机器学习装置以及用户识别装置的制作方法

本发明涉及机器学习装置以及用户识别装置。

背景技术：

已知由于在运用机器人的作业中可能有造成重大事故的危险，因此设置有与作业员对应地限制操作内容等安全措施(security)。为了实现这些而提出了使用记录了id信息的卡或usb终端或者密码来判别作业员，根据作业员来限制作业内容。

例如，专利文献1公开了如下服务提供系统：生成在使用与网络连接的网络机器人时的、包含权利内容和使用量信息在内的权利数据，并且发行用于识别该权利数据的权利id，使用从用户终端输入的权利id来进行用户认证。

现有技术文献

专利文献1：日本特开2005-326996号公报

但是，在专利文献1涉及的发明中存在当记录了id信息的id卡被借出或密码泄露时无法确保安全性的问题。

技术实现要素：

因此，本发明的目的在于提供一种机器学习装置，其用于防止冒充作业员，以确保机器人作业的安全性。

(1)本发明的机器学习装置(例如，后述的机器学习装置10)构筑学习模型，所述学习模型进行用于认证机器人控制装置(例如，后述的控制装置20)的作业员的用户识别，其特征在于，所述机器学习装置具有：输入数据取得单元(例如，后述的输入部11)，其取得操作数据作为输入数据，该操作数据包含通过使所述作业员进行预先设定的所述机器人控制装置的示教操作盘(例如，后述的示教操作盘25)有关的操作而检测出的所述作业员的至少身体一部分的动作和身体形状相关联的测定值；标签取得单元(例如，后述的标签取得部12)，其取得所述作业员的识别信息作为标签；学习单元(例如，后述的学习部13)，其将所述输入数据与所述标签的组作为训练数据来进行监督学习，由此构筑学习模型，该学习模型进行用于认证所述机器人控制装置的作业员的用户识别。

(2)在(1)所记载的机器学习装置(例如，后述的机器学习装置10)中，优选的是，所述示教操作盘(例如，后述的示教操作盘25)在所述示教操作盘具有的显示器(例如，后述的显示器27)上显示所述预先设定的所述机器人控制装置(例如，后述的控制装置20)的示教操作盘有关的操作指南。

(3)在(1)或(2)所记载的机器学习装置(例如，后述的机器学习装置10)中，优选的是，所述预先设定的所述机器人控制装置(例如，后述的控制装置20)的示教操作盘(例如，后述的示教操作盘25)有关的操作包含所述作业员在进行作业时实际使用所述示教操作盘时的操作。

(4)在(1)～(3)所记载的机器学习装置(例如，后述的机器学习装置10)中，优选的是，所述输入数据取得单元(例如，后述的输入部11)取得从所述测定值获得的特征量作为所述操作数据。

(5)在(4)所记载的机器学习装置(例如，后述的机器学习装置10)中，优选的是，所述特征量与以下内容中的至少一个相关：基于所述作业员的所述操作的，由所述示教操作盘(例如，后述的示教操作盘25)检测出的所述示教操作盘的操作步骤；所述示教操作盘具有的各按键开关(例如，后述的按键开关28)的使用频率；所述示教操作盘具有的安全开关(例如，后述的安全开关29)的使用频率；所述示教操作盘检测出的振动；所述示教操作盘检测出的加速度；所述示教操作盘的操作时的机体倾斜；所述示教操作盘的触摸面板检测出的笔压。

(6)在(1)～(5)所记载的机器学习装置(例如，后述的机器学习装置10)中，优选的是，所述输入数据取得单元(例如，后述的输入部11)还取得如下操作数据作为输入数据，该操作数据包含通过真实操作时所述作业员的示教操作盘(例如，后述的示教操作盘25)有关的实际操作而检测出的所述作业员的至少身体一部分的动作和身体形状相关联的测定值，所述标签取得单元(例如，后述的标签取得部12)还取得该作业员的识别信息作为标签，所述学习单元(例如，后述的学习部13)还通过将所述输入数据与所述标签的组作为训练数据进行监督学习来更新所述学习模型。

(7)本发明的用户识别装置(例如，后述的用户识别装置30)，其使用通过(1)～(6)所述的机器学习装置(例如，后述的机器学习装置10)而构筑的所述学习模型，其特征在于，所述用户识别装置具有：取得操作数据的操作数据取得单元(例如，后述的取得部31)，该操作数据包含通过使所述作业员进行所述预先设定的所述示教操作盘有关的操作而检测出的所述作业员的至少身体一部分的动作和身体形状相关联的测定值；作业员识别单元(例如，后述的识别部32)，其根据所述操作数据和所述学习模型来识别所述作业员。

(8)在(7)所记载的用户识别装置(例如，后述的用户识别装置30)中，优选的是，所述操作数据取得单元(例如，后述的取得部31)还取得如下操作数据，该操作数据包含所述作业员在真实操作时执行所述示教操作盘(例如，后述的示教操作盘25)有关的实际操作过程中，所述作业员的至少身体一部分的动作和身体形状相关联的测定值，所述作业者识别单元(例如，后述的识别部32)还根据所述操作数据和所述学习模型来判断所述作业员的识别信息是否正确。

(9)在(7)或(8)所记载的用户识别装置(例如，后述的用户识别装置30)中，优选的是，所述用户识别装置被装入到所述示教操作盘(例如，后述的示教操作盘25)中，与所述示教操作盘一体。

(10)本发明的用户识别装置(例如，后述的用户识别装置30)具有：(1)～(6)的机器学习装置(例如，后述的机器学习装置10)；取得操作数据的操作数据取得单元(例如，后述的取得部31)，该操作数据包含通过使所述作业员进行所述预先设定的所述示教操作盘(例如，后述的示教操作盘25)有关的操作而检测出的所述作业员的至少身体一部分的动作和身体形状相关联的测定值；作业员识别单元(例如，后述的识别部32)，其根据所述操作数据和所述机器学习装置构筑的所述学习模型来识别所述作业员。

(11)本发明的用户识别系统(例如，后述的用户识别系统100)，具有：(7)～(8)的用户识别装置(例如，后述的用户识别装置30)；所述机器学习装置(例如，后述的机器学习装置10)；所述机器人控制装置(例如，后述的控制装置20)；所述示教操作盘(例如，后述的示教操作盘25)。

(12)在(11)所记载的用户识别系统(例如，后述的用户识别系统100)中，优选的是，所述机器人控制装置(例如，后述的控制装置20)还具有：操作无效化单元(例如，后述的操作无效化部23)，其在所述作业员识别单元(例如，后述的识别部32)判断为所述作业员的识别信息为否时，使所述示教操作盘(例如，后述的示教操作盘25)有关的操作无效。

(13)在(11)或(12)所记载的用户识别系统(例如，后述的用户识别系统100)中，优选的是，所述机器人控制装置(例如，后述的控制装置20)还具有：警报单元(例如，后述的警报部24)，其在所述作业员识别单元(例如，后述的识别部32)判断为所述作业员的识别信息为否时发出警报。

(14)在(11)～(13)所记载的用户识别系统(例如，后述的用户识别系统100)中，优选的是，在所述作业员识别单元(例如，后述的识别部32)无法判断所述作业员的识别信息正确与否时，所述机器学习装置(例如，后述的机器学习装置10)使用进一步的操作数据来构筑进一步的学习模型，该进一步的操作数据能够用于计算作业员的身体差异有关的特征量，所述作业员识别单元根据进一步的操作数据和进一步的学习模型，来再次识别所述作业员。

发明效果

根据本发明可以防止冒充作业员，以确保机器人作业的安全性。

附图说明

图1是表示本发明的第一实施方式涉及的用户识别系统的框图。

图2是表示本发明的第一实施方式涉及的机器学习装置和控制装置的详细情况的框图。

图3是表示本发明的第一实施方式涉及的示教操作盘的结构例的图。

图4是表示本发明的第一实施方式涉及的用户识别装置和控制装置的详细情况的框图。

图5是表示本发明的第一实施方式涉及的用户识别系统中机器学习时的动作的流程图。

图6是表示本发明的第一实施方式涉及的用户识别系统中用户识别时的动作的流程图。

图7是表示本发明的其他实施方式涉及的机器学习装置、用户识别装置以及控制装置的详细情况的框图。

符号说明

10机器学习装置

11输入部

12标签取得部

13学习部

14学习模型存储部

20控制装置

21特征量计算部

22登录处理部

23操作无效化部

24警报部

25示教操作盘

26电源开关

27显示器

28按键开关

29a、29b安全开关

30用户识别装置

31取得部

32识别部

50机器人

10用户识别系统

具体实施方式

<第一实施方式>

以下，根据附图对本发明的第一实施方式进行说明。图1是表示本发明涉及的用户识别系统100的框图。图2主要是表示本实施方式涉及的机器学习装置10和控制装置20的详细情况的框图。图3是本发明涉及的用户识别方法所使用的示教操作盘25的结构例。图4主要是表示本实施方式涉及的用户识别装置30和控制装置20的详细情况的框图。

<用户识别系统100的结构>

首先，对本实施方式涉及的用户识别系统100的结构进行说明。如图1所示，用户识别系统100具有：机器学习装置10、m台控制装置20、m台示教操作盘25、n台用户识别装置30、以及m台机器人50。另外，m和n是任意的自然数。

控制装置20控制成通过将控制信号发送给机器人50使得机器人50进行规定动作。控制装置20既可以是安装了机器人50用的程序的通用计算机，也可以是专用计算机。

机器人50通过来自控制装置20的控制信号而进行动作，某种程度上自主地进行代替作业员的自动作业。

另外，关于机器学习装置10、示教操作盘25、用户识别装置30的功能和结构，使用图2～图4将在后面进行描述。

这里，控制装置20与示教操作盘25和机器人50为一对一的组，能够通信地连接。这些控制装置20与示教操作盘25和机器人50的组例如可以在同一工厂配置多组，也可以配置于彼此不同的工厂。

此外，机器学习装置10、控制装置20、用户识别装置30能够相互通信地连接。此外，机器学习装置10、控制装置20、用户识别装置30既可以经由连接端口直接连接，也可以经由网络40连接。网络40例如是在工厂内构筑的lan(localareanetwork，局域网)、互联网、公用电话网、或者它们的组合。网络40中具体的通信方式以及是有线连接还是无线连接等不做特别限定。

接下来，根据图2～图4对用户识别系统100所含的这些装置的功能进行说明。这里，图2主要是表示机器学习装置10与控制装置20所含的功能块、以及机器学习时的数据流的框图。另外，由于各控制装置20分别具有相同的功能，因此在图2中仅图示了一台控制装置20。同样地，由于各示教操作盘25也分别具有相同的功能，因此在图2中仅图示了一台示教操作盘25。此外，关于在各装置间存在的网络40，省略其图示。

示教操作盘25是在自动运转机器人50时例如为了对机器人50示教动作而由作业员操作的装置。示教操作盘25根据来自作业员的操作，对控制装置20发送操作信号。

图3表示示教操作盘25的结构例。示教操作盘25主要具有：电源开关26、显示器27、按键开关28、左右的安全开关29a以及29b(dead-manswitch)。电源开关26是切换有无来自外部电源对示教操作盘25的电力供给的开关。显示器27对使用了示教操作盘52的作业员显示指南或机器人50的各监视值，实现为触摸面板。按键开关28是用于供作业员输入针对机器人50的动作示教的开关。安全开关29a和29b是紧急停止开关机构。在通常操作时，作业员对安全开关29a和29b中的某一个施加规定范围的按压力。在紧急时，当作业员强力按压安全开关29a和29b中的某一个时，机器人50停止动作。或者，也可以是在作业员将手从安全开关29a和29b两者离开时，机器人50停止动作。

如图2所示，控制装置20具有：特征量计算部21、登录处理部22、操作无效化部23、警报部24。

特征量计算部21从示教操作盘25输入的操作信号中计算特征量。

更具体来说，作业员按照显示于示教操作盘25的显示器27上的操作指南，对上述示教操作盘25进行操作。在作业员首次操作示教操作盘25时，例如可以在管理责任者的见证下进行规定的操作。希望的是，该操作是作业员进行真实操作之前的例行操作，包含网罗作业员实际使用操作盘时的全部操作的内容，操作时间也设为与作业员实际操作示教操作盘的时间近似的时间。

特征量计算部21从这些操作有关的操作信号的测定值中计算特征量，发送给后述的机器学习装置10。

具体来说，该特征量与以下内容中的至少一个相关：示教操作盘25检测出的示教操作盘25的操作步骤、各按键开关28的使用频率、安全开关29a和29b的使用频率、示教操作盘25检测出的振动、示教操作盘25检测出的加速度、操作示教操作盘25时的机体倾斜、显示器27检测出的笔压。

即使是进行相同作业时，如果作业员不同，则各按键开关28或安全开关29a和29b的使用方法也不同。例如，在熟练者与非熟练者中，在按压操作的按键开关的次数上存在差异。更具体来说，熟练者按压按键开关的次数少，而非熟练者按键开关会存在按压冗余。此外，如上所述由于安全开关29a和29b位于示教操作盘25的左右，因此作业员的惯用手使用的开关存在偏差。通过后述的方法，使用这些操作特征因作业员不同而不同的情况来构筑学习模型，因此如上所述，特征量计算部21计算从这些操作有关的操作信号的测定值获得的特征量。

关于登录处理部22、操作无效化部23、警报部24的功能，使用图4在后面进行描述。

机器学习装置10通过监督机器学习来构筑学习模型，该学习模型用于认证机器人50的控制装置20的作业员。因此如图2所示，机器学习装置10具有：输入部11、标签取得部12、学习部13、学习模型存储部14。

输入部11从控制装置20的特征量计算部21取得特征量。

标签取得部12取得作业员的识别信息即标签。

学习部13将特征量与标签的组作为训练数据来进行监督学习，由此构筑学习模型，将构筑出的学习模型发送给后述的用户识别装置30的识别部32，所述学习模型进行用于认证控制装置20的作业员的用户识别。学习模型存储部14存储学习部13构筑出的学习模型。

另外，学习部13作为示例能够使用支持向量机(supportvectormachine，以下称为svm)来实现。由于svm是众所周知的技术，因此省略其详细的说明，是使用了监督学习(给予正解数据与非正解数据作为训练数据的学习)的识别方法之一，其作为识别优异的学习模型而被知晓，例如已知有能够对未学习数据获得较高的识别性能(较高的通用性能)。

学习部13使用是否符合特定作业员有关的二值化后的标签作为上述标签，并且在包含上述特征量的空间内，关于是否符合特定作业员，计算以余量为最大的方式分离的超平面。并且，学习部13能够将该超平面的系数作为用于供后述的用户识别装置30进行用户识别的学习模型的参数。

例如，作为应该登录到控制装置20的作业员，当存在a、b和c三名作业员时，作为标签取得部12取得的标签，使用了“是a”的标签、“不是a”的标签。并且，学习部13求出“是a”特征量数据组中与处于最接近的特征量数据的距离和“不是a”特征量数据组中与处于最接近的特征量数据的距离为最大的超平面，该超平面是通过与“是a”的标签对应(正例)或与“不是a”的标签对应(负例)而将a、b和c这三个特征量数据组分离的超平面。学习部13能够使用该超平面的系数，来构筑用于识别“是a”还是“不是a”的学习模型。同样地，学习部13通过使用相同的特征量数据组以及“是b”和“不是b”的标签，能够构筑用于识别“是b”还是“不是b”的学习模型。此外，学习部13通过使用相同的特征量数据组以及“是c”和“不是c”的标签，能够构筑用于识别“是c”还是“不是c”的学习模型。即，学习部13在使用svm来实现时，为了识别a、b和c，会构筑与a、b和c分别对应的三个学习模型。

如上所述，学习模型存储部14存储学习部13构筑出的学习模型。特别是，学习部13在使用svm来实现时，存储应该识别的作业员人数数量的学习模型。

图4主要是表示用户识别装置30与控制装置20所含的功能块以及用户识别时的数据流的框图。

用户识别装置30识别进行了示教操作盘25有关的操作的作业员是否对应于事先登录的特定作业员。因此，如图4所示，用户识别装置30具有取得部31、识别部32。

取得部31与上述的输入部11一样，通过使作业员进行在示教操作盘25的显示器27上指引显示的操作，取得控制装置20的特征量计算部21从示教操作盘25输入的操作信号中计算出的特征量。虽然重复但希望的是：该操作是作业员进行真实操作前的例行操作，包含网罗作业员实际使用操作盘时的全部操作在内的内容，操作时间也为与作业员实际操作示教操作盘的时间近似的时间。

识别部32使用取得部31取得的特征量以及从机器学习装置10的学习部13取得的学习模型，来识别进行了示教操作盘25有关的操作的作业员是否是事先登录的作业员，并将识别结果发送给控制装置20。

另外，在图4中为了简化只示出一个识别部32，如上所述，在使用svm来实现机器学习装置10的学习部13时，识别部32存在事先登录的作业员人数的数量。具体来说，事先登录的作业员例如存在a、b和c这三个时，需要识别进行了示教操作盘25有关的操作的作业员是否是a的识别部32a、识别是否是b的识别部32b、识别是否是c的识别部32c总计三个识别部32。

此时，首先识别部32a使用上述操作数据识别进行了操作的作业员是否与a一致，接着识别部32b使用上述操作数据识别进行了操作的作业员是否与b一致，最后识别部32c使用上述操作数据识别进行了操作的作业员是否与c一致，由此能够识别进行了操作的作业员与a、b和c中的哪一个一致。

如上所述，控制装置20具有除了特征量计算部21之外，还具有登录处理部22、操作无效化部23、警报部24。

登录处理部22根据从用户识别装置30的识别部32接收到的识别结果，来进行作业员对控制装置20的登录处理，该作业员进行了在示教操作盘25的显示器27上指引显示的操作。更具体来说，登录处理部22从用户识别装置30的识别部32接收到作业员的识别信息为是的识别结果时，允许作业员的登录。而登录处理部22从用户识别装置30接收到作业员的识别信息为否的识别结果时，不允许作业员的登录。

在从用户识别装置30的识别部32接收到作业员的识别信息为否的识别结果时，操作无效化部23使示教操作盘25有关的操作无效。由此，作业员无法进行示教操作盘25有关的操作。

在从用户识别装置30接收到作业员的识别信息为否的识别结果时，警报部24发出警报。

<机器学习时的动作>

接下来，对本实施方式涉及的用户识别系统100中机器学习时的动作进行说明。图5是表示该机器学习时机器学习装置10的动作的流程图。

在步骤s11中，机器学习装置10的输入部11从控制装置20的特征量计算部21取得特征量。更具体来说，输入部11从作业员按照显示于示教操作盘25的显示器27上的操作指南操作了示教操作盘25时的操作信号中取得由特征量计算部21计算出的特征量。

在步骤s12中，机器学习装置10的标签取得部12取得作业员的识别信息即标签。

在步骤s13中，机器学习装置10的学习部13受理特征量与标签的组作为训练数据。

在步骤s14中，机器学习装置10的学习部13使用该训练数据来执行机器学习。

在步骤s15中，机器学习装置10的学习部13判定机器学习结束还是重复机器学习。这里，结束机器学习的条件可以任意规定。例如，可以在机器学习重复了预先规定的次数时，结束机器学习。

这里，在重复机器学习时，处理返回到步骤s11，机器学习装置10重复相同的动作。而在结束机器学习时，在步骤s16中，机器学习装置10经由网络40将到该时间点为止由机器学习构筑出的学习模型发送给各用户识别装置30。

此外，机器学习装置10的学习模型存储部14存储该学习模型。由此，在从新设置的用户识别装置30请求学习模型时，可以将学习模型发送给该用户识别装置30。此外，在取得了新的训练数据时，可以对学习模型进行更进一步的机器学习。

<用户识别时的动作>

接下来，对本实施方式涉及的用户识别系统100中用户识别时的动作进行说明。图6是表示该用户识别时用户识别装置30的动作的流程图。

在步骤s21中，用户识别装置30的识别部32经由网络40接收由机器学习装置10构筑出的学习模型，由此取得学习模型。

在步骤s22中，用户识别装置30的取得部31从控制装置20取得识别信息和特征量。更具体来说，取得部31取得从作业员按照显示于示教操作盘25的显示器27上的操作指南而操作了示教操作盘25时的操作信号中计算出的特征量和识别信息。

在步骤s23中，用户识别装置30的识别部32根据特征量以及由机器学习装置10构筑出的学习模型，来识别作业员。

在步骤s24中，在识别信息为是时(s24：是)，处理转移到步骤s25。在识别信息为否时(s24：否)，处理向步骤s26转移。

在步骤s25中，控制装置20的登录处理部22从用户识别装置30的识别部接收识别信息为是的识别结果，允许作业员的登录。

在步骤s26中，控制装置20的登录处理部22从用户识别装置30的识别部接收识别信息为否的识别结果，禁止作业员的登录。

在步骤s27中，控制装置20的操作无效化部23使示教操作盘25有关的操作无效。结果，作业员无法进行示教操作盘25有关的操作。

另外，在步骤s27中，控制装置20的操作无效化部23也可以代替使示教操作盘25有关的操作无效，或者，在使示教操作盘25有关的操作无效的基础上，由控制装置20的警报部24发出警报。

<第一实施方式的效果>

这样，在本实施方式中，在机器学习装置10中从操作数据构筑进行用于认证机器人控制装置作业员的用户识别的学习模型，其中，该操作数据包含通过使作业员进行示教操作盘有关的操作而检测出的作业员的至少身体一部分的动作和身体形状相关联的测定值。

此外，在用户识别装置30中，根据由机器学习装置10构筑出的学习模型来识别作业员。

这一点，对因示教操作盘25的处理方法而发生变化的特征量进行机器学习，提取作业员固有的模式，由此，如果示教操作盘25识别作业员，则可以防止冒充作业员，可以确保机器人作业的安全性。特别是，在示教操作盘25侧不需要照相机或id读取器等，由于从作业员的示教操作盘25的处理方法提取模式，因此作业员难以进行伪装。

上述实施方式是本发明的优选实施方式，但并非将本发明的范围局限于上述实施方式，在不脱离本发明精神的范围内，能够以实施了各种变更的方式来进行实施。

<变形例1>

作为本实施方式中的、认证作业员时使作业员进行的示教操作盘25有关的操作，包含作业员实际操作机器人50时的示教操作盘25有关的操作，但是并不局限于此。

除了作业员实际操作机器人50时的示教操作盘25有关的操作之外，还可以进行能够直接识别作业员的身体差异等的动作。更具体来说，例如可以包含使作业员拿着示教操作盘25行走的动作。由此，可以将通过步行测定的示教操作盘25的振动数据用作表示作业员步幅的特征量。此外，还可以包含使作业员伸展拿着示教操作盘25的胳膊并举过头顶的动作。可以将通过该动作测定的示教操作盘25的倾斜相关的数据用作表示作业员的胳膊长度的特征量。

可以在上述的例行操作中包含能够直接识别上述这样的作业员身体差异等的动作。

另外，除了基于从上述的例行操作获得的特征量的学习模型(称为“学习模型_1”)之外，还可以对基于附加了能够直接识别作业员身体差异等的动作的特征量的学习模型(称为“学习模型_2”)进行学习。

由此，在登录时在使作业员进行了上述的例行动作的情况下，当用户识别装置30通过“学习模型_1”而无法识别作业员时，通过进一步进行能够直接识别所述作业员身体差异等的动作，用户识别装置30通过“学习模型_2”识别作业员，可以分阶段地进行识别处理。

<变形例2>

此外，作为本实施方式中的机器学习时所使用的结构要素，机器学习装置10的学习部13使用2类(class)(正确与否判定的是/否)的模式识别器即svm来实现，但是并不局限于此。

例如，可以单纯使用贝叶斯分类器、神经网络、提升法(boosting)等来进行监督学习。

此外，也可以行使svm分类成多个类，还可以使用识别分类成多个类的机器学习(例如神经网络)。

例如，当作业员存在a、b和c三名时，机器学习装置10的标签取得部12取得标签a、标签b和标签c三种标签，学习部13实施将a、b和c这三个特征量与这三种标签的组作为训练数据的监督学习，由此可以构筑学习模型。该情况下，用户识别装置30的识别部32只有一个，一个识别部32使用一个学习模型，由此来判定作业员的识别信息正确与否。

<变形例3>

此外，作为本实施方式的机器学习时使用的训练数据，在登录时(允许真实操作之前)，使作业员执行预先设定的例行操作而获得该例行操作有关的操作信号的测定值，将从该测定值计算出的特征量作为训练数据的标签，但是并不局限于此。

例如在机器学习装置10中，可以将根据登录后(允许真实操作后)的作业员的示教操作盘25有关的实际操作计算出的特征量用作训练数据的标签。

图7表示将根据实际操作而计算出的特征量用作训练数据的标签时，机器学习装置10、控制装置20以及用户识别装置30间的数据流。另外，机器学习装置10的结构与图2所记载的机器学习装置10的结构一样，控制装置20的结构与图2和图4所记载的控制装置20的结构一样，用户识别装置30的结构与图4所记载的用户识别装置30的结构一样。

作业员通过操作示教操作盘25，在操作机器人50时，根据该操作有关的操作信号，控制装置20的特征量计算部21计算特征量。并且，特征量计算部21将该特征量发送给机器学习装置10的输入部11。此外，由于是实际作业中即作业员已经登录到控制装置20，因此机器学习装置10的标签取得部12取得与操作中的作业员对应的标签。学习部13通过将这些特征量与标签的组用作训练数据，可以升级学习模型。并且，学习部13可以将升级后的学习模型发送给用户识别装置30的识别部32。用户识别装置30的识别部32能够使用取得部31从控制装置20的特征量计算部21取得的特征量和升级后的学习模型，来识别作业员。

由此，每当作业员操作示教操作盘25时，可以将识别作业员的模式升级，可以提高模式的固有性。

<变形例4>

此外，作为本实施方式中用户识别时的动作，在登录时识别作业员，但是并不局限于此。

例如，在登录后(允许真实操作之后)的机器人50的操作过程中，控制装置20的特征量计算部21从作业员操作机器人50时通过示教操作盘25有关的操作而生成的操作信号中计算特征量，用户识别装置30的取得部31取得该特征量，用户识别装置30的识别部32使用该特征量来执行用户识别处理。例如，在登录后在作业员的作业过程中，特征量计算部21根据此前的作业中规定的操作量来计算该作业员有关的特征量，识别部32可以使用该特征量来再次识别作业员。假设无法将该作业员认证为登录时认证过的人时，控制装置20的操作无效化部23可以使示教操作盘25有关的操作无效。此外，除了使示教操作盘25有关的操作无效以外/或者控制装置20的警报部24发出警报。

由此，例如即使是错误地认证了在登录时冒充的作业员的情况下，通过作业员平时的习惯等在真实操作时显现，从而能够发现冒充。

<变形例5>

此外，作为本实施方式中登录时的用户识别时的动作，用户识别装置30的取得部31取得作业员的识别信息(用户id)，识别部32根据从控制装置20接收到的特征量来识别该识别信息(用户id)正确与否，但是并不局限于此。

例如，作为登录时用户识别时的动作，可以不输入作业员的识别信息(用户id)，即用户识别装置30的取得部31不取得作业员的识别信息(用户id)，而是仅根据从控制装置20接收到的特征量来识别该作业员。

用户识别装置30例如在将该作业员认证为作业员a时，可以将该情况显示于示教操作盘25。

由此，可以省略登录时用户id的输入。

<变形例6>

此外，在本实施方式的用户识别系统100中，用户识别装置30与示教操作盘25和机器学习装置10分别独立，但是不局限于此。

例如，作为用户识别系统100的结构，用户识别装置30与示教操作盘25可以实现为一体的装置。或者，用户识别装置30与机器学习装置10可以实现为一体的装置。或者，可以通过控制装置20来实现机器学习装置10的功能的一部分或者全部。或者，可以通过控制装置20来实现用户识别装置30的功能的一部分或者全部。

并且，在上述实施方式中，使机器学习装置10为具有进行学习的功能和存储学习模型的功能的装置，但是也可以通过不同的装置来进行学习的功能、存储学习模型的功能。

另外，上述用户识别系统100所含的各装置可以通过硬件、软件或者它们的组合来分别实现。此外，上述用户识别系统100所含的各装置进行的识别方法也可以通过硬件、软件或者它们的组合来实现。这里，所谓通过软件来实现表示计算机通过读入程序来执行从而进行实现。

可以使用各种类型的非临时性的计算机可读介质(non-transitorycomputerreadablemedium)来存储程序而提供给计算机。非临时性的计算机可读介质包含各种类型的有实体的存储介质(tangiblestoragemedium)。非临时性的计算机可读介质的示例包含：磁存储介质(例如，软盘、磁带、硬盘驱动器)、磁-光存储介质(例如，光磁盘)、cd-rom(readonlymemory)、cd-r、cd-r/w、半导体存储器(例如，掩膜rom、prom(programmablerom)、eprom(erasableprom)、闪存rom、ram(randomaccessmemory))。此外，可以通过各种类型的临时性的计算机可读介质(transitorycomputerreadablemedium)将程序供给到计算机。临时性的计算机可读介质的示例包含电信号、光信号以及电磁波。临时性的计算机可读介质可以经由电线和光纤等有线通信路或者无线通信路将程序供给到计算机。