TWI834991B

TWI834991B - 可控裝置的移動路徑的控制方法及其控制系統

Info

Publication number: TWI834991B
Application number: TW110133559A
Authority: TW
Inventors: 翁崇恒; 劉一帆; 陳奎廷; 黃彥鈞
Original assignee: 中強光電股份有限公司
Priority date: 2021-09-09
Filing date: 2021-09-09
Publication date: 2024-03-11
Also published as: TW202311878A

Abstract

一種可控裝置的移動路徑的控制方法及其控制系統。控制系統包括可控裝置、感測器以及控制裝置。感測器量測可控裝置於當前時間點的移動數據。控制裝置依據移動數據以及預定路徑來計算誤差數據。控制裝置將移動數據、預定路徑以及誤差數據作為已訓練完成的機器學習模型的輸入，並依據機器學習模型的輸出來控制可控裝置的移動軌跡。

Description

可控裝置的移動路徑的控制方法及其控制系統

本發明是有關於一種自動控制方法，且特別是有關於一種可控裝置的移動路徑的控制方法及可控裝置的控制系統。

控制理論是工程學與數學的跨領域分支，主要處理在有輸入訊號的動力系統的行為。控制理論一般的目的是藉由控制器的動作讓系統穩定，其已廣泛應用在自駕車、機器人等控制上。一般來說，控制理論包含量測、比較、計算及修正這四種階段，透過不停循環執行前述四種階段，來更新系統中的變數，讓狀態趨於穩定。舉例來說，控制理論可以透過比較自駕車位置與狀態，以及目標軌跡的差異，讓物體最終能夠根據既定的路線移動。

傳統的閉迴路控制系統中，其是將可控裝置的輸出訊號藉由量測器檢測出並回授至控制器的輸入端，控制器根據參考值和回授的輸出訊號來獲得誤差，再根據誤差來調整可控裝置的輸入。然，閉迴路控制系統的輸出端和輸入端之間存在反饋迴路，輸出量對控制過程有直接影響，進而增加系統複雜性。

“先前技術”段落只是用來幫助了解本發明內容，因此在“先前技術”段落所揭露的內容可能包含一些沒有構成所屬技術領域中具有通常知識者所知道的習知技術。在“先前技術”段落所揭露的內容，不代表該內容或者本發明一個或多個實施例所要解決的問題，在本發明申請前已被所屬技術領域中具有通常知識者所知曉或認知。

本發明提供一種可控裝置的移動路徑的控制方法及可控裝置的控制系統，能夠適時調整可控裝置的偏移，提高可控裝置沿著預設路徑移動的精準度。

本發明的可控裝置的移動路徑的控制方法，包括：經由感測器量測可控裝置於當前時間點的移動數據；經由處理器依據移動數據以及預定路徑來計算誤差數據；以及經由處理器將移動數據、預定路徑以及誤差數據作為已訓練完成的機器學習模型的輸入，並依據機器學習模型的輸出來控制可控裝置的移動軌跡。

在本發明的一實施例中，上述經由處理器依據移動數據以及預定路徑來計算誤差數據的步驟包括：在預定路徑中，取出未來的多個時間點所對應的多個預設位置；由移動數據預估在所述未來的多個時間點所對應的多個估計位置；以及依據所述預設位置與所述估計位置來計算多個誤差值，並以所述誤差值來作為誤差數據。

在本發明的一實施例中，所述移動數據包括可控裝置於當前時間點的實際位置以及移動速度。

在本發明的一實施例中，上述可控裝置為機械手臂。

本發明的控制系統，包括：可控裝置、感測器以及控制裝置。感測器用以量測可控裝置於當前時間點的移動數據。控制裝置用以電連接可控裝置與感測器。控制裝置包括：連接器，用以電連接至可控裝置；儲存裝置，用以儲存機器學習模型；以及處理器，耦接連接器、感測器以及儲存裝置，且經配置以執行：依據移動數據以及預定路徑來計算誤差數據；以及將移動數據、預定路徑以及誤差數據作為已訓練完成的機器學習模型的輸入，並依據機器學習模型的輸出來控制可控裝置的移動軌跡。

基於上述，本揭露的機器學習模型能夠了解可控裝置目前的移動數據，能夠適時調整可控裝置的偏移，提高可控裝置沿著預設路徑移動的精準度，更容易達到穩定的控制狀態。

有關本發明之前述及其他技術內容、特點與功效，在以下配合參考圖式之一較佳實施例的詳細說明中，將可清楚的呈現。以下實施例中所提到的方向用語，例如：上、下、左、右、前或後等，僅是參考附加圖式的方向。因此，使用的方向用語是用來說明並非用來限制本發明。

本發明提出一種可控裝置的移動路徑的控制方法及可控裝置的控制裝置，控制裝置可透過任何具有計算功能的電子裝置來實現。為了使本發明之內容更為明瞭，以下特舉實施例作為本發明確實能夠據以實施的範例。

圖1是依照本發明一實施例的控制系統的方塊圖。請參照圖1，控制系統100包括可控裝置110、控制裝置120以及感測器121。控制裝置120利用有線傳輸或無線傳輸的方式電連接感測器121。感測器121例如是距離感測器或攝影機等，不以此為限。感測器121用以量測可控裝置110於當前時間點的移動數據。在一實施例中，感測器121為設置在可控裝置110上或在其周圍，以便於量測可控裝置110的移動數據。感測器121可通過通訊技術（例如有線傳輸或無線傳輸的方式）將所偵測到的移動數據傳送給控制裝置120。

控制裝置120藉由感測器121監控可控裝置110。感測器121可以貼附於可控裝置110或者遠端感測可控裝置110，以獲取所需要的移動數據。可控裝置110可藉由有線傳輸或無線傳輸的方式電連接控制裝置120。有線傳輸例如是利用光纖、電纜線或其它類別的傳輸線進行傳輸。無線傳輸例如是採用藍牙（Bluetooth）、無線保真（Wi-Fi）、紫蜂（Zigbee）或其它無線傳輸介面進行傳輸。

可控裝置110是能夠被電訊號控制的任意機械設備。在一實施例中，可控裝置110為機械手臂，其不限於在三維空間（歐基里德空間）使用。例如，六軸機器手臂亦可以在六維空間中使用，也就是讓六軸機械手臂可以具有六個自由度而活動。在另一實施例中，可控裝置110為無人載具。

控制裝置120包括處理器123、連接器125以及儲存裝置127。處理器123耦接至感測器121、連接器125以及儲存裝置127。

處理器123可以是具備運算處理能力的硬體（例如電路、晶片組、硬體處理器等）、或可執行軟體元件（例如作業系統、應用程式等）的晶片，或硬體及軟體元件的組合。處理器123例如是中央處理單元（Central Processing Unit，CPU）、圖形處理單元（Graphics Processing Unit，GPU），或是其他可程式化之微處理器（Microprocessor）、數位訊號處理器（Digital Signal Processor，DSP）、可程式化控制器、特殊應用積體電路（Application Specific Integrated Circuits，ASIC）、程式化邏輯裝置（Programmable Logic Device，PLD）或其他類似裝置。

連接器125用以電連接至可控裝置110。例如，在一實施例中，連接器125可採用實體傳輸埠來實現。在另一實施例中，連接器125可採用連線晶片來實現，所述連線晶片可使用區域網路（Local Area Network，LAN）、Wi-Fi、4G、5G等通訊技術協定。

儲存裝置127例如是任意型式的固定式或可移動式隨機存取記憶體、唯讀記憶體、快閃記憶體、硬碟或其他類似裝置或這些裝置的組合。儲存裝置127用以儲存一機器學習模型，並且儲存有多個程式碼片段，而上述程式碼片段在被安裝後，由處理器123來執行，藉此來執行下述可控裝置110的移動路徑的控制方法。

圖2是依照本發明一實施例的可控裝置的移動路徑的控制方法流程圖。請同時參照圖1及圖2，在控制裝置120執行可控裝置110的操作之前。將多個不同移動軌跡預先儲存於儲存裝置127中，作為預定路徑T中可控裝置110預定前進的預設位置。位置可定義為平面座標或空間座標中的座標值。

在步驟S205中，經由感測器121量測可控裝置110於當前時間點的移動數據。所述移動數據包括可控裝置110於當前時間點的實際位置以及移動速度。感測器121在獲得移動數據之後，可通過有線或無線通訊技術將移動數據傳送給處理器123。

接著，在步驟S215中，經由處理器123依據感測器121傳遞的移動數據以及預定路徑來計算誤差數據，以修正可控裝置110的移動軌跡。在一實施例中，準備誤差計算演算法g，其輸入參數為移動數據s以及預定路徑T，輸出參數則為誤差數據z，以數學式表達為z=g(s, T)。移動數據s包括可控裝置110於當前時間點的實際位置p以及移動速度v。

底下舉一實施例來說明如何實現誤差計算演算法g，然，此僅為舉例說明，其輸入參數還可包括其他會影響移動軌跡的物理數據，例如風速或溫度等，並不以此為限。處理器123在預定路徑T中取出未來的多個時間點所對應的多個預設位置，並且利用移動數據預估在所述未來的多個時間點所對應的多個估計位置。在此，預設位置可以是平面座標，也可以是立體座標。之後，處理器123依據所述預設位置與所述估計位置來計算多個誤差值，並以所述誤差值來作為誤差數據。本實施例而言，可控裝置110以等速度運動為例，處理器123利用當前時間點t _o的實際位置p以及移動速度v來計算出未來的時間點t _i對應的估計位置T _i’，T _i’=p+t _i×v。之後，處理器123將估計位置T _i’與預設位置T _i相減，得到誤差值z _i。時間點t _i大於時間點t _o。

進一步說明，圖3是依照本發明一實施例的預定路徑與估計軌跡的示意圖。請參照圖3，實心箭頭所示為可控裝置110於預定路徑301中在未來的多個時間點的預設移動軌跡305，空心箭頭所示為利用可控裝置110在當前時間點的移動數據進行估算所獲得的估計移動軌跡303。虛線雙箭號所示為預設移動軌跡305與估計移動軌跡303兩者在未來的時間點t ₁、t ₂、t ₃之誤差值307-1、307-2、307-3。即，處理器123基於感測器121所量到的移動數據以及預定路徑301，利用上述誤差計算演算法g可獲得在時間點t ₁、t ₂、t ₃的誤差值307-1、307-2、307-3，並將誤差值307-1、307-2、307-3作為誤差數據z來進行後續運算。

在本實施例中，是利用感測器121所量到可控裝置110的移動數據（例如，角度位置、角速度等），以等速運動之假設下，去計算出未來的時間點對應的估計位置。並且，本實施例中使用的預定路徑是以最快到達目的地的速度上限的前提下去設計，而達到最高速度的上限後，則以等速度運動，所以利用等速度運動進行推估是合理的。

返回圖2，在步驟S215中，經由處理器123將移動數據、預定路徑以及誤差數據作為已訓練完成的機器學習模型的輸入，並依據機器學習模型的輸出來控制可控裝置110的移動軌跡。

在所述機器學習模型的訓練階段中，依據多個預定路徑以及每一個預定路徑在多個訓練時間點對應的多個誤差數據，以優化誤差計算演算法g，進而獲得訓練完成的機器學習模型。值得一提的是，機器學習模型的輸入參數為可控裝置110的移動數據、預定路徑以及誤差數據，輸出參數例如是關節馬達的扭力。然，在此僅為舉例可控裝置110是機器手臂說明，機器手臂具有關節馬達，關節馬達的扭力會影響機器手臂的移動位置與移動速度。機器學習模型中也包括關節馬達的扭力值與可控裝置110的移動速度之間的演算（數學）關係式。進一步解釋，機器學習模型f植入誤差計算演算法g，並且把誤差數據z=g(s, T)作為輸入參數，以數學式表達為y=f(s, T, g(s, T)。其中y代表關節馬達的扭力值。

在本實施例中，機器學習模型例如為神經網路模型，神經網路模型可以採用多層感知器（Multilayer perceptron，MLP）、卷積神經網絡（Convolutional Neural Network，CNN）或是其他神經網路演算法所建立的，其中卷積神經網路（CNN）包括卷積層、最大池化層和全連通層，卷積層與最大池化層配合，組成多個卷積組，逐層提取特徵，最終通過全連接層完成分類，從而實現機器學習模型的建立。CNN的層數越多，機器學習模型的判斷精度越高。。機器學習模型可以通過Python、Tensorflow、和Keras等電腦程式設計語言建立並存儲在儲存裝置127中。在機器學習模型的訓練階段中，基於不同的預定路徑來控制可控裝置110的移動，量測在每一個訓練時間點的實際位置以及誤差值，並經由人工方式或習知方式來獲得每一個訓練時間點對應使用的已知關節馬達的扭力，可產生關節馬達的扭力值與可控裝置110的移動速度之間的數學關係式。之後，將多個訓練用軌跡以及其各自在多個訓練時間點分別對應的實際位置、訓練用誤差值以及已知關節馬達的扭力輸入至機器學習模型進行訓練。

機器學習模型調整完成後，便可將機器學習模型儲存至控制裝置120的儲存裝置127，以供處理器123來執行。從預定路徑的起點開始，透過控制裝置120的感測器121來獲得當下時間點的移動數據，並將當下時間點的預設位置與移動數據至送進誤差計算演算法獲得誤差數據，之後將移動數據、預設位置以及誤差數據輸入至已訓練完成的機器學習模型，藉此獲得所需的關節馬達的扭力值。控制裝置120將關節馬達的扭力值提供給可控裝置110，控制裝置120基於所獲得的關節馬達的扭力值控制可控裝置110直到下一個時間點，在下一個時間點再重複前述之動作，直到抵達軌跡所指向的目的地。

圖4是依照本發明一實施例的機械手臂的移動路徑。圖5是依照習知技術的機械手臂的移動路徑。在圖4所示的實施例中，使用機器手臂作為可控裝置110，並採用所述實施例中的已訓練完成的機器學習模型。在圖5所示的習知技術中，使用機器手臂作為可控裝置110，而未採用本發明的所述實施例中的已訓練完成的機器學習模型。

以隨機抽樣得出的軌跡。在圖4及圖5中，以「•」所形成的軌跡為預定路徑，以「×」所形成的軌跡為可控裝置110的實際移動的軌跡。

由圖4可以知道，可控裝置110的實際移動的軌跡幾乎與預定路徑重疊。而在圖5中，可控裝置110的實際移動完全偏移了預定路徑。

圖6A是依照本發明一實施例的神經網路表現的曲線圖。圖6B是未使用本發明的神經網路表現的曲線圖。依據扭力值的平方誤差做比較。在圖6A及圖6B中，橫軸代表時期數（epoch），縱軸為時期損失（epoch loss）值。曲線601、611為驗證階段所獲得的損失曲線，曲線603、613為訓練階段所獲得的損失曲線。由圖6A及圖6B可以清楚地知道，使用本發明技術的時期損失值比未使用本發明技術的時期損失值還低。例如，由曲線613可以知道在訓練100個時期（epoch）時的時期損失值約480，而由曲線603可以知道在訓練100個時期（epoch）時的時期損失值約280。有此可知本發明揭露有提升演算法效率之功效並減少損失值。

綜上所述，本揭露從移動數據中獲得對可控裝置的控制有意義的數值，作為機器學習模型的輸入。本揭露可賦予機器學習模型具有物理運算模型，讓機器學習模型內含有所述實施例中採用的物理運算模型，而不用讓機器學習模型透過資料來歸納出物理運算模型。而機器學習模型學習推測更複雜的物理運算模型，能夠了解可控裝置目前的移動數據，讓機器學習模型更容易達到穩定的控制狀態。不需要直接量測可控裝置的輸出誤差，也能讓控制裝置的執行效能上升。

以計算預設位置與估計位置的誤差值來說，往未來時間點所推估的誤差值可以給予機器學習模型計算出估計位置，並且推估的誤差值的大小則明確與未來需要修正的控制參數（例如扭力）有關。因此，往未來時間點所推估的誤差值可以讓機器學習模型更容易透過這些資訊來獲得合理的扭力，以達到可控裝置穩定的移動狀態。

惟以上所述者，僅為本發明之較佳實施例而已，當不能以此限定本發明實施之範圍，即大凡依本發明申請專利範圍及發明說明內容所作之簡單的等效變化與修飾，皆仍屬本發明專利涵蓋之範圍內。另外本發明的任一實施例或申請專利範圍不須達成本發明所揭露之全部目的或優點或特點。此外，摘要部分和標題僅是用來輔助專利文件搜尋之用，並非用來限制本發明之權利範圍。此外，本說明書或申請專利範圍中提及的“第一”、“第二”等用語僅用以命名元件（element）的名稱或區別不同實施例或範圍，而並非用來限制元件數量上的上限或下限。

100:控制系統 110:可控裝置 120:控制裝置 121:感測器 123:處理器 125:連接器 127:儲存裝置 301:預定路徑 303:估計移動軌跡 305:預設移動軌跡 307-1～307-3:誤差值 601、603、611、613:曲線 S205～S215:可控裝置的移動路徑的控制方法的步驟

圖1是依照本發明一實施例的控制系統的方塊圖。圖2是依照本發明一實施例的可控裝置的移動路徑的控制方法流程圖。圖3是依照本發明一實施例的預定路徑與估計軌跡的示意圖。圖4是依照本發明一實施例的機械手臂的移動路徑。圖5是依照習知技術的機械手臂的移動路徑。圖6A是依照本發明一實施例的實驗組的神經網路表現的曲線圖。圖6B是未使用本發明的神經網路表現的曲線圖。

S205~S215:可控裝置的移動路徑的控制方法的步驟

Claims

一種可控裝置的移動路徑的控制方法，包括：經由一感測器量測該可控裝置於當前時間點的一移動數據，該移動數據包括一實際位置以及一移動速度；經由一處理器依據該移動數據以及一預定路徑，獲得未來的多個時間點所對應的多個預設位置及多個估計位置，藉此計算一誤差數據；以及經由該處理器將該移動數據、該預定路徑以及該誤差數據作為已訓練完成的一機器學習模型的輸入，並依據該機器學習模型的輸出來控制該可控裝置的移動軌跡，其中計算該誤差數據的步驟包括：在該預定路徑中，取出未來的該些時間點所對應的該些預設位置；由該移動數據預估在未來的該些時間點所對應的該些估計位置；以及依據該些預設位置與該些估計位置來計算多個誤差值，並以該些誤差值來作為該誤差數據。
如請求項1所述的可控裝置的移動路徑的控制方法，其中該可控裝置為一機械手臂。
一種控制系統，包括：一可控裝置；一感測器，用以量測該可控裝置於當前時間點的一移動數據，該移動數據包括一實際位置以及一移動速度；以及一控制裝置，用以電連接該可控裝置與該感測器，該控制裝置包括：一連接器，用以電連接至該可控裝置；一儲存裝置，用以儲存一機器學習模型；以及一處理器，耦接該連接器、該感測器以及該儲存裝置，且經配置以執行：依據該移動數據以及一預定路徑，獲得未來的多個時間點所對應的多個預設位置及多個估計位置，藉此計算一誤差數據；以及將該移動數據、該預定路徑以及該誤差數據作為已訓練完成的該機器學習模型的輸入，並依據該機器學習模型的輸出來控制該可控裝置的移動軌跡，其中該處理器經配置以：在該預定路徑中，取出未來的該些時間點所對應的該些預設位置；由該移動數據預估在未來的該些時間點所對應的多個估計位置；以及依據該些預設位置與該些估計位置來計算多個誤差值，並以該些誤差值來作為該誤差數據。
如請求項3所述的控制系統，其中該可控裝置為一機械手臂。