CN116018244A - 机器人的碰撞检测装置 - Google Patents

机器人的碰撞检测装置 Download PDF

Info

Publication number
CN116018244A
CN116018244A CN202080103192.2A CN202080103192A CN116018244A CN 116018244 A CN116018244 A CN 116018244A CN 202080103192 A CN202080103192 A CN 202080103192A CN 116018244 A CN116018244 A CN 116018244A
Authority
CN
China
Prior art keywords
robot
unit
torque
threshold value
estimation error
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
CN202080103192.2A
Other languages
English (en)
Inventor
前川清石
斋藤晓生
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.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric 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 Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Publication of CN116018244A publication Critical patent/CN116018244A/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
    • B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
    • B25J9/1676—Avoiding collision or forbidden zones
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/40—Robotics, robotics mapping to robotics vision
    • G05B2219/40201—Detect contact, collision with human

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Manipulator (AREA)

Abstract

机器人的碰撞检测装置(1)具有：驱动扭矩运算单元(3)，其对机器人的驱动扭矩的推定值进行运算；扭矩推定误差模型学习单元(5)，其对基于用于对机器人进行驱动的电动机电流而计算出的驱动扭矩和由驱动扭矩运算单元(3)计算出的推定值之差与差的波动进行学习；阈值运算单元(8)，其基于由扭矩推定误差模型学习单元(5)学习到的扭矩推定误差模型对阈值进行运算；以及碰撞判别单元(9)，其通过对基于用于对机器人进行驱动的电动机电流而计算出的驱动扭矩和由驱动扭矩运算单元(3)计算出的推定值之差与由阈值运算单元(8)计算出的阈值进行比较，从而对机器人和物体的碰撞进行判别。

Description

机器人的碰撞检测装置
技术领域
本发明涉及在机器人与机器人周边的物体发生了碰撞的情况下对机器人与物体发生了碰撞进行检测的机器人的碰撞检测装置。
背景技术
以往，机器人在机器人与机器人周边的装置或与作业者发生了接触或碰撞的情况下，对机器人与装置或与作业者发生了接触或碰撞进行检测而停止动作，由此防止机器人周边的装置或作业者及机器人本身发生损伤。以往，机器人控制器对为了进行由机器人实施的动作所需的扭矩的值进行运算，并且基于实际的电动机电流值或在驱动机构部设置的扭矩传感器的测定值而导出扭矩测量值。机器人控制器对所需的扭矩的值和扭矩测量值进行比较，在所需的扭矩的值和扭矩测量值之差超过阈值的情况下，判定为机器人与机器人周边的装置或与作业者发生了碰撞。为了高灵敏度地对机器人与机器人周边的装置或与作业者发生了碰撞进行检测，需要不引起误检测而尽可能减小阈值的技术。
专利文献1公开了下述技术，即，对与机器人的惯性力及摩擦力相关的参数进行推定，使用推定出的参数使为了进行由机器人实施的动作所需的扭矩的运算的精度或推定的精度提高。专利文献1还公开了下述技术，即，通过使用高通滤波器，从而减少没有通过对所需的扭矩进行运算的运算部进行模型化的要因的影响。
专利文献1：日本特表2016－511699号公报
发明内容
现有技术虽然例如应对了在机器人的指尖安装的手部所抓持的工件的变化的影响这样的与机器人的动力学相关的参数的变动，但没有考虑在相同条件下使机器人动作的情况下的扭矩发生波动的影响。即，在现有技术中，在扭矩的波动大的动作中，机器人尽管没有与机器人周边的装置或与作业者发生碰撞，但也有可能误检测为发生了碰撞。另外，在现有技术中，例如为了将由传递机构引起的弹性的影响或摩擦的非线性度这样的没有模型化的要因的影响去除而使用了高通滤波器，但例如在发生机器人缓慢地与机器人周边的装置或与作业者抵接这样的碰撞的情况下，仅考虑高频区域的误差有可能漏掉不易检测的碰撞。
本发明就是鉴于上述情况而提出的，其目的在于得到考虑没有模型化的要因的影响，并且一边防止误检测，一边在机器人与机器人周边的物体发生了碰撞的情况下，以比较高的灵敏度对机器人与物体发生了碰撞进行检测的机器人的碰撞检测装置。
为了解决上述课题，并达到目的，本发明所涉及的机器人的碰撞检测装置具有：驱动扭矩运算单元，其对机器人的驱动扭矩的推定值进行运算；扭矩推定误差模型学习单元，其对基于用于对机器人进行驱动的电动机电流而计算出的驱动扭矩或者从设置于驱动部的扭矩传感器导出的驱动扭矩和由驱动扭矩运算单元计算出的推定值之差与差的波动进行学习；阈值运算单元，其基于由扭矩推定误差模型学习单元学习到的扭矩推定误差模型对阈值进行运算；以及碰撞判别单元，其通过对基于用于对机器人进行驱动的电动机电流而计算出的驱动扭矩和由驱动扭矩运算单元计算出的推定值之差与由阈值运算单元计算出的阈值进行比较，从而对机器人和物体的碰撞进行判别。
发明的效果
本发明所涉及的机器人的碰撞检测装置具有下述效果，即，将没有模型化的要因的影响包含其波动进行考虑，并且一边防止误检测，一边在机器人与机器人周边的物体发生了碰撞的情况下，能够以比较高的灵敏度对机器人与物体发生了碰撞进行检测。
附图说明
图1是表示实施方式1所涉及的机器人的碰撞检测装置的结构的图。
图2是表示实施方式2所涉及的机器人的碰撞检测装置的结构的图。
图3是表示实施方式5所涉及的机器人的碰撞检测装置的结构的图。
图4是表示实施方式6所涉及的机器人的碰撞检测装置的结构的图。
图5是表示实施方式8所涉及的机器人的碰撞检测装置的结构的图。
图6是表示实施方式9所涉及的机器人的碰撞检测装置的结构的图。
图7是表示实施方式1所涉及的机器人的碰撞检测装置所具有的驱动扭矩运算单元、动作状态运算单元、扭矩推定误差模型学习单元、换算单元、误差计算单元、阈值运算单元及碰撞判别单元的至少一部分由处理器实现的情况下的处理器的图。
图8是表示实施方式1所涉及的机器人的碰撞检测装置所具有的驱动扭矩运算单元、动作状态运算单元、扭矩推定误差模型学习单元、换算单元、误差计算单元、阈值运算单元及碰撞判别单元的至少一部分由处理电路实现的情况下的处理电路的图。
具体实施方式
下面，基于附图，对实施方式所涉及的机器人的碰撞检测装置详细地进行说明。
实施方式1.
图1是表示实施方式1所涉及的机器人的碰撞检测装置1的结构的图。下面，有时将机器人的碰撞检测装置1记载为“碰撞检测装置1”。碰撞检测装置1具有对机器人进行控制的机器人控制装置2。
在图1中没有示出机器人。
机器人控制装置2具有驱动扭矩运算单元3，该驱动扭矩运算单元3接收表示对机器人进行驱动的各轴的电动机位置的信息而对机器人的驱动扭矩的推定值进行运算。驱动扭矩运算单元3关于电动机位置进行差分而对各轴的电动机速度和电动机加速度进行计算。驱动扭矩运算单元3基于电动机位置、电动机速度及电动机加速度和下述的机器人的运动方程式(1)，对机器人的驱动扭矩进行计算。
τ＝M(q)a+h(q，v)+g(q)+f(v) · · · (1)
在式(1)中，“τ”是由机器人的各轴的驱动扭矩构成的矢量，“q”是由将机器人的各轴的电动机位置换算为传递机构的输出位置后的机器人的各轴的位置构成的矢量。“a”是由将电动机加速度换算为机器人的各轴的传递机构的输出加速度后的机器人的各轴的加速度构成的矢量，“v”是由将电动机速度换算为机器人的各轴的传递机构的输出速度后的机器人的各轴的速度构成的矢量。
M(q)a是机器人的各轴的惯性力，h(q，v)是离心科里奥利力，g(q)是重力，f(v)是摩擦力，均成为驱动扭矩的要素。摩擦力成为与速度方向相对应地决定的库仑摩擦力和通过速度的朝向和大小决定的粘性摩擦力之和。最简单的粘性摩擦力的模型是速度比例的模型，在实施方式1中采用速度比例的粘性摩擦模型。粘性摩擦力的模型可以是速度的多项式的模型或速度的幂指数的模型。
碰撞检测装置1还具有动作状态运算单元4，该动作状态运算单元4位于机器人控制装置2的外部。动作状态运算单元4对与机器人的动作状态相关的状态量进行运算。进一步而言，动作状态运算单元4对包含与电动机速度相关的信息、与电动机加速度相关的信息和机器人的驱动扭矩的要素的一部分之中的全部或一部分在内的状态量进行运算。机器人的驱动扭矩的要素的一部分是惯性力M(q)a、离心科里奥利力h(q，v)、重力g(q)、摩擦力f(v)的任意者或者M(q)a+h(q，v)等驱动扭矩要素彼此之和。在实施方式1中，动作状态运算单元4对表示电动机位置的信息进行接收，关于电动机位置进行差分而对电动机速度进行计算，对表示将电动机速度换算为机器人的各轴的传递机构的输出速度后的机器人的各轴的速度的动作状态量进行计算。
碰撞检测装置1还具有扭矩推定误差模型学习单元5，该扭矩推定误差模型学习单元5位于机器人控制装置2的外部。扭矩推定误差模型学习单元5对基于用于对机器人进行驱动的电动机电流而计算出的驱动扭矩和由驱动扭矩运算单元3计算出的驱动扭矩的推定值之差与差的波动进行学习。动作状态运算单元4将表示动作状态量的信息输出至扭矩推定误差模型学习单元5。扭矩推定误差模型学习单元5对由动作状态运算单元4计算出的状态量进行学习而作为校正函数的输入信号。动作状态运算单元4及扭矩推定误差模型学习单元5的一者或两者可以位于机器人控制装置2的内部。
机器人控制装置2还具有换算单元6，该换算单元6与电动机的扭矩常数及传递机构的传动比相对应地对电动机电流进行换算而对机器人的各轴的驱动扭矩的测定值即测量扭矩进行计算。碰撞检测装置1还具有误差计算单元7，该误差计算单元7位于机器人控制装置2的外部。驱动扭矩运算单元3将表示驱动扭矩的推定值即推定扭矩的信息输出至误差计算单元7。换算单元6将表示测量扭矩的信息输出至误差计算单元7。误差计算单元7从通过换算单元6得到的测量扭矩减去通过驱动扭矩运算单元3计算出的推定扭矩而对测量扭矩与推定扭矩的差即扭矩推定误差进行计算。误差计算单元7将表示扭矩推定误差的信息输出至扭矩推定误差模型学习单元5。
扭矩推定误差模型学习单元5在进行学习时，对从动作状态运算单元4输出的表示动作状态量的信息和从误差计算单元7输出的表示扭矩推定误差的信息进行接收。扭矩推定误差模型学习单元5针对每个轴，具有使用非参数化的方法的学习单元5a。学习单元5a使用高斯过程回归。非参数化的学习单元5a可以使用内核密度推定或K附近法。
在扭矩推定误差模型学习单元5进行学习时，将动作状态运算单元4的输出设为x1、x2、···、xn，将与xi相对应的测量扭矩和由驱动扭矩运算单元3计算出的推定扭矩之差设为yi。n是大于或等于2的整数，i是大于或等于1且小于或等于n的整数。扭矩推定误差模型学习单元5将由输入x和输出y构成的n个配对D＝{(x1，y1)、(x2，y2)、···、(xn，yn)}作为学习数据，对在高斯过程回归中使用的内核函数的超参数进行学习。作为高斯过程回归的内核函数，熟知高斯内核及径向基函数(Radial Basis Function、RBF)内核，扭矩推定误差模型学习单元5采用RBF作为内核函数。扭矩推定误差模型学习单元5也可以使用RBF以外的内核函数，例如指数内核或周期内核。
扭矩推定误差模型学习单元5在结束学习后，得到用于对针对新的输入x＊的y＊的预测分布进行计算的扭矩推定误差模型。下述的式(2)示出了扭矩推定误差模型的例子。
P(y＊|x＊，D)＝N(k＊TK－1y，k＊＊－k＊TK－1k＊)···
(2)
式(2)的k＊通过下述的式(3)表示，式(2)的k＊＊通过下述的式(4)表示。
k＊＝(k(x＊，x1)，k(x＊，x2)，···，k(x＊，xn))T···(3)
k＊＊＝k(x＊，x＊) · ·· (4)
k()是内核函数。K是被称为内核矩阵的矩阵，该矩阵的第ij成分是k(xi，xj)。j是大于或等于1且小于或等于n的整数。N(b，σ2)是平均为b且方差为σ2的高斯分布的概率密度函数。
机器人控制装置2还具有对表示电动机位置的信息进行接收的阈值运算单元8。扭矩推定误差模型学习单元5将表示扭矩推定误差模型的信息输出至阈值运算单元8。阈值运算单元8基于由扭矩推定误差模型学习单元5学习到的扭矩推定误差模型对阈值进行运算。具体地说，阈值运算单元8实施与由动作状态运算单元4进行的运算相同的运算。在通过动作状态运算单元4进行了电动机速度的运算的情况下进行电动机速度的运算，在进行了电动机加速度的运算的情况下进行电动机加速度的运算，在进行了驱动扭矩的要素的一部分例如惯性力M(q)a的运算的情况下进行惯性力M(q)a的运算。在实施方式1中，阈值运算单元8关于电动机位置进行差分而对电动机速度进行计算，对将电动机速度换算为机器人的各轴的传递机构的输出速度后的机器人的各轴的速度进行运算。阈值运算单元8将各轴的速度作为式(2)的x＊而实施式(2)的运算。
机器人控制装置2还具有碰撞判别单元9。阈值运算单元8在实施式(2)的运算后，将±2σ的范围的上限值和下限值作为阈值，将表示阈值的信息输出至碰撞判别单元9。阈值运算单元8在进行式(2)的计算时，可以进行按照定义的计算，例如可以使用如辅助变量法这样的削减高斯过程回归的计算量的方法。碰撞判别单元9对基于用于对机器人进行驱动的电动机电流而计算出的驱动扭矩和由驱动扭矩运算单元3计算出的推定值之差与由阈值运算单元8计算出的阈值进行比较，由此对机器人和物体有无碰撞进行判别。
驱动扭矩运算单元3将表示计算出的推定扭矩的信息输出至碰撞判别单元9。换算单元6将表示测量扭矩的信息输出至碰撞判别单元9。碰撞判别单元9对从驱动扭矩运算单元3、换算单元6及阈值运算单元8输出的信息进行接收。碰撞判别单元9在通过换算单元6得到的测量扭矩和通过驱动扭矩运算单元3计算出的推定扭矩之差大于或等于上限值或小于或等于下限值的情况下，判别为机器人和物体的碰撞会发生或已发生，使机器人停止。
实施方式1所涉及的机器人的碰撞检测装置1对基于用于对机器人进行驱动的电动机电流而计算出的驱动扭矩与由驱动扭矩运算单元3计算出的推定值之差、与由阈值运算单元8计算出的阈值进行比较，由此对机器人和物体的碰撞进行判别。阈值运算单元8基于由扭矩推定误差模型学习单元5学习到的扭矩推定误差模型对阈值进行运算。因此，机器人的碰撞检测装置1能够对考虑了由于没有通过驱动扭矩运算单元3进行模型化的传递机构的弹性或摩擦的非线性度这样的扭矩推定误差而造成的影响和扭矩推定误差的波动的阈值进行设定。其结果，机器人的碰撞检测装置1能够一边防止误检测，一边在机器人与物体发生了碰撞的情况下，以比较高的灵敏度对机器人与物体发生了碰撞进行判定。
进一步而言，机器人的碰撞检测装置1具有：动作状态运算单元4，其对与机器人的动作状态相关的状态量进行运算；扭矩推定误差模型学习单元5，其对由动作状态运算单元4计算出的状态量进行学习而作为校正函数的输入信号；以及阈值运算单元8，其基于由扭矩推定误差模型学习单元5学习到的扭矩推定误差模型对阈值进行运算。因此，机器人的碰撞检测装置1能够对考虑了与机器人的动作状态相关的状态量、存在相关性、由于没有由驱动扭矩运算单元3进行模型化的扭矩推定误差造成的影响和扭矩推定误差的波动的阈值进行设定。其结果，机器人的碰撞检测装置1考虑没有模型化的要因的影响，并且在一边防止误检测、一边机器人与机器人周边的物体发生了碰撞的情况下，能够以比较高的灵敏度对机器人与物体发生了碰撞进行检测。
此外，在实施方式1中，动作状态运算单元4及阈值运算单元8对将电动机速度换算为传递机构的输出速度后的各轴的速度进行运算。机器人的碰撞检测装置1可以不将换算为传递机构的输出速度后的各轴的速度，而是将电动机速度用作x1、x2、···、xn及x＊。机器人的碰撞检测装置1可以不将各轴的电动机速度，而是将各轴的电动机速度的范数，或对电动机速度换算为传递机构的输出速度后的各轴的速度的范数用作x1、x2、···、xn及x＊。
实施方式2.
图2是表示实施方式2所涉及的机器人的碰撞检测装置1A的结构的图。机器人的碰撞检测装置1A具有实施方式1所涉及的机器人的碰撞检测装置1所具有的全部结构要素之中的除了换算单元6以外的结构要素。机器人的碰撞检测装置1A具有机器人控制装置2A，该机器人控制装置2A具有驱动扭矩运算单元3、阈值运算单元8及碰撞判别单元9，不具有换算单元6。在实施方式2中，主要对与实施方式1的差异点进行说明。
在实施方式2中，机器人的各轴的驱动扭矩的测量值即测量扭矩由在机器人的驱动部设置的扭矩传感器进行测量。在图2中没有示出驱动部及扭矩传感器。表示测量扭矩的信息由误差计算单元7及碰撞判别单元9接收。驱动扭矩运算单元3基于下述的式(5)，对除了驱动部的摩擦扭矩和电动机自身的加减速扭矩以外的驱动扭矩的推定值进行运算。
τ＝ML(q)a+h(q，v)+g(q) · · · (5)
在式(5)中，ML(q)是通过扭矩传感器将电动机侧的各轴的惯量从机器人的惯性矩阵去除而得到的。上述的惯量包含电动机自身的惯量。
扭矩推定误差模型学习单元5对由扭矩传感器测量出的驱动扭矩和由驱动扭矩运算单元3计算出的驱动扭矩的推定值之差与差的波动进行学习。碰撞判别单元9通过对由扭矩传感器测量出的驱动扭矩和由驱动扭矩运算单元3计算出的推定值之差与由阈值运算单元8计算出的阈值进行比较，从而对机器人和物体的碰撞进行判别。
实施方式2所涉及的机器人的碰撞检测装置1A能够基于通过不受电动机及传递机构的影响的扭矩传感器得到的测量扭矩，对考虑了传递机构的弹性及来自安装于机器人的线缆的张力这样的没有通过驱动扭矩运算单元3进行模型化的扭矩推定误差的要因的影响和扭矩推定误差的波动的阈值进行设定。因此，机器人的碰撞检测装置1A考虑没有模型化的要因的影响，并且能够一边防止误检测，一边在机器人与物体发生了碰撞的情况下，以比较高的灵敏度对机器人与物体发生了碰撞进行判定。
实施方式3.
图1也是表示实施方式3所涉及的机器人的碰撞检测装置的结构的图。在实施方式1中，动作状态运算单元4对表示电动机位置的信息进行接收，在关于电动机位置进行差分而计算出电动机速度后，对将电动机速度换算为传递机构的输出速度后的各轴的速度进行计算而作为动作状态量。在实施方式3中，动作状态运算单元4对表示电动机位置的信息进行接收，在关于电动机位置进行2次差分而计算出电动机加速度后，对将电动机加速度换算为传递机构的输出加速度后的各轴的加速度进行计算而作为动作状态量。
阈值运算单元8如果接收到表示电动机位置的信息，则实施与由动作状态运算单元4进行的运算相同的运算。具体地说，阈值运算单元8关于电动机位置进行2次差分而对电动机加速度进行计算，对将电动机加速度换算为传递机构的输出加速度后的各轴的加速度进行运算。接下来，阈值运算单元8将针对每个轴导出的各轴的加速度作为式(2)的x＊而实施式(2)的运算。除了上述事项以外的事项与实施方式1相同，因此省略除了上述事项以外的事项的说明。
实施方式3所涉及的机器人的碰撞检测装置，能够以比较高的精度对与各轴的加速度或加速度范数具有相关性的各轴的扭矩推定误差的影响进行校正。
此外，动作状态运算单元4及阈值运算单元8对将电动机加速度换算为传递机构的输出加速度后的各轴的加速度进行计算。电动机加速度在式(2)的运算或扭矩推定误差模型学习单元5的学习中被使用。可以不将各轴的电动机加速度、而是将各轴的电动机加速度的范数或对电动机加速度换算为传递机构的输出加速度后的各轴的加速度的范数用作x1、x2、···、xn及x＊。
实施方式4.
图1也是表示实施方式4所涉及的机器人的碰撞检测装置的结构的图。在实施方式1中，动作状态运算单元4对表示电动机位置的信息进行接收，在关于电动机位置进行差分而计算出电动机速度后，对将电动机速度换算为传递机构的输出速度后的各轴的速度进行计算而作为动作状态量。在实施方式4中，动作状态运算单元4对表示电动机位置的信息进行接收，在关于电动机位置进行差分而计算出电动机速度及电动机加速度后，对将电动机速度换算为传递机构的输出速度后的各轴的速度进行计算，并且对将电动机加速度换算为传递机构的输出加速度后的各轴的加速度进行计算，基于下述的式(6)对动作状态量τ进行计算。计算出的动作状态量τ在扭矩推定误差模型学习单元5的学习中被使用。
τ＝M(q)a+h(q，v)+g(q) · · · (6)
阈值运算单元8如果接收到表示电动机位置的信息，则与动作状态运算单元4同样地对电动机速度及电动机加速度进行计算。阈值运算单元8对将电动机速度换算为传递机构的输出速度后的各轴的速度和将电动机加速度换算为传递机构的输出加速度后的各轴的加速度进行计算，将基于式(6)而计算出的动作状态量τ的各轴的要素作为式(2)的x＊而实施式(2)的运算。除了上述事项以外的事项与实施方式1相同，因此省略除了上述事项以外的事项的说明。
实施方式4所涉及的机器人的碰撞检测装置，能够以比较高的精度对各轴的驱动扭矩或与驱动扭矩具有相关性的各轴的扭矩推定误差的影响进行校正。
此外，在上述说明中，动作状态运算单元4将式(6)的各要素M(q)a、h(q，v)及g(q)之和设为动作状态量。M(q)a、h(q，v)及g(q)均是驱动扭矩的要素的一部分，由于不包含摩擦力f(v)，因此M(q)a、h(q，v)及g(q)之和也成为驱动扭矩的要素的一部分的例子。但是，动作状态运算单元4也可以将M(q)a、h(q，v)及g(q)的任一个作为动作状态量。该情况也成为使用驱动扭矩的要素的一部分的例子。阈值运算单元8可以实施式(6)的运算，也可以使用驱动扭矩运算单元3的运算结果。并且可以取代式(6)的各要素M(q)a、h(q，v)及g(q)之和，而是将相加至摩擦力f(v)为止的与式(1)的运算结果相同的运算结果作为动作状态量。在将与式(1)的运算结果相同的运算结果用作动作状态量的情况下，阈值运算单元8可以实施式(1)的运算，也可以使用驱动扭矩运算单元3的运算结果。
实施方式5.
图3是表示实施方式5所涉及的机器人的碰撞检测装置1B的结构的图。机器人的碰撞检测装置1B具有实施方式1所涉及的机器人的碰撞检测装置1所具有的全部结构要素之中的除了驱动扭矩运算单元3以外的结构要素。机器人的碰撞检测装置1B取代驱动扭矩运算单元3而具有驱动扭矩运算单元3B。机器人的碰撞检测装置1B具有机器人控制装置2B，该机器人控制装置2B具有驱动扭矩运算单元3B、换算单元6、阈值运算单元8及碰撞判别单元9。机器人的碰撞检测装置1B还具有参数同定单元10，该参数同定单元10位于机器人控制装置2B的外部。参数同定单元10可以位于机器人控制装置2B的内部。在实施方式5中，主要对与实施方式1的差异点进行说明。
参数同定单元10基于预先测定出的数据对由驱动扭矩运算单元3B使用的运动方程式的参数的值进行同定。即，参数同定单元10对式(1)的机器人的运动方程式的参数的全部或一部分进行同定。参数同定单元10在对式(1)的机器人的运动方程式的参数的全部进行同定的情况下，使用将使用质量、重心位置及摩擦系数这样的参数自身或质量×重心位置这样的大于或等于两个参数得到的运算结果视作新的参数而构成的矢量p，将式(1)变形为下述的式(7)。而且，参数同定单元10基于通过各时刻的位置、速度及加速度而导出的矢量Yp和导出矢量Yp时的驱动扭矩τ使用最小二乘法对参数p进行计算。计算出的参数p在驱动扭矩运算单元3B使用式(1)进行的运算中被使用。即，驱动扭矩运算单元3B使用通过参数同定单元10同定的参数的值对驱动扭矩的推定值进行运算。
τ＝M(q)a+h(q，v)+g(q)+f(v)＝Yp Tp··· (7)
参数同定单元10在对式(1)的机器人的运动方程式的参数的一部分进行同定的情况下，参数值设为已知，将基于从同定的对象偏离的参数进行计算的惯性矩阵、离心力、重力及摩擦力各自设为M0(q)、h0(q，v)、g0(q)、f0(v)，将由同定对象的参数构成的矢量设为p1，将式(1)的运动方程式变形为下述的式(8)。
τ＝M0(q)a+h0(q，v)+g0(q)+f0(v)+Yp1 Tp1···(8)
τ0通过下述的式(9)进行定义。
τ0＝M0(q)a+h0(q，v)+g0(q)+f0(v) ··· (9)
参数同定单元10基于通过各时刻的位置、速度及加速度而导出的τ0和导出τ0时的驱动扭矩τ对τ1＝τ－τ0进行计算，与通过各时刻的位置、速度及加速度而导出的Yp1相匹配地，使用最小二乘法对参数p1进行计算。计算出的参数p1在驱动扭矩运算单元3B使用式(1)进行的运算中被使用。驱动扭矩运算单元3B和驱动扭矩运算单元3的差异点在于，驱动扭矩运算单元3B使用计算出的参数p或计算出的参数p1。
实施方式5所涉及的机器人的碰撞检测装置1B能够使与机器人的动态特性相关的模型的参数值的精度提高，一边防止误检测，一边在机器人与物体发生了碰撞的情况下，以比较高的灵敏度对机器人与物体发生了碰撞进行检测。进一步而言，机器人的碰撞检测装置1B即使上述的参数值未知，也能够一边防止误检测，一边在机器人与物体发生了碰撞的情况下，以比较高的灵敏度对机器人与物体发生了碰撞进行检测。
实施方式6.
图4是表示实施方式6所涉及的机器人的碰撞检测装置1C的结构的图。机器人的碰撞检测装置1C具有实施方式1所涉及的机器人的碰撞检测装置1所具有的全部结构要素之中的除了驱动扭矩运算单元3以外的结构要素。机器人的碰撞检测装置1C取代驱动扭矩运算单元3而具有驱动扭矩运算单元3C。机器人的碰撞检测装置1C还具有在线参数同定单元11。机器人的碰撞检测装置1C具有机器人控制装置2C，该机器人控制装置2C具有驱动扭矩运算单元3C、换算单元6、阈值运算单元8、碰撞判别单元9及在线参数同定单元11。在实施方式6中，主要对与实施方式1的差异点进行说明。
在线参数同定单元11基于机器人的动作中的数据对由驱动扭矩运算单元3C使用的运动方程式的参数的值进行同定。例如，在线参数同定单元11通过使用自适应同定方法，从而在机器人的动作中对式(1)的运动方程式的参数之中的值未知的参数及值在机器人的动作中变动的参数的值进行同定。在线参数同定单元11对式(1)的机器人的运动方程式的参数的全部或一部分进行同定。
在线参数同定单元11在对式(1)的机器人的运动方程式的参数的全部进行同定的情况下，将第k个同定周期中的式(7)的τ设为τ[k]，将Yp设为Yp[k]，将第k个同定周期中的p的同定值设为p[k]，将同定周期设为moit，基于下述的式(10)、式(11)及式(12)进行同定。k是大于或等于1且小于或等于n的整数。
R[k]＝R[k－1]+moit＊(－k1＊R[k－1]+Yp[k]Yp
[k]T)···(10)
r[k]＝r[k－1]+moit＊(－k1＊r[k－1]+τ[k]＊Yp
[k])···(11)
p[k]＝p[k－1]－moit＊G1·(R[k]·p[k－1]－r[k])···(12)
k1是用于对同定的速度进行调整的加权系数，G1是用于对同定的速度进行调整的增益矩阵。
在线参数同定单元11在对式(1)的机器人的运动方程式的参数的一部分进行同定的情况下，在式(10)、式(11)及式(12)中，将τ置换为τ1，并且将Yp置换为Yp1，取代p而对参数p1进行同定。在线参数同定单元11将表示同定的参数值的信息输出至驱动扭矩运算单元3C。驱动扭矩运算单元3C对从在线参数同定单元11输出的信息进行接收，将接收到的信息所示的参数值用于运动方程式的计算。即，驱动扭矩运算单元3C在对驱动扭矩的推定值进行运算的情况下，使用由在线参数同定单元11同定的值。驱动扭矩运算单元3C和驱动扭矩运算单元3的差异点在于，在驱动扭矩运算单元3C对驱动扭矩的推定值进行运算的情况下，使用由在线参数同定单元11同定的值。此外，在线参数同定单元11将表示逐次更新后的参数值的信息输出至驱动扭矩运算单元3C。
实施方式6所涉及的机器人的碰撞检测装置1C在与机器人的动态特性相关的参数的值在机器人的动作中发生变动的情况下，也能够使与机器人的动态特性相关的模型的参数的值的精度提高，一边防止误检测，一边在机器人与物体发生了碰撞的情况下，以比较高的灵敏度对机器人与物体发生了碰撞进行检测。
实施方式7.
图1也是表示实施方式7所涉及的机器人的碰撞检测装置的结构的图。在实施方式1中，动作状态运算单元4对表示电动机位置的信息进行接收，在关于电动机位置进行差分而计算出电动机速度后，对将电动机速度换算为传递机构的输出速度后的各轴的速度进行计算而作为动作状态量。在实施方式7中，动作状态运算单元4对表示电动机位置的信息进行接收，在关于电动机位置进行差分而计算出电动机速度及电动机加速度后，对将电动机速度换算为传递机构的输出速度后的各轴的速度和将电动机加速度换算为传递机构的输出加速度后的各轴的加速度进行计算。动作状态运算单元4对由各轴的速度和各轴的加速度构成的矢量进行计算而作为动作状态量。
在实施方式1中，扭矩推定误差模型学习单元5及阈值运算单元8所使用的内核函数的输入的要素为标量，但在实施方式7中该要素为矢量。实施方式7所涉及的机器人的碰撞检测装置能够以比较高的精度对与各轴的加速度及速度这两者具有相关性的各轴的扭矩推定误差的影响进行校正。
矢量的加速度可以被置换为对将电动机加速度换算为传递机构的输出加速度后的各轴的加速度乘以加权系数而得到的值。动作状态运算单元4不仅对学习对象的轴的速度及加速度进行计算而作为动作状态量，还可以对由全部轴的速度及加速度构成的矢量进行计算而作为动作状态量。动作状态运算单元4可以对由全部轴的位置、全部轴的速度和将全部轴的加速度乘以加权而得到的结果构成的矢量进行计算而作为动作状态量。
实施方式8.
图5是表示实施方式8所涉及的机器人的碰撞检测装置1D的结构的图。机器人的碰撞检测装置1D具有实施方式1所涉及的机器人的碰撞检测装置1所具有的全部结构要素之中的除了阈值运算单元8以外的结构要素。机器人的碰撞检测装置1D取代阈值运算单元8而具有阈值运算单元8D。机器人的碰撞检测装置1D具有机器人控制装置2D，该机器人控制装置2D具有驱动扭矩运算单元3、换算单元6、阈值运算单元8D及碰撞判别单元9。机器人的碰撞检测装置1D还具有近似函数学习单元12，该近似函数学习单元12位于机器人控制装置2D的外部。在实施方式8中，主要对与实施方式1的差异点进行说明。
近似函数学习单元12基于由扭矩推定误差模型学习单元5学习到的扭矩推定误差模型对近似函数进行学习。具体地说，近似函数学习单元12接收用于对预测分布进行计算的式(2)和式(2)的导出所使用的数据。在追加数据的情况下，近似函数学习单元12还接收动作状态运算单元4的输出。近似函数学习单元12使用在式(2)中内置的函数及参数、扭矩推定误差模型学习单元5在学习时使用的数据和从动作状态运算单元4新追加的数据，通过学习而获得将扭矩推定误差的推定值的±2σ的范围的上限值和下限值设为输出的近似函数。例如，近似函数是前馈型的神经网络或递归型的神经网络。
近似函数学习单元12在学习后，将表示学习到的近似函数的信息输出至阈值运算单元8D。阈值运算单元8D使用由近似函数学习单元12学习到的近似函数对阈值进行运算。即，阈值运算单元8D使用由近似函数学习单元12导出的近似函数对阈值进行运算。具体地说，阈值运算单元8D如果接收到表示电动机位置的信息，则进行与动作状态运算单元4相同的运算，将运算结果输入至从近似函数学习单元12获取的近似函数，将近似函数中的运算结果作为+侧及－侧的阈值而输出至碰撞判别单元9。+侧的阈值是上述的上限值，－侧的阈值是上述的下限值。除了上述事项以外的事项与实施方式1相同，因此省略除了上述事项以外的事项的说明。
实施方式8所涉及的机器人的碰撞检测装置1D，在阈值的运算时不使用扭矩推定误差模型，而是使用近似函数，因此能够使阈值的运算量变得比较少，因此，能够以比较短的时间进行阈值的运算。
实施方式9.
图6是表示实施方式9所涉及的机器人的碰撞检测装置1E的结构的图。机器人的碰撞检测装置1E具有实施方式1所涉及的机器人的碰撞检测装置1所具有的全部结构要素之中的除了扭矩推定误差模型学习单元5及阈值运算单元8以外的结构要素。机器人的碰撞检测装置1E取代扭矩推定误差模型学习单元5而具有扭矩推定误差模型学习单元5E，取代阈值运算单元8而具有阈值运算单元8E。机器人的碰撞检测装置1E还具有对温度进行测量的温度测量单元13。例如，温度测量单元13是在对机器人的各轴的电动机的角度进行测定的编码器安装的温度传感器。机器人的碰撞检测装置1E具有机器人控制装置2E，该机器人控制装置2E具有驱动扭矩运算单元3、换算单元6、阈值运算单元8E、碰撞判别单元9及温度测量单元13。在实施方式9中，主要对与实施方式1的差异点进行说明。
在机器人的碰撞检测装置1E进行学习时，温度测量单元13将表示测量出的温度的信息输出至扭矩推定误差模型学习单元5E。扭矩推定误差模型学习单元5E使用由温度测量单元13测量出的温度进行学习。在实施方式1中，扭矩推定误差模型学习单元5在进行学习时，作为高斯过程回归的输入而使用机器人的各轴的速度。扭矩推定误差模型学习单元5E作为机器人的各轴的高斯过程回归的输入，使用由各轴的速度和各轴的温度构成的矢量。扭矩推定误差模型学习单元5E和扭矩推定误差模型学习单元5的差异点在于，扭矩推定误差模型学习单元5E作为机器人的各轴的高斯过程回归的输入而使用由各轴的速度和各轴的温度构成的矢量。上述各轴的温度可以被置换为通过对上述各轴的温度乘以加权系数而得到的值。
在机器人的碰撞检测装置1E对机器人的动作中的机器人和物体有无碰撞进行判定时，温度测量单元13将表示测量出的温度的信息输出至阈值运算单元8E。阈值运算单元8E使用由温度测量单元13测量出的温度对阈值进行运算。在实施方式1中，阈值运算单元8使用的内核函数的输入的要素是各轴的速度。阈值运算单元8E使用由各轴的速度和各轴的温度构成的矢量。阈值运算单元8E使用由温度测量单元13测量出的温度对阈值进行运算。阈值运算单元8E和阈值运算单元8的差异点在于，阈值运算单元8E使用由温度测量单元13测量出的温度对阈值进行运算。在扭矩推定误差模型学习单元5E进行学习时使用通过对各轴的温度乘以加权系数而得到的值的情况下，阈值运算单元8E使用由各轴的速度和通过对各轴的温度乘以加权系数而得到的值构成的矢量。除了上述事项以外的事项与实施方式1相同，因此省略除了上述事项以外的事项的说明。
实施方式9所涉及的机器人的碰撞检测装置1E，能够以比较高的精度对与各轴的温度具有相关性的各轴的扭矩推定误差的影响进行校正，进而能够一边防止误检测，一边在机器人与物体发生了碰撞的情况下，以比较高的灵敏度对机器人与物体发生了碰撞进行检测。
图7是表示实施方式1所涉及的机器人的碰撞检测装置1所具有的驱动扭矩运算单元3、动作状态运算单元4、扭矩推定误差模型学习单元5、换算单元6、误差计算单元7、阈值运算单元8及碰撞判别单元9的至少一部分由处理器71实现的情况下的处理器71的图。即，驱动扭矩运算单元3、动作状态运算单元4、扭矩推定误差模型学习单元5、换算单元6、误差计算单元7、阈值运算单元8及碰撞判别单元9的至少一部分的功能可以由执行在存储器72中储存的程序的处理器71实现。
处理器71是CPU(Central Processing Unit)、处理装置、运算装置、微处理器或DSP(Digital Signal Processor)。在图7中还示出了存储器72。
在驱动扭矩运算单元3、动作状态运算单元4、扭矩推定误差模型学习单元5、换算单元6、误差计算单元7、阈值运算单元8及碰撞判别单元9的至少一部分的功能由处理器71实现的情况下，该至少一部分的功能由处理器71和软件、固件或软件和固件的组合实现。软件或固件作为程序记述，储存于存储器72。处理器71将在存储器72中存储的程序读出而执行，由此实现驱动扭矩运算单元3、动作状态运算单元4、扭矩推定误差模型学习单元5、换算单元6、误差计算单元7、阈值运算单元8及碰撞判别单元9的至少一部分的功能。
在驱动扭矩运算单元3、动作状态运算单元4、扭矩推定误差模型学习单元5、换算单元6、误差计算单元7、阈值运算单元8及碰撞判别单元9的至少一部分的功能由处理器71实现的情况下，机器人的碰撞检测装置1具有存储器72，该存储器72用于对由驱动扭矩运算单元3、动作状态运算单元4、扭矩推定误差模型学习单元5、换算单元6、误差计算单元7、阈值运算单元8及碰撞判别单元9执行的程序步的至少一部分最终得以执行的程序进行储存。在存储器72中储存的程序可以说是使计算机执行驱动扭矩运算单元3、动作状态运算单元4、扭矩推定误差模型学习单元5、换算单元6、误差计算单元7、阈值运算单元8及碰撞判别单元9所执行的顺序或方法的至少一部分。
存储器72例如是RAM(Random Access Memory)、ROM(Read Only Memory)、闪存、EPROM(Erasable Programmable Read Only Memory)、EEPROM(注册商标)(ElectricallyErasable Programmable Read-Only Memory)等非易失性或者易失性的半导体存储器、磁盘、软盘、光盘、压缩盘、迷你盘或DVD(Digital Versatile Disk)等。
图8是表示实施方式1所涉及的机器人的碰撞检测装置1所具有的驱动扭矩运算单元3、动作状态运算单元4、扭矩推定误差模型学习单元5、换算单元6、误差计算单元7、阈值运算单元8及碰撞判别单元9的至少一部分由处理电路81实现的情况下的处理电路81的图。即，驱动扭矩运算单元3、动作状态运算单元4、扭矩推定误差模型学习单元5、换算单元6、误差计算单元7、阈值运算单元8及碰撞判别单元9的至少一部分可以由处理电路81实现。
处理电路81是专用的硬件。处理电路81例如是单一电路、复合电路、被程序化的处理器、被并行程序化的处理器、ASIC(Application Specific Integrated Circuit)、FPGA(Field-Programmable Gate Array)或它们的组合。
驱动扭矩运算单元3、动作状态运算单元4、扭矩推定误差模型学习单元5、换算单元6、误差计算单元7、阈值运算单元8及碰撞判别单元9的一部分可以由与剩余部分不同的专用硬件实现。
关于驱动扭矩运算单元3、动作状态运算单元4、扭矩推定误差模型学习单元5、换算单元6、误差计算单元7、阈值运算单元8及碰撞判别单元9的多个功能，该多个功能的一部分可以由软件或固件实现，该多个功能的剩余部分可以由专用的硬件实现。如上所述，驱动扭矩运算单元3、动作状态运算单元4、扭矩推定误差模型学习单元5、换算单元6、误差计算单元7、阈值运算单元8及碰撞判别单元9的多个功能能够由硬件、软件、固件或它们的组合实现。
实施方式2所涉及的机器人的碰撞检测装置1A所具有的驱动扭矩运算单元3、动作状态运算单元4、扭矩推定误差模型学习单元5、误差计算单元7、阈值运算单元8及碰撞判别单元9的至少一部分的功能可以由执行在存储器中储存的程序的处理器实现。该存储器是与存储器72相同的存储器，该处理器是与处理器71相同的处理器。上述的驱动扭矩运算单元3、动作状态运算单元4、扭矩推定误差模型学习单元5、误差计算单元7、阈值运算单元8及碰撞判别单元9的至少一部分也可以由处理电路实现。该处理电路是与处理电路81相同的处理电路。
实施方式3、4及7所涉及的机器人的碰撞检测装置各自所具有的驱动扭矩运算单元3、动作状态运算单元4、扭矩推定误差模型学习单元5、换算单元6、误差计算单元7、阈值运算单元8及碰撞判别单元9的至少一部分的功能可以由执行在存储器中储存的程序的处理器实现。该存储器是与存储器72相同的存储器，该处理器是与处理器71相同的处理器。实施方式3、4及7所涉及的机器人的碰撞检测装置各自所具有的驱动扭矩运算单元3、动作状态运算单元4、扭矩推定误差模型学习单元5、换算单元6、误差计算单元7、阈值运算单元8及碰撞判别单元9的至少一部分也可以由处理电路实现。该处理电路是与处理电路81相同的处理电路。
实施方式5所涉及的机器人的碰撞检测装置1B所具有的驱动扭矩运算单元3B、动作状态运算单元4、扭矩推定误差模型学习单元5、换算单元6、误差计算单元7、阈值运算单元8、碰撞判别单元9及参数同定单元10的至少一部分的功能可以由执行在存储器中储存的程序的处理器实现。该存储器是与存储器72相同的存储器，该处理器是与处理器71相同的处理器。上述的驱动扭矩运算单元3B、动作状态运算单元4、扭矩推定误差模型学习单元5、换算单元6、误差计算单元7、阈值运算单元8、碰撞判别单元9及参数同定单元10的至少一部分也可以由处理电路实现。该处理电路是与处理电路81相同的处理电路。
实施方式6所涉及的机器人的碰撞检测装置1C所具有的驱动扭矩运算单元3C、动作状态运算单元4、扭矩推定误差模型学习单元5、换算单元6、误差计算单元7、阈值运算单元8、碰撞判别单元9及在线参数同定单元11的至少一部分的功能可以由执行在存储器中储存的程序的处理器实现。该存储器是与存储器72相同的存储器，该处理器是与处理器71相同的处理器。上述的驱动扭矩运算单元3C、动作状态运算单元4、扭矩推定误差模型学习单元5、换算单元6、误差计算单元7、阈值运算单元8、碰撞判别单元9及在线参数同定单元11的至少一部分也可以由处理电路实现。该处理电路是与处理电路81相同的处理电路。
实施方式8所涉及的机器人的碰撞检测装置1D所具有的驱动扭矩运算单元3、动作状态运算单元4、扭矩推定误差模型学习单元5、换算单元6、误差计算单元7、阈值运算单元8D、碰撞判别单元9及近似函数学习单元12的至少一部分的功能可以由执行在存储器中储存的程序的处理器实现。该存储器是与存储器72相同的存储器，该处理器是与处理器71相同的处理器。上述的驱动扭矩运算单元3、动作状态运算单元4、扭矩推定误差模型学习单元5、换算单元6、误差计算单元7、阈值运算单元8D、碰撞判别单元9及近似函数学习单元12的至少一部分也可以由处理电路实现。该处理电路是与处理电路81相同的处理电路。
实施方式9所涉及的机器人的碰撞检测装置1E所具有的驱动扭矩运算单元3、动作状态运算单元4、扭矩推定误差模型学习单元5E、换算单元6、误差计算单元7、阈值运算单元8E、碰撞判别单元9及温度测量单元13的至少一部分的功能可以由执行在存储器中储存的程序的处理器实现。该存储器是与存储器72相同的存储器，该处理器是与处理器71相同的处理器。上述的驱动扭矩运算单元3、动作状态运算单元4、扭矩推定误差模型学习单元5E、换算单元6、误差计算单元7、阈值运算单元8E、碰撞判别单元9及温度测量单元13的至少一部分也可以由处理电路实现。该处理电路是与处理电路81相同的处理电路。
以上的实施方式所示的结构表示一个例子，也能够与其他公知技术组合，也能够将实施方式彼此组合，在不脱离主旨的范围也能够将结构的一部分省略、变更。
标号的说明
1、1A、1B、1C、1D、1E机器人的碰撞检测装置，2、2A、2B、2C、2D、2E机器人控制装置，3、3B、3C驱动扭矩运算单元，4动作状态运算单元，5、5E扭矩推定误差模型学习单元，5a学习单元，6换算单元，7误差计算单元，8、8D、8E阈值运算单元，9碰撞判别单元，10参数同定单元，11在线参数同定单元，12近似函数学习单元，13温度测量单元，71处理器，72存储器，81处理电路。

Claims (12)

1.一种机器人的碰撞检测装置，其特征在于，具有：
驱动扭矩运算单元，其对机器人的驱动扭矩的推定值进行运算；
扭矩推定误差模型学习单元，其对基于用于对所述机器人进行驱动的电动机电流而计算出的驱动扭矩、和由所述驱动扭矩运算单元计算出的所述推定值之差与所述差的波动进行学习；
阈值运算单元，其基于由所述扭矩推定误差模型学习单元学习到的扭矩推定误差模型对阈值进行运算；以及
碰撞判别单元，其通过对基于用于对所述机器人进行驱动的所述电动机电流而计算出的所述驱动扭矩和由所述驱动扭矩运算单元计算出的所述推定值之差、与由所述阈值运算单元计算出的所述阈值进行比较，从而对所述机器人和物体的碰撞进行判别。
2.一种机器人的碰撞检测装置，其特征在于，具有：
驱动扭矩运算单元，其对机器人的驱动扭矩的推定值进行运算；
扭矩推定误差模型学习单元，其对由在所述机器人的驱动部设置的扭矩传感器测量出的驱动扭矩、和由所述驱动扭矩运算单元计算出的所述推定值之差与所述差的波动进行学习；
阈值运算单元，其基于由所述扭矩推定误差模型学习单元学习到的扭矩推定误差模型对阈值进行运算；以及
碰撞判别单元，其通过对由所述扭矩传感器测量出的所述驱动扭矩和由所述驱动扭矩运算单元计算出的所述推定值之差、与由所述阈值运算单元计算出的所述阈值进行比较，从而对所述机器人和物体的碰撞进行判别。
3.根据权利要求1或2所述的机器人的碰撞检测装置，其特征在于，
所述扭矩推定误差模型学习单元具有使用非参数化的方法的学习单元。
4.根据权利要求3所述的机器人的碰撞检测装置，其特征在于，
所述学习单元使用高斯过程回归。
5.根据权利要求1至4中任一项所述的机器人的碰撞检测装置，其特征在于，
还具有参数同定单元，该参数同定单元基于预先测定出的数据对由所述驱动扭矩运算单元使用的运动方程式的参数的值进行同定，
所述驱动扭矩运算单元使用由所述参数同定单元同定的值对所述推定值进行运算。
6.根据权利要求1至4中任一项所述的机器人的碰撞检测装置，其特征在于，
还具有在线参数同定单元，该在线参数同定单元基于所述机器人的动作中的数据对由所述驱动扭矩运算单元使用的运动方程式的参数的值进行同定，
所述驱动扭矩运算单元在对所述推定值进行运算的情况下，使用由所述在线参数同定单元同定的值。
7.根据权利要求1至6中任一项所述的机器人的碰撞检测装置，其特征在于，
还具有动作状态运算单元，该动作状态运算单元对与所述机器人的动作状态相关的状态量进行运算，
所述扭矩推定误差模型学习单元对由所述动作状态运算单元计算出的所述状态量进行学习而作为校正函数的输入信号。
8.根据权利要求7所述的机器人的碰撞检测装置，其特征在于，
所述动作状态运算单元对包含与电动机速度相关的信息在内的所述状态量进行运算。
9.根据权利要求7所述的机器人的碰撞检测装置，其特征在于，
所述动作状态运算单元对包含与电动机加速度相关的信息在内的所述状态量进行运算。
10.根据权利要求7所述的机器人的碰撞检测装置，其特征在于，
所述动作状态运算单元对包含所述机器人的驱动扭矩的要素的一部分在内的所述状态量进行运算。
11.根据权利要求1至10中任一项所述的机器人的碰撞检测装置，其特征在于，
还具有近似函数学习单元，该近似函数学习单元基于由所述扭矩推定误差模型学习单元学习到的所述扭矩推定误差模型对近似函数进行学习，
所述阈值运算单元使用由所述近似函数学习单元导出的所述近似函数对所述阈值进行运算。
12.根据权利要求1至11中任一项所述的机器人的碰撞检测装置，其特征在于，
还具有温度测量单元，该温度测量单元对温度进行测量，
所述扭矩推定误差模型学习单元使用由所述温度测量单元测量出的温度进行学习，
所述阈值运算单元使用由所述温度测量单元测量出的温度对所述阈值进行运算。
CN202080103192.2A 2020-10-05 2020-10-05 机器人的碰撞检测装置 Pending CN116018244A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/037680 WO2022074703A1 (ja) 2020-10-05 2020-10-05 ロボットの衝突検知装置

Publications (1)

Publication Number Publication Date
CN116018244A true CN116018244A (zh) 2023-04-25

Family

ID=81126753

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080103192.2A Pending CN116018244A (zh) 2020-10-05 2020-10-05 机器人的碰撞检测装置

Country Status (4)

Country Link
JP (1) JP7325656B2 (zh)
CN (1) CN116018244A (zh)
DE (1) DE112020007659T5 (zh)
WO (1) WO2022074703A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI764377B (zh) * 2020-11-16 2022-05-11 達明機器人股份有限公司 機器人安全補償重量的系統及方法
JP7398024B1 (ja) 2023-07-04 2023-12-13 株式会社ユーシン精機 衝突検知方法及び衝突検知システム

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5902425B2 (ja) * 2011-09-21 2016-04-13 株式会社東芝 ロボット制御装置、外乱判定方法およびアクチュエータ制御方法
JP2014018941A (ja) * 2012-07-23 2014-02-03 Daihen Corp 制御装置、及び制御方法
FR3002048B1 (fr) 2013-02-14 2016-07-01 Commissariat Energie Atomique Procede de detection amelioree de collision d'un robot avec son environnement, systeme et produit programme d'ordinateur mettant en œuvre le procede
JP6572265B2 (ja) * 2017-06-30 2019-09-04 ファナック株式会社 制御装置及び機械学習装置
CN107253196B (zh) * 2017-08-01 2021-05-04 中科新松有限公司 一种机械臂碰撞检测方法、装置、设备及存储介质
JP7105646B2 (ja) * 2018-08-02 2022-07-25 株式会社神戸製鋼所 ロボット制御装置、ロボット制御方法及びプログラム

Also Published As

Publication number Publication date
DE112020007659T5 (de) 2023-08-03
JPWO2022074703A1 (zh) 2022-04-14
WO2022074703A1 (ja) 2022-04-14
JP7325656B2 (ja) 2023-08-14

Similar Documents

Publication Publication Date Title
CN109219738B (zh) 异常诊断装置及异常诊断方法
US8442685B2 (en) Robot control apparatus
CN109219924B (zh) 异常诊断装置及异常诊断方法
JP6706741B2 (ja) ロボットの衝突検出方法
CN116018244A (zh) 机器人的碰撞检测装置
US20180089589A1 (en) Machine learning device and machine learning method for learning optimal object grasp route
CN113748597B (zh) 电动机控制装置
CN113365788B (zh) 作业判别装置及作业判别方法
CN112549024B (zh) 基于时间序列分析的机器人免传感碰撞检测方法及应用
JP5575272B2 (ja) エレベーターのドア制御システム
US20180361576A1 (en) Learning device, controller, and control system
CN111347421A (zh) 用于扭矩估计的方法和装置
CN108472809B (zh) 机器人和用于运行机器人的方法
KR100711072B1 (ko) 전동기 제어 장치의 기계 모델 추정 장치
WO2021192181A1 (ja) 摩擦補償装置、衝突検知装置、トルクフィードフォワード演算装置およびロボット制御装置並びに摩擦補償方法
JPWO2022074703A5 (zh)
JP6949284B1 (ja) 数値制御装置
JP5733516B2 (ja) 移動体把持装置と方法
JP7485302B2 (ja) 信頼性評価装置
US20230286150A1 (en) Robot control device
JP7184224B2 (ja) バックラッシ量測定装置、バックラッシ量測定方法、及びバックラッシ量測定プログラム
KR102482530B1 (ko) 인공지능 기반의 충돌 감지 기능을 갖는 로봇 시스템 및 로봇 관절의 충돌 감지를 위한 인공지능 기반의 학습 데이터 생성 방법
US20230202352A1 (en) Seat state detection apparatus
CN117798932A (zh) 一种工业机器人碰撞检测方法
JP2020203330A (ja) 直接教示装置及び直接教示方法

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