CN116194255A - 机器人控制装置及机器人控制方法 - Google Patents
机器人控制装置及机器人控制方法 Download PDFInfo
- Publication number
- CN116194255A CN116194255A CN202180060765.2A CN202180060765A CN116194255A CN 116194255 A CN116194255 A CN 116194255A CN 202180060765 A CN202180060765 A CN 202180060765A CN 116194255 A CN116194255 A CN 116194255A
- Authority
- CN
- China
- Prior art keywords
- grip
- point
- deformation
- force
- shape
- 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
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
- B25J9/1612—Programme controls characterised by the hand, wrist, grip control
-
- 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
- G05B2219/39—Robotics, robotics to robotics hand
- G05B2219/39469—Grip flexible, deformable plate, object and manipulate it
-
- 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
- G05B2219/39—Robotics, robotics to robotics hand
- G05B2219/39507—Control of slip motion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Manipulator (AREA)
Abstract
为了抓持对象物(70)而对机器人(10)及机器人手(20)进行控制,具有生成由机器人手(20)抓持的对象物(70)的抓持点的抓持点生成部(31),抓持点生成部(31)具有:变形评价部(33),其对由于机器人手(20)的抓持动作而对象物(70)的形状变形时的形状变形信息进行计算;以及抓持点决定部(36),其基于形状变形信息而决定对象物(70)的抓持点。
Description
技术领域
本发明涉及为了抓持对象物而不使对象物掉落,对机器人及在该机器人的指尖部设置的末端执行器发出动作指令的机器人控制装置及机器人控制方法。
背景技术
在现有的机器人控制装置中存在下述方法,即,为了决定末端执行器(机器人手)相对于对象物的抓持点,基于对象物的测量信息对对象物的形状及重量进行测量,推定对象物的重心位置,将经过其重心位置附近的点设为抓持点(例如,参照专利文献1)。
专利文献1:日本特开2008-49459号公报(第9~10页,图2)
非专利文献1:“用于形状控制的流变物体的变形模型”德本真一,平井慎一:日本机器人学会杂质Vol.18No.8(P1143,式(1)~
(3))
发明内容
在现有的机器人控制装置中,在进行将配置有大于或等于2个的不定形物体设为对象物的拣选作业的情况下,如果考虑到干涉,则不一定能够抓持到经过重心位置那样的位置,有时由于伴随抓持的变形而对象物从机器人手下落。其结果,存在拣选作业的成功率降低,生产效率降低这一课题。
本发明就是为了解决上述这样的问题而提出的,得到在将具有柔软性的对象物、不定形物体设为对象物的拣选作业中,能够以高成功率抓持对象物,能够缩短生产节拍时间而将生产效率维持得高的机器人控制装置。
本发明所涉及的机器人控制装置为了抓持对象物而对机器人及机器人的机器人手进行控制,该机器人控制装置具有抓持点生成部,该抓持点生成部生成由机器人手抓持的对象物的抓持点,抓持点生成部具有:变形评价部,其对由于机器人手的抓持动作而对象物的形状变形时的形状变形信息进行计算;以及抓持点决定部,其基于形状变形信息而决定对象物的抓持点。
发明的效果
根据本发明,在将具有柔软性的对象物、不定形物体设为对象物的拣选作业中,能够以高成功率抓持对象物,能够缩短生产节拍时间而将生产效率维持得高。
附图说明
图1是实施方式1所涉及的机器人系统的整体图。
图2是表示实施方式1所涉及的机器人控制装置的结构的框图。
图3是表示实施方式1所涉及的抓持点生成部的结构的框图。
图4是表示实施方式1所涉及的指部和对象物之间的位置关系的图。
图5是表示实施方式1所涉及的对象物可移动的情况下的指部和对象物之间的位置关系的图。
图6是表示实施方式1所涉及的机器人控制装置的动作的流程图。
图7是将实施方式2所涉及的弹簧要素及减震要素组合后的物性模型。
图8是表示实施方式3所涉及的抓持点生成部的结构的框图。
图9是表示实施方式3所涉及的机器人控制装置的动作的流程图。
图10是表示实施方式4所涉及的指部和对象物之间的位置关系的图。
图11是表示实施方式5所涉及的指部和对象物之间的位置关系的图。
图12是表示实施方式6所涉及的抓持点生成部的结构的框图。
图13是表示实施方式6所涉及的其他抓持点生成部的结构的框图。
图14是表示实施方式7所涉及的抓持点生成部的结构的框图。
图15是实施方式9所涉及的抓持前的对象物的示意图。
图16是表示实施方式1至9所涉及的机器人控制装置的硬件结构的图。
具体实施方式
实施方式1.
图1是用于实施本发明的实施方式1所涉及的机器人系统的整体图。机器人系统以机器人和对机器人进行控制而使机器人动作的机器人控制装置的结构为基础。机器人10有时实施如将对象物抓持那样的被称为物料运输的作业。在该情况下,追加了具有测量装置60和机器人手20(末端执行器)的结构,该测量装置60为了取得对象物70的位置信息及形状信息而对对象物70的形状等信息进行测量,该机器人手20用于抓持对象物70。基于测量装置60而测量出的对象物70的信息在测量装置控制器50中被处理,将对象物70的信息输入至机器人控制装置30。
机器人控制装置30为了抓持对象物70而对机器人10及机器人10的机器人手20进行控制,具有生成由机器人手20抓持的对象物70的抓持点的抓持点生成部31。机器人控制装置30为了基于输入的对象物70的信息而由机器人手20抓持对象物70,对抓持对象物70的位置处的向机器人10的位置指令值及机器人手20的指部(指尖部)的打开位置进行运算。机器人控制装置30分别对机器人10的臂的关节和机器人手20的指部进行控制,以使得将机器人手20的指部控制在期望的位置。下面,机器人控制装置30对机器人10的臂的关节及机器人手20的指部之中的至少任一者进行控制,以使得机器人手20的指部移动至适当的位置。作为对象物70的信息而例示出对象物70的位置形状及形状信息。
并且,机器人控制装置30对机器人10输出运算出的位置指令值及机器人手20的指部的打开状态的位置指令值和闭合状态的位置指令值。机器人控制装置30针对机器人10的位置指令值而确定相对于机器人手20的位置指令值被执行的定时,作为各时刻t的位置指令值而发送至机器人10。由此,能够实现将机器人手20的指部设为打开状态而接近,在对象物70的抓持点将机器人手20的指部设为闭合状态而闭合的动作。在这里,机器人10的位置指令值只要没有特别声明,则设为平移3自由度和旋转3自由度的6自由度。另外,关于机器人手20的指部的位置指令值,依赖于手的种类,但如果是连杆构造,则通过指部前端位置或者打开宽度进行定义。此外,有时是指各驱动部的位置指令值,在这里,并不特别限定于手的构造,广泛地指能够指定的位置指令值。另外,在机器人手20的指部的致动器能够进行压力控制、力控制或者扭矩控制的情况下,能够对抓持力进行控制。下面,在指定出抓持力的情况下,设为将抓持力指令值赋予给抓持点候选。
“抓持点”是指机器人手20能够抓持对象物70的指部的位置姿态。在实际的机器人控制中,如前所述,在抓持点的位置姿态以外还需要各时刻t的位置指令值,但关于机器人手20能够到达对象物70的抓持点那样的机器人10的各关节的位置目标值,另行进行计算。此外,作为为了计算对象物70的抓持点而能够使用的信息,无需限定为对象物70的位置形状及形状信息。即,作为对象物70的信息,除了位置信息、形状信息这样的直接信息以外,也能够利用对象物70的温度信息、距离信息、颜色信息等间接信息而推定对象物70的位置信息、形状信息。
图2是表示机器人控制装置30的结构的框图。如图2所示,机器人控制装置30主要由抓持点生成部31和指令值生成部39构成。如图2所示,机器人控制装置30对机器人10应该移动的抓持点的位置进行运算,对机器人10进行控制以使得机器人手20移动至抓持点,机器人10进行抓持动作。抓持点生成部31使用机器人10的抓持对象即对象物70的形状信息,对对象物70的抓持点进行输出。
关于对象形状信息,具体地说,将作为测量装置60而通过视觉传感器得到的对象物70的图像信息或者距离信息作为点群而获得,通过进行计算而得到。除此以外,也可以实际上使用机器人手20通过机器人手20的指部而暂时抓持对象物70,基于抓持时的指部的位置信息而获得形状信息。另外,也可以作为测量装置60而使用距离测量传感器,基于对象物的剖面形状而获得形状信息。另外,也可以作为测量装置60而使用温度传感器,基于对象物70的大致位置、形状而获得形状信息。如上所述,作为测量装置60并不限定于视觉传感器。另外,也可以从测量装置60以外得到位置信息、形状信息、温度信息、距离信息、颜色信息等。
图3是表示抓持点生成部31的结构的框图。如图3所示,抓持点生成部31由抓持点候选生成部32、变形评价部33和抓持点决定部36构成。变形评价部33对由于机器人手20的抓持动作而所述对象物70的形状变形时的形状变形信息进行计算。另外,抓持点决定部36的抓持点决定部基于该形状变形信息所包含的对象物的变形量和对象物的变形后的几何约束条件,决定对象物的抓持点。下面,对各个结构部进行说明。
抓持点候选生成部32基于输入至机器人控制装置30的对象形状信息,生成机器人10所装载的机器人手20能够抓持的抓持点候选。此时,作为抓持点候选的生成方法,能够通过基于机器人手20的指部的行程(打开宽度),根据对象形状信息对整周的任意的2点间进行全探索的方法而进行探索。例如,将以2指部夹具为例的情况在后面记述的图4示出。
对象物的探索成为对椭圆形状的对象物的外周的任意2点进行选定的处理。变形评价部33相对于选择出的2点,使指部移动至对象物的内侧,进行抓持而进行后面记述的变形评价。此时,在指部作为约束条件而存在指部的可动方向、可动范围,因此探索本身不是全探索,能够执行将指部的开闭距离L0作为限制条件而在将候选点的2点间的距离和开闭距离L0进行比较的限制下进行探索的方法等,不对探索方法本身进行限定。
接下来,在变形评价部33中,针对由抓持点候选生成部32生成的多个抓持点候选各自的情况,如图4所示对期待的形状变形信息进行评价而输出。在形状变形信息中包含变形后的形状信息。为了对形状变形信息进行评价,假定通过各指部的点接触进行抓持,分别通过相对于对象物70发生变形的模型能够对期待的形状变形信息进行计算。
并且,关于以机器人手20所具有的指部的数量而存在的点接触部,针对产生的点i(i=1、2、3…)而假定适当的固定抓持力Fi,能够在各个点接触地点对相对于力而发生变形的力学关系进行计算。此时,为了对相对于力的变形量进行计算,将对象物70作为均质的形状进行处理,将弹簧常数设为K、将减震系数设为C,相对于产生指部的力的方向,作为刚体、弹性体或者流变物体而近似对象的特性而能够对形状变形信息进行评价。例如,如果是流变物体,则如非专利文献1所记载那样,已知位移和力之间的关系式成立。如以上所述,对抓持点进行指定,在适当的条件下发生形状变形,由此能够得到期待的形状变形信息。
最后,在抓持点决定部36中,进行基于由变形评价部33生成的形状变形信息而决定抓持点的处理。在抓持点决定部36中,对于针对多个抓持点候选而生成的各个形状变形信息,对几何约束的点进行提取而作为抓持点。具体地说,图4是约束的事例,图5所示的情况是没有被约束的事例。在这里,图4是表示机器人手20的指部和对象物70之间的位置关系的图。图4的(a)示出了机器人手20的指部抓持对象物70之前,图4的(b)及图4的(c)示出了机器人手20的指部抓持对象物70之后的位置关系。图5是表示对象物70可移动的情况下的指部和对象物70之间的位置关系的图。在图4及图5中,将机器人手20的指部进行开闭的方向设为X轴,将与沿指部的方向垂直,与X轴垂直的方向设为Y轴。
图4及图5所记载的从对象物70朝向外侧的黑箭头示出从外部作用力而试图使对象物70移动的方向。在该情况下,如果是图4的抓持方法,则基于对象物70的变形后的形状信息,即使在X轴方向及Y轴方向从外部作用力,对象物也被几何地约束,因此容易维持抓持状态。其原因在于,根据对象物70的变形后的形状信息和对象物70的变形后的进行抓持的指部之间的位置关系,几何约束成立。本实施方式的特征关注该点而对实现稳定抓持的抓持点候选进行提取。另一方面,在图5中,如果观察对象物70的变形后的形状信息及指部的位置关系,则在X方向同样地作用通过几何约束所实现的抓持稳定性,是不可动的状态。但是,在负Y方向,不作用几何约束,是抓持稳定性低的状态,是使对象物移动的状态。
以下,示出抓持点决定部36对抓持稳定性进行评价的方法的一个例子。如图4的(c)所示,变形评价部33作为对象物70的形状变形信息,将多个离散点DP1、DP2、···进行输出。离散点DP1、DP2、···是基于相对于对象物70发生变形的模型所期待的形状的轮廓而设定的。作为一个例子,抓持点决定部36根据离散点DP1、DP2、···的位置和指部的位置FP1、FP2之间的关系,判定几何约束是否成立,由此对抓持稳定性进行评价。
作为另一个例子,抓持点决定部36关于位于指部的位置FP1附近的多个离散点而求出第1近似曲线。抓持点决定部36基于位置FP1处的指部的轮廓,对与指部相关的多个离散点(未图示)进行设定,关于多个离散点而求出第2近似曲线。抓持点决定部36基于第1近似曲线和第2近似曲线,对指部的位置FP1附近的对象物70的形状(凸凹信息等)和位置FP1处的指部的形状(圆弧、长方形等)进行比较,判定几何约束是否成立,由此对抓持稳定性进行评价。作为比较方法,举出对象物70的形状和指部的形状的曲率的大小关系及第1近似曲线所具有的极大点和极小点的高低差等。抓持点决定部36关于位于指部的位置FP2附近的多个离散点及与位置FP2处的指部相关的多个离散点(未图示),也同样地求出近似曲线,通过与上述相同的方法对抓持稳定性进行评价。
作为其他一个例子,抓持点决定部36对将假想的力Fvir施加于对象物70时的离散点DP1、DP2、···的位置坐标进行确认,判定从施加前起的位置坐标的变化量是否小于或等于规定值,由此判定几何约束是否成立,对抓持稳定性进行评价。抓持点决定部36可以在即使多个离散点之中的一个的变化量超过规定值的情况下判定为抓持稳定性低,在多个离散点之中的一部分的变化量超过规定值的情况下判定为抓持稳定性低。假想的力Fvir设为从任意的方向对对象物70施加。
作为由抓持点决定部36对抓持稳定性进行评价的方法,举出上述3个,但并不限定于这些。
在提取出多个抓持点的情况下,例如能够对与重心位置最近的抓持点进行选择。在重心位置和抓持点之间的距离近的情况下,期待在抓持点附近的抓持力由于干扰等发生波动时能够将力偶抑制得小。
在这里,对机器人控制装置30的动作进行说明。图6是表示机器人控制装置的动作的流程图。首先,在步骤S101中,输入对象形状信息。接下来,在步骤S102中,抓持点候选生成部32基于输入的对象形状信息而生成机器人手20能够抓持的抓持点候选。接下来,在步骤S103中,变形评价部33针对多个抓持点候选各自的情况,对形状变形信息进行评价而输出。而且,在步骤S104中,抓持点决定部36基于形状变形信息而决定抓持点。
如以上所述,在具有抓持点生成部31的机器人控制装置30中,特别地,抓持点生成部31具有对通过手的抓持动作而对象物的形状发生变形时的形状变形信息进行计算的变形评价部33,和基于形状变形信息而决定对象物的抓持点的抓持点决定部36,由此针对柔软物体那样的不定形物体的对象物,通过对选定的抓持点进行抓持而使抓持失败大幅地减小,能够以高成功率抓持对象物,得到能够缩短生产节拍时间而将生产效率维持得高这一特别的效果。
此外,生产效率是指拣选作业等作业的速度。例如,作为生产效率的一个例子,是指生产节拍时间,将1次1秒的作业试验100次,如果100次成功,则评价为平均1秒/次的生产节拍时间,在将相同的作业试验100次而仅50次成功的情况下评价为平均2秒/次的生产节拍时间。以上,失败越少,则生产效率越提高。
实施方式2.
在本实施方式中,变形评价部33与实施方式1的不同点在于,还追加有对是否超过基于施加至对象物70的力和对象物70的位移之间的关系式而计算的力的上限值进行评价的结构。在实施方式1所记载的机器人控制装置30中,在满足几何约束的条件的基础上,在抓持点候选生成部32中对多个抓持点候选进行提取。变形评价部33从这些抓持点候选中,针对时间序列表现出的抓持力F(t)(在时刻t变化的值)对对象物70是否超过容许的变形量进行评价而施加于约束条件是本实施方式的特征。
变形评价部33基于施加至对象物70的抓持力和对象物70的位移之间的关系式及对象物70所能够容许的对象物70的变形量,对施加至对象物70的抓持力的上限值进行计算。而且,变形评价部33对从机器人手20施加至对象物70的抓持力是否超过上限值进行评价。另外,变形评价部33作为形状变形信息的一部分,将基于施加至对象物70的抓持力和对象物70的位移之间的关系式而计算的抓持力的时间序列信息输出至抓持点决定部36。
一般来说,作为柔软物体的类别通过变形的方法能够分类为3个。作为变形,存在如果在变形后卸载抓持力则形状会恢复的弹性体、形状不完全地恢复的流变体、以施加力的量发生变形的塑性体。另一方面,在柔软物体存在容许变形的上限。在超过变形的条件的情况下,会发生对象物70损坏或者损害商品价值这一现象。
此外,变形量通过力和施加该力的时间进行计算。力和变形量之间的关系式例如能够通过非专利文献1的记载而以算式方式表示。例如,在流变体、塑性体中,由于不恢复为原来的形状,因此如果如麦克斯维尔模型那样将弹性要素和减震要素串联连接的结构,则能够对物性模型进行模拟。
图7是将弹簧要素及减震要素组合后的物性模型。如图7所示,通过将弹簧要素、减震要素组合而构成物性模型。在图7中,将弹簧要素的弹簧常数通过K1表示,将减震要素的减震系数通过C1、C2表示。通过将多个进行串联·并联连接,从而例如能够表现出图7所示的物性模型。在这里,以图7的(b)所示的“麦克斯维尔模型”为例,对力和变形量的计算进行说明。
首先,将固定点设为P1,将使力作用的点设为P2,设定在P1和P2之间配置有设为弹簧常数K1的弹簧要素、设为减震系数C2的减震要素的物性模型。关于弹簧要素、减震要素各自的系数,根据设为对象的柔软物体而事先输入值。另外,关于各个系数,作为对象物70的物性,使用将已知的力(如1N、2N、3N…这样的值)输入而得到的时间序列的位置信息,由此也能够对弹簧要素、减震要素各自的系数进行推定。另外,在测量等困难的情况下,基于对象物70的物性,也能够利用与事先得到的类似的柔软物有关的系数。
在使用2个指手的情况下,赋予2个针对指部的抓持点。将它们设为抓持点PG1、PG2。此时,使抓持点PG2和作用力的点P2一致。另外,以矢量(P1P2)和矢量(PG1PG2)成为平行的方式设定。关于位移,将弹簧要素和减震要素的接合处的位移通过x1进行定义,将抓持点P2的位移通过x2进行定义。位移x1及位移x2的原点两者能够对自然长度的状态进行定义。此时,作为初始的位置关系,将k1的弹簧要素的长度设为X10,将减震要素的长度设为X20。
在如上所述的条件上,在从外部作用抓持力的时间序列数据F(t)时,通过对运动方程式进行运算,从而能够作为位移x1及位移x2的时间序列数据而求出。如非专利文献1所记载,通过使减震系数C2具有非线性特性,从而能够对流变物体的特性(具有残留位移)进行模拟。但是,关于物性模型的定义,并不限定于此,通过对系数、结构进行变更,从而能够应用于刚体、弹性体、流变物体、塑性体。
作为以上的运算结果,能够取得位移x2的位置的变化,因此能够与适当的抓持力的时间序列数据F(t)相应地求出发生了何种变形。特别地,在包含减震要素的情况下,有时卸载后的位置不恢复为原来的位置(x1=0且x2=0)。
实际上存在在将弹性要素和减震要素串联连接后,通过与弹性要素并联的关系而进一步追加减震要素那样的模型化等,根据对象物的特性而存在各种变化的模型化。因此,在本实施方式中物性模型的形式并不特别受到限定。
以上,如说明所述,根据本实施方式,变形评价部33能够仅对考虑了作为对象物70的抓持物体所容许的变形的抓持点进行提取,因此对会抓持失败的抓持点进行选择的比例减少,能够得到使生产效率提高这一特别的效果。另外,在由机器人手20对柔软的不定形物体即对象物70进行抓持的情况下,基于变形后的对象物70的形状和至此为止的力的时间序列信息,能够不损坏对象物70而对抓持稳定性高的抓持点进行选择。特别地,在机器人手20通过稍大的抓持力而抓持着对象物70的情况下,包含如果在既定的时间内卸载抓持力,则也能够容许对象物70的变形的情况。因此,失败减少,能够以高成功率抓持对象物70,得到能够缩短生产节拍时间而将生产效率维持得高这一特别的效果
接下来,对本实施方式的其他变形例进行说明。在作为对象物70而考虑食品的抓持的情况下,在美观性的观点下基于会损害商品价值这一理由,有时存在容许的变形量。在该情况下,如果仅基于先前举出的是否超过一定的上限值进行判定,则有时抓持点候选变得非常少。在该情况下,利用如果仅超过少量的时间上限,则变形量会收敛于容许的范围内。
即,在本实施方式中,变形评价部33作为形状变形信息的一部分,将作用于抓持点的力的大小即抓持力F(t)和施加大于或等于容许负载的力的时间t进行输出。在该情况下,能够基于通过时间序列表现出最终是否达到容许的变形量的抓持力F(t)进行评价。例如,抓持点决定部36作为形状变形信息,通过力和时间的阈值之间的大小关系,使用抓持点、抓持力、抓持时间对变形量是否处于容许范围内进行判定。由此,抓持点决定部36能够取得实现将食品的形状保持在一定的范围内的状态的抓持点及抓持力。在该结构的情况下,在抓持点信息中,包含抓持点的位置和抓持点处的抓持力(作用力)的信息。
另外,与抓持力、时间相关的阈值能够基于对象物70的变形量的容许范围换算为抓持力及抓持时间而求出。位移和力之间的关系能够参考非专利文献1的记载。但是,对象物70的变形量是否处于容许范围内的判定可以使用抓持点、抓持力、抓持时间对变形量进行计算,基于变形量而设定上限值。对象物70的变形量的上限值预先由本系统的用户针对每个食品而提供。在该情况下,机器人控制装置30也能够仅对考虑了作为对象物70的抓持物体所容许的变形的抓持点进行提取,因此对会抓持失败的抓持点进行选择的比例减少,能够以高成功率抓持对象物,能够得到能够缩短生产节拍时间而将生产效率维持得高这一特别的效果。
实施方式3.
在本实施方式中,与实施方式2的不同点在于,还具有抓持稳定性计算部,该抓持稳定性计算部进一步针对抓持点附近的变形后的力的平衡,通过针对预先确定的外力的力学稳定性进行抓持稳定性评价。图8是表示实施方式3所涉及的抓持点生成部的结构的框图。在图3所示的抓持点生成部31的结构的基础上,抓持点生成部31a还由抓持稳定性计算部34和结果DB(结果数据库)35构成。
抓持稳定性计算部34针对对象物70的抓持点附近的对象物70的变形后的力的平衡,对针对预先确定的外力的力学稳定性进行评价。另外,抓持稳定性计算部34对对象物70的抓持点附近的对象物70的变形后的力的平衡进行评价,对机器人手20针对对象物70的抓持力变得最小的对象物的抓持点进行提取。
抓持稳定性计算部34输入形状变形信息。首先,抓持稳定性计算部34关于机器人手20的指部各点和抓持对象,基于在变形后在抓持对象产生的力矢量进行计算。接下来,抓持稳定性计算部34根据对象物70的抓持点处的力的平衡,对对象物70是否没有移动进行评价。此时,在变形后的对象物70和机器人手20的指部发生几何约束(不可动)的情况下,通过机器人手20的指部的抓持力以外的力的作用,成为对象物70和指部被推压的状态,视作稳定的状态。
抓持稳定性计算部34判定是否能够维持“稳定状态”。对稳定的状态(稳定度)进行说明。将预先确定的外力设为Fdis,将与机器人手20的指部的力相应地对象物70变形的状态设为外力Fdis=0的状态。Fdis=0的状态下的稳定度能够基于力学上的力的平衡,评价力偶、加速力是否没有发生于对象物70。在力偶、加速力发生于对象物70的情况下,如果以防止向力偶、加速力发生的方向的对象物70的移动的方式由机器人手20的指部和对象物的变形后的形状构成,则几何约束成立,力偶、加速度被抵消,关于指定出的抓持点处的对象物的抓持而判定为“稳定状态”。
并且,抓持稳定性计算部34判定在将外力Fdis设定为0以外的情况下是否能够维持“稳定状态”。在施加外力Fdis的情况下,针对形状变形信息而进一步追加将抓持力F(t)和外力Fdis相加的情况下的变形。变形是利用前述的物性模型而通过位移和力之间的关系求出的。基于该形状变形信息而判定“稳定状态”。
并且,抓持稳定性计算部34也能够对机器人10进行了加减速的条件下的“稳定状态”进行判定。首先,在抓持的状态下如果进行加速或者减速,则在对象物产生惯性力。在惯性力的情况下,通过惯性力产生的外力Fdis(t)也能够通过对象物70的质量m和对象物70的加速度α_obj(t)如式1那样表示。对象物70的加速度α_obj(t)成为时间t的函数,但基本上基于与机器人10的指部相关的指令值而求出。
Fdis(t)=m·α_obj(t)(式1)
与对象物70的物性(弹性系数K和减震系数C)相应地,针对惯性力Finr,确定对象物70从机器人手20的指部滑落的现象,即,用于消除几何约束的约束力上限Flim,在超过约束力上限Flim的情况下,几何约束消除,不是稳定的状态。抓持稳定性计算部34在维持“稳定状态”的情况下,将抓持稳定度的评价值设定得高,作为稳定性评价结果向结果DB 35输出。另外,抓持稳定性计算部34在不是“稳定状态”的情况下,将抓持稳定度的评价值设定得低,作为稳定性评价结果向结果DB 35输出。
此外,稳定的状态消失的约束力上限也能够由对象物70和机器人手20的摩擦系数μ规定。如果将机器人手20的抓持点处的推压力设为Fi,则也能够将约束力上限Flim按照式2进行定义。
Flim=μ·Fi(式2)
在该情况下,例如如果将针对机器人手20的指部的抓持点i的“稳定状态”设为抓持稳定度Si,则也能够将抓持稳定度Si按照式3进行定义。
Si=(Flim-max(Fdis(t)))(式3)
通过使用抓持稳定度Si,从而能够对抓持点彼此进行比较。抓持稳定性计算部34将其作为稳定性评价结果而向结果DB 35输出。稳定性评价结果并不限定于该方法。
基于以上的规则,抓持稳定性计算部34将经由结果DB 35计算出的抓持点候选和稳定性评价结果向抓持点决定部36输出。抓持点决定部36基于存储多个的抓持点候选和稳定性评价结果,能够对稳定性评价结果最高的抓持点进行选择。
在这里,对机器人控制装置30的动作进行说明。图9是表示机器人控制装置的动作的流程图。图9的步骤S101至步骤S103为止与图6相同,因此省略说明。在步骤S201中,抓持稳定性计算部34判定是否能够维持“稳定状态”。在能够维持“稳定状态”的情况下,向步骤S202进入,抓持稳定性计算部34将抓持稳定度的评价值设定得高。在不是“稳定状态”的情况下,向步骤S203进入,抓持稳定性计算部34将抓持稳定度的评价值设定得低。而且,在步骤S204中,抓持点决定部36基于存储多个的抓持点候选和稳定性评价结果,对稳定性评价结果最高的抓持点进行选择,决定抓持点。
通过如上所述的结构,考虑由通过机器人手20正在输送对象物70的中途的形状变形引起的下落,能够对不易下落的抓持点进行提取。在该情况下,也能够仅对考虑了作为对象物70的抓持物体所容许的变形的抓持点进行提取,因此对会抓持失败的抓持点进行选择的比例减少,能够得到提高生产效率这一特别的效果。
接下来,对本实施方式的其他变形例进行说明。在变形评价部33中,考虑进行使各抓持点处的抓持力Fi(t)发生各种变化后的仿真。在包含抓持力Fi(t)变小的情况下,根据式2,约束力上限Flim变小,其结果,抓持稳定度Si容易变小。另一方面,如果各抓持点处的抓持力Fi(t)变小,则作为由变形评价部33计算的形状变形信息而输出的变形量变小。此时,作为与如式3那样的“稳定状态”不同的其他指标而包含“变形最小”这一指标,也能够将抓持稳定度Si按照式4进行定义。
Si=w1*(Flim-max(Fdis(t)))+w2/max(Fi(t))(式4)
在这里,w1及w2是适当的加权系数。加权系数根据是对容易维持稳定状态进行评价,还是重视通过最小抓持力进行抓持而由用户设计。
抓持稳定性计算部34基于抓持稳定度Si对抓持稳定性进行评价,由此在由机器人手20对柔软的不定形物体进行抓持的情况下,基于变形后的对象物70的形状,不损坏对象物70就能够对抓持稳定性高的抓持点进行选择。其结果,抓持失败减少,能够以高成功率抓持对象物,得到能够缩短生产节拍时间而生产效率提高这一特别的效果。
实施方式4.
在本实施方式中,作为抓持稳定性计算部34,基于机器人手20的指部的形状和形状变形信息对几何偏移难易度进行评价,作为抓持稳定性评价结果而输出。在实施方式3中,抓持点通过点进行表现,但在本实施方式中,对抓持点赋予几何形状。在该情况下,接触点针对1个指部产生多个。抓持稳定性计算部34基于机器人手20的指部的形状和形状变形信息,对对象物70相对于机器人手20的几何偏移难易度进行评价。
图10是表示机器人手20的指部和对象物70之间的位置关系的图。通过将与对象物70的抓持相伴的接触点为多个的情况下的物性模型导入,从而能够将定义出与几何约束相关的约束力上限Flim的式2置换为式5。
Flim=μ·A·Fi(式5)
在这里,A是机器人手20的指部和对象物70的有效接触面积。有效接触面积如图10所示,示出了指部不是点接触,而是针对对象物进行面接触的情况下的接触面积。一般来说,与点接触的状态的摩擦系数相比,面接触的状态的摩擦系数大。用于反映其的模型化成为本实施方式。伴随对象物70的变形,示出了增加的指部的接触面积量。如果发生大于或等于一定量的变形,则成为A=1,在轻微抓持的状态下抓持力Fi(t)小的情况下,是0<A<1那样的物性模型。
即,基于对象物70的变形后的形状和机器人手20的指部的接触量,与使有效的摩擦系数变动的情况等价。如上所述,抓持稳定性计算部34基于有效接触面积对摩擦系数进行定义,基于该摩擦系数对抓持稳定性进行计算是本实施方式的特征。
在导入上述物性模型的结构中,抓持力Fi(t)越弱则有效接触面积A变得越小,因此约束力上限Flim容易与抓持力Fi(t)相应地变化。其结果,实际的抓持状态的变形评价及抓持稳定性计算部的模拟精度提高。
根据本实施方式,在通过机器人手20对柔软的不定形物体进行抓持的情况下,基于变形后的形状而计算的抓持稳定度的精度提高,与以往相比,不损坏对象物就能够对抓持稳定性高的抓持点进行选择。其结果,失败减少,能够以高成功率抓持对象物,得到能够缩短生产节拍时间而生产效率提高这一特别的效果。
实施方式5.
本实施方式与实施方式3的不同点在于,将在从施加抓持力起经过一定时间后去除抓持力的情况下的形状变形信息进行输出。变形评价部33输出将在从由机器人手20将抓持力施加至对象物70起一定时间后的抓持力卸载后的形状变形信息。而且,抓持稳定性计算部34求出对象物70的原来的形状和对象物70的卸载后的形状的差分量,对差分量和预先确定的变形容许值进行比较而评价。
在机器人手20将抓持力持续施加至对象物70的情况下,能够设为抓持力Fi(t)=F0(恒定)。在该情况下,形状变形信息期待收敛于某一定形状。另一方面,只要不是完全的塑性变形,如果将抓持力卸载,则形状进一步变化。
在这里,例如考虑在0秒至t0秒的期间,施加抓持力F0这样的力,在t0秒经过后卸载的情况。在卸载后成为Fi(t+t0)=0。此时,在本实施方式中,追加下述结构,即,将卸载后经过充分的时间后的形状作为“卸载后的形状变形信息”,从变形评价部作为形状变形信息的一部分而输出“卸载后的形状变形信息”。
将从变形评价部33输出的抓持力Fi(t)=F0正在施加的状态下的形状变形信息称为第1形状变形信息,将在一定时间t0经过后卸载抓持力,经过充分的时间后的形状变形信息称为第2形状变形信息。此时,特征在于,对对象物70的原来的形状和第2形状变形信息中的形状的差分量进行运算,关于其差分量,对预先确定的变形容许值和大小关系进行比较,关于超过变形容许值的情况将抓持稳定度评价得低,关于不超过的情况将抓持稳定度评价得高。
图11是表示指部和对象物70之间的位置关系的图。下面,关于取得施加抓持力前后的形状的差分的方法,使用图11而例示出一个例子。抓持稳定性计算部34求出对象物70的原来的形状的曲率和对象物70的卸载后的形状的曲率的差分量,对曲率的差分量和预先确定的变形容许值进行比较而评价。曲率的差分量能够按照以下方式求出。关于第1形状变形信息和第2形状变形信息,以没有变形的点(远离抓持点的点)为基准而重叠。在重叠后,对从变形的点变为没有变形的点后的2个点进行选择。即,在变形前后位置改变的曲线的线段最初没有变形,因此是重叠的点(在图11的情况下,相当于离散点DP3、DP4)。此时,求出该2点间的曲线的长度。2点间的曲线是从离散点DP3经过离散点DP5而到达离散点DP4的长度L1的曲线、和从离散点DP3经过离散点DP1而到达离散点DP4的长度L2的曲线这两个。基于各个长度L1和长度L2,针对一定比率而定义对应点。例如在各曲线中,从端点对相当于0.25×L1和0.25×L2的地点定义为对应的点,求出各个对应点间的距离。求出其各个距离,将最大值定义为“曲率的差分量”。在图11的情况下,曲率的差分量是离散点DP1和离散点DP5之间的距离DC1。变形评价部33对该差分量大于或小于预先由用户确定的“变形容许值”进行评价,将评价后的结果作为形状变形信息的一部分而输出。此外,在图11的情况下,在2点间的曲线之间分别设置各3点的离散点,但并不限定于3点,例如也可以是9点。在离散点为9点的情况下,在各曲线中,从端点对相当于0.1×L1和0.1×L2的地点定义为对应的点。
在本实施方式中,在抓持稳定性计算部34中,使用形状变形信息,在大于“变形容许值”的情况下,附带作为抓持点候选废弃的标签而输出。
根据本实施方式,在通过机器人手20对柔软的不定形物体进行抓持的情况下,基于卸载后的形状即作业后的最终形状对是否是能够容许的形状进行评价,由此其结果,能够将选择了作为作业失败处理的抓持力或者抓持点从提取对象排除在外。其结果,失败减少,能够以高成功率抓持对象物,得到能够缩短生产节拍时间而生产效率提高这一特别的效果。
实施方式6.
在本实施方式中,与实施方式1的不同点在于,抓持点生成部具有抓持点候选学习部,该抓持点候选学习部构建输入针对仿真或者实际上针对抓持点实施作业的结果标签即成功失败标签(成功失败信息)和此时的形状变形信息、抓持力、抓持点、对象物的物性而进行学习,输入对象物的形状而能够输出抓持点的神经网络。
图12是表示实施方式6所涉及的抓持点生成部31b的结构的框图。在图3所示的抓持点生成部31的结构的基础上,抓持点生成部31b还由抓持稳定性计算部34和结果DB(结果数据库)35构成。另外,机器人控制装置30具有抓持点候选学习部37、学习DB(学习数据库)38。抓持点候选学习部37具有神经网络40。抓持点候选学习部37学习将从抓持稳定性计算部34输出的抓持点候选及作为稳定性评价结果的结果数据和通过实际作业得到的结果标签输入,根据形状变形信息而输出对象物的抓持点候选的关系。如图12所示,例示出对将对象形状信息(变形前)作为输入,输出抓持点、抓持力、抓持稳定度这样的网络进行学习。
关于抓持点候选学习部37,通过有效使用仿真和实机实验的事例进行说明。考虑有效使用仿真(数值计算处理),基于在对象物70的抓持前得到的作为抓持对象的对象物70的形状信息而确定抓持点候选,实际上对抓持操作进行试验。基于直至实施方式5为止记载的结构,如果实机进行作业,则期待以高概率抓持成功。但是,在实机进行作业的情况下由于无法模型化,因此设想会抓持失败。
在该情况下,针对通过变形评价部33和抓持点决定部36设计出的全部抓持点候选,存在成功和失败的结果标签。但是,通常来说,难以将成功、对象物的形状(变形前和变形后)、抓持点和抓持力之间的因果关系算式化。因此,例如使用神经网络的框架,对非线性的关系进行学习,能够获得关系性。
将与多次试验相关的成功失败标签、抓持点、抓持力、对象物的物性、对象物的变形形状(变形前的形状和变形后的形状信息)和抓持稳定度准备与各个试验相关的成功失败标签,进行对神经网络进行学习的处理。
在这里,抓持点生成部31b具有通过使用弹簧常数和减震系数的模型对作用于对象物70的力和对象物70的位移之间的关系进行模型化的物性模型定义部(未图示)。物性模型定义部将随着时间而变化的力施加至对象物70,针对施加的力,对基于通过对象物70的变形产生的位移的时间序列信息而设定出的模型的物性模型(弹簧常数K和减震系数C)进行推定。此外,此时针对预先确定的弹簧常数K和减震系数C,基于通过实机作业获得的变形结果,也能够对弹簧常数K和减震系数C进行更新。另外,作为其他方法,不假定弹簧常数K和减震系数C,也能够从实际得到力和位移之间的关系的变形信息和抓持力的时间序列信息通过学习而获得。例如,例示出赋予变形信息和抓持力的时间序列信息,构建根据抓持力的时间序列信息而输出位移信息那样的神经网络。
另外,抓持点候选学习部37具有通过神经网络对作用于对象物7的力和对象物70的位移之间的关系进行模型化而学习的物性模型学习部(未图示)。物性模型学习部将随着时间而变化的力施加至对象物70,针对施加的力,对基于由对象物的变形产生的位移的时间序列信息而设定出的神经网络40进行学习。
抓持点候选学习部37基于在结果DB 35中保存的抓持点候选和稳定性评价结果而进行学习处理。例如例示出神经网络40的学习。在神经网络40中存在未图示的学习部和推断部。使用学习部中的学习参数,在推断部中加入反映了学习参数的神经网络41。于是,将对象形状信息作为输入,能够输出抓持点及抓持力。学习参数例示出对神经网络的网络构造进行定义的系数。
图13是表示实施方式6所涉及的其他抓持点生成部31c的结构的框图。如图13所示,将在上述过程中获得的神经网络41应用为抓持点候选生成部32a,如果输入对象形状信息,则由抓持点候选生成部32a生成多个抓持点候选和抓持稳定度,输出至抓持点决定部36。抓持点决定部36使用抓持稳定度而选择1个抓持点候选而进行输出。
根据本实施方式,能够通过学习而获得对通过实际的作业获得的模型化误差进行修正后的抓持点生成算法,其结果,对抓持点候选进行计算的计算成本减少,对抓持点进行计算的时间缩短,因此得到生产效率提高这一特别的效果。
接下来,对本实施方式的其他变形例进行说明。对根据通过仿真得到的抓持点候选进行与上述记载相同的处理的方法进行说明。在之前的说明中,考虑有效使用仿真(数值计算处理),基于在抓持前得到的抓持对象的形状信息而确定抓持点候选,实际上试验抓持操作。此时,抓持对象的形状信息也是通过仿真而生成的形状。另外,进行对象物70的抓持的试验本身也通过物理的接触现象等进行模拟,形状也在精致地观测的物理仿真上实施。因此,在使用没有干扰、不确定要素的物理仿真的情况下,成功率最高的抓持点已知,期待粘贴全部成功的标签。
针对粘贴多次成功标签的试验,将抓持点、抓持力、对象物70的物性、对象物70的变形形状(变形前的形状和变形后的形状信息)和抓持稳定度准备与各个试验相关的成功失败标签,进行对神经网络进行学习的处理。
虽然基于物理仿真模型,但与使用实机时同样地,例示出对将形状信息(变形前)作为输入,将抓持点、抓持力、抓持稳定度进行输出那样的网络进行学习。
将在上述过程中获得的神经网络41应用为抓持点候选生成部32a,如果输入对象形状信息,则生成多个抓持点候选和抓持稳定度,输出至抓持点决定部36。抓持点决定部36使用抓持稳定度对抓持点候选选择1个而输出。
根据本实施方式,在机器人手20对柔软的不定形物体即对象物70进行抓持的情况下,仅输入形状信息,就能够对抓持稳定度最高的候选点提取1个,抓持的失败减少。另外,能够从实际的对象物取得与对象物70的变形相关的物性信息,基于仿真的变形评价部的变形模拟精度提高。如上所述,关于基于复杂的物理仿真模型而决定的抓持点、稳定抓持点,通过学习而获得如果输入对象形状则自动地输出抓持点的抓持点生成算法,其结果,对抓持点候选进行计算的计算成本减少,对抓持点进行计算的时间缩短,因此得到能够缩短生产节拍时间而生产效率提高这一特别的效果。
实施方式7.
在本实施方式中,与实施方式3的不同点在于,抓持点候选生成部对第一抓持力进行定义,针对抓持点通过由第一抓持力抓持的条件进行评价,在提取出有效的抓持点后,通过比第一抓持力小的第二抓持力而抓持对象物,由此能够高效地对抓持点进行探索。
图14是表示实施方式7所涉及的抓持点生成部31d的结构的框图。针对图8所示的抓持点生成部31a的结构,从结果DB 35对抓持点候选生成部32输入抓持点候选。如图14所示,将由抓持稳定性计算部34输出的抓持点候选及稳定性评价结果所涉及的结果数据库再次输入至抓持点候选生成部32。而且,抓持点候选生成部32对稳定性评价高者提取有限个,作为这些有限个提取出的抓持点候选,对第二抓持力(其中,小于第一抓持力)进行规定。
抓持点生成部31d具有:结果DB 35,其对多个抓持点候选进行保存;以及抓持点候选生成部32,其对由机器人手20输出至对象物70的第一抓持力进行定义,将指定出通过第一抓持力抓持的第一抓持点候选输出至变形评价部。抓持稳定性计算部34对相对于第一抓持点候选的稳定性评价结果进行计算,将第一抓持点候选及稳定性评价结果向结果DB 35输出。抓持点候选生成部32基于稳定性评价结果从在结果DB 35中保存的第一抓持点候选对多个抓持点候选进行提取,针对多个抓持点候选对第二抓持力进行定义,再次输出至变形评价部33。
此外,抓持点候选生成部32也能够将相同的处理重复大于或等于3次。例如重复第三抓持力、第四抓持力、···、第k抓持力,不断减小探索的抓持力,由此能够对通过最小的抓持力得到有效的对象物70的变形的抓持点进行提取。由此,能够高效地对能够通过最小的抓持力稳定抓持的点进行探索,能够以短时间进行不易抓持失败的候选点的提取,其结果,机器人每1次动作的作业时间缩短,能够得到可以缩短生产节拍时间而提高生产效率这一特别的效果。
实施方式8.
在本实施方式中,与实施方式1的不同点在于,抓持稳定性计算部34根据对象物的轮廓的信息而求出稳定地抓持对象物的抓持点候选的组合。抓持稳定性计算部34从对象物70的物体的轮廓的点群坐标取得对象物70的轮廓的信息,从对象物70的轮廓上对抓持点候选的组合进行选择。而且,抓持稳定性计算部34针对每个组合而求出机器人手20以规定的抓持力抓持着对象物70时的评价值,基于评价值而求出稳定地抓持对象物70的抓持点候选的组合。
对用于稳定地抓持对象物70的对象物70的抓持点候选的组合的探索的评价方法进行说明。抓持稳定性计算部34基于为了抓持对象物70所需最低限度的抓持力的大小的评价,将稳定抓持点的组合导出。为了抓持对象物70所需最低限度的抓持力的大小是为了对抗作用于对象物70的重力所需最低限度的机器人手20的指尖力的大小。从不易损坏对象物70的观点出发,优选该值小。评价是使用根据抓持力和摩擦力而求出的指尖力的值进行的,按照以下的顺序进行稳定抓持点的组合的探索。
首先,从对象物70的轮廓的点群坐标,通过Spline插补法将在二维平面内配置的点顺滑地连结,取得对象物70的轮廓的信息。在对象物70的轮廓上取得抓持点候选,对其中的二点的组合全部进行保存。
接下来,将抓持力缩短为某值,关于全部抓持点候选的组合而求出评价值,根据其结果,得到其抓持力下的稳定抓持点的组合。而且,对抓持力进行变更,关于全部抓持点候选的组合而求出评价值,根据其结果,得到其抓持力下的稳定抓持点的组合。重复该作业,得到最佳的抓持力下的稳定抓持点的组合。
如以上所述,抓持稳定性计算部34求出用于稳定地对对象物70进行抓持的对象物70的抓持点候选的组合,由此关于如柔软物体那样的不定形物体的对象物,通过对选定的抓持点进行抓持而使抓持失败大幅地减少,能够以高成功率抓持对象物,能够得到可以缩短生产节拍时间而提高生产效率这一特别的效果。
实施方式9.
在本实施方式中,抓持稳定性计算部34不仅基于抓持后的对象物70的形状变形信息,还基于抓持前的对象物70的形状信息而求出评价值。图15是实施方式9所涉及的抓持前的对象物70的示意图。具体地说,变形评价部33作为抓持前的对象物70的形状信息,将多个离散点DPB1、DPB2、···进行输出。多个离散点DPB1、DPB2、···是基于对象物70的轮廓而设定的。抓持稳定性计算部34根据多个离散点DPB1、DPB2、···的位置关系,定量地评价对象物的凹陷的程度,作为评价值进行输出。在图15的情况下,在离散点DPB1、DPB2发生了凹陷,因此抓持稳定性计算部34可以将离散点DPB1、DPB2作为抓持稳定性高的抓持点候选而输出。
如以上所述,抓持稳定性计算部34基于抓持前的对象物70的形状信息而求出评价值,由此能够高精度地选定抓持点。由此,能够以高成功率抓持对象物,能够得到可以缩短生产节拍时间而提高生产效率这一特别的效果。
在这里,对机器人控制装置30的硬件结构进行说明。机器人控制装置30的各功能可通过处理电路实现。处理电路具有至少1个处理器和至少1个存储器。
图16是表示实施方式1至9所涉及的机器人控制装置的硬件结构的图。机器人控制装置30能够通过图16的(a)所示的控制电路,即,处理器81及存储器82实现。处理器81的例子是CPU(也称为Central Processing Unit、中央处理装置、处理装置、运算装置、微处理器、微型计算机、处理器、DSP(Digital Signal Processor))或者系统LSI(Large ScaleIntegration)。
存储器82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。
机器人控制装置30是由处理器81将存储器82所存储的用于执行机器人控制装置30的动作的程序读出并执行而实现的。另外,该程序可以说是使计算机执行机器人控制装置30的顺序或者方法。由机器人控制装置30执行的程序包含抓持点生成部31及指令值生成部39,它们下载至主存储装置上,它们在主存储装置上生成。
存储器82对障碍物信息、对象形状信息、形状变形信息等进行存储。存储器82还作为由处理器81执行各种处理时的暂时存储器被使用。
由处理器81执行的程序可以通过可安装的形式或者可执行的形式的文件,存储于计算机可读取的存储介质而作为计算机程序产品被提供。另外,由处理器81执行的程序也可以经由互联网等网络而提供给机器人控制装置30。
另外,可以将机器人控制装置30通过专用的硬件实现。另外,关于机器人控制装置30的功能,可以将一部分通过专用的硬件实现,将一部分通过软件或者固件实现。
另外,机器人控制装置30也可以由图16的(b)所示的专用的处理电路83实现。抓持点生成部31及指令值生成部39的至少一部分可以由处理电路83实现。处理电路83是专用的硬件。处理电路83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 GateArray)或它们的组合。机器人控制装置30的功能的一部分可以由软件或固件实现,剩余的一部分可以由专用的硬件实现。
标号的说明
10机器人,20机器人手,30机器人控制装置,31、31a、31b、31c、31d抓持点生成部,32、32a抓持点候选生成部,33变形评价部,34抓持稳定性计算部,35结果DB,36抓持点决定部,37抓持点候选学习部,38学习DB,39指令值生成部,50测量装置控制器,60测量装置,70对象物,81处理器,82存储器,83处理电路,FP1~FP6指部的位置,DP1~DP5、DPB1、DPB2离散点。
Claims (18)
1.一种机器人控制装置,其为了抓持对象物而对机器人及所述机器人的机器人手进行控制,
该机器人控制装置的特征在于,
具有抓持点生成部,该抓持点生成部生成由所述机器人手抓持的所述对象物的抓持点,
所述抓持点生成部具有:
变形评价部,其对由于所述机器人手的抓持动作而所述对象物的形状变形时的形状变形信息进行计算;以及
抓持点决定部,其基于所述形状变形信息而决定所述对象物的抓持点。
2.根据权利要求1所述的机器人控制装置,其特征在于,
所述抓持点决定部基于所述形状变形信息所包含的所述对象物的变形量、和所述对象物的变形后的几何约束条件,决定所述对象物的抓持点。
3.根据权利要求2所述的机器人控制装置,其特征在于,
所述变形评价部输出多个离散点而作为所述形状变形信息,
所述抓持点决定部基于所述多个离散点和所述机器人手的指部之间的位置关系,对所述几何约束条件进行判定。
4.根据权利要求2所述的机器人控制装置,其特征在于,
所述变形评价部输出多个离散点而作为所述形状变形信息,
所述抓持点决定部基于对所述对象物施加假想的力时的所述多个离散点的位置的变化量,对所述几何约束条件进行判定。
5.根据权利要求1至4中任一项所述的机器人控制装置,其特征在于,
所述变形评价部基于施加至所述对象物的抓持力和所述对象物的位移之间的关系式、及所述对象物所能够容许的所述对象物的变形量,对施加至所述对象物的抓持力的上限值进行计算,对从所述机器人手施加至所述对象物的抓持力是否超过所述上限值进行评价。
6.根据权利要求1至5中任一项所述的机器人控制装置,其特征在于,
所述变形评价部将基于施加至所述对象物的抓持力和所述对象物的位移之间的关系式进行计算的抓持力的时间序列信息作为所述形状变形信息的一部分进行输出。
7.根据权利要求1至6中任一项所述的机器人控制装置,其特征在于,
所述抓持点生成部具有抓持稳定性计算部,该抓持稳定性计算部针对所述对象物的抓持点附近的所述对象物的变形后的力的平衡,对相对于预先确定的外力的力学稳定性进行评价。
8.根据权利要求7所述的机器人控制装置,其特征在于,
所述抓持稳定性计算部对所述对象物的抓持点附近的所述对象物的变形后的力的平衡进行评价,对所述机器人手针对所述对象物的抓持力变得最小的所述对象物的抓持点进行提取。
9.根据权利要求1至6中任一项所述的机器人控制装置,其特征在于,
所述抓持点生成部具有抓持稳定性计算部,该抓持稳定性计算部基于所述机器人手的指尖的形状和所述形状变形信息,对所述对象物相对于所述机器人手的几何偏移难易度进行评价。
10.根据权利要求7至9中任一项所述的机器人控制装置,其特征在于,
所述变形评价部对从由所述机器人手针对所述对象物施加抓持力起将一定时间后的抓持力卸载后的所述形状变形信息进行输出,
所述抓持稳定性计算部求出所述对象物的原来的形状和所述对象物的卸载后的形状的差分量,对所述差分量和预先确定的变形容许值进行比较而评价。
11.根据权利要求7至9中任一项所述的机器人控制装置,其特征在于,
所述变形评价部对从由所述机器人手针对所述对象物施加抓持力起将一定时间后的抓持力卸载后的所述形状变形信息进行输出,
所述抓持稳定性计算部求出所述对象物的原来的形状的曲率和所述对象物的卸载后的形状的曲率的差分量,对曲率的所述差分量和预先确定的变形容许值进行比较而评价。
12.根据权利要求1至6中任一项所述的机器人控制装置,其特征在于,
所述抓持点生成部具有抓持稳定性计算部,该抓持稳定性计算部从所述对象物的物体的轮廓的点群坐标取得所述对象物的轮廓的信息,从所述对象物的轮廓上对所述对象物的抓持点候选的组合进行选择,针对所述对象物的抓持点候选的每个组合而求出由所述机器人手以规定的抓持力抓持着所述对象物时的评价值,基于所述评价值而求出将所述对象物稳定地抓持的所述对象物的抓持点候选的组合。
13.根据权利要求7至12中任一项所述的机器人控制装置,其特征在于,
所述抓持点生成部具有:
结果数据库,其对多个抓持点候选进行保存;以及
抓持点候选生成部,其对由所述机器人手输出至所述对象物的第一抓持力进行定义,将指定出以所述第一抓持力进行抓持的第一抓持点候选输出至所述变形评价部,
所述抓持稳定性计算部对针对所述第一抓持点候选的稳定性评价结果进行计算,将所述第一抓持点候选及所述稳定性评价结果向所述结果数据库输出,
所述抓持点候选生成部基于所述稳定性评价结果,从在所述结果数据库中保存的所述第一抓持点候选对多个抓持点候选进行提取,针对所述多个抓持点候选对第二抓持力进行定义,再次输出至所述变形评价部。
14.根据权利要求7至12中任一项所述的机器人控制装置,其特征在于,
所述抓持点生成部具有抓持点候选学习部,该抓持点候选学习部对输入从所述抓持稳定性计算部输出的结果数据和通过实际作业得到的结果标签,根据所述形状变形信息而输出所述对象物的抓持点候选的关系进行学习。
15.根据权利要求1至14中任一项所述的机器人控制装置,其特征在于,
所述抓持点生成部具有物性模型定义部,该物性模型定义部通过使用了弹簧常数和减震系数的模型对作用于所述对象物的力和所述对象物的位移之间的关系进行模型化,
所述物性模型定义部将随着时间而变化的力施加至所述对象物,针对该力对基于通过所述对象物的变形产生的位移的时间序列信息而设定出的所述模型的弹簧常数和减震系数进行推定。
16.根据权利要求1至14中任一项所述的机器人控制装置,其特征在于,
所述抓持点生成部具有物性模型学习部,该物性模型学习部通过神经网络对作用于所述对象物的力和所述对象物的位移之间的关系进行模型化,
所述物性模型学习部将随着时间而变化的力施加至所述对象物,针对该力对基于通过所述对象物的变形产生的位移的时间序列信息而设定出的神经网络进行学习。
17.根据权利要求12或13所述的机器人控制装置,其特征在于,
所述变形评价部进一步输出多个离散点而作为抓持前的所述对象物的形状信息,
所述抓持稳定性计算部根据所述多个离散点之间的位置关系,对所述对象物的凹陷进行评价而作为凹陷评价值,基于所述凹陷评价值将所述抓持点候选进行输出。
18.一种机器人控制方法,其为了抓持对象物而对机器人及所述机器人的机器人手进行控制,
该机器人控制方法的特征在于,包含下述步骤:
对由于所述机器人手的抓持动作而所述对象物的形状变形时的形状变形信息进行计算;以及
基于所述形状变形信息而决定所述对象物的抓持点,生成由所述机器人手抓持的所述对象物的抓持点。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020-175203 | 2020-10-19 | ||
JP2020175203 | 2020-10-19 | ||
PCT/JP2021/036652 WO2022085408A1 (ja) | 2020-10-19 | 2021-10-04 | ロボット制御装置およびロボット制御方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116194255A true CN116194255A (zh) | 2023-05-30 |
Family
ID=81289731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180060765.2A Pending CN116194255A (zh) | 2020-10-19 | 2021-10-04 | 机器人控制装置及机器人控制方法 |
Country Status (4)
Country | Link |
---|---|
JP (1) | JP7337285B2 (zh) |
CN (1) | CN116194255A (zh) |
DE (1) | DE112021005493T5 (zh) |
WO (1) | WO2022085408A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102023110107B3 (de) | 2023-04-20 | 2024-05-23 | J.Schmalz Gmbh | Verfahren zum Handhaben von Gegenständen sowie Handhabungsanlage |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4211701B2 (ja) * | 2004-07-21 | 2009-01-21 | トヨタ自動車株式会社 | ロボットハンドの把持制御装置 |
JP2008049459A (ja) | 2006-08-28 | 2008-03-06 | Toshiba Corp | マニピュレータ制御システム、マニピュレータ制御方法およびプログラム |
JP6541397B2 (ja) * | 2015-04-06 | 2019-07-10 | キヤノン株式会社 | 情報処理装置、情報処理方法、およびプログラム |
JP6807949B2 (ja) * | 2016-11-16 | 2021-01-06 | 三菱電機株式会社 | 干渉回避装置 |
JP6338026B1 (ja) * | 2016-11-17 | 2018-06-06 | 株式会社安川電機 | 把持力設定システム、把持力設定方法、及び把持力推定システム |
JP7136554B2 (ja) * | 2017-12-18 | 2022-09-13 | 国立大学法人信州大学 | 把持装置、学習装置、プログラム、把持システム、及び学習方法 |
JP6836606B2 (ja) * | 2018-04-24 | 2021-03-03 | ファナック株式会社 | ロボット制御装置およびシステム |
-
2021
- 2021-10-04 DE DE112021005493.7T patent/DE112021005493T5/de active Pending
- 2021-10-04 CN CN202180060765.2A patent/CN116194255A/zh active Pending
- 2021-10-04 JP JP2022557371A patent/JP7337285B2/ja active Active
- 2021-10-04 WO PCT/JP2021/036652 patent/WO2022085408A1/ja active Application Filing
Also Published As
Publication number | Publication date |
---|---|
DE112021005493T5 (de) | 2023-08-31 |
JP7337285B2 (ja) | 2023-09-01 |
WO2022085408A1 (ja) | 2022-04-28 |
JPWO2022085408A1 (zh) | 2022-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Morrison et al. | Closing the loop for robotic grasping: A real-time, generative grasp synthesis approach | |
Hu et al. | Three-dimensional deformable object manipulation using fast online gaussian process regression | |
US11945114B2 (en) | Method and system for grasping an object | |
Lagneau et al. | Automatic shape control of deformable wires based on model-free visual servoing | |
Park et al. | Laser-based kinematic calibration of robot manipulator using differential kinematics | |
Bodenhagen et al. | An adaptable robot vision system performing manipulation actions with flexible objects | |
EP2781314A1 (en) | Robot picking system, control device, and method of manufacturing a workpiece | |
Harada et al. | Fast grasp planning for hand/arm systems based on convex model | |
CN110271000B (zh) | 一种基于椭圆形面接触的物体抓取方法 | |
EP3812972A1 (en) | Method for controlling a robot and robot controller | |
CN112045675A (zh) | 机器人设备控制器、机器人设备布置和用于控制机器人设备的方法 | |
Ottenhaus et al. | Visuo-haptic grasping of unknown objects based on gaussian process implicit surfaces and deep learning | |
Li et al. | Manipulation skill acquisition for robotic assembly based on multi-modal information description | |
Kumar et al. | Contextual reinforcement learning of visuo-tactile multi-fingered grasping policies | |
Song et al. | A probabilistic model for planar sliding of objects with unknown material properties: Identification and robust planning | |
Jiménez-López et al. | Modeling of inverse kinematic of 3-DOF robot, using unit quaternions and artificial neural network | |
CN116194255A (zh) | 机器人控制装置及机器人控制方法 | |
Matak et al. | Planning visual-tactile precision grasps via complementary use of vision and touch | |
Platt | Learning grasp strategies composed of contact relative motions | |
Liu et al. | Multi-fingered tactile servoing for grasping adjustment under partial observation | |
Perico et al. | Learning robust manipulation tasks involving contact using trajectory parameterized probabilistic principal component analysis | |
Palm et al. | Grasp recognition by Time-clustering, Fuzzy Modeling, and Hidden Markov Models (HMM)-a comparative study | |
JP5829103B2 (ja) | ロボットハンド | |
Singh | Kinematic controller of a soft continuum robot using learned forward models | |
Vatsal et al. | Augmenting vision-based grasp plans for soft robotic grippers using reinforcement learning |
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 |