JPH0699372A

JPH0699372A - ロボット制御装置

Info

Publication number: JPH0699372A
Application number: JP27667992A
Authority: JP
Inventors: Katsuhiro Komuro; 克弘小室; Takao Yoneda; 孝夫米田
Original assignee: Toyoda Koki KK
Current assignee: Toyoda Koki KK
Priority date: 1992-09-21
Filing date: 1992-09-21
Publication date: 1994-04-12

Abstract

(57)【要約】【目的】従来考慮できなかった誤差要因にも対応し得
る、補正精度の高いロボット制御装置を提供する。【構成】位置マトリクス演算手段６０１がロボットの
目標位置マトリクスＭｍを求め、この目標位置マトリク
スＭｍを基に、第１座標逆変換ｆａ演算部によりロボッ
トの各関節の関節角ベクトルΘａを求める。次に、この
関節角ベクトルΘａをニューラルネットワーク４０９に
入力し、この関節角ベクトル算出の基とした上記目標位
置マトリクスＭｍを補正する補正量（補正マトリクスΔ
Ｍｍ）を求め、目標位置補正部６１９が、この補正マト
リクスΔＭｍにより前記目標位置マトリクスＭｍを補正
し、この補正された目標位置マトリクスＭｍ’から、第
２座標逆変換ｆａ演算部６２１がロボットの各関節の関
節角ベクトルΘａ’を求める。そして、この求められた
関節角ベクトルΘａ’を基に位置制御部６２３によりロ
ボット１０を制御する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、ロボット制御装置に関
し、特に、ニューラルネットワークを用いてロボットア
ームの位置補正を行うロボット制御装置に関する。

【０００２】

【従来の技術】産業用ロボットにおける絶対位置決め誤
差は、機械加工誤差、組付け誤差、熱歪等によるロボッ
トアームの寸法の誤差と、自重等による各関節のたわみ
等が原因となっている。従来の産業用ロボットの制御
は、ロボットアームの先端の目標とする位置マトリクス
Ｍｍを求め、この目標位置マトリクスＭｍを、誤差を考
慮した逆変換関数ｆａにより逆変換してロボットの各関
節の制御目標となる関節角ベクトルΘａを求め、各関節
を、この関節角ベクトルΘａを基に動作させロボットを
制御していた。

【０００３】

【発明が解決しようとする課題】上述のように、従来、
目標位置マトリクスＭｍを誤差を考慮して逆変換を行い
制御目標となる関節角ベクトルΘａを求めているが、全
ての誤差要因を考慮してロボットの座標変換を行おうと
すると座標変換が複雑になり、また、ロボットアームの
先端の位置・姿勢から各関節角を求める所謂逆変換は、
数値解析法を用いており、演算量が多くなり解を求める
ことが困難である。このために、従来のロボット制御装
置は、考慮する誤差要因を限定して補正を行っていた。
これについて、更に式により説明する。ここで、Ｍｍ：目標とする位置マトリクスｆａ：誤差を限定して考慮した逆変換関数 Θａ：制御目標となる関節角ベクトルｇｔ：すべての誤差が反映される実際の順変換関数Ｍａ：Θａを基に制御されたロボットアーム先端の位置
マトリクス ΔＭε＝Ｍａ−Ｍｍここで、ΔＭε：絶対位置決め誤差

【０００４】式１に示すように、目標とする位置マトリ
クスＭｍに対し、誤差要因を限定して考慮した逆変換関
数ｆａにより関節角ベクトルΘａを求め、そして、この
関節角ベクトルΘａを基にロボットを制御すると、ロボ
ットアームの先端の位置マトリクスＭａは、関節角ベク
トルΘａを全ての誤差が反映される実際の順変換関数ｇ
ｔにより順変換したものとして表すことができる。しか
し、実際の順変換関数ｇｔには制御の際に考慮できなか
った誤差要因が含まれるため、制御されたロボットアー
ムの位置マトリクスＭａは、目標位置マトリクスＭｍと
一致せず、考慮されなかった誤差分に起因する絶対位置
決め誤差ΔＭεだけの誤差が生じている。

【０００５】本発明は、上記課題を解決するために成さ
れたもので、その目的とするところは、従来考慮できな
かった誤差要因を補正し得る補正精度の高いロボット制
御装置を提供することにある。

【０００６】

【課題を解決するための手段】上記課題を解決するため
の発明の構成は、ロボットの目標位置の位置マトリクス
を求める目標位置マトリクス演算手段と、前記目標位置
マトリクス演算手段により求められた目標位置マトリク
スを基に、ロボットの各関節の関節角ベクトルを求める
第１関節角ベクトル演算手段と、前記関節角ベクトルを
入力として与えると該関節角ベクトル算出の基とした目
標位置マトリクスの補正量を出力するニューラルネット
ワークと、前記目標位置マトリクス演算手段により求め
られた前記目標位置マトリクスを、前記補正量により補
正する補正手段と、前記補正手段により補正された目標
位置マトリクスから、ロボットの各関節の関節角ベクト
ルを求める第２関節角ベクトル演算手段と、前記第２関
節角ベクトル演算手段により求められた関節角ベクトル
を基にロボットを制御する制御手段とからなることを特
徴とする。

【０００７】

【作用】上記の手段によれば、目標位置マトリクス演算
手段がロボットの目標位置マトリクスを求め、この目標
位置マトリクスを基に、第１関節角ベクトル演算手段が
ロボットの各関節の関節角ベクトルを求める。次に、ニ
ューラルネットワークを用いて前記関節角ベクトルを算
出する基となった上記目標位置マトリクスの補正量を求
め、補正手段がこの補正量分、目標位置マトリクス演算
手段により求められた前記目標位置マトリクスを補正
し、この補正された目標位置マトリクスから、第２関節
角ベクトル演算手段がロボットの各関節の関節角ベクト
ルを求める。そして、この求められた関節角ベクトルを
基に制御手段によりロボットを制御する。

【０００８】

【実施例】以下に、本実施例に係るロボット制御装置を
図を参照して説明する。先ず、本実施例のロボット制御
装置により制御される６関節を有するロボット１０につ
いて、図１を参照して説明する。ロボット１０は、ベー
ス１３に固定された脚柱１２に取り付けられた、コラム
１４と、第１アーム１５と、第２アーム１６と、第３ア
ーム１７と、フインガ１９とから構成され、第１関節
ａ、第２関節ｂ、第３関節ｃ、第４関節ｄ、第５関節
ｅ、第６関節ｆにより、６自由度で自在にフインガ１９
の位置及び姿勢を制御できるよう構成されている。

【０００９】次に、ロボット１０を制御する本実施例の
ロボット制御装置の構成を図２を参照して説明する。ロ
ボット１０の位置の演算及び制御を行うＣＰＵ１１に
は、制御指令を入力するオペレーティングボックス２７
及び操作盤２６と、制御情報を記憶する外部記憶装置２
９と、後で詳述するＲＯＭ２０と、ＲＡＭ３０とが接続
されている。更に、ＣＰＵ１１には、第１関節ａを制御
する１軸サーボ制御部４０ａ乃至第６関節を制御する６
軸サーボ制御部４０ｆが接続され、該ＣＰＵ１１は、前
述の操作盤２６等の周辺装置からの入力に応じて、該１
軸サーボ制御部４０ａ乃至６軸サーボ制御部４０ｆに制
御指令を発する。これに応じて各サーボ制御部（４０ａ
〜４０ｆ）は、サーボモータＭ１乃至Ｍ６を回動させ、
第１関節ａ乃至第６関節ｆを動かすことによりロボット
１０を駆動する。各サーボモータＭ１乃至Ｍ６の動き
は、エンコーダＥ１乃至Ｅ６により各々のサーボ制御部
に帰還される。

【００１０】次に、本実施例の補正の考え方を、ロボッ
ト制御装置による制御の説明に先立ち説明する。従来の
産業用ロボットの制御は、従来技術の項で前述したよう
に、ロボットアームの先端の目標とする位置マトリクス
Ｍｍを求め、この目標位置マトリクスＭｍを、誤差を考
慮した逆変換関数ｆａにより、逆変換してロボットの各
関節の制御目標となる関節角ベクトルΘａを求め、これ
を基にロボットを制御していた。関節角ベクトルΘａを
基に制御されたロボットアーム先端の位置マトリクスＭ
ａは、すべての誤差が反映される実際の順変換関数ｇｔ
により関節角ベクトルΘａを順変換することにより求め
られる。ここで、Ｍｍ：目標とする位置マトリクスｆａ：誤差を限定して考慮した逆変換関数 Θａ：制御目標となる関節角ベクトルｇｔ：すべての誤差が反映される実際の順変換関数Ｍａ：Θａを基に制御されたロボットアーム先端の位置
マトリクス

【００１１】ここでは、誤差要因を限定して考慮した逆
変換関数ｆａにより求めた関節角ベクトルΘａを基に、
ロボットを制御しているが、実際に制御されたロボット
の位置マトリクスＭａには、考慮できなかった誤差分が
含まれるため、この誤差分がロボット制御装置の制御誤
差となった。即ち、実際の位置マトリクスＭａを規定す
る順変換関数ｇｔには考慮できなかった誤差分が含ま
れ、逆変換関数ｆａによる逆変換と順変換関数ｇｔによ
る順変換とにより生ずる差が誤差となり、これが制御さ
れたロボットアームの位置マトリクスＭａと、目標位置
マトリクスＭｍとの位置誤差になっていた。

【００１２】これに対して本実施例では、式１に示す制
御されたロボットアームの位置マトリクスＭａが、目標
とする位置マトリクスＭｍに等しくなるように、目標位
置マトリクスＭｍを誤差量（必要な補正量）である補正
マトリクスΔＭｍで補正し、この補正された目標位置マ
トリクスＭｍ' に基づきロボット１０を制御する。この
補正の考え方について以下更に詳細に説明する。

【００１３】先ず、逆変換関数ｆａによる逆変換と順変
換関数ｇｔによる順変換とにより生じる誤差量が必要な
補正量に相当すると考え、逆変換関数ｆａによる逆変換
と順変換関数ｇｔによる順変換とを補正マトリクスΔＭ
ｍと置くと、式１は次式で表すことができる。Ｍｍ・ΔＭｍ＝Ｍａ式２そして、式２から誤差量（補正マトリクス）ΔＭｍは次
式で表される。 ΔＭｍ＝Ｍｍ^-1・Ｍａ式３ここで、誤差量（補正マトリクス）ΔＭｍの逆行列ΔＭ
ｍ^-1を必要な補正量と考え、目標位置マトリクスＭｍに
この補正量ΔＭｍ^-1を掛けたもの（Ｍｍ・ΔＭｍ^-1）を
補正された目標位置マトリクスＭｍ^'と置き、これを式
１に代入すると次式を求めることができる。ここで、Ｍｍ' ：目標位置マトリクスＭｍに補正量ΔＭ
ｍ^-1を掛け補正した目標位置マトリクス Θａ' ：補正された目標位置マトリクスＭｍ' に基づく
制御目標となる関節角ベクトルＭａ' ：関節角ベクトルΘａ' を基に制御されたロボッ
トアーム先端の位置マトリクス

【００１４】上述したように、逆変換関数ｆａによる逆
変換と順変換関数ｇｔによる順変換とを誤差量（補正マ
トリクス）ΔＭｍとし、Ｍｍ^'＝Ｍｍ・ΔＭｍ^-1である
ので、式４は次式と近似していると考えることができ
る。Ｍｍ・ΔＭｍ^-1・ΔＭｍ≒Ｍａ' 式５従って、次式が成立する。Ｍｍ ≒ Ｍａ' 式６式６に示すように、目標位置マトリクスＭｍに補正量Δ
Ｍｍ^-1を掛け、補正した目標位置マトリクスＭｍ^'を基
に制御目標となる関節角ベクトルΘａ' を求め、Θａ'
を基に制御したロボットアーム先端の位置マトリクスＭ
ａ' は、目標位置マトリクスＭｍに略等しい。本実施例
はかかる考え方に基づきロボット制御装置の位置補正を
行う。

【００１５】次に、上記の補正理論に基づく、本実施例
に係るロボット制御装置のニューラルネットワークへの
学習を、ＣＰＵ１１の演算処理の概要をブロック図にし
た図４と、この処理の流れをフローチャートにした図３
とを参照して説明する。先ず、目標位置マトリクスＭｍ
演算部４０１で、ロボット１０を動かす目標位置の位置
マトリクスＭｍを演算する。そして、座標逆変換ｆａ演
算部４０３で、逆変換関数ｆａにより、誤差要因として
荷重及び温度を考慮し、目標位置マトリクスＭｍに対応
するロボットの各関節の関節角ベクトルΘａを演算する
（ステップ３０１）。

【００１６】次に、座標逆変換ｆａ演算部４０３で求め
られたロボットの各関節の関節角ベクトルΘａを、関節
角ベクトルΘａ保持部４０５に保持すると共に、この時
のロボット制御の誤差要因となる荷重、温度等を誤差要
因項目保持部４０７に保持する。そして、この関節角ベ
クトルΘａを基に、ロボット制御部４１１でロボット１
０を動作させる。この動作後に、位置マトリクスＭａ測
定部４１３でロボットアームの実際の先端位置マトリク
スＭａを測定する。そして、補正マトリクスΔＭｍ演算
部４１５で、目標位置マトリクスＭｍの逆行列を求める
と共に、この逆行列と該先端位置マトリクスＭａとから
前述した式３（ΔＭｍ＝Ｍｍ^-1・Ｍａ）を用いて、補正
マトリクスΔＭｍを求める。そして、求められた補正マ
トリクスΔＭｍを補正マトリクスΔＭｍ保持部４１７へ
保持させる。（ステップ３０２）。

【００１７】このステップ３０１及びステップ３０２に
よる補正データの蓄積を複数の位置について行う。そし
て、蓄積された関節角ベクトルΘａと、誤差要因項目と
を入力データとし、補正マトリクスΔＭｍを教師データ
とする学習をニューラルネットワーク４０９に行わせ、
ニューラルネットワーク４０９に関節角ベクトルΘａに
対する補正マトリクスΔＭｍの関係を学ばせる（ステッ
プ３０３）。このステップ３０３のニューラルネットワ
ーク４０９の学習については、後で更に詳細に説明す
る。

【００１８】次に、本実施例に係るロボット制御装置
の、上記の学習が完了したニューラルネットワーク４０
９を用いる制御を、ＣＰＵ１１による演算の概要を示す
図６のブロック図と、この時の処理の流れを示す図５の
フローチャートとを参照して説明する。先ず、目標位置
マトリクスＭｍ演算部６０１で、ロボット１０を動かす
目標位置の位置マトリクスＭｍを演算する。そして、第
１座標逆変換ｆａ演算部６０３で、誤差要因として荷重
及び温度を考慮し、逆変換関数ｆａを用いてロボット１
０の各関節の関節角ベクトルΘａを求める（ステップ５
０１）。

【００１９】次に、座標逆変換ｆａ演算部６０３で求め
られたロボット１０の各関節の関節角ベクトルΘａを、
関節角ベクトルΘａ保持部６０５に保持すると共に、こ
の時のロボット制御の誤差要因となる荷重、温度等を誤
差要因項目保持部６０７へ保持させる。そして、この関
節角ベクトルΘａと誤差要因項目とをニューラルネット
ワーク４０９へ入力して、該関節角ベクトルΘａ及びこ
の時の誤差要因に対する補正マトリクスΔＭｍを取得
し、これを補正マトリクスΔＭｍ保持部６１７に保持さ
せる（ステップ５０２）。そして、目標位置補正部６１
９で、補正マトリクスΔＭｍ保持部６１７に保持された
補正マトリクスΔＭｍの逆行列ΔＭｍ^-1を求め、これを
目標位置マトリクス演算部６０１で求められた目標位置
マトリクスＭｍに掛けることにより、補正された目標位
置マトリクスＭｍ’（Ｍｍ’＝Ｍｍ・ΔＭｍ^-1）を求め
る（ステップ５０３）。最後に、第２座標逆変換ｆａ演
算部６２１で、補正された目標位置マトリクスＭｍ’を
基に、誤差要因として荷重及び温度を考慮し、逆変換関
数ｆａを用いてロボット１０の第１関節ａ乃至第６関節
ｆの関節角ベクトルΘａ’を求める。そして、位置制御
部６２３が、求められた関節角ベクトルΘａ’を基に、
前述した１軸サーボ制御部４０ａ乃至６軸サーボ制御部
４０ｆに指令を発し、これに応じて１軸サーボ制御部４
０ａ乃至６軸サーボ制御部４０ｆがサーボモータＭ１乃
至Ｍ６を駆動することにより第１関節ａ乃至第６関節ｆ
が動かされ、ロボット１０の位置及び姿勢の制御が行わ
れる（ステップ５０４）。

【００２０】本実施例では、ニューラルネットワーク４
０９に学習させる際に、目標位置マトリクスＭｍから関
節角ベクトルΘａを求め、この関節角ベクトルΘａをニ
ューラルネットワーク４０９に与え、関節角ベクトルΘ
ａ算出の基礎とした目標位置マトリクスＭｍに対する補
正量（補正マトリクスΔＭｍ）を得るようにしたため、
目標位置マトリクスから直接補正マトリクスを得るよう
にした構成と比較して学習が簡単である利点がある。更
に、この実施例では、関節角ベクトルΘａをニューラル
ネットワークに与え補正マトリクスΔＭｍを得るように
したため誤差要因を減らすことが可能となった。これ
は、目標位置マトリクスＭｍに対する関節角ベクトルΘ
ａは複数存在するため、目標位置マトリクスを直接ニュ
ーラルネットワークに与えると、複数存在する関節角ベ
クトルΘａが誤差要因となるのに対して、本実施例では
関節角ベクトルΘａをニューラルネットワークに与えて
おり、この関節角ベクトルΘａによる決まるロボットの
先端位置は１つだからである。

【００２１】次に、前述した本実施例に係るロボット制
御装置のニューラルネットワーク４０９の学習及びこれ
による演算について更に詳細に説明する。１．ニューラルネットワークの構成、本実施例のニューラルネットワークは、図２に示すＣＰ
Ｕ１１、ＲＯＭ２０、ＲＡＭ３０から成るコンピュータ
システムで構成されている。ＲＯＭ２０には入力データ
と教師データの蓄積を管理する制御プログラムの記憶さ
れた制御プログラム領域２１と、ニューラルネットワー
クの演算プログラムの記憶されたニューラルネットワー
ク領域２２と、ニューラルネットワークに学習させるた
めのプログラムの記憶された学習プログラム領域２３と
が形成されている。また、ＲＡＭ３０には、図４に関連
して前述した関節角ベクトルΘａ保持部４０５に蓄積さ
れた関節角ベクトルΘａと、誤差要因項目保持部４０７
に蓄積された温度、荷重等の誤差項目を入力データとし
て記憶する入力データ記憶領域３１と、同様に補正マト
リクスΔＭｍ保持部４１７に蓄積された補正マトリクス
ΔＭｍを教師データとして記憶する教師データ記憶領域
３２と、ニューラルネットワークの結合係数を記憶する
結合係数記憶領域３３とが形成されている。

【００２２】２．ニューラルネットワーク本実施例のニューラルネットワーク４０９は、図７に示
すように、入力層ＬＩと出力層Ｌ０と中間層ＬＭの３層
構造に構成されている。入力層ＬＩはｅ個の入力素子を
有し、出力層Ｌ０はｇ個の出力素子を有し、中間層ＬＭ
はｈ個の出力素子を有している。

【００２３】多層構造のニューラルネットワークは、一
般的に、次の演算を行う装置として定義される。第ｉ層
の第ｊ番目の素子の出力Ｏⁱ _jは、次式で演算される。
但し、ｉ≧２である。

【００２４】但し、Ｖⁱ _jは第ｉ層の第ｊ番目の演算素
子のバイアス、Ｗ^i-1 _k, ⁱ _jは、第ｉ−１層の第ｋ番目
の素子と第ｉ層の第ｊ番目の素子各の結合係数、Ｏ¹ _j
は第１層の第ｊ番目の素子の出力値を表す。即ち、第１
層であるから演算を行うことなく、そのまま入力を出力
するので、入力層（第１層）の第ｊ番目の素子の入力値
でもある。

【００２５】次に、図７に示す３層構造のニューラルネ
ットワーク４０９の具体的な演算手順について、図８を
参照して説明する。各層の演算は、ＲＡＭ３０の結合係
数記憶領域３３に記憶されている結合係数を参照しつ
つ、ＲＯＭ２０のニューラルネットワーク領域２２に記
憶されたプログラムを実行することによって行われる。
ステップ１００において、中間層（第２層）の第ｊ番目
の素子は、入力層（第１層）の各素子からの出力値Ｏ¹
_j（第１層の入力データ）を入力して、式８を層番号と
第１層の素子数を用いて具体化した次式の積和演算を行
う。

【００２６】次に、ステップ１０２において、次式によ
り、式１０の入力値の積和関数値のシグモンド関数によ
り、中間層（第２層）の各素子の出力が演算される。第
２層の第ｊ番目の素子の出力値は次式で演算される。Ｏ² _j＝ｆ（Ｉ² _j）＝１／｛１＋ｅｘｐ( −Ｉ² _j) ｝式１１この出力値Ｏ² _jは出力層（第３層）の各素子の入力値
となる。

【００２７】次に、このステップ１０４において、出力
層（第３層）の各素子の入力値の積和演算が実行され
る。次に、ステップ１０６において、式１１と同様にシグモ
ンド関数により、出力層の各素子の出力値Ｏ³ _jが演算
される。Ｏ³ _j＝ｆ（Ｉ³ _j）＝１／｛１＋ｅｘｐ( −Ｉ³ _j) ｝式１３

【００２８】３．入力データと教師データの構造ニューラルネットワークの更新学習に使用されるデータ
は、図１０に示すようなデータベースに構成されてい
る。入力データは、Ｄ₁ ・・・Ｄ_nであり、対応する
教師データは、Ｅ₁・・・Ｅ_nである。このｎ個の入力
データは、図３及び図４に関して前述したステップ３０
１、３０２及び３０３で取得し、関節角ベクトルΘａ保
持部４０５に保持された関節角ベクトルΘａ及び誤差要
因項目保持部４０７に保持した誤差要因となる温度、荷
重等であり、そして、このｎ個の教師データは補正マト
リクスΔＭｍ保持部４１７に保持された補正マトリクス
ΔＭｍである。そしてこれらのデータは、それぞれ、Ｒ
ＡＭ３０の入力データ記憶領域３１及び教師データ記憶
領域３２に記憶されている。

【００２９】この入力データは次のように定義される。
ｅ個の入力素子のそれぞれに与えられるｅ個のデータを
１組のデータとして考える。そして、任意の第ｍ番目の
１組の入力データをＤ_mで表し、その組に属する第ｊ番
目の入力素子に対する入力データをｄ_mjで表す。Ｄ_mは
ベクトルを表し、ｄ_mjはそのベクトルの成分である。即
ち、Ｄ_mは次式で定義される。Ｄ_m＝（ｄ_m1，ｄ_m2，・・・・ｄ_me-1，ｄ_me）式１４又、ｎ組の入力データはＤ₁，Ｄ₂，・・・Ｄ_n-1，Ｄ
_nで表される。以下、全ｎ組の入力データ群は、入力デ
ータ群Ｄと表記される。尚、入力データＤ_mに対して式
１０を用いる場合には、式１０のＯ¹ _kに、成分ｄ_mkが
代入される。

【００３０】同様に、Ｅ₁，・・・Ｅ_nは、次のように
定義される。出力層ＬＯに関して、ｇ個の出力素子のそ
れぞれからの出力に対する教師データを１組のデータと
して考える。そして、任意の第ｍ番目の１組の教師デー
タをＥ_mで表し、その組に属する第ｊ番目の出力素子に
対する教師データをｅ_mjで表す。Ｅ_mはベクトルを表
し、ｅ_mjはそのベクトルの成分である。即ちＥ_mは次式
で定義される。Ｅ_m＝（ｅ_m1，ｅ_m2，・・・・ｅ_mg-1，ｅ_mg）式１５また、ｎ組の教師データはＥ₁，Ｅ₂，・・・・
Ｅ_n-1，Ｅ_nで表される。以下全ｎ組の教師データ群
は、教師データ群Ｅと表記される。

【００３１】４．ニューラルネットワークの学習このニューラルネットワークは、初期学習として、ＲＯ
Ｍ２０の学習プログラム領域２３に記憶された図９に示
す手順のプログラムが実行されることにより学習され
る。結合係数の学習は良く知られたバックプロパーゲー
ション法により実行される。

【００３２】この学習は、各種の事象に関する多数の入
力データに対して、それぞれの出力が、それぞれの最適
な教師データとなるように、繰り返し実行される。これ
らの入力データ及び教師データは、前述したようにそれ
ぞれ、入力データ記憶領域３１及び教師データ記憶領域
３２に記憶されている。

【００３３】図９のステップ２００において、データ番
号ｉが初期値１に設定され、出力素子の番号ｊ（教師デ
ータの成分番号ｊ）が初期値の１に設定される。次にス
テップ２０２へ移行して、第ｉ番目の入力データＤｉと
第ｉ番目の教師データＥｉが入力データ記憶領域３１と
教師データ記憶領域３２とから抽出される。

【００３４】次にステップ２０６へ移行して、次式によ
り出力層の読みだされた第ｉ番目の教師データＥｉの第
ｊ成分ｅ_ijに対応した素子の学習信号が演算される。Ｙ³ _j＝（ｅ_ij−Ｏ³ _j) ・ｆ' （Ｉ³ _j）式１６但し、Ｙ³ _j、Ｏ³ _j、Ｉ³ _jでは、データ番号ｉは省
略されている。ｆ'(X)はシグモンド関数の導関数であ
る。又、Ｉ³ _jは、入力データＤ_iの各成分を式１０の
Ｏ¹ _k代入して、中間層のの全ての素子に関しＩ² _kを
求め、Ｉ² _kを式１１に代入して中間層の全ての素子に
関して出力Ｏ² _kを求め、その全てのｋに関してＯ² _k
を式１２に代入して求められる。又、Ｏ³ _jは、Ｉ³ _j
を式１３に代入して求められる。

【００３５】次に、ステップ２１０において、全出力素
子について、学習信号が演算されたか否かが判定され、
判定結果がＮＯの場合には、ステップ２１２において、
素子番号ｊが１だけ加算され、ステップ２０６へ戻り、
次の出力素子に関する学習信号が演算される。ステップ
２１０で全出力素子に関する学習信号の演算が完了した
と判定されると、ステップ２１４において、中間層の任
意の第ｒ番目の素子に関する学習信号Ｙが次式で演算さ
れる。このような学習演算が、中間層の全素子に関して実行さ
れる。

【００３６】次に、ステップ２１６において、出力層の
各結合係数が補正される。補正量は次式で求められる。 Δω² _i, ³ _j（ｔ）＝Ｐ・Ｙ³ _j・ｆ（Ｉ² _i）＋Ｑ・Δω² _i, ³ _j（ｔ−１）式１８但し、Δω² _i, ³ _j（ｔ）は、出力層の第ｊ番目の素子
と中間層の第ｉ番目の素子との間の結合係数の第ｔ回目
演算の変化量である。又、Δω² _i, ³ _j（ｔ−１）は、
その結合係数の前回の補正量である。Ｐ、Ｑは比例定数
である。よって結合係数は、Ｗ² _i, ³ _j＋Δω² _i, ³ _j（ｔ）→ Ｗ² _i, ³ _j 式１９により、補正された結合係数が求められる。

【００３７】次に、ステップ２１８へ移行して、中間層
の各素子の各結合係数が補正される。その結合係数の補
正量は出力層の場合と同様に、次式で求められる。 Δω¹ _i, ² _j（ｔ）＝Ｐ・Ｙ² _j・ｆ（Ｉ¹ _i）＋Ｑ・Δω¹ _i, ² _j（ｔ−１）式２０よって結合係数は、Ｗ¹ _i, ² _j＋Δω¹ _i, ² _j（ｔ）→ Ｗ¹ _i, ² _j 式２１により、補正された結合係数が求められる。

【００３８】次に、ステップ２２０において、学習対象
のｎ個の入力データ及び教師データに対して１回の学習
が完了したか否かが判定される。全ての入力データに対
する学習が終了していない場合には、ステップ２２２へ
移行して、次の入力データとその入力データに対応する
教師データを入力データ記憶領域３１と教師データ記憶
領域３２から読み込むためにデータ番号ｉが１だけ加算
され、成分番号ｊは初期値の１に設定される。そして、
ステップ２０２へ戻り、次の入力データ及び教師データ
を用いて上記した学習が実行される。

【００３９】ステップ２２０でｎ個全部の入力データ及
び教師データに関して学習が完了したと判定されると、
ステップ２２４に移行して、出力データと教師データの
差の自乗の値が所定の値以下になったか否かの判定によ
り、結合係数が収束したか否かが判定される。結合係数
が収束していなければ、ステップ２００に戻り、第２回
目の学習を行うために、第１番目の入力データ及び教師
データから上述した学習が実行される。

【００４０】このようにして、ステップ２２４におい
て、出力データと教師データの差の自乗の値が所定の値
以下となり、学習が収束するまで、上記の学習演算が繰
り返し実行される。この結果、初期の広範囲の事象に関
して初期学習されたニューラルネットワークが完成され
る。この学習の結果、本実施例のニューラルネットワー
ク４０９は、図６に示すように、関節角ベクトルΘａを
入力することにより必要な補正マトリクスΔＭｍを演算
することが可能となる。

【００４１】なお、以上説明した実施例においては、ロ
ボット先端の位置及び姿勢を補正する例について説明し
たが、本発明は、姿勢を問題としないロボットの制御を
行う際には、ポジションベクトル（ｘ，ｙ，ｚ）のみを
ニューラルネットワークに学習させて補正を行うように
もできる。かかる方式は全体の構成を簡略化できる利点
がある。また、本実施例では、逆変換関数ｆａで逆変換
を行う際に誤差要因として温度及び荷重を考慮したが、
本発明では、逆変換関数ｆａで前もって考慮する誤差要
因はこれらに限定されず、更には全く誤差要因を考慮し
なくても、ニューラルネットワークにより誤差を補正す
ることが可能である。

【００４２】更に、本実施例では、入力層ＬＩ、中間層
ＬＭ、出力層ＬＯからなる３層構造のニューラルネット
ワークを例に取ったが、本発明のニューラルネットワー
クはかかる構成に限定されず、必要な学習を行い得るい
かなる構成のニューラルネットワークでも本発明の所期
の目的を達成できる。また、本実施例の補正の考え方を
説明する際に、説明の便宜のために数式を挙げて説明し
たが、本発明はこれら数式に限定されるものではない。

【００４３】

【発明の効果】本発明は、以上説明したように構成され
ており、従来考慮できなかった誤差要因をニューラルネ
ットワークにより学習させ補正を行うため、補正精度を
向上させることができる。また本発明は、ニューラルネ
ットワークに学習させる際に、目標位置マトリクスから
関節角ベクトルを求め、この関節角ベクトルをニューラ
ルネットワークに与え、関節角ベクトルに対応する補正
マトリクスを得るようにしたため、目標位置マトリクス
から直接補正マトリクスを得るようにした構成と比較し
て学習が簡単である利点がある。更に、本発明では、関
節角ベクトルに対する補正マトリクスを得るようにした
ため誤差要因を減らすことが可能となる。これは、目標
位置マトリクスに対する関節角ベクトルは複数存在する
が、関節角ベクトルにより決まるロボットの先端位置は
一つだからである。

【図面の簡単な説明】

【図１】本発明の一実施例に係るロボットの機械的構成
を示す構成図。

【図２】図１に示すロボットを制御する本実施例に係る
ロボット制御装置の構成を示したブロック図。

【図３】本実施例に係るロボット制御装置の学習時の処
理を説明するフローチャート。

【図４】本実施例に係るロボット制御装置の学習時の処
理を説明するブロック図。

【図５】本実施例に係るロボット制御装置の学習後にお
ける制御の処理を説明するフローチャート。

【図６】本実施例に係るロボット制御装置の学習後にお
ける制御の処理を説明するブロック図。

【図７】本実施例に係るロボット制御装置のニューラル
ネットワークの構成を示した構成図。

【図８】図７に示す実施例に係るニューラルネットワー
クの演算手順を示したフローチャート。

【図９】図７に示す実施例に係るニューラルネットワー
クの学習手順を示したフローチャート。

【図１０】ニューラルネットワークの学習に用いられる
入力データと教師データを有するデータベースのデータ
構成を示した構成図。

【符号の説明】

１０ロボット１１ＣＰＵ２０ＲＯＭ３０ＲＡＭ４０９ニューラルネットワーク６０１目標位置マトリクスＭｍ演算部６０３第１座標逆変換ｆａ演算部６０５関節角ベクトルΘａ保持部６０７誤差要因項目保持部６１７補正マトリクスΔＭｍ保持部６１９目標位置補正部６２１第２座標逆変換ｆａ演算部６２３位置制御部ＬＩ入力層ＬＭ中間層ＬＯ出力層

Claims

【特許請求の範囲】

【請求項１】ロボットの目標位置の位置マトリクスを
求める目標位置マトリクス演算手段と、前記目標位置マトリクス演算手段により求められた目標
位置マトリクスを基に、ロボットの各関節の関節角ベク
トルを求める第１関節角ベクトル演算手段と、前記関節角ベクトルを入力として与えると該関節角ベク
トル算出の基とした目標位置マトリクスの補正量を出力
するニューラルネットワークと、前記目標位置マトリクス演算手段により求められた前記
目標位置マトリクスを、前記補正量により補正する補正
手段と、前記補正手段により補正された目標位置マトリクスか
ら、ロボットの各関節の関節角ベクトルを求める第２関
節角ベクトル演算手段と、前記第２関節角ベクトル演算手段により求められた関節
角ベクトルを基にロボットを制御する制御手段とからな
ることを特徴とするロボット制御装置。