CN109382820A - 干扰判定方法、干扰判定系统以及存储介质 - Google Patents

干扰判定方法、干扰判定系统以及存储介质 Download PDF

Info

Publication number
CN109382820A
CN109382820A CN201810608515.8A CN201810608515A CN109382820A CN 109382820 A CN109382820 A CN 109382820A CN 201810608515 A CN201810608515 A CN 201810608515A CN 109382820 A CN109382820 A CN 109382820A
Authority
CN
China
Prior art keywords
approximation
robot
ambient
combination
cuboid
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810608515.8A
Other languages
English (en)
Other versions
CN109382820B (zh
Inventor
藤井春香
中岛茜
小岛岳史
林剑之介
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Omron Corp
Original Assignee
Omron Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Omron Corp filed Critical Omron Corp
Publication of CN109382820A publication Critical patent/CN109382820A/zh
Application granted granted Critical
Publication of CN109382820B publication Critical patent/CN109382820B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
    • B25J9/1666—Avoiding collision or forbidden zones
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/19—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by positioning or contouring control systems, e.g. to control position from one programmed point to another or to control movement along a programmed continuous path
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/1605—Simulation of manipulator lay-out, design, modelling of manipulator
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
    • B25J9/1676—Avoiding collision or forbidden zones
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G05B19/4061—Avoiding collision or forbidden zones
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/39—Robotics, robotics to robotics hand
    • G05B2219/39094—Interference checking between robot and fixture

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Manipulator (AREA)
  • Numerical Control (AREA)

Abstract

一种干扰判定方法、干扰判定系统以及存储介质，能够高速地运算机器人的动作路径与周围物有无干扰。在从第一位置向第二位置移动的动作路径上设定至少一个中间位置，生成多个将相当于各位置的多个姿势的机器人近似体中的至少两个进行组合后构成的第一组合近似体，还生成针对至少一个关注部位将这些第一组合近似体中的至少两个进行组合后构成的第二组合近似体，判断该第二组合近似体是否与上述周围物近似体干扰。

Description

干扰判定方法、干扰判定系统以及存储介质
技术领域
本发明涉及干扰判定方法、干扰判定系统以及存储介质，特别是涉及在生成机器人臂的路径时的路径生成方法和路径生成装置中用于高速地运算障碍物的干扰范围的方法。
背景技术
当使工业用机器人进行预定的作业时，在通过编程或使实机实际动作的指教来决定执行作业的机器人臂的动作路径的情况下，需要大量时间和劳力。
针对于此，在输入动作开起点(起点)和动作结束点(终点)时，若能使用自动生成起点和终点间的路径的算法，则能期待大幅度缩短指教工业用机器人的时间。
作为在控制工业用机器人的机器人臂的动作时检查有无与周围物的干扰的方法，有专利文献1。在该文献中公开了如下干扰预测方法：关于连接起点和终点间的机器人的路径，按机器人经过该路径的每一离散时间进行区分，计算机器人的占有区域，将相邻的离散时间彼此的占有区域组合后计算多个凸包，计算这些凸包与将周围的障碍物用多面体近似后而得到的凸多面体是否具有共享区域，在有共享区域的情况下会发生干扰。
在使用这种算法生成路径时，若能生成考虑了配置工业用机器人的周围环境、例如皮带运输机等障碍物的路径，则优选能生成更适合实际环境的路径。
专利文献1：特开2012-223845号公报
发明内容
并且，作为这种路径的自动生成所要求的性能之一，有路径运算处理的高速化。例如，在必须用机器人臂分别把持在皮带运输机上不规则地运送来的多个把持对象物的情况下，必须按每一把持对象物来运算路径，因此需要实现运算处理的高速化。其原因是，运算时间的长短直接关系到皮带运输机的可动速度，进而关系到生产效率。
在专利文献1中记载的干扰判定方法中，判定将机器人周围的障碍物近似后而得到的凸多面体与将相邻的离散时间内的机器人的占有区域组合后的所有凸包有无共享区域，因此存在干扰有无的判定时间长的课题。
因此，本发明的目的在于提供能高速地运算根据动作路径动作的机器人与周围物干扰的有无的干扰判定方法、干扰判定系统以及计算机程序。
本发明的一方式的干扰判定方法是使用具备获取部、存储部和运算部的运算装置判定具有多个可动轴的机器人在从第一位置移动到第二位置时与存在于机器人周围的周围物干扰的可能性的方法。运算部使存储部存储将机器人的形状按每一关注部位用多面体近似后而得到的机器人数据，使存储部存储将周围物的形状近似后而得到的周围物近似体的数据。而且，获取部取得第一位置和第二位置。然后，运算部在从第一位置向第二位置移动的动作路径上设定至少一个中间位置，基于机器人数据，生成针对至少一个关注部位将第一位置、第二位置和中间位置的机器人的形状用多面体近似后而得到的多个机器人近似体。而且，生成针对至少一个关注部位多个将相当于第一位置、第二位置和中间位置处的多个机器人近似体中的至少两个进行组合而构成的第一组合近似体，生成将这些第一组合近似体中的至少两个进行组合而构成的第二组合近似体。然后，判定该第二组合近似体是否与周围物近似体干扰。
根据该方式，能将与机器人可采取的姿势对应的机器人近似体中的至少两个进行组合后生成第一组合近似体，使用将多个该第一组合近似体组合而构成的第二组合近似体来判定与周围物的干扰可能性，因此即使不经常对机器人可采取的所有姿势进行判定处理，也能判定干扰的可能性，因此能提供高速地运算机器人的动作路径与周围物干扰的有无的干扰判定方法。
在上述方式中可以是，在判定为第二组合近似体与周围物近似体干扰时，使用第二组合近似体中包含的第一组合近似体，执行是否与周围物近似体干扰的判定。
根据该方式，由于使用多个第一组合近似体来判定干扰的有无，所以能提高判定精度。即，只要仅与有干扰的可能性的第二组合近似体中包含的第一组合近似体进行比较即可，因此能通过少的运算量进行更高精度的干扰判定。
在上述方式中可以是，多个第一组合近似体是分别将在动作路径上相邻的两个机器人近似体组合而构成的。
根据该方式，能在相邻的两个机器人近似体间确定干扰位置，因此与使用近似体用于确定干扰有无的处理相比，能限定执行处理负荷相对大的、用于确定详细的干扰位置的处理的范围。因而，能高速地实施用于确定详细的干扰位置的处理。
在上述方式中可以是，关于关注部位，多个机器人近似体中相邻的任意机器人近似体之间的区域包含于至少一个第一组合近似体。
根据该方式，相邻的任意机器人近似体的区域包含于至少一个第一组合近似体，所以关注部位的动作路径无间隙地包含于第一组合近似体，能提高判定精度。
在上述方式中可以是，第二组合近似体是将关于关注部位生成的所有机器人近似体组合而构成的。
根据该方式，使用第二组合近似体进行了干扰判定的结果是，在判定为没有干扰可能性的情况下，由于无需针对其内部所包含的区域进行进一步的干扰判定处理，所以能实现判定处理的高速化。
在上述方式中可以是，在分别判定多个第一组合近似体是否与周围物近似体干扰的步骤中，在判定为第一组合近似体与周围物近似体干扰时，还具备如下步骤：在分别相当于该第一组合近似体中包含的相邻的两个机器人近似体的关注部位的两个姿势之间，提取该关注部位与周围物近似体碰撞的点，生成此时的机器人的位置和姿势的参数。
根据该方式，在判定为第一组合近似体与周围物近似体干扰时，在该近似体中包含的区域内，提取碰撞点，生成此时的机器人的位置和姿势的参数，因此能仅在限定的区域内实施需要处理时间的碰撞点的提取处理，能使判定处理最佳化，能实现运算高速性的提高。
在上述方式中可以是，还具备运算部使存储部存储将构成周围物的一部分的第一关注部位的形状近似的近似体中比周围物近似体小的第一周围物近似体的数据的步骤，还具备在判定为第一组合近似体或第二组合近似体与周围物近似体干扰时，判定该第一组合近似体或第二组合近似体是否与所述第一周围物近似体数据干扰的步骤。
根据该方式，关于构成周围物的一部分的关注部位能进行与第一组合近似体或第二组合近似体的干扰判定，所以能进行针对有干扰可能性的确定的部位的干扰判定，能更准确地确定有周围物的干扰可能性的部位。
在上述方式中，周围物近似体、第一组合近似体和第二组合近似体均是由与第一坐标系的各轴平行的线段构成的第一长方体，所述第一坐标系由相互正交的三个轴构成，在判定为第一组合近似体或第二组合近似体与周围物近似体干扰时，判定该第一组合近似体或第二组合近似体是否与第二长方体的近似体干扰，第二长方体是将所述周围物近似的长方体，第二长方体由与根据周围物的形状使第一坐标系按预定的角度旋转后的第二坐标系的各轴平行的线段构成，第二长方体小于所述第一长方体。
根据该方式，首先通过将周围物近似的第一长方体实施干扰判定，在干扰时，进一步通过将周围物近似的第二长方体来实施干扰判定，所以与使用了第一长方体的情况相比，能构成为仅在需要进行相对地需要时间的使用第二长方体的判定处理的情况下实施，能提高会发生干扰的范围的细化精度并能促进判定处理的高效化。
另外，本发明的其它方式的干扰判定系统当具有多个可动轴的机器人从第一位置移动到第二位置时判定与存在于机器人周围的周围物干扰的可能性。该干扰判定系统具备存储部，所述存储部用于存储将机器人的形状按多个关注部位的每一个用多面体近似后而得到的机器人数据和将周围物的形状近似后而得到的周围物近似体的数据，还具备获取部，用于取得第一位置和第二位置的。另外，运算部构成为在从第一位置向第二位置移动的动作路径上设定至少一个中间位置，基于机器人数据生成针对至少一个关注部位将第一位置、第二位置和中间位置处的机器人的形状用多面体近似后而得到的多个机器人近似体，生成多个针对至少一个关注部位将相当于第一位置、第二位置和中间位置处的多个机器人近似体中的至少两个进行组合而构成的第一组合近似体，生成将这些第一组合近似体中的至少两个进行组合而构成的第二组合近似体，判定该第二组合近似体是否与周围物近似体干扰。
根据该方式，能使用将机器人近似体中的至少两个进行组合而构成的第一组合近似体和将多个该第一组合近似体组合而构成的第二组合近似体来判定与周围物的干扰可能性，因此能提供高速地运算机器人的动作路径与周围物干扰的有无的干扰判定系统。
在上述方式中可以构成为在判定为第二组合近似体与周围物近似体干扰时，使用第二组合近似体中包含的第一组合近似体来判定是否与周围物近似体干扰。
根据该方式，由于使用多个第一组合近似体进行干扰判定，所以能提高判定精度。
在上述方式中可以是，多个第一组合近似体是分别将动作路径上相邻的两个机器人近似体组合而构成的。
根据该方式，能在相邻的两个机器人近似体之间确定干扰位置，因此能高速地实施用于确定干扰位置的处理。
在上述方式中可以是，关于关注部位，多个机器人近似体中相邻的任意机器人近似体之间的区域构成为包含于至少一个第一组合近似体。
根据该方式，由于相邻的任意机器人近似体的区域包含于至少一个第一组合近似体，所以关注部位的动作路径无间隙地包含于第一组合近似体，能提高判定精度，特别是能更准确地防止尽管会发生干扰但是将其判定为非干扰那样的误判定。换句话说，关于关注部位，生成了从初始姿势(位置)直至目标姿势(位置)的多个姿势的机器人近似体具有相互共享的区域。因而，能通过第一组合近似体无间隙地包含关注部位的动作路径，因此能提高判定精度(防止误判定等)。
在上述方式中可以是，第二组合近似体是将针对所述关注部位用多面体近似机器人形状而生成的所有机器人近似体组合而构成的。
根据该方式，使用第二组合近似体进行了干扰判定的结果是，在判定为没有干扰可能性的情况下，由于针对其内部所包含的区域无需进行进一步的干扰判定处理，所以能实现判定处理的高速化。
在上述方式中，在分别判定多个第一组合近似体是否与周围物近似体干扰的步骤中，在判定为第一组合近似体与周围物近似体干扰时，还可以具备如下步骤：在分别相当于该第一组合近似体中包含的相邻的两个机器人近似体的关注部位的两个姿势之间，提取该关注部位与周围物近似体碰撞的点，生成此时的机器人的位置和姿势的参数。
根据该方式，在判定为第一组合近似体与周围物近似体干扰时，在该近似体中包含的区域内提取碰撞点，生成此时的机器人的位置和姿势的参数，因此能仅在限定的区域内实施需要处理时间的碰撞点的提取处理，能使判定处理最佳化，能实现运算高速性的提高。
在上述方式中可以是，运算部还具备使存储部存储将构成周围物的一部分的第一关注部位的形状近似的近似体中比周围物近似体小的第一周围物近似体的数据的步骤，还具备在判定为第一组合近似体或第二组合近似体与周围物近似体干扰时，判定该第一组合近似体或第二组合近似体是否与所述第一周围物近似体数据干扰的步骤。
根据该方式，能针对构成周围物的一部分的关注部位进行与第一组合近似体或第二组合近似体的干扰判定，所以能进行针对有干扰可能性的确定的部位的干扰判定，能更准确地确定周围物的有干扰可能性的部位。
在上述方式中可以是，周围物近似体、第一组合近似体和第二组合近似体均是由与构成第一坐标系且相互正交的三个轴分别平行的线段构成的第一长方体，在判定为第一组合近似体或第二组合近似体与周围物近似体干扰时，判定该第一组合近似体或第二组合近似体是否与第二长方体的近似体干扰，第二长方体是将周围物近似的长方体，第二长方体由与根据周围物的形状使第一坐标系按预定的角度旋转后的第二坐标系的各轴平行的线段构成，第二长方体小于第一长方体。
根据该方式，首先通过将周围物近似的第一长方体来实施干扰判定，在干扰时，进一步通过将周围物近似的第二长方体来实施干扰判定，所以与使用了第一长方体的情况相比，能构成为仅在需要进行相对地需要时间的使用第二长方体的判定处理的情况下实施，能提高干扰可能性范围的细化精度并能促进判定处理的高效化。
另外，本发明的一方式的存储介质存储计算机程序，计算机程序是用于判定具有多个可动轴的机器人在从第一位置移动到第二位置时与存在于所述机器人周围的周围物干扰的可能性的计算机程序，所述计算机程序构成为使计算机执行：存储将机器人的形状按多个关注部位的每一个用多面体近似后而得到的机器人数据的步骤；存储将周围物的形状近似后而得到的周围物近似体的数据的步骤；取得第一位置和所述第二位置的步骤；在从第一位置向第二位置移动的动作路径上设定至少一个中间位置的步骤；基于机器人数据，生成将第一位置、第二位置和中间位置的机器人的形状针对至少一个关注部位用多面体近似后而得到的多个机器人近似体的步骤；生成多个针对至少一个关注部位将相当于第一位置、第二位置和中间位置处的多个机器人近似体中的至少两个进行组合而构成的第一组合近似体，进一步生成将这些第一组合近似体中的至少两个进行组合而构成的第二组合近似体的步骤；以及判定该第二组合近似体是否与周围物近似体干扰的步骤。
根据该方式，能使用将机器人近似体中的至少两个进行组合而构成的第一组合近似体和将多个该第一组合近似体组合而构成的第二组合近似体来判定与周围物的干扰可能性，因此即使不经常对机器人可采取的所有姿势进行判定处理，也能判定干扰的可能性。因而，能提供高速地运算机器人的动作路径与周围物有无干扰的计算机程序。
另外，本发明的一方式的干扰判定方法是使用具备获取部、存储部和运算部的运算装置判定具有多个可动轴的机器人在从第一位置移动到第二位置时与存在于机器人周围的周围物干扰的可能性的方法。并且，运算部使存储部存储将机器人的形状按多个关注部位的每一个用多面体近似后而得到的机器人数据，使存储部存储将周围物的形状近似后而得到的周围物近似体的数据，使用获取部取得第一位置和第二位置，在从第一位置向第二位置移动的动作路径上设定至少一个中间位置，基于机器人数据，生成将第一位置、第二位置和中间位置的机器人的形状按多个关注部位的每一个用多面体近似后而得到的多个机器人近似体，生成将生成的所有机器人近似体组合而构成的总组合近似体，判定该总组合近似体是否与周围物近似体干扰，在判定为干扰时，按多个关注部位的每一个生成将相当于第一位置、第二位置和中间位置处的多个机器人近似体中的至少两个进行组合而构成的多个局部组合近似体，分别判定多个局部组合近似体是否与周围物近似体干扰。
根据该方式，使用包括多个机器人近似体的总组合近似体来判定是否与周围物干扰，在判定为干扰时，进一步使用局部组合近似体来判定与周围物的干扰，另一方面，在判定为没有干扰时，能省略该区域内的干扰判定处理，因此能实现更高速的干扰判定处理。
另外，本发明的一方式的干扰判定系统是用于判定具有多个可动轴的机器人在从第一位置移动到第二位置时与存在于机器人周围的周围物干扰的可能性的干扰判定系统。并且，具备：存储部，其用于存储将机器人的形状按多个关注部位的每一个用多面体近似后而得到的机器人数据和将周围物的形状近似后而得到的周围物近似体的数据；获取部，其用于取得第一位置和第二位置；以及运算部，其构成为在从第一位置向第二位置移动的动作路径上设定至少一个中间位置，基于机器人数据生成按多个关注部位的每一个将第一位置、第二位置和中间位置的机器人的形状用多面体近似后而得到的多个机器人近似体，生成将所有机器人近似体组合而构成的总组合近似体，判定该总组合近似体是否与周围物近似体干扰，在判定为干扰时，按多个关注部位的每一个，生成将相当于第一位置、第二位置和中间位置处的多个机器人近似体中的至少两个进行组合而构成的多个局部组合近似体，判定多个局部组合近似体是否与周围物近似体干扰。
根据该方式，使用包括多个机器人近似体的总组合近似体来判定是否与周围物干扰，在判定为干扰时，进一步使用局部组合近似体判定与周围物的干扰，另一方面，在判定为没有干扰时，能省略该区域内的干扰判定处理，因此能实现更高速的干扰判定处理。
另外，本发明的一方式的存储介质，存储计算机程序，计算机程序是用于判定具有多个可动轴的机器人从第一位置移动到第二位置时与存在于机器人周围的周围物干扰的可能性的计算机程序，所述计算机程序构成为使计算机执行：存储将机器人的形状按多个关注部位的每一个用多面体近似后而得到的机器人数据的步骤；存储将周围物的形状近似后而得到的周围物近似体的数据的步骤；取得第一位置和第二位置的步骤；在从第一位置向第二位置移动的动作路径上设定至少一个中间位置的步骤；基于机器人数据，生成多个关注部位的每一个将第一位置、第二位置和中间位置处的机器人的形状按用多面体近似后而得到的多个机器人近似体的步骤；生成将在步骤中生成的所有机器人近似体组合而构成的总组合近似体的步骤；判定该总组合近似体是否与周围物近似体干扰的步骤；在该步骤中判定为干扰时，生成按多个关注部位的每一个将相当于第一位置、第二位置和中间位置处的多个机器人近似体中的至少两个进行组合而构成的多个局部组合近似体的步骤；以及分别判定多个局部组合近似体是否与周围物近似体干扰的步骤。
根据该方式，使用包括多个机器人近似体的总组合近似体来判定是否与周围物干扰，在判定为干扰时，进一步使用局部组合近似体来判定与周围物的干扰，另一方面，在判定为没有干扰时，能省略该区域内的干扰判定处理，因此能实现更高速的干扰判定处理。
根据本发明，能提供能进行机器人的动作路径与周围物干扰的有无的高速运算的方法。
附图说明
图1是第一实施方式的干扰判定系统10的硬件框图。
图2是表示第一实施方式的干扰判定方法的事前处理的流程图。
图3是将目标近似的包围空间的一例。
图4是比较了目标的近似体的判定精度和生成成本等的图。
图5是示出基于目标的网格模型生成的近似体的分层结构的图。
图6是示出第一长方体的生成方法的图。
图7是示出障碍物的第一长方体(目标级别和空间级别)的图。
图8是示出第一实施方式的机器人臂16的图。
图9是将第一实施方式的机器人臂16用多个第二长方体近似后而得到的图。
图10是第一实施方式的干扰判定方法的流程图。
图11是示出第一实施方式的机器人臂16的近似体的初始姿势和目标姿势的图。
图12是示出第一实施方式的中间姿势数量的决定方法的图。
图13是示出第一实施方式的中间姿势数量的决定方法的变形例的图。
图14是将第一实施方式的机器人臂16的各连杆L的初始姿势、中间姿势、目标姿势用第二长方体的近似体示出的图。
图15是将第一实施方式的机器人臂16的连杆L5的初始姿势、中间姿势、目标姿势用第二长方体的近似体示出的图。
图16是基于图15的图示出包含第二长方体的第一长方体的图。
图17是第一长方体的干扰判定方法的说明图。
图18是示出第一实施方式的机器人臂16的连杆L5与第一长方体干扰的图。
图19是凸包的生成方法的说明图。
图20是基于凸包的误判定的说明图。
图21是基于第一长方体的误判定的说明图。
图22是第二实施方式的干扰判定方法的流程图。
图23是在第二实施方式的干扰判定中使用的机器人的树形结构。
附图标记说明
10…干扰判定系统；12…输入部；14…运算装置；16…机器人臂；18…显示器；20…输出部；22…PC；24…CPU；26…存储装置；28…存储器。
具体实施方式
以下参照附图说明本发明优选的实施方式(此外，在各图中附有同一附图标记的部件具有同一或同样的构成)。
[第一实施方式]
图1是本发明的第一实施方式的干扰判定系统10的硬件框图。如该图所示，该干扰判定系统10具有：输入部12，用于输入信息；运算装置14，用于处理信息；以及输出部20，具备机器人臂16，基于运算结果被控制、以及用于显示结果的显示器18。此外，干扰判定系统10只要构成为基于用运算装置14执行的运算结果来判定作为控制对象的机器人臂16的干扰的可能性即可。因而，也可以不一定具备利用干扰判定的运算结果的输出部20。
输入部12作为用于对运算装置14输入信息的接口发挥功能，具备用于输入作为输入数据的机器人臂的初始姿势、目标姿势、与机器人有关的信息以及障碍物的信息等的未图示的键盘等，但不限于此，能采用用于输入成为运算处理的对象的信息的任何构成。例如，可以使DVD或CD等存储介质存储成为运算处理的对象的信息，作为输入部设置用于读出这些信息的驱动器。另外，还能采用经由网络等对运算装置14输入信息的构成。在此，优选与机器人有关的信息包括用于在虚拟空间上表现机器人的3维形状的机器人模型，优选障碍物的信息包括用于在虚拟空间上表现障碍物(周围物)的3维形状的障碍物模型。在本实施方式中，经由输入部12输入的机器人模型和障碍物模型示出通过网格表现的网格模型的例子，但模型的表现形式没有特别限定于网格模型。此外，机器人模型可以包括用于在虚拟空间上表现的后述的机器人臂的3维形状的模型以及用于在虚拟空间上表现的在机器人臂的前端设置的末端执行器的3维形状的模型。
在此，机器人臂16的姿势是指机器人臂16所具有的多个驱动轴分别是预定的角度时的机器人臂16的体态。机器人臂16的姿势是通过决定机器人臂16所具有的多个驱动轴的角度而唯一决定的。另外，通过决定机器人臂16所具有的多个驱动轴的角度并利用正运动学计算能算出机器人臂16的前端的位置。还能基于机器人臂16的前端的位置和安装于机器人臂的前端的末端执行器的形状数据来算出末端执行器的预定的位置。另一方面，在提供了机器人臂16的前端的位置的情况下，通过逆运动学计算，能算出使机器人臂16的前端位于该位置所需的多个驱动轴各自的角度，即机器人臂16的姿势。这样，若机器人臂16的前端的位置与姿势相互关联且至少提供与位置或姿势中的任意一方有关的信息，则能基于运动学计算来算出另一方信息。
因而，与机器人臂的初始姿势有关的信息既可以是在使机器人臂从初始姿势移动到目标姿势时的初始位置有关的信息，另外，也可以包含与初始位置有关的信息。在此，初始位置能作为运算机器人臂的动作路径时的起点即第一位置使用。初始位置(第一位置)能通过表示机器人臂的前端、或安装于机器人臂的前端的末端执行器的预定的位置的坐标来表现。另外，与机器人臂的目标姿势有关的信息既可以是使机器人臂从初始姿势移动到目标姿势时的与目标位置有关的信息，另外，也可以包含与目标位置有关的信息。在此，目标位置能作为运算机器人臂的动作路径时的终点即第二位置使用。优选目标位置(第二位置)是表示机器人臂的前端、或安装于机器人臂的前端的末端执行器的预定的位置的坐标。运算装置14例如能使用由后述的存储装置26保存的逆运动学的运算程序并基于初始位置算出初始姿势，基于目标位置算出目标姿势。
此外，运算装置14也可以基于机器人臂的周围环境的信息算出与机器人臂的初始位置(初始姿势)有关的信息以及与目标位置(目标姿势)有关的信息中的至少任一种信息。例如运算装置14使用输入部12取得拍摄机器人臂的周围环境的图像传感器所测量到的图像信息，通过基于取得的传感器信息(图像信息)的运算算出与初始位置(初始姿势)有关的信息以及与目标位置(目标姿势)有关的信息。另外，运算装置14可以经由输入部12取得与基于机器人臂的周围环境的信息算出的初始位置(初始姿势)有关的信息以及与目标位置(目标姿势)有关的信息中的至少任一种信息。
运算装置14典型地能用个人计算机(PC)22来实现，并具备：硬件处理器(例如CPU24)，其作为用于实施本实施方式所示的各种运算处理的运算部发挥功能；HDD、SSD、闪存等存储装置26，其用于非易失性地存储用于执行用于进行路径运算的计算机程序和本实施方式中公开的碰撞(干扰)判定的各处理的计算机程序等；以及存储器28，其包括用于临时存储的SRAM、DRAM等。这些存储器28和存储装置26作为存储成为处理对象的各种信息的存储部发挥功能。另外，运算部通过硬件处理器执行用于进行预定的运算处理的程序来实现该功能。此外，作为运算部，可以将用于实施特定的处理的图形用的GPU(GraphicProcessing Unit：图形处理单元)、FPGA(Field Programmable Gate Array：现场可编程门阵列)、DSP(Digital Signal Processor：数字信号处理器)、ASIC(Application SpecificIntegrated Circuit：专用集成电路)与CPU24一起或者单独使用。另外，运算部和存储部也可以不是一体地构成。
输出部20具备作为控制对象的机器人臂16和用于显示判定结果的显示器18(显示装置)。机器人臂16通过未图示的外部接口与运算装置14连接，构成为能基于从运算装置14输出的控制信息进行控制。控制对象只要是在根据任意的路径进行动作时需要判定与周围的障碍物干扰的机器人即可，不限于机器人臂16。
图2是用于生成判定处理所需的数据的事前处理的流程图。事前处理包括生成为了在虚拟空间上表现障碍物而近似的模型，即近似体的处理；以及生成为了在虚拟空间上表现机器人并且进行干扰判定而近似的模型，即机器人数据的处理。该事前处理是每当障碍物或作为控制对象物的机器人被变更时实施的处理。此外，在这些各处理以及各实施方式中实施的各处理是由CPU24根据由存储装置26存储的计算机程序来执行的。此外，在本实施方式中，运算装置14在步骤S11中生成使用边界球或长方体、凸包等后述的预定的方法或者其它公知的方法将通过网格表现的障碍物模型近似后而得到的障碍物模型(周围物近似体)。另外，运算装置14在步骤S12中生成使用边界球或长方体、凸包等后述的预定的方法以及其它公知的方法将通过网格表现的机器人模型近似后而得到的机器人模型(机器人数据)。通过网格等表现的机器人模型和障碍物的模型按关于机器人和障碍物各自设定的每一个关注部位来近似。关注部位是包括障碍物或机器人的全部或一部分的部位，并且如后所述基于障碍物的形状、机器人的结构适当地设定。
首先，如在步骤S11中所示的，基于由输入部12输入并通过网格表现的障碍物模型，生成使用边界球或长方体、凸包等后述的预定的方法或者其它公知的方法近似后而得到的障碍物模型。在本实施方式中，基于通过网格表现的障碍物模型生成构成BVH(Bounding Volume Hierarchy：包围空间层级)的障碍物模型。在此，障碍物不限于一个，可以是多个。另外，障碍物不限于静止物，可以是移动的物体。在障碍物是移动物体的情况下，在后述的干扰判定的运算处理中，进行考虑移动物体的移动路径并且考虑到机器人的动作路径与移动物体的移动路径的时间数列的干扰判定。在此，BV(Bounding Volume：包围空间)是指以包含作为近似的对象的目标的方式近似的简单形状，BVH是指以BV为构成要素的分层结构。以下，使用附图说明BV和BVH的生成方法。此外，在本实施方式中，使用BVH作为将目标分为多个构成要素(部分)而近似并将各构成要素(部分)设为分层结构的方法的例子说明，但设为分层结构的方法不限于BVH。即，基于由输入部12输入的障碍物模型，将障碍物模型按每一关注部位进行分离，将按每一关注部位分离后的障碍物模型以分级的方式进行整理，从而只要生成实现了树形结构化(分层结构化)的障碍物模型即可。作为将障碍物模型按每一关注部位分离并以分级的方式进行整理的方法，例如能使用通过与预定的一个坐标轴垂直的多个平面分割障碍物模型，将分割后的障碍物模型设为分层结构的方法。
图3是BV的一例。例如图3(a)示出对倾斜的凸型形状的目标将其包含的球(Bounding Sphere或边界球)的BV。该边界球能通过球的位置和半径来确定。例如在本实施例中，边界球彼此的干扰判定所需的时间是能在1纳米秒量级的短时间内执行的时间。此外，BV不限于与所包含的目标接触，还可以带有预定的余量地包含目标而大于目标生成。
图3(b)是说明将相同的目标作为对象并通过与边界球不同的BV进行近似的例子的概念图。图3(b)所示的BV由与预定的基准坐标系(例如具有将水平方向定义为X轴和Y轴、将竖直方向定义为Z轴的相互正交的XYZ轴的绝对坐标系)的各轴平行的线段构成的且包含成为近似对象的目标的第一长方体的BV。换句话说，第一长方体(或“第一长方体”)是指由与成为基准的坐标轴(第一坐标系的各轴)平行的线段构成的长方体的BV，在三维的正交坐标系的情况下，成为与作为坐标轴的X轴、与X轴正交的Y轴以及与X轴和Y轴正交的Z轴平行并且包含目标的长方体。第一长方体能通过各轴的位置和各边的长度来确定。另外，第一长方体能通过基准坐标系的各轴的最小坐标和最大坐标来确定，例如在本实施例中，第一长方体彼此的干扰判定所需的时间是1纳米秒的量级。
图3(c)是说明以相同的目标为对象并通过与边界球和第一长方体不同的BV近似的例子的概念图。图3(c)所示的BV由与将预定的基准坐标系按照目标的形状等以预定的角度旋转后的旋转坐标系(第二坐标系)的各轴平行的线段构成的且包含成为近似的对象的目标的第二长方体的BV。换句话说，第二长方体(或“第二长方体”)是包括从与成为基准的坐标系(第一坐标系)的坐标轴倾斜的长方体中而来的BV，在成为基准的坐标系是三维的正交坐标系的情况下，由与作为坐标轴的X轴、与X轴正交的Y轴以及与X轴和Y轴正交的Z轴倾斜且包含目标的长方体构成。第二长方体是通过各轴的位置和各边的长度以及相对于各轴的倾斜度来确定的。例如在本实施例中，干扰判定所需的时间是100纳米秒的量级，与第一长方体的情况相比需要更多的时间。此外，第二长方体与第一长方体相比，BV内的不存在目标的区域的面积或体积小，因此判定精度有时会提高。其原因是，第二长方体由与按照近似对象的目标的形状等倾斜的坐标系的各轴平行的线段构成，与第一长方体相比，成为与目标的形状更接近的形状的情况较多。
图3(d)示出以相同的目标为对象并通过凸包进行近似的例子。凸包是指包含存在于该坐标系的多个点的最小的凸多边形。为了确定预定的凸包，与第一长方体或第二长方体相比需要极多的参数，因此干扰判定所需的时间随着点的数量以指数函数的方式增加。关于凸包将在后面详述。在本实施方式中，目标的近似不限于第一长方体，能使用上述的边界球(Bounding Sphere)、第二长方体、凸包或其它公知的方法。另外，在目标的近似或干扰判定时使用的坐标系也不限于二维或三维的正交坐标系，还能使用极坐标系或斜交坐标系。
图4是从近似体的生成成本(生成所需的时间)以及碰撞(干扰)判定成本(判定所需的时间)和判定精度的观点出发对这些目标的近似体进行比较的图。如该图所示，能通过少的参数确定的边界球以及第一长方体的生成成本和判定成本均小。不过存在如下情况：由于成为近似体与目标的差的部分的区域大，所以判定精度不良，尽管实际的目标不碰撞，但是误判定为碰撞的可能性高。另一方面，凸包能利用从目标的边界提取的多个点来将目标高精度近似，因此有时判定精度比第一长方体等的更高，另一方面，存在近似数据的生成成本或碰撞判定成本与第一长方体等相比明显变大的缺点。第二长方体定位于第一长方体等与凸包体的中间，近似体的生成成本和碰撞判定成本与第一长方体或边界球的情况相比较大，但比凸包的小。另一方面，关于判定精度，高于第一长方体等的判定精度，但低于凸包的判定精度。
而且，目标的判定精度不是仅通过目标的近似方法来确定的，还会受到要近似的目标的形状的影响。即，如图4所示，在目标是斜向倾斜的长方形的情况下，与以包含其的方式近似的边界球(或边界圆)相比，第一长方体的判定精度更加提高。其原因是，第一长方体的不存在目标的区域的面积较小且能精度更好地近似。另外，即使是相同的第一长方体，与椭圆相比，圆的BV内的不存在目标的区域的面积或体积较小，因此有时判定精度会提高。
图5是用于说明将近似体设为分层结构的例子的图。在本实施例中，以包含相对的下位层的近似体的方式生成相对的上位层的近似体，从而将近似体设为分层结构。更具体地，图5示出作为制作作为分层结构之一的树形结构的方法而采用了BVH(Bounding VolumeHierarchy：层次包围盒))的例子。作为一例，说明将由桌和包括该桌上的瓶组成的目标的网格模型用第一长方体近似的情况。图5(a)示出将该目标的整体近似后而得到的第一长方体11。图5(b)将该目标分离为上半部分的关注部位和下半部分的关注部位，示出包括包含上半部分的关注部位的第一长方体21的近似体以及包括包含下半部分的关注部位的第一长方体22的近似体。图5(c)示出将第一长方体21用包含其上半部分的关注部位的第一长方体31和包含下半部分的关注部位的第一长方体32近似并且将第一长方体22分离为上侧和下侧的关注部位，并分别用第一长方体33和4个第一长方体34-1～34-4近似后而得到的例子。图5(d)是进一步将图5(c)的关注部位细分并用总计16个第一长方体的近似体(第一长方体41～46、47-1～47-4、48-1～48-4和49-1～49-2)近似后而得到的例子。此外，能任意地设定关注部位。例如，能将被与预定的坐标轴中的一个轴垂直的多个平面分割的周围物(障碍物)的各个部位设为关注部位。另外，例如能根据周围物所占有的体积来设定该周围物(障碍物)的关注部位。另外，能根据周围物的形状来设定。例如在周围物具有主体部和从主体部突出的突出形状的情况下，能将该主体部和突出形状分别设为关注部位。此外，在对具有多个可动轴的机器人臂应用关注部位的情况下，优选将与该可动轴对应设置的连杆形状设定为关注部位。
这样形成了以将第一长方体11设为分层结构的顶点、将第一长方体11的下一个分层设为第一长方体21和第一长方体22、还将第一长方体21的下面的分层设为第一长方体31和第一长方体32、将第一长方体22的下面的分层设为第一长方体33和4个第一长方体34-1～34-4的分层结构，而且，作为最下层，形成包括16个第一长方体41～49-2的且总共4层的第一长方体的树形结构(BVH)。
图6使用二维坐标系示出第一长方体的生成方法。图6(a)示出包含单个的目标的第一长方体(或“第一长方体”)，图6(b)示出将作为第二长方体(或“第二长方体”)的第二长方体1和第二长方体2组合且生成将其包含的第一长方体的情况。如图6(a)所示，根据构成目标的各顶点的各坐标轴的值，提取关于各坐标的最大值和最小值，从而能生成包含该目标的第一长方体。另外，在生成包含多个第一长方体的大的第一长方体的情况下，也从多个第一长方体的各顶点中提取关于各坐标轴的最大值和最小值，生成包含提取的最大值和最小值的大的第一长方体。由此，能生成包含这些多个第一长方体的大的第一长方体。在三维坐标系中也同样地分别提取目标的X轴、Y轴、Z轴的最大值和最小值，从而能生成包含它们的第一长方体。
如图6(b)所示，包含多个第二长方体的第一长方体能通过从各第二长方体的顶点中提取关于各坐标轴的最大值(xmax，ymax)和最小值(xmin，ymin)并包含提取的最大值和最小值而生成。在三维坐标系中，也同样地能通过针对多个第二长方体的每一个轴分别提取X轴、Y轴、Z轴的最大值和最小值从而生成包含它们的第一长方体。即，生成多个用第一长方体、第二长方体、凸包或其它方法将目标近似后而得到的近似体，反复进行生成将生成的至少两个近似体组合或者包含的近似体的处理，从而能生成近似体的分层结构(树形结构)。
反复生成进一步包含这样生成的多个第一长方体的第一长方体，从而能生成由第一长方体构成的树形结构的BVH。由此，图5可被理解为示出反复进行生成包含多个第一长方体的大的第一长方体的处理并生成由第一长方体构成的树形结构的BVH的方法的概略的图。即，图5所示的BVH的生成方法包括生成上位层(第3层)的处理，所述上位层具有以16个第一长方体(第一长方体41到第一长方体49-2)为出发点(最下层)且包含最下层的第一长方体中的、相邻的多个第一长方体的7个第一长方体(第一长方体31到第一长方体34-4)。而且，图5所示的BVH的生成方法包括如下处理：反复进行同样的处理生成包含两个第一长方体(第一长方体21到第一长方体22)的第二层以及包含一个第一长方体(第一长方体11)的最上位层，将这些最下层～最上位层构成为BVH。
此外，通过BVH或其它方法生成的分层结构(树形结构)的层的数量有至少2层即可，例如可以设为以图5(d)所示的16个第一长方体41到第一长方体49-2为第二层，以将这些16个第一长方体组合而构成的单个的第一长方体11为第一层的2层结构。另外，不一定必须将相邻的两个或三个以上的第一长方体组合而生成上层的第一长方体，例如也可以将分开的两个或三个以上的第一长方体组合而生成将其包含的一个第一长方体。另外，层的数量也可以按树形结构的每一分叉而不同。
另外，近似体还能用第二长方体、边界球(Bounding Sphere)、凸包或其它形状来近似。另外，在相同的层中相邻的第一长方体等可以构成为在其端部等处重叠。另外，组合后生成的近似体不一定必须包含成为组合的对象的近似体。例如，也可以将近似体作为凸包且生成以包含该凸包的至少一部分的方式由凸包的组合成为的近似体。不过，组合后生成的近似体必须大于被组合的各近似体。在此，近似体大(小)是指，在该坐标系中近似体所占的区域(用三维正交坐标系说明的话为近似体的体积)大于(小于)其它近似体所占的区域。
在本实施方式中，使用以上描述的方法首先针对各障碍物生成包括第一长方体的分层结构(树形结构)(步骤S11)。具体地，基于从输入部12输入的障碍物信息，生成由将障碍物近似的第一长方体(以下称为“障碍物的第一长方体”或者“障碍物第一长方体”)构成的BVH。
图7(a)是表示针对所述目标(桌和其桌上的瓶)按每一关注部位生成第一长方体且由生成的第一长方体构成分层结构(树形结构)的例子的图。图7(b)示出考虑到障碍物信息中包含的各障碍物的位置信息，且将由多个障碍物(障碍物1到5)的第一长方体构成的分层结构(树形结构)组合后形成的、由空间级别的第一长方体构成的分层结构(树形结构)。此外，也可以不针对各障碍物生成分层结构(树形结构)而用单个的第一长方体近似并生成将与各障碍物对应的多个第一长方体组合后的第一长方体，从而形成由第一长方体构成的障碍物的分层结构(树形结构)。使存储部26存储这样由运算部24生成的障碍物信息，步骤S11(图2)完成。
接下来在步骤S12中，基于通过由输入部12输入的网格等表现的机器人模型，来创建通过第二长方体表现的机器人模型(机器人数据)。
本实施方式的机器人臂16在图8中示出。如图8所示，机器人臂16具备：关节(J1～J5)，作为可动轴发挥功能；以及连杆(BL～L5)，固定于预定位置或者随着轴的驱动而进行旋转动作，各连杆构成为经由各关节以可自如动作的方式连接。具体地，机器人臂16具备：基部连杆BL，其固定于预定位置；连杆L1，与该基部连杆BL通过关节J1连接，如图所示，以与基部连杆BL相对地大致垂直的方向为轴进行旋转；连杆L2，与该连杆L1通过关节J2连接，以大致水平方向为旋转轴相对于连杆L1相对地旋转；连杆L3，与该连杆L2通过关节J3连接，以大致水平方向为旋转轴相对于连杆L2相对地旋转；连杆L4，与该连杆L3通过关节J4连接，以与关节J3的旋转轴正交的方向为旋转轴而相对于连杆L3相对地旋转；以及连杆L5，与连杆L4通过关节J5连接，以与关节J4的旋转轴正交的方向为旋转轴而相对于连杆L4相对地旋转，而且，连杆L5的前端部通过关节J6构成为相对于连杆L5能相对地旋转。
图9示出关于从机器人臂16的基部连杆BL到连杆L5的合计6个关注部位生成了第二长方体的机器人近似体的例子。此外，在本实施方式中，将作为目标的机器人臂16按每个一体移动的连杆L分离，关于这些各关注部位分别生成了第二长方体近似体。但是，能按照干扰判定的目的等自由地设定关注部位。例如，既可以无视如基部连杆BL那样不动作的部分，仅将移动的部位作为关注部位来生成第二长方体，或者也可以仅将作为移动的部位的前端的连杆L4和连杆L5作为关注部位来生成第二长方体，执行干扰判定。另外，无需将所有关注部位用相同种类的BV近似。若针对至少一个关注部位用多面体近似，则能应用本实施方式的干扰方法。
此外，第二长方体是由与成为基准的坐标系以预定角度量倾斜的长方体构成的BV，与第一长方体相比，需要进行所述预定角度量的运算，所以生成成本大。其原因是，只要在第一长方体的生成中进行探索构成网格模型的整个顶点中的坐标系的各轴的最大值和最小值的处理即可，而在第二长方体的生成中还需要进行关于按预定角度量倾斜的坐标轴的探索。另一方面，如图4所示，第二长方体与第一长方体相比，判定精度更好。
在本实施方式中，在图2所示的事前处理中，将机器人臂16的关注部位(连杆)用第二长方体近似。其原因是，基于机器人臂16的网格模型生成第二长方体的成本有时比基于其它物体的网格模型生成第二长方体的成本低。即，在为使机器人臂16获取预定的位置、姿势的运动学或逆运动学的运算处理中，对机器人臂16所具有的每个可动轴(关节)，能够算出从成为基准的坐标系以预定的角度旋转后的任意的坐标。这样，机器人臂16的姿势能够通过运算用于生成第二长方体的可以利用的任意的坐标来算出。因而，还能在使用了第二长方体的近似体的生成处理中利用为了运算机器人臂16的姿势而算出的任意的坐标，所以将机器人臂16用第二长方体近似时的生成成本相对小。因而，优选利用与第一长方体相比判定精度更好的第二长方体来近似机器人臂16。
这样，由运算部24基于通过网格等表现的机器人模型按每一关注部位计算由第二长方体近似的第二长方体的机器人模型(机器人数据)，将其存储到存储装置26，从而完成步骤S12。生成的机器人数据如后所述用于在动作路径上与机器人臂16可采取的预定的姿势对应的机器人近似体的生成处理。此外，在本实施方式中，说明了将机器人臂16的关注部位近似并且生成机器人数据的情况，但也可以将机器人臂16以及设于机器人臂16的前端的末端执行器作为关注部位近似，生成包含机器人臂16的关注部位和末端执行器的关注部位双方的机器人数据。而且，也可以将由末端执行器保持的对象物(例如被把持的工件)作为关注部位近似，生成包含机器人臂16的关注部位、末端执行器的关注部位以及对象物的机器人数据。此时，末端执行器和对象物可以作为一个关注部位而被一体地近似。这样，将随着机器人臂16的姿势的变更动作而动作的末端执行器或对象物包含在机器人数据中，从而能提高该机器人与障碍物的干扰判定的精度。
此外，本实施方式的各步骤在不脱离其宗旨的范围内顺序是随机的，例如也可以在步骤S12之后或者与步骤S12同时执行步骤S11。
在以上的事前处理之后执行干扰判定。图10示出使用了第一实施方式的干扰判定系统10的干扰判定方法的流程图。此外，图10所示的流程图说明关于障碍物(周围物)生成以目标为单位的近似体，并进行该障碍物的近似体与分层结构化(树形结构化)的机器人的近似体的干扰判定，但也可以将障碍物(周围物)的近似体设为分层结构(树形结构)。
首先，在步骤S21中，基于相当于从输入部输入的机器人臂16的第一位置的初始姿势(初始位置)以及相当于第二位置的目标姿势(目标位置)生成机器人臂16的中间姿势(中间位置)。在此，初始姿势(初始位置)不限于机器人臂16静止时的姿势，也可以是动作路径上的途中的地点处的姿势。同样地，目标姿势(目标位置)不限于机器人臂最终要采取的姿势，可以是动作路径上的途中的地点处的姿势。
图11示出相当于将在步骤S12中得到的机器人臂的初始姿势的各连杆L近似后而得到的机器人近似体的第二长方体以及相当于将目标姿势的各连杆L近似后而得到的机器人近似体的第二长方体。
图12示出用于决定为了适当地判定预定的关注部位(连杆50)从在起点处采取的初始姿势S起经过预定的动作路径而移动至在终点处采取的目标姿势G为止是否与障碍物干扰而要设定的中间位置(中间姿势)的数量的方法。此外，从起点到终点的动作路径通过公知的方法算出即可，例如能采用如在日本特开2014-073550中记载的探索从起点移动到终点的路径的方法或用公知的插值方法连接作业者对机器人臂16指教的指教点而生成路径的方法。图12(a)示出连杆50的第二长方体沿着动作路径移动的样子。图12(b)示出将中间姿势的数量设定为一个、将该中间姿势M1配置于起点(初始姿势S)和终点(目标姿势G)的中间的例子。图12(c)示出将中间姿势的数量设为3、在初始姿势S和中间姿势M1的中间配置第二中间姿势M2、在中间姿势M1和目标姿势G的中间配置第3中间姿势M3的例子。图12(d)示出将中间姿势的数量设为7、在初始姿势S和中间姿势M1之间配置中间姿势M2、M4、M5、在中间姿势M1和目标姿势G之间配置中间姿势M3、M6、M7的例子。
在本实施方式中，在初始姿势S和目标姿势G之间设置A个(A为1以上的自然数)中间姿势M，计算将初始姿势S和目标姿势G经由A个中间姿势M连接的连杆间距离La，接下来，计算将初始姿势S和目标姿势G经由多于A个的B个中间姿势M连接的连杆间距离Lb。接下来，比较连杆间距离La和连杆间距离Lb，判断Lb相对于La的变化程度ΔL(例如变化率(Lb/La)和变化量(Lb-La)中的至少任一方)是否低于预先设定的预定的阈值V。在变化的程度ΔL不到预定的阈值V的情况下，将中间姿势M的数量设定为A个。另一方面，在变化的程度ΔL是预定的阈值V以上的情况下，计算将初始姿势S和目标姿势G经由多于B个的C个中间姿势M连接的连杆间距离Lc，判断Lc相对于Lb的变化的程度是否低于预先设定的预定的阈值V。在变化的程度ΔL不到阈值的情况下，将中间姿势M的数量设定为B个。另一方面，在变化的程度是阈值以上的情况下，将中间姿势M的数量设定为多于C个的D个，计算连杆间距离Ld。
如上所示，增加中间姿势M的数量并计算连杆间距离L，比较将中间姿势M增加前后彼此的连杆间距离L，根据其变化的程度是否不到阈值V来设定中间姿势M的数量。由此，能适当地设定充分地反映了移动路径的中间姿势M的数量。换句话说，变更中间姿势的数量并算出将初始姿势和目标姿势经由中间姿势连接的连杆间距离，比较算出的连杆间距离且基于其增减来变更中间姿势的数量。这样，为了准确地进行碰撞判定而设定足够的中间姿势的采取方法的粒度，从而能提高判定的精度。
此外，能用各种方法来设定中间姿势的数量。例如，也可以不通过路径来设定而将其设为固定值。另外，如图13(a)所示，针对预先已知离障碍物近的部位或连杆的变动量大的区域，还能密集地设定大量的中间姿势，针对离障碍物远的部位或连杆的变动量小的区域稀疏地设定少量的中间姿势。另外，如该图(b)所示，在离动作路径的起点侧近的前半部分的姿势的变化量相对小且后半部分姿势的变化量相对大的情况下，例如也可以仅在姿势的变化量大的后半部分设定多个中间姿势，减少前半部分的中间姿势的数量。另外，如该图(c)所示，在前半部分和后半部分双方存在预定的变化量的情况下，也可以设定相同数量的中间姿势。另外，也可以将初始姿势、多个中间姿势、目标姿势之间不是通过直线而是通过预定次数的曲线连接。此外，在本实施方式中设定多个中间位置不限于取得确定中间位置的坐标的情况，包括生成相当于与这些多个中间位置对应的中间姿势的数据的情况。
另外，也可以将由作业者指定的点中的、例如作为表示机器人臂16的前端或末端执行器的前端的坐标的点即指教点设为中间位置(中间姿势)。另外，在作为连接起点和终点的路径给出表示任意的线段(曲线、直线的组合等)的运算式的情况下，也可以使用该运算式在线段上设定任意的点，将其设为中间位置(中间姿势)。此时，连接起点和终点的任意的线段能设定为经由预先由作业者指定的指教点连接起点和终点。
图14将基于按上述方法决定的中间姿势的数量生成的初始姿势、中间姿势、目标姿势的第二长方体按每一连杆L示出。示出离作为固定部位的基部连杆BL越近的连杆L，移动量越小，越去往机器人臂16的前端的连杆L，移动量越多。
然后，关于关注部位中的作为移动连杆的连杆L1到连杆L5，分别执行反复进行步骤S22到S27的循环处理。在本实施方式中，首先，关于连杆L5，执行生成包括第一长方体的分层结构(树形结构)的步骤S22。此外，分层结构(树形结构)也可以包括关于初始姿势、中间姿势、目标姿势的关注部位(连杆L)生成的第二长方体。此时，优选第二长方体被定位为构成分层结构(树形结构)的最下层的叶。
下面，基于图15和图16说明根据按每一关注部位相对于初始姿势、中间姿势、目标姿势生成的机器人近似体生成第一组合近似体和第二组合近似体的方法。
如前所述，机器人近似体是通过使用第二长方体来近似关注部位而生成的。在本实施例中，第一组合近似体是通过使用第一长方体以包含多个机器人近似体的方式近似而生成的。而且，在本实施例中，第二组合近似体是通过使用第一长方体以包含多个第一组合近似体的方式近似而生成的。此外，也可以反复进行使用第一长方体以包含相对小的多个组合近似体的方式近似从而生成相对大的组合近似体的处理，生成比第二组合近似体更大的组合近似体。此外，作为近似的方法，也可以使用第一长方体和第二长方体以外的长方体。
图15示出关于连杆L5将初始姿势、9个中间姿势、目标姿势近似的总共1一个第二长方体的近似体。然后，图16(a)和(b)分别示出将这些第二长方体组合后生成的第一长方体、生成的这些多个第一长方体的分层结构(树形结构)的平面图(XZ平面)以及立体图。
在该步骤S22中，首先，将相邻的两个第二长方体组合后生成将其包含的第一长方体。此时，以任意的相邻的两个第二长方体之间的空间(间隙)包含于至少任意一个第一长方体的方式生成第一长方体。通过这样生成第一长方体，能对连杆L5从初始姿势经过中间姿势直至目标姿势所经过的区域无间隙地进行干扰判定，使判定精度提高。
图16(a)示出将相邻的两个第二长方体60和第二长方体61组合并生成将其包含的第一长方体70，同样地将相邻的两个第二长方体61和第二长方体62组合并生成将其包含的第一长方体71的样子。以下同样地将相邻的两个第二长方体组合后生成包含它们的第一长方体，生成分层结构(树形结构)中的构成第一长方体的最下层(第4层)的多个第一长方体(第一组合近似体)。此外，也可以生成相邻的三个以上的从第二长方体到一个第一长方体。另外，第一长方体也可以生成为无需与第二长方体接触，以具有余量的方式包含多个第二长方体。
接下来，将生成的多个第一长方体(第一组合近似体)中的相邻的第一长方体组合并生成作为其上位层的第3层的第一长方体(第二组合近似体)。如图16(a)所示，将第一长方体70和第一长方体71组合并生成第一长方体80，将第一长方体72和第一长方体73组合并生成第一长方体81等。这样，生成成为第3层的多个第一长方体(第二组合近似体)。
接下来，将第一长方体80和第一长方体81组合并生成第一长方体90等作为第二层的第一长方体。而且，将第一长方体90和第一长方体91组合并生成第一长方体100作为最上位层。该第一长方体100是关于作为关注部位的连杆L5包含所有1一个第二长方体的第一长方体。使用CPU24和存储器28执行以上的处理，使存储装置26存储包括如上所述生成的第一长方体的分层结构(树形结构)，由此关于连杆L5生成包括第一长方体的分层结构(树形结构)的步骤S22完成。
此外，第二层的第一长方体(第一长方体90、第一长方体91)和第一层的第一长方体(第一长方体100)是通过使用第一长方体以包含相对小的多个组合近似体的方式近似而生成的相对大的组合近似体。因而，第二层的第一长方体和第一层的第一长方体符合第二组合近似体。另外，第二层的第一长方体(第一长方体90、第一长方体91)是通过使用第一长方体以包含多个第二组合近似体的方式近似而生成的组合近似体，因此符合第3组合近似体。另外，第一层的第一长方体(第一长方体100)是通过使用第一长方体以包含多个第3组合近似体的方式近似而生成的组合近似体，因此符合第4组合近似体。
接下来，在步骤S23中，对构成由在步骤S22中生成的第一长方体构成的分层结构(树形结构)的各第一长方体与通过事前处理而生成的障碍物的第一长方体进行比较来判定有无干扰的可能性。在此，判定机器人与周围物的干扰可能性是指，通过使用机器人和周围物的近似体在虚拟空间上进行推定来判定机器人与周围物的干扰的有无。
图17使用二维坐标系示意性地示出第一长方体彼此的干扰判定方法。在本实施方式中，能将该干扰判定方法作为判定关于机器人使用第一长方体生成的组合近似体与关于障碍物(周围物)使用第一长方体生成的周围物近似体的干扰的方法使用。如在该图中所示，将六边形H近似的第一长方体(H)与将星形S近似的第一长方体(S)有无干扰能通过比较各个第一长方体的各轴的最大值和最小值来判定。在图17(a)中，在Y轴上，第一长方体(H)在Y轴上的位置(即，最大值和最小值之间)与第一长方体(S)在Y轴上的位置重叠，因此仅通过Y轴无法否定干扰可能性。但是，在X轴上，第一长方体(H)在X轴上的最小值大于第一长方体(S)在X轴上的最大值，因此在X轴上两者分离，因此判断为六边形H与星形S没有干扰。另一方面，在图(b)的情况下，无论在X轴上还是在Y轴上均存在重叠区域，因此第一长方体彼此干扰，作为结果判断为六边形H与星形S有干扰的可能性。此外，在图17(c)的情况下，虽然六边形H与星形S本身没有干扰，但是将其近似的第一长方体(H)和第一长方体(S)具有重叠区域，因此判断为六边形H与星形S有干扰可能性。在此，在机器人臂16与周围物(障碍物)的干扰判定中，为了进一步提高安全性，优选可靠地防止尽管实际上发生干扰但是判定为非干扰的含义的误判定。在该点上，如图17(c)所示，本实施方式的方法虽然存在产生将实际上为非干扰的情况也判定为干扰的含义的误判定的顾虑，但是能可靠地防止将干扰判定为非干扰的误判定。如上所示，使用第一长方体将机器人、周围物等目标近似，从而能仅基于坐标轴(在三维正交坐标的情况下为X轴、Y轴和Z轴)的各目标的位置信息来高速地判定干扰可能性。
通过上述的方法，在步骤S23中，判定构成关于机器人的近似体的分层结构(树形结构)的第一长方体与障碍物的第一长方体的干扰可能性。此时，首先，判定构成关于机器人的近似体的分层结构(树形结构)的最上层的最大的第一长方体100与障碍物的第一长方体干扰的有无。然后，在判定为两者没有干扰时，能判定为没有机器人与障碍物干扰的可能性，因此能省略属于关于机器人的近似体的分层结构(树形结构)的下层的其它第一长方体与障碍物的第一长方体的干扰判定。另一方面，在判定为两者干扰时，分别判定属于关于机器人的近似体的分层结构(树形结构)的下一个分层的第一长方体90和第一长方体91与障碍物的第一长方体干扰的有无。此外，如前所述，也可以将障碍物(周围物)通过预定的方法(第一长方体、第二长方体、凸包等)近似，将其作为分层结构(树形结构)。在该情况下，关于障碍物也降低分层后进行判定，进行干扰有无的判定。
以下同样地，关于被判定为与障碍物的第一长方体干扰的机器人的第一长方体，判定该第一长方体所属的分层的下层的第一长方体与障碍物的第一长方体有无干扰。其结果是，在判定为最下层(相当于关于机器人的包括第一长方体的分层结构(树形结构)的叶)的任意的第一长方体均没有与障碍物的第一长方体干扰时，结束关于该连杆L的循环处理。另一方面，在判定为最下层的任意的第一长方体与障碍物的第一长方体干扰时，提取判定为干扰的机器人的第一长方体(步骤S24)。此外，如上所述，也可以在将关于机器人的近似体的分层结构(树形结构)仅设为2层而判定为分层结构的最大的第一长方体有干扰可能性的情况下，分别判定最小的第一长方体(即，将1一个第二长方体中相邻的两个第二长方体组合后生成的10个第一长方体)与障碍物的第一长方体有无干扰。
如上所示，提取与障碍物的第一长方体碰撞的机器人的第一长方体。图18示出判定为基于板状的障碍物D的第二长方体生成的障碍物的第一长方体与将机器人用第一长方体近似后构成的分层结构(树形结构)的最下层中包含的第一长方体中的、关于各坐标轴具有重复区域的第一长方体75、第一长方体76、第一长方体77碰撞的情况。
接下来，针对在上述步骤中提取的第一长方体75、第一长方体76、第一长方体77分别执行步骤S25到步骤S26的循环处理。
首先，执行障碍物D的第二长方体与关于机器人的第一长方体75的干扰判定处理。第一长方体与第二长方体的干扰例如能通过映射到XY平面的第一长方体与映射到XY平面的第二长方体的比较，以及比较映射到XZ平面的第一长方体与映射到XZ平面的第二长方体以及重复部分的有无来判定，但也可以使用其它公知的各种方法来执行判定处理。如图18(b)和(c)所示，关于机器人的第一长方体75虽然在XY平面上具有重叠区域，但是在XZ平面上与障碍物的第二长方体分离，因此判定为第一长方体75与障碍物的第二长方体没有干扰。另一方面，关于机器人的第一长方体76和第一长方体77在两平面上具有与障碍物的第二长方体重叠的区域，因此分别判定为干扰。判定为与障碍物的第二长方体干扰的第一长方体76和第一长方体77的干扰的含义的信息存储到存储装置26，另外，判定为干扰的第一长方体所包含的连杆L的移动范围作为有可能碰撞的连杆移动范围被登记，并被存储到存储装置26中(步骤S26)。在包括步骤S25和S26的循环处理结束后，判定有无登记有可能碰撞的连杆移动范围(步骤S27)，在没有登记的情况下，将关于该连杆L的一连串的处理结束，针对下一个连杆L反复进行从步骤S22开始的处理。在步骤S27中，在登记有有可能碰撞的连杆移动范围的情况下，关于该范围执行详细的判定，确定碰撞点。
碰撞点的确定能使用包含公知的方法的各种方法。在本实施方式中，关于有可能碰撞的连杆L，在有可能碰撞的连杆移动范围的起点的姿势和终点的姿势之间的空间内使用公知的方法提取会与周围物碰撞的点，执行算出此时的机器人或连杆L的位置和姿势的参数(x、y、z、α、β、γ)的处理。
此外，在上述的实施方式中，通过BVH生成包括将机器人臂16的关注部位近似的第一长方体的分层结构(树形结构)，将其与障碍物的第一长方体和障碍物的第二长方体比较并实施干扰判定，但也能使用各种近似体来代替第一长方体，例如，还能使用凸包。以下说明凸包的生成方法以及在本实施方式中采用了第一长方体和凸包时的效果的不同。
图19示出凸包的生成方法。如上所述，凸包是指包含存在于其坐标系的多个点的最小的凸多边形(或多面体)。例如，图19(a)所示的点集合的凸包例如用以下的方法生成。即，首先定义经过任意的二点(点A和点B)的直线(或平面)(图19(b))。然后，关于该直线的上侧的区域和下侧的区域的每一个轴，定义与该直线(或平面)的距离成为最大的点(点C和点D)(图19(c))，将这些点用棱线(或面)连接，并且将用该棱线包围的区域内部的点从处理对象排除(图19(d))。而且，关于区域外部的点，确定与棱线(或面)的距离成为最大的点E，将其用棱线(或面)连接(图19(e))。反复进行该处理，从而能生成凸包(图19(f))。
因而，可以代替在上述的实施方式中关于预定的关注部位将相邻的第二长方体组合后创建的第一长方体并生成将相邻的第二长方体的顶点作为点集合的凸包，而且将这些凸包彼此组合并进一步生成凸包，生成凸包的分层结构，进行与障碍物的干扰判定。另外，也能代替生成障碍物的第一长方体或障碍物的第二长方体而生成障碍物的凸包，并仅在存在障碍物的第一长方体或障碍物的第二长方体导致的干扰时，使用障碍物的凸包来实现精度良好的判定。使用了凸包的干扰判定能使用公知的各种方法。
以下描述上述的实施方式的判定系统的效果。首先，若在对起点、多个中间点、终点生成将机器人的关注部位的形状用多面体近似后而得到的近似体后，生成不是将该近似体其本身而是将至少两个近似体组合后的近似体以及将多个这种组合的近似体组合后的更大的组合近似体，使用它们分阶段实施与障碍物的干扰判定，则能实现判定处理的高速化。
换句话说，若生成被组合的近似体的数量相对少的近似体和相对多的近似体，进而生成与被组合的近似体的数量相应的分层结构(树形结构)后使用该分层结构(树形结构)来实施干扰判定，则能除去与不需要的近似体的干扰判定的处理，能实现判定处理的高速化。
特别是在判定中使用第一长方体的情况下，与凸包的情况相比，可发挥以下的效果。
即，如图4所示，在使用第一长方体的情况下，其生成成本与使用凸包时相比，虽然取决于在凸包的确定中使用的点的数量，但是一般生成成本小。另外，在使用了凸包的干扰判定的处理中，一般需要1毫秒以上的时间。因此，在使用了凸包的情况下，为了进行干扰判定所需的时间成为至少1毫秒以上。另一方面，第一长方体能基于各坐标的位置信息(例如，构成第一长方体的至少两个顶点的三维位置信息)生成并进行干扰判定，因此其生成成本与凸包相比较小，另外，干扰判定的处理能以纳米秒的量级来实现，能期待判定速度的飞跃性提高。
另外，凸包的生成需要时间的结果是，虽然不得不以充分的时间间隔以分离的方式生成凸包的组合的近似体，但是由于机器人有时不进行直线运动而进行曲线运动，所以有可能发生图20所示的问题。在图20(a)中示出尽管在使用了凸包的干扰判定中判定为没有干扰但是实际的机器人与障碍物干扰的情况，在图20(b)中相反地示出尽管在使用了凸包的干扰判定中判定为干扰但是实际的机器人与障碍物没有干扰的情况。
如图20(a)的左侧的图所示，由构成两个姿势的点集合形成的凸包(虚线)与障碍物D没有干扰，因此判定为机器人R与障碍物D为非干扰。但是，实际的机器人R如右侧的图所示进行曲线运动并超过凸包，若在该区域中有障碍物D，则尽管在判定结果上判定为没有干扰，但是实际上会干扰。另一方面，在图20(b)的情况下，如左侧的图所示，凸包(虚线)与障碍物D干扰，因此在判定结果上判定为干扰。但是，在实际的机器人如右侧的图所示进行曲线运动而以避开障碍物的方式运动的情况下，在判定结果上，尽管判定为干扰，但是实际上导致没有干扰的事态。因而，在使用凸包进行干扰判定的情况下，可能发生尽管实际上没有干扰但是判定为干扰的情况以及相反地尽管实际上干扰但是判定为没有干扰的情况这两者。
另一方面，在使用第一长方体进行判定的情况下，能以包含两个近似体的方式生成第一长方体，所以虽然不仅发生如图21(a)所示无论在判定上还是在实际上均干扰的情况，还发生如图21(b)所示尽管判定为有干扰可能性但是实际上没有干扰的情况，但是能排除虽然判定为没有干扰可能性但是实际上干扰的情况。特别是，在以充分地具有余量地包含目标的各姿势的方式生成了第一长方体的情况下，能将发生尽管判定为没有干扰可能性但是实际上干扰的情况的可能性无限地设为零。而且，在使用第一长方体生成的分层结构(树形结构)的上位层中包含的第一长方体中判定为没有干扰可能性后，关于其下层的第一长方体无需进行判定，所以能期待处理的进一步的高速化。另外，还能根据其生成的容易性生成考虑了足够数量的中间位置的中间姿势的大量的第一长方体，所以能进行与机器人的曲线运动对应的干扰判定。然后，仅针对判定为有干扰可能性的区域选择性地执行需要时间的详细的判定处理，从而也能实现干扰判定处理的最佳化。
此外，本实施方式的各步骤在不脱离其宗旨的范围内顺序是随机的。例如，输入初始姿势和目标姿势的信息作为输入数据的步骤可以在使用该信息以前的任意的时机实施。另外，信息的输入只要成为最终经由预定的接口并由构成运算部的处理器能处理的状态即可，例如，也可以构成为使用预定的计算机程序等自动地输入。例如，将初始姿势和目标姿势的信息作为输入数据输入的步骤也可以通过使用预定的计算机程序自动取得未图示的传感器所取得的信息来实现。具体地，例如也可以设为基于摄影装置所取得的图像信息算出成为机器人臂16的作业对象的预定的工件的当前位置和/或姿势、以及该工件的载置位置和/或姿势，将与算出的初始姿势和目标姿势有关的信息作为输入数据进行输入。
另外，也可以在作为障碍物的近似体且使用包含障碍物的最大的近似体来进行干扰判定后，使用将该障碍物按多个关注部位分离后的近似体(例如第一长方体)来对预定的关注部位或各关注部位的近似体实施与机器人近似体的干扰判定。由此，能精度更好地确定有干扰可能性的障碍物的部位。另外，代替生成包含所有障碍物的第一长方体等的近似体并将其用于干扰判定，按每一障碍物生成第一长方体等的近似体来实施各障碍物的近似体与机器人的干扰判定。
[第二实施方式]
图22示出本发明的第二实施方式的判定处理的流程图。此外，省略与第一实施方式的判定处理同样的处理的说明。
步骤S31和S32是每当环境被变更时应执行的处理。例如，在周围的障碍物被变更的情况下被再次执行。
在此，在步骤S31中，障碍物的虚拟近似体不仅能生成第一长方体或第二长方体中的任意一方，还能通过第一长方体与第二长方体的组合或凸包等其它近似体来生成障碍物的近似体。
接下来，在步骤S32中，用第二长方体针对机器人按作为关注部位的每个连杆L的生成表现的机器人数据。在此，机器人的关注部位能通过包括由马达等定义的轴(旋转轴等)的坐标系来容易地定义，所以能基于该坐标轴容易地生成包括第二长方体的近似体。在生成第一长方体的情况下，还需要进行使用了旋转变换矩阵的运算处理，使处理复杂化，因此优选机器人的关注部位的近似体使用第二长方体。
之后，每当初始姿势或目标姿势被变更时(例如每当进行不同的地点间的路径的干扰判定时)执行步骤S33以后的步骤。
首先，在步骤S33中生成中间姿势。中间姿势的数量(分辨率的决定)除了上述内容以外，例如还能使用以下的(1)到(5)的步骤来决定。
(1)预先按预定的间隔在不同的地点之间(起点和终点之间)设定多个中间点。
(2)接下来，算出从起点经过多个中间点后到达终点为止的连杆的总路径长度(L)。
(3)按比该间隔更小的间隔在不同的地点之间设定多个中间点。
(4)接下来，算出从起点经过这些多个中间点后到达终点为止的连杆的路径长度(L')。
(5)之后，算出L和L'的变化率，在其低于预定的阈值的情况下，将处理结束并将(2)的中间点的数量确定为中间姿势的数量。在其不低于预定的阈值的情况下，进一步缩窄间隔后执行上述(1)到(4)，基于低于阈值时的间隔来决定多个中间姿势。
步骤S34(中间姿势的第二长方体的机器人近似体的生成)、步骤S35(包含相邻的第二长方体的第一长方体的生成)、步骤S36(执行将在前面的步骤中生成的多个第一长方体组合的处理直至生成包含全部初始姿势、中间姿势、目标姿势的第一长方体，从而生成包括第一长方体的分层结构(树形结构))与在第一实施方式中描述的实施方式相同，因此省略说明。此外，分层结构(树形结构)也可以包含关于初始姿势、中间姿势、目标姿势的关注部位(连杆L)生成的第二长方体。此时，优选第二长方体被定位为构成分层结构(树形结构)的最下层的叶。
接下来，使用图23说明步骤S37的包括第一长方体的机器人的分层结构(树形结构)与障碍物的虚拟近似体的干扰判定处理。图23示出机器人的分层结构(树形结构)树。
如该图所示，分层结构(树形结构)的最上位层是包含所有姿势的第二长方体、即起点VS的初始姿势的第二长方体、中间点Vn(其中n为自然数)的各中间姿势的第二长方体以及终点VG的目标姿势的第二长方体的第一长方体。
然后，在最上位层的第一长方体与障碍物干扰时，判定其下层的第一长方体是否与障碍物干扰，在判定为干扰时，关于位于该第一长方体的更下层的第一长方体执行与障碍物干扰的判定处理。
一边反复进行这种处理一边向分层结构(树形结构)的下层移动，若存在最下层的第一长方体(是将在动作路径上相邻的第二长方体组合后生成的第一长方体，从图23的下方起第二层)中与障碍物的近似体干扰的第一长方体，则提取该第一长方体(在图中为包含V1和V2的中间姿势的第二长方体近似体的第一长方体)(步骤S38)。
之后，执行详细的判定，执行在该第一长方体中包含的两个姿势之间的空间内确定判定为与障碍物碰撞时的机器人的位置、姿势的参数(x，y，z，α，β，γ)的处理(步骤S39)。
在这种实施方式中，也能期待与第一实施方式同样的效果。另外，在提取碰撞的机器人的第一长方体后，不实施使用第二长方体的干扰判定而转移到详细判定，因此可以说更适合实现。
这样利用第二长方体作为障碍物的近似体，从而能简便地实施更高精度的干扰判定。特别是根据障碍物的形状的不同而有时无法用第一长方体以充分的精度进行近似，通过用第二长方体来近似这种障碍物，从而能高速地进行精度高的干扰判定。
此外，在步骤S36中，在关于机器人生成了包括第一长方体的分层结构(树形结构)后，实施了步骤S37的干扰判定，但分层结构(树形结构)也可以根据与关于机器人的第一长方体的干扰判定的结果来生成。即，也可以采用如下构成：在通过步骤S34生成了初始姿势、中间姿势、目标姿势的第二长方体后，生成作为包含全部这些第二长方体的总组合近似体的第一长方体(被定位于分层结构(树形结构)的最上位的第一长方体)，不实施步骤S35和S36而实施总组合近似体与障碍物的近似体的干扰判定。并且，还可以构成为，仅在判定为干扰时，作为其下层的第一长方体，将包含与初始姿势、中间姿势、目标姿势对应的多个机器人近似体中的至少两个的组合近似体作为局部组合近似体而生成(例如生成包含步骤S35的相邻的中间姿势的第一长方体)，进一步执行与障碍物的干扰判定。另外，在通过以相对地包含较多的机器人近似体的方式生成并相对地包含于上位层的第一长方体判定为干扰时，无论手段如何，均在该第一长方体中包含的两个第一长方体之间进一步缩窄离散宽度来算出虚拟机器人的位置姿势，按该位置姿势的每一个来判定虚拟机器人与周围物的干扰，算出位置姿势参数。通过采用这种构成，能抑制生成分层结构(树形结构)的成本，能实现一连串的处理的更进一步的高速化。
以上说明的实施方式是为了容易理解本发明的内容，不是用于限定解释本发明的内容。实施方式所具备的各要素以及其配置、材料、条件、形状和尺寸等能不限于例示的内容适当地变更。另外，能将在不同的实施方式中示出的构成彼此部分置换或者组合。
上述的实施方式的一部分或全部还可如以下的备注所示记载，但不限于以下内容。
(备注1)
一种干扰判定方法，使用具备获取部、存储部和运算部的运算装置判定具有多个可动轴的机器人在从第一位置移动到第二位置时与存在于所述机器人周围的周围物干扰的可能性，其特征在于，
所述运算部执行：
使所述存储部存储机器人数据的步骤，所述机器人数据是将所述机器人的形状按每一关注部位用多面体近似后而得到的；
使所述存储部存储将所述周围物的形状近似后而得到的周围物近似体的数据的步骤；
使用所述获取部取得所述第一位置和所述第二位置的步骤；
在从所述第一位置向所述第二位置移动的动作路径上设定至少一个中间位置的步骤；
基于所述机器人数据生成多个机器人近似体的步骤，所述多个机器人近似体是针对至少一个所述关注部位将所述第一位置、所述第二位置和所述中间位置处的所述机器人的形状用所述多面体近似后而得到的；
生成多个第一组合近似体并且进一步生成第二组合近似体的步骤，所述第一组合近似体是针对至少一个所述关注部位将相当于所述第一位置、所述第二位置和所述中间位置处的多个所述机器人近似体中的至少两个进行组合而构成的，所述第二组合近似体是将这些第一组合近似体中的至少两个进行组合而构成的；以及
判定该第二组合近似体是否与所述周围物近似体干扰的步骤。
(备注2)
9.一种干扰判定系统，用于判定具有多个可动轴的机器人在从第一位置移动到第二位置时与存在于所述机器人周围的周围物干扰的可能性，其特征在于，具备：
存储部，用于存储将所述机器人的形状按多个关注部位的每一个用多面体近似后而得到的机器人数据和将所述周围物的形状近似后而得到的周围物近似体的数据；
获取部，用于取得所述第一位置和所述第二位置；以及
运算部，在从所述第一位置向所述第二位置移动的动作路径上设定至少一个中间位置，基于所述机器人数据生成多个机器人近似体，所述多个机器人近似体是针对至少一个所述关注部位将所述第一位置、所述第二位置和所述中间位置处的所述机器人的形状用所述多面体近似后而得到的，生成多个第一组合近似体并且进一步生成第二组合近似体，所述第一组合近似体是针对至少一个所述关注部位将相当于所述第一位置、所述第二位置和所述中间位置处的多个所述机器人近似体中的至少两个进行组合而构成的，所述第二组合近似体是这些第一组合近似体中的至少两个进行组合而构成的，判定该第二组合近似体是否与所述周围物近似体干扰，在判定为干扰的时，分别判定所述多个第一组合近似体是否与所述周围物近似体干扰。
(备注3)
一种干扰判定方法，使用具备获取部、存储部和运算部的运算装置判定具有多个可动轴的机器人在从第一位置移动到第二位置时与存在于所述机器人周围的周围物干扰的可能性，其特征在于，
所述运算部执行：
使所述存储部存储机器人数据的步骤，所述机器人数据是将所述机器人的形状按多个关注部位的每一个用多面体近似后而得到的；
使所述存储部存储将所述周围物的形状近似后而得到的周围物近似体的数据的步骤；
使用所述获取部取得所述第一位置和所述第二位置的步骤；
在从所述第一位置向所述第二位置移动的动作路径上设定至少一个中间位置的步骤；
基于所述机器人数据生成多个机器人近似体的步骤，所述多个机器人近似体是按所述多个关注部位的每一个将所述第一位置、所述第二位置和所述中间位置处的所述机器人的形状用所述多面体近似后而得到的；
生成将在上一步骤中生成的所有所述机器人近似体组合而构成的总组合近似体的步骤；
判定该总组合近似体是否与所述周围物近似体干扰的步骤；以及
在上一步骤中判定为干扰时，按所述多个关注部位的每一个生成将相当于所述第一位置、所述第二位置和所述中间位置处的多个所述机器人近似体中的至少两个进行组合而构成的多个局部组合近似体，分别判定多个所述局部组合近似体是否与所述周围物近似体干扰的步骤。
(备注4)
一种干扰判定系统，用于判定具有多个可动轴的机器人在从第一位置移动到第二位置时与存在于所述机器人周围的周围物干扰的可能性，其特征在于，具备：
存储部，用于存储将所述机器人的形状按多个关注部位的每一个用多面体近似后而得到的机器人数据和将所述周围物的形状近似后而得到的周围物近似体的数据；
获取部，用于取得所述第一位置和所述第二位置；以及
运算部，在从所述第一位置向所述第二位置移动的动作路径上设定至少一个中间位置，基于所述机器人数据生成多个机器人近似体，所述多个机器人近似体是按所述多个关注部位的每一个将所述第一位置、所述第二位置和所述中间位置处的所述机器人的形状用所述多面体近似后而得到的，生成将所有所述机器人近似体组合而构成的总组合近似体，判定该总组合近似体是否与所述周围物近似体干扰，在判定为干扰时，按所述多个关注部位的每一个，生成将相当于所述第一位置、所述第二位置和所述中间位置处的多个所述机器人近似体中的至少两个进行组合而构成的多个局部组合近似体，判定多个所述局部组合近似体是否与所述周围物近似体干扰。
(备注5)
一种存储介质，存储计算机程序，所述计算机程序用于判定具有多个可动轴的机器人在从第一位置移动到第二位置时与存在于所述机器人周围的周围物干扰的可能性，其特征在于，
所述计算机程序用于使计算机执行：
存储机器人数据的步骤，所述机器人数据是将所述机器人的形状按多个关注部位的每一个用多面体近似后而得到的；
存储将所述周围物的形状近似后而得到的周围物近似体的数据的步骤；
取得所述第一位置和所述第二位置的步骤；
在从所述第一位置向所述第二位置移动的动作路径上设定至少一个中间位置的步骤；
基于所述机器人数据生成多个机器人近似体的步骤，所述多个机器人近似体是按所述多个关注部位的每一个将所述第一位置、所述第二位置和所述中间位置处的所述机器人的形状用所述多面体近似后而得到的；
生成将在上一步骤中生成的所有所述机器人近似体组合而构成的总组合近似体的步骤；
判定该总组合近似体是否与所述周围物近似体干扰的步骤；
在上一步骤中判定为干扰时，按所述多个关注部位的每一个生成将相当于所述第一位置、所述第二位置和所述中间位置处的多个所述机器人近似体中的至少两个进行组合而构成的多个局部组合近似体的步骤；以及
分别判定多个所述局部组合近似体是否与所述周围物近似体干扰的步骤。

Claims (20)

1.一种干扰判定方法，使用具备获取部、存储部和运算部的运算装置判定具有多个可动轴的机器人在从第一位置移动到第二位置时与存在于所述机器人周围的周围物干扰的可能性，其特征在于，
所述运算部执行：
使所述存储部存储机器人数据的步骤，所述机器人数据是将所述机器人的形状按每一关注部位用多面体近似后而得到的；
使所述存储部存储将所述周围物的形状近似后而得到的周围物近似体的数据的步骤；
使用所述获取部取得所述第一位置和所述第二位置的步骤；
在从所述第一位置向所述第二位置移动的动作路径上设定至少一个中间位置的步骤；
基于所述机器人数据生成多个机器人近似体的步骤，所述多个机器人近似体是针对至少一个所述关注部位将所述第一位置、所述第二位置和所述中间位置处的所述机器人的形状用所述多面体近似后而得到的；
生成多个第一组合近似体并且进一步生成第二组合近似体的步骤，所述第一组合近似体是针对至少一个所述关注部位将相当于所述第一位置、所述第二位置和所述中间位置处的多个所述机器人近似体中的至少两个进行组合而构成的，所述第二组合近似体是将这些第一组合近似体中的至少两个进行组合而构成的；以及
判定该第二组合近似体是否与所述周围物近似体干扰的步骤。
2.根据权利要求1所述的干扰判定方法，其特征在于，
所述干扰判定方法还具备：在判定为所述第二组合近似体与所述周围物近似体干扰时，使用所述第二组合近似体中包含的所述第一组合近似体来判定是否与所述周围物近似体干扰的步骤。
3.根据权利要求1或2所述的干扰判定方法，其特征在于，
所述多个第一组合近似体是分别将所述动作路径上相邻的两个所述机器人近似体组合而构成的。
4.根据权利要求1至3中的任一项所述的干扰判定方法，其特征在于，
关于所述关注部位，所述多个机器人近似体中相邻的任意所述机器人近似体之间的区域包含于至少一个所述第一组合近似体。
5.根据权利要求1至4中的任一项所述的干扰判定方法，其特征在于，
所述第二组合近似体是将针对所述关注部位用多面体近似机器人形状而生成的所有所述机器人近似体组合而构成的。
6.根据权利要求2所述的干扰判定方法，其特征在于，
所述干扰判定方法还具备：
在分别判定所述多个第一组合近似体是否与所述周围物近似体干扰的步骤中，在判定为预定的所述第一组合近似体与所述周围物近似体干扰时，在分别相当于该第一组合近似体中包含的相邻的两个所述机器人近似体的所述关注部位的两个姿势之间，提取该关注部位与所述周围物近似体碰撞的点，生成此时的所述机器人的位置和姿势的参数。
7.根据权利要求1至6中的任一项所述的干扰判定方法，其特征在于，
所述干扰判定方法还具备所述运算部使所述存储部存储第一周围物近似体的数据的步骤，所述第一周围物近似体是将构成所述周围物的一部分的第一关注部位的形状近似后而得到的近似体中比所述周围物近似体小的近似体，
所述干扰判定方法还具备在判定为所述第一组合近似体或所述第二组合近似体与所述周围物近似体干扰时，判定该第一组合近似体或该第二组合近似体是否与所述第一周围物近似体干扰的步骤。
8.根据权利要求1至7中的任一项所述的干扰判定方法，其特征在于，
所述周围物近似体、所述第一组合近似体和所述第二组合近似体均是由与第一坐标系的各轴平行的线段构成的第一长方体，所述第一坐标系由相互正交的三个轴构成，
所述干扰判定方法还具备：
在判定为所述第一组合近似体或所述第二组合近似体与所述周围物近似体干扰时，判定该第一组合近似体或该第二组合近似体是否与第二长方体的近似体干扰，所述第二长方体是将所述周围物近似的长方体，所述第二长方体由与根据所述周围物的形状使所述第一坐标系按预定的角度旋转后的第二坐标系的各轴平行的线段构成，所述第二长方体小于所述第一长方体。
9.一种干扰判定系统，用于判定具有多个可动轴的机器人在从第一位置移动到第二位置时与存在于所述机器人周围的周围物干扰的可能性，其特征在于，具备：
存储部，用于存储将所述机器人的形状按多个关注部位的每一个用多面体近似后而得到的机器人数据和将所述周围物的形状近似后而得到的周围物近似体的数据；
获取部，用于取得所述第一位置和所述第二位置；以及
运算部，在从所述第一位置向所述第二位置移动的动作路径上设定至少一个中间位置，基于所述机器人数据生成多个机器人近似体，所述多个机器人近似体是针对至少一个所述关注部位将所述第一位置、所述第二位置和所述中间位置处的所述机器人的形状用所述多面体近似后而得到的，生成多个第一组合近似体并且进一步生成第二组合近似体，所述第一组合近似体是针对至少一个所述关注部位将相当于所述第一位置、所述第二位置和所述中间位置处的多个所述机器人近似体中的至少两个进行组合而构成的，所述第二组合近似体是这些第一组合近似体中的至少两个进行组合而构成的，判定该第二组合近似体是否与所述周围物近似体干扰。
10.根据权利要求9所述的干扰判定系统，其特征在于，
所述运算部构成为，在判定为所述第二组合近似体与所述周围物近似体干扰时，使用所述第二组合近似体中包含的所述第一组合近似体来判定是否与所述周围物近似体干扰。
11.根据权利要求9或10所述的干扰判定系统，其特征在于，
所述多个第一组合近似体是分别将所述动作路径上相邻的两个所述机器人近似体组合而构成的。
12.根据权利要求9至11中的任一项所述的干扰判定系统，其特征在于，
关于所述关注部位，所述多个机器人近似体中相邻的任意所述机器人近似体之间的区域包含于至少一个所述第一组合近似体。
13.根据权利要求9至12中的任一项所述的干扰判定系统，其特征在于，
所述第二组合近似体是将针对所述关注部位用多面体近似机器人形状而生成的所有所述机器人近似体组合而构成的。
14.根据权利要求10所述的干扰判定系统，其特征在于，
所述运算装置在分别判定所述多个第一组合近似体是否与所述周围物近似体干扰时，在判定为预定的所述第一组合近似体与所述周围物近似体干扰时，在分别相当于该第一组合近似体中包含的相邻的两个所述机器人近似体的所述关注部位的两个姿势之间，提取该关注部位与所述周围物近似体碰撞的点，生成此时的所述机器人的位置和姿势的参数。
15.根据权利要求9至14中的任一项所述的干扰判定系统，其特征在于，
所述存储部构成为存储第一周围物近似体的数据，所述第一周围物近似体是将构成所述周围物的一部分的第一关注部位的形状近似的近似体中比所述周围物近似体小的近似体，
所述运算部构成为，在判定为所述第一组合近似体或所述第二组合近似体与所述周围物近似体干扰时，判定该第一组合近似体或该第二组合近似体是否与所述第一周围物近似体干扰。
16.根据权利要求9至15中的任一项所述的干扰判定系统，其特征在于，
所述周围物近似体、所述第一组合近似体和所述第二组合近似体均是由与构成第一坐标系且相互正交的三个轴分别平行的线段构成的第一长方体，
所述运算部构成为，在判定为所述第一组合近似体或所述第二组合近似体与所述周围物近似体干扰时，判定该第一组合近似体或该第二组合近似体是否与第二长方体的近似体干扰，所述第二长方体是将所述周围物近似的长方体，所述第二长方体由与根据所述周围物的形状使所述第一坐标系按预定的角度旋转后的第二坐标系的各轴平行的线段构成，所述第二长方体小于所述第一长方体。
17.一种存储介质，存储计算机程序，所述计算机程序用于判定具有多个可动轴的机器人在从第一位置移动到第二位置时与存在于所述机器人周围的周围物干扰的可能性，其特征在于，
所述计算机程序用于使计算机执行：
存储机器人数据的步骤，所述机器人数据是将所述机器人的形状按多个关注部位的每一个用多面体近似后而得到的；
存储将所述周围物的形状近似后而得到的周围物近似体的数据的步骤；
取得所述第一位置和所述第二位置的步骤；
在从所述第一位置向所述第二位置移动的动作路径上设定至少一个中间位置的步骤；
基于所述机器人数据生成多个机器人近似体的步骤，所述多个机器人近似体是针对至少一个所述关注部位将所述第一位置、所述第二位置和所述中间位置处的所述机器人的形状用所述多面体近似后而得到的；
生成多个第一组合近似体并且进一步生成第二组合近似体的步骤，所述第一组合近似体是针对至少一个所述关注部位将相当于所述第一位置、所述第二位置和所述中间位置处的多个所述机器人近似体的中至少两个进行组合而构成的，所述第二组合近似体是将这些第一组合近似体中的至少两个进行组合而构成；以及
判定该第二组合近似体是否与所述周围物近似体干扰的步骤。
18.一种干扰判定方法，使用具备获取部、存储部和运算部的运算装置判定具有多个可动轴的机器人在从第一位置移动到第二位置时与存在于所述机器人周围的周围物干扰的可能性，其特征在于，
所述运算部执行：
使所述存储部存储机器人数据的步骤，所述机器人数据是将所述机器人的形状按多个关注部位的每一个用多面体近似后而得到的；
使所述存储部存储将所述周围物的形状近似后而得到的周围物近似体的数据的步骤；
使用所述获取部取得所述第一位置和所述第二位置的步骤；
在从所述第一位置向所述第二位置移动的动作路径上设定至少一个中间位置的步骤；
基于所述机器人数据生成多个机器人近似体的步骤，所述多个机器人近似体是按所述多个关注部位的每一个将所述第一位置、所述第二位置和所述中间位置处的所述机器人的形状用所述多面体近似后而得到的；
生成将在上一步骤中生成的所有所述机器人近似体组合而构成的总组合近似体的步骤；
判定该总组合近似体是否与所述周围物近似体干扰的步骤；以及
在上一步骤中判定为干扰时，按所述多个关注部位的每一个生成将相当于所述第一位置、所述第二位置和所述中间位置处的多个所述机器人近似体中的至少两个进行组合而构成的多个局部组合近似体，分别判定多个所述局部组合近似体是否与所述周围物近似体干扰的步骤。
19.一种干扰判定系统，用于判定具有多个可动轴的机器人在从第一位置移动到第二位置时与存在于所述机器人周围的周围物干扰的可能性，其特征在于，具备：
存储部，用于存储将所述机器人的形状按多个关注部位的每一个用多面体近似后而得到的机器人数据和将所述周围物的形状近似后而得到的周围物近似体的数据；
获取部，用于取得所述第一位置和所述第二位置；以及
运算部，在从所述第一位置向所述第二位置移动的动作路径上设定至少一个中间位置，基于所述机器人数据生成多个机器人近似体，所述多个机器人近似体是按所述多个关注部位的每一个将所述第一位置、所述第二位置和所述中间位置处的所述机器人的形状用所述多面体近似后而得到的，生成将所有所述机器人近似体组合而构成的总组合近似体，判定该总组合近似体是否与所述周围物近似体干扰，在判定为干扰时，按所述多个关注部位的每一个，生成将相当于所述第一位置、所述第二位置和所述中间位置处的多个所述机器人近似体中的至少两个进行组合而构成的多个局部组合近似体，判定多个所述局部组合近似体是否与所述周围物近似体干扰。
20.一种存储介质，存储计算机程序，所述计算机程序用于判定具有多个可动轴的机器人在从第一位置移动到第二位置时与存在于所述机器人周围的周围物干扰的可能性，其特征在于，
所述计算机程序用于使计算机执行：
存储机器人数据的步骤，所述机器人数据是将所述机器人的形状按多个关注部位的每一个用多面体近似后而得到的；
存储将所述周围物的形状近似后而得到的周围物近似体的数据的步骤；
取得所述第一位置和所述第二位置的步骤；
在从所述第一位置向所述第二位置移动的动作路径上设定至少一个中间位置的步骤；
基于所述机器人数据生成多个机器人近似体的步骤，所述多个机器人近似体是按所述多个关注部位的每一个将所述第一位置、所述第二位置和所述中间位置处的所述机器人的形状用所述多面体近似后而得到的；
生成将在上一步骤中生成的所有所述机器人近似体组合而构成的总组合近似体的步骤；
判定该总组合近似体是否与所述周围物近似体干扰的步骤；
在上一步骤中判定为干扰时，按所述多个关注部位的每一个生成将相当于所述第一位置、所述第二位置和所述中间位置处的多个所述机器人近似体中的至少两个进行组合而构成的多个局部组合近似体的步骤；以及
分别判定多个所述局部组合近似体是否与所述周围物近似体干扰的步骤。
CN201810608515.8A 2017-08-02 2018-06-13 干扰判定方法、干扰判定系统以及存储介质 Active CN109382820B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017149870A JP6879464B2 (ja) 2017-08-02 2017-08-02 干渉判定方法、干渉判定システム及びコンピュータプログラム
JP2017-149870 2017-08-02

Publications (2)

Publication Number Publication Date
CN109382820A true CN109382820A (zh) 2019-02-26
CN109382820B CN109382820B (zh) 2022-03-08

Family

ID=62705465

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810608515.8A Active CN109382820B (zh) 2017-08-02 2018-06-13 干扰判定方法、干扰判定系统以及存储介质

Country Status (4)

Country Link
US (1) US11014239B2 (zh)
EP (1) EP3470180B1 (zh)
JP (1) JP6879464B2 (zh)
CN (1) CN109382820B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111230877A (zh) * 2020-02-06 2020-06-05 腾讯科技（深圳）有限公司 移动物品的方法及智能设备
CN113386127A (zh) * 2020-03-13 2021-09-14 欧姆龙株式会社 干涉判断装置及方法、存储介质

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6895082B2 (ja) * 2017-11-09 2021-06-30 オムロン株式会社 干渉判定方法、干渉判定システム及びコンピュータプログラム
JP6687582B2 (ja) * 2017-11-30 2020-04-22 ファナック株式会社 情報処理装置
WO2019139815A1 (en) 2018-01-12 2019-07-18 Duke University Apparatus, method and article to facilitate motion planning of an autonomous vehicle in an environment having dynamic objects
EP3769174B1 (en) 2018-03-21 2022-07-06 Realtime Robotics, Inc. Motion planning of a robot for various environments and tasks and improved operation of same
EP3820656A4 (en) * 2018-08-23 2021-08-25 Realtime Robotics, Inc. COLLISION DETECTION FOR MOTION PLANNING OF ROBOTS
EP3725472A1 (de) 2019-04-16 2020-10-21 Siemens Aktiengesellschaft Verfahren zum ermitteln einer trajektorie eines roboters
WO2020214723A1 (en) 2019-04-17 2020-10-22 Real Time Robotics, Inc. Motion planning graph generation user interface, systems, methods and articles
EP3808511A1 (de) * 2019-10-15 2021-04-21 Siemens Aktiengesellschaft Verfahren zum überwachen einer arbeitsumgebung und überwachungseinrichtung
JP7262373B2 (ja) * 2019-11-19 2023-04-21 株式会社日立製作所 軌道計画生成装置、軌道計画生成方法、および軌道計画生成プログラム
JP7475841B2 (ja) * 2019-11-22 2024-04-30 キヤノン株式会社 情報処理方法、ロボットシステム、物品の製造方法、および情報処理装置
WO2021152843A1 (ja) * 2020-01-31 2021-08-05 株式会社Ｆｕｊｉ ロボット制御装置およびロボット制御方法
CN113709670B (zh) * 2020-05-08 2024-03-26 深圳云天励飞技术有限公司 隔离区域确定方法及相关产品
WO2022030414A1 (ja) * 2020-08-05 2022-02-10 ファナック株式会社 ロボットの構成部材の干渉を検出するロボット装置
JP2022100030A (ja) * 2020-12-23 2022-07-05 京セラ株式会社 干渉判定装置、ロボット制御システム、及び干渉判定方法
US11350578B1 (en) * 2021-02-17 2022-06-07 Firefly Automatix, Inc. Dynamically calculating a stacking head's path during a stacking operation
JP2022156502A (ja) * 2021-03-31 2022-10-14 Ｊｏｈｎａｎ株式会社 ロボット制御システム、制御装置、およびロボットの制御方法
US11883962B2 (en) * 2021-05-28 2024-01-30 Mitsubishi Electric Research Laboratories, Inc. Object manipulation with collision avoidance using complementarity constraints
DE112021007684T5 (de) * 2021-08-06 2024-03-21 Fanuc Corporation Störungsprüfvorrichtung
WO2023062796A1 (ja) * 2021-10-14 2023-04-20 ファナック株式会社 複数の構成部材を含むロボットを制御する制御装置、制御装置を備えるロボット装置、およびパラメータを設定する操作装置
CN113910300B (zh) * 2021-10-25 2023-05-23 苏州灵猴机器人有限公司 一种机器人末端防撞方法
US11878424B2 (en) 2021-12-06 2024-01-23 Fanuc Corporation Point set interference check
WO2023166588A1 (ja) * 2022-03-02 2023-09-07 ファナック株式会社 作業ロボットシステム
US20240139945A1 (en) * 2022-10-31 2024-05-02 Omron Corporation Method and apparatus for dynamically modifying a representation of an autonomous robot
WO2024095321A1 (ja) * 2022-10-31 2024-05-10 日本電気株式会社 モデル生成装置、モデル生成方法、プログラム
JP7441361B1 (ja) 2023-05-26 2024-02-29 Kddi株式会社 情報処理装置、情報処理方法及びプログラム

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5347459A (en) * 1993-03-17 1994-09-13 National Research Council Of Canada Real time collision detection
US20020107611A1 (en) * 2000-12-18 2002-08-08 Tae-Kyu Son Feeding robot and control method therefor
CN1794122A (zh) * 2004-12-20 2006-06-28 约翰尼斯海登海恩博士股份有限公司 至少两个相互运动的物体的可能相撞的确定方法
CN102744727A (zh) * 2011-04-18 2012-10-24 发那科株式会社 预测机器人的着眼部位与周边物的干涉的方法及装置
CN105955262A (zh) * 2016-05-09 2016-09-21 哈尔滨理工大学 一种基于栅格地图的移动机器人实时分层路径规划方法
CN106166750A (zh) * 2016-09-27 2016-11-30 北京邮电大学 一种改进型d*机械臂动态避障路径规划方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0412619B1 (en) * 1989-08-11 1995-11-29 Koninklijke Philips Electronics N.V. Method and apparatus for determining potential collisions using a swept bubble data hierarchy
JP3415438B2 (ja) * 1998-05-12 2003-06-09 富士通株式会社 干渉チェック装置および方法
JP4413891B2 (ja) * 2006-06-27 2010-02-10 株式会社東芝 シミュレーション装置およびシミュレーション方法並びにシミュレーションプログラム
US9144904B2 (en) * 2008-05-21 2015-09-29 Fanuc Robotics America Corporation Method and system for automatically preventing deadlock in multi-robot systems
US8315738B2 (en) * 2008-05-21 2012-11-20 Fanuc Robotics America, Inc. Multi-arm robot system interference check via three dimensional automatic zones
JP4730440B2 (ja) * 2009-01-01 2011-07-20 ソニー株式会社 軌道計画装置及び軌道計画方法、並びにコンピューター・プログラム
WO2012014409A1 (ja) * 2010-07-27 2012-02-02 パナソニック株式会社 移動経路探索装置および移動経路探索方法
JP6069923B2 (ja) * 2012-07-20 2017-02-01 セイコーエプソン株式会社 ロボットシステム、ロボット、ロボット制御装置
JP5998816B2 (ja) 2012-10-04 2016-09-28 セイコーエプソン株式会社 経路探索方法、経路探索装置、ロボット制御装置、ロボット及びプログラム
JP6378783B2 (ja) * 2014-12-25 2018-08-22 川崎重工業株式会社 アーム型のロボットの障害物自動回避方法及び制御装置
US10076840B2 (en) * 2015-04-03 2018-09-18 Canon Kabushiki Kaisha Information processing apparatus, information processing method, and program
JP6370821B2 (ja) * 2016-02-12 2018-08-08 ファナック株式会社 ロボットプログラムの教示を行うロボットプログラミング装置
JP6309990B2 (ja) * 2016-03-24 2018-04-11 ファナック株式会社 複数の機構ユニットにより構成されたロボットを制御するロボットシステム、該機構ユニット、およびロボット制御装置
US10303180B1 (en) * 2017-04-20 2019-05-28 X Development Llc Generating and utilizing non-uniform volume measures for voxels in robotics applications

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5347459A (en) * 1993-03-17 1994-09-13 National Research Council Of Canada Real time collision detection
US20020107611A1 (en) * 2000-12-18 2002-08-08 Tae-Kyu Son Feeding robot and control method therefor
CN1794122A (zh) * 2004-12-20 2006-06-28 约翰尼斯海登海恩博士股份有限公司 至少两个相互运动的物体的可能相撞的确定方法
CN102744727A (zh) * 2011-04-18 2012-10-24 发那科株式会社 预测机器人的着眼部位与周边物的干涉的方法及装置
CN105955262A (zh) * 2016-05-09 2016-09-21 哈尔滨理工大学 一种基于栅格地图的移动机器人实时分层路径规划方法
CN106166750A (zh) * 2016-09-27 2016-11-30 北京邮电大学 一种改进型d*机械臂动态避障路径规划方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111230877A (zh) * 2020-02-06 2020-06-05 腾讯科技（深圳）有限公司 移动物品的方法及智能设备
CN111230877B (zh) * 2020-02-06 2021-07-30 腾讯科技（深圳）有限公司 移动物品的方法及智能设备
CN113386127A (zh) * 2020-03-13 2021-09-14 欧姆龙株式会社 干涉判断装置及方法、存储介质
CN113386127B (zh) * 2020-03-13 2023-10-20 欧姆龙株式会社 干涉判断装置及方法、存储介质

Also Published As

Publication number Publication date
US11014239B2 (en) 2021-05-25
EP3470180A1 (en) 2019-04-17
JP2019025621A (ja) 2019-02-21
EP3470180B1 (en) 2024-03-27
CN109382820B (zh) 2022-03-08
US20190039242A1 (en) 2019-02-07
JP6879464B2 (ja) 2021-06-02

Similar Documents

Publication Publication Date Title
CN109382820A (zh) 干扰判定方法、干扰判定系统以及存储介质
CN103568022B (zh) 碰撞检测系统、碰撞检测用数据生成装置以及机械手
Govindaraju et al. Interactive collision detection between deformable models using chromatic decomposition
Kallman et al. Motion planning using dynamic roadmaps
CN107818580A (zh) 根据深度图对真实对象进行3d重建
CN109249388A (zh) 运动生成方法、运动生成装置、运动生成系统及存储介质
JP7344977B2 (ja) 機械学習データ生成装置、機械学習装置、機械学習データ生成方法及びコンピュータプログラム
US20120078598A1 (en) Custom Physics Simulation Joints
CN109760040A (zh) 干扰判定方法、干扰判定系统以及存储介质
Melero et al. Fast collision detection between high resolution polygonal models
JPH02224004A (ja) 移動体の干渉チェック装置
CN109407825A (zh) 基于虚拟物品的互动方法与装置
Tang et al. Continuous collision detection for non-rigid contact computations using local advancement
Min et al. Accelerating probabilistic volumetric mapping using ray-tracing graphics hardware
Knopf et al. Deformable mesh for virtual shape sculpting
Ott et al. Two-handed haptic manipulation for CAD and VR applications
Hooper et al. Computer-aided configuration of modular robotic systems
Wang et al. Virtual simulation applications in manufacturing process of high-speed trains
CN104036547A (zh) 基于Leap Motion控制的三维笔刷实时生成网络模型的方法与装置
Wang et al. A robot kinematics simulation system based on OpenGL
Zhou et al. A realistic force rendering algorithm for CyberGrasp
Wong High performance virtual clothing dynamics
Ruspini Beyond the looking glass: the haptic exploration of virtual environments
Jin et al. The research of collision detection algorithm based on spatial subdivision
Heurtebise et al. Discrete tools for virtual sculpture

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant