JP2022509557A - ロボットアームを制御するシステム及び方法 - Google Patents

Abstract

挿入線に沿った構成部品の挿入を行うロボットアームを制御するシステムは、挿入線に沿った現在位置でロボットアームの手首が感じる力の測定値を受け入れ、挿入線に沿ったロボットアームの手首の位置の確率関数としての、挿入線に沿ったロボットアームの手首が感じる力に対する確率的関係に従って、位置の現在値を条件とする力の値の確率を決定する。確率関数は、制御の下でロボットアームの構成を有する１つ又は複数のロボットアームによって繰り返し行われる操作の測定値から学習される。システムは力の現在値の確率に基づいて異常検出の結果を決定し、異常検出の結果に基づいてロボットアームを制御する。

Description

本発明は、ロボットアセンブリに関し、特に製品のロボットアセンブリ中における異常挿入の自動検出に関する。

センシング及び作動、及びコンピューティング機能の改善により、自動アセンブリにおけるロボットの役割は大きな改善を遂げた。ロボットアセンブリは、自動車業界のアセンブリタスク、及びコンピュータ回路基板、携帯電話等の製造のより繊細な構成部品のアセンブリに広く使用される。障害からの自動エラー回復は、これらのロボット応用の不可欠な部分を形成する。異常検出ベースの自動エラー回復は、生産性の要件、及び組み立てられた製品の望ましい仕様を維持するのに役立つ。

これらの多くの応用では、ロボットは、事前に定義された一連の行為の適用によって一組の部品から製品を組み立てるための一連の操作に続いて繰り返し操作する。これらの事前定義された行為は、一般的に、ロボットの挙動の不確実性及び不正確さを考慮していない。しかし、これらの予測不能な挙動は、最終製品の望ましくない欠陥のあるアセンブリにつながる可能性があるため、これらのエラーからの回復は自律的なアセンブリタスクにとって重要となる。例えば、回路基板へ電気ハーネスを挿入することを考える。電気ハーネスのクリアランスは非常に小さいため、ロボットの運動に不確実性があると、コネクタの故障又は位置合わせ不良が発生し、したがって、接続不良につながる可能性がある。アセンブリ中に２つの（又はそれ以上の）部品を組み立てようとするこのような欠陥のある試みを検出することは、これらの障害からの回復のための是正措置の前提条件である。これらの異常は、これらのロボットシステムにおいて多くの理由で発生する可能性がある。いくつかの起こり得る例としては、考えられる計測ノイズ、ロボットの熱膨張に度重なる故障、アセンブリ中に組み立てられる部品の位置合わせ不良、アセンブリラインに沿って組み立てられる部品の欠陥等によるロボットの欠陥のある挙動が挙げられる。その結果、アセンブリプロセスには不確実性の原因がいくつかあり、自動異常検出アルゴリズムを有することで、これらの自律的な操作の効率を向上させることができる。

挿入型のロボットアセンブリは、コンピュータ、携帯電話等、様々な電子機器の製造に非常に広範に使用されている。これらのタスクは、一般に、嵌合される部品の公差が低いことを特徴とし、それゆえに、アセンブリ中に高精度を必要とする。挿入プロセス中の嵌合の欠陥の早期検出は、アセンブリ中の製品への損傷量を最小にすることができる。ロボット挿入時の異常検出とも呼称される障害検出を利用した自動エラー回復方法は、モデルベースの方法及びデータ駆動型の方法に広く分けることができる。

ロボット挿入時の故障検出のためのモデルベースの方法では、プロセスの物理的知識を使用したモデルが作成される。これらのモデルは、挿入プロセスの異なるフェーズで測定された力のプロファイルを予測でき、予測された力のプロファイルから任意の偏差を検出するためにオンラインで使用される。例えば、非特許文献１を参照されたい。

しかしながら、モデルベースの方法は、プロセスにおける固有の不確実性を被る。この欠点を克服するために、いくつかの実施態様は、正常な嵌合を確実にするモデルのパラメータの境界を推定する。その場合、モデルのパラメータは、観測データからオンラインで推定され、パラメータがこれらの境界を満たさない場合、異常が検出される。これらの変更により、これらの技法のロバスト性は向上するが、これらの技法は基礎となる技法の計算複雑度を高める。このことにより、ほとんどのモデルベース技法の効果的な使用はリアルタイムに限定される。さらに、これらのプロセスの物理ベースモデルを作成するには、多くの専門知識を必要とし、多くの複雑な応用では実行不可能である可能性がある。

データ駆動型モデリングを利用して、ロボット挿入中に異常を検出する様々な技法がある。例えば、１つの方法は、挿入中に観測される最大の力又はトルクの閾値を使用する。しかし、この方法は、過剰な量の誤警報（すなわち、誤った陽性検出）を被る。ロボットは挿入プロセス時の任意のポイントで正常な軌跡から逸脱する可能性があり、したがって、位置に依存しない閾値は、準最適の性能を得る。

他のいくつかの方法は、最初に例えば、アプローチの方向、嵌合、収縮等の挿入プロセスのフェーズを判断する階層的な判断規則を使用することによりこの問題に対処し、次いで、そのフェーズが正常であるか、又は欠陥があるかを判断する。これらの技法は階層的な分類アプローチを利用し、このように各フェーズに異なるモデルを作成することで、プロセスに伴う不確実性を分解する。しかし、これらの方法は挿入プロセスの不確実性によって生じるプロセスノイズに敏感であり、状況によっては不正確であるかもしれない。例えば、非特許文献２を参照されたい。

Jiam Huang, Toshio Fukuda及びTakayuki Matsuno, 「Model-Based Intelligent Fault Detection and Diagnosis for Mating Electric Connectors in Robotic Wiring Harness Assembly Systems」IEEE Transactions on Mechatronics, Vol-13, Issue-1 Fei Chen, Ferdinando Cannella, Jian Huang, Hironobu Sasaki及びToshio Fukuda, 「A Sturdy on Error Recovery Search Strategies of Electronic Connector Mating for Robotic Fault-Tolerant Assembly」Journal of Intelligent & Robotic Systems

したがって、データ駆動型自動エラー検出、並びにロボットアセンブリにおける挿入プロセス中に生じる不確実性を明確に考慮する回復システム及び方法が必要である。ただし、モデルの精度及び計算複雑度の両方に関連するデータ駆動型モデルの効率に関連する課題がある。

グリッパー付き手首を有するロボットアームを使用する挿入型ロボットアセンブリは、コンピュータ及び／又は携帯電話を含む電子機器等、様々な製品を組み立てるために部品を挿入するために広範に使用されている。このようなアセンブリは、通常、ロボットにより開ループ方式で実行され、その場合、ロボットの部品は、最終的に所望する組み立てられた製品を達成するために所与の制御入力のシーケンスを適用することにより、事前に定義された軌跡に沿って動く。近年のセンシング技術の改善により、所望のアセンブリを試みている間にロボットが感じる力を測定することができる。これらのセンサは一般にロボットの手首の接合部に取り付けられ、取り扱い操作中にロボットのエンドエフェクタが感じる力テンソルを測定できる。機械学習ベースの異常検出アルゴリズムが必要であり、それは力センサで測定されるデータを解釈し、ロボットアセンブリに対する異常な試みを補正／警報することができる。

いくつかの実施の形態の一目的は、ロボットに搭載される力センサの測定値から、ロボットアセンブリの異常な試みをリアルタイムで検出するシステム及び方法を提供することである。例えば、ロボットの手首に力センサを取り付けて、製品を組み立てるために構成部品の挿入を行うロボットが感じる力を測定することができる。いくつかの実施の形態の別の目的は、ロボットアセンブリのプロセスノイズによってもたらされる制御不能な不確実性を考慮に入れながら、ロボットのエンドエフェクタの軌跡に沿った力プロファイルの予想される挙動のデータ駆動型モデルを用いて、自動エラー回復を提供することである。例えば、１つの実施の形態は、正常（成功する）挿入プロセス中のロボットの軌跡に沿った期待される力プロファイルに対する確率的関数モデルを活用する自動エラー回復を開示する。

いくつかの実施の形態は、挿入プロセス中のデータ駆動型異常検出が、通常、力センサの測定の複雑度により決定論的であるという認識に基づく。具体的には、力テンソルは、３軸に沿った位置及び向きに加えて、ロボットの軸に沿った力及びモーメントの測定値（Ｆｘ、Ｆｙ、Ｆｚ、Ｍｘ、Ｍｙ、Ｍｚ）を含む。このようにセンサによって提供される測定値空間は、少なくとも１２次元（又は、全軸に沿った速度が考慮されるときは１８次元）である。したがって、たとえ決定論的異常検出が挿入プロセス中に伴う不確実性を考慮できず、したがって、プロセスノイズに対してロバストでない場合でも、挿入プロセス中に感じる全ての力及びモーメントの共同分布をモデル化する確率的異常検出は、高次元確率密度モデリングの問題であり、これは一般にデータ効率が低い。

関連付けられる問題の計算複雑度を低減するために、いくつかの実施の形態は、コネクタ嵌合実験中に或る特定の測定変数の間に安定した関係又は規則性が存在するという、探索的データ分析（ＥＤＡ）の助けを借りて行われる発見に基づく。これは、根本的な異常検出問題に関連するいくつかの驚くべき理解につながる。いくつかの実施の形態は、構成部品の挿入に対するアプローチの方向に沿って感じる力と同じ方向に沿った位置との間に安定した関係がある理解に基づく。この関係は安定しており、確率的であり、共同確率分布と比較して低次元の関数関係を考慮に入れている。

具体的には、いくつかの実施の形態は、挿入線に沿った位置の値ごとに、挿入線上の位置のみを条件とし、かつ、他の任意の測定変数（すなわち、Ｆｘ、Ｆｙ、又はモーメント成分）に依存していない力の確率分布（ノイズの多い測定値による）があるという理解及び実験的な発見に基づく。また、この確率的関係は時間に依存していない、すなわち、正常操作中に、ロボットの手首が感じる力（力センサによって測定される）は、ロボットが動いている速度に依存していない。この実験的発見の結果として、いくつかの実施の形態は、元の１２（又は１８）次元の問題を挿入線上の力対位置の２次元のみに削減することができる。本明細書で使用される場合、挿入線は、挿入されている構成部品の運動の軌跡及び／又は挿入された構成部品に固定的に接続される構成部品の運動の軌跡を画定する。このような固定的に接続される構成部品の例としては、ロボットアセンブリのロボットアームの手首がある。事実上、挿入線に対する関係をプロットすることによってもたらされる次元削減は、以前では計算的に非常に高価であった確率的なデータ駆動型異常検出を実施の形態が利用することを可能にする。

そのために、いくつかの実施の形態は、挿入線に沿ったロボットアームの手首の位置の確率関数として挿入線に沿ったロボットアームの手首が感じる力に対する確率的関係を用いて自動異常検出を行う。ロボットアームの操作中、現在の時点で、実施の形態は、確率関数に従ってロボットアームの手首の現在位置を条件とする現在の力の確率を決定し、その力の現在値の確率に基づいて異常検出の結果を決定する。事実上、実施の形態は、実用的な計算要件を伴うより確率的な検出をリアルタイムで行うことを可能にする。

いくつかの実施の形態は、制御の下でロボットアームの構成を有する１つ又は複数のロボットアームによって繰り返し行われる操作の測定値から、オンライン及び／又はオフラインで確率関数を学習する。例えば、１つの実施の形態は、確率的回帰技法を用いて、この確率的関係を位置及び力という２次元でモデル化する。確率関数は、挿入線に沿った位置の値ごとに力の値の確率分布を定義する。挿入線に沿った位置は連続値とすることができる。しかし、実際的な事柄として、挿入線に沿った位置の値は、一連の位置の値を形成するために、或る程度の分解能で量子化される。例えば、いくつかの実施の形態では、値の分解能は、力センサの分解能によって規定される。力の値の確率分布は、位置の現在値を条件とする力の現在値の尤度又は確率を推定することができる。事実上、確率的異常検出は測定及び挿入プロセスの不確実性を考慮するので、これはより正確である確率的異常検出を可能にする。

いくつかの実施の形態は、位置の関数として力の分布を推定する確率関数は、信頼区間推定を伴う最小二乗サポートベクトル回帰定式化等の様々な回帰技法を用いて決定することができるという認識に基づく。しかし、これらの技法の一部は、独立同分布（ｉ．ｉ．ｄ．：independent and identically distributed）測定値に限定される。いくつかの実施の形態は、自動ロボットアセンブリのいくつかの状況で、ロボットが感じる力は、部品を一緒に嵌合させるためのロボットの軌跡に依存し、したがって、測定値のｉ．ｉ．ｄ．モデルが不正確であるかもしれないという理解に基づく。それゆえに、このような状況では、異なる回帰技法が必要になる。

いくつかの実施の形態は、或る位置における力の確率分布は、以前の位置における力の以前の確率分布を条件とするような条件付き確率分布を定義する確率関数を使用する。事実上、このような条件付き確率的関係は、異常検出の精度を高める。条件付き確率分布を有する確率関数を決定することを可能にする回帰技法の例としては、ガウス過程回帰が挙げられる。

いくつかの実施の形態は、条件付き確率分布を定義する確率関数を学習することは、時間及び計算上高価なプロセスであり得るという認識に基づく。例えば、条件付き確率分布は、挿入線に沿った位置の値ごとに確率密度関数を定義するいくつかのパラメータによって表すことができる。位置の値ごとにこれらの全てのパラメータを学習することは、計算上高価である可能性がある。したがって、確率関数を学習するための計算要件を低減する必要がある。

そのために、いくつかの実施の形態は、ガウス過程回帰を用いて、挿入方向に沿ったロボットが感じる力と、その方向に沿った位置との間の基礎となる安定した関係をモデル化する。ガウス過程回帰は、入力空間内の全てのポイントが正規分布ランダム変数に関連付けられるノンパラメトリック統計モデルである。より具体的には、ガウス過程はランダム変数が収集されたものであり、任意の有限数のランダム変数が、共同ガウス分布によって表される。その結果、ガウス過程は、２つのパラメータ、すなわち、それらの平均及び共分散関数（また、カーネル関数としても知られる）のみによって完全に定義される。ガウス過程のハイパーパラメータが推定された後、学習済みの回帰モデルを用いて、任意のテストポイントでの関数の確率分布を予測することができる。そのために、いくつかの実施の形態は、挿入線に沿った位置にパラメータ化されるカーネル関数を学習することにより確率関数を決定する。このように、軌跡に沿った任意のテストポイントでの力の分布は、ガウス過程から取得される平均及び共分散によって完全に定義される。事実上、ガウス過程回帰として確率関数をモデル化することにより、挿入線上の力と位置との間の確率的関係を学習するための計算要件が低減する。

いくつかの実施の形態は、通常のガウス過程回帰を学習することは、いくつかの状況で計算上なお高価である可能性があるという理解に基づく。学習の計算複雑度は、Ｏ（ｎ^３）として変化し、ここで、「ｎ」はデータポイントの数である。学習計算をより効率的にするために、いくつかの実施の形態は、いくつかのガウス過程モデルをデータに当てはめることにより、計算複雑度を低減するためにローカルガウス過程回帰を学習する。この実施の形態は、全てのローカルガウス過程モデルに対する期待値を使用することにより最終的な予測を提供する。ローカルガウス過程モデルは、問題をサイズがｎ_ｉ＜ｎ（ｉ＝１，２，．．．，ｍ）であるいくつかのサブ問題に分割することにより、モデルを学習するために必要な計算時間を短縮し、これらの「ｍ」個のモデルを用いて予測を行う。ローカルモデルのそれぞれは、データセット内の或る特定のクラスタに当てはめられる。いくつかの実施の形態は、ｋ平均クラスタリング又はガウス混合モデル等のクラスタリング技法を用いてデータ内のクラスタを推定する。これらのクラスタリング技法への入力引数はクラスタの数であり、ローカルガウス過程モデルの最終的な性能は選択されるクラスタの数に依存するため、それはローカルガウス過程モデルに対するハイパーパラメータとして扱われる。全てのクラスタ及びクラスタの重心が推定された後、全ての「ｍ」個のガウス過程に対するハイパーパラメータは、ガウス過程に対する通常の周辺負尤度法を用いて推定される。トレーニング中に、テストデータポイントの予測は、「ｍ」個のガウス過程モデルによって行われる予測の重み付き平均を推定することによって取得され、重みは「ｍ」個のクラスタ重心とテストデータポイントとの間の距離によって与えられる。距離は、引数として２つのベクトルを取り、スカラー値を出力するカーネルを用いて推定することができ、いくつかの一般的な選択は、放射基底関数又はベクトル間の通常のユークリッド距離である。

位置の関数として力の分布を推定する確率関数が学習された後、いくつかの実施の形態は、挿入力に対して確率関数を用いて挿入のための異常スコアを推定する。特に、ガウス過程は、新しい観測の確率を推定するために入力内の変数の全ての有限の組み合わせを多変量ガウス分布に関連付ける。ＧＰのこの特性を用いて、ＧＰを使用する新しいテストデータポイントでの予測はガウス分布によって与えられる。したがって、いくつかの実施の形態は、確率関数に従って現在位置を条件とする現在の力の確率を決定し、これはガウス分布のパラメータ及び観測された力の測定値を用いて取得される。さらに、正常とみなされる力の確率の最小値に対する閾値として信頼レベルを用いて、いくつかの実施の形態は、そのポイントで取得された確率分布に基づいてロボット軌跡に沿った期待測定値の信頼区間を計算する。

異なる実施態様は、異常スコアの異なる計算を使用する。例えば、いくつかの実施態様では、軌跡に沿った特定のポイントに対して３つの可能な異常スコア、すなわちバイナリ異常スコア、連続異常スコア及びハイブリッド異常スコアが考えられる。バイナリ異常スコアの実施態様では、力の測定値はそれが信頼区間の外側にある場合は、１の異常スコアが与えられ、それが信頼区間の内側にある場合は、ゼロのスコアが与えられる。連続異常スコアの実施態様では、力の測定値は、対応する多変量ガウス確率分布が与えられた場合に、そのような値を観測する可能性に対応する異常スコアが与えられる。この値は、１から特定の力の測定値での多変量ガウス確率分布の評価を引いた値として計算される。ハイブリッド異常スコアの実施態様では、力の測定値はそれが信頼区間の内側にある場合、０の異常スコアが与えられ、それが信頼区間の外側にある場合、連続異常スコアのように計算されて０よりも高いスコアが与えられる。これら実施態様の全て及びそれぞれを使用すると、観測されたテスト軌跡に沿った全てのポイントに対する異常スコアを平均化することにより、挿入全体の合計異常スコアを取得することができる。提案された異常検出アルゴリズムは、異常スコア計算の選択に依存しない。また、他のいくつかの連続異常スコアを選択できるため、例えば、多変量ガウス分布の分散又は尤度関数に応じてハイブリッド異常スコアにも適用され得ることに留意されたい。いくつかの実施の形態は、異常検出閾値との確率の比較に基づいて異常検出の結果を決定し、例えば、確率が異常検出閾値を超えるときに異常を宣言する。

確率分布を信頼区間に関連付けることができ、これは、未知のパラメータを含む可能性が高い値の推定範囲を提供し、推定範囲は任意の一組のサンプルデータから計算される。信頼区間は信頼レベル、例えばαに関連付けられ、ここで、αは１よりも小さい正の数である。ガウス分布の場合、信頼区間は分布の平均及び分散を用いて完全に推定することができる。ロボットの軌跡に沿った全てのポイントでのこれらの信頼区間は、正常挿入操作中に感じる力に許容された操作マージンを提供する。

いくつかの実施の形態は、検出プロセスのための受信者操作特性（ＲＯＣ：Receiver Operator Characteristic）曲線を用いて異常検出閾値を決定する。この設計は陽性検出率と許容誤警報率との間のトレードオフを取るために行われる。この実施の形態は、望ましくない誤警報率に限界を置くことができる。

いくつかの実施の形態は、異常検出の結果に基づいてロボットアームを制御することにより、自動エラー回復を行う。例えば、１つの実施の形態は、異常の検出に応答してロボットアームを停止させる。加えて、又は、代わりに、別の実施の形態は、異常が検出されるときにロボットアームを安全位置に後退させる。有利には、アセンブリプロセス中の異常検出により、欠陥部品がアセンブリプロセスで更に下流に移動する前に欠陥部品を特定できるため、組み立てられた部品に対して更なる損傷を防止できる。さらに、いくつかの実施の形態は、異常検出プロセスからのフィードバックに基づいてアセンブリプロセスに補償を行うことができる。

いくつかの実施形態による、異常検出制御システムのブロック図とともにロボットアセンブリの概略図を示す図である。 ロボット挿入プロセスにおける異常を検出するためのいくつかの実施形態で使用される確率的関係の概略図である。 いくつかの実施形態による、異常を検出するために異常検出器によって行う方法のフローチャートである。 いくつかの実施形態による、力の値の信頼区間を決定する概略図である。 いくつかの実施形態による、挿入線に沿ったロボットアームの手首の力と位置との間の確率的関係を決定する方法のブロック図である。 いくつかの実施形態で使用される、ガウス分布に対する信頼区間及びガウス過程回帰を用いて取得される予測に対する信頼区間を示す概略図である。 いくつかの実施形態で使用されるローカルガウス過程回帰の概略図である。 いくつかの実施形態による、ローカルガウス過程の学習、及びローカルガウス過程を用いた異常の予測のための方法のブロック図である。 いくつかの実施形態による、テストポイントにおける期待される力分布の信頼区間を推定するためにローカルガウス過程をどのように使用するかを示す概略図である。 いくつかの実施形態による、学習済みのガウス過程回帰を用いて異常スコアを計算する方法の概略図である。 １つの実施形態による、異常検出閾値を推定する方法を示す概略図である。 いくつかの実施形態による、製品を組み立てるために挿入線に沿って構成部品の挿入を含む操作を行うロボットアームを制御するシステムのブロック図である。

図１Ａは、いくつかの実施形態による、異常検出制御システム１０５のブロック図とともにロボットアセンブリ１００の概略図を示す。ロボットアセンブリは、製品を組み立てるために挿入線に沿って構成部品を挿入することを含む操作を行うためのロボットアーム１０５を備える。例えば、ロボットアームは、第１の構成部品１０３を第２の構成部品１０４に挿入する。いくつかの実施形態では、ロボットアーム１０５は、構成部品１０３を動かす複数の自由度を確保するための手首１０２を含む。いくつかの実施態様では、手首１０２は、可搬構成部品１０３を保持するグリッパー１０６を備える。

ロボットアセンブリ１００は、挿入操作を実行するように構成され、例えば、挿入線に沿って、構成部品１０３を構成部品１０４に挿入する。本明細書で使用する場合、挿入線は、構成部品１０３の運動の軌跡を画定する手首１０２の運動の軌跡である。単純なシナリオでは、挿入線は手首１０２の垂直運動のみを指示することができる。しかし、手首１０２は複数の自由度を有し、その結果、挿入線は多次元空間に広がる運動プロファイルを有することができる。

また、ロボットアセンブリ１００は、取り扱い及び挿入操作中に、ロボットのエンドエフェクタが感じる力テンソルを測定する力センサ１１０を備える。力センサ１１０は、ロボットアームの手首に作動的に接続されている。例えば、力センサを、ロボットの手首関節に取り付けることができる。例えば、力テンソルは、３軸に沿った位置及び向きに加えて、ロボットの軸に沿った力及びモーメントの測定値１１５（Ｆｘ、Ｆｙ、Ｆｚ、Ｍｘ、Ｍｙ、Ｍｚ）を含む。手首を有するロボットアームの運動の柔軟性に起因して、センサによって提供される測定値空間は１２次元、又は全軸に沿った速度が考慮されるときは１８次元である。

異常検出制御システム１０５の一目的は、ロボットアセンブリ１００によって行われる挿入プロセスの異常を検出し、異常検出の結果に基づいてアセンブリを制御することである。別の目的は、力センサ１１０の測定値１１５を用いてそのような異常検出を行うことである。いくつかの実施形態は、決定論的異常検出が挿入プロセス中に伴う不確実性を考慮せず、したがってプロセスノイズに対してロバストではないという認識に基づく。加えて、挿入プロセス中に感じる全ての力及びモーメントの共同分布をモデル化する確率的異常検出は、高次元確率密度モデリングの問題であり、これは一般にデータ効率が低い。そのために、いくつかの実施形態の一目的は、実用的な計算要件を伴うロボットアセンブリの確率的異常検出をリアルタイムで行うことである。しかし、センサ１０２によって提供される測定値空間の次元が高いため、そのような異常検出問題は計算上困難である。

いくつかの実施形態は、コネクタ嵌合実験中の或る特定の測定変数間に安定した関係又は規則性があるという、探索的データ分析（ＥＤＡ）の助けを借りて行われる発見に基づく。これは、根本的な異常検出問題に関連するいくつかの驚くべき発見につながる。いくつかの実施形態は、挿入線に沿って手首が感じる力と手首の位置との間に安定した関係があるという理解に基づく。具体的には、挿入線に沿ったロボットアームの手首の位置の確率関数として、挿入線に沿ったロボットアームの手首が感じる力に対する確率的関係がある。関係は安定しており、確率的であり、全ての測定可能変数（１２個又は１８個の測定値）にわたって完全な共同確率分布によってモデル化されるものと比較して、低い次元の関数関係を可能にする。

そのために、システム１０５は、ロボットアームの手首に作動的に接続される力センサの測定値を受け入れるように構成される入力インタフェース１２０を含む。測定値は、挿入線に沿ったロボットアームの手首の異なる位置においてロボットアームの手首が感じる力を示すデータを含む。測定値は、センサ１１０から受け取った生の測定値又はデータを生成する測定値の任意の導関数とすることもできる。

また、システム１０５は、挿入線に沿ってロボットアームの手首が感じる力に対する確率的関係を、挿入線に沿ったロボットアームの手首の位置の確率関数として記憶するように構成されるメモリ１３０を含む。例えば、確率関数は、制御の下でロボットアームの構成を有する１つ又は複数のロボットアームによって繰り返し行われる操作の測定値からオンライン及び／又はオフラインで学習される。例えば、確率関数は、ロボットアーム１０５の操作の測定値、及び／又はアーム１０５と同じ構成を有する異なるロボットアームによって行われる同じ操作の測定値から学習することができる。

また、システム１０５は、プロセッサを用いて実装され、かつ、メモリに記憶される確率的関係１３０及び入力インタフェースによって受信される測定値１２０を用いて異常検出を行うように構成される異常検出器１４０を含む。例えば、異常検出器は、力センサの測定値に基づいて挿入線に沿った力の現在値及び位置の現在値を決定し、確率関数に従って位置の現在値を条件とする力の現在値の確率を決定し、その力の現在値の確率に基づいて異常検出の結果を決定するように構成される。

図１Ｂは、ロボット挿入プロセスにおける異常を検出するためのいくつかの実施形態で使用される確率的関係の概略図を示す。図１Ｃは、いくつかの実施形態による、異常を検出するために異常検出器によって行われる方法のフローチャートを示す。確率的関係は、挿入線に沿った位置の値ごとに、力の値の確率的分布を定義する（１６０）。例えば、確率分布１７０は、位置１６３の値について決定される力の値の確率分布である。

図１Ｂ及び図１Ｃを参照すると、異常検出器は、力の現在値１７３を決定し（１８０）、位置の現在値１６３を決定する（１８５）。位置及び力の値は、力センサの測定値に基づいて決定される。次に、異常検出器は、位置の現在値１６３に対応する条件付き確率分布１７０のパラメータ１６７を選択し（１８０）、確率分布１７０に従って力の現在値１７３の確率１７７、例えば、選択されたパラメータ１６７で定義される確率密度関数を決定する（１９５）。

異常検出器は、力の現在値の確率に基づいて異常検出の結果を決定する。力の現在値の確率が高いとき、異常の可能性は低く、異常検出の結果は「異常なし」である可能性がある。力の現在値の確率が低いとき、異常の可能性は高く、異常検出の結果は「異常」である可能性がある。例えば、１つの実施形態において、異常検出器は、値１７７が信頼閾値１７４よりも小さいときに異常な力を検出するために、力確率１７１を信頼閾値１７４と比較する。図１Ｂの例では、力の値１７３は正常、すなわち、異常なしである。

また、システム１０５は、異常検出の結果１４５に基づいてロボットアームを制御するように構成される回復コントローラ１５０を含む。例えば、回復コントローラ１５０は、ロボットアセンブリ１００のアクチュエータにコマンド１５５を提示することができる。コマンドの提示により、回復コントローラは異常の検出に応答してロボットアームを停止させ、及び／又は異常の検出に応答してロボットアームを安全位置に後退させることが可能となる。

挿入線に沿った力と位置との確率的関係に基づく異常検出は、異常検出問題の次元を１２次元又は１８次元から２次元のみに削減することを可能にする。次元削減により、データ駆動型異常検出をリアルタイムで行うことが可能になる。加えて、関係の確率的性質は、決定論的な関係よりも実用的なロボットアセンブリプロセスをより正確に表現する。確率的関係は、異常検出プロセスの不確実性を考慮して、障害検出の精度を高めることを可能にする。

１つの実施形態では、異常検出器は、力の現在値の確率が、現在の力の確率の最小値を指定する信頼閾値よりも小さいときに異常を検出する。この実施形態は、ロボットアセンブリにおける異常な状況に迅速に反応することを可能にする。ただし、力の単一の異常値に基づいて異常を検出すると、状況によっては不正確になる可能性がある。

いくつかの実施形態の一目的は、異常検出の偽陽性エラー及び／又は偽陰性エラーを低減することである。いくつかの実施形態は、異常な力の１つの値とは対照的に、力の複数の値が異常な状況を示す確率を有するときに、これらの誤差を減少させることができるという認識に基づく。例えば、１つの実施形態において、異常検出器は、力の複数の値の確率が信頼閾値よりも小さいときに異常を検出する。

加えて、いくつかの実施形態は、位置ごとに、異常検出はバイナリとすることができ、すなわち、力が現在の挿入に対して異常であるか、又は正常である、という認識に基づく。さらに、現在の力の確率の最小値を指定する信頼閾値は、成功するアセンブリプロセスの正常な力を示す信頼区間を定義することができる。その信頼区間は、アセンブリプロセス中の異常な状況のダイナミクスの評価を簡素化し、力の値に対する確率的推定を事前に行う、例えば、オフラインで行うことを可能にする。

図１Ｄは、いくつかの実施形態による、力の値の信頼区間を決定する概略図を示す。例えば、位置１６３は確率的関係１６０に従って力の確率分布１７０を有する。所与の信頼閾値１７４について、確率分布１７０は、正常な区間、すなわち、非異常力値を定義する。この例では、位置１６３に対する力の正常値は力１７１と力１７２との間の値である。異なる位置については、信頼区間が異なる。例えば、位置１６１については、信頼区間は力の値１７８及び１７９によって定義される。組み合わせでは、一連の位置の値に対する複数の信頼区間は、境界１８１及び１８２で制限される信頼コリドーを形成する。信頼コリドーは、力に対する許容動作マージンを挿入線に沿った位置の関数として定義する。事実上、信頼区間により、異常検出から確率的関係の学習を分離し、複数の位置／力の対に対する異常検出を簡素化することができ、このことは誤った異常検出率を低下させることができる。

図２は、いくつかの実施形態による、挿入線に沿ったロボットアームの手首の力と位置との間の確率的関係を決定する方法のブロック図を示す。例えば、１つの実施形態は、ロボットアームの手首が感じる力と挿入線に沿ったロボットアームの手首の異なる位置との確率的関係を学習／推定するためのトレーニングデータ２０１に回帰を当てはめる（２０２）。

特に、回帰は予測だけでなく、テストデータポイントにおける任意の予測に関連付けられる不確実性をも予測できる必要がある。そのために、いくつかの実施形態は、回帰モデルをデータに当てはめるために確率論的回帰技法を使用する。このような技法の例としては、信頼区間推定を伴う最小二乗サポートベクトル回帰定式化が挙げられる。しかし、これらの技法の一部は、独立同分布（ｉ．ｉ．ｄ．）測定値に限定される。いくつかの実施形態は、自動ロボットアセンブリのいくつかの状況で、ロボットが感じる力は、部品を一緒に嵌合させるためのロボットの軌跡に依存するので、したがって、測定値のｉ．ｉ．ｄ.モデルが不正確であるかもしれないという理解に基づく。それゆえに、このような状況では、異なる回帰技法が必要になる。

いくつかの実施形態は、或る位置における力の確率分布が、以前の位置における力の以前の確率分布を条件とするような条件付き確率分布を定義する確率関数を使用する。事実上、このような条件付き確率的関係は、異常検出の精度を高める。条件付き確率分布を有する確率関数を決定することを可能にする回帰技法の例としては、ガウス過程回帰が挙げられる。

いくつかの実施形態は、条件付き確率分布を定義する確率関数を学習することは、時間及び計算上高価なプロセスであり得るという認識に基づく。例えば、条件付き確率分布は、挿入線に沿った位置の値ごとに確率密度関数を定義するいくつかのパラメータによって表すことができる。位置の値ごとにこれらの全てのパラメータを学習することは、計算上高価であり得る。したがって、確率関数を学習するための計算要件を低減する必要がある。

そのために、いくつかの実施形態は、ガウス過程回帰を用いて、挿入方向に沿ってロボットが感じる力と、その方向に沿った位置との間の基礎となる安定した関係をモデル化する。ガウス過程回帰は、入力空間内の全てのポイントが正規分布ランダム変数に関連付けられるノンパラメトリック統計モデルである。より具体的には、ガウス過程はランダム変数が収集されたものであり、任意の有限数のランダム変数が、共同ガウス分布によって表される。その結果、ガウス過程は、２つのパラメータ、すなわち、それらの平均及び共分散関数（また、カーネル関数としても知られる）のみによって完全に定義される。ガウス過程のハイパーパラメータが推定された後、学習済みの回帰モデルを用いて、任意のテストポイントでの関数の確率分布を予測することができる。そのために、いくつかの実施形態は、挿入線に沿った位置にパラメータ化されるカーネル関数を学習することにより確率関数を決定する。このように、軌跡に沿った任意のテストポイントでの力の分布は、ガウス過程から取得される平均及び共分散によって完全に定義される。事実上、ガウス過程回帰として確率関数をモデル化することにより、確率的関係を学習するための計算要件が低減する。

ガウス過程回帰は、テストデータポイントにおける予測がガウス分布によって近似され、それゆえ、現在の問題に有益な数学的枠組みを提供する。その結果、ガウス過程回帰は、異常検出問題に対する確率的関係を学習するために使用される。例えば、１つの実施形態では、確率関数は、制御の下でロボットアームの構成を有する１つ又は複数のロボットアームによって繰り返し行われる操作の測定値によって定義されるトレーニングデータにガウス過程回帰モデルを当てはめることによって学習される。例えば、ガウス過程回帰モデルは、トレーニングデータを記述するために、事前平均及び事前共分散を受け入れる。通常、事前平均はゼロであり、事前共分散はカーネル関数によってモデル化される。ガウス過程回帰モデルを当てはめるために、いくつかの実施形態は、例えば、Rasmussen, Carl Edward「Gaussian processes in machine learning」に記述されているように、トレーニングデータを用いてガウス過程回帰モデルの負の対数尤度を最大化することによって事後平均及び事後共分散関数を決定する。

いくつかの実施形態は、挿入線に沿った一連の位置から位置の値ごとに信頼区間を推定する（２０３）ために信頼閾値２０６を使用する。現在の力の確率の最小値を指定する信頼閾値は、成功するアセンブリプロセスの正常な力を示す信頼区間を定義することができる。事実上、信頼区間は、アセンブリプロセス中の異常な状況のダイナミクスの評価を簡素化し、力の値に対する確率的推定を事前に行うこと、例えば、オフラインで行うことを可能にする。

いくつかの実施形態は、異常な力の複数の値に基づいて閾値を検出するための異常検出閾値を推定する（２０４）。例えば、いくつかの実施形態は、挿入中の現在位置に対する力の値が異常である回数を保存するカウンタを使用する。そのカウンタは、異常検出閾値と比較され、カウンタが異常検出閾値よりも大きいときに異常が宣言される。一部の実施態様では、異常検出閾値は、トレーニングデータ２０１に対する異常検出の誤検出率及び陽性検出率を低減するために種々の最適化技法を用いて推定される（２０５）。

図３は、いくつかの実施形態で使用される、ガウス分布３２０に対する信頼区間及びガウス過程回帰３１０を用いて取得される予測に対する信頼区間を示す概略図を示す。ガウス過程は、確率的関係をモデル化するためのノンパラメトリック技法であり、データを推測する柔軟性及び精度で知られる。ガウス過程は、平均及び共分散関数によって完全に指定される確率論的過程である。

ガウス過程は、挿入プロセスｆ（ｘ）の平均関数ｍ（ｘ）及び共分散関数ｋ（ｘ，ｘ’）を用いて、次のように数学的に表現できる。

ガウス過程は次のように記述される。

また、共分散関数ｋ（ｘ，ｘ’）はカーネル関数として知られる。有効な共分散関数には、いくつかの選択肢がある。最も一般的な選択肢のうちのいくつかは、放射基底関数（ＲＢＦ）カーネル、マテルンカーネル、二乗指数（ＳＥ）カーネル等である。確率論的過程であるため、ガウス過程はランダム変数が収集されたものであり、任意の有限の収集されたランダム変数は多変量ガウスである。トレーニングデータセット３１１ Ｄ＝｛Ｘ，Ｙ｝からの学習プロセスが完了した後、テストデータポイント３１２ ｘ^＊における予測は、ガウス分布（これは多変量ガウス分布の特性を用いて示すことができる）によって与えられる。数学的には、それは以下の関係によって表される。

ここで、μ（ｘ^＊）及びΣ（ｘ^＊）は、テストデータポイントｘ^＊におけるガウス分布の平均及び分散を表す。学習プロセスは、項Ｋ、ｋ_＊＊、及びｋ_＊を推定する。これらの項が推定されると、新しいテストデータポイントにおける予測は、方程式で上に表した閉じた形式の方程式を用いて取得される。その結果、学習プロセス中に、確率的関係３１５が、アプローチの座標と、挿入中にロボットが感じる期待される力との間の所望の入出力関係について学習される。

本発明のいくつかの実施形態は、この確率的関係を用いて、テストデータポイントでの予測ガウス分布を用いて信頼区間を推定する（２０３）。力の値の最小許容確率に対する閾値を定義する信頼レベルα ２０６に対する信頼区間は、テストデータポイントにおけるガウス分布のパラメータを用いて推定することができる。

テストポイントｘ^＊ ３１２においてガウス過程回帰によって取得される平均予測値は、ｙ（ｘ^＊） ３１３及び信頼区間３１４によって示される。学習済みのガウス過程回帰は、任意のポイントにおける平均予測推定値３１５、及びテスト軌跡に沿った信頼区間３１６を提供する。任意のポイントにおける期待力分布はガウス分布によって与えられるので、ｘ^＊における力分布を３２０に示す。力の平均値３２１（過程３１０における３１３）はｙ（ｘ^＊）であり、信頼区間は３２２（過程３１０において３１４として示す）である。

いくつかの実施形態の一目的は、ガウス過程回帰を推定するための時間及び計算労力を削減することである。このような削減は、いくつかの実施形態に従って異常検出の展開の迅速性を高めることができる。いくつかの実施形態は、通常のガウス過程回帰を学習することは、いくつかの状況で計算上なお高価である可能性があるという理解に基づく。学習の計算複雑度は、Ｏ（ｎ^３）として変化し、ここで、「ｎ」はデータポイントの数である。学習計算をより効率的にするために、いくつかの実施形態は、いくつかのガウス過程モデルをデータに当てはめることにより、計算複雑度を低減するローカルガウス過程回帰を学習し、全てのローカルガウス過程モデルに対する期待値を使用することにより最終的な予測を提供する。その場合、ローカルガウス過程モデルは、問題をサイズｎ_ｉ＜ｎ（ｉ＝１，２，．．．，ｍ）のいくつかのサブ問題に分割することにより、モデルを学習するために必要な計算時間を削減し、最終的にこれらの「ｍ」個のモデルを用いて予測を行う。ローカルモデルのそれぞれは、データセット内の或る特定のクラスタに当てはめられる。

いくつかの実施形態は、ｋ平均クラスタリング又はガウス混合モデル等のクラスタリングアルゴリズムを用いてデータ内のクラスタを推定する。これらのクラスタリングアルゴリズムへの入力引数はクラスタの数であり、ローカルガウス過程モデルの最終的な性能は選択されるクラスタの数に依存するため、クラスタの数はローカルガウス過程モデルに対するハイパーパラメータとして扱われる。全てのクラスタ及びクラスタの重心が推定された後、全ての「ｍ」個のガウス過程に対するハイパーパラメータは、ガウス過程に対する通常の周辺負尤度法を用いて推定される。テスト時間中に、テストデータポイントの予測は、「ｍ」個のガウス過程モデルによって行われる予測の重み付き平均を推定することによって取得され、重みは「ｍ」個のクラスタ重心とテストデータポイントとの間の距離によって与えられる。距離は、引数として２つのベクトルを取り、スカラー値を出力するカーネルを用いて推定することができ、いくつかの一般的な選択は、放射基底関数又はベクトル間の通常のユークリッド距離である。

図４は、いくつかの実施形態で使用されるローカルガウス過程回帰の概略図を示す。ローカルガウス過程回帰（ＬＧＰＲ：Local Gaussian Process Regression）４１０は、トレーニング及び予測プロセスを高速化することを目的とした通常ＧＰＲ（Gaussian Process Regression）のローカル近似である。ローカルガウス過程回帰は、異常検出システムの性能を弱めることなく、回帰問題の計算複雑度を低減できる。

図５は、いくつかの実施形態による、ローカルガウス過程の学習、及びローカルガウス過程を用いた異常の予測のための方法のブロック図を示す。トレーニングフェーズでは、いくつかの実施形態は、トレーニングデータセット４１２の「ｍ」個のクラスタへのクラスタリングを行う（５１０）。このクラスタリングは、ｋ平均クラスタリング又はガウス混合モデル（ＧＭＭ：Gaussian Mixture Models）のような機械学習の様々なクラスタリング方法を用いて実行できる。クラスタリングは、クラスタ４１１の中心及びクラスタ重心４１２のそれぞれに割り当てられるデータポイントを提供する。ローカルガウス過程を学習するための入力引数は、データセットに当てはめられることになるクラスタの数である。この次のステップは、第１のステップで取得されたクラスタ４１２のそれぞれに通常のＧＰＲを当てはめることである（５２０）。ＬＧＰＲにおけるクラスタの数は学習の性能に影響するので、クラスタの数は、学習プロセス中に微調整できるハイパーパラメータとして扱われる。「ｍ」個のＧＰのそれぞれに当てはめられるデータポイントの数は、データポイントの総数よりもはるかに少ないので、このことは学習フェーズ中により良好な計算効率をもたらす。

図６は、いくつかの実施形態による、テストポイントにおける期待される力分布の信頼区間を推定するためにローカルガウス過程がどのように使用されるかを示す概略図を示す。テストフェーズでは、アルゴリズムの第１のステップで決定されるテストポイント５３１、６１１と全ての重心６１２との間の近接度は、距離関数６１３を用いて決定される（５３０）。距離関数６１３は、数学的にｋ（ｘ，ｙ）で表示され、ここで、ｘ及びｙは、その間の距離を計算することを望む入力引数であり、ｋは距離関数である。距離関数は、学習プロセス中に最適化できるアルゴリズムに対する別のハイパーパラメータである。最後に、５４０では、テストデータポイントｘ^＊における事後ガウス分布６１４の平均及び分散は、個々のガウス過程モデルから取得された予測の重み付き平均６２０として取得される。数学的には、ガウス過程によって取得されるテストデータポイントにおける予測分布は、次のように記述することができる。

ここで、「ｍ」はアルゴリズムの第１のステップで取得されるクラスタの数であり、μ_ｉ（ｘ^＊）及びΣ_ｉ（ｘ^＊）は、前述のように、「ｉ番目の」ＧＰによって取得される平均及び共分散である。

図７は、いくつかの実施形態による、軌跡７２０に対して学習済みのガウス過程回帰（通常又はローカルガウス過程回帰）を用いて異常スコアを計算する方法の概略図を示す。軌跡は、一連の位置点{(ｘ₁,ｆ(ｘ₁)),(ｘ₂,ｆ(ｘ₂)), ・・・,(ｘ_n，,ｆ(ｘ_n))}７２１である。軌跡に沿った全ての点において、力の測定値が学習済みのガウス過程モデル７１０と比較される。予測平均値７１１及び共分散関数を用いて、力の観測値が信頼区間の許容動作マージン７１２と比較されて、観測測定値に対する異常スコアが計算される。これは、観測軌跡７２１に沿って全ての点又はいくつかの点について繰り返され、次いで、合計されて、軌跡全体又はその部分に対する異常スコアが計算される。異常スコアが異常閾値と比較されて、異常検出の結果が決定される。

異なる実施態様は、異常スコアの異なる計算を使用する。例えば、いくつかの実施態様では、軌跡に沿った特定のポイントに対して３つの可能な異常スコア、すなわちバイナリ異常スコア、連続異常スコア及びハイブリッド異常スコアが考えられる。バイナリ異常スコアの実施態様では、力の測定値はそれが信頼区間の外側にある場合は、１の異常スコアが与えられ、それが信頼区間の内側にある場合は、ゼロのスコアが与えられる。連続異常スコアの実施態様では、力の測定値は、対応する多変量ガウス確率分布が与えられた場合に、そのような値を観測する可能性に対応する異常スコアが与えられる。この値は、１から特定の力の測定値での多変量ガウス確率分布の評価を引いた値として計算される。ハイブリッド異常スコアの実施態様では、力の測定値はそれが信頼区間の内側にある場合、０の異常スコアが与えられ、それが信頼区間の外側にある場合、連続異常スコアのように計算されて０よりも高いスコアが与えられる。これら実装の全て及びそれぞれを使用すると、観測されたテスト軌跡に沿った全てのポイントに対する異常スコアを平均化することにより、挿入全体の合計異常スコアを取得することができる。提案された異常検出アルゴリズムは、異常スコア計算の選択に依存しない。また、他のいくつかの連続異常スコアを選択できるため、例えば、多変量ガウス分布の分散又は尤度関数に応じてハイブリッド異常スコアにも適用され得ることに留意されたい。いくつかの実施形態は、異常検出閾値との確率の比較に基づいて異常検出の結果を決定し、例えば、確率が異常検出閾値を超えるときに異常を宣言する。

図８は、１つの実施形態による、異常検出閾値を推定する方法を示す概略図を示す。この実施形態は、異常の許容誤検出率と期待陽性検出率との均衡を取る受信者操作特性（ＲＯＣ）曲線８１０を用いて異常検出閾値の値を最適化する。この実施形態は、異常を宣言するための決定閾値は、ＲＯＣ曲線を用いて目標誤検出率８１１及び陽性検出率８１２に対して最適化できるという認識に基づく。誤検出率８１１は、異常検出器が正常なサンプルを異常として宣言する回数であり、陽性検出率８１２は、異常検出器が異常なサンプルを正しく検出する回数である。

ＲＯＣ曲線において、陽性検出率は、可能な閾値８１３の配列に対する誤検出率に対してプロットされる。各閾値は、陽性検出率と偽陽性検出率との間の異なるトレードオフをもたらす。図８に、複数の検出方法のためのＲＯＣ曲線を示す。それらの中で、他の全ての曲線の上方と左方にある曲線が最適なものである。また、この曲線は、その下に最大面積を有する曲線として選択することができる。

最適な曲線８１４が特定されると、次いで最適な閾値がそこから選択される。この選択は、様々な方法で行うことができる。１つの方法は、垂直軸上で所望の検出率を選択することである。別の方法は、水平軸上で偽陽性検出率の限界を選択することである。３つ目の方法は、真陽性検出率と偽陽性検出率との重み付き組み合わせを最小限に抑える閾値を選択することであり、重みは経済的考慮事項（例えば、製品の欠陥又は機器への損傷を引き起こす可能性がある、異常検出に失敗するコストが、不必要な停止につながる可能性がある偽陽性のコストとどのように比較されるのか）から得られる。

図９は、いくつかの実施形態による、製品を組み立てるために挿入線に沿って構成部品の挿入を含む操作を行うロボットアームを制御するシステム９００のブロック図を示す。ロボットアームの構成は、複数の自由度を伴う運動を有する手首を含む。システム９００は、学習構成部品及び制御構成部品の１つ又は組み合わせを含む。学習構成部品は、挿入線に沿ったロボットアームの手首が感じる力に対する確率的関係を、挿入線に沿ったロボットアームの手首の位置の確率関数として推定するように構成される。例えば、確率的関係は、挿入線の一連の位置のうちの位置ごとに力の非異常値に対する信頼区間を定義する。現在位置に対する力の非異常値のそれぞれは、現在位置について学習した確率関数に従って信頼レベルを上回る確率を有し、異常検出器は、力の現在値が現在位置の力の非異常値に対する信頼区間の外側にあるときに、力の現在値を異常と宣言する。制御構成部品は、学習済みの確率的関係を用いて、ロボットアセンブリ内の異常を示す力の異常値を推定するように構成される。

制御システム９００は、システム９００を他のシステム及びデバイスと接続する多数のインタフェースを有することができる。ネットワークインタフェースコントローラ９５０は、バス９０６を介して、力センサ１０２の出力と制御システム９００を接続するネットワーク９９０にシステム９００を接続するように適合される。無線又は有線で、ネットワーク９９０を介して、システム９００は、ロボットアセンブリの力及び位置の測定値９９５を受信することができる。トレーニング段階の間、測定値９９５は、制御の下でロボットアームの構成を有する１つ又は複数のロボットアームによって繰り返し行われる操作の測定値としてもよい。制御段階の間、測定値９９５は、制御の下でのロボットアームの操作の測定値としてもよい。

いくつかの実施態様では、システム９００内のヒューマンマシンインタフェース９１０は、システムをキーボード９１１及びポインティングデバイス９１２に接続し、ポインティングデバイス９１２は、とりわけ、マウス、トラックボール、タッチパッド、ジョイスティック、ポインティングスティック、スタイラス、又はタッチスクリーンを含むことができる。インタフェース９１０又はＮＩＣ９５０を介して、システム９００は信頼閾値及び／又は異常検出閾値の値を受信することができる。システム９００は、確率的関係のトレーニング結果及び／又は異常検出の結果を出力するように構成される出力インタフェースを含む。例えば、出力インタフェースは、確率的関係及び／又は異常検出の結果をレンダリングするメモリを含むことができる。例えば、システム９００は、バス９０６を通してシステム９００を、とりわけ、コンピュータモニタ、カメラ、テレビ、プロジェクター、又はモバイルデバイス等のディスプレイデバイス９８５に接続するように適合したディスプレイインタフェース９８０に連結することができる。システム９００は、様々なロボットアセンブリ操作を行うための機器９６５にシステムを接続するように適合するアプリケーションインタフェース９６０に接続することもできる。システム９００は、システムをロボットアーム９１８に接続するように適合する制御インタフェース９７０に接続することもできる。

システム９００は、記憶された命令を実行するように構成されたプロセッサ９２０と、プロセッサによって実行可能である命令を記憶するメモリ９４０とを備える。プロセッサ９２０は、シングルコアプロセッサ、マルチコアプロセッサ、コンピューティングクラスタ、又は任意の数の他の構成とすることができる。メモリ９４０は、ランダムアクセスメモリ（ＲＡＭ）、リードオンリーメモリ（ＲＯＭ）、フラッシュメモリ、又は他の任意の適したメモリシステムを含むことができる。プロセッサ９２０は、バス９０６を通して、１つ以上の入力及び出力デバイスに接続される。これらの命令は、ロボットアームを制御する方法を実施する。

そのために、制御システム９００は、確率的関係９３５を学習するように構成される回帰学習器９３１を含む。回帰学習器９３１は、確率的関係９３５をオフラインで学習することができ、オンライン制御用のシステム９００の構成から省略することができる。確率的関係９３５を学習する例としては、ガウス過程回帰、及び／又はローカルガウス過程回帰を使用する。

いくつかの実施形態において、信頼度推定器９３３は、挿入線上の一連の位置のうちの位置ごとに力の非異常値に対する信頼区間、及び／又は、異常な力を検出する複数の事例に基づいて異常検出の結果を決定するための異常検出閾値を決定する。いくつかの実施形態において、信頼度推定器９３３は、異常の許容誤検出率と期待陽性検出率との均衡を取る受信者操作特性（ＲＯＣ）曲線を最適化することにより誤検出率を低減するために異常閾値を決定する。

また、システム９００は、確率関数に従って位置の現在値を条件とする力の現在値の確率を決定し、力の現在値の確率に基づいて異常検出の結果を決定するように構成される異常検出器９３７を含む。例えば、挿入線の一連の位置のうちの位置ごとに力の非異常値に対する信頼区間が決定されると、異常検出器９３７は、力の現在値が現在位置の力の非異常値に対する信頼区間の外側にあるときに、力の現在値を異常と宣言する。

本発明の上記の実施形態は数多くの方法のいずれかにおいて実現することができる。例えば、それらの実施形態は、ハードウェア、ソフトウェア又はその組み合わせを用いて実現することができる。ソフトウェアにおいて実現されるとき、そのソフトウェアコードは、単一のコンピュータ内に設けられるにしても、複数のコンピュータ間に分散されるにしても、任意の適切なプロセッサ、又はプロセッサの集合体において実行することができる。そのようなプロセッサは集積回路として実現することができ、集積回路構成部品内に１つ以上のプロセッサが含まれる。しかしながら、プロセッサは、任意の適切な構成の回路部を用いて実現することができる。

また、本発明の実施形態は方法として具現することができ、その一例が提供されてきた。その方法の一部として実行される動作は、任意の適切な方法において順序化することができる。したがって、例示的な実施形態において順次の動作として示される場合であっても、例示されるのとは異なる順序において動作が実行される実施形態を構成することもでき、異なる順序は、いくつかの動作を同時に実行することを含むことができる。

請求項要素を変更するために特許請求の範囲において「第１の」、「第２の」のような序数の用語を使用することは、それだけで、或る請求項要素が別の請求項要素よりも優先度が高いこと、優位であること、若しくは上位にあることを、又は方法の動作が実行される時間的な順序を暗示するのではなく、請求項要素を区別するために、或る特定の名称を有する１つの請求項要素を（序数用語を使用しなければ）同じ名称を有する別の要素から区別するラベルとして単に使用される。

本発明について、好ましい実施形態の例を用いて説明したが、本発明の趣旨及び範囲内で他の様々な適合及び変更を行うことができることが理解されるべきである。

Claims (20)

1. 製品を組み立てるために挿入線に沿った構成部品の挿入を含む操作を行うロボットアームを制御するシステムであって、前記ロボットアームの構成は複数の自由度を伴う運動を有する手首を含み、該システムは、
   前記ロボットアームの前記手首に作動的に接続される力センサの測定値を受け入れるように構成される入力インタフェースであって、前記測定値は前記挿入線に沿った前記ロボットアームの前記手首の異なる位置で前記ロボットアームの前記手首が感じる力を示すデータを含む、入力インタフェースと、
   前記挿入線に沿った前記ロボットアームの前記手首が感じる前記力に対する確率的関係を前記挿入線に沿った前記ロボットアームの前記手首の前記位置の確率関数として記憶するように構成されるメモリであって、前記確率関数は、前記制御下の前記ロボットアームの前記構成を有する１つ又は複数のロボットアームによって繰り返し行われる前記操作の測定値から学習される、メモリと、
   異常検出器を含む実行可能な構成部品を動作させるように構成される少なくとも１つのプロセッサであって、前記異常検出器は、
   前記力センサの前記測定値に基づいて前記挿入線に沿った前記力の現在値及び前記位置の現在値を決定し、
   前記確率関数に従って前記位置の前記現在値を条件とする前記力の前記現在値の前記確率を決定し、
   前記力の前記現在値の前記確率に基づいて異常の検出の結果を決定する
   ように構成される少なくとも１つのプロセッサと、
   異常の検出の前記結果に基づいて前記ロボットアームを制御するように構成される回復コントローラと
   を備えるシステム。
2. 前記確率関数は、或る位置における前記力の確率分布が、以前の位置における前記力の以前の確率分布を条件とするような条件付き確率分布を有し、前記異常検出器は、前記位置の前記現在値に対応する前記条件付き確率分布のパラメータを選択し、前記選択されたパラメータによって定義される確率分布に従って、前記力の前記現在値の確率を決定する
   請求項１に記載のシステム。
3. 前記確率関数は、挿入線に沿った前記ロボットアームの前記手首の前記位置の値ごとの前記力の平均及び共分散の値によって定義されるガウス過程回帰であり、前記異常検出器は、前記位置の前記現在値に対応する前記ガウス過程回帰から前記平均及び前記分散を選択し、前記平均及び前記分散の前記選択された値によって定義されるガウス分布に従って前記力の前記現在値の前記確率を決定する
   請求項１に記載のシステム。
4. 前記異常検出器は、前記力の前記現在値の前記確率と、信頼閾値との比較に基づいて、異常検出の前記結果を決定する
   請求項１に記載のシステム。
5. 前記異常検出器は、前記力の複数の値の前記確率が前記信頼閾値よりも小さいとき前記異常を検出する
   請求項４に記載のシステム。
6. 前記確率的関係は、前記挿入線上の一連の位置のうちの位置ごとに前記力の非異常値に対する信頼区間を定義し、前記現在位置に対する前記力の前記非異常値のそれぞれは、前記現在位置について学習された前記確率関数に従って信頼レベルを上回る確率を有し、前記異常検出器は、前記力の前記現在値が前記現在位置の前記力の非異常値に対する前記信頼区間の外側にあるとき、前記力の前記現在値を異常と宣言する
   請求項１に記載のシステム。
7. 前記確率関数は、ローカルガウス過程回帰の集合を含み、各ローカルガウス過程回帰は、クラスタ位置の周辺にクラスタリングされた前記挿入線に沿った位置の部分集合について学習され、前記挿入線に沿った前記ロボットアームの前記手首の前記一連の位置における位置ごとの前記力の平均及び共分散の値によって定義され、前記現在位置に対する前記力の非異常値に対する前記信頼区間は、ローカルガウス過程回帰の前記集合に従って選択されるローカル確率の集合の重み付き組み合わせに基づき、前記現在位置に対するローカル確率ごとの前記重みは、対応する前記ローカルガウス過程回帰のクラスタ位置から前記現在位置までの距離の関数である
   請求項６に記載のシステム。
8. 前記異常検出器は、前記力の多くの異常値が異常閾値よりも大きいとき、異常検出の前記結果を異常と宣言する
   請求項６に記載のシステム。
9. 前記異常閾値は、異常の許容誤検出率と期待陽性検出率との均衡を取る受信者操作特性（ＲＯＣ）曲線を最適化することにより誤検出率を低減するように決定される
   請求項８に記載のシステム。
10. 前記回復コントローラは、前記異常の検出に応答して前記ロボットアームを停止させる
    請求項１に記載のシステム。
11. 前記回復コントローラは、前記異常の検出に応答して前記ロボットアームを安全位置へ後退させる
    請求項１に記載のシステム。
12. 前記回復コントローラは、前記安全位置での前記力の前記値の前記確率に基づいて前記安全位置を決定する
    請求項１１に記載のシステム。
13. 前記入力インタフェースは、前記確率関数を受け入れ、前記確率関数を前記メモリに記憶するように構成され、前記確率関数は、前記制御下の前記ロボットアームの前記構成を有する１つ又は複数のロボットアームによって繰り返し行われる前記操作の前記測定値によって定義されるトレーニングデータにガウス過程回帰モデルを当てはめることにより学習される
    請求項１に記載のシステム。
14. 前記ガウス過程回帰モデルは、前記トレーニングデータを記述するために事前平均及び事前共分散を受け入れ、前記事前平均はゼロであり、前記事前共分散はカーネル関数によってモデル化され、前記ガウス過程回帰モデルの前記当てはめは前記トレーニングデータを用いて前記ガウス過程回帰モデルの負の対数尤度を最大化することにより事後平均及び事後共分散関数を決定することを含む
    請求項１３に記載のシステム。
15. 製品を組み立てるために挿入線に沿った構成部品の挿入を含む操作を繰り返し行うロボットアームを制御する方法であって、前記ロボットアームの構成は複数の自由度を伴う運動を有する手首を含み、該方法は該方法を実施する記憶された命令と結合されるプロセッサを使用し、前記命令は、前記プロセッサによって実行されると、該方法のステップを実行し、該方法は、
    前記ロボットアームの前記手首と作動的に接続される力センサの測定値を受け入れることであって、前記測定値は前記挿入線に沿った前記ロボットアームの前記手首の異なる位置で前記ロボットアームの前記手首が感じる力を示すデータを含むことと、
    前記挿入線に沿った前記ロボットアームの前記手首が感じる前記力に対する確率的関係を前記挿入線に沿った前記ロボットアームの前記手首の前記位置の確率関数として受け入れることであって、前記確率関数は、前記制御下の前記ロボットアームの前記構成を有する１つ又は複数のロボットアームが繰り返し行う前記操作の測定値から学習されることと、
    前記力センサの前記測定値に基づいて、前記挿入線に沿った前記力の現在値及び前記位置の現在値を決定することと、
    前記確率関数に従って前記位置の前記現在値を条件とする前記力の前記現在値の前記確率を決定することと、
    前記力の前記現在値の前記確率に基づいて、異常の検出の結果を決定することと、
    異常の検出の前記結果に基づいて前記ロボットアームを制御することと
    を含む方法。
16. 前記確率関数は挿入線に沿った前記ロボットアームの前記手首の前記位置の値ごとの前記力の平均及び共分散の値によって定義されるガウス過程回帰であり、
    前記方法は、
    前記位置の前記現在値に対応する前記ガウス過程回帰から前記平均及び前記分散を選択することと、
    前記平均及び前記分散の前記選択された値によって定義されるガウス分布に従って前記力の前記現在値の前記確率を決定することと
    を含む請求項１５に記載の方法。
17. 前記確率関数はローカルガウス過程回帰の集合であり、各ローカルガウス過程回帰は前記挿入線に沿ったそのクラスタ位置に対応し、挿入線に沿った前記ロボットアームの前記手首の前記位置の値ごとに前記力の平均及び共分散の値によって定義され、
    前記方法は、
    前記位置の前記現在値に対応する前記ローカルガウス過程回帰のそれぞれから前記平均及び前記分散を選択して、前記平均及び前記分散の選択された対によって定義されるローカルガウス分布の集合を生成することと、
    前記ローカルガウス分布のそれぞれに従って前記力の前記現在値のローカル確率を決定して、ローカル確率の集合を生成することと、
    前記位置の前記現在値を条件とする前記力の前記現在値の前記確率を前記ローカル確率の重み付き組み合わせとして決定することであって、ローカル確率に対する前記重みは前記対応するローカルガウス過程回帰のクラスタ位置から前記位置の前記現在値までの距離の関数であることと
    を含む請求項１５に記載の方法。
18. 前記確率関数はローカルガウス過程回帰の集合であり、各ローカルガウス過程回帰はクラスタ位置を中心とする前記挿入線の一部に沿ったそのクラスタ位置に対応し、前記挿入線の前記一部に沿った前記ロボットアームの前記手首の前記位置の値ごとに前記力の平均及び共分散の値によって定義され、
    前記方法は、
    前記位置の前記現在値に最も近いそのクラスタ位置を有するローカルガウス過程回帰を選択することと、
    前記位置の前記現在値に対応する前記選択されたローカルガウス過程回帰から前記平均及び前記分散を選択することと、
    前記平均及び前記分散の前記選択された値によって定義されるガウス分布に従って前記力の前記現在値の前記確率を決定することと
    を含む請求項１５に記載の方法。
19. 前記力の複数の値の確率が信頼閾値よりも小さいとき、前記異常を検出することを含む
    請求項１５に記載の方法。
20. 方法を実行するためのプロセッサにより実行可能なプログラムが具現化された非一時的コンピュータ可読記憶媒体であって、
    前記方法は、
    前記ロボットアームの前記手首に作動的に接続される力センサの測定値を受け入れることであって、前記測定値は前記挿入線に沿った前記ロボットアームの前記手首の異なる位置で前記ロボットアームの前記手首が感じる力を示すデータを含むことと、
    前記挿入線に沿った前記ロボットアームの前記手首が感じる前記力に対する確率的関係を前記挿入線に沿った前記ロボットアームの前記手首の前記位置の確率関数として受け入れることであって、前記確率関数は、前記制御下の前記ロボットアームの前記構成を有する１つ又は複数のロボットアームによって繰り返し行われる前記操作の測定値から学習されることと、
    前記力センサの前記測定値に基づいて前記挿入線に沿った前記力の現在値及び前記位置の現在値を決定することと、
    前記確率関数に従って前記位置の前記現在値を条件とする前記力の前記現在値の前記確率を決定することと、
    前記力の前記現在値の前記確率に基づいて異常の検出の結果を決定することと、
    異常の検出の前記結果に基づいて前記ロボットアームを制御することと
    を含む非一時的コンピュータ可読記憶媒体。

Images