CN102189550B - 具有学习控制功能的机器人 - Google Patents

Abstract

本发明的机器人包含在作为位置控制的对象的部位具有传感器的机器人机构部、和控制机器人机构部的动作的控制装置，控制装置具有控制机器人机构部的动作的通常控制部、和学习控制部，其通过作业程序使机器人机构部动作，使通过上述传感器检出的上述机器人机构部的控制对象位置接近对上述通常控制部赋予的目标轨迹或者位置而进行计算学习修正量的学习，学习控制部计算在学习运转状态下可设定的最大速度倍率，在达到上述最大速度倍率前多次一边增加速度倍率一边进行计算学习修正量的学习。

Description

具有学习控制功能的机器人

本申请是新的美国专利申请，其要求2010年2月19日提交的JP 2010-035160的优先权，2010-035160的内容通过参照合并于此。

技术领域

本发明涉及具有学习控制功能的机器人，特别涉及利用在手臂侧安装的传感器进行动作的高速化的机器人。

背景技术

在机器人中，为对用伺服电动机驱动的被驱动体的位置或速度进行控制，通常进行位置反馈控制、速度反馈控制、以及电流反馈控制，控制成被驱动体与指令位置、速度一致。

即使进行这样的位置、速度、电流的反馈控制，在机器人的高速动作中，也会产生轨迹误差或者位置振动成分。另外，在高速动作中，因为电动机侧和手臂侧的动态特性不同，所以不能从电动机编码器直接测定手臂侧的轨迹误差或者位置振动成分。因此，需要在手臂侧直接安装传感器，测量轨迹误差、位置振动成分。安装传感器进行学习控制的例子，公开了虽然不是机器人的例子但是使用了加速度传感器的学习控制(专利文献1)。

图1表示具有现有的实施学习控制的学习控制器的机器人的概略图。机器人100由机器人机构部1、和控制机器人机构部1的控制装置2构成。控制装置2具有实施机器人的学习控制的学习控制部3、和直接驱动机器人机构部1的通常控制部4。

在机器人机构部1中设置加速度传感器10、手臂11、手臂尖端部12、电动机(未图示)。向机器人机构部1的电动机输入来自在控制装置2内所包含的通常控制部4的信号，机器人机构部1的电动机驱动手臂11。机器人机构部1的电动机还使手臂尖端部12移动到所期望的位置，执行例如焊接等的作业。在手臂尖端部12上设置加速度传感器10，能够得到手臂尖端部12的空间的位置数据(y_j(k))。来自加速度传感器10的位置数据(y_j(k))输出至学习控制部3，在学习控制中利用。这里，j是试行次数，k是时间，Ns是一次试行的采样数。y_d(k)是位置指令，y_j(k)是上次的控制对象量，e_j(k)是通过滤波器从y_d(k)和y_j(k)计算的目标修正量。u_j(k)表示上次的学习修正量。

在通常控制部4内设置位置控制部41、速度控制部42、电流控制部43、放大器44、微分单元45。位置控制部41接收从控制装置2的外部输入的位置指令(y_d(k))，并且接收机器人机构部1的电动机位置等的位置信息，对于速度控制部42输出机器人机构部1的手臂尖端部12的所期望的位置信息。微分单元45接收从机器人机构部1反馈的电动机位置信息，计算电动机速度，将其对于速度控制部42输出。

速度控制部42利用来自位置控制部41的位置信息以及来自微分单元45的电动机速度信息计算所期望的电动机速度，将其输出至电流控制部43。电流控制部43接收从放大器44反馈的电流值，并且计算以使电动机成为从速度控制部42输入的所期望的电动机速度的方式计算流过电动机的电流，将其输出至放大器44。放大器44根据来自电流控制部43的电流值计算所期望的电力，将其投入到机器人机构部1的电动机(未图示)。

在学习控制部3中设置一试行延迟W^-1300、第一存储器31、学习控制器L(q)32、低通滤波器Q(q)33、第二存储器34、第三存储器35。第一存储器31根据关于手臂尖端部12的位置指令数据(y_d(k))、和加速度传感器10测定的位置数据(y_j(k))，通过滤波器计算输入目标修正量e_d(k)，并将其存储，并且向L(q)32输出目标修正量e_d(k)。这里，目标修正量e_d(k)相当于与手臂尖端部12的所期望的位置相对应的轨迹、振动误差。

学习控制器L(q)32，通过执行在L(q)32中存储的作业程序，从目标修正量e_d(k)和u_j(k)计算学习修正量u_j+1(k)，将其输出至低通滤波器Q(q)33。输入了Q(q)33的学习修正量u_j+1(k)输出至第二存储器34，被存储在第二存储器34内，并且加在用通常控制部4的位置控制部41算出的位置偏差数据上。

根据被修正的位置偏差数据控制机器人机构部1，重复学习控制。通过重复执行这一系列处理，学习控制使位置偏差收敛到“0”。学习控制结束后，不执行用图1的虚线表示的学习修正量的回路，从第二存储器34向位置控制部41输出学习修正量u_j+1(k)。此外，在图1中，实线部分表示在通常控制部4使机器人机构部1动作时执行的部分，作为虚线部分的学习控制在学习运转状态下动作结束后执行。

专利文献1：日本特开2006-172149号公报

现有的学习控制着眼于改善某条件下的轨迹、振动误差这一点。但是，存在应用的幅度狭窄，另外使用的方便性没有太多考虑这样的问题。

作为使用传感器的学习控制的例子的上述现有技术，虽然是机床的例子，但是作为传感器设想使用加速度传感器。在机器人上安装加速度传感器的情况下，虽然能够抽出正交坐标中的轨迹误差以及位置误差，但是有不能原样不变地根据传感器数据来计算各轴的轨迹误差以及位置误差的问题。

另外，在上述现有技术中，在从加速度传感器抽出轨迹、振动误差时使用通常的高通滤波器。因为在机床的情况下作为对象的反馈控制带宽高达数十Hz～数百Hz，亦即因为反馈控制在其带宽中具有非常好的特性，所以即使不能为去除偏移数据而使用10Hz以下的数据，也没有大的问题。因此，偏移不是那样重要的问题。另一方面，在产业用机器人中，通常反馈的控制带宽为数Hz，高于这以上的带宽通过反馈来控制，因为性能容易依赖模型误差，所以要通过学习控制修正那一部分。例如，为去除加速度传感器数据的偏移而在进行1Hz的高通的情况下因为到10Hz左右的轨迹、振动误差的相位旋转，所以有包括想要除去的带宽的轨迹、振动误差数据也被加工、学习控制的性能恶化这样的问题。

进而也存在很难调整学习控制器的这样的问题。虽然提出了各种调整方法，但是有控制器的阶数升高，稳定性降低，需要庞大的行列式计算等的问题。因此，在大部分的现场中实际情况是基于经验来试行错误。另外，因为机器人根据姿势系统变化所以有试行错误中的调整更加困难这样的特征。另外，迄今不存在自动进行参数的调整、具有进行高速化的学习功能的产业用机器人。

发明内容

本发明的机器人包含：在作为位置控制的对象的部位具有传感器的机器人机构部；和控制机器人机构部的动作的控制装置，上述控制装置具有通常控制部，其控制上述机器人机构部的动作；和学习控制部，其通过作业程序使上述机器人机构部动作，为了使通过上述传感器检测出的上述机器人机构部的控制对象位置接近对上述通常控制部赋予的目标轨迹或位置而进行计算学习修正量的学习，上述学习控制部计算在学习运转状态下可设定的最大速度倍率，在达到上述最大速度倍率前多次一边增加速度倍率一边进行计算学习修正量的学习。

作为本发明的其他的实施方式，上述学习控制部也可以根据在上述机器人机构部中允许的最大速度以及最大加速度计算上述最大速度倍率。

作为本发明的其他的实施方式，上述学习控制部也可以具有高通滤波器，该高通滤波器用于根据由上述传感器检出的数据，计算上述机器人机构部的轨迹、振动误差。

作为本发明的其他的实施方式，上述学习控制部优选通过对基轴三轴逆运动学计算由上述传感器检测出的数据，计算包含轨迹、振动误差的各轴上的位置。

作为本发明的其他的实施方式，上述学习控制部也可以使上述机器人机构部执行预定的动作，计算上述传感器的位置及倾角。

作为本发明的其他的实施方式，上述学习控制部优选还具有用于保存上述学习修正量的存储器。

作为本发明的其他的实施方式，上述传感器也可以是视觉传感器、加速度传感器、陀螺传感器、惯性传感器、以及应变计的任何一种。

作为本发明的其他的实施方式，上述传感器具有可对于机器人机构部装卸的安装单元是理想的，作为上述安装单元具有磁铁更为理想。

根据本发明，学习控制部计算在学习运转状态下可设定的最大速度倍率，在达到上述最大速度倍率前多次一边增加速度倍率一边进行计算学习修正量的学习，由此能够自动执行学习中的动作的高速化。

附图说明

通过参照附图阅读下面详细的说明将会更好地理解本发明的这些以及其他的特征和优点。

图1是现有的机器人的结构图。

图2是本发明的实施例1的机器人的机器人机构部以及传感器的结构图。

图3是本发明的实施例1的机器人的机器人机构部的结构示意图。

图4是表示通用坐标系中的传感器的位置的图。

图5是本发明的实施例1的机器人的结构图。

图6是用于说明构成本发明的机器人的机器人机构部的动作的高速化的过程的流程图。

图7是表示视觉传感器的例子的图。

具体实施方式

下面参照附图说明本发明的机器人。但是请留意本发明的技术范围不限于那些实施方式，而涉及在权利要求书中记载的发明及其等价物。

在本实施例中进行机器人动作的高速化。首先，图2表示本发明的机器人的机器人机构部的结构图。图2(a)表示机器人机构部的整体结构，图2(b)表示安装了传感器的焊枪的放大图。机器人机构部1是公知的机器人操纵器(以下简称“机器人机构部”)，只要焊枪20能够到达进行作业的位置姿势，则不限于该机构。作为用于检测机器人机构部的位置以及为了使机器人机构部静止而减速时发生的轨迹、振动误差的传感器，在成为机器人机构部的位置控制对象的部位、即焊枪20的尖端部安装加速度传感器10。作为加速度传感器10可以使用三轴加速度传感器。加速度传感器10具有磁铁，为可装卸式。也可以把加速度传感器10的外壳作为磁铁。

下面作为本发明的实施例说明使用加速度传感器的例子，但是代替加速度传感器也可以使用视觉传感器。在图7中表示使用视觉传感器的例子。视觉传感器70具有第一摄像机72以及第二摄像机73两台摄像机。设置在机器人手71上。视觉传感器70使用摄像机72、73测量靶线74上的假想TCP76的位置，用于计算在把前进方向75作为x轴的正方向的情况下的作为x轴、y轴、z轴的各个轴的轴方向的轨迹、振动误差Δx、Δy、Δz。

在安装加速度传感器10后，使机器人机构部执行规定的动作，进行计算传感器的位置及倾角的校准。校准的过程如下。

首先，确定最初加速度传感器的倾角。如图3所示，从通用坐标系的某点P₀在x轴方向上进行动作，通过某点P₁，取得此时的加速度数据。然后，把P₀点的静止状态下的加速度数据作为a₀，把P₁点的动作状态下的加速度数据作为a₁。此时去掉了重力加速度(静止加速度)的加速度a_xγ可以用a_xγ＝a₁-a₀表示。进行标准化，如下定义。

$a_x=\frac{a_{\mathrm{x\γ}}}{\left|a_{\mathrm{x\γ}}\right|}$

同样，在从P₀开始的y轴方向上进行动作，通过某点P₂，取得此时的加速度数据a₂。此时去掉了重力加速度的加速度a_yγ可以用a_yγ＝a₂-a₀表示。进行标准化，可以如下表示。

$a_y=\frac{a_{\mathrm{y\γ}}}{\left|a_{\mathrm{y\γ}}\right|}$

把这两个正交的矢量作为a_zγ＝a_x×a_y，可以如下表示。

$a_z=\frac{a_{\mathrm{z\γ}}}{\left|a_{\mathrm{z\γ}}\right|}$

因此，为从工具坐标系到通用坐标系进行姿势的变换的行列式R_t可以如下表示。

接着，通过使J5和J6动作，确定加速度传感器的位置。首先，如图3使J5旋转θ₁。然后在此时的加速度传感器坐标系中测量的加速度数据上乘以行列式R_t，把变换为通用坐标系的加速度数据设为

$({\stackrel{\·\·}{\mathrm{\φ}}}_{1x},{\stackrel{\·\·}{\mathrm{\φ}}}_{1y},{\stackrel{\·\·}{\mathrm{\φ}}}_{1z})$

，则传感器位移

如下表示。

$\mathrm{\Δ}{\mathrm{\φ}}_1=\∫\∫\sqrt{{{\stackrel{\·\·}{\mathrm{\φ}}}^2}_{1x}+{{\stackrel{\·\·}{\mathrm{\φ}}}^2}_{1z}}\mathrm{dtdt}$

此时的通用坐标系的X轴方向的偏移量Δx表示为

然后如图4使J6旋转θ₂。然后在此时的加速度传感器坐标系中测量的加速度数据上乘以行列式R_t，把变换为通用坐标系的加速度数据设为

$({\stackrel{\·\·}{\mathrm{\φ}}}_{2x},{\stackrel{\·\·}{\mathrm{\φ}}}_{2y},{\stackrel{\·\·}{\mathrm{\φ}}}_{2z})$

，则传感器位移如下表示。

$\mathrm{\Δ}{\mathrm{\φ}}_2=\∫\∫\sqrt{{{\stackrel{\·\·}{\mathrm{\φ}}}^2}_{2y}+{{\stackrel{\·\·}{\mathrm{\φ}}}^2}_{2z}}\mathrm{dtdt}$

成为

通用坐标系的Y轴方向的偏移量Δy为Δy＝γcosθ₂，通用坐标系的Z轴方向的偏移量Δz为Δz＝γsinθ₂。

接着进行学习控制器的设计。首先，关于各个轴，根据学习修正量的输入来测定从加速度传感器到推定的位置为止的频率响应。另外，学习控制的框图在图5中画出。

图5表示本发明的实施例的机器人的概略图。机器人100由机器人机构部1和控制机器人机构部1的控制装置2构成。控制装置2具有实施机器人的学习控制的学习控制部3、和直接驱动机器人机构部1的通常控制部4。

学习控制部3通过作业程序使机器人机构部1动作，进行计算学习修正量的学习，以使通过加速度传感器10检出的机器人机构部1的控制对象位置接近对通常控制部4赋予的目标位置Y_d(k)。在学习控制部3之外，因为与图1表示的现有的机器人的结构相同，所以省略详细的说明。在学习控制部3中，设置第一存储器31、位置变换器35、高通滤波器36、逆运动学计算器IK37、正变换器FK38、学习控制器L(q)32、低通滤波器Q(q)33、第二存储器34、第三存储器35、第四存储器39。另外，通过根据其频率响应结果，解线性行列不等式，由此进行学习控制器的设计。

所谓线性行列不等式是在以下的约束条件下，

$F\left(x\right)=F_0+\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{x}_i{F}_i\≥0---\left(1\right)$

$(x\∈R^m,F_i=F_i^{*}\∈R^{n\×n},m,i\∈Z)$

计算使c^Tx(c∈R^m)成为最小的x的问题。这里，F_i是半正值定符号行列式。

现在把学习控制器作为

$L\left(z\right)=L_0{z}^{-N_0}+L_1{z}^{-N_0+1}+...+L_{N_0}{z}^0+...+L_{2N_0-1}{z}^{N_0-1}+L_{2N_0}{z}^{N_0}$

，式中，N₀∈Z。

当设

$x={\left[\begin{array}{ccccc}{\mathrm{\γ}}^2& L_0& L_1& ...& L_{2N_0}\end{array}\right]}^T$ c^T＝[1 0 0 … 0]

，式中，

k∈Z

时，保证学习控制器的稳定性、单调减少性的条件在频域上如下表示。

‖Q(z)(I-L(z)P(z))‖_∞＝γ＜1

在该式中，Q(z)为在截止频率中具有学习频带的低通滤波器，L(z)为学习滤波器，P(z)为从学习修正量输入到控制对象的传递函数。该γ越小，则学习控制器的性能越高。学习控制器的最优化问题是在赋予了Q(z)即学习控制的频带时计算出赋予最小γ的学习滤波器L(z)的问题。另外，该式可如下变形。

$\left[\begin{array}{cc}0& Q{\left(e^{j{\mathrm{\Ω}}_i}\right)}^{*}\\ Q\left(e^{j{\mathrm{\Ω}}_i}\right)& 0\end{array}\right]+{\mathrm{\γ}}^2\left[\begin{array}{cc}I& 0\\ 0& 0\end{array}\right]+\left[\begin{array}{cc}0& {(-Q\left(e^{j{\mathrm{\Ω}}_i}\right)L\left(e^{j{\mathrm{\Ω}}_i}\right)P\left(e^{j{\mathrm{\Ω}}_i}\right))}^{*}\\ -Q\left(e^{j{\mathrm{\Ω}}_i}\right)L\left(e^{j{\mathrm{\Ω}}_i}\right)P\left(e^{j{\mathrm{\Ω}}_i}\right)& 0\end{array}\right]\≥0$

(γ＜1 for all Ω₁)

这里，当设

${\mathrm{\φ}}_k\left(z\right)=z^{-N_0+(k-1)}$

时，可以表示为

$L\left(e^{j{\mathrm{\Ω}}_i}\right)=L_0{\mathrm{\φ}}_0\left(z\right){|}_{z=e^{j{\mathrm{\Ω}}_i}}+...+L_{2N_0}{\mathrm{\φ}}_{2N_0}\left(z\right){|}_{z=e^{j{\mathrm{\Ω}}_i}}$

$=\underset{k=0}{\overset{2N_0}{\mathrm{\Σ}}}{L}_k{\mathrm{\φ}}_k\left(z\right){|}_{z=e^{j{\mathrm{\Ω}}_k}}$

这里，L_k可以通过α_k，j和V_j的线性表示。这里，V_j和L_k的维数相同，V_j除元素(j，i)外全为零。例如设N_y＝2，N_u＝2。

$L_k=\left[\begin{array}{cc}{L}_{\mathrm{1,1}}^k& L_{\mathrm{1,2}}^k\\ L_{\mathrm{2,1}}^k& L_{\mathrm{2,2}}^k\end{array}\right]=L_{\mathrm{1,1}}^k\left[\begin{array}{cc}1& 0\\ 0& 0\end{array}\right]+L_{\mathrm{1,2}}^k\left[\begin{array}{cc}0& 1\\ 0& 0\end{array}\right]+L_{\mathrm{2,1}}^k\left[\begin{array}{cc}0& 0\\ 1& 0\end{array}\right]+L_{\mathrm{2,2}}^k\left[\begin{array}{cc}0& 0\\ 0& 1\end{array}\right]$

$={\mathrm{\α}}_{k,1}{V}_1+{\mathrm{\α}}_{k,2}{V}_2+{\mathrm{\α}}_{k,3}{V}_3+{\mathrm{\α}}_{k,4}{V}_4$

另外，

$Q\left(e^{j{\mathrm{\Ω}}_i}\right)L\left(e^{j{\mathrm{\Ω}}_i}\right)P\left(e^{j{\mathrm{\Ω}}_i}\right)=Q\left(e^{j{\mathrm{\Ω}}_i}\right)\underset{k=0}{\overset{2N_0}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_y{N}_0}{\mathrm{\Σ}}}{\mathrm{\α}}_{k,j}{V}_j{\mathrm{\φ}}_k\left(z\right){|}_{z=e^{j{\mathrm{\Ω}}_i}}P\left(e^{j{\mathrm{\Ω}}_i}\right)$

$=\underset{l=1}{\overset{(2N_0+1)N_y{N}_0}{\mathrm{\Σ}}}{\mathrm{\β}}_l{F}_l^i$

式中

β₁＝α_k，j

$F_l^i=Q\left(e^{j{\mathrm{\Ω}}_i}\right)V_{j}P\left(e^{j{\mathrm{\Ω}}_i}\right)$

因此该式变形为

${\mathrm{\γ}}^2\left[\begin{array}{cc}I& 0\\ 0& 0\end{array}\right]+\underset{l=0}{\overset{(2N_0+1)N_y{N}_z}{\mathrm{\Σ}}}{\mathrm{\β}}_i\left[\begin{array}{cc}0& F_l^i{\left(e^{j{\mathrm{\Ω}}_i}\right)}^{*}\\ F_l^i\left(e^{j{\mathrm{\Ω}}_i}\right)& 0\end{array}\right]+\left[\begin{array}{cc}0& Q{\left(e^{j{\mathrm{\Ω}}_i}\right)}^{*}\\ Q\left(e^{j{\mathrm{\Ω}}_i}\right)& 0\end{array}\right]\≥0$

。把该式的第一项和第二项考虑为

，把第三项考虑为F₀，定义

c＝[1 0 0 … 0]

时，上式表示为

这与线性行列不等式(1)的约束条件等价。于是，最小化问题归结为c^Tx即γ²成为最小的问题。这可以换言之为学习控制器的最优化问题。因此，到稳定性条件和单调性条件的充分条件成为

c^Tx≤1

。因此，通过实验测定P(e^j Ω ⁱ)，如果给出学习频带滤波器Q(z)，则能够自动地求学习滤波器L(z)。

进而，考虑学习控制器的可靠性。机器人的特征是根据姿势，系统的变化大。

设当把某一姿势作为基准姿势时P_n(z)为基准姿势的学习系统。这样假定时，任意的姿势P_m(z)表示为P_m(z)＝P_n(z)+ΔP_m(z)。ΔP_m(z)是其从基准姿势偏离的学习系统的变化量。此时，在给出了学习频带滤波器Q(z)的情况下的约束条件如下。

${{\mathrm{\γ}}_m}^2\left[\begin{array}{cc}I& 0\\ 0& 0\end{array}\right]+\underset{l=1}{\overset{(2N_0+1)N_{\mathrm{\γ}}{N}_0}{\mathrm{\Σ}}}{\mathrm{\β}}_l\left[\begin{array}{cc}0& F_{l,m}^i{\left(e^{j{\mathrm{\Ω}}_i}\right)}^{*}\\ F_{l,m}^i\left(e^{j{\mathrm{\Ω}}_i}\right)& 0\end{array}\right]+\left[\begin{array}{cc}0& Q{\left(e^{j{\mathrm{\Ω}}_i}\right)}^{*}\\ Q\left(e^{j{\mathrm{\Ω}}_i}\right)& 0\end{array}\right]\≥0$

此时，当考虑

时，对于稳定性条件和单调减少性的充分条件是对于任意的整数m是满足以下的条件的时候。

cTx_m≤1

因此，如果仅就m姿势的量，通过实验测定P(e^j Ω i)，则和前例同样能够自动地求学习控制器。

接着说明学习控制器的数据控制处理过程。如图5所示，反馈从位置控制、速度控制、电流控制三个回路成立，学习控制在反馈的位置控制回路外侧组成回路。实线部分成为学习运转状态下，动作中有效的回路，停止后虚线的回路变得有效。a_j是从加速度传感器得到的数据，位置变换器35把加速度数据a_j变换为位置数据。学习中，在第一存储器31中保存加速度传感器10检测出的机器人静止时发生的振动的数据。从第二存储器34中输出学习修正量u_j+1(k)。

动作结束后，通过位置变换器35推定正交坐标的轨迹、振动误差，通过使用作为零相位高通滤波器、即高通滤波器36，抽出去掉了偏移后的轨迹、振动误差Δr。通过把该轨迹、振动误差加在根据电动机位置反馈(FB)数据使用FK来推定的传感器的位置数据上，推定包含手臂的动力学的、加速度传感器10的正交坐标系中的传感器位置。

这里，通过在基轴三轴上逆运动学计算从传感器推定的传感器位置，计算包含手臂动力学的各轴上的位置。从包含该手臂动力学的各轴位置，计算不包含手臂动力学的各轴位置，即通过减去电动机的位置来计算各轴目标修正量。在下式中ψ_i是第j次试行的各轴目标修正量，IK是逆运动学计算，θ_mj是第j次试行的各轴电动机位置。

ψ_j＝IK^-1(r+Δr)-θ_mj

通过把该各轴目标修正量输入学习控制器，计算下次试行的修正量u_j+1(k)。通过学习控制器L(q)32，加上来自第三存储器35的上次试行的学习修正量u_j，通过低通滤波器Q(q)33，计算下次试行的修正量u_j+1。

接着使用附图说明本发明的学习控制中的机器人机构部的动作的高速化的过程。图6是用于说明机器人机构部的动作的高速化的过程的流程图。通过由学习控制部计算学习执行中、且在学习运转状态下可设定的最大速度倍率，在达到最大速度倍率前多次一边增加速度倍率一边进行计算修正量的学习，由此执行机器人机构部的动作的高速化。在此，“学习运转状态”是通过作业程序来使机器人机构部动作，计算学习修正量，以使通过传感器检测出的机器人机构部的控制对象位置接近赋予给通常控制部的目标轨迹或位置。

首先，在步骤S101，学习控制部计算学习执行中可设定的最大速度倍率。根据在机器人机构部中允许的最大速度以及最大加速度计算最大速度倍率。最初，使机器人机构部动作一次，根据一次试行的结果，基于最大加速度、最大速度的观点计算各轴电动机的可学习的最大速度倍率。

首先，从最大加速度的观点计算各轴电动机的可学习的最大速度倍率。机器人的运动方程式如下定义。

$\mathrm{\τ}=M\left(\mathrm{\Θ}\right)\stackrel{\·\·}{\mathrm{\Θ}}+V(\mathrm{\Θ},\stackrel{\·}{\mathrm{\Θ}})+G\left(\mathrm{\Θ}\right)$

(式中，Θ为手臂的位置、速度。)

M(Θ)表示惯性项的行列式，

表示速度项的矢量，G(Θ)表示重力项的矢量。转矩的使用量大的部分主要是加速或者减速的情况。因此，假定通过提高速度倍率引起的转矩的增加主要从

产生。从加减速的观点计算最大速度倍率ovr_max_1，i的估算的计算。

设第一次试行的最大转矩为τ_max，i，电动机的最大转矩允许量为τ_p，i，在加减速中使用的转矩

为τ_a，i时，则有下式。

${\mathrm{\τ}}_{a,i}={\mathrm{\τ}}_{\max ,i}-{(V(\mathrm{\Θ},\stackrel{\·}{\mathrm{\Θ}})+G\left(\mathrm{\Θ}\right))}_i$

此时，当考虑ovr_max_1，i与τ_a，i的平方成比例时，有

${\mathrm{ovr}\_\max }_{1,i}=\sqrt{\frac{{\mathrm{\τ}}_{p,i}-{(V(\mathrm{\Θ},\stackrel{\·}{\mathrm{\Θ}})+G\left(\mathrm{\Θ}\right))}_i}{{\mathrm{\τ}}_{a,i}}}$

。这里，下标i表示第i轴

如上述，从最大加速度的观点，得到最大速度倍率ovr_max_1，i。

同样，从最大速度的观点，对于最大速度倍率ovr_max_2，1进行计算。当设第一次试行的最大速度为ω_v，i，电动机的最大速度允许量为ω_p，i时，有

${\mathrm{ovr}\_\max }_{2,i}=\frac{{\mathrm{\ω}}_{p,l}}{{\mathrm{\ω}}_{v,i}}$

如上述，从最大速度的观点，得到最大速度倍率ovr_max_2，i。在上述两个条件下进而轴中最小的速度倍率成为可在学习控制中使用的最大速度倍率。因此，当将其表示为ovr_max时，成为

$\mathrm{ovr}\_\max =\underset{i}{\max }\{{\mathrm{ovr}\_\max }_{1,i},\mathrm{ovr}\_{\max }_{2,i}\}$

。当设在一次步骤中增加的速度倍率的量为Δ时，步骤数n使用Δ如下计算。

$n=\mathrm{ceiling}\left(\frac{\mathrm{ovr}\_\max -\mathrm{ovr}\_\mathrm{cur}}{\mathrm{\Δ}}\right)$

在速度倍率达到最大速度倍率前，例如在n步中使之增加进行学习，计算学习修正量。具体说，在步骤S102，学习控制部使速度倍率增加规定量，数次重复学习，在振动收敛后，在步骤S103，学习控制部计算学习修正量。

接着，在步骤S104，学习控制部判断速度倍率是否变得比最大速度倍率大。在速度倍率在最大速度倍率以下的情况下，在步骤S102学习控制部使速度倍率增加规定量进行学习，在速度倍率变得比最大速度倍率大的情况下，在步骤S105，学习控制部在F-ROM或者存储器卡(MC)中保存学习修正量。

这样，在速度倍率达到最大速度倍率前，通过重复执行提高速度倍率的程序和进行学习的程序，使动作速度高速化。在实际运转时从F-ROM或者存储器卡(MC)中调出后再生学习修正量。

以上在本发明的实施例中作为在机器人机构部上安装的传感器，表示出使用加速度传感器的例子，但是也可以使用视觉传感器、陀螺传感器、惯性传感器、以及应变计。

Claims (9)

1.一种机器人，其特征在于，

包含：具有用于检测作为位置控制的对象的控制对象部位的位置的传感器的机器人机构部；和

控制上述机器人机构部的动作的控制装置，

其中，上述控制装置具有：

通常控制部，其被赋予关于上述控制对象部位的目标轨迹或目标位置的位置指令，使用被赋予的上述位置指令以及学习修正量，控制上述机器人机构部的动作；和

学习控制部，其使用上述位置指令以及上述学习修正量，通过作业程序使上述机器人机构部动作，计算出作为通过上述传感器检测出的上述控制对象部位的位置和上述目标位置之间的差分的目的修正量，根据上述学习修正量以及上述目的修正量进行计算出新的学习修正量的学习，以使上述控制对象部位的位置接近上述目标位置，

其中，上述学习控制部，

预先计算在上述学习中能够设定的最大速度倍率，

在达到上述最大速度倍率前多次将速度倍率增加预定量，同时为了使振动在各速度倍率收敛，使用上述学习修正量在振动收敛之后重复计算出上述新的学习修正量的学习，在判断出所述速度倍率变得比所述最大速度倍率大的情况下，保存上述新的学习修正量。

2.根据权利要求1所述的机器人，其中，

上述学习控制部根据在上述机器人机构部允许的最大速度以及最大加速度计算上述最大速度倍率。

3.根据权利要求1所述的机器人，其中，

上述学习控制部具有高通滤波器，该高通滤波器用于根据由上述传感器检测出的数据，计算上述机器人机构部的位置振动成分。

4.根据权利要求1所述的机器人，其中，

上述学习控制部通过对基轴三轴逆变换计算由上述传感器检测出的数据，计算包含位置振动成分的各轴上的位置。

5.根据权利要求1所述的机器人，其中，

上述学习控制部使上述机器人机构部执行预定的动作，计算上述传感器的位置及倾角。

6.根据权利要求1所述的机器人，其中，

上述学习控制部还具有用于保存上述学习修正量的存储器。

7.根据权利要求1所述的机器人，其中，

上述传感器是视觉传感器、加速度传感器、陀螺传感器、惯性传感器、以及应变计中的任意一个。

8.根据权利要求1所述的机器人，其中，

上述传感器具有对于机器人机构部可装卸的安装单元。

9.根据权利要求8所述的机器人，其中，

上述传感器具有作为上述安装单元的磁铁。

Images