JPH07501643A

JPH07501643A - 制御パラメータに依存する実際値特性を有するシステムに対する制御パラメータの最適化方法

Info

Publication number: JPH07501643A
Application number: JP5510506A
Authority: JP
Inventors: ノイバウアー，ヴェルナー; ボツィオネク，ジークフリート; メラー，マルクス; ヨピッヒ，マルティン
Original assignee: シーメンスアクチエンゲゼルシヤフト
Priority date: 1991-12-09
Filing date: 1992-12-04
Publication date: 1995-02-16
Also published as: EP0616706A1; EP0616706B1; WO1993012475A1; DE59205627D1; US5598076A

Abstract

(57)【要約】本公報は電子出願前の出願データであるため要約のデータは記録されません。

Description

【発明の詳細な説明】制御パラメータに依存する実際値特性を有するシステムに対する制御パラメータの最適化方法最新の製造装置ではコスト、時間−及び人件費節約の理由により著しく複雑で、当該の精確な動作機能が多数の制御パラメータに依存する製造設備システムが使用される。ここにおいて重要なことは時間に依存して、そのようなシステムの規定特性に関して精確な実際特性を生じさせる制御パラメータが可用であることである。換言すれば、当該パラメータはシステムの実際特性が規定特性にできるだけ精確に相応するようなものでなければならない。

その種システムの若干の例には次のものがある。

−一工具、例えばレーザー又はパリ取り工具（Ｍ工具は加工物の所定の輪郭線に沿ってガイドさるべきものである）を動かすロボットアーム。

−一１つの加工物に１つの所定の温度プロフィールを付与すべき加熱システム。

その種システムを制御し得るためそれの伝達特性を著しく精確に知得し、記述（表現）しなければならない。当該制御のためシステムの伝達特性を比較的高い次数の微分方程式で捕捉表現することを試み得る。機械的システム、例えばロボットアームのようなシステムの場合、当該微分方程式は例えば下記のものにより影響を受けることになる、即ち工具の重量、個々のアームの重量、運動の除土じる慣性モーメント、ロボットアームの個々の関節及びこれに連結された要素部材　 −の位置定めを行なう様式、手法により影響を受けることとなる。上記から明らかなように既知の（変）量によっては著しく複雑な微分方程式が生じることとなる。

さらに困難性があるのは、当該システム、例えばロボットアームが非直線性を有することである。上記非直線性は例えば関節における遊び、変速機における遊び、サーボの位置定めの不精確性に存する。上記量は予見され得ず、従って表現（記述）され得ない。

それに類似して、加熱制御部（コントローラ）の場合、他の非直線性の要因も可能である、例えば絶縁物の熱伝導率、加工物の異なる反射特性、対流の影響、異なる周囲温度等々。

そのような高価な投資物例えばロボットのようなものを、できるだけ長時間生産プロセスにて使用し得るため、当該のシステムのパラメータを決定する方法が存在する（そのためにロボットを使用することなく）。

例えば工具をガイドするロボットアームに対して座標（該座標に沿ってロボットにより当該工具がガイドされるべきである）を設定しなければならない。上記座標の時間シーケンスにてトラッキング軌道が生成される。そのようなｘ−Ｙ座標を決定する方法は例えばロボットアームのシミュレーションによる手法である。

ここにおいてコンピュータにて、当該ロボットアームのすべての既知の量を含むロボットアームのモデルが記述（表現）される、上記記述（表現）は例えば、ロボット加工物、機械の幾何学的特性、運動学的、ダイナミック特性、並びにセンサの特性をも包含する（それらがシミュレーションにとって重要な関連性がある限り）。

これに関連してざらに又重要であることはそのようなシミュレーションモデルにおいてロボットの制御特性も考慮されることである。

上記モデルにはロボットアームの場合において制御パラメータ、ｘ−、ｙ−、そして場合によりＺ−座標も供給される。次いでシミュレーションによってはロボットアームの実際特性が得られ、この実際特性は知られている規定特性即ち軌道の座標と比較され得る。

当該の比較により制御パラメータ、即ち当該のロボットモデルに対する座標を最適化できる。

モデルにて最適化された制御パラメータにより実際の（現実の）ロボットを制御できる。事前に表現（記述）された非直線性に基づき、現実のロボットは規定特性を有しない、換言すれば、規定軌道は多かれ少なかれ精確にロボットアームにより表現（記述）される。

そこで、時間を要するプロセスで、座標、換言すれば現実のロボットに対する制御パラメータを最適化しなければならない、このことは例えばレーザー切断及びパリ取りの際大規模材料の投入使用を要する、それというのは現実の加工物が加工されるからである。ロボットアームにトラッキング軌道をティーチングする他の手法は次のようなティーチイン（ティーチング）手法、即ち、製造プロセスにてロボットが描（べき軌道上位置する個々の座標をポイントごとにアプローチし、そして、すべての座標点が入力された後にダイナミック特性を最適化し、制御パラメータを相応に設定するのである。

制御パラメータ最適化の当該ステップを自動化するのも大いに宥和なこととなる。当該の最適化プロセスを加速的に行なうことを試みる従来の方法はロボットの制御の改善を目標としている。

最も重要な技術のうちの２つは“Ｎｏ１ｉｎｅａｒＣｏｎｔｒｏｌ”　（非直線性制御）理論及び００ｍｐｕｔｅｄ　Ｔｏｒｑｕｅ”　（計算トルク）方式である。第１群に関してはＣａ５ａｒｅｏ及びＭ　ａ　ｒ　１ａｎｏ／ＣＡＳ８４／及びＳｐｏｎｇ／５ｐｏ８６／は直線化されたフィードバックを表現（記述）している。Ｆｒｅｕｎｄ／Ｆｒｅ８２／はロボットダイナミック（動力学特性）の非直線性の減結合のための非直線変換を提案している。それらすべてにおいて前提とされていることは慣性マトリクスが完全に既知であることである。従って当該技術にとって著しく精確な口ポットモデルが必要である。

ロボットダイナミック（動力学特性）のモデルを所望の軌道に沿って計算し得る場合、各関節（リンク）に対する駆動モーメントをロボット制御部により転送される各命令毎に新たに算出し得る。このことは“Ｃｏｍｐｕｔｅｄ　Ｔｏｒｑｕｅ″　（計算トルク）又は“Ｉｎｖｅｒｓｅ　Ｄｙｎａｍｉｃｓ″　（逆（方向）ダイナミック）方法と称せられる（／ＨＯ１８０１゜／Ｌｕｈ８０１）、劣悪なモデリング性に基づき関節（リンク）における遊び及び摩擦、異なったローディング又は慣性効果により惹起されるエラーないし障害が回避され得ない（Ｇｉ１８３）。

別の技術は所謂“Ｍｏｄｅｌ　ＲｅｆｅｒｅｎｃｅＡｄａｐｔｉｖｅ　Ｃｏｎｔｒｏｌ”　（／Ｈｏｒ８０　／　、　／　Ｄ　ｕ　ｂ　７９　／　、　／　Ｂ　ａ　１８３　／　、　／　Ｋ　ｏ　ｉ　８３／、／Ｌｅ　ｉ　８４／、である、当該のアダプティブ手法の場合制御は次のように行われる、即ち、モデル（２次の被減衰系）により計算された実際特性と、ロボットの現行の実際特性との差が最小化されるのである。モデルとの比較（所望の軌道との比較でなく）に基づき当該モデルがあまり精確でない場合は不可避的にエラーが生じざるを得ない。

このようなエラー（誤差）を低減するためアリモト（Ａｒｉｍｏｔｏ）及び他（Ａｒ　１８４１．／Ａｒ　１８５１／）は新たな°’Ｌｅａｒｎｉｎｇ　Ｃｏｎｔｒｏｌ”（学習制御）と称せられる方法を紹介している。

当該の技術に依拠してＰｏｔｔｈａｓｔ及びＴｉｏ／Ｐａｔ９１／はＣＮＣ機械の人、出力信号間の比較に基づき逆（方向）の（ｉｎｖｅｒｓｅ）直線的システムモデルのパラメータをめる。それに引き続いて逆のシステムを使用して、ＣＮＣプログラム（入力信号、制御パラメータ）が実行前に次のように変形修整される、即ち出力信号が所望の軌道と一致するように変形修整される。もとの制御パラメータの変化は当該の手法では各実行の前に実施されなければならない。システムモデルにおける誤差によって規定特性がらの偏差も生ぜしめられる。

モデルにおける非直線性の考慮はシステムモデルの改善に向かっての適当なステップとみなされる。Ｄ。

Ｐｓａｌｔｉｓ　ｅｔ　ａ＋、（／Ｐｓａ８７／、Ｐｓａ８８／）はそのために多層のニューロンネットワーク（これはオンラインで学習され得る）を使用する。

Ｗ、　Ｔ、　Ｍｉ　ｌ　ｌ　ｅ　ｒ　Ｉｌｌなど（／Ｍｉ　１　Ｂ？／。

Ｍ　ｉ　ｌ　８９／、　／Ｍ　ｉ　ｌ　９０／）は作動空間の所定領域にのみ有効な、ロボットダイナミックス（動力学特性）のモデル（該モデルに対して１つのニューラルネットワークが学習される）を使用する。適用される学習ルールはアダティブ素子向けのＷｉｄｒｏｗ−Ｈ。

ｆｆ学習規則に類似している。

制御パラメータに依存する実際特性を呈するシステムに対する制御パラメータ（該制御パラメータはことにシステムの制御に係わるものでない）の最適化のための別の方法は公知でない。

本発明の基礎を成す課題とするところは、当該の制御パラメータに依存して実際特性を存するシステム向けの制御パラメータの最適化方法を提供することにある。上記課題は請求項の範囲ｌの構成要件により解決される。

本発明の方法の特別の利点とするところはシステムの実際特性をただ１度求めて学習しさえすればよく、唯１度適正な制御パラメータを設定しさえすればよいことである。動作中当該システムは最適化された制御パラメータが供給され得、制御されることを要しない。

さらに、本発明の方法において有利にはシステムの制御を改善する試みを行うのではなくて、当該制御パラメータを介してシステムの非直線性をそれについてどのような種霞のものかを知る必要がな（補償し得ることである。

特に有利には学習可能なコンポーネントとしてニューラルネットワークが使用され得る、それというのはそれには十分なコンピュータモデルが存在し、そして非直線性のシステム特性を学習し得るからである。

最小位相特性付のシステムの場合、逆（ｉｎｖｅｒｓｅ）のシステムモデルを学習するのが有利である。

この場合当該の逆システムモデルは安定している。その利点とするところは当該の逆システムモデルを介して参照−偏差により直接的に入力制御パラメータに対する補正量を見出し得ることである。

最小位相−伝達特性を有しないシステムの場合はパラメータ最適化の際２つの同じ順（方向）（ｆｏｒｗａｒｄ）−システムモデルを用いると有利である。その際人為的なパラメータ変化の適用により反復的に制御パラメータに対する最適化された補正量が見出される。

特に有利にはロボットアームに対しての本発明の方法の通用である。それというのは、ロボットコントローラ（制御部）及びロボットアームには多様のシステムモデルが可用であり、そして、当該方法の適用により人間の活動が自動化され得るからである。

本発明の方法の適用は温度プロフィールを生じさせるべき最適パラメータの検出器のためにも行い得る、それというのはその際にも最適の調整操作は時間を要するものだからである。

また、システムの実際特性をめるのにセンサの使用も有利に行い得る、それというのはニューラルネットワークを学習できるデータが直接得られるからである。

又、直線的システム特性を学習し得るニューラルネットワークを有利に使用ることもできる、それというのはそのためのモデルは比較的に簡単であり、且つ、そのようなネットワークもパラメータ最適化の際非直線性を補償するのに部分的に適しているからである。

特に有利にはシステムの非直線性伝送（達）特性をも学習し得るニューラルネットワークを使用する、而して、制御パラメータに対して比較的良好な補正量をめ、以て、制御パラメータに対する最適化要求の数を低減する逆（ｉｎｖｅｒｓｅ）の安定したシステムが引用となる。

ネットワークの動作の改善のため変換器によってはニューラルネットワークに対して、次のような値が用意される、即ち前処理された形態での実際特性からの値及び制御パラメータ（これはある１つの時点でのシステム特性の記述に必要なものである）の値が用意される。

本発明の他のすべての発展形態は各図及び引用請求項に示されている。

図を用いて本発明及びそれの実施例を詳述する。

図１は種々の入力パラメータの供給されるニューネットワークの１つのニューロンにおける学習過程を示し、図２は逆（ｉｎｖｅｒｓｅ）システムの学習の様子を示し。

図３は順（ｆｏｒｗａｒｄ）システムの学習の様子を示す。

図４は逆（方向（ｉｎｖｅｒｓｅ）のシステムモデルによるパラメータ最適化の様子を示す。

図５は２つの同じ順（方向）（ｆｏｒｗａｒｄ）システムモデルによるパラメータ最適化の様子を示す。

図１中にはニューラルネットワークのニューロンを示す。これはΣで表示されている。ニューロンはｑの入力側ｉｎｌ、ｉｎ２．．．ｉｎｑ　（矢印で示す）を存しニューロンのそれぞれの入力側には重み係数Ｗｌ。

Ｗ２．〜Ｗｑをプロットしである。上記ニューロンは出力側ｏｕｔを有する。ｅで示すように実際特性と規定特性との間の測定された誤差は参照（規定）偏差である。

上記出力側ＯＵｔは０ｕｔ＝Ｗ”・ｉｎで計算される。当該ネットワークはＷｉ　ｄ　ｒ　ｏｗ−Ｈｏ　ｆ　ｆのデルタ（Ｄｅｌｔａ）規則によりトレーニング（学習）ｉは（ｌ・・・Ｎ）のうちからランダム的に選択上記において！（１）は例えばロボット軌道の１番目の点における測定された誤差であり、ξは学習インクリメント（ステップ）である、ξは直線的伝達（レスポンス）特性を有するシステムにおいて、できるだけ迅速な収束性を得るには１．０に固定的に保持されるとよい。但し、非直線的伝送特性を有するシステムの場合システムモデルの収束性を達成するのにξは０へ緩慢に低減されなければならない。直線的逆（方向）システムはシステムにて非直線性な場合著しく不安定になりやす（、以てパラメータ最適化には不適であり得る。

図２は逆（ｉｎｖｅｒｓｅ）システムの学習の例を示す。入力パラメータはＵ、で示し、システムの入力パラメータをヱ、でしめす。さらに偏差ｅが示してあり、システムモデル応答は旦。でしめす。システムの学習の際下記が行われる。システムはパラメータ旦。

で励振され、センサはシステム応答としてパラメータＹ６をめる。このパラメータはシステムモデルの入力側（これは図１に示す入力側に相応する）に供給されられる。相応の入力側ｉｎ（ここにはＹ、が供給される）における重み（付け）係数Ｗが次のような状態生起まで変化される即ち、旦。と旦。どの差ができるだけ小になるまで変化される。そのように小になるとシステムモデルは学習（修得）されたのである。

図３には順（方向）（ｆｏｒｗａｒｄ）システムの学習の様子を示す。図２におけると同様にシステムには値パラメータ旦。が供給され出力側から値ヱ。が送出される。但し、図２と異なって、システムモデルには同じ値が供給され、システムモデルにて値ヱ。が生ゼしぬられる。両システム応答即ち１つは実システム較個所にて相互に結合され、偏差ｅを生じる。システムモデルはｅが最小になるまで、学習される、換言すればシステムをシュミレートすべきニューラルネットワークの入力側における重み係数は図１にて詳述した如く相応の手法で適合化される。

図４には逆（方向）（ｉｎｖｅｒｓｅ）システムモデルによるパラメータ最適化の例を示す、ニューラルネットワークは安定状態に移行した後参照誤差の最小化のため用いられ得る。この場合において、システム応答は差、で示し、所望の規定値（設定値）はヱｄで示す、上記僅差、はシステムにてパラメータ且、により生ぜしめられる。美、とＹｄの比較により参照偏差工。

が送出される。この参照偏差はシステムモデルに供給され、当該参照偏差上、と同様にして値ΔＵｋが生ぜしぬられる。この値は制御回路の振動を回避するため直線的にＫで重み付けされ、システムの入力値である入力パラメータ旦、に加えられる。それにより、入カバリ返し最適化過程は！、が先行（事前）設定された値を下回るまで、経過実行される。

図５には２つの同じ順（方向ン　（ｆｏｒｗａｒｄ）−システムモデルによるパラメータの最適化を示す。

学習された直線（線形）システムは２度使用されて、±）２の最小化によっては次のようなａが生ぜしめらが最小化されるようなａが生ぜしぬられる。参照符号は当該図にて図４と同様に使用される。

ａのめられた値によっては次の関係式が得られる。

方向）システムモデルによるパラメータ最適化の場合におけると同様にｅｋ−が事前設定された値を下回るまで実施される。

図６にはロボットアームの規定軌道及び実際軌道及び基礎とされる制御パラメータを用いて本発明の詳細な説明する。

当該の図部分Ａにはロボットアームの規定軌道、換言すればＸＹ座標の形の制御パラメータにより、制御パラメータが示してあり、当該制御パラメータにより生ぜしめられる、ロボットアームの実際特性（該特性はアーム関節における減衰及び遊びを考慮するものである）が記（録）されている、上記図４−Ａは当該ロボットアームのシステムモデルを生成するために使用され得る。

換言すればニューラルネットワークは規定−および実際軌道の相応の差異で学習される。即ち規定軌道のランダムに選択されたトラッキング（パス）点に対して、重み付は係数が、その都度の規定−および実際値の差に依存して学習される。

図６−Ｂには１度制御パラメータを逆（方向）システムモデルを用いて最適化した後の規定軌道の変化の様子が示しである０図６−Ａとの対比から明らかなように、制御パラメータの最適化により実際軌道が規定軌道に既に接近している。

図６０にはニューラルネットワークを６回通渦動作した後の規定−および実際軌道並びに最適化された制御パラメータをしめす。規定−次差異軌道間にもはや差異が認められず、制御パラメータを最適化する繰り返し過程を終了をさせ得る。

５ｏｕｒｃｅｓ　（ソース）／Ａｎｇ９１／　Ｇ、ＡｎｇｅｒｍＧｌｌｅｒ、　Ｇ、Ｄｒｅｃｈｓｌｅｒ、　Ｐ、Ｋｏｌｂｅｎｓｃｈｌａｇ、　Ｊ、Ｌｉｎｄｎｅｒ、　Ｋ、Ｍｏｒｉｔｚｅｎ：　５Ｍ５−Ｅｉｎ　３Ｄ−５ｉｍｕｌａｔｉｏｎｓ−ｓｙｓｔｅｍ　ｚｕｒ　Ｐｌａｎｕｎｇ　ｕｎｄ　Ｐｒｏ−ｇｒａｍｍｇｅｎｅｒｉｅｒｕｎｇ　ｖｏｎ　Ｆｅｒｔｉｇｕｎｇｓａｎｌａｇｅｎ（ＳＭＳ−Ａ　３Ｄ　ｓｉｍｕｌａｔｉｏｎ　ｓｙｓｔｅｍ　ｆｏｒ　ｐｌａｎｎｉｎｇａｎｄ　ｐｒｏｇｒａｍ　ｇｅｎｅｒａｔｉｏｎ　ｆｏｒ　ｍａｎｕｆａｃｔｕｒ−ｉｎｇ　ｓｙｓｔｅｍｓ）、　Ｉｎ　／Ｗｌｏ９１／。

／Ａｒ１８４／　Ｓ、Ａｒｉｍｏｔｏ、　Ｓ、Ｋａｗａｍｕｒａ　ａｎｄ　Ｆ、Ｍｉｙａｚａｋｉ：Ｂｅｔｔｅｒｉｎｇ　０ｐｅｒａｔｉｏｎ　ｏｆ　Ｒｏｂｏｔｓ　ｂｙ　Ｌｅａｒｎ−ｉｎｇ、　Ｊ、　ｏｆ　Ｒｏｂｏｔｉｃ　Ｓｙｓｔｅｍｓ、　Ｖｏｌ、１．　Ｎｏ、２゜ｐｐ、１２３−１４０　（１９８，４）／Ａｒ１８４／　−＋Ｂｅｔｔｅｒｉｎｇ　０ｐｅｒａｔｉｏｎ　ｏｆ　Ｄｙｎａｍｉｃ　Ｓｙｓｔｅｍｓｂｙ　Ｌｅａｒｎｉｎｇ　：Ａ　Ｎｅｗ　Ｃｏｎｔｒｏｌ　ｆｏｒ　Ｓｅｒｖｏｍｅｃｈａｎｉｓｍ　ｏｒ　Ｍｅｃｈａｔｒｏｎｉｃｓ　Ｓｙｓｔｅｍｓ、　Ｐｒｏｃ、　ｏｆ２３ｒｄ　ＩＥＥＥ　ＣＤＣ，Ｌａｓ　Ｖｅｇａｓ　（１９８４）／Ａｒ１８５／　−：Ｃａｎ　Ｍｅｃｈａｎｉｃａｌ　Ｒｏｂｏｔｓ　Ｌｅａｒｎ　ｂｙ　Ｔｈｅｍｓｅｌｖｅｓ？　ｉｎ　Ｈ，Ｈａｎａｆｕｓａ　ａｎｄ　Ｈ，Ｉｎｏｕｅ　（ｅｄｓ、）：　Ｒｏｂｏｔｉｃｓ　Ｒｅ５ｅａｒｃｈ：　Ｔｈｅ　５ｅｃｏｎｄ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｓｙｍｐｏｓｉｕｍ、ｐｐ、Ｉ２７−１３４．ＭＩＴ　Ｐｒｅｓｓ　（１９８／Ａｒ１８９／　Ｓ、Ａｒｉｍｏｔｏ：　ｉｎ　Ｍ、Ｂｒａｄｙ　（ｅｄ、）；　Ｒｏｂｏｔｉｃｓ　５ｃｉｅｎｃｅ、ｐｐ、３４９−３７７、ＭＩＴ　Ｐｒｅｓｓ　（１９８８）／Ａｔｋ８６／　Ｃ，Ｇ、Ａｔｋｅｓｏｎ　ａｎｄ　Ｊ、Ｍｃｌｎｔｙｐｅ：　Ｒｏｂｏｔ　Ｔｒａｊｅｃｔｏｒｙ　Ｌｅａｒｎｉｎｇ　ｔｈｒｏｕｇｈ　Ｐｒａｃｔｉｃｅ、　Ｐｒｏｃ、　ｏｆ１９８６　１ＥＥＥ　（：ｏｎｆ、ｏｎ　Ｒｏｂｏｔｉｃｓ　ａｎｄ　Ａｕｔｏｍａｔｉｏｎ、ｐｐ、１７３７ −１７４２　（＋９８６）／Ｂａ１８３／　Ｍ、Ｂａ１ｅｓｄｔｒｉｎｏ、Ｇ、Ｄｅ　Ｍａｒｉａ　ａｎｄ　５ｃｉａｖｉｃｃｏ：ＡｎＡｄａｐｔｉｖｅＭｏｄｅｌＦｏｌｌｏｗｉｎｇ（：ｏｎｔｒｏｌｆｏｒＲｏｂｏｔ　Ｍａｎｉｐｕｌａｔｏｒｓ、　Ｔｒａｎｓ、　ＡＳＭＥ　Ｊ、　ｏｆ　ＤＳＭＣ，Ｖｏｌ、＋０５．ｐｐ、＋４３−１５１　（１９８３）／Ｂｅｒｇ９１／　Ｊ、Ｏ，Ｂｅｒｇ：　Ｒｏｂｏｔ　Ｃａ１ｉｂｒａｔｉｏｎ　ｆｏｒ　ｏｆｆ−Ｌｉｎｅ　Ｐｒｏｇｒａｍｍｉｎｇ、Ｉｎｄｕｓｔｒｉａｌ　Ｒｏｂｏｔ、Ｖｏｌ、１８゜Ｎｏ、２，１９９１．ｐｐ、２９−３１／ＢＭＷ８９／　Ｎ、Ｎ、：０ｆｆ−１ｉｎｅ　ａｕｆ　ｄｅｎ　Ｐｕｎｋｔ　（ｏｆｆ−１ｉｎｅ　ｏｎｔｈｅ　ｐｏｉｎｔ）、Ｒｏｂｏｔｅｒ、Ｎｏ、４，５ｅｐｔ、１９８９゜ｐＩ）、　２８−３２／Ｃａ５８４／　Ｇ、Ｃａ５ａｒｅｏ　ａｎｄ　Ｒ，Ｍａｒｉｎｏ：　ｏｎ　ｔｈｅ　Ｃｏｎｔｒｏｌｌａｂｉｌｉｔｙ　Ｐｒｏｐｅｒｔｉｅｓ　ｏｆ　Ｅｌａｓｔｉｃ　Ｒｏｂｏｔｓ、６　１ｎｔ、　Ｃｏｎｆ、　ｏｎ　Ａｎａｌｙｓｉｓ　ａｎｄ　Ｏｐｔｉｍｉｚａｔｉｏｎ　。

ｆ　Ｓｙｓｔｅｍｓ、ＩＮＲｉＡ、Ｎ１ｃｅ　（１９８４）／Ｄｕｂ７９／　Ｓ、Ｄｕｂｏｗｓｋｙ　ａｎｄ　Ｄ、Ｔ、Ｄｅｓｆｏｒｇｅｓ：　Ｔｈｅ　Ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　Ｍｏｄｅｌ　Ｒｅｆｅｒｅｎｃｅｄ　Ｃｏｎｔｒｏｌ　ｆｏｒ　Ｒ。

ｂｏｔｓ　Ｍａｎｉｐｕｌａｔｏｒｓ、Ｔｒａｎｓ、ＡＳＭＥ　Ｊ、ｏｆ　ＤＳＭＣ，Ｖｏｌ、１０１．　ｐｐ、ｌ９３−２００　（１９７９）／Ｆｒｅ８２／　Ｅ、Ｆｒｅｕｎｄ：　Ｆａｓｔ　Ｎｏｎ１ｉｎｅａｒ　Ｃｏｎｔｒｏｌ　ｗｉｔｈ　Ａｒｂｉｔｒａｒｙ　Ｐｏ１ｅ−Ｐｌａｃｅａ＋ｅｎｔ　ｆｏｒ　Ｉｎｄｕｓｔｒｉａｌ　Ｒ。

ｂａｔｓ　ａｎｄ　Ｍａｎｉｐｕｌａｔｏｒｓ、Ｉｎｔ、　Ｊ、　ＲｏｂｏｔｉｃｓＲｅｓｅａｒｃｈ、Ｖｏｌ、１．　Ｎｏ、１．　ｐｐ、６５−７８／ＧａＳｃ９０／　Ｆ、Ｇａｒｎｉｃｈ、　Ｈ，Ｓｃｈｗａｒｚ：　Ｌａ５ｅｒｒｏｂｏｔｉｃ　ｆｏｒ３Ｄ　ｃｕｔｔｉｎｇ　ａｎｄ　ｗｅｌｄｉｎｇ、Ｐｒｏｃ、ｏｆ　ｔｈｅ　Ｅｕｒｏｐｅａｎ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　０ｐｔｉｃｓ　（ＥＣＯＩＩ＋）、Ｔｈｅ　Ｈａｇｕｅ　（ＮＬ）、Ｍａｒｃｈ　１９９０／Ｇ１１８３／　Ｅ、Ｇ、Ｇ１１ｂｅｒｔ　ａｎｄ　１．Ｊ、Ｈａ：　Ａｎ　Ａｐｐｒｏａｃｈ　ｔｏ　Ｎｏｎ１ｉｎｅａｒ　Ｆｅｅｄｂａｃｋ　Ｃｏｎｔｒｏｌ　ｗｉｔｈ　Ａｐｐｌｉｃａｔｉｏｎ　ｔｏ　Ｒｏｂｏｔｉｃｓ、Ｐｒｏｃ、２２ｎｄ　ＩＥＥＥ　ＣＤＣ，５ａｎＡｎｔｏｎｉｏ　（＋９８３）／Ｈｏ１８０／　Ｊ、Ｍ、Ｈｏ１ｌｅｒｂａｃｈ：　Ａ　Ｒｅｃｕｒｓｉｖｅ　Ｌａｇｒａｎｇｉａｎ　Ｆｏｒｍｕｌａｔｉｏｎ　ｏｆ　Ｍａｎｉｐｕｌａｔｏｒ　Ｄｙｎａｍｉｃｓ　ａｎｄ　ａＣｏｍｐａｒａｔｉｖｅ　５ｔｕｄｙ　ｏｆ　Ｄｙｎａｍｉｃ　Ｆｏｒｍｕｌａｔｉ。

ｎ　Ｃｏｍｐｌｅｘｉｔｙ、ＩＥＥＥ　Ｔｒａｎｓ、５ｙｓｔ、Ｍａｎ、Ｃｙｂｅｒｎｅｔ、Ｖｏｌ、ＳＭＣ−１０，ｐｐ、７３０−７３６　（１９８０）／Ｈｏｒ８０／　Ｒ，Ｈｏｒｏｗｉｔｚ　ａｎｄ　Ｍ、Ｔｏｍｉｚｕｋａ：　Ａｎ　Ａｄａｐｔｉｖｅ　Ｃｏｎｔｒｏｌ　Ｓｃｈｅｍｅ　ｆｏｒ　Ｍｅｃｈａｎｉｃａｌ　Ｍａｎｉｐｕｌａｔｏｒｓ　−Ｃｏｍｐｅｎｓａｔｉｏｎ　ｏｆ　Ｎｏｎ１ｉｎｅａｒｉｔｙ　ａｎｄ　Ｄｅｃｏｕｐｌｉｎｇ　Ｃｏｎｔｒｏｌ、ＡＳＭＥ　ｐａｐｅｒ　８０　ＷＡ／ＤＳＣ−６／Ｋｏｉ８３／　Ａ、ＪＪｏｉｖｏ　ａｎｄ　Ｔ、Ｈ，Ｇｕｏ：　Ａｄａｐｔｉｖｅ　Ｌｉｎｅａｒ　Ｃｏｎｔｒｏｌｌｅｒ　ｆｏｒ　Ｒｏｂｏｔｉｃ　Ｍａｎｉｐｕｌａｔｏｒｓ、　ＩＥＥＥＴｒａｎｓ、Ｏｎ　Ａｕｔｏｍａｔｉｃ　Ｃｏｎｔｒｏｌ、Ｖｏｌ、Ａ（ニー２８゜ｐｐ、１６２−１７１　（１９８３）／Ｌｅｉ８４／　Ｇ、Ｌｅｉｎｉｎｇｅｒ：　Ａｄａｐｔｉｖｅ　Ｃｏｎｔｒｏｌ　ｏｆ　Ｍａｎｉｐｕｌａｔｏｒｓ　Ｕｓｉｎｇ　Ｓｅｌｆ−Ｔｕｎｉｎｇ　Ｍｅｔｈｏｄｓ、　ｉｎ　Ｍ、Ｂｒａｄｙ　ａｎｄ　Ｒ，Ｐ、Ｐａｕｌ　（ｅｄｓ、）：　Ｒｏｂｏｔｉｃｓ　Ｒｅ５ｅａｒｃｈ：　Ｆｉｒｓｔ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｓｙｍｐｏｓｉｕｍ、ＭＩＴＰｒｅｓｓ　（１９８４）／Ｌｕｈ８０／　Ｊ、Ｙ、Ｓ、Ｌｕｈ、Ｍ、Ｗ、Ｗａｌｋｅｒ　ａｎｄ　Ｐ、Ｃ，Ｐａｕｌ：　０ｎｌｉｎｅ　Ｃｏｍｐｕｔａｔｉｏｎ　Ｓｃｈｅｍｅ　ｆｏｒ　Ｍｅｃｈａｎｉｃａｌ　Ｍａｎｉｐｕｌａｔｏｒｓ、ＡＳＭＥ　Ｔｒａｎｓ、Ｊ、Ｄｙｎａｍ、５ｙｓｔ、Ｍｅａｓｕｒｅ、Ｃｏｎｔｒｏｌ、Ｖｏｌ、１０２．ｐｐ、６９−７６　（１９８０）／ＭＥＴ／　Ｎ、Ｎ、：　Ｃｏｎ５ｉｓｔｅｎｔ　Ｗｅｌｄｓ　Ａｕｔｏｍａｔｉｃａｌｌｙ：　Ｄｅｓｃｒｉｐｔｉｏｎ　ｏｆ　Ｍｅｔａ　Ｔｏｒｃｈ　５ｅｎｓｏｒ　Ｆａｍｉｌｙ、Ｍｅｔａ　Ｍａｃｈｉｎｅｓ　Ｌｔｄ、、０ｘｆｏｒｄ　（ＵＫ）／Ｍｉ１８７／　Ｗ、Ｔ、Ｍｉｌｌｅｒ　ＩＩＩ、Ｆ、Ｈ，Ｇｌａｎｚ　ａｎｄ　Ｌ、Ｇ、ＫｒａｆｔＩＩＩ：　Ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　Ｇｅｎｅｒａｌ　Ｌｅａｒｎｉｎｇ　ｔ。

ｔｈｅ　Ｃｏｎｔｒｏｌ　ｏｆ　Ｒｏｂｏｔｉｃ　Ｍａｎｉｐｕｌａｔｏｒｓ、　ＴｈｅＩｎｔ、Ｊ、ｏｆ　Ｒｏｂｏｔｉｃｓ　Ｒｅ５ｅａｒｃｈ　６．　ｐｐ、８４−９８　（＋９８７）／Ｍｉ１８９／　Ｗ、Ｔ、Ｍｉｌｌｅｒ　ＩＩＩ：　Ｒｅａｌ−ｔｉｍｅ　Ａｐｐｌｉｃａｔｉｏｎ　ｏｆＮｅｕｒａｌ　Ｎｅｔｗｏｒｋｓ　ｆｏｒ　５ｅｎｓｏｒ−ｂａｓｅｄ　Ｃｏｎｔｒ。

ｌ　ｏｆ　Ｒｏｂｏｔｓ　ｗｉｔｈ　Ｖｉｓｉｏｎ、ＩＥＥＥ　Ｔｒａｎｓ、ＳＭＣ１９、ｐｐ、８２５−８３１　（１９８９）／Ｍｉ１９０／　Ｗ、Ｔ、Ｍｉｌｌｅｒ　ＩＩＩ、　Ｒ，Ｐ、Ｈｏｗｅｓ、　Ｆ、Ｈ，Ｇｌａｎｚ　ａｎｄＬ、Ｇ、Ｋｒａｆｔ　ＩＩＩ：　Ｒｅａｌ−ｔｉｍｅ　Ｃｏｎｔｒｏｌ　ｏｆ　ａｎＩｎｄｕｓｔｒｉａｌ　Ｍａｎｉｐｕｌａｔｏｒ　ｕｓｉｎｇ　ａ　Ｎｅｕｒａｌ−Ｎｅｔｗｏｒｋ−ｂａｓｅｄ　Ｌｅａｒｎｉｎｇ　Ｃｏｎｔｒｏｌｌｅｒ、　ＩＥＥＥ　Ｔｒａｎｓ、Ｒｏｂｏｔｉｃｓ　ａｎｄ　Ａｕｔｏｍａｔｉｏｎ　６．　ｐｐ、１−９１０ＬＤ／　Ｎ、Ｎ、：Ｔｈｅ　Ｒｏｂｏｔ’ｓ　Ｅｙｅ：　Ｓｅａｍｐｉｌｏｔ　０ｐｔｉｃａｌＰｒｏｆｉｌｅ　５ｅｎｓｏｒ、０ＬＤＥＬＦＴ　ｐｒｏｄｕｃｔ　ｄｅｓｃｒｉｐｔｉｏｎ、０ＬＤＥＬＦＴ　Ｃｏｒｐ、Ｄｅｌｆｔ　（ＮＬ）／Ｐｏｔ９１／　Ａ、Ｆ’ｏｔｔｈａｓｔ　ａｎｄ　Ｔ、Ｔ、Ｔｉｏ：　Ｓｃｈｌｅｐｐｆｅｈｌｅｒｋｏｍｐｅｎｓａｔｉｏｎ　ａｎ　ＣＮＣ−Ｗｅｒｋｚｅｕｇｍａｓｃｈｉｎｅｎ　ｗｉｔ　Ｓｏｌｌｂａｈｎｖｏｒｖｅｒｚｅｒｒｕｎｇ、（Ｔｒａｃｋ　Ｄｅｖｉａｔｉｏｎ　Ｃｏｍｐｅｎｓａｔｉｏｎ　ｆｏｒ　ＣＮＣＭａｃｈｉｎｅ　Ｔｏｏｌｓ　ｔｈｒｏｕｇｈ　Ｆｅｅｄ　Ｆｏｒｗａｒｄ　Ｃｏｎｔｒｏｌ）、ＺｗＦ８６．　Ｃａｒｌ　Ｒａｎ５ｅｒ　Ｖｅｒｌａｇ、　Ｍｕｎｉｃｈ（＋９９１１／Ｐｓａ８７／　Ｄ、Ｐｓａｌｔｉｓ、　Ａ、５ｉｄｅｒｉｓ　ａｎｄ　Ａ、Ｙａｍａｍｕｒａ：　Ｎｅｕｒａｌ　Ｃｏｎｔｒｏｌｌｅｒｓ、Ｐｒｏｃ、ＩＥＥＥ　Ｆｉｒｓｔ、Ｉｎｔ、Ｃｏｎｆ、Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋｓ、Ｓａｎ、Ｄｉｅｇｏ、ＣＡ、Ｊｕｎｅ　２１−２４．　ｐｐ、５ｌ−５５８（１９８７）／Ｐｓａ８８／　Ｄ、Ｐｓａｌｔｉｓ、　Ａ、５ｉｄｅｒｉｓ　ａｎｄ　Ａ、Ｙａｍａｍｕｒａ：　Ａ　Ｍｕｌｔｉｌａｙｅｒｅｄ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ　Ｃｏｎｔｒｏｌｌｅｒ、ＩＥＥＥ　Ｃｏｎｔｒｏｌ　Ｓｙｓｔｅｍｓ　Ｍａｇａｚｉｎｅ　８．　ｐｐ、１７−２１（＋９８８）／５ａｎ９１／　Ｖ、Ｄ、５ａｎｃｈｅｚ、　Ａ、　ａｎｄ　Ｇ、Ｈｉｒｚｉｎｇｅｒ：　５ｔａｔｅ−。

ｆ−ｔｈｅ−ａｒｔ　Ｒｏｂｏｔ　Ｌｅａｒｎｉｎｇ　Ｃｏｎｔｒｏｌ　ｂａｓｅｄｏｎ　Ａｒｔｉｆｉｃｉａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋｓ　−Ａｎ　ｏｖｅｒｖｉｅｗ、Ｔｏ　ａｐｐｅａｒ　ｉｎ：　Ｏ，Ｋｈａｔｉｂ　ａｔ　ａｌ、（ａｄ、）：Ｔｈｅ　Ｒｏｂｏｔｉｃｓ　Ｒｅｖｉｅｗ　２．ＭＩＴ　Ｐｒｅｓｓ　（＋９９１）／５ＦＢ９１／　Ｐｒｏｐｏｓａｌ　ａｎｄ　ｗｏｒｋｉｎｇ　ｐｒｏｇｒａｍ　ｏｆ　ｔｈｅ　５ＦＢ３３１．１９９２１９９４．　Ｔｅｃｈｎｉｃａｌ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｍｕｎｉｃｈ、１９９１　（ｉｎ　Ｇｅｒｍａｎ）／５ｐｏ８６／　Ｍ、Ｗ、Ｓｐｏｎｇ：　Ｍｏｄｅｌｉｎｇ　ａｎｄ　ｃｏｎｔｒｏｌ　ｏｆ　Ｅｌａｓｔｉｃ　Ｊｏｉｎｔ　Ｒｏｂｏｔｓ、ｉｎ　Ｆ、Ｗ、Ｐａｕｌ　ａｎｄ　Ｋ、Ｙｏｕｃｅｆ−Ｔｏｕｍｉ　（ｅｄｓ、）：　Ｒｏｂｏｔｉｃｓ：　Ｔｈｅｏｒｙ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎｓ、ＤＳＣ−Ｖｏｌ、３　（ｐｒｅｓｅｎｔｅｄ　ａｔ　ｔｈｅ　ｗｉｎｔｅｒ　Ａｎｎｕａｌ　Ｍｅｅｔｉｎｇ　ｏｆ　ＡＳＭＥ）、ｐｐ、５７−６５／Ｗｌｏ９１／　Ｄ、Ｗ、Ｗｌｏｋａ　（ｅｄ、）：　Ｇｒｕｎｄｌａｇｅｎ　ｄｅｒ　Ｒｏｂｏｔｅｒｓｉｍｕｌａｔｉｏｎ　（Ｆｕｎｄａｍｅｎｔａｌｓ　ｏｆ　ｒｏｂｏｔ　ｓｉｍｕｌａｔｉｏｎ）、Ｓｐｒｉｎｇｅｒ、１９９１Ａ補正量の翻訳文提出ｉｌ（特許法第１８４条の８）平成　６年　６月　９日

Claims

【特許請求の範囲】

１．制御パラメータに依存する実際値特性を有するシステムに対する制御パラメータの生成方法であって、Ａ）第１ステップにおいて学者可能なコンポーネントに当該システムの実際値特性をティーチング（教示）し、Ｂ）第２ステップにて、当該システムの規定特性と実際特性との差異を制御パラメータに依存して参照偏差として検出し、上記システムの実際特性をティーチング（教示）された学習可能な少なくとも１つのコンポーネントに供給し、該コンポーネントからは参照偏差に相応する制御パラメータに対する補正量が送出されるようにし、Ｃ）第３ステップにて、上記補正量を用いて新たな制御パラメータを求め、ここにおいて、当該制御パラメータによりシステムの規定特性に関する実際特性の改善がなされるように当該制御パラメータを求め、Ｄ）少なくとも上記の第２及び第３ステップを上記システムの規定特性と実際特性との間の差異が所定値を下回るまで実施することを特徴とする制御パラメータに依存する実際値特性を有するシステムに対する制御パラメータの最適化方法。
２．上記の学習可能なコンポーネントとしてはニューラルネットワークが使用され、該ニューラルネットワークは次のようにしてティーチング（教示）され、即ち当該実際特性のシミュレーションのため少なくとも１つの制御パラメータが少なくとも１つのニューロンにて重み付けされるようにした請求の範囲１記載の方法。
３．上記ニューラルネットワークはシステムの直線特性を学習し得るようにした請求の範囲２記載の方法。
４．上記システムの習得のため供給される制御パラメータをコード化することにより上記ニューラルネットワークはシステムの非直線性特任を学習し得るようにした請求の範囲２記載の方法。
５．変換器によってはシステム特性の学習のため実際特性から知られる制御パラメータのサブセット（部分集合）が少なくとも１つのニューロンに対応付けられる請求の範囲２記載の方法。
６．上記システムは少なくとも最小位相特性を有し該最小位相特性のもとで学習可能なコンポーネントはティーチングされ、ここにおいて当該コンポーネントによりシステムの実際特性から所属の制御パラメータが求められ得るようにティーチングされ、当該の参照偏差から制御パラメータ偏差が求められ該制御パラメータ偏差は当該の参照偏差を生じさせた制御パラメータと結合されるようにした請求の範囲１から５までのうちいずれか１項記載の方法。
７．２つの同じティーチングを受ける学習可能なコンポーネントをモデルとして使用し、ここにおいて、１方のモデルがシステム（Ｕ）と同一の制御パラメータを受け取り、他方のモデルが（△Ｕだけ）変化された制御パラメータを受取リ、上記の２つのモデルの生ぜしめられた実際特性の比較によリ偏差が得られるようにし、該偏差は第２モデルにおける制御パラメータの変化に相応しているものであり、上記第２モデルにおいては当該変化は反復的に適合調整され、ここにおいて、システムによリ生ぜしめられた参照偏差と、モデルによリ生ぜしめられた偏差の線形結合の（値の）和の２乗が最小になり、そのようにして見出された制御パラメータの変化が次のような制御パラメータと結合される即ち、システムの参照幅差を生じさせた制御パラメータと結合されるようにした請求の範囲１から５までのうちいずれか１項記載の方法。
８．システムとして工具（トウール）をガイドするロボットアームを使用し、制御パラメータとして軌道特性（内容）に含まれているべき座標セッティング（設定）値を使用し、当該の軌道に沿ってはロボットが工具をガイドすべきものであり、システムの実際特性が軌道によって表され該軌道に沿ってロボットアームにより工具が実際にガイドされるようにした請求の範囲１から７までのうちいずれか１項記載の方法。
９．上記システムは加熱システムを裏しており、当該制御パラメータによっては温度プロフィールが設定され該温度プロフィールによっては加熱物が加熱されるべきものであり、さらに、実際値特性が加熱物の実際の温度時間特性経過によリ表されるようにした請求の範囲１から８までのうちいずれか１項記載の方法。
１０．上記システムの実際値特性をセンサにより求める請求の範囲１から９までのうちいずれか１項記載の方法。