JPH0635525A - ロボットアームの制御方法 - Google Patents
ロボットアームの制御方法Info
- Publication number
- JPH0635525A JPH0635525A JP21365692A JP21365692A JPH0635525A JP H0635525 A JPH0635525 A JP H0635525A JP 21365692 A JP21365692 A JP 21365692A JP 21365692 A JP21365692 A JP 21365692A JP H0635525 A JPH0635525 A JP H0635525A
- Authority
- JP
- Japan
- Prior art keywords
- arm
- robot arm
- value
- neural network
- acceleration
- 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
Landscapes
- Vibration Prevention Devices (AREA)
- Feedback Control In General (AREA)
- Numerical Control (AREA)
- Manipulator (AREA)
Abstract
(57)【要約】
【目的】 ロボット稼動時に生じるアームの振動を、特
別なセンサ等を用いることなく効果的に抑制可能とす
る。 【構成】 ロボットアーム先端に、その加速度を検出す
るセンサを設け、該センサの出力を教示信号としてニュ
ーラルネットワーク14にて推定したアーム先端加速度の
推定値が教示信号と一致又はその許容範囲内の値となる
ようニューラルネットワーク14に学習を行わせた後、こ
の学習時のデータに基づきアーム先端加速度を推定さ
せ、この推定値を線形コントローラ11の出力に負帰還さ
せ、その結果をアーム駆動用のモータ12に対するサーボ
アンプの入力値とする。
別なセンサ等を用いることなく効果的に抑制可能とす
る。 【構成】 ロボットアーム先端に、その加速度を検出す
るセンサを設け、該センサの出力を教示信号としてニュ
ーラルネットワーク14にて推定したアーム先端加速度の
推定値が教示信号と一致又はその許容範囲内の値となる
ようニューラルネットワーク14に学習を行わせた後、こ
の学習時のデータに基づきアーム先端加速度を推定さ
せ、この推定値を線形コントローラ11の出力に負帰還さ
せ、その結果をアーム駆動用のモータ12に対するサーボ
アンプの入力値とする。
Description
【０００１】
【産業上の利用分野】本発明は主に多関節型のロボット
アームにおける動作中の振動を抑制するための制御方法
に関する。
アームにおける動作中の振動を抑制するための制御方法
に関する。
【０００２】
【従来の技術】近年多くの産業分野で、加工又は組立作
業の無人化を図り、また劣悪な環境化での各種作業の実
施を可能とすべく種々の産業用ロボットが用いられてい
る。このような産業用ロボットにおいては、実際に作業
を行うロボットアームが多くの自由度を有することが切
望されており、この切望に応え得るものとして、複数の
アームを各別の関節を介して連結し、全体として人間の
腕と同等、又はこれを超える自由度での動作を可能とし
た多関節型のロボットアームが開発されている。
業の無人化を図り、また劣悪な環境化での各種作業の実
施を可能とすべく種々の産業用ロボットが用いられてい
る。このような産業用ロボットにおいては、実際に作業
を行うロボットアームが多くの自由度を有することが切
望されており、この切望に応え得るものとして、複数の
アームを各別の関節を介して連結し、全体として人間の
腕と同等、又はこれを超える自由度での動作を可能とし
た多関節型のロボットアームが開発されている。
【０００３】ところがこの種のロボットアームにおいて
は、アームの動作に伴って関節に回転動作が生じたと
き、関節への駆動力の伝達系又はアーム自体の剛性不
足、並びにこれらの慣性等に起因する振動の発生が避け
られず、アームが所定の目標位置に整定するまでに長い
時間を要するという問題があった。
は、アームの動作に伴って関節に回転動作が生じたと
き、関節への駆動力の伝達系又はアーム自体の剛性不
足、並びにこれらの慣性等に起因する振動の発生が避け
られず、アームが所定の目標位置に整定するまでに長い
時間を要するという問題があった。
【０００４】このような振動抑制のための制御方法とし
ては、従来次の３つの方法が知られている。第１の方法
は加速度フィードバック法であり、この方法はアームに
加速度センサを取付け、該アームの動作中に生じる実際
の振動を検出し、この検出結果を関節の駆動源（モー
タ）への動作指令にフィードバックする方法である。と
ころがこの方法においては、前記加速度センサ及びその
出力信号の処理系を必要とし、制御系全体の構成の複雑
化により調整の困難さを招来すると共に、コスト高にな
るという難点があった。
ては、従来次の３つの方法が知られている。第１の方法
は加速度フィードバック法であり、この方法はアームに
加速度センサを取付け、該アームの動作中に生じる実際
の振動を検出し、この検出結果を関節の駆動源（モー
タ）への動作指令にフィードバックする方法である。と
ころがこの方法においては、前記加速度センサ及びその
出力信号の処理系を必要とし、制御系全体の構成の複雑
化により調整の困難さを招来すると共に、コスト高にな
るという難点があった。
【０００５】また第２の方法は状態フィードバック法で
あり、この方法は制御対象となるロボットアームを線形
近似によりモデル化し、このモデルから動作中のアーム
各部の状態を推定して、これらを関節の駆動源（モー
タ）への動作指令にフィードバックして制御系全体の極
配置を設定する手法である。ところがこの方法において
は、前記線形近似によるモデル化が容易ではなく、また
得られた状態量の夫々をフィードバックする際の各別の
フィードバック定数の最適化手法はあるものの、この手
法による解は無限個存在し、振動の効果的な抑制のため
の満足すべきフィードバック定数の決定に試行錯誤を必
要とし、多大の手間を要するという難点があった。
あり、この方法は制御対象となるロボットアームを線形
近似によりモデル化し、このモデルから動作中のアーム
各部の状態を推定して、これらを関節の駆動源（モー
タ）への動作指令にフィードバックして制御系全体の極
配置を設定する手法である。ところがこの方法において
は、前記線形近似によるモデル化が容易ではなく、また
得られた状態量の夫々をフィードバックする際の各別の
フィードバック定数の最適化手法はあるものの、この手
法による解は無限個存在し、振動の効果的な抑制のため
の満足すべきフィードバック定数の決定に試行錯誤を必
要とし、多大の手間を要するという難点があった。
【０００６】更に第３の方法は、駆動系の各部に機械的
なダンピング（摩擦）を付加する方法であり、この方法
は振動抑制のためには有効であるが、各部の摩擦増加に
よりロボットアームの動作効率の低下を招来する上、各
部における発熱が大きくなる問題があった。
なダンピング（摩擦）を付加する方法であり、この方法
は振動抑制のためには有効であるが、各部の摩擦増加に
よりロボットアームの動作効率の低下を招来する上、各
部における発熱が大きくなる問題があった。
【０００７】本発明は斯かる事情に鑑みてなされたもの
であり、その目的とするところはニューラルネットワー
クを用いることでアームの動作時に生じる振動を特殊な
センサ等のハードを用いることなく、ソフト上の制御で
効果的に抑制出来るロボットアームの制御方法を提供す
ることにある。
であり、その目的とするところはニューラルネットワー
クを用いることでアームの動作時に生じる振動を特殊な
センサ等のハードを用いることなく、ソフト上の制御で
効果的に抑制出来るロボットアームの制御方法を提供す
ることにある。
【０００８】
【課題を解決するための手段】本発明に係るロボットア
ームの制御方法は、回転駆動可能な多関節ロボットアー
ムの制御方法において、ニューラルネットワークを用い
てロボットアームの加速度を推定し、ロボットアームに
取り付けた加速度センサの検出値を教示信号として前記
推定値がこれと一致又は許容範囲内の値となるようニュ
ーラルネットワークに学習を行わせた後、この学習結果
に基づきニューラルネットワークにてロボットアームの
加速度を推定させ、該推定値を前記ロボットアームの駆
動源に対する指令値に負帰還させ、ロボットアームの振
動を抑制すべく制御系にダンピング特性を付与すること
を特徴とする。
ームの制御方法は、回転駆動可能な多関節ロボットアー
ムの制御方法において、ニューラルネットワークを用い
てロボットアームの加速度を推定し、ロボットアームに
取り付けた加速度センサの検出値を教示信号として前記
推定値がこれと一致又は許容範囲内の値となるようニュ
ーラルネットワークに学習を行わせた後、この学習結果
に基づきニューラルネットワークにてロボットアームの
加速度を推定させ、該推定値を前記ロボットアームの駆
動源に対する指令値に負帰還させ、ロボットアームの振
動を抑制すべく制御系にダンピング特性を付与すること
を特徴とする。
【０００９】
【作用】本発明にあってはニューラルネットワークを用
いてロボットアームの加速度を学習させ、この学習結果
に基づき推定したロボットアームの加速度をアーム駆動
源に対する指令値に負帰還させることで、制御系にダン
ピング効果を付与し得て振動を効果的に抑制することが
可能となる。
いてロボットアームの加速度を学習させ、この学習結果
に基づき推定したロボットアームの加速度をアーム駆動
源に対する指令値に負帰還させることで、制御系にダン
ピング効果を付与し得て振動を効果的に抑制することが
可能となる。
【００１０】
【実施例】以下本発明をその実施例を示す図面に基づき
具体的に説明する。図１は作業ロボットの模式図であ
り、図中１はモータ等の駆動源及び制御系を含む基部、
２はアーム、３は各関節部を示している。アーム２は駆
動源であるモータによる関節部３の回転動作にて屈伸，
回転され、先端のマニュピレータによって所定の作業を
実行するようになっている。５はアーム２の先端に装着
された加速度センサであり、ニューラルネットワークの
学習時にロボットアーム２の先端に取り付けられ、実稼
動時には不要であり、通常はアーム２から取り外され
る。
具体的に説明する。図１は作業ロボットの模式図であ
り、図中１はモータ等の駆動源及び制御系を含む基部、
２はアーム、３は各関節部を示している。アーム２は駆
動源であるモータによる関節部３の回転動作にて屈伸，
回転され、先端のマニュピレータによって所定の作業を
実行するようになっている。５はアーム２の先端に装着
された加速度センサであり、ニューラルネットワークの
学習時にロボットアーム２の先端に取り付けられ、実稼
動時には不要であり、通常はアーム２から取り外され
る。
【００１１】本発明方法にあっては図１に示す如くアー
ム２の先端部に加速度センサ５を装着して、実稼動時と
同様の動作を行わせ、この過程でニューラルネットワー
クにてアーム２の先端の振動を推定させると共に、前記
加速度センサ５の出力を教示データとして前記推定値が
教示データと一致又はその許容範囲内の値となるよう学
習した後、加速度センサ５を取り外し、この学習結果に
基づいて逐次アーム先端部の加速度をニューラルネット
ワークに基づいて推定し、この推定値を駆動源に対する
指令値に負帰還させて実稼動を行う。
ム２の先端部に加速度センサ５を装着して、実稼動時と
同様の動作を行わせ、この過程でニューラルネットワー
クにてアーム２の先端の振動を推定させると共に、前記
加速度センサ５の出力を教示データとして前記推定値が
教示データと一致又はその許容範囲内の値となるよう学
習した後、加速度センサ５を取り外し、この学習結果に
基づいて逐次アーム先端部の加速度をニューラルネット
ワークに基づいて推定し、この推定値を駆動源に対する
指令値に負帰還させて実稼動を行う。
【００１２】以下先ず図２に示すブロック線図に基づき
ニューラルネットワークの学習過程を説明する。図２は
本発明方法において行われるニューラルネットワークの
アーム先端加速度の学習過程での制御系を示すブロック
線図である。図２において加え合わせ点で駆動源たるモ
ータ12の速度指令値から現時点でのモータ回転角のフィ
ードバック値を減算してその差を線形コントローラ11に
与える。この線形コントローラ11にて所定のゲインを乗
じることで、台形波状のモータ速度指令を得、これをモ
ータ12へ与える。モータ12の駆動によってロボットアー
ム２を動作させる。ロボットアーム２の先端には加速度
センサ５が設けられており、該加速度センサ５の出力を
教示信号として、この推定値が教示信号と一致又はその
許容範囲内の値となるまでニューラルネットワーク14に
学習を行わせる。
ニューラルネットワークの学習過程を説明する。図２は
本発明方法において行われるニューラルネットワークの
アーム先端加速度の学習過程での制御系を示すブロック
線図である。図２において加え合わせ点で駆動源たるモ
ータ12の速度指令値から現時点でのモータ回転角のフィ
ードバック値を減算してその差を線形コントローラ11に
与える。この線形コントローラ11にて所定のゲインを乗
じることで、台形波状のモータ速度指令を得、これをモ
ータ12へ与える。モータ12の駆動によってロボットアー
ム２を動作させる。ロボットアーム２の先端には加速度
センサ５が設けられており、該加速度センサ５の出力を
教示信号として、この推定値が教示信号と一致又はその
許容範囲内の値となるまでニューラルネットワーク14に
学習を行わせる。
【００１３】次に、ニューラルネットワークの構成につ
いて説明する。図３はニューラルネットワークの原理を
示す説明図である。ニューラルネットワーク14は入力層
Ｉ，中間層Ｍ，出力層Ｏの３層からなる階層構造になっ
ており、入力層Ｉはｎ個のニューロンＩ1 ，Ｉ2 …Ｉn
から、また中間層Ｍはｊ個のニューロンＭ1 ，Ｍ2 …Ｍ
j から、更に出力層Ｏは１個のニューロンＯ1 からなり
、入力層Ｉの各ニューロンＩ1 〜Ｉn と中間層Ｍの各ニ
ューロンＭ1 〜Ｍj との間及び中間層Ｍの各ニューロン
Ｍ1 〜Ｍj と出力層ＯのニューロンＯ1 との間は各々異
なる結合係数で結合している。
いて説明する。図３はニューラルネットワークの原理を
示す説明図である。ニューラルネットワーク14は入力層
Ｉ，中間層Ｍ，出力層Ｏの３層からなる階層構造になっ
ており、入力層Ｉはｎ個のニューロンＩ1 ，Ｉ2 …Ｉn
から、また中間層Ｍはｊ個のニューロンＭ1 ，Ｍ2 …Ｍ
j から、更に出力層Ｏは１個のニューロンＯ1 からなり
、入力層Ｉの各ニューロンＩ1 〜Ｉn と中間層Ｍの各ニ
ューロンＭ1 〜Ｍj との間及び中間層Ｍの各ニューロン
Ｍ1 〜Ｍj と出力層ＯのニューロンＯ1 との間は各々異
なる結合係数で結合している。
【００１４】入力層Ｉには制御周期毎のモータ速度Ｖm
(t) 、モータ加速度ａm (t) 、モータ速度指令値Ｖ
0 (t) 、モータ加速度指令値ａ0 (t) 、これらの値の夫
々１周期前の値Ｖm (t-1) 、ａm (t-1) 、Ｖ0 (t-1) 、
ａ0 (t-1) 、アーム先端加速度の１制御周期前の値ａm
(t-1) 及びモータ電流Ｉm (t）等を入力する。
(t) 、モータ加速度ａm (t) 、モータ速度指令値Ｖ
0 (t) 、モータ加速度指令値ａ0 (t) 、これらの値の夫
々１周期前の値Ｖm (t-1) 、ａm (t-1) 、Ｖ0 (t-1) 、
ａ0 (t-1) 、アーム先端加速度の１制御周期前の値ａm
(t-1) 及びモータ電流Ｉm (t）等を入力する。
【００１５】中間層Ｍの各ニューロンＭ1 ，Ｍ2 ，
Ｍ3 ，…Ｍj は、下記(1) 式で求まる入力層Ｉからの入
力の合計値に基づきシグモイド関数に従ってその出力値
Ｚj （出力値ｚ1 ，ｚ2 ，ｚ3 ，…ｚj の総称）を決定
する。即ち、下記(1) 式に示される如き結合係数ｗi を
重みとした入力値ａi の線形加算値net を求め、その値
を下記(2) 式に示される如きシグモイド関数に代入する
ことによって得られる出力値ｂを各ニューロンＭ1 ，Ｍ
2 〜Ｍj の出力値として決定する。出力層Ｏのニューロ
ンＯ1 は中間層Ｍからの入力の合計値に基づいてその出
力値ｙk たる制御周期目におけるアーム先端加速度ａn
(t) を決定する。この決定も上記した決定と同様にシグ
モイド関数に従って行われる。
Ｍ3 ，…Ｍj は、下記(1) 式で求まる入力層Ｉからの入
力の合計値に基づきシグモイド関数に従ってその出力値
Ｚj （出力値ｚ1 ，ｚ2 ，ｚ3 ，…ｚj の総称）を決定
する。即ち、下記(1) 式に示される如き結合係数ｗi を
重みとした入力値ａi の線形加算値net を求め、その値
を下記(2) 式に示される如きシグモイド関数に代入する
ことによって得られる出力値ｂを各ニューロンＭ1 ，Ｍ
2 〜Ｍj の出力値として決定する。出力層Ｏのニューロ
ンＯ1 は中間層Ｍからの入力の合計値に基づいてその出
力値ｙk たる制御周期目におけるアーム先端加速度ａn
(t) を決定する。この決定も上記した決定と同様にシグ
モイド関数に従って行われる。
【００１６】
【数１】
【００１７】
【数２】
【００１８】次に、バックプロパゲーション則による学
習方法について説明する。バックプロパゲーション則の
学習は前向き演算と後ろ向き演算とに分かれる。前向き
演算では、まず、入力データｘi （入力データの総称）
を入力層Ｉから入力し、前記(1),(2) 式により、中間層
Ｍの各ニューロンＭ1 〜Ｍj の出力値ｚj を求める。そ
して、この出力値ｚj から前記(1),(2) 式に従って、出
力層ＯのニューロンＯ1 の出力値ｙk を求める。
習方法について説明する。バックプロパゲーション則の
学習は前向き演算と後ろ向き演算とに分かれる。前向き
演算では、まず、入力データｘi （入力データの総称）
を入力層Ｉから入力し、前記(1),(2) 式により、中間層
Ｍの各ニューロンＭ1 〜Ｍj の出力値ｚj を求める。そ
して、この出力値ｚj から前記(1),(2) 式に従って、出
力層ＯのニューロンＯ1 の出力値ｙk を求める。
【００１９】後ろ向き演算では、下記(3) 式にて表され
る教示データｔk と出力層Ｏの出力値ｙk との誤差Ｅを
逐次的に減少させるように、中間層Ｍと入力層Ｉとの間
の結合係数ｗji及び出力層Ｏと中間層Ｍとの間の結合係
数ｗkjの変更を行う。
る教示データｔk と出力層Ｏの出力値ｙk との誤差Ｅを
逐次的に減少させるように、中間層Ｍと入力層Ｉとの間
の結合係数ｗji及び出力層Ｏと中間層Ｍとの間の結合係
数ｗkjの変更を行う。
【００２０】
【数３】
【００２１】誤差Ｅを出力層Ｏと中間層Ｍとの間の結合
係数ｗkjによって偏微分すると下記(4) 式の如くなる。
係数ｗkjによって偏微分すると下記(4) 式の如くなる。
【００２２】
【数４】
【００２３】結合係数ｗkjの修正量Δｗkjは、修正量Δ
ｗkjの大きさを制御するパラメータである学習係数ηを
用いて下記(5) 式の如く表される。
ｗkjの大きさを制御するパラメータである学習係数ηを
用いて下記(5) 式の如く表される。
【００２４】
【数５】
【００２５】同様に、誤差Ｅを中間層Ｍと入力層Ｉとの
間の結合係数ｗjiによって偏微分すると、下記(6) 式の
如くなる。
間の結合係数ｗjiによって偏微分すると、下記(6) 式の
如くなる。
【００２６】
【数６】
【００２７】同様に、結合係数ｗjiの修正量Δｗjiは、
修正量Δｗjiの大きさを制御するパラメータである学習
係数ηを用いて下記(7) 式の如く表される。
修正量Δｗjiの大きさを制御するパラメータである学習
係数ηを用いて下記(7) 式の如く表される。
【００２８】
【数７】
【００２９】このようにして、結合係数ｗkjの修正量Δ
ｗkj及び結合係数ｗjiの修正量Δｗjiを求めて結合係数
ｗkj及び結合係数ｗjiを修正する。但し、実際には、学
習の収束を考慮して、１回前の修正量Δｗkj(t-1) ，Δ
ｗji(t-1) を記憶しておいて、下記(8),(9) 式を用いて
修正量Δｗkj(t) ，Δｗji(t) を得る。
ｗkj及び結合係数ｗjiの修正量Δｗjiを求めて結合係数
ｗkj及び結合係数ｗjiを修正する。但し、実際には、学
習の収束を考慮して、１回前の修正量Δｗkj(t-1) ，Δ
ｗji(t-1) を記憶しておいて、下記(8),(9) 式を用いて
修正量Δｗkj(t) ，Δｗji(t) を得る。
【００３０】
【数８】
【００３１】
【数９】
【００３２】バックプロパゲーション則では、以上のよ
うな前向き演算と後ろ向き演算とを全ての学習パターン
について繰り返し、誤差Ｅが十分に小さくなるまで、換
言すれば許容範囲内に縮小されるまで学習を行う。
うな前向き演算と後ろ向き演算とを全ての学習パターン
について繰り返し、誤差Ｅが十分に小さくなるまで、換
言すれば許容範囲内に縮小されるまで学習を行う。
【００３３】次に実稼動を行うが、この実稼動を過程で
は教示データが不要であり、加速度センサ５は取り外
す。図４は実稼動時の制御内容を示すブロック線図であ
る。先ずニューラルネットワーク14の入力層Ｉにおける
各ニューロンＩ1 〜Ｉn に対し、実稼動させつつモータ
速度指令値，モータエンコーダ値から前述したＶm(t),
ａm (t),Ｖ0 (t),ａ0 (t),Ｉm (t),Ｖm (t-1),ａm (t-
1),Ｖ0 (t-1),ａ0 (t-1),ａn (t-1) を求めて入力して
おく。
は教示データが不要であり、加速度センサ５は取り外
す。図４は実稼動時の制御内容を示すブロック線図であ
る。先ずニューラルネットワーク14の入力層Ｉにおける
各ニューロンＩ1 〜Ｉn に対し、実稼動させつつモータ
速度指令値，モータエンコーダ値から前述したＶm(t),
ａm (t),Ｖ0 (t),ａ0 (t),Ｉm (t),Ｖm (t-1),ａm (t-
1),Ｖ0 (t-1),ａ0 (t-1),ａn (t-1) を求めて入力して
おく。
【００３４】次にアーム加速度の推定値ａn (t）を求め
る。この推定値ａn (t）は次回の制御時刻でのニューラ
ルネットワーク14に対する入力ａa (t-1) として用いる
からメモリに格納して保存する。モータ指令値であるモ
ータ回転角度を加え合わせ点で、モータ12に設けてある
エンコーダの出力であるモータ回転角を負帰還させ、そ
の差信号を線形コントローラ11へ与える。線形コントロ
ーラ11においてはこれに所定のゲインを乗じた値Ｖ
C (t) を出力する。この線形コントローラ11の出力であ
るＶC (t) から、前記ニューラルネットワークで求めた
推定値ａn (t) に加速度フィードバックゲインＫN を乗
じた値ＫN ａn (t) を減算し、即ち下記(10)式に示す如
くアーム加速度の推定値ａn (t）を線形コントローラ11
の出力Ｖc (t）に負帰還し、その結果をモータ12のサー
ボアンプに対する入力値Ｖin(t）とする。 Ｖin(t）＝Ｖc (t）−ＫN ・ａn (t） …（10) 但し、ＫN ：加速度フィードバックゲイン これによってモータ12に対するダンピング制御がなさ
れ、アームの振動が抑制されることとなる。
る。この推定値ａn (t）は次回の制御時刻でのニューラ
ルネットワーク14に対する入力ａa (t-1) として用いる
からメモリに格納して保存する。モータ指令値であるモ
ータ回転角度を加え合わせ点で、モータ12に設けてある
エンコーダの出力であるモータ回転角を負帰還させ、そ
の差信号を線形コントローラ11へ与える。線形コントロ
ーラ11においてはこれに所定のゲインを乗じた値Ｖ
C (t) を出力する。この線形コントローラ11の出力であ
るＶC (t) から、前記ニューラルネットワークで求めた
推定値ａn (t) に加速度フィードバックゲインＫN を乗
じた値ＫN ａn (t) を減算し、即ち下記(10)式に示す如
くアーム加速度の推定値ａn (t）を線形コントローラ11
の出力Ｖc (t）に負帰還し、その結果をモータ12のサー
ボアンプに対する入力値Ｖin(t）とする。 Ｖin(t）＝Ｖc (t）−ＫN ・ａn (t） …（10) 但し、ＫN ：加速度フィードバックゲイン これによってモータ12に対するダンピング制御がなさ
れ、アームの振動が抑制されることとなる。
【００３５】図５(a) , 図５(b) は本発明方法と従来方
法との比較試験結果を示すグラフであり、横軸に時間
（×10msec) を、また縦軸に加速度(m/sec2 ）をとって
示してある。グラフ中一点鎖線で示す台形は速度指令
を、また実線は本発明方法に依った場合の、更に破線は
従来方法に依った場合の各結果を示している。なお図５
(a) はアーム長さ750mm,重量10kg, 速度100 ％の場合
を、また図５(b) はアーム長さ750mm,重量10kg, 速度50
％の場合を夫々示している。
法との比較試験結果を示すグラフであり、横軸に時間
（×10msec) を、また縦軸に加速度(m/sec2 ）をとって
示してある。グラフ中一点鎖線で示す台形は速度指令
を、また実線は本発明方法に依った場合の、更に破線は
従来方法に依った場合の各結果を示している。なお図５
(a) はアーム長さ750mm,重量10kg, 速度100 ％の場合
を、また図５(b) はアーム長さ750mm,重量10kg, 速度50
％の場合を夫々示している。
【００３６】図５(a),図５(b) のいずれにおいても本発
明方法に依った場合の振動の減衰時間は夫々21.6×10ms
ec (振幅0.37mm) 、16.2×10msec (振幅0.37mm) である
のに対し、従来方法では夫々154.1 ×10msec (振幅1.48
mm) 、135.1 ×10msec (振幅1.1mm)であり、本発明では
その減衰時間, 振幅ともに大幅に縮小し得ていることが
解る。
明方法に依った場合の振動の減衰時間は夫々21.6×10ms
ec (振幅0.37mm) 、16.2×10msec (振幅0.37mm) である
のに対し、従来方法では夫々154.1 ×10msec (振幅1.48
mm) 、135.1 ×10msec (振幅1.1mm)であり、本発明では
その減衰時間, 振幅ともに大幅に縮小し得ていることが
解る。
【００３７】
【発明の効果】以上の如く本発明方法にあっては、ニュ
ーラルネットワークワークを用いてロボットアームの振
動を推定し、教示信号に基づいて学習することとしてい
るから、実稼動時に特殊なセンサを用いる必要がなく、
設備コストが安価であり、しかも制御ソフトの変更のみ
で振動を効果的に抑制出来、アームの位置決め時間の短
縮化、作業サイクルの高速化が図れる等本発明は優れた
効果を奏する。
ーラルネットワークワークを用いてロボットアームの振
動を推定し、教示信号に基づいて学習することとしてい
るから、実稼動時に特殊なセンサを用いる必要がなく、
設備コストが安価であり、しかも制御ソフトの変更のみ
で振動を効果的に抑制出来、アームの位置決め時間の短
縮化、作業サイクルの高速化が図れる等本発明は優れた
効果を奏する。
【図１】本発明方法を適用した作業ロボットの模式図で
ある。
ある。
【図２】本発明方法において実施するニューラルネット
ワークの学習過程の制御系を示すブロック線図である。
ワークの学習過程の制御系を示すブロック線図である。
【図３】本発明において用いるニューラルネットワーク
の説明図である。
の説明図である。
【図４】本発明方法において実施するニューラルネット
ワークを用いた実稼動時の制御系を示すブロック図であ
る。
ワークを用いた実稼動時の制御系を示すブロック図であ
る。
【図５】本発明方法と従来方法との比較試験結果を示す
グラフである。
グラフである。
１ 基台 ２ アーム ３ 関節部 ５ 加速度センサ 11 線形コントローラ 12 モータ 14 ニューラルネットワーク
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.5 識別記号 庁内整理番号 ＦＩ 技術表示箇所 // Ｇ０５Ｂ 13/02 Ｌ 9131−3Ｈ
Claims (1)
- 【請求項１】 回転駆動可能な多関節ロボットアームの
制御方法において、ニューラルネットワークを用いてロ
ボットアームの加速度を推定し、ロボットアームに取り
付けた加速度センサの検出値を教示信号として前記推定
値がこれと一致又は許容範囲内の値となるようニューラ
ルネットワークに学習を行わせた後、この学習結果に基
づきニューラルネットワークにてロボットアーム加速度
を推定させ、該推定値を前記ロボットアームの駆動源に
対する指令値に負帰還させ、ロボットアームの振動を抑
制すべく制御系にダンピング特性を付与することを特徴
とするロボットアームの制御方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP21365692A JPH0635525A (ja) | 1992-07-16 | 1992-07-16 | ロボットアームの制御方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP21365692A JPH0635525A (ja) | 1992-07-16 | 1992-07-16 | ロボットアームの制御方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0635525A true JPH0635525A (ja) | 1994-02-10 |
Family
ID=16642782
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP21365692A Pending JPH0635525A (ja) | 1992-07-16 | 1992-07-16 | ロボットアームの制御方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0635525A (ja) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006305683A (ja) * | 2005-04-28 | 2006-11-09 | Okuma Corp | 制振手段付工作機械 |
| DE102008062978A1 (de) * | 2008-12-23 | 2010-06-24 | Robert Bosch Gmbh | Handhabungsmaschine und Verfahren zu ihrem Betrieb |
| JP2012171052A (ja) * | 2011-02-22 | 2012-09-10 | Seiko Epson Corp | 水平多関節ロボット及び水平多関節ロボットの制御方法 |
| CN102785046A (zh) * | 2011-05-17 | 2012-11-21 | 发那科株式会社 | 具备学习控制功能的机器人和点焊机器人 |
| JP2013041478A (ja) * | 2011-08-17 | 2013-02-28 | Fanuc Ltd | 学習制御機能を備えたロボット |
| JP6077617B1 (ja) * | 2015-09-25 | 2017-02-08 | ファナック株式会社 | 最適な速度分布を生成する工作機械 |
| CN106557075A (zh) * | 2015-09-28 | 2017-04-05 | 发那科株式会社 | 生成最佳的加速/减速的机床 |
| CN110023857A (zh) * | 2017-11-10 | 2019-07-16 | 三菱电机株式会社 | 伺服控制装置 |
-
1992
- 1992-07-16 JP JP21365692A patent/JPH0635525A/ja active Pending
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006305683A (ja) * | 2005-04-28 | 2006-11-09 | Okuma Corp | 制振手段付工作機械 |
| DE102008062978B4 (de) * | 2008-12-23 | 2019-02-14 | Robert Bosch Gmbh | Handhabungsmaschine und Verfahren zu ihrem Betrieb |
| DE102008062978A1 (de) * | 2008-12-23 | 2010-06-24 | Robert Bosch Gmbh | Handhabungsmaschine und Verfahren zu ihrem Betrieb |
| JP2012171052A (ja) * | 2011-02-22 | 2012-09-10 | Seiko Epson Corp | 水平多関節ロボット及び水平多関節ロボットの制御方法 |
| CN102785046A (zh) * | 2011-05-17 | 2012-11-21 | 发那科株式会社 | 具备学习控制功能的机器人和点焊机器人 |
| US8886359B2 (en) | 2011-05-17 | 2014-11-11 | Fanuc Corporation | Robot and spot welding robot with learning control function |
| CN102785046B (zh) * | 2011-05-17 | 2015-05-13 | 发那科株式会社 | 具备学习控制功能的机器人和点焊机器人 |
| JP2013041478A (ja) * | 2011-08-17 | 2013-02-28 | Fanuc Ltd | 学習制御機能を備えたロボット |
| JP6077617B1 (ja) * | 2015-09-25 | 2017-02-08 | ファナック株式会社 | 最適な速度分布を生成する工作機械 |
| CN106557075A (zh) * | 2015-09-28 | 2017-04-05 | 发那科株式会社 | 生成最佳的加速/减速的机床 |
| JP2017068325A (ja) * | 2015-09-28 | 2017-04-06 | ファナック株式会社 | 最適な加減速を生成する工作機械 |
| US10261497B2 (en) | 2015-09-28 | 2019-04-16 | Fanuc Corporation | Machine tool for generating optimum acceleration/deceleration |
| CN110023857A (zh) * | 2017-11-10 | 2019-07-16 | 三菱电机株式会社 | 伺服控制装置 |
| DE112017001162T5 (de) | 2017-11-10 | 2019-08-14 | Mitsubishi Electric Corporation | Servosteuervorrichtung |
| CN110023857B (zh) * | 2017-11-10 | 2020-06-16 | 三菱电机株式会社 | 伺服控制装置 |
| DE112017001162B4 (de) | 2017-11-10 | 2022-06-15 | Mitsubishi Electric Corporation | Servosteuerungsvorrichtung |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5598076A (en) | Process for optimizing control parameters for a system having an actual behavior depending on the control parameters | |
| JP5225720B2 (ja) | ロボットのモーションの発生及び制御のための装置ならびに方法 | |
| CN110597072B (zh) | 机器人导纳柔顺控制方法及系统 | |
| CN105772917B (zh) | 一种三关节点焊机器人轨迹跟踪控制方法 | |
| JPH0740204B2 (ja) | 多自由度非線形機械システムの制御装置 | |
| CN116533249A (zh) | 基于深度强化学习的机械臂控制方法 | |
| JP2019098439A (ja) | 振動抑制装置 | |
| CN114516060A (zh) | 用于控制机器人装置的设备和方法 | |
| CN113070878B (zh) | 基于脉冲神经网络的机器人控制方法、机器人及存储介质 | |
| US11571810B2 (en) | Arithmetic device, control program, machine learner, grasping apparatus, and control method | |
| Yamawaki et al. | Iterative learning of variable impedance control for human-robot cooperation | |
| JPH0635525A (ja) | ロボットアームの制御方法 | |
| CN107511830B (zh) | 一种五自由度混联机器人控制器参数自适应调整实现方法 | |
| JP3362379B2 (ja) | 力制御装置における力の検出方法 | |
| JP3105694B2 (ja) | マニピュレータ制御方法 | |
| Yıldırım | Adaptive robust neural controller for robots | |
| CN110788859B (zh) | 一种控制器参数全域自适应调节系统 | |
| CN107972029A (zh) | 机械手臂教导控制系统 | |
| JP2929538B2 (ja) | 非線形システム学習制御装置 | |
| JPH08190433A (ja) | 負荷重量推定方法 | |
| CN113459103B (zh) | 一种机械手自动运行时的转角轨迹控制方法及装置 | |
| JPH0643944A (ja) | 防振制御方法 | |
| Hamavand et al. | Trajectory control of robotic manipulators by using a feedback-error-learning neural network | |
| JPH0954608A (ja) | ロボットのシミュレーション方法 | |
| CN118219250A (zh) | 通过逆向强化学习的人类技能学习 |