DE102018006465B4

DE102018006465B4 - Artikelstapelvorrichtung und maschinelle Lernvorrichtung

Info

Publication number: DE102018006465B4
Application number: DE102018006465.5A
Authority: DE
Inventors: Yuta Namiki
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2017-08-23
Filing date: 2018-08-16
Publication date: 2021-11-11
Anticipated expiration: 2038-08-17
Also published as: US20190061151A1; CN109421071B; CN109421071A; DE102018006465A1; JP2019038054A; JP6680732B2; US11084168B2

Abstract

Artikelstapelvorrichtung (1) zum Steuern eines Roboters (70) zum Stapeln einer Vielzahl von in einem Vorbereitungsbereich vorbereiteten Artikeln (41) in einen Stapelbereich, wobei die Artikelstapelvorrichtung (1) umfasst:eine maschinelle Lernvorrichtung (100) zum Lernen einer Schätzung einer Anordnung eines im Stapelbereich zu stapelnden Artikels (41) in Bezug auf den Stapelstatus des Stapelbereichs und Informationen zum Artikel (41), wobeidie maschinelle Lernvorrichtung (100) umfasst:einen Zustandsbeobachtungsabschnitt (106) zum Beobachten von Stapelstatusdaten (S1), die den Stapelstatus des Stapelbereichs angeben, und Artikelinformationsdaten (S2), die die Informationen zum zu stapelnden Artikel (41) angeben, als eine Zustandsvariable (S), die einen aktuellen Umgebungszustand darstellt,einen Kennzeichendaten-Erfassungsabschnitt (108) zum Erfassen von Artikelanordnungsdaten (L1), die die Anordnung des Artikels (41) im Stapelbereich angeben, als Kennzeichendaten (L), undeinen Lernabschnitt (110) zum Lernen der Artikelanordnungsdaten (L1) in Zuordnung zu den Stapelstatusdaten (S1) und den Artikelinformationsdaten (S2) unter Verwendung der Zustandsvariable (S) und der Kennzeichendaten (L),wobei die Artikelanordnungsdaten (L1) ferner Informationen zu einer temporären Anordnung des Artikels (41) umfassen.

Description

Hintergrund der Erfindung
Die vorliegende Erfindung betrifft eine Artikelstapelvorrichtung und eine maschinelle Lernvorrichtung und insbesondere eine Vorrichtung zum Stapeln von Artikeln unter Verwendung eines Roboters und einer maschinellen Lernvorrichtung.
Systeme, die einen Roboter zum Greifen und Transferieren eines Artikels und zum flachen Anordnen von Artikeln oder Stapeln von Artikeln in Lagen verwenden, werden häufig eingesetzt. In solch einem System wird ein Muster von Stellen, an denen zu transferierende Artikel angeordnet werden, vorab festgelegt und ein Roboter ordnet Artikel gemäß dem Muster an. Ein Beispiel für Verfahren nach dem Stand der Techniken in Bezug auf das Stapeln von Artikeln ist in der JP H06 - 114 770 A offenbart. In diesem Verfahren wird vorab ein Muster von Stellen festgelegt, an denen zu transferierende Werkstücke angeordnet werden, ein geeignetes Muster wird gemäß der äußeren Form eines Werkstücks, das zu transferieren ist, ausgewählt und das Werkstück wird an der Stelle geladen, die für das Werkstück geeignet ist.
Wenn aber Artikel an verschiedenen Stellen gemäß Eigenschaften (wie Größe, Form und Gewicht) der Artikel gestapelt werden sollen, beispielsweise wenn große oder schwere Artikel in unteren Lagen gestapelt werden oder wenn Artikel mit Formen, welche die Stabilität beeinträchtigen, in oberen Lagen gestapelt werden, können Werkstücke nicht einfach gemäß einem Muster gestapelt werden.
Eine einfache Musterbildung ist ebenfalls schwer, wenn das Stapeln in einem Muster, das in einem System nicht voreingestellt ist, einen Vorteil, etwa eine gute Ladeeffizienz, aufweist. Beispielsweise kann, während ein Stapelmuster einfach für Artikel vordefiniert werden kann, die gleichgroße Quader sind, ein Muster nicht einfach für Artikel vordefiniert werden, die unterschiedliche Größen aufweisen oder keine Quader sind.
Ferner muss, wenn Informationen zu allen Artikeln, die gestapelt werden müssen, nicht vorab ermittelt werden können, ein Vorgang durchgeführt werden, indem Vorhersagen für zukünftige Möglichkeiten getroffen werden. Dies ist darauf zurückzuführen, dass, selbst wenn ein Artikel sofort an einer Stelle angeordnet werden kann, das Anordnen des Artikels an der Stelle manchmal unerwünscht sein kann. Wenn beispielsweise ein Artikel mit einer relativ kleinen Größe kommt und zuerst gestapelt wird, kann ein Artikel mit einer großen Größe nicht auf dem vorhergehenden Artikel montiert werden. In solch einem Fall ist eine Maßnahme wie das temporäre Anordnen eines Artikels vor dem Stapeln des Artikels an einer endgültigen Stapelposition erforderlich.
DE 10 2016 014 264 A1 offenbart ein maschinelles Lernverfahren einer Blechpaketherstellungsvorrichtung zum Erlernen des Stapelns von Paketblechen zu einem Blechpaket. Zu diesem Zweck steht ein Roboter mit einer Roboterhand und einem Robotersichtsystem zur Verfügung. Letzteres erkennt die Form der Paketbleche. Gemäß einem vorgegebenen Programm werden die Paketbleche von der Roboterhand ergriffen, bewegt und zu einem Blechpaket gestapelt. Währenddessen überwacht eine Zustandsüberwachungseinheit eine Zustandsvariable, welche zumindest eine der nachfolgenden Größen repräsentiert: Formdaten der Paketbleche, Betriebsdaten der Blechpaketherstellungsvorrichtung und Zeitdaten zum Stapeln der Paketbleche mit der Blechpaketherstellungsvorrichtung.
Weiteren Stand der Technik offenbaren DE 10 2016 013 497 A1 , DE 10 2016 009 030 A1 , DE 10 2007 001 263 A1 , US 9 687 984 B1 und US 9 393 693 B1 .
Zusammenfassung der Erfindung
Dementsprechend besteht die Aufgabe der vorliegenden Erfindung im Bereitstellen einer Artikelstapelvorrichtung und einer maschinellen Lernvorrichtung, die ein entsprechendes Stapeln von Artikeln gemäß Eigenschaften von Artikel und Ortssituationen ermöglichen.
Die Aufgabe wird durch eine Artikelstapelvorrichtung mit den Merkmalen des Patentanspruchs 1 gelöst. Die Artikelstapelvorrichtung steuert einen Roboter zum Stapeln einer Vielzahl von in einem Vorbereitungsbereich vorbereiteten Artikeln in einen Stapelbereich. Die Artikelstapelvorrichtung umfasst eine maschinelle Lernvorrichtung zum Lernen einer Schätzung einer Anordnung eines im Stapelbereich zu stapelnden Artikels in Bezug auf den Stapelstatus des Stapelbereichs und Informationen zum Artikel. Die maschinelle Lernvorrichtung umfasst: einen Zustandsbeobachtungsabschnitt zum Beobachten von Stapelstatusdaten, die den Stapelstatus des Stapelbereichs angeben, und Artikelinformationsdaten, die die Informationen zum zu stapelnden Artikel angeben, als eine Zustandsvariable, die einen aktuellen Umgebungszustand darstellt; einen Kennzeichendaten-Erfassungsabschnitt zum Erfassen von Artikelanordnungsdaten, die die Anordnung des Artikels im Stapelbereich angeben, als Kennzeichendaten; und einen Lernabschnitt zum Lernen der Artikelanordnungsdaten in Zuordnung zu den Stapelstatusdaten und den Artikelinformationsdaten unter Verwendung der Zustandsvariable und der Kennzeichendaten, wobei die Artikelanordnungsdaten ferner Informationen zu einer temporären Anordnung des Artikels umfassen.
Die Artikelinformationsdaten können wenigstens Informationen zu einer Vielzahl von Artikeln umfassen.
Die Artikelanordnungsdaten umfassen ferner Informationen zu einer temporären Anordnung des Artikels.
Der Lernabschnitt kann umfassen: einen Fehlerberechnungsabschnitt zum Berechnen eines Fehlers zwischen einer Ausgabe eines Korrelationsmodells und eines Korrelationsmerkmals unter Verwendung der Zustandsvariable und der Kennzeichendaten, wobei das Korrelationsmodell die Artikelanordnungsdaten aus den Stapelstatusdaten und den Artikelinformationsdaten ableitet, wobei das Korrelationsmerkmal aus vorab erstellten Lehrerdaten identifiziert wird; und einen Modellaktualisierungsabschnitt zum Aktualisieren des Korrelationsmodells zum Verringern des Fehlers.
Der Lernabschnitt kann die Zustandsvariable und die Kennzeichendaten unter Verwendung einer mehrschichtigen Struktur berechnen.
Die maschinelle Lernvorrichtung kann ferner einen Schätzungsergebnis-Ausgabeabschnitt zum Ausgeben eines Ergebnisses einer Schätzung der Anordnung des Artikels im Stapelbereich auf der Basis eines Ergebnisses des Lernens durch den Lernabschnitt umfassen.
Die maschinelle Lernvorrichtung kann sich auf einem Cloud-Server befinden.
Die maschinelle Lernvorrichtung kann ein Lernen unter Verwendung der Zustandsvariable und der Kennzeichendaten, erfasst von einer Vielzahl von Artikelstapelvorrichtungen, durchführen.
Die Aufgabe wir auch durch eine maschinelle Lernvorrichtung mit den Merkmalen des Patentanspruchs 8 gelöst. Die maschinelle Lernvorrichtung lernt eine Schätzung einer Anordnung eines in einem Stapelbereich zu stapelnden Artikels in Bezug auf den Stapelstatus des Stapelbereichs und Informationen zum Artikel im Laufe des Stapelns einer Vielzahl von in einem Vorbereitungsbereich vorbereiteten Artikeln in den Stapelbereich. Die maschinelle Lernvorrichtung umfasst: einen Zustandsbeobachtungsabschnitt zum Beobachten von Stapelstatusdaten, die den Stapelstatus des Stapelbereichs angeben, und Artikelinformationsdaten, die die Informationen zum zu stapelnden Artikel angeben, als eine Zustandsvariable, die einen aktuellen Umgebungszustand darstellt; einen Kennzeichendaten-Erfassungsabschnitt zum Erfassen von Artikelanordnungsdaten, die die Anordnung des Artikels im Stapelbereich angeben, als Kennzeichendaten; und einen Lernabschnitt zum Lernen der Artikelanordnungsdaten in Zuordnung zu den Stapelstatusdaten und den Artikelinformationsdaten unter Verwendung der Zustandsvariable und der Kennzeichendaten, wobei die Artikelanordnungsdaten ferner Informationen zu einer temporären Anordnung des Artikels umfassen.
Gemäß der vorliegenden Erfindung kann eine entsprechende Anordnung eines zu stapelnden Artikels in einem Stapelbereich vorab mit Eigenschaften von Artikeln und Ortsituationen ermittelt werden.
Figurenliste

1 zeigt ein schematisches Hardwarekonfigurationsdiagramm einer Artikelstapelvorrichtung gemäß einer Ausführungsform.
2 zeigt ein schematisches Funktionsblockdiagramm der Artikelstapelvorrichtung gemäß der einen Ausführungsform.
3 zeigt eine Ansicht zur Darstellung eines Beispiels von Artikel betreffenden Informationen.
4 zeigt eine Ansicht zum Erläutern des Betriebsablaufs der Artikelstapelvorrichtung gemäß der einen Ausführungsform zum Zeitpunkt des Lernens.
5 zeigt eine Ansicht zum Erläutern des Betriebsablaufs der Artikelstapelvorrichtung gemäß der einen Ausführungsform, der durchgeführt wird, wenn ein Roboter gesteuert wird.
6 zeigt ein schematisches Funktionsblockdiagramm zur Darstellung eines Aspekts der Artikelstapelvorrichtung.
7A zeigt eine Ansicht zum Erläutern eines Neurons.
7B zeigt eine Ansicht zum Erläutern eines neuronalen Netzes.
8 zeigt eine Ansicht zum Darstellen eines Beispiels, in dem Lernen unter Verwendung der Form des gesamten Stapels von in einem Stapelbereich angeordneten Artikeln durchgeführt wird.
9 zeigt ein schematisches Funktionsblockdiagramm zur Darstellung eines Aspekts eines Systems, in dem die Artikelstapelvorrichtung enthalten ist.

Ausführliche Beschreibung der bevorzugten Ausführungsform
1 zeigt ein schematisches Hardwarekonfigurationsdiagramm zur Darstellung von Abschnitten einer Artikelstapelvorrichtung gemäß einer ersten Ausführungsform.
Eine Artikelstapelvorrichtung 1 ist beispielsweise als eine Robotersteuerung zum Steuern eines Roboters 70 ausgeführt. Eine CPU 11 der Artikelstapelvorrichtung 1 gemäß der vorliegenden Ausführungsform ist ein Prozessor, der die Artikelstapelvorrichtung 1 vollständig steuert. Die CPU 11 ruft ein in einem ROM 12 gespeichertes Systemprogramm über einen Bus 20 ab und steuert die gesamte Artikelstapelvorrichtung 1 gemäß dem Systemprogramm. Ein RAM 13 speichert vorübergehend Daten wie temporäre Berechnungsdaten und verschiedene Arten von von einem Bediener über einen nicht dargestellten Eingabeabschnitt eingegebenen Daten.
Ein nichtflüchtiger Speicher 14 ist als Speicher ausgebildet, der den Speicherzustand unter Verwendung beispielsweise einer nicht dargestellten Batterie für den Speicherbackup erhält, auch wenn die Stromversorgung der Artikelstapelvorrichtung 1 ausgeschaltet ist. Der nichtflüchtige Speicher 14 speichert verschiedene Arten von über einen nicht dargestellten Eingabeabschnitt durch einen Bediener eingegebenen Daten (beispielsweise Daten betreffend einen zu stapelnden Artikel, Einstellwerte zur Verwendung zum Steuern des Artikelstapelvorgangs durch einen Roboter u. Ä.), über eine nicht dargestellte Schnittstelle eingegebene Programme zur Steuerung u. Ä. Solche im nichtflüchtigen Speicher 14 gespeicherten Programme und verschiedene Arten von Daten können zum Zeitpunkt der Ausführung/Verwendung in das RAM 13 geladen werden. Ferner weist das ROM 12 zuvor in dieses geschriebene Programme auf, die ein allgemein bekanntes Analyseprogramm zum Analysieren eines zu stapelnden Artikels und des Stapelstatus von Artikeln in einem Stapelbereich auf der Basis eines von einem Sichtsensor 60 erfassten Erfassungswerts (erfassten Bilddaten) und Systemprogramme wie ein Systemprogramm zum Steuern der Kommunikation mit der maschinellen Lernvorrichtung 100 umfassen wie nachfolgend beschrieben.
Beispielsweise wird der Sichtsensor 60 zum Erfassen der Zustände von im Stapelbereich angeordneten Artikeln in einer Lernphase eines maschinellen Lernens verwendet und wird zum Erfassen eines zu stapelnden Artikels in einer Phase verwendet, in der die Artikelstapelvorrichtung 1 Artikel stapelt. Der Sichtsensor 60 kann beispielsweise eine an einem Arbeitsplatz befestigte Bilderfassungsvorrichtung sein oder kann eine an einem Roboterarm des Roboters 70 befestigte Bilderfassungsvorrichtung sein. Der Sichtsensor 60 übergibt der CPU 11 über eine Schnittstelle 18 einen erfassten Erfassungswert (erfasste Bilddaten).
Eine Steuerschaltung 19 empfängt Befehle von der CPU 11 und steuert den Stapelvorgang des Roboters 70. Beispielsweise steuert die Steuerschaltung 19 den Betrieb einer Roboterhand, die einen Artikel greift, oder steuert Motoren zum Antreiben von Gelenken des Roboters 70 zum Durchführen einer Steuerung, so dass der ergriffene Artikel an einen spezifizierten Ort im Stapelbereich bewegt werden kann. Die Details von Steuerverfahren in Bezug auf den Artikelstapelvorgang des Roboters 70 entsprechen bereits dem Stand der Technik und auf deren Erläuterung wird in der vorliegenden Beschreibung verzichtet.
Eine Schnittstelle 21 ist eine Schnittstelle zum Verbinden der Artikelstapelvorrichtung 1 und der maschinellen Lernvorrichtung 100. Die maschinelle Lernvorrichtung 100 umfasst einen Prozessor 101 zum Steuern der gesamten maschinellen Lernvorrichtung 100, ein ROM 102 zum Speichern von Systemprogrammen u. Ä., ein RAM 103 zum Speichern von temporären Daten in am maschinellen Lernen beteiligten Prozessen und einen nichtflüchtigen Speicher 104 zum Speichern eines Lernmodells u. Ä. Die maschinelle Lernvorrichtung 100 kann durch die Schnittstelle 21 verschiedene Arten von Informationen (Informationen zu einem vom Sichtsensor 60 erfassten Artikel, der Stapelstatus von Artikeln im Stapelbereich u. Ä.) beobachten, welche die Artikelstapelvorrichtung 1 erfassen kann. Ferner empfängt die Artikelstapelvorrichtung 1 einen von der maschinellen Lernvorrichtung 100 ausgegebenen Artikelanordnungsbefehl und steuert den Artikelstapelvorgang des Roboters 70.
2 zeigt ein schematisches Funktionsblockdiagramm zur Darstellung der Artikelstapelvorrichtung 1 und der maschinellen Lernvorrichtung 100 gemäß einer ersten Ausführungsform.
Jeder in 2 dargestellte Funktionsblock wird von der CPU 11 der Artikelstapelvorrichtung 1 und vom Prozessor 101 der maschinellen Lernvorrichtung 100, die in 1 dargestellt sind, ausgeführt, wobei die jeweiligen Systemprogramme hiervon ausgeführt werden und der Vorgang von jedem Abschnitt der Artikelstapelvorrichtung 1 und der maschinellen Lernvorrichtung 100 gesteuert wird.
Die Artikelstapelvorrichtung 1 der vorliegenden Ausführungsform umfassend einen Steuerabschnitt 34 zum Steuern des Roboters 70. Der Steuerabschnitt 34 steuert den Roboter 70 auf der Basis eines Anordnungsbefehls für einen zu stapelnden Artikel, der von der maschinellen Lernvorrichtung 100 ausgegeben wird, greift die zu stapelnde Ladung und ordnet den Artikel an einer spezifizierten Stelle im Stapelbereich an.
Die maschinelle Lernvorrichtung 100 der vorliegenden Ausführungsform umfasst Software (Lernalgorithmus u. Ä.) und Hardware (wie den Prozessor 101) zum Lernen einer Anordnung eines zu stapelnden Artikels in Bezug auf den Stapelstatus des Stapelbereichs und Informationen zum zu stapelnden Artikel durch sogenanntes maschinelles Lernen durch sich selbst. Was von der maschinellen Lernvorrichtung 100 der Artikelstapelvorrichtung 1 gelernt wird, entspricht einer Modellstruktur zum Darstellen der Korrelation zwischen dem Stapelstatus des Stapelbereichs und Informationen eines zu stapelnden Artikels und der Anordnung des zu stapelnden Artikels.
Wie durch die Funktionsblöcke in 2 dargestellt umfasst die maschinelle Lernvorrichtung 100 der Artikelstapelvorrichtung 1 einen Zustandsbeobachtungsabschnitt 106, einen Kennzeichendaten-Erfassungsabschnitt 108, einen Lernabschnitt 110 und einen Schätzungsergebnis-Ausgabeabschnitt 122. Der Zustandsbeobachtungsabschnitt 106 beobachtet eine Zustandsvariable S zur Angabe des aktuellen Umgebungszustands, die Stapelstatusdaten S1 zur Angabe des Stapelstatus des Stapelbereichs und Artikelinformationsdaten S2 zur Angabe von Informationen zu einem zu stapelnden Artikel umfasst. Der Kennzeichendaten-Erfassungsabschnitt 108 erfasst Kennzeichendaten L umfassend Artikelanordnungsdaten L1 zur Angabe einer Anordnung des zu stapelnden Artikels. Der Lernabschnitt 110 lernt die Anordnung des zu stapelnden Artikels in Verbindung mit dem Stapelstatus des Stapelbereichs und den Informationen zum zu stapelnden Artikel unter Verwendung der Zustandsvariable S und der Kennzeichendaten L. Der Schätzungsergebnis-Ausgabeabschnitt 122 gibt ein Ermittlungsergebnis auf der Basis des Stapelstatus des Stapelbereichs und der Informationen zum zu stapelnden Artikel unter Verwendung eines aktuellen gelernten Modells aus.
Der Zustandsbeobachtungsabschnitt 106 kann beispielsweise als eine Funktion des Prozessors 101 ausgebildet sein oder als im ROM 102 gespeicherte Software zum Veranlassen des Prozessors 101 zum Arbeiten ausgebildet sein. Aus der vom Zustandsbeobachtungsabschnitt 106 beobachteten Zustandsvariable S können die Stapelstatusdaten S1 als beispielsweise eine Menge von entsprechenden Anordnungen von Artikeln im Stapelbereich erfasst werden.
Während des Lernens durch den Lernabschnitt 110 werden die Stapelstatusdaten S1 durch den entsprechende Anordnungen zu einem bestimmten Zeitpunkt von bereits im Stapelbereich durch einen Mitarbeiter an einem Artikelstapelort angeordneten Artikeln erfassenden Sichtsensor 60 ermittelt. Beispielsweise können die Stapelstatusdaten S1 in einer Tabelle enthaltend die Formen, Gewichte, Positionen, Ausrichtungen u. Ä. aller bereits im Stapelbereich zu einem bestimmten Zeitpunkt angeordneten Artikel gespeichert sein oder können als die vereinheitlichte Form (8) aller bereits im Stapelbereich angeordneten Artikel gespeichert sein. Ferner können, wenn eine Anordnung eines zu stapelnden Artikels auf der Basis eines Ergebnisses eines Lernens durch den Lernabschnitt 110 geschätzt wird (das heißt, wenn der Roboter 70 einen Artikel stapelt), die Stapelstatusdaten S1 aus einer Historie von vorhergehenden Anordnungen von Artikel im Stapelbereich durch den Roboter 70 erfasst werden. In solch einem Fall kann die maschinelle Lernvorrichtung 100 vorübergehend eine Historie von Anordnungen von Artikeln im Stapelbereich durch den Roboter 70 im RAM 103 speichern und der Zustandsbeobachtungsabschnitt 106 kann Informationen zur Angabe des Stapelstatus des Stapelbereichs auf der Basis der Historie von Anordnungen von Artikeln im Stapelbereich, die im RAM 103 gespeichert ist, konfigurieren, um die konfigurierten Informationen als Stapelstatusdaten S1 zu verwenden.
Die Artikelinformationsdaten S2 der Zustandsvariable S können beispielsweise mit dem Sichtsensor 60 erfasst werden, der einen auf einer Oberfläche o. Ä. des Elements befestigten oder aufgedruckten Identifikationscode des Elements liest, wenn ein Artikel zu einem Vorbereitungsbereich transportiert wird. In diesem Fall werden verschiedene Arten von Daten umfassend Abschnitte von jedem Artikel vorab gemessen und Informationen wie die Form von jedem Artikel, das Gewicht des Artikels und ein Verarbeitungsschritt, der den Artikel verwendet, werden in Verbindung mit ID-Informationen gespeichert, um den Artikel auf eine Weise wie in 3 dargestellt in einem Speicher wie dem nichtflüchtigen Speicher 14 der Artikelstapelvorrichtung 1 vorab zu identifizieren. Unter Verwendung des gelesenen Identifikationscodes werden Daten betreffend den Artikel, die vorab im nichtflüchtigen Speicher 14 gespeichert werden, erfasst und der Zustandsbeobachtungsabschnitt 106 fügt die erfassten Daten, die den zu stapelnden Artikel betreffen, zu den Artikelinformationsdaten S2 hinzu. Statt direkter Informationen zum Artikel kann ein Identifikationscode zu den Artikelinformationsdaten S2 hinzugefügt werden. In solch einem Fall können den Artikel betreffende Daten aus der Tabelle in 3 unter Verwendung des Identifikationscodes erfasst werden. Die Artikelinformationsdaten S2 enthalten Informationen zu Artikeln, von denen aktuell bekannt ist, dass sie ab jetzt anzuordnen sind. Ferner können die Form u. Ä. eines Artikels vom Sichtsensor 60 erfasst werden, wenn der Artikel zum Vorbereitungsbereich transportiert wird. Beispiele von einen Artikel betreffenden Daten können Informationen wie das Material und die Empfindlichkeit des Artikels und eine Historie von am Artikel durchgeführten Vorgängen abweichend von den in 3 dargestellten Daten sein.
Der Kennzeichendaten-Erfassungsabschnitt 108 kann beispielsweise als eine Funktion des Prozessors 101 ausgebildet sein oder als im ROM 102 gespeicherte Software zum Veranlassen des Prozessors 101 zum Arbeiten ausgebildet sein. Während des Lernens durch den Lernabschnitt 110 erfasst der Kennzeichendaten-Erfassungsabschnitt 108 die Artikelanordnungsdaten L1 zur Angabe einer Anordnung eines zu stapelnden Artikels als die Kennzeichendaten L. Als Artikelanordnungsdaten L1 können die gleichen Daten wie in den Stapelstatusdaten S1 enthalten verwendet werden. Während die Stapelstatusdaten S1 Informationen zu allen bereits zu einem bestimmten Zeitpunkt angeordneten Artikel enthalten, enthalten die Artikelanordnungsdaten L1 Informationen zu einem oder mehreren zu einem Zeitpunkt anzuordnenden Artikeln. Wenn ein oder mehrere Artikel angeordnet wurden, kann ein Lernen durch Betrachten der einen oder mehr Artikel als einzeln angeordnete Artikel oder Betrachten der einen oder mehr Artikel als eine Vielzahl von angeordneten Artikeln durchgeführt werden. Die Artikelanordnungsdaten L1 werden vom eine Anordnung von einem oder mehreren zu stapelnden Artikeln, die im Stapelbereich von einem Mitarbeiter angeordnet wurden, an einem Artikelstapelort erfassenden Sichtsensor 60 ermittelt. Der Kennzeichendaten-Erfassungsabschnitt 108 wird während des Lernens durch den Lernabschnitt 110 verwendet, muss aber keine für die maschinelle Lernvorrichtung 100 wesentliche Komponente sein, da der Lernabschnitt 110 das Lernen durchführt.
Der Lernabschnitt 110 kann beispielsweise als eine Funktion des Prozessors 101 ausgebildet sein oder als im ROM 102 gespeicherte Software zum Veranlassen des Prozessors 101 zum Arbeiten ausgebildet sein. Der Lernabschnitt 110 lernt die Kennzeichendaten L (Artikelanordnungsdaten L1 zur Angabe einer Anordnung eines zu stapelnden Artikels) in Bezug auf die Zustandsvariable S (Stapelstatusdaten S1 zur Angabe des Stapelstatus des Stapelbereichs und Artikelinformationsdaten S2 zur Angabe von Informationen zum zu stapelnden Artikeln) gemäß einem frei ausgewählten Lernalgorithmus, allgemein als maschinelles Lernen bezeichnet. Beispielsweise kann der Lernabschnitt 110 die Korrelation zwischen den Stapelstatusdaten S1 und den Artikelinformationsdaten S2 zur Angabe von Informationen zu einem zu stapelnden Artikel, die in der Zustandsvariable S enthalten sind, und den Artikelanordnungsdaten L1, die in den Kennzeichendaten L enthalten sind. Der Lernabschnitt 110 kann wiederholt ein Lernen auf der Basis einer Datensammlung umfassend die Zustandsvariable S und die Kennzeichendaten L durchführen.
Beim Lernen durch den Lernabschnitt 110 der vorliegenden Erfindung werden Lerndaten zum Lernen einer Weise zum Stapeln von Artikeln unter Verwendung beispielsweise des folgenden Verfahrens erfasst und es wird eine wünschenswerte Weise zum Stapeln von Artikeln gelernt.
4 zeigt eine Ansicht zum Darstellen eines Artikelstapelorts zum Zeitpunkt des Lernens. Die Artikelstapelvorrichtung 1 ist in 4 weggelassen.
Zum Zeitpunkt des Lernens ordnet ein Mitarbeiter 40 manuell Artikel im Stapelbereich an. Artikel 41 werden vor dem Anordnen im Vorbereitungsbereich vorbereitet. Das Bewegen einer Ladung zum Vorbereitungsbereich kann manuell von einem Menschen wie einem Mitarbeiter durchgeführt werden oder kann durch Transportmittel wie einem Transportband durchgeführt werden. Die Artikelstapelarbeit ist als die Arbeit des Greifens von im Vorbereitungsbereich vorbereiteten Artikeln und Anordnen der Artikel im Stapelbereich durch den Mitarbeiter 40 definiert.
Der Sichtsensor 60 ist oberhalb vom Stapelbereich angeordnet und kann Informationen zur Position eines Artikels messen. Wenn die Höhen von Artikeln nicht festgelegt sind, ist ein Sichtsensor erwünschtermaßen in der Lage, dreidimensionale Informationen zu erfassen.
Es wird angenommen, dass Informationen an im Vorbereitungsbereich vorbereiteten Artikeln zu einem bestimmten Zeitpunkt durch einige Mittel ermittelt werden können. Beispielsweise werden wie zuvor beschrieben Informationen zu zum Vorbereitungsbereich zu transportierenden Artikeln im nichtflüchtigen Speicher 14 der Artikelstapelvorrichtung 1 vorab gespeichert, so dass die Informationen erfasst werden können. Alternativ ist ein Sensor für den Vorbereitungsbereich, etwa ein Sichtsensor, angeordnet, so dass Informationen vom Sensor erfasst werden können. Informationen zu einem Artikel können eine physikalische Größe (Größe, Form, Gewicht oder Material) des Artikels, eine Historie von am Artikel durchgeführten Vorgängen oder eine dem Artikel eindeutig zugewiesene ID sein. In Bezug auf die Größe und das Gewicht eines Artikels kann statt des Absolutwerts hiervon ein durch Umwandeln des Absolutwerts gemäß einer Gleichung ermittelter Wert verwendet werden. Wenn beispielsweise ein Ort mit Artikeln im Gewichtsbereich von 10 bis 100 kg zu tun hat und ein anderer Ort mit Artikeln im Gewichtsbereich von 100 g bis 1 kg zu tun hat, ermöglicht die Verwendung von normalisierten Gewichten im Lernen vielseitiges Lernen für verschiedene Orte.
Nachfolgend ist ein Beispiel von Weisen zum Erfassen von Lerndaten beschrieben. In einem Ausgangszustand wird eine Palette, ein Korb o. Ä., auf der bzw. in dem Artikel angeordnet sind, im Stapelbereich abgesetzt. In diesem Beispiel wird angenommen, dass eine Palette (nicht dargestellt) abgesetzt wird. Auf der Palette ist kein Artikel angeordnet. Im Stapelbereich zu stapelnde Artikel werden im Vorbereitungsbereich vorbereitet. Zu diesem Zeitpunkt können alle zu stapelnden Artikel im Vorbereitungsbereich vorbereitet werden oder es können nur einige Artikel vorbereitet werden. Wenn nur einige Artikel vorbereitet werden, wird empfohlen, dass ein Artikel jedes Mal neu zum Vorbereitungsbereich transportiert wird, wenn ein Mitarbeiter einen Artikel anordnet. Ferner können Artikelinformationen jedes Mal aktualisiert werden, wenn ein Artikel transportiert wird. Wenn nichts im Stapelbereich im Ausgangszustand angeordnet ist, wird die Information, dass nichts angeordnet ist, als Stapelstatus protokolliert.
Der Mitarbeiter nimmt ein Objekt vom Vorbereitungsbereich auf und bewegt das Objekt zum Stapelbereich. Der Mitarbeiter prüft des Status des Stapelbereichs und ordnet den Artikel an einer entsprechenden Stelle an. Der oberhalb vom Stapelbereich angeordnete Sichtsensor 60 erfasst Informationen wie die Position und die Ausrichtung eines zu einem entsprechenden Zeitpunkt angeordneten Artikels 41' als Anordnungsinformationen. Der Zeitpunkt, zu dem Anordnungsinformationen erfasst werden, kann der Zeitpunkt sein, zu dem der Mitarbeiter eine Taste einer mit der Artikelstapelvorrichtung 1 verbundenen Maschinensteuerkonsole (nicht dargestellt) drückt oder kann ein bestimmter Zeitraum sein, nachdem sich der Status des vom Sichtsensor 60 überwachten Stapelbereichs geändert hat. Welcher der im Vorbereitungsbereich vorbereiteten Artikel der im Stapelbereich angeordnete ist, kann durch Suchen nach Artikel betreffenden Informationen, die im nichtflüchtigen Speicher 14 für einen ähnlichen Artikel gespeichert sind, unter Verwendung von vom Sichtsensor 60 ermittelten Informationen oder durch Verwenden eines auf einer Oberfläche o. Ä. des Artikels befestigten oder aufgedruckten Identifikationscodes des Artikels ermittelt werden. Während eines Schritts, in dem der Mitarbeiter den Artikel vom Vorbereitungsbereich zum Stapelbereich bewegt, kann eine Menge des Stapelstatus des Stapelbereichs, von den Artikel betreffenden Informationen und der Anordnung des Artikels gespeichert werden. Wenn der Mitarbeiter zwei oder mehr Artikel gleichzeitig anordnet, können diese Artikel als eine Menge oder als zwei oder mehr Mengen gespeichert werden. Ein aus dem Vorbereitungsbereich genommener Artikel kann aus den Artikeln betreffenden Informationen, die im nichtflüchtigen Speicher 14 gespeichert sind, gelöscht werden oder es kann ein Merker, dass der Artikel bereits angeordnet wurde, gesetzt werden. Durch Hinzufügen der aktuellen Anordnung des Artikels zum vorhergehenden Stapelstatus des Stapelbereichs können Informationen zum Stapelstatus des Stapelbereichs zur Verwendung in der nächsten Phase erzeugt werden.
Die Artikelstapelarbeit wird vom Mitarbeiter durchgeführt, bis keine Artikel mehr im Vorbereitungsbereich vorhanden sind oder bis der Stapelbereich voll ist. Dies liefert die gleiche Zahl von Mengen des Stapelstatus des Stapelbereichs, von einen Artikel betreffenden Informationen und einer Anordnung des Artikels als die Zahl von Malen, die der Vorgang wiederholt wird.
Die somit ermittelten Mengen des Stapelstatus des Stapelbereichs, von einen Artikel betreffenden Informationen und einer Anordnung des Artikels werden als Daten zum Lernen verwendet. Das Lernen wird für jeden Schritt unter Verwendung des Stapelstatus des Stapelbereichs und von einen Artikel betreffenden Informationen als eine Zustandsvariable und unter Verwendung einer Anordnung des Artikels als Kennzeichendaten durchgeführt. Das Lernen kann unter Verwendung von während des Vorgangs durch den Mitarbeiter ermittelten Daten unmittelbar nach dem Ermitteln der Daten durchgeführt werden. Alternativ können Daten einfach gesammelt werden, bis eine bestimmte Zahl von Mengen des Stapelstatus des Stapelbereichs, von einen Artikel betreffenden Informationen und einer Anordnung des Artikels ermittelt sind, und anschließend kann ein Offline-Lernen unter Verwendung der gesammelten Daten durchgeführt werden.
Durch Wiederholen des zuvor beschriebenen Lernzyklus kann der Lernabschnitt 110 automatisch Merkmale identifizieren, welche die Korrelation zwischen dem Stapelstatus des Stapelbereichs (Stapelstatusdaten S1) und Informationen zu einem zu stapelnden Artikel (Artikelinformationsdaten S2) und einer Anordnung des zu stapelnden Artikels (Artikelanordnungsdaten L1) implizieren. Wenn der Lernalgorithmus gestartet wird, ist die Korrelation zwischen den Stapelstatusdaten S1 und den Artikelinformationsdaten S2 und den Artikelanordnungsdaten L1 im Wesentlich nicht bekannt. Der Lernabschnitt 110 identifiziert schrittweise Merkmale und interpretiert die Korrelation als Lernfortschritte. Wenn die Korrelation zwischen den Stapelstatusdaten S1 und den Artikelinformationsdaten S2 und den Artikelanordnungsdaten L1 zu einem zuverlässigen Grad interpretiert ist, können wiederholt vom Lernabschnitt 110 ausgegebene Lernergebnisse zum Ermitteln verwendet werden, ob ein zu stapelnder Artikel für die aktuellen Zustand angeordnet werden soll. Insbesondere kann der Lernabschnitt 110 mit dem Fortschritt des Lernalgorithmus schrittweise die Korrelation zwischen dem Stapelstatus des Stapelbereichs und Informationen zu einem zu stapelnden Artikel und einer Anordnung des zu stapelnden Artikels zu einer optimalen Lösung hin bewegen.
Der Schätzungsergebnis-Ausgabeabschnitt 122 schätzt eine Anordnung des zu stapelnden Artikels in Bezug auf den Stapelstatus des Stapelbereichs und Informationen zu einem stapelnden Artikel auf der Basis eines Ergebnisses des Lernens durch den Lernabschnitt 110 und gibt ein Ergebnis der Schätzung an den Steuerabschnitt 34 aus. Wenn der Stapelstatus des Stapelbereichs und Informationen zu einem zu stapelnden Artikel an der maschinellen Lernvorrichtung 100 in einem Zustand eingegeben werden, in dem der Lernabschnitt 110 das Lernen abgeschlossen hat, gibt der Schätzungsergebnis-Ausgabeabschnitt 122 eine geeignete Anordnung des zu stapelnden Artikels aus.
5 zeigt eine Ansicht zur Darstellung einer Situation, in der, nachdem der Lernabschnitt 110 das Lernen abgeschlossen hat, der Roboter 70 auf der Basis einer Schätzung einer Anordnung eines zu stapelnden Artikels gesteuert wird, die vom Schätzungsergebnis-Ausgabeabschnitt 122 zum Stapeln des Artikels ausgegeben wird.
Eine Roboterhand ist an einem Ende des Roboters 70 befestigt. Durch Steuern der Roboterhand kann der Roboter 70 einen Artikel greifen. Artikel 41 werden vor dem Anordnen im Vorbereitungsbereich vorbereitet. Das Bewegen von Ladungen zum Vorbereitungsbereich kann manuell von einem Menschen wie einem Mitarbeiter durchgeführt werden oder kann durch Transportmittel wie einem Transportband durchgeführt werden. Der Roboter 70 greift einen im Vorbereitungsbereich vorbereiteten Artikel 41 mit der Roboterhand 42, bewegt den Artikel 41 zum Stapelbereich und ordnet den Artikel an.
Der Sichtsensor 60 ist oberhalb vom Stapelbereich angeordnet, so dass er Informationen zur Position eines Artikels messen kann. Wenn die Höhen von Artikeln nicht festgelegt sind, ist der Sichtsensor 60 erwünschtermaßen in der Lage, dreidimensionale Informationen zu erfassen. Der Sichtsensor 60 ist nicht erforderlich, wenn Informationen zur Position eines im Vorbereitungsbereich abgelegten Artikels 41 und die ID des Artikels 41 durch alternative Mittel erfasst werden können (beispielsweise wenn das System selbst die Position erfassen kann); es sind aber einige andere Mittel erforderlich, um Informationen zur Position eines Artikels und ID des Artikels zu identifizieren.
Nachfolgend ist ein Verfahren beschrieben, in dem der Roboter 70 ein Stapeln unter Verwendung des Lernabschnitts 110, der das Lernen abgeschlossen hat, durchführt.
Zunächst identifiziert der Zustandsbeobachtungsabschnitt 106 einen oder mehrere im Vorbereitungsbereich abgelegte Artikel 41 zum Stapeln ab jetzt und erfasst die identifizierten Artikel 41 betreffende Informationen. Anschließend erfasst der Zustandsbeobachtungsabschnitt 106 den Stapelstatus des Stapelbereichs. Der Stapelstatus des Stapelbereichs kann beispielsweise durch Anordnen des Sichtsensors 60 oberhalb vom Stapelbereich und Verwenden des Sichtsensors 60 erfasst werden. Wenn aber kein Sichtsensor 60 oberhalb vom Stapelbereich angeordnet ist, können Anordnungsinformationen aus einer Historie von vorhergehenden Anordnungen von Artikeln im Stapelbereich durch den Roboter 70 erzeugt werden. In diesem Fall können Anordnungsinformationen als Zeitreihendaten betreffend Anordnungsinformationen erzeugt werden, die ermittelt werden, wenn Artikel in der Reihenfolge nacheinander von einem Ausgangszustand (kein Artikel ist angeordnet) angeordnet werden.
Nachdem der Zustandsbeobachtungsabschnitt 106 Anordnungsinformationen im Stapelbereich und einen Artikel betreffende Informationen beobachtet hat, schätzt der Schätzungsergebnis-Ausgabeabschnitt 122 eine Anordnung des zu stapelnden Artikels unter Verwendung eines Ergebnisses des Lernens durch den Lernabschnitt 110 und gibt die geschätzte Anordnung aus. Die Anordnung des Artikels enthält Informationen zur Angabe, welcher Artikel an welcher Position angeordnet werden soll. Beim Empfangen der Anordnung des zu stapelnden Artikels, die vom Schätzungsergebnis-Ausgabeabschnitt 122 ausgegeben wird, steuert der Steuerabschnitt 34 den Roboter 70 so, dass der anzuordnende Artikel von der Position des Artikels im Vorbereitungsbereich aufgenommen und an einer spezifizierten Position im Stapelbereich angeordnet werden kann. Dieser Vorgang wird durchgeführt, bis keine Artikel mehr im Vorbereitungsbereich vorhanden sind oder bis der Stapelbereich voll ist.
In einem modifizierten Beispiel der maschinellen Lernvorrichtung 100 der Artikelstapelvorrichtung 1 kann in Bezug auf die Anordnung eines zu stapelnden Artikels der Artikel vorübergehend in einem temporären Anordnungsbereich angeordnet werden. In diesem Fall werden zusätzlich zu Informationen zur Angabe einer normalen Anordnung des Artikels Informationen zur vorübergehenden Anordnung als Artikelanordnungsdaten L1 vorbereitet. Wenn der Mitarbeiter eine Ladung im temporären Anordnungsbereich anordnet, werden Informationen zur Angabe einer vorübergehenden Anordnung als Artikelanordnungsdaten L1 verwendet. Ferner wird der vorübergehend angeordnete Artikel als im Vorbereitungsbereich verbleibend behandelt und die Position, in welcher der Artikel vorbereitet wird, wird zu der Position geändert, in welcher der Artikel vorübergehend im temporären Anordnungsbereich angeordnet wird.
Im zuvor beschriebenen modifizierten Beispiel kann, wenn der Stapelstatus des Stapelbereichs (Stapelstatusdaten S1) und Informationen zu einem zu stapelnden Artikel (Artikelinformationsdaten S2) eingegeben werden, die maschinelle Lernvorrichtung 100 eine vorübergehende Anordnung des Artikels im temporären Anordnungsbereich nach Bedarf zusätzlich zu einer Anordnung des Artikels im normalen Stapelbereich schätzen. Daher kann der Roboter 70 den Stapelvorgang flexibler durchführen.
In der maschinellen Lernvorrichtung 100 mit der zuvor beschriebenen Konfiguration ist der Lernalgorithmus, den der Lernabschnitt 110 ausführt, nicht besonders beschränkt und es kann ein beliebiger, allgemein bekannter Lernalgorithmus zum maschinellen Lernen verwendet werden. 6 zeigt eine weitere Konfiguration der in 2 dargestellten Artikelstapelvorrichtung 1, die den Lernabschnitt 110 umfasst, der überwachtes Lernen als weiteres Beispiel für einen Lernalgorithmus ausführt. Im überwachten Lernen werden bekannte Datenmengen (als Lehrerdaten bezeichnet) einer jeweils entsprechenden Eingabe und Ausgabe geliefert und aus den Lehrerdaten werden die die Korrelation zwischen Eingabe und Ausgabe implizierenden Merkmale identifiziert, so dass ein Korrelationsmodell zum Schätzen einer erforderlichen Ausgabe für eine neue Eingabe gelernt wird.
In der maschinellen Lernvorrichtung 100 der in 6 dargestellten Artikelstapelvorrichtung 1 umfasst der Lernabschnitt 110 einen Fehlerberechnungsabschnitt 112 und einen Modellaktualisierungsabschnitt 114. Der Fehlerberechnungsabschnitt 112 berechnet einen Fehler E zwischen einem Korrelationsmodell M zum Schätzen einer Anordnung eines zu stapelnden Artikels aus Anordnungsinformationen zum Stapelbereich und in der Zustandsvariable S enthaltenen den Artikel betreffenden Informationen und einem aus von Artikelstapelarbeit durch einen Mitarbeiter ermittelten Lehrerdaten T identifizierten Korrelationsmerkmal. Der Modellaktualisierungsabschnitt 114 aktualisiert das Korrelationsmodell M, so dass der Fehler E verringert werden kann. Der Lernabschnitt 110 lernt eine Schätzung der Anordnung des zu stapelnden Artikels in Bezug auf die Anordnungsinformationen zum Stapelbereich und die den Artikel betreffenden Informationen durch den das Aktualisieren des Korrelationsmodells M wiederholenden Modellaktualisierungsabschnitt 114.
Ein Ausgangswert des Korrelationsmodells M ist beispielsweise ein Wert zum Ausdrücken der Korrelation zwischen der Zustandsvariable S und einer Anordnung eines zu stapelnden Artikels auf eine vereinfachte Weise (beispielsweise als lineare Funktion) und wird vor Beginn des überwachten Lernens an den Lernabschnitt 110 übergeben. Die Lehrerdaten T können unter Verwendung von aus Stapelarbeit durch einen Mitarbeiter ermittelten empirischen Werten in der vorliegenden Erfindung konfiguriert werden und werden dem Lernabschnitt 110 nach Bedarf in einer frühen Phase des Betriebs der Artikelstapelvorrichtung 1 übergeben. Der Fehlerberechnungsabschnitt 112 identifiziert ein Korrelationsmerkmal beinhaltend die Korrelation zwischen Anordnungsinformationen zum Stapelbereich und einen Artikel betreffenden Informationen und einer Anordnung des zu stapelnden Artikels aus den dem Lernabschnitt 110 nach Bedarf übergebenen Lehrerdaten T und findet einen Fehler E zwischen dem Korrelationsmerkmal und dem Korrelationsmodell M entsprechend der Zustandsvariable S und den Kennzeichendaten L im aktuellen Zustand. Der Modellaktualisierungsabschnitt 114 aktualisiert das Korrelationsmodell M beispielsweise entsprechend vorgegebenen Aktualisierungsregeln, so dass der Fehler E verringert werden kann.
Im nächsten Lernzyklus ermittelt der Fehlerberechnungsabschnitt 112 die Sortierung von zu sortierenden Objekten gemäß dem aktualisierten Korrelationsmodell M unter Verwendung der Zustandsvariable S und findet einen Fehler E zwischen einem Ergebnis der Ermittlung und den aktuell erfassten Kennzeichendaten und der Modellaktualisierungsabschnitt 114 aktualisiert erneut das Korrelationsmodell M. Dies ermittelt schrittweise die Korrelation zwischen dem aktuellen Umgebungszustand und einer Schätzung von diesem, der nicht bekannt war.
Zum Optimieren des zuvor beschriebenen überwachten Lernens kann ein neuronales Netz verwendet werden. 7A zeigt schematisch ein Modell eines Neurons. 7B zeigt schematisch ein Modell eines durch Kombinieren der in 7A dargestellten Neuronen ausgebildeten dreischichtigen neuronalen Netzes. Ein neuronales Netz kann beispielsweise durch Verwenden einer arithmetischen Einheit, einer Speichereinheit u. Ä., die ein Modell eines Neurons abbilden, gebildet werden.
Das in 7A dargestellte Neuron ist zum Ausgeben eines Ergebnisses y für eine Vielzahl von Eingaben x (hier beispielsweise die Eingaben x₁ bis x₃) ausgebildet. Jede der Eingaben x₁ bis x₃ wird mit einem Gewicht w (w₁ bis w₃) entsprechend der Eingabe x multipliziert. Dies veranlasst das Neuron zum Ausgeben eines durch den folgenden Ausdruck (1) ausgedrückten Ergebnisses. Die Eingabe x, das Ergebnis y und das Gewicht w sind Vektoren in Ausdruck (1). Ferner ist θ eine Verzerrung und f_k ist eine Aktivierungsfunktion. $y = ƒ_{k} (\sum_{i = 1}^{n} x_{i} w_{i} - θ)$
Das in 7B dargestellte dreischichtige neuronale Netz empfängt eine Vielzahl von Eingaben x (hier beispielsweise die Eingaben x1 bis x3) links und gibt die Ergebnisse y (hier beispielsweise die Ergebnisse y1 bis y3) rechts aus. Im dargestellten Beispiel werden die Eingaben x1, x2, und x3 mit entsprechenden Gewichten (insgesamt als w1 ausgedrückt) multipliziert und jede der Eingaben x1, x2 und x3 wird an den drei Neuronen N11, N12 und N13 eingegeben.
In 7B sind die Ausgaben von den Neuronen N11 bis N13 insgesamt durch z1 dargestellt. z1 kann als ein durch Extrahieren von Merkmalsvektoren eines Eingabevektors erzeugter Merkmalsvektor betrachtet werden. Im dargestellten Beispiel wird jedes Element des Merkmalsvektors z1 mit entsprechenden Gewichten (insgesamt durch w2 dargestellt) multipliziert und jedes Element des Merkmalsvektors z1 wird an zwei Neuronen N21 und N22 eingegeben. Der Merkmalsvektor z1 stellt ein Merkmal zwischen dem Gewicht w1 und dem Gewicht w2 dar.
Ferner sind die Ausgaben von den Neuronen N21 und N22 insgesamt durch z2 dargestellt. z2 kann als ein durch Extrahieren von Merkmalswerten des Merkmalsvektors z1 erzeugter Merkmalsvektor betrachtet werden. Im dargestellten Beispiel wird jedes Element des Merkmalsvektors z2 mit entsprechenden Gewichten (insgesamt durch w3 dargestellt) multipliziert und jedes Element des Merkmalsvektors z2 wird an drei Neuronen N31, N32 und N33 eingegeben. Der Merkmalsvektor z2 stellt ein Merkmal zwischen dem Gewicht w2 und dem Gewicht w3 dar. Schließlich geben die Neuronen N31 bis N33 jeweils Ergebnisse y1 bis y3 aus.
Es kann ein Verfahren mit der Bezeichnung Deep Learning verwendet werden, das ein neuronales Netz mit drei oder mehr Schichten verwendet.
Die maschinelle Lernvorrichtung 100 der Artikelstapelvorrichtung 1, die den Lernabschnitt 110 umfasst, der eine mehrschichtige Berechnungen gemäß dem zuvor beschriebenen neuronalen Netz durchführt, empfängt die Zustandsvariable S als Eingabe x und gibt eine Anordnung eines zu stapelnden Artikels (Ergebnis y) in Bezug auf Anordnungsinformationen zum Stapelbereich und den Artikel betreffende Informationen aus. Die Betriebsmodi des neuronalen Netzes umfassen einen Lernmodus und einen Wertvorhersagemodus. Beispielsweise werden Gewichte w unter Verwendung einer Lerndatenmenge im Lernmodus gelernt und der Wert einer Aktion kann unter Verwendung der gelernten Gewichte w im Wertvorhersagemodus ermittelt werden. Im Wertvorhersagemodus können ebenfalls Erfassung, Klassifizierung, Schlussfolgerung u. Ä. durchgeführt werden.
Die zuvor beschriebene Konfiguration der maschinellen Lernvorrichtung 100 kann als ein maschinelles Lernvorfahren (oder eine Software) beschrieben werden, die der Prozessor 101 ausführt. Dieses maschinelle Lernverfahren ist ein maschinelles Lernverfahren zum Lernen einer Schätzung einer Anordnung eines zu stapelnden Artikels in Bezug auf Anordnungsinformationen zum Stapelbereich und den Artikel betreffende Informationen und umfasst die Schritte zum:

Beobachten des Stapelstatus des Stapelbereichs (Stapelstatusdaten S1) und von Informationen zum zu stapelnden Artikel (Artikelinformationsdaten S2) als die den aktuellen Zustand darstellende Zustandsvariable S;
Erfassen einer Anordnung des zu stapelnden Artikels (Artikelanordnungsdaten L1) als Kennzeichendaten L; und
Lernen der Anordnung des zu stapelnden Artikels in Verbindung mit den Stapelstatusdaten S1 und den Artikelinformationsdaten S2 unter Verwendung der Zustandsvariable S und der Kennzeichendaten L.

Ein durch Lernen durch den Lernabschnitt 110 der maschinellen Lernvorrichtung 100 ermitteltes gelerntes Modell kann als ein Programmmodul verwendet werden, das ein Teil von am maschinellen Lernen beteiligter Software ist. Das gelernte Modell der vorliegenden Erfindung kann in einem Computer umfassend einen Prozessor wie eine CPU oder eine GPGPU oder einen Speicher verwendet werden. Insbesondere führt ein Prozessor eines Computers einen Vorgang gemäß Befehlen von einem in einem Speicher gespeicherten gelernten Modell zum Durchführen einer Berechnung unter Verwendung von Anordnungsinformationen zum Stapelbereich und einen Artikel betreffenden Informationen als Eingaben und Ausgaben einer Anordnung des zu stapelnden Artikels in Bezug auf Anordnungsinformationen zum Stapelbereich und den Artikel betreffende Informationen auf der Basis eines Ergebnisses der Berechnung durch. Das gelernte Modell der vorliegenden Erfindung kann auf andere Computer durch ein externes Speichermedium, ein Netzwerk o. Ä. zur Verwendung auf den Computern kopiert werden.
Wenn eine Kopie des gelernten Modells der vorliegenden Erfindung auf einem anderen Computer in einer neuen Umgebung verwendet wird, kann weiteres Lernen in Bezug auf das gelernte Modell auf der Basis einer neuen Zustandsvariable und in der Umgebung ermittelten neuen Ermittlungsdaten durchgeführt werden. In diesem Fall kann ein vom gelernten Modell aufgrund der Umgebung abgeleitetes gelerntes Modell (nachfolgend als abgeleitetes Modell bezeichnet) ermittelt werden. Ähnlich dem ursprünglichen gelernten Modell gibt das abgeleitete Modell der vorliegenden Erfindung ebenfalls ein Ergebnis der Schätzung einer Anordnung eines zu stapelnden Artikels in Bezug auf vorgegebene Anordnungsinformationen zum Stapelbereich und vorgegebene den Artikel betreffende Informationen aus. Der Unterschied zwischen dem abgeleiteten Modell und dem ursprünglichen gelernten Modell besteht aber darin, dass das abgeleitete Modell ein besser geeignetes Ergebnis für die neue Umgebung (neuer Stapelbereich und Artikel) als das ursprüngliche gelernte Modell ausgibt. Dieses abgeleitete Modell kann ebenfalls auf andere Computer durch ein externes Speichermedium, ein Netzwerk o. Ä. zur Verwendung auf den Computern kopiert werden.
Ferner kann unter Verwendung einer als ein Ergebnis einer Eingabe an der maschinellen Lernvorrichtung mit dem gelernten Modell der vorliegenden Erfindung darin enthalten ermittelten Ausgabe ein gelerntes Modell (nachfolgend als destilliertes Modell bezeichnet), das durch Durchführen von Lernen von Grund auf ermittelt wird, auf einer anderen maschinellen Lernvorrichtung erzeugt und verwendet werden. (Solch ein Lernprozess wird als Destillation bezeichnet.) In einer Destillation wird das ursprüngliche gelernte Modell auch als Lehrermodell bezeichnet und das neu erzeugte destillierte Modell wird ebenfalls als Schülermodell bezeichnet. Im Allgemeinen ist ein destilliertes Modell kleiner als ein ursprüngliches gelerntes Modell, weist aber eine Genauigkeit entsprechend der des ursprünglichen gelernten Modells auf. Dementsprechend ist ein destilliertes Modell für den Einsatz auf anderen Computern durch ein externes Speichermedium, ein Netzwerk o. Ä. besser geeignet.
9 zeigt ein System 170 gemäß einer Ausführungsform umfassend eine Artikelstapelvorrichtung 1'.
Das System 170 umfasst die maschinelle Lernvorrichtung 100, eine Vielzahl von Artikelstapelvorrichtungen 1' (ohne die maschinelle Lernvorrichtung 100), die wenigstens die gleiche Arbeit verrichten, und ein verdrahtetes/drahtloses Netzwerk 172 zum Verbinden dieser Artikelstapelvorrichtungen 1'.
Im System 170 mit der zuvor beschriebenen Konfiguration kann die maschinelle Lernvorrichtung 100 Merkmale, welche die Korrelation zwischen dem Stapelstatus des Stapelbereichs (Stapelstatusdaten S1) und Informationen zu einem zu stapelnden Artikel (Artikelinformationsdaten S2) und einer Anordnung des zu stapelnden Artikel (Artikelanordnungsdaten L1) implizieren, aus jeweils durch Mitarbeiter in der Vielzahl von Artikelstapelvorrichtungen 1' durchgeführten Stapelvorgängen lernen. Dementsprechend kann das System 170 die Geschwindigkeit und die Zuverlässigkeit des Lernens des Artikelstapelvorgangs unter Verwendung einer Sammlung (umfassend die Zustandsvariable S und die Ermittlungsdaten D) eines breiteren Bereichs von Daten als Eingaben verbessern. Ferner kann das System 170 so ausgebildet sein, dass ein Ergebnis des Lernens durch die maschinelle Lernvorrichtung 100 zwischen der Vielzahl von Artikelstapelvorrichtungen 1' geteilt werden kann.
Zuvor wurde die Ausführungsform der vorliegenden Erfindung beschrieben; die vorliegende Erfindung ist aber nicht auf die zuvor beschriebene beispielhafte Ausführungsform beschränkt und kann in verschiedenen Aspekten unter Vornahme von entsprechenden Modifikationen ausgeführt werden.
Beispielsweise sind der Lernalgorithmus, den die maschinelle Lernvorrichtung 100 ausführt, der arithmetische Algorithmus, den die maschinelle Lernvorrichtung 100 ausführt, der Steueralgorithmus, den die Artikelstapelvorrichtung 1 ausführt, u. Ä. nicht auf die zuvor beschriebenen beschränkt und es können verschiedene Algorithmen verwendet werden.
Ferner können, obwohl die Artikelstapelvorrichtung 1 und die maschinelle Lernvorrichtung 100 Vorrichtungen mit verschiedenen CPUs (Prozessoren) in der zuvor beschriebenen Ausführungsform sind, die maschinelle Lernvorrichtung 100 unter Verwendung der CPU 11 der Artikelstapelvorrichtung 1 und der im ROM 12 gespeicherten Systemprogramme ausgeführt werden.
Ferner ist in der zuvor beschriebenen Ausführungsform ein Beispiel dargestellt, in dem sich die maschinelle Lernvorrichtung 100 auf der Artikelstapelvorrichtung 1 befindet. Die maschinelle Lernvorrichtung 100 kann sich aber auch auf einem Cloud-Server o. Ä. vorbereitet in einem Netzwerk befinden.

Claims

Artikelstapelvorrichtung (1) zum Steuern eines Roboters (70) zum Stapeln einer Vielzahl von in einem Vorbereitungsbereich vorbereiteten Artikeln (41) in einen Stapelbereich, wobei die Artikelstapelvorrichtung (1) umfasst: eine maschinelle Lernvorrichtung (100) zum Lernen einer Schätzung einer Anordnung eines im Stapelbereich zu stapelnden Artikels (41) in Bezug auf den Stapelstatus des Stapelbereichs und Informationen zum Artikel (41), wobei die maschinelle Lernvorrichtung (100) umfasst: einen Zustandsbeobachtungsabschnitt (106) zum Beobachten von Stapelstatusdaten (S1), die den Stapelstatus des Stapelbereichs angeben, und Artikelinformationsdaten (S2), die die Informationen zum zu stapelnden Artikel (41) angeben, als eine Zustandsvariable (S), die einen aktuellen Umgebungszustand darstellt, einen Kennzeichendaten-Erfassungsabschnitt (108) zum Erfassen von Artikelanordnungsdaten (L1), die die Anordnung des Artikels (41) im Stapelbereich angeben, als Kennzeichendaten (L), und einen Lernabschnitt (110) zum Lernen der Artikelanordnungsdaten (L1) in Zuordnung zu den Stapelstatusdaten (S1) und den Artikelinformationsdaten (S2) unter Verwendung der Zustandsvariable (S) und der Kennzeichendaten (L), wobei die Artikelanordnungsdaten (L1) ferner Informationen zu einer temporären Anordnung des Artikels (41) umfassen.
Artikelstapelvorrichtung (1) nach Anspruch 1, wobei die Artikelinformationsdaten (S2) wenigstens Informationen zu einer Vielzahl von Artikeln (41) umfassen.
Artikelstapelvorrichtung (1) nach einem der Ansprüche 1 bis 2, wobei der Lernabschnitt (110) umfasst: einen Fehlerberechnungsabschnitt (112) zum Berechnen eines Fehlers (E) zwischen einer Ausgabe eines Korrelationsmodells (M) und eines Korrelationsmerkmals unter Verwendung der Zustandsvariable (S) und der Kennzeichendaten (L), wobei das Korrelationsmodell (M) die Artikelanordnungsdaten (L1) aus den Stapelstatusdaten (S1) und den Artikelinformationsdaten (S2) ableitet, wobei das Korrelationsmerkmal aus vorab erstellten Lehrerdaten (T) identifiziert wird, und einen Modellaktualisierungsabschnitt (114) zum Aktualisieren des Korrelationsmodells (M) zum Verringern des Fehlers (E).
Artikelstapelvorrichtung (1) nach einem der Ansprüche 1 bis 3, wobei der Lernabschnitt (110) die Zustandsvariable (S) und die Kennzeichendaten (L) unter Verwendung einer mehrschichtigen Struktur berechnet.
Artikelstapelvorrichtung (1) nach einem der Ansprüche 1 bis 4, wobei die maschinelle Lernvorrichtung (100) ferner einen Schätzungsergebnis-Ausgabeabschnitt (122) zum Ausgeben eines Ergebnisses einer Schätzung der Anordnung des Artikels (41) im Stapelbereich auf der Basis eines Ergebnisses des Lernens durch den Lernabschnitt (110) umfasst.
Artikelstapelvorrichtung (1) nach einem der Ansprüche 1 bis 5, wobei sich die maschinelle Lernvorrichtung (100) auf einem Cloud-Server befindet.
Artikelstapelvorrichtung (1) nach einem der Ansprüche 1 bis 6, wobei die maschinelle Lernvorrichtung (100) ein Lernen unter Verwendung der Zustandsvariable (S) und der Kennzeichendaten (L), die durch eine Vielzahl von Artikelstapelvorrichtungen (1') erfasst werden, durchführt.
Maschinelle Lernvorrichtung (100) zum Lernen einer Schätzung einer Anordnung eines in einem Stapelbereich zu stapelnden Artikels (41) in Bezug auf einen Stapelstatus des Stapelbereichs und Informationen zum Artikel (41) im Lauf des Stapelns einer Vielzahl von in einem Vorbereitungsbereich vorbereiteten Artikeln (41) in den Stapelbereich, wobei die maschinelle Lernvorrichtung (100) umfasst: einen Zustandsbeobachtungsabschnitt (106) zum Beobachten von Stapelstatusdaten (S1), die den Stapelstatus des Stapelbereichs angeben, und Artikelinformationsdaten (S2), die die Informationen zum zu stapelnden Artikel (41) angeben, als eine Zustandsvariable (S), die einen aktuellen Umgebungszustand darstellt; einen Kennzeichendaten-Erfassungsabschnitt (108) zum Erfassen von Artikelanordnungsdaten (L1), die die Anordnung des Artikels (41) im Stapelbereich angeben, als Kennzeichendaten (L); und einen Lernabschnitt (110) zum Lernen der Artikelanordnungsdaten (L1) in Zuordnung zu den Stapelstatusdaten (S1) und den Artikelinformationsdaten (S2) unter Verwendung der Zustandsvariable (S) und der Kennzeichendaten (L), wobei die Artikelanordnungsdaten (L1) ferner Informationen zu einer temporären Anordnung des Artikels (41) umfassen.