估计装置、估计方法、估计程序以及学习模型生成装置

1.本公开涉及一种估计装置、估计方法、估计程序以及学习模型生成装置。


背景技术：

2.以往一直进行着聚氨酯构件等柔软材料的变形检测。对于聚氨酯构件等柔软材料，很难在不妨碍变形的情况下对变形进行检测。另外，在金属变形等刚体的检测中所使用的应变传感器很难对柔软材料利用，因此为了检测柔软材料的变形，需要特殊的检测装置。例如，在国际公开2017029905号公报中公开了由摄像机测定物体的位移和振动并获取变形图像来提取变形量的技术。另外，在日本特开2013-101096公报中公开了与根据光的透射量来估计变形量的柔软触觉传感器有关的技术。


技术实现要素：

3.发明要解决的问题
4.然而，例如在使用通过摄像机和图像解析方法检测物体的位移等变形量的方法来检测柔软材料的变形的情况下，包括摄像机和图像解析等的系统由于规模变大而招致装置的大型化，因此是不理想的。另外，使用摄像机的光学方法不能够进行摄像机拍摄不到的隐藏部分的测量。因而，检测柔软材料的变形存在改善的余地。
5.本公开无需使用特殊的检测装置，而能够利用具有导电性的柔软材料在变形时的电气特性来估计压力刺激的形状信息。
6.用于解决问题的方案
7.本公开的技术包括：检测部，其检测具有导电性的柔软材料的多个检测点之间的电气特性；以及估计部，其针对将电气特性和形状信息用作学习数据并以将所述电气特性作为输入且输出所述形状信息的方式进行了学习的学习模型输入估计对象物的由所述检测部检测出的电气特性，来估计所述估计对象物的形状信息，其中，所述电气特性与所述柔软材料的变形相应地按时间序列变化，所述形状信息表示对所述柔软材料施加变形的压力刺激的在所述柔软材料处的形状。
附图说明
8.图1是示出实施方式所涉及的柔软材料的形状估计装置的结构的一例的图。
9.图2是示出实施方式所涉及的柔软材料的电气路径的概念的图。
10.图3是示出与实施方式所涉及的学习处理有关的图。
11.图4是示出实施方式所涉及的测定装置的一例的图。
12.图5是示出实施方式所涉及的按压构件的一例的图。
13.图6是示出实施方式所涉及的柔软材料的检测点的一例的图。
14.图7是示出实施方式所涉及的学习数据收集处理的一例的流程图。
15.图8是示出与实施方式所涉及的学习处理部中的学习处理有关的图。
16.图9是示出实施方式所涉及的学习处理的流程的一例的流程图。
17.图10是示出与实施方式所涉及的学习处理部中的学习处理有关的图。
18.图11是示出实施方式所涉及的柔软材料的形状估计装置的结构的一例的图。
19.图12是示出实施方式所涉及的估计处理的流程的一例的流程图。
20.图13a是示出与实施方式所涉及的压力刺激以及柔软材料的电气特性有关的压力值的时间特性的图。
21.图13b是示出与实施方式所涉及的压力刺激以及柔软材料的电气特性有关的柔软材料的深度的时间特性的图。
22.图13c是示出与实施方式所涉及的压力刺激以及柔软材料的电气特性有关的电阻值的时间特性的图。
23.图13d是示出与实施方式所涉及的压力刺激以及柔软材料的电气特性有关的电阻值的变化量的时间特性的图。
24.图14是示出与实施方式所涉及的形状估计有关的验证结果的图。
25.图15是示出与实施方式所涉及的形状估计有关的验证结果的图。
26.图16是示出与实施方式所涉及的形状估计有关的验证结果的图。
27.图17a是示出与实施方式所涉及的柔软材料的电气特性有关的电阻值的时间特性的图。
28.图17b是示出与实施方式所涉及的柔软材料的电气特性有关的电阻值的变化量的时间特性的图。
29.图18a是示出实施方式所涉及的电气特性的分析结果的图，示出多个按压构件的结果。
30.图18b是示出实施方式所涉及的电气特性的分析结果的图，示出一部分按压构件的结果。
31.图19是示出与实施方式所涉及的形状估计有关的验证结果的图。
32.图20是示出与实施方式所涉及的形状估计有关的验证结果的图。
33.图21a是示出实施方式所涉及的电气特性的分析结果的图，示出电阻值的结果。
34.图21b是示出实施方式所涉及的电气特性的分析结果的图，示出从不同的方向参照分析结果所得到的结果。
具体实施方式
35.下面，参照附图来详细地说明实现本公开的技术的实施方式。
36.此外，在全部附图中，对作用、功能起到相同效果的构成要素和处理标注相同的附图标记，有时适当地省略重复的说明。另外，本公开不受下面的实施方式的任何限定，能够在本公开的目的的范围内适当地施加变更并进行实施。另外，在本公开中，主要说明对非线性地变形的构件进行的物理量的估计，但是当然能够应用于对线性地变形的构件进行的物理量的估计。
37.在本公开中，“柔软材料”是包含通过被施加外力而至少一部分能够发生挠曲等那样变形的材料的概念，包括橡胶材料等柔软的弹性体、具有纤维状骨架的构造体、以及内部散布着多个微小气泡的构造体。关于外力的一例，列举有压力。关于具有纤维状骨架的构造
体和内部散布着多个微小气泡的构造体的一例，列举有聚氨酯材料等高分子材料。“赋予了导电性的柔软材料”是包括具有导电性的材料的概念，包括为了赋予导电性而将导电材料添加到柔软材料中所得到的材料和柔软材料具有导电性的材料。另外，赋予了导电性的柔软材料具有电气特性与变形相应地变化的功能。此外，关于使电气特性与变形相应地变化的功能产生的物理量的一例，列举有基于压力刺激的压力值。在使柔软材料变形的情况下，能够使柔软材料随着压力刺激的形状而变形。另外，关于表示与变形相应地变化的电气特性的物理量的一例，列举有电阻值。该电阻值能够视为柔软材料的体积电阻值。
38.柔软材料由于被赋予导电性而出现与变形相应的电气特性。即，如图2所示，在赋予了导电性的柔软材料中，电气路径进行复杂的联合，电气路径与变形相应地进行伸缩或膨缩。另外，有时也呈现电气路径被暂时切断的行为以及产生与以往不同的连接的行为。因而，柔软材料在隔开预先决定的距离的位置(例如检测点)之间，与被施加的力(例如压力刺激)相应地呈现具有不同的电气特性的行为。因此，从柔软材料的形状变化的观点来看，能够认为电气特性与对柔软材料施加的力(例如压力刺激)以及对柔软材料施加的力的形状相应地变化。
39.本公开的估计装置使用学习模型，该学习模型将与柔软材料的变形相应地变化的对应有时间序列信息的电气特性和对柔软材料施加变形的压力刺激的形状信息用作学习用数据并以将电气特性作为输入且输出形状信息的方式进行了学习。估计装置对学习模型输入作为估计对象物的柔软材料的电气特性，来估计其输出作为估计对象物的形状信息。
40.此外，在本公开中，为了掌握弹性体的物理量，对作为柔软材料的一例而应用了使导电材料渗透到聚氨酯构件中所得到的构件(下面称为导电性柔软构件)的情况进行说明。另外，对将由预先决定的形状的赋予构件赋予的压力刺激应用为使柔软材料变形的物理量且将电阻值应用为与柔软材料的变形相应地变化的物理量的情况进行说明。
41.在图1中示出作为本公开的估计装置的柔软材料的形状估计装置1的结构的一例。
42.在柔软材料的形状估计装置1中的估计处理中，使用将以对导电性柔软构件2施加的压力刺激为标签的赋予数据(至少为形状值)和导电性柔软构件2的电阻数据(即，电阻值)作为输入进行了学习的学习完毕的学习模型，来估计并输出对导电性柔软构件2施加的未知的压力刺激的形状数据。
43.即，柔软材料的形状估计装置1根据由于对柔软材料施加的压力刺激而发生了形状变化的柔软材料的电气特性来估计对柔软材料施加的压力刺激的形状。由此，无需使用特殊的装置、大型的装置来直接测量柔软构件的变形，就能够确定对柔软材料施加的压力刺激的形状。
44.在本实施方式中，导电性柔软构件2被应用为检测部。即，如图1所示，柔软材料的形状估计装置1具备估计部5。对估计部5输入表示与对导电性柔软构件2施加的压力刺激3对应的电阻的大小(电阻值)的输入数据4。另外，估计部5输出表示作为估计结果的对导电性柔软构件2施加的压力刺激3的物理量(形状值)的输出数据6。估计部5包括学习完毕的学习模型51。
45.学习模型51是完成了根据被施加了压力刺激3的导电性柔软构件2的电阻(输入数据4)导出对导电性柔软构件2施加的压力刺激的形状(输出数据6)的学习的模型。学习模型51例如是用于规定学习完毕的神经网络的模型，被表现为构成神经网络的节点(神经元)彼
此之间的连接的权重(强度)的信息的集合。
46.学习模型51是通过学习处理部52(图3)的学习处理而生成的。学习处理部52使用被施加了压力刺激3的导电性柔软构件2的按时间序列的电阻(输入数据4)来进行学习处理。即，将以压力刺激3的形状为标签并按时间序列测定导电性柔软构件2的隔开预先决定的距离的检测点之间的电阻所得到的大量的数据作为学习数据。具体地说，学习数据包含输入数据和信息(输出数据6)的大量组合，该输入数据包含电阻值(输入数据4)，该信息表示与该输入数据对应的压力刺激3的形状。在此，例如通过对导电性柔软构件2的电阻值(输入数据4)分别附加表示测定时刻的信息，从而与时间序列信息建立对应。在该情况下，也可以针对在对导电性柔软构件2施加了压力刺激的情况下的逐次的电阻值的组合附加表示测定时刻的信息来与时间序列信息建立对应。
47.接着，对学习处理部52所进行的学习处理进行说明。
48.首先，对学习处理中使用的学习数据进行说明。
49.在图4中示出对导电性柔软构件2的物理量进行测定的测定装置7的一例。
50.测定装置7在被固定于基座71的固定部72上安装用于对导电性柔软构件2施加压力刺激(使导电性柔软构件2变形的物理量)的压力赋予部73。压力赋予部73具备压力赋予主体73a、能够相对于压力赋予主体73a进行伸缩的臂73b、以及安装于臂73b的前端的前端部73c。在压力赋予部73中，压力赋予主体73a被固定于固定部72，臂73b根据输入信号而进行伸缩，从而使前端部73c沿规定方向(箭头f方向)移动。
51.导电性柔软构件2被设置于基座71，在压力赋予部73的前端部73c与导电性柔软构件2之间配置有规定形状的按压构件74。此外，在本实施方式中，作为规定形状的按压构件74的一例，使用图5所示的按压构件74a～74e。按压构件74a是对导电性柔软构件2施加呈圆形的压力刺激的按压构件，按压构件74b是施加呈四边形的压力刺激的按压构件，按压构件74c是施加呈三角形的压力刺激的按压构件。此外，在本实施方式中，考虑按压构件74的朝向，将以与按压构件74b不同的朝向施加压力刺激的按压构件设为按压构件74d，将以与按压构件74c不同的朝向施加压力刺激的按压构件设为按压构件74e。
52.压力赋予部73以通过臂73b伸长而使前端部73c将按压构件74向导电性柔软构件2推压的方式工作。在导电性柔软构件2的靠基座71侧的表面具备用于检测电气特性(即，是表示导电性柔软构件2的电气特性的物理量，在此为电阻值)的检测点75。检测点75被配置在隔开规定距离的不同的多个位置，以检测导电性柔软构件2的电阻值。
53.在本实施方式中，作为导电性柔软构件2的检测点75的一例，应用图6所示的呈点阵状配置的多个(图6中为8个)检测点75。能够选择这些多个检测点75中的任意2个检测点75来检测导电性柔软构件2的电阻值(例如，体积电阻值)。在图6中，作为8个检测点75的各个检测点，在表示检测点75的图形(圆形)内标注有分别表示第一至第八的符号。另外，在图6所示的例子中，示出通过第一检测点75和第二检测点75来检测电阻值的第一检测组#1。第二检测点75和第三检测点75表示第二检测组#2，第三检测点75和第四检测点75表示第三检测组#3，第四检测点75和第一检测点75表示第四检测组#4。第五检测点75和第七检测点75表示第五检测组#5，第六检测点75和第八检测点75表示第六检测组#6。第二检测点75和第四检测点75表示第七检测组#7，第一检测点75和第三检测点75表示第八检测组#8。
54.此外，在本实施方式中，对利用上述的检测组中的任一个检测组来检测导电性柔
软构件2的电气特性(电阻值)的情况进行说明。
55.测定装置7具备与检测点75连接来检测电气特性(即，电阻值)的电气特性检测部76。测定装置7具备与压力赋予部73以及电气特性检测部76连接的控制器70。控制器70进行压力赋予部73的控制，来对导电性柔软构件2施加压力刺激，获取针对导电性柔软构件2的压力刺激下的电阻值并进行存储。此外，将所存储的电阻值与表示针对导电性柔软构件2的压力刺激的形状、即按压构件74的形状的信息建立对应。
56.在按压构件74的按压控制下，测定装置7能够与按压构件74的形状对应地按时间序列获取导电性柔软构件2的电阻值的多个数据组合。
57.控制器70能够构成为具备未图示的包括cpu的计算机，执行学习数据收集处理。在图7中示出学习数据收集处理的一例。控制器在步骤s100中进行由按压构件74对导电性柔软构件2施加压力刺激的指示，在步骤s102中按时间序列获取导电性柔软构件2的电阻值。在接下来的步骤s104中，将按压构件74的形状作为标签附加给所获取到的按时间序列的电阻值并进行存储。控制器70重复上述处理直到这些按压构件74的形状与导电性柔软构件2的电阻值的组合达到预先决定的规定数量、或者达到预先决定的规定时间为止(在步骤s106中进行否定判断直到进行肯定判断为止)。
58.因而，控制器70通过进行由按压构件74对导电性柔软构件2施加压力刺激的按压控制，能够针对每个按压构件74的形状，按时间序列获取并存储导电性柔软构件2的电阻值。在该控制器70中存储的按每个按压构件74的形状且按时间序列的导电性柔软构件2的电阻值的组合成为学习数据。
59.接着，参照图8来对学习处理部52进行说明。
60.学习处理部52包括生成器54和运算器56。生成器54具有考虑作为输入的按时间序列获取到的电阻值的前后关系来生成输出的功能。
61.另外，学习处理部52保持有由测定装置7测定出的输入数据4(电阻值)与作为压力刺激而施加于导电性柔软构件2的与按压构件74有关的数据即输出数据6(形状)的大量的组合来作为学习用数据。
62.在图8所示的例子中，生成器54包括输入层540、中间层542以及输出层544，构成了公知的神经网络(nn：neural network)。神经网络本身是公知的技术，因此省略详细的说明，但中间层542包括具有节点间连接和反馈连接的大量的节点组(神经元组)。向该中间层542输入来自输入层540的数据，中间层542的作为运算结果的数据被输出到输出层544。
63.生成器54是根据被输入的输入数据4(电阻)生成表示按压构件74的形状的生成输出数据6a的神经网络。生成输出数据6a是根据输入数据4(电阻)估计出对导电性柔软构件2施加了压力刺激的按压构件74的形状的数据。生成器54根据按时间序列输入的输入数据4(电阻)，来生成表示与对导电性柔软构件2施加了压力刺激的按压构件74的形状接近的形状的生成输出数据。生成器54通过使用大量的输入数据4(电阻)进行学习，能够生成更接近对导电性柔软构件施加了压力刺激的按压构件74的形状的生成输出数据6a。
64.运算器56是将生成输出数据6a与学习数据的输出数据6进行比较并运算作为其比较结果的误差的运算器。学习处理部52将生成输出数据6a和学习数据的输出数据6输入到运算器56。与之相应地，运算器56运算生成输出数据6a与学习数据的输出数据6的误差，并输出表示其运算结果的信号。
65.学习处理部52使生成器54进行基于由运算器56运算出的误差来调整节点间的连接的权重参数的学习。具体地说，使用例如梯度下降法、误差逆传播法等方法，将生成器54中的输入层540与中间层542的节点间的连接的权重参数、中间层542内的节点间的连接的权重参数、以及中间层542与输出层544的节点间的连接的权重参数中的各个权重参数反馈给生成器54。即，以学习数据的输出数据6为目标，将所有的节点间的连接最优化以使生成输出数据6a与学习数据的输出数据6的误差最小化。
66.学习模型51是通过学习处理部52的学习处理而生成的。学习模型51表现为作为学习处理部52的学习结果的节点间的连接的权重参数(权重或强度)的信息的集合。
67.学习处理部52构成为具备未图示的包括cpu的计算机，能够执行学习处理。例如，如图9所示的学习处理的一例那样，在步骤s110中，学习处理部52获取作为按时间序列测定得到的结果的学习数据、即以表示按压构件74的形状的信息为标签的输入数据4(电阻)。在步骤s112中，学习处理部52使用作为按时间序列测定得到的结果的学习数据来生成学习模型51。即，获得作为如上述那样使用大量的学习数据进行学习所得到的学习结果的节点间的连接的权重参数(权重或强度)的信息的集合。然后，在步骤s114中，将表现为作为学习结果的节点间的连接的权重参数(权重或强度)的信息的集合的数据作为学习模型51进行存储。
68.此外，生成器54既可以使用具有考虑按时间序列的输入的前后关系来生成输出的功能的递归神经网络，也可以使用其它方法。
69.而且，在上述柔软材料的形状估计装置1中，使用通过上面例示的方法生成的学习完毕的生成器54(即，表现为作为学习结果的节点间的连接的权重参数的信息的集合的数据)来作为学习模型51。若使用充分地进行了学习的学习模型51，则根据按压构件74对导电性柔软构件2的压力刺激中的按时间序列的电阻值来确定对导电性柔软构件2按压的按压构件74的形状也并非不可能。
70.此外，学习处理部52的处理是本公开的学习模型生成装置的处理的一例。另外，柔软材料的形状估计装置1是本公开的估计部和估计装置的一例。
71.另外，如上所述，在导电性柔软构件2中，电气路径进行复杂的联合(例如参照图2)，呈现电气路径的与变形相应的伸缩、膨缩、暂时切断、以及产生新的连接等行为，就结果而言，与被施加的力(例如压力刺激)相应地呈现具有不同的电气特性的行为。这意味着能够将导电性柔软构件2用作贮存与导电性柔软构件2的变形有关的数据的储备池。即，柔软材料的形状估计装置1能够对被称为物理储备池计算(prc：physical reservoir computing)的网络模型(下面称为prcn)应用导电性柔软构件2。prc和prcn本身是公知的技术，因此省略详细的说明，换言之，prc和prcn能够较佳地应用于与导电性柔软构件2的变形有关的信息的估计。
72.在图10中示出将导电性柔软构件2用作贮存与导电性柔软构件2的变形有关的数据的储备池来进行学习的学习处理部52的一例。导电性柔软构件2变为与各种压力刺激中的每一种压力刺激相应的电气特性(电阻值)，作为输入电阻值的输入层而发挥功能，另外，作为贮存与导电性柔软构件2的变形有关的数据的储备池层而发挥功能。导电性柔软构件2与被施加的压力刺激3(按压构件的形状)相应地输出不同的电气特性(输入数据4)，因此能够在估计层根据导电性柔软构件2的电阻值来估计所施加的压力刺激3(按压构件的形状)。
因而，在学习处理中，对估计层进行学习即可。
73.上述的柔软材料的形状估计装置1例如能够通过使计算机执行表示上述的各功能的程序来实现。
74.在图11中示出作为执行用于实现柔软材料的形状估计装置1的各种功能的处理的执行装置而构成为包括计算机的情况的一例。
75.作为图8所示的柔软材料的形状估计装置1而发挥功能的计算机具备图11所示的计算机主体100。计算机主体100具备cpu 102、易失性存储器等ram 104、rom 106、硬盘装置(hdd)等辅助存储装置108以及输入输出接口(i/o)110。这些cpu 102、ram 104、rom 106、辅助存储装置108以及输入输出i/o 110是以能够相互传输数据和指令的方式经由总线112进行了连接的结构。另外，用于与外部装置进行通信的通信部114以及显示器、键盘等操作显示部116被连接于输入输出i/o 110。通信部114发挥与导电性柔软构件2之间获取输入数据4(电阻)的功能。即，通信部114能够从作为检测部的、包括导电性柔软构件2且与导电性柔软构件2的检测点75连接的电气特性检测部76获取输入数据4(电阻)。
76.在辅助存储装置108中存储有用于使计算机主体100作为本公开的估计装置的一例、即柔软材料的形状估计装置1而发挥功能的控制程序108p。cpu 102从辅助存储装置108读出控制程序108p并在ram 104中展开而执行处理。由此，执行了控制程序108p的计算机主体100作为本公开的估计装置的一例、即柔软材料的形状估计装置1而进行动作。
77.此外，在辅助存储装置108中存储有包括学习模型51的学习模型108m和包括各种数据的数据108d。控制程序108p也可以通过cd-rom等记录介质来提供。
78.接着，对通过计算机实现的柔软材料的形状估计装置1中的估计处理进行说明。
79.在图12中示出基于在计算机主体100中执行的控制程序108p的估计处理的流程的一例。
80.图12所示的估计处理是当对计算机主体100接通电源时由cpu 102执行的处理。即，cpu 102从辅助存储装置108读出控制程序108p并在ram 104中展开而执行处理。
81.首先，在步骤s200中，cpu 102从辅助存储装置108的学习模型108m读出学习模型51并在ram 104中展开，由此获取学习模型51。具体地说，将成为基于表现为学习模型51的权重参数的节点间连接的网络模型在ram 104中展开。因此，构筑实现了基于权重参数的节点间连接的学习模型51。
82.接着，在步骤s202中，cpu 102经由通信部114按时间序列获取成为基于对导电性柔软构件2施加的压力刺激来估计按压构件的形状的对象的未知的输入数据4(电阻)。
83.接着，在步骤s204中，cpu 102使用在步骤s200中获取到的学习模型51，来估计与在步骤s202中获取到的输入数据4(电阻)对应的输出数据6(未知的估计对象物的形状)。
84.然后，在接下来的步骤s206中，经由通信部114输出作为估计结果的输出数据6(估计对象物的形状)，并结束本处理例程。
85.此外，图12所示的估计处理是通过本公开的估计方法执行的处理的一例。
86.如上面说明的那样，根据本公开，能够根据与对导电性柔软构件2施加的压力刺激3相应地变化的输入数据4(电阻)来估计对导电性柔软构件2施加了压力刺激的对象物的形状。即，无需使用特殊的装置、大型的装置直接测量柔软构件的变形，就能够估计对柔软构件施加的压力刺激、例如估计对象物的形状。
87.接着，说明在上述的柔软材料的形状估计装置1中对在对导电性柔软构件2按压了对象物的情况下的对象物的形状估计进行了验证的验证结果。
88.在图13a至图13d中示出通过按压构件74对导电性柔软构件2施加了压力刺激的情况下的压力刺激和导电性柔软构件2的电气特性(电阻值)的特性。在图13a中示出作为对导电性柔软构件2施加的压力刺激的压力值的时间特性。在图13b中示出对导电性柔软构件2施加了图13a所示的压力值的情况下的导电性柔软构件2的变形量中的深度的时间特性。在图13c中示出在对导电性柔软构件2施加了图13a所示的压力值的情况下检测组#1中的导电性柔软构件2的电阻值的时间特性。在图13d中示出与从针对导电性柔软构件2的压力刺激开始、即按压开始起的电阻值的变化量有关的时间特性。与该电阻值的变化量有关的时间特性的一例列举有差的时间特性。
89.如图13a至图13d所示，能够确认到：在对导电性柔软构件2施加了压力刺激的情况下，呈现出导电性柔软构件2的电阻值(体积电阻值)与压力刺激对应地变化的特性。另外，根据与从按压开始起的电阻值的变化量有关的时间特性(例如表示差的差时间特性)也能够确认到变为与柔软材料的变形相应地按时间序列进行变化的电阻值这一情况。
90.接着，对基于对导电性柔软构件2施加压力刺激的按压构件74的不同的形状而得到的估计结果进行了验证。
91.在图14中示出对基于对导电性柔软构件2施加压力刺激的按压构件74的不同的形状而得到的估计结果进行了验证的验证结果。在该验证中，关于按压构件74，将不同形状的按压构件74a～74e各进行40次按压实验，并收集各个按时间序列变化的电阻值作为学习数据。然后，构筑利用所收集到的学习数据进行了学习的学习模型，并使用该学习模型实施了30次的形状估计实验。此外，在图14中，将按压构件74a表示为c0，将按压构件74b表示为s0，将按压构件74c表示为t0，将按压构件74d表示为t
90
，将按压构件74e表示为s
45
。估计结果表示在按压构件74按压时针对估计构件的形状的估计次数。
92.如图14所示，根据上述的柔软材料的形状估计装置1，能够确认到：即使在通过不同形状的按压构件74对导电性柔软构件2施加了压力刺激的情况下，也能够对形状进行估计。
93.在图15中示出在不同的检测组中对按压构件74的形状的估计结果进行了验证的验证结果。在这些验证中，将同一按压构件74针对不同的检测组#1～#8分别进行40次按压实验，并收集各个按时间序列变化的电阻值作为学习数据。然后，构筑利用所收集到的学习数据进行了学习的学习模型，并使用该学习模型实施了30次的形状估计实验。
94.如图15所示，根据上述的柔软材料的形状估计装置1，能够确认到：通过设定检测组、即检测位置(例如检测组#1)，即使是一个检测组，也能够良好地对形状进行估计。
95.在图16中示出利用不同的多个检测组的组合来对按压构件74的形状的估计结果进行了验证的验证结果。在该验证中也同样，进行上述的40次的按压实验，并使用利用所收集到的学习数据进行了学习的学习模型实施了30次的形状估计实验。
96.如图16所示，根据上述的柔软材料的形状估计装置1，能够确认到：通过将多个检测组进行组合，由此无论利用哪个位置的检测组都能够良好地对形状进行估计。
97.在图17a和图17b中示出由多个按压构件74分别对导电性柔软构件2施加了压力刺激的情况下的与导电性柔软构件2的电气特性(电阻值)有关的时间特性。在图17a中示出由
按压构件74a～74e分别对导电性柔软构件2施加了压力刺激的情况下的导电性柔软构件2的电阻值的时间特性。在图17b中关于按压构件74a～74e分别示出从压力刺激开始、即按压开始起的电阻值的变化量。
98.如图17a和图17b所示，关于不同形状的各个按压构件74a～74e能够确认到导电性柔软构件2的电阻值(体积电阻值)变化的特性不同。
99.在图18a和图18b中示出关于图17a和图17b所示的电气特性而将主成分分析的结果进行了三维显示的结果。在图18a中示出与各个按压构件74a～74e有关的主成分分析结果，在图18b中示出与按压构件74d及74e有关的主成分分析结果。
100.如图18a和图18b所示，关于不同形状的各个按压构件74a～74e能够确认到：主成分分析结果为分离的结构，不同形状的各个按压构件74a～74e的主成分分析结果不同。
101.接着，对使用学习完毕的学习模型在与学习时不同的条件下对导电性柔软构件2施加了压力刺激的情况下的估计结果进行了验证。
102.在图19中示出对基于按压构件74的大小和按压位置的不同而得到的估计结果进行了验证的验证结果。在图19中，关于圆形的按压构件74a，将从所学习的位置分离了规定距离(例如5mm)的位置的条件下的按压构件74a表示为c1，将进一步分离了(例如10mm)间隔的位置的条件下的按压构件74a表示为c2。另外，将从学习时的按压构件74a的大小(例如直径50mm)进行了减小的条件(例如直径40mm)下的按压构件74a表示为c3，将进一步进行了减小的条件(例如直径30mm)下的按压构件74a表示为c4。对于四边形的按压构件74b，将从所学习的位置分离了规定距离(例如5mm)的位置的条件下的按压构件74b表示为s1，将进一步分离了(例如10mm)间隔的位置的条件下的按压构件74b表示为s2。对于三角形的按压构件74c也同样，将从所学习的位置分离了规定距离(例如5mm)的位置的条件下的按压构件74c表示为t1，将进一步分离了(例如10mm)间隔的位置的条件下的按压构件74c表示为t2。
103.如图19所示，能够确认到按压构件74的形状的不同等条件影响估计结果。因此，确认到在与学习时的条件不同的条件下有时估计处理会不同。
104.因此，对使用如网罗按压构件74的形状的不同等条件那样进行了学习的学习模型所得到的形状的估计结果进行了验证。
105.在图20中示出对使用在基于上述的按压构件74的大小和按压位置的不同的各种条件下进行了学习的学习模型得到的估计结果进行验证的验证结果。如图20所示，对于几乎所有的条件能够确认到能够良好地对形状进行估计。
106.在图21a和图21b中示出关于图20所示的验证结果而将主成分分析的结果进行了三维显示的结果。在图21a中示出利用检测组#1检测电阻值的结果，在图21b中示出从不同的方向参照图21a的结果。
107.如图21a和图21b所示，即使在多种条件下也同样，通过使用分别进行了学习的学习模型，从而与各个按压构件74a～74e的形状有关的结果为分离的结构，能够判别出不同形状的各个按压构件74a～74e。
108.为了达成上述目的，第一方式是一种估计装置，包括：
109.检测部，其检测具有导电性的柔软材料的多个检测点之间的电气特性；以及
110.估计部，其针对将电气特性和形状信息用作学习数据并以将所述电气特性作为输入且输出所述形状信息的方式进行了学习的学习模型，输入估计对象物的由所述检测部检
测出的电气特性，来估计所述估计对象物的形状信息，其中，所述电气特性与所述柔软材料的变形相应地按时间序列变化，所述形状信息表示对所述柔软材料施加变形的压力刺激的在所述柔软材料处的形状。
111.关于第二方式，在第一方式的估计装置中，
112.所述柔软材料是电气特性与所述变形相应地变化的材料，
113.所述学习模型以输出与所检测出的电气特性对应的形状信息的方式进行学习。
114.关于第三方式，在第一方式或第二方式的估计装置中，
115.所述柔软材料的电气特性为体积电阻。
116.关于第四方式，在第一方式至第三方式中的任一方式的估计装置中，
117.所述柔软材料是对具有纤维状骨架的构造、或内部散布着多个微小气泡的构造的聚氨酯材料赋予导电性而得到的材料。
118.关于第五方式，在第一方式至第四方式中的任一方式的估计装置中，
119.所述学习模型是通过将所述柔软材料作为储备池、并使用基于利用了该储备池的储备池计算的网络进行学习而生成的模型。
120.第六方式是一种估计方法，在该估计方法中由计算机进行以下处理：
121.获取来自检测具有导电性的柔软材料的多个检测点之间的电气特性的检测部的所述电气特性；以及
122.针对将与所述柔软材料的变形相应地变化的对应有时间序列信息的电气特性和对所述柔软材料施加变形的压力刺激的形状信息用作学习用数据、并以将所述电气特性作为输入且输出所述形状信息的方式进行了学习的学习模型，输入估计对象物的被获取到的所述电气特性，来估计所述估计对象物的形状信息。
123.第七方式是一种估计程序，用于使计算机执行以下处理：
124.获取来自检测具有导电性的柔软材料的多个检测点之间的电气特性的检测部的所述电气特性；以及
125.针对将与所述柔软材料的变形相应地变化的对应有时间序列信息的电气特性和对所述柔软材料施加变形的压力刺激的形状信息用作学习用数据、并以将所述电气特性作为输入且输出所述形状信息的方式进行了学习的学习模型，输入估计对象物的被获取到的所述电气特性，来估计所述估计对象物的形状信息。
126.第八方式是一种学习模型生成装置，包括：
127.获取部，其获取电气特性和形状信息，所述电气特性来自检测具有导电性的柔软材料的多个检测点之间的所述电气特性的检测部，所述形状信息是对所述柔软材料施加变形的压力刺激的形状信息；以及
128.学习模型生成部，其基于所述获取部的获取结果来生成学习模型，所述学习模型是以将与所述柔软材料的变形相应地变化的对应有时间序列信息的电气特性作为输入且输出对象物的形状信息的方式进行了学习的学习模型。
129.根据本公开，具有下面的效果：无需使用特殊的检测装置，而能够利用具有导电性的柔软材料在变形时的电气特性来估计压力刺激的形状信息。
130.如上所述，在本公开中，对作为柔软构件的一例而应用了导电性柔软构件的情况进行了说明，但是柔软构件当然不限定于导电性柔软构件。
131.另外，本公开的技术范围不限定于上述实施方式所记载的范围。能够在不脱离要旨的范围内对上述实施方式施加各种变更或改进，施加该变更或改进所得到的方式也包含在本公开的技术范围内。
132.另外，在上述实施方式中，说明了通过基于使用流程图的处理的软件结构来实现检查处理的情况，但不限定于此，例如也可以设为通过硬件结构来实现各处理的方式。
133.另外，也可以将估计装置的一部分、例如学习模型等神经网络构成为硬件电路。
134.并且，关于本说明书所记载的所有的文献、专利申请以及技术标准，与具体地且个别地记载各个文献、专利申请以及技术标准以参照的形式并入的情况相同程度地以参照的形式并入本说明书中。
135.另外，2020年12月18日申请的日本专利申请2020-210737号的公开整体以参照的形式并入本说明书中。

技术特征：
1.一种估计装置，包括：检测部，其检测具有导电性的柔软材料的多个检测点之间的电气特性；以及估计部，其针对将电气特性和形状信息用作学习数据并以将所述电气特性作为输入且输出所述形状信息的方式进行了学习的学习模型，输入估计对象物的由所述检测部检测出的电气特性，来估计所述估计对象物的形状信息，其中，所述电气特性与所述柔软材料的变形相应地按时间序列变化，所述形状信息表示对所述柔软材料施加变形的压力刺激的在所述柔软材料处的形状。2.根据权利要求1所述的估计装置，其中，所述柔软材料是电气特性与所述变形相应地变化的材料，所述学习模型以输出与所检测出的电气特性对应的形状信息的方式进行学习。3.根据权利要求1或2所述的估计装置，其中，所述柔软材料的电气特性为体积电阻。4.根据权利要求1至3中的任一项所述的估计装置，其中，所述柔软材料是对具有纤维状骨架的构造、或内部散布着多个微小气泡的构造的聚氨酯材料赋予导电性而得到的材料。5.根据权利要求1至4中的任一项所述的估计装置，其中，所述学习模型是通过将所述柔软材料作为储备池、并使用基于利用了该储备池的储备池计算的网络进行学习而生成的模型。6.一种估计方法，在该估计方法中由计算机进行以下处理：获取来自检测具有导电性的柔软材料的多个检测点之间的电气特性的检测部的所述电气特性；以及针对将与所述柔软材料的变形相应地变化的对应有时间序列信息的电气特性和对所述柔软材料施加变形的压力刺激的形状信息用作学习用数据、并以将所述电气特性作为输入且输出所述形状信息的方式进行了学习的学习模型，输入估计对象物的被获取到的所述电气特性，来估计所述估计对象物的形状信息。7.一种估计程序，用于使计算机执行以下处理：获取来自检测具有导电性的柔软材料的多个检测点之间的电气特性的检测部的所述电气特性；以及针对将与所述柔软材料的变形相应地变化的对应有时间序列信息的电气特性和对所述柔软材料施加变形的压力刺激的形状信息用作学习用数据、并以将所述电气特性作为输入且输出所述形状信息的方式进行了学习的学习模型，输入估计对象物的被获取到的所述电气特性，来估计所述估计对象物的形状信息。8.一种学习模型生成装置，包括：获取部，其获取电气特性和形状信息，所述电气特性来自检测具有导电性的柔软材料的多个检测点之间的所述电气特性的检测部，所述形状信息是对所述柔软材料施加变形的压力刺激的形状信息；以及学习模型生成部，其基于所述获取部的获取结果来生成学习模型，所述学习模型是以将与所述柔软材料的变形相应地变化的对应有时间序列信息的电气特性作为输入且输出对象物的形状信息的方式进行了学习的学习模型。

技术总结
估计装置通过检测部来检测具有导电性的柔软材料的多个检测点之间的电气特性。估计部使用柔软材料、学习模型并基于柔软材料的电气特性来对估计对象物的形状进行估计。学习模型将与柔软材料的变形相应地按时间序列变化的电气特性和表示对柔软材料施加变形的压力刺激的在所述柔软材料处的形状的形状信息用作学习用数据，来以将电气特性作为输入且输出形状信息的方式进行学习。状信息的方式进行学习。状信息的方式进行学习。


技术研发人员：若尾泰通 樱井良 中岛浩平
受保护的技术使用者：国立大学法人东京大学
技术研发日：2021.12.09
技术公布日：2023/8/13