JPH05233042A - 冗長自由度ロボットの姿勢制御方式 - Google Patents
冗長自由度ロボットの姿勢制御方式Info
- Publication number
- JPH05233042A JPH05233042A JP3745492A JP3745492A JPH05233042A JP H05233042 A JPH05233042 A JP H05233042A JP 3745492 A JP3745492 A JP 3745492A JP 3745492 A JP3745492 A JP 3745492A JP H05233042 A JPH05233042 A JP H05233042A
- Authority
- JP
- Japan
- Prior art keywords
- robot
- freedom
- redundant degree
- work
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- 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
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/1643—Programme controls characterised by the control loop redundant control
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
- Feedback Control In General (AREA)
- Manipulator (AREA)
Abstract
(57)【要約】
【目的】 作業目標と作業環境に応じて実時間で冗長自
由度ロボットのコンフィギュレーションを決定する。 【構成】 作業対象物及び障害物の各データＸｄ、Ｘｓ
を視覚センサから取得し（ステップＳ１）、ニューラル
ネットワークは、その作業対象物及び障害物の各入力デ
ータＸｄ、Ｘｓとの写像関係から肘角度φの推定値を求
める（ステップＳ２）。肘角度φの推定値が出力される
と、その肘角度φの推定値及び作業対象物のデータＸｄ
から、冗長自由度ロボットの各関節の角度を解析的な計
算により求める（ステップＳ３）。この肘角度φの推定
及び冗長自由度ロボットのコンフィギュレーション決定
は、実際の作業時に実時間で行うことができる。このた
め、冗長自由度を持つロボットであっても、実際の作業
時に、作業環境に適切に対応したコンフィギュレーショ
ンを実時間で決定することができる。
由度ロボットのコンフィギュレーションを決定する。 【構成】 作業対象物及び障害物の各データＸｄ、Ｘｓ
を視覚センサから取得し（ステップＳ１）、ニューラル
ネットワークは、その作業対象物及び障害物の各入力デ
ータＸｄ、Ｘｓとの写像関係から肘角度φの推定値を求
める（ステップＳ２）。肘角度φの推定値が出力される
と、その肘角度φの推定値及び作業対象物のデータＸｄ
から、冗長自由度ロボットの各関節の角度を解析的な計
算により求める（ステップＳ３）。この肘角度φの推定
及び冗長自由度ロボットのコンフィギュレーション決定
は、実際の作業時に実時間で行うことができる。このた
め、冗長自由度を持つロボットであっても、実際の作業
時に、作業環境に適切に対応したコンフィギュレーショ
ンを実時間で決定することができる。
Description
【０００１】
【産業上の利用分野】本発明は冗長自由度ロボットの姿
勢を制御する冗長自由度ロボットの姿勢制御方式に関
し、特に肘角度を含めて冗長自由度ロボットの姿勢を一
意的に決定し制御する冗長自由度ロボットの姿勢制御方
式に関する。
勢を制御する冗長自由度ロボットの姿勢制御方式に関
し、特に肘角度を含めて冗長自由度ロボットの姿勢を一
意的に決定し制御する冗長自由度ロボットの姿勢制御方
式に関する。
【０００２】
【従来の技術】一般に、６自由度以下の駆動機構を持つ
ロボットマニピュレータでは、マニピュレータの手先を
空間内のある点に位置決めするときのマニピュレータの
コンフィギュレーション（各駆動軸の角度）の個数は、
有限である。したがって、作業環境内に障害物がある場
合や、狭い環境で作業を行う場合などでは、マニピュレ
ータの作業姿勢が制限されるため、作業効率が低下した
り、マニピュレータを利用できないことがある。
ロボットマニピュレータでは、マニピュレータの手先を
空間内のある点に位置決めするときのマニピュレータの
コンフィギュレーション（各駆動軸の角度）の個数は、
有限である。したがって、作業環境内に障害物がある場
合や、狭い環境で作業を行う場合などでは、マニピュレ
ータの作業姿勢が制限されるため、作業効率が低下した
り、マニピュレータを利用できないことがある。
【０００３】この問題を解決するための機構として、７
自由度以上の駆動軸を持つ冗長自由度ロボットが開発さ
れている。この冗長自由度ロボットでは、マニピュレー
タの手先を空間内のある点に位置決めするときのマニピ
ュレータのコンフィギュレーションの個数は、無限にあ
る。したがって、コンフィギュレーションを選択して特
定する手法が必要となる。例えば、人間腕型７自由度ロ
ボットの場合、その機構的な特徴を利用して肘角度を指
定すれば、冗長自由度を制約することができる。この肘
位置の指定とそのときの手先位置から７つの駆動軸の位
置（角度）を解析的に求めることができ、コンフィギュ
レーションも一意的に決定される。
自由度以上の駆動軸を持つ冗長自由度ロボットが開発さ
れている。この冗長自由度ロボットでは、マニピュレー
タの手先を空間内のある点に位置決めするときのマニピ
ュレータのコンフィギュレーションの個数は、無限にあ
る。したがって、コンフィギュレーションを選択して特
定する手法が必要となる。例えば、人間腕型７自由度ロ
ボットの場合、その機構的な特徴を利用して肘角度を指
定すれば、冗長自由度を制約することができる。この肘
位置の指定とそのときの手先位置から７つの駆動軸の位
置（角度）を解析的に求めることができ、コンフィギュ
レーションも一意的に決定される。
【０００４】
【発明が解決しようとする課題】しかし、作業目標と作
業環境（空間的な拘束）に応じて自動的に肘角度を算出
し指定する方法は未だ提案されていない。また、肘角度
を作業に応じて実時間で決定することもできない。これ
は、肘角度を特定するための拘束条件を解析的に記述す
るのが困難だからである。また、記述が可能であっても
実時間でその解を求めることは、現在の計算機能力では
期待できないからである。
業環境（空間的な拘束）に応じて自動的に肘角度を算出
し指定する方法は未だ提案されていない。また、肘角度
を作業に応じて実時間で決定することもできない。これ
は、肘角度を特定するための拘束条件を解析的に記述す
るのが困難だからである。また、記述が可能であっても
実時間でその解を求めることは、現在の計算機能力では
期待できないからである。
【０００５】このように、７自由度以上の駆動軸を持つ
冗長自由度ロボットは、６自由度以下のロボットマニピ
ュレータに比べて作業能力において優れているものの、
冗長性を生かす際に伴う冗長自由度の拘束手法について
の制御技術が伴っていないために、冗長自由度を有効に
活用することができなかった。
冗長自由度ロボットは、６自由度以下のロボットマニピ
ュレータに比べて作業能力において優れているものの、
冗長性を生かす際に伴う冗長自由度の拘束手法について
の制御技術が伴っていないために、冗長自由度を有効に
活用することができなかった。
【０００６】本発明はこのような点に鑑みてなされたも
のであり、作業目標と作業環境に応じて実時間で冗長自
由度ロボットのコンフィギュレーションを決定すること
ができる冗長自由度ロボットの姿勢制御方式を提供する
ことを目的とする。
のであり、作業目標と作業環境に応じて実時間で冗長自
由度ロボットのコンフィギュレーションを決定すること
ができる冗長自由度ロボットの姿勢制御方式を提供する
ことを目的とする。
【０００７】
【課題を解決するための手段】本発明では上記課題を解
決するために、冗長自由度ロボットの姿勢を一意的に決
定し制御する冗長自由度ロボットの姿勢制御方式におい
て、作業対象物及び障害物の各データを取得してニュー
ラルネットワークに入力し、前記ニューラルネットワー
クによって前記冗長自由度ロボットの肘角度を求め、前
記作業対象物のデータ及び前記肘角度のデータから前記
冗長自由度ロボットの姿勢（コンフィギュレーション）
を一意的に決定し制御することを特徴とする冗長自由度
ロボットの姿勢制御方式が、提案される。
決するために、冗長自由度ロボットの姿勢を一意的に決
定し制御する冗長自由度ロボットの姿勢制御方式におい
て、作業対象物及び障害物の各データを取得してニュー
ラルネットワークに入力し、前記ニューラルネットワー
クによって前記冗長自由度ロボットの肘角度を求め、前
記作業対象物のデータ及び前記肘角度のデータから前記
冗長自由度ロボットの姿勢（コンフィギュレーション）
を一意的に決定し制御することを特徴とする冗長自由度
ロボットの姿勢制御方式が、提案される。
【０００８】
【作用】作業対象物及び障害物の各データを取得してニ
ューラルネットワークに入力する。ニューラルネットワ
ークは、その作業対象物及び障害物の各入力データとの
写像関係から肘角度の推定値を求め出力する。肘角度の
推定値が出力されると、その肘角度の推定値及び作業対
象物のデータから、冗長自由度ロボットの各関節の角度
が解析的な計算により求まり、コンフィギュレーション
が一意的に決定する。このときのコンフィギュレーショ
ンは、肘角度が障害物を回避するような角度をとると共
に、そのときの手先が目標である作業対象物に到達して
いる。すなわち、冗長自由度ロボットは、障害物を回避
し目標となる作業対象物に到達するコンフィギュレーシ
ョンを実時間で決定することができる。
ューラルネットワークに入力する。ニューラルネットワ
ークは、その作業対象物及び障害物の各入力データとの
写像関係から肘角度の推定値を求め出力する。肘角度の
推定値が出力されると、その肘角度の推定値及び作業対
象物のデータから、冗長自由度ロボットの各関節の角度
が解析的な計算により求まり、コンフィギュレーション
が一意的に決定する。このときのコンフィギュレーショ
ンは、肘角度が障害物を回避するような角度をとると共
に、そのときの手先が目標である作業対象物に到達して
いる。すなわち、冗長自由度ロボットは、障害物を回避
し目標となる作業対象物に到達するコンフィギュレーシ
ョンを実時間で決定することができる。
【０００９】
【実施例】以下、本発明の一実施例を図面に基づいて説
明する。図２は本発明の冗長自由度ロボットの姿勢制御
方式の全体構成を示す図である。図において、ロボット
１は人間腕型７自由度ロボットであり、ロボット制御装
置３からの指令に応じて動作する。ロボット１の作業環
境には障害物４１及び作業対象物４０が配置されてい
る。
明する。図２は本発明の冗長自由度ロボットの姿勢制御
方式の全体構成を示す図である。図において、ロボット
１は人間腕型７自由度ロボットであり、ロボット制御装
置３からの指令に応じて動作する。ロボット１の作業環
境には障害物４１及び作業対象物４０が配置されてい
る。
【００１０】カメラ２０１、光源２０２及び視覚センサ
制御装置２は、ビジョンシステムを構成する。カメラ２
０１は障害物４１及び作業対象物４０を撮像し、その撮
像データを視覚センサ制御装置２に送る。
制御装置２は、ビジョンシステムを構成する。カメラ２
０１は障害物４１及び作業対象物４０を撮像し、その撮
像データを視覚センサ制御装置２に送る。
【００１１】視覚センサ制御装置２は、ホストプロセッ
サ（ＣＰＵ）２０を中心に構成されている。カメラ２０
１からの撮像データは、カメラインタフェース２９を経
由して一旦イメージメモリ２６に格納される。ホストプ
ロセッサ２０はそのイメージメモリ２６に格納された撮
像データを読み出し、ＲＯＭ２１に格納された処理プロ
グラムに従って処理する。また、その結果得られた障害
物４１及び作業対象物４０の３次元位置情報を、ＬＡＮ
インタフェース２４からロボット制御装置３に出力す
る。コプロセッサ２５及びイメージプロセッサ２７は、
ホストプロセッサ２０とバス２００で結合され、浮動小
数点演算や撮像データの濃淡の処理等を行う。ＲＡＭ２
２及び不揮発性ＲＡＭ２３には各種のデータや演算処理
のためのデータ等が格納される。また、ホストプロセッ
サ２０は、光源２０２のオンオフ制御を行うべく、光源
インタフェース２８を経由して光源２０２に指令信号を
出力する。
サ（ＣＰＵ）２０を中心に構成されている。カメラ２０
１からの撮像データは、カメラインタフェース２９を経
由して一旦イメージメモリ２６に格納される。ホストプ
ロセッサ２０はそのイメージメモリ２６に格納された撮
像データを読み出し、ＲＯＭ２１に格納された処理プロ
グラムに従って処理する。また、その結果得られた障害
物４１及び作業対象物４０の３次元位置情報を、ＬＡＮ
インタフェース２４からロボット制御装置３に出力す
る。コプロセッサ２５及びイメージプロセッサ２７は、
ホストプロセッサ２０とバス２００で結合され、浮動小
数点演算や撮像データの濃淡の処理等を行う。ＲＡＭ２
２及び不揮発性ＲＡＭ２３には各種のデータや演算処理
のためのデータ等が格納される。また、ホストプロセッ
サ２０は、光源２０２のオンオフ制御を行うべく、光源
インタフェース２８を経由して光源２０２に指令信号を
出力する。
【００１２】ロボット制御装置３は、ホストプロセッサ
（ＣＰＵ）３０を中心に構成されている。視覚センサ制
御装置２から送られた障害物４１及び作業対象物４０の
３次元位置情報は、ＬＡＮインタフェース３７を経由し
て一旦ＲＡＭ３２に格納される。ホストプロセッサ３０
はそのＲＡＭ３２に格納された３次元位置情報を読み出
し、ＲＯＭ３１に格納された処理プログラムに従って、
ニューラルネットワーク学習やニューラルネットワーク
による肘角度の推定を行う。その詳細は後述する。ま
た、ホストプロセッサ３０はロボット１の各関節角度を
求め、その指令信号をサーボアンプ３３を経由してロボ
ット１の各サーボモータ（図示せず）に出力する。コプ
ロセッサ３５はホストプロセッサ３０とバス３００で結
合され、浮動小数点演算等を行う。
（ＣＰＵ）３０を中心に構成されている。視覚センサ制
御装置２から送られた障害物４１及び作業対象物４０の
３次元位置情報は、ＬＡＮインタフェース３７を経由し
て一旦ＲＡＭ３２に格納される。ホストプロセッサ３０
はそのＲＡＭ３２に格納された３次元位置情報を読み出
し、ＲＯＭ３１に格納された処理プログラムに従って、
ニューラルネットワーク学習やニューラルネットワーク
による肘角度の推定を行う。その詳細は後述する。ま
た、ホストプロセッサ３０はロボット１の各関節角度を
求め、その指令信号をサーボアンプ３３を経由してロボ
ット１の各サーボモータ（図示せず）に出力する。コプ
ロセッサ３５はホストプロセッサ３０とバス３００で結
合され、浮動小数点演算等を行う。
【００１３】ＲＡＭ３２には、演算処理のためのデータ
等が一時的に格納される。ニューラルネットワーク学習
時の結合荷重係数もこのＲＡＭ３２に格納される。不揮
発性ＲＡＭ３６には、ニューラルネットワークのユニッ
ト数、ニューラル関数タイプ、ニューラルネットワーク
学習において最終的に求められた結合荷重係数等が格納
される。
等が一時的に格納される。ニューラルネットワーク学習
時の結合荷重係数もこのＲＡＭ３２に格納される。不揮
発性ＲＡＭ３６には、ニューラルネットワークのユニッ
ト数、ニューラル関数タイプ、ニューラルネットワーク
学習において最終的に求められた結合荷重係数等が格納
される。
【００１４】教示操作盤（ＴＰ）３８がシリアルインタ
フェース３４を介してロボット制御装置３に接続されて
いる。オペレータは、この教示操作盤３８を操作し、ロ
ボット１のマニュアル動作を行う。
フェース３４を介してロボット制御装置３に接続されて
いる。オペレータは、この教示操作盤３８を操作し、ロ
ボット１のマニュアル動作を行う。
【００１５】図３はロボットの概略構成を示す図であ
る。ロボット１は、上述したように人間腕型７自由度ロ
ボットであり、７個の関節１１，１２，１３，１４，１
５，１６、１７及び手先１８から構成される。関節１
１，１２，１５及び１７は回転軸であり、関節１３，１
４及び１６は屈曲軸である。このロボット１では、関節
１４を肘関節とみなすことができる。次にこの肘関節に
ついて説明する。
る。ロボット１は、上述したように人間腕型７自由度ロ
ボットであり、７個の関節１１，１２，１３，１４，１
５，１６、１７及び手先１８から構成される。関節１
１，１２，１５及び１７は回転軸であり、関節１３，１
４及び１６は屈曲軸である。このロボット１では、関節
１４を肘関節とみなすことができる。次にこの肘関節に
ついて説明する。
【００１６】図４は肘関節の説明図である。図に示すよ
うに、関節１３を肩点Ｏｓ、関節１６を手首点Ｏｗと
し、その肩点Ｏｓと手首点Ｏｗを結ぶ線１００を中心に
関節１４を回転させても、ロボット１先端の手先１８の
位置と姿勢は不変である。すなわち、手先１８の位置と
姿勢を固定した状態で、関節１４の位置を自由にとるこ
とができ、関節１４を肘関節とみなすことができる。し
たがって、ロボット１はこの関節１４によって冗長性を
持つことができ、関節１４の位置（肘点）Ｏｅを冗長自
由度を規定するためのパラメータとして用いることがで
きる。
うに、関節１３を肩点Ｏｓ、関節１６を手首点Ｏｗと
し、その肩点Ｏｓと手首点Ｏｗを結ぶ線１００を中心に
関節１４を回転させても、ロボット１先端の手先１８の
位置と姿勢は不変である。すなわち、手先１８の位置と
姿勢を固定した状態で、関節１４の位置を自由にとるこ
とができ、関節１４を肘関節とみなすことができる。し
たがって、ロボット１はこの関節１４によって冗長性を
持つことができ、関節１４の位置（肘点）Ｏｅを冗長自
由度を規定するためのパラメータとして用いることがで
きる。
【００１７】ここで、肘点Ｏｅは、肘角度φで表され
る。肘角度φは、手首点Ｏｗ及び肩点Ｏｓの２点を通り
ベース座標系のＸ−Ｙ平面に垂直な平面ＰＬ０と、手首
点Ｏｗ、肩点Ｏｓ及び肘位置Ｏｅの３点を通る平面ＰＬ
１とのなす角度として定義される。次に、この肘角度φ
の決定手法について説明する。
る。肘角度φは、手首点Ｏｗ及び肩点Ｏｓの２点を通り
ベース座標系のＸ−Ｙ平面に垂直な平面ＰＬ０と、手首
点Ｏｗ、肩点Ｏｓ及び肘位置Ｏｅの３点を通る平面ＰＬ
１とのなす角度として定義される。次に、この肘角度φ
の決定手法について説明する。
【００１８】図５はニューラルネットワークの説明図で
ある。図に示すように、ニューラルネットワークは階層
型ニューラルネットワークであり、入力層５１、中間層
５２及び出力層５３の３層から構成される。
ある。図に示すように、ニューラルネットワークは階層
型ニューラルネットワークであり、入力層５１、中間層
５２及び出力層５３の３層から構成される。
【００１９】このニューラルネットワークにおいて、ま
ず、障害物４１及び作業対象物４２に対する肘角度φの
写像関係の学習が行われる。学習時の教師データとし
て、障害物４１及び作業対象物４０の各３次元位置情報
Ｘｓ、Ｘｄ及びロボット１の肘角度φｄが用いられる。
各３次元位置情報Ｘｓ、Ｘｄは、カメラ２０１の撮像デ
ータに基づいて得られた情報であり、ニューラルネット
ワークの入力層５１に入力される。各３次元位置情報Ｘ
ｓ、Ｘｄは６自由度を有し、入力層５１には、この６自
由度のＸｓ（Ｘs1〜Ｘs6）、Ｘｄ（Ｘd1〜Ｘd6）に対応
して１２個のユニット５１Ｎが設けられている。なお、
出力層５３には、肘角度φに対応して１個のユニット５
３Ｎが設けられている。
ず、障害物４１及び作業対象物４２に対する肘角度φの
写像関係の学習が行われる。学習時の教師データとし
て、障害物４１及び作業対象物４０の各３次元位置情報
Ｘｓ、Ｘｄ及びロボット１の肘角度φｄが用いられる。
各３次元位置情報Ｘｓ、Ｘｄは、カメラ２０１の撮像デ
ータに基づいて得られた情報であり、ニューラルネット
ワークの入力層５１に入力される。各３次元位置情報Ｘ
ｓ、Ｘｄは６自由度を有し、入力層５１には、この６自
由度のＸｓ（Ｘs1〜Ｘs6）、Ｘｄ（Ｘd1〜Ｘd6）に対応
して１２個のユニット５１Ｎが設けられている。なお、
出力層５３には、肘角度φに対応して１個のユニット５
３Ｎが設けられている。
【００２０】また、肘角度φｄは、オペレータがロボッ
ト１を教示操作盤３８を用いてマニュアル動作させ、ロ
ボット１が障害物４１を回避して目標とする作業対象物
４０に到達したときのロボット１の肘角度である。
ト１を教示操作盤３８を用いてマニュアル動作させ、ロ
ボット１が障害物４１を回避して目標とする作業対象物
４０に到達したときのロボット１の肘角度である。
【００２１】学習に際しては、この障害物４１及び作業
対象物４０の各３次元位置情報Ｘｓ、Ｘｄ及びロボット
１の肘角度φｄを例示パターンとし、この例示パターン
をロボット１の作業において必要とされる精度に応じて
必要な数だけ繰り返し獲得する。
対象物４０の各３次元位置情報Ｘｓ、Ｘｄ及びロボット
１の肘角度φｄを例示パターンとし、この例示パターン
をロボット１の作業において必要とされる精度に応じて
必要な数だけ繰り返し獲得する。
【００２２】写像関係の学習は、上述したように、ロボ
ット制御装置３においてニューラルネットワーク学習プ
ログラムに従って実行される。すなわち、バックプロパ
ゲーション法により、教師データとしての肘角度φｄ
と、ニューラルネットワークによって推定された肘角度
φとの誤差（Σ（φｄ−φ）2 ）が最小となる方向に、
ニューラルネットワークの結合荷重係数の学習が進行す
る。学習が収束すると、ニューラルネットワークには、
（Ｘｓ，Ｘｄ）→φなる写像が生成され、入力（Ｘｓ，
Ｘｄ）に応じて肘角度φの推定値を出力するようにな
る。
ット制御装置３においてニューラルネットワーク学習プ
ログラムに従って実行される。すなわち、バックプロパ
ゲーション法により、教師データとしての肘角度φｄ
と、ニューラルネットワークによって推定された肘角度
φとの誤差（Σ（φｄ−φ）2 ）が最小となる方向に、
ニューラルネットワークの結合荷重係数の学習が進行す
る。学習が収束すると、ニューラルネットワークには、
（Ｘｓ，Ｘｄ）→φなる写像が生成され、入力（Ｘｓ，
Ｘｄ）に応じて肘角度φの推定値を出力するようにな
る。
【００２３】肘角度φが求められると、（Ｘｄ，φ）か
ら関節１１、１２、１３、１５、１６、１７の各角度
が、解析的な計算により求められ、ロボット１のコンフ
ィギュレーションが決定する。このときのロボット１の
手先１８は障害物４１を回避して目標とする作業対象物
４０に到達し、例示パターンからニューラルネットワー
クの推定によって求められた肘角度φは、教師データφ
ｄに対して近似の値をとる。
ら関節１１、１２、１３、１５、１６、１７の各角度
が、解析的な計算により求められ、ロボット１のコンフ
ィギュレーションが決定する。このときのロボット１の
手先１８は障害物４１を回避して目標とする作業対象物
４０に到達し、例示パターンからニューラルネットワー
クの推定によって求められた肘角度φは、教師データφ
ｄに対して近似の値をとる。
【００２４】図６はニューラルネットワーク学習の手順
を示すフローチャートである。図中Ｓに続く数字はステ
ップ番号を表す。 〔Ｓ２１〕障害物４１及び作業対象物４０の各３次元位
置情報Ｘｓ、Ｘｄを視覚センサ制御装置２から取得す
る。 〔Ｓ２２〕ロボット１を教示操作盤３８を用いてマニュ
アル動作させ、ロボット１が障害物４１を回避して目標
とする作業対象物４０に到達したときのロボット１のコ
ンフィギュレーションデータ（各関節の角度データ）を
取得する。 〔Ｓ２３〕コンフィギュレーションより肘角度φｄを算
出する。 〔Ｓ２４〕各３次元位置情報Ｘｓ、Ｘｄ及び肘角度φｄ
から成る例示パターンを繰り返し獲得する。 〔Ｓ２５〕バックプロパゲーション法により、ニューラ
ルネットワーク学習を行う。 〔Ｓ２６〕学習を収束させ、ニューラルネットワークに
（Ｘｓ，Ｘｄ）→φなる写像関係を生成する。
を示すフローチャートである。図中Ｓに続く数字はステ
ップ番号を表す。 〔Ｓ２１〕障害物４１及び作業対象物４０の各３次元位
置情報Ｘｓ、Ｘｄを視覚センサ制御装置２から取得す
る。 〔Ｓ２２〕ロボット１を教示操作盤３８を用いてマニュ
アル動作させ、ロボット１が障害物４１を回避して目標
とする作業対象物４０に到達したときのロボット１のコ
ンフィギュレーションデータ（各関節の角度データ）を
取得する。 〔Ｓ２３〕コンフィギュレーションより肘角度φｄを算
出する。 〔Ｓ２４〕各３次元位置情報Ｘｓ、Ｘｄ及び肘角度φｄ
から成る例示パターンを繰り返し獲得する。 〔Ｓ２５〕バックプロパゲーション法により、ニューラ
ルネットワーク学習を行う。 〔Ｓ２６〕学習を収束させ、ニューラルネットワークに
（Ｘｓ，Ｘｄ）→φなる写像関係を生成する。
【００２５】図１は実際作業時でのロボットのコンフィ
ギュレーション決定手順を示すフローチャートである。
このフローチャートは、ニューラルネットワーク学習に
よりニューラルネットワークに（Ｘｓ，Ｘｄ）→φなる
写像関係が生成された後、実行される。 〔Ｓ１〕ロボット１に実際の作業を行わせる際に、先ず
カメラ２０１による撮像データから得られた障害物４１
及び作業対象物４０の各３次元位置情報Ｘｓ、Ｘｄを視
覚センサ制御装置２から取得する。 〔Ｓ２〕ニューラルネットワークに生成されている写像
関係から、各３次元位置情報Ｘｓ、Ｘｄに対する肘角度
φを推定する。 〔Ｓ３〕作業対象物の３次元位置情報Ｘｄ及び肘角度φ
から、ロボット１の各関節１１、１２、１３、１５、１
６、１７の各角度を、解析的な計算により求める。これ
により、ロボット１のコンフィギュレーションが一意的
に決定する。
ギュレーション決定手順を示すフローチャートである。
このフローチャートは、ニューラルネットワーク学習に
よりニューラルネットワークに（Ｘｓ，Ｘｄ）→φなる
写像関係が生成された後、実行される。 〔Ｓ１〕ロボット１に実際の作業を行わせる際に、先ず
カメラ２０１による撮像データから得られた障害物４１
及び作業対象物４０の各３次元位置情報Ｘｓ、Ｘｄを視
覚センサ制御装置２から取得する。 〔Ｓ２〕ニューラルネットワークに生成されている写像
関係から、各３次元位置情報Ｘｓ、Ｘｄに対する肘角度
φを推定する。 〔Ｓ３〕作業対象物の３次元位置情報Ｘｄ及び肘角度φ
から、ロボット１の各関節１１、１２、１３、１５、１
６、１７の各角度を、解析的な計算により求める。これ
により、ロボット１のコンフィギュレーションが一意的
に決定する。
【００２６】以上述べたように、ニューラルネットワー
クに生成されている写像関係から、障害物４１及び作業
対象物４０の各位置に対応して肘角度φを推定し、その
肘角度φを用いてロボット１のコンフィギュレーション
を一意的に決定するようにした。この肘角度φの推定及
びロボット１のコンフィギュレーション決定は、実際の
作業時に実時間で行うことができる。このため、従来、
コンフィギュレーションを決定するのが困難であった冗
長自由度を持つロボット１であっても、実際の作業時
に、作業環境に適切に対応したコンフィギュレーション
を実時間で決定することができる。したがって、ロボッ
ト１の冗長自由度を有効に活用することができるように
なり、ロボット１が本来有している作業能力を十分に発
揮させることができる。
クに生成されている写像関係から、障害物４１及び作業
対象物４０の各位置に対応して肘角度φを推定し、その
肘角度φを用いてロボット１のコンフィギュレーション
を一意的に決定するようにした。この肘角度φの推定及
びロボット１のコンフィギュレーション決定は、実際の
作業時に実時間で行うことができる。このため、従来、
コンフィギュレーションを決定するのが困難であった冗
長自由度を持つロボット１であっても、実際の作業時
に、作業環境に適切に対応したコンフィギュレーション
を実時間で決定することができる。したがって、ロボッ
ト１の冗長自由度を有効に活用することができるように
なり、ロボット１が本来有している作業能力を十分に発
揮させることができる。
【００２７】上記の説明では、作業環境における障害物
の数を１個としたが、障害物の数が複数であっても、ニ
ューラルネットワークの入力ユニット数を変更すれば同
様に本発明を適用することができる。
の数を１個としたが、障害物の数が複数であっても、ニ
ューラルネットワークの入力ユニット数を変更すれば同
様に本発明を適用することができる。
【００２８】また、ニューラルネットワークを３層階層
型ニューラルネットワークとしたが、他のタイプのニュ
ーラルネットワーク、例えばフィードバック結合をもつ
階層ニューラルネットワークや４層階層型ニューラルネ
ットワークとしても同様に適用することができる。
型ニューラルネットワークとしたが、他のタイプのニュ
ーラルネットワーク、例えばフィードバック結合をもつ
階層ニューラルネットワークや４層階層型ニューラルネ
ットワークとしても同様に適用することができる。
【００２９】
【発明の効果】以上説明したように本発明では、ニュー
ラルネットワークに生成されている写像関係から、障害
物及び作業対象物の各位置データに対応して肘角度を推
定し、その肘角度を用いて冗長自由度ロボットのコンフ
ィギュレーションを一意的に決定するように構成した。
そのコンフィギュレーションは、肘角度が障害物を回避
するような角度をとると共に、手先が目標である作業対
象物に到達している。この肘角度の推定及び冗長自由度
ロボットのコンフィギュレーション決定は、実際の作業
時に実時間で行うことができる。このため、従来、コン
フィギュレーションを決定するのが困難であった冗長自
由度を持つロボットであっても、実際の作業時に、作業
環境に適切に対応したコンフィギュレーションを実時間
で決定することができる。したがって、冗長自由度ロボ
ットの冗長自由度を有効に活用することができるように
なり、冗長自由度ロボットが本来有している作業能力を
十分に発揮させることができる。
ラルネットワークに生成されている写像関係から、障害
物及び作業対象物の各位置データに対応して肘角度を推
定し、その肘角度を用いて冗長自由度ロボットのコンフ
ィギュレーションを一意的に決定するように構成した。
そのコンフィギュレーションは、肘角度が障害物を回避
するような角度をとると共に、手先が目標である作業対
象物に到達している。この肘角度の推定及び冗長自由度
ロボットのコンフィギュレーション決定は、実際の作業
時に実時間で行うことができる。このため、従来、コン
フィギュレーションを決定するのが困難であった冗長自
由度を持つロボットであっても、実際の作業時に、作業
環境に適切に対応したコンフィギュレーションを実時間
で決定することができる。したがって、冗長自由度ロボ
ットの冗長自由度を有効に活用することができるように
なり、冗長自由度ロボットが本来有している作業能力を
十分に発揮させることができる。
【図１】実際作業時でのロボットのコンフィギュレーシ
ョン決定手順を示すフローチャートである。
ョン決定手順を示すフローチャートである。
【図２】本発明の冗長自由度ロボットの姿勢制御方式の
全体構成を示す図である。
全体構成を示す図である。
【図３】ロボットの概略構成を示す図である。
【図４】肘関節の説明図である。
【図５】ニューラルネットワークの説明図である。
【図６】ニューラルネットワーク学習の手順を示すフロ
ーチャートである。
ーチャートである。
１ ロボット ２ 視覚センサ制御装置 ３ ロボット制御装置 １１〜１７ 関節 １４ 肘関節 １８ 手先 ２０，３０ プロセッサ ３８ 教示操作盤 ４１ 障害物 ４０ 作業対象物 ２０１ カメラ
Claims (5)
- 【請求項１】 冗長自由度ロボットの姿勢を一意的に決
定し制御する冗長自由度ロボットの姿勢制御方式におい
て、 作業対象物及び障害物の各データを取得してニューラル
ネットワークに入力し、 前記ニューラルネットワークによって前記冗長自由度ロ
ボットの肘角度を求め、 前記作業対象物のデータ及び前記肘角度のデータから前
記冗長自由度ロボットの姿勢を一意的に決定し制御する
ことを特徴とする冗長自由度ロボットの姿勢制御方式。 - 【請求項２】 前記作業対象物及び前記障害物の各デー
タは、視覚センサによって得られるデータであることを
特徴とする請求項１記載の冗長自由度ロボットの姿勢制
御方式。 - 【請求項３】 前記ニューラルネットワークには、例示
学習により前記作業対象物及び前記障害物に対する前記
肘角度の写像が生成されていることを特徴とする請求項
１記載の冗長自由度ロボットの姿勢制御方式。 - 【請求項４】 前記例示学習は、視覚センサによって得
られた前記作業対象物及び前記障害物の各データ並びに
前記冗長自由度ロボットをマニュアル動作させて前記冗
長自由度ロボットの手先を前記作業対象物に到達させた
ときに得られる前記冗長自由度ロボットの肘角度データ
から成る教師データを例示パターンとして行われること
を特徴とする請求項３記載の冗長自由度ロボットの姿勢
制御方式。 - 【請求項５】 前記ニューラルネットワークは、階層型
ニューラルネットワークであることを特徴とする請求項
１記載の冗長自由度ロボットの姿勢制御方式。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3745492A JPH05233042A (ja) | 1992-02-25 | 1992-02-25 | 冗長自由度ロボットの姿勢制御方式 |
| PCT/JP1993/000132 WO1993017375A1 (en) | 1992-02-25 | 1993-02-03 | Attitude control system for robots with redundant degree of freedom |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3745492A JPH05233042A (ja) | 1992-02-25 | 1992-02-25 | 冗長自由度ロボットの姿勢制御方式 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH05233042A true JPH05233042A (ja) | 1993-09-10 |
Family
ID=12497962
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3745492A Pending JPH05233042A (ja) | 1992-02-25 | 1992-02-25 | 冗長自由度ロボットの姿勢制御方式 |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JPH05233042A (ja) |
| WO (1) | WO1993017375A1 (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013166222A (ja) * | 2012-02-16 | 2013-08-29 | Seiko Epson Corp | ロボット制御装置、ロボット制御方法およびロボット制御プログラムならびにロボットシステム |
| JP2017107902A (ja) * | 2015-12-07 | 2017-06-15 | ファナック株式会社 | コアシートの積層動作を学習する機械学習器、積層コア製造装置、積層コア製造システムおよび機械学習方法 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106945041B (zh) * | 2017-03-27 | 2019-08-20 | 华南理工大学 | 一种冗余度机械臂重复运动规划方法 |
| CN107490958B (zh) * | 2017-07-31 | 2020-06-19 | 天津大学 | 一种五自由度混联机器人的模糊自适应控制方法 |
| CN110076770B (zh) * | 2019-03-28 | 2022-12-06 | 陕西理工大学 | 一种用于冗余机械臂的自运动方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2629291B2 (ja) * | 1988-08-19 | 1997-07-09 | 日本電信電話株式会社 | マニピュレータ学習制御方法 |
| JPH02211576A (ja) * | 1989-02-10 | 1990-08-22 | Nippon Telegr & Teleph Corp <Ntt> | 自己組織化装置 |
| JPH0349845A (ja) * | 1989-07-13 | 1991-03-04 | Omron Corp | 適応制御装置 |
| JPH0415704A (ja) * | 1990-05-02 | 1992-01-21 | Nippon Telegr & Teleph Corp <Ntt> | 小口径トンネルロボットの非線形方向制御システムの同定方法およびシミユレート方法 |
-
1992
- 1992-02-25 JP JP3745492A patent/JPH05233042A/ja active Pending
-
1993
- 1993-02-03 WO PCT/JP1993/000132 patent/WO1993017375A1/ja active Application Filing
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013166222A (ja) * | 2012-02-16 | 2013-08-29 | Seiko Epson Corp | ロボット制御装置、ロボット制御方法およびロボット制御プログラムならびにロボットシステム |
| JP2017107902A (ja) * | 2015-12-07 | 2017-06-15 | ファナック株式会社 | コアシートの積層動作を学習する機械学習器、積層コア製造装置、積層コア製造システムおよび機械学習方法 |
| US10500721B2 (en) | 2015-12-07 | 2019-12-10 | Fanuc Corporation | Machine learning device, laminated core manufacturing apparatus, laminated core manufacturing system, and machine learning method for learning operation for stacking core sheets |
Also Published As
| Publication number | Publication date |
|---|---|
| WO1993017375A1 (en) | 1993-09-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5114019B2 (ja) | エフェクタの軌道を制御するための方法 | |
| Xiao et al. | Sensor-based hybrid position/force control of a robot manipulator in an uncalibrated environment | |
| Vijayakumar et al. | Statistical learning for humanoid robots | |
| JPH09109072A (ja) | 冗長マニピュレータの制御方法 | |
| Ochoa et al. | Impedance control architecture for robotic-assisted mold polishing based on human demonstration | |
| JP2019509907A (ja) | 機械システムの制御方法，機械システム用コントローラ，ロボットマニピュレータ，および非一時的なコンピュータ可読記憶媒体 | |
| JP2007512596A (ja) | 相互依存ユニットから形成されたシステムを制御する方法 | |
| JPH0562363B2 (ja) | ||
| JP2019155556A (ja) | ロボットの制御装置、ロボット、ロボットシステム、並びに、カメラの校正方法 | |
| WO2017132905A1 (zh) | 控制运动系统的方法和装置 | |
| JP2767417B2 (ja) | ロボツト制御装置 | |
| EP0465661B1 (en) | Method and apparatus for controlling an articulated robot having redundancy | |
| Elsayed et al. | Mobile manipulation using a snake robot in a helical gait | |
| JPH0789286B2 (ja) | 多関節マニピユレ−タの作業原点決定方法 | |
| JPH05233042A (ja) | 冗長自由度ロボットの姿勢制御方式 | |
| JP2629291B2 (ja) | マニピュレータ学習制御方法 | |
| JP2703767B2 (ja) | ロボットの教示データ作成方法 | |
| JPH05345291A (ja) | ロボットの動作範囲制限方式 | |
| Lee | Intelligent sensing and control for advanced teleoperation | |
| JPH0693209B2 (ja) | ロボツトの円弧補間姿勢制御装置 | |
| JPH06106490A (ja) | 制御装置 | |
| JP4230196B2 (ja) | 位置決め演算方法および位置決め演算装置 | |
| JP3206765B2 (ja) | マスタスレーブマニピュレータの制御方法 | |
| Fujita et al. | Assembly of blocks by autonomous assembly robot with intelligence (ARI) | |
| JPS63289606A (ja) | 冗長自由度形ロボット |