EP4655140A1 - Kollisionsfreie roboterbahnen - Google Patents

Kollisionsfreie roboterbahnen

Info

Publication number
EP4655140A1
EP4655140A1 EP24708422.1A EP24708422A EP4655140A1 EP 4655140 A1 EP4655140 A1 EP 4655140A1 EP 24708422 A EP24708422 A EP 24708422A EP 4655140 A1 EP4655140 A1 EP 4655140A1
Authority
EP
European Patent Office
Prior art keywords
robot
path
poses
learning
planning
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
EP24708422.1A
Other languages
English (en)
French (fr)
Inventor
Jonas SCHWINN
Dominik Joho
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.)
KUKA Deutschland GmbH
Original Assignee
KUKA Deutschland GmbH
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 KUKA Deutschland GmbH filed Critical KUKA Deutschland GmbH
Publication of EP4655140A1 publication Critical patent/EP4655140A1/de
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Program-controlled manipulators
    • B25J9/16—Program controls
    • B25J9/1656—Program controls characterised by programming, planning systems for manipulators
    • B25J9/1664—Program controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
    • B25J9/1666—Avoiding collision or forbidden zones
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Program-controlled manipulators
    • B25J9/16—Program controls
    • B25J9/1628—Program controls characterised by the control loop
    • B25J9/163—Program 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—Program-controlled manipulators
    • B25J9/16—Program controls
    • B25J9/1694—Program controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
    • B25J9/1697—Vision controlled systems
    • 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
    • G05B2219/37—Measurements
    • G05B2219/37555—Camera detects orientation, position workpiece, points of workpiece
    • 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
    • G05B2219/40317—For collision avoidance and detection
    • 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
    • G05B2219/40476—Collision, planning for collision free path
    • 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
    • G05B2219/40607—Fixed camera to observe workspace, object, workpiece, global
    • 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
    • G05B2219/45—Nc applications
    • G05B2219/45063—Pick and place manipulator

Definitions

  • the present invention relates to a method for planning a path of a robot using a machine-learned forecast for a collision-free path, a method for machine learning the forecast, and a system and computer program or computer program product for carrying out a method described here.
  • a common requirement for robots is to assume one or more target poses, for example to grasp or place an object, to machine a workpiece, or the like.
  • An object of an embodiment of the present invention is to improve the planning or execution of robot paths, preferably to reduce, preferably to avoid, one or more of the aforementioned disadvantages or problems.
  • Claims 12, 13 represent a system or computer program or.
  • a method for planning a path of a robot comprises the steps:
  • One embodiment of the present invention is based on the idea of first determining or selecting, in a multi-stage process, a target pose candidate that is promising, in particular more promising, preferably the or one of the most promising, with regard to, in particular, finding a collision-free path, with the aid of or on the basis of (an evaluation using a) machine-learned forecast, and then carrying out path planning on the basis of this or for this most promising target pose candidate.
  • the machine-learned prediction for (finding) a collision-free path can be better trained and/or work more reliably and/or more quickly in one embodiment. Additionally or alternatively, this can increase the reliability that no collision will occur on the planned path, particularly through path planning in a second stage.
  • the robot has at least one robot arm. Additionally or alternatively, the robot, in particular the robot arm, in one embodiment has at least three, in particular at least six, in one embodiment at least seven, joints or (movement) axes, in particular by drives of the Robot has actuated or adjustable and/or rotary joints or axes.
  • the present invention is particularly advantageous due to the kinematics, operating conditions and collision possibilities.
  • alternative target poses comprises, in one embodiment, specifying alternative target poses, in a further development based on user input and/or at least partially automated, in one embodiment based on environmental data of the robot, in particular environmental recognition and/or processing data, for example (recognized) objects to be grasped, possible storage locations, workpieces to be processed, robot-guided tools or the like.
  • the provision can in particular comprise retrieving or loading stored alternative target poses. In one embodiment, this means that more promising or more expedient target poses can be used as a basis in advance and/or the process can be accelerated.
  • a pose in the sense of the present invention comprises, in one embodiment, a position of the robot, in particular its joints, and/or a position, in particular a one-, two- or three-dimensional position, and/or an orientation, in particular a one-, two- or three-dimensional orientation, in particular of at least one robot-fixed reference, preferably an end effector, TCP or the like.
  • the provision of environmental data that specify a geometry of an environment of the robot comprises, in one embodiment, the sensory detection of the environment, in a further development using at least one camera, in particular a stationary or robot-guided camera, and/or data processing, in particular filtering, transformation or the like, of environmental data and/or retrieving or loading stored environmental data.
  • the environmental data provided is based on a sensory detection of an environment of the robot, in particular using at least one camera, in particular a stationary or robot-guided camera, and/or a theoretical model of the environment, for example a CAD model of a robot cell or the like. In one embodiment, this can improve the reliability of collision avoidance.
  • a machine-learned forecast for a collision-free path for a target pose determines or delivers, in one embodiment, based on environmental data (and the target pose), a value, preferably a binary value, a probability value or the like, which depends on whether or with what probability a collision-free path for the target pose can be (successfully) planned or whether or with what probability a collision is likely to occur on a path planned for the target pose.
  • the or one of the alternative target poses is selected as the target pose candidate for which the machine-learned forecast predicts that a collision-free path can probably be planned (successfully) or that no collision is likely to occur on a planned path or that the probability of this is higher than for one or more of the other alternative target poses, preferably the highest. If two or more of the alternative target poses are rated the same, in a further development one of these target poses is selected randomly or according to other criteria, for example a predetermined prioritization or the like.
  • the planning of a path of the robot which is then checked for collisions of the robot, is carried out in the same way during the machine learning of the prediction and the execution of a path planning based on the selected target pose candidate. This can reduce the probability of failed attempts in one embodiment.
  • the execution of a path planning comprises, in one embodiment, in particular in a first stage, planning at least one path of the robot and, in particular in a second stage, checking this planned path, in a Further development of the target pose and/or one or more (other) poses of the robot along the path, for collisions of the robot, in particular with itself and/or the environment.
  • This planning of a path can in particular include specifying one or more path points, in particular (other) poses of the robot along the path, and in one embodiment connecting these path points, for example by means of interpolation. This allows the path planning to be carried out more quickly in one embodiment.
  • a (first) path of the robot is first planned and checked for collisions of the robot and, if a collision is detected, another path of the robot is planned one or more times and checked for collisions of the robot, preferably until a termination criterion, for example a predetermined maximum number of attempts or the like, is met.
  • this makes it advantageous to take into account prioritization within the target poses that is not based on predicted collisions. For example, for a first gripping position for which the machine-learned prediction predicted a collision-free path and the execution of a path planning resulted in a first path for which a collision was detected when checking for collisions (yet or contrary to the prediction), one or more other paths can first be planned and also checked for collisions before a different gripping pose is selected as the new target pose candidate instead of this first gripping pose, for example if the first gripping pose can be reached more quickly by the robot or is closer to a storage location or the like.
  • the implementation of path planning includes an attempt to plan a path of the robot (ab initio) while avoiding collisions of the robot, in particular with the help of a collision-free path planner.
  • the path planner can, for example, start from the target pose and attempt to plan a path in a space determined to be collision-free, in particular to determine such a path, to successively determine collision-free path points on the way to a desired path end, or the like. In one embodiment, this can reduce the probability of failed attempts.
  • path planning is carried out on the basis of the environmental data provided; in a further development, the planned path(s) are checked for collisions of the robot on the basis of the environmental data or an attempt is made on the basis of the environmental data to plan a path of the robot (ab initio) while avoiding collisions of the robot, in particular with the help of a collision-free path planner.
  • the procedure comprises the following steps, which may be repeated several times in a further training:
  • the termination condition may in particular include that no path could be planned while avoiding collisions, in particular within a predetermined time or maximum number of attempts or the like, or that a collision was detected when checking a planned path or that a termination criterion of this path planning, for example a predetermined maximum number of attempts or the like, is met.
  • path planning for a target pose candidate fails, in particular if no path could be planned for this while avoiding collisions or if a collision was detected when checking a planned path or several planned paths (each), a new target pose candidate is selected instead and path planning is carried out again on the basis of this new target pose candidate. In one embodiment, this can reduce the probability of failed attempts.
  • the alternative target poses include starting poses of the robot, end poses of the robot and/or working poses of the robot, in a further development, receiving poses, in particular gripping poses of the robot and/or release poses of the robot.
  • a or the (respective) path of the robot includes the (respective) target pose, in particular the (respective) target pose candidate.
  • a planned path can in particular be a path for gripping one of several objects, for gripping an object in one of several gripping positions, a path for moving to one of several storage positions, a path for moving to or away from one or more processing positions or the like.
  • the present invention is particularly advantageous for this, in particular due to the kinematics, operating conditions and collision possibilities.
  • the environmental data comprises surface points and/or images, in a further development depth images and/or from a predetermined perspective, preferably from a perspective of a camera with which the environment is recorded or with the aid of which the environmental data is generated, and/or an end effector, preferably gripper, of the robot or a perspective shifted relative to this end effector perspective, in particular in the gripping direction.
  • Surface points are particularly suitable for machine-learned predictions, while images can advantageously reflect the environment and/or can be processed more directly.
  • the robot follows the (successfully) planned path, in particular the (successfully) planned path while avoiding collisions of the robot. the planned path, during the check of which no collision was detected. Accordingly, the present invention relates in one embodiment to a method for (planning and) following a (planned) path with the robot or a corresponding system.
  • a method for machine learning a prediction for a collision-free trajectory for the target pose based on environmental data (and a target pose of a robot) comprises the steps:
  • the machine-learned forecast can be carried out in particular with the help of at least one artificial neural network or at least one other model or principle of artificial intelligence or machine learning, in particular for classification or regression.
  • the environment learning data is, preferably, created using one or more, in particular numerical, simulations, in particular alternative environment learning data is created using simulations of different environments.
  • the path planning on the basis of the results of which the forecast is machine-learned, is carried out using one or more, in particular numerical, simulations, in a further development, path planning is carried out using simulations of different environments or on the basis of alternative environment learning data or alternative simulated or virtual environments.
  • the same simulated or virtual environments are used as a basis or, for one or more virtual environments, environment learning data is created using a simulation, a path planning is carried out on the basis of this environment learning data and its result is linked to this environment learning data or this result and this environment learning data are used for machine learning of the forecast.
  • the prediction for target poses and different virtual environments learns machine-based to predict the success of planning a collision-free trajectory for this target pose in this virtual environment.
  • the implementation of path planning includes planning at least one path of the robot and checking this planned path for collisions of the robot or an attempt to plan a path of the robot while avoiding collisions of the robot, can additionally or alternatively also be implemented in the machine learning of the forecast, so that reference is made to the above explanations in this regard.
  • the environment learning data additionally or alternatively comprise surface points and/or images, in particular depth images and/or from a predetermined Perspective.
  • surface points are first generated, preferably with the aid of at least one simulation, and from these at least one image, in particular a depth image and/or from a predetermined perspective, preferably from a perspective of a camera with which the environment is recorded in one embodiment (for planning the path) or with the aid of which the environment data is generated in one embodiment (for planning the path), and/or an end effector, preferably a gripper, of the robot or a perspective shifted relative to this end effector perspective, in particular in the gripping direction.
  • the environmental data and the environmental learning data are of the same type, in particular both comprise surface points or both comprise images, in particular depth images and/or from the same perspective, and/or if the execution of a path planning based on a target pose candidate and the execution of a path planning based on a learning pose are of the same type, in particular both comprise a preferably similar planning of at least one path of the robot and a preferably similar checking of this planned path for collisions of the robot or a preferably similar attempt to plan a path of the robot while avoiding collisions of the robot, since this enables the machine-learned forecast to better predict the conditions when planning the path.
  • a system for planning, in a further development for traveling, a path of a robot and/or for machine learning a forecast (based on environmental data and a target pose of the robot) for a collision-free path (for the target pose) of a robot, in particular hardware and/or software, in particular program technology, is set up to carry out a method described here.
  • a system comprises:
  • Means for performing trajectory planning based on this target pose candidate Means for performing trajectory planning based on this target pose candidate.
  • system or its means comprises:
  • system or its means comprises:
  • a system comprises:
  • system or its means comprises:
  • the or at least one of the system(s) or its means for carrying out path planning comprises:
  • the or at least one of the system(s) or its means for carrying out path planning comprises:
  • a system and/or means in the sense of the present invention can be designed in terms of hardware and/or software, in particular at least one, preferably data- or signal-connected, especially digital, processing unit, especially microprocessor unit (CPU), graphics card (GPU) or the like, and/or one or more programs or program modules.
  • the processing unit can be designed to process commands that are implemented as a program stored in a storage system, to detect input signals from a data bus and/or to output output signals to a data bus.
  • a storage system can have one or more, in particular different, storage media, in particular optical, magnetic, solid-state and/or other non-volatile media.
  • the program can be designed in such a way that it embodies or is capable of carrying out the methods described here, so that the processing unit can carry out the steps of such methods and thus in particular plan a path of a robot, in a further development control the robot to travel the path, and/or can machine-learn a prediction (based on environmental data and a target pose of the robot) for a collision-free path (for the target pose) of a robot.
  • a computer program product can have, in particular be, a storage medium, in particular a computer-readable and/or non-volatile, for storing a program or instructions or with a program or instructions stored thereon.
  • executing this program or these instructions by a system or a controller causes the system or the controller, in particular the computer or computers, to carry out a method described here or one or more of its steps, or the program or instructions are set up for this purpose.
  • one or more, in particular all, steps of a method described here are completely or partially computer-implemented or one or more, in particular all, steps of the method are carried out completely or partially automatically, in particular by a system described here or its means.
  • a system comprises the robot.
  • At least one of the path planning operations mentioned here is carried out with the aid of or by a stochastic path planner(s). In one embodiment, this can improve the machine learning of the forecast and/or the execution of a path planning based on target pose candidates, in particular increase convergence and/or speed.
  • Fig. 1 a system for carrying out the method of Fig. 2 according to an embodiment of the present invention.
  • Fig. 2 a method for machine learning a prediction, planning a path using the machine learned prediction and following the planned path with a robot according to an embodiment of the present invention.
  • Fig. 1 shows a robot 1, a robot controller 2, a camera 3 and an environment indicated by a container 4, from which the robot 1 is to transport objects 5A-5C.
  • a step S10 various alternative environment learning data are provided using simulations of various environments, of which two simulated or virtual environments 4', 4" are indicated by dashed or dash-dotted lines in Fig. 1, and one of the simulated or virtual environments or the corresponding environment learning data is selected.
  • This environment learning data can, for example, be surface point clouds or image data that are rendered from these and correspond to a depth image of the camera 3.
  • alternative learning poses of the robot for gripping objects are specified in step S10, of which three learning poses 1A-1C are indicated in Fig. 1 by dotted gripper poses, and one of these is selected.
  • steps S20, S30 a path planning is carried out for the selected learning pose and the selected environmental learning data or simulated or virtual environment based on this selected learning pose and environmental learning data and its result is saved.
  • step S20 a path is first planned based on the learning pose, and in step S30, this planned path is checked for collisions of the robot using a simulation based on the environmental learning data, whereby the result of this path planning in step S30 is stored as to whether or not a collision was detected in the planned path.
  • step S20 an attempt is made to plan a path of the robot while avoiding collisions of the robot using a simulation based on the environment learning data or in the selected simulated or virtual environment, and in step S30 the result of this path planning is stored as to whether or not a path could be planned while avoiding collisions.
  • step S40 it is checked whether path planning has already been carried out for all learning poses. If this is not the case (S40: "N"), in a step S45 one of the learning poses specified in step S10 for which path planning has not yet been carried out is selected and steps S20, S30 are carried out again.
  • a step S50 checks whether path planning has been carried out for all simulated or virtual environments or alternative environment learning data for the learning poses. If this is not the case (S50: “N”), a simulated or virtual environment or the corresponding environment learning data for which no path planning has yet been carried out is selected in a step S55 and steps S20, S30 are carried out again. After processing all the environmental learning data (S50: “Y”), a prediction is machine-learned in a step S60 based on the learning poses, environmental learning data and results of the path planning. Of course, this can also be done while repeating steps S20-S50.
  • alternative target poses of the robot and environmental data that specify a geometry of an environment of the robot are provided in a step S100.
  • the camera 3 can capture the real environment 4 and generate the environmental data from it and possible target poses for gripping the various objects 5A-5C can be specified.
  • a step S110 the alternative target poses are evaluated using the machine-learned prediction and, on the basis of this evaluation, the one or more target poses is selected as the target pose candidate for which the machine-learned prediction predicts successful planning of a path without collisions or the highest probability of successful planning of a path without collisions.
  • steps S120, S130 path planning is then carried out analogously to steps S20, S30 described above, wherein the path planning is carried out on the basis of this target pose candidate instead of a learning pose and on the basis of the environmental data instead of the environmental learning data.
  • step S120 a path is first planned based on the target pose candidate, and this planned path is checked for collisions of the robot in step S130 based on the environmental data.
  • step S120 an attempt is made to plan a path of the robot based on the environmental data while avoiding collisions of the robot, and step S130 in Fig. 2 is omitted or step S140 follows step S120.
  • step S140 it is checked whether the path planning was successful. If this is the case (S140: “Y”), the planned path is followed with robot 1 in step S145 and the process is terminated. Step S145 can also be omitted or (only) include saving the planned path for further, particularly later, use.
  • the target pose or a target pose is selected as the new target pose candidate based on the evaluation for which the machine-learned forecast (also) predicts successful planning of a path without collisions or the highest probability of successful planning of a path without collisions among the remaining target poses for which steps S120-S140 have not yet been carried out.
  • steps S120-S140 are performed again.
  • Fig. 1 clearly illustrates a basic idea of the present invention: based on the simulated or virtual environments 4', 4" or the corresponding alternative environment learning data, a prediction is machine-learned which predicts for edge positions that successful path planning is not possible or less likely. Accordingly, when planning the path for the detected environment 4, the pose for grasping the object 5B is evaluated as the most promising candidate and the path planning is carried out for this.

Landscapes

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

Abstract

Ein Verfahren zum Planen einer Bahn eines Roboters umfasst die Schritte: Bereitstellen (S100) alternativer Sollposen des Roboters; Bereitstellen (S100) von Umgebungsdaten, die eine Geometrie einer Umgebung des Roboters spezifizieren; Bewerten (S110) der alternativen Sollposen mithilfe einer maschinell gelernten Prognose für eine kollisionsfreie Bahn für die jeweilige Sollpose auf Basis dieser Umgebungsdaten; Auswählen (S110) einer der alternativen Sollposen auf Basis dieser Bewertung als Sollposenkandidat; und Durchführen (S120, S130) einer Bahnplanung auf Basis dieses Sollposenkandidaten. Ein Verfahren zum maschinellen Lernen der Prognose umfasst die Schritte: Vorgeben (S10) alternativer Lernposen des Roboters; Bereitstellen (S10) von, insbesondere alternativen, Umgebungslerndaten, die eine Geometrie einer Umgebung des Roboters spezifizieren; Durchführen (S20, S30) von Bahnplanungen auf Basis dieser Lernposen und Umgebungslerndaten; und maschinelles Lernen (S60) der Prognose auf Basis der Lernposen, Umgebungslerndaten und Ergebnisse der Bahnplanungen. Die Erfindung betrifft außerdem ein System bzw. Computerprogramm(produkt).

Description

Beschreibung
Kollisionsfreie Roboterbahnen
Die vorliegende Erfindung betrifft ein Verfahren zum Planen einer Bahn eines Roboters mithilfe einer maschinell gelernten Prognose für eine kollisionsfreie Bahn, ein Verfahren zum maschinellen Lernen der Prognose sowie ein System und Computerprogramm bzw. Computerprogrammprodukt zur Durchführung eines hier beschriebenen Verfahrens.
Eine häufige Anforderung an Roboter ist es, eine oder mehrere Sollposen einzunehmen, beispielsweise, um einen Gegenstand zu greifen bzw. abzulegen, ein Werkstück zu bearbeiten oder dergleichen.
Dabei stehen häufig mehrere alternative Sollposen zur Verfügung, zum Beispiel alternative Griffe, alternative Gegenstände, alternative Ablage- bzw.
Bearbeitungsposen oder dergleichen.
Wird (erst) bei der Bahnplanung für eine (bereits) ausgewählte der alternativen Sollposen festgestellt, dass die für diese Sollposen geplante Bahn (voraussichtlich) zu einer Kollision des Roboters führt oder wird keine kollisionsfreie Bahn gefunden, muss die komplette Bahnplanung für eine andere der alternativen Sollposen wiederholt werden. Werden auf diese Weise mehrere Sollposen ausprobiert und verworfen, erhöht dies den Zeitbedarf signifikant.
Eine Aufgabe einer Ausführung der vorliegenden Erfindung ist es, die Planung bzw. das Abfahren von Roboterbahnen zu verbessern, vorzugsweise einen oder mehrere der vorgenannten Nachteile bzw. Probleme zu reduzieren, bevorzugt zu vermeiden.
Diese Aufgabe wird durch ein Verfahren mit den Merkmalen des Anspruchs 1 bzw. 8 gelöst. Ansprüche 12, 13 stellen ein System bzw. Computerprogramm bzw.
Computerprogrammprodukt zur Durchführung eines hier beschriebenen Verfahrens unter Schutz. Die Unteransprüche betreffen vorteilhafte Weiterbildungen. Nach einer Ausführung der vorliegenden Erfindung umfasst ein Verfahren zum Planen einer Bahn eines Roboters die Schritte:
- Bereitstellen alternativer Sollposen des Roboters;
- Bereitstellen von Umgebungsdaten, die eine Geometrie einer Umgebung des Roboters spezifizieren;
- Bewerten d(ies)er alternativen Sollposen mithilfe einer maschinell gelernten Prognose für eine, in einer Weiterbildung für das Auffinden einer, kollisionsfreie(n) Bahn für die jeweilige Sollpose auf Basis dieser Umgebungsdaten, insbesondere auf Basis dieser Umgebungsdaten der jeweiligen Sollpose;
- Auswahlen einer der alternativen Sollposen auf Basis dieser Bewertung als Sollposenkandidat; und
- Durchführen einer Bahnplanung auf Basis dieses Sollposenkandidaten.
Einer Ausführung der vorliegenden Erfindung liegt die Idee zugrunde, in einem mehrstufigen Verfahren zuerst einen in Hinblick auf, insbesondere das Auffinden, eine(r) kollisionsfreie(n) Bahn aussichtsreichen, insbesondere aussichtsreicheren, vorzugsweise den bzw. einen der aussichtsreichsten, Sollposenkandidaten mithilfe bzw. auf Basis einer (Bewertung mithilfe einer) maschinell gelernten Prognose zu ermitteln bzw. auszuwählen und dann auf Basis dieses bzw. für diesen aussichtsreich(re/st)en Sollposenkandidaten(s) eine Bahnplanung durchzuführen.
Gegenüber einem Ausprobieren von Sollposenkandidaten ohne ab-initio- Berücksichtigung von Kollisionswahrscheinlichkeiten kann hierdurch in einer Ausführung statistisch signifikant Zeit gespart werden. Gegenüber einer einstufigen Ermittlung möglicher kollisionsfreier Bahnen durch ein künstliches neuronales Netz kann in einer Ausführung die maschinell gelernte Prognose für (das Auffinden) eine(r) kollisionsfreie(n) Bahn besser trainiert werden und/oder zuverlässiger und/oder rascher arbeiten. Zusätzlich oder alternativ kann hierdurch, insbesondere durch die Bahnplanung in einer zweiten Stufe, die Zuverlässigkeit erhöht werden, dass es auf der geplanten Bahn zu keiner Kollision kommt.
Der Roboter weist in einer Ausführung wenigstens einen Roboterarm auf. Zusätzlich oder alternativ weist der Roboter, insbesondere der Roboterarm, in einer Ausführung wenigstens drei, insbesondere wenigstens sechs, in einer Ausführung wenigstens sieben, Gelenke bzw. (Bewegungs)Achsen, insbesondere durch Antriebe des Roboters aktuierte bzw. verstellbare und/oder Drehgelenke bzw. -achsen, auf. Für solche Roboter ist die vorliegende Erfindung insbesondere aufgrund der Kinematik, Einsatzbedingungen und Kollisionsmöglichkeiten besonders vorteilhaft.
Das Bereitstellen alternativer Sollposen umfasst in einer Ausführung ein Vorgeben alternativer Sollposen, in einer Weiterbildung auf Basis einer Benutzereingabe und/oder wenigstens teilweise automatisiert, in einer Ausführung auf Basis von Umgebungsdaten des Roboters, insbesondere einer Umgebungserkennung und/oder Bearbeitungsdaten, beispielsweise (erkannten) zu greifenden Gegenständen, möglichen Ablageorten, zu bearbeitenden Werkstücken, robotergeführten Werkzeugen oder dergleichen. Zusätzlich oder alternativ kann das Bereitstellen insbesondere ein Abrufen bzw. Laden gespeicherter alternativer Sollposen umfassen. Dadurch können in einer Ausführung bereits vorab aussichtsreiche(re) bzw. zweckmäßige(re) Sollposen zugrunde gelegt und/oder das Verfahren beschleunigt werden.
Eine Pose im Sinne der vorliegenden Erfindung umfasst in einer Ausführung eine Stellung des Roboters, insbesondere seiner Gelenke, und/oder eine, insbesondere ein-, zwei- oder dreidimensionale, Position und/oder eine, insbesondere ein-, zwei- oder dreidimensionale, Orientierung, insbesondere wenigstens einer roboterfesten Referenz, vorzugsweise eines Endeffektors, TCPs oder dergleichen.
Das Bereitstellen von Umgebungsdaten, die eine Geometrie einer Umgebung des Roboters spezifizieren, umfasst in einer Ausführung das sensorische Erfassen der Umgebung, in einer Weiterbildung mithilfe wenigstens einer, insbesondere ortsfesten oder robotergeführten, Kamera, und/oder eine Datenbearbeitung, insbesondere Filterung, Transformation oder dergleichen, von Umgebungsdaten und/oder ein Abrufen bzw. Laden gespeicherter Umgebungsdaten. In einer Ausführung basieren die bereitgestellten Umgebungsdaten auf einer sensorischen Erfassung einer Umgebung des Roboters, insbesondere mithilfe wenigstens einer, insbesondere ortsfesten oder robotergeführten, Kamera, und/oder einem theoretischen Modell der Umgebung, beispielsweise einem CAD-Modell einer Roboterzelle oder dergleichen. Dadurch kann in einer Ausführung eine Zuverlässigkeit einer Kollisionsvermeidung verbessert werden. Eine maschinell gelernte Prognose für eine kollisionsfreie Bahn für eine Sollpose, insbesondere für das Auffinden einer kollisionsfreien Bahn für die Sollpose, ermittelt bzw. liefert in einer Ausführung auf Basis von Umgebungsdaten (und der Sollpose) einen Wert, vorzugsweise einen binären Wert, einen Wahrscheinlichkeitswert oder dergleichen, der davon abhängt, ob voraussichtlich bzw. mit welcher Wahrscheinlichkeit eine kollisionsfreie Bahn für die Sollpose (erfolgreich) geplant werden kann oder ob voraussichtlich bzw. mit welcher Wahrscheinlichkeit auf einer für die Sollpose geplanten Bahn eine Kollision auftritt. In einer Ausführung bildet die maschinell gelernte Prognose F verschiedene Eingangsdaten X, die jeweils (die) Umgebungsdaten c und eine der alternativen Sollposen x umfassen, auf Ausgangsdaten Y ab, die in einer Ausführung binär angeben, ob eine kollisionsfreie Bahn für diese Sollpose x voraussichtlich (erfolgreich) geplant werden kann oder ob auf einer für diese Sollpose x geplanten Bahn voraussichtlich (k)eine Kollision auftritt, oder eine Wahrscheinlichkeit hierfür angeben, beispielsweise zwischen Null und eins oder dergleichen (F(X) = Y).
We bereits erläutert, wird in einer Ausführung jeweils die bzw. eine der alternativen Sollposen als Sollposenkandidat ausgewählt, für die die maschinell gelernte Prognose prognostiziert, dass voraussichtlich eine kollisionsfreie Bahn (erfolgreich) geplant werden kann bzw. voraussichtlich auf einer geplanten Bahn keine Kollision auftritt bzw. die Wahrscheinlichkeit hierfür höher als bei einem oder mehreren anderen der alternativen Sollposen ist, vorzugsweise am höchsten ist. Werden zwei oder mehr der alternativen Sollposen gleich bewertet, wird in einer Weiterbildung eine dieser Sollposen zufällig oder nach weiteren Kriterien, beispielsweise einer vorgegebenen Priorisierung oder dergleichen, ausgewählt.
Vorzugsweise wird das Planen einer Bahn des Roboters, die anschließend auf Kollisionen des Roboters geprüft wird, bei dem maschinellen Lernen der Prognose und der Durchführung einer Bahnplanung auf Basis des ausgewählten Sollposenkandidaten gleichartig durchgeführt. Dadurch kann in einer Ausführung die Wahrscheinlichkeit von Fehlversuchen reduziert werden.
Die Durchführung einer Bahnplanung umfasst in einer Ausführung, insbesondere in einer ersten Stufe, ein Planen wenigstens einer Bahn des Roboters und, insbesondere in einer zweiten Stufe, ein Prüfen dieser geplanten Bahn, in einer Weiterbildung der Sollpose und/oder einer oder mehrerer (anderer) Posen des Roboters entlang der Bahn, auf Kollisionen des Roboters, insbesondere mit sich selbst und/oder der Umgebung. Dabei kann dieses Planen einer Bahn insbesondere ein Vorgeben von einem oder mehreren Bahnpunkten, insbesondere (weiteren) Posen des Roboters entlang der Bahn, und in einer Ausführung ein Verbinden dieser Bahnpunkte, beispielsweise mittels Interpolation, umfassen. Hierdurch kann die Bahnplanung in einer Ausführung rasch(er) durchgeführt werden.
In einer Ausführung wird bei der Durchführung einer Bahnplanung zunächst eine (erste) Bahn des Roboters geplant und auf Kollisionen des Roboters geprüft und, falls dabei eine Kollision erkannt worden ist, ein- oder mehrfach eine andere Bahn des Roboters geplant und auf Kollisionen des Roboters geprüft, vorzugsweise, bis ein Abbruchkriterium, beispielsweise eine vorgegebene maximale Versuchsanzahl oder dergleichen, erfüllt ist. Dadurch wird in einer Ausführung zunächst für einen ausgewählten Sollposenkandidaten gegebenenfalls mehrfach (unterschiedlich) versucht, eine Bahn zu planen und diese dann jeweils auf Kollisionen geprüft, und nur dann, wenn (auch) bei mehreren dieser für diesen Sollposenkandidaten (unterschiedlich) geplanten Bahnen jeweils eine Kollision erkannt wird, ein neuer Sollposenkandidat ausgewählt. Dadurch kann in einer Ausführung vorteilhaft eine nicht auf prognostizierten Kollisionen basierende Priorisierung innerhalb der Sollposen berücksichtigt werden. Beispielsweise können zunächst für eine erste Greifposition, für die die maschinell gelernte Prognose eine kollisionsfreie Bahn prognostiziert hat und die Durchführung einer Bahnplanung eine erste Bahn ergeben hat, bei der bei der Prüfung auf Kollisionen (doch bzw. entgegen der Prognose) eine Kollision erkannt worden ist, zunächst eine oder mehrere andere Bahnen geplant und ebenfalls auf Kollisionen geprüft werden, bevor statt dieser ersten Greifpose eine andere Greifpose als neuer Sollposenkandidat ausgewählt wird, wenn die erste Greifpose beispielsweise von dem Roboter rascher erreichbar ist oder näher an einem Ablageort liegt oder dergleichen.
In einer anderen Ausführung wird bei der Durchführung einer Bahnplanung jeweils nur eine Bahn des Roboters geplant und auf Kollisionen des Roboters geprüft und, falls dabei eine Kollision erkannt worden ist, statt diesem Sollposenkandidat ein neuer Sollposenkandidat ausgewählt und für diesen eine neue Bahnplanung durchgeführt. Dadurch wird in einer Ausführung beim Erkennen einer Kollision für einen ausgewählten Sollposenkandidaten als nächstes ein neuer Sollposenkandidat ausgewählt. Dadurch kann in einer Ausführung vorteilhaft eine Wahrscheinlichkeit von Fehlversuchen reduziert werden.
In einer Ausführung umfasst die Durchführung einer Bahnplanung einen Versuch, eine Bahn des Roboters (ab initio) unter Vermeidung von Kollisionen des Roboters, insbesondere mithilfe eines kollisionsfreien Bahnplaners, zu planen. Dabei kann der Bahnplaner beispielsweise ausgehend von der Sollpose versuchen, in einem als kollisionsfrei ermittelten Raum eine Bahn zu planen, insbesondere einen solchen zu ermitteln, sukzessive kollisionsfreie Bahnpunkte auf dem Weg zu einem gewünschten Bahnende zu ermitteln oder dergleichen. Hierdurch kann in einer Ausführung die Wahrscheinlichkeit von Fehlversuchen reduziert werden.
In einer Ausführung erfolgt die Durchführung einer Bahnplanung auf Basis der bereitgestellten Umgebungsdaten, in einer Weiterbildung wird/werden die geplante(n) Bahn(en) auf Basis der Umgebungsdaten auf Kollisionen des Roboters geprüft bzw. auf Basis der Umgebungsdaten versucht, eine Bahn des Roboters (ab initio) unter Vermeidung von Kollisionen des Roboters, insbesondere mithilfe eines kollisionsfreien Bahnplaners, zu planen.
In einer Ausführung umfasst das Verfahren die, in einer Weiterbildung gegebenenfalls mehrfach wiederholten, Schritte:
- Auswählen einer anderen der alternativen Sollposen auf Basis der Bewertung als neuen Sollposenkandidaten, falls bei dem vorhergehenden Durchführen der Bahnplanung eine Abbruchbedingung erfüllt wird; und
- Durchführen einer Bahnplanung auf Basis dieses neuen Sollposenkandidaten.
Die Abbruchbedingung kann insbesondere umfassen, dass unter Vermeidung von Kollisionen, insbesondere in einer vorgegebenen Zeit oder maximalen Versuchsanzahl oder dergleichen, keine Bahn geplant werden konnte oder beim Prüfen einer geplanten Bahn eine Kollision erkannt worden ist oder ein Abbruchkriterium dieser Bahnplanung, beispielsweise eine vorgegebene maximale Versuchsanzahl oder dergleichen, erfüllt ist. Somit wird in einer Ausführung bei einem Fehlschlag der Bahnplanung für einen Sollposenkandidaten, insbesondere wenn für diesen unter Vermeidung von Kollisionen keine Bahn geplant werden konnte oder beim Prüfen einer geplanten Bahn oder mehrerer geplanten Bahnen (jeweils) eine Kollision erkannt worden ist, stattdessen ein neuer Sollposenkandidat ausgewählt und auf Basis dieses neuen Sollposenkandidaten erneut eine Bahnplanung durchgeführt. Hierdurch kann in einer Ausführung die Wahrscheinlichkeit von Fehlversuchen reduziert werden.
In einer Ausführung umfassen die alternativen Sollposen Startposen des Roboters, Endposen des Roboters und/oder Arbeitsposen des Roboters, in einer Weiterbildung Aufnahme-, insbesondere Greifposen des Roboters und/oder Abgabeposen des Roboters. Zusätzlich oder alternativ umfasst in einer Ausführung eine bzw. die (jeweilige) Bahn des Roboters die (jeweilige) Sollpose, insbesondere den (jeweiligen) Sollposenkandidaten.
Somit kann eine geplante Bahn insbesondere eine Bahn zum Greifen eines von mehreren Gegenständen, zum Greifen eines Gegenstands in einer von mehreren Griffpositionen, eine Bahn zum Anfahren einer von mehreren Ablagepositionen, eine Bahn zum An- bzw. Abfahren einer oder mehrerer Bearbeitungspositionen oder dergleichen sein. Hierfür ist die vorliegende Erfindung insbesondere aufgrund der Kinematik, Einsatzbedingungen und Kollisionsmöglichkeiten besonders vorteilhaft.
In einer Ausführung umfassen die Umgebungsdaten Oberflächenpunkte und/oder Bilder, in einer Weiterbildung Tiefenbilder und/oder aus einer vorgegebenen Perspektive, bevorzugt aus einer Perspektive einer Kamera, mit der die Umgebung erfasst bzw. mit deren Hilfe die Umgebungsdaten generiert werden, und/oder eines Endeffektors, vorzugsweise Greifers, des Roboters oder einer gegenüber dieser Endeffektorperspektive, insbesondere in Griffrichtung, verschobenen Perspektive.
Oberflächenpunkte eignen sich besonders für maschinell gelernte Prognosen, während Bilder vorteilhaft die Umgebung wiedergeben können und/oder direkt(er) verarbeitet werden können.
In einer Ausführung fährt der Roboter die (erfolgreich) geplante Bahn, insbesondere die unter Vermeidung von Kollisionen des Roboters (erfolgreich) geplante Bahn bzw. die geplante Bahn, bei deren Prüfen keine Kollision erkannt worden ist, ab. Entsprechend betrifft die vorliegende Erfindung in einer Ausführung ein Verfahren zum (Planen und) Abfahren einer bzw. der (geplanten) Bahn mit dem Roboter bzw. ein entsprechendes System.
Nach einer Ausführung der vorliegenden Erfindung umfasst ein Verfahren zum maschinellen Lernen einer bzw. der auf Umgebungsdaten (und einer Sollpose eines bzw. des Roboters) basierenden Prognose für eine kollisionsfreie Bahn für die Sollpose die Schritte:
- Vorgeben alternativer Lernposen des Roboters;
- Bereitstellen von, in einer Ausführung alternativen, Umgebungslerndaten, die (jeweils) eine Geometrie einer (anderen) Umgebung des Roboters spezifizieren;
- Durchführen von Bahnplanungen auf Basis dieser Lernposen und Umgebungslerndaten; und
- maschinelles Lernen der Prognose auf Basis der Lernposen, Umgebungslerndaten und Ergebnissen der Bahnplanungen.
Die maschinell gelernte Prognose kann insbesondere mithilfe wenigstens eines künstlichen neuronalen Netzes oder wenigstens eines anderen Modells bzw. Prinzips künstlicher Intelligenz bzw. Maschinenlernens, insbesondere zur Klassifikation oder Regression, durchgeführt werden. Wie vorstehend bereits erläutert, bildet in einer Ausführung die maschinell gelernte Prognose F Eingangsdaten X, die jeweils Umgebungsdaten c und eine Sollpose x umfassen, auf Ausgangsdaten Yj ab (F(X) = Y) und wird entsprechend in einer Ausführung auf Basis von Eingangslerndaten X‘ die jeweils Umgebungslerndaten c‘ bzw. c‘ (alternative Umgebungslerndaten) und eine Lernpose x umfassen, und Daten Y‘ maschinell gelernt, insbesondere trainiert, die jeweils auf einem Ergebnis einer für diese Lernpose und Umgebungslerndaten durchgeführten Bahnplanung basieren, in einer Weiterbildung davon abhängen, ob die Bahnplanung erfolgreich durchgeführt wurde oder nicht, in einer Weiterbildung jeweils eine entsprechende Wahrscheinlichkeit angeben (wird zum Beispiel ein stochastischer Bahnplaner für die Datensammlung verwendet, können sich für eine Pose mehrere Ergebnisse ergeben, beispielsweise könnte der Planer in 6 von 10 Fällen eine Bahn finden, womit man dann den entsprechenden Datenwert auf 0.6 setzen würde). Durch die Berücksichtigung unterschiedlicher Umgebungslerndaten c‘ kann in einer Ausführung vorteilhaft die maschinell gelernte Prognose in unterschiedlichen Umgebungen erfolgreich(er) verwendet werden.
In einer Ausführung sind, vorzugsweise werden, die Umgebungslerndaten mithilfe einer oder mehrerer, insbesondere numerischer, Simulationen erstellt, insbesondere alternative Umgebungslerndaten mithilfe von Simulationen unterschiedlicher Umgebungen erstellt. Zusätzlich oder alternativ werden in einer Ausführung die Bahnplanungen, auf deren Ergebnissen basierend die Prognose maschinell gelernt wird, mithilfe einer oder mehrerer, insbesondere numerischer, Simulationen durchgeführt, in einer Weiterbildung Bahnplanungen mithilfe von Simulationen unterschiedlicher Umgebungen bzw. auf Basis alternativer Umgebungslerndaten bzw. alternativer simulierter bzw. virtueller Umgebungen durchgeführt. Besonders bevorzugt werden bei dem Durchführen von Bahnplanungen und dem maschinellen Lernen der Prognose auf Basis der Ergebnisse dieser Bahnplanungen jeweils dieselben simulierten bzw. virtuellen Umgebungen zugrunde gelegt bzw. für eine oder mehrere virtuelle Umgebungen jeweils mithilfe einer Simulation Umgebungslerndaten erstellt, auf Basis dieser Umgebungslerndaten eine Bahnplanung durchgeführt und deren Ergebnis mit diesen Umgebungslerndaten verknüpft bzw. dieses Ergebnis und diese Umgebungslerndaten zum maschinellen Lernen der Prognose verwendet. Anschaulich gesprochen lernt die Prognose für Sollposen und verschiedene virtuelle Umgebungen maschinell, einen Erfolg einer Planung einer kollisionsfreien Bahn für diese Sollpose in dieser virtuellen Umgebung zu prognostizieren.
Hierdurch kann die Prognose rasch(er) maschinell gelernt und/oder ihre Prognosequalität verbessert werden.
Die vorstehend mit Bezug auf das Planen einer Bahn erläuterten Merkmale, insbesondere dass die Durchführung einer Bahnplanung ein Planen wenigstens einer Bahn des Roboters und Prüfen dieser geplanten Bahn auf Kollisionen des Roboters oder einen Versuch, eine Bahn des Roboters unter Vermeidung von Kollisionen des Roboters zu planen, umfasst, können zusätzlich oder alternativ auch bei dem maschinellen Lernen der Prognose realisiert sein, so dass hierzu auf die vorstehenden Erläuterungen Bezug genommen wird. Entsprechend umfassen in einer Ausführung zusätzlich oder alternativ die Umgebungslerndaten Oberflächenpunkte und/oder Bilder, insbesondere Tiefenbilder und/oder aus einer vorgegebenen Perspektive. In einer Weiterbildung werden zunächst, vorzugsweise mithilfe wenigstens einer Simulation, Oberflächenpunkte generiert und aus diesen wenigstens ein Bild, insbesondere Tiefenbild und/oder aus einer vorgegebenen Perspektive, bevorzugt aus einer Perspektive einer Kamera, mit der in einer Ausführung (zum Planen der Bahn) die Umgebung erfasst bzw. mit deren Hilfe in einer Ausführung (zum Planen der Bahn) die Umgebungsdaten generiert werden, und/oder eines Endeffektors, vorzugsweise Greifers, des Roboters oder einer gegenüber dieser Endeffektorperspektive, insbesondere in Griffrichtung, verschobenen Perspektive. Besonders vorteilhaft ist es, wenn Umgebungsdaten und Umgebungslerndaten gleichartig sind, insbesondere beide jeweils Oberflächenpunkte oder beide jeweils Bilder, insbesondere Tiefenbilder und/oder aus der gleichen Perspektive umfassen, und/oder wenn die Durchführung einer Bahnplanung auf Basis eines Sollposenkandidaten und die Durchführung einer Bahnplanung auf Basis einer Lernpose gleichartig sind, insbesondere beide jeweils ein, vorzugsweise gleichartiges, Planen wenigstens einer Bahn des Roboters und, vorzugsweise gleichartiges, Prüfen dieser geplanten Bahn auf Kollisionen des Roboters oder einen, vorzugsweise gleichartigen, Versuch, eine Bahn des Roboters unter Vermeidung von Kollisionen des Roboters zu planen, umfassen, da dadurch die maschinell gelernte Prognose die Verhältnisse beim Planen der Bahn besser prognostizieren kann.
Nach einer Ausführung der vorliegenden Erfindung ist ein System zum Planen, in einer Weiterbildung zum Abfahren, einer Bahn eines Roboters und/oder zum maschinellen Lernen einer (auf Umgebungsdaten und einer Sollpose des Roboters basierenden) Prognose für eine kollisionsfreie Bahn (für die Sollpose) eines Roboters, insbesondere hard- und/oder software-, insbesondere programmtechnisch, zur Durchführung eines hier beschriebenen Verfahrens eingerichtet.
Nach einer Ausführung der vorliegenden Erfindung weist ein bzw. das System auf:
- Mittel zum Bereitstellen alternativer Sollposen des Roboters;
- Mittel zum Bereitstellen von Umgebungsdaten, die eine Geometrie einer Umgebung des Roboters spezifizieren;
- Mittel zum Bewerten der alternativen Sollposen mithilfe einer maschinell gelernten Prognose für eine kollisionsfreie Bahn für die jeweilige Sollpose auf Basis dieser Umgebungsdaten; Mittel zum Auswahlen einer der alternativen Sollposen auf Basis dieser Bewertung als Sollposenkandidat; und
Mittel zum Durchführen einer Bahnplanung auf Basis dieses Sollposenkandidaten.
In einer Ausführung weist das System bzw. seine Mittel auf:
- Mittel zum, insbesondere mehrfach wiederholten, Auswahlen einer anderen der alternativen Sollposen auf Basis der Bewertung als neuen Sollposenkandidaten, falls bei dem vorhergehenden Durchführen der Bahnplanung eine Abbruchbedingung erfüllt wird; und
- Mittel zum Durchführen einer Bahnplanung auf Basis dieses neuen Sollposenkandidaten.
In einer Ausführung weist das System bzw. seine Mittel auf:
- Mittel zum Abfahren der geplanten Bahn mit dem Roboter.
Nach einer Ausführung der vorliegenden Erfindung weist ein bzw. das System auf:
- Mittel zum Vorgeben alternativer Lernposen des Roboters;
- Mittel zum Bereitstellen von, insbesondere alternativen, Umgebungslerndaten, die eine Geometrie einer Umgebung des Roboters spezifizieren;
- Mittel zum Durchführen von Bahnplanungen auf Basis dieser Lernposen und Umgebungslerndaten; und
- Mittel zum maschinellen Lernen der Prognose auf Basis der Lernposen, Umgebungslerndaten und Ergebnisse der Bahnplanungen.
In einer Ausführung weist das System bzw. seine Mittel auf:
- Mittel zum Erstellen der Umgebungslerndaten mithilfe wenigstens einer Simulation; und/oder
- Mittel zum Durchführen der Bahnplanungen zum maschinellen Lernen mithilfe wenigstens einer Simulation.
In einer Ausführung weist das bzw. wenigstens eines der System(e) bzw. seine Mittel zum Durchführen einer Bahnplanung auf:
- Mittel zum Planen wenigstens einer Bahn des Roboters; und
- Mittel zum Prüfen dieser geplanten Bahn auf Kollisionen des Roboters. In einer Ausführung weist das bzw. wenigstens eines der System(e) bzw. seine Mittel zum Durchführen einer Bahnplanung auf:
- Mittel zum Versuchen, eine Bahn des Roboters unter Vermeidung von Kollisionen zu planen.
Ein System und/oder ein Mittel im Sinne der vorliegenden Erfindung kann hard- und/oder softwaretechnisch ausgebildet sein, insbesondere wenigstens eine, vorzugsweise mit einem Speicher- und/oder Bussystem daten- bzw. signalverbundene, insbesondere digitale, Verarbeitungs-, insbesondere Mikroprozessoreinheit (CPU), Grafikkarte (GPU) oder dergleichen, und/oder ein oder mehrere Programme oder Programmmodule aufweisen. Die Verarbeitungseinheit kann dazu ausgebildet sein, Befehle, die als ein in einem Speichersystem abgelegtes Programm implementiert sind, abzuarbeiten, Eingangssignale von einem Datenbus zu erfassen und/oder Ausgangssignale an einen Datenbus abzugeben. Ein Speichersystem kann ein oder mehrere, insbesondere verschiedene, Speichermedien, insbesondere optische, magnetische, Festkörper- und/oder andere nicht-flüchtige Medien aufweisen. Das Programm kann derart beschaffen sein, dass es die hier beschriebenen Verfahren verkörpert bzw. auszuführen imstande ist, sodass die Verarbeitungseinheit die Schritte solcher Verfahren ausführen kann und damit insbesondere eine Bahn eines Roboters planen, in einer Weiterbildung den Roboter zum Abfahren der Bahn steuern, und/oder eine (auf Umgebungsdaten und einer Sollpose des Roboters basierende) Prognose für eine kollisionsfreie Bahn (für die Sollpose) eines Roboters maschinell lernen kann. Ein Computerprogrammprodukt kann in einer Ausführung ein, insbesondere computerlesbares und/oder nichtflüchtiges, Speichermedium zum Speichern eines Programms bzw. von Anweisungen bzw. mit einem darauf gespeicherten Programm bzw. mit darauf gespeicherten Anweisungen aufweisen, insbesondere sein. In einer Ausführung veranlasst ein Ausführen dieses Programms bzw. dieser Anweisungen durch ein System bzw. eine Steuerung, insbesondere einen Computer oder eine Anordnung von mehreren Computern, das System bzw. die Steuerung, insbesondere den bzw. die Computer, dazu, ein hier beschriebenes Verfahren bzw. einen oder mehrere seiner Schritte auszuführen, bzw. sind das Programm bzw. die Anweisungen hierzu eingerichtet.
In einer Ausführung sind ein oder mehrere, insbesondere alle, Schritte eines hier beschriebenen Verfahrens vollständig oder teilweise computerimplementiert bzw. werden ein oder mehrere, insbesondere alle, Schritte des Verfahrens vollständig oder teilweise automatisiert durchgeführt, insbesondere durch ein hier beschriebenes System bzw. sein(e) Mittel. In einer Ausführung weist ein System den Roboter auf.
In einer Ausführung wird wenigstens eine der hier genannten Bahnplanungen mithilfe eines bzw. durch einen stochastischen Bahnplaner(s) durchgeführt. Hierdurch können in einer Ausführung das maschinelle Lernen der Prognose und/oder das Durchführen einer Bahnplanung auf Basis von Sollposenkandidaten verbessert, insbesondere eine Konvergenz und/oder Geschwindigkeit gesteigert, werden.
Weitere Vorteile und Merkmale ergeben sich aus den Unteransprüchen und den Ausführungsbeispielen. Hierzu zeigt, teilweise schematisiert:
Fig. 1 : ein System zum Durchführen des Verfahrens der Fig. 2 nach einer Ausführung der vorliegenden Erfindung; und
Fig. 2: ein Verfahren zum maschinellen Lernen einer Prognose, Planen einer Bahn mithilfe der maschinell gelernten Prognose und Abfahren der geplanten Bahn mit einem Roboter nach einer Ausführung der vorliegenden Erfindung.
Fig. 1 zeigt einen Roboter 1 , eine Robotersteuerung 2, eine Kamera 3 und eine durch einen Behälter 4 angedeutete Umgebung, aus der der Roboter 1 Gegenstände 5A-5C abtransportieren soll.
Hierzu werden nach einem Verfahren zum maschinellen Lernen einer auf Umgebungsdaten und einer Sollpose eines Roboters basierenden Prognose für eine kollisionsfreie Bahn für die Sollpose nach einer Ausführung der vorliegenden Erfindung in einem Schritt S10 mithilfe von Simulationen verschiedener Umgebungen, von denen zwei simulierte bzw. virtuelle Umgebungen 4‘, 4“ in Fig. 1 gestrichelt bzw. strichpunktiert angedeutet sind, verschiedene alternative Umgebungslerndaten bereitgestellt und eine der simulierten bzw. virtuellen Umgebungen bzw. die entsprechenden Umgebungslerndaten ausgewählt. Diese Umgebungslerndaten können beispielsweise jeweils Oberflächenpunktwolken oder Bilddaten sein, die aus diesen gerendert werden und einem Tiefenbild der Kamera 3 entsprechen. Für die bzw. in der ausgewählten simulierten bzw. virtuellen Umgebung werden in Schritt S10 jeweils alternative Lernposen des Roboters zum Greifen von Gegenständen vorgegeben, von denen in Fig. 1 drei Lernposen 1A-1C durch punktiert angedeutete Greiferposen angedeutet sind, und eine von diesen ausgewählt.
In Schritten S20, S30 wird für die ausgewählte Lernpose und die ausgewählten Umgebungslerndaten bzw. simulierte bzw. virtuelle Umgebung eine Bahnplanung auf Basis dieser ausgewählten Lernpose und Umgebungslerndaten durchgeführt und deren Ergebnis abgespeichert.
In einer Ausführung wird dabei in Schritt S20 zunächst eine Bahn auf Basis der Lernpose geplant und diese geplante Bahn in Schritt S30 mithilfe einer Simulation auf Basis der Umgebungslerndaten auf Kollisionen des Roboters geprüft, wobei als Ergebnis dieser Bahnplanung in Schritt S30 abgespeichert wird, ob bei der geplanten Bahn eine Kollision erkannt wurde oder nicht.
In einer anderen Ausführung wird in Schritt S20 versucht, mithilfe einer Simulation auf Basis der Umgebungslerndaten bzw. in der ausgewählten simulierten bzw. virtuellen Umgebung eine Bahn des Roboters unter Vermeidung von Kollisionen des Roboters zu planen, und in Schritt S30 als Ergebnis dieser Bahnplanung abgespeichert, ob eine Bahn unter Vermeidung von Kollisionen geplant werden konnte oder nicht.
In einem Schritt S40 wird geprüft, ob bereits für alle Lernposen eine Bahnplanung durchgeführt wurde. Ist dies nicht der Fall (S40: „N“), werden in einem Schritt S45 eine der in Schritt S10 vorgegebenen Lernposen, für die noch keine Bahnplanung durchgeführt wurde, ausgewählt und die Schritte S20, S30 erneut durchgeführt.
Andernfalls (S40: „Y“) wird in einem Schritt S50 geprüft, ob für alle simulierten bzw. virtuellen Umgebungen bzw. alternativen Umgebungslerndaten für die Lernposen jeweils eine Bahnplanung durchgeführt wurde. Ist dies nicht der Fall (S50: „N“), werden in einem Schritt S55 eine simulierte bzw. virtuelle Umgebung bzw. die entsprechenden Umgebungslerndaten, für die noch keine Bahnplanungen durchgeführt wurden, ausgewählt und die Schritte S20, S30 erneut durchgeführt. Nach Abarbeiten aller Umgebungslerndaten (S50: „Y“) wird in einem Schritt S60 eine Prognose auf Basis der Lernposen, Umgebungslerndaten und Ergebnisse der Bahnplanungen maschinell gelernt. Natürlich kann dies auch schon während dem Wiederholen der Schritte S20-S50 durchgeführt werden.
Nach einem Verfahren zum Planen einer Bahn des Roboters werden in einem Schritt S100 alternative Sollposen des Roboters sowie Umgebungsdaten, die eine Geometrie einer Umgebung des Roboters spezifizieren, bereitgestellt. Beispielsweise kann die Kamera 3 die reale Umgebung 4 erfassen und daraus die Umgebungsdaten generiert und mögliche Sollposen zum Greifen der verschiedenen Gegenstände 5A-5C vorgegeben werden.
In einem Schritt S110 werden die alternativen Sollposen mithilfe der maschinell gelernten Prognose bewertet und auf Basis dieser Bewertung diejenige bzw. eine Sollpose als Sollposenkandidat ausgewählt, für die die maschinell gelernte Prognose eine erfolgreiche Planung einer Bahn ohne Kollisionen oder die höchste Wahrscheinlichkeit einer erfolgreichen Planung einer Bahn ohne Kollisionen prognostiziert.
In Schritten S120, S130 wird dann analog zu den vorstehend beschriebenen Schritten S20, S30 eine Bahnplanung durchgeführt, wobei die Bahnplanung auf Basis dieses Sollposenkandidaten anstelle einer Lernpose und auf Basis der Umgebungsdaten anstelle der Umgebungslerndaten durchgeführt wird.
Entsprechend wird in einer Ausführung in Schritt S120 zunächst eine Bahn auf Basis des Sollposenkandidaten geplant und diese geplante Bahn in Schritt S130 auf Basis der Umgebungsdaten auf Kollisionen des Roboters geprüft. In einer anderen Ausführung wird in Schritt S120 versucht, auf Basis der Umgebungsdaten eine Bahn des Roboters unter Vermeidung von Kollisionen des Roboters zu planen, und Schritt S130 in Fig. 2 entfällt bzw. Schritt S140 folgt auf Schritt S120.
In Schritt S140 wird geprüft, ob die Bahnplanung erfolgreich war. Ist dies der Fall (S140: „Y“), wird in einem Schritt S145 die geplante Bahn mit dem Roboter 1 abgefahren und das Verfahren beendet. Schritt S145 kann auch entfallen bzw. (nur) ein Speichern der geplanten Bahn zur weiteren, insbesondere späteren Verwendung umfassen.
War die Bahnplanung nicht erfolgreich (S140: „N“), wird geprüft, ob noch weitere Sollposenkandidaten zur Verfügung stehen. Ist dies der Fall (S150: „Y“), wird in einem Schritt S155 auf Basis der Bewertung diejenige bzw. eine Sollpose als neuer Sollposenkandidat ausgewählt, für die die maschinell gelernte Prognose (ebenfalls) eine erfolgreiche Planung einer Bahn ohne Kollisionen oder die höchste Wahrscheinlichkeit einer erfolgreichen Planung einer Bahn ohne Kollisionen unter den verbliebenen Sollposen, für die die Schritte S120-S140 noch nicht durchgeführt wurden, prognostiziert.
Für diesen neuen Sollposenkandidat werden die Schritte S120-S140 erneut durchgeführt.
Wurden alle Sollposen probiert, ohne dass erfolgreich eine Bahn ohne Kollisionen geplant wurde (S150: „N“), wird eine Fehlermeldung ausgegeben und das Verfahren ebenfalls beendet oder entsprechende Gegenmaßnahmen ergriffen, beispielsweise die Anordnung der Gegenstände 5A-5C mithilfe des Roboters 1 verändert oder dergleichen (Fig. 2: Schritt S160).
Fig. 1 verdeutlicht anschaulich eine Grundidee der vorliegenden Erfindung: anhand der simulierten bzw. virtuellen Umgebungen 4‘, 4“ bzw. der entsprechenden alternativen Umgebungslerndaten wird eine Prognose maschinell gelernt, die für Randpositionen prognostiziert, dass eine erfolgreiche Bahnplanung nicht möglich oder wenig(er) wahrscheinlich ist. Entsprechend wird beim Planen der Bahn für die erfasste Umgebung 4 die Pose zum Greifen des Gegenstands 5B als aussichtsreichster Kandidat bewertet und für diesen die Bahnplanung durchgeführt.
Obwohl in der vorhergehenden Beschreibung exemplarische Ausführungen erläutert wurden, sei darauf hingewiesen, dass eine Vielzahl von Abwandlungen möglich ist. Außerdem sei darauf hingewiesen, dass es sich bei den exemplarischen Ausführungen lediglich um Beispiele handelt, die den Schutzbereich, die Anwendungen und den Aufbau in keiner Weise einschränken sollen. Vielmehr wird dem Fachmann durch die vorausgehende Beschreibung ein Leitfaden für die Umsetzung von mindestens einer exemplarischen Ausführung gegeben, wobei diverse Änderungen, insbesondere in Hinblick auf die Funktion und Anordnung der beschriebenen Bestandteile, vorgenommen werden können, ohne den Schutzbereich zu verlassen, wie er sich aus den Ansprüchen und diesen äquivalenten Merkmalskombinationen ergibt.
Bezuqszeichenliste
1 Roboter
1A-1C Soll-/Lernposen zum Greifen eines Gegenstands
2 Robotersteuerung 3 Kamera
4 Behälter (Umgebung)
4‘; 4“ virtuelle/simulierte Umgebung
5A-5C Gegenstand

Claims

Patentansprüche
1. Verfahren zum Planen einer Bahn eines Roboters (1), mit den Schritten:
- Bereitstellen (S100) alternativer Sollposen des Roboters;
- Bereitstellen (S100) von Umgebungsdaten, die eine Geometrie einer Umgebung des Roboters spezifizieren;
- Bewerten (S110) der alternativen Sollposen mithilfe einer maschinell gelernten Prognose für eine kollisionsfreie Bahn für die jeweilige Sollpose auf Basis dieser Umgebungsdaten;
- Auswahlen (S110) einer der alternativen Sollposen auf Basis dieser Bewertung als Sollposenkandidat; und
- Durchführen (S120, S130) einer Bahnplanung auf Basis dieses Sollposenkandidaten.
2. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass die Durchführung einer Bahnplanung auf Basis des Sollposenkandidaten ein Planen (S120) wenigstens einer Bahn des Roboters und Prüfen (S130) dieser geplanten Bahn auf Kollisionen des Roboters umfasst.
3. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass die Durchführung einer Bahnplanung auf Basis des Sollposenkandidaten einen Versuch (S120), eine Bahn des Roboters unter Vermeidung von Kollisionen des Roboters zu planen, umfasst.
4. Verfahren nach einem der vorhergehenden Ansprüche, gekennzeichnet durch die, insbesondere mehrfach wiederholten, Schritte:
- Auswahlen (S155) einer anderen der alternativen Sollposen auf Basis der Bewertung als neuen Sollposenkandidaten, falls bei dem vorhergehenden Durchführen der Bahnplanung eine Abbruchbedingung erfüllt wird; und
- Durchführen einer Bahnplanung auf Basis dieses neuen Sollposenkandidaten.
5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die alternativen Sollposen Startposen, Endposen und/oder Arbeits-, insbesondere Aufnahme- und/oder Abgabepose, des Roboters umfassen.
6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Umgebungsdaten Oberflächenpunkte und/oder Bilder, insbesondere Tiefenbilder und/oder aus einer vorgegebenen Perspektive, umfassen.
7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Prognose nach einem Verfahren nach einem der nachfolgenden Ansprüche maschinell gelernt ist und/oder der Roboter die geplante Bahn abfährt (S145).
8. Verfahren zum maschinellen Lernen einer auf Umgebungsdaten und einer Sollpose eines Roboters (1) basierenden Prognose für eine kollisionsfreie Bahn für die Sollpose, mit den Schritten:
- Vorgeben (S10) alternativer Lernposen des Roboters;
- Bereitstellen (S10) von, insbesondere alternativen, Umgebungslerndaten, die eine Geometrie einer Umgebung des Roboters spezifizieren;
- Durchführen (S20, S30) von Bahnplanungen auf Basis dieser Lernposen und Umgebungslerndaten; und
- maschinelles Lernen (S60) der Prognose auf Basis der Lernposen, Umgebungslerndaten und Ergebnisse der Bahnplanungen.
9. Verfahren nach dem vorhergehenden Anspruch, dadurch gekennzeichnet, dass die Umgebungslerndaten mithilfe wenigstens einer Simulation erstellt sind und/oder Oberflächenpunkte und/oder Bilder, insbesondere Tiefenbilder und/oder aus einer vorgegebenen Perspektive, umfassen und/oder die Bahnplanungen mithilfe wenigstens einer Simulation durchgeführt werden.
10. Verfahren nach einem der Ansprüche 8-9, dadurch gekennzeichnet, dass die Durchführung einer Bahnplanung auf Basis einer Lernpose ein Planen (S20) wenigstens einer Bahn des Roboters und Prüfen (S30) dieser geplanten Bahn auf Kollisionen des Roboters umfasst.
11. Verfahren nach Ansprüche 8-9, dadurch gekennzeichnet, dass die Durchführung einer Bahnplanung auf Basis einer Lernpose einen Versuch (S20), eine Bahn des Roboters unter Vermeidung von Kollisionen des Roboters zu planen, umfasst.
12. System zum Planen, insbesondere Abfahren, einer Bahn eines Roboters (1) und/oder zum maschinellen Lernen einer Prognose für eine kollisionsfreie Bahn eines Roboters, wobei das System zur Durchführung eines Verfahrens nach einem der vorhergehenden Ansprüche eingerichtet ist und/oder:
- Mittel zum Bereitstellen alternativer Sollposen des Roboters;
- Mittel zum Bereitstellen von Umgebungsdaten, die eine Geometrie einer Umgebung des Roboters spezifizieren;
- Mittel zum Bewerten der alternativen Sollposen mithilfe einer maschinell gelernten Prognose für eine kollisionsfreie Bahn für die jeweilige Sollpose auf Basis dieser Umgebungsdaten;
- Mittel zum Auswahlen einer der alternativen Sollposen auf Basis dieser Bewertung als Sollposenkandidat; und
- Mittel zum Durchführen einer Bahnplanung auf Basis dieses Sollposenkandidaten aufweist und/oder
- Mittel zum Vorgeben alternativer Lernposen des Roboters;
- Mittel zum Bereitstellen von, insbesondere alternativen, Umgebungslerndaten, die eine Geometrie einer Umgebung des Roboters spezifizieren;
- Mittel zum Durchführen von Bahnplanungen auf Basis dieser Lernposen und Umgebungslerndaten; und
- Mittel zum maschinellen Lernen der Prognose auf Basis der Lernposen, Umgebungslerndaten und Ergebnisse der Bahnplanungen aufweist.
13. Computerprogramm oder Computerprogrammprodukt, wobei das Computerprogramm oder Computerprogrammprodukt, insbesondere auf einem computerlesbaren und/oder nicht-flüchtigen Speichermedium gespeicherte, Anweisungen enthält, die bei der Ausführung durch einen oder mehrere Computer oder ein System nach Anspruch 12 den oder die Computer oder das System dazu veranlassen, ein Verfahren nach einem der Ansprüche 1 bis 11 durchzuführen.
EP24708422.1A 2023-04-24 2024-02-28 Kollisionsfreie roboterbahnen Pending EP4655140A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102023203751.3A DE102023203751A1 (de) 2023-04-24 2023-04-24 Kollisionsfreie Roboterbahnen
PCT/EP2024/055095 WO2024223110A1 (de) 2023-04-24 2024-02-28 Kollisionsfreie roboterbahnen

Publications (1)

Publication Number Publication Date
EP4655140A1 true EP4655140A1 (de) 2025-12-03

Family

ID=90105007

Family Applications (1)

Application Number Title Priority Date Filing Date
EP24708422.1A Pending EP4655140A1 (de) 2023-04-24 2024-02-28 Kollisionsfreie roboterbahnen

Country Status (4)

Country Link
EP (1) EP4655140A1 (de)
CN (1) CN121001854A (de)
DE (1) DE102023203751A1 (de)
WO (1) WO2024223110A1 (de)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5778311B1 (ja) * 2014-05-08 2015-09-16 東芝機械株式会社 ピッキング装置およびピッキング方法
JP6807949B2 (ja) * 2016-11-16 2021-01-06 三菱電機株式会社 干渉回避装置
DE102017002354B4 (de) * 2017-03-10 2022-04-07 Swisslog Ag Transportieren von Objekten, insbesondere Kommissionieren von Waren, mithilfe eines Roboters
DE102018205669B4 (de) * 2018-04-13 2021-12-23 Kuka Deutschland Gmbh Aufnehmen von Nutzlasten mittels eines robotergeführten Werkzeugs
JP7375587B2 (ja) * 2020-02-05 2023-11-08 株式会社デンソー 軌道生成装置、多リンクシステム、及び軌道生成方法
EP4088883A1 (de) * 2021-05-11 2022-11-16 Siemens Industry Software Ltd. Verfahren und system zur vorhersage einer kollisionsfreien haltung eines kinematischen systems
US12017355B2 (en) * 2021-06-08 2024-06-25 Fanuc Corporation Grasp learning using modularized neural networks
US11919161B2 (en) * 2021-10-15 2024-03-05 Fanuc Corporation Grasp generation for machine tending

Also Published As

Publication number Publication date
DE102023203751A1 (de) 2024-10-24
CN121001854A (zh) 2025-11-21
WO2024223110A1 (de) 2024-10-31

Similar Documents

Publication Publication Date Title
EP3966731B1 (de) Maschinelles lernen einer objekterkennung mithilfe einer robotergeführten kamera
DE102021107568A1 (de) Adaptive planung von zugriffen zum aufheben von behältern
EP3623116A1 (de) Verfahren und vorrichtung zur kollisionsfreien bewegungsplanung eines manipulators
WO2019137665A1 (de) Verfahren zur rechnergestützten planung eines durch einen roboter ausführbaren arbeitsablaufs
DE102019205651B3 (de) Verfahren und System zum Ausführen von Roboterapplikationen
DE102022203410B4 (de) Verfahren zum Steuern einer Robotervorrichtung
DE102021205324A1 (de) Greifverfahren und Greifvorrichtung eines Industrieroboters, Computerspeichermedium und Industrieroboter
DE102022204724B4 (de) Verfahren zum Steuern einer Robotervorrichtung
DE102024119697A1 (de) Auf menschlichen fähigkeiten basierende bahnerzeugung
DE112018007703C5 (de) Robotersteuerung
DE102023206009B3 (de) Verfahren und System zum Trainieren einer wenigstes teilweise auf maschinellem Lernen basierenden Datenverarbeitung zum Prognostizieren von Roboter-Zielposen und/oder zum Betreiben eines Roboters
DE102023207208A1 (de) Verfahren zum Trainieren eines maschinellen Lernmodells für die Steuerung eines Roboters zum Manipulieren eines Objekts
EP4536447A1 (de) Erhöhung der greifrate
DE102024104640B3 (de) Betreiben eines Roboters mithilfe einer Datenverarbeitung und Trainieren dieser Datenverarbeitung
WO2024223110A1 (de) Kollisionsfreie roboterbahnen
EP3870406B1 (de) Verfahren zum erstellen eines objektmodells zum greifen eines objekts, computerlesbares speichermedium und robotersystem
EP3710900B1 (de) Verfahren und system zum vorgeben bzw. lernen eines roboterbefehls
WO2025237941A1 (de) Verfahren zum bestimmen einer greifpose für einen roboter
WO2024170236A1 (de) Verfahren und system zur verbesserung der grifferreichbarkeit
DE102020103852B4 (de) Erzeugen und Optimieren eines Steuerprogramms für einen Robotermanipulator
DE102022213557B3 (de) Betreiben eines Roboters mit Greifer
DE102024206908A1 (de) Verfahren zum Bestimmen einer Greifpose für einen Roboter
EP4633875A1 (de) Betreiben eines roboters mit greifer
DE102024206903A1 (de) Verfahren zum Bestimmen einer Greifpose für einen Roboter
DE102024206911A1 (de) Verfahren zum Bestimmen von Objektposen

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20250829

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR

P01 Opt-out of the competence of the unified patent court (upc) registered

Free format text: CASE NUMBER: UPC_APP_0001303_4655140/2026

Effective date: 20260115