JP2676397B2 - 動的システムの運動軌道生成方法 - Google Patents

動的システムの運動軌道生成方法

Info

Publication number
JP2676397B2
JP2676397B2 JP64000768A JP76889A JP2676397B2 JP 2676397 B2 JP2676397 B2 JP 2676397B2 JP 64000768 A JP64000768 A JP 64000768A JP 76889 A JP76889 A JP 76889A JP 2676397 B2 JP2676397 B2 JP 2676397B2
Authority
JP
Japan
Prior art keywords
trajectory
state quantity
layer
motion
controlled object
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.)
Expired - Fee Related
Application number
JP64000768A
Other languages
English (en)
Other versions
JPH02181201A (ja
Inventor
光男 川人
芳晴 前田
洋二 宇野
良次 鈴木
Original Assignee
株式会社エイ・ティ・アール視聴覚機構研究所
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 株式会社エイ・ティ・アール視聴覚機構研究所 filed Critical 株式会社エイ・ティ・アール視聴覚機構研究所
Priority to JP64000768A priority Critical patent/JP2676397B2/ja
Priority to US07/462,531 priority patent/US4990838A/en
Priority to DE69030592T priority patent/DE69030592T2/de
Priority to EP90100209A priority patent/EP0377467B1/en
Publication of JPH02181201A publication Critical patent/JPH02181201A/ja
Application granted granted Critical
Publication of JP2676397B2 publication Critical patent/JP2676397B2/ja
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/41—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by interpolation, e.g. the computation of intermediate points between programmed end points to define the path to be followed and the rate of travel along that path
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33027—Artificial neural network controller
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/42—Servomotor, servo controller kind till VSS
    • G05B2219/42155—Model
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/49—Nc machine tool, till multiple
    • G05B2219/49157—Limitation, collision, interference, forbidden zones, avoid obstacles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Fuzzy Systems (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Feedback Control In General (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Manipulator (AREA)

Description

【発明の詳細な説明】 ［産業上の利用分野］ この発明は動的システムの運動軌道生成方法に関し、
たとえばロボット，発電プラント，自動車エンジン，エ
レベータ，電車・自動車などの走行車両などの非線形を
有する動的システムの目標軌道をエネルギ最小化によっ
て自動的に生成することができ、この方式を用いて音声
合成を行なうことができ、またその逆問題として連続音
声認識を行なえるような動的システムの運動軌道生成方
法に関する。
［従来の技術］ 従来、多関節型の産業用マニピュレータなどの軌道の
生成（ティーチング）は人間のオペレータが工場の製造
ラインでオンラインで決定していた。ところが、昼間は
製造ラインが動いているため、ティーチングを行なうこ
とができず、専ら夜間や祝祭日に行なわなければなら
ず、さらに熟練工など資源の制限から限界にきている。
したがって、オフラインの軌道生成技術が切望されてい
る。オフラインの軌道生成技術は未だに研究段階である
が、制御対象のダイナミクスは全く無視して、３次元空
間の障害物を回避しながら最短経路で軌道を決定する問
題の解法は、計算機幾何学方法で提案されている。
しかし、これらの方法では、制御対象の自由度と障害
物の数が増加したとき、計算時間は指数的に増加して実
用的でない。また、制御対象ダイナミクスを無視してい
るため、滑らかな運動にならず、制御対象に無理な負担
をかけてしまう。
一方、ダイナミクスを考慮に入れて、ある評価関数を
決定し、最適軌道を求めるための従来の最適制御の方法
では、数値計算のために、制御対象の厳密なモデリング
が不可欠である。
［発明が解決しようとする課題］ しかしながら、多関節型の産業用マニピュレータなど
の非線形システムは関節間の干渉やモータや減速機構の
非線形性のために、厳密なモデリングは実際的には不可
能であった。したがって、滑らかで多数の障害物を避け
ながら、非線形制御対象の軌道を自動的に設計する統計
的な方法は従来なかった。
それゆえに、この発明の主たる目的は、非線形の制御
対象の厳密なモデリングを必要とせず、かつ制御対象の
自由度や障害物の数が多くなっても、計算時間が指数的
に爆発しないで、しかも人間の手の運動のような滑らか
な軌道を自動的に生成できるような動的システムの運動
軌道生成方法を提供することである。
［課題を解決するための手段］ 請求項１に係る発明は動的システムの運動軌道生成方
法において、非線形制御対象のある時点における状態量
および制御指令を入力し、単位時間後の状態量の変化量
を出力する、非線形制御対象の順システムのベクトル場
が学習される複数の内部モデルと、単位時間後の状態量
を求めるために、複数の内部モデルのそれぞれの出力に
単位時間前の状態量を印加するバイパス経路と、印加し
た結果を次の単位時間後の状態量の変化量を出力する内
部モデルへ入力する縦続接続と、軌道生成モードにおい
て設けられ、隣接する内部モデルの入力のうち、運動の
滑らかさの評価基準に対応する入力間を接続する結合と
を含み、学習モードにおいて、非線形制御対象に対して
制御指令を与えた際の実際の状態量を教師信号として複
数の内部モデルが非線形制御対象の順システムのベクト
ル場を学習し、軌道生成モードにおいて、運動の最終目
標点，経由点および障害物のような軌道に対する条件を
教師信号として複数の内部モデルに与え、内部モデルへ
入力される制御指令に対する誤差信号を、制御対象への
制御指令とする。
請求項２に係る発明では、請求項１の複数の内部モデ
ルのそれぞれは、多層神経回路を含み、結合は電気シナ
プスを含む。
［作用］ この発明に係る動的システムの運動軌道生成方法は、
学習モードにおいて複数の内部モデルにより非線形制御
対象に対して制御指令を与えた際の実際の状態量を教師
信号として非線形制御対象の順システムのベクトル場を
学習しておき、運動の最終目標点，経由点および障害物
のような軌道に対する条件を教師信号として複数の内部
モデルに与え、これらの条件に対する誤差を装置全体の
エネルギとして運動の滑らかさを保証しながらエネルギ
最小化によって軌道生成とそれを実現するための制御指
令を同時に求めることによって軌道生成を行なう。
［発明の実施例］ 第１図および第２図はこの発明の一実施例を示すブロ
ック図であり、特に、第１図は学習中のブロック図を示
し、第２図は軌道生成中のブロック図を示す。
運動軌跡の滑らかさを要求する評価関数としては、工
学的には物理的エネルギ最小や最短時間制御など様々な
ものが考えられるが、制御対象に無理をかけないという
ことと、人の腕の運動のように滑らかな運動を実現する
という目的のために、人腕運動の研究から導かれた躍度
最小モデル，トルク変化最小モデルまたは力変化最小モ
デルに基づく軌道生成を行なう。電気シナプスの導入を
神経回路の第３層に行なえば、躍度最小，第１層に行な
えばトルク変化最小の評価基準が満たされる。また、第
１層で力を表現し、電気シナプスを第１層に導入すれ
ば、力変化最小の評価基準が満たされる。
ここで、躍度最小は第（１）式、トルク変化最小は第
（２）式および力変化最小は第（３）式で表わされる。
T:運動時間 X,Y:物体の直交座標位置 Tj:j番目のトルク N:関節の数 Fk（ｔ）:k番目の力 M:アクチュエータの数 ここでは、簡単のために、平面内のみを動く２関節マ
ニピュレータロボットのトルク変化最小基準に基づく軌
道生成について実施例を説明する。
マニピュレータ４の手先の位置は直交座標（x,y）で
表わされ、手先の速度は（，）で表わされ、マニピ
ュレータ４の第１関節と第２関節のモータ４のトルク入
力は で表わされる。さらに、３層回路1,2…３が設けられ、
各３層回路1,2…３がそれぞれ入力層11,21…31,中間層1
2,22…32,出力層13,23…33を有している。それぞれの単
位層状回路1,2…３は、運動時間の各時点に対応してお
り、入力はその時点の位置，速度，トルクであり、出力
は１単位時間後の位置と速度の変化分になっている。つ
まり、各単位層状回路1,2…３は次に示すような制御対
象ダイナミクスを表わす非線形状常微分方程式のベクト
ル場に１単位時間を掛けた量を計算できるように学習を
する。
dx/dt＝ dy/dt＝ 上述の式の右辺がベクトル場を示している。各単位層
状回路1,2…３には、上述の右辺のベクトル場である、 を計算するように学習する。この神経回路モデルには、
力学系の流れが持つべきいくつかの性質が構造として組
み込まれている。すなわち、（１）微分方程式の解の連
続性，（２）流れの半群の性質、つまりΨ（ｔ＋s;x）
＝Ψ（t;Ψ（s,x））、（３）因果律：ある時刻の位置
と速度は、それ以降の時点の入力トルクに依存しない。
繰返し現れる単位層状回路1,2…３のある層の神経細
胞は、その１つ前の層のすべての神経細胞から重み付け
された状態量として位置と速度を受け、制御指令として
トルクを受け、各層で決められた入出力関数に従って出
力を決定し、次の層すべての神経細胞に出力を送る。ま
た、それぞれの神経細胞にはしきい値があり、それは常
に１の出力をする神経細胞からの重み付けられた入力に
よって表わされる。
したがって、第ｉ層のｊ番目の細胞の入力，出力，し
きい値をそれぞれPi j,Qi j,thi jで表わし、第（ｉ＋１）
層の細胞ｍとの間のシナプス荷重をＷi,i＋１ j,mで表わ
すと、神経回路は次式に従って動作する。
Qi j＝（Pi j） （ｘ）＝1/（１＋exp（−ax）） ただし、第１層の細胞の入出力関数だけは、特にｆ
（ｘ）＝ｘとしてあり線形である。第（ｉ−１）層には
Mi-1個の細胞があるものとする。
第１図に示すように、内部モデルとしての単位層状回
路1,2…３はＮ個設けられており、各単位層状回路1,2…
３の第１層11,21…31には手先位置（x,y）と、手先速度
（，）と、トルク（τ1,τ２）のそれぞれを表わす
６個の神経細胞が設けられている。そして、軌道は軌跡
と速度で決定されることから、第３層13,23…33にはそ
れぞれ軌跡と速度の単位時間内の変化分を表わす４個の
神経細胞が設けられている。第２層12,22…32は隠れ層
であり、Ｍ個の神経細胞があるとする。各単位層状回路
1,2…３の手先位置（x,y）と、手先速度（，）の隣
接する層の出力間がバイパス経路によってバイパスでき
るようにされている。
なお、軌道生成中の各単位層状回路1,2…３のトルク
入力は、第２図に示すように隣接する単位層状回路の入
力側で運動の滑らかさの評価基準を満足するためにギャ
ップ接合101,102,103で電気的に結合される。
制御対象に所要時間tfの運動をさせることについて考
える。このとき、マニピュレータ４にトルク入力線５か
ら与えられたトルクを とし、実現された軌道６をｘ（ｔ）などとし、それぞれ
Δｔ＝tf/Nのサンプル間隔で のように離散化する。
第１図に示すように、Ｎ個の単位層状回路1,2…３の
第１層11,21…31のたとえば５番目の神経細胞はこの を出力するものとし、Ｎ個の単位層状回路1,2…３の第
３層13,23…33のたとえば１番目の神経細胞が実現され
た軌道ｘ（Δｔ），…,x（ＮΔｔ）の単位時間内の変化
の推定値を出力するように学習する。つまり、神経回路
が推定し、推定軌道出力線7,8,9などから出力する推定
軌道は、単位層状回路1,2…３の出力を用いて次式のよ
うに決めることができる。
ｘ（ｋΔｔ）＝ｘ（（ｋ−１）Δｔ）−Q3 1k ｙ（ｋΔｔ）＝ｙ（（ｋ−１）Δｔ）−Q3 2k （ｋΔｔ）＝（（ｋ−１）Δｔ）−Q3 3k （ｋΔｔ）＝（（ｋ−１）Δｔ）−Q3 4k ここで、添字ｋは第ｋ番目の時刻とそれに対応する単
位層状回路を示す、以下、同様にしてｋは第ｋ番目の単
位層状回路を示すことにする。
神経回路は第１図に示した学習モードと第２図に示し
た軌道生成モードの２つのモードで動作する。学習モー
ドでは第１層11,21…31と第２層12,22…32の間、および
第２層12,22…32と第３層13,23…33間のシナプス荷重に
制御対象の順システムのベクトル場内部モデルを形成
し、軌道生成モードでは、学習後の神経回路を用いてト
ルク変化最小軌道を腕に実現させるトルクを第１層11,2
1…31の神経細胞に生成する。
ここで、神経回路内の制御対象の順システムのベクト
ル場を構成するための学習について説明する。教師信号
は制御対象にトルク を与えたときの実際の軌道ｋ（位置と速度の４つの変
数を一まとめにｘで表わし、添字ｋは第ｋ時刻の値で、
ｋ番目の単位層状回路に対応する）とし、神経回路によ
って計算された軌道をxk（位置と速度の４つの変数を一
まとめにしたベクトル）であるとして、誤差関数Ｅを次
式のように出力誤差の二乗和として定義する。
ここで、ｃはトルク などと実際の軌道（（Δｔ），…，（ＮΔｔ））な
どの組を表わす。学習はシナプス荷重Ｗを次式に従って
Ｅの最急降下方向に変化させて行なう。
まず、第ｋ番目の時刻の第ｉ番目の推定軌道出力線の
誤差δikをその時点での軌道の推定値と実現された軌道
との誤差と、第ｋ＋１番目の時刻の第ｉ番目の推定軌道
出力線の誤差δik+1と、第ｋ＋１番目の単位層状回路の
第１層の第ｉ番目の細胞の誤差がη1 ik+1の和として次
のようにして求める。
δik＝（ｋ−xk）＋δik+1＋η1 ik1 （ｋ＝1,2…N;i＝1,2,3,4） ただし、第１項は簡単のためにｉ＝１の場合のみを示
している。単位層状回路1,2…３内の各層間のシナプス
荷重の変化分は次式に従って計算される。
dW2,3 j,i＝ε・δi,k・Q3 i・（１−Q3 i）・Q2 j また、第１層11,21…31の細胞の誤差は次のように計
算される。
（ｍ＝1,2,3,4,5,6） ただし、簡単のため、W,Qに関しては、何番目の単位
層状回路かを示す添字ｋは省略してある。単位層状回路
のシナプス荷重はｋによらず一定とならねばならないか
ら上述の式で計算して変化分をｋについて、たし合せて
シナプス荷重の実際の変化分とする。
次に、第２図を参照して、軌道生成モードについて説
明する。軌道生成モードでは、各単位層状回路1,2…３
の第１層11,21…31に外部から与えられていたトルク
と、マニピュレータ４から軌道出力線7,8,9へ与えられ
る教師信号とは軌道生成モードにおいて与えられず、代
わって運動終了時刻tfに対応するＮ番目の軌道出力線９
だけに指令部10から最終目標位置ｄと最終目標速度 などに関する教師信号が与えられる。経由点や障害物に
関する信号も同様にして、指令部10から推定軌道出力線
7,8,9などに与えられる。
学習時と全く同様にして、前向き計算でPi j,Qi jまた
後ろ向き計算で誤差信号を計算するにあたって、教師信
号として実現された軌道ｋ（ｋ＝1,2…Ｎ）を最終目
標位置ｄなどに置き換えて、誤差δikとη1 mkが計算
されるが、シナプス荷重の変更は行なわれず、次に説明
するように誤差信号は第１層のトルクを表わす神経細胞
の状態に使われる。
前述のごとく、第１層への外部からのトルク入力信号
が与えられていないので、ｋ番目の単位神経回路の第１
層のトルクを表わす２個のｍ番目の神経細胞に与えられ
る入力は誤差信号η1 mkだけになる。また、隣り合う時
点のこれらの神経細胞同士は、コンダクタンスｇのギャ
ップ接合101,102,103で電気的に結合される。すなわ
ち、これらの神経細胞は、両隣の神経細胞の膜電位への
影響をコンダクタンスｇを介して受ける。このとき、ｋ
番目の単位層状回路の第１層のｍ番目の神経細胞の膜電
位Q1 mk（トルク）の変化は次の微分方程式で記述するこ
とができる。
dQ1 mk/ds＝η1 mk＋ｇ（Q1 mk+1−2Q1 mk＋Q1 mk-1） Q1 mk＝P1 mk （ｍ＝5,6） ここで、ｓは神経細胞の状態変化の時間を表わしてい
る。ただし、dQ1 m0/ds＝0,dQ1 mN/ds＝０としている。こ
れは、始点と終点でトルクが０となることを要求してい
る。なお、上述の右辺は電流に対応している。
さて、関数Ｌを次式のように定義する。
この関数の第１項は手先が目標位置に到達することを
要求し、第２項はトルク変化を最小にすることを要求
し、トルク変化最小モデルの評価関数CTの離散表現にな
っている。したがって、Ｌが最小になるとき、神経回路
は手先が目標位置に到達する軌道のうちで、前述の第
（２）に示した解が最小となる軌道を実現するトルクを
第１層の神経細胞に生成する。これをマニピュレータ４
に与えれば、障害物を避け、経由点を通って目標位置に
到達し、かつ滑らかな軌道が自動的に生成できる。ま
た、第３項で説明したように、第３層に電気シナプスを
導入すれば、上式の第２項は躍度最小モデルの評価関数
の離散表現に、また第１層で力を表現すれば力変化最小
モデルの評価関数の離散表現となって、それぞれの最適
化が行なわれる。
第１層の神経細胞の状態が上に示した微分方程式に従
って変化するとき、エネルギ関数Ｌが時間ｓとともに減
少すること（dL/ds≦０）が示される。また、関数Ｌは
明らかに０または正であるため、神経回路ダイナミクス
のリヤプノフ関数になっていて、安定平衡点へ収集し、
そこで関数Ｌは極小になるまで減少する。
容易にわかるように、エネルギ関数Ｌの第１項の減少
は微分方程式、第１項つまり誤差信号η1 mkにより、第
２項の減少は微分方程式第２項、すなわち電気シナプス
の相互作用によっている。
［発明の効果］ 以上のように、この発明によれば、学習モードにおい
て複数の内部モデルにより非線形制御対象に対して制御
指令を与えた際の実際の状態量を教師信号として非線形
制御対象の順システムのベクトル場を学習しておき、運
動の最終目標点，経由点および障害物のような軌道に対
する条件を教師信号として複数の内部モデルに与え、こ
れらの条件に対する誤差を装置全体のエネルギとして運
動の滑らかさを保証しながらエネルギ最小化によって軌
道生成とそれを実現するための制御指令を同時に求める
ようにしたので、計算時間は制御対象の自由度の線形の
オーダでしか増加せず、高精度で適用が広く、制御対象
の厳密なモデルやパラメータ推定を必要とせず、かつ人
間の運動のように滑らかで制御対象に無理をかけない軌
道の自動生成が行なわれるなどの性能向上を軌道学習生
成システム一般にもたらすことが期待できる。
【図面の簡単な説明】
第１図はこの発明の一実施例の学習中のブロック図であ
る。第２図はこの発明の一実施例の軌道生成中のブロッ
ク図である。 図において、1,2,3は単位層状回路、４はマニピュレー
タ、５はトルク入力線、６は実現軌道線、7,8,9は推定
軌道出力線、10は指令部、101,102,103は電気シナプス
結合を示す。
フロントページの続き (72)発明者 宇野 洋二 東京都文京区本郷７―３―１ 東京大学 工学部計数工学科内 (72)発明者 鈴木 良次 東京都文京区本郷７―３―１ 東京大学 工学部計数工学科内 (56)参考文献 特開 平１−162697（ＪＰ，Ａ) 電子情報通信学会技術報告，87［428 ］（昭63），前田芳晴ほか３名，「ヒト 上肢多関節運動軌道を学習・生成する多 層神経回路モデル」，Ｐ．233−240 システムと制御研究発表講演会講演論 文集，32（昭63−５），川人光男、「随 意運動制御の神経回路モデルとロボット 制御への応用」，Ｐ．37−40

Claims (2)

    (57)【特許請求の範囲】
  1. 【請求項１】動的システムの運動軌道生成方法におい
    て、 非線形制御対象のある時点における状態量および制御指
    令を入力し、単位時間後の状態量の変化量を出力する、
    非線形制御対象の順システムのベクトル場が学習される
    複数の内部モデルと、 単位時間後の状態量を求めるために、前記複数の内部モ
    デルのそれぞれの出力に単位時間前の状態量を印加する
    バイパス経路と、 前記印加した結果を次の単位時間後の状態量の変化量を
    出力する内部モデルへ入力する縦続接続と、 軌道生成モードにおいて設けられ、隣接する内部モデル
    の入力のうち、運動の滑らかさの評価基準に対応する入
    力間を接続する結合とを含み、 学習モードにおいて、前記非線形制御対象に対して制御
    指令を与えた際の実際の状態量を教師信号として、前記
    複数の内部モデルが前記非線形制御対象の順システムの
    ベクトル場を学習し、 軌道生成モードにおいて、運動の最終目標点，経由点お
    よび障害物のような軌道に対する条件を教師信号として
    前記複数の内部モデルに与え、内部モデルへ入力される
    制御指令に対する誤差信号を、前記制御対象への制御指
    令とすることを特徴とする、動的システムの運動軌道生
    成方法。
  2. 【請求項２】前記複数の内部モデルのそれぞれは、多層
    神経回路を含み、前記結合は電気シナプスであることを
    特徴とする、請求項１の動的システムの運動軌道生成方
    法。
JP64000768A 1989-01-05 1989-01-05 動的システムの運動軌道生成方法 Expired - Fee Related JP2676397B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP64000768A JP2676397B2 (ja) 1989-01-05 1989-01-05 動的システムの運動軌道生成方法
US07/462,531 US4990838A (en) 1989-01-05 1990-01-03 Movement trajectory generating method of a dynamical system
DE69030592T DE69030592T2 (de) 1989-01-05 1990-01-05 Generierungsverfahren für Bewegungstrajektoren in einem dynamischen System
EP90100209A EP0377467B1 (en) 1989-01-05 1990-01-05 Movement trajectory generating method of a dynamical system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP64000768A JP2676397B2 (ja) 1989-01-05 1989-01-05 動的システムの運動軌道生成方法

Publications (2)

Publication Number Publication Date
JPH02181201A JPH02181201A (ja) 1990-07-16
JP2676397B2 true JP2676397B2 (ja) 1997-11-12

Family

ID=11482876

Family Applications (1)

Application Number Title Priority Date Filing Date
JP64000768A Expired - Fee Related JP2676397B2 (ja) 1989-01-05 1989-01-05 動的システムの運動軌道生成方法

Country Status (4)

Country Link
US (1) US4990838A (ja)
EP (1) EP0377467B1 (ja)
JP (1) JP2676397B2 (ja)
DE (1) DE69030592T2 (ja)

Families Citing this family (92)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04310384A (ja) * 1991-04-09 1992-11-02 Toyota Motor Corp 複腕ロボット
CA2031765C (en) * 1989-12-08 1996-02-20 Masahide Nomura Method and system for performing control conforming with characteristics of controlled system
US5167006A (en) * 1989-12-29 1992-11-24 Ricoh Company, Ltd. Neuron unit, neural network and signal processing method
US5581662A (en) * 1989-12-29 1996-12-03 Ricoh Company, Ltd. Signal processing apparatus including plural aggregates
JP2573715B2 (ja) * 1990-03-28 1997-01-22 三菱電機株式会社 エレベータ制御装置
US5485546A (en) * 1990-04-27 1996-01-16 Neurosciences Research Foundation, Inc. Discrimination and testing methods and apparatus employing adaptively changing network behavior based on spatial and heterocellular modification rules
KR940009984B1 (ko) * 1990-05-29 1994-10-19 미쓰비시덴키 가부시키가이샤 엘리베이터 제어장치
US5529147A (en) * 1990-06-19 1996-06-25 Mitsubishi Denki Kabushiki Kaisha Apparatus for controlling elevator cars based on car delay
US5172253A (en) * 1990-06-21 1992-12-15 Inernational Business Machines Corporation Neural network model for reaching a goal state
KR100191107B1 (ko) * 1990-11-06 1999-06-15 이데이 노부유끼 신호 처리 방법
US5485545A (en) * 1991-06-20 1996-01-16 Mitsubishi Denki Kabushiki Kaisha Control method using neural networks and a voltage/reactive-power controller for a power system using the control method
US5566275A (en) * 1991-08-14 1996-10-15 Kabushiki Kaisha Toshiba Control method and apparatus using two neural networks
US5852817A (en) * 1991-08-14 1998-12-22 Kabushiki Kaisha Toshiba Intelligent control apparatus
JP3242950B2 (ja) * 1991-08-14 2001-12-25 株式会社東芝 予測制御方法
WO1993012475A1 (de) * 1991-12-09 1993-06-24 Siemens Aktiengesellschaft Verfahren zur optimierung von steuerparametern für ein system, das in abhängigkeit der steuerparameter ein ist-verhalten aufweist
US5396415A (en) * 1992-01-31 1995-03-07 Honeywell Inc. Neruo-pid controller
JP3273443B2 (ja) * 1992-05-22 2002-04-08 本田技研工業株式会社 ロボットのリンクなどの軌道生成方法及び装置
US5404423A (en) * 1992-06-16 1995-04-04 Nippon Telegraph And Telephone Corporation Method and apparatus for indetification, forecast, and control of a non-linear flow on a physical system network using a neural network
US5428710A (en) * 1992-06-29 1995-06-27 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Fast temporal neural learning using teacher forcing
US5412754A (en) * 1992-06-30 1995-05-02 At&T Corp. Reverse time delay neural network for pattern generation
US5384895A (en) * 1992-08-28 1995-01-24 The United States Of America As Represented By The Secretary Of The Navy Self-organizing neural network for classifying pattern signatures with `a posteriori` conditional class probability
US5371834A (en) * 1992-08-28 1994-12-06 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Adaptive neuron model--an architecture for the rapid learning of nonlinear topological transformations
EP0589394A1 (en) * 1992-09-21 1994-03-30 Toyoda Koki Kabushiki Kaisha Method and apparatus for controlling a robot using a neural network
US5673367A (en) * 1992-10-01 1997-09-30 Buckley; Theresa M. Method for neural network control of motion using real-time environmental feedback
US5377307A (en) * 1992-10-07 1994-12-27 Schlumberger Technology Corporation System and method of global optimization using artificial neural networks
CA2081519C (en) * 1992-10-27 2000-09-05 The University Of Toronto Parametric control device
US5930781A (en) * 1992-10-27 1999-07-27 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Neural network training by integration of adjoint systems of equations forward in time
JPH06203005A (ja) * 1992-10-27 1994-07-22 Eastman Kodak Co 高速区分化ニューラルネットワーク及びその構築方法
JPH06314103A (ja) * 1993-04-30 1994-11-08 Fujitsu Ltd 制御装置と能動的センシング装置
DE4416364B4 (de) * 1993-05-17 2004-10-28 Siemens Ag Verfahren und Regeleinrichtung zur Regelung eines Prozesses
US5446829A (en) * 1993-06-24 1995-08-29 The United States Of America As Represented By The Department Of Health And Human Services Artificial network for temporal sequence processing
US5426722A (en) * 1993-09-09 1995-06-20 Stratasys, Inc. Method for optimizing the motion of a multi-axis robot
DE4338615B4 (de) * 1993-11-11 2005-10-13 Siemens Ag Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System
US5495158A (en) * 1994-09-30 1996-02-27 Allen-Bradley Company, Inc. Apparatus and method used with AC motors for controlling motor operation
US5642461A (en) * 1994-11-14 1997-06-24 Seagate Technology, Inc. Economical wide range speed control system
US6266578B1 (en) 1998-05-15 2001-07-24 Firdaus E. Udwadia Computer based control system
US6028410A (en) * 1999-01-11 2000-02-22 Stratasys, Inc. Resonance detection and resolution
US6341246B1 (en) * 1999-03-26 2002-01-22 Kuka Development Laboratories, Inc. Object oriented motion system
US7169093B2 (en) * 1999-09-14 2007-01-30 Free Motion Fitness, Inc. Cable crossover exercise apparatus
US6633783B1 (en) 2000-06-06 2003-10-14 Honda Giken Kogyo Kabushiki Kaisha Fuzzy logic based control
US6643555B1 (en) * 2000-10-10 2003-11-04 Schneider Automation Inc. Method and apparatus for generating an application for an automation control system
US6691010B1 (en) * 2000-11-15 2004-02-10 Caterpillar Inc Method for developing an algorithm to efficiently control an autonomous excavating linkage
US6901681B2 (en) * 2001-11-05 2005-06-07 Chrispatrick A. Bueno Siding installation tool, kit and method
US7437201B2 (en) 2003-01-14 2008-10-14 Cullen Christopher P Electric motor controller
US7904488B2 (en) 2004-07-21 2011-03-08 Rockwell Automation Technologies, Inc. Time stamp methods for unified plant model
US7809683B2 (en) * 2005-05-13 2010-10-05 Rockwell Automation Technologies, Inc. Library that includes modifiable industrial automation objects
US8799800B2 (en) * 2005-05-13 2014-08-05 Rockwell Automation Technologies, Inc. Automatic user interface generation
US7672737B2 (en) 2005-05-13 2010-03-02 Rockwell Automation Technologies, Inc. Hierarchically structured data model for utilization in industrial automation environments
US7650405B2 (en) * 2005-05-13 2010-01-19 Rockwell Automation Technologies, Inc. Tracking and tracing across process boundaries in an industrial automation environment
US7676281B2 (en) 2005-05-13 2010-03-09 Rockwell Automation Technologies, Inc. Distributed database in an industrial automation environment
US7601105B1 (en) 2005-07-11 2009-10-13 Icon Ip, Inc. Cable crossover exercise apparatus with lateral arm movement
US20070067458A1 (en) * 2005-09-20 2007-03-22 Rockwell Software, Inc. Proxy server for integration of industrial automation data over multiple networks
US7881812B2 (en) * 2005-09-29 2011-02-01 Rockwell Automation Technologies, Inc. Editing and configuring device
US7548789B2 (en) * 2005-09-29 2009-06-16 Rockwell Automation Technologies, Inc. Editing lifecycle and deployment of objects in an industrial automation environment
US7801628B2 (en) 2005-09-30 2010-09-21 Rockwell Automation Technologies, Inc. Industrial operator interfaces interacting with higher-level business workflow
US8275680B2 (en) * 2005-09-30 2012-09-25 Rockwell Automation Technologies, Inc. Enabling transactional mechanisms in an automated controller system
US7734590B2 (en) 2005-09-30 2010-06-08 Rockwell Automation Technologies, Inc. Incremental association of metadata to production data
US7660638B2 (en) * 2005-09-30 2010-02-09 Rockwell Automation Technologies, Inc. Business process execution engine
US8484250B2 (en) * 2005-09-30 2013-07-09 Rockwell Automation Technologies, Inc. Data federation with industrial control systems
US7526794B2 (en) * 2005-09-30 2009-04-28 Rockwell Automation Technologies, Inc. Data perspectives in controller system and production management systems
DE102008029657A1 (de) 2008-06-24 2009-12-31 Technische Universität Carolo-Wilhelmina Zu Braunschweig Positionsgesteuerter Mechanismus und Verfahren zur Steuerung von in mehreren Bewegungsfreiheitsgraden beweglichen Mechanismen
US7977906B1 (en) * 2008-08-14 2011-07-12 Hrl Laboratories, Llc Saccadic tracking for an electro-mechanical system
US8396282B1 (en) 2008-10-31 2013-03-12 Hrl Labortories, Llc Method and system for computing fused saliency maps from multi-modal sensory inputs
KR101667030B1 (ko) * 2009-08-10 2016-10-17 삼성전자 주식회사 로봇의 경로 계획 장치 및 그 방법
KR101691940B1 (ko) * 2009-10-30 2017-01-02 삼성전자주식회사 로봇 및 그 제어방법
US8484401B2 (en) 2010-04-15 2013-07-09 Rockwell Automation Technologies, Inc. Systems and methods for conducting communications among components of multidomain industrial automation system
US8984533B2 (en) 2010-04-15 2015-03-17 Rockwell Automation Technologies, Inc. Systems and methods for conducting communications among components of multidomain industrial automation system
US9392072B2 (en) 2010-04-15 2016-07-12 Rockwell Automation Technologies, Inc. Systems and methods for conducting communications among components of multidomain industrial automation system
US10373160B2 (en) 2011-02-10 2019-08-06 Paypal, Inc. Fraud alerting using mobile phone location
JP5752500B2 (ja) 2011-06-27 2015-07-22 本田技研工業株式会社 軌道生成システム
US8843235B2 (en) 2012-01-13 2014-09-23 Toyota Motor Engineering & Manufacturing North America, Inc. Robots, computer program products, and methods for trajectory plan optimization
US9014850B2 (en) 2012-01-13 2015-04-21 Toyota Motor Engineering & Manufacturing North America, Inc. Methods and computer-program products for evaluating grasp patterns, and robots incorporating the same
US9014857B2 (en) 2012-01-13 2015-04-21 Toyota Motor Engineering & Manufacturing North America, Inc. Methods and computer-program products for generating grasp patterns for use by a robot
JP5829968B2 (ja) * 2012-04-06 2015-12-09 トヨタ自動車株式会社 多関節ロボット、その関節協調制御装置および方法
US9486918B1 (en) * 2013-03-13 2016-11-08 Hrl Laboratories, Llc System and method for quick scripting of tasks for autonomous robotic manipulation
WO2014153158A1 (en) 2013-03-14 2014-09-25 Icon Health & Fitness, Inc. Strength training apparatus with flywheel and related methods
WO2015100429A1 (en) 2013-12-26 2015-07-02 Icon Health & Fitness, Inc. Magnetic resistance mechanism in a cable machine
CN106470739B (zh) 2014-06-09 2019-06-21 爱康保健健身有限公司 并入跑步机的缆索系统
US10940360B2 (en) 2015-08-26 2021-03-09 Icon Health & Fitness, Inc. Strength exercise mechanisms
TWI644702B (zh) 2015-08-26 2018-12-21 美商愛康運動與健康公司 力量運動機械裝置
US11841920B1 (en) 2016-02-17 2023-12-12 Ultrahaptics IP Two Limited Machine learning based gesture recognition
US11714880B1 (en) 2016-02-17 2023-08-01 Ultrahaptics IP Two Limited Hand pose estimation for machine learning based gesture recognition
US11854308B1 (en) * 2016-02-17 2023-12-26 Ultrahaptics IP Two Limited Hand initialization for machine learning based gesture recognition
US10441840B2 (en) 2016-03-18 2019-10-15 Icon Health & Fitness, Inc. Collapsible strength exercise machine
US10293211B2 (en) 2016-03-18 2019-05-21 Icon Health & Fitness, Inc. Coordinated weight selection
US9857795B2 (en) * 2016-03-24 2018-01-02 Honda Motor Co., Ltd. System and method for trajectory planning for unexpected pedestrians
US10252109B2 (en) 2016-05-13 2019-04-09 Icon Health & Fitness, Inc. Weight platform treadmill
US10514799B2 (en) 2016-09-08 2019-12-24 Google Llc Deep machine learning to perform touch motion prediction
US10661114B2 (en) 2016-11-01 2020-05-26 Icon Health & Fitness, Inc. Body weight lift mechanism on treadmill
CN107253194B (zh) * 2017-07-31 2018-04-03 中南大学 一种运载机器人手臂操控多点映射智能控制方法及系统
DE102017129665B3 (de) 2017-12-12 2019-01-24 Pilz Gmbh & Co. Kg Kollisionsfreie Bewegungsplanung bei geschlossener Kinematik
US11334085B2 (en) * 2020-05-22 2022-05-17 The Regents Of The University Of California Method to optimize robot motion planning using deep learning

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3950733A (en) * 1974-06-06 1976-04-13 Nestor Associates Information processing system
JPS625408A (ja) * 1985-07-01 1987-01-12 Fanuc Ltd 関節形ロボツトの制御方式
US4852018A (en) * 1987-01-07 1989-07-25 Trustees Of Boston University Massively parellel real-time network architectures for robots capable of self-calibrating their operating parameters through associative learning
US4796199A (en) * 1987-02-24 1989-01-03 Oregon Graduate Center Neural-model, information-handling architecture and method
US4860215A (en) * 1987-04-06 1989-08-22 California Institute Of Technology Method and apparatus for adaptive force and position control of manipulators
US4884216A (en) * 1987-11-09 1989-11-28 Michael Kuperstein Neural network system for adaptive sensory-motor coordination of multijoint robots for single postures
JP2635066B2 (ja) * 1987-12-18 1997-07-30 川崎重工業株式会社 対向型デッキクレーンの自動運転方法
US4897811A (en) * 1988-01-19 1990-01-30 Nestor, Inc. N-dimensional coulomb neural network which provides for cumulative learning of internal representations

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
システムと制御研究発表講演会講演論文集，３２（昭６３−５），川人光男、「随意運動制御の神経回路モデルとロボット制御への応用」，Ｐ．３７−４０
電子情報通信学会技術報告，８７［４２８］（昭６３），前田芳晴ほか３名，「ヒト上肢多関節運動軌道を学習・生成する多層神経回路モデル」，Ｐ．２３３−２４０

Also Published As

Publication number Publication date
EP0377467B1 (en) 1997-05-02
JPH02181201A (ja) 1990-07-16
US4990838A (en) 1991-02-05
EP0377467A3 (en) 1993-03-03
EP0377467A2 (en) 1990-07-11
DE69030592T2 (de) 1997-09-18
DE69030592D1 (de) 1997-06-05

Similar Documents

Publication Publication Date Title
JP2676397B2 (ja) 動的システムの運動軌道生成方法
Chen et al. RBFNN-based adaptive sliding mode control design for delayed nonlinear multilateral telerobotic system with cooperative manipulation
Hewit et al. Fast dynamic decoupled control for robotics, using active force control
CN111428317B (zh) 一种基于5g和循环神经网络的关节摩擦力矩补偿方法
Alavandar et al. Inverse kinematics solution of 3DOF planar robot using ANFIS
Banerjee et al. Learning-based warm-starting for fast sequential convex programming and trajectory optimization
CN115946112B (zh) 一种预测控制方法
Harashima et al. Tracking control of robot manipulators using sliding mode
CN116638507A (zh) 一种自适应阻抗控制与预测控制相结合的遥操作控制方法
Wang Robot algorithm based on neural network and intelligent predictive control
JPH0683427A (ja) 柔軟マニピュレータの作業点位置制御システム
Zhu et al. Development of adaptive safety constraint by predicting trajectories of closest points between human and co-robot
JP3105694B2 (ja) マニピュレータ制御方法
Alavandar et al. New hybrid adaptive neuro-fuzzy algorithms for manipulator control with uncertainties–Comparative study
JP2629291B2 (ja) マニピュレータ学習制御方法
CN107894709A (zh) 基于自适应评价网络冗余机器人视觉伺服控制
Tho et al. Analysis and evaluation of CDPR cable sagging based on ANFIS
Kuntze Position control of industrial robots—impacts, concepts and results
Zhang et al. A review of intelligent control algorithms applied to robot motion control
CN117301047A (zh) 双臂空间机器人视觉伺服协调控制方法及装置
CN116330288A (zh) 一种移动机械臂人机共享控制方法和系统
BENOTSMANE et al. SIMULATION OF INDUSTRIAL ROBOTS'SIX AXES MANIPULATOR ARMS-A CASE STUDY.
Erbatur et al. A study of fuzzy schemes for control of robotic manipulators
Pandey et al. Learning the inverse kinematics of a 6-dof manipulator using a feedforward neural network
Liu et al. Dual Fuzzy Sliding Mode Control of Collaborative Robot Based on Adaptive Algorithm

Legal Events

Date Code Title Description
LAPS Cancellation because of no payment of annual fees