JP2021000672A - 調整支援装置 - Google Patents

Abstract

【課題】力制御のパラメータ調整に失敗した場合に、過去に行われた力制御で用いられる制御パラメータに基づく調整支援を行う調整支援装置を提供すること。【解決手段】調整支援装置１は、産業用ロボットの力制御を行った時の動作における力状態データ及び位置データを状態変数とし、該状態の下で行われた力制御の結果を所定の基準で良否の判定をした判定データとして、機械学習することにより生成された学習モデルを記憶する学習モデル記憶部１５０と、学習モデルを解析して、産業用ロボット２の力制御に失敗した際に用いていた制御パラメータについて、該力制御の成功度を改善する該制御パラメータの調整方法を解析する解析部１３０と、解析部１３０による解析の結果に基づいて力制御に失敗した際に用いていた力制御の制御パラメータの調整方法を決定して出力する調整決定部３８とを備える。【選択図】図２

Description

本発明は、調整支援装置に関し、特にロボットの力制御における制御パラメータの設定に係る調整支援装置に関する。

部品同士を精密な嵌め合う場合やギヤの位相合わせ、バリ取りや研磨などの作業を力センサ付きロボットで行う場合がある。このような作業は、ロボットに部品やツールを把持させて、所定の方向の力を所望の値に制御する（力制御）ことにより実現される。この様な力制御の方式として、インピーダンス制御やダンピング制御、ハイブリッド制御などが知られているが、いずれの方式でも適切な制御ゲインを人手で設定する必要がある。制御ゲインを自動調整する方法は公知である（例えば、特許文献１等）。

特開２００７−２３７３１２号公報

上記したように、力制御における制御ゲインの設定方法については公知となっているが、その他のパラメータ、例えば適切な押付け力や進行速度、進行方向などは作業者による調整に頼っているが、この様なパラメータ調整に失敗した際に、どの制御パラメータを変更すれば問題が解決するのかを判断することが難しい。

そこで、力制御のパラメータ調整に失敗した場合に、過去に行われた力制御で用いられる制御パラメータに基づく調整支援を行う調整支援装置が望まれている。

本発明の一態様による調整支援装置は、機械学習により過去に行われた力制御における制御パラメータと、該力制御の結果に対する判定データとから、類似する判定における力制御時の制御パラメータの特徴を計算する学習モデルを構築し、該学習モデルを用いて制御パラメータの調整を支援することにより、上記課題を解決する。

そして、本発明の一態様では、マニピュレータに掛かる力とモーメントを検出する機能を備えた産業用ロボットの動作の調整を支援する調整支援装置であって、前記産業用ロボットの力制御を行った時の動作における力状態データ及び位置データを状態変数とし、該状態の下で行われた力制御の結果を所定の基準で良否の判定をした判定データとして、機械学習することにより生成された学習モデルを記憶する学習モデル記憶部と、前記学習モデルを解析して、前記産業用ロボットの力制御に失敗した際に用いていた制御パラメータについて、該力制御の成功度を改善する該制御パラメータの調整方法を解析する解析部と、前記解析部による解析の結果に基づいて前記力制御に失敗した際に用いていた力制御の制御パラメータの調整方法を決定して出力する調整決定部と、を備えた調整支援装置である。

本発明により一態様によれば、力制御に失敗した際に、慣れていない作業者であっても適切な力制御の制御パラメータ調整を行う事ができるようになる。

一実施形態による調整支援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。 産業用ロボットによる部品の嵌合作業の例を示す図である。 産業用ロボットによる部品の嵌合作業における動作のフェーズを分ける例を示す図である。 解析部の動作例について説明する図である。 解析部の他の動作例について説明する図である。 産業用ロボットによるギヤの組立作業の例を示す図である。 産業用ロボットによるワークのバリ取り・研磨作業の例を示す図である。 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。 一実施形態によるコンピュータの概略的なハードウェア構成図である。

以下、本発明の実施形態を図面と共に説明する。
図１は一実施形態による調整支援装置の要部を示す概略的なハードウェア構成図である。調整支援装置１は、例えばロボットを制御する制御装置（ロボットコントローラ）として実装することができる。また、調整支援装置１は、例えばロボットを制御する制御装置に併設されたパソコンや、該制御装置に有線／無線のネットワークを介して接続されたセルコンピュータ、エッジコンピュータ、フォグコンピュータ、クラウドサーバ等のコンピュータとして実装することができる。本実施形態では、調整支援装置１を、ロボットを制御する制御装置として実装した場合の例を示す。

本実施形態による調整支援装置１が備えるＣＰＵ１１は、調整支援装置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調整支援装置１全体を制御する。ＲＡＭ１３には一時的な計算データ、教示操作盤６０や入力装置７１を介して作業者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たメモリやＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等で構成され、調整支援装置１の電源がオフされても記憶状態が保持される。不揮発性メモリ１４には、インタフェース１９を介して教示操作盤６０から入力された教示データや、入力装置７１から入力されたデータ、図示しないインタフェースを介して入力された産業用ロボット制御用のプログラム、産業用ロボットに取り付けられたセンサ３が検出したデータ（マニピュレータに掛かる力やモーメント等）、産業用ロボットの軸を駆動するサーボモータ５０から検出されたデータ（サーボモータ５０の電流値、位置、速度、加速度、トルク等）、図示しない外部記憶装置やネットワークを介して読み込まれたデータ等が記憶される。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。

表示装置７０には、メモリ上に読み込まれた各データ、プログラム等が実行された結果として得られたデータ、後述する機械学習装置１００から出力されたデータ等がインタフェース１７を介して出力されて表示される。また、キーボードやポインティングデバイス等から構成される入力装置７１は、作業者による操作に基づく指令，データ等をインタフェース１８を介してＣＰＵ１１に渡す。

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１９を介して調整支援装置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。

産業用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。

インタフェース２１は、調整支援装置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を介して調整支援装置１で取得可能な各情報（マニピュレータに掛かる力やモーメント、サーボモータ５０の電流値、位置、速度、加速度、トルク等）を観測することができる。また、調整支援装置１は、機械学習装置１００から出力される、力制御パラメータの調整対象と調整方向の指示を受けて、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調整等を行う。

図２は、第１実施形態による調整支援装置１と機械学習装置１００の概略的な機能ブロック図である。図２に示した各機能ブロックは、図１に示した調整支援装置１が備えるＣＰＵ１１、及び機械学習装置１００のプロセッサ１０１が、それぞれのシステム・プログラムを実行し、調整支援装置１及び機械学習装置１００の各部の動作を制御することにより実現される。

本実施形態の調整支援装置１は、制御部３２、データ取得部３４、前処理部３６、調整決定部３８を備え、調整支援装置１が備える機械学習装置１００は、学習部１１０、解析部１３０を備えている。また、不揮発性メモリ１４上には、産業用ロボット２，センサ３等から取得されたデータが記憶される取得データ記憶部５４が設けられており、機械学習装置１００の不揮発性メモリ１０４上には、学習部１１０による機械学習により構築される少なくとも１つの学習モデルを記憶する学習モデル記憶部１５０が設けられている。

制御部３２は、作業者による図示しない操作盤の制御操作や、不揮発性メモリ１４等に記憶された制御用プログラムに基づいて産業用ロボット２を制御する機能手段である。制御部３２は、制御用プログラム５２により産業用ロボット２が備える各軸（関節）の移動が指令されている場合に当該軸を駆動するモータに対して制御周期毎に軸角度の変化量としての指令データを出力する、等といったように、産業用ロボット２の各部を制御するために必要とされる一般的な制御のための機能を備える。また、制御部３２は、産業用ロボット２が備える各モータのモータ状態量（モータの電流値、位置、速度、加速度、トルク等）を取得し、データ取得部３４へと出力する。

データ取得部３４は、産業用ロボット２、センサ３、及び入力装置７１等から各種データを取得する機能手段である。データ取得部３４は、例えば、産業用ロボット制御用のプログラムによる指令や、産業用ロボット２のマニピュレータに掛かる力やモーメント、産業用ロボット２の軸を駆動するサーボモータ５０の電流値、位置、速度、加速度、トルク等を取得し、取得データ記憶部５４に記憶する。データ取得部３４は、センサ３から検出するデータや、サーボモータ５０に掛かるデータを時系列データとして取得するようにしても良い。また、データ取得部３４は、入力装置７１から作業者が入力した力制御に係る制御パラメータや、力制御の結果に対する判定結果（判定データ）を取得するようにしても良い。データ取得部３４は、図示しない外部記憶装置や有線／無線のネットワークを介して他のコンピュータからデータを取得するようにしても良い。

データ取得部３４が産業用ロボット２、センサ３、及び入力装置７１等から取得した取得データには、予め定められた所定の基準に従って取得データを分類する判定データが付与される。データ取得部３４が取得する判定データの例として、図３に示されるような、シリンダーの挿入などでの目的に使われる、円柱を円筒穴に差し込む円柱嵌合の良否を判定する場合を例とすると、予め閾値ｔ_lim1＜閾値ｔ_lim2＜閾値ｔ_lim3を定めておき、目標深さまで嵌合するまでにかかった時間ｔがｔ_lim1未満の場合に成功（高）、目標深さまで嵌合するまでに掛かった時間ｔがｔ_lim1以上閾値ｔ_lim2未満の場合に成功（中）、目標深さまで嵌合するまでに掛かった時間ｔがｔ_lim2以上ｔ_lim3未満の場合に成功（低）、時間ｔ_lim3までに目標深さまで嵌合しなかった場合に失敗とする事が考えられる。この様に、データ取得部３４が取得するデータには、予め定められた基準に基づいて、取得データを成功や失敗等のように複数に分類した判定データが付与される他、更に成功や失敗等の各分類の中を複数の副分類に分類した判定データが付与されるようにしても良い。なお、この判定データは、予め与えられた所定の基準（上記した各閾値と判定式）に基づいて、データ取得部３４が自動的に作成するようにしても良い。また、上記した例では、成功の分類を更に時間基準で副分類に分類した判定データを示しているが、例えば、成功の分類を丁寧さ重視の副分類（ロボット先端部に掛かる力の最大値に応じて分類）や速度重視の副分類（作業完了までに掛かった時間に応じて分類）で分類した判定データを付与しても良いし、失敗の副分類をこじり具合（ロボット先端部に掛かる力の最大値に応じて分類）や精度（ロボット先端部の位置の精度に応じて分類）で分類した判定データとしても良い。

更に、産業用ロボット２による力制御が行われた１つの動作を複数のフェーズへと分けた上で、それぞれのフェーズにおいて個別の基準を設けて分類した判定データを付与するようにしても良い。例えば、円柱を円筒穴に対して差し込む円柱嵌合においては、図４に例示されるように、嵌合動作の前半においては円柱部品の姿勢を重視し、嵌合動作の後半では嵌合方向（押し付け方向）の力加減を慎重に調整していく、等と言ったように、各フェーズにおいて重要視される力制御のパラメータが異なる場合がある。このような場合にも対応できるように、取得データに含まれる所定のデータに対して閾値を設けることで力制御のフェーズを分けた上で、それぞれのフェーズにおける動作を所定の基準に基づいて分類した判定データを付与するようにしても良い。例えば、円柱嵌合においては深さ方向の移動距離に対して複数の閾値を設けることで嵌合動作のフェーズを分けるようにすれば良いし、別の力制御を用いた動作においては、例えばロボット先端部の姿勢等に応じて動作のフェーズを分けるようにしても良い。なお、前記した基準や閾値は、例えば熟練した作業者等が適宜定めておくようにしても良い。

前処理部３６は、データ取得部３４が取得した機械学習用の取得データに基づいて、機械学習装置１００による学習に用いられる学習データを作成する。前処理部３６は、データ取得部３４が取得したデータを機械学習装置１００において扱われる統一的な形式へと変換（数値化、サンプリング等）した状態データを作成する。

前処理部３６が作成する状態データＳは、例えば産業用ロボット２のマニピュレータを力制御する際のマニピュレータに掛かる力に係る情報（目標押付け力や実際に掛かっている力等）を含む力状態データＳ１、マニピュレータの速度に係る情報（目標速度指令値や位置の推移を示すデータ等）を含む位置データＳ２を含んでいても良い。この様な場合、力状態データＳ１は、産業用ロボット２のマニピュレータに掛かる送り方向の力を少なくとも含み、また、送り方向以外の方向に掛かる力や、力のモーメントを含んでいても良い。力状態データＳ１は、産業用ロボット２に対する指令値や設定値から求めても良いし、産業用ロボット２のマニピュレータに設置されたセンサ３や、それぞれの軸を駆動するサーボモータ５０に流れる電流等から総合的に求めるようにしても良い。位置データＳ２は、前記力状態データＳ１の力の状態において設定されるマニピュレータの位置の推移を示すデータ等を少なくとも含み、また、更に位置の推移から算出される速度、加速度、目標送り速度指令値、送り方向以外の方向の制御指令を含んでいても良い。
なお、前処理部３６が学習データとして用いる判定データＤは、取得データ記憶部５４に記憶された判定データをそのまま用いるようにすれば良い。

調整決定部３８は、設定した制御パラメータに基づく力制御に失敗した際に、機械学習装置１００に対して取得データ記憶部５４に記憶される取得データに基づく解析を指令して、その結果に基づいて制御パラメータの調整対象と調整方向を決定及び出力する機能手段である。調整決定部３８は、例えば入力装置７１を介して作業者から産業用ロボット２の力制御に失敗した旨が通知されると、機械学習装置１００に対して、取得データ記憶部５４に記憶された取得データを用いて学習部１１０が機械学習をすることで生成された学習モデルを解析し、該解析結果から失敗時に設定されていた制御パラメータのいずれを調整すれば力制御を成功させることができるのかを求める。調整決定部３８は、求めた結果を例えば表示装置７０に対して表示出力する。

学習部１１０は、前処理部３６が作成したデータを用いた機械学習を行う。学習部１１０は、例えば教師あり学習等の公知の機械学習の手法により、作業者により調整された産業用ロボット２の動作状態に対する、該動作に対する良否の判定を学習した学習モデルを生成し、生成した学習モデルを学習モデル記憶部１５０に記憶する。学習部１１０が行う教師あり学習の手法としては、例えばＬｉｎｅａｒ ｒｅｇｒｅｓｓｉｏｎ法、Ｍｕｌｔｉｌａｙｅｒ ｐｅｒｃｅｐｔｒｏｎ法、Ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ法、Ｌｏｎｇ Ｓｈｏｒｔ−Ｔｅｒｍ Ｍｅｍｏｒｙ法、ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ法等が挙げられる。

学習部１１０は、状態データＳに対して判定データＤをラベルデータとした学習データを用いて教師あり学習を行い、産業用ロボット２の動作の成功／失敗（即ち、作業者による調整動作の成功／失敗）の判別境界、成功の度合い乃至失敗の度合いの判別境界を学習モデルとして生成することができる。
なお、学習部１１０は、学習が完了して学習モデル記憶部１５０に必要な学習モデルが記憶されている状態においては必ずしも必要ではなく、例えばメーカが調整支援装置１を顧客に出荷する際には調整支援装置１から学習部１１０を取り除いても良い。

解析部１３０は、調整決定部３８からの指令に応じて学習モデル記憶部１５０に記憶された学習モデルに基づいて、産業用ロボット２の力制御に失敗した際に用いていた制御パラメータの内で、いずれの制御パラメータを調整すれば力制御に成功するのかを解析する機能手段である。解析部１３０は、例えば制御パラメータの内で、制御ゲイン、力状態データＳ１に対応するマニピュレータの押付け力、位置データＳ２に対応するマニピュレータの進行速度、進行方向のいずれの制御パラメータをどの程度調整すれば、失敗した力制御を成功させることができるのかを解析する。

以下では、学習部１１０が生成する学習モデルと、解析部１３０による解析処理について、図３に示したシリンダーの嵌合操作を例として説明する。
学習部１１０は、取得データ記憶部５４に記憶されている取得データに基づいて、例えば以下の数１式に示す回帰式をモデルとした学習モデルを生成する。なお、数１式において、ｐ_i（ｉ＝１，２，３，…）は産業用ロボット２のマニピュレータを力制御する際に設定される制御パラメータであり、Ｑは成功の度合いを表す重みとして定義される。

学習部１１０は、取得データ記憶部５４に記憶される取得データの内で、所定の同じ指標に基づいた判定データを含む取得データに基づいて学習モデルを生成しても良く、例えば、学習部１１０は、力制御に成功した際に取得された取得データの内で、シリンダーの嵌合操作における丁寧さ重視の基準での判定データ（丁寧さが高，中，低等）を含む取得データを用いて学習モデルａを生成して学習モデル記憶部１５０に記憶したり、速度重視の基準での判定データ（速度が高，中，低等）を含む取得データを用いて学習モデルｂを生成して学習モデル記憶部１５０に記憶したりしても良い。また、学習部１１０は、更に所定の指標における副分類毎に学習モデルを生成しても良く、例えば、学習部１１０は、シリンダーの嵌合操作における丁寧さ重視の基準での判定データを含む取得データについて、丁寧さが高の副分類に属する取得データに基づいた学習モデルａ１、丁寧さが中の副分類に属する所得データに基づいた学習モデルａ２、丁寧さが低の副分類に属する所得データに基づいた学習モデルａ３をそれぞれ生成して学習モデル記憶部１５０に記憶するようにしても良い。

このような学習モデルが学習モデル記憶部１５０に記憶されている時に、調整決定部３８から、マニピュレータの力制御に失敗した際の制御パラメータの値と、制御パラメータの調整の基準が指令されると、解析部１３０は、学習モデル記憶部１５０に記憶される学習モデルの中から、調整決定部３８の指令に含まれる制御パラメータの調整の基準と同じ基準で生成されている学習モデルを選択し、選択した学習モデルを解析することで、産業用ロボット２の力制御に失敗した際に用いていた制御パラメータの内で、いずれの制御パラメータを調整すれば力制御に成功するのかを解析する。

解析処理の一例として、解析部１３０は、学習モデルとして選択した回帰式上で、成功の度合Ｑの変化傾向に基づいて、制御パラメータの調整対象を決定しても良い。この様な解析手法を取る場合、解析部１３０は、まず力制御に失敗した際に取得された制御パラメータの回帰式上での位置を特定する。次に、解析部１３０は、特定した回帰式上での位置において、それぞれの制御パラメータの傾きを求める。そして、解析部１３０は、求めたそれぞれの制御パラメータの傾きを比較し、最も傾きが大きい制御パラメータを調整対象の制御パラメータとして決定する。例えば、図５に例示されるように、解析部１３０は、パラメータｐ_iついて他のパラメータｐ_j（ｊ≠ｉ）を力制御が失敗した際に用いていた値に固定してＱとｐ_iの式を作成する。次に、解析部１３は、力制御が失敗した際に用いていたｐ_iの値の位置における式の傾きを求める。この様な処理を、それぞれの制御パラメータについて行い、学習モデルとして選択した回帰式において、力制御が失敗した際に用いていた値の位置において最も傾きが大きい制御パラメータを調整対象の制御パラメータとして選択すれば良い。そして、解析部１３０が選択した調整対象の制御パラメータを、Ｑが増加する調整方向へと所定の値だけ調整するように、調整決定部３８に対して通知する。

解析処理の他の例として、解析部１３０は、学習モデルとして選択した回帰式の上で、所定の制御パラメータの変分量に対する成功の度合いＱの変化傾向に基づいて、制御パラメータの調整対象を決定しても良い。この様な解析手法を取る場合、解析部１３０は、まず力制御に失敗した際に取得された制御パラメータの回帰式上での位置を特定する。次に、解析部１３０は、特定した位置の近傍において、それぞれの制御パラメータについて所定の変分量だけ変更した場合の成功の度合いＱの変化を算出する。そして、解析部１３０は、算出した制御パラメータの変分量に対するＱの変化の傾向を比較し、制御パラメータの変分量に対してＱの変化が最も大きい（効率よくＱの値を改善できる）制御パラメータを調整対象の制御パラメータとして決定する。例えば、図６に例示されるように、解析部１３０は、パラメータｐ_iついて他のパラメータｐ_j（ｊ≠ｉ）を力制御が失敗した際に用いていた値に固定してＱとｐ_iの式を作成する。次に、解析部１３０は、力制御が失敗した際に用いていたｐ_iの値を中心として、所定の変分量Δｄ毎に変化させた時のＱの値を求めることで、力制御が失敗した際のｐ_iの値の近傍におけるＱの変化傾向を解析する。この様な処理を、それぞれの制御パラメータについて行い、学習モデルとして選択した回帰式において、力制御が失敗した際に用いていたｐ_iの値の位置において最も効率よくＱを増加させることができる制御パラメータを調整対象の制御パラメータとして選択すれば良い。そして、解析部１３０が選択した調整対象の制御パラメータをＱが増加する調整方向へと所定の値だけ調整するように、調整決定部３８に対して通知する。この解析手法は学習モデルとしてニューラルネットワーク等を用いている場合にも用いることができる。
なお、解析部１３０による解析処理は、学習モデルの種類等に合わせて、公知の数理解析の手法や、幾何学的な手法等、力制御に失敗した制御パラメータの値の近辺における成功の度合いＱの変化傾向を把握できるどのような手法を採用しても良い。

上記した構成を備えた調整支援装置１では、産業用ロボット２の力制御に失敗した際に、いずれの制御パラメータをどのように調整すれば力制御を成功させる事ができるのかを、過去に取得された取得データに基づいて生成された学習モデルを解析して作業者に通知してくれる。そのため、経験に乏しい作業者であっても効率よく産業用ロボット２の力制御の制御パラメータを調整することが可能となる。

本実施形態の調整支援装置１は、図３に例示した嵌合動作以外にも、例えば図７に例示されるように、産業用ロボット２に取り付けられたマニピュレータでギヤを把持して、他のギヤに対して歯車の位相を合わせながらギヤを組み立てる動作や、図８に例示されるように、産業用ロボット２にマニピュレータのエンドエフェクタ部（ハンド部や先端部等）に代わりに取り付けられた研磨工具でワークのバリ取りや研磨を行う動作等にも適用することができる。

本実施形態の一変形例として、解析部１３０は、調整対象の制御パラメータとして、複数の制御パラメータを優先順位を付けて調整決定部３８に通知するようにしても良い。この様にする場合、例えば、力制御が失敗した際に用いていた制御パラメータのｐ_iの値の位置において、傾きが大きい順に複数の制御パラメータを調整対象として調整決定部３８に対して通知するようにしても良い。

本実施形態の他の変形例として、学習部１１０が学習に用いる状態データＳとして、産業用ロボット２及びセンサ３から取得された力状態データ及び位置状態データに加えて、力制御における制御ゲイン、ロボットの先端に取り付けられたツールの質量、ワークとツールとの隙間距離、摩擦係数、温度、力センサ特性等の各種データを状態データＳに追加して、機械学習を行うようにしても良い。

図９は、調整支援装置１’を備えた第２実施形態によるシステム１７０を示す。システム１７０は、セルコンピュータやフォグコンピュータ、ホストコンピュータ、クラウドサーバ等のコンピュータとして実装されたと調整支援装置１’と、制御部３２（ロボットコントローラ）を備えた少なくとも１つの産業用ロボット２と、調整支援装置１’及び産業用ロボット２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。

本実施形態による調整支援装置１’は、図２で説明した機能手段の内で制御部３２以外の機能手段を備えている点で、第１実施形態と異なる。上記構成を有するシステム１７０では、調整支援装置１’が、各々の産業用ロボット２から動作時に取得された取得データをネットワーク１７２を介して収集し、収集した取得データを用いた機械学習を行い、学習モデルを生成する。

そして、調整支援装置１’は、各々の産業用ロボット２を利用している作業者から力制御に失敗した際の制御パラメータの調整支援の依頼を受けて、調整対象の制御パラメータとその調整方法を解析し、解析結果を各々の産業用ロボット２に対して返信する。

本実施形態によるシステム１７０では、例えばエッジコンピュータとしての複数の産業用ロボット２に対して設置されたフォグコンピュータ上に調整支援装置１’を実装し、各々の産業用ロボット２における力制御の制御パラメータの調整支援を調整支援装置１’上で集中的に行うことができるようになり、産業用ロボット２毎に機械学習装置１００を用意する必要がなくなるため、機械学習装置１００の運用コストを削減することができる。

図１０は、図９で示した調整支援装置１’の概略的なハードウェア構成図である。
調整支援装置１’が備えるＣＰＵ５１１は、調整支援装置１’を全体的に制御するプロセッサである。ＣＰＵ５１１は、ＲＯＭ５１２に格納されたシステム・プログラムをバス５２０を介して読み出し、該システム・プログラムに従って調整支援装置１’全体を制御する。ＲＡＭ５１３には一時的な計算データ、入力装置５３１を介して作業者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５１４は、例えば図示しないバッテリでバックアップされたメモリやＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等で構成され、調整支援装置１’の電源がオフされても記憶状態が保持される。不揮発性メモリ５１４には、調整支援装置１’の動作に係る設定情報が格納される設定領域や、入力装置５３１から入力されたデータ、各調整支援装置１から取得されるデータ、図示しない外部記憶装置やネットワークを介して読み込まれたデータ等が記憶される。不揮発性メモリ５１４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ＲＡＭ５１３に展開されても良い。また、ＲＯＭ５１２には、各種データを解析するための公知の解析プログラム等を含むシステム・プログラムが予め書き込まれている。

調整支援装置１’は、インタフェース５１６を介してネットワーク１７２と接続されている。ネットワーク１７２には、少なくとも１つの産業用ロボット２や他のコンピュータ等が接続され、調整支援装置１’との間で相互にデータのやり取りを行っている。

表示装置５３０には、メモリ上に読み込まれた各データ、プログラム等が実行された結果として得られたデータ等がインタフェース５１７を介して出力されて表示される。また、キーボードやポインティングデバイス等から構成される入力装置５３１は、作業者による操作に基づく指令，データ等をインタフェース５１８を介してＣＰＵ５１１に渡す。
なお、機械学習装置１００については、図１で説明したものと同様のハードウェア構成を備える。

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、上記した実施形態では調整支援装置１と機械学習装置１００が異なるＣＰＵ（プロセッサ）を有する装置として説明しているが、機械学習装置１００は調整支援装置１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。

１，１’ 調整支援装置
２ 産業用ロボット
３ センサ
１１ ＣＰＵ
１２ ＲＯＭ
１３ ＲＡＭ
１４ 不揮発性メモリ
１６，１７，１８，１９ インタフェース
２０ バス
２１ インタフェース
３０ 軸制御回路
３２ 制御部
３４ データ取得部
３６ 前処理部
３８ 調整決定部
４０ サーボアンプ
５０ サーボモータ
５２ 制御用プログラム
５４ 取得データ記憶部
６０ 教示操作盤
７０ 表示装置
７１ 入力装置
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
１１０ 学習部
１３０ 解析部
１５０ 学習モデル記憶部
１７０ システム
１７２ ネットワーク
５１１ ＣＰＵ
５１２ ＲＯＭ
５１３ ＲＡＭ
５１４ 不揮発性メモリ
５１６，５１７，５１８，５１９ インタフェース
５２０ バス
５２１ インタフェース

Claims (2)

1. マニピュレータに掛かる力とモーメントを検出する機能を備えた産業用ロボットの動作の調整を支援する調整支援装置であって、
   前記産業用ロボットの力制御を行った時の動作における力状態データ及び位置データを状態変数とし、該状態の下で行われた力制御の結果を所定の基準で良否の判定をした判定データとして、機械学習することにより生成された学習モデルを記憶する学習モデル記憶部と、
   前記学習モデルを解析して、前記産業用ロボットの力制御に失敗した際に用いていた制御パラメータについて、該力制御の成功度を改善する該制御パラメータの調整方法を解析する解析部と、
   前記解析部による解析の結果に基づいて前記力制御に失敗した際に用いていた力制御の制御パラメータの調整方法を決定して出力する調整決定部と、
   を備える調整支援装置。
2. 前記解析部が解析する制御パラメータの調整方法は、少なくとも制御パラメータの調整対象と調整方向とを含む、
   請求項１に記載の調整支援装置。