CN110167720B - 监测装置、监控系统和用于对其进行编程的方法 - Google Patents
监测装置、监控系统和用于对其进行编程的方法 Download PDFInfo
- Publication number
- CN110167720B CN110167720B CN201780082093.9A CN201780082093A CN110167720B CN 110167720 B CN110167720 B CN 110167720B CN 201780082093 A CN201780082093 A CN 201780082093A CN 110167720 B CN110167720 B CN 110167720B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- sensor
- module
- action device
- learning
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 90
- 238000012806 monitoring device Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000009471 action Effects 0.000 claims abstract description 186
- 230000008569 process Effects 0.000 claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims description 91
- 238000012549 training Methods 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 15
- 238000002372 labelling Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002787 reinforcement Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 2
- 238000004378 air conditioning Methods 0.000 description 7
- 230000036772 blood pressure Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
-
- 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
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41845—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by system universality, reconfigurability, modularity
-
- 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
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31483—Verify monitored data if valid or not by comparing with reference value
-
- 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
- G05B2219/37—Measurements
- G05B2219/37555—Camera detects orientation, position workpiece, points of workpiece
-
- 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
- G05B2219/40—Robotics, robotics mapping to robotics vision
- G05B2219/40053—Pick 3-D object from pile of objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
监控系统包括动作装置(2)和用于监测动作装置(2)的操作的监测装置(3)。动作装置(2)包括致动器模块(4)、传感器模块(5)和控制模块(6),以命令致动器模块(4)使用传感器数据执行预定任务。监测装置(3)接收来自动作装置(2)的监测数据,并基于所述监测数据计算指示动作装置(2)的正确操作或异常操作的动作装置操作指示符。基于可调整监测参数的习得值来计算动作装置操作指示符。根据在迭代学习过程期间由动作装置(2)记录的试验数据集产生的一组标记数据来确定习得值。
Description
技术领域
本发明涉及一种监控系统和一种用于对这种监控系统进行编程的方法。
本发明特别涉及这样一种监控系统,其包括执行预定义任务的动作装置和用于监测动作装置的操作的监测装置,其中动作装置基于至少一个可调整控制参数的习得值执行所述预定义任务。
背景技术
特别地,本发明涉及一种监控系统,该监控系统包括能够执行预定义任务的动作装置和能够与动作装置通信并监测动作装置的操作的监测装置。
作为实施例,动作装置可以包括机器人手臂,并且由动作装置执行的预定义任务可以包括识别工件,抓握并提升工件并将工件移动至预定位置。
所述动作装置设置有:
-由相应的多个命令信号命令的多个致动器模块;
-用于获取传感器数据的至少一个传感器;以及
-控制模块,其能够接收传感器数据并生成多个命令信号以命令致动器模块执行预定义任务,所述多个命令信号基于传感器数据和至少一个可调整控制参数的习得值而生成。
动作装置是编程装置,其中通过机器学习而习得至少一个可调整控制参数。
所述至少一个可调整控制参数的习得值由迭代学习过程确定,其中动作装置利用所述至少一个可调整控制参数的至少两个不同值执行多个任务试验,同时记录相关联的多个试验数据集,每个试验数据集至少包括:在任务试验期间产生的命令信号,以命令致动器模块;以及在命令致动器模块时由传感器获取的传感器数据。
以上在受监测机器人手臂的情况下描述了这种监控系统,但是监控系统可以应用于许多其它领域。
应用领域的另一个实施例是诸如汽车用的空调系统之类的自动车载系统领域。
在这种情况下,动作装置可以包括例如空调系统,并且由动作装置执行的预定义任务可以涉及控制车辆内的空气的温度和/或湿度。
空调系统通常利用车辆的马达的某些部分,例如汽车的散热器和/或发动机在打开时的动力。因此,空调系统的设置(温度、流量、制冷循环)会根据发动机的状态而变化,并且难以预测和计算。通过机器学习来学习参数以优化空调系统的操作是非常有利的。
应用领域的又一个实施例是医疗保健系统领域。
在这种情况下,动作装置可以是例如血压监测器或血压计,并且由动作装置执行的预定义任务可以包括高精度地测量个体的血压。
这种装置包括可膨胀的袖带,其能够以受控的方式塌缩然后释放个体的动脉,同时压力计测量压力。
重要的是要小心地控制附接至手臂的袖带中的空气压力,该空气压力取决于个人的手臂类型。因此,可以通过机器学习有利地习得发送到血压计的袖带的空气量。
在本发明的所有这些实施例和应用领域中,监控系统还包括监测装置,该监测装置能够与动作装置通信以从动作装置接收监测数据。
监测数据包括命令信号和传感器数据中的至少一者。
监测装置能够基于所述监测数据计算指示动作装置的正确或异常操作的动作装置操作指示符。
然而,在具有习得成分的动作装置(例如上述动作装置的实施例,其中至少一个可调整控制参数的值不是先验已知的)的情况下,可能难以定义和控制关于动作装置的一系列正确的操作。结果,也难以以良好的精度监测动作装置。
文献JP 5289574描述了一种监控系统的实施例,其中动作装置是电梯控制装置,并且在这种情况下可调整控制参数是驱动电流。电梯的精确轿厢重量、惯性重量和运行阻力只能在安装电梯后确定,因此必须在所述安装后调整驱动电流。为此目的,通过添加预定的校正量进行测试并调整可调整控制参数。
在该现有技术中,使用提前设定的预定范围来执行动作装置学习。因此,监测装置可以考虑该范围来计算动作装置操作指示符。
然而,当通过诸如机器学习操作之类的迭代学习过程执行可调整控制参数的更新时,并且特别是当动作装置有若干可调整控制参数和若干致动器模块时,例如当动作装置是习得复杂操作的动作装置时,通常不可能为可调整控制参数和执行器的指令信号预测有用的习得值范围。因此,对于监测模块而言,在学习操作后评估动作装置的操作是正确或异常往往是复杂的。
本发明尤其旨在减轻这些缺点。
因此,本发明的一个目的是提供这样一种受监测动作装置,该受监测动作装置具有:动作装置,该动作装置具有带有习得参数的控制模块;以及监测装置,该监测装置可以基于来自动作装置的命令信号和/或传感器数评估动作装置的操作是否合适。
发明内容
为此目的,本发明的第一个目的是一种监测装置,用于监测动作装置的操作,该动作装置设置有:
分别能够由多个相应的命令信号命令的多个致动器模块;
能够获取传感器数据的至少一个传感器模块;
通信模块;和
控制模块,所述控制模块能够接收所述传感器数据并产生多个命令信号以命令所述致动器模块执行预定义任务,
所述监测装置设置有:
通信模块,该通信模块能够与所述动作装置的所述通信模块通信以从所述动作装置接收监测数据,所述监测数据包括所述命令信号和所述传感器中的至少一者;和
控制模块,该控制模块能够基于所述监测数据计算指示所述动作装置的正确或异常操作的动作装置操作指示符。
所述监测装置基于所述监测数据和至少一个可调整监测参数的至少一个习得值来计算所述动作装置操作指示符,
并且,基于在迭代学习过程期间至少部分地由所述动作装置记录的多个试验数据集产生的一组标记数据来确定至少一个可调整监测参数的所述习得值。
在一些实施方式中,可能还使用下面的一个或多个特征:
-所述控制模块借助分类器计算所述动作装置操作指示符,并且至少一个可调整监测参数的所述习得值是所述分类器的参数;
-所述监测装置还包括监测装置学习模块,其能够:
从所述动作装置接收多个试验数据集和至少一个测试数据集;
用至少一个第一标签标记所述试验数据集并且用至少一个第二标签标记所述至少一个测试数据集;和
通过训练分类器来对具有所述至少一个第一标签的所述试验数据集和具有所述至少一个第二标签的所述测试数据集分别进行分类,从而确定所述监测装置的所述控制模块的至少一个可调整监测参数的习得值,
-所述监测装置能操作成监测动作装置的操作,基于所述传感器数据和至少一个可调整控制参数的习得值产生所述多个命令信号,
至少一个可调整控制参数的所述习得值由迭代学习过程确定,所述动作装置利用所述至少一个可调整控制参数的至少两个不同值执行多个任务试验,同时记录相关联的多个试验数据集,每个试验数据集至少包括在任务试验期间产生的命令所述致动器模块的命令信号和在命令所述致动器模块时由所述传感器模块获取的传感器数据,
并且由以下数据集产生所述一组标记数据:
在所述动作装置的所述迭代学习过程中记录的所述动作装置的所述试验数据集;和
通过将所述动作装置的所述至少一个可调整控制参数设置为所述习得值并且命令所述动作装置在记录所述至少一个测试数据集的同时执行至少一次所述预定义任务来记录至少一个测试数据集。
本发明的另一目的是一种包括动作装置和如以上详细说明的监测装置的监控系统,所述动作装置设置有:
分别能够由多个相应的命令信号命令的多个致动器模块;
能够获取传感器数据的至少一个传感器模块;
通信模块;和
控制模块,该控制模块能够接收所述传感器数据并产生多个命令信号以命令所述致动器模块执行预定义任务。
在一个实施方式中,所述动作装置的所述传感器模块包括:
能够获取输入传感器数据的至少一个输入传感器,所述动作装置的所述控制模块使用所述输入传感器数据,以产生所述多个命令信号;以及
能够获取状态传感器数据的至少一个状态传感器,所述监测装置的所述控制模块使用所述状态传感器数据,以计算所述动作装置操作指示符。
在一个实施方式中,所述输入传感器是诸如相机之类的二维或三维传感器,并且所述状态传感器是诸如振动传感器、噪音传感器、温度传感器、位置传感器、方位传感器或功率传感器之类的低维传感器。
在一个实施方式中,所述监控系统还包括动作装置学习模块,所述动作装置学习模块能够:
命令所述动作装置的所述控制模块利用所述至少一个可调整控制参数的至少两个不同值执行多个预定义任务试验,并且利用所述至少一个可调整控制参数的习得值执行至少一个预定义任务;
分别记录多个试验数据集和至少一个测试数据集,每个试验数据集和测试数据集包括在相应的预定义任务试验期间产生的命令所述致动器模块的命令信号以及在命令所述致动器模块的同时由所述传感器模块获取的传感器数据;和
通过基于所述多个试验数据集的迭代学习过程确定所述动作装置的所述控制模块的至少一个可调整控制参数的所述习得值。
本发明的又一目的是用于为如以上详细说明的监测装置编程的方法,所述方法包括:
监测装置学习操作,其中,所述监测装置的至少一个可调整监测参数的习得值由以下确定:
用至少一个第一标签标记所述试验数据集并且用至少一个第二标签标记所述至少一个测试数据集;
通过训练分类器来将具有所述至少一个第一标签的所述试验数据集和具有所述至少一个第二标签的所述测试数据集进行分类来确定至少一个可调整监测参数的所述习得值。
在一个实施方式中,所述试验数据集用至少一个第一标签来标记,并且所述至少一个测试数据集用至少一个第二标签来标记,并且
通过训练分类器来将具有所述至少一个第一标签的所述试验数据集和具有所述至少一个第二标签的所述测试数据集分别进行分类来确定所述至少一个可调整监测参数的所述习得值。
本发明的又一目的是用于为如以上详细说明的监控系统编程的方法,所述方法包括:
动作装置学习操作,其中所述动作装置的所述控制模块的至少一个可调整控制参数的习得值由迭代学习过程确定,该迭代学习过程包括:
命令所述动作装置在记录相关联的多个试验数据集的同时利用所述至少一个可调整控制参数的至少两个不同值执行多个预定义任务试验,每个试验数据集包括在预定义任务试验期间产生的命令所述致动器模块的命令信号和在命令所述致动器模块时由所述传感器模块获取的传感器数据,
动作装置测试操作,其中,通过以下记录至少一个测试数据集:
将所述至少一个可调整控制参数设置为在所述动作装置学习操作期间确定的所述习得值;并且
命令所述动作装置在记录至少一个相关联的测试数据集的同时执行至少一次所述预定义任务,所述至少一个测试数据集包括在所述预定义任务期间生成的命令所述致动器模块的命令信号以及在命令所述致动器模块时由所述传感器模块获取的传感器数据,
执行根据权利要求10所述的用于为监测装置编程的方法。
在一个实施方式中,在所述动作装置学习操作期间,学习等级指示符与每个试验数据集相关联,并且指示所述任务试验与所述预定义任务的偏差,并且
在监测装置学习操作期间,
用基于所述学习等级指示符定义的多个第一标签来标记所述试验数据集,并且
通过训练分类器分别用所述多个第一标签和所述至少一个第二标签分别对所述试验数据集和所述测试数据集进行分类,从而确定所述可调整监测参数的习得值。
在一个实施方式中,所述预定义任务包括所述传感器数据的至少一个目标值,
并且与试验数据集相关联的学习等级是与所述试验数据集相关联的所述预定义任务试验结束时的所述传感器数据的值与所述传感器数据的所述目标值之间的差异的函数,
特别地,所述动作装置的所述传感器模块包括获取输入传感器数据的至少一个输入传感器以及获取状态传感器数据的至少一个状态传感器,所述动作装置的所述控制模块基于所述输入传感器数据和所述至少一个可调整控制参数产生所述多个命令信号,并且所述预定义任务包括所述状态传感器数据的至少一个目标值。
在一个实施方式中,所述动作装置学习操作涉及强化学习和/或无监督学习算法,
并且所述监测装置学习操作涉及监督学习算法。
本发明的又一目的是一种非暂时性计算机可读存储介质,其上存储有包括程序指令的计算机程序,所述计算机程序能加载到如以上详细说明的监测装置的监测装置学习模块中并且适于当所述监测装置学习模块运行所述计算机程序时,致使所述监测装置学习模块执行如以上详细说明的方法的步骤。
附图说明
根据以下附图以及作为非限制性实施例提供的若干实施方式的描述,本发明的其它特征和优点将容易地显现出来。
在附图中:
-图1示出了根据本发明的监控系统的可能的实施方式;
-图2是图1的系统的示意图;和
-图3是详细说明用于为根据本发明的一个实施方式的监控系统进行编程的方法流程图。
在不同的图中,相同的附图标记表示相同或相似的元件。
具体实施方式
图1和图2示出了根据本发明的一个实施方式的监控系统1。
监控系统1包括动作装置2和监测装置3。
A.动作装置
A.1动作装置的描述
动作装置1包括:多个致动器模块4,其由相应的多个命令信号命令;传感器模块5,其用于获取传感器数据;以及控制模块6。
控制模块6能够接收传感器数据并且基于传感器数据和至少一个可调整控制参数的习得值产生命令信号以命令致动器模块4。
因此,控制模块6是可编程模块,其中在动作装置学习操作100期间调整或习得至少一个控制参数。
动作装置2还可以包括在下面进一步详细描述的通信模块12、存储器模块17和动作装置学习模块10。
动作装置2的传感器模块5可以包括若干传感器,这些传感器产生在系统内差别使用的传感器数据。
特别地,传感器模块5可以包括获取输入传感器数据的输入传感器7。
输入传感器数据由动作装置的控制模块6使用以产生多个命令信号来命令致动器模块4。
输入传感器7可以是例如二维或三维传感器,例如相机。
传感器模块5还可以包括至少一个状态传感器8以获取状态传感器数据。
监测装置3使用状态传感器数据来计算如下面进一步详细描述的动作装置操作指示符。
状态传感器8可以是低维传感器,例如振动传感器、噪音传感器、温度传感器、位置传感器、方位传感器或功率传感器。
状态传感器8的实施例是加速度传感器、编码器、图像传感器、距离传感器、红外传感器、磁传感器和扭矩或电流传感器。
这里是这些实施例中的每一者的更详细的实施方式。
-加速度传感器:加速度传感器可以附接至动作装置(例如附接至动作装置的移动部分),以获取在预定义任务期间的加速值作为状态传感器数据。
-编码器:旋转编码器可以设置在动作装置的关节上(例如在机器人手臂的驱动轴上),以在预定任务期间记录旋转量或旋转速度作为状态传感器数据。
-图像传感器:相机可以用于在预定任务期间获取动作装置的移动部分的移动的图像作为状态传感器数据。
-距离传感器:距离传感器可用于在预定义任务期间获取动作装置的移动部分的距离变化作为状态传感器数据。
-红外传感器:具有IR发射器和检测器的红外传感器也可以布置成使得IR光束穿过供动作装置的移动部分移动的空间。在预定义任务期间测量的红外光束的光阻挡图案可以用作状态传感器数据。
-磁传感器:如果动作装置的移动部分由金属制成,则可以安装磁传感器以便可以检测机器人的移动,由磁传感器获取的值可以用作状态传感器数据。
-扭矩传感器、电流传感器:扭矩传感器可以设置在动作装置的移动部分上。扭矩传感器可以能够检测施加在机器人上的力作为状态传感器数据。
一些上述状态传感器8也可以用作输入传感器7。通常,输入传感器7和状态传感器8可以是不同的传感器,或者可以由相同的共用传感器实施。
动作装置2的控制模块6能够控制存储器模块17以将传感器数据和命令信号存储在存储器模块17中。
A.2动作装置的操作
在图1的实施例中,动作装置2是机器人,尤其是机器人手臂。然而,本发明不限于机器人,并且还可以是包括上述模块的一台机械(特别是自动驾驶汽车、化学制造机器、医疗装置或任何通用机械)的任何机器。
上面给出了实施例并且这些实施例包括诸如用于汽车的空调系统之类的自动车载系统或诸如血压监测器之类的医疗保健系统。
动作装置能够并且旨在执行预定义的任务。预定义任务在当致动器模块4由多个命令信号命令时由致动器模块4执行。
机器人手臂的上述实施例中的一个可能的任务是例如通过使用传感器数据识别工件W,抓握并提升工件W,将工件移动至预定位置并释放工件W。
动作装置的操作包括两个连续阶段:学习阶段;然后是操作阶段。
在学习阶段期间,习得执行预定义任务所需的可调整控制参数的值。在操作阶段期间,所述习得值用于执行任务。
A.2.1动作装置的学习阶段
动作装置2的可调整控制参数的习得值由迭代学习过程确定,在该迭代学习过程期间,动作装置2利用可调整控制参数的至少两个不同值执行多个任务试验,同时记录相关联的多个试验数据集。
每个试验数据集至少包括在每个任务试验期间产生的用于命令致动器模块4的命令信号和在命令致动器模块4时由传感器模块5获取的相关传感器数据。
为此目的,监控系统1还可以包括动作装置学习模块10。
动作装置学习模块10与动作装置2的控制模块6通信,并且能够设置至少一个可调整控制参数的不同值,并命令动作装置2执行任务,同时记录数据集,该数据集包括在所述任务期间产生的用于命令致动器模块的命令信号和在命令致动器模块执行所述任务时由传感器模块获取的传感器数据。
特别地,动作装置学习模块10能够命令动装置2:
-利用至少一个可调整控制参数的至少两个不同值执行多个预定义任务试验;以及
-利用至少一个可调整控制参数的习得值执行至少一个预定义任务。
在所述预定义任务试验和所述预定义任务期间,动作装置2分别记录多个试验数据集和至少一个测试数据集,例如存储在存储器模块17中。
预定义任务试验是执行预定义任务的尝试。因为可调整控制参数的值可能不是最佳的,所以预定义任务试验可能不是执行所述任务的成功尝试。动作装置学习模块10的动作装置学习模块10的目的是迭代地确定可调整控制参数的令人满意的值。
如果学习成功,则利用至少一个可调整控制参数的习得值执行的预定义任务是测试操作,在该测试操作期间,动作装置应该能够执行预定义任务。
动作装置学习模块10能够基于多个试验数据集通过迭代学习过程来确定动作装置2的控制模块6的至少一个可调整控制参数的习得值。
动作装置学习模块10可以例如使用强化学习和/或无监督学习算法来确定至少一个可调整控制参数的所述习得值。
试验数据集包括例如由传感器模块5的输入传感器7获取的输入传感器数据、由传感器模块5的状态传感器8获取的状态传感器数据以及由控制模块6产生的命令信号。
输入传感器数据可以用作在动作装置2的控制模块6中实施的神经网络的输入,并且命令信号可以用作所述神经网络的输出。可调整控制参数可以是所述神经网络的参数,例如所述神经网络中的权重。
状态传感器数据可以用于定义强化学习算法的奖励。
因此,动作装置学习模块10能够执行图3所示的动作装置学习操作100,其中动作装置的控制模块的至少一个可调整控制参数的习得值由迭代学习过程确定。
在本发明的一个实施方式中,在由动作装置学习模块10执行的动作装置学习操作100期间,学习等级指示符与每个试验数据集和/或与测试数据集相关联。
学习等级指示符可以指示任务试验与预定义任务的偏差。
例如,预定义任务可以包括传感器数据的至少一个目标值,并且与试验数据集相关联的学习等级可以是与所述试验数据集相关联的预定义任务试验结束时传感器数据值与传感器数据的目标值之间的差异的函数。
特别地,所述至少一个目标值可以是由传感器模块5的状态传感器8获取的状态传感器数据的值。
作为实施例,状态传感器8可以是位置传感器,其检测动作装置2的机器人手臂的末端的位置,并且状态传感器数据的目标值可以是所述末端的与所述预定义任务相关联的预定义位置。
因此,学习等级指示符可以是在动作装置学习操作100期间指示预定义任务试验的改进的值。
作为非限制性实施例,学习等级指示符可以具有1到9之间的整数值,值1与最早的并且最随机的预定义任务试验相关联,并且值9与最新的并且最接近预定义任务试验的最佳操作相关联。
另外,学习等级指示符值10可以与测试数据集相关联,指示动作装置2的最佳操作。
A.2.2动作装置的操作阶段
一旦已经完成学习阶段并且已经习得了可调整控制参数的值,则可以在操作阶段中操作动作装置。
在操作阶段期间,根据用户外部命令系统的请求或遵循预定义的时间表,动作装置可以执行预定义任务。
然后,控制模块接收传感器数据并产生命令信号以命令致动器模块基于传感器数据和至少一个可调整控制参数的习得值来执行预定义任务。
上述机器人手臂的实施例中的一个可能的任务是例如通过使用传感器数据识别工件W,抓握并提升工件W,将工件移动到预定位置并释放工件W。
B.监测装置
B.1监测装置的描述
监测装置3在图1和图2中示出,并且至少包括通信模块14和控制模块16。
监测装置3的通信模块14能够与动作装置2的通信模块12通信,以从动作装置2接收监测数据。
在所述预定义任务的操作期间,监测数据包括动作装置2的命令信号和传感器数据中的至少一者。
监测装置3的控制模块16能够将监测数据存储在监测装置3的存储器模块18中,并且基于所述监测数据和至少一个可调整监测参数的至少一个习得值计算指示动作装置的正确或异常操作的动作装置操作指示符。
因此,监测装置3也是可编程模块,其中在监测装置学习操作300期间调整或习得至少一个监测参数,现在将更详细地描述该方面。
B.2监测装置的操作
监测装置的操作包括两个连续阶段:学习阶段,然后是操作阶段。
在学习阶段期间,习得执行动作装置监测所需的可调整监测参数的值。在操作阶段期间,所述习得值用于监测动作装置的操作。
B.2.1监测装置的学习阶段
在完成动作装置模块2的训练之后执行监测装置3的学习。
可调整监测参数的习得值是基于在动作装置的迭代学习过程期间至少部分地由动作装置2记录的多个试验数据集产生的一组标记数据来确定的。
特别地,可以从以下中产生一组标记数据集:
在动作装置2的迭代学习过程期间记录的动作装置的试验数据集;和
通过将动作装置2的至少一个可调整控制参数设置为习得值并且命令动作装置2在记录所述至少一个测试数据集的同时执行至少一次预定义任务来记录的至少一个测试数据集。
特别地,试验数据集可以用第一标签标记,并且所述至少一个测试数据集可以用第二标签标记。然后可以通过训练分类器分别将具有第一标签的试验数据集和具有第二标签的测试数据集分类,从而确定可调整监测参数的习得值。
为此目的,监测装置3还包括监测装置学习模块11。
监测装置3的学习在动作装置模块2的训练完成之后通过监测装置学习模块11执行。
监测装置学习模块11使用在动作设备2的训练期间记录的数据集来确定监测装置3的可调整监测参数的习得值。
监测装置学习模块11的通信模块14接收在动作装置学习模块10的操作期间记录的所述多个试验数据集和所述至少一个测试数据集。然后,数据集可以存储在动作装置3的存储器模块18中。
然后,监测装置学习模块11用至少一个第一标签“A”标记试验数据集,并且用至少一个第二标签“B”标记所述至少一个测试数据集。
从标记的数据集中,监测装置学习模块11可以通过训练分类器分别将具有所述至少一个第一标签“A”的试验数据集和具有所述至少一个第二标签“B”的测试数据集分类,从而确定监测模块3的至少一个可调整监测参数的习得值。
分类器是指分类算法,例如线性分类器(如费歇线性判别、逻辑回归、朴素贝叶斯分类器或感知器)、支持矢量机、二次分类器、诸如K最近邻算法之类的核估计、诸如随机森林之类的决策树、神经网络或学习矢量量化。
监测模块3的可调整监测参数尤其可以是分类器的参数。
可以通过使用现有技术中已知的监督学习算法来习得分类器。
当多个学习等级指示符与每个试验数据集相关联时,监测装置学习模块11于是可以用基于学习等级指示符定义的多个第一标签来标记试验数据集。
例如,学习等级指示符是1到9之间的整数,所述多个第一标签可以包括与学习等级指示符的每个值相关联的九个标签:A1、A2、...、A9。
然后,监测装置学习模块11通过训练分类器分别用所述多个第一标签和所述至少一个第二标签分别对试验数据集和测试数据集进行分类来确定可调整监测参数的习得值。
如图3所示,根据本发明的用于为监控系统1编程的方法包括以下操作。
首先,在动作装置学习操作100期间确定动作装置2的控制模块6的至少一个可调整控制参数的习得值。
该动作装置学习操作100包括命令110动作装置2在记录相关联的多个试验数据集的同时利用所述至少一个可调整控制参数的至少两个不同值执行多个预定义任务试验的子操作。然后可以基于记录的试验数据集确定120可调整控制参数的更新值。
控制模块6的可调整控制参数的习得值由动作装置学习操作100期间的迭代学习过程110、120确定,然后存储130在动作装置2的控制单元6中。
然后,执行动作装置测试操作200,在此期间将所述至少一个可调整控制参数设置210到在动作装置学习操作100期间确定的习得值,并且动作装置2执行210至少一次预定义任务,同时记录至少一个相关的测试数据集。
最后,执行监测装置学习操作300,其中确定监测装置3的至少一个可调整监测参数的习得值。
为此目的,监测装置学习操作300可以例如包括如下子操作:
用至少第一标签标记310试验数据集并且用至少第二标签标记所述至少一个测试数据集;和
通过训练分类器将具有所述至少一个第一标签的试验数据集和具有所述至少一个第二标签的测试数据集分类来确定320至少一个可调整监测参数的习得值。
如上所述,在动作装置学习操作100期间,学习等级指示符可以与每个试验数据集相关联,并且指示任务试验与预定义任务的偏差。在这种情况下,于是在监测装置学习操作300期间,可以用基于学习等级指示符定义的多个第一标签来标记试验数据集。然后,可以通过训练分类器分别用所述多个第一标签和所述至少一个第二标签分别对试验数据集和测试数据集进行分类来确定可调整监测参数的习得值。
B.2.2监测装置的操作阶段
一旦学习阶段已经结束并且已经习得了可调整监测参数的值,监测装置就可以在操作阶段操作。
在操作阶段,所述监测能够监测动作装置2的操作,特别是监测动作装置2是否正确地操作或者是否偏离其正常操作。
为此目的,监测装置3能够确定指示动作装置的正确或异常操作的动作装置操作指示符。动作装置操作指示符的值例如可以由监测装置3的通信模块输出,以在辨识出异常操作状态时警告操作者或停止动作装置2的操作。
特别地,监测装置3可以借助分类器计算动作装置操作指示符。所述至少一个可调整监测参数的习得值是所述分类器的参数。
这种分类器特别是如在上述学习阶段期间确定的分类器。
因此,监测装置3能够监测动作装置2的操作。监测装置3从动作装置2接收状态传感器数据值,并使用习得的分类器来控制状态传感器数据是对应于动作装置的正确操作(即,动作装置的学习操作结束时或动作装置的学习操作后接近动作装置的操作的操作)还是对应于错误操作(即,对应于动作装置的学习操作的开始的操作或对应于以前从未见过的状态传感器数据的操作)。
以下给出操作监测的一些实施例。
在诸如汽车空调系统之类的自动车载系统的实施例中,状态传感器可以包括温度传感器。
如果汽车内部的温度是用温度传感器测量的并且对应于之前从未记录过的值,则可以确定动作装置的操作无效,例如因为之前从未遇到过该操作条件(例如非常高的温度)。
因此可以停止动作装置的操作,或者可以输出操作在受控操作范围之外的指示。
这同样可以用于医疗保健系统,例如血压监测器。
血压监测器的袖带的空气压力可以是具有压力传感器的记录器,以构建状态传感器数据。例如,如果监测装置3的分类器检测到状态传感器数据的值与在受监测装置的训练期间习得的值之间的偏差,则可以确定不能担保血压监测器的适当操作。
因此可以停止动作装置的操作,或者可以输出操作在受控操作范围之外的指示。
在这些实施例中,用于训练和操作动作装置2的输入传感器7可以与用于训练和操作监测装置3的状态传感器8相同。
然而,在其他实施方式中,输入传感器7和状态传感器8可以是不同的。
Claims (12)
1.一种监测装置(3),该监测装置用于监测动作装置(2)的操作,该动作装置设置有:
-分别能够由多个相应的命令信号命令的多个致动器模块(4);
-能够获取传感器数据的至少一个传感器模块(5);
-第一通信模块(12);和
-第一控制模块(6),所述第一控制模块能够接收所述传感器数据并产生多个命令信号以命令所述致动器模块(4)执行预定义任务,
所述监测装置(3)设置有:
-第二通信模块(14),该第二通信模块能够与所述动作装置(2)的所述第一通信模块(12)通信以从所述动作装置(2)接收监测数据,所述监测数据包括所述命令信号和所述传感器中的至少一者;和
-第二控制模块(16),该第二控制模块能够基于所述监测数据计算指示所述动作装置(2)的正确或异常操作的动作装置操作指示符,
所述监测装置(3)的特征在于,基于所述监测数据和至少一个可调整监测参数的至少一个习得值来计算所述动作装置操作指示符,
并且,基于在迭代学习过程期间至少部分地由所述动作装置(2)记录的多个试验数据集产生的一组标记数据来确定至少一个可调整监测参数的所述习得值,
其中,该监测装置还包括监测装置学习模块(11),该监测装置学习模块能够:
从所述动作装置接收多个试验数据集和至少一个测试数据集;
用至少一个第一标签标记所述试验数据集并且用至少一个第二标签标记所述至少一个测试数据集;和
通过训练分类器来对具有所述至少一个第一标签的所述试验数据集和具有所述至少一个第二标签的所述测试数据集分别进行分类,从而确定所述监测装置(3)的所述第二控制模块(16)的至少一个可调整监测参数的习得值,并且
其中,所述监测装置能操作成监测动作装置(2)的操作,其中基于所述传感器数据和至少一个可调整控制参数的习得值产生所述多个命令信号,
至少一个可调整控制参数的所述习得值由迭代学习过程确定,其中所述动作装置(2)利用所述至少一个可调整控制参数的至少两个不同值执行多个任务试验,同时记录相关联的多个试验数据集,每个试验数据集至少包括在任务试验期间产生的命令所述致动器模块(4)的命令信号和在命令所述致动器模块(4)时由所述传感器模块(5)获取的传感器数据,
并且其中由以下数据集产生所述一组标记数据:
在所述动作装置(2)的所述迭代学习过程中记录的所述动作装置(2)的所述试验数据集;和
通过将所述动作装置(2)的所述至少一个可调整控制参数设置为所述习得值并且命令所述动作装置(2)在记录所述至少一个测试数据集的同时执行至少一次所述预定义任务来记录至少一个测试数据集。
2.根据权利要求1所述的监测装置,其中,所述第二控制模块(16)借助分类器计算所述动作装置操作指示符,并且其中,至少一个可调整监测参数的所述习得值是所述分类器的参数。
3.一种包括动作装置(2)和监测装置(3)的监控系统,所述监测装置是根据权利要求1或2所述的监测装置,所述动作装置(2)设置有:
-分别能够由多个相应的命令信号命令的多个致动器模块(4);
-能够获取传感器数据的至少一个传感器模块(5);
-第一通信模块(12);和
-第一控制模块(6),该第一控制模块能够接收所述传感器数据并产生多个命令信号以命令所述致动器模块(4)执行预定义任务。
4.根据权利要求3所述的监控系统,其中,所述动作装置(2)的所述传感器模块(5)包括:
-能够获取输入传感器数据的至少一个输入传感器(7),所述动作装置(2)的所述第一控制模块(6)使用所述输入传感器数据,以产生所述多个命令信号;以及
-能够获取状态传感器数据的至少一个状态传感器(8),所述监测装置(3)的所述第二控制模块(16)使用所述状态传感器数据,以计算所述动作装置操作指示符。
5.根据权利要求4所述的监控系统,其中,所述输入传感器(7)是诸如相机之类的二维或三维传感器,并且其中所述状态传感器(8)是诸如振动传感器、噪音传感器、温度传感器、位置传感器、方位传感器或功率传感器之类的低维传感器。
6.根据权利要求3至5中任一项所述的监控系统,该监控系统还包括动作装置学习模块(10),其中,所述动作装置学习模块(10)能够:
命令所述动作装置(2)的所述第一控制模块(6)利用所述至少一个可调整控制参数的至少两个不同值执行多个预定义任务试验,并且利用所述至少一个可调整控制参数的习得值执行至少一个预定义任务;
分别记录多个试验数据集和至少一个测试数据集,每个试验数据集和测试数据集包括在相应的预定义任务试验期间产生的命令所述致动器模块(4)的命令信号以及在命令所述致动器模块的同时由所述传感器模块(5)获取的传感器数据;和
通过基于所述多个试验数据集的迭代学习过程确定所述动作装置(2)的所述第一控制模块(6)的至少一个可调整控制参数的所述习得值。
7.一种用于为监测装置编程的方法,所述监测装置为根据权利要求1或2所述的监测装置,所述方法包括:
-监测装置学习操作(300),其中,所述监测装置(3)的至少一个可调整监测参数的习得值由以下确定:
用至少一个第一标签标记(310)所述试验数据集并且用至少一个第二标签标记(310)所述至少一个测试数据集;
通过训练分类器来将具有所述至少一个第一标签的所述试验数据集和具有所述至少一个第二标签的所述测试数据集进行分类来确定(320)至少一个可调整监测参数的所述习得值。
8.一种用于为监控系统(1)编程的方法,所述监控系统为根据权利要求3至6中任一项所述的监控系统,所述方法包括:
-动作装置学习操作(100),其中所述动作装置(2)的所述第一控制模块(6)的至少一个可调整控制参数的习得值由迭代学习过程确定,该迭代学习过程包括:
命令所述动作装置(2)在记录相关联的多个试验数据集的同时利用所述至少一个可调整控制参数的至少两个不同值执行多个预定义任务试验,每个试验数据集包括在预定义任务试验期间产生的命令所述致动器模块(4)的命令信号和在命令所述致动器模块(4)时由所述传感器模块(5)获取的传感器数据,
-动作装置测试操作(200),其中,通过以下记录至少一个测试数据集:
将所述至少一个可调整控制参数设置为在所述动作装置学习操作期间确定的所述习得值;并且
命令所述动作装置(2)在记录至少一个相关联的测试数据集的同时执行至少一次所述预定义任务,所述至少一个测试数据集包括在所述预定义任务期间生成的命令所述致动器模块(4)的命令信号以及在命令所述致动器模块时由所述传感器模块(5)获取的传感器数据,
-执行根据权利要求7所述的用于为监测装置编程的方法。
9.根据权利要求8所述的方法,其中
在所述动作装置学习操作(100)期间,学习等级指示符与每个试验数据集相关联,并且指示所述任务试验与所述预定义任务的偏差,并且
在监测装置学习操作(300)期间,
用基于所述学习等级指示符定义的多个第一标签来标记所述试验数据集,并且
通过训练分类器分别用所述多个第一标签和所述至少一个第二标签分别对所述试验数据集和所述测试数据集进行分类,从而确定所述可调整监测参数的习得值。
10.根据权利要求9所述的方法,其中,所述预定义任务包括所述传感器数据的至少一个目标值,
并且其中,与试验数据集相关联的学习等级是与所述试验数据集相关联的所述预定义任务试验结束时的所述传感器数据的值与所述传感器数据的所述目标值之间的差异的函数,
特别地,其中,所述动作装置(2)的所述传感器模块(5)包括获取输入传感器数据的至少一个输入传感器(7)以及获取状态传感器数据的至少一个状态传感器(8),其中所述动作装置(2)的所述第一控制模块(6)基于所述输入传感器数据和所述至少一个可调整控制参数产生所述多个命令信号,并且其中所述预定义任务包括所述状态传感器数据的至少一个目标值。
11.根据权利要求8至10中任一项所述的方法,其中,所述动作装置学习操作(100)涉及强化学习和/或无监督学习算法,
并且其中所述监测装置学习操作(300)涉及监督学习算法。
12.一种非暂时性计算机可读存储介质,其上存储有包括程序指令的计算机程序,所述计算机程序能加载到根据权利要求1或2所述的监测装置(3)的监测装置学习模块(11)中并且适于当所述监测装置学习模块运行所述计算机程序时,致使所述监测装置学习模块(11)执行根据权利要求7所述的方法的步骤。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/IB2017/000187 WO2018158601A1 (en) | 2017-03-01 | 2017-03-01 | Monitoring devices, monitored control systems and methods for programming such devices and systems |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110167720A CN110167720A (zh) | 2019-08-23 |
CN110167720B true CN110167720B (zh) | 2022-02-25 |
Family
ID=58358755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780082093.9A Active CN110167720B (zh) | 2017-03-01 | 2017-03-01 | 监测装置、监控系统和用于对其进行编程的方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11042149B2 (zh) |
EP (1) | EP3589457B1 (zh) |
CN (1) | CN110167720B (zh) |
WO (1) | WO2018158601A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018127518A1 (de) * | 2018-11-05 | 2020-05-07 | Advanced Realtime Tracking Gmbh | Vorrichtung und Verfahren zur Bearbeitung mindestens eines Arbeitsbereiches mit einem Bearbeitungswerkzeug |
CN109773787A (zh) * | 2018-12-29 | 2019-05-21 | 南京埃斯顿机器人工程有限公司 | 机械设备的控制学习方法及其具备学习功能的服务器系统 |
WO2022123558A1 (en) * | 2020-12-07 | 2022-06-16 | Polygon T.R Ltd. | Systems and methods for automatic electrical wiring with an end-effector |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE68924201D1 (de) * | 1988-06-13 | 1995-10-19 | Nissan Motor | Lernverfahren und -system für Roboter. |
WO2010122445A1 (en) * | 2009-04-23 | 2010-10-28 | Koninklijke Philips Electronics N.V. | Object-learning robot and method |
WO2011161304A1 (en) * | 2010-06-24 | 2011-12-29 | Zenrobotics Oy | Method for the selection of physical objects in a robot system |
CN102528809A (zh) * | 2010-11-05 | 2012-07-04 | 佳能株式会社 | 机器人控制设备 |
WO2016033247A2 (en) * | 2014-08-26 | 2016-03-03 | Mtelligence Corporation | Population-based learning with deep belief networks |
EP3070547A2 (en) * | 2015-03-16 | 2016-09-21 | Rockwell Automation Technologies, Inc. | Cloud-based analytics for industrial automation |
WO2016164326A1 (en) * | 2015-04-10 | 2016-10-13 | Microsoft Technology Licensing, Llc | Automated collection and labeling of object data |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101374415B1 (ko) | 2009-09-04 | 2014-03-17 | 미쓰비시덴키 가부시키가이샤 | 엘리베이터 제어장치 |
US9842302B2 (en) | 2013-08-26 | 2017-12-12 | Mtelligence Corporation | Population-based learning with deep belief networks |
JP2017506169A (ja) * | 2014-02-20 | 2017-03-02 | マーク オレイニク | ロボット調理キッチン内の食品調製のための方法及びシステム |
US10518409B2 (en) * | 2014-09-02 | 2019-12-31 | Mark Oleynik | Robotic manipulation methods and systems for executing a domain-specific application in an instrumented environment with electronic minimanipulation libraries |
-
2017
- 2017-03-01 WO PCT/IB2017/000187 patent/WO2018158601A1/en unknown
- 2017-03-01 EP EP17711745.4A patent/EP3589457B1/en active Active
- 2017-03-01 CN CN201780082093.9A patent/CN110167720B/zh active Active
- 2017-03-01 US US16/479,944 patent/US11042149B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE68924201D1 (de) * | 1988-06-13 | 1995-10-19 | Nissan Motor | Lernverfahren und -system für Roboter. |
WO2010122445A1 (en) * | 2009-04-23 | 2010-10-28 | Koninklijke Philips Electronics N.V. | Object-learning robot and method |
WO2011161304A1 (en) * | 2010-06-24 | 2011-12-29 | Zenrobotics Oy | Method for the selection of physical objects in a robot system |
CN102528809A (zh) * | 2010-11-05 | 2012-07-04 | 佳能株式会社 | 机器人控制设备 |
WO2016033247A2 (en) * | 2014-08-26 | 2016-03-03 | Mtelligence Corporation | Population-based learning with deep belief networks |
EP3070547A2 (en) * | 2015-03-16 | 2016-09-21 | Rockwell Automation Technologies, Inc. | Cloud-based analytics for industrial automation |
WO2016164326A1 (en) * | 2015-04-10 | 2016-10-13 | Microsoft Technology Licensing, Llc | Automated collection and labeling of object data |
Also Published As
Publication number | Publication date |
---|---|
EP3589457A1 (en) | 2020-01-08 |
WO2018158601A1 (en) | 2018-09-07 |
CN110167720A (zh) | 2019-08-23 |
US20190339679A1 (en) | 2019-11-07 |
US11042149B2 (en) | 2021-06-22 |
EP3589457B1 (en) | 2022-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10675765B2 (en) | Control system and method for applying force to grasp a target object | |
CN110167720B (zh) | 监测装置、监控系统和用于对其进行编程的方法 | |
CN106251430B (zh) | 用于控制车辆进入部件的系统和方法 | |
US11592800B2 (en) | Abnormality detector of a manufacturing machine using machine learning | |
CN110187694B (zh) | 故障预测装置以及机器学习装置 | |
US20100058850A1 (en) | Method to test a brake of a robot | |
US9002775B1 (en) | Systems and methods for estimating a remaining useful life of an item | |
CN112203812B (zh) | 机器人系统及追加学习方法 | |
CN108472809B (zh) | 机器人和用于运行机器人的方法 | |
US20170165839A1 (en) | Control system and method for brake bleeding | |
EP3001164B1 (en) | Evaluation of static brake torque in a robot | |
CN113748597B (zh) | 电动机控制装置 | |
CN109212507A (zh) | Lidar传感器对准系统 | |
US20180011479A1 (en) | Error diagnosis method and error diagnosis system | |
KR102024454B1 (ko) | 고장 진단 장치 및 고장 진단 방법 | |
US11897137B2 (en) | Method of identifying robot model automatically and safely | |
CN116569120A (zh) | 信息处理装置及信息处理方法 | |
US10955836B2 (en) | Diagnosis system and electronic control device | |
US20210008736A1 (en) | Malfunction detection device and malfunction detection method | |
JP6947908B2 (ja) | 少なくとも1つの使用者の動きを支援する方法及び対応する装置 | |
CN110036218A (zh) | 用于操纵混合动力传动系的离合器的方法以及具有离合器的动力传动系 | |
JP7098062B2 (ja) | ロボットの動作調整装置、動作制御システムおよびロボットシステム | |
KR102193914B1 (ko) | 위치 추정 상태 진단 방법 및 이를 수행하는 자율주행로봇 | |
US11599104B2 (en) | System control based on time-series data analysis | |
CN117546114A (zh) | 用于诊断具有至少一个用于调节工艺流体的调节装置的工艺过程设备的控制和/或调整系统的方法和控制和/或调整系统 |
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 |