JP2022179118A - 把持推定装置、モデル生成方法、モデル学習装置、及びグリッパ - Google Patents
把持推定装置、モデル生成方法、モデル学習装置、及びグリッパ Download PDFInfo
- Publication number
- JP2022179118A JP2022179118A JP2021086379A JP2021086379A JP2022179118A JP 2022179118 A JP2022179118 A JP 2022179118A JP 2021086379 A JP2021086379 A JP 2021086379A JP 2021086379 A JP2021086379 A JP 2021086379A JP 2022179118 A JP2022179118 A JP 2022179118A
- Authority
- JP
- Japan
- Prior art keywords
- gripping
- model
- amount
- uncertainty
- grip
- 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
- 238000000034 method Methods 0.000 title claims description 79
- 238000013210 evaluation model Methods 0.000 claims description 51
- 235000013305 food Nutrition 0.000 claims description 33
- 238000011156 evaluation Methods 0.000 claims description 32
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 description 44
- 230000008569 process Effects 0.000 description 35
- 238000003860 storage Methods 0.000 description 35
- 230000015654 memory Effects 0.000 description 34
- 238000010586 diagram Methods 0.000 description 17
- 238000005303 weighing Methods 0.000 description 14
- 230000014509 gene expression Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 7
- 239000012636 effector Substances 0.000 description 6
- 230000010365 information processing Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000007792 addition Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005401 electroluminescence Methods 0.000 description 2
- 239000008187 granular material Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 241000533293 Sesbania emerus Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 229920002239 polyacrylonitrile Polymers 0.000 description 1
- 201000006292 polyarteritis nodosa Diseases 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Abstract
Description
(ステップS801)
取得部173は、把持対象133に関する所定サイズの複数の部分領域それぞれについて、観測データを、観測装置13から取得する。所定サイズは、平行グリッパ111による把持可能なサイズとして、把持推定装置17におけるメモリに予め記憶される。図9は、観測データの一例を示す図である。図9に示すように、取得部173は、例えば、複数の部分領域それぞれについて、トレイ131に配置された把持対象133である粒状の食品のRGB画像とD画像とを取得する。
推定部175は、各部分領域について、観測データを把持量推定モデルに入力し、把持装置11で掴み取る把持対象133の把持量を推定する。これにより、推定部175は、複数の部分領域に対応する複数の推定量を出力する。
評価部177は、各部分領域について、観測データを不確実性評価モデルに入力し、その不確実性評価モデルから不確実性指標を出力する。すなわち評価部177は、把持対象133が推定量だけ掴み取られる不確実性を評価する。これにより、評価部177は、各部分領域の推定量に対する不確実性を評価する。
選択部179は、目標量から所定範囲内(例えば±0.5g以内)の把持量が推定された領域を特定する。図10は、目標量が60gである場合において、トレイ131の撮影範囲の一部の領域における推定量と不確実性との一例を示す図である。図10における点線の丸印は、複数の推定量に対する領域を示している。また、図10における実線の四角は、選択部804により特定された複数の領域と、当該領域における不確実性とを示している。なお、目標量から所定範囲内の推定量を持つ領域が無ければ、制御部181はエラーを通知してもよいし、制御部181は把持装置111を制御してトレイ131に配置された把持対象133を把持装置111で均してから処理をステップS801に戻してもよい。
選択部179は、特定された領域のうち、不確実性が最も低い(すなわち、不確実度が最も低い、あるいは、信頼度が最も高い)領域を選択する。図10において、不確実性が最も低い領域MRは、不確実度が0.1の領域に対応する。なお、所定の条件に所定の不確実性範囲(例えば不確実度が0.1以下)が含まれている場合には、不確実度がこの不確実性範囲内である領域が選択される。もしこの不確実性範囲に含まれる不確実性を持つ領域が無ければ、制御部181は、出力装置を介してエラーを通知してもよいし、制御部181は把持装置111を制御してトレイ131に配置された把持対象133を把持装置111で均してから処理をステップS801に戻してもよい。
制御部181は、選択された領域から把持対象133を掴み取るように、把持装置11を制御する。これにより、把持処理は終了する。
(ステップS111)
取得部173は、把持対象133に関する所定サイズの部分領域について、観測データを、観測装置13から取得する。取得部173は、部分領域の位置を、制御部181に出力する。また、取得部173は、部分領域の位置を、メモリに記憶する。
推定部175は、部分領域に関する観測データを第1学習モデルに入力し、把持装置11で掴み取る把持対象133の把持量を、第1出力値として出力(推定)する。
制御部181は、部分領域に対して把持対象133の把持を実行するように、把持装置11を制御する。把持装置11は、制御部181による制御のもとで、部分領域における把持対象133を把持する。
取得部173は、計量装置15もしくは力覚センサからの出力に基づいて、把持装置11による把持量の実測値、すなわち実際の把持量を取得する。計量装置15からの出力である計量データに基づいて実測値を計算する場合、取得部173は、例えば、把持装置11による把持対象133の把持の前後における計量データを差分することで、実測値を取得する。なお、力覚センサが平行グリッパ111に搭載されている場合、取得部173は、力覚センサからの出力を重さに変換することにより、実測値を取得する。
推定部175は、第1出力値(推定量)と実測値との差分に基づいて損失を計算する。例えば、推定部175は、当該差分を損失関数に適用することにより、損失(2乗誤差)を算出する。次いで、推定部175は、誤差逆伝播法または確率的勾配降下法などの既知の手法により、損失を低減するように第1学習モデルにおけるパラメータを更新する。
パラメータの更新回数が所定回数であれば(ステップS116のYes)、ステップS118の処理が実行される。パラメータの更新回数が所定回数でなければ(ステップS116のNo)、ステップS117の処理が実行される。所定回数は、ユーザなどにより予め設定される。なお、本ステップにおける処理は、パラメータの更新回数と所定回数との比較に限定されない。例えば、第1学習モデルに対する学習が収束するまで、ステップS111乃至ステップS116の処理が繰り返されてもよい。第1学習モデルに対する学習の収束とは、例えば、推定量と実測値との差分が所定の値以下となる場合である。所定回数または所定の値は、把持推定装置17におけるメモリに予め記憶される。
取得部173は、観測データにおいて、ステップS111における部分領域とは異なる他の部分領域を設定する。取得部173は、他の部分領域の位置を制御部181に出力する。
推定部175は、第1学習モデルを、把持量推定モデルとして設定する。推定部175は、把持量推定モデルを、把持推定装置17におけるメモリに記憶する。以上により、推定モデル生成処理は終了する。
(ステップS121)
取得部173は、把持対象133に関する所定サイズの部分領域について、観測データを、観測装置13から取得する。また、取得部173は、部分領域の位置を、メモリに記憶する。
評価部177は、部分領域に関する観測データを第2学習モデルに入力し、第2出力値を出力する。続く説明から理解されるように、評価部177は、第2学習モデルとは別の基準モデル(後述の重み固定モデル、ターゲットネット)が同観測データに基づいて出力するデータ(出力値)を、第2学習モデルから出力される第2出力値として推測する。
評価部177は、部分領域に関する観測データを重み固定モデルに入力し、第3出力値を出力する。重み固定モデルは、例えば、ニューラルネットワークモデルにおいて、重みが固定されたモデルに相当する。重み固定モデルは、基準となるニューラルネットワークモデルであって、ターゲットネット(Target Net)と称される。重み固定モデルと第2学習モデルとは、異なるニューラルネットワークのモデルであって、例えば、中間層の数などのハイパーパラメータが異なる。また、重み固定モデルと第2学習モデルとは、好適には、例えばイメージネット(Image Net)など、ニューラルネットワークモデルの構造自体が異なるモデルである。重み固定モデルに入力する観測データや重み固定モデルから得られる出力に、予め決められた範囲内の大きさの微小ノイズを人為的に加えたり、重み固定モデルから出力される値の平均や分散といった統計量が観測データと一致するように調整したりすることで、実際の観測データで得られる値とは値そのものは違っていても、観測データとの統計的な性質が似た形になるように、重み固定モデルは設定されても良い。
評価部177は、第2出力値と第3出力値との差分を計算する。次いで、評価部177は、算出された差分と損失関数とに基づいて、損失(2乗誤差)を算出する。この差分は、不確実性評価モデルが出力する不確実性指標に相当する。
評価部177は、誤差逆伝播法または確率的勾配降下法などの既知の手法により、損失を低減するように第2学習モデルにおけるパラメータを更新する。
パラメータの更新回数が所定回数であれば(ステップS126のYes)、ステップS128の処理が実行される。このとき、第2学習モデルは、学習済みモデルに相当し、例えば、プレディクターネット(Predictor Net)と称される。第2学習モデルに対する学習は、自己教師あり学習に相当する。パラメータの更新回数が所定回数でなければ(ステップS126のNo)、ステップS127の処理が実行される。なお、本ステップにおける処理は、パラメータの更新回数と所定回数との比較に限定されない。例えば、第1学習モデルに対する学習が収束するまで、ステップS121乃至ステップS126の処理が繰り返されてもよい。第2学習モデルに対する学習の収束とは、例えば、第2出力値と第3出力値との差分が所定の値以下となる場合である。
取得部173は、観測データにおいて、ステップS121における部分領域とは異なる他の部分領域を設定する。取得部173は、他の部分領域の位置を制御部181に出力する。
評価部177は、プレディクターネットとターゲットネットとをまとめて、不確実性評価モデルとして設定する。このとき、不確実性評価モデルは、RND(Random Network Distillation)モデルに相当する。このとき、不確実性評価モデルは、入力された観測データが学習時に用いられたデータに近いかどうか、すなわち類似性の度合いを評価するモデルに相当する。評価部177は、不確実性評価モデルを、把持推定装置17におけるメモリに記憶する。このとき、不確実性評価モデルからの出力は、重み固定モデルからの出力と学習済み不確実性評価モデルからの出力との差異を示す値であって、例えば、0(差異なし)から1(差異最大)の範囲で表される。不確実性評価モデルからの出力が0の場合、不確実性の度合いは0に相当し、信頼度は最大となる。一方、不確実性評価モデルからの出力が1の場合、不確実性の度合いは最大であって、信頼度は0に相当する。以上により、評価モデル生成処理は終了する。
(ステップS143)
評価部177は、部分領域に関する観測データを第3学習モデルに入力し、把持装置11で掴み取る把持対象133の推定量の誤差量を出力する。誤差量は、部分領域において実際に把持装置11により把持された把持対象133の把持量の実測値と、把持量推定モデルにより出力された推定量との差分に相当する。すなわち第3学習モデルは、部分領域に関する観測データに基づいて、当該部分領域から掴み取られる把持対象133の推定量の誤差(把持量の推定誤差)を推定する。この誤差(誤差量)は、不確実度(不確実性指標)に相当する。
推定部175は、第1出力値(推定量)と実測値との差分(以下、第1差分と呼ぶ)を計算する。評価部177は、誤差量と第1差分との差分(以下、第2差分と呼ぶ)を計算する。
推定部175は、例えば、第1差分を損失関数に適用することにより、第1損失(2乗誤差)を算出する。次いで、推定部175は、誤差逆伝播法または確率的勾配降下法などの既知の手法により、第1損失を低減するように第1学習モデルにおけるパラメータを更新する。評価部177は、例えば、第2差分を損失関数に適用することにより、第2損失(2乗誤差)を算出する。次いで、評価部177は、誤差逆伝播法または確率的勾配降下法などの既知の手法により、第2損失を低減するように第3学習モデルにおけるパラメータを更新する。
推定部175は、学習済みの第1学習モデルを、把持量推定モデルとして設定する。評価部177は、学習済みの第3学習モデルを、不確実性評価モデルとして設定する。このとき、不確実性評価モデルは、把持量推定モデルによって推定された把持量の推定誤差(不確実度)を推定する誤差推定(Error Estimation)モデルに相当する。具体的には、推定部175および評価部177は、学習済みの第1学習モデルと学習済みの第3学習モデルとをまとめて、把持量不確実性推定モデルとして設定する。推定部175および評価部177は、設定された把持量不確実性推定モデルを、把持推定装置17におけるメモリに記憶する。このとき、図8に示す把持処理におけるステップS802とステップS803との処理は、次のようにまとめられることとなる。すなわち、ステップS802およびステップS803における処理は、各部分領域について、観測データを把持量不確実性推定モデルに入力することで、推定量と不確実度(不確実性指標)とが出力されることとなる。モデル生成処理における第3学習モデルに対する学習は、自己教師あり学習に相当する。
推定部175は、グリッパの実際の把持量p、グリッパ開放時間x、隙間幅yを入力、隙間から落ちる把持対象の量zを出力とする学習モデル(好適にはニューラルネットワークモデル)を学習し、学習モデルを把持推定装置17におけるメモリに記憶する。この学習は、入力p、x、yを学習モデルに入力して出力zを取得し、その出力zと、グリッパが実際に把持している量が把持量pであるときに開放時間xだけ隙間幅yを開けた場合にグリッパから実際に落下した把持対象の量(落下量)z’とに基づく損失を計算し、その損失に基づく誤差逆伝播法または確率的勾配降下法などの既知の手法により、損失を低減する方向に学習モデルのパラメータを更新する。そして推定部175は、メモリに記憶されたこの学習済みモデルを用いて、余剰量をグリッパから落として把持量を目標量とするためのグリッパの制御量x、yを求める。具体的には、推定部175は、(1)制御量の候補x’およびy’に値を設定し、(2)そのx’およびy’と現在の把持量pとをこの学習済モデルに入力して落下量zを推定し、この落下量zが、現在の把持量pと目標量との差分に近いか(つまりこの差分から所定範囲内(例えば±0.5g以内)か)を判定する。(3)近ければ、推定部175は、このx’とy’をグリッパの制御量として制御部181に渡す。(4)近くなければ、推定部175は、x’およびy’の一方あるいは両方に別の値を設定し、処理(2)に戻る。制御部181は、渡されたこの制御量にしたがってグリッパの開放を制御することで、グリッパから把持対象の余剰量を落として目標量の把持を達成する。
方法1では学習モデルの出力zが落下量であったが、グリッパに残る把持対象の残存量であってもよい。この場合でも、方法1と同様の枠組みでモデルを学習できる。この場合、推定部175は、方法1の落下量を残存量zと読み替えて、(2)の判定において、残存量zが目標量に近いかを判定すればよい。
方法1において落下量を推定するのに学習済みモデルを利用したが、把持量p、開放時間x、隙間幅y、落下量zを項目として持つテーブルを利用してもよい。この場合、テーブル中のp、x、y、zの各組の値を事前に実験的に求めたり、実験的に求めた値どうしを補間して求めたりしておけばよい。余剰量を落とす場合、推定部175は、方法1の(2)の落下量zの推定において、x’およびy’と現在の把持量pとをキーとしてテーブルを検索して落下量zを推定すればよい。あるいは、推定部175は、現在の把持量pと目標量との差分を落下量zとみなし、現在の把持量pと落下量zをキーとしてテーブルを検索して制御量xおよびyを特定し、それらxおよびyをグリッパの制御量として制御部181に渡してもよい。
方法3のテーブルの落下量zに代えてグリッパに残る残存量zを項目としてもよい。この場合でも方法3と同様にテーブルを用意しておくことができる。この場合、推定部175は、方法3で説明した落下量zの推定を残存量zの推定と読み替え、判定において推定された残存量zが目標量に近いかを判定すればよい。あるいは、推定部175は、目標量を残存量zとみなし、現在の把持量pと残存量zをキーとしてテーブルを検索して制御量xおよびyを特定し、それらxおよびyをグリッパの制御量として制御部181に渡してもよい。
Claims (20)
- 把持対象の観測データを取得する取得部と、
前記観測データに基づいて、把持装置により前記把持対象が把持される把持量を推定する推定部と、
を有する把持推定装置。 - 前記観測データに基づいて、前記推定された把持量が前記把持装置により把持される不確実性を評価する評価部をさらに有する請求項1に記載の把持推定装置。
- 前記取得部は、前記観測データとは異なる種類の観測データを取得し、
前記異なる種類の観測データに基づいて、前記推定された把持量が前記把持装置により把持される不確実性を評価する評価部をさらに有する、
請求項1に記載の把持推定装置。 - 前記取得部は、前記把持対象が分布する領域における複数の部分領域各々において前記観測データを取得し、
前記推定部は、前記複数の部分領域各々において前記把持量を推定し、
前記評価部は、前記複数の部分領域各々において前記不確実性を評価し、
前記複数の部分領域各々に対応する前記把持量および前記不確実性に基づいて、前記複数の部分領域から、前記把持装置により把持される領域を選択する選択部をさらに有する、
請求項2または3に記載の把持推定装置。 - 把持対象が分布する複数の部分領域各々における当該把持対象の観測データを取得する取得部と、
前記複数の部分領域各々において、前記把持対象の把持に関する不確実性を前記観測データに基づいて評価する評価部と、
前記複数の部分領域各々について評価された前記不確実性に基づいて、前記複数の部分領域から、前記把持対象を把持装置によって把持する領域を選択する選択部と、
を有する把持推定装置。 - 前記把持対象は、粒状の食品である請求項1乃至5のうちいずれか1項に記載の把持推定装置。
- 前記把持装置は、閉状態において前記把持対象を保持可能な空間を複数の面形状で形成するグリッパを有する、
請求項1乃至6のいずれか1項に記載の把持推定装置。 - 前記観測データは、前記把持対象の画像データを含む、
請求項1乃至7のうちいずれか1項に記載の把持推定装置。 - 前記観測データは、前記観測データの取得位置から前記把持対象の表面までの距離データを含む、
請求項1乃至8のうちいずれか1項に記載の把持推定装置。 - 前記推定部は、前記把持対象の観測データを入力として前記把持量を出力するように学習された学習済みの把持量推定モデルに、前記観測データを入力し、前記把持量を推定する、
請求項1乃至4のうちいずれか1項に記載の把持推定装置。 - 前記把持量推定モデルは、前記把持装置により把持された前記把持対象の把持量の実測値を第1学習モデルの教師データとし、前記把持装置による前記把持対象の把持前の観測データを前記第1学習モデルへの入力データとして、前記第1学習モデルを学習することにより生成される、
請求項10に記載の把持推定装置。 - 前記評価部は、前記把持対象の観測データを入力として前記不確実性を出力するように学習された学習済みの不確実性評価モデルに、前記観測データを入力し、前記不確実性を評価する、
請求項2乃至5のうちいずれか1項に記載の把持推定装置。 - 前記不確実性評価モデルは、前記把持装置により把持された前記把持対象の把持量の実測値と、前記推定された把持量との差分を第2学習モデルの教師データとし、前記把持装置による前記把持対象の把持前の観測データを前記第2学習モデルへの入力データとして、前記第2学習モデルを学習することにより生成される、
請求項12に記載の把持推定装置。 - 前記不確実性評価モデルは、前記把持装置による前記把持対象の把持前の観測データを所定のモデルに入力して出力された第1出力値と、前記把持前の観測データを第2学習モデルに入力して出力された第2出力値との差分を前記第2学習モデルの教師データとし、前記把持前の観測データを前記第2学習モデルへの入力データとして、前記第2学習モデルを学習することにより生成される、
請求項12に記載の把持推定装置。 - 把持対象の観測データを取得し、
把持装置により把持された前記把持対象の把持量の実測値を学習モデルの教師データとし、前記観測データを前記学習モデルへの入力データとして、前記学習モデルの内部パラメータを更新することで、前記観測データを入力として前記把持量を出力する把持量推定モデルを生成する、
モデル生成方法。 - 把持対象の観測データを取得し、
前記観測データを学習モデルに入力して当該学習モデルから、前記把持対象の把持に関する不確実性の指標となる出力データを取得し、
前記観測データに基づいて、前記不確実性の指標となる前記出力データに対応する教師データを生成し、
前記不確実性の指標となる前記出力データと前記教師データとに基づいて、前記学習モデルの内部パラメータを更新することで、前記観測データを入力として前記把持対象の把持の不確実性の指標を出力する不確実性評価モデルを生成する、
モデル生成方法。 - 少なくとも請求項15および16のうちいずれか1項に記載のモデル生成方法を実行するモデル学習装置。
- 開閉するグリッパであって、食品が内包される空間を閉状態において形成する複数の面形状を有する食品把持用のグリッパ。
- 前記面形状は、非変形部材によって構成される請求項18に記載の食品把持用のグリッパ。
- 前記グリッパは、平行グリッパである請求項18または19に記載の食品把持用のグリッパ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021086379A JP2022179118A (ja) | 2021-05-21 | 2021-05-21 | 把持推定装置、モデル生成方法、モデル学習装置、及びグリッパ |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021086379A JP2022179118A (ja) | 2021-05-21 | 2021-05-21 | 把持推定装置、モデル生成方法、モデル学習装置、及びグリッパ |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022179118A true JP2022179118A (ja) | 2022-12-02 |
JP2022179118A5 JP2022179118A5 (ja) | 2023-06-26 |
Family
ID=84239126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021086379A Pending JP2022179118A (ja) | 2021-05-21 | 2021-05-21 | 把持推定装置、モデル生成方法、モデル学習装置、及びグリッパ |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2022179118A (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7418044B1 (ja) | 2022-12-16 | 2024-01-19 | コネクテッドロボティクス株式会社 | 把持ユニット、把持システム、及び把持方法 |
JP7442245B1 (ja) | 2022-12-28 | 2024-03-04 | コネクテッドロボティクス株式会社 | 把持システム、及び制御装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018027581A (ja) * | 2016-08-17 | 2018-02-22 | 株式会社安川電機 | ピッキングシステム |
JP2019025646A (ja) * | 2017-07-25 | 2019-02-21 | 株式会社ケー・デー・イー | 分配装置、盛付システム及び学習データ生成装置 |
JP2019126876A (ja) * | 2018-01-24 | 2019-08-01 | 株式会社イシダ | 物品移載装置 |
JP2019188516A (ja) * | 2018-04-24 | 2019-10-31 | キヤノン株式会社 | 情報処理装置、情報処理方法、及びプログラム |
JP6758540B1 (ja) * | 2019-12-17 | 2020-09-23 | 三菱電機株式会社 | 情報処理装置、ワーク認識装置およびワーク取り出し装置 |
WO2020261601A1 (ja) * | 2019-06-28 | 2020-12-30 | 株式会社DeepX | 制御装置 |
JP2021045811A (ja) * | 2019-09-18 | 2021-03-25 | 株式会社東芝 | ハンドリング装置、ハンドリング方法及びプログラム |
-
2021
- 2021-05-21 JP JP2021086379A patent/JP2022179118A/ja active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018027581A (ja) * | 2016-08-17 | 2018-02-22 | 株式会社安川電機 | ピッキングシステム |
JP2019025646A (ja) * | 2017-07-25 | 2019-02-21 | 株式会社ケー・デー・イー | 分配装置、盛付システム及び学習データ生成装置 |
JP2019126876A (ja) * | 2018-01-24 | 2019-08-01 | 株式会社イシダ | 物品移載装置 |
JP2019188516A (ja) * | 2018-04-24 | 2019-10-31 | キヤノン株式会社 | 情報処理装置、情報処理方法、及びプログラム |
WO2020261601A1 (ja) * | 2019-06-28 | 2020-12-30 | 株式会社DeepX | 制御装置 |
JP2021045811A (ja) * | 2019-09-18 | 2021-03-25 | 株式会社東芝 | ハンドリング装置、ハンドリング方法及びプログラム |
JP6758540B1 (ja) * | 2019-12-17 | 2020-09-23 | 三菱電機株式会社 | 情報処理装置、ワーク認識装置およびワーク取り出し装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7418044B1 (ja) | 2022-12-16 | 2024-01-19 | コネクテッドロボティクス株式会社 | 把持ユニット、把持システム、及び把持方法 |
JP7442245B1 (ja) | 2022-12-28 | 2024-03-04 | コネクテッドロボティクス株式会社 | 把持システム、及び制御装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107866809B (zh) | 学习最优物品把持路径的机器学习装置以及机器学习方法 | |
JP2022179118A (ja) | 把持推定装置、モデル生成方法、モデル学習装置、及びグリッパ | |
US10603790B2 (en) | Workpiece picking device and workpiece picking method for improving picking operation of workpieces | |
JP6453805B2 (ja) | 製品の異常に関連する変数の判定値を設定する生産システム | |
JP6680750B2 (ja) | 制御装置及び機械学習装置 | |
JP6506245B2 (ja) | 組付動作を学習する機械学習装置および部品組付システム | |
Wu et al. | An overview of dynamic parameter identification of robots | |
US11440183B2 (en) | Hybrid machine learning-based systems and methods for training an object picking robot with real and simulated performance data | |
Song et al. | Efficient break-away friction ratio and slip prediction based on haptic surface exploration | |
JP2020532440A5 (ja) | ||
JP2015199155A (ja) | 情報処理装置および情報処理方法、プログラム | |
CN110815258A (zh) | 基于电磁力反馈和增强现实的机器人遥操作系统和方法 | |
JP6811465B2 (ja) | 学習装置、学習方法、学習プログラム、自動制御装置、自動制御方法および自動制御プログラム | |
JP6514260B2 (ja) | 制御装置及び機械学習装置 | |
Wang et al. | Parameter estimation and object gripping based on fingertip force/torque sensors | |
Petrík et al. | Feedback-based fabric strip folding | |
Fugl et al. | Simultaneous estimation of material properties and pose for deformable objects from depth and color images | |
CN108687766B (zh) | 机器人的控制装置、机器学习装置以及机器学习方法 | |
US20210387343A1 (en) | Information processing device and information processing method | |
CN109693234A (zh) | 机器人跌倒预测方法、装置、终端设备及计算机存储介质 | |
US11396103B2 (en) | Method and apparatus for manipulating a tool to control in-grasp sliding of an object held by the tool | |
CN109145399B (zh) | 一种基于改进的粒子滤波算法的疲劳裂纹扩展预测方法 | |
CN107116548B (zh) | 处理时间预测方法 | |
Hang et al. | Friction coefficients and grasp synthesis | |
JP2022179118A5 (ja) | 装置、モデル生成方法、モデル学習装置、プログラム、方法、およびシステム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20210604 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230615 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230615 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230615 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231018 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231205 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240130 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240319 |