CN109849025B - 振动抑制装置 - Google Patents

Abstract

本发明提供振动抑制装置，该振动抑制装置获取示教位置，基于该获取到的示教位置和第一加减速参数计算速度计划，并基于该示教位置以及速度计划算出与机器人的加减速动作时产生的弯曲相关的数据，另外，获取表示示教位置处的姿势的数据。而且，在振动抑制装置的机器学习部中，将这些与弯曲相关的数据以及表示姿势的数据作为输入数据，来进行针对与弯曲相关的数据以及与姿势相关的数据的加减速参数的推断。

Description

振动抑制装置

技术领域

本发明涉及振动抑制装置以及机器学习装置，尤其涉及学习最适合工业用机器人动作的加减速时间的振动抑制装置。

背景技术

在工厂中进行的制造过程中，要求缩短制造周期。作为缩短制造周期的方法，考虑有加快各个制造机器的动作速度、或者提高加速度，但如果是为了提高例如多关节机器人等工业用机器人的动作速度，而增大驱动各关节的伺服马达的指令速度或者缩短加减速时间，则工业用机器人容易产生振动。

工业用机器人的振动不是在驱动各关节的伺服马达以恒定的速度动作时，而主要在加减速时产生。因此，在机器人的动作计划中，重要的是求出在振动能够允许的范围内能够以最短的时间加减速的最佳加减速时间。

作为用于减少工业用机器人的振动的现有技术，例如日本特开2011－167817号公报公开有通过在机器人上安装检测位置的传感器并学习修正量来减少振动的技术。另外，日本特开2015－168053号公报公开了不使用传感器而根据马达的转矩、目标误差信息通过学习使机器人的动作高速化的方法。

在日本特开2011－167817号公报所公开的技术中，虽然能够基于传感器信息实现高精度的振动抑制，但存在需要在作业现场实际使工业用机器人把持工件的状态下的反复学习，对用户造成花费时间负担这样的问题。另外，为了进行反复学习而需要传感器，但需要用户在作业现场准备传感器，所以有在成本方面成为用户的负担的问题。

另一方面，在日本特开2015－168053号公报中，虽然不需要传感器，也不需要在区域内的重新学习从而减轻了用户的负担，但是在需要作业现场处的学习这点上存在与日本特开2011－167817号公报相同的问题，另外，也产生另一问题，即由于没有传感器而振动抑制的精度受到限制。

发明内容

因此，本发明的目的在于提供振动抑制装置，能够在工业用机器人出厂前的阶段学习用于进行该工业用机器人的动作的最佳的加减速时间。

为了解决上述课题，本发明的振动抑制装置具备通过计算机器人动作时的各轴位置以及各轴的弯曲量，并根据该位置以及该弯曲量使用机器学习装置(神经网络)推断加减速时间，来进行最佳的加减速动作的功能。该机器学习装置(神经网络)的学习能够在制造商出厂前的阶段使用传感器来进行，不需要各用户在作业现场的学习，另外，也不需要由用户侧准备传感器，所以能够不对用户造成时间上的、成本上的负担，就能够提供最佳的机器人动作。

在本发明中，如上所述轴的弯曲量与振动量之间存在相关性，并使其成为机器学习装置(神经网络)的输入。一般来说，机器人的轴部进行旋转或者直线运动，所以该部分存在轴承，与其他的臂部分相比，刚性较低。因此，轴产生的弯曲相对较大，对机器人的振动的贡献也变大。因此，可以说轴的弯曲量适合作为求出用于将振动抑制得较小的加减速时间的机器学习装置(神经网络)的输入。

本发明的一个方式所涉及的振动抑制装置将控制对象的机器人的加减速动作时产生的振动抑制为预定阈值以下，该振动抑制装置具备：示教位置获取部，其获取示教位置；速度计划部，其基于上述示教位置以及第一加减速参数计算速度计划；弯曲算出部，其基于上述示教位置以及上述速度计划算出与上述机器人的加减速动作时产生的弯曲相关的数据；姿势数据获取部，其基于上述示教位置获取与上述示教位置处的姿势相关的数据；以及机器学习部，其将与上述弯曲相关的数据以及与上述姿势相关的数据作为输入数据，进行针对与上述弯曲相关的数据以及与上述姿势相关的数据的第二加减速参数的推断。

上述振动抑制装置还能够具备收敛判定部，该收敛判定部判定上述第二加减速参数是否收敛于第一加减速参数，上述收敛判定部在判定为上述第二加减速参数未收敛的情况下，修正上述第一加减速参数，并使用其修正结果指示上述速度计划部重新计算速度计划。

上述振动抑制装置还能够具备最佳加减速搜索部，该最佳加减速搜索部在上述机器人的振动为预定阈值以下的期间搜索最高速的最佳加减速参数，上述机器学习部能够将通过上述最佳加减速搜索部得到的上述最佳加减速参数作为教师数据，进行上述第二加减速参数的学习。该情况下，上述最佳加减速搜索部也可以使用模拟器求出最佳加减速参数。

上述机器学习部能够进行使用了神经网络的学习。

上述振动抑制装置也可以经由网络与多个机器人控制装置连接，针对每个上述机器人控制装置推断并发送上述第二加减速参数。

通过本发明，能够不进行作业现场的学习就实现机器人的最佳的加减速时间。由此，能够不对用户造成时间上、成本上的负担就实现最佳的机器人动作。另外，通常，为了根据机器人的姿势和各轴弯曲量来算出加减速时间，只使用表格等，但由于输入变量较多而表格维度(dimension)过大，现实上实现困难，但在本发明中，通过在此使用神经网络而能够避免该问题。

附图说明

图1是第一实施方式所涉及的振动抑制装置的示意性硬件结构图。

图2是第一实施方式所涉及的振动抑制装置的示意性功能框图。

图3是表示速度计划的例子的图。

图4是对神经网络进行说明的图。

图5是第二实施方式所涉及的振动抑制装置的示意性功能框图。

图6是第三实施方式所涉及的振动抑制装置的示意性功能框图。

图7是第四实施方式所涉及的振动抑制装置的示意性功能框图。

具体实施方式

图1是表示第一实施方式所涉及的振动抑制装置的主要部分的示意性硬件结构图。

振动抑制装置1能够作为例如控制机器人的控制装置安装，另外，也能够作为与控制机器人的控制装置连接的计算机(例如，单元计算机、主计算机、云服务器等)安装。图1示出将振动抑制装置1作为控制机器人2的控制装置安装时的例子。

本实施方式所涉及的振动抑制装置1所具备的CPU11是整体控制振动抑制装置1的处理器。CPU11经由总线20读出储存于ROM12的系统程序，并根据该系统程序控制整个振动抑制装置1。在RAM13暂时地储存有暂时的计算数据、显示数据、由操作人员经由未图示的输入部输入的各种数据等。

非易失性存储器14被构成为例如由未图示的蓄电池来确保(backup)等，即使振动抑制装置1的电源断开也保持存储状态的存储器。在非易失性存储器14存储有经由未图示的接口从外部读取的控制程序、经由输入装置72输入的控制程序、从输入装置72输入的各种数据(运算所需要的参数等)、从机器人2或传感器60获取到的各种数据(例如，关于由CPU11算出的机器人2的各关节的弯曲量的数据、机器人2的各关节的轴位置等)等。存储于非易失性存储器14的程序也可以在利用时展开到RAM13。另外，在ROM12预先写入有振动抑制装置1的动作所需要的各种系统程序(包括用于控制与机器学习装置100的交互的系统程序)。

显示装置70是用于显示经由接口17输出的表示振动抑制装置1或机器人2的状态的文本或图形的装置，能够利用液晶显示器等。另外，输入装置72可以是受理作业者的输入的键盘或鼠标、具备脉冲产生器的示教台等。来自输入装置72的输入经由接口18被传递给CPU11。

用于控制机器人2的关节(轴)的轴控制电路30接受来自CPU11的轴的运行指令量，并将轴的指令输出到伺服放大器40。伺服放大器40接受该指令，驱动使机器人2具备的轴运行的伺服马达50。轴的伺服马达50内置位置/速度检测器，将来自该位置/速度检测器的位置/速度反馈信号反馈给轴控制电路30，进行位置/速度的反馈控制。此外，在图1的硬件结构图中，轴控制电路30、伺服放大器40、伺服马达50各只示出一个，实际上准备成为控制对象的机器人2所具备的轴的数量。

传感器60用于检测机器人2产生的振动，既可以使用一般的加速度传感器或非接触式三维测量器，也可以采用拍摄装置等作为传感器60，解析由该拍摄装置拍摄到的动画并检测振动。此外，在机器人2产生的振动也能够基于伺服马达50的电流的波动等检测，所以不一定需要传感器60。另外，在本申请发明中，机器人2的振动的检测是机器学习装置100的学习时所需的结构，在为了使用完成了学习的机器学习装置100抑制机器人2的振动而使用振动抑制装置1的情况下，不一定需要用于检测机器人2的振动的结构。

接口21是用于将振动抑制装置1和机器学习装置100连接的接口。机器学习装置100具备统一控制整个机器学习装置100的处理器101、存储有系统程序等的ROM102、用于进行机器学习的各处理中的暂时存储的RAM103、以及学习模型等的存储所使用的非易失性存储器104。机器学习装置100能够观测可由振动抑制装置1经由接口21获取的各信息(例如，由CPU11算出的与机器人2的各关节的弯曲量相关的数据、机器人2的各关节的轴位置等)。另外，振动抑制装置1基于从机器学习装置100输出的值进行机器人2的各轴的加减速的参数的调整等。

图2是第一实施方式所涉及的振动抑制装置1的示意性功能框图。

图2所示的各功能模块通过图1所示的振动抑制装置1所具备的CPU11以及机器学习装置100的处理器101执行各个系统程序，控制振动抑制装置1以及机器学习装置100的各部的动作来实现。

该振动抑制装置1具备：示教机器人2的位置的示教位置获取部200；速度计划部210，其制定使机器人2向被示教的示教位置动作时的速度计划；弯曲算出部220，其基于速度计划算出与机器人的各轴的弯曲相关的数据；姿势数据获取部230，其获取机器人的各轴的位置；收敛判定部240，其基于关于弯曲的数据或轴位置进行由机器学习装置100推断的加减速参数的收敛判定；控制部250，其基于推断出的加减速参数进行机器人的控制；以及最佳加减速搜索部260，其基于推断出的加减速参数搜索最佳的加减速参数。

示教位置获取部200基于由作业者从输入装置72的输入(从示教台等输入的机器人2的示教位置、基于从键盘等输入的学习计划的示教位置)获取机器人2的示教位置。示教位置获取部200获取的机器人2的示教位置包括机器人2具备的各轴的位置信息。

速度计划部210计算向示教位置获取部200获取到的机器人2的示教位置动作时的各轴的速度计划。速度计划部210在示教位置获取部200获取到的机器人2的示教位置被输入时，基于预先设定于非易失性存储器14等的初始的加减速参数计算速度计划。另外，速度计划部210在从收敛判定部240指示了速度计划的重新计算的情况下，基于根据该指令修正后的加减速参数计算速度计划。

图3是例示速度计划部210计算的速度计划的图。

在图3的例子中，机器人2的各轴以直线加减速进行轴的加速以及减速。在机器人2进行图3所例示的加减速的情况下，能够通过机器人2的示教位置和机器人2的各轴的最高速度规格、以及作为一个加减速参数的加减速时间τ(1次加减速时间τ)计算速度计划。而且，能够通过调整加减速时间τ的值来变更速度计划。此外，图3是速度计划部210计算的速度计划的一个例子，例如，也可以在加速侧和减速侧使用不同的加减速时间(该情况下，加减速参数为2个)，另外，为了更细致地控制加减速波形，也可以计算例如使用了加减速滤波器、多项式的速度计划(该情况下，加减速参数与加减速滤波器的数量、多项式的阶数对应地增加)。

弯曲算出部220基于速度计划算定部210计算出的速度计划，算出用于确定在机器人2的各轴产生的弯曲的量的数据即关于弯曲的数据。弯曲算出部220例如基于速度计划、机器人2的连杆重量、重心位置以及惯性，通过牛顿-欧拉法等公知方法算出关于机器人2的各轴的力、力矩，并通过将算出的关于的机器人2的各轴的力、力矩和预先通过实验等求出的机器人2的各轴的刚性系数相乘，来算出机器人2的各轴的弯曲量作为关于弯曲的数据。此外，弯曲算出部220算出的关于弯曲的数据不一定需要是机器人2的各轴的弯曲量本身，也可计算出能够间接地求出机器人2的各轴的弯曲量的数据集作为关于弯曲的数据。

姿势数据获取部230获取用于确定机器人2的动作停止的位置(示教位置)处的姿势的数据即关于姿势的数据。关于姿势的数据是能够直接或间接地确定某状态(姿势)下的机器人2的各轴的位置的数据，既可以为直接表示某状态下的各轴的位置的值的集合(驱动各关节的伺服马达50的位置的集合)，也可以为间接地表示某状态下的各轴的位置的值或值的集合(例如，在机器人2是6轴机器人的情况下，为了通过机器人2的前端的位置(坐标值)唯一地确定各轴的位置，而能够使用机器人2的前端的位置的值作为关于姿势的数据)。姿势数据获取部230获取到的关于机器人2的各轴的停止位置的数据被用作机器学习装置100的学习/推断动作的输入。这是因为由机器人2的姿势引起的刚性变化影响机器人2停止时的振动。

机器学习装置100将弯曲算出部220算出的关于弯曲的数据和姿势数据获取部230获取到的关于机器人2的停止位置处的姿势的数据作为输入，学习/推断在进行这种动作时能够抑制机器人2的振动的范围中能够使机器人2最高速地动作的加减速参数。机器学习装置100通过根据公知的机器学习算法进行有监督学习，学习在能够抑制与关于弯曲的数据以及关于机器人2的停止位置处的姿势的数据对应的机器人2的振动的范围中使机器人2能够以最高速动作的加减速参数，另外，使用作为该学习的结果的习得模型，推断在能够基于关于弯曲的数据以及关于机器人2的停止位置处的姿势的数据抑制机器人2的振动的范围中使机器人2能够以最高速动作的加减速参数。

监督学习是被给予输入和与输入对应的输出的已知的数据集(称为监督数据)，从这些监督数据识别暗示输入与输出的相关性的特征，由此来学习用于推断对于新的输入的所需要的输出的相关性模型的方法。在进行监督学习时，作为例如机器学习装置100的学习/推断部，能够使用图4所例示的神经网络。图4示意性地例示出将神经元组合而构成的三层的神经网络的模型。在神经网络中，能够用在输入部分以及输出部分配置的神经元的数量分别调整输入数据的数量、输出数据的数量。这样的神经网络例如能够通过模拟神经元的模型的运算装置、存储装置等构成。

在机器学习装置100中使用神经网络的情况下，预先构建将关于弯曲的数据以及与机器人2的停止位置处的姿势相关的数据作为输入数据x(输入x1，x2，……，xm)，将加减速参数作为结果数据y(结果y1，y2，……，yn)的神经网络，在后述的机器学习装置100的学习阶段，通过调整各神经元间的权重w(w1，w2，w3)来构建习得模型。

此外，在图4中示出了三层的神经网络的模型，但作为本发明的机器学习装置100的学习/推断部，也能够使用形成三层以上的层的神经网络的所谓的深度学习的方法。

收敛判定部240判定机器学习装置100基于关于弯曲的数据以及与机器人2的停止位置处的姿势相关的数据推断出的加减速参数是否收敛。收敛判定部240对速度计划部210在速度计划的计算所使用的加减速参数(设为第一加减速参数)和根据基于该加减速参数算出的关于弯曲的数据以及与机器人2的停止位置处的姿势相关的数据由机器学习装置100推断出的加减速参数(设为第二加减速参数)进行比较，并在第一加减速参数与第二加减速参数之差是预先决定的预定阈值以内的情况下，判定为机器学习装置100推断出的加减速参数收敛。

收敛判定部240在判定为机器学习装置100推断出的加减速参数未收敛的情况下，修正加减速参数后指示速度计划部210重新计算速度计划。收敛判定部240也可以将机器学习装置100推断出的第二加减速参数作为修正第一加减速参数后得到的值，并指示速度计划部210使用该修正后的第一加减速参数(即，第二加减速参数)重新计算速度计划。另外，收敛判定部240基于第一加减速参数与第二加减速参数之差和其符号(第一加减速参数和第二加减速参数的大小)，使用预先根据经验求出的加减速参数的修正式来修正第一加减速参数，并指示速度计划部210使用修正后的结果重新计算速度计划。

此外，在构建了具备能够基于适当的输入通过1次的推断算出最佳加减速参数的较高的推断能力的机器学习装置100的情况下，收敛判定部240的构成也能够省略。这样的情况下，不反复进行计算，能够高效地求出最佳加减速参数。

最佳加减速搜索部260在机器人2的各轴运行到示教位置时，搜索在能够抑制机器人2的振动的范围中使机器人2以最高速动作的加减速参数。最佳加减速搜索部260也可以通过例如实际地控制机器人2来搜索最佳的加减速参数。该情况下，最佳加减速搜索部260在搜索的最初，向控制部250指示使基于收敛判定部240判定为收敛(作为机器学习装置100的推断结果)的加减速参数的速度计划部210计算，并基于计算出的速度计划使机器人2的各轴运行到示教位置，从传感器60获取机器人2的各轴运行到示教位置时产生的振动。

最佳加减速搜索部260在机器人2的振动大于预先决定的预定阈值的情况下，调整加减速参数以使加减速更缓慢，并基于调整后的加减速参数使速度计划部210重新计算速度计划，并基于该重新计算出的速度计划，进行机器人2的再动作和振动的再测量。

另一方面，最佳加减速搜索部260在机器人2的振动小于预先决定的预定阈值且还有充裕的情况下(与阈值相比有预先决定的充裕量以上的差的情况)则调整加减速参数以使加减速更急，并基于调整后的加减速参数使速度计划部210重新计算速度计划，并基于计算出的速度计划进行机器人2的再动作和振动的再测量。

通过反复以上的处理，最佳加减速搜索部260求出在能够抑制机器人2的振动的范围中使机器人2能够以最高速动作的最佳的加减速参数。

此外，最佳加减速搜索部260也可以实际不控制机器人2地搜索最佳加减速参数。例如，使用高精度模拟器等求出最佳加减速参数的方法等也有效。

这样一来，使用最佳加减速搜索部260求出的最佳的加减速参数、和在推断出收敛判定部240判定为收敛的加减速参数时作为机器学习装置100的输入数据而使用的关于弯曲的数据以及与机器人2的停止位置处的姿势相关的数据，进行机器学习装置100的学习。

而且，通过以各种示教位置、动作速度、负荷条件进行以上的步骤，来推进机器学习装置100的学习，构建习得模型。

这样得到的机器学习装置100(习得模型)在用户的作业现场也能够直接使用，所以不需要用户在作业现场的重新学习。因此，也不需要准备用于在用户侧的振动测量的传感器，能够仅利用学习的成果而不给用户造成负担。

图5是在用户的作业现场使用的第二实施方式的振动抑制装置1的示意性功能框图。图5所示的各功能模块通过图1所示的振动抑制装置1具备的CPU11、以及机器学习装置100的处理器101执行各个系统程序，并控制振动抑制装置1以及机器学习装置100的各部的动作来实现。

本实施方式的振动抑制装置1所具备的机器学习装置100通过第一实施方式的振动抑制装置1完成了习得模型的构建，其他的功能单元进行与第一实施方式相同的动作。

而且，在用户使用本实施方式的振动抑制装置1时，不需要用户意识由振动抑制装置1具备的各功能单元执行的处理，而仅进行位置示教，之后自动地进行处理，进行最佳的加减速时间常数下的机器人2的控制。

图6是在经由网络400与控制机器人的控制装置3连接的单元控制器、主计算机、云服务器等服务器上配置机器学习装置100的第三实施方式所涉及的振动抑制装置1的示意性功能框图。

在本实施方式中，除了在控制机器人的控制装置3上配置最佳加减速搜索部260，振动抑制装置1和多个控制装置3经由通信部270、310对加减速参数、示教位置、速度计划等进行交互，以及示教位置获取部200能够根据需要从各控制装置3获取各个机器人的示教位置之外，各个功能单元具备与第一实施方式(图2)相同的功能。此外，优选各个机器人2是具备相同的功能以及性能的同类型的机器人。

本实施方式的振动抑制装置1基于从各个控制装置3获取到的示教位置求出与各个机器人2有关的加减速参数，并将求出的加减速参数向各个控制装置3发送。另外，各个控制装置3基于从振动抑制装置1接受到的加减速参数使机器人2实际动作，进行最佳的加减速参数的搜索，将搜索出的最佳的加减速参数发送到振动抑制装置1。然后，振动抑制装置1基于从各个控制装置3接受到的最佳的加减速参数进行机器学习装置100的学习。因此，本实施方式的振动抑制装置1能够利用多个控制装置3并行地进行将更多的数据集合作为输入的学习，能够使机器学习的速度、可靠性提高。

图7是在经由网络400与控制在用户的作业现场所使用的机器人的控制装置3连接的计算机(例如，设置在制造商侧的服务器)等配置机器学习装置100的第四实施方式所涉及的振动抑制装置1的示意性功能框图。

在本实施方式中，除了振动抑制装置1和设置在用户的作业现场的多个控制装置3经由通信部270、310对加减速参数、示教位置、速度计划等进行交互，以及示教位置获取部200能够从各控制装置3获取各个机器人的示教位置之外，各个功能单元具备与第二实施方式(图5)相同的功能。此外，优选各个机器人2是具备相同的功能以及性能的同类型的机器人。

而且，在用户使用本实施方式的振动抑制装置1时，用户不需要意识振动抑制装置1具备的各功能单元执行的处理，仅进行位置示教，之后自动地进行处理，进行最佳的加减速时间常数下的机器人2的控制。在该结构中，因为不需要在用户侧配置振动抑制装置1，所以能够降低用户的成本和振动抑制装置1的维护成本。

另外，即使在不将服务器设置在制造商侧，而设置在用户的工厂内的情况下，对于多台机器人控制装置，有一个服务器即可，所以与在各控制装置安装功能的情况相比，能够抑制用户的成本。

以上，对本发明的实施方式进行了说明，但本发明并不仅限定为上述的实施方式的例子，能够通过施加适当的变更来以各种方式实施。

例如，在用户安装于机器人2并使用的手部或工具的刚性比预想低的情况下，存在振动在该手部或工具的一部分增大的可能性。对于这一点，能够将振动允许到哪种程度根据应用而不同，所以通过在振动抑制装置1设置用户根据需要能够调整加减速时间这样的功能来对应。例如，通过振动抑制装置1，在不考虑工具振动地求出用于抑制机器人自身的振动并高速化的加减速参数之后，将加减速参数、速度计划显示到显示装置70，用户能够使用输入装置72调整加减速参数或速度计划即可。

另外，也可以考虑机器人2的即将停止之前的速度方向算出关于弯曲的数据。例如，弯曲根据重力恒定地产生，但机器人向水平方向移动的情况下，该弯曲不变化，对振动的影响少。为了考虑这样的效果，也可以仅算出机器人的速度方向的分量的弯曲作为关于弯曲的数据。

以下，对使用本发明的机器学习的振动抑制方法与不使用机器学习的其他的振动抑制的方法的差异进行描述。

能够有使图2以及图5中的机器学习装置100成为通过使用物理模型的模拟器计算振动来计算没有振动的时间常量的装置这样的方法。该方法通过模拟处理运算机器人的各部的动作，并模拟振动，但这样的方法，计算量较多，且实时的处理较难。另外，即使能够模拟振动，但也不清楚使加减速参数怎样变化才能够使振动减少到阈值内，因此需要反复计算，而导致计算量进一步增大。与此相对，在使用本发明的机器学习的振动抑制方法中，通过机器学习装置100预先进行学习，从而能够大幅度地抑制加减速参数的推断的计算量。

另外，也能够有使图2以及图5中的机器学习装置100成为制作表示输入与输出的关系的表格并使用该表格计算加减速参数的装置这样的方法。然而，在该方法中，需要制作输入变量的个数的维度的表格，数据膨大，所以无论从表格制作实验的工时的方面来看，还是从安装时的存储器量的方面来看，实现都困难。与此相对，在使用本发明的机器学习的振动抑制方法中，通过机器学习装置100预先进行学习，从而能够同时抑制实验工时和存储器量。

Claims (5)

1.一种振动抑制装置，将在控制对象的机器人的加减速动作时产生的振动抑制为预定阈值以下，上述振动抑制装置的特征在于，具备：

示教位置获取部，其获取示教位置；

速度计划部，其基于上述示教位置以及用于规定加减速波形的第一加减速参数计算速度计划；

弯曲算出部，其基于上述示教位置以及上述速度计划算出与在上述机器人的加减速动作时产生的弯曲相关的数据；

姿势数据获取部，其基于上述示教位置获取与上述示教位置处的姿势相关的数据；以及

机器学习部，其将与上述弯曲相关的数据以及与上述姿势相关的数据作为输入数据，进行针对与上述弯曲相关的数据以及与上述姿势相关的数据的第二加减速参数的推断，

该振动抑制装置还具备收敛判定部，该收敛判定部判定上述第二加减速参数是否收敛于上述第一加减速参数，

上述收敛判定部在判定为上述第二加减速参数未收敛的情况下，修正上述第一加减速参数，并使用其修正结果指示上述速度计划部重新计算速度计划。

2.根据权利要求1所述的振动抑制装置，其特征在于，

该振动抑制装置还具备最佳加减速搜索部，该最佳加减速搜索部在上述机器人的振动为预定阈值以下的期间搜索能够使上述机器人以最高速动作的最佳加减速参数，

上述机器学习部将通过上述最佳加减速搜索部得到的上述最佳加减速参数作为教师数据，进行上述第二加减速参数的学习。

3.根据权利要求2所述的振动抑制装置，其特征在于，

上述最佳加减速搜索部使用模拟器求出最佳加减速参数。

4.根据权利要求1所述的振动抑制装置，其特征在于，

上述机器学习部进行使用了神经网络的学习。

5.根据权利要求1所述的振动抑制装置，其特征在于，

上述振动抑制装置经由网络与多个机器人控制装置连接，针对每个上述机器人控制装置推断并发送上述第二加减速参数。

Images