。

【0221】

次に、図１０及び図１１を参照して、実施形態５に係る情報生成装置３００の動作を説明する。図１０及び図１１に示すように、ステップＳ３３では、生成部３１２は、ドキュメントデータ５０２及び検索部３１５による検索結果（制御関連情報６０２）を学習モデルＴＭに入力し、制御関連情報６０２Ａ（具体的には、制御情報６０３Ａ）を学習モデルＴＭに生成させる。この場合、学習モデルＴＭは、環境情報７０２を事前学習している。環境情報７０２は、例えば、ロボットＲＢに関する業界標準情報又は法的規制情報である。従って、実施形態５によれば、学習モデルＴＭは、制御対象のロボットＲＢが準拠すべき業界標準情報又は法的規制情報を反映した制御情報６０３Ａを生成できる。

【0222】

なお、実施形態１（変形例を含む）、実施形態２（変形例を含む）、及び、実施形態４（変形例を含む）に係る情報生成装置３００は、実施形態５に係る学習モデルＴＭを使用してもよい。これらの例も、変形例の一種である。

【0223】

（実施形態６）
図８、図１６及び図１７を参照して、本開示の実施形態６に係るロボットシステムＳＹＳを説明する。実施形態６では、学習モデルＴＭがドキュメントデータ５０２の不備の可能性を直接的又は間接的に示す情報を含む点で、実施形態１～実施形態５と主に異なる。以下、実施形態６が実施形態３と異なる点を主に説明する。

【0224】

図８に示すように、実施形態６に係る学習部１１２は、生成ＡＩ装置２００にアクセスして、未学習又は事前学習済みの学習モデルＴＭＢに学習データセットＴＤＸ（ドキュメントデータ５０２Ｔ及び制御関連情報６０２Ｔ）を学習させることで、学習モデルＴＭを構築する。つまり、学習部１１２は、学習データセットＴＤＸに基づいて、ドキュメントデータ５０２を入力した場合に、制御関連情報６０２Ｂを生成する学習モデルＴＭを構築する。制御関連情報６０２Ｂは、制御対象のロボットＲＢの制御に関する情報である。制御関連情報６０２Ｂは、ドキュメントデータ５０２の不備の可能性を直接的又は間接的に示す情報（以下、「不備示唆情報６０３Ｂ」）を含む。

【0225】

図４及び図８を参照して、実施形態６の学習モデルＴＭの詳細を説明する。実施形態６が実施形態２と異なる点を主に説明する。まず、図４に示すように、ステップＳ１及びステップＳ２が実行され、取得部１１１は、ドキュメントデータ５０２Ｔ及び制御関連情報６０２Ｔ（制御情報６０３Ｔ、変更履歴情報６０４Ｔ、及び、変更理由情報６０５Ｔ）を取得する。なお、制御関連情報６０２Ｔは、変更理由情報６０５Ｔを含んでいなくてもよい。

【0226】

次にステップＳ３において、学習部１１２は、学習データセットＴＤＸ（ドキュメントデータ５０２Ｔ及び制御関連情報６０２Ｔ）を用いて、第１学習アルゴリズムによって、ＬＬＭ又はＶＬＭを学習させる（第１学習）。第１学習アルゴリズムは、例えば、自己学習である。自己学習では、変更履歴情報６０４Ｔ及び／又は変更理由情報６０５Ｔに基づいて、ドキュメントデータ５０２Ｔの不備（例えば、曖昧さ、矛盾、不足、又は、誤り）と、不備に対応する制御情報６０３Ｔの変更パターンとの関連性を学習させる。この場合、例えば、ドキュメントデータ５０２Ｔの各部分に対して自動的にラベルが付されて、学習が実行される。ラベルは、例えば、ドキュメントデータ５０２Ｔの各部分の信頼度を示す。例えば、変更履歴情報６０４Ｔ及び／又は変更理由情報６０５Ｔによって示される制御情報６０３Ｔの変更頻度の高い部分に対応するドキュメントデータ５０２Ｔの対応部分には、低い信頼度を示すラベルが付され、変更頻度の低い部分に対応するドキュメントデータ５０２Ｔの対応部分には、高い信頼度を示すラベルが付される。そして、自己学習では、ラベル付けされたドキュメントデータ５０２Ｔと制御情報６０３Ｔとを用いて、ドキュメントデータ５０２が入力された場合に不備示唆情報６０３Ｂを生成するように、ＬＬＭ又はＶＬＭを学習させる。この場合、ラベルによって示される信頼度が学習時の重み付けとして機能するため、ＬＬＭ又はＶＬＭは、ドキュメントデータ５０２Ｔの不備と、不備に対応する制御情報６０３Ｔの変更パターンとの関連性をより緻密に学習できる。

【0227】

次に、ステップＳ４及びステップＳ５が実行される。ステップＳ４及びステップＳ５は、それぞれ、実施形態１のステップＳ４及びステップＳ５と同様である。

【0228】

次に、ステップＳ６において、学習部１１２は、第２学習アルゴリズムによって、ＬＬＭ又はＶＬＭを学習させる（第２学習）。第２学習アルゴリズムは、強化学習である。この場合、例えば、学習部１１２は、第１学習完了後のＬＬＭ又はＶＬＭが生成した不備示唆情報６０３Ｂの品質を数値評価し、数値評価の結果である評価値に基づいて報酬値を算出し、報酬値を用いて強化学習アルゴリズムによりＬＬＭ又はＶＬＭの強化学習を実行する。不備示唆情報６０３Ｂの品質は、例えば、示唆の正確性、示唆の網羅性（潜在的不備を見逃さない程度）、及び、示唆の有用性のうちの少なくとも１つの指標に基づいて決定される。

【0229】

次に、ステップＳ７が実行される。ステップＳ７は、実施形態２のステップＳ７と同様である。ステップＳ１～ステップＳ７によって、ＬＬＭ又はＶＬＭをベースとして、ドキュメントデータ５０２の入力によって不備示唆情報６０３Ｂを生成する学習モデルＴＭが構築される。

【0230】

実施形態６によれば、制御情報６０３Ｔの変更履歴情報６０４Ｔを学習データセットＴＤＸに含めることで、学習モデルＴＭＢは、制御情報６０３Ｔの動的及び時系列的な変遷情報を学習できる。その結果、学習モデルＴＭＢは、制御情報６０３Ｔの変更過程における判断基準及び改善の傾向を学習できる。よって、得られる学習モデルＴＭの精度が更に向上し、更に信頼性の高い不備示唆情報６０３Ｂを生成できる。

【0231】

更に、実施形態６では、制御関連情報６０２Ｔは、制御情報６０３Ｔ及び変更履歴情報６０４Ｔに加えて、変更理由情報６０５Ｔを含むことが好ましい。この好ましい例によれば、学習データセットＴＤＸが、ドキュメントデータ５０２Ｔ、制御情報６０３Ｔ、変更履歴情報６０４Ｔ、及び、変更理由情報６０５Ｔを含む。このように、変更理由情報６０５Ｔを学習させることで、得られる学習モデルＴＭは、変更の背後にある意図及び判断基準を理解し、状況に応じたより適切かつ説明可能な不備示唆情報６０３Ｂを生成できる。

【0232】

例えば、変更理由情報６０５Ｔを学習して生成された学習モデルＴＭは、変更の意図を推測できる。従って、新たな状況に対しても柔軟な判断を行うことができ、新たな状況に対しても信頼性の高い不備示唆情報６０３Ｂを生成できる。

【0233】

例えば、変更理由情報６０５Ｔを学習することで、学習モデルＴＭは、不備示唆情報６０３Ｂを説明する説明情報（以下、「説明情報ＥＹ」）を生成できる。説明情報ＥＹは、学習モデルＴＭが、不備示唆情報６０３Ｂを生成するに至った根拠を示す。説明情報ＥＹは、例えば、テキスト形式で示される。例えば、説明情報ＥＹは、不備示唆情報６０３Ｂを「なぜこのように生成したのか」を示す説明を含む。従って、不備示唆情報６０３Ｂの説明情報ＥＹをユーザに提供できる。その結果、ユーザに対して、不備示唆情報６０３Ｂの信頼性が高いことを示すことができる。よって、ユーザは、不備示唆情報６０３Ｂを高い信頼をもって受け入れることができる。このように、説明可能なＡＩ（ＸＡＩ）である学習モデルＴＭを提供できる。

【0234】

図１６は、実施形態６に係る情報生成装置３００の動作を説明するための図である。図１７は、実施形態６に係る情報生成方法の一例を示すフローチャートである。ロボットＲＢは制御対象である。情報生成方法は情報生成装置３００によって実行される。図１７に示すように、情報生成方法は、ステップＳ７１～ステップＳ７５を含む。

【0235】

図１６及び図１７に示すように、まず、ステップＳ７１において、受付部３１１は、制御対象のロボットＲＢに対するドキュメントデータ５０２を受け付ける。この点は、図１１のステップＳ３１と同様である。

【0236】

次に、ステップＳ７２において、検索部３１５は、ドキュメントデータ５０２に基づいて生成された検索クエリに基づいて、ドキュメントデータ５０２の内容に関連する制御関連情報６０２を制御データベース装置６００から検索する。この点は、図１１のステップＳ３２と同様である。

【0237】

次に、ステップＳ７３において、生成部３１２は、ドキュメントデータ５０２及び検索部３１５による検索結果（制御関連情報６０２）を学習モデルＴＭに入力し、制御関連情報６０２Ｂ（具体的には、不備示唆情報６０３Ｂ）を学習モデルＴＭに生成させる。

【0238】

次に、ステップＳ７４において、生成部３１２は、学習モデルＴＭから制御関連情報６０２Ｂを取得する。制御関連情報６０２Ｂは不備示唆情報６０３Ｂを含む。記憶部３５０は、制御関連情報６０２Ｂを記憶する。

【0239】

次に、ステップＳ７５において、更新部３１３は、不備示唆情報６０３Ｂを、ドキュメントデータ５０２に関連付けてドキュメントデータベース５０１に格納することで、ドキュメントデータベース５０１を更新する。そして、情報生成方法が終了する。

【0240】

以上、図１６及び図１７を参照して説明したように、実施形態６によれば、学習モデルＴＭは、不備示唆情報６０３Ｂを生成する。従って、ユーザは、不備示唆情報６０３Ｂによって、ドキュメントデータ５０２の不備の可能性を認識できる。その結果、ユーザは、不備示唆情報６０３Ｂに基づいて、ドキュメントデータ５０２を改善することができる。

【0241】

また、実施形態６では、制御関連情報６０２Ｂ（具体的には、不備示唆情報６０３Ｂ）は、ドキュメントデータ５０２に不備が存在する可能性を示す情報、及び、ドキュメントデータ５０２の内容の変更が発生する可能性を示す情報のうちの少なくとも１つの情報を含む。

【0242】

ユーザは、ドキュメントデータ５０２に不備が存在する可能性を示す情報に基づいて、ドキュメントデータ５０２の修正又は改善を実施できる。ドキュメントデータ５０２に不備が存在する可能性を示す情報は、例えば、ドキュメントデータ５０２における不備部分の箇所、不備部分の改善案、及び、不備部分の代替案のうちの１以上の情報を含んでいてもよい。

【0243】

また、ユーザは、ドキュメントデータ５０２の内容の変更が発生する可能性を示す情報に基づいて、ドキュメントデータ５０２の将来の修正又は改善を検討できる。ドキュメントデータ５０２の内容の変更が発生する可能性を示す情報は、例えば、ドキュメントデータ５０２において将来に変更が発生し得る部分の箇所、将来に変更が発生し得る部分の改善案、及び、将来に変更が発生し得る部分の代替案のうちの１以上の情報を含んでいてもよい。

【0244】

また、実施形態６では、学習モデルＴＭには、ドキュメントデータ５０２だけでなく、検索部３１５による検索結果としての制御関連情報６０２が入力される。従って、学習モデルＴＭは、制御データベース装置６００に格納された制御関連情報６０２を参照して、ドキュメントデータ５０２に基づいて不備示唆情報６０３Ｂを生成できる。従って、学習モデルＴＭは、直近の制御関連情報６０２（制御情報６０３、変更履歴情報６０４、及び、変更理由情報６０５）を取り込むことがきる。加えて、制御対象のロボットＲＢに対するドキュメントデータ５０２に基づく検索クエリによって検索が実行されるため、学習モデルＴＭは、ドキュメントデータ５０２によって示される要求仕様に類似又は関連した制御関連情報６０２を取り込むことができる。その結果、学習モデルＴＭは、更に信頼性の高い不備示唆情報６０３Ｂを生成できる。

【0245】

なお、実施形態１（変形例を含む）、実施形態２（変形例を含む）、実施形態４（変形例を含む）、及び、実施形態５（変形例を含む）において、学習部１１２は、学習データセットＴＤ又は学習データセットＴＤに基づいて、ドキュメントデータ５０２を入力した場合に、制御関連情報６０２（具体的には、不備示唆情報６０３Ｂ）を生成する学習モデルＴＭを構築してもよい。これらの例も、変形例の一種である。

【0246】

例えば、実施形態１では、学習部１１２は、学習データセットＴＤ（制御情報６０３Ｔ及びドキュメントデータ５０２Ｔ）に基づいて、ドキュメントデータ５０２を入力した場合に、不備示唆情報６０３Ｂを生成する学習モデルＴＭを構築することができる。従って、この場合、人だけで不備示唆情報６０３Ｂを作成する場合と比較して、不備示唆情報６０３Ｂを容易に生成できる。その結果、例えば、ドキュメントデータ５０２をチェックする人の労力を軽減できる。また、例えば、不備示唆情報６０３Ｂをチェックする人の経験及び知識の多寡が不備示唆情報６０３Ｂの的確性に影響を及ぼすことを抑制できる。

【0247】

また、例えば、実施形態１において、学習部１１２は、学習データセットＴＤＸ（ドキュメントデータ５０２Ｔ及び制御情報６０３Ｔ）を用いた自己教師あり学習により、学習モデルＴＭＢに、ドキュメントデータ５０２Ｔと制御情報６０３Ｔとの対応関係（例えば、構造的及び／又は意味的対応関係）を学習させることで、ドキュメントデータ５０２Ｔの不備を検出する能力及び不備示唆情報６０３Ｂを生成する能力を有する学習モデルＴＭＢを生成してもよい。

【0248】

また、例えば、実施形態５では、学習部１１２は、環境情報７０２を事前学習した学習モデルＴＭＢに、学習データセットＴＤＸ又は学習データセットＴＤを学習させることで、ドキュメントデータ５０２を入力した場合に、不備示唆情報６０３Ｂを生成する学習モデルＴＭを構築することができる。従って、この場合、学習モデルＴＭは、制御対象のロボットＲＢが準拠すべき業界標準情報又は法的規制情報を反映した不備示唆情報６０３Ｂを生成できる。この点は、実施形態４において学習モデルＴＭに不備示唆情報６０３Ｂを生成させる場合も同様である。

【0249】

以上、添付図面を参照しながら本開示の好適な実施形態について詳細に説明したが、本開示の技術的範囲はかかる例に限定されない。本開示の技術分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本開示の技術的範囲に属するものと了解される。

【0250】

本明細書において説明した装置は、単独の装置として実現されてもよく、一部または全部がネットワークで接続された複数の装置（例えばクラウドサーバ）等により実現されてもよい。

【0251】

本明細書において説明した装置による一連の処理は、ソフトウェア、ハードウェア、及びソフトウェアとハードウェアとの組合せのいずれを用いて実現されてもよい。本実施形態に係る処理部１１０、３１０の各機能を実現するためのコンピュータプログラムを作製し、ＰＣ等に実装することが可能である。また、このようなコンピュータプログラムが格納された、コンピュータで読み取り可能な記録媒体も提供することができる。記録媒体は、例えば、磁気ディスク、光ディスク、光磁気ディスク、フラッシュメモリ等である。また、上記のコンピュータプログラムは、記録媒体を用いずに、例えばネットワークを介して配信されてもよい。

【0252】

図４、図７、図１１、図１３、図１５、及び、図１７おいては、処理部１１０又は３１０は、記憶部１５０又は３５０に記憶されたコンピュータプログラムを実行することで、学習方法又は情報生成方法に含まれる各ステップを実行する。換言すれば、コンピュータプログラムは、処理部１１０又は３１０に、学習方法又は情報生成方法に含まれる各ステップを実行させる。処理部１１０又は３１０は、本開示の「コンピュータ」の一例に相当する。更に換言すれば、コンピュータプログラム製品は、処理部１１０又は３１０によってコンピュータプログラムが実行された際に、学習方法又は情報生成方法に含まれる各ステップを実現する。また、学習モデルＴＭは、学習データセットＴＤ又はＴＤＸを学習することで構築され、制御対象のロボットＲＢの制御に関する情報を示す制御関連情報６０２Ａ又は６０２Ｂを生成するように、コンピュータを機能させる。具体的には、学習モデルＴＭは、制御対象のロボットＲＢに実行させる動作内容を示すドキュメントデータ５０２を入力して、制御関連情報６０２Ａ又は６０２Ｂを生成するように、コンピュータを機能させる。

【0253】

また、本明細書に記載された効果は、あくまで説明的または例示的なものであって限定的ではない。つまり、本開示に係る技術は、上記の効果とともに、または上記の効果に代えて、本明細書の記載から当業者には明らかな他の効果を奏しうる。

【0254】

なお、以下のような構成も本開示の技術的範囲に属する。

【0255】

（項目１）
制御対象ロボットに実行させる動作内容を示すドキュメントデータを学習モデルに入力し、前記制御対象ロボットの制御に関する情報を示す制御関連情報を前記学習モデルに生成させる生成部と、
前記制御関連情報を記憶する記憶部と、を備え、
前記学習モデルは、学習データセットを学習することで構築されており、
前記学習データセットは、学習用ロボットに実行させる動作内容を示す学習用ドキュメントデータ、及び、前記学習用ロボットの制御に関する情報である学習用制御関連情報を含み、
前記学習用制御関連情報は、前記学習用ドキュメントデータに基づいて作成された前記学習用ロボットの制御情報を含む、情報生成装置。

【0256】

（項目２）
前記学習用制御関連情報は、前記学習用ロボットの前記制御情報の変更履歴を示す情報を含む、項目１に記載の情報生成装置。

【0257】

（項目３）
前記学習用制御関連情報は、前記変更履歴によって示される変更の理由に関する情報を含む、項目２に記載の情報生成装置。

【0258】

（項目４）
前記学習用ロボットの前記制御情報は、作業者によって操作される入力装置を介して作成される制御情報を含む、項目１から項目３のいずれかに記載の情報生成装置。

【0259】

（項目５）
前記制御関連情報は、前記制御対象ロボットの制御情報を含む、項目１から項目４のいずれかに記載の情報生成装置。

【0260】

（項目６）
前記制御関連情報は、前記ドキュメントデータの不備の可能性を直接的又は間接的に示す情報を含む、項目１から項目４のいずれかに記載の情報生成装置。

【0261】

（項目７）
前記制御関連情報は、前記ドキュメントデータに不備が存在する可能性を示す情報、及び、前記ドキュメントデータの内容の変更が発生する可能性を示す情報のうちの少なくとも１つの情報を含む、項目１から項目４のいずれかに記載の情報生成装置。

【0262】

（項目８）
前記ドキュメントデータの内容に関連する参照用制御関連情報をデータベース装置から検索する検索部を更に備え、
前記参照用制御関連情報は、ロボットの制御に関する情報であり、
前記生成部は、前記ドキュメントデータ及び前記検索部による検索結果を前記学習モデルに入力し、前記制御関連情報を前記学習モデルに生成させる、項目１から項目７のいずれかに記載の情報生成装置。

【0263】

（項目９）
前記データベース装置は、前記ロボットの制御情報の変更履歴を示す情報を格納している、項目８に記載の情報生成装置。

【0264】

（項目１０）
前記制御関連情報は、前記制御対象ロボットの制御情報を含み、
前記学習モデルによって生成された前記制御対象ロボットの前記制御情報を、変更履歴を示す情報とともに前記データベース装置に格納することで、前記データベース装置を更新する更新部を更に備える、項目９に記載の情報生成装置。

【0265】

（項目１１）
前記学習モデルは、ロボットに関する業界標準情報又は法的規制情報を事前に学習している、項目１から項目１０のいずれかに記載の情報生成装置。

【0266】

（項目１２）
前記ドキュメントデータの内容に関連する業界標準情報又は法的規制情報をデータベース装置から検索する検索部を更に備え、
前記生成部は、前記ドキュメントデータ及び前記検索部による検索結果を前記学習モデルに入力し、前記制御関連情報を前記学習モデルに生成させる、項目１から項目１１のいずれかに記載の情報生成装置。

【0267】

（項目１３）
前記学習用ロボットは、無人搬送ロボットであり、
前記制御対象ロボットは、無人搬送ロボットである、項目１から項目１２のいずれかに記載の情報生成装置。

【0268】

（項目１４）
前記無人搬送ロボットは、前記無人搬送ロボットに配置された状態で駆動する作業ロボットを搬送する、項目１３に記載の情報生成装置。

【0269】

（項目１５）
制御対象ロボットに実行させる動作内容を示すドキュメントデータを学習モデルに入力し、前記制御対象ロボットの制御に関する情報を示す制御関連情報を前記学習モデルに生成させるステップと、
前記制御関連情報を取得するステップと、を含み、
前記学習モデルは、学習データセットを学習することで構築されており、
前記学習データセットは、学習用ロボットに実行させる動作内容を示す学習用ドキュメントデータ、及び、前記学習用ロボットの制御に関する情報である学習用制御関連情報を含み、
前記学習用制御関連情報は、前記学習用ドキュメントデータに基づいて作成された前記学習用ロボットの制御情報を含む、情報生成方法。

【0270】

（項目１６）
コンピュータに、
制御対象ロボットに実行させる動作内容を示すドキュメントデータを学習モデルに入力し、前記制御対象ロボットの制御に関する情報を示す制御関連情報を前記学習モデルに生成させるステップと、
前記制御関連情報を取得するステップと、を実行させ、
前記学習モデルは、学習データセットを学習することで構築されており、
前記学習データセットは、学習用ロボットに実行させる動作内容を示す学習用ドキュメントデータ、及び、前記学習用ロボットの制御に関する情報である学習用制御関連情報を含み、
前記学習用制御関連情報は、前記学習用ドキュメントデータに基づいて作成された前記学習用ロボットの制御情報を含む、コンピュータプログラム。

【0271】

（項目１７）
学習データセットを学習することで構築され、制御対象ロボットの制御に関する情報を示す制御関連情報を生成するように、コンピュータを機能させる学習モデルであって、
前記制御対象ロボットに実行させる動作内容を示すドキュメントデータを入力して、前記制御関連情報を生成するように、前記コンピュータを機能させ、
前記学習データセットは、学習用ロボットに実行させる動作内容を示す学習用ドキュメントデータ、及び、前記学習用ロボットの制御に関する情報である学習用制御関連情報を含み、
前記学習用制御関連情報は、前記学習用ドキュメントデータに基づいて作成された前記学習用ロボットの制御情報を含む、学習モデル。

【産業上の利用可能性】

【0272】

本開示は、情報生成装置、情報生成方法、コンピュータプログラム、及び、学習モデルを提供するものであり、産業上の利用可能性を有する。

【符号の説明】

【0273】

１００ 学習装置、１１１ 取得部、１１２ 学習部、２００ 生成ＡＩ装置、３００ 情報生成装置、３１１ 受付部、３１２ 生成部、３１３ 更新部、３１４ 前処理部、３１５ 検索部、４００ ロボット管理装置、５００ ドキュメントデータベース装置、６００ 制御データベース装置（データベース装置）、７００ 環境データベース装置（データベース装置）、ＴＭ 学習モデル、ＲＢ ロボット、ＥＱ 産業用機器、ＭＧ 管理システム、ＮＷ ネットワーク

【要約】

本開示の情報生成装置は、制御対象ロボットに実行させる動作内容を示すドキュメントデータを学習モデルに入力し、制御対象ロボットの制御に関する情報を示す制御関連情報を学習モデルに生成させる生成部と、制御関連情報を記憶する記憶部と、を備え、学習モデルは、学習データセットを学習することで構築されており、学習データセットは、学習用ロボットに実行させる動作内容を示す学習用ドキュメントデータ、及び、学習用ロボットの制御に関する情報である学習用制御関連情報を含み、学習用制御関連情報は、学習用ドキュメントデータに基づいて作成された学習用ロボットの制御情報を含む。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】