JP7718337B2 - 予測システム - Google Patents

Description

特許法第３０条第２項適用 令和４年３月２８日 トヨタ自動車株式会社のウェブサイトにて公開 ｈｔｔｐｓ：／／ｗｗｗ．ｔｏｙｏｔａ．ｃｏ．ｊｐ／ｊｐｎ／ｔｅｃｈ／ｐａｒｔｎｅｒ＿ｒｏｂｏｔ／ｎｅｗｓ／２０２２０３＿０１．ｈｔｍｌ

本発明は、予測システムに関する。

人間は、肉体的な活動を継続した場合、活動に携わる筋肉に疲労（筋疲労）が発生する。これにより、活動のパフォーマンスが低下し、作業効率の低下等といった事態につながる。現在までに、この筋疲労の現象を解析するための様々な研究がなされている。

例えば、非特許文献１には、モータユニット（運動単位）をベースとした、筋肉の疲労、活性及び待機についての状態遷移モデルが定義されている。

Ting Xia, Laura A. Frey Law, "A theoretical approach for modeling peripheral muscle fatigue and recovery", Journal of Biomechanics, 41(2008), pp.3046-3052

工事現場等における作業計画を事業者が検討又は改善するときに、作業員の作業によって生じる疲労を考慮した計画を策定することは、作業員の健康及び効率的な計画策定の両面の観点から重要である。しかしながら、非特許文献１に記載のモデルは、疲労を含む筋肉状態の遷移を単に定義するものであって、具体的な作業内容が考慮されたものではなかった。そのため、作業員の疲労を正確に予測できないおそれがあった。

本発明は、このような問題を解決するためのものであり、作業における疲労度又は残存体力の少なくともいずれかを正確に予測することが可能な予測システムを提供するものである。

本発明の例示的な一態様に係る予測システムは、人物の作業工程を解析することで、前記作業中において前記人物がとる姿勢又は動作の１以上の身体的状態の継続時間を抽出する抽出部と、前記１以上の身体的状態に関する前記人物の身体の負荷を取得する取得部と、前記抽出部が抽出した前記１以上の身体的状態の継続時間と、前記取得部が取得した前記負荷とに基づいて、前記作業における前記人物の疲労度又は残存体力の少なくともいずれかを予測する予測部を備える。この予測システムにおける予測は、作業中において人物がとる姿勢又は動作についての負荷と、作業工程を解析することで抽出された作業中の継続時間とに基づいてなされるため、具体的な作業内容に則した予測を実行することができる。したがって、作業における疲労度又は残存体力の少なくともいずれかを正確に予測することが可能となる。なお、この予測システムは、一例として、機械学習の手法（例えば、学習モデルをシステムで更新する手法）によって、予測精度をさらに向上させることが可能である。

本発明により、作業における疲労度又は残存体力の少なくともいずれかを正確に予測することが可能な予測システムを提供することができる。

実施の形態１にかかる予測システムの一例を示すブロック図である。 実施の形態１にかかる疲労モデルの一例を示す概略図である。 実施の形態１における作業中の姿勢の一例を示す。 実施の形態１にかかる作業者の疲労度の遷移を示したグラフの例である。 実施の形態１にかかる作業者の残存体力の遷移を示したグラフの例である。 予測システムのハードウェア構成の一例を示すブロック図である。

実施の形態１
以下、図面を参照して本発明の実施の形態について説明する。なお、以下の記載及び図面は、説明の明確化のため、適宜、省略及び簡略化がなされている。

図１は、実施の形態にかかる予測システムを説明するための図である。図１に示すように、本実施の形態にかかる予測システムＳ１は、抽出部１０、データ取得部１１、予測部１２、格納部１３及び表示部１４を備える。以下、予測システムＳ１の各部について説明する。

抽出部１０は、人物のある作業工程を解析することで、その作業中において人物がとる姿勢又は動作の１以上の身体的状態の継続時間を少なくとも抽出する。なお、解析対象となる作業工程はログデータとして格納部１３に格納されており、抽出部１０はそのログデータを用いて解析及び抽出処理を実行する。また、抽出部１０は、作業工程を解析することで、作業中における１以上の身体的状態の継続時間及びその継続が生じるタイミングを抽出しても良い。

ここで「姿勢」は、人物がとっている身体の構えをいい、「動作」は、人物が一連の複数の姿勢を取ることをいう。動作の例として、例えば荷物を運ぶ、柱に穴を開ける、治具の受け渡しをする、釘を抜くといった内容が想定される。解析対象とする作業には、１以上の身体的状態が持続する区間が複数含まれていても良い。これは、人物が同じ姿勢を所定の時間以上継続し、その姿勢を一旦とらなくなった後、再び同じ姿勢を所定の時間以上継続する場合や、被験者がある姿勢を所定の時間以上継続した後、それと異なる姿勢を所定の時間以上継続する場合が該当する。

データ取得部１１は、ある人物の作業中においてその人物がとる１以上の身体的状態に関する人物の負荷のデータを取得する。取得対象となる１以上の身体的状態は、抽出部１０で抽出対象となる身体的状態と同じものである。詳細には、データ取得部１１は、センサ部２１、姿勢推定部２２、姿勢継続時間判定部２３及び負荷算出部２４を有する。

センサ部２１は、被験者の身体の各部位（例えば、上肢、下肢、体幹、頭といった箇所の少なくともいずれか）に取り付けられる複数の慣性センサを含む。各慣性センサは、負荷のデータを取得する対象となる姿勢（作業の際にとる姿勢）を被験者がとっているときに、各部位の慣性運動に関するデータを取得する。センサ部２１からのデータは、被験者の作業が終了するまでの間、取得される。

姿勢推定部２２は、センサ部２１から得られた各慣性センサのデータを統合して解析することにより、作業中の各時刻における被験者の身体の各部位の位置及び向き、すなわち身体の姿勢を推定する。換言すれば、姿勢推定部２２によって、各慣性センサのデータが姿勢データに変換される。また、姿勢継続時間判定部２３は、測定対象となる作業の時間内において、姿勢推定部２２が推定した１以上の姿勢がどの程度の期間継続されたかを、姿勢毎に判定する。

負荷算出部２４は、測定において姿勢の継続時間が所定の閾値時間以上、又は測定時間内に対して所定の割合以上であると姿勢継続時間判定部２３が判定した１以上の姿勢を特定する。そして、予め格納部１３に格納された算出モデルに対し、その姿勢データを適用することで、特定された１以上の姿勢において被験者の身体の各部位にかかる筋力負荷を算出する。算出モデルは、特定された姿勢において身体の各部位（例えば、各関節）に作用する外力の大きさ及び向きのデータを算出することで、各部位における筋力負荷を算出する。各部位の筋力負荷は、例えばＭＶＣ（Maximum Voluntary Contraction）に対する割合である％MVCの数値として算出されるが、その他の種類の数値として算出されても良い。また、この筋力負荷は、時刻に応じて変化し得るものである。各姿勢についての筋力負荷は、このように算出される。

なお、センサ部２１は、慣性センサに代えて、変位センサ又は曲げセンサ等のセンサが複数含まれても良い。この場合でも、姿勢推定部２２は、センサ部２１から得られたデータに基づいて、被験者がとっている姿勢を推定することが可能である。

また、センサ部２１に代えて、静止画又は動画で被験者の姿勢を撮影するカメラが設けられても良い。姿勢推定部２２は、カメラが撮影した映像を画像認識技術で解析することにより、被験者がとっている姿勢を推定する。姿勢推定部２２は、機械学習の手法によって、被験者の姿勢を判定しても良いし、システムが姿勢推定のモデルを更新してもよい。このように、データ取得部１１における被験者の姿勢に関するデータの測定及び取得したデータに基づく姿勢の推定については、既存の任意のモーションキャプチャ技術を用いることができる。

また、データ取得部１１は、上述のように被験者の姿勢に関する実際のデータを取得することで負荷データを算出するのではなく、コンピュータシミュレーションを用いて被験者の姿勢を仮定し、その姿勢における負荷データを算出しても良い。また、データ取得部１１は、予測システムＳ１以外の他の装置が計測又は予測した身体的状態に関する負荷のデータを、他の装置から単に取得するインタフェースであっても良い。

次に、予測部１２について説明する。予測部１２は、抽出部が抽出した、前記１以上の身体的状態の継続時間のデータと、負荷算出部２４が算出した被験者の各部位にかかる１以上の姿勢の筋力負荷データと、を取得する。そして、予測部１２は、各姿勢に関して、その姿勢における疲労度を、その姿勢の継続時間において累積する計算をする。これにより、予測部１２は、１以上の姿勢が継続してなされる作業における人物の疲労度を予測する。なお、予測する疲労度は、作業開始後から作業終了までの１以上の任意のタイミングにおける値である。予測する値には、例えば、作業が終了したときの疲労度の値が含まれても良いし、作業終了までの１以上のタイミングでの疲労度の値が含まれても良い。予測部１２は、後述の通り、作業開始から作業終了までの疲労度を連続して予測することも可能である。

図２を用いて、予測部１２が人物の疲労度を予測するのに用いるモデルの例を説明する。この例で説明するモデルは、非特許文献１に記載されたモデルであり、予め格納部１３に格納されている。このモデルは、身体のある部位における筋肉内に所定のモータユニット（運動単位）があると仮定し、各モータユニットの時間における状態遷移を計算することで、特定部位における筋疲労の状態を判断可能とするものである。各モータユニットは、待機状態、活性状態及び疲労状態のいずれかの状態にあり、待機状態にあるモータユニット数をＭｕｃ、活性状態にあるモータユニット数をＭＡ、疲労状態にあるモータユニット数をＭＦとする。そして、総モータユニット数をＭ０（＝Ｍｕｃ＋ＭＡ＋ＭＦ）とした場合に、待機状態又は活性状態にあるモータユニット数の割合（（Ｍｕｃ＋ＭＡ）／Ｍ０）を、残存体力と定義し、疲労状態にあるモータユニット数の割合（ＭＦ／Ｍ０）を、疲労度として定義する。

また、各モータユニットは、待機状態から活性状態に遷移すること、その逆に活性状態から待機状態に遷移すること、活性状態から疲労状態に遷移すること、及び疲労状態から待機状態に遷移することが可能である。待機状態から活性状態への遷移又はその逆方向の遷移の度合いについては、活性強度パラメータＣを定義し、活性状態から疲労状態への遷移の度合いについては、疲労強度パラメータＦを定義し、疲労状態から待機状態への遷移の度合いについては、回復強度パラメータＲを定義する。これらのパラメータは、筋肉の活性、疲労及び回復の過程を規定する。

本モデルでは、Ｍｕｃ、ＭＡ及びＭＦの経時的な変化として、以下の式を定義する。
・・・（１）
・・・（２）
・・・（３）
活性強度パラメータＣ（ｔ）は時刻ｔの変数（時刻ｔにおける筋力負荷に応じた値）であり、予測部１２は、姿勢推定部２２によって推定された姿勢の経時的な変化に応じてＣを決定することが可能である。なお、Ｃ（ｔ）は、パラメータ％MVC（身体の各部位にかかる筋力負荷を示す指令値）の値に応じて、以下のように定義される。
・・・（４）
（４）におけるＬＤ及びＬＲは所定の係数である。なお、％MVC（指令値）が小さい（０に近い値である）場合には、筋肉内の血管拡張を考慮して、回復強度パラメータＲに所定の係数ｒを乗算しても良い。この詳細は、John M. Looft, Nicole Herkert, Laura Frey-Law, "Modification of a three-compartment muscle fatigue model to predict peak torque decline during intermittent tasks", Journal of Biomechanics, 77(2018), pp.16-25に記載の通りである。

予測部１２は、以上に示したモデルの式（１）－（４）に対して、特定された姿勢における各部位の筋力負荷と、作業中におけるその姿勢の継続時間をパラメータとして適用することにより、作業が終了した時点における、ＭＦ又はＭｕｃ＋ＭＡの少なくともいずれかの値を算出する。なお、特定された姿勢が継続する区間が作業中に複数存在する場合、予測部１２は、その区間毎に、その姿勢の継続時間にわたって累積されたＭＦを算出し、算出された疲労度を複数の全区間にわたって累積することによって、作業が終了したときのＭＦを算出することができる。これにより、予測部１２は、作業終了時における、被験者の疲労度（ＭＦ／Ｍ０）又は残存体力（（Ｍｕｃ＋ＭＡ）／Ｍ０）の少なくともいずれかを予測することができる。ただし、予測方法は、この具体例に限られない。

格納部１３は、上述の通り、抽出部１０が用いる作業工程のログデータ、並びにデータ取得部１１及び予測部１２が用いるモデルを格納する。表示部１４は、予測部１２が算出した予測結果を表示してユーザに提示する、ディスプレイ等のインタフェースである。なお、表示部１４は、予測結果又は何らかの通知若しくは提案をユーザに報知するインタフェースとして、スピーカ等を含んでも良い。

次に、予測部１２が算出する予測結果の例を示す。

図３は、測定対象となる作業において所定の閾値時間以上継続される複数の姿勢の一例を示す。姿勢１－３は、それぞれ、人物Ｐが荷物Ｂ１－Ｂ３を持つ状態を示している。このとき、荷物の重量は荷物Ｂ２、Ｂ１、Ｂ３の順に重くなるため、被験者の特定の部位（例えば、腕又は腰）にかかる筋力負荷Ｌは、Ｌ２、Ｌ１、Ｌ３の順に大きくなる。

図４は、ある作業において姿勢１が期間ｔ１だけ継続し、姿勢２が期間（ｔ２－ｔ１）だけ継続し、姿勢３が期間（ｔ３－ｔ２）だけ継続した状況において、予測部１２が算出した、作業者（被験者）の疲労度（ＭＦ／Ｍ０）［％］の遷移を示したグラフの例である。時刻０では疲労度は０であったのに対し、姿勢１が終了した時刻ｔ１では、疲労度はＦ１となり、姿勢２が終了した時刻ｔ２では、疲労度はＦ２となり、姿勢３が終了した時刻ｔ３では、疲労度はＦ３となる。上述の通り、筋力負荷ＬがＬ２、Ｌ１、Ｌ３の順に大きくなるため、疲労度の上昇度合いは、姿勢２、姿勢１、姿勢３の順に大きくなる。

抽出部１０は、所定の作業工程を解析することで、その作業中における姿勢１－３の各継続時間を抽出する。データ取得部１１は、各姿勢１－３の筋力負荷ＬであるＬ１－Ｌ３を取得する。予測部１２は、抽出された各姿勢の継続時間と、筋力負荷Ｌ１－Ｌ３とに基づいて、作業中及び作業終了時の人物の疲労度を、図４記載のグラフの通りに予測する。予測部１２は、この算出したグラフを、表示部１４に表示させる。これにより、ユーザは、作業中の疲労度の遷移及び作業終了後の疲労度を知ることができる。

図５は、図４と同様の状況において、予測部１２が算出した、作業者の残存体力（（Ｍｕｃ＋ＭＡ）／Ｍ０）［％］の遷移を示したグラフの例である。時刻０では残存体力は１００であったのに対し、姿勢１が終了した時刻ｔ１では、残存体力はＡ１（＝１００－Ｆ１）となり、姿勢２が終了した時刻ｔ２では、残存体力はＡ２（＝１００－Ｆ２）となり、姿勢３が終了した時刻ｔ３では、疲労度はＡ３（＝１００－Ｆ３）となる。このように、予測部１２は、残存体力の遷移状態を算出し、それを表示部１４によってユーザに提示させることもできる。

なお、以上に示した例では、予測部１２は、１以上の姿勢についての各部位の筋力負荷と、作業中におけるその各姿勢の継続時間を用いて、作業中及び作業終了時点での疲労度又は残存体力を予測していた。しかしながら、複数の姿勢を含む動作についても、１以上の動作における各部位の筋力負荷と、作業中におけるその各動作の継続時間を用いて、作業中及び作業終了時点での疲労度又は残存体力を予測することが可能である。また、姿勢が継続する区間と動作が継続する区間が作業中に混在する場合でも、同様の予測が可能である。予測処理の詳細は上述と同様であるため、説明を省略する。また、図３－５に示した例では、１の作業中に姿勢１－３が継続する区間があるとして説明したが、姿勢１が継続する作業１、姿勢２が継続する作業２、姿勢３が継続する作業３といったように複数の作業が存在する場合でも、同様の予測処理が実行可能である。

以上に示したように、予測システムＳ１における予測は、作業中において人物がとる姿勢又は動作についての負荷と、作業工程を解析することで抽出された作業中の継続時間とに基づいてなされるため、具体的な作業内容に則した予測を実行することができる。したがって、作業における疲労度又は残存体力の少なくともいずれかを正確に予測することが可能となる。例えば、本発明は、作業内容が変化し得る工事現場等での疲労度の予測に有用である。

また、作業において１以上の身体的状態が持続する区間が複数含まれる場合であっても、予測部１２は、各区間において算出した疲労度を累積することで、作業終了時の疲労度又は残存体力の少なくともいずれかを予測することができる。そのため、様々な姿勢又は動作を含む作業についても、疲労度又は残存体力の正確な予測が可能となる。

さらに、本発明は、以下のようなバリエーションをとることも可能である。

例えば、格納部１３には、解析対象となる作業工程のデータとして、その作業の作業環境のデータがさらに格納されていても良い。工事等において、作業環境は、作業者の作業が進展するにつれて（時間経過に伴って）変化する。そのため、同じ１以上の身体的状態（姿勢又は動作）を含む作業であっても、時間経過に伴い、作業中におけるその身体的状態の継続時間が変化することがあり得る。この場合、抽出部１０は、格納部１３に格納された作業環境のデータを参照することで、作業環境が時間経過に伴い変化することを認識し、区間毎の１以上の身体的状態の継続時間が、時間経過に伴って変化することを検出して、区間毎の持続時間を抽出する。抽出部１０は、例えば作業のシミュレーションを実行することにより、継続時間の変化を検出することができるが、検出方法はこれに限られない。そして、予測部１２は、抽出部１０が検出した区間毎の持続時間と、取得部が取得した負荷のデータに基づいて、作業終了時の疲労度又は残存体力の少なくともいずれかを予測することができる。なお、作業中の疲労度又は残存体力についても、同様に予測可能である。したがって、予測システムＳ１は、工事の進捗状況に応じて作業時間が変化した場合でも、それに追従した正確な予測が可能となる。

また、予測部１２は、連立微分方程式（１）－（３）の解がＭｕｃ、ＭＡ及びＭＦの初期値に依存するという自明の事実に鑑み、作業中における１以上の身体的状態の持続時間だけでなく、抽出部１０が抽出した、その身体的状態の継続が生じるタイミングの情報をさらに用いて、各姿勢に関する疲労度をその姿勢の継続時間で累積する計算を実行しても良い。これにより、予測部１２は、作業における疲労度又は残存体力の少なくともいずれかを予測することができる。作業の内容によっては、同じ姿勢を同じ時間継続する場合であっても、その姿勢をとるタイミングによって、姿勢の継続によって生じる疲労度が異なる場合が想定される。しかしながら、このような場合であっても、予測システムＳ１は、正確な予測をすることが可能である。

さらに、予測部１２は、予測した作業終了時若しくは作業中における疲労度の値が所定の閾値以上である場合、又は作業終了時若しくは作業中における残存体力の値が所定の閾値未満である場合に、予測対象であった作業の時間の短縮、又はその作業の内容を変更することの少なくともいずれかを提案することもできる。提案は、例えば表示部１４によってユーザに提示される。これにより、ユーザは、作業者の負担を少なくするように作業スケジュールを変更することができるため、作業者の負担を軽減することができる。

さらに、予測部１２は、作業者が主観的に感じる負担感を予測することも可能である。ここで、予測部１２は、格納部１３に格納された、予測対象となる作業とは異なる他の作業のデータを用いる。他の作業のデータには、他の作業における人物の疲労度又は残存体力の少なくともいずれかの予測結果と、他の作業において人物が主観的に感じた主観疲労度又は主観残存体力の少なくともいずれかと、を含む。ここで、他の作業における疲労度又は残存体力の予測は、上述に示した、予測対象となる作業に関する予測と同様の手法で実現される。この予測を実行するのは、予測部１２であっても良いし、予測システムＳ１とは別の予測システムであっても良い。

主観疲労度又は主観残存体力は、作業におけるあるタイミング（例えば作業終了直後）に作業者が回答した、自身の疲労度又は残存体力を示す主観的な情報であって、定量的な（数値化された）情報でも良いし、定性的な情報であっても良い。同じ作業内容でも、作業者によって、異なる主観疲労度又は主観残存体力の回答をすることがある。定量的な情報の一例としては、疲労度（又は残存体力）を大きい順に５から１の値まで示すことが挙げられる。定性的な情報の一例としては、「疲れた」「やや疲れた」「あまり疲れていない」「疲れていない」といった、疲労度（又は残存体力）の大きさを示す表現が挙げられる。しかしながら、用いることが可能な定量的又は定性的な情報は、これに限られない。

他の作業のデータに含まれる、疲労度又は残存体力の予測結果と、その予測結果に対応する主観疲労度又は主観残存体力は、他の作業終了直後等、他の作業における同じ（又は対応する）タイミングでの値である。このタイミングには、他の作業における１以上の任意のタイミングが含まれ得る。また、他の作業のデータとして、１の作業ではなく、複数の作業に関する、各作業の予測結果、及び、主観疲労度又は主観残存体力の少なくともいずれかを含むデータが格納されていても良い。

予測部１２は、作業における人物の疲労度又は残存体力の少なくともいずれかの予測結果と、格納された他の作業のデータとを参照することで、作業において作業者が主観的に感じる主観疲労度又は主観残存体力の少なくともいずれかを、さらに予測する。予測部１２は、この予測を、所定のアルゴリズムを用いて実行しても良いし、ＡＩを用いたモデルを用いて実行しても良い。

予測された定量的な主観疲労度が所定の閾値以上、又は、予測された定量的な主観残存体力が所定の閾値未満の少なくともいずれかである場合、予測部１２は、例えば表示部１４によって、ユーザにその旨を通知しても良いし、作業の時間の短縮、又は作業の内容を変更することの少なくともいずれかを提案しても良い。予測された定性的な主観疲労度又は主観残存体力が特定の情報を示す場合であっても、予測部１２は、ユーザに対して同様の通知又は提案をすることができる。例えば、予測された定量的な主観疲労度が「５」又は「４」である場合や、予測された定性的な主観疲労度が「疲れた」又は「やや疲れた」であるような場合に、予測部１２は、ユーザに対して上述の通知又は提案をすることが可能である。

また、予測部１２は、作業者が作業を現実に実行し、その作業者の疲労度又は残存体力をリアルタイムで取得する場合であっても、取得したその値と、他の作業のデータを参照することで、作業における主観疲労度又は主観残存体力をリアルタイムで予測することもできる。ここで、データ取得部１１及び予測部１２は、作業者の作業データを取得することで、これまでの身体的姿勢又は動作の１以上の身体的状態の継続時間と、その負荷を取得し、その取得データを用いてリアルタイムでの疲労度又は残存体力の少なくともいずれかを導出することができる。あるいは、異なるデバイス（例えば、作業者に取り付けられたウェアラブルデバイス）によって、疲労度又は残存体力のリアルタイムのデータが取得されても良い。予測された定量的な主観疲労度が所定の閾値以上、若しくは予測された定量的な主観残存体力が所定閾値の未満、又は予測された定性的な主観疲労度若しくは主観残存体力が特定の情報を示す少なくともいずれかのタイミングとなったとき、予測部１２はそれを検知する。それをトリガとして予測部１２は、作業者の負担が過大になっていることを通知することができる。あるいは、予測部１２は、現在実行中の作業の中止、又は作業の変更といった、作業者の負担を緩和させるための提案をすることも可能である。

また、予測部１２は、被験者の身体の１の部位だけでなく、複数の部位について、その疲労度又は残存体力を予測することができる。この予測方法の詳細は、上述の通りである。これにより、作業者の各部位のうちどこが疲労しやすいか、又はしにくいかを可視化することができるため、効率の良い、又は作業者の総合的な負担が少ない作業計画を立てることが可能になる。このとき、少なくとも１つの部位において、予測した作業終了時における疲労度の値が所定の閾値以上である場合、又は作業終了時における残存体力の値が所定の閾値未満である場合に、予測部１２は、作業の時間の短縮、又は作業の内容を変更することの少なくともいずれかを提案することができる。

さらに、複数の各部位について、予測部１２は、上述と同様にして、作業者が主観的に感じる負担感を予測することも可能である。つまり、予測部１２は、各部位について、作業における人物の疲労度又は残存体力の少なくともいずれかの予測結果と、格納された他の作業のデータとを参照することで、作業において作業者が各部位について主観的に感じる主観疲労度又は主観残存体力の少なくともいずれかを予測する。各部位についての予測処理の詳細は、上述の通りである。また、いずれかの部位について、予測された定量的な主観疲労度が所定の閾値以上、若しくは予測された定量的な主観残存体力が所定の閾値未満、又は予測された定性的な主観疲労度若しくは主観残存体力が特定の情報を示す少なくともいずれかの場合、予測部１２は、上述に示した通知又は提案をすることが可能である。

また、予測部１２は、作業者が作業を現実に実行し、その作業者の疲労度又は残存体力をリアルタイムで取得する場合にも、各部位について、作業者が現実に主観的に感じている主観疲労度又は主観残存体力の少なくともいずれかを予測する。そして、上述の通り、必要に応じて、作業者の負担を緩和させるための通知又は提案をすることが可能である。

予測部１２が用いるモデルは、上述のものに限られない。また、ユーザは、表示部１４によって表示された予測結果についての正誤を示すフィードバックを、予測システムＳ１に入力しても良い。予測システムＳ１は、フィードバックに基づき、ＡＩを用いて、予測部１２が用いるモデルを更新することができる。これにより、予測部１２が予測する疲労度又は残存体力の少なくともいずれか、若しくは主観疲労度又は主観残存体力の少なくともいずれかの予測精度をさらに向上させることも可能である。

以上に示した実施の形態では、この発明をハードウェアの構成として説明した。しかしながら、本発明は、上述の実施形態において説明された予測システムＳ１の処理（ステップ）を、コンピュータ内のプロセッサにコンピュータプログラムを実行させることにより実現することも可能である。

図６は、以上に示した各実施の形態の処理が実行される情報処理装置のハードウェア構成例を示すブロック図である。図６を参照すると、この情報処理装置９０は、信号処理回路９１、プロセッサ９２及びメモリ９３を含む。

信号処理回路９１は、プロセッサ９２の制御に応じて、信号を処理するための回路である。なお、信号処理回路９１は、送信装置から信号を受信する通信回路を含んでも良い。

プロセッサ９２は、メモリ９３と接続されて（結合して）おり、メモリ９３からソフトウェア（コンピュータプログラム）を読み出して実行することで、上述の実施形態において説明された装置の処理を行う。プロセッサ９２の一例として、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＦＰＧＡ（Field-Programmable Gate Array）、ＤＳＰ（Demand-Side Platform）、ＡＳＩＣ（Application Specific Integrated Circuit）のうち一つを用いてもよいし、そのうちの複数を並列で用いてもよい。

メモリ９３は、揮発性メモリや不揮発性メモリ、またはそれらの組み合わせで構成される。メモリ９３は、１個に限られず、複数設けられてもよい。なお、揮発性メモリは、例えば、ＤＲＡＭ (Dynamic Random Access Memory)、ＳＲＡＭ (Static Random Access Memory)等のＲＡＭ (Random Access Memory)であってもよい。不揮発性メモリは、例えば、ＰＲＯＭ (Programmable Random Only Memory)、ＥＰＲＯＭ (Erasable Programmable Read Only Memory) 等のＲＯＭ (Read Only Memory)、フラッシュメモリや、ＳＳＤ（Solid State Drive）であってもよい。

メモリ９３は、１以上の命令を格納するために使用される。ここで、１以上の命令は、ソフトウェアモジュール群としてメモリ９３に格納される。プロセッサ９２は、これらのソフトウェアモジュール群をメモリ９３から読み出して実行することで、上述の実施形態において説明された処理を行うことができる。なお、メモリ９３は、任意の場所に配置することが可能である。

以上に説明したように、上述の実施形態における各装置が有する１又は複数のプロセッサは、図面を用いて説明されたアルゴリズムをコンピュータに行わせるための命令群を含む１又は複数のプログラムを実行する。この処理により、各実施の形態に記載された疲労度予測方法が実現できる。

プログラムは、コンピュータに読み込まれた場合に、実施形態で説明された１又はそれ以上の機能をコンピュータに行わせるための命令群（又はソフトウェアコード）を含む。プログラムは、非一時的なコンピュータ可読媒体又は実体のある記憶媒体に格納されてもよい。限定ではなく例として、コンピュータ可読媒体又は実体のある記憶媒体は、random-access memory（RAM）、read-only memory（ROM）、フラッシュメモリ、solid-state drive（SSD）又はその他のメモリ技術、CD-ROM、digital versatile disk（DVD）、Blu-ray（登録商標）ディスク又はその他の光ディスクストレージ、磁気カセット、磁気テープ、磁気ディスクストレージ又はその他の磁気ストレージデバイスを含む。プログラムは、一時的なコンピュータ可読媒体又は通信媒体上で送信されてもよい。限定ではなく例として、一時的なコンピュータ可読媒体又は通信媒体は、電気的、光学的、音響的、またはその他の形式の伝搬信号を含む。

上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
（付記１）
人物の作業工程を解析することで、前記作業中において前記人物がとる姿勢又は動作の１以上の身体的状態の継続時間を抽出する抽出部と、
前記１以上の身体的状態に関する前記人物の身体の負荷を取得する取得部と、
前記抽出部が抽出した前記１以上の身体的状態の継続時間と、前記取得部が取得した前記負荷とに基づいて、前記作業における前記人物の疲労度又は残存体力の少なくともいずれかを予測する予測部と、を備える
予測システム。
（付記２）
前記作業は、前記１以上の身体的状態が持続する区間を複数含み、
前記予測部は、前記負荷によって生じた疲労度を前記区間毎に算出し、算出した疲労度を全ての前記区間で累積することによって、前記作業が終了したときの前記人物の疲労度又は残存体力の少なくともいずれかを予測する、
付記１に記載の予測システム。
（付記３）
前記抽出部は、前記作業の作業環境が時間経過に伴い変化することに基づいて、前記区間毎の前記１以上の身体的状態の継続時間が時間経過に伴って変化することを検出し、
前記予測部は、前記抽出部が検出した前記区間毎の前記継続時間と、前記取得部が取得した前記負荷とに基づいて、前記作業が終了したときの前記人物の疲労度又は残存体力の少なくともいずれかを予測する、
付記２に記載の予測システム。
（付記４）
前記抽出部は、前記作業工程を解析することで、前記作業中における前記１以上の身体的状態の継続時間及び継続が生じるタイミングを抽出し、
前記予測部は、前記抽出部が抽出した前記継続時間及び前記タイミングと、前記取得部が取得した前記負荷とに基づいて、前記作業における前記人物の疲労度又は残存体力の少なくともいずれかを予測する、
付記１乃至３のいずれか１項に記載の予測システム。
（付記５）
前記取得部は、前記１以上の身体的状態に関して、前記人物の身体の複数の部位における負荷を取得し、
前記予測部は、前記抽出部が抽出した前記１以上の身体的状態の継続時間と、前記取得部が取得した前記複数の部位の負荷とに基づいて、前記作業における前記人物の前記複数の部位についての疲労度又は残存体力の少なくともいずれかを予測する、
付記１乃至４のいずれか１項に記載の予測システム。
（付記６）
前記予測部は、他の作業における人物の疲労度又は残存体力の少なくともいずれかの予測結果と、前記他の作業において人物が主観的に感じた主観疲労度又は主観残存体力の少なくともいずれかと、を含む前記他の作業のデータと、前記作業における前記人物の疲労度又は残存体力の少なくともいずれかの予測結果とを参照することで、前記作業において人物が主観的に感じる主観疲労度又は主観残存体力の少なくともいずれかをさらに予測する、
付記１乃至５のいずれか１項に記載の予測システム。
（付記７）
前記予測部は、予測した前記疲労度の値が所定の閾値以上である場合、又は前記残存体力の値が所定の閾値未満である場合に、前記作業の時間の短縮、又は前記作業の内容を変更することの少なくともいずれかを提案する、
付記１乃至６のいずれか１項に記載の予測システム。
（付記８）
前記予測部は、少なくとも１つの前記部位において、予測した前記疲労度の値が所定の閾値以上である場合、又は前記残存体力の値が所定の閾値未満である場合に、前記作業の時間の短縮、又は前記作業の内容を変更することの少なくともいずれかを提案する、
付記５に記載の予測システム。

以上、実施の形態を参照して本発明を説明したが、本発明は上記によって限定されるものではない。本発明の構成や詳細には、開示のスコープ内で当業者が理解し得る様々な変更をすることができる。

Ｓ１ 予測システム １０ 抽出部
１１ データ取得部 １２ 予測部
１３ 格納部 １４ 表示部
２１ センサ部 ２２ 姿勢推定部
２３ 姿勢継続時間判定部 ２４ 負荷算出部

Claims (2)

1. 人物の身体の複数の部位にそれぞれ取り付けられる複数のセンサから、前記複数の部位の慣性運動に関するデータを取得する取得部と、
   前記慣性運動に関するデータを統合して解析することで、前記人物の作業中の各時刻における前記人物の身体の姿勢を推定する推定部と、
   前記作業の測定時間内において、前記推定部が推定した１以上の姿勢がどの程度の期間継続されたかを姿勢毎に判定する判定部と、
   姿勢の継続時間が、所定の閾値時間以上、又は前記測定時間に対して所定の割合以上である１以上の姿勢を特定し、特定された前記１以上の姿勢のデータを算出モデルに対して適用することで、前記算出モデルに対し、前記特定された１以上の姿勢における各部位の筋力負荷を算出させる算出部と、
   前記筋力負荷によって生じた疲労度を、特定された前記１以上の姿勢が継続する区間毎に算出し、算出した疲労度を全ての前記区間で累積することによって、前記作業が終了したときの前記人物の疲労度又は残存体力の少なくともいずれかを予測する予測部と、を備える
   予測システム。
2. 前記予測部は、他の作業における前記人物の疲労度又は残存体力の少なくともいずれかの予測結果と、前記他の作業において前記人物が主観的に感じた主観疲労度又は主観残存体力の少なくともいずれかと、を含む前記他の作業のデータと、前記作業における前記人物の疲労度又は残存体力の少なくともいずれかの予測結果とを参照することで、前記作業において前記人物が主観的に感じる主観疲労度又は主観残存体力の少なくともいずれかをさらに予測する、
   請求項１に記載の予測システム。