JP2018206162A - 制御装置及び機械学習装置 - Google Patents

Abstract

【課題】ロボットの先端の教示速度が所定の目標速度に一致するように調整することが可能な制御装置及び機械学習装置を提供すること。【解決手段】本発明の制御装置１が備える機械学習装置１００は、ロボットが備える各モータの移動速度の調整量を示す教示速度調整量データ、ロボットの先端の目標速度を示す目標速度データ、ロボットが備える各モータの移動速度を示す移動速度データ、及びロボットの先端の直近の移動経路を示す移動経路データを、環境の現在状態を表す状態変数として観測する状態観測部１０６と、ロボットの先端の移動速度の適否判定結果を示す判定データを取得する判定データ取得部１０８と、状態変数と判定データとを用いて、ロボットが備える各モータの移動速度の調整量と、目標速度データ、移動速度データ、及び移動経路データとを関連付けて学習する学習部１１０とを備える。【選択図】図２

Description

本発明は、制御装置及び機械学習装置に関し、特に教示速度を最適化する制御装置及び機械学習装置に関する。

一般的な産業用のロボットは、予め作成された動作プログラムに従って駆動されたり、又は、ティーチングペンダントなどにより予め教示された教示点を通るように教示速度でロボットが駆動されたりする。すなわち、ロボットは、予め定められた軌道に沿ってあらかじめ定められた速度で駆動する。ロボットの教示動作に係る従来技術として、例えば特許文献１には、シーリング作業をロボットに行わせるために、該ロボットに対してシーリング動作（教示点、教示速度等）を教示する発明が開示されている。

特開平０６−２８５４０２号公報

特許文献１に開示された発明では、ロボットの移動速度に応じてシール剤供給ポンプのモータの回転速度を制御してシールガンにシール剤を供給することで、対象物の単位距離当りに塗布されるシール剤の量がロボットの移動速度に関わりなく一定の値に保たれ、ビードの膜厚が一定に保持されるようにしている。しかしながら、このような圧力制御機能を備えたポンプは高価であり、システム全体のコストが高くなる原因となっている。システム全体のコストを抑えるためには、ロボットの先端に備えたシールガンの移動速度を一定に保ちながら教示点を移動していくように制御することが考えられる。このような制御が可能であれば、ＯＮ／ＯＦＦのみを制御できる安価なポンプを用いてシステム全体のコストを下げることができるようになる。しかしながら、ロボットの先端の移動経路や移動速度は、複数のモータの移動により総合的に決定されるものであり、１つのモータの移動に対して変更を加えた際にロボットの先端の移動がどのように変わるのかは他のモータの移動状態や加減速状態に依存している。その為、ロボットの先端の移動速度を一定に維持しながら移動経路どおりに移動するように調整することは熟練した作業者であっても難しく、試行錯誤を繰り返す必要があり、作業者にとって多大な労力となるという課題がある。

そこで本発明の目的は、ロボットの先端の教示速度が所定の目標速度に一致するように調整することが可能な制御装置及び機械学習装置を提供することである。

本発明の制御装置では、ロボットの先端の目標速度、該ロボットが備える各モータの現在速度、及び該ロボットの先端の移動経路に対する、該ロボットが備える各モータの移動速度の調整量を機械学習し、機械学習した結果に基づいて、ロボットが教示位置へと移動する際にロボットの先端の移動速度が目標速度に一致するように制御することで、上記課題を解決する。

そして、本発明の一態様は、シール材を塗布するロボットが備える各モータの移動速度を調整する制御装置であって、前記ロボットが備える各モータの移動速度の調整量を学習する機械学習装置を備え、前記機械学習装置は、前記ロボットが備える各モータの移動速度の調整量を示す教示速度調整量データ、前記ロボットの先端の目標速度を示す目標速度データ、前記ロボットが備える各モータの移動速度を示す移動速度データ、及び前記ロボットの先端の直近の移動経路を示す移動経路データを、環境の現在状態を表す状態変数として観測する状態観測部と、前記ロボットの先端の移動速度の適否判定結果を示す判定データを取得する判定データ取得部と、前記状態変数と前記判定データとを用いて、前記ロボットが備える各モータの移動速度の調整量と、前記目標速度データ、前記移動速度データ、及び前記移動経路データとを関連付けて学習する学習部と、を備える制御装置である。

本発明の他の態様は、シール材を塗布するロボットが備える各モータの移動速度の調整量を学習する機械学習装置であって、前記ロボットが備える各モータの移動速度の調整量を示す教示速度調整量データ、前記ロボットの先端の目標速度を示す目標速度データ、前記ロボットが備える各モータの移動速度を示す移動速度データ、及び前記ロボットの先端の直近の移動経路を示す移動経路データを、環境の現在状態を表す状態変数として観測する状態観測部と、前記ロボットの先端の移動速度の適否判定結果を示す判定データを取得する判定データ取得部と、前記状態変数と前記判定データとを用いて、前記ロボットが備える各モータの移動速度の調整量と、前記目標速度データ、前記移動速度データ、及び前記移動経路データとを関連付けて学習する学習部と、を備える機械学習装置である。

本発明により、学習結果に基づいてロボットの教示速度を調整することで、該ロボットの先端の移動速度を一定に保つことができるようになり、高価なポンプを用いなくともビードの膜厚を一定に保持することができるようになる。

第１の実施形態による制御装置の概略的なハードウェア構成図である。 第１の実施形態による制御装置の概略的な機能ブロック図である。 制御装置の一形態を示す概略的な機能ブロック図である。 機械学習方法の一形態を示す概略的なフローチャートである。 ニューロンを説明する図である。 ニューラルネットワークを説明する図である。 第２の実施形態による制御装置の概略的な機能ブロック図である。 制御装置を組み込んだシステムの一形態を示す概略的な機能ブロック図である。 制御装置を組み込んだシステムの他の形態を示す概略的な機能ブロック図である。

以下、本発明の実施形態を図面と共に説明する。
図１は第１の実施形態による制御装置と該制御装置によって制御される工作機械の要部を示す概略的なハードウェア構成図である。制御装置１は、例えばシール材の塗布などを行う産業用ロボット（図示せず）を制御する制御装置として実装することができる。本実施形態による制御装置１が備えるＣＰＵ１１は、制御装置１を全体的に制御するプロセッサである。ＣＰＵ１１は、ＲＯＭ１２に格納されたシステム・プログラムをバス２０を介して読み出し、該システム・プログラムに従って制御装置１全体を制御する。ＲＡＭ１３には一時的な計算データや表示データ及び後述する教示操作盤６０を介してオペレータが入力した各種データ等が一時的に格納される。

不揮発性メモリ１４は、例えば図示しないバッテリでバックアップされるなどして、制御装置１の電源がオフされても記憶状態が保持されるメモリとして構成される。不揮発性メモリ１４には、インタフェース１８を介して教示操作盤６０から入力された教示データや、図示しないインタフェースを介して入力されたロボット制御用のプログラムなどが記憶されている。不揮発性メモリ１４に記憶されたプログラムや各種データは、実行時／利用時にはＲＡＭ１３に展開されても良い。また、ＲＯＭ１２には、ロボットの制御や教示位置の教示に掛かる処理などを実行するための各種のシステム・プログラム（後述する機械学習装置１００とのやりとりを制御するためのシステム・プログラムを含む）があらかじめ書き込まれている。

ロボットが備える関節等の軸を制御するための軸制御回路３０はＣＰＵ１１からの軸の移動指令量を受けて、軸の指令をサーボアンプ４０に出力する。サーボアンプ４０はこの指令を受けて、ロボットが備える軸を移動させるサーボモータ５０を駆動する。軸のサーボモータ５０は位置・速度検出器を内蔵し、この位置・速度検出器からの位置・速度フィードバック信号を軸制御回路３０にフィードバックし、位置・速度のフィードバック制御を行う。なお、図１のハードウェア構成図では軸制御回路３０、サーボアンプ４０、サーボモータ５０は１つずつしか示されていないが、実際には制御対象となるロボットに備えられた軸の数だけ用意される。例えば、６つの軸を備えたロボットの場合には、軸制御回路３０、サーボアンプ４０、サーボモータ５０は、それぞれの軸に対して用意される。

教示操作盤６０はディスプレイやハンドル、ハードウェアキー等を備えた手動データ入力装置であり、インタフェース１８を介して制御装置１からの情報を受けて表示すると共に、ハンドルやハードウェアキー等から入力されたパルスや指令、各種データをＣＰＵ１１に渡す。

ポンプ７０は、ロボットの先端に把持されるシールガン（図示せず）に対してシール材を供給する。ポンプ７０は、インタフェース１９を介したＣＰＵ１１からの指令に基づいてシール材の供給をＯＮ／ＯＦＦすることができるようになっている。

インタフェース２１は、制御装置１と機械学習装置１００とを接続するためのインタフェースである。機械学習装置１００は、機械学習装置１００全体を統御するプロセッサ１０１と、システム・プログラム等を記憶したＲＯＭ１０２、機械学習に係る各処理における一時的な記憶を行うためのＲＡＭ１０３、及び学習モデル等の記憶に用いられる不揮発性メモリ１０４を備える。機械学習装置１００は、インタフェース２１を介して制御装置１で取得可能な各情報（サーボモータ５０の位置情報や速度情報、電流値、ＲＡＭ１３等に記憶される実行中のプログラムや教示データなどに関する設定情報等）を観測することができる。また、制御装置１は、機械学習装置１００から出力される、サーボモータ５０、ロボットの周辺装置を制御するための指令を受けて、プログラムや教示データに基づくロボットの制御指令の修正等を行う。

図２は、第１の実施形態による制御装置１と機械学習装置１００の概略的な機能ブロック図である。機械学習装置１００は、ロボットの先端の目標速度、該ロボットが備える各モータの現在速度、及び該ロボットの先端の移動経路に対する、該ロボットが備える各モータの移動速度の調整量を、いわゆる機械学習により自ら学習するためのソフトウェア（学習アルゴリズム等）及びハードウェア（プロセッサ１０１等）を含む。制御装置１が備える機械学習装置１００が学習するものは、ロボットの先端の目標速度、該ロボットが備える各モータの現在速度、及び該ロボットの先端の移動経路と、該ロボットが備える各モータの移動速度の調整量との、相関性を表すモデル構造に相当する。

図２に機能ブロックで示すように、制御装置１が備える機械学習装置１００は、教示データに基づくロボットの制御における該ロボットが備える各モータの移動速度の調整量を示す教示速度調整量データＳ１と、ロボットの先端の目標速度を示す目標速度データＳ２、ロボットが備える各モータの移動速度を示す移動速度データＳ３、ロボットの先端の直近の移動経路を示す移動経路データＳ４を含む環境の現在状態を表す状態変数Ｓとして観測する状態観測部１０６と、各モータの教示速度が調整された場合におけるロボットの先端の移動速度の適否判定結果を示す移動速度判定データＤ１を含む判定データＤを取得する判定データ取得部１０８と、状態変数Ｓと判定データＤとを用いて、ロボットの先端の目標速度、該ロボットが備える各モータの現在速度、及び該ロボットの先端の移動経路に、教示速度調整量データＳ１を関連付けて学習する学習部１１０とを備える。

状態観測部１０６は、例えばプロセッサ１０１の一機能として構成できる。或いは状態観測部１０６は、例えばプロセッサ１０１を機能させるためのＲＯＭ１０２に記憶されたソフトウェアとして構成できる。状態観測部１０６が観測する状態変数Ｓのうち、教示速度調整量データＳ１は、ロボットが備えるモータそれぞれの移動速度に対する調整量のセットとして取得することができる。なお、ここで言うところのロボットが備える各モータの移動速度の調整量は、モータの移動速度を調整する方向（正負の値）を含む。

教示速度調整量データＳ１は、学習の初期においては、例えば熟練した作業者により申告されて制御装置１に与えられた、ロボットが備える各モータの移動速度の調整量を用いたり、シミュレーション装置がシミュレーションした結果から取得される各モータの移動速度の調整量を用いたりすることができる。また、教示速度調整量データＳ１は、学習がある程度進んだ段階では、機械学習装置１００が学習部１１０の学習結果に基づいて１つ前の学習周期において決定したロボットが備える各モータの移動速度の調整量を用いることができ、このような場合においては、機械学習装置１００は決定したロボットが備える各モータの移動速度の調整量を学習周期毎にＲＡＭ１０３に一時的に記憶しておき、状態観測部１０６は、ＲＡＭ１０３から１つ前の学習周期において機械学習装置１００が決定したロボットが備える各モータの移動速度の調整量を取得するようにしても良い。

状態変数Ｓのうち、目標速度データＳ２は、例えば作業者により設定された教示データに含まれる教示速度などを用いることができる。作業者により設定された教示速度は、作業者が目標値として設定した値であるため、目標速度として利用することができる。

状態変数Ｓのうち、移動速度データＳ３は、例えばロボットが備える各モータ（すなわち、サーボモータ５０）の今回の周期における移動速度を用いることができる。移動速度データＳ３は、モータに組みつけられた位置・速度検出器を用いて取得すればよい。

状態変数Ｓのうち、移動経路データＳ４は、例えば教示データに含まれる教示位置に基づいて求めたロボットの先端の移動経路を用いることができる。移動経路データＳ４は、現時点から予め定めた所定期間における移動経路をロボットの先端の現在位置から見た相対的な座標値の予め定めた所定周期ごとの系列データとして求めるようにすれば良い。

判定データ取得部１０８は、例えばプロセッサ１０１の一機能として構成できる。或いは判定データ取得部１０８は、例えばプロセッサ１０１を機能させるためのＲＯＭ１０２に記憶されたソフトウェアとして構成できる。判定データ取得部１０８は、判定データＤとして、各モータの教示速度が調整された場合におけるロボットの先端の移動速度に対する適否判定値である移動速度判定データＤ１を用いることができる。判定データ取得部１０８は、状態観測部１０６が移動速度データＳ３を観測する際に得られるロボットが備える各モータの移動速度から求めることができる。判定データＤは、状態変数Ｓの下でロボットの制御を行った場合における結果を表す指標である。

学習部１１０に対して同時に入力される状態変数Ｓは、学習部１１０による学習周期で考えた場合、判定データＤが取得された１学習周期前のデータに基づくものとなる。このように、制御装置１が備える機械学習装置１００が学習を進める間、環境においては、目標速度データＳ２、移動速度データＳ３、及び移動経路データＳ４の取得、教示速度調整量データＳ１に基づいて調整された教示速度に従ったロボットの制御の実行、判定データＤの取得が繰り返し実施される。

学習部１１０は、例えばプロセッサ１０１の一機能として構成できる。或いは学習部１１０は、例えばプロセッサ１０１を機能させるためのＲＯＭ１０２に記憶されたソフトウェアとして構成できる。学習部１１０は、機械学習と総称される任意の学習アルゴリズムに従い、ロボットの先端の目標速度、ロボットが備える各モータの移動速度、及びロボットの先端の直近の移動経路に対する、教示速度調整量データＳ１を学習する。学習部１１０は、前述した状態変数Ｓと判定データＤとを含むデータ集合に基づく学習を反復実行することができる。ロボットの先端の目標速度、ロボットが備える各モータの移動速度、及びロボットの先端の直近の移動経路に対する、教示速度調整量データＳ１の学習サイクルの反復中、状態変数Ｓのうち、目標速度データＳ２、移動速度データＳ３、及び移動経路データＳ４は、上記したように１学習周期前に取得された教示データや各モータの状態から取得し、教示速度調整量データＳ１は、前回までの学習結果に基づいて得られたロボットが備える各モータの移動速度の調整量とし、また判定データＤは、教示速度調整量データＳ１に基づいて移動速度の調整が為された状態での今回の学習周期における（調整された）ロボットの先端の移動速度に対する適否判定結果とする。

このような学習サイクルを繰り返すことにより、学習部１１０は、ロボットの先端の目標速度（目標速度データＳ２）、ロボットが備える各モータの移動速度（移動速度データＳ３）、及びロボットの先端の直近の移動経路（移動経路データＳ４）と該状態に対するロボットが備える各モータの移動速度の調整量との相関性を暗示する特徴を自動的に識別することができる。学習アルゴリズムの開始時には目標速度データＳ２、移動速度データＳ３、及び移動経路データＳ４と、ロボットが備える各モータの移動速度の調整量との相関性は実質的に未知であるが、学習部１１０は、学習を進めるに従い徐々に特徴を識別して相関性を解釈する。目標速度データＳ２、移動速度データＳ３、及び移動経路データＳ４とロボットが備える各モータの移動速度の調整量との相関性が、ある程度信頼できる水準まで解釈されると、学習部１１０が反復出力する学習結果は、現在状態（つまりロボットの先端の目標速度、ロボットが備える各モータの移動速度、及びロボットの先端の直近の移動経路）に対して、ロボットが備える各モータの移動速度の調整量をどの程度の値とするべきかという行動の選択（つまり意思決定）を行うために使用できるものとなる。つまり学習部１１０は、学習アルゴリズムの進行に伴い、ロボットの先端の目標速度、ロボットが備える各モータの移動速度、及びロボットの先端の直近の移動経路と、当該状態に対してロボットが備える各モータの移動速度の調整量をどの程度の値とするべきかという行動との、相関性を最適解に徐々に近づけることができる。

上記したように、制御装置１が備える機械学習装置１００は、状態観測部１０６が観測した状態変数Ｓと判定データ取得部１０８が取得した判定データＤとを用いて、学習部１１０が機械学習アルゴリズムに従い、ロボットが備える各モータの移動速度の調整量を学習するものである。状態変数Ｓは、教示速度調整量データＳ１、目標速度データＳ２、移動速度データＳ３、及び移動経路データＳ４といった、外乱の影響を受け難いデータで構成され、また判定データＤは、制御装置１に記憶されている教示速度と、制御装置１が取得したサーボモータ５０の移動速度を取得することにより一義的に求められる。したがって、制御装置１が備える機械学習装置１００によれば、学習部１１０の学習結果を用いることで、ロボットの先端の目標速度、ロボットが備える各モータの移動速度、及びロボットの先端の直近の移動経路に応じた、ロボットが備える各モータの移動速度の調整量を、演算や目算によらずに自動的に、しかも正確に求めることができるようになる。

そして、ロボットが備える各モータの移動速度の調整量を、演算や目算によらずに自動的に求めることができれば、ロボットの先端の目標速度（目標速度データＳ２）、ロボットが備える各モータの移動速度（移動速度データＳ３）、及びロボットの先端の直近の移動経路（移動経路データＳ４）を把握するだけで、ロボットが備える各モータの移動速度の調整量の適切な値を迅速に決定することができる。したがって、ロボットが備える各モータの移動速度の調整を効率よく行うことができる。

制御装置１が備える機械学習装置１００の一変形例として、判定データ取得部１０８は、判定データＤとして、ロボットの先端の移動速度の適否判定値である移動速度判定データＤ１に加えて、ロボットの先端の位置の適否判定結果である先端位置判定データＤ２などを用いることができる。

上記変形例によれば、機械学習装置１００は、ロボットの先端の目標速度、ロボットが備える各モータの移動速度、及びロボットの先端の直近の移動経路に対するロボットが備える各モータの移動速度の調整量の学習に際して、教示位置のズレ度合いや等も併せて考慮することができる。

制御装置１が備える機械学習装置１００の他の変形例として、学習部１１０は、同一の作業を行う複数のロボットのそれぞれについて得られた状態変数Ｓ及び判定データＤを用いて、それらロボットにおけるロボットが備える各モータの移動速度の調整量を学習することができる。この構成によれば、一定時間で得られる状態変数Ｓと判定データＤとを含むデータ集合の量を増加できるので、より多様なデータ集合を入力として、ロボットが備える各モータの移動速度の調整量の学習の速度や信頼性を向上させることができる。

上記構成を有する機械学習装置１００では、学習部１１０が実行する学習アルゴリズムは特に限定されず、機械学習として公知の学習アルゴリズムを採用できる。図３は、図１に示す制御装置１の一形態であって、学習アルゴリズムの一例として強化学習を実行する学習部１１０を備えた構成を示す。強化学習は、学習対象が存在する環境の現在状態（つまり入力）を観測するとともに現在状態で所定の行動（つまり出力）を実行し、その行動に対し何らかの報酬を与えるというサイクルを試行錯誤的に反復して、報酬の総計が最大化されるような方策（本願の機械学習装置ではロボットが備える各モータの移動速度の調整）を最適解として学習する手法である。

図３に示す制御装置１が備える機械学習装置１００において、学習部１１０は、状態変数Ｓに基づいて各モータの教示速度が調整された場合におけるロボットの先端の動作状態の適否判定結果（状態変数Ｓが取得された次の学習周期で用いられる判定データＤに相当）に関連する報酬Ｒを求める報酬計算部１１２と、報酬Ｒを用いて、ロボットが備える各モータの移動速度の調整量の価値を表す関数Ｑを更新する価値関数更新部１１４とを備える。学習部１１０は、価値関数更新部１１４が関数Ｑの更新を繰り返すことによってロボットの先端の目標速度、ロボットが備える各モータの移動速度、及びロボットの先端の直近の移動経路に対するロボットが備える各モータの移動速度の調整量を学習する。

学習部１１０が実行する強化学習のアルゴリズムの一例を説明する。この例によるアルゴリズムは、Ｑ学習（Ｑ−ｌｅａｒｎｉｎｇ）として知られるものであって、行動主体の状態ｓと、その状態ｓで行動主体が選択し得る行動ａとを独立変数として、状態ｓで行動ａを選択した場合の行動の価値を表す関数Ｑ（ｓ，ａ）を学習する手法である。状態ｓで価値関数Ｑが最も高くなる行動ａを選択することが最適解となる。状態ｓと行動ａとの相関性が未知の状態でＱ学習を開始し、任意の状態ｓで種々の行動ａを選択する試行錯誤を繰り返すことで、価値関数Ｑを反復して更新し、最適解に近付ける。ここで、状態ｓで行動ａを選択した結果として環境（つまり状態ｓ）が変化したときに、その変化に応じた報酬（つまり行動ａの重み付け）ｒが得られるように構成し、より高い報酬ｒが得られる行動ａを選択するように学習を誘導することで、価値関数Ｑを比較的短時間で最適解に近付けることができる。

価値関数Ｑの更新式は、一般に下記の数１式のように表すことができる。数１式において、ｓ_t及びａ_tはそれぞれ時刻ｔにおける状態及び行動であり、行動ａ_tにより状態はｓ_t+1に変化する。ｒ_t+1は、状態がｓ_tからｓ_t+1に変化したことで得られる報酬である。ｍａｘＱの項は、時刻ｔ＋１で最大の価値Ｑになる（と時刻ｔで考えられている）行動ａを行ったときのＱを意味する。α及びγはそれぞれ学習係数及び割引率であり、０＜α≦１、０＜γ≦１で任意設定される。

学習部１１０がＱ学習を実行する場合、状態観測部１０６が観測した状態変数Ｓ及び判定データ取得部１０８が取得した判定データＤは、更新式の状態ｓに該当し、現在状態（つまり、ロボットの先端の目標速度、ロボットが備える各モータの移動速度、及びロボットの先端の直近の移動経路）に対するロボットが備える各モータの移動速度の調整量をどのように決定するべきかという行動は、更新式の行動ａに該当し、報酬計算部１１２が求める報酬Ｒは、更新式の報酬ｒに該当する。よって価値関数更新部１１４は、現在状態に対するロボットが備える各モータの移動速度の調整量の価値を表す関数Ｑを、報酬Ｒを用いたＱ学習により繰り返し更新する。

報酬計算部１１２が求める報酬Ｒは、例えば、ロボットが備える各モータの移動速度の調整量を決定した後に決定した調整量に基づく調整を行った各モータの移動速度に従ってロボットの制御を行ったときに、該ロボットの動作状態の適否判定結果が「適」と判定される場合（例えば、ロボットの先端の移動速度と目標速度との差が許容できる範囲内の場合、ロボットの先端の位置と教示位置との差が許容できる範囲内の場合など）に正（プラス）の報酬Ｒとし、ロボットが備える各モータの移動速度の調整量を決定した後に決定した調整量に基づく調整を行った各モータの移動速度に従ってロボットの制御を行ったときに、該ロボットの動作状態の適否判定結果が「否」と判定される場合（例えば、ロボットの先端の移動速度と目標速度との差が許容できる範囲外の場合、ロボットの先端の位置と教示位置との差が許容できる範囲外の場合など）に負（マイナス）の報酬Ｒとすることができる。正負の報酬Ｒの絶対値は、互いに同一であってもよいし異なっていてもよい。また、判定の条件として、判定データＤに含まれる複数の値を組み合わせて判定するようにしても良い。

また、ロボットの動作の適否判定結果を、「適」及び「否」の二通りだけでなく複数段階に設定することができる。例として、ロボットの先端の移動速度と目標速度との差の許容範囲の最大値がＧ_maxの場合、ロボットの先端の移動速度と目標速度との差Ｇが、０≦Ｇ＜Ｇ_max／５のときは報酬Ｒ＝５を与え、Ｇ_max／５≦Ｇ＜Ｇ_max／２のときは報酬Ｒ＝２を与え、Ｇ_max／２≦Ｇ≦Ｇ_maxのときは報酬Ｒ＝１を与えるような構成とすることができる。さらに、学習の初期段階はＧ_maxを比較的大きく設定し、学習が進行するにつれてＧ_maxを縮小する構成とすることもできる。

価値関数更新部１１４は、状態変数Ｓと判定データＤと報酬Ｒとを、関数Ｑで表される行動価値（例えば数値）と関連付けて整理した行動価値テーブルを持つことができる。この場合、価値関数更新部１１４が関数Ｑを更新するという行為は、価値関数更新部１１４が行動価値テーブルを更新するという行為と同義である。Ｑ学習の開始時には環境の現在状態とロボットが備える各モータの移動速度の調整量との相関性は未知であるから、行動価値テーブルにおいては、種々の状態変数Ｓと判定データＤと報酬Ｒとが、無作為に定めた行動価値の値（関数Ｑ）と関連付けた形態で用意されている。なお報酬計算部１１２は、判定データＤが分かればこれ対応する報酬Ｒを直ちに算出でき、算出した値Ｒが行動価値テーブルに書き込まれる。

ロボットの動作状態の適否判定結果に応じた報酬Ｒを用いてＱ学習を進めると、より高い報酬Ｒが得られる行動を選択する方向へ学習が誘導され、選択した行動を現在状態で実行した結果として変化する環境の状態（つまり状態変数Ｓ及び判定データＤ）に応じて、現在状態で行う行動についての行動価値の値（関数Ｑ）が書き換えられて行動価値テーブルが更新される。この更新を繰り返すことにより、行動価値テーブルに表示される行動価値の値（関数Ｑ）は、適正な行動ほど大きな値となるように書き換えられる。このようにして、未知であった環境の現在状態（ロボットの先端の目標速度、ロボットが備える各モータの移動速度、及びロボットの先端の直近の移動経路）とそれに対する行動（ロボットが備える各モータの移動速度の調整）との相関性が徐々に明らかになる。つまり行動価値テーブルの更新により、ロボットの先端の目標速度、ロボットが備える各モータの移動速度、及びロボットの先端の直近の移動経路と、ロボットが備える各モータの移動速度の調整量との関係が最適解に徐々に近づけられる。

図４を参照して、学習部１１０が実行する上記したＱ学習のフロー（つまり機械学習方法の一形態）をさらに説明する。まずステップＳＡ０１で、価値関数更新部１１４は、その時点での行動価値テーブルを参照しながら、状態観測部１０６が観測した状態変数Ｓが示す現在状態で行う行動としてロボットが備える各モータの移動速度の調整量を無作為に選択する。次に価値関数更新部１１４は、ステップＳＡ０２で、状態観測部１０６が観測している現在状態の状態変数Ｓを取り込み、ステップＳＡ０３で、判定データ取得部１０８が取得している現在状態の判定データＤを取り込む。次に価値関数更新部１１４は、ステップＳＡ０４で、判定データＤに基づき、ロボットが備える各モータの移動速度の調整量が適当であったか否かを判断し、適当であった場合、ステップＳＡ０５で、報酬計算部１１２が求めた正の報酬Ｒを関数Ｑの更新式に適用し、次いでステップＳＡ０６で、現在状態における状態変数Ｓ及び判定データＤと報酬Ｒと行動価値の値（更新後の関数Ｑ）とを用いて行動価値テーブルを更新する。ステップＳＡ０４で、ロボットが備える各モータの移動速度の調整量が適当でなかったと判断した場合、ステップＳＡ０７で、報酬計算部１１２が求めた負の報酬Ｒを関数Ｑの更新式に適用し、次いでステップＳＡ０６で、現在状態における状態変数Ｓ及び判定データＤと報酬Ｒと行動価値の値（更新後の関数Ｑ）とを用いて行動価値テーブルを更新する。学習部１１０は、ステップＳＡ０１〜ＳＡ０７を繰り返すことで行動価値テーブルを反復して更新し、ロボットが備える各モータの移動速度の調整量の学習を進行させる。なお、ステップＳＡ０４からステップＳＡ０７までの報酬Ｒを求める処理及び価値関数の更新処理は、判定データＤに含まれるそれぞれのデータについて実行される。

前述した強化学習を進める際に、例えばＱ学習の代わりに、ニューラルネットワークを用いることができる。図５Ａは、ニューロンのモデルを模式的に示す。図５Ｂは、図５Ａに示すニューロンを組み合わせて構成した三層のニューラルネットワークのモデルを模式的に示す。ニューラルネットワークは、例えば、ニューロンのモデルを模した演算装置や記憶装置等によって構成できる。

図５Ａに示すニューロンは、複数の入力ｘ（ここでは一例として、入力ｘ₁〜入力ｘ₃）に対する結果ｙを出力するものである。各入力ｘ₁〜ｘ₃には、この入力ｘに対応する重みｗ（ｗ₁〜ｗ₃）が掛けられる。これにより、ニューロンは、次の数２式により表現される出力ｙを出力する。なお、数２式において、入力ｘ、出力ｙ及び重みｗは、すべてベクトルである。また、θはバイアスであり、ｆ_kは活性化関数である。

図５Ｂに示す三層のニューラルネットワークは、左側から複数の入力ｘ（ここでは一例として、入力ｘ１〜入力ｘ３）が入力され、右側から結果ｙ（ここでは一例として、結果ｙ１〜結果ｙ３）が出力される。図示の例では、入力ｘ１、ｘ２、ｘ３のそれぞれに対応の重み（総称してｗ１で表す)が乗算されて、個々の入力ｘ１、ｘ２、ｘ３がいずれも３つのニューロンＮ１１、Ｎ１２、Ｎ１３に入力されている。

図５Ｂでは、ニューロンＮ１１〜Ｎ１３の各々の出力を、総称してｚ１で表す。ｚ１は、入カベクトルの特徴量を抽出した特徴ベクトルと見なすことができる。図示の例では、特徴ベクトルｚ１のそれぞれに対応の重み（総称してｗ２で表す）が乗算されて、個々の特徴ベクトルｚ１がいずれも２つのニューロンＮ２１、Ｎ２２に入力されている。特徴ベクトルｚ１は、重みＷ１と重みＷ２との間の特徴を表す。

図５Ｂでは、ニューロンＮ２１〜Ｎ２２の各々の出力を、総称してｚ２で表す。ｚ２は、特徴ベクトルｚ１の特徴量を抽出した特徴ベクトルと見なすことができる。図示の例では、特徴ベクトルｚ２のそれぞれに対応の重み（総称してｗ３で表す）が乗算されて、個々の特徴ベクトルｚ２がいずれも３つのニューロンＮ３１、Ｎ３２、Ｎ３３に入力されている。特徴ベクトルｚ２は、重みＷ２と重みＷ３との間の特徴を表す。最後にニューロンＮ３１〜Ｎ３３は、それぞれ結果ｙ１〜ｙ３を出力する。
なお、三層以上の層を為すニューラルネットワークを用いた、いわゆるディープラーニングの手法を用いることも可能である。

制御装置１が備える機械学習装置１００においては、状態変数Ｓと判定データＤとを入力ｘとして、学習部１１０が上記したニューラルネットワークに従う多層構造の演算を行うことで、ロボットが備える各モータの移動速度の調整量（結果ｙ）を出力することができる。また、制御装置１が備える機械学習装置１００においては、ニューラルネットワークを強化学習における価値関数として用い、状態変数Ｓと行動ａとを入力ｘとして、学習部１１０が上記したニューラルネットワークに従う多層構造の演算を行うことで、当該状態における当該行動の価値（結果ｙ）を出力することもできる。なお、ニューラルネットワークの動作モードには、学習モードと価値予測モードとがあり、例えば学習モードで学習データセットを用いて重みｗを学習し、学習した重みｗを用いて価値予測モードで行動の価値判断を行うことができる。なお価値予測モードでは、検出、分類、推論等を行うこともできる。

上記した制御装置１の構成は、プロセッサ１０１が実行する機械学習方法（或いはソフトウェア）として記述できる。この機械学習方法は、ロボットが備える各モータの移動速度の調整量を学習する機械学習方法であって、コンピュータのＣＰＵが、教示速度調整量データＳ１，目標速度データＳ２、移動速度データＳ３、及び移動経路データＳ４を、ロボットの制御を行う環境の現在状態を表す状態変数Ｓとして観測するステップと、調整された各モータの移動速度に従った該ロボットの動作状態の適否判定結果を示す判定データＤを取得するステップと、状態変数Ｓと判定データＤとを用いて、目標速度データＳ２、移動速度データＳ３、及び移動経路データＳ４と、ロボットが備える各モータの移動速度の調整量とを関連付けて学習するステップとを有する。

図６は、第２の実施形態による制御装置２を示す。制御装置２は、機械学習装置１２０と、状態観測部１０６が観測する状態変数Ｓの教示速度調整量データＳ１、目標速度データＳ２、移動速度データＳ３、及び移動経路データＳ４を状態データＳ０として取得する状態データ取得部３とを備える。状態データ取得部３は、制御装置２の各部や、ロボットが備える各種センサ、作業者による適宜のデータ入力等から、状態データＳ０を取得することができる。

制御装置２が有する機械学習装置１２０は、ロボットが備える各モータの移動速度の調整量を機械学習により自ら学習するためのソフトウェア（学習アルゴリズム等）及びハードウェア（プロセッサ１０１等）に加えて、学習結果に基づいて求めたロボットが備える各モータの移動速度の調整量を制御装置２への指令として出力するためのソフトウェア（演算アルゴリズム等）及びハードウェア（プロセッサ１０１等）を含むものである。制御装置２が含む機械学習装置１２０は、１つの共通のプロセッサが、学習アルゴリズム、演算アルゴリズム等の全てのソフトウェアを実行する構成を有することもできる。

意思決定部１２２は、例えばプロセッサ１０１の一機能として構成できる。或いは意思決定部１２２は、例えばプロセッサ１０１を機能させるためのＲＯＭ１０２に記憶されたソフトウェアとして構成できる。意思決定部１２２は、学習部１１０が学習した結果に基づいて、ロボットの先端の目標速度、ロボットが備える各モータの移動速度、及びロボットの先端の直近の移動経路に対する、ロボットが備える各モータの移動速度の調整量を決定する指令を含む指令値Ｃを生成し、生成した指令値Ｃとして出力する。意思決定部１２２が指令値Ｃを制御装置２に対して出力した場合、これに応じて、環境の状態が変化する。

状態観測部１０６は、意思決定部１２２による環境への指令値Ｃを出力した後に変化した状態変数Ｓを次の学習周期において観測する。学習部１１０は、変化した状態変数Ｓを用いて、例えば価値関数Ｑ（すなわち行動価値テーブル）を更新することで、ロボットが備える各モータの移動速度の調整量を学習する。なお、その際に状態観測部１０６は、教示速度調整量データＳ１を状態データ取得部３が取得する状態データＳ０から取得するのではなく、第１の実施形態で説明したように機械学習装置１２０のＲＡＭ１０３から観測するようにしても良い。

意思決定部１２２は、学習結果に基づいて求めたロボットが備える各モータの移動速度の調整を指令する指令値Ｃを制御装置２へと出力する。この学習周期を繰り返すことにより、機械学習装置１２０はロボットが備える各モータの移動速度の調整量の学習を進め、自身が決定するロボットが備える各モータの移動速度の調整量の信頼性を徐々に向上させる。

上記構成を有する制御装置２が備える機械学習装置１２０は、前述した機械学習装置１００と同等の効果を奏する。特に機械学習装置１２０は、意思決定部１２２の出力によって環境の状態を変化させることができる。他方、機械学習装置１００では、学習部１１０の学習結果を環境に反映させるための意思決定部に相当する機能を、外部装置に求めることができる。

図７は、ロボット１６０を備えた一実施形態によるシステム１７０を示す。システム１７０は、少なくとも同一の作業を行う複数のロボット１６０、１６０’と、それらロボット１６０、１６０’を互いに接続する有線／無線のネットワーク１７２とを備え、複数のロボット１６０のうち少なくとも１つが、上記した制御装置２を備えるロボット１６０として構成される。またシステム１７０は、制御装置２を備えないロボット１６０’を含むことができる。ロボット１６０、１６０’は、同じ目的の作業に必要とされる機構を有する。

上記構成を有するシステム１７０は、複数のロボット１６０、１６０’のうちで制御装置２を備えるロボット１６０が、学習部１１０の学習結果を用いて、ロボットの先端の目標速度、ロボットが備える各モータの移動速度、及びロボットの先端の直近の移動経路に対する、ロボットが備える各モータの移動速度の調整量を、演算や目算によらずに自動的に、しかも正確に求めることができる。また、少なくとも１つのロボット１６０の制御装置２が、他の複数のロボット１６０、１６０’のそれぞれについて得られた状態変数Ｓ及び判定データＤに基づき、全てのロボット１６０、１６０’に共通するロボットが備える各モータの移動速度の調整量を学習し、その学習結果を全てのロボット１６０、１６０’が共有するように構成できる。したがってシステム１７０によれば、より多様なデータ集合（状態変数Ｓ及び判定データＤを含む）を入力として、ロボットが備える各モータの移動速度の調整量の学習の速度や信頼性を向上させることができる。

図８は、ロボット１６０’を備えた他の実施形態によるシステム１７０’を示す。システム１７０’は、機械学習装置１２０（又は１００）と、同一の機械構成を有する複数のロボット１６０’と、それらロボット１６０’と機械学習装置１２０（又は１００）とを互いに接続する有線／無線のネットワーク１７２とを備える。

上記構成を有するシステム１７０’は、機械学習装置１２０（又は１００）が、複数のロボット１６０’のそれぞれについて得られた状態変数Ｓ及び判定データＤに基づき、全てのロボット１６０’に共通するロボットの先端の目標速度、ロボットが備える各モータの移動速度、及びロボットの先端の直近の移動経路に対するロボットが備える各モータの移動速度の調整量を学習し、その学習結果を用いて、ロボットの先端の目標速度、ロボットが備える各モータの移動速度、及びロボットの先端の直近の移動経路に対するロボットが備える各モータの移動速度の調整量を、演算や目算によらずに自動的に、しかも正確に求めることができる。

システム１７０’は、機械学習装置１２０（又は１００）が、ネットワーク１７２に用意されたクラウドサーバ等に存在する構成を有することができる。この構成によれば、複数のロボット１６０’のそれぞれが存在する場所や時期に関わらず、必要なときに必要な数のロボット１６０’を機械学習装置１２０（又は１００）に接続することができる。

システム１７０、１７０’に従事する作業者は、機械学習装置１２０（又は１００）による学習開始後の適当な時期に、機械学習装置１２０（又は１００）によるロボットが備える各モータの移動速度の調整量の学習の到達度（すなわちロボットが備える各モータの移動速度の調整量の信頼性）が要求レベルに達したか否かの判断を実行することができる。

以上、本発明の実施の形態について説明したが、本発明は上述した実施の形態の例のみに限定されることなく、適宜の変更を加えることにより様々な態様で実施することができる。

例えば、機械学習装置１００，１２０が実行する学習アルゴリズム、機械学習装置１２０が実行する演算アルゴリズム、制御装置１、２が実行する制御アルゴリズム等は、上述したものに限定されず、様々なアルゴリズムを採用できる。

また、上記した実施形態では制御装置１（又は２）と機械学習装置１００（又は１２０）が異なるＣＰＵを有する装置として説明しているが、機械学習装置１００（又は１２０）は制御装置１（又は２）が備えるＣＰＵ１１と、ＲＯＭ１２に記憶されるシステム・プログラムにより実現するようにしても良い。

１，２ 制御装置
３ 状態データ取得部
１１ ＣＰＵ
１２ ＲＯＭ
１３ ＲＡＭ
１４ 不揮発性メモリ
１８，１９，２１ インタフェース
２０ バス
３０ 軸制御回路
４０ サーボアンプ
５０ サーボモータ
６０ 教示操作盤
７０ ポンプ
１００ 機械学習装置
１０１ プロセッサ
１０２ ＲＯＭ
１０３ ＲＡＭ
１０４ 不揮発性メモリ
１０６ 状態観測部
１０８ 判定データ取得部
１１０ 学習部
１１２ 報酬計算部
１１４ 価値関数更新部
１２０ 機械学習装置
１２２ 意思決定部
１６０，１６０’ ロボット
１７０，１７０’ システム
１７２ ネットワーク

Claims (8)

1. シール材を塗布するロボットが備える各モータの移動速度を調整する制御装置であって、
   前記ロボットが備える各モータの移動速度の調整量を学習する機械学習装置を備え、
   前記機械学習装置は、
   前記ロボットが備える各モータの移動速度の調整量を示す教示速度調整量データ、前記ロボットの先端の目標速度を示す目標速度データ、前記ロボットが備える各モータの移動速度を示す移動速度データ、及び前記ロボットの先端の直近の移動経路を示す移動経路データを、環境の現在状態を表す状態変数として観測する状態観測部と、
   前記ロボットの先端の移動速度の適否判定結果を示す判定データを取得する判定データ取得部と、
   前記状態変数と前記判定データとを用いて、前記ロボットが備える各モータの移動速度の調整量と、前記目標速度データ、前記移動速度データ、及び前記移動経路データとを関連付けて学習する学習部と、
   を備える制御装置。
2. 前記判定データには、前記ロボットの先端の移動速度の適否判定結果に加えて、ロボットの先端の位置の適否判定結果を含む、
   請求項１に記載の制御装置。
3. 前記学習部は、
   前記適否判定結果に関連する報酬を求める報酬計算部と、
   前記報酬を用いて、前記ロボットの先端の目標速度、前記ロボットが備える各モータの移動速度、及び前記ロボットの先端の直近の移動経路に対する前記ロボットが備える各モータの移動速度の調整量の価値を表す関数を更新する価値関数更新部とを備える、
   請求項１または２に記載の制御装置。
4. 前記学習部は、前記状態変数と前記判定データとを多層構造で演算する、
   請求項１〜３のいずれか１つに記載の制御装置。
5. 前記学習部による学習結果に基づいて、前記ロボットが備える各モータの移動速度の調整量に基づく指令値を出力する意思決定部を更に備える、
   請求項１〜４のいずれか１つに記載の制御装置。
6. 前記学習部は、複数のロボットのそれぞれについて得られた前記状態変数及び前記判定データを用いて、該複数のロボットのそれぞれにおける前記ロボットが備える各モータの移動速度の調整量を学習する、
   請求項１〜５のいずれか１つに記載の制御装置。
7. 前記機械学習装置は、クラウドサーバに存在する、
   請求項１〜６のいずれか１つに記載の制御装置。
8. シール材を塗布するロボットが備える各モータの移動速度の調整量を学習する機械学習装置であって、
   前記ロボットが備える各モータの移動速度の調整量を示す教示速度調整量データ、前記ロボットの先端の目標速度を示す目標速度データ、前記ロボットが備える各モータの移動速度を示す移動速度データ、及び前記ロボットの先端の直近の移動経路を示す移動経路データを、環境の現在状態を表す状態変数として観測する状態観測部と、
   前記ロボットの先端の移動速度の適否判定結果を示す判定データを取得する判定データ取得部と、
   前記状態変数と前記判定データとを用いて、前記ロボットが備える各モータの移動速度の調整量と、前記目標速度データ、前記移動速度データ、及び前記移動経路データとを関連付けて学習する学習部と、
   を備える機械学習装置。

Images