WO2022230280A1 - ロボット制御システム、ロボット制御方法及びプログラム - Google Patents

ロボット制御システム、ロボット制御方法及びプログラム Download PDF

Info

Publication number
WO2022230280A1
WO2022230280A1 PCT/JP2022/003944 JP2022003944W WO2022230280A1 WO 2022230280 A1 WO2022230280 A1 WO 2022230280A1 JP 2022003944 W JP2022003944 W JP 2022003944W WO 2022230280 A1 WO2022230280 A1 WO 2022230280A1
Authority
WO
WIPO (PCT)
Prior art keywords
work
robot
progress
type
current
Prior art date
Application number
PCT/JP2022/003944
Other languages
English (en)
French (fr)
Inventor
哲司 中村
Original Assignee
株式会社日立製作所
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 株式会社日立製作所 filed Critical 株式会社日立製作所
Priority to US18/285,343 priority Critical patent/US20240109190A1/en
Publication of WO2022230280A1 publication Critical patent/WO2022230280A1/ja

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
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J13/00—Controls for manipulators
    • B25J13/08—Controls for manipulators by means of sensing devices, e.g. viewing or touching devices
    • 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
    • B25J9/1661—Programme controls characterised by programming, planning systems for manipulators characterised by task planning, object-oriented languages
    • 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
    • B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
    • 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
    • B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
    • B25J9/1697—Vision controlled systems
    • 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
    • G05B2219/40564—Recognize shape, contour of object, extract position and orientation
    • 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
    • G05B2219/40584—Camera, non-contact sensor mounted on wrist, indep from gripper

Definitions

  • the present invention relates to a robot control system, a robot control method, and a program for controlling a robot device that performs work.
  • robot devices represented by industrial robots and mobile robots are mainly configured to repeatedly execute memorized actions in order.
  • the robot device may not be able to autonomously perform actions suitable for the work objects. Therefore, there is known a system that determines an object to be worked on by a robot device using image data captured by a camera or the like, and controls the robot device to perform an action based on the determination result.
  • Patent Document 1 discloses an attribute detection step of detecting an attribute of a workpiece, a control condition setting step of setting a control condition based on the attribute of the workpiece and behavior information stored in a storage unit, and the control condition setting and a moving step of moving the workpiece based on control conditions set in the step.
  • Work attributes are, for example, shape, size, weight, and flexibility.
  • the work applied to a robot device that performs work autonomously is a relatively simple work represented by pick-and-place, and one work is performed on one work target by a single motion. often completed.
  • operations represented by assembly, installation, disassembly, repair, etc. it is necessary to combine and execute several processes so as to perform a plurality of operations on one work object.
  • a robot control system includes a robot apparatus, a work situation sensor that acquires information indicating a work situation of the robot apparatus with respect to a work target, and information acquired by the work situation sensor. Indicates the current work status acquired by the work status sensor using a learning model machine-learned from learning data including information indicating the work status obtained, the type of work target, and the progress of the work process. At least one or more of a processing unit that estimates and outputs the type of work object and the degree of progress of the current work process corresponding to the information, and an operation pattern of the robot device that corresponds to the current work process. and a motion selection unit that selects the motion pattern generation unit based on the type of the work target and the progress of the work process output by the arithmetic processing unit.
  • the operation content of the robot device is determined based on the degree of progress of the current work process.
  • FIG. 1 is a schematic diagram showing an example of the overall configuration of a robot control system according to a first embodiment of the present invention
  • FIG. 1 is a schematic diagram showing an example of a hardware configuration for executing software of a robot control system according to a first embodiment of the present invention
  • FIG. It is an external view showing an example of work by a robot device.
  • FIG. 3 is a schematic diagram showing an example of a software configuration of a learning program for performing machine learning on a learning model, stored in the learning controller of the robot control system according to the first embodiment of the present invention
  • FIG. 4 is a schematic diagram showing an example of learning data used by a learning program for machine learning of a learning model in the robot control system according to the first embodiment of the present invention;
  • FIG. 4 is a schematic diagram showing an example of the software configuration of an action command program that executes control using a machine-learned learning model stored in the learning controller of the robot control system according to the first embodiment of the present invention.
  • 4 is a flow chart showing an example procedure of a method for executing control using a learning model machine-learned by an action command program in the robot control system according to the first embodiment of the present invention.
  • FIG. 9 is a schematic diagram showing an example of learning data used by a learning program for machine learning of a learning model in the robot control system according to the second embodiment of the present invention;
  • FIG. 11 is a schematic diagram showing an example of learning data used by a learning program for machine learning of a learning model in the robot control system according to the third embodiment of the present invention;
  • FIG. 11 is a flow chart showing an example procedure of a method for executing control using a learning model machine-learned by an action command program in a robot control system according to a third embodiment of the present invention;
  • FIG. It is a schematic diagram showing an example of the whole robot control system composition concerning a 4th embodiment of the present invention.
  • FIG. 11 is a schematic diagram showing an example of learning data used by a learning program for machine learning of a learning model in a robot control system according to a fourth embodiment of the present invention;
  • FIG. 1 is a schematic diagram showing an example of the overall configuration of a robot control system according to the first embodiment.
  • the robot device 1 includes a mobile carriage 9, a robot arm 11 mounted on the mobile carriage 9, an end effector 12 attached to the tip of the robot arm 11, and near the end effector 12. has a camera 10 attached to it.
  • the robot arm 11 has one or more joints, and can be freely moved by being driven by actuators such as motors (not shown) provided at the joints.
  • Each device of the robot device 1 is connected to the robot control device 7 installed on the mobile carriage 9 .
  • Each device of the robot apparatus 1 receives a control command (motor current of the robot arm 11, motor current of the end effector 12, etc.) from the robot controller 7 and operates.
  • the robot device 1 drives the robot arm 11 and the end effector 12 to perform work on the work object 2 on the workbench 3 .
  • each device of the robot device 1 transmits information representing the state of the robot device 1 to the robot control device 7 .
  • the information representing the state of the robot device 1 is, for example, the joint angle of the robot arm 11, the image captured by the camera 10 (camera image), and the like.
  • the information representing the state of the robot device 1 may be simply referred to as "the state of the robot device 1".
  • the camera 10 has a function of obtaining an image signal (camera image) of an optical image including the work object 2 handled by the robot device 1 as a subject.
  • the camera 10 is an example of a work status sensor that acquires information indicating the work status of the robot device 1 .
  • an imaging device that captures an image including at least the work target 2 as information indicating the work status of the robot device 1 can be used.
  • the camera image is set to an angle of view that allows the entire upper surface of the workbench 3 to be photographed.
  • the robot control device 7 is connected to the learning control device 8 via a network 6 such as the Internet or LAN.
  • the robot control device 7 transmits information representing the state of the robot device 1 obtained from the robot device 1 to the learning control device 8 via the network 6 . Further, the robot control device 7, based on the operation command (the target joint angle of the robot arm 11, etc.) output by the learning type control device 8 and the information representing the state of the robot device 1 input from the robot device 1, A control command for the robot device 1 is calculated.
  • the robot device 1 is a control target of the robot control system 100
  • the robot control system 100 may be configured without the robot device 1 .
  • FIG. 2 is a schematic diagram showing an example of a hardware configuration for executing software of the robot control system 100. As shown in FIG. Note that the interface is described as "I/F" in FIG.
  • the robot control device 7 is a computer in which a control device 71, a communication interface 72, a control interface 73, and a storage device 74 are electrically connected to each other via a system bus.
  • the control device 71 includes a CPU (Central Processing Unit), a RAM (Random Access Memory), a ROM (Read Only Memory), etc., and performs information processing based on programs and various data that implement functions according to the present embodiment. configured to run.
  • Another processing device such as an MPU (Micro Processing Unit) may be used instead of the CPU.
  • the communication interface 72 is an interface for connecting with the learning control device 8 and transmitting and receiving an operation command to the robot device 1 and data regarding the state of the robot device 1 .
  • Communication interface 72 communicates with communication interface 82 of learning control device 8 via network 6 .
  • the control interface 73 is an interface for connecting to the robot device 1 and transmitting and receiving control commands to the robot device 1 and data regarding the state of the robot device 1 .
  • the control interface 73 is appropriately configured according to the equipment that configures the robot apparatus 1 . Since the configuration of the robot apparatus 1 connected to the control interface 73 has already been described with reference to FIG. 1, description thereof will be omitted here.
  • the storage device 74 is an auxiliary storage device such as a hard disk drive or semiconductor memory, and stores control programs 741 and the like executed by the control device 71 .
  • the ROM and storage device 74 permanently record programs, data, and the like necessary for the CPU of the control device 71 to operate. Used as an example of a recording medium.
  • the control program 741 stored in the storage device 74 is developed in the RAM of the control device 71 and executed.
  • the control program 741 controls the robot device 1 based on an operation command generated by the learning control device 8 input from the communication interface 72 and information representing the state of the robot device 1 input from the control interface 73. Generate directives. The control program 741 then outputs a control command from the control interface 73 to the robot device 1 . The control program 741 also outputs information representing the state of the robot apparatus 1 input from the control interface 73 to the learning control apparatus 8 from the communication interface 72 .
  • the learning type control device 8 is a computer in which a control device 81, a communication interface 82, an input device 83, and a storage device 84 are electrically connected to each other via a system bus.
  • the control device 81 includes a CPU, a RAM, a ROM, and the like, and is configured to execute information processing based on programs and various data that implement functions according to the present embodiment.
  • the communication interface 82 is an interface for connecting to the robot control device 7 and transmitting/receiving an operation command of the robot device 1 to the robot control device 7 and information representing the state of the robot device 1 .
  • the communication interface 82 communicates with the communication interface 72 of the robot controller 7 via the network 6 .
  • the input device 83 is a device such as a mouse or keyboard that takes in input from the user, and controls the execution of the program of the learning control device 8.
  • the storage device 84 is an auxiliary storage device such as a hard disk drive or semiconductor memory, and stores a learning program 851 executed by the control device 81, an operation command program 861, learning data 852, model parameter data 862, and the like.
  • the ROM and storage device 84 permanently record programs, data, etc. necessary for the CPU of the control device 81 to operate. Used as an example of a recording medium.
  • the learning type control device 8 is activated by power-on or the like, the learning program 851 and the operation command program 861 stored in the storage device 84 are developed in the RAM of the control device 81 .
  • the learning program 851 generates and stores learning data 852 using information representing the state of the robot apparatus 1 input from the communication interface 82 when a user instructs execution of learning via the input device 83 . Record on device 84 . Using this learning data 852, the learning program 851 machine-learns a learning model 856 (see FIG. 4), which will be described later, and generates model parameter data 862 as learned parameters. Learning model 856 is a so-called supervised learning model.
  • the motion command program 861 reads the model parameter data 862 when the user instructs the execution of the control of the robot device 1 via the input device 83 .
  • the motion command program 861 uses the state of the robot device 1 obtained from the communication interface 82 and a later-described learning model 856 (see FIG. 6) to calculate motion commands for the robot device 1 .
  • a learning model 856 shown in FIG. 6 is a trained model (inference program) in which the learning result (model parameter data 862) is reflected.
  • the motion command program 861 outputs the generated motion command for the robot device 1 to the robot control device 7 from the communication interface 82 .
  • the robot control device 7 controls the operation of the robot device 1 by outputting a control command to the robot device 1 based on the motion command of the robot device 1 input from the learning type control device 8 .
  • the robot control device 7 and the learning control device 8 are not limited to being connected via the network 6 .
  • the robot control device 7 and the learning type control device 8 may be configured such that the communication interfaces 72 and 82 are directly connected via a dedicated line or the like.
  • the control interface 73 and the communication interface 72 may be the same, and the robot control device 7 may be configured to output control commands to the robot device 1 via the network 6 .
  • the learning program 851 and the operation command program 861 may not be stored in the same learning control device 8, and may be stored in different learning control devices.
  • the learning control device 8 may be configured to communicate the learning data 852 and the model parameter data 862 via the network 6 with a learning control device at another site.
  • the learning type control device 8 and the robot control device 7 may be configured with the same hardware. That is, the control program 741, the learning program 851, and the operation instruction program 861 may be configured to be executed on the same hardware.
  • the learning type control device 8 associates the type of the work target 2 (hereinafter also referred to as "object type”) with the progress of the work process (hereinafter also referred to as "process progress"). 3 to 7, a method of learning the robot apparatus 1 based on the process progress and determining the operation of the robot apparatus 1 based on the process progress will be described.
  • FIG. 3 is an external view showing an example of work performed by the robot device 1. As shown in FIG. A working example of the robot apparatus 1 will be described with reference to FIG.
  • work (assembly work, etc.) consisting of multiple processes, as typified by the cell production system, may be performed in one work place (cell).
  • a robot device 1 or a worker 4 assembles a work object 2 placed on a workbench 3 or a work object 2 transported by an automatic carrier 5 .
  • the content of work may be changed in response to fluctuations in demand for products.
  • the worker 4 who was doing the assembly work moves to a different workbench 3 in response to a change in the production plan and does the work, and the robot device 1 takes over the assembly work that the worker 4 was doing and continues the work. may continue.
  • the work object 2 transported by the automatic transport vehicle 5 may be changed in response to a change in the production plan, thereby changing the work content of the assembly work.
  • the robot device 1 In order for the robot device 1 to properly perform the work at the site described above, the robot device 1 needs to recognize the type of the work target 2 and the work situation, and perform appropriate actions. That is, it is desirable that the robot device 1 can recognize the progress of the work on the work target 2 and continue to perform appropriate work on the work target 2 based on the progress.
  • FIG. 4 is a schematic diagram showing an example of the software configuration of a learning program 851 that machine-learns a learning model 856 stored in the learning control device 8 of the robot control system 100 .
  • FIG. 5 is a schematic diagram showing an example of learning data 852 used by the learning program for machine learning of a learning model in the robot control system 100.
  • the learning program 851 is configured to include a data preprocessing section 853, a labeling section 854, and a learning processing section 855 as software modules when loaded into the RAM of the control device 81 and executed by the CPU.
  • the data preprocessing unit 853 records camera images of the camera 10 input from the communication interface 82 .
  • the data preprocessing unit 853 also includes a labeling unit 854 that associates the object type of the work object 2 in the camera image with the process progress label based on the user's instruction via the input device 83 . Then, the data preprocessing unit 853 generates learning data 852 in which the camera image is labeled with the object type and the process progress.
  • the work object 2 and the workbench 3 are photographed using the camera 10 during assembly work by the worker 4, the photographed images are transmitted to the learning control device 8, and data preprocessing is performed.
  • a part 853 generates learning data 852 .
  • the learning data 852 is a type of object (part 1 , part 2, etc.), the position of the object in the image, and the process progress (0: supply, 2: assembly 1 complete, etc.).
  • the position of an object in an image can be represented by two-dimensional coordinates with a corner of the upper surface of the workbench 3 as a reference point.
  • FIG. Image 1 shows a state in which a plurality of parts 1 and 2 are supplied to workbench 3 before assembly work (the process progress is 0: supply), and part 3 and part 4 are combined in the assembly 1 process. has been completed (process progress is 2: assembly 1 completed).
  • the parts are supplied in a state of being housed in a tray indicated by solid lines.
  • the image of 2 shows a state in which a plurality of parts 1 and 2 are supplied to the workbench 3 before the assembly work (the process progress is 0: supply), and the parts 3 and 4 are combined and the part 1 is attached to the part 3 (step progress is 3: assembly 2 completed).
  • the image 3 shows a state in which a plurality of parts 1 and 2 are supplied to the workbench 3 before assembly work (the process progress is 0: supply), and an assembly 3 in which all of the parts 1 to 4 are combined. has been completed (process progress is 4: assembly 3 completed).
  • the data preprocessing unit 853 creates a plurality of data in which a single camera image as shown in FIG.
  • the learning processing unit 855 machine-learns the learning model 856 using the learning data 852 generated by the data preprocessing unit 853 .
  • the learning processing unit 855 is provided with a learning model 856 that receives the camera image of the learning data 852 as an input and outputs estimation results of the object type and the process progress, and a parameter update amount calculation unit 857 .
  • Learning model 856 is configured by a neural network as an example.
  • the parameter update amount calculation unit 857 compares the object type and process progress of the learning data 852 with the estimated object type and estimated process progress of the learning model 856, and compares the contents of the learning data 852 and the learning model 856.
  • the update amount of the model parameters of the learning model 856 is calculated so that the outputs match.
  • the model parameters are weights such as the degree of connectivity between neurons forming the neural network and the firing threshold of neurons.
  • the learning processing unit 855 continues to update the model parameters of the learning model 856 according to the update amount calculated by the parameter update amount calculation unit 857 until the predetermined condition is reached.
  • the model parameters of the learning model 856 at that time are saved as model parameter data 862 .
  • the predetermined condition is that the errors between the object type and process progress of the learning data 852 and the estimated object type and process progress of the learning model 856 are equal to or less than a predetermined value.
  • the number of model parameter updates may be set.
  • the neural network of the learning model 856 shown in FIG. 4 illustrates a simple multi-layer perceptron (MLP: Multi Layer Perceptron)
  • MLP Multi Layer Perceptron
  • the neural network of the learning model 856 may be configured using a convolutional network (CNN: Convolutional Neural Network), a recurrent neural network (RNN: Recurrent Neural Network), etc., or a configuration combining these networks.
  • CNN Convolutional Neural Network
  • RNN Recurrent Neural Network
  • the learning method of the learning model 856 is not limited to machine learning based on deep learning using a neural network, and other learning methods may be used.
  • FIG. 6 is a schematic diagram showing an example of the software configuration of the motion command program 861 stored in the learning control device 8 of the robot control system 100. As shown in FIG.
  • the arithmetic processing unit 863 has a learning model 856 reflecting the model parameter data 862, receives a camera image via the communication interface 82, and outputs the estimated object type of the work object 2 and the estimated process progress.
  • the motion selection unit 864 selects the motion content of the robot apparatus 1 based on the estimated object type and the estimated process progress output from the arithmetic processing unit 863 .
  • the first motion pattern generation unit 865 generates a first motion pattern (motion command) for realizing the motion content according to the motion content.
  • the second motion pattern generation section 866 generates a second motion pattern (motion command) for realizing motion content different from the motion content applied to the first motion pattern generation portion 865 .
  • the action command output switching section 867 switches the action commands output from the first action pattern generation section 865 and the second action pattern generation section 866 according to the action selection result of the action selection section 864 .
  • FIG. 7 is a flowchart showing a procedure example of a method in which the motion command program 861 executes control using the learning model 856 in the robot control system 100.
  • FIG. 7 shows a process in which the motion command program 861 selects the motion of the robot apparatus 1 by means of the arithmetic processing section 863, the motion selection section 864, and the motion pattern generation sections 865 and 866.
  • FIG. 7 shows a process in which the motion command program 861 selects the motion of the robot apparatus 1 by means of the arithmetic processing section 863, the motion selection section 864, and the motion pattern generation sections 865 and 866.
  • All the processing steps shown in FIG. 7 are executed by the learning control device 8 at predetermined sampling timings. Further, when receiving an execution start command from the outside via the input device 83, the learning type control device 8 develops the operation command program 861 stored in the storage device 84 in the control device 81 and executes it. When the operation instruction program 861 is developed in the RAM of the control device 81 and executed by the CPU, the operation processing unit 863, the operation selection unit 864, the first operation pattern generation unit 865, the second operation pattern generation unit 866, and the It is configured to include an operation command output switching unit 867 as a software module.
  • the arithmetic processing unit 863 When the operation command program 861 is started, the arithmetic processing unit 863 first reflects the model parameter data 862 in the learning model 856 (S1), and puts the object type and process progress of the work object 2 into a state in which it can be estimated. . Subsequently, the arithmetic processing unit 863 acquires the camera image captured by the camera 10 via the communication interface 82 (S2). Next, the arithmetic processing unit 863 estimates the object type and process progress of the work object 2 captured in the camera image using the learning model 856, and outputs the estimation result to the operation selection unit 864 (S3).
  • the operation selection unit 864 branches subsequent processing according to the content of the process progress estimation result (S4).
  • the estimation results output by the arithmetic processing unit 863 include the object type “part 1” and the process progress “supply of parts” (0: supply), the object type “parts 3 and 4” and the process progress includes "the process of assembly 1 is completed” (2: assembly 1 completed), the process proceeds to step S5.
  • the motion selection unit 864 switches the output of the motion command output switching unit 867 so that the robot device 1 executes the first motion pattern (S5).
  • step S4 the estimation result output by the arithmetic processing unit 863 indicates that the object type is "part 2" and the process progress is "supply of parts” (0: supply), and that the object types are “parts 1, 3, . . . 4" and the process progress includes "process of assembly 2 completed” (3: assembly 2 completed), the process proceeds to step S6. Then, the motion selection unit 864 switches the output of the motion command output switching unit 867 so that the robot device 1 executes the second motion pattern (S6).
  • step S4 the estimation result output by the arithmetic processing unit 863 includes the object type “part 1-4” and the process progress degree “assembly 3 process completed” (4: assembly 3 completed). If so, the operation selection unit 864 determines that the assembly work has been completed, and terminates the process.
  • step S5 is No. in FIG.
  • the operation of gripping the component 1 and attaching it to the component 3 in the situation shown in the image of No. 1 in FIG. 2 is an operation of holding the part 2 and attaching it to the part 3 in the situation shown in the image of FIG.
  • the motion selection unit 864 determines whether the motion according to the first motion pattern or the motion according to the second motion pattern is completed (S7).
  • the operation selection unit 864 monitors the output of the operation command output switching unit 867 and determines the completion of the operation based on whether or not the first operation pattern generation unit 865 or the second operation pattern generation unit 866 outputs an operation command. Then, the operation selection unit 864 continues waiting when the output of the operation command is not completed (No in S7).
  • the action selection unit 864 returns the process to step S2, and again estimates the object type and the process progress and switches the action command until the work is completed. I do.
  • the operation command output switching unit 867 may write information in the flag after outputting the operation command, and the operation selection unit 864 may determine whether the operation is completed based on whether the information is true or false. Alternatively, the operation selection unit 864 may determine the completion of the operation based on the camera image acquired by the camera 10 .
  • step S4 the determination result of step S4 and the output of the operation pattern (operation command) by steps S5 and S6 are described in only two ways, but they are not limited to only two ways. .
  • three or more operation patterns can be selected according to the type of process progress machine-learned by the learning model 856 .
  • the first motion pattern generation unit 865 and the second motion pattern generation unit 866 may be configured to receive the position information (or camera image) of each object in the image estimated by the arithmetic processing unit 863. .
  • the first motion pattern generation unit 865 and the second motion pattern generation unit 866 adjust the content of the motion, such as changing the gripping position of the object or the posture of the end effector 12, according to the position information of each object in the image. may be configured to
  • the motion command program 861 includes two motion pattern generators, that is, a first motion pattern generator 865 and a second motion pattern generator 866, but the number of motion pattern generators may be one.
  • one motion pattern generator generates a plurality of different motion patterns (motion commands) according to the work process.
  • the operation command output switching unit 867 selects an operation pattern from a plurality of operation patterns generated by one operation pattern generation unit based on the estimation result including the process progress.
  • the robot control system includes a robot device (robot device 1) and a work status sensor that acquires information indicating the work status of the robot device with respect to a work target. (camera 10), information indicating the work status acquired by the work status sensor, the type of work target, and learning data (learning data 852) including the progress of the work process.
  • learning model 856 unit arithmetic processing unit 863
  • motion pattern generation units 865 and 866 motion pattern generation units 865 and 866
  • motion selection unit 864 that selects the motion pattern generation unit based on the type of the work target and the degree of progress of the work process.
  • the robot control system 100 applies a learning model 856 that has learned to estimate the type of the work target 2 and the degree of progress of the work process for information indicating the work status of the robot device 1. use.
  • the robot control system 100 (operation command program 861 ) determines the operation pattern (operation details) of the robot device 1 based on the progress of the current work process estimated by the learning model 856 .
  • the robot control system 100 can cause the robot apparatus 1 to perform appropriate operations in a task requiring multiple steps. Since the robot control system 100 can output an appropriate operation command to the robot device 1 for a work composed of a plurality of processes, it can be applied to a work site where the work contents change frequently.
  • the robot control system according to the second embodiment has the same basic configuration as the robot control system 100 according to the first embodiment, but differs in the content of learning data used for machine learning.
  • FIG. 8 is a schematic diagram showing an example of learning data used by the learning program 851 for machine learning of the learning model 856 in the robot control system according to the second embodiment.
  • No. in FIG. 1 shows a state in which a plurality of parts 1 and 2 are supplied to the workbench 3 before the assembly work (the process progress is 0: supplied), and an assembly process 2 in which the parts 3 and 4 are combined. has been completed without any errors (process progress is 2: assembly 1 completed) (no errors).
  • No. 2 shows a state in which a plurality of parts 1 and 2 are supplied to the workbench 3 before assembly work (process progress is 0: supply), and an assembly process 2 in which parts 3 and 4 are combined. is completed (process progress is 2: assembly 2 completed), but the mounting position is displaced (displacement: portion indicated by a dashed line).
  • the learning processing unit 855 (FIG. 4) machine-learns the learning model 856 using the learning data 852A including the labels indicating the success or failure of the work as described above.
  • a learning model 856 (FIG. 4) machine-learned with the learning data 852A outputs process progress and work success/failure estimation results based on the input of the image from the camera 10 .
  • the motion selector 864 (FIG. 6) outputs a motion command for the motion pattern generator that performs the next task.
  • the output of the operation command output switching unit 867 is switched as follows.
  • the operation selection unit 864 when the estimation result that the work has failed and the installation position is displaced is output, the operation selection unit 864 outputs an operation command of the operation pattern generation unit for correcting the installation position displacement.
  • the output of the operation command output switching unit 867 is switched so as to
  • the motion command program 861 can be configured to include a third motion pattern generation unit that generates a motion pattern for correcting the mounting position deviation.
  • the action content of the third action pattern generated by the third action pattern generation unit is an action of changing the relative positional relationship of the target parts so that the positional relationship between the target parts is correct, or are removed from each other and reattached.
  • the learning model includes information indicating the work situation acquired by the work situation sensor (camera 10), work Indicates the current work status acquired by the work status sensor through machine learning using learning data (learning data 852A) including the type of object, the degree of progress of the work process, and the success or failure of the work in the work process.
  • learning data 852A learning data 852A
  • the success or failure of the work in the current work process is estimated.
  • the operation selection unit selects the type of work object output by the operation processing unit (operation processing unit 863) using the learning model (learning model 856), the progress of the current work process, and the work
  • the operation pattern generators are selected based on the success or failure of the work in the process.
  • the motion selection unit causes the arithmetic processing unit (arithmetic processing unit 863) not to complete the work in the current work process. is estimated, an operation pattern generation unit that generates an operation pattern for completing the work in the corresponding work process is selected from among the operation pattern generation units (operation pattern generation units 865 and 866). .
  • the motion pattern for completing the work in the corresponding work process is generated by the motion pattern previously selected by the motion selection unit (motion selection unit 864). It is an operation pattern (for example, a third operation pattern) for performing an operation for correcting the operation result by the operation pattern (for example, the first or second operation pattern) generated by the unit.
  • the state of the work target 2 can be determined. It is possible to cause the robot apparatus 1 to perform an appropriate operation in accordance with. In addition, even if the work fails, the robot device 1 operates so as to recover the work autonomously, so intervention by the worker 4 or the like becomes unnecessary, and the work efficiency of the entire site is improved.
  • the same process is performed not only when the work fails, but when the work is interrupted for some reason and the work is not completed as a result.
  • the action selection section 864 selects the action pattern generation section so that the work is continued from the work situation (work result) at the time of interruption and the work is completed.
  • a method of calculating the type of each work process in a plurality of independent work processes and the degree of progress of each work process, and selecting the operation content of the robot device 1 will be described with reference to FIGS. 9 and 10. will be used to explain.
  • the robot control system according to the third embodiment has the same basic configuration as the robot control system 100 according to the first embodiment.
  • FIG. 9 is a schematic diagram showing an example of learning data used by the learning program 851 for machine learning of the learning model 856 in the robot control system according to the third embodiment.
  • the learning data 852B shown in FIG. 9 is for one camera image (No. 1, No. 2, etc.) taken by the camera 10, the type of the object in the image, the type of the object in the image, and the In addition to position and process progress (1-0: assembly 1-supply, 3-1: assembly 3-assembly complete, etc.), work priority (1, 2, etc.) label data be.
  • the work priority is set so that the larger the value, the higher the priority.
  • the shapes of the parts 1 to 4 here do not correspond to the shapes of the parts 1 to 4 shown in FIGS.
  • the assembly work shown in the learning data 852B of FIG. It is assumed that three steps of joining the parts 3 and 4 (assembly 3) are performed. At this time, if the assembly 1 process, the assembly 2 process, and the assembly 3 process are independent of each other, the three processes may be executed from any process. Also, the assembled parts 1 and 2 and the assembled parts 3 and 4 may be temporarily placed on the workbench 3 .
  • any of the assembly 1 to 3 processes can be carried out because the parts 1 to 4 or their assembled products are in a sufficient state.
  • parts 3 and 4 are not supplied. Therefore, under this situation, the process of assembly 1 is performed first, the assembled parts 1 and 2 are temporarily placed, and as soon as the parts 3 and 4 are supplied, the process of assembly 2 in which the part 4 is attached to the part 3 is performed. It is desirable to carry out the work so that the assembly 3 process is carried out after the assembly 2 process. With such a work order, the waiting time of the robot apparatus 1 can be reduced.
  • FIG. 10 is a flow chart showing a procedure example of a method for executing control using a learning model 856 machine-learned by the operation command program 861 using the learning data 852B. Specifically, FIG. 10 shows a process in which the motion command program 861 selects the motion of the robot device 1 by means of the arithmetic processing section 863, the motion selection section 864, and the motion pattern generation sections 865 and 866.
  • FIG. 10 shows a process in which the motion command program 861 selects the motion of the robot device 1 by means of the arithmetic processing section 863, the motion selection section 864, and the motion pattern generation sections 865 and 866.
  • the arithmetic processing unit 863 reflects the model parameter data 862 in the learning model 856 (S1) when the action command program 861 is activated, similar to the processing illustrated in steps S1 to S3 in FIG. make the degree estimable. Next, the arithmetic processing unit 863 acquires the camera image captured by the camera 10 (S2), then estimates the object type and process progress using the learning model 856, and outputs the estimation result (S3).
  • the operation selection unit 864 extracts a combination (pair) of object types with the same process progress from among the plurality of object types and process progresses output by the arithmetic processing unit 863 (S14).
  • a pair of parts 1 and 2, a pair of parts 3 and 4, and a pair of assembled parts 1 and 2 and assembled parts 3 and 4 are extracted.
  • a pair of parts 1 and 2 and a pair of finished products of parts 1 to 4 completed by the assembly 3 process are extracted.
  • the action selection unit 864 extracts the object type pair having the highest work priority among the extracted object type pairs (S15). No. in FIG. 1, a pair of assembled parts 1 and 2 and assembled parts 3 and 4 with work priority "3" is extracted. Moreover, No. in FIG. 2, a pair of parts 1 and 2 with a work priority of "1" is extracted.
  • the motion selection unit 864 selects a motion pattern of the robot apparatus 1 corresponding to the extracted pair of object types (S16).
  • the object types are assembled parts 1 and 2 and assembled parts 3 and 4, and the process progress is a state in which parts have been supplied in the process of assembly 3, so the arithmetic processing unit 863 selects the operation to perform Assembly 3;
  • the object types are parts 1 and 2, and the process progress is assembly 1, and the parts have been supplied in the process. select.
  • the method for extracting the object type need not be limited to the method described above, and may be configured so as to simultaneously extract the object types of the same process among three or more object types.
  • the work to be performed is determined based on the work priority so as to uniquely select the operation.
  • the work priority is not limited to a predetermined fixed value. may For example, the work priority may be changed according to the operation status of the automatic guided vehicle 5 or the positional relationship between the robot device 1 and the workbench 3 .
  • the work priority may be changed according to the type and number of articles temporarily placed on the workbench 3, the number of processes completed by the robot device 1, and the like. For example, it is conceivable to adjust the priority so that each process is executed in a well-balanced manner.
  • the robot control system administrator can use the input device 83 to adjust the order of the processes. You can set it as As an example, it is conceivable to make adjustments so as to give priority to work using a large number of parts shown in the image.
  • the learning model (learning model 856) includes information indicating the work situation acquired by the work situation sensor (camera 10), Machine learning is performed using learning data (learning data 852B) including the type of object, the type of each work process in a plurality of independent work processes, and the progress of each work process, and the work situation
  • learning data 852B learning data
  • the type of the work target included in the information indicating the current work status, the types of a plurality of independent work processes, and the current work process is configured to estimate the progress of
  • the operation selection unit (operation selection unit 864) selects the type of work object output by the operation processing unit (operation processing unit 863) using the learning model (learning model 856), the type of a plurality of independent work processes, and the current
  • the operation pattern generators (operation pattern generators 865 and 866) corresponding to work processes that can be executed among a plurality of independent work processes are selected based on the degree of progress of each work
  • the learning data includes information indicating the work situation acquired by the work situation sensor (camera 10), and In addition to the type of object, the type of each work process in a plurality of independent work processes, and the current progress of each work process, the priority of each work process is included.
  • the action selection section is configured to select the action pattern generation section (action pattern generation sections 865 and 866) corresponding to the work process with a high priority.
  • the action content that can be executed is determined according to the process progress of each work process, and the action pattern corresponding to the action content is determined.
  • Select generator As a result, the waiting time of the robot device 1 can be reduced, so that the operation time of the robot device 1 can be increased and the work efficiency can be improved.
  • FIG. 11 is a schematic diagram showing an example of the overall configuration of a robot control system according to the fourth embodiment.
  • the illustrated robot control system 100A differs from the robot control system 100 according to the first embodiment in that it has two robot devices, but the other basic functions are the same. In the following, differences between the robot control system 100A and the robot control system 100 according to the first embodiment are mainly described.
  • the robot control system 100A includes a robot device 1a and a robot device 1b.
  • the robot device 1 a has an end effector 12 a at the tip of the robot arm 11 a and performs work on the work object 2 on the work table 3 .
  • the robot device 1 b has an end effector 12 b different from the end effector 12 a at the tip of the robot arm 11 b and performs work on the work object 2 on the work table 3 .
  • a robot control device 7a that controls the robot device 1a and a robot control device 7b that controls the robot device 1b are connected to a learning control device 8 via a network 6.
  • FIG. 12 is a schematic diagram showing an example of learning data used by the learning program 851 for machine learning of the learning model 856 in the robot control system 100A according to the fourth embodiment.
  • the learning data 852C shown in FIG. And, in addition to the degree of process progress, it is data attached with the label of the tool (hand, driver, etc.) to be used in the next process.
  • the robot device 1b performs a step (assembly 1) of assembling the part 3 with the part 4 using an end effector 12b (hand) capable of gripping the part 3 and the part 4. As shown in FIG.
  • the robot device 1a uses an end effector 12a (driver) that can be screwed to perform a step (fastening 1) of screwing the assembled parts 3 and 4 together. Then, No. in FIG. As shown in the image 3, the robot device 1b again performs the step of assembling the assembled parts 3 and 4 with the part 2 using the end effector 12b (hand) capable of gripping the part 2 (assembly 2).
  • end effector 12a driver
  • the robot device 1b again performs the step of assembling the assembled parts 3 and 4 with the part 2 using the end effector 12b (hand) capable of gripping the part 2 (assembly 2).
  • the operation selection unit 864 shown in FIG. 6 outputs an operation command for the operation pattern generation unit 865 or 866 corresponding to the robot device 1a or 1b, based on the estimation result of the process progress and the corresponding tool in the arithmetic processing unit 863. , the output of the operation command output switching unit 867 is switched.
  • the learning-type control device 8 sends the operation command of the first operation pattern generation unit 865 corresponding to the step of fastening the parts 3 and 4 with screws (fastening 1) via the network 6.
  • the motion command of the second motion pattern generator 866 corresponding to the process (assembly 2) of assembling the part 2 to the assembled parts 3 and 4 is sent to the robot device 1b via the network 6.
  • Output is described in FIG.
  • a process that can be performed by one of the robot devices is performed on a plurality of work objects 2, and a plurality of parts in the process of being assembled are temporarily placed on the workbench 3.
  • a robotic device may be configured to move so that the other robotic device takes over the process instead.
  • the robot device 1b performs a process (assembly 1) of assembling parts 4 into parts 3 as shown in the image of 1 a plurality of times, and a plurality of assembled parts 3 and 4 are temporarily placed on the workbench 3. .
  • the process of assembling the parts 4 to the parts 3 is repeated until the work space on the workbench 3 is exhausted or the parts 3 or 4 are exhausted.
  • the robot device 1b moves onto a different workbench 3, and the robot device 1a moves to No. 1 in FIG.
  • a step (fastening 1) of fastening the assembled parts 3 and 4 as shown in the image of 2 with screws is performed.
  • the robot apparatus 1b moves to a different workbench 3, and the No. 2 in FIG. A step (assembly 1) of assembling parts 4 to parts 3 as shown in image 1 is performed.
  • the robot device 1a and the robot device 1b may alternately advance the process.
  • the operation may be switched according to the position of each robot device, the number of work objects 2, and the degree of progress of the work process.
  • robot control system 100A two or more robot devices (robot devices 1a and 1b) to which mutually different end effectors (end effectors 12a and 12b) are attached.
  • the motion selection unit selects one of two or more robot devices based on the type of work target output by the arithmetic processing unit (arithmetic processing unit 863) and the progress of the current work process. selects the motion pattern generators (motion pattern generators 865 and 866) corresponding to .
  • the operation pattern (operation pattern generation unit) is selected so that the robot device corresponding to the end effector required according to the progress of the work process operates.
  • the operation pattern is selected so that the robot device corresponding to the end effector required according to the progress of the work process operates.
  • each of the above-described embodiments describes the configuration of the robot control system in detail and specifically in order to explain the present invention in an easy-to-understand manner, and is not necessarily limited to those having all the components described. Also, it is possible to replace part of the configuration of one embodiment with the constituent elements of another embodiment. It is also possible to add components of other embodiments to the configuration of one embodiment. Moreover, it is also possible to add, replace, or delete other components for a part of the configuration of each embodiment.
  • the robot devices 1, 1a, and 1b used in the above-described first to fourth embodiments are examples of vertical articulated robots, but orthogonal coordinate robots, horizontal articulated robots, parallel link robots, and so on. It may be a robot or the like.
  • the present invention is applicable not only to industrial robots as illustrated, but also to robot control systems that control autonomous robots and outdoor work robots (outdoor work machines).
  • a device other than the camera 10 may be used as a work status sensor for measuring the work status of the robot device 1, or a distance measuring device using optics or radio waves may be used.
  • a distance measuring device using optics or radio waves may be used.
  • LIDAR Light Detection and Ranging, Laser Imaging Detection and Ranging
  • the work situation sensor collects point cloud data (distance measurement data).
  • the work status sensor may be installed in an environment (such as a building on site) in which the mobile cart 9 on which the robot device 1 is installed moves.
  • the motion pattern generators 865 and 866 may be configured to take in the joint angle of the robot arm 11 and the camera image of the camera 10 and perform feedback control. Also, a control method based on machine learning may be used to output appropriate motion commands to the motion pattern generators 865 and 866 based on camera images.
  • each of the configurations, functions, processing units, etc. described above may be implemented in hardware, for example, by designing a part or all of them as an integrated circuit.
  • a broadly defined processor device such as FPGA (Field Programmable Gate Array) or ASIC (Application Specific Integrated Circuit) may be used.

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Manipulator (AREA)

Abstract

本発明の一態様は、学習モデルを用いて、作業状況センサが取得したロボット装置の現在の作業状況を示す情報に対応する、作業対象物の種別と、作業工程の進捗度を推定して出力する演算処理部と、推定された作業対象物の種別と現在の作業工程の進捗度とに基づいて、現在の作業工程に対応するロボット装置１の動作パターンを生成する、少なくとも１つ以上の動作パターン生成部の中から動作パターン生成部を選択する動作選択部と、を備える。

Description

ロボット制御システム、ロボット制御方法及びプログラム
　本発明は、作業を実行するロボット装置を制御するロボット制御システム、ロボット制御方法及びプログラムに関する。
　従来、産業用ロボットや移動ロボットに代表されるロボット装置は、主に記憶された動作を順番に繰り返し実行するように構成される。そのため、複数の作業対象物を様々なタイミングや状況で取り扱う必要がある作業において、ロボット装置が作業対象物に適した動作を自律的に実行することができないことがあった。そこで、カメラ等により撮像した画像データを用いてロボット装置の作業対象物を判別し、判別結果に基づいてロボット装置に動作を実行させるように制御するシステムが知られている。
　例えば、特許文献１には、ワークの属性を検出する属性検出工程と、ワークの属性と記憶部に記憶された挙動情報とに基づいて制御条件を設定する制御条件設定工程と、当該制御条件設定工程において設定された制御条件に基づいてワークを移動させる移動工程と、を有するロボットの制御方法が開示されている。ワークの属性は、例えば形状、寸法、重量、柔軟性である。
特開２０１０－２６４５５９号公報
　ところで、自律的に作業を行うロボット装置に適用される作業は、ピックアンドプレースに代表される比較的単純な作業であり、１つの作業対象物に対して、単一の動作で１つの作業が完了することが多い。しかし、組立て、据付、分解、修理などに代表される作業では、１つの作業対象物に対して、複数の動作を行うように、いくつかの工程を組み合わせて実行する必要がある。
　特許文献１に記載のロボットの制御方法では、推定した１つの物体の種別に対応する１つの動作のみが選択されるため、作業に必要な全ての動作を実行できず、複数の工程を組み合わせる作業に対応できないことがあった。
　上記の状況から、ロボット装置が複数の工程を要する作業に対して適切な動作を実行できるように、ロボット装置の動作パターンを選択する手法が要望されていた。
　上記課題を解決するために、本発明の一態様のロボット制御システムは、ロボット装置と、作業対象物に対する当該ロボット装置の作業状況を示す情報を取得する作業状況センサと、当該作業状況センサにより取得された作業状況を示す情報と、作業対象物の種別と、作業工程の進捗度とを含む学習用データにより機械学習された学習モデルを用いて、作業状況センサが取得した現在の作業状況を示す情報に対応する、作業対象物の種別と、現在の作業工程の進捗度を推定して出力する演算処理部と、現在の作業工程に対応するロボット装置の動作パターンを生成する、少なくとも１つ以上の動作パターン生成部と、演算処理部が出力する、作業対象物の種別と作業工程の進捗度とに基づいて、動作パターン生成部を選択する動作選択部と、を備える。
　本発明の少なくとも一態様では、ロボット装置の作業状況を示す情報に対して作業対象物の種別と作業工程の進捗度を推定するように学習した学習モデルを用いて、当該学習モデルにより推定された現在の作業工程の進捗度に基づいてロボット装置の動作内容を決定する。それにより、本発明の一態様は、複数の工程を要する作業においてロボット装置に適切な動作を実行させることができる。
　上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。
本発明の第１の実施形態に係るロボット制御システムの全体構成の例を示す概略図である。 本発明の第１の実施形態に係るロボット制御システムのソフトウェアを実行するためのハードウェア構成の例を示す概略図である。 ロボット装置による作業の一例を示す外観図である。 本発明の第１の実施形態に係るロボット制御システムの学習型制御装置に格納された、学習モデルを機械学習する学習プログラムのソフトウェア構成の例を示す模式図である。 本発明の第１の実施形態に係るロボット制御システムにおいて、学習プログラムが学習モデルの機械学習に用いる学習用データの例を示す概略図である。 本発明の第１の実施形態に係るロボット制御システムの学習型制御装置に格納された、機械学習した学習モデルを用いて制御を実行する動作指令プログラムのソフトウェア構成の例を示す模式図である。 本発明の第１の実施形態に係るロボット制御システムにおいて、動作指令プログラムが機械学習した学習モデルを用いて制御を実行する方法の手順例を示すフローチャートである。 本発明の第２の実施形態に係るロボット制御システムにおいて、学習プログラムが学習モデルの機械学習に用いる学習用データの例を示す概略図である。 本発明の第３の実施形態に係るロボット制御システムにおいて、学習プログラムが学習モデルの機械学習に用いる学習用データの例を示す概略図である。 本発明の第３の実施形態に係るロボット制御システムにおいて、動作指令プログラムが機械学習した学習モデルを用いて制御を実行する方法の手順例を示すフローチャートである。 本発明の第４の実施形態に係るロボット制御システムの全体構成の例を示す概略図である。 本発明の第４の実施形態に係るロボット制御システムにおいて、学習プログラムが学習モデルの機械学習に用いる学習用データの例を示す概略図である。
　以下、本発明を実施するための形態の例について、添付図面を参照して説明する。本明細書及び添付図面において実質的に同一の機能又は構成を有する構成要素については、同一の符号を付して重複する説明を省略する。
＜第１の実施形態＞
　まず、本発明の第１の実施形態に係るロボット装置の構成、及びロボット装置を制御するロボット制御システムの構成について、図１及び図２を参照して説明する。
［ロボット制御システムの全体構成］
　図１は、第１の実施形態に係るロボット制御システムの全体構成の例を示す概略図である。図示するロボット制御システム１００において、ロボット装置１は、移動台車９と、移動台車９の上に取り付けられたロボットアーム１１と、ロボットアーム１１の先端に取り付けられたエンドエフェクタ１２と、エンドエフェクタ１２付近に取り付けられたカメラ１０を有する。ロボットアーム１１は一つ以上の関節を有し、関節に設けられたモータ（図示略）などのアクチュエータが駆動することで自在に動作可能である。
　ロボット装置１の各装置は、移動台車９に設置されたロボット制御装置７に接続されている。ロボット装置１の各装置は、ロボット制御装置７から制御指令（ロボットアーム１１のモータ電流、エンドエフェクタ１２のモータ電流等）を受けて動作する。ロボット装置１は、ロボットアーム１１及びエンドエフェクタ１２を駆動することで、作業台３上の作業対象物２に対して作業を実行する。また、ロボット装置１の各装置は、ロボット装置１の状態を表す情報をロボット制御装置７に送信する。ロボット装置１の状態を表す情報とは、例えばロボットアーム１１の関節角度、カメラ１０が撮影した画像（カメラ画像）などである。以下では、ロボット装置１の状態を表す情報を、「ロボット装置１の状態」と簡略して呼ぶことがある。
　カメラ１０は、被写体としてロボット装置１が扱う作業対象物２が含まれる光学像の画像信号（カメラ画像）を得る機能を有する。カメラ１０は、ロボット装置１の作業状況を示す情報を取得する作業状況センサの一例である。例えば、カメラ１０として、ロボット装置１の作業状況を示す情報として少なくとも作業対象物２を含む画像を撮像する撮像装置を使用することができる。また、カメラ画像は、作業台３の上面全体を撮影できる画角に設定されていることが望ましい。
　ロボット制御装置７は、インターネット又はＬＡＮ等のネットワーク６を介して学習型制御装置８に接続されている。ロボット制御装置７は、ロボット装置１から得られたロボット装置１の状態を表す情報を、ネットワーク６を介して学習型制御装置８に送信する。また、ロボット制御装置７は、学習型制御装置８が出力する動作指令（ロボットアーム１１の目標関節角度、等）と、ロボット装置１から入力したロボット装置１の状態を表す情報とを基に、ロボット装置１に対する制御指令を演算する。
　なお、ロボット装置１はロボット制御システム１００の制御対象であるが、ロボット制御システム１００がロボット装置１を含まない構成としてもよい。
［ロボット制御システムのハードウェア構成］
　図２は、ロボット制御システム１００のソフトウェアを実行するためのハードウェア構成の例を示す概略図である。なお、図２ではインターフェースを「Ｉ／Ｆ」と記載している。
（ロボット制御装置）
　ロボット制御装置７は、システムバスを介して、制御装置７１、通信インターフェース７２、制御インターフェース７３、及び記憶装置７４が相互に電気的に接続されたコンピューターである。制御装置７１は、ＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）、及びＲＯＭ（Read Only Memory）等を含み、本実施形態に係る機能を実現するプログラム及び各種データに基づいて、情報処理を実行するように構成される。ＣＰＵに代えて、ＭＰＵ（Micro Processing Unit）等の他の処理装置を用いてもよい。
　通信インターフェース７２は、学習型制御装置８と接続し、ロボット装置１への動作指令とロボット装置１の状態に関するデータを送受信するためのインターフェースである。通信インターフェース７２は、ネットワーク６を介して学習型制御装置８の通信インターフェース８２と通信する。
　制御インターフェース７３は、ロボット装置１と接続し、ロボット装置１への制御指令とロボット装置１の状態に関するデータを送受信するためのインターフェースである。制御インターフェース７３は、ロボット装置１を構成する機器に応じて適宜構成される。制御インターフェース７３に接続されるロボット装置１の構成については図１を参照して説明済みであるため、ここでは説明は省略する。
　記憶装置７４は、ハードディスクドライブ又は半導体メモリ等の補助記憶装置であり、制御装置７１が実行する制御プログラム７４１等を記憶する。ＲＯＭ及び記憶装置７４は、制御装置７１のＣＰＵが動作するために必要なプログラムやデータ等を永続的に記録しており、ＣＰＵによって実行されるプログラムを格納したコンピューター読取可能な非一過性の記録媒体の一例として用いられる。ロボット制御装置７は、電源の投入等により起動すると、記憶装置７４に記憶されている制御プログラム７４１を制御装置７１のＲＡＭに展開して実行する。
　制御プログラム７４１は、通信インターフェース７２から入力される学習型制御装置８で生成された動作指令と、制御インターフェース７３から入力されるロボット装置１の状態を表す情報とに基づいて、ロボット装置１に対する制御指令を生成する。そして、制御プログラム７４１は、制御インターフェース７３からロボット装置１へ制御指令を出力する。また、制御プログラム７４１は、制御インターフェース７３から入力されるロボット装置１の状態を表す情報を、通信インターフェース７２から学習型制御装置８へ出力する。
（学習型制御装置）
　学習型制御装置８は、システムバスを介して、制御装置８１、通信インターフェース８２、入力装置８３、及び記憶装置８４が相互に電気的に接続されたコンピューターである。制御装置８１は、ＣＰＵ、ＲＡＭ、及びＲＯＭ等を含み、本実施形態に係る機能を実現するプログラム及び各種データに基づいて情報処理を実行するように構成される。
　通信インターフェース８２は、ロボット制御装置７と接続し、ロボット制御装置７へのロボット装置１の動作指令とロボット装置１の状態を表す情報を送受信するためのインターフェースである。通信インターフェース８２は、ネットワーク６を介してロボット制御装置７の通信インターフェース７２と通信する。
　入力装置８３は、マウスやキーボード等のユーザーからの入力を取り込む装置であり、学習型制御装置８のプログラムの実行等を制御する。
　記憶装置８４は、ハードディスクドライブ又は半導体メモリ等の補助記憶装置であり、制御装置８１が実行する学習プログラム８５１、動作指令プログラム８６１、学習用データ８５２、及びモデルパラメータデータ８６２等を記憶する。ＲＯＭ及び記憶装置８４は、制御装置８１のＣＰＵが動作するために必要なプログラムやデータ等を永続的に記録しており、ＣＰＵによって実行されるプログラムを格納したコンピューター読取可能な非一過性の記録媒体の一例として用いられる。学習型制御装置８は、電源の投入等により起動すると、記憶装置８４に記憶されている学習プログラム８５１と動作指令プログラム８６１を制御装置８１のＲＡＭに展開する。
　学習プログラム８５１は、入力装置８３を介してユーザーから学習の実行が指示されると、通信インターフェース８２から入力されるロボット装置１の状態を表す情報を用いて、学習用データ８５２を生成して記憶装置８４に記録する。そして、学習プログラム８５１は、この学習用データ８５２を用いて、後述する学習モデル８５６（図４参照）を機械学習し、学習済みパラメータとしてモデルパラメータデータ８６２を生成する。学習モデル８５６は、いわゆる教師あり学習モデルである。
　動作指令プログラム８６１は、入力装置８３を介してユーザーからロボット装置１の制御の実行が指示されると、モデルパラメータデータ８６２を読み込む。そして、動作指令プログラム８６１は、通信インターフェース８２から得られるロボット装置１の状態と後述する学習モデル８５６（図６参照）とを用いて、ロボット装置１の動作指令を演算する。図６に示す学習モデル８５６は、学習の結果（モデルパラメータデータ８６２）が反映された学習済みモデル（推論プログラム）である。動作指令プログラム８６１は、生成したロボット装置１の動作指令を、通信インターフェース８２からロボット制御装置７に出力する。ロボット制御装置７は、学習型制御装置８から入力されたロボット装置１の動作指令に基づいて、ロボット装置１に制御指令を出力してロボット装置１の動作を制御する。
　なお、ロボット制御装置７と学習型制御装置８は、ネットワーク６を介して接続されている構成に限らない。ロボット制御装置７と学習型制御装置８は、通信インターフェース７２と通信インターフェース８２が専用線等で直接接続されている構成であってもよい。また、制御インターフェース７３と通信インターフェース７２が同一であってもよく、ロボット制御装置７は、ネットワーク６を介してロボット装置１に制御指令を出力するように構成されていてもよい。
　また、学習プログラム８５１と動作指令プログラム８６１は、同一の学習型制御装置８に記憶されていなくてもよく、それぞれが異なる学習型制御装置に記憶されていてもよい。例えば、学習型制御装置８は、他の現場における学習型制御装置との間で、ネットワーク６を介して学習用データ８５２やモデルパラメータデータ８６２を通信するように構成されていてもよい。
　また、学習型制御装置８とロボット制御装置７は、同一のハードウェアで構成してもよい。すなわち、制御プログラム７４１、学習プログラム８５１及び動作指令プログラム８６１が同一のハードウェア上で実行されるように構成されていてもよい。
　次に、ロボット制御システム１００において、学習型制御装置８が作業対象物２の種別（以下「物体種別」とも称する）と作業工程の進捗度（以下「工程進捗度」とも称する）とを紐づけて学習し、工程進捗度に基づいてロボット装置１の動作を決定する方法について図３から図７を用いて説明する。
［ロボット装置が実行する作業の例］
　図３は、ロボット装置１によって実行される作業の一例を示す外観図である。図３を用いてロボット装置１の作業例を説明する。
　多品種少量生産を行う現場では、セル生産方式に代表されるように複数の工程で構成される作業（組立て作業等）を１つの作業場所（セル）で行うことがある。例えば、図３に示すように、ロボット装置１や作業員４が、作業台３上に配置された作業対象物２や自動搬送車５により搬送される作業対象物２を組み立てる作業などがある。このような現場における作業では、製品の需要変動に応じて作業内容の入替えが発生することがある。例えば、組立て作業を行っていた作業員４が、生産計画の変更に応じて異なる作業台３に移動して作業を行い、作業員４が行っていた組立て作業をロボット装置１が引き継いで作業を継続することがある。また、生産計画の変更に応じて、自動搬送車５により搬送される作業対象物２が変更され、それにより組立て作業の作業内容が変更されることがある。
　上述した現場において、ロボット装置１が適切に作業を実行するためには、ロボット装置１は作業対象物２の種別や作業状況を認識し、適切な動作を実行する必要がある。すなわち、ロボット装置１は作業対象物２の作業の進捗状況を認識し、進捗に基づいて作業対象物２に対して適切な作業を継続できることが望ましい。
［物体種別と工程進捗度を学習する方法］
　次に、学習型制御装置８が物体種別と工程進捗度を学習する方法について図４及び図５を用いて説明する。
　図４は、ロボット制御システム１００の学習型制御装置８に格納された、学習モデル８５６を機械学習する学習プログラム８５１のソフトウェア構成の例を示す模式図である。　図５は、ロボット制御システム１００において、学習プログラムが学習モデルの機械学習に用いる学習用データ８５２の例を示す概略図である。
　学習プログラム８５１は、制御装置８１のＲＡＭに展開されてＣＰＵにより実行されるときに、データ前処理部８５３、ラベル付与部８５４、及び学習処理部８５５をソフトウェアモジュールとして備えるように構成される。
　データ前処理部８５３は、通信インターフェース８２から入力されるカメラ１０のカメラ画像を記録する。また、データ前処理部８５３は、入力装置８３を介したユーザーの指示に基づいて、カメラ画像中の作業対象物２の物体種別と工程進捗度のラベルを対応づけるラベル付与部８５４を備える。そして、データ前処理部８５３は、カメラ画像に物体種別及び工程進捗度のラベルが付与された学習用データ８５２を生成する。
　例えば、ロボット制御システム１００では、作業員４による組立て作業中にカメラ１０を用いて作業対象物２、及び作業台３を撮影し、撮影した画像を学習型制御装置８に送信し、データ前処理部８５３において学習用データ８５２を生成する。図５に示すように、学習用データ８５２は、カメラ１０により撮影された１枚のカメラ画像（Ｎｏ．１、Ｎｏ．２、等）に対し、画像中に映っている物体の種別（部品１、部品２、等）と、画像中の物体の位置、及び工程進捗度（０：供給、２：組立１完、等）のラベルを付与したデータである。例えば、画像中の物体の位置は、作業台３の上面の角を基準点とする二次元座標で表すことができる。
　図５の学習用データ８５２に示した作業は、まず部品３に部品４を結合する工程（組立１）を行い、次に部品３上に部品１を取り付ける工程（組立２）を行い、最後に部品３上に部品２を取り付ける工程（組立３）を行うものとする。図５におけるＮｏ．１の画像は、複数の部品１及び部品２が組立て作業前で作業台３に供給されている状態（工程進捗度が０：供給）、並びに、部品３及び部品４が結合され組立１の工程が完了されている状態（工程進捗度が２：組立１完）を表すラベルが付与されていることを示す。例えば、部品（部品１，２等）は、実線で示したトレイに収納された状態で供給される。
　図５におけるＮｏ．２の画像は、複数の部品１及び部品２が組立て作業前で作業台３に供給されている状態（工程進捗度が０：供給）、並びに、部品３及び部品４が結合され、かつ部品１を部品３に取り付ける組立２の工程が完了されている状態（工程進捗度が３：組立２完）を表すラベルが付与されていることを示す。
　図５におけるＮｏ．３の画像は、複数の部品１及び部品２が組立て作業前で作業台３に供給されている状態（工程進捗度が０：供給）、並びに、部品１から部品４の全てが結合され組立３の工程が完了されている状態（工程進捗度が４：組立３完）を表すラベルが付与されていることを示す。データ前処理部８５３では、図５に示すような１枚のカメラ画像にその内容に応じてラベルを付与したデータを複数作成し、ラベルが付与された複数の画像を学習用データ８５２とする。
　学習処理部８５５は、データ前処理部８５３により生成された学習用データ８５２を用いて学習モデル８５６を機械学習する。学習処理部８５５は、学習用データ８５２のカメラ画像を入力とし、物体種別と工程進捗度の推定結果を出力する学習モデル８５６と、パラメータ更新量演算部８５７とを備える。学習モデル８５６は、一例としてニューラルネットワークにより構成される。
　パラメータ更新量演算部８５７は、学習用データ８５２の物体種別及び工程進捗度と、学習モデル８５６の推定物体種別及び推定工程進捗度とを比較して、学習用データ８５２の内容と学習モデル８５６の出力が一致するように学習モデル８５６のモデルパラメータの更新量を演算する。例えば、学習モデル８５６にニューラルネットワークを用いた場合、モデルパラメータは、ニューラルネットワークを構成する各ニューロン間の結合度やニューロンの発火閾値等の重みである。
　そして、学習処理部８５５は、予め定められた条件に達するまで学習モデル８５６のモデルパラメータを、パラメータ更新量演算部８５７が演算する更新量に従い更新し続け、予め定められた条件に達した場合、そのときの学習モデル８５６のモデルパラメータをモデルパラメータデータ８６２として保存する。例えば、所定の条件は、学習用データ８５２の物体種別及び工程進捗度と、学習モデル８５６の推定物体種別及び推定工程進捗度とのそれぞれの誤差が所定値以下になることである。また、他の条件として、モデルパラメータの更新回数を設定してもよい。
　なお、図４に示す学習モデル８５６のニューラルネットワークは単純な多層パーセプトロン（MLP:Multi Layer Perceptron）を図示しているが、異なるネットワークを用いてもよい。例えば、学習モデル８５６のニューラルネットワークを畳み込みネットワーク（CNN:Convolutional Neural Network）や再帰型ネットワーク（RNN:Recurrent Neural Network）等を用いる構成にしてもよく、さらにこれらのネットワークを組み合わせた構成としてもよい。また、学習モデル８５６の学習方法は、ニューラルネットワークを用いた深層学習による機械学習に限らず、他の学習方法であってもよい。
［動作を選択する方法］
　次に、図６及び図７を用いて学習型制御装置８が、作業工程の進捗度を推定しロボット装置１の動作内容を選択する方法を説明する。
　図６は、ロボット制御システム１００の学習型制御装置８に格納された動作指令プログラム８６１のソフトウェア構成の例を示す模式図である。
　演算処理部８６３は、モデルパラメータデータ８６２を反映した学習モデル８５６を有し、通信インターフェース８２を介してカメラ画像を入力とし、作業対象物２の推定物体種別と推定工程進捗度を出力する。
　動作選択部８６４は、演算処理部８６３が出力した推定物体種別と推定工程進捗度に基づいて、ロボット装置１の動作内容を選択する。
　第１動作パターン生成部８６５は、動作内容に応じて当該動作内容を実現するための第１動作パターン（動作指令）を生成する。
　第２動作パターン生成部８６６は、第１動作パターン生成部８６５に適用される動作内容とは異なる動作内容を実現するための第２動作パターン（動作指令）を生成する。
　動作指令出力切替部８６７は、動作選択部８６４の動作選択結果に応じて、第１動作パターン生成部８６５及び第２動作パターン生成部８６６から出力される動作指令を切り替える。
　図７は、ロボット制御システム１００において、動作指令プログラム８６１が学習モデル８５６を用いて制御を実行する方法の手順例を示すフローチャートである。具体的には、図７は、動作指令プログラム８６１が演算処理部８６３、動作選択部８６４、及び動作パターン生成部８６５，８６６によってロボット装置１の動作を選択する処理を示している。
　なお、図７に示す全ての処理ステップは、学習型制御装置８において予め定められたサンプリングタイミングごとに実行される。また、学習型制御装置８は、入力装置８３を介して外部から実行開始指令を受けると、記憶装置８４に記憶された動作指令プログラム８６１を制御装置８１に展開し実行する。動作指令プログラム８６１は、制御装置８１のＲＡＭに展開されてＣＰＵにより実行されるときに、演算処理部８６３、動作選択部８６４、第１動作パターン生成部８６５、第２動作パターン生成部８６６、及び動作指令出力切替部８６７をソフトウェアモジュールとして備えるように構成される。
　動作指令プログラム８６１が起動されると、まず演算処理部８６３は、学習モデル８５６にモデルパラメータデータ８６２を反映させ（Ｓ１）、作業対象物２の物体種別と工程進捗度を推定可能な状態にする。続いて、演算処理部８６３は、通信インターフェース８２を介してカメラ１０が撮影したカメラ画像を取得する（Ｓ２）。次いで、演算処理部８６３は、学習モデル８５６を用いてカメラ画像に映っている作業対象物２の物体種別と工程進捗度を推定し、推定結果を動作選択部８６４へ出力する（Ｓ３）。
　動作選択部８６４は、工程進捗度の推定結果の内容に応じて以降の処理を分岐する（Ｓ４）。例えば、演算処理部８６３が出力する推定結果に、物体種別が“部品１”かつ工程進捗度が“部品の供給”（０：供給）と、物体種別が“部品３，４”かつ工程進捗度が“組立１の工程が完了”（２：組立１完）が含まれている場合は、ステップＳ５に進む。そして、動作選択部８６４は、ロボット装置１が第１動作パターンを実行するように、動作指令出力切替部８６７の出力を切り替える（Ｓ５）。
　また、ステップＳ４において、演算処理部８６３が出力する推定結果に、物体種別が“部品２”かつ工程進捗度が“部品の供給”（０：供給）と、物体種別が“部品１，３，４”かつ工程進捗度が“組立２の工程が完了”（３：組立２完）が含まれている場合は、ステップＳ６に進む。そして、動作選択部８６４は、ロボット装置１が第２動作パターンを実行するように、動作指令出力切替部８６７の出力を切り替える（Ｓ６）。
　また、ステップＳ４において、演算処理部８６３が出力する推定結果に、物体種別が“部品１－４”かつ工程進捗度が“組立３の工程が完了”（４：組立３完）が含まれている場合には、動作選択部８６４は組立て作業が完了したと判断し、処理を終了する。
　なお、ステップＳ５で実行する第１動作パターンは、図５におけるＮｏ．１の画像に示すような状況において部品１を把持し部品３に取り付ける動作、ステップＳ６で実行する第２動作パターンは、図５におけるＮｏ．２の画像に示すような状況において部品２を把持し部品３に取り付ける動作である。
　次いで、ステップＳ５又はステップＳ６の処理を実行した場合、動作選択部８６４は、第１動作パターンによる動作又は第２動作パターンによる動作が完了したかどうかを判定する（Ｓ７）。一例として、動作選択部８６４は、動作指令出力切替部８６７の出力を監視し、第１動作パターン生成部８６５又は第２動作パターン生成部８６６による動作指令の出力の有無により動作完了を判定する。そして、動作選択部８６４は、動作指令の出力が完了していない場合（Ｓ７のＮｏ）には待機し続ける。一方、動作選択部８６４は、動作指令の出力が完了した場合（Ｓ７のＹｅｓ）には処理をステップＳ２に戻し、作業が完了するまで再度物体種別と工程進捗度の推定、及び動作指令の切替を行う。なお、動作指令出力切替部８６７は動作指令を出力したらフラグに情報を書き込み、動作選択部８６４はその情報の真偽により動作完了を判定してもよい。また、動作選択部８６４が、カメラ１０で取得したカメラ画像に基づいて動作完了を判定する構成としてもよい。
　なお、説明を簡単にするため、ステップＳ４の判定結果による動作の選択、並びにステップＳ５，Ｓ６による動作パターン（動作指令）の出力を２通りのみで記載しているが、２通りのみに限定されない。例えば、学習モデル８５６に機械学習させた工程進捗度の種類に応じて、３通り以上の動作パターンを選択できるように構成してよいことは明白である。
　また、第１動作パターン生成部８６５及び第２動作パターン生成部８６６は、演算処理部８６３が推定した各物体の画像中の位置情報（又はカメラ画像）を入力するように構成されていてもよい。例えば、第１動作パターン生成部８６５及び第２動作パターン生成部８６６が、画像中の各物体の位置情報に応じて、物体の把持位置やエンドエフェクタ１２の姿勢を変更する等、動作内容を調整するように構成されていてもよい。
　また、動作指令プログラム８６１は、二つの動作パターン生成部、すなわち第１動作パターン生成部８６５及び第２動作パターン生成部８６６を備えるが、動作パターン生成部は一つでもよい。この場合、一つの動作パターン生成部が作業工程に応じて異なる複数の動作パターン（動作指令）を生成する。動作指令出力切替部８６７は、一つの動作パターン生成部が生成した複数の動作パターンから、工程進捗度を含む推定結果に基づいて動作パターンを選択する。
　以上のとおり、第１の実施形態に係るロボット制御システム（ロボット制御システム１００）は、ロボット装置（ロボット装置１）と、作業対象物に対する当該ロボット装置の作業状況を示す情報を取得する作業状況センサ（カメラ１０）と、当該作業状況センサにより取得された作業状況を示す情報と、作業対象物の種別と、作業工程の進捗度とを含む学習用データ（学習用データ８５２）により機械学習された学習モデル（学習モデル８５６）を用いて、作業状況センサが取得した現在の作業状況を示す情報に対応する、作業対象物の種別と、現在の作業工程の進捗度を推定して出力する演算処理部（演算処理部８６３）と、現在の作業工程に対応するロボット装置の動作パターンを生成する、少なくとも１つ以上の動作パターン生成部（動作パターン生成部８６５，８６６）と、演算処理部が出力する、作業対象物の種別と作業工程の進捗度とに基づいて、動作パターン生成部を選択する動作選択部（動作選択部８６４）と、を備える。
　上述した第１の実施形態に係るロボット制御システム１００は、ロボット装置１の作業状況を示す情報に対して作業対象物２の種別と作業工程の進捗度を推定するように学習した学習モデル８５６を用いる。ロボット制御システム１００（動作指令プログラム８６１）は、学習モデル８５６により推定された現在の作業工程の進捗度に基づいて、ロボット装置１の動作パターン（動作内容）を決定する。それにより、ロボット制御システム１００は、複数の工程を要する作業においてロボット装置１に適切な動作を実行させることができる。そして、ロボット制御システム１００は、複数の工程により構成される作業に対してロボット装置１に適切な動作指令を出力することができることから、作業内容が頻繁に変更する作業現場に適用可能である。
＜第２の実施形態＞
　第２の実施形態として、作業工程の進捗度と合わせて作業の成否を判別し動作内容を選択する方法について、図８を用いて説明する。なお、第２の実施形態に係るロボット制御システムは、第１の実施形態に係るロボット制御システム１００と基本的な構成は同じであって、機械学習に使用する学習用データの内容が異なる。
［学習用データ］
　図８は、第２の実施形態に係るロボット制御システムにおいて、学習プログラム８５１が学習モデル８５６の機械学習に用いる学習用データの例を示す概略図である。図８に示す学習用データ８５２Ａは、カメラ１０により撮影された１枚のカメラ画像（Ｎｏ．１、Ｎｏ．２、等）に対し、画像中に映っている物体の種別（部品１、部品２、等）、画像中の物体の位置、及び工程進捗度（０：供給、２：組立２完、等）に加え、該当工程の作業成否（異常なし、取付ずれ、等）のラベルを付与されたデータである。
　例えば、図８におけるＮｏ．１の画像では、複数の部品１及び部品２が組立て作業前で作業台３に供給されている状態（工程進捗度が０：供給）、並びに、部品３及び部品４が結合され組立２の工程が異常なく完了されている状態（工程進捗度が２：組立１完）（異常なし）であることを表すラベルが付与されている。
　図８におけるＮｏ．２の画像では、複数の部品１及び部品２が組立て作業前で作業台３に供給されている状態（工程進捗度が０：供給）、並びに、部品３及び部品４が結合され組立２の工程が完了しているが（工程進捗度が２：組立２完）、取付位置がずれている状態（取付ずれ：一点鎖線で示す部分）であることを表すラベルが付与されている。
　学習処理部８５５（図４）は、上記のような作業の成否のラベルを含む学習用データ８５２Ａを用いて学習モデル８５６を機械学習する。学習用データ８５２Ａで機械学習された学習モデル８５６（図４）は、カメラ１０の画像の入力に基づいて工程進捗度と作業成否の推定結果を出力する。
　演算処理部８６３において、図８のＮｏ．１の画像に示すような、ある作業が完了しているという推定結果が出力された場合、動作選択部８６４（図６）は次の作業工程を実施する動作パターン生成部の動作指令を出力するように動作指令出力切替部８６７の出力を切り替える。また、図８のＮｏ．２の画像に示すような、作業が失敗し取付位置ずれが発生しているという推定結果が出力された場合、動作選択部８６４は取付位置のずれを修正する動作パターン生成部の動作指令を出力するように動作指令出力切替部８６７の出力を切り替える。
　この場合、動作指令プログラム８６１は、取付位置のずれを修正する動作パターンを生成する第３動作パターン生成部を備えるように構成することができる。例えば、第３動作パターン生成部が生成する第３動作パターンの動作内容は、対象部品同士の位置関係が正しい位置となるように対象部品の相対的な位置関係を変更する動作、又は、対象部品を互いに取り外して再び取り付ける動作などである。
　以上のとおり、第２の実施形態に係るロボット制御システム（ロボット制御システム１００）において、学習モデル（学習モデル８５６）は、作業状況センサ（カメラ１０）により取得された作業状況を示す情報と、作業対象物の種別と、作業工程の進捗度と、当該作業工程における作業の正否とを含む学習用データ（学習用データ８５２Ａ）により機械学習されて、作業状況センサが取得した現在の作業状況を示す情報が入力されると、現在の作業状況を示す情報に含まれる作業対象物の種別と現在の作業工程の進捗度に加えて、現在の作業工程における作業の成否を推定するように構成されている。
　動作選択部（動作選択部８６４）は、演算処理部（演算処理部８６３）が学習モデル（学習モデル８５６）を用いて出力する作業対象物の種別、現在の作業工程の進捗度、及び当該作業工程における作業の成否に基づいて、動作パターン生成部（動作パターン生成部８６５，８６６）を選択するように構成されている。
　また、本実施形態に係るロボット制御システム（ロボット制御システム１００）において、動作選択部（動作選択部８６４）は、演算処理部（演算処理部８６３）において現在の作業工程における作業が完了していないと推定された場合、動作パターン生成部（動作パターン生成部８６５，８６６）の中から該当作業工程における作業を完了させるための動作パターンを生成する動作パターン生成部を選択するように構成されている。
　さらに、本実施形態に係るロボット制御システム（ロボット制御システム１００）において、該当作業工程における作業を完了させるための動作パターンは、動作選択部（動作選択部８６４）によって先に選択された動作パターン生成部が生成した動作パターン（例えば、第１又は第２動作パターン）による作業結果を修正する作業を実施する動作パターン（例えば、第３動作パターン）である。
　このように、第２の実施形態では、現在の作業工程の進捗度と合わせて作業成否を推定し、推定結果に基づいてロボット装置１の動作内容を選択することで、作業対象物２の状態に応じてロボット装置１に対して適切な動作を実行させることができる。また、作業が失敗した場合においても、ロボット装置１が自律的に作業を回復するように動作するので、作業員４等による介入が不要となり、現場全体の作業効率が向上する。
　なお、作業の失敗に限らず、何らかの理由で作業が中断し結果として作業が完了しない場合も同様の処理を行う。動作選択部８６４は、作業が中断した場合も同様に、中断したときの作業状況（作業結果）から作業を継続して作業を完成させるように、動作パターン生成部を選択する。
＜第３の実施形態＞
　第３の実施形態として、複数の独立した作業工程におけるそれぞれの作業工程の種別と、各々の作業工程の進捗度を演算し、ロボット装置１の動作内容を選択する方法について、図９及び図１０を用いて説明する。なお、第３の実施形態に係るロボット制御システムは、第１の実施形態に係るロボット制御システム１００と基本的な構成は同じである。
　図９は、第３の実施形態に係るロボット制御システムにおいて、学習プログラム８５１が学習モデル８５６の機械学習に用いる学習用データの例を示す概略図である。
　図９に示す学習用データ８５２Ｂは、カメラ１０により撮影された１枚のカメラ画像（Ｎｏ．１、Ｎｏ．２、等）に対し、画像中に映っている物体の種別、画像中の物体の位置、及び工程進捗度（１－０：組立１－供給、３－１：組立３－組立完、等）に加え、作業優先度（１，２等）のラベルを付与されたデ－タである。作業優先度は、値が大きいほど優先度が高く設定されている。なお、ここでの部品１から部品４の形状は、図５及び図８に示した部品１から部品４の形状とは対応していない。
　図９の学習用データ８５２Ｂに示した組立て作業は、部品１に部品２を結合する工程（組立１）、部品３に部品４を取り付ける工程（組立２）、組み立てた部品１，２と組み立てた部品３，４を結合する工程（組立３）の３工程を行うものとする。このとき、組立１工程と組立２工程と組立３工程が互いに独立しているとすると、３つの工程はどの工程から実行してもよい。また、組み立てた部品１，２及び組み立てた部品３，４は作業台３の上に一時的に仮置きするようにしてもよい。
　図３に示したような作業現場で上記のような組立て作業を行う場合、生産状況に応じて部品の供給や搬出が断続的になり、作業台３への必要な部品の供給や、作業台３からの部品搬出が間に合わないことがある。そこで、工程ごとに作業の優先度を設定することが必要となる。
　図９のＮｏ．１に示す画像のような状況の場合、部品１から部品４又はそれらの組立て完了品が過不足ない状態であるため、組立１から組立３のどの工程も実施できる。しかし、図９のＮｏ．２に示す画像のような状況の場合、部品３及び部品４が供給されていない。このため、この状況下では、組立１の工程を先に実施し、組み立てた部品１，２を仮置きし、部品３及び部品４が供給され次第、部品３に部品４を取り付ける組立２の工程を実施し、組立２工程後に組立３工程を実施するように作業を遂行することが望ましい。このような作業順とすることで、ロボット装置１の待ち時間を少なくすることができる。
　なお、上述したように各工程が独立しており、実施可能な工程のどれを実行してもよい場合においても、ロボット装置１が実施する工程を選択する必要がある。そのため、作業優先度を設定し、作業優先度が高い工程を実施するようにしている。例えば、図９におけるＮｏ．１の画像のような状況の場合、なるべく早く完成品を作成し自動搬送車５に搬出してもらうように、組立３工程の優先度を高く設定している（作業優先度“３”）。また、部品１－４を組み立てた完成品に対してロボット装置１が行う作業は無いため、優先度は最も小さい値（作業優先度“０”）に設定している。
　次に、第３の実施形態に係るロボット制御システムにおいて、動作指令プログラム８６１が学習用データ８５２Ｂにより機械学習した学習モデル８５６を用いて制御を実行する方法を、図１０を用いて説明する。
　図１０は、動作指令プログラム８６１が学習用データ８５２Ｂにより機械学習した学習モデル８５６を用いて制御を実行する方法の手順例を示すフローチャートである。具体的には、図１０は、動作指令プログラム８６１が演算処理部８６３、動作選択部８６４、及び動作パターン生成部８６５，８６６によってロボット装置１の動作を選択する処理を示している。
　演算処理部８６３は、図７のステップＳ１からＳ３に図示した処理と同様に、動作指令プログラム８６１が起動されると学習モデル８５６にモデルパラメータデータ８６２を反映させ（Ｓ１）、物体種別と工程進捗度を推定可能な状態にする。次いで、演算処理部８６３は、カメラ１０が撮影したカメラ画像を取得し（Ｓ２）、続いて、学習モデル８５６を用いて物体種別と工程進捗度を推定し、推定結果を出力する（Ｓ３）。
　次いで、動作選択部８６４は、演算処理部８６３が出力した複数の物体種別、及び工程進捗度の中で、工程進捗度が同一である物体種別の組み合わせ（ペア）を抽出する（Ｓ１４）。図９のＮｏ．１に示した画像のような場合、部品１と部品２のペア、部品３と部品４のペア、組み立てた部品１，２と組み立てた部品３，４のペアが抽出される。また、図９のＮｏ．２に示した画像のような場合、部品１と部品２のペア、組立３工程により完成した部品１から部品４の完成品のペアが抽出される。
　次いで、動作選択部８６４は、抽出された物体種別のペアの中で作業優先度が最も高い物体種別のペアを抽出する（Ｓ１５）。図９のＮｏ．１に示した画像のような場合、作業優先度が“３”の組み立てた部品１，２と組み立てた部品３，４のペアが抽出される。また、図９のＮｏ．２に示した画像のような状態の場合、作業優先度が“１”の部品１と部品２のペアが抽出される。
　最後に、動作選択部８６４は、抽出された物体種別のペアに対応するロボット装置１の動作パターンを選択する（Ｓ１６）。図９のＮｏ．１に示した画像のような場合、物体種別が組み立てた部品１，２及び組み立てた部品３，４であり、かつ工程進捗度が組立３の工程において部品が供給された状態なので、演算処理部８６３は組立３を行う動作を選択する。また、図９のＮｏ．２に示した画像のような場合、物体種別が部品１及び部品２であり、かつ工程進捗度が組立１の工程において部品が供給された状態なので、演算処理部８６３は組立１を行う動作を選択する。
　なお、物体種別の抽出方法は上述した方法に限定されなくてもよく、３つ以上の物体種別の中で同一工程の物体種別を同時に抽出するように構成してもよい。また、本実施形態では、動作を一意に選択するように、作業優先度の大きさで実施する作業を判定するような構成としたが、作業優先度は予め決められた固定値に限定されなくてもよい。例えば、自動搬送車５の稼働状況や、ロボット装置１と作業台３との位置関係によって作業優先度を変更する構成としてもよい。
　また、作業台３上の仮置きされた物品の種別と個数や、ロボット装置１が完了した工程の数などに応じて、作業優先度を変更する構成としてもよい。例えば、各工程がバランスよく実行されるように優先度を調整することが考えられる。また、学習用データ８５２Ｂの生成時にカメラ１０で取得した画像によって作業優先度の大きさを変更可能に構成することで、ロボット制御システムの管理者が入力装置８３を用いて工程の順番を調整可能なように設定してもよい。一例として、画像中に映っている個数が多い部品を用いた作業を優先するように調整することが考えられる。
　以上のとおり、第３の実施形態に係るロボット制御システム（ロボット制御システム１００）において、学習モデル（学習モデル８５６）は、作業状況センサ（カメラ１０）により取得された作業状況を示す情報と、作業対象物の種別と、複数の独立した作業工程におけるそれぞれの作業工程の種別と、各々の作業工程の進捗度とを含む学習用データ（学習用データ８５２Ｂ）を用いて機械学習されて、作業状況センサが取得した現在の作業状況を示す情報が入力されると、現在の作業状況を示す情報に含まれる作業対象物の種別と、複数の独立した作業工程の種別と、現在の各々の作業工程の進捗度とを推定するように構成されている。
　動作選択部（動作選択部８６４）は、演算処理部（演算処理部８６３）が学習モデル（学習モデル８５６）を用いて出力する作業対象物の種別、複数の独立した作業工程の種別、及び現在の各々の作業工程の進捗度に基づいて、複数の独立した作業工程の中で実行可能な作業工程に対応する動作パターン生成部（動作パターン生成部８６５，８６６）を選択するように構成されている。
　また、本実施形態に係るロボット制御システム（ロボット制御システム１００）において、学習用データ（学習用データ８５２Ｂ）には、作業状況センサ（カメラ１０）により取得された作業状況を示す情報と、作業対象物の種別と、複数の独立した作業工程におけるそれぞれの作業工程の種別と、現在の各々の作業工程の進捗度に加えて、各々の作業工程の優先度が含まれている。
　動作選択部（動作選択部８６４）は、優先度が高い作業工程に対応する動作パターン生成部（動作パターン生成部８６５，８６６）を選択するように構成されている。
　このように、第３の実施形態では、独立した複数の作業工程を実施する作業において、各作業工程の工程進捗度に応じて実行可能な動作内容を判定し、その動作内容に対応する動作パターン生成部を選択する。これにより、ロボット装置１の待ち時間を少なくすることができるため、ロボット装置１の稼働時間が増え、作業効率を向上することができる。
＜第４の実施形態＞
　第４の実施形態として、作業工程の進捗度と併せて工程遂行に対応する工具を推定し、推定結果に基づいてロボット装置１の動作内容を選択する方法について、図１１及び図１２を用いて説明する。
　図１１は、第４の実施形態に係るロボット制御システムの全体構成の例を示す概略図である。図示するロボット制御システム１００Ａは、第１の実施形態に係るロボット制御システム１００と比較して、２台のロボット装置を有する点が異なるが、その他の基本的な機能は同じである。以下では、主に、ロボット制御システム１００Ａと、第１の実施形態に係るロボット制御システム１００の相違点を中心に説明する。
　ロボット制御システム１００Ａは、ロボット装置１ａとロボット装置１ｂを備える。ロボット装置１ａは、ロボットアーム１１ａの先端にエンドエフェクタ１２ａを有し、作業台３上の作業対象物２に対して作業を実行する。また、ロボット装置１ｂは、ロボットアーム１１ｂの先端にエンドエフェクタ１２ａと異なるエンドエフェクタ１２ｂを有し、作業台３上の作業対象物２に対して作業を実行する。ロボット装置１ａを制御するロボット制御装置７ａ、及びロボット装置１ｂを制御するロボット制御装置７ｂは、ネットワーク６を介して学習型制御装置８に接続される。
　図１２は、第４の実施形態に係るロボット制御システム１００Ａにおいて、学習プログラム８５１が学習モデル８５６の機械学習に用いる学習用データの例を示す概略図である。図示する学習用データ８５２Ｃは、カメラ１０により撮影された１枚のカメラ画像（Ｎｏ．１、Ｎｏ．２、等）に対し、画像中に映っている物体の種別、画像中の物体の位置、及び工程進捗度に加え、次の工程で使用する工具のラベル（ハンド、ドライバ、等）を付与されたデータである。
　ロボット装置１ａ及び１ｂが実施する作業内容によっては作業対象物２に対して用いる工具を変更して作業を進める場合があり、作業工程の進捗度に応じてロボット装置１ａ及び１ｂを切り替えて作業を行う。例えば、図１２におけるＮｏ．１の画像に示すように、ロボット装置１ｂが、部品３及び部品４を把持可能なエンドエフェクタ１２ｂ（ハンド）を用いて部品３に部品４を組み立てる工程（組立１）を行う。
　図１２におけるＮｏ．２の画像に示すように、ロボット装置１ａが、ねじ締結可能なエンドエフェクタ１２ａ（ドライバ）を用いて、組み立てられた部品３，４をねじで締結する工程（締結１）を行う。そして、図１２におけるＮｏ．３の画像に示すように、再度ロボット装置１ｂが、部品２を把持可能なエンドエフェクタ１２ｂ（ハンド）を用いて、組み立てられた部品３，４に部品２を組み立てる工程（組立２）を行う。
　図６に示した動作選択部８６４は、演算処理部８６３における工程進捗度と対応工具の推定結果に基づいて、ロボット装置１ａ又は１ｂに対応する動作パターン生成部８６５又は８６６の動作指令を出力するように、動作指令出力切替部８６７の出力を切り替える。例えば、図１２におけるＮｏ．１の画像のような状態では、学習型制御装置８は、部品３,４をねじで締結する工程（締結１）に対応する第１動作パターン生成部８６５の動作指令を、ネットワーク６を介してロボット装置１ａに出力する。また、図１２におけるＮｏ．２の画像のような状態では、組み立てられた部品３，４に部品２を組み立てる工程（組立２）に対応する第２動作パターン生成部８６６の動作指令を、ネットワーク６を介してロボット装置１ｂに出力する。
　なお、動作パターンの選択は上述した方法に限定されない。図３に示したような現場において、一方のロボット装置が実施できる工程を複数の作業対象物２に対して実施して作業台３に複数の組立て途中の部品を仮置きし、その状態で当該ロボット装置が移動して代わりに他方のロボット装置が工程を引き継ぐように構成されてもよい。
　例えば、図１２のＮｏ．１の画像に示すような部品３に部品４を組み立てる工程（組立１）をロボット装置１ｂが複数回実施し、組み立てられた部品３，部品４を作業台３上に複数個仮置きしておく。この部品３に部品４を組み立てる工程を、作業台３上の作業スペースが無くなったり、部品３又は部品４が無くなったりするまで繰り返す。そして、ロボット装置１ｂは異なる作業台３上に移動し、ロボット装置１ａが図１２のＮｏ．２の画像に示すような組み立てられた部品３，４をねじで締結する工程（締結１）を実施する。
　また、ロボット装置１ｂは異なる作業台３に移動し、移動先の作業台３で図１２のＮｏ．１の画像に示すような部品３に部品４を組み立てる工程（組立１）を実施する。このように、ロボット装置１ａとロボット装置１ｂが交互に工程を進めるように構成してもよい。すなわち、それぞれのロボット装置の位置や、作業対象物２の個数や作業工程の進捗度に応じて、動作を切り替えるように構成してもよい。
　以上のとおり、第４の実施形態に係るロボット制御システム（ロボット制御システム１００Ａ）において、互いに異なるエンドエフェクタ（エンドエフェクタ１２ａ，１２ｂ）が装着される２台以上のロボット装置（ロボット装置１ａ，１ｂ）を備える。
　動作選択部（動作選択部８６４）は、演算処理部（演算処理部８６３）が出力する作業対象物の種別と現在の作業工程の進捗度とに基づいて、２台以上のロボット装置のいずれかに対応する動作パターン生成部（動作パターン生成部８６５，８６６）を選択する。
　上述した第４の実施形態では、作業工程の進捗度に応じて必要となるエンドエフェクタに対応するロボット装置が動作するように、動作パターン（動作パターン生成部）を選択する。それにより、複数の工程により構成され、かつ工程に応じて適切なツールが変わる作業を円滑に遂行できる。また、作業対象物の個数や作業工程の進捗度に応じて、複数のロボット装置の動作を切り替えるように構成することで、それぞれのロボット装置の待ち時間を軽減し、作業効率を向上することができる。
＜変形例＞
　なお、本発明は上述した第１から第４の実施形態に限られるものではなく、請求の範囲に記載した本発明の要旨を逸脱しない限りにおいて、その他種々の応用例、変形例を取り得ることは勿論である。
　例えば、上述した各実施形態は本発明を分かりやすく説明するためにロボット制御システムの構成を詳細かつ具体的に説明したものであり、必ずしも説明した全ての構成要素を備えるものに限定されない。また、ある実施形態の構成の一部を他の実施形態の構成要素に置き換えることが可能である。また、ある実施形態の構成に他の実施形態の構成要素を加えることも可能である。また、各実施形態の構成の一部について、他の構成要素の追加又は置換、削除をすることも可能である。
　また、上述した第１から第４の実施形態で用いたロボット装置１，１ａ，１ｂは、垂直多関節型ロボットの例を示しているが、直交座標型ロボット、水平多関節型ロボット、パラレルリンクロボット等であってもよい。また、本発明は、例示したような産業用ロボットに限らず、自律ロボットや屋外作業ロボット（屋外作業機械）を制御するロボット制御システムにも適用可能である。
　また、ロボット装置１の作業状況を計測する作業状況センサとしてカメラ１０以外の機器を用いてもよく、光学や電波を利用した測距装置を用いてもよい。例えば、レーザーを用いた測距装置であるＬＩＤＡＲ（Light Detection and Ranging、Laser Imaging Detection and Ranging）を用いて、作業対象物２や周囲の物体の形状、位置、姿勢を計測するように構成してもよい。作業状況センサに測距装置を用いる場合、作業状況センサは、作業対象物２や周囲の物体から得られる反射信号と当該反射信号が得られた位置とが対応づけられた点群データ（測距データ）を得る。
　また、作業状況センサは、ロボット装置１が設置された移動台車９が移動する環境（現場の建物等）に設置されていてもよい。
　また、動作パターン生成部８６５，８６６は、ロボットアーム１１の関節角度やカメラ１０のカメラ画像を取り込み、フィードバック制御するように構成されていてもよい。また、動作パターン生成部８６５，８６６に対し、カメラ画像に基づいて適切な動作指令を出力するように機械学習した制御手法を用いてもよい。
　さらに、上記の各構成、機能、処理部等は、それらの一部又は全部を、例えば集積回路で設計するなどによりハードウェアで実現してもよい。ハードウェアとして、ＦＰＧＡ（Field Programmable Gate Array）やＡＳＩＣ（Application Specific Integrated Circuit）などの広義のプロセッサデバイスを用いてもよい。
　１…ロボット装置、　２…作業対象物、　７…ロボット制御装置、　８…学習型制御装置、　１０…カメラ、　１２…エンドエフェクタ、　１００…ロボット制御システム、　８５１…学習プログラム、　８５２…学習用データ、　８５５…学習処理部、　８５６…学習モデル、　８６１…動作指令プログラム、　８６２…モデルパラメータデータ、　８６３…演算処理部、　８６４…動作選択部、　８６５…第１動作パターン生成部、　８６６…第２動作パターン生成部、　８６７…動作指令出力切替部

Claims (12)

  1. 　ロボット装置と、
    　作業対象物に対する前記ロボット装置の作業状況を示す情報を取得する作業状況センサと、
    　前記作業状況センサにより取得された前記作業状況を示す情報と、前記作業対象物の種別と、作業工程の進捗度とを含む学習用データにより機械学習された学習モデルを用いて、前記作業状況センサが取得した現在の前記作業状況を示す情報に対応する、前記作業対象物の種別と、現在の作業工程の進捗度を推定して出力する演算処理部と、
    　現在の前記作業工程に対応する前記ロボット装置の動作パターンを生成する、少なくとも１つ以上の動作パターン生成部と、
    　前記演算処理部が出力する前記作業対象物の種別と前記作業工程の進捗度とに基づいて、前記動作パターン生成部を選択する動作選択部と、を備える
    　ロボット制御システム。
  2. 　前記学習モデルは、前記作業状況センサにより取得された前記作業状況を示す情報と、前記作業対象物の種別と、前記作業工程の進捗度と、当該作業工程における作業の正否とを含む学習用データにより機械学習されて、前記作業状況センサが取得した現在の前記作業状況を示す情報が入力されると、現在の前記作業状況を示す情報に含まれる作業対象物の種別と現在の前記作業工程の進捗度に加えて、当該作業工程における作業の成否を推定するように構成され、
    　前記動作選択部は、前記演算処理部が前記学習モデルを用いて出力する前記作業対象物の種別、現在の前記作業工程の進捗度、及び当該作業工程における作業の成否に基づいて、前記動作パターン生成部を選択する
    　請求項１に記載のロボット制御システム。
  3. 　前記動作選択部は、前記演算処理部において現在の前記作業工程における作業が完了していないと推定された場合、前記動作パターン生成部の中から該当作業工程における作業を完了させるための動作パターンを生成する動作パターン生成部を選択する
    　請求項２に記載のロボット制御システム。
  4. 　該当作業工程における作業を完了させるための動作パターンは、前記動作選択部によって先に選択された前記動作パターン生成部が生成した動作パターンによる作業結果を修正する作業を実施する動作パターンである
    　請求項３に記載のロボット制御システム。
  5. 　前記学習モデルは、前記作業状況センサにより取得された前記作業状況を示す情報と、前記作業対象物の種別と、複数の独立した作業工程におけるそれぞれの作業工程の種別と、各々の作業工程の進捗度とを含む学習用データを用いて機械学習されて、前記作業状況センサが取得した現在の前記作業状況を示す情報が入力されると、現在の前記作業状況を示す情報に含まれる作業対象物の種別と、前記複数の独立した作業工程の種別と、現在の各々の作業工程の進捗度とを推定するように構成され、
    　前記動作選択部は、前記演算処理部が前記学習モデルを用いて出力する前記作業対象物の種別、前記複数の独立した作業工程の種別、及び現在の各々の作業工程の進捗度に基づいて、前記複数の独立した作業工程の中で実行可能な作業工程に対応する前記動作パターン生成部を選択する
    　請求項１に記載のロボット制御システム。
  6. 　前記学習用データには、前記作業状況センサにより取得された前記作業状況を示す情報と、前記作業対象物の種別と、複数の独立した作業工程におけるそれぞれの作業工程の種別と、現在の各々の作業工程の進捗度に加えて、前記各々の作業工程の優先度が含まれ、　前記動作選択部は、前記優先度が高い作業工程に対応する前記動作パターン生成部を選択する
    　請求項５に記載のロボット制御システム。
  7. 　互いに異なるエンドエフェクタが装着される２台以上のロボット装置、を備え、
    　前記動作選択部は、前記演算処理部が出力する前記作業対象物の種別と現在の前記作業工程の進捗度とに基づいて、前記２台以上の前記ロボット装置のいずれかに対応する前記動作パターン生成部を選択する
    　請求項１に記載のロボット制御システム。
  8. 　前記作業状況センサは、前記ロボット装置に取り付けられ、前記ロボット装置の作業状況を示す情報として少なくとも前記作業対象物を含む画像を撮像する撮像装置である
    　請求項１に記載のロボット制御システム。
  9. 　前記ロボット装置は、一つ以上の関節で構成されたロボットアームと、エンドエフェクタとを有する
    　請求項１に記載のロボット制御システム。
  10. 　作業状況センサにより取得された作業対象物に対するロボット装置の作業状況を示す情報と、前記作業対象物の種別と、作業工程の進捗度とを含む学習用データにより機械学習された学習モデルを用いて、前記作業状況センサが取得した現在の前記作業状況を示す情報に対応する、前記作業対象物の種別と、現在の作業工程の進捗度を推定して出力する演算処理部と、
    　現在の前記作業工程に対応する前記ロボット装置の動作パターンを生成する、少なくとも１つ以上の動作パターン生成部と、
    　前記演算処理部が出力する、前記作業対象物の種別と現在の前記作業工程の進捗度とに基づいて、前記動作パターン生成部を選択する動作選択部と、を備える
    　ロボット制御システム。
  11. 　作業状況センサにより取得された作業対象物に対するロボット装置の作業状況を示す情報と、前記作業対象物の種別と、作業工程の進捗度とを含む学習用データにより機械学習された学習モデルを用いて、前記作業状況センサが取得した現在の前記作業状況を示す情報に対応する、前記作業対象物の種別と、現在の作業工程の進捗度を推定して出力する処理と、
    　推定された前記作業対象物の種別と現在の前記作業工程の進捗度とに基づいて、作業工程に対応する前記ロボット装置の動作パターンを生成する、少なくとも１つ以上の動作パターン生成部の中から動作パターン生成部を選択する処理と、を備える
    　ロボット制御方法。
  12. 　作業状況センサにより取得された作業対象物に対するロボット装置の作業状況を示す情報と、前記作業対象物の種別と、作業工程の進捗度とを含む学習用データにより機械学習された学習モデルを用いて、前記作業状況センサが取得した現在の前記作業状況を示す情報に対応する、前記作業対象物の種別と、現在の作業工程の進捗度を推定する手順と、　推定された前記作業対象物の種別と現在の前記作業工程の進捗度とに基づいて、作業工程に対応する前記ロボット装置の動作パターンを生成する、少なくとも１つ以上の動作パターン生成部の中から動作パターン生成部を選択する手順を、
    　コンピューターに実行させるためのプログラム。
PCT/JP2022/003944 2021-04-27 2022-02-02 ロボット制御システム、ロボット制御方法及びプログラム WO2022230280A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US18/285,343 US20240109190A1 (en) 2021-04-27 2022-02-02 Robot Control System, Robot Control Method, and Program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021-075177 2021-04-27
JP2021075177A JP2022169255A (ja) 2021-04-27 2021-04-27 ロボット制御システム、ロボット制御方法及びプログラム

Publications (1)

Publication Number Publication Date
WO2022230280A1 true WO2022230280A1 (ja) 2022-11-03

Family

ID=83848240

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/003944 WO2022230280A1 (ja) 2021-04-27 2022-02-02 ロボット制御システム、ロボット制御方法及びプログラム

Country Status (3)

Country Link
US (1) US20240109190A1 (ja)
JP (1) JP2022169255A (ja)
WO (1) WO2022230280A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019010724A (ja) * 2017-06-30 2019-01-24 大成建設株式会社 物品配置システム及び食品盛り付けシステム
JP2019126875A (ja) * 2018-01-24 2019-08-01 株式会社イシダ 物品移載装置
JP2021030407A (ja) * 2019-08-29 2021-03-01 キヤノン株式会社 情報処理装置、情報処理方法及びプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019010724A (ja) * 2017-06-30 2019-01-24 大成建設株式会社 物品配置システム及び食品盛り付けシステム
JP2019126875A (ja) * 2018-01-24 2019-08-01 株式会社イシダ 物品移載装置
JP2021030407A (ja) * 2019-08-29 2021-03-01 キヤノン株式会社 情報処理装置、情報処理方法及びプログラム

Also Published As

Publication number Publication date
US20240109190A1 (en) 2024-04-04
JP2022169255A (ja) 2022-11-09

Similar Documents

Publication Publication Date Title
US10618164B2 (en) Robot system having learning control function and learning control method
JP6429473B2 (ja) ロボットシステム、ロボットシステムの校正方法、プログラム、およびコンピュータ読み取り可能な記録媒体
JP7122821B2 (ja) ロボットシステム及びロボット制御方法
EP3578322A1 (en) Robot path-generating device and robot system
JP5860021B2 (ja) 複数の締結部材を締結するための締結装置、ロボットシステム、および締結方法
CN104589354A (zh) 机器人控制装置、机器人系统以及机器人
KR102525831B1 (ko) 제어 시스템, 컨트롤러 및 제어 방법
JP2022163719A (ja) 対象物を挿入部に挿入するようにロボットを制御するための装置及び方法
Bhatt et al. Trajectory-dependent compensation scheme to reduce manipulator execution errors for manufacturing applications
CN110154043B (zh) 基于加工结果进行学习控制的机器人系统及其控制方法
WO2020234946A1 (ja) ロボットシステム、復帰プログラム生成装置、制御支援装置、制御装置、プログラム、復帰プログラムの生成方法及び復帰プログラムの出力方法
JP2015127096A (ja) ロボットシステム
WO2022230280A1 (ja) ロボット制御システム、ロボット制御方法及びプログラム
US20210197391A1 (en) Robot control device, robot control method, and robot control non-transitory computer readable medium
US20230241780A1 (en) Robotic System And Robot Control Method
JP7374867B2 (ja) 制御システム、ローカルコントローラ及び制御方法
CN115697649A (zh) 生产系统、单元控制器、机器人控制器以及控制方法
JP2020189395A (ja) ロボットシステム、復帰プログラム生成装置、制御支援装置、制御装置、プログラム、復帰プログラムの生成方法及び復帰プログラムの出力方法
WO2022158079A1 (ja) 制御装置及び自動作業方法
US11738458B2 (en) Control method for robot system
JP7447568B2 (ja) シミュレーション装置およびプログラム
US11660757B2 (en) Robot control system simultaneously performing workpiece selection and robot task
Hamed et al. Vision-Based Control of a Quad-rotor Manipulation System
US20240051117A1 (en) Determination of picking order of workpieces
JP7494155B2 (ja) 生産システム、セルコントローラ、ロボットコントローラ及び制御方法

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: 22795203

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 18285343

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 22795203

Country of ref document: EP

Kind code of ref document: A1