JP2022006841A - ロボット制御システム - Google Patents

Abstract

【課題】 力覚センサーが故障した場合でも、力覚制御フィードバックを実施することができるロボット制御システムを提供する。【解決手段】 力覚センサーを備えたロボットを制御するロボット制御システムであって、前記力覚センサーが検出した力覚情報を取得する力覚情報取得部と、前記ロボットの各軸モータから電流情報を取得する電流情報取得部と、前記ロボットの動作時の前記力覚情報と前記電流情報に基づいて、力覚情報推定モデルを学習する力覚情報学習部と、前記ロボットの動作時に、前記力覚情報推定モデルに基づいて、動作に対応する力覚情報を推定する力覚情報推定部と、前記力覚情報取得部が取得した力覚情報、または、前記力覚情報推定部が推定した力覚情報に基づいて、前記各軸モータをフィードバック制御するモータ制御部と、を具備するロボット制御システム。【選択図】 図２

Description

本発明は、物理情報推定モデルを利用して、モータの電流情報から力覚情報や重量情報を推定するロボット制御システムに関する。

ロボットを制御するロボット制御システムは、例えば、ロボットアームの手先位置を変更したり、ロボットハンドに荷物を把持させたりする際に、ロボットアームやロボットハンドに取り付けたモータの駆動を制御するためのシステムである。ロボット制御システムの中には、ロボットに取り付けた力覚センサーから、ロボットにかかる力覚情報（力やモーメント）を取得し、その力覚情報に基づいてフィードバック制御を実施することで、ロボットアームが人や構造物に衝突した際の危険回避制御や、荷物の重量等に応じたロボットハンドの把持動作制御を実現したりするものがある。

ロボットのフィードバック制御を継続的かつ正確に実施するには、故障しにくく、かつ、検出精度の高い力覚センサーの利用が求められる。この要求を満たす力覚センサーとしては、比較的故障しにくく検出精度の高い静電容量方式の力覚センサーが知られているが、ひずみゲージ方式の力覚センサーに比べて高価であるため、大量のロボットを使用する環境下では、力覚センサーの使用数の削減方法が検討されている。

例えば、特許文献１の要約書には、「力覚センサーの使用数を低減する」ための解決手段として、「手先部に力覚センサー１６を備えるロボットを具備する基準セル１は、力覚センサー１６による力測定値をフィードバックしてモータ電流値を演算する力覚制御を実行する。そして、基準セル１は、力覚制御を実況中に、作業位置とモータ電流値との対応関係を基準データ３に記録する。基準データ３は、手先部に力覚センサーを備えないロボットを具備するコピーセル２に設定される。コピーセル２は、力覚制御を指令された際には、作業位置を演算し、演算した作業位置と基準データ３とに基づいてモータ電流値を取得する。」と記載されている。

また、同文献の請求項１には、「手先部に力覚センサーが配設された第１のロボットを備える第１のロボットセル装置と、力覚センサーを具備しない第２のロボットを備える、ワークに対して前記第１のロボットセル装置と同等の動作を実行するための第２のロボットセル装置と、を備えるロボットセルシステムであって、前記第１のロボットセル装置は、前記力覚センサーによる力測定値をフィードバックして電流値を演算する力覚制御を実行して、前記演算された電流値の電流を前記第１のロボットに供給する力覚制御部と、前記力覚制御部が力覚制御を実行中に前記電流値を作業位置毎に記録した基準データを生成する基準データ生成部と、を備え、前記第２のロボットセル装置は、前記基準データ生成部が生成した基準データを予め記憶する基準データ記憶部と、力覚制御を指令された際に、作業位置を演算し、前記演算した作業位置と前記基準データとを用いて電流値を取得し、前記取得した電流値の電流を前記第２のロボットに供給する擬似力覚制御部と、を備える、ことを特徴とするロボットセルシステム。」と記載されている。

すなわち、特許文献１によれば、力覚センサーを具備する基準セル（第１のロボット）で生成した基準データを利用することで、コピーセル（第２のロボット）では力覚センサーを用いることなく基準セルと同等の作業を再現できるので、コピーセル数が多い環境では高価な力覚センサーの使用数を大幅に低減することができる。

特開２０１４－２２６７５２号公報

しかしながら、特許文献１のコピーセル（第２のロボット）は、基準セル（第１のロボット）で実施した作業を模倣するものでしかなく、基準データの存在しない新規作業を独自に実施できるものではない。このため、第２のロボットに新規作業を実施させたい場合には、第１のロボットで新規作業に対応する基準データを新たに生成してから、第２のロボットを制御する制御システムに提供する必要があった。また、力覚センサーを具備しない第２のロボットでは、フィードバック制御を実現できないため、例えば動作中の第２ロボットに人が衝突するような事故が発生しても、第２ロボットが安全回避行動をとれないといった問題もあった。

そこで、本発明は、力覚センサーが故障したロボットや、力覚センサーを備えないロボットを制御対象とする場合であっても、物理情報推定モデルを利用することで、モータの電流情報から力覚情報や重量情報を推定でき、推定情報に基づくフィードバック制御を実現することができるロボット制御システムを提供することを目的とする。

上記課題を解決するための本発明の一例は、力覚センサーを備えたロボットを制御するロボット制御システムであって、前記力覚センサーが検出した力覚情報を取得する力覚情報取得部と、前記ロボットの各軸モータから電流情報を取得する電流情報取得部と、前記ロボットの動作時の前記力覚情報と前記電流情報に基づいて、力覚情報推定モデルを学習する力覚情報学習部と、前記ロボットの動作時に、前記力覚情報推定モデルに基づいて、動作に対応する力覚情報を推定する力覚情報推定部と、前記力覚情報取得部が取得した力覚情報、または、前記力覚情報推定部が推定した力覚情報に基づいて、前記各軸モータを制御するモータ制御部と、を具備するロボット制御システムである。

また、本発明の他例は、力覚センサーを備えたロボットを制御するロボット制御システムであって、前記力覚センサーが検出した力覚情報を取得する力覚情報取得部と、前記ロボットの各軸モータから電流情報を取得する電流情報取得部と、前記ロボットが荷物を把持したときの前記力覚情報と前記電流情報に基づいて、重量情報推定モデルを学習する重量情報学習部と、前記ロボットが荷物を把持した場合に、前記重量情報推定モデルに基づいて、荷物に対応する重量情報を推定する重量情報推定部と、前記力覚情報取得部が取得した力覚情報、または、前記重量情報推定部が推定した重量情報に基づいて、前記各軸モータを制御するモータ制御部と、を具備するロボット制御システムである。

本発明のロボット制御システムによれば、力覚センサーが故障したロボットや、力覚センサーを備えないロボットを制御対象とする場合であっても、物理情報推定モデルを利用することで、モータの電流情報から力覚情報や重量情報を推定でき、推定情報に基づくフィードバック制御を実現することができる。

実施例１のロボットシステムを示す図である。 実施例１のロボット制御システムの機能ブロック図である。 実施例１の力覚情報学習のフローチャートである。 実施例１の力覚情報推定モデルＭ_Ｆの説明図である。 実施例２のロボット制御システムの機能ブロック図である。 実施例２の重量情報学習のフローチャートである。 実施例２の重量情報推定モデルＭ_Ｎを示す図である。 実施例３のロボットシステムを示す図である。 実施例４のロボットシステムを示す図である。

以下、本発明の実施例に係るロボット制御システム１について、図面を参照して詳細に説明する。なお、本発明は、以下に説明する実施例に限定されるものではない。また、以下の説明において使用する各図面において、共通する各装置、各機器には同一の符号を付しており、すでに説明した各装置、機器および動作の説明を省略する場合がある。

図１～図４を用いて、本発明の実施例１に係るロボット制御システムを説明する。

［ロボットシステム］
図１は、実施例１のロボット制御システム１と、その制御対象であるロボット２を含むロボットシステムの概略図である。ここに例示するロボット２は、６自由度を持つロボットアームであり、ジョイントＪ_１－Ｊ_６の夫々に取り付けた電動機により回転動作やねじり動作を実現し、任意の姿勢をとることができる。ロボット２の電動機は、具体的にはサーボモータ（以下、単に「モータ」と称する）であり、高応答・高負荷が求められる作業に対応している。また、モータ内には、回転角情報を出力する回転角センサーが取り付けられており、回転角情報が逐次入力されるロボット制御システム１では、各ジョイントＪの回転角度を測定して、順運動学によりロボット２の姿勢や手先位置を計算することができる。反対に、ロボット制御システム１からロボット２に、手先位置の目標を指令する場合は、逆運動学によりロボット２の各ジョイントＪの回転角を決定する。

また、ロボット２の手先には力覚センサー２１とピッキング装置２２が取り付けられている。これらにより、例えば、ベルトコンベア３で流れてきた荷物４をピッキング装置２２で吸着することで、重量別のコンテナに荷物４を振り分けることができる。

なお、図１では、ロボット２の一例として、６自由度を持つロボットアームを例示したが、自由度数は６に限定されず、例えば、７や８であっても良い。また、ロボット２は、ロボットアーム以外のロボット（例えば、ロボットハンド）であっても良く、ロボット２が実施する作業も、ベルトコンベア３からの荷物４のピッキング以外の作業であっても良い。

［ロボット制御システム１］
図２は、本実施例のロボット制御システム１の機能ブロック図である。ここに示すように、ロボット制御システム１は、力覚情報取得部１１、電流情報取得部１２、力覚情報学習部１３、メモリ１４、力覚情報推定部１５、モータ制御部１６を備えている。なお、ロボット制御システム１は、具体的には、ＣＰＵ等の演算装置、半導体メモリ等の主記憶装置、ハードディスク等の補助記憶装置、および、通信装置などのハードウェアを備えたコンピュータである。そして、補助記憶装置に記録されたデータを参照しながら、主記憶装置にロードされたプログラムを演算装置が実行することで、上記の各機能を実現するが、以下では、このような周知技術を適宜省略しながら、各部の詳細を説明する。

力覚情報取得部１１は、力覚センサー２１から力覚情報を取得する。ここで取得される力覚情報は、例えば、Ｘ、Ｙ、Ｚの３軸の反力（Ｆｘ、Ｆｙ、Ｆｚ）、モーメント（Ｍｘ、Ｍｙ、Ｍｚ）の６情報である。電流情報取得部１２は、各ジョイントＪのモータに取り付けた電流センサーから、そのモータに流れる電流値を示す電流情報Ｉを取得する。力覚情報学習部１３では、電流情報取得部１２が得た電流情報Ｉに基づいて、力覚情報取得部１１で得られる力覚情報を推定するための学習を行う。メモリ１４には、取得した力覚情報、電流情報Ｉ、および、力覚情報学習部１３で学習した力覚情報推定モデルＭ_Ｆを保存する。力覚情報推定部１５は、力覚情報推定モデルＭ_Ｆを利用し、電流情報取得部１２が得た電流情報Ｉから力覚情報を推定する。モータ制御部１６は、力覚情報推定部１５で推定した力覚情報か、力覚情報取得部１１で取得した力覚情報を用いて、ロボット２への力覚フィードバック制御を実施する。

［力覚学習処理］
ここで、図３のフローチャートを用いて、力覚情報学習部１３での学習処理の詳細を説明する。なお、この学習処理は、一定時間経過毎に実施してもよいし、操作者からの指令に応じて実施してもよい。

まず、ステップＳ１では、ロボット制御システム１は、力覚情報取得部１１が得た力覚情報と、電流情報取得部１２が得た電流情報Ｉをメモリ１４に蓄積する。

次に、ステップＳ２では、ロボット制御システム１は、メモリ１４を読み込んで、学習済みの力覚情報推定モデルＭ_Ｆが存在するか確認する。存在する場合には、過去に力覚情報の学習が行われたと判定し、ステップＳ３－Ｓ５へ進む。一方、存在しない場合には、過去に一度も力覚情報の学習が行われていないと判定し、ステップＳ６－Ｓ８へ進む。

学習済みの力覚情報推定モデルＭ_Ｆが存在する場合、まず、ステップＳ３では、力覚情報学習部１３は、メモリ１４から学習済みの力覚情報推定モデルＭ_Ｆを読み込む。

次に、ステップＳ４では、力覚情報学習部１３は、学習済みの力覚情報推定モデルＭ_Ｆに、Ｓ１で蓄積した電流情報Ｉを入力として与え、力覚情報を推定する。

ここで、図４を用いて、力覚情報推定モデルＭ_Ｆの入出力の一例を説明する。ここに示すように、本実施例の力覚情報推定モデルＭ_Ｆは、ロボット２のジョイントＪ_１－Ｊ_６の電流情報Ｉ_１－Ｉ_６を与えたときに、３軸の反力（Ｆｘ、Ｆｙ、Ｆｚ）と３軸のモーメント（Ｍｘ、Ｍｙ、Ｍｚ）からなる６種類の推定力覚情報を出力するものである。

ステップＳ５では、力覚情報学習部１３は、Ｓ１で取得した力覚情報と電流情報Ｉを用いて再学習を実施し、力覚情報推定モデルＭ_Ｆの精度を更に高める。再学習は、次のように行う。すなわち、電流情報Ｉと力覚情報推定モデルＭ_Ｆによる推定力覚情報と、Ｓ１で実際に得た力覚情報の誤差を最小化するように、機械学習の一種であるニューラルネットワークによる学習を繰り返すことで、力覚情報推定モデルＭ_Ｆのパラメータ精度を高めていく。なお、再学習の過程で、学習を繰り返すと過学習と呼ばれる学習率が低下する現象が想定される。これを避けるため、学習率を逐次監視しておき、学習率が繰り返し学習により低下した場合に、学習を強制終了する機能（ドロップアウト）を設けてもよい。

ステップＳ５を終えると、ステップＳ９では、力覚情報学習部１３は、ステップＳ５で再学習した力覚情報推定モデルＭ_Ｆをメモリ１４に保存する。

一方、学習済みの力覚情報推定モデルＭ_Ｆが存在しない場合、まず、ステップＳ６では、力覚情報学習部１３は、各ジョイントＪの電流情報Ｉから、図４の方法で新規に力覚情報推定モデルＭ_Ｆを作成する。

次に、ステップＳ７では、力覚情報学習部１３は、ステップＳ６で作成した力覚情報推定モデルＭ_Ｆに、Ｓ１で蓄積した電流情報Ｉを入力として与え、力覚情報を推定する。

ステップＳ８では、力覚情報学習部１３は、Ｓ１で取得した力覚情報と電流情報Ｉを用いて学習を実施する。学習は、次のように行う。すなわち、電流情報Ｉと力覚情報推定モデルＭ_Ｆによる推定力覚情報と、Ｓ１で実際に得た力覚情報の誤差を最小化するように、機械学習の一種であるニューラルネットワークによる学習を繰り返すことで、力覚情報推定モデルＭ_Ｆのパラメータ精度を高めていく。学習を一定回数繰り返した段階、または、学習率の向上が見られなくなった段階で、学習を終了する。

ステップＳ８を終えると、ステップＳ９では、力覚情報学習部１３は、ステップＳ８で学習した力覚情報推定モデルＭ_Ｆをメモリ１４に保存する。

［実作業中の挙動］
力覚情報推定部１５は、力覚情報学習部１３がメモリ１４に保存した力覚情報推定モデルＭ_Ｆを利用して、電流情報取得部１２が得た電流情報Ｉから力覚情報を推定する。

モータ制御部１６は、力覚情報取得部１１の出力が正常である場合は、力覚情報取得部１１が取得した力覚情報に基づいてロボット２をフィードバック制御し、力覚情報取得部１１の出力が異常である場合は、力覚情報推定部１５が推定した力覚情報に基づいてロボット２をフィードバック制御する。これにより、力覚センサー２１が故障した場合であっても、力覚情報推定部１５による推定力覚情報を利用して、ロボット２のフィードバック制御を継続することができる。

以上詳細に説明したように、本実施例によれば、電流情報から力覚情報を推定する力覚情報推定モデルＭ_Ｆにより、例えば学習後に力覚センサーが故障した場合においても、電流情報の入力で力覚情報を精度よく推定可能となるため、フェールセーフの機能として、故障時の危険回避行動が可能となる。

次に、本発明の実施例２のロボット制御システムについて、図５－図７を用いて説明する。なお、実施例１との共通点は重複説明を省略する。

本実施例のロボット２は、持ち上げた荷物４の重量を推定し、重量ごとに仕分ける、ピックアンドプレース作業を実施するものとする。

［ロボット制御システム１］
図５は、本実施例のロボット制御システム１の機能ブロック図である。ここに示すように、ロボット制御システム１は、力覚情報取得部１１、電流情報取得部１２、重量情報学習部１３ａ、メモリ１４、重量情報推定部１５ａ、モータ制御部１６を備えている。

重量情報学習部１３ａでは、電流情報取得部１２が得た電流情報Ｉに基づいて、重量情報を推定するための学習を行う。メモリ１４には、取得した力覚情報、電流情報Ｉ、および、重量情報学習部１３ａで学習した重量情報推定モデルＭ_Ｎを保存する。重量情報推定部１５ａは、重量情報推定モデルＭ_Ｎを利用し、電流情報取得部１２が得た電流情報Ｉから重量情報を推定する。モータ制御部１６は、重量情報推定部１５ａで推定した重量情報か、力覚情報取得部１１で取得した力覚情報を用いて、ロボット２にピックアンドプレース作業を実施させる。

［重量学習処理］
ここで、図６のフローチャートを用いて、重量情報学習部１３ａでの学習の詳細を説明する。なお、ここでの学習処理は、一定時間経過毎に実施してもよいし、操作者からの指令に応じて実施してもよい。

まず、ステップＳ１１では、ロボット制御システム１は、ロボット２に荷物４を持ち上げさせた後、その荷物４を所定の手先位置Ｐまで移動させ、微小時間停止する動作を実施させる。これにより、各ジョイントＪのモータの電流情報Ｉが定常値に収束するため、この後の重量情報を推定しやすくなる。なお、ロボット２の手先を特定の手先位置Ｐまで移動させるのは、重量推定時のロボット２の各軸及び各節の姿勢を同一とすることで、各モータへの自重のかかり方を統一し、荷物４の重量を正確に推定するためである。

ここで、各ジョイントＪ_ｉ（ｉ＝１～６）のモータの電流情報Ｉ_ｉ［Ａ］と、モータ負荷Ｔ_ｉ［Ｎ・ｍ］の関係式を（式１）に示す。

Ｋ_ｉはモータ比例定数、Ａ_ｉは電流振幅［Ａ］、ｆは周波数［Ｈｚ］、θ_ｉは位相角である。

一般的に、ロボット２の各モータのモータ負荷Ｔは、モータの回転や姿勢維持に必要な負荷と、減速機構の駆動に必要な負荷と、ロボット２の節毎の自重支持に必要な負荷の和である。このため、所定の手先位置Ｐでの荷物４の重量によるモータ負荷は、（式１）の単純計算によっては求まらない。

そこで、本実施例では、荷物の重量を推定するために、（式２）に示すように、荷物４（手先負荷）を持ち上げたときのモータ負荷Ｔ_ｉ，ｍから、荷物４（手先負荷）を持たないときのモータ負荷Ｔ_ｉ，０を減算することで、モータトルクの変動量ΔＴを抽出し、その変動量ΔＴに基づいて荷物４の重量を推定する。

ΔＴ_ｉ、Ｐは所定の手先位置Ｐでのモータ負荷変動量、Ｉ_ｉ、ｍは手先負荷がある場合のモータ電流［Ａ］、Ｉ_ｉ、０は手先負荷がない場合のモータ電流［Ａ］、Ａ_ｉ、ｍは手先負荷がある場合のモータ電流振幅［Ａ］、Ａ_ｉ、０は手先負荷がない場合のモータ電流振幅［Ａ］、θ_ｉ、ｍは手先負荷がある場合の位相角、θ_ｉ、０は手先負荷がない場合の位相角である。なお、式２では、荷物４の有無によるモータトルクの変動量ΔＴを算出したが、重量の異なる二種類の荷物４を持ち上げた場合のモータトルクの変動量ΔＴを算出しても良い。前者から学習した重量情報推定モデルＭ_Ｎを利用する場合は荷物４の絶対重量を推定することができ、後者からから学習した重量情報推定モデルＭ_Ｎを利用する場合は荷物４の相対重量を推定することができる。

次に、ステップＳ１２では、ロボット制御システム１は、力覚情報取得部１１が得た力覚情報と、電流情報取得部１２が得た電流情報をメモリ１４に蓄積する。

ステップＳ１３では、ロボット制御システム１は、メモリ１４を読み込んで、学習済みの重量情報推定モデルＭ_Ｎが存在するか確認する。存在する場合には、過去に重量情報の学習が行われたと判定し、ステップＳ１４－１６へ進む。一方、存在しない場合には、過去に一度も力覚情報の学習が行われていないと判定し、ステップＳ１７－１９へ進む。

学習済みの重量情報推定モデルＭ_Ｎが存在する場合、まず、ステップＳ１４では、重量情報学習部１３ａは、学習済みの重量情報推定モデルＭ_Ｎを読み込む。

次に、ステップＳ１５では、重量情報学習部１３ａは、学習済みの重量情報推定モデルＭ_Ｎに、Ｓ１２で蓄積した電流情報Ｉを入力として与え、重量情報を推定する。

ここで、図７を用いて、重量情報推定モデルＭ_Ｎの入出力の一例を説明する。ここに示すように、本実施例の重量情報推定モデルＭ_Ｎは、ロボット２のジョイントＪ_１－Ｊ_６の電流情報Ｉ_１－Ｉ_６を与えたときに、Ｚ軸方向の反力における差分Ｎを重力情報として出力するものである。同一地点である手先位置Ｐで計測された、ロボット２の電流情報Ｉの差分は、手先負荷の違いによるＺ軸方向の反力の差分Ｎとして顕在化する。

Ｓ１６では、重量情報学習部１３ａは、Ｓ１１で取得した力覚情報と電流情報Ｉを用いて、再学習を実施し、重量情報推定モデルＭ_Ｎの精度を更に高める。再学習は、次のように行う。すなわち、電流情報Ｉと重量情報推定モデルＭ_Ｎによる推定重量情報と、Ｓ１１で実際に得た力覚情報の差分Ｎの誤差を最小化するように、機械学習の一種であるニューラルネットワークによる学習を繰り返すことで、重量情報推定モデルＭ_Ｎのパラメータ精度を高めていく。

ステップＳ１６を終えると、ステップＳ２０では、重量情報学習部１３ａは、ステップＳ１６で再学習した重量情報推定モデルＭ_Ｎをメモリ１４に保存する。

一方、学習済みの重量情報推定モデルＭ_Ｎが存在しない場合、まず、ステップＳ１７では、重量情報学習部１３ａは、各ジョイントＪの電流情報Ｉから、図７の方法で新規に重量情報推定モデルＭ_Ｎを作成する。

次に、ステップＳ１８では、重量情報学習部１３ａは、ステップＳ１７で作成した重量情報推定モデルＭ_Ｎに、Ｓ１２で蓄積した電流情報Ｉを入力として与え、重量情報を推定する。

ステップＳ１９では、重量情報学習部１３ａは、Ｓ１２で取得した力覚情報と電流情報Ｉを用いて学習を実施する。学習は、次のように行う。すなわち、電流情報Ｉと重量情報推定モデルＭ_Ｎによる推定重量情報と、Ｓ１２で実際に得た手先負荷の有無による力覚情報の差分Ｎの誤差を最小化するように、機械学習の一種であるニューラルネットワークによる学習を繰り返すことで、重量情報推定モデルＭ_Ｎのパラメータ精度を高めていく。学習を一定回数繰り返した段階、または、学習率の向上が見られなくなった段階で、学習を終了する。

ステップＳ１９を終えると、ステップＳ２０では、重量情報学習部１３ａは、ステップＳ１９で学習した重量情報推定モデルＭ_Ｎをメモリ１４に保存する。

［実作業中の挙動］
重量情報推定部１５ａは、重量情報学習部１３ａがメモリ１４に保存した重量情報推定モデルＭ_Ｎを利用して、電流情報取得部１２が得た電流情報Ｉから荷物４の重量情報を推定する。

モータ制御部１６は、力覚情報取得部１１の出力が正常である場合は、力覚情報取得部１１が取得した力覚情報に基づいて荷物４の重量を検出し、力覚情報取得部１１の出力が異常である場合は、重量情報推定部１５ａを利用して荷物４の重量を推定する。これにより、力覚センサー２１が故障した場合であっても、重量情報推定部１５ａによる推定重量情報を利用して、荷物４を重量ごとに仕分けるピックアンドプレース作業を継続することができる。

以上詳細に説明したように、本実施例によれば、電流情報から重量情報を推定する重量情報推定モデルＭ_Ｎにより、例えば学習後に力覚センサーが故障した場合においても、電流情報の入力で重量情報を精度よく推定可能となるため、フェールセーフの機能として、故障時の危険回避行動が可能となる。

次に、本発明の実施例３に係るロボット制御システムについて、図８を用いて説明する。なお、上記した実施例との共通点は重複説明を省略する。

実施例１では、力覚センサー２１を備えたロボット２を制御対象としたが、本実施例では、力覚センサー２１を備えないロボット２Ａを制御対象としている。なお、ロボット２Ａは、力覚センサー２１を備えないこと以外は実施例１のロボット２と同仕様である。

本実施例のロボット制御システム１のメモリ１４には、実施例１で学習した力覚情報推定モデルＭ_Ｆが登録されている。このため、本実施例のロボット制御システム１は、力覚情報推定モデルＭ_Ｆを利用することで、力覚センサー２１を備えないロボット２Ａから取得した電流情報Ｉに基づいて力覚情報を推定でき、推定力覚情報を用いて、ロボット２Ａでのフィードバック制御を実現することができる。

従って、力覚センサー２１を備えないロボット２Ａを大量に使用する環境下では、高価な力覚センサーの使用数を大幅に削減でき、大幅なコスト低減を実現できる。

次に、本発明の実施例４に係るロボット制御システムについて、図９を用いて説明する。なお、上記した実施例との共通点は重複説明を省略する。

実施例２では、力覚センサー２１を備えたロボット２を制御対象としたが、本実施例では、力覚センサー２１を備えないロボット２Ａを制御対象としている。なお、ロボット２Ａは、力覚センサー２１を備えないこと以外は実施例２のロボット２と同仕様である。

本実施例のロボット制御システム１のメモリ１４には、実施例２で学習した重量情報推定モデルＭ_Ｎが登録されている。このため、本実施例のロボット制御システム１は、重量情報推定モデルＭ_Ｎを利用することで、力覚センサー２１を備えないロボット２Ａから取得した電流情報Ｉに基づいて重量情報を推定でき、推定重量情報を用いて、ロボット２Ａに荷物４を重量ごとに仕分ける、ピックアンドプレース作業を実施させることができる。

従って、力覚センサー２１を備えないロボット２Ａを大量に使用する環境下では、高価な力覚センサーの使用数を大幅に削減でき、大幅なコスト低減を実現できる。

１ ロボット制御システム
１１ 力覚情報取得部
１２ 電流情報取得部
１３ 力覚情報学習部
１３ａ 重量情報学習部
１４ メモリ
１５ 力覚情報推定部
１５ａ 重量情報推定部
１６ モータ制御部
２ ロボット（力覚センサーあり）
２１ 力覚センサー
２２ ピッキング装置
２Ａ ロボット（力覚センサーなし）
３ ベルトコンベア
４ 荷物
Ｍ_Ｆ 力覚情報推定モデル
Ｍ_Ｎ 重量情報推定モデル

Claims (8)

1. 力覚センサーを備えたロボットを制御するロボット制御システムであって、
   前記力覚センサーが検出した力覚情報を取得する力覚情報取得部と、
   前記ロボットの各軸モータから電流情報を取得する電流情報取得部と、
   前記ロボットの動作時の前記力覚情報と前記電流情報に基づいて、力覚情報推定モデルを学習する力覚情報学習部と、
   前記ロボットの動作時に、前記力覚情報推定モデルに基づいて、動作に対応する力覚情報を推定する力覚情報推定部と、
   前記力覚情報取得部が取得した力覚情報、または、前記力覚情報推定部が推定した力覚情報に基づいて、前記各軸モータを制御するモータ制御部と、
   を具備することを特徴とするロボット制御システム。
2. 請求項１に記載のロボット制御システムにおいて、
   前記力覚情報推定部は、前記電流情報を前記力覚情報推定モデルに入力することで、力覚情報を推定することを特徴とするロボット制御システム。
3. 請求項１または請求項２に記載のロボット制御システムにおいて、
   前記力覚情報取得部の出力が正常である場合は、前記力覚情報取得部が取得した力覚情報に基づいて、前記ロボットをフィードバック制御し、
   前記力覚情報取得部の出力が異常である場合は、前記力覚情報推定部が推定した力覚情報に基づいて、前記ロボットをフィードバック制御することを特徴とするロボット制御システム。
4. 力覚センサーを備えたロボットを制御するロボット制御システムであって、
   前記力覚センサーが検出した力覚情報を取得する力覚情報取得部と、
   前記ロボットの各軸モータから電流情報を取得する電流情報取得部と、
   前記ロボットが荷物を把持したときの前記力覚情報と前記電流情報に基づいて、重量情報推定モデルを学習する重量情報学習部と、
   前記ロボットが荷物を把持した場合に、前記重量情報推定モデルに基づいて、荷物に対応する重量情報を推定する重量情報推定部と、
   前記力覚情報取得部が取得した力覚情報、または、前記重量情報推定部が推定した重量情報に基づいて、前記各軸モータを制御するモータ制御部と、
   を具備することを特徴とするロボット制御システム。
5. 請求項４に記載のロボット制御システムにおいて、
   前記重量情報推定部は、前記電流情報を前記重量情報推定モデルに入力することで、重量情報を推定することを特徴とするロボット制御システム。
6. 請求項４または請求項５に記載のロボット制御システムにおいて、
   前記力覚情報取得部の出力が正常である場合は、前記力覚情報取得部が取得した力覚情報に基づいて、前記ロボットを制御し、
   前記力覚情報取得部の出力が異常である場合は、前記重量情報推定部が推定した重量情報に基づいて、前記ロボットを制御することを特徴とするロボット制御システム。
7. 力覚センサーを備えないロボットを制御するロボット制御システムであって、
   前記ロボットの動作時に各軸モータから得られる電流情報を取得する電流情報取得部と、
   請求項１のロボット制御システムが学習した力覚情報推定モデルを登録したメモリと、
   前記ロボットの動作時の前記電流情報を前記力覚情報推定モデルに入力することで、力覚情報を推定する力覚情報推定部と、
   を具備することを特徴とするロボット制御システム。
8. 力覚センサーを備えないロボットを制御するロボット制御システムであって、
   前記ロボットの動作時に各軸モータから得られる電流情報を取得する電流情報取得部と、
   請求項４のロボット制御システムが学習した重量情報推定モデルを登録したメモリと、
   前記ロボットの動作時の前記電流情報を前記重量情報推定モデルに入力することで、重量情報を推定する重量情報推定部と、
   を具備することを特徴とするロボット制御システム。

Images