WO2018143003A1 - ロボットパス生成装置及びロボットシステム - Google Patents

ロボットパス生成装置及びロボットシステム Download PDF

Info

Publication number
WO2018143003A1
WO2018143003A1 PCT/JP2018/001917 JP2018001917W WO2018143003A1 WO 2018143003 A1 WO2018143003 A1 WO 2018143003A1 JP 2018001917 W JP2018001917 W JP 2018001917W WO 2018143003 A1 WO2018143003 A1 WO 2018143003A1
Authority
WO
WIPO (PCT)
Prior art keywords
path
robot
data
path generation
generated
Prior art date
Application number
PCT/JP2018/001917
Other languages
English (en)
French (fr)
Inventor
光司 曽我部
勝 足立
Original Assignee
株式会社安川電機
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 株式会社安川電機 filed Critical 株式会社安川電機
Priority to JP2018566072A priority Critical patent/JP6705977B2/ja
Priority to EP18748623.8A priority patent/EP3578322A4/en
Priority to CN201880008226.2A priority patent/CN110198813B/zh
Publication of WO2018143003A1 publication Critical patent/WO2018143003A1/ja
Priority to US16/452,529 priority patent/US11446820B2/en

Links

Images

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
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
    • 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
    • B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/39—Robotics, robotics to robotics hand
    • G05B2219/39298—Trajectory learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/40—Robotics, robotics mapping to robotics vision
    • G05B2219/40428—Using rapidly exploring random trees algorithm RRT-algorithm
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/40—Robotics, robotics mapping to robotics vision
    • G05B2219/40429—Stochastic, probabilistic generation of intermediate points
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/40—Robotics, robotics mapping to robotics vision
    • G05B2219/40462—Constant consumed energy, regenerate acceleration energy during deceleration
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/40—Robotics, robotics mapping to robotics vision
    • G05B2219/40463—Shortest distance in time, or metric, time optimal
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/40—Robotics, robotics mapping to robotics vision
    • G05B2219/40465—Criteria is lowest cost function, minimum work path

Definitions

  • the disclosed embodiment relates to a robot path generation device and a robot system.
  • Patent Document 1 describes a method of generating a robot teaching path and a calibration path by simulation of a controller.
  • the method of automatically generating the path by simulation as in the above prior art is preferable, but a higher quality path can be generated in a practical time. There is still room for improvement to produce.
  • the present invention has been made in view of such problems, and an object thereof is to provide a robot path generation apparatus and a robot system that can generate a more appropriate path in a practical time.
  • a data set holding unit for holding a data set associated with the evaluation value data, and the robot between a setting start point and a setting end point arbitrarily set based on a result of a machine learning process based on the data set A robot path generation device having a path generation unit that generates the path is applied.
  • a robot system including a robot, a robot path generation device, and a robot controller that controls the operation of the robot based on a generation result of the robot path generation device.
  • FIG. 1 shows an example of a schematic system block configuration of the robot system of the present embodiment.
  • the robot system 1 includes a host controller 2, a robot controller 3, a servo amplifier 4, and a robot 5.
  • the case where the work is performed using the frame F of the automobile as a target work is shown, but other mechanical structures or the like are used as the target work, and parts are incorporated, paint spraying, inspection with a camera image, and the like. It may be applied to other work such as.
  • the host control device 2 (input device) is composed of, for example, a general-purpose personal computer equipped with a CPU, ROM, RAM, operation unit, display unit and the like (not shown), and manages the operation of the robot system 1 as a whole. Specifically, a 3D model representing various specifications such as a work command based on various settings and commands input from the operator via the operation unit, and a target workpiece (frame F in this example) and the three-dimensional structure of the robot 5. Data (CAD data, CAM data, etc.) is input to the robot controller 3.
  • CAD data CAD data, CAM data, etc.
  • the robot controller 3 performs various processes for realizing the same work command input based on the 3D model data input from the host controller 2 and outputs a drive command to the servo amplifier 4.
  • the robot controller 3 includes a work planning unit 31, a trajectory planning unit 32, and an inverse kinematics calculation unit 33.
  • the work planning unit 31 Based on the 3D model data and work commands input from the host controller 2, the work planning unit 31 performs specific work contents to be performed by the robot 5 (the movement process of the operation position of the end effector 6 described later and each position).
  • the setting start point, the setting end point, and the setting posture generated thereby are output to the trajectory planning unit 32.
  • the setting start point, the setting end point, and the setting posture are commands indicating the starting point, the end point, and the posture of the end effector 6 at the end point when moving the reference point of the end effector 6 in the work space coordinates XYZ of the robot 5. It is.
  • the work planning unit 31 inputs the same 3D model data as that input from the host control device 2 to the trajectory planning unit 32.
  • the work planning unit 31 also outputs an operation command to the end effector 6 but is omitted in the drawing.
  • the trajectory planning unit 32 moves the end effector 6 from the set start point so that the robot 5 does not interfere with the target workpiece based on the set start point, set end point, set posture, and 3D model data input from the work plan unit 31. It is moved to the set end point, and an appropriate via point and via posture for controlling the posture to the set posture are output to the inverse kinematics computing unit 33. Note that the internal processing of the trajectory planning unit 32 in the example of the present embodiment is performed by a neural network learned by a machine learning process, and details of processing and methods will be described later. The trajectory planning unit 32 corresponds to a path generation unit described in each claim.
  • the inverse kinematics calculation unit 33 is required to realize the movement and posture control of the end effector 6 from the current position and posture to the via point and the via posture input from the trajectory planning unit 32.
  • a target rotation angle of each drive shaft motor (not shown) is calculated, and a corresponding drive command is output.
  • the processing in the work planning unit 31, the trajectory planning unit 32, the inverse kinematics calculation unit 33, and the like described above is not limited to the example of sharing of these processing, and for example, a smaller number of processing units ( For example, it may be processed by one processing unit) or may be processed by a further subdivided processing unit.
  • the robot controller 3 may be implemented in software by a program executed by a CPU 901 (see FIG. 12) to be described later, or a part or all of the robot controller 3 may be an ASIC, FPGA, or other electric circuit (neuromorphic chip). Etc.) may be implemented in hardware by an actual device.
  • the servo amplifier 4 controls the drive power to control each drive shaft motor (not shown) and the end effector 6 of the robot 5 based on the drive command input from the inverse kinematics calculation unit 33 of the robot controller 3. I do.
  • the robot 5 is a manipulator arm (six-axis robot) having six joint axes in the example of the present embodiment shown in the figure.
  • the end effector 6 of this example is attached to the arm tip 5a, and position control and posture control of the end effector 6 in the work space coordinates XYZ set with reference to the robot 5 are possible. .
  • the host controller 2 and the robot controller 3 correspond to the robot path generation device described in each claim.
  • a robot operates by driving each joint with a drive motor having approximately three or more axes.
  • the robot controller 3 passes a path (path) through which a movement reference point such as the end effector 6 or the arm tip 5a passes from the start point to the end point.
  • Orbit order sequence of waypoints
  • the robot controller 3 executes a machine learning process based on the learning data set for the trajectory plan unit, and generates a robot path between an arbitrarily set start point and a set end point.
  • a trajectory planning unit 32 is provided.
  • a plurality of path data generated based on the motion constraint conditions of the robot 5 based on the 3D model data, and evaluation value data serving as a scale in a predetermined evaluation standard corresponding to each of the path data Are associated with each other.
  • the trajectory planning unit 32 performs machine learning with a data set of path data generated based on motion constraint conditions by simulation or the like. Therefore, unlike so-called reinforcement learning, the work environment including the robot 5 and the target workpiece. Machine learning with a data set that is guaranteed to avoid interference contact. In addition, since the data set that the trajectory planning unit 32 performs machine learning also includes evaluation value data corresponding to each path data, it is possible to generate an appropriate path for the evaluation criterion. Hereinafter, the above method will be described in order.
  • FIG. 2 shows a work environment map for explaining path planning by waypoint connection in the example of the present embodiment.
  • the working environment map shown here is set by the trajectory planning unit 32.
  • the six-dimensional drivable space corresponding to the six driving axes provided in the robot 5 is represented in the vertical and horizontal directions. It is the top view expressed by compressing into two dimensions.
  • the three-dimensional position and three-dimensional posture of the end effector 6 can be controlled by driving with six axes. That is, the position coordinates of one point in the work environment map are the three-dimensional position and three-dimensional posture of the end effector 6. Both state information is expressed.
  • each entry prohibition region X is simply represented by three simple geometric figures in order to avoid the complexity of illustration.
  • the trajectory planning unit 32 sets the set start point Ps and the set end point Pe (including postures) input from the work plan unit 31 on the work environment map, while avoiding entry into each entry prohibition region X.
  • a moving passage route that is, a path from the setting start point Ps to the setting end point Pe is generated.
  • the above-described path is generated by connecting a large number of waypoints searched for branching by simulation.
  • the via point P n, m that finally reaches the vicinity of the set end point Pe to the set end point Pe it is possible to pass through in series from the set start point Ps to the set end point Pe.
  • a path T1 in which the points P n, m are connected in their ordered sequence is generated.
  • the path T1 of the robot 5 is generated as an ordered sequence of a plurality of via points, and the trajectory planning unit 32 performs inverse kinematics operations on each via point P n (via posture) in order from the set start point Ps to the set end point Pe.
  • the moving operation of the robot 5 can be controlled in a trajectory (posture) corresponding to the path T1.
  • Each of the via points Pn on the path T1 is located on an operation area (operation restriction condition) that does not enter the entry prohibition area X (area that interferes with the surrounding work environment) on the work environment map. That is, interference contact between each part of the robot 5 and the frame F can be surely avoided on the trajectory corresponding to the path T1.
  • the power consumption W is used as an evaluation criterion, and the path T1 where the total power consumption W in the entire path T1 is as low as possible is evaluated as high as possible.
  • the position of each via point P n, m is basically randomly generated, so there is room for improving the quality of the path T1 from the viewpoint of evaluation criteria.
  • the via points P 1 and m corresponding to various combinations of the setting start point Ps and the setting end point Pe (setting posture) are generated, and a lot of evaluation points data corresponding to each are generated.
  • the learning data set is created and stored in the database (data set holding unit) 34.
  • the trajectory planning unit 32 performs machine learning using such a large number of learning data sets, so that a highly evaluated via point P n, m can be continuously generated, and a highly evaluated path T1 is connected by connecting them. Can be generated.
  • the storage device constituting the database 34 may be provided in the robot controller 3 as in the present embodiment (abbreviated as “DB” in FIG. 1 above), or information can be sent to and received from the trajectory planning unit 32. May be provided outside the robot controller 3.
  • FIG. 4 shows an example of a schematic model configuration of the neural network of the trajectory planning unit 32 when deep learning is applied.
  • the neural network of the trajectory planning unit 32 includes a current via point P n (Xp n , Yp n , Zp n ) and a current via posture V n (abbreviated as three-dimensional vector data) located at that time.
  • the set end point Pe (Xpe, Ype, Zpe) and the set posture Ve (abbreviated as three-dimensional vector data) input from the work plan unit 31 are routed next from the correspondence between these input data.
  • each value output by each output node of the trajectory planning unit 32 is output by multi-value output (continuous value) by regression problem processing. Then, the next via point P n + 1 and the next via posture V n + 1 configured by these output values are located within a predetermined separation distance range from the current via point P n and the current via posture V n in the work environment map. It is not in the entry prohibition area X, and it is a via point and a via posture from which high evaluation is obtained from the viewpoint of evaluation criteria (low movement power consumption in this example).
  • next via point P n + 1 and the next via posture V n + 1 are re-input to the trajectory planning unit 32 together with the set end point Pe and the set posture Ve as the next current via point P n and the current via posture V n.
  • the generation process of the next via point P n + 1 and the next via posture V n + 1 in the trajectory planning unit 32 as described above is based on the learning content in the machine learning process in the learning phase of the trajectory planning unit 32. That is, the neural network of the trajectory planning unit 32 learns a feature amount that represents a correlation between each input data and each output data.
  • a multi-layer neural network designed as described above is implemented in software (or hardware) on the robot controller 3, and then stored in the database 34.
  • the trajectory planning unit 32 is trained by so-called supervised learning using the trajectory planning unit learning data set.
  • the trajectory planning unit learning data set used here is, for example, as shown in FIG.
  • set posture Ve set posture
  • the path data representing the via posture V 1 (illustrated by a work environment map in the figure) and the movement power consumption (evaluation value data) in the path data are created as one learning data set.
  • a large number of such learning data sets are created by combining various setting start points Ps and setting end points Pe (setting posture Ve), and stored in the database 34.
  • the current via point P n and the current via posture V n , the set end point Pe and the set posture Ve are input data, and the next via point P n + 1 and the next via posture V
  • a combination of teacher data with n + 1 as output data is used to adjust the weighting factor of each edge connecting nodes so that the relationship between the input layer and the output layer of the neural network of the trajectory planning unit 32 is established.
  • Learning is performed by backpropagation processing. In this back-propagation process, only data with particularly high evaluation value data may be extracted from a large number of data sets, and only this may be used as teacher data to adjust the weighting coefficient of each edge.
  • all data sets may be used as teacher data, and adjustment may be performed so that the weighting coefficient of each edge is increased or decreased according to each evaluation value data.
  • the processing accuracy is improved by using various known learning methods such as so-called auto encoder, limited Boltzmann machine, dropout, noise addition, and sparse regularization. Also good.
  • next via point P n + 1 and the next via posture V n + 1 generated by the trajectory planning unit 32, the current via point P n and the current via posture V n that are the origin thereof, the set end point Pe and the set posture Ve are obtained. It is also possible to create a new learning data set by associating all of the path data including the evaluation data and the evaluation value data, and store it in the database 34 for use in the next learning phase of the trajectory planning unit 32. That is, so-called online learning may be executed.
  • the learning phase of the trajectory planning unit 32 corresponds to the machine learning process described in each claim, and the processing part constituting the neural network in the trajectory planning unit 32 corresponds to the via point generation unit described in each claim. .
  • the machine learning algorithm of the trajectory planning unit 32 is not limited to the illustrated deep learning, and other machine learning algorithms using a support vector machine, a Bayesian network, etc. (not shown) are applied. May be. Even in such a case, the basic configuration of outputting the next via point P n + 1 and the next via posture V n + 1 appropriately corresponding to the input setting start point Ps and setting end point Pe is the same.
  • the robot controller 3 performs a predetermined evaluation corresponding to each of the plurality of path data generated based on the operation constraint condition of the robot 5 and the path data.
  • a path of the robot 5 between a set start point Ps and a set end point Pe that are arbitrarily set by executing a machine learning process based on a trajectory plan unit learning data set that is associated with evaluation value data that is a scale in the reference It has a trajectory planning unit 32 that generates T1.
  • the trajectory planning unit 32 performs machine learning with a path data data set generated based on motion constraint conditions by simulation or the like, and therefore, unlike so-called reinforcement learning, interference contact between the robot 5 and the work environment. Machine learning is possible with a data set that is guaranteed to be avoided.
  • the data set that the trajectory planning unit 32 performs machine learning also includes evaluation value data corresponding to each path data, a path T1 that is appropriate for the evaluation criterion can be generated. As a result, a more appropriate path T1 can be generated.
  • the trajectory planning unit 32 has a neural network that generates the next waypoint to be routed next so that the evaluation criterion is optimized based on the learning content in the machine learning process. As a result, it is possible to efficiently generate the path T1 using the next waypoint that is relatively easy to generate.
  • the trajectory planning unit 32 generates the path T1 by repeating the branch search at the next via point generated by the neural network from the setting start point Ps to the vicinity of the setting end point Pe.
  • the trajectory planning unit 32 generates the path T1 by repeating the branch search at the next via point generated by the neural network from the setting start point Ps to the vicinity of the setting end point Pe.
  • the evaluation criterion includes at least power consumption, so that a higher-quality path T1 can be generated.
  • the evaluation criteria are not limited to the above-described power consumption, and may include evaluation criteria such as a motion path distance, motion time, vibration evaluation value, or specified axis load.
  • the distance of the operation route is higher as the movement route, that is, the route length of the entire path is shorter.
  • the operation time is higher as the movement time is shorter, that is, the tact time is shorter.
  • the vibration evaluation value is higher as the vibration during movement is smaller.
  • the vibration evaluation value may be evaluated based on a so-called jerk value (a differential value of acceleration) detected specifically at the arm tip 5a or the end effector 6.
  • the specified axis load is evaluated as being higher as the load on the specified joint drive axis in the robot 5 is smaller.
  • the evaluation value data may be multiplied by a weight coefficient that can be arbitrarily set as appropriate, and the total evaluation value data obtained by adding all may be recorded in the data set.
  • the motion constraint condition is set in the motion region of the robot 5 that satisfies the motion region in which the robot 5 does not interfere with the surrounding work environment (target workpiece, work table, tools, etc.). .
  • other robots are, for example, motion regions that do not enter the predetermined entry prohibition region X for securing safety reasons and performance, or other handling robots are handling. You may set to the operation area
  • the host controller 2 that sets the operation constraint condition defined by the 3D model data in the robot controller 3 is provided. This makes it possible to set flexible operation constraint conditions corresponding to the user's intention.
  • an operation constraint condition may be input to the robot controller 3 using a programming pendant or the like.
  • the database 34 stores a new data set in which the path T1 of the robot 5 generated by the trajectory planning unit 32 is associated with the operation constraint condition of the robot 5 and the evaluation value data. This makes it possible to execute a more appropriate machine learning process using path data including the path T1 generated as appropriate in the past, and improve the accuracy of the trajectory planning unit 32.
  • the trajectory planning unit 32 sets a range in which the next waypoint can be set from the current waypoints P 2 and 1 as a candidate range B, and generates a random position from the candidate range B.
  • the next waypoint may be generated from among the plurality of candidate points P 3,1 , P 3,2 .
  • a known SBL Single-query, Bi-directional, Lazy in Collision checking
  • RRT Rapidly-Expanding Random Tree
  • the route search is also performed from the set end point Pe, and the candidate range generated by the trajectory planning unit 32 based on the current via points on the set start point Ps side and the set end point Pe side, respectively. (Candidate points) may be substituted for the above-described random sampling of SBL or RRT.
  • FIG. 8 is a diagram corresponding to FIG. 2 and shows a work environment map for explaining path planning by partial path connection.
  • the trajectory planning unit 32 generates the path T1 of the robot 5 by connecting the partial path generated by the simulation to the set start point Ps and the set end point Pe.
  • ⁇ Path planning by waypoint connection in the case of the second embodiment> Specifically, as this simulation, first, an appropriate waypoint is searched for from the set start point Ps and the set end point Pe, and the connection points within the predetermined separation distance range from the via points on the set start point Ps side and the set end point Pe side.
  • a partial path T2 that can be arranged and does not enter the entry prohibition area X is randomly generated.
  • This partial path T2 is configured by connecting via points that are continuously arranged at a predetermined separation distance, and a partial path T2 is generated in which both ends can substantially connect via points on the set start point Ps side and the set end point Pe side. Repeated until
  • the trajectory planning unit 32 in the present embodiment corresponds to a partial path generation unit described in each claim.
  • the electric power W consumed by the moving operation of the robot 5 on the partial path T2 can be calculated as evaluation value data.
  • This evaluation value data is used as the path data of the setting start point Ps, the setting end point Pe, and the partial path T2.
  • One trajectory planning unit learning data set can be created in association with. Then, partial paths T2 respectively corresponding to various combinations of the setting start point and the setting end point Pe (setting posture) are generated, and a large number of learning data sets are created together with the evaluation value data corresponding to each of them to create the database 34. Save it in (Data Set Holding Unit).
  • the trajectory planning unit 32 performs machine learning using such a large number of learning data sets, so that a highly evaluated partial path T2 can be generated, and these can be connected to generate a highly evaluated path T1.
  • FIG. 10 is a diagram corresponding to FIG. 4 and shows an example of a schematic model configuration of the neural network of the trajectory planning unit 32 when deep learning is applied.
  • the neural network of the trajectory planning unit 32 includes a set starting point Ps (Xps, Yps, Zps) and a starting point posture Vs (abbreviated as three-dimensional vector data) input from the work planning unit 31 and a set end point Pe.
  • the starting point side end point P 1 of the partial path T2 estimated to be appropriate for connection from the correspondence between these input data (Xp 1 , Yp 1 , Zp 1 ) and start point side posture V 1 (abbreviated as three-dimensional vector data), each connection via point (omitted in the figure), and end point side end point P n (Xp n , Yp n , Zp n ) and the end point side posture V n (abbreviated as three-dimensional vector data).
  • the trajectory planning unit learning data set used in the machine learning process of the trajectory planning unit 32 is, for example, as shown in FIG. 11 corresponding to a combination of a predetermined set start point Ps and a set end point Pe (set posture Ve).
  • Set posture Ve Created as one learning data set by associating the path data (illustrated by a work environment map in the figure) representing one partial path T2 generated in step 1 and the movement power consumption (evaluation value data) in the path data. To do.
  • a large number of such learning data sets are created by combining various setting start points Ps and setting end points Pe (setting posture Ve), and stored in the database 34.
  • the set start point Ps and the start position Vs set the end point Pe and the set orientation Ve as input data, the start point end point P 1 and the starting point side orientation V partial path T2 1 and each connection via point (omitted in the figure) and the combination of teacher data using the end point side end point P n and the end point side posture V n as output data, by back-propagation processing according to the evaluation value data, etc.
  • Do learning Also in this case, so-called online learning may be applied.
  • the machine learning algorithm of the trajectory planning unit 32 is other than the one based on the illustrated deep learning, for example, another machine learning algorithm using a support vector machine or a Bayesian network (not shown). May be applied. Even in this case, the basic configuration of outputting the partial path T2 appropriately corresponding to the input setting start point Ps and setting end point Pe is the same.
  • the robot system 1 includes the trajectory planning unit 32 that generates the partial path T2 that should be passed based on the learning content in the machine learning process so that the evaluation criterion is optimized. Yes. Accordingly, it is possible to generate a more appropriate path T1 using the partial path T2 learned that the evaluation criterion is appropriate.
  • the trajectory planning unit 32 generates a path T1 by connecting the partial path T2 generated by the trajectory planning unit 32 between the setting start point Ps and the setting end point Pe.
  • the partial path T2 can be connected to efficiently generate the path T1.
  • a known SBL or RRT may be used as a basic path planning method.
  • a branch search is also performed from the set end point Pe, and the partial path generated by the trajectory planning unit 32 based on the current via points on the set start point Ps side and the set end point Pe side, respectively. What is necessary is just to substitute T2 for random sampling of said SBL or RRT (illustration omitted).
  • the robot controller 3 includes, for example, a CPU 901, a ROM 903, a RAM 905, a dedicated integrated circuit 907 constructed for a specific application such as an ASIC or FPGA, an input device 913, and an output device 915.
  • the program can be recorded in, for example, the ROM 903, the RAM 905, the recording device 917, or the like.
  • the program can also be recorded temporarily or permanently on, for example, a magnetic disk such as a flexible disk, various optical disks such as CD / MO disks / DVDs, and a removable recording medium 925 such as a semiconductor memory. .
  • a recording medium 925 can also be provided as so-called package software.
  • the program recorded on these recording media 925 may be read by the drive 919 and recorded on the recording device 917 via the input / output interface 911, the bus 909, or the like.
  • the program can be recorded on, for example, a download site, another computer, another recording device (not shown), or the like.
  • the program is transferred via a network NW such as a LAN or the Internet, and the communication device 923 receives this program.
  • the program received by the communication device 923 may be recorded in the recording device 917 via the input / output interface 911, the bus 909, or the like.
  • the program can be recorded in, for example, an appropriate external connection device 927.
  • the program may be transferred via an appropriate connection port 921 and recorded in the recording device 917 via the input / output interface 911, the bus 909, or the like.
  • the CPU 901 executes various processes according to the program recorded in the recording device 917, thereby realizing the processes by the work planning unit 31, the trajectory planning unit 32, the inverse kinematics calculation unit 33, and the like.
  • the CPU 901 may directly read and execute the program from the recording device 917 or may be executed after it is once loaded into the RAM 905. Further, for example, when the program is received via the communication device 923, the drive 919, and the connection port 921, the CPU 901 may directly execute the received program without recording it in the recording device 917.
  • the CPU 901 may perform various processes based on signals and information input from the input device 913 such as a mouse, a keyboard, and a microphone (not shown) as necessary.
  • the input device 913 such as a mouse, a keyboard, and a microphone (not shown) as necessary.
  • the CPU 901 may output the result of executing the above processing from an output device 915 such as a display device or an audio output device, and the CPU 901 may send the processing result to the communication device 923 or the connection device as necessary. It may be transmitted via the port 921 or recorded on the recording device 917 or the recording medium 925.
  • the work planning unit 31, the trajectory planning unit 32, the inverse kinematics calculation unit 33, and the database 34 are all integrated into the robot controller 3, but this is not a limitation. Absent.
  • the robot controller 3 includes only the inverse kinematics calculation unit 33, and the general-purpose personal computer 2 ⁇ / b> A (abbreviated as “PC” in the drawing) includes a work planning unit 31, a trajectory planning unit 32,
  • the database 34 may be implemented in software. Even in this case, the transmission / reception relationship of various information and commands is the same.
  • the trajectory planning unit 32 is machine-learned using the learning data set stored in the database 34, whereby the same effects as those of the above embodiments can be obtained.
  • the general-purpose personal computer 2A in this case corresponds to the robot path generation device described in each claim.
  • Robot system 2 Host controller (robot path generator) 2A General-purpose personal computer (robot path generator) 3 Robot controller (robot path generator) 4 Servo Amplifier 5 Robot 6 End Effector 31 Work Planning Unit 32 Trajectory Planning Unit (Path Generation Unit, Via Point Generation Unit, Partial Path Generation Unit) 33 Inverse kinematics calculation unit 34 Database (data set holding unit) F frame Ps setting start point Pe setting end point T1 path T2 partial path X entry prohibition area

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Manipulator (AREA)
  • Numerical Control (AREA)

Abstract

【課題】より適切なパスを生成する。 【解決手段】ロボット５の動作拘束条件に基づいて生成された複数のパスデータと、パスデータのそれぞれに対応して所定の評価基準における尺度となる評価値データとを対応付けた軌道計画部学習用データセットを保持するデータベース３４と、軌道計画部学習用データセットに基づく機械学習プロセスの結果に基いて、任意に設定された設定始点Ｐｓと設定終点Ｐｅとの間のロボット５のパスＴ１を生成する軌道計画部３２と、を有する。

Description

ロボットパス生成装置及びロボットシステム
　開示の実施形態は、ロボットパス生成装置及びロボットシステムに関する。
　特許文献１には、コントローラのシミュレーションによりロボットの教示パスと較正パスを生成する手法が記載されている。
特開２０１４－１０４５８１号公報
　操作者によるティーチングの労力や操作者の習熟度によるばらつきを軽減するためには、上記従来技術のようにシミュレーションによってパスを自動生成する手法が好ましいが、実用的な時間でより高品質のパスを生成するためにはまだ改善の余地がある。
　本発明はこのような問題点に鑑みてなされたものであり、実用的な時間でより適切なパスを生成できるロボットパス生成装置及びロボットシステムを提供することを目的とする。
　上記課題を解決するため、本発明の一の観点によれば、ロボットの動作拘束条件に基づいて生成された複数のパスデータと、前記パスデータのそれぞれに対応して所定の評価基準における尺度となる評価値データとを対応付けたデータセットを保持するデータセット保持部と、前記データセットに基づく機械学習プロセスの結果に基いて、任意に設定された設定始点と設定終点との間の前記ロボットのパスを生成するパス生成部と、を有するロボットパス生成装置が適用される。
　また、本発明の一の観点によれば、ロボットと、ロボットパス生成装置と、前記ロボットパス生成装置の生成結果に基いて前記ロボットの動作を制御するロボットコントローラと、を有するロボットシステムが適用される。
　本発明によれば、実用的な時間でより適切なパスを生成できる。
実施形態のロボットシステムの概略的なシステムブロック構成の一例を表す図である。 第１実施形態の例の経由点接続によるパスプランニングを説明するための作業環境マップを表す図である。 経由点を接続してパスが生成された作業環境マップを表す図である。 軌道計画部のニューラルネットワークモデル概要構成の一例を表す図である。 多様な設定始点と設定終点に対応した経由点のパスデータを含む軌道計画部学習用データセットを例示する図である。 候補範囲、候補点を探索する場合の作業環境マップを表す図である。 パスプランニングにＳＢＬ又はＲＲＴを利用する場合の作業環境マップを表す図である。 第２実施形態の例の部分パス接続によるパスプランニングを説明するための作業環境マップを表す図である。 部分パスを接続してパスが生成された作業環境マップを表す図である。 軌道計画部のニューラルネットワークモデル概要構成の一例を表す図である。 多様な設定始点と設定終点に対応した部分パスのパスデータを含む軌道計画部学習用データセットを例示する図である。 ロボットコントローラのハードウェア構成を表すシステムブロック図である。 作業計画部、軌道計画部、及びデータベースを汎用パーソナルコンピュータに実装した場合のシステムブロック構成の一例を表す図である。
　以下、第１の実施形態について図面を参照しつつ説明する。
　＜ロボットシステムの概略構成＞
　図１は、本実施形態のロボットシステムの概略的なシステムブロック構成の一例を表している。図１においてロボットシステム１は、上位制御装置２と、ロボットコントローラ３と、サーボアンプ４と、ロボット５とを有している。なお、本実施形態の例では、自動車のフレームＦを対象ワークとして作業を行う場合を示しているが、他の機械構造物等を対象ワークとし、部品組み込み、塗料噴霧、カメラ画像での検査などといった他の作業に適用してもよい。
　上位制御装置２（入力装置）は、例えば特に図示しないＣＰＵ、ＲＯＭ、ＲＡＭ、操作部、表示部等を備えた汎用パーソナルコンピュータ等で構成されており、当該ロボットシステム１全体の動作を管理する。具体的には、操作部を介して操作者から入力された各種設定や指令に基づく作業指令、及び対象ワーク（この例のフレームＦ）やロボット５の三次元構造などの各種仕様を表す３Ｄモデルデータ（ＣＡＤデータ、ＣＡＭデータなど）をロボットコントローラ３に入力する。
　ロボットコントローラ３は、上記の上位制御装置２から入力された３Ｄモデルデータに基づいて、同じく入力された作業指令を実現するための各種処理を行いサーボアンプ４に駆動指令を出力する。このロボットコントローラ３は、作業計画部３１、軌道計画部３２、逆キネマティクス演算部３３とを有している。
　作業計画部３１は、上位制御装置２から入力された３Ｄモデルデータと作業指令に基づいて、ロボット５に行わせる具体的な作業内容（後述するエンドエフェクタ６の動作位置の移動工程や各位置での動作内容など）を計画し、それにより生成した設定始点、設定終点、及び設定姿勢を軌道計画部３２に出力する。この設定始点、設定終点、及び設定姿勢は、ロボット５の作業空間座標ＸＹＺ中においてエンドエフェクタ６の基準点を移動させる際の始点、終点、及び当該終点での当該エンドエフェクタ６の姿勢を表す指令である。また一方で、当該作業計画部３１は、上位制御装置２から入力されたものと同じ３Ｄモデルデータを軌道計画部３２にも入力する。また作業計画部３１は、エンドエフェクタ６に対する動作指令も出力しているが、図中では省略している。
　軌道計画部３２は、上記作業計画部３１から入力された設定始点、設定終点、設定姿勢、及び３Ｄモデルデータに基づいて、ロボット５が対象ワークに干渉接触しないようにエンドエフェクタ６を設定始点から設定終点まで移動させ、設定姿勢に姿勢制御するための適切な経由点と経由姿勢を逆キネマティクス演算部３３に出力する。なお本実施形態の例におけるこの軌道計画部３２の内部処理は、機械学習プロセスで学習したニューラルネットワークによって行うものであり、その処理内容や手法については後に詳述する。この軌道計画部３２が、各請求項記載のパス生成部に相当する。
　逆キネマティクス演算部３３は、その時点のエンドエフェクタ６の位置、姿勢から上記軌道計画部３２から入力された経由点及び経由姿勢への移動と姿勢制御を実現するために必要となるロボット５の各駆動軸モータ（図示省略）の目標回転角度を演算し、対応する駆動指令を出力する。
　なお、上述した作業計画部３１、軌道計画部３２、逆キネマティクス演算部３３等における処理等は、これらの処理の分担の例に限定されるものではなく、例えば、更に少ない数の処理部（例えば１つの処理部）で処理されてもよく、また、更に細分化された処理部により処理されてもよい。また、ロボットコントローラ３は、後述するＣＰＵ９０１（図１２参照）が実行するプログラムによりソフトウェア的に実装されてもよいし、その一部又は全部がＡＳＩＣやＦＰＧＡ、その他の電気回路等（ニューロモーフィックチップ等）の実際の装置によりハードウェア的に実装されてもよい。
　サーボアンプ４は、上記ロボットコントローラ３の逆キネマティクス演算部３３から入力された駆動指令に基づいて、ロボット５の各駆動軸モータ（図示省略）やエンドエフェクタ６を駆動制御する駆動電力の給電制御を行う。
　ロボット５は、図示する本実施形態の例では６つの関節軸を備えたマニプレータアーム（６軸ロボット）である。そのアーム先端部５ａには、この例のエンドエフェクタ６が装着されており、当該ロボット５を基準に設定された作業空間座標ＸＹＺ中におけるエンドエフェクタ６の位置制御及び姿勢制御が可能となっている。
　なお、上記上位制御装置２と上記ロボットコントローラ３が、各請求項記載のロボットパス生成装置に相当する。
　＜本実施形態の特徴＞
　一般的にロボットは、およそ３軸以上の駆動モータで各関節を駆動して動作する。上記ロボット５をその作業対象である対象ワークに対して所定の作業動作を行わせる際、ロボットコントローラ３はエンドエフェクタ６もしくはアーム先端部５ａなどの移動基準点が始点から終点まで通過するパス（経路、軌道：経由点の順序列）を指定して動作させる。このパスは、ロボットと対象ワークが干渉接触しない等の動作拘束条件下で設定することが望ましく、これまではロボットのパスを手動操作によるティーチングやランダムサンプリングを用いたパスプランニングで生成していた。
　通常では同じ始点と終点を接続するパスは複数通り存在するが、例えば消費電力などの評価基準についてできるだけ適切なパスを設定することが望ましい。そこで上記ティーチングの場合には操作者が経験的に評価基準が適切（消費電力が比較的小さい）となるパスを人為的に設計し、上記パスプランニングの場合にはシミュレーション上でランダムに生成された多数のサンプルパスのうち評価基準が適切（消費電力が比較的小さい）となるパスを選択していた。しかしながら、ティーチングの場合には操作者の経験に頼る部分が多く、また操作者によるバラツキが生じてしまう。また、パスプランニングの場合においても、ランダムに生成されるパスの品質は向上の余地がある。
　これに対して本実施形態のロボットコントローラ３は、軌道計画部用学習データセットに基づく機械学習プロセスを実行して、任意に設定された設定始点と設定終点との間のロボットのパスを生成する軌道計画部３２を有している。軌道計画部用学習データセットでは、３Ｄモデルデータによるロボット５の動作拘束条件に基づいて生成された複数のパスデータと、パスデータのそれぞれに対応して所定の評価基準における尺度となる評価値データとが、対応付けられている。
　このように軌道計画部３２が、シミュレーション等により動作拘束条件に基づいて生成されたパスデータのデータセットで機械学習しているため、いわゆる強化学習と異なり、ロボット５と対象ワークを含めた作業環境との干渉接触の回避が保証されたデータセットで機械学習できる。また、軌道計画部３２が機械学習するデータセットには各パスデータに対応した評価値データも含まれているため、評価基準について適切となるパスを生成できる。以下、上記の手法について順を追って説明する。
　＜第１実施形態の場合の経由点接続によるパスプランニングについて＞
　図２は、本実施形態の例の経由点接続によるパスプランニングを説明するための作業環境マップを示している。ここで図示する作業環境マップは、上記軌道計画部３２が設定するものであり、上述したようにロボット５が備える６軸の駆動軸に対応した６次元の駆動可能空間を、縦方向と横方向の２次元に次元圧縮して表現した平面図である。一般的に６軸での駆動によってエンドエフェクタ６の３次元位置と３次元姿勢の制御が可能であり、つまり当該作業環境マップにおける１点の位置座標はエンドエフェクタ６の３次元位置と３次元姿勢の両方の状態情報を表現している。そしてこの作業環境マップ中においては、上記作業計画部３１から入力された３Ｄモデルデータに基づいて、ロボット５の各部と対象ワークのフレームＦとが干渉接触するとして進入が禁止されている複数の進入禁止領域Ｘが設定されている。なお図中では、図示の煩雑を避けるために、各進入禁止領域Ｘを３つの単純な幾何図形で簡略的に表している。
　そして軌道計画部３２は、この作業環境マップ上において上記作業計画部３１から入力された設定始点Ｐｓと設定終点Ｐｅ（それぞれ姿勢も含む）を設定し、各進入禁止領域Ｘへの進入を避けつつその設定始点Ｐｓから設定終点Ｐｅまでの移動通過経路、つまりパスを生成する。本実施形態の例では、シミュレーションによって分岐探索した多数の経由点間を接続することで上記のパスを生成する。
　このシミュレーションとして具体的には、まず設定始点Ｐｓから所定の離間距離範囲内で、かつ進入禁止領域Ｘに入らない複数の経由点Ｐ１，ｍ（図示する例ではｍ＝１～３の３つ）をランダムに生成する。そしてこれらの経由点Ｐ１，ｍのそれぞれから、さらに所定の離間距離範囲内で、かつ進入禁止領域Ｘに入らない複数の経由点Ｐ２，ｍをランダムに生成する。このような経由点Ｐｎ，ｍ（設定開始点からｎ番目に経由するｍ個の経由点）の生成を繰り返して行い、最終的にいずれかの経由点Ｐｎ，ｍが設定終点Ｐｅから所定の離間距離範囲Ａ内に到達するまで継続する。
　ただし、生成した経由点Ｐｎ，ｍが明らかに設定終点Ｐｅから遠ざかる方向にあることや、当該経由点Ｐｎ，ｍへ向かう経路に対応する後述の評価値が明らかに低いことが判明した場合には、当該経由点Ｐｎ，ｍからの新たな経由点Ｐｎ＋１，ｍの生成を一旦中断する。また、１つの経由点Ｐｎ，ｍが複数の進入禁止領域Ｘに挟まれているなどの条件では、そこから経由点Ｐｎ＋１，１を１つだけ生成してもよい。また、１つの経由点Ｐｎ，ｍが進入禁止領域Ｘや作業可能領域の限界境界（作業環境マップの縁）に阻まれて設定終点Ｐｅに到達できないことが判明した場合には、当該経由点Ｐｎ，ｍからの新たな経由点Ｐｎ＋１，１の生成を止めて、上記中断していた経由点Ｐｎ＋１，１からの分岐探索を再開する。
　そして最終的に設定終点Ｐｅ付近に到達した経由点Ｐｎ，ｍを当該設定終点Ｐｅに接続することで、図３に示すように、設定始点Ｐｓから設定終点Ｐｅまで一連して通過可能な経由点Ｐｎ，ｍをそれらの順序列で接続したパスＴ１が生成される。このようにして、ロボット５のパスＴ１は複数の経由点の順序列として生成され、軌道計画部３２は設定始点Ｐｓから設定終点Ｐｅまで各経由点Ｐｎ（経由姿勢）を順に逆キネマティクス演算部３３に出力することで、当該パスＴ１に相当する軌道（姿勢）でロボット５の移動動作を制御できる。そしてこのパスＴ１上の各経由点Ｐｎは、いずれも上記作業環境マップ上における進入禁止領域Ｘ（周囲の作業環境と干渉接触する領域）に進入しない動作領域（動作拘束条件）上に位置しており、すなわちこのパスＴ１に相当する軌道上ではロボット５の各部とフレームＦとの干渉接触が確実に回避可能となっている。
　また、上記のシミュレーション上では、パスＴ１の各節、つまりパスＴ１上で隣接する２つの経由点間の移動経路ごとに、ロボット５の移動動作で消費される電力Ｗｎ（図示する例ではｎ＝１～７）を算出できる。本実施形態の例では、この消費電力Ｗを評価基準とし、できるだけパスＴ１全体での合計消費電力Ｗが低くなるパスＴ１を高く評価する。しかし、上記シミュレーションによるパスプランニングでは、基本的に各経由点Ｐｎ，ｍの位置がランダムに生成されるため、評価基準の観点でパスＴ１の品質を向上させる余地がある。
　そこで本実施形態では、上記シミュレーションによって多様な設定始点Ｐｓと設定終点Ｐｅ（設定姿勢）の組み合わせにそれぞれ対応する経由点Ｐ１，ｍを生成し、またそれぞれに対応する評価値データと併せて多数の学習用データセットを作成してデータベース（データセット保持部）３４に保存する。軌道計画部３２がこのような多数の学習用データセットを用いて機械学習することで、評価の高い経由点Ｐｎ，ｍを連続的に生成でき、それらを接続して評価の高いパスＴ１を生成できる。このデータベース３４を構成する記憶装置は、本実施形態のようにロボットコントローラ３の内部に備えてもよいし（上記図１中では「ＤＢ」と略記）、もしくは軌道計画部３２に対し情報送受可能に接続されてロボットコントローラ３の外部に設けられていてもよい。
　＜第１実施形態の場合の軌道計画部の具体的構成について＞
　軌道計画部３２には多様な機械学習手法を適用できるが、以下においては例えば機械学習アルゴリズムに深層学習（ディープラーニング）を適用した場合の例を説明する。図４は、深層学習を適用した場合における軌道計画部３２のニューラルネットワークの概略モデル構成の一例を示している。
　この図４において、軌道計画部３２のニューラルネットワークは、その時点で位置している現経由点Ｐｎ（Ｘｐｎ，Ｙｐｎ，Ｚｐｎ）と現経由姿勢Ｖｎ（３次元ベクトルデータとして略記）とともに、上記作業計画部３１から入力された設定終点Ｐｅ（Ｘｐｅ，Ｙｐｅ，Ｚｐｅ）及び設定姿勢Ｖｅ（３次元ベクトルデータとして略記）に対して、これら入力データの間の対応関係から次に経由することが適切であると推定される次経由点Ｐｎ＋１（Ｘｐｎ＋１，Ｙｐｎ＋１，Ｚｐｎ＋１）及び次経由姿勢Ｖｎ＋１（３次元ベクトルデータとして略記）を出力するよう設計されている。
　ここで、軌道計画部３２の各出力ノードが出力する各値については、それぞれ回帰問題処理による多値出力（連続値）により出力される。そしてこれらの出力値で構成する次経由点Ｐｎ＋１及び次経由姿勢Ｖｎ＋１は、上記作業環境マップにおいて現経由点Ｐｎ及び現経由姿勢Ｖｎから所定の離間距離範囲内に位置するとともに、いずれの進入禁止領域Ｘ内に位置せず、また評価基準（この例における移動消費電力の低さ）の観点でも高い評価が得られる経由点及び経由姿勢となる。そして次には、これら次経由点Ｐｎ＋１及び次経由姿勢Ｖｎ＋１を次の現経由点Ｐｎ及び現経由姿勢Ｖｎとして、設定終点Ｐｅ及び設定姿勢Ｖｅとともに軌道計画部３２に再入力することで、さらに次の次経由点Ｐｎ＋１及び次経由姿勢Ｖｎ＋１を生成することができ、これを繰り返して設定終点Ｐｅ付近まで到達させる。なお、設定始点Ｐｓ及び始点姿勢Ｖｓから始める場合には、現経由点Ｐｎ及び現経由姿勢Ｖｎに設定始点Ｐｓ及びその始点姿勢Ｖｓを代入して（つまりｎ＝０として）処理させればよい。
　以上のような軌道計画部３２における次経由点Ｐｎ＋１及び次経由姿勢Ｖｎ＋１の生成処理は、当該軌道計画部３２の学習フェーズにおける機械学習プロセスでの学習内容に基づくものである。すなわち、この軌道計画部３２のニューラルネットワークは、各入力データと各出力データとの間の相関を表す特徴量を学習している。この軌道計画部３２の機械学習プロセスについては、上記のように設計された多層ニューラルネットワークがロボットコントローラ３上でソフトウェア的（又はハードウェア的）に実装された後、上記データベース３４に保存した多数の軌道計画部学習用データセットを用いていわゆる教師あり学習により軌道計画部３２に学習させる。ここで用いる軌道計画部学習用データセットは、例えば図５に示すように、所定の設定始点Ｐｓと設定終点Ｐｅ（設定姿勢Ｖｅ）の組み合わせに対応してシミュレーション上で生成した１つの経由点Ｐ１及び経由姿勢Ｖ１を表すパスデータ（図中では作業環境マップで図示）と、当該パスデータでの移動消費電力（評価値データ）とを対応付けて１つの学習用データセットとして作成する。そしてこのような学習用データセットを多様な設定始点Ｐｓと設定終点Ｐｅ（設定姿勢Ｖｅ）の組み合わせで多数作成して、データベース３４に保存する。
　本実施形態の例における軌道計画部３２の学習フェーズでは、現経由点Ｐｎ及び現経由姿勢Ｖｎと、設定終点Ｐｅ及び設定姿勢Ｖｅを入力データとし、次経由点Ｐｎ＋１及び次経由姿勢Ｖｎ＋１を出力データとした組み合わせの教師データを用いて、軌道計画部３２のニューラルネットワークの入力層と出力層の間の関係性が成立するよう各ノードどうしをつなぐ各エッジの重み係数を調整するいわゆるバックプロパゲーション処理等により学習を行う。このバックプロパゲーション処理では、多数のデータセットのうち特に評価値データの高いデータのみを抽出し、これだけを教師データに用いて各エッジの重み係数を強めるよう調整してもよい。または、全てのデータセットを教師データとし、それぞれの評価値データに応じて各エッジの重み係数を強めたり弱めたりするよう調整してもよい。なお、このようなバックプロパゲーションの他にも、いわゆるオートエンコーダ、制限付きボルツマンマシン、ドロップアウト、ノイズ付加、及びスパース正則化などの公知の多様な学習手法を併用して処理精度を向上させてもよい。
　また、上記軌道計画部３２で生成した次経由点Ｐｎ＋１及び次経由姿勢Ｖｎ＋１と、その元となっている現経由点Ｐｎ及び現経由姿勢Ｖｎと、設定終点Ｐｅ及び設定姿勢Ｖｅを全て含んだパスデータ、及びその評価値データを対応づけて、新たな学習用データセットを作成し、データベース３４に保存して次の軌道計画部３２の学習フェーズで利用してもよい。つまり、いわゆるオンライン学習を実行してもよい。この軌道計画部３２の学習フェーズが、各請求項記載の機械学習プロセスに相当し、軌道計画部３２のうち上記ニューラルネットワークを構成する処理部分が、各請求項記載の経由点生成部に相当する。
　なお上述したように、軌道計画部３２の機械学習アルゴリズムは、図示した深層学習によるもの以外にも、例えばサポートベクトルマシンやベイジアンネットワーク等を利用した他の機械学習アルゴリズム（特に図示せず）を適用してもよい。その場合でも、入力した設定始点Ｐｓ及び設定終点Ｐｅに適切に対応する次経由点Ｐｎ＋１及び次経由姿勢Ｖｎ＋１を出力するという基本的な構成については同等となる。
　＜第１実施形態による効果＞
　以上説明したように、第１実施形態のロボットシステム１は、ロボットコントローラ３が、ロボット５の動作拘束条件に基づいて生成された複数のパスデータと、パスデータのそれぞれに対応して所定の評価基準における尺度となる評価値データとを対応付けた軌道計画部学習用データセットに基づく機械学習プロセスを実行して、任意に設定された設定始点Ｐｓと設定終点Ｐｅとの間のロボット５のパスＴ１を生成する軌道計画部３２を有している。このように軌道計画部３２が、シミュレーション等により動作拘束条件に基づいて生成されたパスデータのデータセットで機械学習しているため、いわゆる強化学習と異なり、ロボット５と作業環境との干渉接触の回避が保証されたデータセットで機械学習できる。また、軌道計画部３２が機械学習するデータセットには各パスデータに対応した評価値データも含まれているため、評価基準について適切となるパスＴ１を生成できる。この結果、より適切なパスＴ１を生成できる。
　また、本実施形態では特に、軌道計画部３２は、機械学習プロセスでの学習内容に基づき、評価基準が最適となるよう次に経由すべき次経由点を生成するニューラルネットワークを有している。これにより、比較的生成が容易な次経由点を利用して効率的にパスＴ１の生成が可能となる。
　また、本実施形態では特に、軌道計画部３２は、設定始点Ｐｓから始めて設定終点Ｐｅの近傍となるまでニューラルネットワークが生成した次経由点での分岐探索を繰り返してパスＴ１を生成する。これにより、次経由点の順序列で接続して効率的に適切なパスＴ１の生成が可能となる。
　また、本実施形態では特に、評価基準は少なくとも、消費電力を含むことにより、より高品質なパスＴ１を生成できる。なお、評価基準については上記の消費電力に限られず、他にも動作経路の距離、動作時間、振動評価値、又は指定軸負荷などの評価基準を含めてもよい。この場合、動作経路の距離については、その移動経路、つまりパス全体の経路長が短いほど高い評価とする。また、動作時間については、移動時間が短い、つまりタクトタイムが短いほど高い評価とする。また、振動評価値については、移動中の振動が小さいほど高い評価とする。この振動評価値については、具体的にアーム先端部５ａやエンドエフェクタ６において検出されるいわゆるジャーク値（加速度の微分値）に基づいて評価すればよい。また、指定軸負荷については、ロボット５の中の指定された関節駆動軸における負荷が小さいほど高い評価とする。なお、これらの評価基準については、上記実施形態のようにそれぞれ単独で適用してもよいし、もしくは複数の評価基準を併用して適用してもよい。ここで複数の評価基準を適用する場合には、それらの評価値データそれぞれに適宜任意に設定可能な重み係数を乗算し、全て加算した総合評価値データをデータセットに記録してもよい。
　また、本実施形態では特に、動作拘束条件は、ロボット５がその周囲の作業環境（対象ワーク、作業台、ツール類等）と干渉接触しない動作領域を満たすロボット５の動作領域に設定されている。これにより、ロボット５がその周囲の作業環境と干渉接触しないことを前提としたパスＴ１の生成が可能となる。また、他の動作拘束条件として、その他のロボットが例えば保安上の理由や動作性能を確保するための所定の進入禁止領域Ｘに進入しない動作領域であったり、他のハンドリングロボットがハンドリングしている対象物（水の入ったコップなど）を所定角度以上に傾けない動作領域に設定されてもよい（特に図示せず）。これらの場合には、ロボットの進入禁止領域Ｘへの進入の回避や、対象物の所定角度以上の傾きの回避を前提としたパスＴ１の生成が可能となる。
　また、本実施形態では特に、３Ｄモデルデータで定義された動作拘束条件をロボットコントローラ３に設定する上位制御装置２を有している。これにより、ユーザの意図に対応した柔軟な動作拘束条件の設定が可能となる。なお、上位制御装置２以外にも例えばプログラミングペンダントなどで動作拘束条件をロボットコントローラ３に入力してもよい。
　また、本実施形態では特に、データベース３４は、軌道計画部３２によって生成されたロボット５のパスＴ１を当該ロボット５の動作拘束条件と評価値データとに対応付けた新たなデータセットを記憶する。これにより、過去に適切であるとして生成したパスＴ１を含めたパスデータを用いてより適切な機械学習プロセスの実行が可能となり、軌道計画部３２の精度を向上できる。
　＜第１実施形態の変形例＞
　なお、以上説明した第１実施形態は、その趣旨及び技術的思想を逸脱しない範囲内で種々の変形が可能である。
　例えば、軌道計画部３２は、図６に示すように現経由点Ｐ２，１から次経由点を設定し得る範囲を候補範囲Ｂとして設定し、この候補範囲Ｂの中からランダムな位置で生成した複数の候補点Ｐ３，１，Ｐ３，２の中から次経由点を生成してもよい。この場合には、初めから次経由点を全くランダムな位置で生成するよりも、より設定終点Ｐｅに向けて適切なパスＴ１を生成し得ると予想される次経由点を生成できる。
　また、パスプランニングの基本手法として、公知のＳＢＬ（Ｓｉｎｇｌｅ－ｑｕｅｒｙ、Ｂｉ－ｄｉｒｅｃｔｉｏｎａｌ、Ｌａｚｙ　ｉｎ　Ｃｏｌｌｉｓｉｏｎ　ｃｈｅｃｋｉｎｇ）又はＲＲＴ（Ｒａｐｉｄｌｙ－Ｅｘｐｌｏｒｉｎｇ　Ｒａｎｄｏｍ　Ｔｒｅｅ）を用いてもよい。この場合には、図７に示すように設定終点Ｐｅからも経由点の分岐探索を行い、設定始点Ｐｓ側と設定終点Ｐｅ側それぞれの現経由点に基づいて軌道計画部３２が生成した候補範囲（候補点）を上記のＳＢＬ又はＲＲＴのランダムサンプリングに代用すればよい。
　＜第２実施形態＞
　以下に、部分パス接続によるパスプランニングでパスを生成する第２実施形態について説明する。図８は、上記図２に対応する図であり、部分パス接続によるパスプランニングを説明するための作業環境マップを示している。本実施形態の例では、軌道計画部３２は、シミュレーションによって生成した部分パスを設定始点Ｐｓと設定終点Ｐｅに接続することでロボット５のパスＴ１を生成する。
　＜第２実施形態の場合の経由点接続によるパスプランニングについて＞
　このシミュレーションとして具体的には、まず設定始点Ｐｓと設定終点Ｐｅからそれぞれ適宜の経由点を分岐探索し、それら設定始点Ｐｓ側と設定終点Ｐｅ側の経由点から所定の離間距離範囲内で略接続可能な配置で、かつ進入禁止領域Ｘに入らない部分パスＴ２をランダムに生成する。この部分パスＴ２は所定の離間距離間隔で連続した配置の経由点を接続して構成され、その両端が設定始点Ｐｓ側と設定終点Ｐｅ側の経由点を略接続可能となる部分パスＴ２が生成されるまで繰り返される。
　そして最終的に適宜の部分パスＴ２を設定始点Ｐｓ側と設定終点Ｐｅ側の経由点に接続することで、図９に示すように、設定始点Ｐｓから設定終点Ｐｅまで一連して通過可能なパスＴ１が生成される。そしてこのパスＴ１に相当する軌道上においても、ロボット５の各部とフレームＦとの干渉接触が確実に回避可能となっている。なお、本実施形態における軌道計画部３２が、各請求項記載の部分パス生成部に相当する。
　上記のシミュレーション上では、部分パスＴ２上におけるロボット５の移動動作で消費される電力Ｗを評価値データとして算出でき、この評価値データを設定始点Ｐｓ、設定終点Ｐｅ、及び部分パスＴ２のパスデータと対応付けて１つの軌道計画部学習用データセットを作成できる。そして、多様な設定始点と設定終点Ｐｅ（設定姿勢）の組み合わせにそれぞれ対応する部分パスＴ２を生成し、またそれぞれに対応する評価値データと併せて多数の学習用データセットを作成してデータベース３４（データセット保持部）に保存する。軌道計画部３２がこのような多数の学習用データセットを用いて機械学習することで、評価の高い部分パスＴ２を生成でき、それらを接続して評価の高いパスＴ１を生成できる。
　＜第２実施形態の場合の軌道計画部の具体的構成について＞
　この第２実施形態においても、軌道計画部３２には多様な機械学習手法を適用できるが、以下においては例えば機械学習アルゴリズムに深層学習（ディープラーニング）を適用した場合の例を説明する。図１０は上記図４に対応する図であり、深層学習を適用した場合における軌道計画部３２のニューラルネットワークの概略モデル構成の一例を示している。
　この図１０において、軌道計画部３２のニューラルネットワークは、上記作業計画部３１から入力された設定始点Ｐｓ（Ｘｐｓ，Ｙｐｓ，Ｚｐｓ）及び始点姿勢Ｖｓ（３次元ベクトルデータとして略記）と、設定終点Ｐｅ（Ｘｐｅ，Ｙｐｅ，Ｚｐｅ）及び設定姿勢Ｖｅ（３次元ベクトルデータとして略記）に対して、これら入力データの間の対応関係から接続に適切であると推定される部分パスＴ２の始点側端点Ｐ１（Ｘｐ１，Ｙｐ１，Ｚｐ１）及び始点側姿勢Ｖ１（３次元ベクトルデータとして略記）と各接続経由点（図中では省略）と、終点側端点Ｐｎ（Ｘｐｎ，Ｙｐｎ，Ｚｐｎ）及び終点側姿勢Ｖｎ（３次元ベクトルデータとして略記）を出力するよう設計されている。
　この軌道計画部３２の機械学習プロセスで用いる軌道計画部学習用データセットは、例えば図１１に示すように、所定の設定始点Ｐｓと設定終点Ｐｅ（設定姿勢Ｖｅ）の組み合わせに対応してシミュレーション上で生成した１つの部分パスＴ２を表すパスデータ（図中では作業環境マップで図示）と、当該パスデータでの移動消費電力（評価値データ）とを対応付けて１つの学習用データセットとして作成する。そしてこのような学習用データセットを多様な設定始点Ｐｓと設定終点Ｐｅ（設定姿勢Ｖｅ）の組み合わせで多数作成して、データベース３４に保存する。
　本実施形態の例における軌道計画部３２の学習フェーズでは、設定始点Ｐｓ及び始点姿勢Ｖｓと、設定終点Ｐｅ及び設定姿勢Ｖｅを入力データとし、部分パスＴ２の始点側端点Ｐ１及び始点側姿勢Ｖ１と各接続経由点（図中では省略）と、終点側端点Ｐｎ及び終点側姿勢Ｖｎを出力データとした組み合わせの教師データを用いて、評価値データに応じたバックプロパゲーション処理等により学習を行う。またこの場合でも、いわゆるオンライン学習を適用してもよい。
　なお本実施形態の場合でも、軌道計画部３２の機械学習アルゴリズムは、図示した深層学習によるもの以外にも、例えばサポートベクトルマシンやベイジアンネットワーク等を利用した他の機械学習アルゴリズム（特に図示せず）を適用してもよい。その場合でも、入力した設定始点Ｐｓ及び設定終点Ｐｅに適切に対応する部分パスＴ２を出力するという基本的な構成については同等となる。
　＜第２実施形態による効果＞
　以上説明したように、第２実施形態のロボットシステム１は、機械学習プロセスでの学習内容に基づき、評価基準が最適となるよう通過すべき部分パスＴ２を生成する軌道計画部３２を有している。これにより、評価基準が適切であるとして学習した部分パスＴ２を利用してより適切なパスＴ１の生成が可能となる。
　また、本実施形態では特に、軌道計画部３２は、設定始点Ｐｓから設定終点Ｐｅの間で当該軌道計画部３２が生成した部分パスＴ２を接続してパスＴ１を生成する。これにより、部分パスＴ２を接続して効率的にパスＴ１の生成が可能となる。
　また本実施形態においても、パスプランニングの基本手法として、公知のＳＢＬ又はＲＲＴを用いてもよい。この場合には、図７に示すように設定終点Ｐｅからも経由点の分岐探索を行い、設定始点Ｐｓ側と設定終点Ｐｅ側それぞれの現経由点に基づいて軌道計画部３２が生成した部分パスＴ２を上記のＳＢＬ又はＲＲＴのランダムサンプリングに代用すればよい（図示省略）。
　＜ロボットコントローラのハードウェア構成例＞
　次に、図１２を参照しつつ、上記で説明したＣＰＵ９０１が実行するプログラムによりソフトウェア的に実装された作業計画部３１、軌道計画部３２、逆キネマティクス演算部３３等による処理を実現するロボットコントローラ３のハードウェア構成例について説明する。
　図１２に示すように、ロボットコントローラ３は、例えば、ＣＰＵ９０１と、ＲＯＭ９０３と、ＲＡＭ９０５と、ＡＳＩＣ又はＦＰＧＡ等の特定の用途向けに構築された専用集積回路９０７と、入力装置９１３と、出力装置９１５と、記録装置９１７と、ドライブ９１９と、接続ポート９２１と、通信装置９２３とを有する。これらの構成は、バス９０９や入出力インターフェース９１１を介し相互に信号を伝達可能に接続されている。
　プログラムは、例えば、ＲＯＭ９０３やＲＡＭ９０５、記録装置９１７等に記録しておくことができる。
　また、プログラムは、例えば、フレキシブルディスクなどの磁気ディスク、各種のＣＤ・ＭＯディスク・ＤＶＤ等の光ディスク、半導体メモリ等のリムーバブルな記録媒体９２５に、一時的又は永続的に記録しておくこともできる。このような記録媒体９２５は、いわゆるパッケージソフトウエアとして提供することもできる。この場合、これらの記録媒体９２５に記録されたプログラムは、ドライブ９１９により読み出されて、入出力インターフェース９１１やバス９０９等を介し上記記録装置９１７に記録されてもよい。
　また、プログラムは、例えば、ダウンロードサイト・他のコンピュータ・他の記録装置等（図示せず）に記録しておくこともできる。この場合、プログラムは、ＬＡＮやインターネット等のネットワークＮＷを介し転送され、通信装置９２３がこのプログラムを受信する。そして、通信装置９２３が受信したプログラムは、入出力インターフェース９１１やバス９０９等を介し上記記録装置９１７に記録されてもよい。
　また、プログラムは、例えば、適宜の外部接続機器９２７に記録しておくこともできる。この場合、プログラムは、適宜の接続ポート９２１を介し転送され、入出力インターフェース９１１やバス９０９等を介し上記記録装置９１７に記録されてもよい。
　そして、ＣＰＵ９０１が、上記記録装置９１７に記録されたプログラムに従い各種の処理を実行することにより、上記の作業計画部３１、軌道計画部３２、逆キネマティクス演算部３３等による処理が実現される。この際、ＣＰＵ９０１は、例えば、上記記録装置９１７からプログラムを直接読み出して実行してもよいし、ＲＡＭ９０５に一旦ロードした上で実行してもよい。更にＣＰＵ９０１は、例えば、プログラムを通信装置９２３やドライブ９１９、接続ポート９２１を介し受信する場合、受信したプログラムを記録装置９１７に記録せずに直接実行してもよい。
　また、ＣＰＵ９０１は、必要に応じて、例えばマウス・キーボード・マイク（図示せず）等の入力装置９１３から入力する信号や情報に基づいて各種の処理を行ってもよい。
　そして、ＣＰＵ９０１は、上記の処理を実行した結果を、例えば表示装置や音声出力装置等の出力装置９１５から出力してもよく、さらにＣＰＵ９０１は、必要に応じてこの処理結果を通信装置９２３や接続ポート９２１を介し送信してもよく、上記記録装置９１７や記録媒体９２５に記録させてもよい。
　＜その他変形例＞
　上述した各実施形態及び各変形例においては、作業計画部３１、軌道計画部３２、逆キネマティクス演算部３３、データベース３４を全てロボットコントローラ３に一体にまとめた構成としていたが、これに限られない。他にも、図１３に示すように、ロボットコントローラ３が逆キネマティクス演算部３３だけを備え、汎用パーソナルコンピュータ２Ａ（図中では「ＰＣ」と略記）に作業計画部３１、軌道計画部３２、及びデータベース３４をソフトウェア的に実装してもよい。この場合においても、各種情報や指令の送受関係については同等となる。そして、汎用パーソナルコンピュータ２Ａにおいて、データベース３４に保存してある学習用データセットを用いて軌道計画部３２を機械学習させることにより、上記各実施形態と同等の効果を得ることができる。なお、この場合の汎用パーソナルコンピュータ２Ａが、各請求項記載のロボットパス生成装置に相当する。
　なお、以上の説明において、「垂直」「平行」「平面」等の記載がある場合には、当該記載は厳密な意味ではない。すなわち、それら「垂直」「平行」「平面」とは、設計上、製造上の公差、誤差が許容され、「実質的に垂直」「実質的に平行」「実質的に平面」という意味である。
　また、以上の説明において、外観上の寸法や大きさ、形状、位置等が「同一」「同じ」「等しい」「異なる」等の記載がある場合は、当該記載は厳密な意味ではない。すなわち、それら「同一」「等しい」「異なる」とは、設計上、製造上の公差、誤差が許容され、「実質的に同一」「実質的に同じ」「実質的に等しい」「実質的に異なる」という意味である。
　また、以上既に述べた以外にも、上記実施形態や各変形例による手法を適宜組み合わせて利用しても良い。その他、一々例示はしないが、上記実施形態や各変形例は、その趣旨を逸脱しない範囲内において、種々の変更が加えられて実施されるものである。
　１　　　　　　ロボットシステム
　２　　　　　　上位制御装置（ロボットパス生成装置）
　２Ａ　　　　　汎用パーソナルコンピュータ（ロボットパス生成装置）
　３　　　　　　ロボットコントローラ（ロボットパス生成装置）
　４　　　　　　サーボアンプ
　５　　　　　　ロボット
　６　　　　　　エンドエフェクタ
　３１　　　　　作業計画部
　３２　　　　　軌道計画部（パス生成部、経由点生成部、部分パス生成部）
　３３　　　　　逆キネマティクス演算部
　３４　　　　　データベース（データセット保持部）
　Ｆ　　　　　　フレーム
　Ｐｓ　　　　　設定始点
　Ｐｅ　　　　　設定終点
　Ｔ１　　　　　パス
　Ｔ２　　　　　部分パス
　Ｘ　　　　　　進入禁止領域
 
 

Claims (10)

  1. 　ロボットの動作拘束条件に基づいて生成された複数のパスデータと、前記パスデータのそれぞれに対応して所定の評価基準における尺度となる評価値データとを対応付けたデータセットを保持するデータセット保持部と、
    　前記データセットに基づく機械学習プロセスの結果に基いて、任意に設定された設定始点と設定終点との間の前記ロボットのパスを生成するパス生成部と、
    を有することを特徴とするロボットパス生成装置。
  2. 　前記パス生成部は、
    　前記機械学習プロセスでの学習内容に基づき、前記評価基準が最適となるよう次に経由すべき経由点を生成する経由点生成部を有していることを特徴とする請求項１記載のロボットパス生成装置。
  3. 　前記パス生成部は、
    　前記設定始点から始めて前記設定終点の近傍となるまで前記経由点生成部が生成した前記経由点での分岐探索を繰り返して前記パスを生成することを特徴とする請求項２記載のロボットパス生成装置。
  4. 　前記パス生成部は、
    　前記機械学習プロセスでの学習内容に基づき、前記評価基準が最適となるよう通過すべき部分パスを生成する部分パス生成部を有していることを特徴とする請求項１記載のロボットパス生成装置。
  5. 　前記パス生成部は、
    　前記設定始点から前記設定終点の間で前記部分パス生成部が生成した前記部分パスを接続して前記パスを生成することを特徴とする請求項４記載のロボットパス生成装置。
  6. 　前記評価基準は少なくとも消費電力、動作経路の距離、動作時間、振動評価値、指定軸負荷のいずれか１つを含むことを特徴とする請求項１乃至５のいずれか１項に記載のロボットパス生成装置。
  7. 　前記動作拘束条件は、
    　前記ロボットがその周囲の作業環境と干渉接触しない動作領域、
    　前記ロボットが所定の進入禁止領域に進入しない動作領域、
    　前記ロボットがハンドリングしている対象物を所定角度以上に傾けない動作領域、
    の少なくとも１つ以上を満たす前記ロボットの動作領域に設定されていることを特徴とする請求項１乃至６のいずれか１項に記載のロボットパス生成装置。
  8. 　前記動作拘束条件を設定する入力装置を有することを特徴とする請求項１乃至７のいずれか１項に記載のロボットパス生成装置。
  9. 　前記データセット保持部は、
    　前記パス生成部によって生成された前記ロボットのパスを前記ロボットの動作拘束条件と前記評価値データとに対応付けた新たなデータセットを記憶することを特徴とする請求項１乃至８のいずれか１項に記載のロボットパス生成装置。
  10. 　ロボットと、
    　請求項１乃至９のいずれか１項に記載のロボットパス生成装置と、
    　前記ロボットパス生成装置の生成結果に基いて前記ロボットの動作を制御するロボットコントローラと、
    を有することを特徴とするロボットシステム。
     
PCT/JP2018/001917 2017-01-31 2018-01-23 ロボットパス生成装置及びロボットシステム WO2018143003A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2018566072A JP6705977B2 (ja) 2017-01-31 2018-01-23 ロボットパス生成装置及びロボットシステム
EP18748623.8A EP3578322A4 (en) 2017-01-31 2018-01-23 ROBOT PATH GENERATING DEVICE AND ROBOT SYSTEM
CN201880008226.2A CN110198813B (zh) 2017-01-31 2018-01-23 机器人路径生成装置和机器人系统
US16/452,529 US11446820B2 (en) 2017-01-31 2019-06-26 Robot path generating device and robot system

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017-015408 2017-01-31
JP2017015408 2017-01-31

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US16/452,529 Continuation US11446820B2 (en) 2017-01-31 2019-06-26 Robot path generating device and robot system

Publications (1)

Publication Number Publication Date
WO2018143003A1 true WO2018143003A1 (ja) 2018-08-09

Family

ID=63039661

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/001917 WO2018143003A1 (ja) 2017-01-31 2018-01-23 ロボットパス生成装置及びロボットシステム

Country Status (5)

Country Link
US (1) US11446820B2 (ja)
EP (1) EP3578322A4 (ja)
JP (1) JP6705977B2 (ja)
CN (1) CN110198813B (ja)
WO (1) WO2018143003A1 (ja)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109702768A (zh) * 2018-10-10 2019-05-03 李强 学习型机器人动作数据采集方法
WO2020075423A1 (ja) * 2018-10-10 2020-04-16 ソニー株式会社 ロボット制御装置、ロボット制御方法及びロボット制御プログラム
CN111195906A (zh) * 2018-11-20 2020-05-26 西门子工业软件有限公司 用于预测机器人的运动轨迹的方法和系统
JP2020082314A (ja) * 2018-11-29 2020-06-04 京セラドキュメントソリューションズ株式会社 学習装置、ロボット制御装置、及びロボット制御システム
EP3666476A1 (en) * 2018-12-14 2020-06-17 Toyota Jidosha Kabushiki Kaisha Trajectory generation system and trajectory generating method
CN111546327A (zh) * 2019-01-28 2020-08-18 罗伯特·博世有限公司 用于确定机器人的动作或轨迹的方法、设备和计算机程序
JP2021010970A (ja) * 2019-07-05 2021-02-04 京セラドキュメントソリューションズ株式会社 ロボットシステム及びロボット制御方法
US20210154846A1 (en) * 2019-11-27 2021-05-27 Kabushiki Kaisha Yaskawa Denki Simulated robot trajectory
JP2021122899A (ja) * 2020-02-05 2021-08-30 株式会社デンソー 軌道生成装置、多リンクシステム、及び軌道生成方法
EP4029660A1 (en) 2021-01-19 2022-07-20 Kabushiki Kaisha Yaskawa Denki Planning system, robot system, planning method, and non-transitory computer readable storage medium
JPWO2022153373A1 (ja) * 2021-01-12 2022-07-21
JP7124947B1 (ja) 2021-11-08 2022-08-24 株式会社安川電機 プランニングシステム、プランニング方法、およびプランニングプログラム
WO2022201362A1 (ja) * 2021-03-24 2022-09-29 三菱電機株式会社 ロボット制御装置、ロボット制御プログラムおよびロボット制御方法
US11717965B2 (en) 2020-11-10 2023-08-08 Kabushiki Kaisha Yaskawa Denki Determination of robot posture
JP7463946B2 (ja) 2020-11-11 2024-04-09 富士通株式会社 動作制御プログラム、動作制御方法、および動作制御装置
US12042940B2 (en) 2019-11-27 2024-07-23 Kabushiki Kaisha Yaskawa Denki Interference check for robot operation
WO2024154250A1 (ja) * 2023-01-18 2024-07-25 株式会社Fuji 軌道生成装置および軌道生成方法
WO2024154249A1 (ja) * 2023-01-18 2024-07-25 株式会社Fuji 軌道生成装置および軌道生成方法
WO2024209967A1 (ja) * 2023-04-03 2024-10-10 川崎重工業株式会社 動作プログラム生成装置および動作プログラム生成方法

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3651943B1 (en) 2017-07-10 2024-04-24 Hypertherm, Inc. Computer-implemented methods and systems for generating material processing robotic tool paths
EP3587046A1 (de) * 2018-06-28 2020-01-01 Siemens Aktiengesellschaft Verfahren und vorrichtung zum rechnergestützten ermitteln von regelparametern für eine günstige handlung eines technischen systems
US11833681B2 (en) * 2018-08-24 2023-12-05 Nvidia Corporation Robotic control system
DE102019122790B4 (de) * 2018-08-24 2021-03-25 Nvidia Corp. Robotersteuerungssystem
JP7351702B2 (ja) * 2019-10-04 2023-09-27 ファナック株式会社 ワーク搬送システム
CN110991712B (zh) * 2019-11-21 2023-04-25 西北工业大学 一种空间碎片清除任务的规划方法及装置
US20210197377A1 (en) * 2019-12-26 2021-07-01 X Development Llc Robot plan online adjustment
US20210347047A1 (en) * 2020-05-05 2021-11-11 X Development Llc Generating robot trajectories using neural networks
TWI834876B (zh) * 2020-05-14 2024-03-11 微星科技股份有限公司 場域消毒機器人及控制方法
CN111923039B (zh) * 2020-07-14 2022-07-05 西北工业大学 一种基于强化学习的冗余机械臂路径规划方法
TWI739536B (zh) * 2020-07-31 2021-09-11 創璟應用整合有限公司 即時校正夾持座標之機械手臂系統
CN112446113A (zh) * 2020-11-12 2021-03-05 山东鲁能软件技术有限公司 电力系统环网图最优路径自动生成方法及系统
US11945117B2 (en) 2021-03-10 2024-04-02 Samsung Electronics Co., Ltd. Anticipating user and object poses through task-based extrapolation for robot-human collision avoidance
US12103185B2 (en) 2021-03-10 2024-10-01 Samsung Electronics Co., Ltd. Parameterized waypoint generation on dynamically parented non-static objects for robotic autonomous tasks
US11833691B2 (en) * 2021-03-30 2023-12-05 Samsung Electronics Co., Ltd. Hybrid robotic motion planning system using machine learning and parametric trajectories
CN113552807B (zh) * 2021-09-22 2022-01-28 中国科学院自动化研究所 数据集生成方法、装置、电子设备及存储介质
CN116890340B (zh) * 2023-07-27 2024-07-12 孙然 一种用于工业制造的智能搬运机器人

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05119823A (ja) * 1991-10-24 1993-05-18 Hitachi Ltd ロボツトの軌道計画方法及び制御装置
JP2000010617A (ja) * 1998-06-24 2000-01-14 Honda Motor Co Ltd 物品の最適移送経路決定方法
JP2002073130A (ja) * 2000-06-13 2002-03-12 Yaskawa Electric Corp ロボットの大域動作経路計画方法とその制御装置
JP2008105132A (ja) * 2006-10-25 2008-05-08 Toyota Motor Corp アームの関節空間における経路を生成する方法と装置
JP2011161624A (ja) * 2010-01-12 2011-08-25 Honda Motor Co Ltd 軌道計画方法、軌道計画システム及びロボット
JP2013193194A (ja) * 2012-03-22 2013-09-30 Toyota Motor Corp 軌道生成装置、移動体、軌道生成方法及びプログラム
JP2014104581A (ja) 2012-11-29 2014-06-09 Fanuc Robotics America Inc ロボットシステムの較正方法
WO2016103297A1 (ja) * 2014-12-25 2016-06-30 川崎重工業株式会社 アーム型のロボットの障害物自動回避方法及び制御装置

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5141876B2 (ja) * 2007-09-12 2013-02-13 株式会社国際電気通信基礎技術研究所 軌道探索装置
WO2010057528A1 (en) * 2008-11-19 2010-05-27 Abb Technology Ab A method and a device for optimizing a programmed movement path for an industrial robot
KR101554515B1 (ko) * 2009-01-07 2015-09-21 삼성전자 주식회사 로봇의 경로계획장치 및 그 방법
KR101667029B1 (ko) * 2009-08-10 2016-10-17 삼성전자 주식회사 로봇의 경로 계획방법 및 장치
KR101667031B1 (ko) * 2009-11-02 2016-10-17 삼성전자 주식회사 로봇의 경로 계획 장치 및 그 방법
JP5906837B2 (ja) * 2012-03-12 2016-04-20 富士通株式会社 経路探索方法、経路探索装置、及びプログラム
US9649765B2 (en) * 2013-03-11 2017-05-16 Siemens Aktiengesellschaft Reducing energy consumption of industrial robots by using new methods for motion path programming
CN103278164B (zh) * 2013-06-13 2015-11-18 北京大学深圳研究生院 一种复杂动态场景下机器人仿生路径规划方法及仿真平台
JP5860081B2 (ja) * 2014-02-27 2016-02-16 ファナック株式会社 ロボットの動作経路を生成するロボットシミュレーション装置
US20150278404A1 (en) * 2014-03-26 2015-10-01 Siemens Industry Software Ltd. Energy and cycle time efficiency based method for robot positioning
CN104020772B (zh) * 2014-06-17 2016-08-24 哈尔滨工程大学 一种带有运动学的复杂形状目标遗传路径规划方法
CN105511457B (zh) * 2014-09-25 2019-03-01 科沃斯机器人股份有限公司 机器人静态路径规划方法
US10023393B2 (en) * 2015-09-29 2018-07-17 Amazon Technologies, Inc. Robotic tossing of items in inventory system
US10093021B2 (en) * 2015-12-02 2018-10-09 Qualcomm Incorporated Simultaneous mapping and planning by a robot
US10035266B1 (en) * 2016-01-18 2018-07-31 X Development Llc Generating robot trajectories using a real time trajectory generator and a path optimizer

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05119823A (ja) * 1991-10-24 1993-05-18 Hitachi Ltd ロボツトの軌道計画方法及び制御装置
JP2000010617A (ja) * 1998-06-24 2000-01-14 Honda Motor Co Ltd 物品の最適移送経路決定方法
JP2002073130A (ja) * 2000-06-13 2002-03-12 Yaskawa Electric Corp ロボットの大域動作経路計画方法とその制御装置
JP2008105132A (ja) * 2006-10-25 2008-05-08 Toyota Motor Corp アームの関節空間における経路を生成する方法と装置
JP2011161624A (ja) * 2010-01-12 2011-08-25 Honda Motor Co Ltd 軌道計画方法、軌道計画システム及びロボット
JP2013193194A (ja) * 2012-03-22 2013-09-30 Toyota Motor Corp 軌道生成装置、移動体、軌道生成方法及びプログラム
JP2014104581A (ja) 2012-11-29 2014-06-09 Fanuc Robotics America Inc ロボットシステムの較正方法
WO2016103297A1 (ja) * 2014-12-25 2016-06-30 川崎重工業株式会社 アーム型のロボットの障害物自動回避方法及び制御装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3578322A4

Cited By (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020075423A1 (ja) * 2018-10-10 2020-04-16 ソニー株式会社 ロボット制御装置、ロボット制御方法及びロボット制御プログラム
CN109702768A (zh) * 2018-10-10 2019-05-03 李强 学习型机器人动作数据采集方法
CN111195906B (zh) * 2018-11-20 2023-11-28 西门子工业软件有限公司 用于预测机器人的运动轨迹的方法和系统
CN111195906A (zh) * 2018-11-20 2020-05-26 西门子工业软件有限公司 用于预测机器人的运动轨迹的方法和系统
EP3656513A1 (en) * 2018-11-20 2020-05-27 Siemens Industry Software Ltd. Method and system for predicting a motion trajectory of a robot moving between a given pair of robotic locations
JP2020082314A (ja) * 2018-11-29 2020-06-04 京セラドキュメントソリューションズ株式会社 学習装置、ロボット制御装置、及びロボット制御システム
JP7247552B2 (ja) 2018-11-29 2023-03-29 京セラドキュメントソリューションズ株式会社 学習装置、ロボット制御装置、及びロボット制御システム
JP7028151B2 (ja) 2018-12-14 2022-03-02 トヨタ自動車株式会社 軌道生成装置
CN111319038A (zh) * 2018-12-14 2020-06-23 丰田自动车株式会社 轨道生成系统和轨道生成方法
US11433538B2 (en) 2018-12-14 2022-09-06 Toyota Jidosha Kabushiki Kaisha Trajectory generation system and trajectory generating method
EP3666476A1 (en) * 2018-12-14 2020-06-17 Toyota Jidosha Kabushiki Kaisha Trajectory generation system and trajectory generating method
JP2020093364A (ja) * 2018-12-14 2020-06-18 トヨタ自動車株式会社 軌道生成装置
KR20200073985A (ko) * 2018-12-14 2020-06-24 도요타지도샤가부시키가이샤 궤도 생성 장치 및 궤도 생성 방법
CN111319038B (zh) * 2018-12-14 2023-02-28 丰田自动车株式会社 轨道生成系统和轨道生成方法
KR102330754B1 (ko) * 2018-12-14 2021-11-25 도요타지도샤가부시키가이샤 궤도 생성 장치 및 궤도 생성 방법
CN111546327A (zh) * 2019-01-28 2020-08-18 罗伯特·博世有限公司 用于确定机器人的动作或轨迹的方法、设备和计算机程序
JP2021010970A (ja) * 2019-07-05 2021-02-04 京セラドキュメントソリューションズ株式会社 ロボットシステム及びロボット制御方法
US12042940B2 (en) 2019-11-27 2024-07-23 Kabushiki Kaisha Yaskawa Denki Interference check for robot operation
EP3827935A1 (en) 2019-11-27 2021-06-02 Kabushiki Kaisha Yaskawa Denki Simulated robot trajectory
US20210154846A1 (en) * 2019-11-27 2021-05-27 Kabushiki Kaisha Yaskawa Denki Simulated robot trajectory
JP2021122899A (ja) * 2020-02-05 2021-08-30 株式会社デンソー 軌道生成装置、多リンクシステム、及び軌道生成方法
JP7375587B2 (ja) 2020-02-05 2023-11-08 株式会社デンソー 軌道生成装置、多リンクシステム、及び軌道生成方法
US11717965B2 (en) 2020-11-10 2023-08-08 Kabushiki Kaisha Yaskawa Denki Determination of robot posture
JP7463946B2 (ja) 2020-11-11 2024-04-09 富士通株式会社 動作制御プログラム、動作制御方法、および動作制御装置
JPWO2022153373A1 (ja) * 2021-01-12 2022-07-21
JP7441335B2 (ja) 2021-01-12 2024-02-29 川崎重工業株式会社 動作生成装置、ロボットシステム、動作生成方法及び動作生成プログラム
WO2022153373A1 (ja) * 2021-01-12 2022-07-21 川崎重工業株式会社 動作生成装置、ロボットシステム、動作生成方法及び動作生成プログラム
JP2022110711A (ja) * 2021-01-19 2022-07-29 株式会社安川電機 プランニングシステム、ロボットシステム、プランニング方法、およびプランニングプログラム
JP7272374B2 (ja) 2021-01-19 2023-05-12 株式会社安川電機 プランニングシステム、ロボットシステム、プランニング方法、およびプランニングプログラム
EP4029660A1 (en) 2021-01-19 2022-07-20 Kabushiki Kaisha Yaskawa Denki Planning system, robot system, planning method, and non-transitory computer readable storage medium
US12090667B2 (en) 2021-01-19 2024-09-17 Kabushiki Kaisha Yaskawa Denki Planning system, robot system, planning method, and non-transitory computer readable storage medium
WO2022201362A1 (ja) * 2021-03-24 2022-09-29 三菱電機株式会社 ロボット制御装置、ロボット制御プログラムおよびロボット制御方法
JP7438453B2 (ja) 2021-03-24 2024-02-26 三菱電機株式会社 ロボット制御装置、ロボット制御プログラムおよびロボット制御方法
JP2023069759A (ja) * 2021-11-08 2023-05-18 株式会社安川電機 プランニングシステム、プランニング方法、およびプランニングプログラム
JP7124947B1 (ja) 2021-11-08 2022-08-24 株式会社安川電機 プランニングシステム、プランニング方法、およびプランニングプログラム
WO2024154250A1 (ja) * 2023-01-18 2024-07-25 株式会社Fuji 軌道生成装置および軌道生成方法
WO2024154249A1 (ja) * 2023-01-18 2024-07-25 株式会社Fuji 軌道生成装置および軌道生成方法
WO2024209967A1 (ja) * 2023-04-03 2024-10-10 川崎重工業株式会社 動作プログラム生成装置および動作プログラム生成方法

Also Published As

Publication number Publication date
EP3578322A4 (en) 2020-08-26
US20190314989A1 (en) 2019-10-17
US11446820B2 (en) 2022-09-20
JPWO2018143003A1 (ja) 2019-06-27
JP6705977B2 (ja) 2020-06-03
EP3578322A1 (en) 2019-12-11
CN110198813A (zh) 2019-09-03
CN110198813B (zh) 2023-02-28

Similar Documents

Publication Publication Date Title
WO2018143003A1 (ja) ロボットパス生成装置及びロボットシステム
JP6807949B2 (ja) 干渉回避装置
US20220032461A1 (en) Method to incorporate complex physical constraints in path-constrained trajectory planning for serial-link manipulator
US10671081B1 (en) Generating and utilizing non-uniform volume measures for voxels in robotics applications
JP5754454B2 (ja) ロボットピッキングシステム及び被加工物の製造方法
JP6904327B2 (ja) 制御装置、制御方法、及び制御プログラム
US8606402B2 (en) Manipulator and control method thereof
Dallej et al. Towards vision-based control of cable-driven parallel robots
Kabir et al. Generation of synchronized configuration space trajectories of multi-robot systems
JP2003241836A (ja) 自走移動体の制御方法および装置
Kamali et al. Real-time motion planning for robotic teleoperation using dynamic-goal deep reinforcement learning
WO2021033486A1 (ja) モデル生成装置、モデル生成方法、制御装置及び制御方法
Balatti et al. A collaborative robotic approach to autonomous pallet jack transportation and positioning
Wen et al. A novel 3D path following control framework for robots performing surface finishing tasks
CN114516060A (zh) 用于控制机器人装置的设备和方法
JP2019084649A (ja) 干渉判定方法、干渉判定システム及びコンピュータプログラム
CN112672857A (zh) 路径生成装置、路径生成方法及路径生成程序
US10035264B1 (en) Real time robot implementation of state machine
US20240033904A1 (en) Simulating multiple robots in virtual environments
CN112703090B (zh) 机器人控制装置、机器人控制方法及存储介质
US20230141876A1 (en) Planning system, planning method, and non-transitory computer readable storage medium
CN109542094A (zh) 无期望图像的移动机器人视觉镇定控制
Puiu et al. Real-time collision avoidance for redundant manipulators
CN117075525B (zh) 基于约束型模型预测控制的移动机器人控制方法
Mora-Aguilar et al. Cooperative control of sliding mode for mobile manipulators

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18748623

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2018566072

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2018748623

Country of ref document: EP

Effective date: 20190902