JP2017170553A - 制御方法 - Google Patents
制御方法 Download PDFInfo
- Publication number
- JP2017170553A JP2017170553A JP2016058370A JP2016058370A JP2017170553A JP 2017170553 A JP2017170553 A JP 2017170553A JP 2016058370 A JP2016058370 A JP 2016058370A JP 2016058370 A JP2016058370 A JP 2016058370A JP 2017170553 A JP2017170553 A JP 2017170553A
- Authority
- JP
- Japan
- Prior art keywords
- target
- information
- time
- joint
- force
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000001133 acceleration Effects 0.000 claims abstract description 26
- 238000013179 statistical model Methods 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 230000007704 transition Effects 0.000 claims description 10
- 239000002245 particle Substances 0.000 description 27
- 230000008569 process Effects 0.000 description 21
- 239000012636 effector Substances 0.000 description 14
- 238000012952 Resampling Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000004069 differentiation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 210000001503 joint Anatomy 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 210000002310 elbow joint Anatomy 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000000323 shoulder joint Anatomy 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 210000003857 wrist joint Anatomy 0.000 description 1
Images
Landscapes
- Manipulator (AREA)
Abstract
Description
本発明は、かかる課題を解決するためになされたものであり、統計モデル構築時と可動部の制御時で、可動部と操作対象物の位置関係が異なる場合でも、可動部と操作対象物との間に過大な力が発生する、あるいは可動部が操作対象物に接触できない状況を抑制できる制御方法を提供することを主たる目的とする。
動作する可動部の位置又は速度情報と該可動部に対する力情報とに基づき構築したモデルであって、各ノード間の遷移確率が設定され該各ノードは前記位置又は速度情報と力情報の分布を有する統計モデルと、時刻t(tは自然数)における前記可動部の位置又は速度情報と力情報と、に基づいて、時刻t+1における前記可動部の目標位置情報又は目標速度情報をサンプリングするステップと、
前記サンプリングした目標位置情報又は目標速度情報に基づいて、時刻t+1における前記可動部の目標位置情報又は目標速度情報と、目標加速度情報と、を算出するステップと、
前記算出した時刻t+1における目標位置情報、目標速度情報及び目標加速度情報に基づいて、逆動力学演算を行って、時刻t+1における前記可動部の目標力情報を算出するステップと、
前記時刻tにおける位置情報及び力情報と、前記統計モデルと、に基づいて、前記算出した時刻t+1における目標位置情報及び目標力情報が前記統計モデルから生成される確率を算出するステップと、
前記算出した時刻t+1における目標位置情報及び目標力情報と、前記算出した確率と、に基づいて、前記時刻t+1における目標位置情報及び目標力情報の期待値を算出するステップと、
前記算出した目標位置情報及び目標力情報の期待値に基づいて、前記可動部を制御するステップと、
を含む、ことを特徴とする制御方法
である。
この一態様によれば、可動部の位置指令値と力指令値の整合性を取ることができるため、統計モデル構築時と可動部制御時で、可動部と操作対象物の位置関係が異なる場合などでも、可動部と操作対象物との間で、過大な力が発生する、あるいは可動部が操作対象物に接触できない状況を抑制できる。
実施形態1
図1は、本発明の実施形態1に係るロボットアームの概略的な構成を示す図である。本実施形態1に係る制御装置は、例えば、多関節型のロボットアーム(可動部の一具体例)2を制御する。
制御装置1は、学習処理において、例えば、予め用意されたロボットアーム2の各関節部22の関節角度および関節トルクの時系列データ(シミュレーションデータなど)を用いて学習を行い、Baum-Welch法によりleft-right隠れマルコフモデルを構築する(図3)。
制御装置1は、本実行処理において、図4に示す如く、各関節部22の目標軌道生成と、ロボットアーム制御と、を同時に実行する。さらに、制御装置1は、このロボットアーム制御時において、力センサ26及び角度センサ24により検出された現在時刻tのセンサ値に基づいて、次瞬間である時刻t+1のロボットアーム2の目標位置情報θplan及び目標力情報τplanを決定し、これら目標位置情報θplan及び目標力情報τplanに基づいてロボットアーム2のコンプライアンス制御を実行する。これにより、ロボットアーム2の現在の状態から大きく離れた指令値が生成され、ロボットアーム2が急激に動作するような状況を回避できる。さらに、ロボットアーム2の位置指令及び力指令を同時に厳密に満たせない場合でも、上記目標位置情報及び目標力情報を用いて、ロボットアーム2の位置及び力を予め設定したパラメータに従ったバランス状態で適正に制御できる。
(1)制御装置1は、まず、現在時刻tにおける隠れマルコフモデルのノードqtと、角度センサ24及び力センサ26により検出された現在時刻tにおける関節角度θt及び関節トルクτtと、(パーティクル)を保持する。
このように、関節部22の目標軌道生成時に関節部22の関節角度び関節トルクを含む隠れマルコフモデルと、角度センサ24及び力センサ26により検出された現在時刻tにおける関節角度及び関節トルクと、に基づいて、目標関節角度をサンプリングしている。
この修正により、制御安定性をより高めることができる。
なお、上記目標反力Ft+1 refは、ロボットアーム2の操作内容に基づいてユーザにより設定される。例えば、ロボットアーム2を操作対象物に強く接触させる場合は、目標反力10[N]に設定し、軽く接触させる場合は、1[N]に設定する。
制御装置1は、算出した目標関節角度θt+1 ref、目標関節角速度θ(ドット)t+1 ref、および修正した目標関節角加速度θ(2ドット)t+1 refと、目標反力Ft+1 refと、に基づいて、下記逆動力学演算式(運動方程式)(式2)を用いて関節部22の目標関節トルク(目標力情報の一具体例)τt+1を算出する。なお、下記(式2)において、Mは慣性行列であり、Cは遠心及びコリオリ項であり、Gは重力項である。Jは、関節角速度をロボットアーム2(可動部)の速度に関係付けるヤコビ行列である。
このように、下記逆動力学演算式を用いて目標関節トルクτt+1を算出することで、隠れマルコフモデルによる関節部22の目標軌道生成時において、ロボットアーム2の力学的な整合性を確保することができる。
制御装置1は、パーティクル毎に上記確率Pを算出する。ここで、制御装置1は、各パーティクルの確率Pの総和が1にするため、次の修正処理を行う。例えば、制御装置1は、各パーティクルの確率の総和を算出し、各パーティクルの確率を算出した総和で除算する。
このように、上記(7)で算出した確率による重みづけ平均により次瞬間の指令値を算出する。
さらに、制御装置1は、力センサ26により検出された関節トルクτが、算出したトルク指令τrefに追従するように、関節部22のアクチュエータ25に対して、フィードバック制御を行う。
制御装置1は、上記算出した確率Pを正規化して、確率密度分布pkを算出する。
制御装置1は、各パーティクルの確率Pとなるように、確率密度分布pkに従ってパーティクルをばらまき、時刻t+1でのパーティクルを更新する。これにより、確率の低いパーティクルを除去し、確率の高いパーティクルを残すことができる。
制御装置1は、選択したパーティクルsのノードqt+1を次のフレームのためにqtにセットし、上記(1)に戻り処理を繰り返す。
制御装置1は、隠れマルコフモデルのノード間の遷移確率aを用いて時刻t+1(次瞬間)におけるノードqt+1をサンプリングする(ステップS101)。
制御装置1は、サンプリングした目標関節角度θt+1 refを1階微分して目標関節角速度θ(ドット)t+1 refを算出し、目標関節角度θt+1 refを2階微分して目標関節角加速度θ(2ドット)t+1 refを算出する(ステップS103)。
制御装置1は、算出した目標関節角度θt+1 ref、目標関節角速度θ(ドット)t+1 ref、および修正した目標関節角加速度θ(2ドット)t+1 refと、目標反力Ft+1 refと、に基づいて、上記逆動力学演算式(式2)を用いて目標関節トルクτt+1を算出する(ステップS105)。
制御装置1は、各パーティクルの確率Pとなるように、確率密度分布pkに従ってパーティクルをばらまき、時刻t+1でのパーティクルを更新する(ステップS109)。
本発明の実施形態2において、制御装置1は、エンドエフェクタ23の手先位置(位置情報の一具体例)および、エンドエフェクタ23の手先反力(力情報の一具体例)の時系列データに基づいて、隠れマルコフモデルを構築してもよい。この場合、制御装置1は、上記実施形態1における[prediction](1)〜(8)および[resampling]の関節角度および関節トルクを、夫々、手先位置および手先反力に置き換えて同様の処理を行う。
制御装置1は、学習処理において、例えば、予め用意されたエンドエフェクタ23の手先位置および手先反力の時系列データを用いて学習を行い、Baum-Welch法によりleft-right隠れマルコフモデルを構築する。
制御装置1は、所定時間毎に、以下の[prediction](1)〜(8)および[resampling]を繰り返す。
(1)制御装置1は、まず、現在時刻tにおける隠れマルコフモデルのノードqtと、センサにより検出された現在時刻tにおける手先位置及び手先反力と、(パーティクル)を保持する。
制御装置1は、パーティクル毎に上記確率Pを算出する。ここで、制御装置1は、各パーティクルの確率Pの総和が1にするため、次の修正処理を行う。例えば、制御装置1は、各パーティクルの確率の総和を算出し、各パーティクルの確率を算出した総和で除算する。
制御装置1は、算出した確率Pを正規化して、確率密度分布pkを算出する。
制御装置1は、上記(8)において算出した目標手先位置の推定値及び目標手先反力の推定値と、センサにより検出された手先位置と、に基づいて、各関節部22のコンプライアンス制御を行う。
制御装置1は、各パーティクルの確率Pとなるように、確率密度分布pkに従ってパーティクルをばらまき、時刻t+1でのパーティクルを更新する。
本発明の実施形態3において、制御装置1は、ロボットアーム2の各関節部22の関節角度および関節トルクと、エンドエフェクタ23の手先反力と、の時系列データに基づいて隠れマルコフモデルを構築する。
これにより、隠れマルコフモデルに手先反力を含めることで、[prediction]の過程で自動的に目標反力を設定することができる。
本発明の実施形態4において、制御装置1は、エンドエフェクタ23の手先速度(速度情報の一具体例)および、エンドエフェクタ23の手先反力、の時系列データに基づいて、隠れマルコフモデルを構築する。
制御装置1は、学習処理において、例えば、予め用意されたエンドエフェクタ23の手先速度および手先反力の時系列データを用いて学習を行い、Baum-Welch法によりleft-right隠れマルコフモデルを構築する。
[prediction]
(1)制御装置1は、まず、現在時刻tにおける隠れマルコフモデルのノードqtと、センサにより検出された現在時刻tにおける手先速度及び手先反力と、(パーティクル)を保持する。
上記(1)乃至(4)以外の処理は、上記実施形態2と同一であるため、詳細な説明は省略する。
本発明の実施形態5において、制御装置1は、ロボットアーム2の各関節部22の関節角速度および関節トルクの時系列データに基づいて、隠れマルコフモデルを構築する。
制御装置1は、学習処理において、例えば、予め用意されたロボットアーム2の各関節部22の関節角速度および関節トルクの時系列データを用いて学習を行い、Baum-Welch法によりleft-right隠れマルコフモデルを構築する。
[prediction]
(1)制御装置1は、まず、現在時刻tにおける隠れマルコフモデルのノードqtと、センサにより検出された現在時刻tにおける関節角速度及び関節トルクと、(パーティクル)を保持する。
上記(1)乃至(4)以外の処理は、上記実施形態1と同一であるため、詳細な説明は省略する。
上記実施形態において、制御装置1は、隠れマルコフモデルを構築し、構築した隠れマルコフモデルを用いて制御を行っているが、これに限定されない。制御装置1は、各ノード間に遷移確率が設定され各ノードは位置又は速度情報と力情報の分布を有する、グラフィカルな統計モデルを構築し、この統計モデル用いて制御を行っても良い。制御装置1は、例えば、マルコフモデル、やCRF(Conditional Random Field)などのグラフィカルな統計モデルを構築してもよい。
Claims (1)
- 動作する可動部の位置又は速度情報と該可動部に対する力情報とに基づき構築したモデルであって、各ノード間の遷移確率が設定され、該各ノードは前記位置又は速度情報と力情報の分布を有する統計モデルと、時刻t(tは自然数)における前記可動部の位置又は速度情報と力情報と、に基づいて、時刻t+1における前記可動部の目標位置情報又は目標速度情報をサンプリングするステップと、
前記サンプリングした目標位置情報又は目標速度情報に基づいて、時刻t+1における前記可動部の目標位置情報又は目標速度情報と、目標加速度情報と、を算出するステップと、
前記算出した時刻t+1における目標位置情報、目標速度情報及び目標加速度情報に基づいて、逆動力学演算を行って、時刻t+1における前記可動部の目標力情報を算出するステップと、
前記時刻tにおける位置情報及び力情報と、前記統計モデルと、に基づいて、前記算出した時刻t+1における目標位置情報及び目標力情報が前記統計モデルから生成される確率を算出するステップと、
前記算出した時刻t+1における目標位置情報及び目標力情報と、前記算出した確率と、に基づいて、前記時刻t+1における目標位置情報及び目標力情報の期待値を算出するステップと、
前記算出した目標位置情報及び目標力情報の期待値に基づいて、前記可動部を制御するステップと、
を含む、ことを特徴とする制御方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016058370A JP6567998B2 (ja) | 2016-03-23 | 2016-03-23 | 制御方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016058370A JP6567998B2 (ja) | 2016-03-23 | 2016-03-23 | 制御方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017170553A true JP2017170553A (ja) | 2017-09-28 |
JP6567998B2 JP6567998B2 (ja) | 2019-08-28 |
Family
ID=59971651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016058370A Expired - Fee Related JP6567998B2 (ja) | 2016-03-23 | 2016-03-23 | 制御方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6567998B2 (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019225747A1 (ja) * | 2018-05-25 | 2019-11-28 | 川崎重工業株式会社 | ロボットシステム及びロボット制御方法 |
WO2019225746A1 (ja) * | 2018-05-25 | 2019-11-28 | 川崎重工業株式会社 | ロボットシステム及び追加学習方法 |
JP2021084188A (ja) * | 2019-11-28 | 2021-06-03 | 株式会社国際電気通信基礎技術研究所 | 制御システム |
CN113858189A (zh) * | 2020-06-30 | 2021-12-31 | 精工爱普生株式会社 | 机器人的控制方法及机器人系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05111889A (ja) * | 1991-10-23 | 1993-05-07 | Fanuc Ltd | 制御方式可変型ロボツト制御方式 |
JPH05150836A (ja) * | 1991-11-26 | 1993-06-18 | Kawasaki Heavy Ind Ltd | ロボツトの制御装置 |
JP2009066693A (ja) * | 2007-09-12 | 2009-04-02 | Toyota Motor Corp | 運動データの生成装置、方法、及びロボット装置 |
JP2012071358A (ja) * | 2010-09-27 | 2012-04-12 | Honda Motor Co Ltd | ロボットおよびその行動制御システム |
-
2016
- 2016-03-23 JP JP2016058370A patent/JP6567998B2/ja not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05111889A (ja) * | 1991-10-23 | 1993-05-07 | Fanuc Ltd | 制御方式可変型ロボツト制御方式 |
JPH05150836A (ja) * | 1991-11-26 | 1993-06-18 | Kawasaki Heavy Ind Ltd | ロボツトの制御装置 |
JP2009066693A (ja) * | 2007-09-12 | 2009-04-02 | Toyota Motor Corp | 運動データの生成装置、方法、及びロボット装置 |
JP2012071358A (ja) * | 2010-09-27 | 2012-04-12 | Honda Motor Co Ltd | ロボットおよびその行動制御システム |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019225747A1 (ja) * | 2018-05-25 | 2019-11-28 | 川崎重工業株式会社 | ロボットシステム及びロボット制御方法 |
JP2019202404A (ja) * | 2018-05-25 | 2019-11-28 | 川崎重工業株式会社 | ロボットシステム及びロボット制御方法 |
WO2019225746A1 (ja) * | 2018-05-25 | 2019-11-28 | 川崎重工業株式会社 | ロボットシステム及び追加学習方法 |
JPWO2019225746A1 (ja) * | 2018-05-25 | 2021-06-10 | 川崎重工業株式会社 | ロボットシステム及び追加学習方法 |
JP7039389B2 (ja) | 2018-05-25 | 2022-03-22 | 川崎重工業株式会社 | ロボットシステム及びロボット制御方法 |
JP7167141B2 (ja) | 2018-05-25 | 2022-11-08 | 川崎重工業株式会社 | ロボットシステム及び追加学習方法 |
JP2021084188A (ja) * | 2019-11-28 | 2021-06-03 | 株式会社国際電気通信基礎技術研究所 | 制御システム |
JP7391635B2 (ja) | 2019-11-28 | 2023-12-05 | 株式会社国際電気通信基礎技術研究所 | 制御システム |
CN113858189A (zh) * | 2020-06-30 | 2021-12-31 | 精工爱普生株式会社 | 机器人的控制方法及机器人系统 |
CN113858189B (zh) * | 2020-06-30 | 2024-01-09 | 精工爱普生株式会社 | 机器人的控制方法及机器人系统 |
Also Published As
Publication number | Publication date |
---|---|
JP6567998B2 (ja) | 2019-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sheng et al. | An integrated framework for human–robot collaborative manipulation | |
JP6567998B2 (ja) | 制御方法 | |
CN112428278B (zh) | 机械臂的控制方法、装置及人机协同模型的训练方法 | |
Rozo et al. | Learning force and position constraints in human-robot cooperative transportation | |
JP6170285B2 (ja) | マニピュレータ及びその経路生成方法 | |
JP7117237B2 (ja) | ロボット制御装置、ロボットシステム及びロボット制御方法 | |
CN112638596B (zh) | 自主学习型机器人装置以及自主学习型机器人装置的动作生成方法 | |
JP7035309B2 (ja) | マスタスレーブシステム | |
JP7295421B2 (ja) | 制御装置及び制御方法 | |
JP2010207986A (ja) | ロボット装置及びその制御方法 | |
CN110154024B (zh) | 一种基于长短期记忆神经网络增量模型的装配控制方法 | |
US11806872B2 (en) | Device and method for controlling a robotic device | |
CN114516060A (zh) | 用于控制机器人装置的设备和方法 | |
Nemec et al. | Speed adaptation for self-improvement of skills learned from user demonstrations | |
Ben Amor et al. | Kinesthetic bootstrapping: Teaching motor skills to humanoid robots through physical interaction | |
CN115781685A (zh) | 一种基于强化学习的高精度机械臂控制方法及系统 | |
JP7210201B2 (ja) | 情報処理方法、プログラム、記録媒体、情報処理装置、ロボットシステム、物品の製造方法 | |
Gäbert et al. | Generation of human-like arm motions using sampling-based motion planning | |
JP2023526211A (ja) | 分散型ロボット実証学習 | |
JP7263987B2 (ja) | 制御装置、制御方法、及び制御プログラム | |
TWI781708B (zh) | 學習裝置、學習方法、學習程式、控制裝置、控制方法及控制程式 | |
Sugimoto et al. | Trajectory-model-based reinforcement learning: Application to bimanual humanoid motor learning with a closed-chain constraint | |
JP4222338B2 (ja) | 適応型ビジュアルフィードバック制御方法 | |
JPH05337860A (ja) | ロボットハンドの教示装置およびロボットハンド | |
JP2008305064A (ja) | 学習型制御装置および該方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180509 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190320 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190409 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190605 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20190709 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190801 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6567998 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |