推荐负载决定装置、能力参数推测模型学习装置、方法以及程序

技术领域

本公开涉及推荐负载决定装置、能力参数推测模型学习装置、推荐负载决定方法以及推荐负载决定程序。

背景技术

目前，提出了在人使用机械进行运动、作业、康复等时，根据人的生物体信息等自动决定机械的控制量的技术。

例如，提出了根据作业的熟练度控制生产线的驱动部的控制装置(参照专利文献1：日本特开2018-55611号公报)。专利文献1中记载的控制装置具有存储部，该存储部用于按照作业的熟练度来存储与该熟练度相应的生物体信息。另外，该控制装置从作业者获取测定出的生物体信息，并将作业时获得的生物体信息所具有的特征量与存储部的每个熟练度的生物体信息所具有的特征量进行比较。而且，该控制装置根据比较的结果来判定该获得的生物体信息符合哪个熟练度，并根据判定出的熟练度来决定驱动部的控制量。

另外，例如，提出了能够设定适当的难易度的康复支援装置(参照专利文献2：日本特开2019-107235号公报)。专利文献2中记载的装置具备受理部、获取部、计算部以及输出控制部。受理部针对作为康复的对象的对象者，受理通过fMRI测量的脑活动的第一指标值、康复的任务的第一达成率、以及康复的任务的第一难易度的输入。获取部针对进行了康复的多名人员，获取通过fMRI测量的脑活动的第二指标值、康复的任务的第二达成率、以及康复的任务的第二难易度的相关关系。计算部根据输入及相关关系算出对象者执行的康复的第三难易度，输出控制部输出第三难易度。

另外，提出了一种运动能力评价装置，该运动能力评价装置不对受检者赋予拘束性，不能评价的情况少，也不需要特别的生理信息传感器来评价运动能力(参照专利文献3：日本特开平11-235401号公报)。专利文献3中记载的装置使运动的负载强度呈阶梯状地从P1增加至P2，通过该负载增加使基于运动的旋转机的转速从R1降低ΔR。另外，该装置之后根据受检者为了恢复至原来的转速R1而以提高转速的方式进行运动的情况，求出转速恢复ΔR的1/2的时间1/2tf，并根据该时间1/2tf评价运动能力。

发明内容

发明所要解决的技术问题

例如，在向利用者施加负载来实施某一运动课题的情况下，期望施加适当的负载以提高利用者相对于运动课题的技能。然而，在专利文献1记载的技术中，无法区别生物体信息的变动是由从机器人施加于人的负载的变化引起的还是由本人的进步引起的。即，无法掌握利用者的技能是否提高。因此，在专利文献1记载的技术中，存在如下问题：无法施加使利用者相对于某一运动课题的技能提高这样的适当负载。

另外，专利文献2记载的技术是根据患者适当地调整康复的任务的难易度的技术。另外，专利文献3记载的技术是进行运动能力的评价的技术。因此，如上所述，所有技术都存在如下问题：无法适用于施加使利用者相对于某一运动课题的技能提高这样的适当负载的情况。

本公开是鉴于上述点而完成的，其目的在于，在向利用者施加负载而实施运动课题的情况下，决定有益于提高利用者的技能的负载。

用于解决问题的技术方案

为了实现上述目的，公开的推荐负载决定装置利用推测模型，所述推测模型输出根据负载数据和动作数据计算出的与利用者的能力相关的参数，所述负载数据表示向所述利用者施加的负载，所述动作数据表示所述利用者在该负载下的一个动作单位的动作，其构成为包括：获取部，获取负载数据和动作数据，所述负载数据表示对作为推荐负载的决定对象的对象利用者施加的负载，所述动作数据表示所述对象利用者在该负载下的一个动作单位的动作；以及决定部，根据与所述对象利用者的所述能力相关的参数决定表示用于所述对象利用者的推荐负载的推荐负载数据，所述参数是通过将获得的所述负载数据及所述动作数据输入所述推测模型而由所述推测模型输出的。

公开的推荐负载决定装置利用推测模型，该推测模型输出根据负载数据和动作数据计算出的与利用者的能力相关的参数，负载数据表示向利用者施加的负载，动作数据表示利用者在该负载下的一个动作单位的动作，其中，获取部获取负载数据和动作数据，负载数据表示对作为推荐负载的决定对象的对象利用者施加的负载，动作数据表示对象利用者在该负载下的一个动作单位的动作；决定部根据与对象利用者的能力相关的参数决定表示用于对象利用者的推荐负载的推荐负载数据，该参数是通过将获得的负载数据及动作数据输入推测模型而由推测模型输出的。

由此，在向利用者施加负载而使其实施运动课题时，可以决定有益于提高利用者的技能的负载。

另外，所述动作数据可以是所述利用者或所述利用者进行所述动作时保持的器具的特定部位的位移数据、所述利用者的肌肉活动量数据、或者所述位移数据或所述肌肉活动量数据的微分数据或积分数据。另外，所述利用者的特定部位的位移数据可以是所述利用者的骨骼信息的时序数据。

另外，所述推测模型输出的与所述能力相关的参数可以是极限负载数据，所述极限负载数据表示关于所述动作的成功期望比预定基准大的关于一个负载项目的所述负载的值的范围中对于所述利用者的负担最大的所述负载的值，所述决定部可以将关于所述对象利用者的所述极限负载数据决定为所述推荐负载数据。

另外，所述推测模型输出的与所述能力相关的参数可以是表示所述负载与关于所述动作的成功期望的大小的关系的参数，所述决定部可以根据与关于所述对象利用者的所述能力相关的参数决定所述推荐负载数据。

另外，表示关于所述对象利用者的所述负载与关于所述动作的成功期望的大小的关系的参数可以是确定表示关于一个负载项目的所述负载的值与所述成功期望的大小的关系的图表的参数，所述决定部可以将极限负载数据决定为所述推荐负载数据，所述极限负载数据表示在所述图表中所述成功期望比预定基准大的所述负载的值的范围中对于所述对象利用者的负担最大的所述负载的值。

另外，表示关于所述对象利用者的所述负载与关于所述动作的成功期望的大小的关系的参数可以是确定表示关于多个负载项目的所述负载的值与所述成功期望的大小的关系的热图的参数，所述决定部可以将所述热图中所述成功期望比预定基准大的负载的值的组决定为所述推荐负载数据。

另外，所述决定部可以输出用于将所述热图可视化并显示的数据。

所述决定部可以形成为能够利用比较用热图，在与所述比较用热图的比较中可以制作确定相对擅长范围的相对擅长图或确定相对不擅长范围的相对不擅长图，并将所述相对擅长范围或所述相对不擅长范围中的负载的值的组决定为所述推荐负载数据，所述相对擅长范围是所述对象利用者的所述成功期望大的所述负载的值的组的范围，所述相对不擅长范围是所述对象利用者的所述成功期望小的所述负载的值的组的范围。

另外，所述比较用热图可以按所述利用者的等级进行准备，所述决定部可以利用关于等级与所述对象利用者的等级同等、或者等级比所述对象利用者的等级高且最接近于所述对象利用者的等级的所述利用者的所述比较用热图。

另外，所述获取部还可以获取关于所述对象利用者的擅长或不擅长的指定，所述决定部可以在获取了所述擅长的指定时制作所述相对擅长图，在获取了所述不擅长的指定时制作所述相对不擅长图。

另外，所述决定部可以输出用于将所述相对擅长图及所述相对不擅长图的至少一方可视化并显示的数据。

另外，所述推测模型可以按所述动作的类型进行准备，所述获取部可以从所述对象利用者获取任意一种所述类型的指定，所述决定部可以使用与指定的所述类型相对应的所述推测模型决定所述推荐负载数据。

另外，所述获取部可以获取多组所述负载数据及所述动作数据的组，所述决定部可以将对多个所述负载数据进行平均化后的负载数据及对多个所述动作数据进行平均化后的动作数据输入所述推测模型。

另外，所述获取部可以获取多组所述负载数据及所述动作数据的组，所述决定部可以对通过将所述负载数据及所述动作数据的组分别输入所述推测模型而得到的与所述能力相关的参数进行平均化，并根据所述平均化后的参数决定所述推荐负载数据。

另外，所述获取部可以获取多组所述负载数据及所述动作数据的组，所述决定部可以根据通过将所述负载数据及所述动作数据的组分别输入所述推测模型而得到的各个与所述能力相关的参数算出多个推荐负载数据，进而对所述多个推荐负载数据进行平均化而决定最终的所述推荐负载数据。

另外，所述获取部可以获取所述负载数据及所述动作数据的组和与之对应的实测参数，所述实测参数是与实际的动作结果相关的参数，当根据获得的所述实测参数评价出的所述对象利用者的能力比根据作为所述推测模型的输出的所述参数评价出的所述对象利用者的能力低时，所述决定部可以以使对于所述对象利用者的负担变得更小的方式决定所述推荐负载数据。

另外，所述决定部可以将所述推荐负载数据向负载赋予装置输出以便控制所述负载赋予装置，所述负载赋予装置向所述对象利用者施加所述负载。另外，所述决定部可以以预定的时间间隔输出用于显示最新的所述推荐负载数据的数据。

另外，公开的推荐负载决定装置可以构成为包括学习部，所述学习部通过学习所述负载数据及所述动作数据与根据所述负载数据及所述动作数据计算出的与所述利用者的能力相关的参数的对应从而生成所述推测模型。

所述学习部可以使用以使所述负载数据的维数与所述动作数据的维数之差成为预定范围的方式进行压缩后的所述动作数据生成所述推测模型。

公开的能力参数推测模型学习装置包括：获取部，获取表示向利用者施加的负载的负载数据、表示所述利用者在该负载下的一个动作单位的动作的动作数据、以及伴随所述动作的成绩数据；以及学习部，通过学习所述负载数据及所述动作数据与根据所述负载数据及所述动作数据计算出的与所述利用者的能力相关的参数的对应从而生成推测模型，所述推测模型相对于关于对象利用者的所述负载数据及所述动作数据的输入而输出与所述对象利用者的能力相关的参数，所述对象利用者是推荐负载的决定对象。

另外，公开的推荐负载决定方法是如下方法：准备推测模型，所述推测模型输出根据负载数据和动作数据计算出的与利用者的能力相关的参数，所述负载数据表示向所述利用者施加的负载，所述动作数据表示所述利用者在该负载下的一个动作单位的动作；获取部获取负载数据和动作数据，所述负载数据表示对作为推荐负载的决定对象的对象利用者施加的负载，所述动作数据表示所述对象利用者在该负载下的一个动作单位的动作；以及决定部根据与所述对象利用者的所述能力相关的参数决定表示用于所述对象利用者的推荐负载的推荐负载数据，所述参数是通过将获得的所述负载数据及所述动作数据输入所述推测模型而由所述推测模型输出的。

公开的推荐负载决定程序使计算机作为利用推测模型的推荐负载决定装置发挥功能，所述推测模型输出根据负载数据和动作数据计算出的与利用者的能力相关的参数，所述负载数据表示向所述利用者施加的负载，所述动作数据表示所述利用者在该负载下的一个动作单位的动作，所述推荐负载决定程序使所述计算机作为获取部及决定部发挥功能；所述获取部获取负载数据和动作数据，所述负载数据表示对作为推荐负载的决定对象的对象利用者施加的负载，所述动作数据表示所述对象利用者在该负载下的一个动作单位的动作；所述决定部根据与所述对象利用者的所述能力相关的参数决定表示用于所述对象利用者的推荐负载的推荐负载数据，所述参数是通过将获得的所述负载数据及所述动作数据输入所述推测模型而由所述推测模型输出的。

(发明效果)

根据公开的推荐负载决定装置、能力参数推测模型学习装置、方法以及程序，在向利用者施加负载而使其实施运动课题时，可以决定有益于提高利用者的技能的负载。

附图说明

图1是第一实施方式涉及的推荐负载决定装置的功能框图。

图2是表示第一实施方式中的学习数据DB的一例的图。

图3是表示推荐负载决定装置的硬件构成的框图。

图4是表示第一实施方式中的学习模式处理的一例的流程图。

图5是表示第一实施方式中的练习模式处理的一例的流程图。

图6是第二及第三实施方式涉及的推荐负载决定装置的功能框图。

图7是乒乓球机器人的外观图。

图8是表示第一实施方式中的学习数据DB的一例的图。

图9是表示击球速度与回球率的关系的图表。

图10是表示第二实施方式中的推荐负载决定处理的一例的流程图。

图11是表示学习数据DB的另一例的图。

图12是表示学习数据DB的另一例的图。

图13是表示第三实施方式中的学习数据DB的一例的图。

图14是表示第三实施方式中的推测模型的一例的图。

图15是用于说明基于热图的推荐负载数据的决定的图。

图16是表示第三实施方式中的推荐负载决定处理的一例的流程图。

图17是第四实施方式涉及的推荐负载决定装置的功能框图。

图18是用于说明比较用热图的图。

图19是用于说明相对擅长不擅长图的图。

图20是用于说明基于相对擅长不擅长图的推荐负载数据的决定的图。

图21是用于说明基于相对擅长不擅长图的推荐负载数据的决定的图。

图22是表示第四实施方式中的比较用热图制作处理的一例的流程图。

图23是表示第四实施方式中的决定处理的一例的流程图。

图24是第五实施方式涉及的推荐负载决定装置的功能框图。

图25是表示第五实施方式中的推测模型的一例的图。

图26是第六实施方式涉及的推荐负载决定装置的功能框图。

图27是表示实绩DB的一例的图。

图28是用于说明负载的减少方向的图。

图29是用于说明负载的增加方向的图。

图30是表示第六实施方式中的决定处理的一例的流程图。

图31是用于说明负载的突发变动的图。

图32是用于说明朝向推测模型的输入的平均化的图。

图33是用于说明来自推测模型的输出的平均化的图。

图34是用于说明动作数据的降维的图。

图35是用于说明动作数据的降维的一例的图。

图36是用于说明动作数据的降维的一例的图。

图37是用于说明动作数据的降维的一例的图。

具体实施方式

以下，参照附图对与公开的技术相关的实施方式的一例进行说明。在以下的各实施方式中，对相对于由机械施加的负载而决定利用者进行与预定的运动课题相应的动作时向利用者施加的负载的推荐负载决定装置进行说明。运动课题例如是乒乓球的连续对打中的回球率的提高、棒球的击球中的安打率的提高、康复中的步行改善等。该情况下，作为向利用者施加负载的机械即负载赋予装置，假定为进行乒乓球的击球的回球或者发出的乒乓球机器人、击球机、跑步机等。

在以下的各实施方式中，在推测模型的实体为规定处理内容的数据的情况下，“输入模型”、“模型输出”这样的表现是指输入作为安装有模型的计算机等的功能单元(模型执行部)、该单元输出。推测模型的实体为规定处理内容的数据的情况例如是推测模型的实体是规定神经网络的结构数据及连接权重数据的情况。

此外，在各附图中，对于相同或等效的构成要素及部分赋予相同的参考符号。另外，为了便于说明，附图的尺寸和比率被放大，有时与实际的比率不同。

＜第一实施方式＞

图1示出第一实施方式涉及的推荐负载决定装置10的功能构成的框图。如图1所示，推荐负载决定装置10包括获取部12、学习数据DB(database：数据库)14、学习部16、推测模型18以及决定部20。推荐负载决定装置10以用于学习推测模型18的学习模式和使用学习到的推测模型18决定推荐负载的练习模式这两个模式进行动作。

获取部12在学习模式下获取表示对样本用户施加的负载的负载数据。样本用户是指为了收集用于学习推测模型18的学习数据而实施运动课题的利用者。例如，在负载赋予装置为乒乓球机器人或发球机的情况下，负载数据是从负载赋予装置发出的击球或投球的球速、旋转、方向等。另外，例如，在负载赋予装置为跑步机的情况下，负载数据是跑带的速度、倾斜角度等。获取部12例如可以通过从负载赋予装置获取电机的转矩等与负载相关的控制信息、或者测量实际对样本用户施加的负载来获取负载数据。

此外，规定向利用者施加的负载的值有时如上述“球速、旋转、方向等”包含多个项目。获取部12可以根据在施加负载时变动的项目、即决定为推荐负载的项目而获取多个项目中的一个项目的负载数据，也可以获取多个项目的负载数据。

另外，获取部12在学习模式下获取表示样本用户在负载下的一个动作单位的动作的动作数据。所谓的一个动作单位，例如在乒乓球或棒球的击球的运动课题的情况下是表示一次挥动的动作，在步行训练的情况下是预定步数(例如一步或两步)的步行动作。动作数据例如是样本用户或者样本用户进行动作时保持的器具的特定部位的位移数据、样本用户的肌肉活动量数据、或者它们的微分数据或积分数据等。获取部12可以通过对利用相机拍摄进行动作的样本用户而得的图像进行图像解析、或者对来自佩戴于样本用户的肌电位传感器的输出值进行数据处理来获取动作数据。

另外，获取部12在学习模式下获取伴随着样本用户在负载下的动作的成绩数据。成绩数据在乒乓球的运动课题的情况下是回球率，在棒球的击球的运动课题的情况下是安打率等。获取部12例如可以通过对利用相机拍摄到的图像进行图像解析、或者对来自各种传感器的输出值进行数据处理来获取这些成绩数据。另外，获取部12也可以在学习模式下获取通过人工输入的成绩数据。

获取部12将在学习模式下获得的每个样本用户的负载数据、动作数据以及成绩数据存储于例如图2所示那样的学习数据DB14。在图2的例子中，“用户No.”是能够单独确定样本用户的识别编号。另外，“试行No.”是表示针对各样本用户而将伴随一个动作单位的动作的试行设为一次试行，各数据是第几次试行中的数据的编号。在图2的例子中，示出了针对各样本用户存储了关于100次试行的负载数据、动作数据以及成绩数据的例子。此外，关于图2中的“能力参数”将在后面叙述。

另外，获取部12在练习模式下获取负载数据和动作数据，负载数据是表示对作为推荐负载的决定对象的对象利用者施加的负载的数据，动作数据是表示对象利用者在该负载下的一个动作单位的动作的数据。负载数据及动作数据的详细情况与在上述学习模式下获得的负载数据及动作数据相同。此外，在不区分样本用户和对象利用者而进行说明的情况下，简称为“利用者”。

学习部16是在学习模式下发挥功能的功能部。学习部16根据存储于学习数据DB14的负载数据和成绩数据，计算与各样本用户相对于运动课题的能力相关的参数(以下，称为“能力参数”)。能力参数例如可以设为极限负载数据，该极限负载数据表示关于动作的成绩数据所表示的成功期望比预定基准大的关于一个负载项目的负载的值的范围中对于样本用户的负担最大的负载的值。另外，能力参数也可以是表示负载与关于动作的成功期望的大小的关系的参数。另外，该参数可以设为确定表示关于一个负载项目的负载的值与成功期望的大小的关系的图表的参数。另外，该参数可以设为确定表示关于多个负载项目的负载的值与成功期望的大小的关系的热图的参数。在此，“成功期望”是表示成功的可能性的大小的参数，例如相当于预测的成功率、预测的成绩值。作为成绩值的例子，存在后述关于乒乓球的实施方式中的着落位置的误差大小。在着落位置的误差的情况下，预测的误差越小，成功期望越大。另外，对于利用者而言的“负担”是对于利用者而言的难度，负担越大，成功期望越小。例如，在乒乓球的实施方式的情况下，一般来自乒乓球机器人的送球的球速(负载)越大，负担越大，成功期望越小。

学习部16将针对每个样本用户计算出的能力参数存储于学习数据DB14的“能力参数”栏中。存储于学习数据DB14的负载数据及动作数据与能力参数的各组成为用于学习推测模型18的各学习数据。学习部16通过学习负载数据及动作数据与能力参数的对应而生成推测模型18，推测模型18是相对于关于对象利用者的负载数据及动作数据的输入而推测并输出对象利用者的能力参数的模型，对象利用者是推荐负载的决定对象。推测模型18例如由神经网络等构成。

决定部20是在练习模式下发挥功能的功能部。决定部20将通过获取部12获得的关于对象利用者的负载数据及动作数据输入推测模型18。而且，决定部20根据推测模型18输出的对象利用者的能力参数决定表示用于对象利用者的推荐负载的推荐负载数据。如上所述，在作为能力参数而从推测模型18输出极限负载数据的情况下，决定部20将该极限负载数据决定为推荐负载数据。另外，如上所述，在作为能力参数而输出表示负载与关于动作的成功期望的大小的关系的参数的情况下，决定部20根据该能力参数决定推荐负载数据。

例如，决定部20可以将极限负载数据决定为推荐负载数据，该极限负载数据表示在根据能力参数确定的图表中成功期望比预定基准大的负载的值的范围中对于对象利用者的负担最大的负载的值。另外，决定部20可以将根据能力参数确定的热图中成功期望比预定基准大的负载的值的组决定为推荐负载数据。决定部20输出所决定的推荐负载数据。输出的推荐负载数据既可以作为控制负载赋予装置的控制信息进行利用，也可以通过显示于显示装置来提示给对象利用者及对象利用者的指导者等。

图3示出第一实施方式涉及的推荐负载决定装置10的硬件构成的框图。如图3所示，推荐负载决定装置10具有CPU(Central Processing Unit：中央处理器)32、存储器34、存储装置36、输入装置38、输出装置40、存储介质读取装置42以及通信I/F(Interface：接口)44。各构成经由总线46以能够相互通信的方式连接。

存储装置36中保存有用于分别执行后述学习模式处理及练习模式处理的推荐负载决定程序。CPU32是中央运算处理单元，执行各种程序、或者控制各构成。即，CPU32从存储装置36读出程序，并将存储器34作为工作区域执行程序。CPU32根据存储装置36中存储的程序进行上述各构成的控制和各种运算处理。

存储器34由RAM(Random Access Memory：随机存取存储器)构成，作为工作区域临时存储程序和数据。存储装置36由ROM(Read Only Memory：只读存储器)及HDD(Hard DiskDrive：硬盘驱动器)、SSD(Solid State Drive：固态驱动器)等构成，保存包括操作系统的各种程序及各种数据。

输入装置38例如是鼠标、键盘等用于进行各种输入的装置。输出装置40例如是显示器或打印机等用于输出各种信息的装置。作为输出装置40，也可以通过采用触摸面板显示器而作为输入装置38发挥功能。存储介质读取装置42进行CD(Compact Disc：激光光盘)-ROM、DVD(Digital Versatile Disc：数字多功能光盘)-ROM、蓝光盘、USB(UniversalSerial Bus：通用串行总线)存储器等各种存储介质中存储的数据的读入、或者相对于存储介质的数据的写入等。

通信I/F 44是用于与其他设备进行通信的接口，例如使用以太网(注册商标)、FDDI、Wi-Fi(注册商标)等标准。

接着，对第一实施方式涉及的推荐负载决定装置10的作用进行说明。

图4是表示通过推荐负载决定装置10的CPU32执行的学习模式处理的流程的流程图。当选择学习模式时，CPU32从存储装置36读出推荐负载决定程序，并加载至存储器34进行执行，由此使CPU32作为推荐负载决定装置10的各功能构成发挥功能，执行图4所示的学习模式处理。

在步骤S10中，获取部12针对多个样本用户的各个获取每次试行的负载数据、动作数据以及成绩数据，并存储于学习数据DB14。

接着，在步骤S12中，学习部16根据存储于学习数据DB14的数据，针对每个样本用户从负载数据及成绩数据计算能力参数，并存储于学习数据DB14。

接着，在步骤S14中，学习部16通过学习负载数据及动作数据与能力参数的对应，从而生成相对于关于对象利用者的负载数据及动作数据的输入而输出对象利用者的能力参数的推测模型18。学习部16将生成的推测模型18存储于推荐负载决定装置10的预定的存储区域，学习模式处理结束。

图5是表示通过推荐负载决定装置10的CPU32执行的练习模式处理的流程的流程图。当选择练习模式时，CPU32从存储装置36读出推荐负载决定程序，并加载至存储器34进行执行，由此使CPU32作为推荐负载决定装置10的各功能构成发挥功能，执行图5所示的练习模式处理。此外，练习模式处理是公开的推荐负载决定方法的一例。

在步骤S20中，获取部12针对对象利用者获取本次试行时的负载数据及动作数据。接着，在步骤S22中，决定部20将通过获取部12获得的关于对象利用者的负载数据及动作数据输入推测模型18，推测对象利用者的能力参数。

接着，在步骤S24中，决定部20根据通过推测模型18推测并输出的对象利用者的能力参数，决定并输出表示对象利用者的下次试行时用的推荐负载的推荐负载数据，练习模式处理结束。

通过每次试行都反复执行练习模式处理，从而反复决定推荐负载，因此，可以使对象利用者连续实施运动课题。

如以上所说明，第一实施方式涉及的推荐负载决定装置获取表示向对象利用者施加的负载的负载数据和表示对象利用者在该负载下的一个动作单位的动作的动作数据。另外，推荐负载决定装置通过将获得的负载数据及动作数据输入相对于负载数据及动作数据的输入而推测并输出利用者的能力参数的推测模型，由此来推测对象利用者的能力参数。而且，推荐负载决定装置根据推测出的对象利用者的能力参数，决定表示用于对象利用者的推荐负载的推荐负载数据。由此，在向利用者施加负载而使其实施运动课题时，可以决定有益于提高利用者的技能的负载。

第一实施方式也可以如下进行变形。第一实施方式涉及的推荐负载决定装置10具备学习模式和练习模式，但也可以为仅具备练习模式而不具备学习模式的推荐负载决定装置10。该情况下，推荐负载决定装置10不具备学习所需的学习数据DB14及学习部16。获取部12不获取样本用户的负载数据、动作数据以及成绩数据。

第一实施方式涉及的推荐负载决定装置10也可以不内置学习部16，而通过通信来利用设置于网络上的服务器等外部的学习功能。另外，也可以不内置学习数据DB14，而对设置于外部的学习数据DB发送要记录的数据。

第一实施方式涉及的推荐负载决定装置10也可以从外部获取并利用学习完毕的推测模型18。另外，也可以通过通信来利用设置于外部的学习完毕的推测模型。

以上关于第一实施方式的变形对于第二实施方式及其之后的各实施方式也能够同样地应用。

＜第二实施方式＞

接着，对第二实施方式进行说明。在第二实施方式中，对于将乒乓球的连续对打中的回球率的提高作为运动课题，向利用者施加的负载是来自乒乓球机器人的球的发出或回球，利用者的动作是用于对来自乒乓球机器人的击球进行回球的挥动的情况进行说明。

图6示出第二实施方式涉及的推荐负载决定装置210的功能构成的框图。如图6所示，推荐负载决定装置210与乒乓球机器人60、传感器70以及传感器72的各个连接。

图7示出乒乓球机器人60的外观图。乒乓球机器人60是利用作为击打工具的球拍RK将未图示的利用者打出的乒乓球的球BL在乒乓球台TB弹跳而飞来的球BL打回去的机器人。此外，在本实施方式中，着眼于以向利用者施加的负载、即特定的负载将球BL发出或回球这一点，因此，省略关于识别来自利用者的回球的功能的详细说明。

如图7所示，乒乓球机器人60具备用于支撑球拍RK并使其运动的可动部62。在图7的例子中，可动部62包括三根机械臂64A、64B、64C以及球拍RK的支撑部66。即，可动部62是所谓的并联连杆机器人，且是通过并联地控制机械臂64A、64B、64C来控制支撑于机械臂64A、64B、64C前端的支撑部66的球拍RK的举动的机器人。支撑部66具备用于变更球拍RK的姿势的驱动机构。此外，可动部62并不限于并联连杆机器人，也可以为其他类型的机器人。乒乓球机器人60通过未图示的控制部来控制驱动机构，以使以作为控制信息而指定的击球速度将球BL回球。“击球速度”是负载数据的一例。

另外，乒乓球机器人60中设置有相机74A、74B、74C。相机74A、74B设置于能够从各不同的角度拍摄利用者的位置，并以预先规定的帧率进行拍摄。相机74A、74B作为所谓的立体相机发挥功能。传感器70由相机74A、74B和未图示的图像解析部构成。传感器70通过逐帧对利用相机74A、74B拍摄到的图像进行图像解析，从而输出利用者的骨骼信息。骨骼信息是利用者的各关节(关节1～关节n)的三维位置(X，Y，Z)的时序数据。此外，作为骨骼信息所包含的关节，也可以限定于挥动动作的确定所需的关节、例如惯用手的肩、肘以及手腕。另外，并不限于利用者的关节，也可以包含利用者所保持的球拍RK的面的中央的三维位置等。“骨骼信息”是动作数据的一例。

相机74C设置于能够拍摄乒乓球台TB的面的位置。传感器72由相机74C和未图示的图像解析部构成。传感器72通过对利用相机74C拍摄到的图像进行图像解析来检测用户的回球在乒乓球台TB上的着落位置，算出并输出预先设定的位置(例如乒乓球台TB的中心)与着落位置的误差(以下称为“回球误差”)。“回球误差”是成绩数据的一例。

如图6所示，推荐负载决定装置210在功能上包括获取部212、学习数据DB214、学习部216、推测模型218以及决定部220。

在学习模式中，获取部212从乒乓球机器人60获取从乒乓球机器人60发出(回球)的击球的击球速度作为表示对样本用户施加的负载的负载数据。例如，获取部212可以从为了控制乒乓球机器人60的驱动机构而设定的控制信息或者利用相机74A、74B拍摄到的图像的解析结果获取击球速度。另外，获取部212也可以通过未图示的传感器测量从乒乓球机器人60发出的击球的速度，并获取从传感器输出的测量值所表示的击球速度。

另外，获取部212在学习模式中获取传感器70输出的样本用户的骨骼信息作为样本用户的动作数据。进而，获取部212在学习模式中获取传感器72输出的回球误差作为伴随样本用户的动作的成绩数据。

获取部212将获得的击球速度、骨骼信息以及回球误差存储于学习数据DB214。图8示出学习数据DB214的一例。存储于学习数据DB214的项目与第一实施方式中的学习数据DB14的情况相同。

另外，获取部212在练习模式中获取作为表示向对象利用者施加的负载的负载数据的击球速度、和作为表示对象利用者相对于该击球的回球的挥动动作的动作数据的骨骼信息。击球速度及骨骼信息的获取方法的详细情况与上述学习模式相同。此外，获取部212也可以获取在后述决定部220中决定的推荐负载所表示的击球速度作为相对于对象利用者的击球速度。

学习部216计算作为极限负载数据的一例的可回球最大球速作为各样本用户的能力参数。具体而言，学习部216针对每个击球速度从存储于学习数据DB214的每个样本用户的学习数据计算样本用户的回球率。更具体而言，学习部216将回球误差为预定值(例如75cm)以下的情况设为成功，并计算回球成功的试行次数相对于击球速度v±α[m/sec]的全部试行次数的比例作为该击球速度v下的回球率。例如，对于用户No.1的样本用户，击球速度包含于2.5～3.5m/sec的试行次数为十次，其中回球成功的试行次数为五次。该情况下，学习部216针对用户No.1的样本用户计算出击球速度3m/sec的回球率为50％。学习部216针对各击球速度同样地计算回球率。而且，学习部216制作图9所示那样的表示击球速度与回球率的关系的图表，根据该图表求出回球率为预定值(例如85％)以下且最大的击球速度作为可回球最大球速。如图8所示，学习部216将针对每个样本用户求出的可回球最大球速存储于学习数据DB214。

学习部216学习关于样本用户的击球速度及骨骼信息与能力参数的对应。由此，生成相对于关于对象利用者的击球速度及骨骼信息的输入而推测并输出作为对象利用者的能力参数的可回球最大球速的推测模型218。

决定部220将通过获取部212获得的关于对象利用者的击球速度及骨骼信息输入推测模型218。而且，决定部220将推测模型218输出的可回球最大球速决定为用于对象利用者的推荐负载数据，并向乒乓球机器人60输出。由此，在乒乓球机器人60中，推荐负载数据被设定为控制信息，并在下次试行时控制为以该推荐负载数据所表示的击球速度发出击球(回球)。

推荐负载决定装置210的硬件构成与图3所示的第一实施方式涉及的推荐负载决定装置10的硬件构成相同，故省略说明。此外，存储装置36中保存有用于执行后述推荐负载决定处理的推荐负载决定程序。

接着，对第二实施方式涉及的推荐负载决定装置210的作用进行说明。

图10是表示通过推荐负载决定装置210的CPU32执行的推荐负载决定处理的流程的流程图。CPU32从存储装置36读出推荐负载决定程序，并加载至存储器34进行执行，由此使CPU32作为推荐负载决定装置210的各功能构成发挥功能，执行图10所示的推荐负载决定处理。此外，推荐负载决定处理是公开的推荐负载决定方法的一例。

在步骤S200中，获取部212判定所选择的模式是否为学习模式。当选择了学习模式时，向步骤S202转移，当选择了练习模式时，向步骤S214转移。

在步骤S202中，获取部212指示乒乓球机器人60进行击球的发出(回球)。为了使本步骤中发出的击球的击球速度相对于同一样本用户在每个步骤中成为从初始值呈阶段性地变化的击球速度，只要预先在乒乓球机器人60中设定控制信息即可。

接着，在步骤S204中，获取部212获取通过上述步骤S202中的指示发出的击球的击球速度、和表示样本用户相对于该击球的回球时的挥动的骨骼信息及回球误差，并存储于学习数据DB214。

接着，在步骤S206中，获取部212判定关于相应样本用户的试行次数是否达到预定次数(例如100次)以上。该预定次数只要预先规定作为关于各样本用户的学习数据数所需的次数即可。当试行次数为预定次数以上时，向步骤S208转移，当试行次数小于预定次数时，返回步骤S202。

在步骤S208中，学习部216根据存储于学习数据DB214中相应样本用户的学习数据计算每个击球速度的回球率。而且，学习部216根据表示击球速度与回球率的关系的图表求出回球率为预定值(例如85％)以下的击球速度作为可回球最大球速，并存储于学习数据DB214。

接着，在步骤S210中，学习部216判定学习数据DB214中是否存储有能够生成推测模型218的数量的样本用户数的学习数据。当能够生成推测模型218时，向步骤S212转移，当未存储有足够生成推测模型218的学习数据时，推荐负载决定处理结束。

在步骤S212中，学习部216通过学习关于样本用户的击球速度及骨骼信息与能力参数的对应从而生成推测模型218，推荐负载决定处理结束。

另一方面，当选择了练习模式而转移至步骤S214时，决定部220判定是否已生成推测模型218。当已生成推测模型218时，向步骤S216转移，当未生成时，向步骤S202转移。

在步骤S216中，获取部212指示乒乓球机器人60将击球速度设定为初始值并开始发出击球。接着，在步骤S218中，获取部212获取通过上述步骤S216中的指示而从乒乓球机器人60发出的击球的击球速度、以及表示对象利用者相对于该击球回球时的挥动的骨骼信息。

接着，在步骤S220中，决定部220将通过获取部212获得的关于对象利用者的击球速度及骨骼信息输入推测模型218，推测对象利用者的可回球最大球速。

接着，在步骤S222中，决定部220将上述步骤S220中推测出的可回球最大球速决定为用于对象利用者的推荐负载数据，并向乒乓球机器人60指示以推荐负载数据所表示的可回球最大球速进行回球。

接着，在步骤S224中，决定部220判定是否结束运动课题。例如，当没有来自对象利用者的回球时、或者输入了表示结束运动课题的命令时，判定为结束运动课题，推荐负载决定处理结束。另一方面，当未结束运动课题时，返回步骤S218，反复进行获取通过上述步骤S222中的指示而从乒乓球机器人60发出(回球)的击球的击球速度、以及表示对象利用者相对于该击球回球时的挥动的骨骼信息的处理。

如以上所说明，在第二实施方式涉及的推荐负载决定装置中，在使用乒乓球机器人提高回球率的运动课题中，发出对象利用者能够回球的范围内尽可能快的击球，因此，能够施加有益于提高对象利用者的技能的负载。

此外，在第二实施方式中，对决定用于使用乒乓球机器人提高回球率的运动课题的推荐负载的例子进行了说明，但并不限定于此。关于第一实施方式中例示那样使用击球机提高安打率的运动课题、使用跑步机改善康复中的步行的运动课题，也能够作为与第二实施方式同样地具体化的实施方式来实现。

图11中示出使用了击球机提高安打率的运动课题时的学习数据DB214A的一例。该情况下，作为负载数据，获取从击球机发出的球的投球速度。另外，作为动作数据，获取表示利用者相对于投球击打时的挥动的骨骼信息。另外，作为成绩数据，获取击打的结果(安打或凡打)。而且，可以与图9所示的图表同样地根据投球球速与安打率的关系求出安打率为预定值(例如85％)以下的投球球速作为可安打最大球速，并将其设为能力参数。根据图11所示的学习数据，可以生成推测对象利用者能够安打的范围内尽可能快的球速作为推荐负载数据的推测模型。

图12示出使用跑步机改善康复中的步行的运动课题时的学习数据DB214B的一例。该情况下，作为负载数据，获取跑步机的跑带的速度。另外，作为动作数据，获取在跑带上步行的利用者的骨骼信息。另外，作为成绩数据，例如根据骨骼信息获取一个动作中的重心的偏差。此外，成绩数据并不限定于重心的偏差，只要是能够评价不会跌倒而能够步行的动作的指标即可。而且，可以与图9所示的图表同样地根据跑带的速度与重心的偏差的关系求出重心的偏差为预定值以上的跑带的速度作为可步行最大速度，并将其设为能力参数。此外，预定值只要预先规定若重心偏差为该值以上则有可能跌倒的值即可。根据图12所示的学习数据，可以生成推测对象利用者不会跌倒而能够步行的范围内尽可能快的跑带的速度作为推荐负载数据的推测模型。

此外，在第二实施方式中，对于向乒乓球机器人输出所决定的推荐负载数据的情况，即向负载赋予装置输出以便控制向对象利用者施加负载的负载赋予装置的情况进行了说明，但并不限定于此。例如，也可以以预定的时间间隔向显示装置输出用于将最新的推荐负载数据显示于显示装置的数据。例如，也可以向进行对象利用者的指导等的教练或理疗师等指导者提示所决定的推荐负载数据，并在指导者的判断下在负载赋予装置设定与负载相关的控制信息。由此，特别是在运动课题与康复相关的情况等之下，可以考虑到对象利用者的安全性。

另外，在第二实施方式中，对于作为能力参数而推测作为极限负载数据的一例的可回球最大球速的情况进行了说明，但并不限定于此。例如，也可以推测确定图9所示那样的图表的参数作为能力参数，并根据该图表决定推荐负载数据。例如，也可以根据回球率包含于预定范围(例如80％～85％)的负载随机地决定推荐负载数据。或者，也可以决定回球率包含于预定范围的负载的平均、中值、众值等统计值作为推荐负载数据。

＜第三实施方式＞

接着，对第三实施方式进行说明。在第三实施方式中，对于与第二实施方式同样地以提高乒乓球的连续对打中的回球率作为运动课题，向利用者施加的负载是来自乒乓球机器人的回球，利用者的动作是用于对来自乒乓球机器人的击球进行回球的挥动的情况进行说明。

如图6所示，第三实施方式涉及的推荐负载决定装置310在功能上包括获取部312、学习数据DB314、学习部316、推测模型318以及决定部320。

获取部312与第二实施方式的获取部212同样在学习模式下获取负载数据、动作数据以及成绩数据，在练习模式下获取负载数据及动作数据。动作数据与第二实施方式同样是利用者的骨骼信息，成绩数据与第二实施方式同样是回球误差。

在第三实施方式中，将负载多维化，获取部312获取多个项目的负载数据。例如，获取部312除了获取与第二实施方式相同的击球速度之外，还获取表示击球的旋转速度的击球旋转及相对位置作为多个项目的负载数据。相对位置是从乒乓球机器人60回球的球BL在乒乓球台TB上的着落位置与利用者的位置的相对位置。获取部312可以从设定于乒乓球机器人60的控制信息获取这些负载数据。另外，也可以通过未图示的传感器检测球BL的着落位置以及利用者的位置、击球旋转等，从而获取负载数据。

获取部312将获得的击球速度、击球旋转、相对位置、骨骼信息以及回球误差存储于学习数据DB314。图13示出学习数据DB314的一例。学习数据DB314的项目除了负载数据变为多个项目这一点以外，与第二实施方式中的学习数据DB214相同。

学习部316作为各样本用户的能力参数而计算热图，该热图表示多个项目的负载数据各个的负载的值与被施加该负载数据所表示的负载时的回球率的关系。具体而言，学习部316将负载数据的值分配为多个阶段。例如，将2.5～3.5m/sec的击球速度设为3m/sec。学习部316针对击球速度、击球旋转以及相对位置各个分配后的值的每个组，与第二实施方式同样地计算回球率。而且，学习部316通过在将击球速度、击球旋转以及相对位置的各个作为各轴的热图中，将计算出的回球率保存于与各组的负载数据的值相对应的单元从而求出热图，并如图13所示存储于学习数据DB314的“能力参数”栏中。此外，在图13的例子中，用浓淡表示热图的回球率。

学习部316学习关于样本用户的多个项目的负载数据(击球速度、击球旋转、相对位置)及骨骼信息与能力参数的对应。由此，学习部316生成相对于关于对象利用者的多个负载数据及骨骼信息的输入而推测并输出作为对象利用者的能力参数的热图的推测模型318。推测模型318例如可以通过图14所示那样的神经网络实现。该情况下，朝向输入层的各神经元的输入与将多个项目的负载数据和骨骼信息组合而成的多维数据的各要素对应，来自输出层的各神经元的输出与热图的各单元的值对应。

决定部320通过将由获取部312获得的关于对象利用者的多个项目的负载数据(击球速度、击球旋转、相对位置)及骨骼信息输入推测模型318，从而推测关于对象利用者的热图。而且，决定部320根据推测出的热图决定下次试行时的推荐负载数据。另外，决定部320也可以输出用于将推测出的热图可视化并显示的数据。

使用图15所示的热图对推荐负载数据的决定方法进行说明。此外，在图15中，为了简化说明，使用关于两个项目的负载数据(击球速度及相对位置)的二维热图进行说明。对于之后的图18～图21、图28以及图29也是同样的。决定部320在热图中确定回球率为预定值(例如85％)以上的单元(图15中的阴影单元)。决定部320根据确定的单元所表示的范围中包含的负载数据的值的组合决定推荐负载数据。

例如，决定部320可以选择所确定的单元中回球率最小的单元，并根据该单元所表示的范围中包含的负载数据的值的组合决定推荐负载数据。例如，决定部320可以选择图15中的圆圈标记所示的单元，决定击球速度为4m/sec、相对位置为-0.3m的推荐负载数据。此外，由于与各单元对应的负载数据的值是具有宽度的值，因此，可以预先规定为在该宽度中选择中值、最大值或者最小值。另外，也可以规定为在从最小值至最大值的范围内随机地决定值。

另外，由于以提高对象利用者的技能为目的，因此，也可以以施加更严格的负载的方式决定推荐负载数据。具体而言，决定部320可以根据热图中回球率为预定值以上的单元中与回球率小于预定值的单元邻接的单元(图15中的圆圈标记或三角标记所示的单元)所示的范围的值决定推荐负载数据。更严格来说，决定部320可以根据热图中回球率为预定值以上的单元与回球率小于预定值的单元的边界(图15中的粗线)上的值决定推荐负载数据。决定部320向乒乓球机器人60输出决定的负载数据。由此，在乒乓球机器人60中，推荐负载数据被设定为控制信息，并在下次试行时控制为以该推荐负载数据所表示的击球速度、击球旋转以及相对位置发出击球(回球)。

推荐负载决定装置310的硬件构成与图3所示的第一实施方式涉及的推荐负载决定装置10的硬件构成相同，故省略说明。此外，存储装置36中保存有用于执行后述推荐负载决定处理的推荐负载决定程序。

接着，对第三实施方式涉及的推荐负载决定装置310的作用进行说明。

图16是表示通过推荐负载决定装置310的CPU32执行的推荐负载决定处理的流程的流程图。CPU32从存储装置36读出推荐负载决定程序，并加载至存储器34进行执行，由此使CPU32作为推荐负载决定装置310的各功能构成发挥功能，执行图16所示的推荐负载决定处理。此外，在第三实施方式的推荐负载决定处理中，对于与第二实施方式的推荐负载决定处理(图10)相同的处理标注相同的步骤编号并省略详细说明。

当在步骤S200中作出肯定判定并向步骤S202及其之后的学习模式的处理转移时，取代第二实施方式的推荐负载决定处理的步骤S204而执行步骤S304的处理。在步骤S304中，获取部312获取多个项目的负载数据(击球速度、击球旋转、相对位置)、骨骼信息以及回球误差，并存储于学习数据DB314。

另外，取代第二实施方式的推荐负载决定处理的步骤S208而执行步骤S308的处理。在步骤S308中，作为各样本用户的能力参数，学习部316计算表示多个项目的负载数据各个的负载的值与被施加该负载数据所表示的负载时的回球率的关系的热图。

另一方面，当在步骤S200中作出否定判定，并向步骤S214及其之后的练习模式的处理转移，在步骤S214中判定为已生成推测模型318时，向步骤S316转移。

在步骤S316中，获取部312指示乒乓球机器人60将击球速度、击球旋转以及相对位置分别设定为初始值并开始发出击球。接着，在步骤S318中，获取部312获取通过上述步骤S316中的指示从乒乓球机器人60发出的击球的击球速度、击球旋转以及相对位置、和表示对象利用者相对于该击球回球时的挥动的骨骼信息。

接着，在步骤S320中，决定部320将通过获取部312获得的关于对象利用者的多个项目的负载数据(击球速度、击球旋转、相对位置)以及骨骼信息输入推测模型318，推测对象利用者的热图。接着，在步骤S321中，决定部320根据推测出的热图决定下次试行时的推荐负载数据。

接着，在步骤S322中，决定部320指示乒乓球机器人60以上述步骤S321中决定的推荐负载数据所表示的击球速度、击球旋转以及相对位置进行回球。

如以上所说明，在第三实施方式涉及的推荐负载决定装置中，在使用乒乓球机器人提高回球率的运动课题中，可以在对象利用者能够回球的范围内向对象利用者施加将多个项目组合后的负载。另外，通过选择能够回球的范围中对于利用者的负担更大的负载，可以施加有益于提高对象利用者的技能的负载。

＜第四实施方式＞

接着，对第四实施方式进行说明。在第四实施方式中，与第三实施方式同样地以提高乒乓球的连续对打中的回球率作为运动课题，向利用者施加的负载是来自乒乓球机器人的回球，利用者的动作是用于对来自乒乓球机器人的击球进行回球的挥动的情况进行说明。在第三实施方式中，如使用图15所说明，对于确定回球率为预定值以上的负载数据的范围，并从该范围决定推荐负载数据的值的情况进行了说明。下次试行时用的推荐负载数据是一组多个项目的负载数据的值，但在所确定的范围内，作为推荐负载数据的候补而包含多个负载的值的组。因此，在第四实施方式中，对于为了可以决定更有益的推荐负载数据而从所确定的范围缩小要决定的推荐负载数据的方法进行说明。

如图17所示，第四实施方式涉及的推荐负载决定装置410在功能上包括获取部412、学习数据DB314、学习部416、比较用热图DB422、推测模型318以及决定部420。

获取部412与第三实施方式涉及的获取部312同样在学习模式下获取多个项目的负载数据、动作数据以及成绩数据，在练习模式下获取多个项目的负载数据及动作数据。例如，多个项目的负载数据是击球速度、击球旋转以及相对位置，动作数据是利用者的骨骼信息，成绩数据是回球误差。进而，获取部412在练习模式下获取表示对象利用者是想要练习自身擅长的部分还是想要练习不擅长的部分的擅长/不擅长的指定。该指定经由输入装置38输入推荐负载决定装置410。

学习部416与第三实施方式的学习部316同样地计算热图作为每个样本用户的能力参数，并生成推测模型318。进而，学习部416制作用于确定相对擅长范围及相对不擅长范围的比较用热图，该相对擅长范围表示与其他利用者相比较对象利用者相对擅长的负载的范围，相对不擅长范围表示相对不擅长的负载的范围。擅长是指对象利用者的成功期望比其他利用者大，不擅长是指对象利用者的成功期望比其他利用者小。

具体而言，学习部416根据相对于运动课题的能力对学习数据DB314中存储有学习数据的各个样本用户进行分级。该分级可以人工进行，也可以使用学习部416在生成推测模型318的过程中计算出的能力参数进行。例如，学习部416根据等级的阶段来判定每个样本用户的等级，该等级的阶段根据回球率为预定值(例如85％)以上的单元数相对于热图的总单元数的比例而定义。等级的阶段数只要根据样本用户的数量等适当设定即可。而且，如图18所示，学习部416根据针对同一等级的各样本用户计算出的热图，计算成为各等级的典型的热图。学习部416例如计算同一等级的样本用户的热图的各单元的值的平均值、中值、众值等统计值作为典型的热图的各单元的值。而且，学习部416将针对各等级计算出的典型的热图作为比较用热图存储于比较用热图DB422。

决定部420与第三实施方式的决定部320同样地使用推测模型318推测对象利用者的热图。而且，决定部420将对象利用者的热图与比较用热图进行比较，制作用于确定对象利用者的相对擅长范围及相对不擅长范围的相对擅长不擅长图。决定部420将制作的相对擅长不擅长图中的相对擅长范围或相对不擅长范围中的负载的值的组决定为推荐负载数据。

具体而言，决定部420根据对象利用者的热图判定对象利用者的等级，将与对象利用者同等级或高一级的等级的典型的热图确定为比较用热图，并从比较用热图DB422获取。此外，使用高一级的等级是考虑到提高技能。而且，决定部420准备具有与热图的各单元相对应的单元的空的相对擅长不擅长图。决定部420通过使空的相对擅长不擅长图的各单元保持与利用对象利用者的热图和比较用热图对各单元的值(回球率)进行比较的结果相应的信息，从而制作相对擅长不擅长图。

更具体而言，如图19所示，决定部420将对象利用者的热图的回球率为预定值(例如85％)以上且比较用热图的回球率小于预定值的单元确定为相对擅长范围。另外，决定部420将对象利用者的热图的回球率小于预定值且比较用热图的回球率为预定值以上的单元确定为相对不擅长范围。此外，在图19的例子中，将对象利用者的热图及比较用热图的回球率均为预定值以上的单元确定为无问题的范围。另外，将对象利用者的热图及比较用热图的回球率均小于预定值的单元确定为两者NG的范围。

当获取部412获得的擅长/不擅长的指定指定了“擅长”时，决定部420根据相对擅长不擅长图的相对擅长范围决定推荐负载数据。另外，当获取部412获得的擅长/不擅长的指定指定了“不擅长”时，决定部420根据相对擅长不擅长图的相对不擅长范围决定推荐负载数据。以下，对基于相对擅长范围或相对不擅长范围的具体的推荐负载数据的决定方法进行说明。

若考虑到提高技能，则期望可以进行进一步扩大相对擅长范围这样的练习。因此，在根据相对擅长范围决定推荐负载数据的情况下，如图20所示，决定部420可以从表示相对擅长范围的单元与回球率比预定值低的单元的边界(图20中的粗线)上决定推荐负载数据。由此，可以谋求提高对象利用者相对于图20的箭头所示的方向的范围中包含的负载的回球率。

另外，认为与持续以对象利用者的回球率低的负载范围进行练习相比，以回球成功或者不成功的最大限度的负载进行练习更有益于提高技能。因此，当根据相对不擅长范围决定推荐负载数据时，如图21所示，决定部420可以从与相对不擅长单元邻接且回球率为预定值以上的单元(图21中的圆圈标记所示的单元)的范围决定推荐负载数据。或者，决定部420可以从相对不擅长单元与回球率为预定值以上的单元的边界(图21中的粗线)上决定推荐负载数据。由此，可以谋求提高对象利用者相对于图21的箭头所示方向的范围、即相对不擅长范围中包含的负载的回球率。

推荐负载决定装置410的硬件构成与图3所示的第一实施方式涉及的推荐负载决定装置10的硬件构成相同，故省略说明。此外，存储装置36中保存有用于执行后述推荐负载决定处理的推荐负载决定程序。

接着，对第四实施方式涉及的推荐负载决定装置410的作用进行说明。

在第四实施方式中，当在第三实施方式中的推荐负载决定处理(图16)中，在步骤S200中作出肯定判定，并转移至步骤S202及其之后的学习模式的处理时，在步骤S212之后，执行图22所示的比较用热图制作处理。

在图22所示的比较用热图制作处理中，在步骤S400中，学习部416根据等级的阶段判定各样本用户的等级，该等级的阶段根据回球率为预定值(例如85％)以上的单元数相对于热图的总单元数的比例而定义。

接着，在步骤S402中，学习部416根据针对同一等级的各样本用户计算出的热图计算成为各等级的典型的热图，并作为比较用热图存储于比较用热图DB422。而且，比较用热图制作处理结束，推荐负载决定处理也结束。

另一方面，在步骤S200中作出否定判定，并向步骤S214及其之后的练习模式的处理转移，在步骤S214中判定为已生成推测模型318。该情况下，获取部412获取经由输入装置38输入推荐负载决定装置410的对象利用者的擅长/不擅长的指定。

而且，与第三实施方式的推荐负载决定处理同样地执行步骤S316～S320的处理，在步骤S321中，执行图23所示的决定处理。

在图23所示的决定处理中，在步骤S410中，决定部420根据步骤S320中推测的对象利用者的热图决定对象利用者的等级。接着，在步骤S412中，决定部420将与上述步骤S410中判定出的对象利用者的等级同等级或高一级的等级的典型的热图确定为比较用热图，并从比较用热图DB422获取。

接着，在步骤S414中，决定部420在对象利用者的热图和比较用热图中对各单元的值(回球率)进行比较，制作相对擅长不擅长图。接着，在步骤S416中，根据上述步骤S414中制作的相对擅长不擅长图和提高获取部412获得的擅长/不擅长的指定决定推荐负载数据。而且，处理返回推荐负载决定处理(图16)。

如以上所说明，在第四实施方式涉及的推荐负载决定装置中，制作确定了与其他利用者相比较的对象利用者的相对擅长范围及相对不擅长范围的相对擅长不擅长图。而且，根据该相对擅长不擅长图决定推荐负载数据，因此，与第三实施方式的情况相比，可以从可成为推荐负载数据的负载的值的组的候补决定有益于进一步提高技能的组作为推荐负载数据。

此外，在第四实施方式中，对制作确定了相对擅长范围及相对不擅长范围两者的相对擅长不擅长图的情况进行了说明，但并不限定于此。既可以制作仅确定了相对擅长范围的相对擅长图，也可以制作仅确定了相对不擅长范围的相对不擅长图。该情况下，在练习模式中，只要根据相对擅长图练习对象利用者的擅长部分，或者根据相对不擅长图练习对象利用者的不擅长部分即可。另外，也可以获取擅长/不擅长的指定，在“擅长”的指定的情况下制作相对擅长图，在“不擅长”的指定的情况下制作相对不擅长图。

另外，在第四实施方式中，决定部也可以输出用于将制作出的相对擅长不擅长图、相对擅长图或者相对不擅长图可视化并显示的数据。由此，对象利用者可以客观地掌握自身的相对擅长范围或相对不擅长范围。

＜第五实施方式＞

接着，对第五实施方式进行说明。在第五实施方式中，与第二～第四实施方式同样地以提高乒乓球的连续对打中的回球率作为运动课题，对施加于利用者的负载是来自乒乓球机器人的回球，利用者的动作是用于对来自乒乓球机器人的击球进行回球的挥动的情况进行说明。在以提高运动课题的技能为目的的情况下，有时希望在更细致的制约下提高相对于运动课题的技能。例如，在乒乓球的例子中，不仅单纯地以提高回球率为目标，有时还想提高削球、扣球、正手抽球等特定打法的回球率。因此，在第五实施方式中，对于针对相对于运动课题的更细的要求而决定有益的推荐负载数据的方法进行说明。

如图24所示，第五实施方式涉及的推荐负载决定装置510在功能上包括获取部512、学习数据DB514、学习部516、推测模型518以及决定部520。

获取部512与第二实施方式涉及的获取部212同样在学习模式下获取负载数据、动作数据以及成绩数据，在练习模式下获取负载数据及动作数据。例如，负载数据是击球速度，动作数据是利用者的骨骼信息，成绩数据是回球误差。此外，获取部512也可以与第三实施方式中的获取部312或第四实施方式中的获取部412同样地，作为多个项目的负载数据而获取例如击球速度、击球旋转以及相对位置。此外，在学习模式中，获取在对样本用户指定了削球、扣球、正手抽球等打法的基础上回球时的动作数据及成绩数据。因此，在学习数据DB514中，按照每种打法存储有图8或图13所示那样的数据。此外，“打法”是公开的技术的“动作的类型”的一例。

进而，获取部512在练习模式中获取表示对象利用者想要练习的打法的练习菜单的指定。该指定经由输入装置38输入推荐负载决定装置510。

学习部516使用每种打法的学习数据生成推测模型518。推测模型518的具体生成方法与第二～第四实施方式相同。因此，如图25所示，推测模型518如削球用、扣球用、正手抽球用等那样成为每种打法的推测模型的集合。此外，在图25的例子中，推测模型518中也包含未限定打法而生成的随机用的推测模型。

决定部520使用推测模型518中与利用获取部512获得的练习菜单的指定对应的打法用的推测模型来推测对象利用者的能力参数，并根据能力参数决定推荐负载数据。基于能力参数的推荐负载数据的具体决定方法与第二～第四实施方式相同。

推荐负载决定装置510的硬件构成与图3所示的第一实施方式涉及的推荐负载决定装置10的硬件构成相同，故省略说明。另外，关于第五实施方式涉及的推荐负载决定装置510的作用，也仅在获取练习菜单的指定这一点、以及在图10的步骤S220或图16的步骤S320中使用与所指定的练习菜单对应的打法用的推测模型这一点上与第二～第四实施方式的推荐负载决定处理不同，因此省略详细说明。

如以上所说明，在第五实施方式涉及的推荐负载决定装置中，例如针对每种打法准备推测模型，使用对象利用者所指定的打法用的推测模型来推测对象利用者的能力参数，决定推荐负载数据。由此，能够针对相对于运动课题的更细要求而决定有益的推荐负载数据。

＜第六实施方式＞

接着，对第六实施方式进行说明。在第六实施方式中，对于与第二～第五实施方式同样地以提高乒乓球的连续对打中的回球率作为运动课题，向利用者施加的负载是来自乒乓球机器人的回球，利用者的动作是用于对来自乒乓球机器人的击球进行回球的挥动的情况进行说明。在上述各实施方式中，将负载数据及动作数据输入推测模型来推测对象利用者的能力参数。因此，例如，在乒乓球的情况下，有时会对尽管挥动熟练大回球率差的对象利用者施加过大的负载。例如，有可能对热心进行空挥的练习且能够熟练地挥动，但眼睛跟不上球速快的球的对象利用者发出快的球。反之，有时相对于虽是说不上熟练且存在独特习惯的挥动但回球率良好的对象利用者的负载不足。在第六实施方式中，针对对这种情况下的负载进行校正来决定有益于提高技能的推荐负载数据的方法进行说明。

如图26所示，第六实施方式涉及的推荐负载决定装置610在功能上包括获取部612、实绩DB624、学习数据DB314、学习部316、推测模型318以及决定部620。

获取部612与第三实施方式涉及的获取部312同样地在学习模式下获取多个项目的负载数据、动作数据以及成绩数据。获取部612在练习模式下除了多个项目的负载数据及动作数据之外，还获取成绩数据作为动作结果的实测参数。例如，多个项目的负载数据是击球速度、击球旋转以及相对位置，动作数据是利用者的骨骼信息，成绩数据是回球误差。获取部612在每次试行时将练习模式中获得的成绩数据存储于例如图27所示那样的实绩DB624。

当根据成绩数据评价的对象利用者的能力比根据作为推测模型318的输出的能力参数评价的对象利用者的能力低时，决定部620以使对于对象利用者的负担变得更小的方式决定推荐负载数据。另一方面，当根据成绩数据评价的对象利用者的能力比根据作为推测模型318的输出的能力参数评价的对象利用者的能力高时，决定部620以使对于对象利用者的负担变得更大的方式决定推荐负载数据。

具体而言，决定部620与第三实施方式的决定部320同样地使用推测模型318推测热图作为对象利用者的能力参数，并根据热图确定用于决定推荐负载数据的单元。另外，决定部620根据存储于实绩DB624的过去预定次数的试行中的回球误差计算实绩回球率。当实绩回球率为下限阈值(例如85％)以下时，推测出的热图的各单元中保存的推测回球率成为比与对象利用者的实际能力对应的实绩回球率高的值，有可能确定对于对象利用者而言负担大的负载的范围的单元。因此，决定部620将根据热图确定的单元向负载变低的方向(减少方向)进行校正。另一方面，当实绩回球率为上限阈值(例如95％)以上时，推测出的热图的各单元中保存的推测回球率成为比与对象利用者的实际能力对应的实绩回球率低的值，有可能确定对于对象利用者而言负担小的负载的范围的单元。因此，决定部620将根据热图确定的单元向负载变高的方向(增加方向)进行校正。

例如在如图28所示以图28中的粗框单元中包含的负载为基准的情况下，负载的减少方向是如图28中的箭头所示朝向推测回球率提高的单元的方向。另外，例如在如图29所示以图29中的粗框单元中包含的负载为基准的情况下，负载的增加方向是如图29中的箭头所示朝向推测回球率降低的单元的方向。例如，决定部620可以从根据热图确定的单元沿增加方向或减少方向确定最近的单元，将确定的单元的范围中包含的负载的值的组决定为推荐负载数据。

推荐负载决定装置610的硬件构成与图3所示的第一实施方式涉及的推荐负载决定装置10的硬件构成相同，故省略说明。此外，存储装置36中保存有用于执行后述推荐负载决定处理的推荐负载决定程序。

接着，对第六实施方式涉及的推荐负载决定装置610的作用进行说明。

在第六实施方式的推荐负载决定处理中，与第三实施方式中的推荐负载决定处理(图16)同样，当在步骤S200中作出否定判定时，向步骤S214及其之后的练习模式的处理转移。而且，当在步骤S214中判定为已生成推测模型318时，取代步骤S316～S321而执行图30所示的决定处理。

在图30所示的决定处理中，在步骤S600中，获取部612获取多个项目的负载数据(击球速度、击球旋转、相对位置)及骨骼信息，并存储于学习数据DB314。另外，获取部612获取回球误差，并存储于实绩DB624。接着，在步骤S602中，决定部620将多个项目的负载数据及骨骼信息输入推测模型318，推测对象利用者的热图，并根据热图确定用于决定推荐负载数据的单元。

接着，在步骤S604中，决定部620判定实绩DB624中是否存储有预定次数以上的成绩数据(回球误差)。当存储有预定次数以上的成绩数据(回球误差)时，向步骤S606转移，当未存储有预定次数以上的成绩数据(回球误差)时，向步骤S614转移。

在步骤S606中，决定部620判定根据存储于实绩DB624的过去预定次数的回球误差计算出的回球率是否为下限阈值(例如85％)以下。当回球率为下限阈值以下时，向步骤S608转移，当超过下限阈值时，向步骤S610转移。在步骤S608中，决定部620将根据热图确定的单元向减少方向进行校正并进行确定，将确定的单元的范围中包含的负载的值的组决定为推荐负载数据。

另一方面，在步骤S610中，决定部620判定回球率是否为上限阈值(例如95％)以上。当回球率为上限阈值以上时，向步骤S612转移，当低于上限阈值时，向步骤S614转移。在步骤S612中，决定部620将根据热图确定的单元向增加方向进行校正并进行确定，将确定的单元的范围中包含的负载的值的组决定为推荐负载数据。

在步骤S614中，决定部620将上述步骤S602中确定的单元的范围中包含的负载的值的组决定为推荐负载数据。而且，处理返回推荐负载决定处理(图16)。

如以上所说明，在第六实施方式涉及的推荐负载决定装置中，根据对象利用者的实绩所表示的能力，将决定的推荐负载数据向减少方向或增加方向进行校正。由此，可以根据对象利用者的实绩决定有益于提高技能的推荐负载数据。

此外，在第六实施方式中，对于针对虽然挥动不熟练但回球率良好的对象利用者而将负载向增加方向进行校正的情况进行了说明，但并不限定于此。例如，在将能够熟练进行挥动作为运动课题的情况下，也可以不向增加方向进行补正。该情况下，虽然被施加对于对象利用者而言低的负载，但以低的负载进行练习直至挥动的质量提高，因此，不向增加方向进行校正也没有问题。

另外，在上述各实施方式中，对于根据相对于本次试行施加的负载数据和相对于该负载数据的动作数据来决定下次试行中的推荐负载数据的情况进行了说明。该情况下，如图31所示，在通常挥动较差，但偶尔会有一次良好挥动的情况下，有时会在接下来的试行中施加过度的负载。在图31的例子中，示出了第一、第二、第四以及第五次试行的挥动差，在第三次试行中偶尔挥动良好的例子。该情况下，针对较差的挥动，推测为低的能力参数，因此，决定出与对象利用者相应的适当的推荐负载数据。但是，针对良好的挥动，推测为高的能力参数，因此，决定出对于对象利用者而言负担大的推荐负载数据。

为了抑制这样突发的负载数据的变动，如图32所示，对过去k+1次的试行(第n次试行、第n-1次试行、……、第n-k次试行)中的k+1个负载数据及动作数据进行平均。而且，也可以通过将平均后的负载数据n_Ave及动作数据n_Ave输入推测模型来推测第n次试行的能力参数。

另外，如图33所示，也可以对过去k+1次的试行(第n次试行、第n-1次试行、……、第n-k次试行)中推测出的k+1个能力参数进行平均，并根据平均后的能力参数n_Ave来决定推荐负载数据。另外，也可以对根据k+1个能力参数的每一个决定的推荐负载数据进行平均，作为最终的推荐负载数据。

另外，在上述各实施方式中，对于例如如图14所示，向利用神经网络等实现的推测模型输入负载数据及动作数据从而推测能力参数的情况进行了说明。如上所述，在作为动作数据而使用骨骼信息的情况等下，存在动作数据的维数与负载数据的维数之差变得过大，受该维数之差的影响而在推测模型的学习时进行不均衡的学习的可能性。因此，如图34所示，也可以在以使动作数据的维数成为与负载数据的维数相同程度的维数的方式对动作数据进行降维之后用作学习数据。该情况下，在推测能力参数时，也与学习时同样地进行动作数据的降维。此外，相同程度的维数是指负载数据的维数与动作数据的维数之差成为预定范围的维数。在图34的例子中，假设作为动作数据的骨骼信息是关节数为n、表示一个关节的坐标值为3、一个动作单位的图像的帧数为f，则动作数据的维数为n×3×f。以使该维数成为与负载数据的维数i相同程度的维数s的方式从动作数据提取s种特征量，作为降维后的动作数据。

对动作数据的降维方法的一例进行说明。例如，根据关于多个样本用户的动作数据，制作图35所示那样的矩阵。图35中的阴影部分包含实际的骨骼信息的坐标值。而且，对该矩阵进行主成分分析，例如求出主成分的累积贡献率，确定上位s个主成分。而且，如图36所示，针对确定的主成分P1、P2、……、Ps的每一个，计算对表示各挥动的动作数据进行映射所得的值。图36的阴影部分包含向各主成分映射所得的值。由此，可以将n×3×f维的动作数据降维为s维。

另外，作为其他的降维方法，也可以根据与相应动作相关的见解信息或动作数据的分析，以表示挥动的熟练度的方式对动作数据进行特征量化。例如，在存在挥动熟练的人的肘高度固定这样的见解的情况下，从动作数据提取肘高度的方差作为特征量。另外，在存在挥动熟练的人的挥动轨道平滑这样的见解的情况下，对动作数据所表示的轨道进行例如取微分等的分析，提取表示轨道的平滑度的指标作为特征量。而且，如图37所示，将表示各挥动的动作数据特征量化。图37的阴影部分包含针对各特征从动作数据提取出的特征量。

另外，在上述第三～第六实施方式中，对决定用于使用乒乓球机器人提高回球率的运动课题的推荐负载的例子进行了说明，但并不限定于此。如在第二实施方式的末尾所说明，如第一实施方式所例示那样使用击球机提高安打率的运动课题、或者使用跑步机改善康复中的步行的运动课题，也能够作为与第三～第六实施方式同样地具体化的实施方式实现。

另外，在上述各实施方式中，对在学习模式中发挥功能的功能部和在练习模式中发挥功能的功能部由同一计算机实现的情况进行了说明，但并不限定于此。也可以分别通过不同的计算机实现包括获取部及学习部的能力参数推测模型学习装置、和包括获取部及决定部的推荐负载决定装置。

另外，也可以由CPU以外的各种处理器执行上述各实施方式中由CPU读入软件(程序)并执行的推荐负载决定处理。作为此时的处理器，可以例示出FPGA(Field-Programmable Gate Array：现场可编程逻辑门阵列)等的制造后能够变更电路构成的PLD(Programmable Logic Device：可编程逻辑器件)、以及ASIC(Application SpecificIntegrated Circuit：专用集成电路)等具有为了执行特定处理而专用设计的电路构成的处理器即专用电路等。另外，既可以由这些各种处理器中的一个执行推荐负载决定处理，也可以由相同种类或不同种类的两个以上的处理器的组合(例如多个FPGA、以及CPU与FPGA的组合等)执行推荐负载决定处理。另外，更具体而言，这些各种处理器的硬件结构是组合半导体元件等的电路元件而成的电路。

另外，在上述各实施方式中，对推荐负载决定程序预先存储(安装)于存储装置的方式进行了说明，但并不限定于此。程序也可以以存储于CD-ROM、DVD-ROM、蓝光光盘、USB存储器等存储介质的方式提供。另外，程序也可以是经由网络从外部装置下载的方式。

本说明书中记载的所有文献、专利申请以及技术标准以与具体且分别记载通过参考援引各个文献、专利申请以及技术标准时相同的程度，通过参考援引于本说明书中。

附图标记说明

10、210、310、410、510、610：推荐负载决定装置

12、212、312、412、512、612：获取部

14、214、214A、214B、314、514：学习数据DB

16、216、316、416、516：学习部

18、218、318、518：推测模型

20、220、320、420、520、620：决定部

422：比较用热图DB

624：实绩DB

32：CPU

34：存储器

36：存储装置

38：输入装置

40：输出装置

42：存储介质读取装置

44：通信I/F

46：总线

60：乒乓球机器人

70、72：传感器。