CN112272601A - 参数识别装置、方法以及程序 - Google Patents

参数识别装置、方法以及程序 Download PDF

Info

Publication number
CN112272601A
CN112272601A CN201980038715.7A CN201980038715A CN112272601A CN 112272601 A CN112272601 A CN 112272601A CN 201980038715 A CN201980038715 A CN 201980038715A CN 112272601 A CN112272601 A CN 112272601A
Authority
CN
China
Prior art keywords
robot
trajectory
parameter
data
generation unit
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.)
Pending
Application number
CN201980038715.7A
Other languages
English (en)
Inventor
铃村章洋
中岛茜
细见心一
仓谷僚一
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 CN112272601A publication Critical patent/CN112272601A/zh
Pending legal-status Critical Current

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
    • B25J9/1628—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
    • B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
    • B25J9/1666—Avoiding collision or forbidden zones
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J13/00—Controls for manipulators
    • B25J13/08—Controls for manipulators by means of sensing devices, e.g. viewing or touching devices
    • B25J13/085—Force or torque sensors
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J13/00—Controls for manipulators
    • B25J13/08—Controls for manipulators by means of sensing devices, e.g. viewing or touching devices
    • B25J13/088—Controls for manipulators by means of sensing devices, e.g. viewing or touching devices with position, velocity or acceleration sensors
    • B25J13/089—Determining the position of the robot with reference to its environment
    • 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
    • B25J9/1607—Calculation of inertia, jacobian matrixes and inverses
    • 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
    • B25J9/1653—Programme controls characterised by the control loop parameters identification, estimation, stiffness, accuracy, error analysis
    • 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

Landscapes

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

Abstract

将关于机器人的数理模型的参数的识别高速化。轨道数据生成部(52)生成在机器人模型(58)的参数的识别中使用的机器人(16)的动作轨道中的、满足参数的识别条件的轨道，数据取得部(54)根据由轨道数据生成部(52)生成的轨道，取得使机器人(16)动作时产生的转矩的数据，识别部(56)基于由轨道数据生成部(52)生成的轨道数据和由数据取得部(54)取得的数据，识别机器人模型(58)的参数。

Description

参数识别装置、方法以及程序
技术领域
本发明涉及参数识别装置、参数识别方法以及参数识别程序。
背景技术
针对机器人或安装于机器人的机械手等工具、以及由工具搬运或者加工的工件等的机器人相关的数理模型的参数进行识别。
一般地，在通过逐次识别法识别构成多自由度的机械臂的运动方程式的参数部的情况下，在对象机器人的数理模型中，预先确定按每一链路起作用的主要参数部，进行识别试验以从机械臂的指尖按顺序求出这些参数。
例如，提出了通过逐次识别法进行多自由度的机械臂的运动方程式的识别的机械臂的动态模型的识别方法。在该方法中，在识别机械臂的动态特性模型的情况下，将对象机器人掌握为2～4自由度的子机器人的集合，通过由关于子机器人预先导出的动态特性参数记述的运动方程式进行运算处理，求出所需的参数。
现有技术文献
专利文献
专利文献1：日本特开平6-190754号公报
发明内容
发明要解决的技术问题
如上述以往技术这样的逐次识别法是逐次进行从机器人的指尖按顺序识别数理模型的参数的试验的方法，虽然是简单的方法，但是识别试验花费时间，另外，需要按每一机器人重新设计识别试验的顺序。
本发明是鉴于上述方面完成的，目的在于提供能够将关于机器人的数理模型的参数识别高速化的参数识别装置、方法以及程序。
用于解决技术问题的方案
为了达到上述目的，本发明的参数识别装置构成为包括：轨道生成部，其生成在关于机器人的数理模型的参数识别中使用的所述机器人的动作轨道中的、满足所述参数的识别条件的轨道；数据取得部，其取得示出根据由所述轨道生成部生成的轨道使所述机器人动作时产生的物理量的数据；以及识别部，其基于由所述轨道生成部生成的所述轨道和由所述数据取得部取得的所述数据，识别所述数理模型的参数。
根据本发明的参数识别装置，轨道生成部生成在关于机器人的数理模型的参数识别中使用的机器人的动作轨道中的、满足参数的识别条件的轨道，数据取得部取得示出根据由轨道生成部生成的轨道使机器人动作时产生的物理量的数据，识别部基于由轨道生成部生成的轨道和由数据取得部取得的数据，识别数理模型的参数。由此，能够将关于机器人的数理模型的参数识别高速化。
所述参数的识别条件能够设为可识别性。由此，能够生成适合参数识别的轨道。
另外，在本发明的参数识别装置中，所述轨道生成部能够生成所述机器人不与障碍物干扰的所述轨道。由此，在有障碍物的环境下，也能够将关于机器人的数理模型的参数识别高速化。
另外，所述轨道生成部能够通过运动计划来生成所述轨道。由此，与通过非线性最佳化导出最佳的轨道的情况相比，能够简单地生成在参数识别中使用的轨道。
另外，所述轨道生成部能够在经由点已被指定的情况下生成经由所述经由点的轨道。由此，轨道的搜索范围被限定，搜索时间被缩短，并且使用进行了与应用时实际的机器人的动作接近的动作时得到的数据来进行参数识别，预计参数的识别精度提高。
另外，本发明的参数识别装置能够构成为还包括模型取得部，所述模型取得部通过接受所述数理模型的输入、或者基于所述机器人的机构信息算出所述数理模型，从而取得所述数理模型。
另外，所述模型取得部能够设定基于CAD模型的值作为所述数理模型的参数的初始估计解。由此，当用轨道生成部生成轨道时，已被设定的参数成为制约而限定搜索范围，因此，轨道的生成进一步高速化，作为结果，参数识别也进一步高速化。
另外，所述数理模型是所述机器人的动力学模型或运动学模型、或者所述机器人的负荷物的动力学模型或运动学模型。这样，本发明能够应用于各种模型，因此能够应用于使用模型的各种功能。
另外，示出所述物理量的数据是包括所述机器人中产生的转矩和所述机器人动作时的至少姿势的数据。另外可以是，所述轨道是所述机器人的至少姿势的序列数据，示出所述物理量的数据设为包括所述机器人中产生的转矩的数据。由此，能够基于轨道、模型的参数、以及用转矩表示的方程式来识别参数。
另外，所述轨道生成部能够生成设定有能够设定的最大速度及加速度的轨道。由此，能够通过数据取得部取得以发挥最大转矩的方式使机器人动作时的数据，S/N比提高，因此预计参数的识别精度提高。
另外，本发明的参数识别方法是如下方法：轨道生成部生成在关于机器人的数理模型的参数识别中使用的所述机器人的动作轨道中的、满足所述参数的识别条件的轨道，数据取得部取得示出根据由所述轨道生成部生成的轨道使所述机器人动作时产生的物理量的数据，识别部基于由所述轨道生成部生成的所述轨道和由所述数据取得部取得的所述数据，识别所述数理模型的参数。
另外，本发明的参数识别程序是用于使计算机作为如下各部发挥功能的程序：轨道生成部，其生成在关于机器人的数理模型的参数的识别中使用的所述机器人的动作轨道中的、满足所述参数的识别条件的轨道；数据取得部，其取得示出按照由所述轨道生成部生成的轨道使所述机器人动作时产生的物理量的数据；以及识别部，其基于由所述轨道生成部生成的所述轨道和由所述数据取得部取得的所述数据，识别所述数理模型的参数。
发明效果
根据本发明的参数识别装置、方法以及程序，作为在关于机器人的数理模型的参数识别中使用的机器人的动作轨道，生成满足参数的识别条件的轨道，从而能够将关于机器人的数理模型的参数识别高速化。
附图说明
图1是示出第一和第三实施方式的参数识别系统的概要构成的图。
图2是示出第一～第三实施方式的参数识别装置的硬件构成的框图。
图3是用于说明逐次识别法的图。
图4是用于说明一并识别法的图。
图5是用于说明本实施方式的概要的图。
图6是第一实施方式的参数识别装置的功能框图。
图7是用于说明第一实施方式的轨道规划的图。
图8是用于说明第一实施方式的轨道规划的图。
图9是用于说明第一实施方式的轨道规划的图。
图10是用于说明第一实施方式的轨道规划的图。
图11是用于说明第一实施方式的轨道规划的图。
图12是示出第一实施方式的参数识别处理的一例的流程图。
图13是示出第二实施方式的参数识别系统的概要构成的图。
图14是第二实施方式的参数识别装置的功能框图。
图15是用于说明第二实施方式的轨道规划的图。
图16是用于说明第二实施方式的轨道规划的图。
图17是示出第二实施方式的参数识别处理的一例的流程图。
图18是第三实施方式的参数识别装置的功能框图。
图19是用于说明第三实施方式的轨道规划的图。
图20是用于说明第三实施方式的轨道规划的图。
具体实施方式
以下，一边参照附图，一边说明本发明的实施方式的一例。此外，在各附图中，对同一或等价的构成要素及部分赋予同一附图标记。另外，附图的尺寸及比率为了便于说明而被夸大，有时与实际的比率不同。
＜第一实施方式＞
如图1所示，第一实施方式的参数识别系统100构成为包括参数识别装置10、机器人控制装置12以及机器人16。
机器人16例如是具备三维空间中的动作所需的6个自由度的构成的垂直多关节型机器人。此外，机器人16的自由度也可以设为6个自由度加上冗长自由度而得到的7个自由度。机器人16根据由参数识别装置10生成的轨道数据而被机器人控制装置12控制并动作。
机器人控制装置12根据由参数识别装置10生成的轨道数据，控制机器人16的动作。
参数识别装置10规划从被指定的开始姿势到结束姿势的路径，生成轨道数据。
在此，在本实施方式中，将使机器人16的指尖(安装机械手等工具的一侧)的基准位置从任意起点动作到终点时的机器人16的各时刻的姿势按时间序列排列而成的位置称为“路径”。机器人16的姿势用假定为机器人16的指尖的基准位置处于某位置(x，y，z)和姿势(滚动，投掷，抓取)时的、从机器人16的第一关节到第N关节的各关节的值(旋转角度)的序列(J1，J2，…，JN)表示(N为机器人的关节数)。
另外，在本实施方式中，将对“路径”赋予了使机器人16的姿势变化的速度及加速度的路径称为“轨道”。
图2是示出本实施方式的参数识别装置10的硬件构成的框图。如图2所示，参数识别装置10具有CPU(Central Processing Unit：中央处理单元)32、存储器34、存储装置36、输入装置38、输出装置40、光盘驱动装置42以及通信接口(I/F)44。各构成连接成能够经由总线相互通信。
在存储装置36中保存有用于执行参数识别处理的参数识别程序。CPU32是中央运算处理单元，执行各种程序或者控制各构成。即，CPU32从存储装置36读出程序，以存储器34为作业区域执行程序。CPU32根据在存储装置36中已存储的程序进行上述各构成的控制及各种运算处理。
存储器34由RAM(Random Access Memory：随机存取存储器)构成，作为作业区域暂时存储程序及数据。存储装置36由ROM(Read Only Memory：只读存储器)以及HDD(HardDisk Drive：硬盘驱动器)或者SSD(Solid State Drive：固态硬盘)构成，保存包含操作系统的各种程序及各种数据。
输入装置38例如是键盘或鼠标等用于进行各种输入的装置。输出装置40例如是显示器或打印机等用于输出各种信息的装置。作为输出装置40，采用触摸面板显示器，从而也可以作为输入装置38发挥功能。光盘驱动装置42进行各种记录介质(CD-ROM或蓝光盘等)中已存储的数据的读入、针对记录介质的数据的写入等。
通信接口44是用于与其它设备进行通信的接口，使用例如以太网络(注册商标)、FDDI或者Wi-Fi(注册商标)等标准。
在此，在说明第一实施方式的参数识别装置10的详细之前，说明关于机器人的数理模型的参数的识别方法及其问题和本实施方式的概要。
在参数的识别方法中大致存在逐次识别法和一并识别法。
如图3所示，逐次识别法是指从机器人的指尖按顺序实施数理模型的参数的识别试验并逐次识别的方法。逐次识别法进行识别试验，使得在对象机器人的数理模型中预先确定按每一机器人的链路起作用的主要参数部，从指尖按顺序求出这些参数。因此，需要按每一链路进行识别试验的设计，识别动作的规划需要时间。另外，需要按每一链路进行识别试验，识别试验本身也会花费时间。而且，需要按每一机器人确定各链路的参数部的作业，需要关于识别试验的顺序进行重新设计。在此，参数部由质量或重心位置等物理参数的组合构成，难以进行通用的导出，需要按每一机器人进行重新导出。而且，有被识别的值是物理参数的组合值中的、无法直接得到质量或重心位置等值的缺点。另外，在逐次识别法中，也有从按每一链路识别到的参数直至识别最终参数为止易于累积识别误差的问题。
另一方面，在一并识别法中，从关于机器人的数理模型导出方程式Wβ＝ω。该处理在理论上是确立的，能够系统地执行。W是表示包括机器人的姿势、速度以及加速度的轨道数据的数据阵列，β是所识别的参数向量，ω是在构成数据阵列W的轨道上使机器人动作时机器人的各关节所产生的转矩。并且，如图4所示，收集在根据通过非线性最佳化生成的轨道数据使机器人动作时得到的、机器人的姿势、速度、加速度以及转矩的数据，由姿势、速度以及加速度的数据构成最佳的数据阵列W，并且将转矩的数据代入ω。然后，通过解答用min||Wβ-ω||2表示的最小平方问题，来识别参数向量β。
根据一并识别法，识别试验可以是一次，因此能够解决上述的逐次识别法的问题。但是，为了适当地进行参数的识别，需要W是可识别性良好且为最佳的数据阵列。可识别性是指为了精度良好的进行参数识别，数据阵列W应具有的性质。为了将可识别性最佳的W用于识别，而对数据阵列W以任意可识别性指标为评价函数进行算出，通过非线性最佳化导出评价函数为最佳的数据阵列W，将其选择为Wopt。该非线性最佳化的计算成本非常高，特别是若W的尺寸(构成轨道的数据个数)增加，则计算成本极高。
因此，在本实施方式中，如图5所示，以一并识别法为基础，作为数据阵列Wopt，使用不是通过非线性最佳化而是通过加上可识别性并且利用运动计划而生成的轨道数据。由此，将成为数据阵列Wopt的轨道数据的生成高速化，作为结果，将参数的识别高速化。
另外，一般地在基于运动计划的轨道数据的生成中，生成示出不与机器人周边的障碍物干扰的轨道的轨道数据。因此，在存在障碍物的环境下，也能够将参数识别的实施高速化。此外，在通过非线性最佳化生成轨道数据的情况下，为了生成不与障碍物干扰的轨道数据，在机器人的三维空间内确定周边环境之后，需要将障碍物的区域或者不与障碍物干扰的区域投影到作为机器人姿势的集合的配置空间，作为限制以数学式表现障碍物区域。一般地该处理需要庞大的计算成本，难以进行障碍物环境下的识别动作的高速规划。
接着，关于第一实施方式的参数识别装置10的功能构成进行说明。
图6是示出参数识别装置10的功能构成的例子的框图。如图6所示，参数识别装置10作为功能构成包括轨道数据生成部52、数据取得部54以及识别部56。另外，在参数识别装置10的规定的存储区域中存储作为关于机器人的数理模型的机器人模型58。各功能构成通过CPU32读出存储装置36中已存储的参数识别程序并将其在存储器34中展开并执行而实现。此外，轨道数据生成部52是本发明的轨道生成部的一例，数据取得部54是本发明的数据取得部的一例，识别部56是本发明的识别部的一例。
轨道数据生成部52取得机器人16的关节配置、链路的构成、各关节的极限角度、指尖的基准位置等机器人16的机构信息以及机器人16周边的障碍物的信息。例如，轨道数据生成部52通过接受机器人的CAD数据以及示出机器人16周边的障碍物的形状及位置的CAD数据的输入，从而取得这些信息。
轨道数据生成部52基于机器人16的机构信息、障碍物的信息以及机器人模型58，生成示出在机器人模型58的参数的识别中使用的机器人16的动作轨道中的、满足参数的识别条件并且障碍物与机器人16不干扰的轨道的轨道数据。
具体地，轨道数据生成部52作为功能构成包括轨道规划部52A和识别条件判定部52B，使轨道规划部52A和识别条件判定部52B发挥功能，生成上述的轨道数据。
轨道规划部52A规划作为被指定的机器人16的从开始姿势(起点)到结束姿势(终点)的机器人16的姿势的序列的路径。在路径的生成中能够使用以往已知的运动计划的方法。在第一实施方式中，使用RRT、PRM等随机采样方法的运动计划。另外，轨道规划部52A规划对规划好的路径附加了使机器人16的姿势变化的速度及加速度的信息而得到的轨道。
识别条件判定部52B算出示出由轨道规划部52A规划的轨道的可识别性的指标(以下称为“可识别性指标”)，使用算出的可识别性指标进行控制，以使得由轨道规划部52A规划满足参数识别条件的轨道。
更具体地，如图7所示，轨道数据生成部52使轨道规划部52A发挥功能，在作为机器人16可能采取的全部姿势的集合的配置空间内配置被指定的起点及终点。在图7中，用黑圈表示起点及终点。此外，配置于配置空间的各点表示机器人的姿势(J1，J2，…，JN)。并且，轨道数据生成部52使轨道规划部52A发挥功能，将起点设定于最初的关注点，在关注点的周边随机生成成为与关注点连接的“下一点”的候选的样本点。在图7的例子中，示出针对起点生成了样本点P1～P4的例子。另外，轨道规划部52A在关注点与各样本点之间设定从关注点所示的姿势变化为各样本点所示的姿势时的速度及加速度。
轨道数据生成部52使识别条件判定部52B发挥功能，从样本点之中决定与关注点连接的“下一点”。具体地，识别条件判定部52B从已生成的样本点去除示出与障碍物干扰的姿势的样本点。与障碍物的干扰例如能够通过基于取得的障碍物的信息在配置空间内设定示出障碍物的区域、连接了关注点和样本点的路径是否位于示出该障碍物的区域进行判定。另外，在对在配置空间上表现出的机器人的姿势进行顺运动学(正向运动学)计算从而转换为障碍物所存在的作业空间内的机器人的姿势并对在连接了关注点和样本点的路径上移动的动作进行了模拟的情况下，能够通过是否与障碍物处于干扰进行判定。在图7的例子中，样本点P1及P4被去除。此外，在图7中，用网线圆表示被去除的样本点。在以后的图中也是同样的。
另外，识别条件判定部52B算出连接了余下的各样本点和关注点时的可识别性指标。可识别性指标是使用构成已规划完成的轨道(从起点到关注点的轨道)的样本点及新的样本点分别所示的姿势、以及姿势之间的速度及加速度的值而算出的指标，能够应用以往已知的指标。此外，也可以将新的样本点和终点连接并针对从起点到终点的虚拟轨道算出可识别性指标。识别条件判定部52B将算出的可识别性指标为最佳的样本点决定为与关注点连接的“下一点”。在图7的例子中，示出与样本点P2相比，样本点P3是可识别性指标更好的值，样本点P3被决定为“下一点”的情况。另外，作为样本点的决定方法，除了完全随机决定以外，能够设法利用可识别的信息来缩窄采样的范围等。另外，还能够设法基于过去的采样信息，对向可识别性好的可能性高的区域或与障碍物碰撞的可能性低的区域进行的采样应用权重等。
轨道数据生成部52使轨道规划部52A发挥功能，如图8所示，规划将由识别条件判定部52B决定的“下一点”与关注点连接后的轨道。点之间的连接可以应用直线插值或曲线插值等任意方法。此外，在图8中，用虚线圆(白圆及网线圆)表示未被选为“下一点”的样本点。在以后的图中也是同样的。
如图9所示，轨道数据生成部52将“下一点”设定于新的关注点，反复进行上述处理。在图9中，示出针对样本点P3生成样本点P5～P9、去除与障碍物干扰的样本点P5、P6以及P9、可识别性指标最佳的样本点P8被决定为“下一点”的例子。轨道数据生成部52使轨道规划部52A发挥功能，如图10所示，生成连接了已规划完成的轨道和被决定为“下一点”的样本点的轨道。
如图11所示，轨道数据生成部52反复进行上述处理直至“下一点”到达终点为止，从而规划最终的轨道。此外，在关注点与终点的距离为规定距离以内的情况下，只要将终点优先决定为“下一点”即可。在第一实施方式中，如上所述，一边逐次选择可识别性指标为最佳的样本点一边规划轨道，这相当于规划满足参数识别条件的轨道。
此外，在本实施方式中，关于起点和终点位于不同场所的情况进行说明，但也可以将起点和终点设为相同的点。在这种情况下，通过可识别性指标的动作，生成在一次以远离起点及终点的方式生成轨道之后返回到终点那样的轨道。
轨道数据生成部52将构成由轨道规划部52A规划的轨道的各样本点所示的姿势、以及在姿势之间设定的速度及加速度的列表生成为轨道数据。轨道数据生成部52将生成的轨道数据向机器人控制装置12输出。
数据取得部54取得示出在根据由轨道数据生成部52生成的轨道数据并通过机器人控制装置12使机器人16动作的情况下产生的物理量的数据。具体地，数据取得部54取得机器人16动作时的各姿势以及姿势之间的速度及加速度的数据。另外，数据取得部54从用于使机器人16的各关节驱动的电机的输出等取得各关节的转矩。此外，姿势、速度以及加速度的数据也可以取得由轨道数据生成部52生成的轨道数据。数据取得部54将所取得的数据向识别部56交接。
识别部56基于由数据取得部54取得的数据来识别机器人模型58的参数。具体地，将从数据取得部54交接的数据代入上述的方程式Woptβ＝ω，通过最小平方法来识别参数向量β。
机器人模型58例如可以是使用运动方程式等的参数模型、高斯过程模型或神经网络模型等非参数模型、作为参数模型与非参数模型的混合的半参数模型等任意模型。另外，也可以不仅是机器人16的动力学模型，还是运动学模型。进而，也可以是包括安装于机器人16的指尖的机械手等工具和由工具保持的工件等机器人16的负荷物的数理模型。在这种情况下，除机器人16的机构信息之外，还输入负荷物的机构信息。
这样，能够识别包括机器人16的负荷物的数理模型的参数，因此还可以为了计测负荷物的物理特性而使用本发明，能够省略事先准备负荷物的物理参数的麻烦。
接着，关于第一实施方式的参数识别系统100的作用进行说明。
图12是示出由参数识别装置10的CPU32执行的参数识别处理的流程的流程图。CPU32从存储装置36读出参数识别程序，将其在存储器34中展开并执行，从而CPU32作为参数识别装置10的各功能构成发挥功能，执行图12所示的参数识别处理。
首先，在步骤S12中，轨道数据生成部52取得机器人16的机构信息及障碍物的信息。
接着，在步骤S14中，轨道数据生成部52接受生成的轨道的开始姿势及结束姿势。此外，开始姿势及结束姿势能够由操作人员等指定任意姿势而输入到参数识别装置10。并且，轨道规划部52A在作为机器人16可能采取的全部姿势的集合的配置空间内以开始姿势为起点并以结束姿势为终点进行配置。
接着，在步骤S16中，轨道规划部52A将起点设定于最初的关注点P。
接着，在步骤S18中，轨道规划部52A在关注点P的周边随机生成成为与关注点P连接的下一点Pnext的候选的样本点。并且，轨道规划部52A在关注点P与各样本点之间设定速度及加速度。
接着，在步骤S20中，识别条件判定部52B从在上述步骤S18中生成的样本点去除示出与障碍物干扰的姿势的样本点。然后，识别条件判定部52B算出将余下的各样本点及终点与关注点P连接时的可识别性指标，将算出的示出可识别性的指标为最佳的样本点或者终点决定为下一点Pnext。
接着，在步骤S22中，轨道规划部52A规划将关注点P和在上述步骤S20中决定的Pnext连接后的轨道。
接着，在步骤S24中，轨道数据生成部52判定在上述步骤S20中决定的Pnext是否是终点。在Pnext不是终点的情况下，转移到步骤S26，轨道数据生成部52将Pnext设定于新的关注点P，返回到步骤S18。另一方面，在Pnext为终点的情况下，转移到步骤S28。
在步骤S28中，轨道数据生成部52生成示出由轨道规划部52A规划的轨道的轨道数据，将生成了的轨道数据向机器人控制装置12输出。
由此，机器人控制装置12根据由轨道数据生成部52生成的轨道数据使机器人16动作。
接着，在步骤S30中，数据取得部54取得机器人16动作时的各姿势和姿势之间的速度及加速度的数据。另外，数据取得部54根据用于使机器人16的各关节驱动的电机的输出等取得各关节的转矩。
接着，在步骤S32中，识别部56将在上述步骤S30中取得的数据代入上述的方程式Woptβ＝ω，通过最小平方法等识别方法，识别参数向量β，参数识别处理结束。
如以上说明的，根据第一实施方式的参数识别系统，参数识别装置以可识别性成为最佳的方式通过运动计划来生成用于通过一并识别法识别机器人模型的参数的轨道数据。由此，不仅能够将识别关于机器人的数理模型的参数时的、识别所需要的时间高速化，而且能够将识别动作的规划所需要的时间高速化。其结果是，能够不对用户带来负荷地高速地实施高速及高精度的定位或动作规划的功能所需的机器人参数的识别。
进而，第一实施方式的参数识别装置一边进行与障碍物的干扰判定，一边搜索轨道，因此在存在障碍物的环境下，也能够将关于机器人的数理模型的参数的识别高速化。这种优点在例如机器人已被设置于障碍物环境下的状况下是特别有效的。
＜第二实施方式＞
接着，关于第二实施方式进行说明。此外，在第二实施方式的参数识别系统中，针对与第一实施方式的参数识别系统100相同或者等价的构成要素及部分赋予同一附图标记，省略详细的说明。
如图13所示，第二实施方式的参数识别系统200构成为包括参数识别装置210、机器人控制装置12、机器人16以及图像传感器18。
图像传感器18是检测机器人16周边的障碍物等环境信息的传感器，构成为包括摄像机和图像处理部。图像传感器18通过摄像机拍摄机器人16的周边，通过图像处理部并根据拍摄到的图像来算出包括机器人周边的障碍物的位置及形状的信息。图像传感器18输出所算出的障碍物的信息。
此外，检测障碍物的信息的传感器不限于图像传感器18的情况，也可以使用激光雷达等能够检测环境信息的其它传感器。
第二实施方式的参数识别装置210的硬件构成与图2所示的第一实施方式的参数识别装置10的硬件构成相同，因此省略说明。
接着，关于第二实施方式的参数识别装置210的功能构成进行说明。
图14是示出参数识别装置210的功能构成的例子的框图。如图14所示，参数识别装置210作为功能构成包括轨道数据生成部252、数据取得部54、识别部56以及模型算出部60。各功能构成通过读出CPU32在存储装置36中存储的参数识别程序并将其在存储器34中展开并执行而实现。此外，轨道数据生成部252是本发明的轨道生成部的一例，模型算出部60是本发明的模型取得部的一例。
模型算出部60接受机器人16的机构信息，使用接受了的机构信息算出机器人模型58。机器人模型58与第一实施方式同样地能够应用各种模型，因此，模型算出部60只要通过与所应用的模型对应的算出方法算出机器人模型58即可。
轨道数据生成部252与第一实施方式的轨道数据生成部52同样地生成示出满足参数识别条件并且不与障碍物干扰的轨道的轨道数据。此时，轨道数据生成部252不仅取得被预先输入的CAD数据等，还从图像传感器18取得机器人16周边的障碍物的信息。由此，能够取得更适合于实际的状况的障碍物的信息。
具体地，轨道数据生成部252作为功能构成而包括轨道规划部252A和识别条件判定部252B，使轨道规划部252A和识别条件判定部252B发挥功能，生成轨道数据。
轨道规划部252A通过STOMP等最佳化方法的运动计划来规划作为被指定的机器人16的从开始姿势(起点)到结束姿势(终点)的机器人16的姿势的序列的路径。另外，轨道规划部252A规划对规划好的路径附加了使机器人16的姿势变化的速度及加速度的信息而得到的轨道。
关于由轨道规划部252A规划的各多个轨道，识别条件判定部252B算出可识别性指标，使用算出的可识别性指标来选择满足参数识别条件的轨道。
更具体地，如图15所示，轨道数据生成部52使轨道规划部252A发挥功能，在作为机器人16可能采取的全部姿势的集合的配置空间内配置被指定的起点和终点，将起点和终点之间连接。另外，轨道数据生成部252使轨道规划部252A发挥功能，如图16所示，随机规划多个将起点与终点之间的任意多个点连接而得到的路径。另外，轨道规划部252A对规划后的各路径设定使姿势变化的速度及加速度，并规划轨道。
轨道数据生成部252使识别条件判定部252B发挥功能，从由轨道规划部252A规划的多个轨道之中去除产生与障碍物的干扰的轨道。在图16的例子中，用虚线示出的轨道被去除。
另外，关于余下的各个轨道，识别条件判定部252B使用构成轨道的从起点到终点的各点所示的姿势、以及姿势之间的速度及加速度的值来算出可识别性指标。识别条件判定部252B选择算出的可识别性指标为最佳的轨道。在图16的例子中，用实线示出的轨道表示可识别性指标为最佳的轨道，用虚线所示的轨道表示虽然不会产生与障碍物的干扰但是可识别性指标不是最佳的轨道。在第二实施方式中，如上所述，从多个规划后的轨道之中选择可识别性指标成为最佳的轨道，相当于规划满足参数识别条件的轨道。
轨道数据生成部252将构成由识别条件判定部252B选择的轨道的各点所示的姿势、以及在姿势之间设定的速度及加速度的列表生成为轨道数据。轨道数据生成部252将生成了的轨道数据向机器人控制装置12输出。
接着，关于第二实施方式的参数识别系统200的作用进行说明。在第二实施方式中，在参数识别装置210中，执行图17所示的参数识别处理。
首先，在步骤S212中，轨道数据生成部252取得机器人16的机构信息。
接着，在步骤S42中，模型算出部60使用在上述步骤S212中接受的机器人16的机构信息，算出机器人模型58。
接着，在步骤S44中，轨道数据生成部252从图像传感器18取得机器人16周边的障碍物的信息。
接着，在步骤S14中，轨道数据生成部252接受生成的轨道的开始姿势及结束姿势，轨道规划部252A在作为机器人16可能采取的全部姿势的集合的配置空间内以开始姿势为起点并以结束姿势为终点进行配置。
接着，在步骤S46中，轨道规划部252A随机规划多个将起点和终点之间的任意多个点连接而得到的路径。另外，轨道规划部252A对规划好的各路径设定使姿势变化的速度及加速度，并规划轨道。
接着，在步骤S220中，识别条件判定部252B从在上述步骤S46中规划了的多个轨道之中将产生与障碍物的干扰的轨道去除。然后，关于余下的各个轨道，识别条件判定部252B算出可识别性指标，选择可识别性指标为最佳的轨道。
以下，与第一实施方式同样地在步骤S28～S32中使用示出被选择的轨道的轨道数据来识别机器人模型58的参数，参数识别处理结束。
如以上说明的，根据第二实施方式的参数识别系统，参数识别装置以可识别性为最佳的方式通过运动计划来生成用于通过一并识别法识别机器人模型的参数的轨道数据。由此，能够将关于机器人的数理模型的参数的识别高速化。其结果是，能够将定位或动作规划等需要关于机器人的数理模型的功能高速化。
另外，第二实施方式的参数识别装置在规划轨道时也进行与障碍物的干扰判定，因此在存在障碍物的环境下，也能够将关于机器人的数理模型的参数的识别高速化。
而且，第二实施方式的参数识别装置能够通过从图像传感器取得障碍物的信息而实时地进行障碍物环境的构建。由此，能够无需预先准备设备的CAD数据等，另外，能够削减由于设备变更等而将CAD数据变更后再次取得等麻烦。
此外，在第二实施方式中，说明了将从图像传感器取得障碍物的信息的方法与轨道数据生成部252进行了组合的情况，但也可以与第一实施方式的轨道数据生成部52进行组合。另外，在第二实施方式中，说明了将从图像传感器取得障碍物的信息的方法与轨道数据生成部252进行了组合的情况，但也可以将根据CAD数据取得障碍物的信息的方法与轨道数据生成部252进行组合。
＜第三实施方式＞
接着，关于第三实施方式进行说明。此外，在第三实施方式的参数识别系统中，针对与第一实施方式的参数识别系统100相同或者等价的构成要素及部分赋予同一附图标记，省略详细的说明。
如图1所示，第三实施方式的参数识别系统300构成为包括参数识别装置10、机器人控制装置12以及机器人16。
第三实施方式的参数识别装置310的硬件构成与图2所示的第一实施方式的参数识别装置10的硬件构成相同，因此省略说明。
接着，关于第三实施方式的参数识别装置310的功能构成进行说明。
图18是示出参数识别装置310的功能构成的例子的框图。如图18所示，参数识别装置310作为功能构成包括轨道数据生成部352、数据取得部54以及识别部56。各功能构成通过CPU32读出在存储装置36中存储的参数识别程序并将其在存储器34中展开并执行从而实现。此外，轨道数据生成部352是本发明的轨道生成部的一例。
轨道数据生成部352与第一实施方式的轨道数据生成部52同样地生成示出满足参数识别条件并且不与障碍物干扰的轨道的轨道数据。此时，轨道数据生成部352接受经由点的指定，生成经由经由点附近的轨道数据。经由点的指定也可以是操作人员等以手动输入希望机器人16动作时使其通过的姿势。
具体地，轨道数据生成部352作为功能构成包括轨道规划部352A和识别条件判定部52B，使轨道规划部352A和识别条件判定部52B发挥功能，生成轨道数据。
轨道规划部352A通过运动计划来规划包括被指定的起点、经由点以及终点的路径，规划对规划好的路径附加有使机器人16的姿势变化的速度及加速度的信息的轨道。
更具体地，轨道数据生成部352使轨道规划部352A发挥功能，如图19所示，在配置空间配置被指定的起点、经由点以及终点。此外，在图19中，将经由点用三角符号示出。轨道规划部352A在经由点周边随机生成样本点。另外，轨道数据生成部352与第一实施方式同样地时识别条件判定部52B发挥功能，将不与障碍物干扰且可识别性指标成为最佳的样本点选择为“下一点”，从而规划轨道。由此，如图20所示，生成通过被指定的经由点附近(在图20中为经由点上)的轨道。
接着，关于第三实施方式的参数识别系统300的作用进行说明。在第三实施方式中，在参数识别装置310中执行图12所示的参数识别处理。
在第三实施方式的参数识别处理中，在步骤S14中，与起点和终点一起接受经由点的指定，并且在步骤S18中，在经由点附近生成样本点与第一实施方式不同，关于其它处理与第一实施方式同样，因此省略详细的说明。
如以上说明的，根据第三实施方式的参数识别系统，参数识别装置在以避免与障碍物的干扰并且可识别性为最佳的方式通过运动计划来生成用于通过一并识别法识别机器人模型的参数的轨道数据时，生成包含被指定的经由点的轨道数据。由此，轨道的搜索范围被限定，搜索时间被缩短，并且使用进行与应用时实际的机器人的动作接近的动作时得到的数据来进行参数的识别，可预计参数的识别精度提高。
此外，在第三实施方式中，关于将生成经由经由点的轨道应用于第一实施方式的构成的情况进行了说明，但也可以应用于第二实施方式的构成。在这种情况下，轨道规划部当随机规划多个将起点和终点之间的任意多个点连接而得到的路径时，只要规划多个通过经由点或经由点附近的路径即可。
另外，在上述各实施方式中，关于在轨道规划部及识别条件判定部中使用一边也进行干扰判定一边生成轨道的运动计划的方法来规划轨道的情况进行了说明，但也可以应用规划不考虑与障碍物的干扰的轨道的运动计划的方法。在这种情况下，只要与轨道规划部及识别条件判定部独立地追加避免与障碍物的干扰的干扰判定部即可。例如，将规划好的轨道与障碍物的信息进行对照，反复进行轨道规划直至生成不与障碍物干扰的轨道为止，或者为了避免与障碍物的干扰，追加对规划好的轨道进行修正等处理。
另外，也可以是，在上述各实施方式中，作为机器人模型的参数的初始值，设定基于机器人的CAD模型的值。由此，当用轨道数据生成部生成轨道数据时，被设定的参数成为制约且搜索范围被限定，因此，轨道数据的生成更高速化，作为结果，参数识别也更高速化。
另外，也可以是，在上述各实施方式中，在通过轨道数据生成部将姿势变化的速度及加速度设定于规划好的路径时，生成设定有基于机器人的机构信息能够设定的最大速度及加速度的轨道。由此，能够以用各关节发挥最大转矩的方式使机器人动作。实际取得的转矩的数据还重叠有噪声，但在转矩大的情况下，S/N比提高，因此将按照设定有最大速度及加速度的轨道使机器人动作时取得的数据用于参数的识别，从而可预计识别精度提高。
另外，在上述各实施方式中，说明了关于垂直多关节型机器人的数理模型的参数识别，但本发明不限于垂直多关节型机器人，能够应用于任意开环型机器人。另外，也能够应用于台达(delta)机器人等闭环型机器人。进而，还能够应用于作为台座未被固定的浮游链路系的移动式机器人或移动式操纵器等大范围的机器人。
另外，在上述各实施方式中，关于将参数识别装置和机器人控制装置设为独立的装置的情况进行了说明，但也可以设为在机器人控制装置内组装参数识别装置的方式。另外，也可以分别用不同的装置来实现参数识别装置的各功能构成，通过分散处理来实现上述的参数识别处理。
另外，也可以是，在上述各实施方式中，CPU以外的各种处理器执行CPU将软件(程序)读入并执行了的参数识别处理。作为这种情况下的处理器，例示作为具有在制造FPGA(Field-Programmable Gate Array：现场可编程门阵列)等后能够变更电路构成的PLD(Programmable Logic Device：可编程逻辑器件)、以及ASIC(Application SpecificIntegrated Circuit：专用集成电路)等为了执行特定的处理而专用设计的电路构成的处理器的专用电气电路等。另外，既可以通过上述各种处理器中的一个处理器来执行参数识别处理，也可以通过相同种类或不同种类的两个以上的处理器的组合(例如多个FPGA、以及CPU与FPGA的组合等)来执行参数识别处理。另外，这些各种处理器的硬件结构更具体地是将半导体元件等电路元件组合后的电气电路。
另外，在上述各实施方式中，说明了参数识别程序被预先存储(安装)于存储装置的方式，但不限于此。程序也可以通过记录到CD-ROM(Compact Disk Read Only Memory：光盘只读存储器)，DVD-ROM(Digital Versatile Disk Read Only Memory：数字多功能磁盘只读存储器)以及USB(Universal Serial Bus：通用串行总线)存储器等记录介质的方式来提供。另外，程序也可以设为经由网络从外部装置下载的方式。
附图标记说明
10、210、310 参数识别装置
12 机器人控制装置
16 机器人
18 图像传感器
32 CPU
34 存储器
36 存储装置
38 输入装置
40 输出装置
42 光盘驱动装置
44 通信接口
52、252、352 轨道数据生成部
52A、252A、352A 轨道规划部
52B、252B 识别条件判定部
54 数据取得部
56 识别部
58 机器人模型
60 模型算出部
100、200、300 参数识别系统。

Claims (13)

1.一种参数识别装置，包括：
轨道生成部，生成在关于机器人的数理模型的参数识别中使用的所述机器人的动作轨道中的、满足所述参数的识别条件的轨道；
数据取得部，取得示出根据由所述轨道生成部生成的轨道使所述机器人动作时产生的物理量的数据；以及
识别部，基于由所述轨道生成部生成的所述轨道和由所述数据取得部取得的所述数据，识别所述数理模型的参数。
2.根据权利要求1所述的参数识别装置，其中，
所述参数的识别条件是可识别性。
3.根据权利要求1或2所述的参数识别装置，其中，
所述轨道生成部生成所述机器人不与障碍物干扰的所述轨道。
4.根据权利要求1至3中的任意一项所述的参数识别装置，其中，
所述轨道生成部通过运动计划来生成所述轨道。
5.根据权利要求1至4中的任意一项所述的参数识别装置，其中，
所述轨道生成部在经由点已被指定的情况下生成经由所述经由点的轨道。
6.根据权利要求1至5中的任意一项所述的参数识别装置，其中，
包括模型取得部，所述模型取得部通过接受所述数理模型的输入、或者基于所述机器人的机构信息算出所述数理模型，从而取得所述数理模型。
7.根据权利要求6所述的参数识别装置，其中，
所述模型取得部设定基于CAD模型的值作为所述数理模型的参数的初始估计解。
8.根据权利要求1至7中的任意一项所述的参数识别装置，其中，
所述数理模型是所述机器人的动力学模型或运动学模型、或者所述机器人的负荷物的动力学模型或运动学模型。
9.根据权利要求1至8中的任意一项所述的参数识别装置，其中，
示出所述物理量的数据是包括所述机器人中产生的转矩和所述机器人动作时的至少姿势的数据。
10.根据权利要求1至8中的任意一项所述的参数识别装置，其中，
所述轨道是所述机器人的至少姿势的序列数据，
示出所述物理量的数据是包括所述机器人中产生的转矩的数据。
11.根据权利要求1至10中的任意一项所述的参数识别装置，其中，
所述轨道生成部生成设定有能够设定的最大速度及加速度的轨道。
12.一种参数识别方法，
轨道生成部生成在关于机器人的数理模型的参数识别中使用的所述机器人的动作轨道中的、满足所述参数的识别条件的轨道，
数据取得部取得示出根据由所述轨道生成部生成的轨道使所述机器人动作时产生的物理量的数据，
识别部基于由所述轨道生成部生成的所述轨道和由所述数据取得部取得的所述数据，识别所述数理模型的参数。
13.一种参数识别程序，用于使计算机作为如下各部发挥功能：
轨道生成部，生成在关于机器人的数理模型的参数的识别中使用的所述机器人的动作轨道中的、满足所述参数的识别条件的轨道；
数据取得部，取得示出按照由所述轨道生成部生成的轨道使所述机器人动作时产生的物理量的数据；以及
识别部，基于由所述轨道生成部生成的所述轨道和由所述数据取得部取得的所述数据，识别所述数理模型的参数。
CN201980038715.7A 2018-07-17 2019-03-11 参数识别装置、方法以及程序 Pending CN112272601A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018-134105 2018-07-17
JP2018134105A JP2020011320A (ja) 2018-07-17 2018-07-17 パラメータ同定装置、方法、及びプログラム
PCT/JP2019/009815 WO2020017092A1 (ja) 2018-07-17 2019-03-11 パラメータ同定装置、方法、及びプログラム

Publications (1)

Publication Number Publication Date
CN112272601A true CN112272601A (zh) 2021-01-26

Family

ID=69164376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980038715.7A Pending CN112272601A (zh) 2018-07-17 2019-03-11 参数识别装置、方法以及程序

Country Status (5)

Country Link
US (1) US20210213606A1 (zh)
EP (1) EP3825075A4 (zh)
JP (1) JP2020011320A (zh)
CN (1) CN112272601A (zh)
WO (1) WO2020017092A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116834025A (zh) * 2023-05-15 2023-10-03 合肥合滨智能机器人有限公司 一种机械臂动力学标准参数的辨识方法

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7275940B2 (ja) * 2019-07-08 2023-05-18 オムロン株式会社 制御プログラムおよび方法
EP4019206A4 (en) * 2019-08-22 2022-08-17 NEC Corporation ROBOT CONTROL SYSTEM, ROBOT CONTROL METHOD AND RECORDING MEDIA
JP7441047B2 (ja) * 2020-01-10 2024-02-29 三菱重工業株式会社 経路生成装置、制御装置、検査システム、経路生成方法およびプログラム
JP7400644B2 (ja) 2020-07-02 2023-12-19 株式会社デンソー 動作経路生成装置、動作経路生成方法および動作経路生成プログラム
US11945117B2 (en) 2021-03-10 2024-04-02 Samsung Electronics Co., Ltd. Anticipating user and object poses through task-based extrapolation for robot-human collision avoidance
US20220288777A1 (en) * 2021-03-10 2022-09-15 Samsung Electronics Company, Ltd. Parameterized Waypoint Generation on Dynamically Parented Non-Static Objects for Robotic Autonomous Tasks
US11833691B2 (en) 2021-03-30 2023-12-05 Samsung Electronics Co., Ltd. Hybrid robotic motion planning system using machine learning and parametric trajectories
WO2022244060A1 (ja) * 2021-05-17 2022-11-24 日本電気株式会社 動作計画装置、動作計画方法及び記憶媒体
CN113910229B (zh) * 2021-10-14 2023-01-31 库卡机器人制造（上海）有限公司 负载参数识别方法、识别装置、可读存储介质和机器人
CN114179126B (zh) * 2021-12-07 2024-06-18 广东盈峰智能环卫科技有限公司 机械臂在线动力学辨识的方法、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04340601A (ja) * 1991-05-17 1992-11-27 Sanyo Electric Co Ltd 逆動力学的モデルの基底パラメ−タの同定方法
JPH05277976A (ja) * 1992-03-31 1993-10-26 Nippon Telegr & Teleph Corp <Ntt> 動力学モデルパラメータ同定装置
WO2006117022A1 (en) * 2005-05-02 2006-11-09 Abb Research Ltd A method for control of an industrial robot
CN104321167A (zh) * 2012-06-26 2015-01-28 Abb技术有限公司 调节动态机器人模型的参数
CN104736304A (zh) * 2012-10-19 2015-06-24 伊诺斯自动化软件有限责任公司 工业机器人的在线校准方法,执行该方法的系统和包括该校准系统的工业机器人
JP2016120581A (ja) * 2014-12-25 2016-07-07 シンフォニアテクノロジー株式会社 多関節ロボット及び多関節ロボットの制御方法
JP2017136677A (ja) * 2015-07-29 2017-08-10 キヤノン株式会社 情報処理装置、情報処理方法、ロボット制御装置及びロボットシステム
CN107703756A (zh) * 2017-11-03 2018-02-16 广州视源电子科技股份有限公司 动力学模型参数辨识方法、装置、计算机设备及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06190754A (ja) 1991-04-26 1994-07-12 Toshiba Corp ロボットアームの動的モデルの同定方法
JPH05250005A (ja) * 1992-03-09 1993-09-28 Nippon Telegr & Teleph Corp <Ntt> 補償トルク算出方法
US7620477B2 (en) * 2006-07-05 2009-11-17 Battelle Energy Alliance, Llc Robotic intelligence kernel
DE102006055917B4 (de) * 2006-11-27 2014-11-27 Kuka Roboter Gmbh Industrieroboter und Verfahren zum Erkennen eines ungenau parametrierten Robotermodells
US9981383B1 (en) * 2016-08-02 2018-05-29 X Development Llc Real-time trajectory generation for actuators of a robot to reduce chance of collision with obstacle(s)
CN108237534B (zh) * 2018-01-04 2020-04-03 清华大学深圳研究生院 一种连续型机械臂的空间避障轨迹规划方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04340601A (ja) * 1991-05-17 1992-11-27 Sanyo Electric Co Ltd 逆動力学的モデルの基底パラメ−タの同定方法
JPH05277976A (ja) * 1992-03-31 1993-10-26 Nippon Telegr & Teleph Corp <Ntt> 動力学モデルパラメータ同定装置
WO2006117022A1 (en) * 2005-05-02 2006-11-09 Abb Research Ltd A method for control of an industrial robot
CN104321167A (zh) * 2012-06-26 2015-01-28 Abb技术有限公司 调节动态机器人模型的参数
CN104736304A (zh) * 2012-10-19 2015-06-24 伊诺斯自动化软件有限责任公司 工业机器人的在线校准方法,执行该方法的系统和包括该校准系统的工业机器人
JP2016120581A (ja) * 2014-12-25 2016-07-07 シンフォニアテクノロジー株式会社 多関節ロボット及び多関節ロボットの制御方法
JP2017136677A (ja) * 2015-07-29 2017-08-10 キヤノン株式会社 情報処理装置、情報処理方法、ロボット制御装置及びロボットシステム
CN107703756A (zh) * 2017-11-03 2018-02-16 广州视源电子科技股份有限公司 动力学模型参数辨识方法、装置、计算机设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116834025A (zh) * 2023-05-15 2023-10-03 合肥合滨智能机器人有限公司 一种机械臂动力学标准参数的辨识方法
CN116834025B (zh) * 2023-05-15 2023-12-05 合肥合滨智能机器人有限公司 一种机械臂动力学标准参数的辨识方法

Also Published As

Publication number Publication date
JP2020011320A (ja) 2020-01-23
EP3825075A4 (en) 2021-12-01
WO2020017092A1 (ja) 2020-01-23
EP3825075A1 (en) 2021-05-26
US20210213606A1 (en) 2021-07-15

Similar Documents

Publication Publication Date Title
CN112272601A (zh) 参数识别装置、方法以及程序
CN110576436B (zh) 路径计划装置、路径计划方法以及计算机可读记录介质
JP5754454B2 (ja) ロボットピッキングシステム及び被加工物の製造方法
CN110355751B (zh) 控制装置和机器学习装置
KR102003216B1 (ko) 로봇을 위한 모터 제어 및/또는 조정
US11745355B2 (en) Control device, control method, and non-transitory computer-readable storage medium
CN111328305B (zh) 控制设备、作业机器人、程序和控制方法
Zhao et al. Efficient trajectory optimization for robot motion planning
US10307863B2 (en) Control of redundant laser processing machines
Qazani et al. A model predictive control-based motion cueing algorithm with consideration of joints’ limitations for hexapod motion platform
CN111496776B (zh) 机器人系统、机器人控制方法、机器人控制器及记录介质
US20220388170A1 (en) Alternate Route Finding for Waypoint-based Navigation Maps
EP3912768A1 (en) Route generator, route generation method, and route generation program
EP4400274A1 (en) Command value generating device, method, and program
Quiñonez et al. Simulation and path planning for quadcopter obstacle avoidance in indoor environments using the ROS framework
JP5573275B2 (ja) 特徴点抽出装置及びこれを用いた動作教示装置、動作処理装置
JP2020062741A (ja) 制御装置、作業ロボット、プログラム、及び、制御方法
JP2021030360A (ja) モデル生成装置、モデル生成方法、制御装置及び制御方法
Li et al. Dual loop compliant control based on human prediction for physical human-robot interaction
JP4848838B2 (ja) 経路作成装置及び経路作成方法
CN112714683A (zh) 机器人控制装置、方法以及程序
CN113386127B (zh) 干涉判断装置及方法、存储介质
CN112262026B (zh) 加速度调整装置及存储介质
JP2022183723A (ja) 処理装置、サーボシステム、処理方法、およびプログラム
JP2020062740A (ja) 制御装置、作業ロボット、プログラム、及び、制御方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210126

WD01 Invention patent application deemed withdrawn after publication