JP2020168719A5

JP2020168719A5 - ロボットシステム、ロボットの制御方法、機械学習装置およびモデル生成方法

Info

Publication number: JP2020168719A5
Application number: JP2020120352A
Authority: JP
Filing date: 2020-07-14
Publication date: 2021-09-16

Claims

ロボットと、
計測器で計測された複数の物体に関する情報、および、前記情報を処理した後の情報の少なくともいずれかを含むデータを取得する観測部と、
前記複数の物体に関する前記データをニューラルネットワークに入力することにより、前記ロボットにより前記複数の物体のうちのいずれかの物体を把持するための情報を決定する決定部と、
前記決定部で決定された情報に基づいて、前記物体を把持するように前記ロボットを制御する制御装置と、を備える、
ロボットシステム。
前記データは、少なくとも、前記複数の物体の位置、姿勢、距離のいずれかに関する情報を含む、
請求項１に記載のロボットシステム。
前記データは、少なくとも、前記複数の物体の画像情報、前記複数の物体の三次元位置情報、前記複数の物体の三次元位置情報および姿勢情報、のいずれかを含む、
請求項１に記載のロボットシステム。
前記計測器は、三次元視覚センサを含む、
請求項１乃至３のいずれか１項に記載のロボットシステム。
前記ニューラルネットワークは、物体の把持結果に基づいて計算された報酬を用いた強化学習により学習されたものである、
請求項１乃至４のいずれか１項に記載のロボットシステム。
前記物体の把持結果は、少なくも、前記物体の把持の成否、前記物体の把持に成功した回数、前記物体の把持および運搬に要した時間、前記ロボットのハンド部に作用した力、前記物体の把持後の後工程における達成度、前記物体の状態、前記物体の把持および運搬に要したエネルギーのいずれかを含む、
請求項５に記載のロボットシステム。
前記ニューラルネットワークは、物体の把持結果に関するラベルと前記ニューラルネットワークの出力とに基づいて計算された誤差を最小化するように学習されたものである、
請求項１乃至４のいずれか１項に記載のロボットシステム。
前記ニューラルネットワークは、前記ロボットのハンド部の操作量に関する情報を出力する、
請求項１乃至７のいずれか１項に記載のロボットシステム。
前記ニューラルネットワークは、前記物体の把持の成功確率に関する情報、又は、前記物体の位置に関する情報を出力する、
請求項１乃至７のいずれか１項に記載のロボットシステム。
前記決定部で決定された情報は、少なくとも、前記ロボットのハンド部の位置、姿勢、取り出し方向のいずれかを設定するための情報を含む、
請求項１乃至９のいずれか１項に記載のロボットシステム。
前記決定部で決定された情報は、少なくとも、前記ロボットの駆動軸に与えられるトルク、速度および回転位置のいずれかに関する情報を含む、
請求項１乃至９のいずれか１項に記載のロボットシステム。
前記観測部で取得するデータは、前記決定部で決定された情報を含む、
請求項１乃至１１のいずれか１項に記載のロボットシステム。
前記決定部は、前記ニューラルネットワークを用いて、前記計測器を操作するための情報を出力する、
請求項１乃至１２のいずれか１項に記載のロボットシステム。
前記ニューラルネットワークは、他のロボットで取得されたデータに基づいて学習されたものである、
請求項１乃至１３のいずれか１項に記載のロボットシステム。
前記ニューラルネットワークは、シミュレータを用いて学習されたものである、
請求項１乃至１４のいずれか１項に記載のロボットシステム。
前記ニューラルネットワークは、クラウドサーバ上に存在する、
請求項１乃至１５のいずれか１項に記載のロボットシステム。
前記計測器の位置は、前記ロボットのアーム部の動きに応じて変化する、
請求項１乃至１６のいずれか１項に記載のロボットシステム。
前記計測器の位置は、前記ロボットのアーム部である、
請求項１７に記載のロボットシステム。
前記物体を把持することは、前記ハンド部で前記物体を吸引又は吸着することを含む、
請求項１乃至１８のいずれか１項に記載のロボットシステム。
前記決定部で決定された情報は、前記ロボットのハンド部が前記物体を吸引又は吸着するための情報を含む、
請求項１９に記載のロボットシステム。
前記ロボットのハンド部は、磁力又は負圧を発生させるものである、
請求項１９又は２０に記載のロボットシステム。
前記情報を処理した後の情報は、機械学習を用いて取得されたものである、
請求項１乃至２１のいずれか１項に記載のロボットシステム。
ロボットの制御方法であって、
計測器で計測された複数の物体に関する情報、および、前記情報を処理した後の情報の少なくともいずれかを含むデータを取得するステップと、
前記複数の物体に関する前記データをニューラルネットワークに入力することにより、前記ロボットにより前記複数の物体のうちのいずれかの物体を把持するための情報を決定するステップと、
前記決定された情報に基づいて、前記物体を把持するように前記ロボットを制御するステップと、を備える、
ロボットの制御方法。
物体を把持するロボットの動作を学習する機械学習装置であって、
計測器で計測された複数の物体に関する情報、および、前記情報を処理した後の情報の少なくともいずれかを含むデータを取得する観測部と、
前記複数の物体に関する前記データをニューラルネットワークに入力することにより、前記ロボットにより前記複数の物体のうちのいずれかの物体を把持するための情報を決定する決定部と、
前記決定部で決定された情報に基づいて制御された、前記ロボットによる前記物体の把持結果に基づいて、前記ニューラルネットワークを学習する学習部と、を備える、
機械学習装置。
前記データは、少なくとも、前記複数の物体の位置、姿勢、距離のいずれかに関する情報を含む、
請求項２４に記載の機械学習装置。
前記データは、少なくとも、前記複数の物体の画像情報、前記複数の物体の三次元位置情報、前記複数の物体の三次元位置情報および姿勢情報、のいずれかを含む、
請求項２４に記載の機械学習装置。
前記学習部は、前記物体の把持結果に基づいて報酬を計算し、前記報酬を用いた強化学習により前記ニューラルネットワークを学習する、
請求項２４乃至２６のいずれか１項に記載の機械学習装置。
前記物体の把持結果は、少なくも、前記物体の把持の成否、前記物体の把持に成功した回数、前記物体の把持および運搬に要した時間、前記ロボットのハンド部に作用した力、前記物体の把持後の後工程における達成度、前記物体の状態、前記物体の把持および運搬に要したエネルギーのいずれかを含む、
請求項２７に記載の機械学習装置。
前記学習部は、前記物体の把持結果に関するラベルと前記ニューラルネットワークの出力とに基づいて誤差を計算し、前記誤差を最小化するように前記ニューラルネットワークを学習する、
請求項２４乃至２６のいずれか１項に記載の機械学習装置。
前記ニューラルネットワークは、前記ロボットのハンド部の操作量に関する情報を出力する、
請求項２４乃至２９のいずれか１項に記載の機械学習装置。
前記ニューラルネットワークは、前記物体の把持の成功確率に関する情報、又は、前記物体の位置に関する情報を出力する、
請求項２４乃至２９のいずれか１項に記載の機械学習装置。
前記決定部で決定された情報は、少なくとも、前記ハンド部の位置、姿勢、取り出し方向のいずれかを設定するための情報を含む、
請求項２４乃至３１のいずれか１項に記載の機械学習装置。
前記決定部で決定された情報は、少なくとも、前記ロボットの駆動軸に与えられるトルク、速度、回転位置のいずれかに関する情報を含む、
請求項２４乃至３１のいずれか１項に記載の機械学習装置。
前記観測部で取得するデータは、前記決定部で決定された情報を含む、
請求項２４乃至３３のいずれか１項に記載の機械学習装置。
前記決定部は、前記ニューラルネットワークを用いて、前記計測器を操作するための情報を出力する、
請求項２４乃至３４のいずれか１項に記載の機械学習装置。
前記物体に関する情報は、前記ロボットのアームの動きに応じて位置が変化する前記計測器で計測された情報である、
請求項２４乃至３５いずれか１項に記載の機械学習装置。
前記物体を把持することは、前記ハンド部で前記物体を吸引又は吸着することを含む、
請求項２４乃至３６のいずれか１項に記載の機械学習装置。
前記決定部で決定された情報は、前記ハンド部が前記物体を吸引又は吸着するための情報を含む、
請求項３７に記載の機械学習装置。
前記ハンド部は、磁力又は負圧を発生させるものである、
請求項３７又は３８に記載の機械学習装置。
請求項２４乃至３９のいずれか１項に記載の機械学習装置を用いてニューラルネットワークを学習する、
モデル生成方法。