JP2021505416A5 - - Google Patents
Download PDFInfo
- Publication number
- JP2021505416A5 JP2021505416A5 JP2020530514A JP2020530514A JP2021505416A5 JP 2021505416 A5 JP2021505416 A5 JP 2021505416A5 JP 2020530514 A JP2020530514 A JP 2020530514A JP 2020530514 A JP2020530514 A JP 2020530514A JP 2021505416 A5 JP2021505416 A5 JP 2021505416A5
- Authority
- JP
- Japan
- Prior art keywords
- point
- manipulator
- control system
- position data
- artificial intelligence
- 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
Links
- 210000002569 neurons Anatomy 0.000 claims description 42
- 230000004301 light adaptation Effects 0.000 claims description 15
- 230000001537 neural Effects 0.000 claims description 11
- 101710013658 lab-1 Proteins 0.000 claims description 8
- 230000005489 elastic deformation Effects 0.000 claims 2
- 239000003550 marker Substances 0.000 claims 2
- 230000001702 transmitter Effects 0.000 claims 2
- 230000000007 visual effect Effects 0.000 claims 2
- 101710013753 ARB_05828 Proteins 0.000 claims 1
- 101710039997 LCC2 Proteins 0.000 claims 1
- 101710013757 LCC5 Proteins 0.000 claims 1
- 230000001133 acceleration Effects 0.000 claims 1
- 238000000034 method Methods 0.000 claims 1
- 235000010384 tocopherol Nutrition 0.000 description 3
- 235000019731 tricalcium phosphate Nutrition 0.000 description 3
- 230000004308 accommodation Effects 0.000 description 1
Description
本開示の一態様によれば、マニピュレータのための制御システムが提供され、制御システムは、マニピュレータのツールを取り付けるためのフランジに設けられた少なくとも1つの位置インジケータと、マニピュレータ付近に設けられ、位置インジケータの位置情報を実時間で検出するように構成された位置検出器と、検出された位置情報に応じて、位置インジケータの位置データを実時間で計算するように適合されたコンピュータと、計算された位置データに応じて、人工知能ニューラルネットワークによってマニピュレータの各ジョイントの作業パラメータを実時間で計算するように適合されたクラウドサーバと、計算された作業パラメータに基づいて、各ジョイントを実時間で制御するように適合されたコントローラとを備え、人工知能ニューロンネットワークは、入力された位置データに基づいて、制御システムの適応時間(accommodation time)、定常誤差、および軌道誤差が最小になるように、ニューロン間の重みを計算して自動的に調整する自己学習ニューラルネットワークを含む。
本開示の別の態様によれば、マニピュレータを制御する方法が提供され、この方法は、
S100:上記の制御システムを設けるステップと、
S200:手動教示方法によってマニピュレータのツール中心点を制御して、ツール中心点をそれぞれ複数の異なる経路に沿って第1の点から第2の点へ動かし、第1の点および第2の点で位置インジケータの位置データを計算するステップと、
S300:計算された位置データをクラウドサーバ上で動作している人工知能ニューロンネットワークに入力するステップとを含み、人工知能ニューロンネットワークは、入力された位置データに基づいて、制御システムの適応時間、定常誤差、および軌道誤差が最小になるように、ニューロン間の重みを計算して自動的に調整する。
S100:上記の制御システムを設けるステップと、
S200:手動教示方法によってマニピュレータのツール中心点を制御して、ツール中心点をそれぞれ複数の異なる経路に沿って第1の点から第2の点へ動かし、第1の点および第2の点で位置インジケータの位置データを計算するステップと、
S300:計算された位置データをクラウドサーバ上で動作している人工知能ニューロンネットワークに入力するステップとを含み、人工知能ニューロンネットワークは、入力された位置データに基づいて、制御システムの適応時間、定常誤差、および軌道誤差が最小になるように、ニューロン間の重みを計算して自動的に調整する。
本開示の例示的な実施形態によれば、上記の方法は、
S400:手動教示方法によってマニピュレータのツール中心点を制御して、ツール中心点をそれぞれ複数の異なる経路に沿って第2の点から第3の点へ動かし、第2の点および第3の点で位置インジケータの位置データを計算するステップと、
S500:計算された位置データをクラウドサーバ上で動作している人工知能ニューロンネットワークに入力するステップとをさらに含み、人工知能ニューロンネットワークは、入力された位置データに基づいて、制御システムの適応時間、定常誤差、および軌道誤差が最小になるように、ニューロン間の重みを計算して自動的に調整する。
S400:手動教示方法によってマニピュレータのツール中心点を制御して、ツール中心点をそれぞれ複数の異なる経路に沿って第2の点から第3の点へ動かし、第2の点および第3の点で位置インジケータの位置データを計算するステップと、
S500:計算された位置データをクラウドサーバ上で動作している人工知能ニューロンネットワークに入力するステップとをさらに含み、人工知能ニューロンネットワークは、入力された位置データに基づいて、制御システムの適応時間、定常誤差、および軌道誤差が最小になるように、ニューロン間の重みを計算して自動的に調整する。
本開示の別の例示的な実施形態によれば、上記の方法は、
S600:手動教示方法によってマニピュレータのツール中心点を制御して、ツール中心点をそれぞれ複数の異なる経路に沿って現在の点から次の点へ動かし、現在の点および次の点で位置インジケータの位置データを計算するステップと、
S700:計算された位置データをクラウドサーバ上で動作している人工知能ニューロンネットワークに入力するステップとをさらに含み、人工知能ニューロンネットワークは、入力された位置データに基づいて、制御システムの適応時間、定常誤差、および軌道誤差が最小になるように、ニューロン間の重みを計算して自動的に調整する。
S600:手動教示方法によってマニピュレータのツール中心点を制御して、ツール中心点をそれぞれ複数の異なる経路に沿って現在の点から次の点へ動かし、現在の点および次の点で位置インジケータの位置データを計算するステップと、
S700:計算された位置データをクラウドサーバ上で動作している人工知能ニューロンネットワークに入力するステップとをさらに含み、人工知能ニューロンネットワークは、入力された位置データに基づいて、制御システムの適応時間、定常誤差、および軌道誤差が最小になるように、ニューロン間の重みを計算して自動的に調整する。
本開示の上記の様々な例示的な実施形態では、制御システム内の人工知能ニューロンネットワークは、入力された位置データに基づいて、制御システムの適応時間、定常誤差、および軌道誤差が最小になるように、ニューロン間の重みを自動的に調整することができる。それによって、人工知能ニューロンネットワークは、制御システムの制御精度を改善することができる。
本開示の一般概念によれば、マニピュレータのための制御システムが提供され、制御システムは、マニピュレータのツールを取り付けるためのフランジに設けられた少なくとも1つの位置インジケータと、マニピュレータ付近に設けられ、位置インジケータの位置情報を実時間で検出するように構成された位置検出器と、検出された位置情報に応じて、位置インジケータの位置データを実時間で計算するように適合されたコンピュータと、計算された位置データに応じて、人工知能ニューラルネットワークによってマニピュレータの各ジョイントの作業パラメータを実時間で計算するように適合されたクラウドサーバと、計算された作業パラメータに基づいて、各ジョイントを実時間で制御するように適合されたコントローラとを備え、人工知能ニューロンネットワークは、入力された位置データに基づいて、制御システムの適応時間、定常誤差、および軌道誤差が最小になるように、ニューロン間の重みを計算して自動的に調整する自己学習ニューラルネットワークである。
本開示の別の一般概念によれば、マニピュレータを制御する方法が提供され、この方法は、上記の制御システムを設けるステップと、手動教示方法によってマニピュレータのツール中心点を制御して、ツール中心点をそれぞれ複数の異なる経路に沿って第1の点から第2の点へ動かし、第1の点および第2の点で位置インジケータの位置データを計算するステップと、計算された位置データをクラウドサーバ上で動作している人工知能ニューロンネットワークに入力するステップとを含み、人工知能ニューロンネットワークは、入力された位置データに基づいて、制御システムの適応時間、定常誤差、および軌道誤差が最小になるように、ニューロン間の重みを計算して自動的に調整する。
図1および図3に示すように、一実施形態では、人工知能ニューロンネットワークは、入力された位置データに基づいて、制御システムの適応時間、定常誤差、および軌道誤差が最小になるように、ニューロンN間の重みWを計算して自動的に調整する自己学習ニューラルネットワークである。
以下、図1〜図3を参照して、本開示の例示的な実施形態によるマニピュレータを制御する方法について説明する。この方法は、
S100:図1に示すように、上述したいずれか1つの実施形態に記載の制御システムを設けるステップと、
S200:図2に示すように、手動教示方法によってマニピュレータ100のツール中心点TCPを制御して、ツール中心点をそれぞれ複数の異なる経路LAB1、LAB2に沿って第1の点Aから第2の点Bへ動かし、第1の点Aおよび第2の点Bで位置インジケータ210の位置データを計算するステップと、
S300:図2および図3に示すように、計算された位置データをクラウドサーバ500上で動作している人工知能ニューロンネットワークに入力するステップとを含むことができ、人工知能ニューロンネットワークは、入力された位置データに基づいて、制御システムの適応時間、定常誤差、および軌道誤差が最小になるように、ニューロンN間の重みWを計算して自動的に調整する。
S100:図1に示すように、上述したいずれか1つの実施形態に記載の制御システムを設けるステップと、
S200:図2に示すように、手動教示方法によってマニピュレータ100のツール中心点TCPを制御して、ツール中心点をそれぞれ複数の異なる経路LAB1、LAB2に沿って第1の点Aから第2の点Bへ動かし、第1の点Aおよび第2の点Bで位置インジケータ210の位置データを計算するステップと、
S300:図2および図3に示すように、計算された位置データをクラウドサーバ500上で動作している人工知能ニューロンネットワークに入力するステップとを含むことができ、人工知能ニューロンネットワークは、入力された位置データに基づいて、制御システムの適応時間、定常誤差、および軌道誤差が最小になるように、ニューロンN間の重みWを計算して自動的に調整する。
図3に示すように、一実施形態では、2つの経路LAB1、LAB2のみが示されているが、制御システムの適応時間、定常誤差、および軌道誤差を最小にするために、人工知能ニューラルネットワークのニューロン間の重みWを最適に調整することができるようになるには、マニピュレータ100が第1の点Aから第2の点Bへ動かされる回数が特定の量に到達するべきであることが、当業者には理解されよう。それによって、マニピュレータ100がそれぞれ経路LAB1、LAB2に沿って第1の点Aから第2の点Bへ動かされる回数は通常、10回以上である。
図2〜図3に示すように、一実施形態では、上記の方法は、
S400:手動教示方法によってマニピュレータ100のツール中心点TCPを制御して、ツール中心点をそれぞれ複数の異なる経路LBC1、LBC2に沿って第2の点Bから第3の点Cへ動かし、第2の点Bおよび第3の点Cで位置インジケータ210の位置データを計算するステップと、
S500:計算された位置データをクラウドサーバ500上で動作している人工知能ニューロンネットワークに入力するステップとをさらに含むことができ、人工知能ニューロンネットワークは、入力された位置データに基づいて、制御システムの適応時間、定常誤差、および軌道誤差が最小になるように、ニューロンN間の重みWを計算して自動的に調整する。
S400:手動教示方法によってマニピュレータ100のツール中心点TCPを制御して、ツール中心点をそれぞれ複数の異なる経路LBC1、LBC2に沿って第2の点Bから第3の点Cへ動かし、第2の点Bおよび第3の点Cで位置インジケータ210の位置データを計算するステップと、
S500:計算された位置データをクラウドサーバ500上で動作している人工知能ニューロンネットワークに入力するステップとをさらに含むことができ、人工知能ニューロンネットワークは、入力された位置データに基づいて、制御システムの適応時間、定常誤差、および軌道誤差が最小になるように、ニューロンN間の重みWを計算して自動的に調整する。
図2〜図3に示すように、一実施形態では、上記の方法は、
S600:手動教示方法によってマニピュレータ100のツール中心点TCPを制御して、ツール中心点をそれぞれ複数の異なる経路に沿って現在の点から次の点へ動かし、現在の点および次の点で位置インジケータ210の位置データを計算するステップと、
S700:計算された位置データをクラウドサーバ500上で動作している人工知能ニューロンネットワークに入力するステップとをさらに含むことができ、人工知能ニューロンネットワークは、入力された位置データに基づいて、制御システムの適応時間、定常誤差、および軌道誤差が最小になるように、ニューロンN間の重みWを計算して自動的に調整する。
S600:手動教示方法によってマニピュレータ100のツール中心点TCPを制御して、ツール中心点をそれぞれ複数の異なる経路に沿って現在の点から次の点へ動かし、現在の点および次の点で位置インジケータ210の位置データを計算するステップと、
S700:計算された位置データをクラウドサーバ500上で動作している人工知能ニューロンネットワークに入力するステップとをさらに含むことができ、人工知能ニューロンネットワークは、入力された位置データに基づいて、制御システムの適応時間、定常誤差、および軌道誤差が最小になるように、ニューロンN間の重みWを計算して自動的に調整する。
Claims (14)
- マニピュレータのための制御システムであって、
前記マニピュレータ(100)のツール(150)を取り付けるためのフランジ(140)に設けられた少なくとも1つの位置インジケータ(210)と、
前記マニピュレータ(100)付近に設けられ、前記位置インジケータ(210)の位置情報を実時間で検出するように構成された位置検出器(220)と、
前記検出された位置情報に応じて、前記位置インジケータ(210)の位置データを実時間で計算するように適合されたコンピュータ(400)と、
計算された前記位置データに応じて、人工知能ニューラルネットワークによって前記マニピュレータ(100)の各ジョイント(130)の作業パラメータを実時間で計算するように適合されたクラウドサーバ(500)と、
計算された前記作業パラメータに基づいて、各ジョイント(130)を実時間で制御するように適合されたコントローラ(300)とを備え、
前記人工知能ニューラルネットワークは、入力された前記位置データに基づいて、前記制御システムの適応時間、定常誤差、および軌道誤差が最小になるように、ニューロン(N)間の重み(W)を計算して自動的に調整する自己学習ニューラルネットワークを含むことを特徴とする制御システム。 - 前記位置インジケータ(210)は視覚マーカを含み、前記位置検出器(220)はカメラを含み、前記位置情報は、前記カメラによって撮像された前記視覚マーカの画像を含み、
前記コンピュータ(400)は、前記カメラによって撮像された前記画像を処理して、前記位置インジケータ(210)の前記位置データを取得するように適合されている、
請求項1に記載の制御システム。 - 前記位置インジケータ(210)は超広帯域送信器を含み、前記位置検出器(220)は超広帯域受信器を含み、前記位置情報は、前記超広帯域受信器によって取得された前記超広帯域受信器に対する前記超広帯域送信器の相対位置を含み、
前記コンピュータ(400)は、前記超広帯域受信器によって取得された前記相対位置に応じて、前記位置インジケータ(210)の前記位置データを演算するように適合されている、
請求項1または2に記載の制御システム。 - 前記マニピュレータ(100)の基部(110)、各アーム(120)、または各ジョイント(130)に、前記少なくとも1つの位置インジケータ(210)が設けられている、
請求項1から3のいずれか一項に記載の制御システム。 - 前記マニピュレータ(100)の少なくとも1つのアーム(120)は弾性を有しており、力を受けると弾性変形し、前記マニピュレータ(100)は、前記弾性変形に起因する弾性変形誤差を有する、
請求項1から4のいずれか一項に記載の制御システム。 - 前記作業パラメータは、前記マニピュレータ(100)の各ジョイントに設けられた駆動モータの回転角度、回転速度、および加速度を含む、
請求項1から5のいずれか一項に記載の制御システム。 - マニピュレータを制御する方法であって、
S100:請求項1から6のいずれか一項に記載の制御システムを設けるステップと、
S200:手動教示方法によって前記マニピュレータ(100)のツール中心点(TCP)を制御して、前記ツール中心点をそれぞれ複数の異なる経路(LAB1、LAB2)に沿って第1の点(A)から第2の点(B)へ動かし、前記第1の点(A)および前記第2の点(B)で位置インジケータ(210)の位置データを計算するステップと、
S300:計算された前記位置データをクラウドサーバ(500)上で動作している人工知能ニューロンネットワークに入力するステップとを含み、前記人工知能ニューロンネットワークは、入力された前記位置データに基づいて、前記制御システムの適応時間、定常誤差、および軌道誤差が最小になるように、ニューロン(N)間の重み(W)を計算して自動的に調整する、方法。 - S400:前記手動教示方法によって前記マニピュレータ(100)の前記ツール中心点(TCP)を制御して、前記ツール中心点をそれぞれ複数の異なる経路(LAC1、LAC2)に沿って前記第2の点(B)から第3の点(C)へ動かし、前記第2の点(B)および前記第3の点(C)で前記位置インジケータ(210)の位置データを計算するステップと、
S500:計算された前記位置データを前記クラウドサーバ(500)上で動作している前記人工知能ニューロンネットワークに入力するステップとをさらに含み、前記人工知能ニューロンネットワークは、入力された前記位置データに基づいて、前記制御システムの適応時間、定常誤差、および軌道誤差が最小になるように、前記ニューロン(N)間の前記重み(W)を計算して自動的に調整する、
請求項7に記載の方法。 - S600:前記手動教示方法によって前記マニピュレータ(100)の前記ツール中心点(TCP)を制御して、前記ツール中心点をそれぞれ複数の異なる経路に沿って現在の点から次の点へ動かし、前記現在の点および前記次の点で前記位置インジケータ(210)の位置データを計算するステップと、
S700:計算された前記位置データを前記クラウドサーバ(500)上で動作している前記人工知能ニューロンネットワークに入力するステップとをさらに含み、前記人工知能ニューロンネットワークは、入力された前記位置データに基づいて、前記制御システムの適応時間、定常誤差、および軌道誤差が最小になるように、前記ニューロン(N)間の前記重み(W)を計算して自動的に調整する、
請求項8に記載の方法。 - 前記マニピュレータ(100)の作業領域内に複数のキーポイントがあり、前記キーポイントは少なくとも、前記第1の点(A)、前記第2の点(B)、前記第3の点(C)、前記現在の点、および前記次の点を含み、
S800:前記マニピュレータ(100)がすべての前記キーポイントへ動かされるまで、前記ステップS600およびS700を繰り返すステップをさらに含む、
請求項9に記載の方法。 - 前記マニピュレータ(100)の前記ツール中心点が1つの経路(LAB1またはLAB2)に沿って1つの点(A)から別の点(B)へ動かされている間、ツールの姿勢は変化しないままであり、
前記マニピュレータ(100)の前記ツール中心点が1つの経路(LAB1)に沿って1つの点(A)から別の点(B)へ動かされている間の前記ツールの姿勢は、前記マニピュレータ(100)の前記ツール中心点が前記1つの経路(LAB1)とは異なる別の経路(LAB2)に沿って1つの点(A)から別の点(B)へ動かされている間の前記ツールの姿勢とは異なる、
請求項10に記載の方法。 - 前記マニピュレータ(100)の前記ツール中心点が1つの経路(LAB1、LAB2)に沿って1つの点(A)から別の点(B)へ動かされている間、ツールの姿勢は変化可能である、
請求項10または11に記載の方法。 - 前記マニピュレータ(100)に取り付けられたツールは、前記ステップS100〜S800で無負荷状態であり、いかなる加工物も把持していない、
請求項10から12のいずれか一項に記載の方法。 - 前記ステップS100〜S800を完了した後、前記マニピュレータ(100)に取り付けられた前記ツールは、加工物を把持する負荷状態にあり、
S900:前記ステップS200およびS300を繰り返すステップをさらに含む、
請求項13に記載の方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711285789.XA CN109895121A (zh) | 2017-12-07 | 2017-12-07 | 机械臂控制系统和方法 |
CN201711285789.X | 2017-12-07 | ||
PCT/EP2018/083461 WO2019110577A1 (en) | 2017-12-07 | 2018-12-04 | Control system and control method of manipulator |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021505416A JP2021505416A (ja) | 2021-02-18 |
JP2021505416A5 true JP2021505416A5 (ja) | 2021-09-02 |
Family
ID=64664715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020530514A Pending JP2021505416A (ja) | 2017-12-07 | 2018-12-04 | マニピュレータの制御システムおよび制御方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20200298400A1 (ja) |
JP (1) | JP2021505416A (ja) |
CN (1) | CN109895121A (ja) |
DE (1) | DE112018006229T5 (ja) |
WO (1) | WO2019110577A1 (ja) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111673739B (zh) * | 2020-05-15 | 2021-08-03 | 成都飞机工业(集团)有限责任公司 | 一种基于rbf神经网络的机器人位姿可达性判断的方法 |
KR102277162B1 (ko) * | 2021-04-02 | 2021-07-14 | 주식회사 스누아이랩 | 산업 로봇 감시장치 및 그 장치의 구동방법 |
CN113125463B (zh) * | 2021-04-25 | 2023-03-10 | 济南大学 | 一种用于汽车轮毂焊缝缺陷检测的示教方法及装置 |
CN113211443B (zh) * | 2021-05-18 | 2022-09-09 | 广州市香港科大霍英东研究院 | 一种协作机器人柔顺控制方法、系统及装置 |
CN114132745A (zh) * | 2021-11-30 | 2022-03-04 | 北京新风航天装备有限公司 | 一种基于agv及机器视觉进行工件自动上下料系统及方法 |
CN115157257A (zh) * | 2022-07-22 | 2022-10-11 | 山东大学 | 基于uwb导航和视觉识别的智能植物管理机器人及系统 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4853771A (en) * | 1986-07-09 | 1989-08-01 | The United States Of America As Represented By The Secretary Of The Navy | Robotic vision system |
JPH04336303A (ja) * | 1991-05-13 | 1992-11-24 | Daikin Ind Ltd | ロボット制御方法およびその装置 |
JPH09319420A (ja) * | 1996-05-31 | 1997-12-12 | Ricoh Co Ltd | 組立ロボット |
JP3754340B2 (ja) * | 2001-10-15 | 2006-03-08 | 株式会社デンソーウェーブ | 位置検出装置 |
JP4267005B2 (ja) * | 2006-07-03 | 2009-05-27 | ファナック株式会社 | 計測装置及びキャリブレーション方法 |
CN102501251A (zh) * | 2011-11-08 | 2012-06-20 | 北京邮电大学 | 带有动态摩擦补偿的机械臂关节定位控制方法 |
KR20160087687A (ko) * | 2015-01-14 | 2016-07-22 | 부산대학교 산학협력단 | 자기 엔코더 자이로를 이용한 모바일 로봇의 위치측정 방법 |
TWI558121B (zh) * | 2015-05-21 | 2016-11-11 | 金寶電子工業股份有限公司 | 燈標裝置的自動識別方法 |
JP6676954B2 (ja) * | 2015-12-17 | 2020-04-08 | 富士通株式会社 | 処理装置、処理方法及び処理プログラム |
CN106113040B (zh) * | 2016-07-19 | 2018-03-16 | 浙江工业大学 | 基于串并联估计模型的柔性机械臂系统模糊控制方法 |
CN107160398B (zh) * | 2017-06-16 | 2019-07-12 | 华南理工大学 | 基于确定学习的全状态受限刚性机械臂安全可靠控制方法 |
-
2017
- 2017-12-07 CN CN201711285789.XA patent/CN109895121A/zh active Pending
-
2018
- 2018-12-04 JP JP2020530514A patent/JP2021505416A/ja active Pending
- 2018-12-04 WO PCT/EP2018/083461 patent/WO2019110577A1/en active Application Filing
- 2018-12-04 DE DE112018006229.5T patent/DE112018006229T5/de not_active Ceased
-
2020
- 2020-06-05 US US16/894,136 patent/US20200298400A1/en not_active Abandoned
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021505416A5 (ja) | ||
JP2021505416A (ja) | マニピュレータの制御システムおよび制御方法 | |
CN109202942B (zh) | 手控制装置、手控制方法以及手的模拟装置 | |
US10864632B2 (en) | Direct teaching method of robot | |
US10618164B2 (en) | Robot system having learning control function and learning control method | |
JP6484213B2 (ja) | 複数のロボットを含むロボットシステム、ロボット制御装置、及びロボット制御方法 | |
JP6924145B2 (ja) | ロボット教示方法及びロボットアーム制御装置 | |
WO2016208467A1 (ja) | キャリブレーション装置およびこれを用いたロボットシステム | |
JP5327722B2 (ja) | ロボットの負荷推定装置及び負荷推定方法 | |
JP2017064910A5 (ja) | ||
JP4947073B2 (ja) | ロボット装置及びその制御方法 | |
CN112123341B (zh) | 机器人双臂协调运动控制方法、装置和电子设备 | |
JP2013223921A (ja) | 力またはインピーダンス制御ロボットの作業空間安全動作 | |
JP2018027580A (ja) | ロボット制御装置 | |
US20160107310A1 (en) | Controller for mobile robot | |
JP2004025387A (ja) | 多関節ロボットの負荷重量及び負荷重心位置の自動算出方法 | |
JP3884249B2 (ja) | 人間型ハンドロボット用教示システム | |
Lee et al. | Improving transparency in physical human-robot interaction using an impedance compensator | |
JP7159525B2 (ja) | ロボット制御装置、学習装置、及びロボット制御システム | |
JP2005335010A (ja) | 把持制御装置 | |
Ghazaei | On trajectory generation for robots | |
US20220241961A1 (en) | Method Of Adjusting Motion Parameter, Storage Medium, And Robot System | |
JP2021183363A (ja) | ロボットの制御装置及びロボットの制御方法 | |
JP7247571B2 (ja) | 制御装置、及び学習装置 | |
WO2024034338A1 (ja) | 情報処理装置 |