CN111712357A - 用于确定机器人装置的优化移动序列的方法和设备 - Google Patents
用于确定机器人装置的优化移动序列的方法和设备 Download PDFInfo
- Publication number
- CN111712357A CN111712357A CN201980014824.5A CN201980014824A CN111712357A CN 111712357 A CN111712357 A CN 111712357A CN 201980014824 A CN201980014824 A CN 201980014824A CN 111712357 A CN111712357 A CN 111712357A
- Authority
- CN
- China
- Prior art keywords
- robotic device
- item
- pose
- uncertainty
- moving
- 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
Links
Images
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
- B25J9/1628—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
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1671—Programme controls characterised by programming, planning systems for manipulators characterised by simulation, either to verify existing program or to create and verify new program, CAD/CAM oriented, graphic oriented programming systems
-
- 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
- B25J9/1679—Programme controls characterised by the tasks executed
- B25J9/1687—Assembly, peg and hole, palletising, straight line, weaving pattern movement
Abstract
本发明涉及一种方法,所述方法用于确定机器人装置的优化移动序列,以用于移动第一对象,使得第一对象被带到目标位置中而不管关于第二对象的第一对象的位置的不确定性且/或不管机器人装置的位置的不确定性。所述方法包括:模拟机器人装置的移动部段,同时考虑第一对象的位置的不确定性和/或机器人装置的位置的不确定性;以及确定机器人装置的优化移动序列,同时考虑指定第一对象的至少一个起始位置和目标位置的模拟移动部段和边界条件。确定优化移动序列,通过所述优化移动序列,机器人装置能够将所述第一对象可靠地引导至其目标位置中。
Description
技术领域
本发明涉及一种用于确定机器人装置的优化移动序列(sequence)的方法以及用于执行这种方法的设备。
背景技术
机器人装置能够用于工业安装中,例如为了移动物品(特别是工件)和/或将它们带到一起。能够总体上参考通过机器人装置的移动序列被带到参考第二物品的目标姿势的第一物品。可以需要对移动序列进行优化,使得即使在干扰的情况下且/或在物品的模型表示中的错误的情况下,第一物品被正确地带到目标姿,。
S. M. Lavalle等人的文献“用于在感测和控制不确定性下进行移动规划的基于目标的框架(An objective-based framework for motion planning under sensing andcontrol uncertainties)”(国际机器人研究杂志,1998年1月1日(International journalof robotics research, January 1, 1998))涉及机器人移动序列的优化。这是通过在考虑要移动的物品的姿势的不确定性的同时模拟和评估未来状态来实现的。
S. Kim等人的文献“利用模拟辅助物理推理在不确定性下进行的零件组装规划(Parts assembly planning under uncertainty with simulation-aided physicalreasoning)”(关于机器人学和自动化的2017 IEEE会议,2017年5月29日(2017 IEEEconference on robotics and automation, May 29, 2017))描述了借助于机器人对物品的汇聚进行优化。
Y. Huang等人的文献“用于具有基本姿势不确定性的操纵器的受碰撞概率约束的PRM(Collision-probability constrained PRM for a manipulator with base poseuncertainty)”(智能机器人和系统,2009(Intelligent robots and Systems, 2009))涉及布置在移动平台上的机器人的移动规划。
在此背景下,本发明的目的是提供对机器人装置的优化移动序列的改进确定。
发明内容
根据第一方面,提出了一种方法,该方法用于确定机器人装置的优化移动序列,以用于移动第一物品,使得第一物品被带到目标姿势,而不管参考第二物品的第一物品的姿势的不确定性和/或不管机器人装置的姿势的不确定性。方法包括:
模拟机器人装置的移动部段,同时考虑第一物品的姿势的不确定性和/或机器人装置的姿势的不确定性;以及
确定机器人装置的优化移动序列,同时考虑指示第一物品的至少一个起始姿势和目标姿势的模拟移动部段和约束。
例如,机器人装置是机器人、机器人手臂或能够执行特定移动序列和/或移动部段的装置。机器人装置能够用于自动化制造过程中,特别是用于工业安装中或包装过程中。
机器人装置特别适合用于参考第二物品将第一物品带到目标姿势。例如,在这种情况下,能够将第一物品和第二物品(随后也一起被称为“物品”)带到一起。第一物品能够被机器人装置插入到第二物品中或放置到第二物品上,以便随后将物品彼此附接。参考第二物品的姿势的第一物品的最终姿势能够被称为目标姿势。
对象的“姿势”被理解为特别地意指这个对象的位置和/或取向。术语“目标姿势”和“起始姿势”能够被类似地限定。
移动序列能够被理解为意指机器人装置的一系列单独移动。移动序列能够包括多种移动部段。特别地,多个移动部段能够放在一起,使得它们形成移动序列。移动序列和/或移动部段能够指示例如机器人装置应当沿坐标系移动第一物品的方向、机器人装置应当移动第一物品的速度和/或机器人在这种情况下应当施加的力,特别是在阻抗控制的背景下。
移动部段的模拟特别地涉及物理模拟。移动部段能够通过使用模拟器来模拟。例如,模拟器是再现动态系统(第一物品和机器人装置)的固态模拟器。特别地,每个移动部段都能够通过移动部段起始姿势和移动部段目标姿势来描述。模拟期间,随机移动部段能够从初始姿势开始确定。模拟移动部段的多个实例能够相关地形成移动序列。
模拟器特别适合用于模拟复杂的移动部段。事实上,移动序列能够包括处于高达六个自由度(三个旋转和三个平移)中的移动。此外,机器人装置与第一物品的接触和/或两个物品之间的接触能够产生一定量的难以建模的非线性。此外,其中将第一物品带到目标姿势的过程是动态过程,这就是为什么至少速度也能够包括在模拟中。
第一物品的姿势的不确定性特别指的是关于第一物品所存在的精确位置的不确定性。第一物品的姿势的不确定性特别参考第二物品来限定,这就是为什么第二物品的姿势的不确定性也能够被第一物品的姿势的不确定性覆盖。第一物品的姿势的不确定性能够是由于第一物品和/或第二物品具有一定量的弹性和/或具体的摩擦系数而产生的,该一定量的弹性和/或具体的摩擦系数不被第一物品和/第二物品的模型表示考虑。第一物品的姿势的不确定性并不特别总是恒定的,并且能够因物品而异。
机器人装置的不确定性特别描述了关于机器人装置所在的精确位置的不确定性。机器人装置的不确定性也能够是机器人装置的不精确的模型表示的反映。进一步地,机器人装置的不确定性能够代表机器人装置的移动中的中断。
所描述的方法能够涉及被模拟的多个移动部段,特别是二十个移动部段或更多。这些模拟中的每一个能够考虑第一物品的姿势的不确定性和/或机器人装置的姿势的不确定性。在下文,第一物品的姿势的不确定性和机器人装置的姿势的不确定性被一起称为“姿势的不确定性”。
特别地,移动部段的每个模拟考虑用于姿势的不确定性的不同值。此外,也可以考虑机器人装置的性能(也称机器人装置性能)和/或第一物品和/或第二物品的物品性能,这些性能将在下文进行更详细的描述。
移动部段的模拟特别导致多种模拟移动部段被获得。例如,单独的模拟移动部段随后关于其质量被评估。它们也能够组合以形成优化移动序列。
模拟移动部段的评估特别导致机器人装置的优化模拟序列被确定。为了确定优化移动序列,第一物品的起始姿势和目标姿势能够被考虑为约束。起始姿势特别是机器人装置根据移动序列移动第一物品并且将其引导进入目标姿势中之前的第一物品的姿势。
优化移动序列是移动序列,该移动序列特别允许机器人装置引导第一物品进入目标姿势中,即使第一物品和/或机器人装置的姿势存在不确定性。也就是说,由机器人装置沿相同的优化移动序列移动的两个不同的第一物品均能够被引导进入目标姿势中,即使它们受不同的不确定性影响。
优化移动序列的确定特别允许第一物品可靠地移动到目标姿势。特别地,提供了优化移动序列,该优化移动序列引导第一物品进入期望目标姿势中——尽管存在模型错误和其它可变干扰。例如,没有必要使用复杂的方法来试图尽可能减少模型错误和/或尽可能排除干扰。
优化移动序列能够被灵活地确定,因为这种确定是自动执行的。特别地,即使对于应当用机器人装置只执行一次或几次的移动,也可以确定优化移动序列,因为优化移动序列能够用很少的工作量来确定。由于在考虑了第一物品的姿势的不确定性和/或机器人装置的姿势的不确定性的同时确定了优化移动序列,所描述的方法能够以特别通用的方式使用。当确定优化移动序列时,也可以参考优化移动序列的规划,特别是kinodynamic规划。
在实施例中,方法还包括:用机器人装置来执行优化移动序列,使得第一物品被引导进入参考第二物品的目标姿势中。
根据一个实施例,机器人装置具有补偿性能,该补偿性能用于针对第一物品的姿势的不确定性和/或机器人装置的姿势的不确定性对机器人装置进行部分补偿;并且其中
优化移动序列的确定包括确定机器人装置的优化补偿性能,或在考虑机器人装置的预定补偿性能的同时进一步模拟移动部段。
机器人装置的补偿性能(其用于针对姿势的不确定性对机器人装置进行部分补偿)在下文也被称为“顺从性”。例如,这是机器人装置的弹簧动作或阻尼行为。此外,基于机器人装置的顺从性控制,特别是基于机器人装置的阻抗监测,也能够针对姿势的不确定性对机器人装置进行补偿。
当确定优化移动序列时,能够确定(特别是计算)顺从性。替代地,顺从性已经可以是用于移动部段的模拟的输入值,使得在考虑机器人装置的预定顺从性的同时模拟移动部段。
机器人装置的顺从性特别用于防止机器人装置破坏自身、第一物品和/或第二物品,因为由于一个不确定性它在它/它们旁边握持。
根据另一实施例,第一物品和/或机器人装置的姿势的不确定性是统计不确定性分布的选定值。
特别地,第一物品的姿势的不确定性是基于第一不确定性分布来建模的,并且机器人装置的姿势的不确定性是基于另一不确定性分布来建模的。不确定性特别能够假设不同的值。这些值的分布可以以统计不确定性分布来表达。能够从这种不确定性分布选择第一物品和/或机器人装置的姿势的不确定性,其值在模拟移动部段时使用。
根据另一实施例,第一物品和/或机器人装置的姿势的不确定性是通过随机抽样从统计不确定性分布选择的。
特别地,也就是说,第一物品和/或机器人装置的姿势的不确定性是在随机的基础上从不确定性分布选择的。通过随机抽样进行的选择特别用于再现不确定性密度函数。
根据另一实施例,在考虑第一物品和/或机器人装置的姿势的不确定性的不同值的同时模拟多个移动部段。
例如,不同的不确定性值是用于相同的移动部段的多个模拟的。这些不同的不确定性值能够从统计不确定性分布中得到。
根据另一实施例,移动部段的模拟涉及随机确定多个移动部段,这些移动部段全部是从机器人装置的相同的移动部段起始姿势出发的。方法还包括:
随机选择移动部段目标姿势以用于多个模拟移动部段中的一个,并且将该选定的移动部段目标姿势规定为新的移动部段起始姿势;
重复移动部段的模拟、移动部段目标姿势的随机选择以及选定的移动部段目标姿势作为新的移动部段起始姿势的规定,直到多个模拟移动部段中的一个的移动部段目标姿势处于预定目标区域中。
用于模拟移动部段的起始点最初特别是移动部段起始姿势。移动部段起始姿势能够是第一物品的起始姿势。多个移动部段能够从该移动部段起始姿势模拟。这些移动部段特别是随机移动部段,它们全部具有移动部段起始姿势作为初始姿势。然而,单独的模拟移动部段能够有不同的移动部段目标姿势。
在模拟期间,单个的移动部段目标姿势特别是从这些多个移动部段目标姿势随机选择的。选定的移动部段目标姿势被限定为新的起始点,即新的移动部段起始姿势。从这个新的移动部段起始姿势,多个移动部段能够再次被随机模拟,这转而能够具有不同的(新的)移动部段目标姿势。(新的)移动部段目标姿势中的一个能够再次被随机选择,以便使用其作为进一步的移动部段起始姿势。
模拟移动部段、随机选择移动部段目标姿势以及将选定的移动部段目标姿势规定为新的移动部段起始姿势的步骤能够迭代地重复。特别地,它们重复,直到检测到模拟移动部段的移动部段目标姿势处于目标区域中。目标区域特别包括目标姿势。
当移动部段目标姿势处于目标区域中时,能够停止模拟,并且能够将导致目标区域的单独的移动部段放在一起,以便获得优化移动序列。
根据另一实施例,机器人装置的优化移动序列是通过将模拟移动部段中的至少两个放在一起来确定的。
根据另一实施例,移动部段的模拟考虑至少一个机器人装置性能、第一物品的第一物品性能和/或第二物品的第二物品性能。
根据另一实施例,机器人装置性能至少包括:
可由机器人装置施加的最大力;
机器人装置的模型表示;和/或
机器人装置的可能移动。
可由机器人装置施加的最大力特别是机器人装置沿特定方向的力极限。机器人装置的模型表示能够是CAD(计算机辅助设计)模型,并且例如指示机器人装置多大。机器人装置的可能移动也特别表示机器人装置能够执行的那些移动。
根据另一实施例,第一物品性能和/或第二物品性能(随后也被一起称为“物品性能”)至少包括:
第一物品和/或第二物品的摩擦系数;
第一物品和/或第二物品的大小和/或形状;
第一物品和/或第二物品的模型表示;
第一物品和/或第二物品的重量;和/或
第一物品和/或第二物品的材料性能。
第一物品和/或第二物品的模型表示能够是CAD模型。由于在考虑了机器人装置性能和/或物品性能的同时确定了优化移动序列,优化移动序列能够以专用方式确定。
根据另一实施例,优化移动序列的确定包括:
计算每个模拟移动部段的成本函数;以及
基于计算的成本函数确定优化移动序列。
成本函数特别是模拟移动部段适合程度的指示。
根据一个实施例,方法还包括:
基于模拟移动部段确定多个移动序列;
基于相应的移动序列的移动部段的成本函数计算每个移动序列的总成本函数;以及
从多个移动序列选择具有最小总成本函数的移动序列作为优化移动序列。
从多个移动部段编译的移动序列能够具有总成本函数,该总成本函数是移动序列的单独的移动部段的成本函数的总和。优化移动序列能够是经过多次通过之后其总成本函数最小的移动序列。
根据一个实施例,方法还包括:
基于模拟移动部段确定第一移动序列;
确定包括至少两个移动部段的移动序列部分;
计算移动序列部分的成本函数;以及
如果移动序列部分的成本函数低于第一移动序列的成本函数,则进一步追踪移动序列部分。
移动序列特别是以步骤来确定的。通过每一个步骤,移动部段能够附加到现有的移动序列部分,并且能够执行检查以确定所得的移动序列部分的成本函数是否超过预定值。预定值能够是之前确定的移动序列(即第一移动序列)的成本函数。特别地,如果移动序列部分的成本函数已经高于第一移动序列的成本函数,则不会进一步追踪该移动序列部分。也就是说,例如,没有进一步的移动部段被附加,以便获得完整的移动序列。特别地,可以确保只有在成本函数方面为良好的移动序列部分才会被进一步追踪。这允许计算工作量显著减少。特别地,用于优化移动序列的解决方案能够用很少的计算工作量来找到。
根据另一实施例,成本函数包含以下各者的指示:
模拟移动部段的质量;
与模拟移动部段对应的路径的长度;
模拟移动部段的执行的持续时间;
模拟移动部段的执行的能量消耗;和/或
在模拟移动部段的执行期间发生在第一物品和/或第二物品上的力。
路径(也称为移动的路径)特别是在机器人装置执行模拟移动部段时第一物品沿其移动的路线。
根据另一实施例,第一物品的姿势的不确定性表示用于第一物品和/或第二物品的模型的不确定性和/或第一物品和/或第二物品的生产公差。
例如,所使用的模型的不确定性能够是第一物品和/或第二物品的模型表示中的错误。例如,这种错误能够是,模型不考虑第一物品和/或第二物品的弹性。
根据第二方面,提出了一种计算机程序产品,该计算机程序产品促使在程序控制的装置执行根据第一方面或根据第一方面的实施例的方法。
例如,能够提供或供应计算机程序产品(诸如计算机程序器具(means))作为存储介质,诸如例如存储卡、USB记忆棒、CD-ROM、DVD或其它形式的可从网络中的服务器下载的文件。例如,在无线通信网络中,这能够通过传输包含计算机程序产品或计算机程序器具的适当文件来实现。
根据第三方面,提出了一种设备,该设备用于确定机器人装置的优化移动序列以用于移动第一物品,使得第一物品被带到目标姿势,而不管参考第二物品的第一物品的姿势的不确定性且/或不管机器人装置的姿势的不确定性。设备包括:
模拟单元,该模拟单元用于模拟机器人装置的移动部段,同时考虑第一物品的姿势的不确定性和/或机器人装置的姿势的不确定性;以及
确定单元,该确定单元用于确定机器人装置的优化移动序列,同时考虑指示第一物品的至少一个起始姿势和目标姿势的模拟移动部段和约束。
相应的单元,例如模拟单元或确定单元,能够实施在硬件中和/或也能够实施在软件中。在硬件实施方式的情况下,相应的单元能够是设备的形式或设备的一部分的形式,例如计算机的形式或微处理器的形式或车辆的控制计算机的形式。在软件实施方式的情况下,相应的单元能够是计算机程序产品的形式、函数的形式、例程的形式、程序代码的一部分的形式或可执行对象的形式。
根据一个实施例,设备适合用于执行根据第一方面或根据第一方面的实施例的方法。
用于所提出的方法的描述的实施例和特征相应地适用于所提出的设备。
本发明的另外的可能实施方式还包括上文或下文关于示例性实施例描述的特征或实施例的没有明确提到的组合。本领域技术人员也将添加单独的方面以作为对本发明的相应的基本形式的改进或补充。
附图说明
本发明的另外的有利配置和方面是从属权利要求的主题,而且也是本发明的下述示例性实施例的主题。参考附图基于优选实施例在下文进行更详细地解释本发明。
图1示出了制造设备的示例,其中,第一物品处于起始姿势中;
图2示出了制造设备的示例,其中,第一物品处于目标姿势中;
图3示出了根据第一实施例的用于确定机器人装置的优化移动序列的方法;
图4示出了根据第二实施例的用于确定机器人装置的优化移动序列的方法;
图5示出了正沿优化移动序列移动的第一物品的示例;以及
图6示出了根据实施例的用于确定机器人装置的优化移动序列的设备。
在图中,相同或具有相同功能的要素已经设置有相同的附图标记,除非另有指示。
具体实施方式
图1示出了制造设备10的示例。制造设备10是自动化工业系统的一部分。它包括机器人装置3、第一物品1和第二物品2。
第一物品1是由塑料制成的圆柱形工件。选择第一物品1的大小,使得第一物品1能够插入到第二物品2中的钻孔9中。第二物品2是另一个塑料零件。
机器人装置3是用于组装部件的机器人。机器人装置3是可编程的,以执行不同的移动序列。例如,它能够引导第一物品1进入第二物品2中的钻孔9中。为了这个目的,机器人装置3包括能够握持第一物品1的机器人手臂11。
图1描绘了机器人手臂11如何保持第一物品1处于起始姿势SP中。基于合适的经过编程的移动序列,机器人装置3引导第一物品1进入第二物品中2的钻孔9中,使得第一物品1达到目标姿势ZP。这在图2中进行了描绘。
第一物品1的姿势表示第一物品的位置和取向的组合,并且是相对于第二物品2的姿势(位置和取向)来限定的。
参考第二物品2的第一物品1的姿势具有一定程度的不确定性。这种不确定性是基于第一物品1和第二物品2的难以评估和建模的物理性能产生的。例如,这些物理性能能够是形成第一物品1和/或第二物品2的材料的弹性或摩擦系数。
此外,机器人装置3的姿势也具有一定程度的不确定性。
为机器人装置3指定的移动序列可靠地引导第一物品1进入其目标姿势ZP中,而不管第一物品1的姿势的不确定性并且不管机器人装置3的姿势的不确定性。这种移动序列具体被称为“优化移动序列”。
机器人装置3具有补偿性能(下文也称为“顺从性”),该补偿性能用于至少部分地补偿第一物品1的姿势的不确定性和/或机器人装置3的姿势的不确定性。为了这个目的,机器人装置3具有弹簧系统,未描绘。
优化移动序列能够使用用于确定机器人装置3的优化移动序列的方法来确定。图3示出了根据第一实施例的这种方法的示例。
在(可选的)制备步骤S0中,提供机器人装置3和两个物品1、2。
在步骤S1中,模拟机器人装置3的移动部段。移动部段与机器人装置3的移动序列对应。移动部段是使用固态模拟器来模拟的。总共模拟了至少三十个移动部段。在考虑相同的预定机器人装置性能以及第一物品1和第二物品2的相同的第一物品性能和第二物品性能的同时,实现全部移动部段的模拟。机器人装置性能是可由机器人装置3施加的最大力和机器人装置3的可能移动。物品性能是第一物品1和第二物品2的CAD模型表示以及这些物品1、2的材料性能。这些性能能够是由用户为模拟器指定的。
不同的移动序列的模拟考虑第一物品1的姿势的不确定性和机器人装置3的姿势的不确定性的不同值。不确定性值是在随机的基础上从统计不确定性分布选择的。
在步骤S2中,使用在步骤S1中模拟的移动部段来确定优化移动序列。这是在考虑第一物品1的起始姿势SP和目标姿势ZP的同时实现的。在步骤S2中,将模拟移动部段的多个实例放在一起,使得它们形成机器人装置3的移动序列,该移动序列允许机器人装置3将第一物品1从起始姿势SP引导进入目标姿势ZP中。由多个模拟移动部段组合而成的这种移动序列与优化移动序列对应。基于优化移动序列,机器人装置3能够可靠地引导第一物品1进入目标姿势ZP中,而不管第一物品1的姿势的不确定性且不管机器人装置的姿势的不确定性。由机器人装置3所施加的弹性被确定为优化移动序列的一部分。
图4示出了根据第二实施例的用于确定机器人装置的优化移动序列的方法。根据第二实施例的方法的步骤S0与已经关于根据第一实施例(图3)的方法描述的步骤S0对应,因此不会再进行描述。
在根据第二实施例的方法中,模拟步骤S1包括步骤S10至S13。在步骤S10中,随机确定全部是从机器人装置的相同的移动部段起始姿势出发的多个移动部段。用于第一次通过的移动部段起始姿势是第一物品1的起始姿势。模拟移动部段具有不同的移动部段目标姿势。
在步骤S11中,确定移动部段目标姿势中的一个是否处于目标区域中。目标区域能够包括第一物品1的目标姿势。
如果目标区域中没有移动部段目标姿势,则执行步骤S12和S13。在步骤S12中,随机选择多个模拟移动部段中的一个的移动部段目标姿势。在步骤S13中,将在步骤S12中选择的移动部段目标姿势规定为新的移动部段起始姿势。
在步骤S12和S13之后,再次执行步骤S10和S11。也就是说,再次模拟多个移动部段,这次所有的移动部段都有相同的新的移动部段起始姿势作为移动部段起始姿势。
重复步骤S10、S11,可能还有步骤S12和S13,直到在步骤S11中确定基于模拟获得的移动部段目标姿势中的一个处于目标区域中。
在这种情况下,执行步骤S2。步骤S2包括步骤S20、S21、S22、S23和S24。在步骤S20中,将已经导致在目标区域中存在移动部段目标姿势的模拟移动部段进行组合。这些组合的移动部段形成移动序列。
在步骤S21中,计算在步骤S20中形成的移动序列的总成本函数。这是通过计算和合计形成移动序列的单独的移动部段的成本函数来实现的。在这种情况下,成本函数是模拟移动部段的执行的持续时间的指示。期望最小化整个移动序列的执行的持续时间,因为这允许增加给定时间内的制造量。因此,对总成本函数的计算用于简化对优化移动序列的确定。
在步骤S22中,确定总成本函数是否低于之前确定的(第一)移动序列的之前计算的总成本函数。如果是这种情况,则保持步骤S20中所确定的移动序列(步骤S23)。如果总成本函数不低于之前确定的(第一)移动序列的之前计算的总成本函数,则拒绝步骤S20中所确定的移动序列(步骤S24)。如果步骤S20中所确定的移动序列是第一移动序列,则执行步骤S23。
步骤S1和S2能够按照需要重复多次,以最小化步骤S20中所确定的移动序列。重复在图4中是使用箭头W来描绘的。在预定次数的重复(即通过)后,将步骤S23中所保持的最后移动序列确定为步骤S3中的优化移动序列。
在步骤S4中,机器人装置3沿步骤3中所规定的优化移动序列移动第一物品1,并且在这样做时引导第一物品1进入目标姿势ZP中。第一物品1的这种移动在图5中示出。
图5示出了正沿优化移动序列8移动的第一物品1a至1d的示例。图5描绘了四个第一物品1a至1d。这四个第一物品1a至1d与参考图1描述的第一物品1对应。第一物品1a至1d由于其参考第二物品2的精确姿势而彼此不同,但是在其它方面是相同的。姿势差异与第一物品1a至1d的姿势的之前描述的不确定性和机器人装置3的姿势的之前描述的不确定性对应。
图5描绘了第一物品1a至1d的姿势I至V,其中,姿势I与第一物品1a至1d的起始姿势SP对应,并且姿势V与第一物品1a至1d的目标姿势ZP对应。姿势II、III和IV与起始姿势SP和目标姿势ZP之间的第一物品1a至1d的姿势对应。
在图5中所描绘的姿势I至V中的每一个中,将第一物品1a至1d彼此堆叠地描绘。然而,每次只相对于第二物品2引导单个第一物品1a至1d。第一物品1a至1d由机器人装置3移动,尽管为了清楚起见在图5中没有对此进行描绘。
在姿势II、III和IV中的每一个中,描绘了优化移动序列8的部分8a至8c,机器人装置3已经沿该优化移动序列8引导第一物品1。整个优化移动序列8在姿势V中是可见的。
第一物品1a至1d全部沿相同的优化移动序列8被引导进入目标姿势ZP中,尽管其姿势有差异。在目标姿势ZP中,所有第一物品1a至1d被正确地布置在第二物品2中的钻孔9中。因此,优化移动序列允许第一物品1a至1d被可靠地引导进入其目标姿势ZP中,而不管第一物品1a至1d的姿势中的不确定性且不管机器人装置3的姿势中的不确定性。
图6示出了根据一个实施例的用于确定机器人装置3的优化移动序列的设备4。例如,设备4包括模拟单元5和确定单元6,它们经由内部线路7相互连接。
模拟单元5适合用于在考虑第一物品1、1a至1d的姿势的不确定性和/或机器人装置3的姿势的不确定性的同时,模拟机器人装置3的移动部段。确定单元6适合用于在考虑至少指示第一物品1、1a至1d的起始姿势SP和目标姿势ZP的模拟移动部段和约束的同时,确定机器人装置3的优化移动序列。
设备4适合用于执行根据第一实施例和/或第二实施例(图3和图4)的用于确定优化移动序列的方法。
虽然已经基于示例性实施例描述了本发明,但是它可以多种方式进行修改。例如,可以确定移动序列部分和计算这些移动序列部分的成本函数,同时正实际模拟移动部段。特别地,只有其成本函数低于之前确定的移动序列的成本函数的移动序列部分被进一步追踪。也能够想象,机器人装置3将第一物品1放在或压在第二物品2上。例如,除了指示模拟移动部段的执行的持续时间或作为其替代,成本函数也能够指示模拟移动部段的执行的能量消耗和/或发生在第一物品上的力。
Claims (15)
1. 一种方法,所述方法用于确定机器人装置(3)的优化移动序列(8)以用于移动第一物品(1、1a-1d),使得所述第一物品(1、1a-1d)被带到目标姿势(ZP),而不管参考第二物品(2)的所述第一物品(1、1a-1d)的姿势的不确定性且/或不管所述机器人装置(3)的姿势的不确定性,其中,所述方法包括:
模拟(S1)所述机器人装置(3)的移动部段,同时考虑所述第一物品(1、1a-1d)的所述姿势的所述不确定性和/或所述机器人装置(3)的所述姿势的所述不确定性;以及
确定(S2)所述机器人装置(3)的所述优化移动序列(8),同时考虑指示所述第一物品(1、1a-1d)的至少一个起始姿势(SP)和所述目标姿势(ZP)的模拟移动部段和约束,其中
所述机器人装置(3)具有顺从性,所述顺从性用于针对所述第一物品(1、1a-1d)的所述姿势的所述不确定性和/或所述机器人装置(3)的所述姿势的所述不确定性对所述机器人装置(3)进行部分补偿;并且其中
进一步模拟所述移动部段,同时考虑所述机器人装置(3)的预定顺从性。
2.根据权利要求1所述的方法,
其特征在于,
所述优化移动序列(8)的确定包括确定所述机器人装置(3)的优化顺从性。
3.根据权利要求1或2所述的方法,
其特征在于,
所述第一物品(1、1a-1d)和/或所述机器人装置(3)的所述姿势的所述不确定性是统计不确定性分布的选定值,特别是通过随机抽样选择的值。
4.根据权利要求1至3中的一项所述的方法,
其特征在于,
模拟所述多个移动部段,同时考虑所述第一物品(1、1a-1d)和/或所述机器人装置(3)的所述姿势的所述不确定性的不同值。
5.根据权利要求1至4中的一项所述的方法,
其特征在于,
所述移动部段的模拟(S1)涉及随机确定(S11)多个移动部段,所述多个移动部段全部是从所述机器人装置(3)的相同的移动部段起始姿势出发的;其中,所述方法还包括:
随机选择(S12)用于多个模拟移动部段中的一个的移动部段目标姿势,并且将这个选定的移动部段目标姿势规定(S13)为新的移动部段起始姿势;以及
重复所述移动部段的模拟(S11)、移动部段目标姿势的随机选择(S12)以及所述选定的移动部段目标姿势作为新的移动部段起始姿势的规定(S13),直到所述多个模拟移动部段中的一个的移动部段目标姿势在预定目标区域中。
6.根据权利要求1至5中任一项所述的方法,
其特征在于,
所述机器人装置(3)的所述优化移动序列(8)通过将所述模拟移动部段中的至少两个放在一起来确定(S2)。
7.根据权利要求1至6中的一项所述的方法,
其特征在于,
所述移动部段的模拟(S1)考虑至少一个机器人装置性能、所述第一物品(1、1a-1d)的第一物品性能和/或所述第二物品(2)的第二物品性能;其中,所述机器人装置性能至少包括:
可由所述机器人装置(3)施加的最大力;
所述机器人装置(3)的模型表示;和/或
所述机器人装置(3)的可能移动;且/或其中,
所述第一物品性能和/或所述第二物品性能至少包括:
所述第一物品(1、1a-1d)和/或所述第二物品(2)的摩擦系数;
所述第一物品(1、1a-1d)和/或所述第二物品(2)的大小和/或形状;
所述第一物品(1、1a-1d)和/或所述第二物品(2)的模型表示;
所述第一物品(1、1a-1d)和/或所述第二物品(2)的重量;和/或
所述第一物品(1、1a-1d)和/或所述第二物品(2)的材料性能。
8.根据权利要求1至7中的一项所述的方法,
其特征在于,
所述优化移动序列(8)的确定(S2)包括:
计算(S3)每个模拟移动部段的成本函数;以及
基于计算的成本函数确定(S3)所述优化移动序列(8)。
9.根据权利要求8所述的方法,
其特征在于,
基于所述模拟移动部段确定多个移动序列;
基于相应移动序列的所述移动部段的所述成本函数计算(S21)每个移动序列的总成本函数;以及
从所述多个移动序列选择具有最小总成本函数的移动序列作为所述优化移动序列(8)。
10.根据权利要求8所述的方法,
其特征在于,
基于所述模拟移动部段确定第一移动序列;
确定包括至少两个移动部段的移动序列部分;
计算所述移动序列部分的所述成本函数;以及
如果所述移动序列部分的所述成本函数低于所述第一移动序列的成本函数,则进一步追踪所述移动序列部分。
11.根据权利要求8至10中的一项所述的方法,
其特征在于,
所述成本函数包含以下各者的指示:
所述模拟移动部段的质量;
与所述模拟移动部段对应的路径的长度;
所述模拟移动部段的执行的持续时间;
所述模拟移动部段的执行的能量消耗;和/或
在所述模拟移动部段的执行期间发生在所述第一物品(1、1a-1d)和/或所述第二物品(2)上的力。
12.根据权利要求1至11中的一项所述的方法,
其特征在于,
所述第一物品(1、1a-1d)的所述姿势的所述不确定性表示用于所述第一物品(1、1a-1d)和/或所述第二物品(2)的模型的不确定性和/或所述第一物品(1、1a-1d)和/或所述第二物品(2)的生产公差。
13.一种计算机程序产品,所述计算机程序产品促使在程序控制的装置上执行根据权利要求1至12中的一项所述的方法。
14. 一种设备(4),所述设备用于确定机器人装置(3)的优化移动序列(8)以用于移动第一物品(1、1a-1d),使得所述第一物品(1、1a-1d)被带到目标姿势(ZP),而不管参考第二物品(2)的所述第一物品(1、1a-1d)的姿势的不确定性和/或不管所述机器人装置(3)的姿势的不确定性,其中,所述设备(4)包括:
模拟单元(5),所述模拟单元用于模拟所述机器人装置(3)的移动部段,同时考虑所述第一物品(1、1a-1d)的所述姿势的所述不确定性和/或所述机器人装置(3)的所述姿势的所述不确定性;以及
确定单元(6),所述确定单元用于确定所述机器人装置(3)的所述优化移动序列(8),同时考虑指示所述第一物品(1、1a-1d)的至少一个起始姿势(SP)和所述目标姿势(ZP)的所述模拟移动部段和约束,其中,
所述机器人装置(3)具有顺从性,所述顺从性用于针对所述第一物品(1、1a-1d)的所述姿势的所述不确定性和/或所述机器人装置(3)的所述姿势的所述不确定性对所述机器人装置(3)进行部分补偿;并且其中,
所述移动部段进一步被所述模拟单元(5)模拟,同时考虑所述机器人装置(3)的预定顺从性。
15.根据权利要求14所述的设备,所述设备用于执行根据权利要求2至12中的一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP18157895.6 | 2018-02-21 | ||
EP18157895.6A EP3530418A1 (de) | 2018-02-21 | 2018-02-21 | Verfahren und vorrichtung zum bestimmen eines optimierten bewegungsablaufs einer robotereinrichtung |
PCT/EP2019/052607 WO2019162070A1 (de) | 2018-02-21 | 2019-02-04 | Verfahren und vorrichtung zum bestimmen eines optimierten bewegungsablaufs einer robotereinrichtung |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111712357A true CN111712357A (zh) | 2020-09-25 |
CN111712357B CN111712357B (zh) | 2023-06-27 |
Family
ID=61258164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980014824.5A Active CN111712357B (zh) | 2018-02-21 | 2019-02-04 | 用于确定机器人装置的优化移动序列的方法和设备 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20210046648A1 (zh) |
EP (2) | EP3530418A1 (zh) |
CN (1) | CN111712357B (zh) |
WO (1) | WO2019162070A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6933167B2 (ja) * | 2018-03-14 | 2021-09-08 | オムロン株式会社 | ロボットの制御装置 |
DE102019128583B4 (de) * | 2019-10-23 | 2022-03-10 | Franka Emika Gmbh | Optimierungsmodi für Steuerprogramme eines Robotermanipulators |
US20220203523A1 (en) * | 2020-12-28 | 2022-06-30 | Cloudminds Robotics Co, Ltd. | Action learning method, medium, and electronic device |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0605050A2 (en) * | 1992-12-28 | 1994-07-06 | Koninklijke Philips Electronics N.V. | Machine motion controller employing adaptive kinematic model |
CN102216037A (zh) * | 2008-11-19 | 2011-10-12 | Abb技术公司 | 用于优化工业机器人的编程移动路径的方法和装置 |
CN105270385A (zh) * | 2014-07-03 | 2016-01-27 | 通用汽车环球科技运作有限责任公司 | 基于动态系统的机器人速度控制 |
DE102016213999B3 (de) * | 2016-07-29 | 2017-07-27 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren zum Planen der Trajektorie eines Roboterarms |
WO2017186601A1 (de) * | 2016-04-24 | 2017-11-02 | Kastanienbaum GmbH | Verfahren und vorrichtung zum festlegen eines bewegungsablaufs für einen roboter |
CN107505841A (zh) * | 2017-08-31 | 2017-12-22 | 电子科技大学 | 一种基于干扰估计器的机械臂姿态鲁棒控制方法 |
-
2018
- 2018-02-21 EP EP18157895.6A patent/EP3530418A1/de not_active Withdrawn
-
2019
- 2019-02-04 EP EP19704263.3A patent/EP3727767A1/de active Pending
- 2019-02-04 CN CN201980014824.5A patent/CN111712357B/zh active Active
- 2019-02-04 WO PCT/EP2019/052607 patent/WO2019162070A1/de unknown
- 2019-02-04 US US16/968,636 patent/US20210046648A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0605050A2 (en) * | 1992-12-28 | 1994-07-06 | Koninklijke Philips Electronics N.V. | Machine motion controller employing adaptive kinematic model |
CN102216037A (zh) * | 2008-11-19 | 2011-10-12 | Abb技术公司 | 用于优化工业机器人的编程移动路径的方法和装置 |
CN105270385A (zh) * | 2014-07-03 | 2016-01-27 | 通用汽车环球科技运作有限责任公司 | 基于动态系统的机器人速度控制 |
WO2017186601A1 (de) * | 2016-04-24 | 2017-11-02 | Kastanienbaum GmbH | Verfahren und vorrichtung zum festlegen eines bewegungsablaufs für einen roboter |
DE102016213999B3 (de) * | 2016-07-29 | 2017-07-27 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren zum Planen der Trajektorie eines Roboterarms |
CN107505841A (zh) * | 2017-08-31 | 2017-12-22 | 电子科技大学 | 一种基于干扰估计器的机械臂姿态鲁棒控制方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3727767A1 (de) | 2020-10-28 |
CN111712357B (zh) | 2023-06-27 |
US20210046648A1 (en) | 2021-02-18 |
EP3530418A1 (de) | 2019-08-28 |
WO2019162070A1 (de) | 2019-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9811074B1 (en) | Optimization of robot control programs in physics-based simulated environment | |
US9671777B1 (en) | Training robots to execute actions in physics-based virtual environment | |
CN111712357B (zh) | 用于确定机器人装置的优化移动序列的方法和设备 | |
CN109960880B (zh) | 一种基于机器学习的工业机器人避障路径规划方法 | |
US10155312B2 (en) | Method for determining values influencing the movement of a robot | |
CN107678307A (zh) | 半实物仿真测试方法、装置及系统 | |
Chatzilygeroudis et al. | Benchmark for bimanual robotic manipulation of semi-deformable objects | |
Tegin et al. | based learning and control for automatic grasping | |
WO2017168187A1 (en) | Method and system for determining optimal positioning of a plurality of robots in a simulated production environment | |
CN108710285A (zh) | 工业机器人模型仿真控制方法及装置 | |
US20220339787A1 (en) | Carrying out an application using at least one robot | |
WO2017198299A1 (en) | Method of simulating a robotic system | |
Yu et al. | Roboassembly: Learning generalizable furniture assembly policy in a novel multi-robot contact-rich simulation environment | |
CN111185909B (zh) | 机器人运行工况获取方法、装置、机器人及存储介质 | |
Droniou et al. | Autonomous online learning of velocity kinematics on the icub: A comparative study | |
Ramasubramanian et al. | Automatic simulation-based design and validation of robotic gripper fingers | |
Trung et al. | Tolerance design of robot parameters using generalized reduced gradient algorithm | |
Verscheure et al. | Identification of contact dynamics parameters for stiff robotic payloads | |
CN112969557A (zh) | 用于将机器学习应用于应用的方法和系统 | |
Neher et al. | Using game physics engines for hardware-in-the-loop material flow simulations: benefits, requirements and experiences | |
Iriondo et al. | A proposal to introduce digitalization technologies within the automation learning process | |
Lopez-Juarez et al. | Learning manipulative skills with art | |
García-Sedano et al. | Stamping line optimization using genetic algorithms and virtual 3d line simulation | |
Tonello et al. | WorkCellSimulator: A 3D simulator for intelligent manufacturing | |
Cigánek et al. | Design of Digital Twin for PLC System |
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 |