物流・農作業における押し運搬作業は腰部負担が大きく，MSDsの要因になります．本研究では，歩行と外力発揮を同時に伴う押し運搬動作に適応する下肢支援型パワードスーツ制御を提案しました．腰関節角度の時系列データから歩行周期を判定し，立脚期・遊脚期に応じてアシストトルクを切り替えることで，動作を阻害しない連続的歩行支援を実現しました．
提案手法の有効性を検証するため，歩行速度，押す高さ，押す力を変化させた複数条件下で押し運搬実験を実施し，下肢筋の筋電位（%iEMG）ならびに歩幅を評価指標として分析を行いました．
計測した結果，概ねアシストによって大腿部の筋活動量の低下する傾向が確認されましたが，個人によっては増減しました（results1.jpg）．歩幅は，概ねアシストの有無による有意差は確認できませんでしたが，個人によっては有意に増減しました（results2.jpg）．これは，人によってはアシストが動作の妨げになってしまったのではないかと考えます．
今後の課題として，装着者に対応したアシスト制御の最適化などが挙げられます．
近年，急速な労働者不足への対応が求められており，その解決策の一環として，物流分野においては倉庫へのロボットの導入が増加しています．特に工場内や公共施設における移動には階段昇降が不可避であり，人間にとっては疲労や怪我のリスクを伴い，ロボットにとっては必要トルクの増大に対してサーボモータが消耗品として摩耗・故障するリスクを伴います．ゆえに，人間にとってもロボットにとっても負担の少ない安全な昇段を行うことが重要な課題です．
人間は階段を昇る際，下肢のみならず手摺を把持し，上肢で体を押し上げる『手先押し力』を発揮することで下肢の推進力を補助しています．このような動作は下肢関節への負担を軽減し，物品運搬時，疲労時や身体能力が低下した状況において有効であると考えられます．しかし手先押し力を用いた階段昇り動作や関節負担に関する研究は少なく，ヒューマノイドロボットへの応用も進んでいません．そこで本研究では，手先の押し力を発揮するヒューマノイドロボットの開発を目指し，手先を推進力として活用した階段昇段動作の解析を行っています． 解析は，下肢が階段に接地し身体を支えている『立脚期』を前半と後半に分けてそれぞれ解析します．
また，得られた力学的特徴量に対し階層型クラスタリングを適用し，動作パターンの分類を行います．
手摺有り・無しの階段昇段動作を対象として解析しました．被験者に手先押し力を自然に活用させる為，2分程度の階段昇降運動を実施し疲労させた後，計測を行います．身動作の計測には光学式モーションキャプチャを使用し，手先押し力の取得に6軸力覚センサ，一段目での床反力の取得にはフォースプレートを用いました（Fig.1 ：計測に使用する階段）．
lineman.mp4
こちらの映像は，手すりの使用におけるトルクの増減を人体モデルとカラーマップで示したものです．手すりの使用によりトルクが増加した関節は赤，減少した関節は青，その他は白で人体モデル上に示しました（有意性が高いほど色を濃く描画）．
映像はクラスタリング前の結果を受けて作成したものであり，データ全体の傾向として解釈できます．
この映像より，手摺の使用は上肢の力学的負荷を増大させる一方で，下肢・体幹部への力学的負荷を減少させていることがわかりました．
立脚期の前半は，足が接地し，接地した脚へと体重を移動させる局面です．この局面を体重支持局面（Weight-Bearing phase）と定義しました．
Fig. 2は，体重支持局面において，手すりの使用によるトルクの増減を示したものです．
左はデータ全体の傾向であり，右はクラスタリングの結果，最も手摺に圧力をかけた集団として現れた『手摺加圧型』の傾向です．
手摺加圧型では，体重支持局面において右手首・右肘関節のトルク・関節角度の増加と，骨盤トルクや床反力の減少が確認されました．これは前足が接地した瞬間から手摺に体重を預けることで，体重支持局面における骨盤への負荷を効果的に軽減していると考えられます．
これより手摺加圧型の動作戦略は，体重支持局面において手摺を推進力の補助として最も有効に使い，着地衝撃を分散させ骨盤への負荷を低減した『防御的戦略』を実施しているであるといえます．
立脚期の後半は，接地した足を次の段へと持ち上げて身体を上へと引き上げるため，床を踏みしめる局面です．この局面を身体引き上げ局面（Body-Pull-Up phase）と定義しました．
Fig. 3は，身体引き上げ局面において，手すりの使用によるトルクの増減を示したものです．
左はデータ全体の傾向であり，右はクラスタリングの結果，最も多くの割合を占めた集団として現れた『標準型』の傾向です．
手摺加圧型では，身体引き上げ局面において把持側の上肢トルク（肩・手首）や肘関節屈曲角度は有意に増加した一方で，胸部のトルクや鉛直床反力は有意に減少しました．
これは床反力や体幹部への力学的負荷を広範囲に軽減させると同時に，把持側上肢への依存を高めるという動作戦略だと考えられます．
次段へ重心を持ち上げるタイミングに合わせて手摺を手前に牽引，あるいは下方に押し込むことで推進力を補助しており，これは身体引き上げ局面での重力に抗うポジティブな仕事を上肢で代替する『能動的戦略』であるといえます．
本研究は，人間が自身の身体特性や疲労度，動作局面に適応して手摺利用戦略を柔軟に切り替えていることを実証しました．この知見は，ヒューマノイドロボットにおいても単一の昇段動作を実装するのではなく，路面状況やバッテリー残量，衝撃吸収やエネルギー効率といった目的に応じて，最適な手先押し力活用戦略を選択・実装すべきであるという重要な指針を示唆しています．
Publication
ロボットが人間に代わり多様な環境下で物体操作を行うためには，画像を入力とした制御が不可欠です．近年，スケッチインターフェースやビジュアルサーボへの深層学習の活用が進んでいます．しかし，モデルベース制御では想定モデルと実際のモデルで不整合が生じやすく，カメラのキャリブレーション誤差が十分考慮されていないという課題があります．
本研究では，インスタンスセグメンテーション画像を用いることで環境変化への頑健性を高めつつ，エンドエフェクタのセグメンテーション画像から関節角度を推定する機械学習モデルに基づく制御系を提案します．制御系は，機械学習による目標入力画像からこれを実現する関節角度推定を行う，視覚的な逆運動学モデルを基本としつつ，純粋なフィードフォワード制御で生じた誤差を抑制するため，この逆運動学モデルに基づく目標誤差に対する目標関節角度修正方向の推定に基づくフィードバック制御から成ります．
さらに，インスタンスセグメンテーション画像の幾何学変換によりエンドエフェクタが仮想的に移動した目標画像を生成し，直感的かつ軽量な画像表現を用いた制御手法を提案しました．(Fig. 1：システム全体の概要)
実験では，仮想目標を連続で指定した軌跡の追従，単一の目標への到達，キャリブレーション誤差の補正を行い，提案手法の有効性を確認しました．今後の展望として，制御が一部で不安定化するのを防ぐため，モデルやデータ形式の改良が挙げられます．
作物の収穫量を予測することは生産量の安定化や作物の価格の決定において重要す．しかし，目視での収穫量予測は農業従事者にとって負担が大きいです[1]．収穫量予測の効率化のためには画像処理やAIの技術の活用が重要です．
本研究では，1年枝の本数を計測したデータと，画像中の花のピクセル数を用いて収穫量との相関関係を求め，収穫量予測に役立てます。
多量の学習データを手動で用意することは困難なため，Depth-Anything v2[2]による深度推定を用いて1年枝や花の検出精度向上に役立てます．
これらのデータを用いて収穫量との相関分析を行います。
花データは特に収穫量と強い相関があることが分かりました。今後は枝や花の検出精度の改善や複数年度のデータを用いて収穫量予測モデルを構築します。
参考文献
[1] 齋藤元也, 石塚直樹, 坂本利弘. 日本における農業リモートセンシング研究の軌跡. 日本リモートセンシング学会誌, Vol. 37, No. 3, pp. 193–203, 2017.
[2] Lihe Yang, Bingyi Kang, Zilong Huang, Zhen Zhao, Xiaogang Xu, Jiashi Feng, and Hengshuang Zhao. Depth anything v2. arXiv:2406.09414, 2024.
[3] Olaf Ronneberger, Philipp Fischer, and Thomas Brox. U-net: Convolutional networks for biomed- ical image segmentation. In International Confer- ence on Medical image computing and computer- assisted intervention, pp. 234–241. Springer, 2015.