JP7464629B2 - 研磨量推定装置 - Google Patents

Description

本発明は、研磨量推定装置に関する。

ロボットマニピュレータは力センサを具備することで、ワークにかかる力を検出し、力制御を行いながら、高度な作業である探り作業、嵌め込み作業や研磨といった作業を行うことができる。このようなロボットシステムでは、力センサで検出される力を表示するように構成されたシステムも知られている（例えば、特許文献１参照）。

特開２０１７－１１２２号公報

しかしながら、研磨作業のような力制御動作を適切に行うためには熟練したパラメータ調整能力が要求される。一般に、このようなパラメータ調整を行うためには作業者は力制御の失敗・成功を繰り返し、パラメータ設定のノウハウを身に付けていく必要があった。研磨作業における教示軌道や力制御のパラメータ設定を容易化できる研磨量推定装置が望まれている。

本開示の一態様は、ロボットマニピュレータに搭載した研磨ツールを力制御により対象ワークに接触させて行う研磨作業における研磨量を推定する研磨量推定装置であって、動作プログラムと前記力制御に関するパラメータである力制御パラメータとを記憶する記憶部と、前記動作プログラムに基づいて得られる、前記研磨ツールの動作軌道、前記研磨ツールの動作速度、前記対象ワークに対する前記研磨ツールの押付力の少なくとも一つに基づいて前記研磨量を推定する研磨量推定部と、前記動作プログラム及び前記力制御パラメータに基づいて前記力制御のシミュレーションを実行する力制御シミュレーション実行部と、を備え、前記力制御シミュレーション実行部は、前記力制御のシミュレーション結果から得られる前記研磨ツールの位置情報に基づいて前記動作軌道、前記動作速度、及び前記押付力を求める、研磨量推定装置である。

上記構成によれば、操作者が推定研磨量を直感的に把握することができ、教示軌道、力制御パラメータの調整を容易に行うことが可能となる。

添付図面に示される本発明の典型的な実施形態の詳細な説明から、本発明のこれらの目的、特徴および利点ならびに他の目的、特徴および利点がさらに明確になるであろう。

一実施形態に係るシミュレーション装置としての制御装置を含むロボットシステムのシステム構成図である。 ロボットシステムの構成例を示す。 ロボットシステムの他の構成例を示す。 制御装置、外部コンピュータ、及び表示装置の機能ブロック図である。 ロボット動作制御部における力制御のブロック線図である。 ロボットの動作軌道と研磨量との相関性を説明するための図である。 ロボットの動作軌道と研磨量との相関性を説明するための図である。 押付力と研磨量との相関性を説明するための図である。 押付力と研磨量との相関性を説明するための図である。 動作速度と研磨量との相関性を説明するための図である。 動作速度と研磨量との相関性を説明するための図である。 仮想押付力を表す画像の例を表している。 仮想押付力を表す画像の他の例を表している。 仮想押付力及び推定研磨量を表す画像を現実の映像に重畳して表示させる拡張現実画像の例である。 仮想押付力及び推定研磨量を表す画像を現実の映像に重畳して表示させる拡張現実画像の他の例である。 図１１のような画像に推奨軌道を表す画像を更に重畳する例を表す図である。 図１１のような画像に推奨速度を表す画像を更に重畳する例を表す図である。 研磨面積について説明するための図である。 研磨面積について説明するための図である。 研磨面積の算出法を説明するための図である。 研磨ツールの種類と研磨量に関する第１の例を示す図である。 研磨ツールの種類と研磨量に関する第２の例を示す図である。 研磨ツールの種類と研磨量に関する第３の例を示す図である。

次に、本開示の実施形態について図面を参照して説明する。参照する図面において、同様の構成部分または機能部分には同様の参照符号が付けられている。理解を容易にするために、これらの図面は縮尺を適宜変更している。また、図面に示される形態は本発明を実施するための一つの例であり、本発明は図示された形態に限定されるものではない。

図１は、一実施形態に係る研磨量推定装置としての制御装置５０を含むロボットシステム１００のシステム構成図である。図１に示すように、制御装置５０には、手首部先端にツールを搭載したロボットマニピュレータ１０（以下、マニピュレータ１０と記載する）と、ツールに係る外力を検出する力検出器としての力センサ３とが接続されている。力センサ３は、マニピュレータ１０の手首部先端とツールとの間に取り付けられている。制御装置５０は、力制御機能を具備することで、ワークに係る力を検出しながら高度な作業である探り作業、精密嵌め込み作業、研磨といった各種作業をマニピュレータ１０に実行させることができる。なお、制御装置５０は、ＣＰＵ、ＲＯＭ、ＲＡＭ、記憶装置、操作部、表示部、入出力インタフェース、ネットワークインタフェース等を有する一般的なコンピュータとしての構成を有していても良い。

更に、制御装置５０には、制御装置５０が力制御作業のシミュレーション（以下、力制御シミュレーションと記す）を実行する場合に、マニピュレータ１０の運動モデルに基づく物理シミュレーションを実行する機能を担う外部コンピュータ９０と、力制御シミュレーションの結果を表示する表示装置７０とが接続されている。なお、本明細書においてシミュレーションとは、数値シミュレーションによりマニピュレータ等の位置を算出する動作のほか、マニピュレータ等の形状モデルを教示データ等にしたがって模擬的に動作させる場合を含むものとする。

図２及び図３にロボットシステム１００の構成例を示す。なお、図２及び図３では、マニピュレータ１０（力センサ３及びツール部１１を含む）と、対象ワークのみを図示している。図２は、ツール部１１に、ワークＷ１に対する研磨作業を実行するグラインダ８を搭載する構成例を示す。グラインダ８には円盤状の砥石９が取り付けられている。グラインダ８は、図２に示すように対象ワークＷ１の上面にあるバリ８１を研磨する作業に適する。図３は、ツール部１１に、三角錐状の砥石１９を有するグラインダ１８を搭載する構成例を示す。グラインダ１８は、図３に示すように対象ワークＷ２の側面に形成されたバリ８１Ｂを研磨する作業に適する。

制御装置５０は、教示データ（動作プログラム）に従って研磨作業を行った場合の研磨量を推定し、研磨量の推定結果を表示装置７０にＡＲ（拡張現実）画像或いはＶＲ（仮想現実）画像として表示させる機能を備えている。これにより操作者は、例えば、研磨作業を実際に実行させる前の段階で、研磨量がどの程度になるかを把握し、教示データ、力制御パラメータ等の調整を行うことができる。

図４は、制御装置５０、外部コンピュータ９０、及び表示装置７０の機能ブロック図である。図４に示す通り、制御装置５０は、各種情報を記憶する記憶部５１と、力制御シミュレーションの実行を司る力制御シミュレーション実行部５２と、ロボットマニピュレータ１０の動作を制御するロボット動作制御部５３と、仮想力生成器（仮想力生成部）５４と、仮想力学習部５５と、研磨量の推定のための演算を実行する研磨量推定部５６と、研磨量学習部５７と、推奨値生成部５８と、ツール選択部５９とを有する。記憶部５１は、ロボットマニピュレータ１０の動作プログラム、マニピュレータ１０、ツール、ワーク等の３Ｄモデルデータ、力制御パラメータ、その他マニピュレータ１０の制御に用いる各種データを記憶する。仮想力生成器５４は、動作プログラム或いは力制御動作のシミュレーション結果から得られるツール部１１の位置情報に基づいて、ツール部１１が対象ワークと接触した状態においてツール部１１が対象ワークから受ける仮想力を生成する。本明細書では、このように物体に作用する力として仮想的に求められたものを仮想力と記載する場合があり、またそれが押付力である場合には仮想押付力とも記載する場合がある。

外部コンピュータ９０は、マニピュレータ１０の運動モデル（運動方程式）に基づいてマニピュレータ１０の物理シミュレーションを実行する物理シミュレーション部９１を備える。

表示装置７０は、本実施形態では、ヘッドマウントディスプレイとして構成されているものとする。なお、表示装置７０は、カメラを搭載したタブレット端末等の他の情報処理装置で構成することもできる。ヘッドマウントディスプレイとして構成された表示装置７０は、操作者が装着する。表示装置７０は、撮像装置７１と、拡張現実（ＡＲ）画像又は仮想現実（ＶＲ）画像を表示するための画像処理を実行するＡＲ／ＶＲ画像処理部７２と、ディスプレイ７３と、音声出力部７４とを有する。撮像装置７１は、撮像レンズの光軸が前方を向くように表示装置７０に設けられ、マニピュレータ１０を含む現実の作業空間の映像を撮像する。ＡＲ／ＶＲ画像処理部７２は、研磨量推定部５６により得られる、推定研磨量の情報を用いて、推定研磨量を表す画像を現実の映像に重畳する拡張現実画像処理、或いは、推定研磨量を表す画像をマニピュレータ１０等の各物体のモデルを配置した仮想現実空間の画像（動画アニメーション）に重畳する仮想現実画像処理を実行する。ディスプレイ７３は、装着者の眼前に配置され、ＡＲ／ＶＲ画像処理部７２によって生成された画像（映像）を表示する。

図５は、ロボット動作制御部５３における力制御のブロック線図である。本実施形態では、「力制御＋位置制御」すべき方向（ツールによりワークを押し付ける押付方向）と、位置制御のみすべき方向を分割し、「力制御＋位置制御」すべき方向に関して算出された速度（角速度）指令と、位置制御のみすべき方向に関して算出された速度（角速度）指令を合成してマニピュレータ１０を制御する。図５では説明の便宜のため省略しているが、位置制御に関してはマニピュレータ１０の各軸に設けられた位置センサにより位置検出値をフィードバックして位置制御を行う当分野で一般に知られた位置制御側（例えば、ＰＤ制御）に基づく制御を行う。図５に示す力制御では、押付方向に対する目標力（力＋モーメント）と、力センサ３により検出されたワークに作用する力（モーメント）との差分に力制御ゲインという力制御パラメータを掛けて指令速度（角速度）を計算する。ここで、力制御ゲインとは力制御の性能を表し、値が大きければ大きいほど位置・姿勢の修正が早くなるという性質を有する。力（モーメント）の検出及びそれに応じた速度（角速度）指令量の計算は、制御周期毎に行われる。この場合の力制御則（速度（角速度）指令量の計算式）は、以下のように表すことができる。

Δｘ＝Ｋｆ（Ｆ－Ｆｄ）

ここで、Ｋｆ：力制御ゲイン
Ｆｄ：目標力（力＋モーメント、力：Fx,Fy,Fz、モーメント：Mx,My,Mz）
Ｆ：検出された力
Δｘ：制御周期毎の目標移動量（速度）

次に、研磨量推定部５６が実行する研磨量推定の手法について説明する。研磨量推定部５６は、以下に示す研磨量推定手法１又は２を用いて研磨作業における研磨量を推定する。
（研磨量推定手法１）：研磨量と相関するパラメータとしてロボットの動作軌道、動作速度、押付力が考えられる。研磨量推定手法では、これらパラメータの一つを用いて研磨量との相関性を線形近似或いは曲線近似により導出する。なお、本明細書において、単に「動作軌道」と言うときには、いわゆるティーチングによる軌道である教示軌道と、数値シミュレーション等により得られるマニピュレータ１０（ツール先端）の動作軌道を含む。研磨量推定のために用いる押付力としては、後述する手法により生成される仮想力（仮想押付力）を用いる。
（研磨量推定手法２）：ロボットの動作軌道、動作速度、押付力と研磨量とを対応付けるトレーニングデータを収集し、機械学習により、これらのパラメータと研磨量とを対応付ける学習モデルを構築する。

研磨量推定手法１について説明する。ここでは、まず、ロボットの動作軌道、動作速度、押付力と研磨量との相関性について説明する。図６Ａ及び図６Ｂは、ロボットの動作軌道（ここでは、教示軌道とする）と、研磨量との相関性を説明するための図である。図６Ａに示す教示軌道Ｌ１では砥石９に対する教示軌道Ｌ１は適正な軌道となっており研磨量も適正である場合を表現している。図６Ｂは、砥石９に対する教示軌道Ｌ２は、特に突起部８２の付近で対象ワークＷ１の表面からの距離が遠くなっている。このように、教示軌道（教示点）が対象ワークから離れると研磨量が少なくなる。

図７Ａ及び図７Ｂは、押付力と研磨量との相関性を説明するための図である。図７Ａは、押付力の設定（押付力Ｆ７１）が適正となっており研磨量も適正である場合を表現している。他方、図７Ｂは押付力の設定（押付力Ｆ７２）が図７Ａの場合と比較して小さくなっている。この場合、教示軌道や教示速度が同一であっても研磨量が低下する。

図８Ａ及び図８Ｂは、ツールの動作速度（教示軌道に沿った砥石の移動速度）と研磨量との相関性を説明するための図である。図８Ａは動作速度の設定（教示速度）が適正となっており研磨量も適正である場合を表現している。他方、図８Ｂは動作速度の設定が図８Ａの場合と比較して速くなっている。図８Ｂの場合、図８Ａの場合と比較して研磨にかける時間が減少することとなるため、教示軌道や押付力は同一であっても研磨量は減少する。

以上説明したようにロボットの動作軌道、動作速度、押付力の各々が研磨量との相関性を持つ。したがって、ロボットの動作軌道（動作軌道と対象ワークの表面との距離）と研磨量との相関性を実測データに基づいて線形近似或いは曲線近似（２次以上の多項式近似、対数近似等）した計算モデル、ロボットの動作速度と研磨量との相関性を実測データに基づいて線形近似或いは曲線近似した計算モデル、押付力と研磨量との相関性を実測データに基づいて線形近似或いは曲線近似した計算モデルのいずれかを用いて研磨量の推定を行うことができる。なお、このような相関性の線形近似或いは曲線近似は、対象ワークの種類ごと、研磨剤（砥石）の種類ごとに行うようにしても良い。ロボットの動作軌道、動作速度、押付力の変数の２以上と研磨量との相関を重回帰分析により予測するようにしても良い。

研磨量推定手法１では、研磨作業時に対象ワークに作用する仮想押付力を、教示軌道と対象ワークとの位置関係から、或いは、以下で説明する仮想力生成法１から３により求める。

（仮想力生成法１）：ロボットマニピュレータ１０の運動モデル（運動方程式）を設定し、図５に示した力制御のブロック線図の動作を物理シミュレーションにより実行させる。対象ワークに作用する仮想押付力は、物理シミュレーションにより得られるツール先端の位置に基づき計算モデルにより求める。すなわち、仮想力生成法１の場合には、図５に示すようにマニピュレータ１０に運動モデルを設定し、仮想押付力を仮想力生成器５４で算出する構成とする。すなわち、仮想力生成器５４は、力制御シミュレーションにおいて力センサとしての機能を担う。

（仮想力生成法２）：過去に同様の動作環境において力制御による作業を実行した場合に力センサ３によって検出された力（モーメント）やロボット（マニピュレータ１０）の位置情報を含むログデータ、或いは、動作プログラムを用いてロボットを実際に対象ワークに対して移動させながらツールの駆動（例えば研磨砥石の回転駆動）は停止してワークに作用する力（モーメント）を力センサで検出して記録することによって得られたログデータを用いて仮想力（仮想押付力）を得る。仮想力生成方法２の場合には、教示軌道からツールと対象ワークとの距離を求め、ログデータ中にロボットの動作軌道と対象ワークとの距離として同程度のログデータがある場合にはそのログデータとして記録された押付力を仮想力（仮想押付力）として用いることができる。

（仮想力生成法３）：ある特定のワークに関する実際の作業において、ロボット（ツール）とワークとの相対的な位置や速度と力センサにより検出される力（モーメント）との対応を表すトレーニングデータを収集して学習機能により学習モデルを構築して仮想力（仮想押付力）を求める。

仮想力生成方法１について詳細に説明する。仮想力生成法１では、ロボットマニピュレータ１０の運動方程式（運動モデル）を設定し図５に示した力制御のブロックを物理（数値）シミュレーションにより動作させ、ロボットマニピュレータ１０の位置（ツール先端の位置）を求める。ロボットマニピュレータ１０の運動方程式は、一般に以下のような数式で表される。

上記数式において、θは各関節の角度を表し、Ｍは慣性モーメントに係わる行列、ｈはコリオリ力、遠心力に係わる行列、ｇは重力の影響を表す項、τはトルク、τ_Lは負荷トルクである。

教示軌道に基づく動作指令（図５の例においてマニピュレータ１０に与えられる指令）を入力データとして運動方程式に与えてロボットの挙動（ツール先端の位置）を算出する。上記運動方程式に基づいて算出されたツール先端位置に基づき、ツール先端の位置が対象ワークと接触した場合にワークから受ける仮想力（仮想押付力）Ｆを求める。仮想力Ｆの算出例を以下に示す。

仮想力（仮想押付力）Ｆの第１の算出例は、ツールに対して対象ワークの剛性が比較的低い場合の例である。本例においては、ツール先端位置が対象ワークとの接触位置を超えて対象ワーク側に移動した量をδとして、これにワークの剛性に関する係数Ｋｄを乗じて、
Ｆ＝Ｋｄ・δ ・・・（１ａ）
によって求めても良い。なお、この場合、対象ワークは作業空間内で位置が固定されているとする。或いは、ツール先端の位置が対象ワークと接触した場合にワークから受ける力Ｆを、ツール先端位置とワークとの接触位置を超えたときの速度をＶcとして、
Ｆ＝Ｋｄ・δ＋Ｋｃ・Ｖｃ ・・・（１ｂ）
によりワークから受ける力Ｆを算出する手法もあり得る。これらの係数ＫｄやＫｃは、対象ワークの剛性や形状等に応じて設定することができる。

仮想力（仮想押付力）Ｆの第２の算出例は、対象ワークに対してツールの剛性が比較的低い場合にツールのたわみ量に基づき仮想力Ｆを算出する例である。ツール先端位置が対象ワークとの接触位置を超えて対象ワーク側に移動した量δをツールのたわみ量と考え、ツールの剛性係数（仮想ばね係数）を用い、下記数式により仮想力Ｆを求める。
Ｆ＝（ツールの仮想ばね係数）×δ ・・・（２ａ）
なお、ツールが押付方向に伸縮する機構（ばね機構）を有する、いわゆるフローティングツールである場合には、ツール先端位置と対象ワークの位置に基づきツール先端の伸縮長さを求め、下記数式により仮想力Ｆを得ることができる。
Ｆ＝（ツールのばね係数）×伸縮長さ ・・・（２ｂ）

仮想力（仮想押付力）Ｆの第３の算出例は、ツールの剛性が比較的高い場合に押付方向の速度指令に対しロボット（ツール先端）が移動した距離から仮想力Ｆを算出する例である。本例の場合には、速度指令による移動位置をＴｘ、速度指令に対してロボット（ツール先端）が実際に移動した位置をｄとして、下記数式により求める。
Ｆ＝ｋ×（Ｔｘ－ｄ） ・・・（３）
ここで、ｋは係数である。係数ｋは、実験値、経験値等として求めた値を設定しても良い。

なお、上述した計算例において、物理シミュレーションによるツール先端の位置、速度に代えて、教示データ（教示軌道、教示速度）を用いて仮想力を求めても良い。

次に、仮想力生成方法３について詳細に説明する。仮想力生成方法３による仮想押付力の生成は仮想力学習部５５により実行される。仮想力学習部５５は、入力されるデータの集合から、その中にある有用な規則や知識表現、判断基準などを解析により抽出し、その判断結果を出力するとともに、知識の学習（機械学習）を行う機能を有する。機械学習の手法は様々であるが、大別すれば、例えば、「教師あり学習」、「教師なし学習」および「強化学習」に分けられる。さらに、これらの手法を実現するうえで、特徴量そのものの抽出を学習する、「深層学習(ディープラーニング： Deep Learning)」と呼ばれる手法がある。本実施形態では、仮想力学習部５５による機械学習に「教師有り学習」を適用することとする。

上記「仮想力生成方法２」で説明したように、ツール先端と対象ワークとが接触した状態では、ツール先端位置とワークとの相対的な距離、相対的な速度、対象ワークの剛性または動摩擦に関する係数、ツールの剛性に関する係数等が押付力の大きさと相関すると考えられる。そこで、仮想力学習部５５は、押付力の大きさに相関するこれらの値を入力データとし、その場合に力センサにより検出された押付力を回答データとする学習データを用いて学習を実行する。

学習モデル構築の具体例としては、上述の仮想力Ｆの第１から第３の算出例に対応する学習モデルを構築する例が有り得る。上記仮想力Ｆの第１の算出例に対応する学習モデルを構築する場合、ツール先端位置と対象ワークとの相対的な距離（δ）、相対的な速度（Ｖｃ）、対象ワークの剛性に関する値（Ｋｄ，Ｋｃ）（或いは、少なくともツール先端位置と対象ワークとの相対的な距離（δ）とワークの剛性に関する値（Ｋｄ））を入力データとし、その場合に力センサにより検出された押付力を回答データとする学習データを収集する。そして、当該学習データを用いて学習を実行して学習モデルを構築する。

上記仮想力Ｆの第２の算出例に対応する学習モデルを構築する場合、ツール先端位置の移動量（δ）及び「ツールの仮想ばね係数」を入力データとし、その場合に力センサにより検出された押付力を回答データとする学習データを収集する。そして、当該学習データを用いて学習を実行して学習モデルを構築する。なお、対象ワークの剛性に関する係数とツール部（ツール）の剛性に関する係数の少なくともいずれかと、ツール部が対象ワークと接触した状態におけるツール部の対象ワークに対する距離（δ）とを含む入力データと、その場合に力センサにより検出された押付力である回答データとからなる学習データ（トレーニングデータ）を収集し、当該学習データを用いて学習を実行して学習モデルを構築しても良い。

上記仮想力Ｆの第３の算出例に対応する学習モデルを構築する場合、速度指令による移動位置（Ｔｘ）、及び、速度指令に対してツール先端が実際に移動した位置（ｄ）を入力データとし、その場合に力センサにより検出された押付力を回答データとする学習データを収集する。そして、当該学習データを用いて学習を実行して学習モデルを構築する。この場合の学習は、係数ｋを学習する動作に相当する。

上述のような学習は、ニューラルネットワーク（例えば三層のニューラルネットワーク）を用いて実現することができる。ニューラルネットワークの動作モードには学習モードと予測モードがある。学習モードにおいて、ニューラルネットワークへの入力変数として上述の学習データ（入力データ）を与え、各ニューロンの入力に適用される重みを学習する。重みの学習は、入力データをニューラルネットワークに与えたときの出力値と正解値（回答データ）との誤差をとり、誤差をニューラルネットワークの各層に逆伝播（バックプロパゲーション）させて出力値が正解値に近づくように各層の重みを調整することで実行する。このような学習により学習モデルが構築されると、上述の入力データを入力変数として仮想押付力の予測が可能となる。

音声出力部７４は、仮想力生成器５４で生成された仮想力の大きさを音量により表した音声を出力する。例えば、力制御シミュレーションの実行中に仮想力生成器５４で生成された仮想力の大きさに応じた音声をリアルタイムで出力することで操作者はより直感的に仮想力の大きさを把握できる。

次に、研磨量推定手法２について説明する。研磨量推定方法２における学習は研磨量学習部５７により実行される。上述したように、ロボットの動作軌道、動作速度、押付力（仮想押付力）はそれぞれ研磨量との相関性を持つ。研磨量学習部５７は、機械学習によりこれらのパラメータと研磨量との対応付ける学習モデルを構築する。ここでは、機械学習として「教師有り学習」を適用する。

この場合の学習は、例えば、ニューラルネットワーク（例えば三層のニューラルネットワーク）を用いて構成することができる。学習モードにおいて、ニューラルネットワークへの入力変数として上述の学習データ（ロボットの動作軌道、動作速度、仮想押付力）を与え、各ニューロンの入力に適用される重みを学習する。重みの学習は、入力データをニューラルネットワークに与えたときの出力値と正解値（回答データ；研磨量）との誤差をとり、誤差をニューラルネットワークの各層に逆伝播（バックプロパゲーション）させて出力値が正解値に近づくように各層の重みを調整することで実行する。このような学習により学習モデルが構築されると、ロボットの動作軌道、動作速度、仮想押付力を入力として研磨量の推定が可能となる。

制御装置５０（研磨量推定部５６）は、上述した仮想力生成手法１から３等を用いて生成された仮想押付力と、上述の研磨量推定手法１又は２のいずれかを用いて推定した研磨量とを表す画像を、拡張現実画像として或いは仮想現実画像として表示装置７０に表示させる。制御装置５０（研磨量推定部５６）は、研磨作業の力制御シミュレーションを実行することにより得られた仮想押付力の大きさ及び発生部位を表す情報、及び、研磨量の推定結果（研磨位置及び研磨量）を表示装置７０に提供する。表示装置７０のＡＲ／ＶＲ画像処理部７２は、仮想押付力及び推定研磨量を表現する画像を実空間の映像内又は仮想空間の画像におけるそれらの発生箇所に対応する位置に重畳表示させる。仮想現実画像を生成する場合には、例えば、マニピュレータ１０を含む作業空間内の各物体のモデルデータ及び配置位置情報を制御装置５０から表示装置７０に提供する構成としても良い。なお、表示装置７０は、表示装置７０の作業空間内での位置を取得するための位置センサ（光学センサ、レーザセンサ、磁気センサ）と加速度センサ（ジャイロセンサ）を有し作業空間に固定されたワールド座標系に対する表示装置に固定した座標系（カメラ座標系）の相対位置関係を把握できるものとする。

図９及び図１０は、仮想押付力を表す画像の例を表している。図９は、教示軌道Ｌ９１が対象ワークＷ１の表面に対して突起部８２の付近で相対的に接近するような軌道である場合における、仮想押付力を表す画像の表示例を示す。図９の場合には、仮想押付力は矢印画像１９１で表現され、教示軌道Ｌ９１が対象ワークＷ１の表面に対して相対的に近くなる突起部８２の近辺で仮想押付力が大きくなる様子が表現されている。図１０は、教示軌道Ｌ９２が対象ワークＷ１の表面に対して突起部８２の付近で相対的に離れるような軌道である場合における、仮想押付力を表す画像の表示例を表している。図１０の場合には、仮想押付力は矢印画像１９２で表現され、教示軌道Ｌ９２が対象ワークＷ１の表面に対して相対的に遠くなる突起部８２の近辺で仮想押付力が小さくなる様子が表現されている。

次に、図１１及び図１２を参照して仮想押付力及び推定研磨量を表す画像を現実の映像に重畳して表示させる拡張現実画像の例について説明する。図１１の例では、砥石９及び対象ワークＷ１を含む現実の映像に、教示軌道を表す画像Ｌ９３、仮想押付力の発生位置及び大きさを矢印の長さで表現した画像１９３、及び推定研磨量を表す画像２１１が重畳表示されている。図１１の画像例からは、突起部８２の領域で仮想押付力が相対的に大きくなること、及び、突起部８２の領域での推定研磨量が突起部８２が存在しない領域と比較して大きくなることを理解できる。なお、これらの教示軌道を表す画像Ｌ９３、仮想押付力を表す画像１９３、及び推定研磨量を表す画像２１１は、３次元の領域を表す画像として作成されている。この場合、操作者は視線を移動させることにより所望の視線方向から仮想押付力や推定研磨量を視覚的に把握することができる。

図１２は、図１１において示した教示軌道を表す画像Ｌ９３、仮想押付力の発生位置及び大きさを矢印の長さで表現した画像１９３、及び推定研磨量を表す画像２１１を含む画像１２１を、現実の映像において対象ワークＷ１の横に並べて拡張現実画像として重畳表示させる場合の例を表している。例えば、拡張現実画像として提供すべき情報量が多い場合など、図１２のように拡張現実画像を実物の横に画像に並べて表示することが操作者（装着者）にとって都合が良い場合もある。

推奨値生成部５８は、推定研磨量と望ましい研磨量を表す研磨量基準値との比較結果に基づいて、推定研磨量を調整するために動作軌道、動作速度、力制御ゲイン等をどのように調整すべきかを示すアドバイスを画像として表現したものを表示する機能を有する。図１３は、図１１に示した推定研磨量（画像２１１）を研磨量基準値と比較した場合に、突起部８２の領域で推定研磨量が研磨量基準値を超えているため、この領域での推定研磨量を低下させるために推奨軌道を表す画像Ｌ１０１を表示した場合の例を示している。推奨軌道の画像Ｌ１０１は、突起部８２の近辺での対象ワークＷ１からの距離が教示軌道を表す画像Ｌ９３の場合よりも遠くなっている。これにより、推奨軌道（画像Ｌ１０１）の場合には推定研磨量を研磨量基準値内に抑えることが可能となる。

図１４は、ロボット（ツール）の動作速度に関する推奨値を提示する場合の例を示している。図１４の例では、教示軌道（画像Ｌ９３）の横に教示速度を表す画像が表示されると共に、教示軌道（画像Ｌ９３）を区分した各区分毎に推奨速度を表す画像１０２が表示されている。図１４の例の場合、教示軌道（画像Ｌ９３）についての教示速度が５０ｍｍ／ｓであるのに対して、推奨速度は対象ワークＷ１の突起部８２の領域では７０ｍｍ／ｓ、それ以外の領域で５０ｍｍ／ｓとなっている。この推奨速度の場合、突起部８２の領域での速度が教示速度よりも高くなるため、推定研磨量が低下し、研磨量基準値内に収まることとなる。

推奨値生成部５８に対しては、例えば制御装置５０の操作部を介して、調整に使用するパラメータを指定できるようになっていても良い。例えば、操作者がサイクルタイム増加の懸念から教示軌道の変更を望まない場合には、推奨値生成部５８が調整する対象とするパラメータとして教示軌道以外のパラメータ（教示速度、目標押付力等）を調整対象のパラメータとして指定できる構成とする。

上述した推奨値は、推奨値生成部５８が、推定研磨量を研磨量基準値と比較し、例えば、推定研磨量が研磨量基準値よりも大きい場合には推定研磨量を減少させる方向に動作軌道、動作速度、力制御パラメータ等を調整し力制御シミュレーションの実行により確認を行うことで実現する。

研磨量推定部５６は、対象ワークにおける研磨材により研磨された部分の面積（以下、研磨面積と記す）を算出するように構成されていても良い。同じ研磨材を使用する場合であっても、研磨材の対象ワークに対する角度により研磨面積は変わる。例えば、図１５のように研磨材１１９を対象ワークＷ５１に対して立てた姿勢で接触させて研磨を行った場合の研磨面積ＳＡ１と、図１６に示すように研磨材１１９を対象ワークＷ５１に対して寝かせた姿勢で接触させて研磨を行った場合の研磨面積ＳＡ２とを対比すると、研磨面積ＳＡ２の方が大きくなる。

研磨量推定部５０は、研磨面積を以下のように算出する。ここでは、図１７に示すように、対象ワークＷ５１に対して研磨材９を当てる際の研磨面積Ｓ_Lを求めることを想定する。この場合、ツール（研磨材９）から対象ワークに作用する押付力、ツール（研磨材９）の回転量、材質、移動速度は変化しないと仮定する。また、ツール（研磨材９）を傾けても全体の研磨量は変わらないとする。研磨により切削される部分の体積をＶ、ツール（研磨材９）の移動量（図１７の紙面奥行方向の移動量）をｄ、ツール先端角度をａとする。Ｌは、切削された傾斜面の長さを表す。この場合、以下の数式が成立する。
Ｖ／ｄ＝（１／２）・Ｌｓｉｎ（ａ）・Ｌｃｏｓ（ａ）
Ｖ／ｄは一定と仮定して、上記式を以下のように変形する。
２Ｖ／ｄ＝Ｌ²ｓｉｎ（ａ）・ｃｏｓ（ａ）
２Ｖ／ｄ＝（Ｌ²ｓｉｎ（２ａ））／２
上記より、切削面の長さＬが以下のように求められる。
Ｌ＝（４Ｖ／（ｄ／ｓｉｎ（２ａ）））^1/2
研磨面積は、長さＬにツールの移動量ｄを乗じて得ることができる。

ツール選択部５９は、予め記憶した複数種類のツールの中から、例えば制御装置５０の操作部を介したユーザ選択を受け付ける機能、或いは、研磨量、研磨面積、サイクルタイム等の情報に基づいて適切なツール及び姿勢を自動的に選択する機能を有する。力制御シミュレーション実行部５２は、ツール選択部５９により選択されたツールを仮想的にマニピュレータ１０に装着して力制御シミュレーションを実行する。図１８は、対象ワークＷ６１の研磨面積として比較的広い面積が要求或いは許容される場合に選択される研磨ツール及び姿勢の例を表している。図１８の例では、研磨材が長い形状を有し、対象ワークＷ６１に対して寝かせた姿勢で使用することで広い研磨面積が確保される。

図１９は、対象ワークＷ６２の研磨面積として比較的狭くなることが要求される場合に選択される研磨ツール及び姿勢の例を表している。図１９に示す例の場合には、長さが比較的短い研磨ツールが選択され、研磨ツールの姿勢は対象ワークＷ６２に対して立てた姿勢となっている。この場合、研磨面積は狭くすることができる。

図２０は、研磨量及び研磨面積を低減させる場合に選択される研磨ツール及び姿勢の例を表している。図２０の例の場合には、研磨材として金属ブラシを有する研磨ツール２２１が選択され、研磨材の周面が対象ワークＷ６３上のバリ１８１の部分に接する姿勢（研磨ツールの中心線を鉛直方向に対して約４５度に傾けた姿勢）となる。

なお、研磨ツールの材質、対象ワークの材質と研磨量との関係については、以下の考え方に基づき相関性を求めるようにすることができる。研磨ツール側は、剛性よりは砥粒の粗さの方が研磨量に対し強く関係するので、砥粒の粗さ別に実測データをとり、研磨量を予測するようにしてもよい。例えば、砥粒の粗さが大きいほど研磨量が大きくなるように研磨量の近似モデルを設定する。ワークに関しては、ワークの素材によっては、削りにくいものがある。そこで、素材の剛性を現す指標として、延性を表すヤング率や塑性を表す塑性係数があるが、これらの係数をそのまま、或いは、（１／ヤング率）などとして研磨量を表す係数として利用しても良い。或いは、ワークの場合も、素材の剛性に対する削り量について実測データをとり、近似モデルを求め、研磨量を予測してもよい。

以上説明したように本実施形態によれば、操作者が推定研磨量を直感的に把握することができ、教示軌道、力制御パラメータの調整を容易に行うことが可能となる。

以上、典型的な実施形態を用いて本発明を説明したが、当業者であれば、本発明の範囲から逸脱することなしに、上述の各実施形態に変更及び種々の他の変更、省略、追加を行うことができるのを理解できるであろう。

上述した実施形態における、制御装置５０、表示装置７０、外部コンピュータ９０における機能の分担は例示であり、これらの機能ブロックの配置は変更することができる。撮像装置は、作業空間内の固定された位置に表示装置とは別邸の装置として配置されていても良い。

制御装置、表示装置の機能ブロックは、これらの装置のＣＰＵが、記憶装置に格納された各種ソフトウェアを実行することで実現されても良く、或いは、ＡＳＩＣ（Application Specific Integrated IC）等のハードウェアを主体とした構成により実現されても良い。

上述した実施形態における各種シミュレーション処理を実行するプログラムは、コンピュータに読み取り可能な各種記録媒体（例えば、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリ等の半導体メモリ、磁気記録媒体、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ等の光ディスク）に記録することができる。

３ 力センサ
１０ ロボットマニピュレータ
１１ ツール部
５０ 制御装置
５１ 記憶部
５２ 力制御シミュレーション実行部
５３ ロボット動作制御部
５４ 仮想力生成器
５５ 仮想力学習部
５６ 研磨量推定部
５７ 研磨量学習部
５８ 推奨値生成部
５９ ツール選択部
７０ 表示装置
７１ 撮像装置
７２ ＡＲ／ＶＲ画像処理部
７３ ディスプレイ
７４ 音声出力部
９０ 外部コンピュータ
９１ 物理シミュレーション部
１００ ロボットシステム

Claims (13)

1. ロボットマニピュレータに搭載した研磨ツールを力制御により対象ワークに接触させて行う研磨作業における研磨量を推定する研磨量推定装置であって、
   動作プログラムと前記力制御に関するパラメータである力制御パラメータとを記憶する記憶部と、
   前記動作プログラムに基づいて得られる、前記研磨ツールの動作軌道、前記研磨ツールの動作速度、前記対象ワークに対する前記研磨ツールの押付力の少なくとも一つに基づいて前記研磨量を推定する研磨量推定部と、
   前記動作プログラム及び前記力制御パラメータに基づいて前記力制御のシミュレーションを実行する力制御シミュレーション実行部と、を備え、
   前記力制御シミュレーション実行部は、前記力制御のシミュレーション結果から得られる前記研磨ツールの位置情報に基づいて前記動作軌道、前記動作速度、及び前記押付力を求める、研磨量推定装置。
2. 前記力制御シミュレーション実行部は、前記力制御のシミュレーション結果から得られる前記研磨ツールの位置情報に基づいて、前記研磨ツールが前記対象ワークと接触した状態において前記研磨ツールから前記対象ワークに作用する押付力を仮想的に生成する仮想力生成部を備える、請求項１に記載の研磨量推定装置。
3. 前記ロボットマニピュレータを表す運動方程式を用い、前記力制御パラメータに基づいて前記ロボットマニピュレータの動作の物理シミュレーションを実行する物理シミュレーション部を更に備え、
   前記仮想力生成部は、前記研磨ツールが前記対象ワークと接触した状態における、前記物理シミュレーションにより得られる前記研磨ツールの前記位置情報に基づいて前記押付力を求める、請求項２に記載の研磨量推定装置。
4. 前記仮想力生成部は、前記対象ワークの剛性に関する係数、前記研磨ツールの剛性に関する係数、及び前記研磨ツールのばね係数のいずれかと、前記研磨ツールが前記対象ワークと接触した状態における前記研磨ツールの前記対象ワークに対する距離とに基づいて前記押付力を求める、請求項３に記載の研磨量推定装置。
5. 前記研磨量推定部は、前記研磨ツールの動作軌道と研磨量との相関性を実測データに基づいて線形近似又は曲線近似したモデル、前記研磨ツールの動作速度と研磨量との相関性を実測データに基づき線形近似又は曲線近似した計算モデル、前記研磨ツールの押付力と研磨量との相関性を実測データに基づき線形近似又は曲線近似した計算モデルのいずれかに基づいて前記研磨量を推定する、請求項１から４のいずれか一項に記載の研磨量推定装置。
6. 前記研磨ツールの動作軌道、前記研磨ツールの動作速度、前記対象ワークに対する前記研磨ツールの押付力とを含む入力データと、該入力データに対応する実測の研磨量である回答データとからなるトレーニングデータに基づいて機械学習を実行する研磨量学習部を更に備え、
   前記研磨量推定部は、前記研磨量学習部による機械学習により構築された学習モデルを用いて前記研磨量を推定する、請求項１から４のいずれか一項に記載の研磨量推定装置。
7. 前記ロボットマニピュレータ及び前記対象ワークを含む現実の作業空間の映像を取得する撮像装置と、
   推定された前記研磨量を表す画像を前記作業空間の映像に拡張現実画像として重畳する表示装置と、を更に備える請求項１から６のいずれか一項に記載の研磨量推定装置。
8. 前記記憶部は、前記ロボットマニピュレータ、前記研磨ツール及び前記対象ワークの形状を表すモデルデータ及び配置位置の情報を更に記憶し、
   前記研磨量推定装置は、前記モデルデータ及び前記配置位置の情報を用い、推定された前記研磨量を表す画像を、前記研磨ツール及び前記対象ワークを含む仮想の作業空間内に配置した仮想現実画像に重畳して表示する表示装置を更に備える、請求項１から６のいずれか一項に記載の研磨量推定装置。
9. 推定された前記研磨量と所定の研磨量基準値との比較結果に基づいて教示軌道又は前記力制御パラメータに関する推奨調整値を生成する推奨値生成部を更に備え、
   前記表示装置は、前記推奨調整値を表す画像を前記現実の作業空間の映像に更に重畳して表示する、請求項７に記載の研磨量推定装置。
10. 推定された前記研磨量と所定の研磨量基準値との比較結果に基づいて教示軌道又は前記力制御パラメータに関する推奨調整値を生成する推奨値生成部を更に備え、
    前記表示装置は、前記推奨調整値を表す画像を前記仮想現実画像に更に重畳して表示する、請求項８に記載の研磨量推定装置。
11. 要求される研磨量又は研磨面積を表す情報に基づいて、複数種類の研磨ツールの中から使用すべき研磨ツールを選択するツール選択部を更に備え、
    前記力制御シミュレーション実行部は、選択された前記研磨ツールを仮想的に前記ロボットマニピュレータに装着して前記力制御のシミュレーションを実行する、請求項１から４のいずれか一項に記載の研磨量推定装置。
12. ロボットマニピュレータに搭載した研磨ツールを力制御により対象ワークに接触させて行う研磨作業における研磨量を推定する研磨量推定装置であって、
    動作プログラムを記憶する記憶部と、
    前記動作プログラムに基づいて得られる、前記研磨ツールの動作軌道、前記研磨ツールの動作速度、前記対象ワークに対する前記研磨ツールの押付力の少なくとも一つに基づいて前記研磨量を推定する研磨量推定部と、
    前記ロボットマニピュレータ及び前記対象ワークを含む現実の作業空間の映像を取得する撮像装置と、
    推定された前記研磨量を表す画像を前記作業空間の映像に拡張現実画像として重畳する表示装置と、を備える研磨量推定装置。
13. ロボットマニピュレータに搭載した研磨ツールを力制御により対象ワークに接触させて行う研磨作業における研磨量を推定する研磨量推定装置であって、
    動作プログラムと、前記ロボットマニピュレータ、前記研磨ツール及び前記対象ワークの形状を表すモデルデータ及び配置位置の情報とを記憶する記憶部と、
    前記動作プログラムに基づいて得られる、前記研磨ツールの動作軌道、前記研磨ツールの動作速度、前記対象ワークに対する前記研磨ツールの押付力の少なくとも一つに基づいて前記研磨量を推定する研磨量推定部と、
    前記モデルデータ及び前記配置位置の情報を用い、推定された前記研磨量を表す画像を、前記研磨ツール及び前記対象ワークを含む仮想の作業空間内に配置した仮想現実画像に重畳して表示する表示装置と、を備える研磨量推定装置。

Images