ロボットに効率的に新規な動作を学習させるために，環境とのインタラクションの中で自己完結的に自己を獲得する学習アルゴリズムを提案する．自己の決定要素が3つのContextから成るという仮説を示し，相手の行動意図（）の自己再現こそが本質である見まね学習のシミュレーション実験を2体のエージェントを用いて行う．そして相手の動作及びを獲得する様子から，本アルゴリズムの妥当性を検証する．

抄録全体を表示

相手の行動意図（）の自己再現こそが本質である見まね学習に注目し，環境とのインタラクションの中でロボットが自己完結的に自己を獲得する学習アルゴリズムを提案する．自己の獲得が学習者の内部属性に依存するという仮説のもと，障害物を伴う環境内でのリーチング動作を対象にシミュレーション実験を行う．そして相手の動作及びを獲得する様子から，本アルゴリズムの妥当性を検証する．

抄録全体を表示

【はじめに】FlashとHoganは躍度最小（以下C_J）、Unoらはトルク変化最小(以下C_τ)というどちらも運動の滑らかさを表すを提案した。前者は躍度（加速度の一微分,以下jerk）、後者は関節トルク変化（以下TC）が小さいほど、滑らかな動作であると位置づけられる。我々は第36回の本学会でC_Jを用い歩行時の重心の滑らかさを定量化し報告した。
　今回更に歩行時の下肢関節C_τを求め定量化すると共に、重心C_Jと関節C_τが何か関係しているのではと考え、検討したので報告する。
【対象・方法】対象は健常成人9名（男性6名、女性3名、平均年齢22±3歳、平均体重60.6±6.6kg、平均身長167.6±6.2cm）とした。測定は2枚の床反力計（アニマ社製MG-1090）と三次元動作解析装置（アニマ社製LOUCUS MA-6520）使用し、快適自由歩行（以下FG）及び歩行率112・132steps/min（以下単位省略)の条件にて前方に腕組みして歩行させ、左下肢立脚期データを分析した。サンプリング周波数は240Hzにて測定した。
【データ処理】重心C_Jは各条件の測定より床反力前後分力（以下Fy）を算出し、制動相と駆動相にわけ分析を行った。Fyにおける重心加速度（以下Ay）はAy=Fy/M+Aoの式より求めた（Mは体質量、Aoは立脚期中のAyの平均を0にする値）。次に各相を時間軸100%として正規化したAyを微分しjerkを求めた後、重心C_JをC_J=1/2∫(jerk)²dtの式にて求めた。また下肢関節C_τも足・膝・股関節トルクを身長と体重で補正した後に各相を時間軸100%として正規化し、それを微分した各TCの2乗和の積分にて算出した。
【結果】重心C_Jの各条件での制動相と駆動相の比較では、条件FGの重心C_Jは制動相210.87±68m²/s⁵,駆動相300.17±91m²/s⁵であり、歩行率132の重心C_Jは制動相268.42±77²/s⁵,駆動相334.39±66²/s⁵,と、どちらも駆動相が有意に高い値を示し、歩行率112でもp値=0.0503と駆動相が高値となる傾向を示した。また関節C_τの各相の比較では全条件で有意差は認められなかった。次に重心C_Jと関節C_τの相別における各条件の多重比較では、制動相の関節C_τのみが、条件FGに比べ歩行率132で有意に高値を示した。また重心C_Jと関節C_τの関係は、制動相では歩行率112と132で正の相関関係を示し、駆動相ではFGのみ正の相関関係を示した。
【考察】制動相と駆動相の比較より、歩行時の重心C_Jは制動相に比べ駆動相で滑らかさが損なわれていることが明らかとなった。

抄録全体を表示