JP7121127B2 - パラメータの学習方法および作業システム - Google Patents

Description

本明細書は、パラメータの学習方法および作業システムを開示する。

従来、電子部品や機械部品などのワークが柔軟性のある支持部に供給され、ロボットにより採取されて所定の作業が行われる作業システムにおいて、支持部に供給されたワークのばら積み状態を解きほぐすために、支持部に下方から衝撃を付加するものが開示されている（例えば、特許文献１参照）。このシステムでは、ワークの重さやサイズ、形状、材料などに応じてワークのばら積み状態を適切に解きほぐすことができるように、衝撃エネルギや付加ポイントなどのパラメータが可変となっている。さらに、衝撃を付加する前後の安定状態でワークを撮像し、撮像した画像を処理してワークの分離状態を認識し、変更したパラメータとワークの分離状態との関係を学習し続けることにより、適切なパラメータを決定している。

特許第３１７２４９４号公報

しかしながら、上述した作業システムでは、ワークの撮像を安定状態で行うから、支持部に付加した衝撃が収まった状態で撮像する必要がある。即ち、ワークの分離状態を認識する度に衝撃の付加を一時的に停止する必要があるから、学習し続けるために、衝撃の付加を停止している時間が長時間となる場合がある。そうなると、ワークのばら積み状態を解きほぐすのに時間がかかり作業効率の低下に繋がってしまう。

本開示は、ワークのばら積み状態を解きほぐすための作業効率を低下することなく、パラメータの学習を適切に行うことを主目的とする。

本開示は、上述の主目的を達成するために以下の手段を採った。

本開示のパラメータの学習方法は、複数のワークのばら積み状態を所定の動作により解きほぐすアクチュエータを制御するためのパラメータの学習方法であって、前記所定の動作の実行中に前記複数のワークを撮像する動作中撮像ステップと、前記動作中撮像ステップで撮像された画像を処理して前記複数のワークの分離状態を評価する評価ステップと、前記評価ステップの評価結果と、実行中の前記所定の動作における前記パラメータとの関係を学習する学習ステップと、を含むことを要旨とする。

本開示のパラメータの学習方法は、複数のワークのばら積み状態を解きほぐす所定の動作の実行中に複数のワークを撮像し、撮像された画像を処理して複数のワークの分離状態を評価し、その評価結果と、実行中の所定の動作におけるパラメータとの関係を学習する。これにより、パラメータの学習を所定の動作の実行中に撮像された画像を用いて行うことができるから、学習のためにアクチュエータが所定の動作を中断する必要がない。このため、ワークのばら積み状態を解きほぐすための作業効率を低下することなく、パラメータの学習を適切に行うことができる。

作業システム１０の構成の概略を示す構成図。 ワーク搬送装置２０の構成の概略を示す構成図。 ワーク搬送装置２０を裏側から見た部分外観図。 制御装置７０の電気的な接続関係を示す説明図。 ワークＷのばら積み状態が解きほぐされる様子を示す説明図。 制御装置７０の機能を示すブロック図。 ほぐし動作制御ルーチンの一例を示すフローチャート。 ほぐし動作開始時処理の一例を示すフローチャート。 差分ΔＡ，ΔＧの演算方法の一例を示す説明図。 領域面積Ａ，重心Ｇの一例を示す説明図。

次に、本開示を実施するための形態について図面を参照しながら説明する。

図１は作業システム１０の構成の概略を示す構成図であり、図２はワーク搬送装置２０の構成の概略を示す構成図であり、図３はワーク搬送装置２０を裏側から見た部分外観図であり、図４は制御装置７０の電気的な接続関係を示す説明図である。なお、図１，２中、左右方向はＸ軸方向であり、前後方向はＹ軸方向であり、上下方向はＺ軸方向である。

本実施形態の作業システム１０は、供給ボックス１２に収容されているワークＷを載置台Ｔに移送して整列させるシステムである。この作業システム１０は、図１に示すように、載置台搬送装置１６と、ワーク搬送装置２０と、供給ロボット４０と、採取ロボット５０とを備える。これらは、作業台１１上に設置されている。

載置台搬送装置１６は、前後方向（Ｙ軸方向）に間隔を空けて左右方向（Ｘ軸方向）に架け渡された一対のベルトコンベアを有する。載置台Ｔは、ベルトコンベアによって左から右へと搬送される。

供給ロボット４０は、機械部品や電機部品などの各種部品としてのワークＷを供給ボックス１２から取り出してワーク搬送装置２０の供給エリアＡ１（図２参照）に供給するためのロボットである。この供給ロボット４０は、垂直多関節型のロボットアーム４１と、エンドエフェクタ４２とを備える。ロボットアーム４１は、複数のリンクと、各リンクを回転または旋回可能に連結する複数の関節と、各関節を駆動する駆動モータ４４（図４参照）と、各関節の角度を検出するエンコーダ４５（図４参照）とを有する。複数のリンクは、エンドエフェクタ４２が取り付けられる先端リンクと、作業台１１に固定される基端リンクとを含む。エンドエフェクタ４２は、ワークＷの保持とその解除とが可能となっている。エンドエフェクタ４２は、例えば、メカチャックや吸着ノズル、電磁石などを用いることができ、供給エリアＡ１にワークＷをばら積み状態で供給する。

採取ロボット５０は、ワーク搬送装置２０の採取エリアＡ２（図２参照）でワークＷを採取して載置台Ｔ上に移送，整列させるためのロボットである。この採取ロボット５０は、垂直多関節型のロボットアーム５１と、エンドエフェクタ５２とを備える。ロボットアーム５１は、複数のリンクと、各リンクを回転または旋回可能に連結する複数の関節と、各関節を駆動する駆動モータ５４（図４参照）と、各関節の角度を検出するエンコーダ５５（図４参照）とを有する。複数のリンクは、エンドエフェクタ５２が取り付けられる先端リンクと、作業台１１に固定される基端リンクとを含む。エンドエフェクタ５２は、ワークＷの保持とその解除とが可能となっている。エンドエフェクタ５２は、例えば、メカチャックや吸着ノズル、電磁石などを用いることができる。また、ロボットアーム５１の先端リンクには、ワーク搬送装置２０により搬送されたワークＷや載置台搬送装置１６により搬送された載置台Ｔを撮像してそれらの位置や状態を把握するためのカメラ５３も取り付けられている。

ワーク搬送装置２０は、図１，２に示すように、ワークＷをそれぞれ供給エリアＡ１から採取エリアＡ２まで前後方向（Ｙ軸方向）に搬送可能な複数の搬送レーン２１を有する。ワーク搬送装置２０の後方には、複数の搬送レーン２１のそれぞれに供給するワークＷを収容するための複数の供給ボックス１２が配置されている。

ワーク搬送装置２０は、コンベアベルト２２と、仕切り２５とを備える。コンベアベルト２２は、図２に示すように、駆動ローラ２３ａと従動ローラ２３ｂとに架け渡されている。コンベアベルト２２は、上面部２２ａ（載置部）にワークＷが載置され、駆動モータ３８（図４参照）により駆動ローラ２３ａを回転駆動することによってワークＷをベルト送り方向に搬送する。コンベアベルト２２の両サイドには、側壁２４ａ，２４ｂが設けられている。駆動ローラ２３ａおよび従動ローラ２３ｂは、側壁２４ａ，２４ｂに回転自在に支持されている。また、図３に示すように、ワーク搬送装置２０は、コンベアベルト２２の上面部２２ａの裏側に支持プレート２８を有する。支持プレート２８は、上面部２２ａに載置されたワークＷの重みによってコンベアベルト２２が撓むのを防止する。また、支持プレート２８は、複数の搬送レーン２１の採取エリアＡ２に対応する位置にそれぞれ開口部２８ａが形成されている。各開口部２８ａの下方には、上面部２２ａを裏面から突き上げて上下動させるための上下動装置３０が配置されている。上下動装置３０は、当接体３１と、開口部２８ａを貫通するように当接体３１を上下動させるシリンダ３２とを備える。シリンダ３２は、側壁２４ａ，２４ｂに固定された支持台２９に支持されている。仕切り２５は、１つのコンベアベルト２２（上面部２２ａ）を複数の搬送レーン２１に仕切る仕切り板である。仕切り２５は、コンベアベルト２２の両サイドに配置された側壁２４ａ，２４ｂに対して平行に延在し且つ各搬送レーン２１が同じレーン幅となるように等間隔に配置される。

制御装置７０は、図示は省略するが、ＣＰＵやＲＯＭ、ＨＤＤ、ＲＡＭ、入出力インタフェース、通信インタフェースなどを備える周知のコンピュータとして構成されている。制御装置７０には、供給ロボット４０のエンコーダ４５や採取ロボット５０のエンコーダ５５、カメラ５３、入力装置８０などからの各種信号が入力される。制御装置７０からは、ワーク搬送装置２０の駆動モータ３８、上下動装置３０（シリンダ３２）、供給ロボット４０の駆動モータ４４、採取ロボット５０の駆動モータ５４、カメラ５３、載置台搬送装置１６などへの各種制御信号が出力される。

また、制御装置７０は、上下動装置３０のシリンダ３２を制御するためのパラメータを学習し、学習結果に基づいて適切なパラメータを決定してシリンダ３２を制御することが可能となっている。図５はワークＷのばら積み状態が解きほぐされる様子を示す説明図である。図示するように、シリンダ３２が当接体３１を上下動（振動）させるほぐし動作により、ばら積み状態のワークＷの塊が解きほぐされて分離状態となり、採取ロボット５０によりワークＷを採取し易いものとなる。制御装置７０は、ワークＷの重さやサイズ、形状、材料などのワークＷの仕様に応じて、ワークＷを解きほぐすのに適切なパラメータでシリンダ３２を制御する。また、パラメータとしては、例えば、当接体３１の上下動（振動）によりコンベアベルト２２を突き上げる際の衝撃力や振動数などが挙げられる。

図６は制御装置７０の機能を示すブロック図である。図示するように、制御装置７０は、主にパラメータの学習を行うパラメータ学習部７０Ａと、主に適切なパラメータを決定して上下動装置３０を駆動制御する駆動制御部７０Ｂとを有する。パラメータ学習部７０Ａは、学習モデル７１と、撮像処理部７２と、評価処理部７３と、学習処理部７４とを有する。撮像処理部７２は、ワークＷのばら積み状態やワークＷが解きほぐされた状態である分離状態をカメラ５３に撮像させ、撮像された画像を入力する。評価処理部７３は、撮像された画像を処理してワークＷの分離状態に関する所定の評価値を演算して分離状態を評価する。学習処理部７４は、実行中のほぐし動作におけるパラメータと、評価処理部７３との評価結果との関係を公知の機械学習により学習し、ワークＷの仕様などとの相関を含む学習モデル７１を構築する。なお、学習の手法としては、例えば強化学習や遺伝的アルゴリズムなどが挙げられ、これら以外の手法を用いてもよい。駆動制御部７０Ｂは、パラメータ決定部７５と、駆動部７６とを有する。パラメータ決定部７５は、学習モデル７１を用いてワークＷの仕様などに応じたパラメータを決定したり、任意のパラメータを適宜決定したりする。駆動部７６は、パラメータ決定部７５により決定されたパラメータに基づいて、上下動装置３０のシリンダ３２を制御する。

こうして構成された作業システム１０では、ワークＷの供給制御と搬送制御、ほぐし動作制御、採取載置制御などの各制御が順に行われる。供給制御は、供給順序に従って供給ボックス１２からワークＷを採取して、対応する搬送レーン２１の供給エリアＡ１に供給するように供給ロボット４０を駆動制御することにより行われる。なお、供給順序は、例えば入力装置８０の操作によってオペレータにより指定された順序などとする。搬送制御は、供給エリアＡ１に供給されたワークＷが採取エリアＡ２に到達するようにワーク搬送装置２０を駆動制御することにより行われる。ほぐし動作制御は、採取エリアＡ２にワークＷが到達した状態などにおいて、採取エリアＡ２に対応する上下動装置３０のシリンダ３２を駆動制御することにより行われる。採取載置制御は、ほぐし動作制御により解きほぐされて分離状態となったワークＷを採取して、載置台Ｔ上に整列して載置するように採取ロボット５０を駆動制御することにより行われる。なお、採取載置制御では、採取エリアＡ２のワークＷをカメラ５３で撮像し、撮像された画像を処理して選定したワークＷを採取するように採取ロボット５０が駆動制御される。各搬送レーン２１のワークＷに対して行われるこれらの制御は、他の搬送レーン２１のワークＷに対する制御に影響を及ぼさなければ並行して実行されるものとすればよい。以下、ほぐし動作制御の詳細を、図７に示すほぐし動作制御ルーチンに基づいて説明する。

図７のほぐし動作制御ルーチンでは、制御装置７０は、ほぐし動作の開始タイミングであるか否かを判定する（Ｓ１００）。制御装置７０は、搬送制御によりワークＷが採取エリアＡ２に到達し上下動装置３０が駆動できる状態である場合に、開始タイミングであると判定する。なお、制御装置７０は、ほぐし動作を行っていくつかのワークＷが採取された残りのワークＷに対して、再度のほぐし動作が必要な場合などに開始タイミングであると判定することもある。制御装置７０は、ほぐし動作の開始タイミングとなったと判定すると、図８に示すほぐし動作開始時処理を実行する（Ｓ１０５）。

図８のほぐし動作開始時処理では、制御装置７０は、まず画像の撮像順を示す番号ｎを値１に初期化し（Ｓ２００）、ほぐし動作の開始前にカメラ５３で番号１の画像である画像１を撮像する（Ｓ２０５）。次に、制御装置７０は、画像１を処理してワークＷの塊の領域の外縁を検出してその領域面積Ａ（１）と、領域面積Ａ（１）の重心Ｇ（１）とを演算する（Ｓ２１０）。ワークＷは、ばら積み状態で供給エリアＡ１に供給されて採取エリアＡ２まで搬送されるから、画像１では複数のワークＷが絡み合って塊となっており、そのワークＷの領域と背景となるコンベアベルト２２の上面部２２ａとにおける輝度値などが異なる。このため、Ｓ２１０では、例えば画像１をグレースケール画像に変換し、そのグレースケール画像からワークＷの塊と上面部２２ａとの境界をワークＷの領域の外縁として検出し、その外縁に囲まれる領域の面積を領域面積Ａ（ｎ）（ここではＡ（１））として演算する。また、外縁に囲まれる領域の重心となる位置を重心Ｇ（ｎ）（ここではＧ（１））として演算する。なお、制御装置７０はグレースケール画像を用いるものに限られず、２値化画像を用いてもよい。続いて、制御装置７０は、ほぐし動作のパラメータを設定し（Ｓ２１５）、設定したパラメータに基づいて上下動装置３０のシリンダ３２を駆動することによりほぐし動作を開始して（Ｓ２２０）、ほぐし動作開始時処理を終了する。制御装置７０は、Ｓ２１５では学習モデル７１から今回のワークＷに適したパラメータを選択して設定する。なお、制御装置７０は、ワークＷが新規であるなど選択が困難な場合に、任意のパラメータを適宜設定してもよい。

こうしてＳ１０５のほぐし動作開始時処理を実行すると、制御装置７０は、ほぐし動作中の所定タイミングとなったか否かを判定する（Ｓ１１０）。ここで、所定タイミングは、ほぐし動作を開始してから所定時間が経過する毎のタイミングとしてもよいし、上下動装置３０のシリンダ３２が上下動を所定回数行う毎のタイミングなどとしてもよい。この所定タイミングは、ほぐし動作を開始してから終了するまでに複数回発生するものとする。制御装置７０は、Ｓ１１０で所定タイミングとなったと判定すると、番号ｎを値１インクリメントすることにより番号ｎを更新し（Ｓ１１５）、ほぐし動作の実行中にカメラ５３で番号ｎの画像である画像ｎを撮像する（Ｓ１２０）。なお、ほぐし動作の実行中に画像ｎを撮像するとは、シリンダ３２の連続的な上下動を中断することなく画像ｎを撮像することをいう。このため、ワークＷが振動により様々な方向に跳ねたりしている状態で画像ｎが撮像されるから、各ワークＷがぶれた状態の画像となる。

続いて、制御装置７０は、画像ｎを処理して領域面積Ａ（ｎ）と重心Ｇ（ｎ）とを演算すると共に（Ｓ１２５）、ワークＷが採取ロボット５０による採取可能な程度に十分に分離（拡散）されたか否かを判定する（Ｓ１３０）。なお、Ｓ１２５の処理は、ワークＷがぶれた画像ｎを用いる点を除いて、ほぐし動作開始時処理のＳ２１０と同様に行われる。なお、ワークＷがぶれた画像ｎであっても、ワークＷの塊とコンベアベルト２２の上面部２２ａとの大凡の境界を検出することは可能であるから、ワークＷの領域の外縁を検出して領域面積Ａ（ｎ）と重心Ｇ（ｎ）とを演算することができる。また、制御装置７０は、処理した画像ｎから個々のワークＷをいくつか認識できるために採取ロボット５０で採取可能な状態となった場合に、Ｓ１３０でワークＷが十分に分離されたと判定する。あるいは、制御装置７０は、例えばワークＷの仕様やその数などに基づいてワークＷが十分に分離された状態となる領域面積Ａｅを予測し、Ｓ１２５で演算したワークＷの領域面積Ａ（ｎ）が領域面積Ａｅ以上となった場合に、ワークＷが十分に分離されたと判定する。

制御装置７０は、Ｓ１３０でワークＷが十分に分離されていないと判定すると、評価値としての差分ΔＡおよび差分ΔＧをそれぞれ演算して分離状態の評価を行う（Ｓ１３５）。ここで、差分ΔＡは、領域面積Ａ（ｎ）と基準の領域面積との面積差として演算される。また、差分ΔＧは、重心Ｇ（ｎ）と基準の重心との距離差として演算される。

図９は差分ΔＡ，ΔＧの演算方法の一例を示す説明図である。図９Ａに示す方法では、ほぐし動作開始時処理で撮像された画像１の領域面積Ａ（１）と重心Ｇ（１）とが基準として用いられて、差分ΔＡ（Ａ（ｎ）－Ａ（１））や差分ΔＧ（Ｇ（ｎ）－Ｇ（１））が演算される。この方法では、ほぐし動作の開始前に撮像されたためにワークＷが静止しておりぶれのない鮮明な画像１と比較して、差分ΔＡ，ΔＧを精度よく演算することができる。また、ほぐし動作時間が長くなるにつれて差分ΔＡ，ΔＧが顕著に現れる場合があるから、評価がし易いものとなって学習をより適切に行うことができる。図９Ｂに示す方法では、画像ｎが撮像された所定タイミングに対して直前の所定タイミングで撮像された画像（ｎ－１）の領域面積Ａ（ｎ－１）と重心Ｇ（ｎ－１）とが基準として用いられて、差分ΔＡ（Ａ（ｎ）－Ａ（ｎ－１））や差分ΔＧ（Ｇ（ｎ）－Ｇ（ｎ－１））が演算される。この方法では、後述する処理でほぐし動作中にパラメータを変更した場合などにおいても評価を行うことができる。即ち、制御装置７０は、ほぐし動作を継続しながらパラメータを変更して評価を行うことができるから、ほぐし動作を中断することなくパラメータの学習を適切に行うことができる。なお、例えば入力装置８０の操作によるオペレータの指定に基づいて図９Ａ，図９Ｂに示す方法のいずれかを選択してもよいし、後述するパラメータの変更に伴って図９Ａに示す方法から図９Ｂに示す方法に変更してもよい。

また、図１０は領域面積Ａ，重心Ｇの一例を示す説明図である。図１０では、図９Ａに示す方法で用いられる基準としての領域面積Ａ（１）や重心Ｇ（１）を実線で示し、画像ｎの領域面積Ａ（ｎ）や重心Ｇ（ｎ）を点線で示す。図１０Ａでは、重心Ｇがほとんど変わらずに領域面積Ａが大きくなっており、差分ΔＧが小さく差分ΔＡが大きな状態を示す。このような状態は、ワークＷが採取エリアＡ２から大きく外れることなく解きほぐされて分離されていく状態であるから、評価が高いものとなる。また、図１０Ｂでは、領域面積Ａがほとんど変わらずに重心Ｇが移動しており、差分ΔＡが小さく差分ΔＧが大きな状態を示す。このような状態は、ワークＷの塊が十分に解きほぐされることなく全体的にワークＷの位置がずれていくから、評価が低いものとなる。このように、ほぐし動作中に撮像されてワークＷがぶれた画像ｎを用いても、簡易な処理でワークＷの塊の領域を検出して分離状態の評価を行うことができる。なお、図示は省略するが、重心Ｇが移動していても領域面積Ａが大きくなっていればワークＷの塊が解きほぐされていると評価することができるから、図１０Ｂよりは評価が高いものとなる。

制御装置７０は、現在のパラメータに対するこのような評価結果を学習することにより学習モデル７１を更新し（Ｓ１４０）、より適したパラメータに変更が必要か否かを判定する（Ｓ１４５）。制御装置７０は、更新された学習モデル７１から、現在のワークＷに対してより適したパラメータを選択できるか否かに基づいてＳ１４５の判定を行う。制御装置７０は、パラメータの変更が必要と判定すると、より適したパラメータに変更してほぐし動作を継続して（Ｓ１５０）、Ｓ１１０に戻る。一方、制御装置７０は、現在のパラメータに対する分離状態の評価が比較的高いなどにより、パラメータの変更が不要と判定すると、現在のパラメータのままでほぐし動作を継続して（Ｓ１５５）、Ｓ１１０に戻る。制御装置７０は、こうした処理を実行するうちに、Ｓ１３０でワークＷが十分に分離されたと判定すると、上下動装置３０のシリンダ３２の駆動を停止させることで、ほぐし動作を終了して（Ｓ１６０）、Ｓ１００に戻る。

ここで、本実施形態の構成要素と本開示の構成要素との対応関係を明らかにする。本実施形態の上下動装置３０のシリンダ３２がアクチュエータに相当し、図７のほぐし動作制御ルーチンのＳ１２０が動作中撮像ステップに相当し、同処理のＳ１２５，Ｓ１３５が評価ステップに相当し、同処理のＳ１４０が学習ステップに相当する。図７のほぐし動作開始時処理のＳ２０５が動作前撮像ステップに相当し、同処理のＳ２１０が取得ステップに相当する。また、作業システム１０が作業システムに相当し、採取ロボット５０がロボットに相当し、カメラ５３が撮像装置に相当し、ほぐし動作制御ルーチンのＳ１２０を実行する撮像処理部７２が撮像処理部に相当し、同処理のＳ１２５，Ｓ１３５を実行する評価処理部７３が評価処理部に相当し、同処理のＳ１４０を実行する学習処理部７４が学習処理部に相当する。

以上説明した本実施形態のパラメータの学習方法では、複数のワークＷのほぐし動作中に撮像した画像ｎを処理して複数のワークＷの分離状態を評価し、その評価結果と、実行中のほぐし動作におけるパラメータとの関係を学習する。このため、学習のために上下動装置３０がほぐし動作を中断する必要がないから、ほぐし動作の作業効率を低下することなく学習を適切に行うことができる。

また、ほぐし動作の開始前に撮像した画像１を処理して複数のワークＷのばら積み状態を取得し、そのばら積み状態を基準としてワークＷの分離状態を評価するから、評価値を精度よく取得して学習をより適切に行うことができる。また、ほぐし動作中の所定のタイミング毎に撮像した画像ｎに対し、直前の画像（ｎ－１）を基準としてワークＷの分離状態を評価するから、ほぐし動作中にパラメータが変更された場合でも、ほぐし動作を中断することなく、評価値を取得して学習を行うことができる。

また、ワークＷの領域の外縁に囲まれる領域面積Ａ（ｎ）を用いて分離状態を評価するから、鮮明な画像が得られない場合であっても、簡易な処理で分離状態を適切に評価することができる。また、領域面積Ａ（ｎ）とその重心Ｇ（ｎ）とを用いて分離状態を評価するから、さらに適切に分離状態を評価することができる。

なお、本開示は上述した実施形態に何ら限定されることはなく、本開示の技術的範囲に属する限り種々の態様で実施し得ることはいうまでもない。

例えば、上述した実施形態では、領域面積Ａ（ｎ）と重心Ｇ（ｎ）とを用いて評価を行うものとしたが、これに限られず、領域面積Ａ（ｎ）のみを用いるものとしてもよいし、別の評価値を用いるものとしてもよい。例えば、ばら積み状態が解きほぐされていくうちにワークＷの塊の高さも減少していくから、側方から撮像された画像からワークＷの塊の高さを検出し、その高さを評価値として用いるものなどとしてもよい。

上述した実施形態では、評価する際の基準として、画像１におけるワークＷのばら積み状態や直前の画像ｎにおけるワークＷの分離状態を用いるものとしたが、これに限られず、基準として用いられるのはいずれか一方のみとしてもよい。あるいは、パラメータの変更直前に撮像された画像ｎやパラメータの変更直後に撮像された画像ｎにおけるワークＷの分離状態を基準として用いるものなどとしてもよい。

上述した実施形態では、ワーク搬送装置２０は、搬送レーン２１ごとに上下動装置３０を備えるものとしたが、１つの上下動装置３０で複数の搬送レーン２１の上面部２２ａをまとめて上下動させるものとしてもよい。この場合、ワーク搬送装置２０は、複数の搬送レーン２１に跨がるように開口部が形成された支持プレートを備えるものとしてもよい。

上述した実施形態では、ワーク搬送装置２０は、コンベアベルト２２（上面部２２ａ）の採取エリアＡ２を上下動させる上下動装置３０を備えるものとしたが、供給エリアＡ１やその他の領域を上下動させる上下動装置３０を配置してもよい。

上述した実施形態では、ワークＷのばら積み状態を解きほぐすアクチュエータとして上下動装置３０のシリンダ３２を例示したが、これに限られるものではない。例えば、ハケのようなならし部材をＸ軸方向またはＹ軸方向に往復動させるアクチュエータによりワークＷを解きほぐしてもよい。その場合でも、ならし部材が往動端位置や復動端位置に移動した際などに画像ｎを撮像することで、アクチュエータの往復動を中断することなくワークＷの分離状態を評価して学習することが可能である。なお、パラメータとしては、ならし部材をワークＷに当てる角度や往復動の速さなどが挙げられる。また、例えば採取ロボット５０のエンドエフェクタ５２としてならし部材を取付可能とし、採取ロボット５０にほぐし動作（ならし動作）を実行させてもよい。そのようにする場合、採取ロボット５０のアクチュエータとしての駆動モータ５４を制御するためのパラメータを学習するものとすればよい。このように、所定の作動によりワークを解きほぐすアクチュエータが、ワークを採取して所定作業を行うロボットに含まれるものなどとしてもよい。

ここで、本開示のコンピュータによるパラメータの学習方法および作業システムは、以下のように構成してもよい。例えば、本開示のパラメータの学習方法において、前記所定の動作の開始前に、前記複数のワークを撮像する動作前撮像ステップと、前記動作前撮像ステップで撮像された画像を処理して前記複数のワークのばら積み状態を取得する取得ステップと、を含み、前記評価ステップでは、前記取得ステップで取得されたばら積み状態を基準として用いて、前記分離状態を評価するものとしてもよい。こうすれば、作動の実行開始前に撮像された比較的鮮明な画像を基準として分離状態を精度よく評価することができるから、学習をより適切に行うことができる。

本開示のパラメータの学習方法において、前記動作中撮像ステップでは、前記所定の動作の実行中における所定のタイミング毎に、前記複数のワークを撮像し、前記評価ステップでは、前記動作中撮像ステップで画像が撮像される毎に、その直前の前記動作中撮像ステップで撮像された画像を処理した際の直前の前記分離状態を基準として用いて、前記分離状態を評価するものとしてもよい。こうすれば、所定の動作の実行中にパラメータが変更された場合などにおいても、分離状態の変化を適切に把握することができるから、学習をより適切に行うことができる。

本開示のパラメータの学習方法において、前記評価ステップでは、前記画像を処理して前記複数のワークが存在する領域の外縁を検出して前記領域の面積を演算し、前記面積に基づいて前記分離状態を評価するものとしてもよい。こうすれば、所定の動作の実行中に画像を撮像するために鮮明な画像が得られない場合であっても、簡易な処理で分離状態を適切に評価することができる。

本開示の作業システムは、複数のワークのばら積み状態を所定の動作により解きほぐすアクチュエータと、前記ワークを採取して所定の作業を行うロボットと、画像を撮像する撮像装置と、を備える作業システムであって、前記所定の動作の実行中に前記撮像装置により前記複数のワークを撮像させる撮像処理部と、撮像された画像を処理して前記複数のワークの分離状態を評価する評価処理部と、前記評価処理部の評価結果と、実行中の前記所定の動作における前記パラメータとの関係を学習する学習処理部と、を備えることを要旨とする。

本開示の作業システムは、上述したパラメータの学習方法と同様に、所定の動作を実行するアクチュエータを制御するためのパラメータの学習を、所定の動作の実行中に撮像された画像を用いて行うことができるから、学習のために作業装置が所定の動作を中断する必要がない。このため、ワークのばら積み状態を解きほぐすための作業効率を低下することなく、パラメータの学習を適切に行うことができる。なお、この作業システムにおいて、パラメータの学習方法の各ステップを実現するような機能を追加してもよい。

本開示は、作業システムの製造産業などに利用可能である。

１０ 作業システム、１１ 作業台、１２ 供給ボックス、１６ 載置台搬送装置、２０ ワーク搬送装置、２１ 搬送レーン、２２ コンベアベルト、２２ａ 上面部、２３ａ 駆動ローラ、２３ｂ 従動ローラ、２４ａ，２４ｂ 側壁、２８ 支持プレート、２８ａ 開口部、２９ 支持台、３０ 上下動装置、３１ 当接体、３２ シリンダ、３８ 駆動モータ、４０ 供給ロボット、４１ ロボットアーム、４２ エンドエフェクタ、４４ 駆動モータ、４５ エンコーダ、５０ 採取ロボット、５１ ロボットアーム、５２ エンドエフェクタ、５３ カメラ、５４ 駆動モータ、５５ エンコーダ、７０ 制御装置、７０Ａ パラメータ学習部、７０Ｂ 駆動制御部、７１ 学習モデル、７２ 撮像処理部、７３ 評価処理部、７４ 学習処理部、７５ パラメータ決定部、７６ 駆動部、８０ 入力装置、Ｔ 載置台。

Claims (3)

1. 複数のワークのばら積み状態を所定の動作により解きほぐすアクチュエータを制御するためのパラメータの学習方法であって、
   前記所定の動作の実行中に前記複数のワークを撮像する動作中撮像ステップと、
   前記動作中撮像ステップで撮像された画像を処理して前記複数のワークの分離状態を評価する評価ステップと、
   前記評価ステップの評価結果と、実行中の前記所定の動作における前記パラメータとの関係を学習する学習ステップと、
   前記所定の動作の開始前に前記複数のワークを撮像する動作前撮像ステップと、
   前記動作前撮像ステップで撮像された画像を処理して前記複数のワークのばら積み状態を取得する取得ステップと、を含み、
   前記評価ステップでは、前記取得ステップで取得されたばら積み状態を基準として用いて、前記分離状態を評価する
   パラメータの学習方法。
2. 請求項１に記載のパラメータの学習方法であって、
   前記評価ステップでは、前記画像を処理して前記複数のワークが存在する領域の外縁を検出して前記領域の面積を演算し、前記面積に基づいて前記分離状態を評価する
   パラメータの学習方法。
3. 複数のワークのばら積み状態を所定の動作により解きほぐすアクチュエータと、前記ワークを採取して所定の作業を行うロボットと、画像を撮像する撮像装置と、を備える作業システムであって、
   前記所定の動作の実行中に前記撮像装置により前記複数のワークを撮像させる撮像処理部と、
   撮像された画像を処理して前記複数のワークの分離状態を評価する評価処理部と、
   前記評価処理部の評価結果と、実行中の前記所定の動作において前記アクチュエータを制御するためのパラメータとの関係を学習する学習処理部と、
   を備え、
   前記撮像処理部は、前記所定の動作の開始前に前記撮像装置により前記複数のワークを撮像させ、
   前記評価処理部は、前記所定の動作の開始前に撮像された画像を処理して前記複数のワークのばら積み状態を取得し、該取得したばら積み状態を基準として用いて、前記分離状態を評価する
   作業システム。

Images