WO2024042619A1

WO2024042619A1 - 装置、ロボットの制御装置、ロボットシステム、方法

Info

Publication number: WO2024042619A1
Application number: PCT/JP2022/031754
Authority: WO
Inventors: 潤和田
Original assignee: ファナック株式会社
Priority date: 2022-08-23
Filing date: 2022-08-23
Publication date: 2024-02-29

Abstract

従来、形状検出センサの検出データにワークモデルを誤ってマッチングしてしまうことにより、位置データの誤検出が生じる場合があった。　装置は、複数の姿勢のワークをそれぞれモデル化した複数のワークモデルを取得するモデル取得部であって、ワークモデルは、ワークの視覚的な特徴に対応する特徴モデルを含む、モデル取得部と、１つの姿勢の第１のワークモデルにおいて、他の姿勢のワークの特徴とは非類似の関係にある第１の特徴モデルを識別するための非類似情報を取得する情報取得部とを備える。

Description

装置、ロボットの制御装置、ロボットシステム、方法

　本開示は、ワークモデルにおいて非類似情報を取得するための装置、ロボットの制御装置、ロボットシステム、及び方法に関する。

　ワークをモデル化したワークモデルを、形状検出センサ（例えば、３次元視覚センサ）が検出したワークの形状データにマッチングすることで、該ワークの位置データを取得する装置が知られている（例えば、特許文献１）。

特開２０１７－１０２５２９号公報

　従来、形状検出センサの検出データにワークモデルを誤ってマッチングしてしまうことにより、位置データの誤検出が生じる場合があった。

　本開示の一態様において、装置は、複数の姿勢のワークをそれぞれモデル化した複数のワークモデルを取得するモデル取得部であって、ワークモデルは、ワークの視覚的な特徴に対応する特徴モデルを含む、モデル取得部と、１つの姿勢の第１のワークモデルにおいて、他の姿勢のワークの特徴とは非類似の関係にある第１の特徴モデルを識別するための非類似情報を取得する情報取得部とを備える。

　本開示の他の態様において、方法は、プロセッサが、複数の姿勢のワークをそれぞれモデル化した複数のワークモデルであって、ワークの視覚的な特徴に対応する特徴モデルを各々含む、複数のワークモデルを取得し、１つの姿勢の第１のワークモデルにおいて、他の姿勢のワークの特徴とは非類似の関係にある第１の特徴モデルを識別するための非類似情報を取得する。

一実施形態に係るロボットシステムの概略図である。図１に示すロボットシステムのブロック図である。第１の姿勢に配置されたワーク及びワークモデルを示す。第２の姿勢に配置されたワーク及びワークモデルを示す。第３の姿勢に配置されたワーク及びワークモデルを示す。形状検出センサが検出する検出データの一例を示す。ワークモデルと形状データとのマッチングを説明するための図であって、ワークモデルが形状データに適切にマッチングする例を示す。ワークモデルと形状データとのマッチングを説明するための図であって、ワークモデルが形状データに不適切にマッチングする例を示す。ワークモデルと形状データとのマッチングを説明するための図であって、ワークモデルが形状データに適切にマッチングする例を示す。ワークモデルと形状データとのマッチングを説明するための図であって、ワークモデルが形状データに不適切にマッチングする例を示す。ロボットシステムの他の機能を示すブロック図である。図１１に示すロボットシステムの動作フローの一例を示すフローチャートである。ロボットシステムのさらに他の機能を示すブロック図である。図１３に示すロボットシステムの動作フローの一例を示すフローチャートである。ロボットシステムのさらに他の機能を示すブロック図である。図１５に示すロボットシステムの動作フローの一例を示すフローチャートである。図１６中のステップＳ２２のフローの一例を示すフローチャートである。第１の姿勢ＯＲのワークモデルを形状データに適切にマッチングした状態を示す。図１６中のステップＳ２３のフローの一例を示すフローチャートである。ロボットシステムのさらに他の機能を示すブロック図である。図２０に示すロボットシステムの動作フローの一例を示すフローチャートである。ワークモデルと形状データとのマッチングを説明するための図であって、ワークモデルが形状データに不適切にマッチングする例を示す。ワークモデルと形状データとのマッチングを説明するための図であって、ワークモデルが形状データに不適切にマッチングする例を示す。図２０に示すロボットシステムが実行する図１６中のステップＳ２３のフローの一例を示すフローチャートである。

　以下、本開示の実施の形態を図面に基づいて詳細に説明する。なお、以下に説明する種々の実施形態において、同様の要素には同じ符号を付し、重複する説明を省略する。まず、図１及び図２を参照して、一実施形態に係るロボットシステム１０について説明する。ロボットシステム１０は、ロボット１２、形状検出センサ１４、及び制御装置１６を備える。

　本実施形態においては、ロボット１２は、垂直多関節ロボットであって、ロボットベース１８、旋回胴２０、下腕部２２、上腕部２４、手首部２６、及びエンドエフェクタ２８を有する。ロボットベース１８は、作業セルの床の上に固定されている。旋回胴２０は、鉛直軸周りに旋回可能となるように、ロボットベース１８に設けられている。

　下腕部２２は、その基端部が旋回胴２０に水平軸周りに回動可能に設けられ、上腕部２４は、その基端部が下腕部２２の先端部に回動可能に設けられている。手首部２６は、互いに直交する２つの軸の周りに回動可能となるように上腕部２４の先端部に設けられた手首ベース２６ａと、手首軸Ａ１の周りに回動可能となるように該手首ベース２６ａに設けられた手首フランジ２６ｂとを有する。

　エンドエフェクタ２８は、手首フランジ２６ｂに着脱可能に取り付けられている。エンドエフェクタ２８は、例えば、ワーク１００を把持可能なロボットハンド、ワーク１００を溶接する溶接トーチ、又は、ワーク１００をレーザ加工するレーザ加工ヘッド等であって、ワーク１００に対して所定の作業（ワークハンドリング、溶接、又はレーザ加工等）を行う。

　ロボット１２の各構成要素（ロボットベース１８、旋回胴２０、下腕部２２、上腕部２４、手首部２６）には、サーボモータ３０（図２）が設けられている。これらサーボモータ３０は、制御装置１６からの指令に応じて、ロボット１２の各可動要素（旋回胴２０、下腕部２２、上腕部２４、手首ベース２６ａ、手首フランジ２６ｂ）を回動させる。その結果、ロボット１２は、エンドエフェクタ２８を移動させて任意の位置に配置することができる。

　形状検出センサ１４は、ワーク１００の形状を検出する。本実施形態においては、形状検出センサ１４は、撮像センサ（ＣＭＯＳ、ＣＣＤ等）、及び該撮像センサへ被写体像を導光する光学レンズ（コリメートレンズ、フォーカスレンズ等）を有する３次元視覚センサであって、エンドエフェクタ２８（又は手首フランジ２６ｂ）に対して固定されている。

　形状検出センサ１４は、光軸Ａ２に沿って被写体を撮像するとともに、該被写体までの距離ｄを測定するように構成されている。なお、光軸Ａ２と手首軸Ａ１とが互いに平行となる（又は直交する）ように、形状検出センサ１４は、エンドエフェクタ２８に対して固定されてもよい。形状検出センサ１４は、検出した検出データＤＤを、制御装置１６に供給する。

　図１に示すように、ロボット１２には、ロボット座標系Ｃ１、及びツール座標系Ｃ２が設定されている。ロボット座標系Ｃ１は、ロボット１２の各可動要素の動作を制御するための制御座標系Ｃである。本実施形態においては、ロボット座標系Ｃ１は、その原点がロボットベース１８の中心に配置され、そのｚ軸が旋回胴２０の旋回軸と平行となる（具体的には、一致する）ように、ロボットベース１８に対して固定されている。

　一方、ツール座標系Ｃ２は、ロボット座標系Ｃ１におけるエンドエフェクタ２８の位置及び姿勢を規定する制御座標系Ｃである。本実施形態においては、ツール座標系Ｃ２は、その原点（いわゆる、ＴＣＰ）が、エンドエフェクタ２８の作業位置（例えば、ワーク把持位置、溶接位置、又はレーザ光出射口）に配置され、そのｚ軸が、手首軸Ａ１と平行となる（具体的には、一致する）ように、エンドエフェクタ２８に対して設定されている。

　エンドエフェクタ２８を移動させるとき、制御装置１６は、ロボット座標系Ｃ１においてツール座標系Ｃ２を設定し、設定したツール座標系Ｃ２によって表される位置及び姿勢にエンドエフェクタ２８を配置するように、ロボット１２の各サーボモータ３０への指令を生成する。こうして、制御装置１６は、ロボット座標系Ｃ１における任意の位置及び姿勢にエンドエフェクタ２８を位置決めできる。

　一方、形状検出センサ１４には、センサ座標系Ｃ３が設定されている。センサ座標系Ｃ３は、ロボット座標系Ｃ１における形状検出センサ１４の位置及び姿勢（つまり、光軸Ａ２の位置及び方向）を規定する制御座標系Ｃである。本実施形態においては、センサ座標系Ｃ３は、その原点が、形状検出センサ１４の撮像センサの中心に配置され、そのｚ軸が光軸Ａ２と平行となる（具体的には、一致する）ように、形状検出センサ１４に対して設定されている。センサ座標系Ｃ３は、形状検出センサ１４が検出した検出データＤＤ（又は、撮像センサ）の各画素の座標を規定する。

　センサ座標系Ｃ３とツール座標系Ｃ２との位置関係は、キャリブレーションにより既知となっており、故に、センサ座標系Ｃ３の座標とツール座標系Ｃ２の座標とは、既知の変換行列（例えば、同次変換行列）を介して、相互変換可能となっている。また、ツール座標系Ｃ２とロボット座標系Ｃ１との位置関係は既知であるので、センサ座標系Ｃ３の座標とロボット座標系Ｃ１の座標とは、ツール座標系Ｃ２を介して、相互変換可能である。すなわち、ロボット座標系Ｃ１における形状検出センサ１４の位置及び姿勢（具体的には、センサ座標系Ｃ３の座標）は、既知となっている。

　制御装置１６は、ロボット１２の動作を制御して、ワーク１００に対して所定の作業（ワークハンドリング、溶接、又はレーザ加工）を実行させる。具体的には、図２に示すように、制御装置１６は、プロセッサ３２、メモリ３４、及びＩ／Ｏインターフェース３６を有するコンピュータである。プロセッサ３２は、ＣＰＵ又はＧＰＵ等を有し、メモリ３４及びＩ／Ｏインターフェース３６とバス３８を介して通信可能に接続され、これらコンポーネントと通信しつつ、後述する各種機能を実現するための演算処理を行う。

　メモリ３４は、ＲＡＭ又はＲＯＭ等を有し、各種データを一時的又は恒久的に記憶する。メモリ３４は、揮発性メモリ、不揮発性メモリ、磁気記憶媒体、又は光記憶媒体等の記憶媒体から構成することができる。Ｉ／Ｏインターフェース３６は、例えば、イーサネット（登録商標）ポート、ＵＳＢポート、光ファイバコネクタ、又はＨＤＭＩ（登録商標）端子を有し、プロセッサ３２からの指令の下、外部機器との間でデータを有線又は無線で通信する。ロボット１２の各サーボモータ３０、及び形状検出センサ１４は、Ｉ／Ｏインターフェース３６に通信可能に接続されている。

　また、制御装置１６には、表示装置４０及び入力装置４２が設けられている。表示装置４０及び入力装置４２は、Ｉ／Ｏインターフェース３６に通信可能に接続されている。表示装置４０は、液晶ディスプレイ又は有機ＥＬディスプレイ等を有し、プロセッサ３２からの指令の下、各種データを視認可能に表示する。

　入力装置４２は、押しボタン、スイッチ、キーボード、マウス、又はタッチパネル等を有し、オペレータからデータの入力を受け付ける。なお、表示装置４０及び入力装置４２は、制御装置１６の筐体に一体に組み込まれてもよいし、又は、制御装置１６の筐体とは別体の１つのコンピュータ（ＰＣ等）として、該筐体に外付けされてもよい。

　本実施形態においては、プロセッサ３２は、容器Ｂ内にバラ積みにされた複数のワーク１００の形状を検出する形状検出センサ１４の検出データＤＤに基づいて、ロボット座標系Ｃ１におけるワーク１００の位置データＰＤを取得する。以下、図３～図５を参照して、ワーク１００の一例について説明する。

　本実施形態においては、ワーク１００は、本体部１０２、シャフト部１０４、及び凸部１０６を有する。本体部１０２は、四角柱状の外形を有する。シャフト部１０４は、円筒状であって、本体部１０２の一側面から突出する。シャフト部１０４は、円筒状の側面１０８と、リング状の端面１１０とを有する。凸部１０６は、四角柱状であって、本体部１０２の頂面から突出する。

　これら本体部１０２（具体的には、本体部１０２を画定するエッジ及び面等）、シャフト部１０４（具体的には、側面１０８、端面１１０、及びこれらのエッジ等）、凸部１０６（具体的には、凸部１０６を画定するエッジ及び面等）は、ワーク１００の視覚的な特徴１０２、１０４、１０６、１０８、１１０を構成する。

　図３～図４は、異なる３つの視点からワーク１００を見たときの、互いに異なる３つの姿勢ＯＲ_ｎ（ｎ＝１，２，３）のワーク１００を示している。具体的には、図３は、第１の姿勢ＯＲ_１のワーク１００を示し、図４は、第２の姿勢ＯＲ_２のワーク１００を示し、図５は、第３の姿勢ＯＲ_３のワーク１００を示している。

　本実施形態においては、プロセッサ３２は、図３～図５に示すような複数の姿勢ＯＲ_ｎのワーク１００をそれぞれモデル化した、複数のワークモデル１００Ｍ_ｎを取得する。ワークモデル１００Ｍ_ｎは、例えば、ワーク１００のＣＡＤモデル１００Ｍｃ_ｎと、該ＣＡＤモデル１００Ｍｃ_ｎのモデルコンポーネント（エッジ、面等）を点群（又は、法線）で表す点群モデル１００Ｍｐ_ｎとを有する。

　ＣＡＤモデル１００Ｍｃ_ｎは、３次元ＣＡＤモデルであって、ＣＡＤ装置（図示せず）を用いてオペレータによって予め作成される。プロセッサ３２は、ＣＡＤ装置からＣＡＤモデル１００Ｍｃ_ｎを取得し、予め定められた画像生成アルゴリズムに従って該ＣＡＤモデル１００Ｍｃ_ｎのモデルコンポーネントに点群を付与することで、点群モデル１００Ｍｐ_ｎを生成してもよい。なお、ワークモデル１００Ｍ_ｎは、ＣＡＤモデル１００Ｍｃ_ｎ及び点群モデル１００Ｍｐ_ｎに限らず、ワーク１００の形状を表す如何なるタイプのモデルであってもよい。

　プロセッサ３２は、図３に示す第１の姿勢ＯＲ_１のワーク１００をモデル化した、第１の姿勢ＯＲ_１のワークモデル１００Ｍ_１を取得する。なお、以下の説明において、ワーク１００の特徴ＸＸＸ（例えば、端面１１０）に対応するモデルを、特徴モデルＸＸＸＭ（例えば、端面モデル１１０Ｍ）として言及する。第１の姿勢ＯＲ_１のワークモデル１００Ｍ_１は、本体部モデル１０２Ｍ、シャフト部モデル１０４Ｍ（具体的には、側面モデル１０８Ｍ、及び端面モデル１１０Ｍ）、及び、凸部モデル１０６Ｍを含む。

　また、プロセッサ３２は、図４に示す第２の姿勢ＯＲ_２のワーク１００をモデル化した、第２の姿勢ＯＲ_２のワークモデル１００Ｍ_２を取得する。第２の姿勢ＯＲ_２のワークモデル１００Ｍ_２は、本体部モデル１０２Ｍ、シャフト部モデル１０４Ｍ、及び凸部モデル１０６Ｍを含む。しかしながら、ワークモデル１００Ｍ_２においては、シャフト部モデル１０４Ｍは、側面モデル１０８Ｍを有する一方、端面モデル１１０Ｍは有していない（つまり、図４の視点からは見えない）。

　また、プロセッサ３２は、図５に示す第３の姿勢ＯＲ_３のワーク１００をモデル化した、第３の姿勢ＯＲ_３のワークモデル１００Ｍ_３を取得する。第３の姿勢ＯＲ_３のワークモデル１００Ｍ_３は、本体部モデル１０２Ｍ、及びシャフト部モデル１０４Ｍ（具体的には、側面モデル１０８Ｍ、及び端面モデル１１０Ｍ）を含む一方、凸部モデル１０６Ｍを含まない（つまり、図５の視点からは見えない）。

　ワークモデル１００Ｍ_ｎの各々には、ワーク座標系Ｃ４が設定される。このワーク座標系Ｃ４は、制御座標系Ｃ（具体的には、ロボット座標系Ｃ）におけるワークモデル１００Ｍ_ｎの位置及び姿勢を表すための座標系である。本実施形態においては、ワーク座標系Ｃ４は、その原点が、本体部モデル１０２Ｍの一頂点Ｏに配置され、そのｘ軸が、本体部モデル１０２Ｍの幅方向と平行であり、そのｙ軸が、本体部モデル１０２Ｍの長さ方向（又は、シャフト部モデル１０４Ｍの軸線）と平行であり、そのｚ軸が、本体部モデル１０２Ｍの高さ方向と平行となるように、ワークモデル１００Ｍ_ｎに対して設定されている。

　プロセッサ３２は、図３～図５に例示するような、様々な姿勢ＯＲ_ｎの複数のワークモデル１００Ｍ_ｎを、それぞれ別のモデルデータとして、個別に取得する。なお、図３～図５に示す例では、３つの姿勢ＯＲ_ｎ（ｎ＝１，２，３）のワークモデル１００Ｍ_ｎを例示しているが、プロセッサ３２は、３以上の姿勢ＯＲ_ｎ（例えば、ｎ＝１～５００）のワークモデル１００Ｍ_ｎをそれぞれ取得してもよい。このように、本実施形態においては、プロセッサ３２は、複数の姿勢ＯＲ_ｎのワーク１００をそれぞれモデル化した複数のワークモデル１００Ｍ_ｎを取得するモデル取得部４４（図２）として機能する。

　なお、ワークモデル１００Ｍ_ｎは、対応する視点から見て視認可能な表側のモデルデータのみを有し、該視点から見て視認不能である裏側のモデルデータは有していなくてもよい。例えば、図４のワークモデル１００Ｍ_２の場合、図４の視点から見たときに視認可能な、図４の紙面表側のモデルデータ（本体部モデル１０２Ｍ、側面モデル１０８Ｍ、凸部モデル１０６Ｍのモデルデータ）のみを有する一方、図４の視点から見て視認不能な、図４の紙面裏側のモデルデータ（端面モデル１１０Ｍのモデルデータ）は有さなくてもよい。

　より具体的には、プロセッサ３２は、図４のワークモデル１００Ｍ_２を点群モデル１００Ｍｐ_２として生成するとき、図４で視認可能である紙面表側のモデルコンポーネントの点群のモデルデータを生成する一方、視認不能である紙面裏側のモデルコンポーネント（つまり、図４の視点から見て裏側のエッジ及び面等）の点群のモデルデータを生成しなくてもよい。なお、図３のワークモデル１００Ｍ_１、及び図５のワークモデル１００Ｍ_３についても同様である。この構成により、取得するワークモデル１００Ｍ_ｎのデータ量を削減できる。

　なお、プロセッサ３２は、入力装置４２を通して、ワークモデル１００Ｍ_ｎにワーク座標系Ｃ４を設定する入力をオペレータから受け付けてもよい。プロセッサ３２は、取得した複数のワークモデル１００Ｍ_ｎを、ワーク座標系Ｃ４の設定情報とともに、メモリ３４に記憶する。

　プロセッサ３２は、取得した複数のワークモデル１００Ｍ_ｎの各々を、形状検出センサ１４が容器Ｂ内のワーク１００を撮像することで検出した検出データＤＤにマッチングすることで、ロボット座標系Ｃ１におけるワーク１００の位置データＰＤを取得する。図６に、画像化した検出データＤＤの一例を模式的に示す。

　本実施形態においては、検出データＤＤは、３次元点群画像データであって、形状検出センサ１４が検出した様々な姿勢のワーク１００の形状データＳＤ_ｉ（ｉ＝１，２，３，・・・）を含む。なお、図６は、理解の容易のために、第１の姿勢ＯＲ_１のワーク１００の形状データＳＤ_１と、第２の姿勢ＯＲ_２のワーク１００の形状データＳＤ_２と、第３の姿勢ＯＲ_３のワーク１００の形状データＳＤ_３とが写っている例を示している。しかしながら、実際に形状検出センサ１４が容器Ｂ内にバラ積みされたワーク１００を撮像した場合、検出データＤＤには、３以上の形状データＳＤ_ｉが写り得ることを理解されたい。

　各々の形状データＳＤ_ｉは、ワーク１００の視覚的な特徴（つまり、本体部１０２のエッジ又は面、シャフト部１０４（側面１０８、端面１１０）のエッジ又は面、及び、凸部１０６のエッジ又は面）を示す点群を有し、該点群を構成する各点は、上述の距離ｄの情報を有している。よって、形状データＳＤ_ｉの点群を構成する各点は、センサ座標系Ｃ３の３次元座標（Ｘ_Ｓ，Ｙ_Ｓ，Ｚ_Ｓ）として表すことができるようになっている。

　プロセッサ３２は、センサ座標系Ｃ３において、検出データＤＤに写る各々の形状データＳＤ_ｉに、複数のワークモデル１００Ｍ_ｎをそれぞれマッチングする。例えば、図７に示すように、プロセッサ３２は、第２の姿勢ＯＲ_２のワークモデル１００Ｍ_２（図７（ａ））を、検出データＤＤに写る形状データＳＤ_２（図７（ｂ））にマッチングさせる。

　この場合、図７（ｃ）に示すように、ワークモデル１００Ｍ_２の全ての特徴モデル（本体部モデル１０２Ｍ、側面モデル１０８Ｍ、凸部モデル１０６Ｍ）が、形状データＳＤ_２の特徴（ワーク１００の本体部１０２、側面１０８、凸部１０６の形状データ）に整合する。すなわち、この場合、ワークモデル１００Ｍ_２が形状データＳＤ_ｉに適切にマッチングされ、このときのワークモデル１００Ｍ_２に設定されたワーク座標系Ｃ４は、形状データＳＤ_２として検出されたワーク１００の位置及び姿勢を正確に示すことになる。

　一方、図８に示すように、プロセッサ３２は、第１の姿勢ＯＲ_１のワークモデル１００Ｍ_１（図８（ａ））も、同様に、検出データＤＤに写る形状データＳＤ_２（図８（ｂ））にマッチングさせる。この場合、図８（ｃ）に示すように、ワークモデル１００Ｍ_１の本体部モデル１０２Ｍ及び凸部モデル１０６Ｍは、形状データＳＤ_２に写る本体部１０２及び凸部１０６の特徴に整合している。

　その一方で、ワークモデル１００Ｍ_１のシャフト部モデル１０４Ｍ（具体的には、側面モデル１０８Ｍ、及び端面モデル１１０Ｍ）は、形状データＳＤ_２に写るシャフト部１０４の特徴と不整合となっている。すなわち、この場合、ワークモデル１００Ｍ_１が形状データＳＤ_２に不適切にマッチングされており、このときのワークモデル１００Ｍ_１に設定されたワーク座標系Ｃ４は、形状データＳＤ_２として検出されたワーク１００の位置及び姿勢を正確に示すことにならない。

　このような不適切なマッチングは、ワークモデル１００Ｍ_１の本体部モデル１０２Ｍ及び凸部モデル１０６Ｍが、形状データＳＤ_２に写る本体部１０２及び凸部１０６の特徴に類似していることに起因して、起こり得る。一方、ワークモデル１００Ｍ_１の端面モデル１１０Ｍは、形状データＳＤ_２には存在しておらず、故に、形状データＳＤ_２に写るいずれの特徴とも類似していない。その結果、形状データＳＤ_２の特徴と非類似の関係にある端面モデル１１０Ｍは、図８（ｃ）のような不適切なマッチングにおいては、形状データＳＤ_２のいずれの特徴とも整合していない。

　また、プロセッサ３２は、図６の検出データＤＤに写る形状データＳＤ_３に、複数のワークモデル１００Ｍ_ｎをそれぞれマッチングする。例えば、図９に示すように、プロセッサ３２は、第３の姿勢ＯＲ_３のワークモデル１００Ｍ_３（図９（ａ））を、検出データＤＤに写る形状データＳＤ_３（図９（ｂ））にマッチングさせる。その結果、ワークモデル１００Ｍ_３と形状データＳＤ_３とが適切にマッチングされる（図９（ｃ））。

　一方、図１０に示すように、プロセッサ３２は、第１の姿勢ＯＲ_１のワークモデル１００Ｍ_１（図１０（ａ））も、同様に、検出データＤＤに写る形状データＳＤ_３（図１０（ｂ））にマッチングさせる。この場合、図１０（ｃ）に示すように、ワークモデル１００Ｍ_１の凸部モデル１０６Ｍは、形状データＳＤ_３の如何なる特徴と整合しておらず、故に、ワークモデル１００Ｍ_１が形状データＳＤ_３に不適切にマッチングしていることになる。

　このような不適切なマッチングは、ワークモデル１００Ｍ_１の本体部モデル１０２Ｍ及びシャフト部モデル１０４Ｍが、形状データＳＤ_３に写る本体部１０２及びシャフト部１０４の特徴に類似していることに起因して、起こり得る。一方、ワークモデル１００Ｍ_１の凸部モデル１０６Ｍは、形状データＳＤ_３には存在しておらず、故に、形状データＳＤ_３に写るいずれの特徴とも類似していない。その結果、図１０（ｃ）のような不適切なマッチングを行った場合には、形状データＳＤ_３の特徴と非類似の関係にある凸部モデル１０６Ｍは、該形状データＳＤ_３のいずれの特徴とも整合していない。

　上述のように、第ｎの姿勢ＯＲ_ｎのワークモデル１００Ｍ_ｎを、第ｍの姿勢ＯＲ_ｍ（ｍ≠ｎ）の形状データＳＤ_ｍにマッチングさせたとき、ワークモデル１００Ｍ_ｎに含まれる特徴モデルのうち、形状データＳＤ_ｍ（つまり、第ｍの姿勢ＯＲ_ｍのワーク１００）の特徴と非類似の関係にある特徴モデル（例えば、図８（ｃ）の端面モデル１１０Ｍ、又は、図１０（ｃ）の凸部モデル１０６Ｍ）に注目することで、該マッチングが不適切であるか否かを判定できる。

　そこで、本実施形態においては、第ｎの姿勢ＯＲ_ｎのワークモデル１００Ｍ_ｎにおいて、第ｍの姿勢ＯＲ_ｍのワーク１００の特徴とは非類似の関係にある特徴モデル（つまり、図８（ｃ）の端面モデル１１０Ｍ、又は、図１０（ｃ）の凸部モデル１０６Ｍ）を識別するための非類似情報ＮＩを取得する。

　例えば、プロセッサ３２は、図８に示す第１の姿勢ＯＲ_１のワークモデル１００Ｍ_１において、第２の姿勢ＯＲ_２のワーク１００（つまり、形状データＳＤ_２）の特徴とは非類似の関係にある特徴モデルとして、端面モデル１１０Ｍを識別するための非類似情報ＮＩ_{１_２}を取得する。一例として、オペレータは、表示装置４０に表示されたワークモデル１００Ｍ_１（例えば、ＣＡＤモデル１００Ｍｃ_１）を目視してその特徴を検証し、入力装置４２を操作して、端面モデル１１０Ｍを識別するための非類似情報ＮＩ_{１_２}をプロセッサ３２に手動で入力してもよい。

　他の例として、プロセッサ３２は、実空間又は仮想空間で形状検出センサ１４がワーク１００を撮像した検出データＤＤにワークモデル１００Ｍ_１をマッチングする動作を試行することで、端面モデル１１０Ｍを識別するための非類似情報ＮＩ_{１_２}を自動で取得してもよい。なお、マッチングを試行することで非類似情報ＮＩ_{１_２}を取得する機能の詳細については、後述する。

　同様に、プロセッサ３２は、図１０に示す第１の姿勢ＯＲ_１のワークモデル１００Ｍ_１において、第３の姿勢ＯＲ_３のワーク１００の特徴とは非類似の関係にある特徴モデルとして、凸部モデル１０６Ｍを識別するための非類似情報ＮＩ_{１_３}を取得してもよい。このように、本実施形態においては、プロセッサ３２は、１つの姿勢ＯＲ_１のワークモデル１００Ｍ_１において、他の姿勢ＯＲ_２又はＯＲ_３のワーク１００の特徴とは非類似の関係にある特徴モデル１１０Ｍ又は１０６Ｍを識別するための非類似情報ＮＩ_{１_２}又はＮＩ_{１_３}を取得する。したがって、プロセッサ３２は、非類似情報ＮＩ_{１_２}、ＮＩ_{１_３}を取得する情報取得部４６（図２）として機能する。

　なお、非類似情報ＮＩは、特徴モデル（端面モデル１１０Ｍ、凸部モデル１０６Ｍ）を識別する識別コード（文字列、記号等）、又はフラグであってもよい。プロセッサ３２は、取得した非類似情報ＮＩを、ワークモデル１００Ｍ_ｎのモデルデータに付帯させるか、又は、該ワークモデル１００Ｍ_ｎのモデルデータに関連付けて、メモリ３４に記憶する。

　以上の通り、本実施形態においては、プロセッサ３２は、モデル取得部４４及び情報取得部４６として機能して、ワークモデル１００Ｍ_ｎの非類似情報ＮＩを取得している。したがって、モデル取得部４４及び情報取得部４６は、非類似情報ＮＩを取得するための装置８０（図２）を構成する。

　この装置８０においては、モデル取得部４４は、複数の姿勢ＯＲ_ｎのワーク１００をそれぞれモデル化した複数のワークモデル１００Ｍ_ｎを取得し、情報取得部４６は、１つの姿勢ＯＲ_１のワークモデル１００Ｍ_１において、他の姿勢ＯＲ_２又はＯＲ_３のワーク１００の特徴とは非類似の関係にある特徴モデル１１０Ｍ又は１０６Ｍを識別するための非類似情報ＮＩ_{１_２}又はＮＩ_{１_３}を取得する。

　この装置８０によれば、プロセッサ３２は、上述したような不適切なマッチングを検出するために注目すべきワークモデル１００Ｍ_ｎの特徴モデル１１０Ｍ又は１０６Ｍを識別可能になる。その結果、該不適切なマッチングを高精度に検出できるようになるので、ワーク１００の位置データＰＤの誤検出を低減できる。

　次に、図１１を参照して、ロボットシステム１０の他の機能について説明する。図１１に示すロボットシステム１０は、図１２に示すフローを取得する。図１２に示すフローは、上述した非類似情報ＮＩを取得するためのフローである。図１２のフローは、プロセッサ３２が、オペレータ、上位コントローラ、又はコンピュータプログラムＰＧから動作開始指令を受け付けたときに、開始される。

　ステップＳ１において、プロセッサ３２は、モデル取得部４４として機能して、複数のワークモデル１００Ｍ_ｎを取得する。具体的には、プロセッサ３２は、図３～図５に例示したような複数の姿勢ＯＲ_ｎ（例えば、ｎ＝１～５００）の複数のワークモデル１００Ｍ_ｎをそれぞれ取得する。プロセッサ３２は、ワークモデル１００Ｍ_ｎを、ＣＡＤモデル１００Ｍｃ_ｎ又は点群モデルとして取得してもよい。

　ステップＳ２において、プロセッサ３２は、ステップＳ１で取得した各々のワークモデル１００Ｍ_ｎから、該ワークモデル１００Ｍ_ｎに含まれる複数の特徴モデルを抽出し、抽出した各々の特徴モデルに識別コードＩＤを付与する。例えば、プロセッサ３２は、図３に示す第１の姿勢ＯＲ_１のワークモデル１００Ｍ_１から、特徴モデルとして、本体部モデル１０２Ｍ、側面モデル１０８Ｍ、端面モデル１１０Ｍ、及び凸部モデル１０６Ｍを抽出する。

　そして、プロセッサ３２は、抽出した本体部モデル１０２Ｍ、側面モデル１０８Ｍ、端面モデル１１０Ｍ、及び凸部モデル１０６Ｍに、それぞれ固有の識別コードＩＤを付与する。例えば、識別コードＩＤは、文字列コード（例えば、「Feature group A」、「Feature group B」、「Feature group C」・・・）である。この識別コードＩＤによって、プロセッサ３２は、ワークモデル１００Ｍ_１に含まれる特徴モデル１０２Ｍ、１０８Ｍ、１１０Ｍ、及び１０６Ｍを、個別に識別可能となる。このように、本実施形態においては、プロセッサ３２は、各々のワークモデル１００Ｍ_ｎから特徴モデルを抽出し、該特徴モデルに識別コードＩＤを付与する特徴抽出部４８（図１１）として機能する。

　なお、プロセッサ３２は、ワークモデル１００Ｍ_ｎに含まれる複数のモデルコンポーネントを、１つの特徴モデルとして抽出してもよい。例えば、プロセッサ３２は、図５に示す第３の姿勢ＯＲ_３のワークモデル１００Ｍ_３の側面モデル１０８Ｍ及び端面モデル１１０Ｍを、１つの特徴モデル１０４Ｍとして抽出し、該１つの特徴モデル１０４Ｍに識別コードＩＤ（「Feature group C」等の文字列コード）を付与してもよい。複数の面及びエッジのモデルコンポーネントから構成される本体部モデル１０２Ｍ及び凸部モデル１０６Ｍも、同様である。

　また、本体部モデル１０２Ｍ、側面モデル１０８Ｍ、端面モデル１１０Ｍ、及び凸部モデル１０６Ｍを、それぞれ１つの特徴モデルとして抽出するのに限らず、例えば、本体部モデル１０２Ｍ及び凸部モデル１０６Ｍの組み合わせを１つの特徴モデルとして抽出してもよいし、又は、本体部モデル１０２Ｍを画定する複数の面又はエッジを、それぞれ１つの特徴モデルとして抽出してもよい。ワークモデル１００Ｍ_ｎに含まれるモデルコンポーネントを特徴モデルとしてのように抽出するのかは、オペレータによって任意に定められてもよい。

　ステップＳ３において、プロセッサ３２は、ワーク１００の形状データＳＤ_ｉを取得する。一例として、プロセッサ３２は、実空間に配置した実機の形状検出センサ１４が、容器Ｂ内にバラ積みにされたワーク１００を実際に撮像した検出データＤＤ（図６）を取得する。

　他の例として、プロセッサ３２は、仮想空間に配置した仮想の形状検出センサ１４が、容器Ｂ内にバラ積みにされたワーク１００（例えば、容器Ｂのモデル内に配置されたワークモデル１００Ｍ）を模擬的に撮像するシミュレーションＳＬを実行することで得られた検出データＤＤを取得する。

　このように取得された検出データＤＤには、例えば図６に示すように、様々な姿勢ＯＲ_ｉの複数のワーク１００の形状データＳＤ_ｉ（ｉ＝１，２，３，・・・）が含まれることになる。次いで、ステップＳ４において、プロセッサ３２は、ステップＳ１で取得したワークモデル１００Ｍ_ｎの姿勢ＯＲ_ｎを特定する番号「ｎ」を「１」にセットする。

　ステップＳ５において、プロセッサ３２は、形状検出センサ１４が検出した形状データＳＤ_ｉに、第ｎの姿勢ＯＲ_ｎのワークモデル１００Ｍ_ｎをマッチングさせる。例えば、このステップＳ５の開始時点でｎ＝１にセットされている場合、プロセッサ３２は、予め定められたマッチングアルゴリズムに従って、ステップＳ１で取得した第１の姿勢ＯＲ_１のワークモデル１００Ｍ_１（図３）を、ステップＳ３で取得した検出データＤＤ（図６）に写る１つの形状データＳＤ_ｉ（例えば、形状データＳＤ_１、ＳＤ_２又はＳＤ_３）にマッチングさせる。このように、本実施形態においては、プロセッサ３２は、形状検出センサ１４が検出したワーク１００の形状データＳＤ_ｉにワークモデル１００Ｍ_ｎをマッチングさせるモデルマッチング実行部５０（図１１）として機能する。

　ステップＳ６において、プロセッサ３２は、直近のステップＳ５で形状データＳＤ_ｉにワークモデル１００Ｍ_ｎをマッチングさせたときに、該ワークモデル１００Ｍ_ｎに含まれる特徴モデルが該形状データＳＤ_ｉに写る特徴と整合する頻度αを求める。例えば、プロセッサ３２が、直近のステップＳ５において、第１の姿勢ＯＲ_１のワークモデル１００Ｍ_１を、図６に示す検出データＤＤに写る形状データＳＤ_１にマッチングさせたとする。

　この場合、ワークモデル１００Ｍ_１に含まれる本体部モデル１０２Ｍ、シャフト部モデル１０４Ｍ（側面モデル１０８Ｍ、及び端面モデル１１０Ｍ）、及び凸部モデル１０６Ｍといった全ての特徴モデルが、形状データＳＤ_１に写る特徴（つまり、ワーク１００の本体部１０２、シャフト部１０４、及び凸部１０６の特徴）と整合することになる。

　例えば、プロセッサ３２は、識別コードＩＤが付与されたワークモデル１００Ｍ_１の特徴モデルを構成する特徴点Ｆｍと、形状データＳＤ_ｉに写る特徴を構成する特徴点Ｆｓとの一致度βを求める。この一致度βは、例えば、特徴点Ｆｍと、該特徴点Ｆｍに対応する特徴点Ｆｓとの距離の誤差を含む。この場合、特徴点Ｆｍと特徴点Ｆｓとが高度に整合するほど、一致度βが小さな値となる。

　代替的には、一致度βは、特徴点Ｆｍと、該特徴点Ｆｍに対応する特徴点Ｆｓとの類似性を表す類似度を含む。この場合、特徴点Ｆｍと特徴点Ｆｓとが高度に整合するほど、一致度βが大きな値となる。プロセッサ３２は、求めた一致度βと、該一致度βに対して予め定めた閾値β_ｔｈ１とを比較することで、ワークモデル１００Ｍ_１の各々の特徴モデル（本体部モデル１０２Ｍ、側面モデル１０８Ｍ、端面モデル１１０Ｍ、凸部モデル１０６Ｍ）が、形状データＳＤ_１に写る特徴（本体部１０２、側面１０８、端面１１０、凸部１０６）と整合したか否かを判定できる。

　例えば、プロセッサ３２は、一致度βが閾値β_ｔｈ１を超えた（β＞β_ｔｈ１、又は、β＜β_ｔｈ１）場合に、ワークモデル１００Ｍ_１の特徴モデルが形状データＳＤ_１の特徴と整合したと判定する。この判定の結果、プロセッサ３２は、ワークモデル１００Ｍ_１の全ての特徴モデルが形状データＳＤ_１の特徴と整合したことを検知できる。そして、プロセッサ３２は、本体部モデル１０２Ｍ、側面モデル１０８Ｍ、端面モデル１１０Ｍ、及び凸部モデル１０６Ｍの各々について、頻度αを「１」だけインクリメント（α＝α＋１）する。

　すなわち、本実施形態においては、頻度αは、ワークモデル１００Ｍ_ｎを形状データＳＤ_ｉにマッチングさせたときに、該ワークモデル１００Ｍ_ｎの特徴モデルが形状データＳＤ_ｉに写る特徴と整合した回数を示す。プロセッサ３２は、このステップＳ６でワークモデル１００Ｍ_ｎの特徴モデル毎にカウントした頻度αを、該特徴モデルに付与された識別コードＩＤと関連付けて、メモリ３４に記憶する。なお、頻度αは、上述の整合した回数に限らず、例えば該回数に対し、整合した特徴モデル又は一致度βに応じた重み付け演算を加えることで求めてもよいし、如何なる方法で求められてもよい。

　一方、プロセッサ３２が、直近のステップＳ５において、第１の姿勢ＯＲ_１のワークモデル１００Ｍ_１を、図７に示す形状データＳＤ_２にマッチングさせたとする。この場合、図８（ｃ）に示すように、ワークモデル１００Ｍ_１に含まれる本体部モデル１０２Ｍ及び凸部モデル１０６Ｍといった特徴モデルは、形状データＳＤ_２に写るワーク１００の本体部１０２及び凸部１０６といった特徴と整合することになる。したがって、この場合、プロセッサ３２は、ワークモデル１００Ｍ_１に含まれる本体部モデル１０２Ｍ及び凸部モデル１０６Ｍについて、頻度αを「１」だけインクリメント（α＝α＋１）する。

　その一方で、ワークモデル１００Ｍ_１のシャフト部モデル１０４Ｍ（つまり、側面モデル１０８Ｍ、及び端面モデル１１０Ｍ）は、形状データＳＤ_２に写るワーク１００の特徴と整合していない。したがって、この場合、プロセッサ３２は、ワークモデル１００Ｍ_１の側面モデル１０８Ｍ及び端面モデル１１０Ｍについては、頻度αをインクリメントしない。

　こうして、プロセッサ３２は、直近のステップＳ５で形状データＳＤ_ｉにワークモデル１００Ｍ_ｎをマッチングさせたときに、該ワークモデル１００Ｍ_ｎに含まれる特徴モデルが該形状データＳＤ_ｉに写る特徴と整合する頻度αを求めている。したがって、プロセッサ３２は、頻度αを求める頻度演算部５２（図１１）として機能する。

　ステップＳ７において、プロセッサ３２は、ステップＳ３で取得した検出データＤＤに写る全ての形状データＳＤ_ｉにワークモデル１００Ｍ_ｎ（ｎ＝１にセットされている場合は、第１の姿勢ＯＲ_１のワークモデル１００Ｍ_１）をマッチングさせたか否かを判定する。

　プロセッサ３２は、ＹＥＳと判定した場合はステップＳ８へ進む一方、ＮＯと判定した場合はステップＳ５へ戻る。こうして、プロセッサ３２は、ステップＳ７でＹＥＳと判定するまで、ステップＳ５～Ｓ７のループを繰り返し実行し、検出データＤＤに写る形状データＳＤ_ｉにワークモデル１００Ｍ_ｎをマッチングする毎に、該ワークモデル１００Ｍ_ｎの特徴モデル毎に頻度αを求め、特徴モデルに付与された識別コードＩＤに関連付けてメモリ３４に記憶された頻度αを更新する。

　ステップＳ８において、プロセッサ３２は、ワークモデル１００Ｍ_ｎに含まれる複数の特徴モデルについて求めた頻度αに基づいて、それぞれの該特徴モデルが、ステップＳ５でマッチングした形状データＳＤ_ｉに写る特徴と非類似の関係にあるか否かを判定する。例えば、このステップＳ８の開始時点でｎ＝１にセットされている場合、プロセッサ３２は、ステップＳ６を実行する毎にワークモデル１００Ｍ_１の各々の特徴モデル（本体部モデル１０２Ｍ、側面モデル１０８Ｍ、端面モデル１１０Ｍ、及び凸部モデル１０６Ｍ）について求めた頻度αを、所定の閾値α_ｔｈ１と比較する。

　そして、プロセッサ３２は、１つの特徴モデル（例えば、端面モデル１１０Ｍ）の頻度αが閾値α_ｔｈ１以下（α≦α_ｔｈ１）である場合に、該１つの特徴モデルが形状データＳＤ_ｉの特徴と非類似の関係にあると判定する。このように、本実施形態においては、プロセッサ３２は、頻度αに基づいて特徴モデルが形状データＳＤ_ｉに写る特徴と非類似の関係にあるか否かを判定する類似判定部５４（図１１）として機能する。

　プロセッサ３２は、ワークモデル１００Ｍ_１に含まれる少なくとも１つの特徴モデルが非類似の関係にある（すなわち、ＹＥＳ）と判定した場合は、ステップＳ９へ進む一方、ワークモデル１００Ｍ_１に含まれるいずれの特徴モデルも非類似の関係にない（すなわち、ＮＯ）と判定した場合は、ステップＳ１０へ進む。

　ステップＳ９において、プロセッサ３２は、情報取得部４６として機能して、ワークモデル１００Ｍ_ｎに含まれる複数の特徴モデルのうち、直前のステップＳ８で非類似の関係にあると判定した特徴モデルについて非類似情報ＮＩを取得する。例えば、このステップＳ９の開始時点でｎ＝１にセットされ、ステップＳ８の結果、第１の姿勢ＯＲ_１のワークモデル１００Ｍ_１に含まれる端面モデル１１０Ｍ（図８（ｃ））、及び凸部モデル１０６Ｍ（図１０（ｃ））が、それぞれ、第２の姿勢ＯＲ_２のワーク１００の特徴、及び、第３の姿勢ＯＲ_３のワーク１００の特徴とは非類似の関係にあると判定されたとする。

　この場合、プロセッサ３２は、第１の姿勢ＯＲ_１のワークモデル１００Ｍ_１に含まれる複数の特徴モデル（本体部モデル１０２Ｍ、側面モデル１０８Ｍ、端面モデル１１０Ｍ、及び凸部モデル１０６Ｍ）のうち、端面モデル１１０Ｍを識別するための非類似情報ＮＩ_{１_２}と、凸部モデル１０６Ｍを識別するための非類似情報ＮＩ_{１_３}とを取得することになる。

　プロセッサ３２は、端面モデル１１０Ｍの非類似情報ＮＩ_{１_２}を、該端面モデル１１０Ｍに付与された識別コードＩＤと関連付けて取得し、また、凸部モデル１０６Ｍの非類似情報ＮＩ_{１_３}を、該凸部モデル１０６Ｍに付与された識別コードＩＤと関連付けて取得する。

　そして、プロセッサ３２は、取得した非類似情報ＮＩ_{１_２}及びＮＩ_{１_３}を、それぞれの識別コードＩＤと関連付けて、メモリ３４に記憶する。その結果、ワークモデル１００Ｍ_１の特徴モデルの識別コードＩＤと、該特徴モデルの非類似情報ＮＩ_{１_２}、ＮＩ_{１_３}とが、互いに関連付けられて、メモリ３４に格納される。

　ステップＳ１０において、プロセッサ３２は、ワークモデル１００Ｍ_ｎの姿勢ＯＲ_ｎを特定する番号「ｎ」が最大値ｎ_ＭＡＸになった（ｎ＝ｎ_ＭＡＸ）か否かを判定する。この最大値ｎ_ＭＡＸは、ステップＳ１で取得したワークモデル１００Ｍ_ｎの総数（つまり、姿勢ＯＲ_ｎの総数）を示す（例えば、ｎ_ＭＡＸ＝５００）。プロセッサ３２は、ＹＥＳと判定した場合は、図１２に示すフローを終了する一方、ＮＯと判定した場合はステップＳ１１へ進む。

　ステップＳ１１において、プロセッサ３２は、ワークモデル１００Ｍ_ｎの姿勢ＯＲ_ｎを特定する番号「ｎ」を「１」だけインクリメントする（ｎ＝ｎ＋１）。そして、プロセッサ３２は、ステップＳ５へ戻る。こうして、プロセッサ３２は、ステップＳ１０でＹＥＳ
と判定するまで、ステップＳ５～Ｓ１１のループを繰り返し実行し、ステップＳ１で取得した全てのワークモデル１００Ｍ_ｎについて、非類似の関係の判定（ステップＳ８）と、非類似情報ＮＩの取得（ステップＳ９）を実行する。

　以上の通り、本実施形態においては、プロセッサ３２は、モデル取得部４４、情報取得部４６、特徴抽出部４８、モデルマッチング実行部５０、頻度演算部５２、及び類似判定部５４として機能して、ワークモデル１００Ｍ_ｎの非類似情報ＮＩを取得している。したがって、モデル取得部４４、情報取得部４６、特徴抽出部４８、モデルマッチング実行部５０、頻度演算部５２、及び類似判定部５４は、非類似情報ＮＩを取得するための装置８２（図１１）を構成する。

　この装置８２においては、特徴抽出部４８は、各々のワークモデル１００Ｍ_ｎから、該ワークモデル１００Ｍ_ｎに含まれる複数の特徴モデルを抽出し、抽出した各々の該特徴モデルに識別コードＩＤを付与する（ステップＳ２）。そして、情報取得部４６は、特徴モデル（例えば、端面モデル１１０Ｍ又は凸部モデル１０６Ｍ）に付与された識別コードＩＤと関連付けて、非類似情報ＮＩ_{１_２}又はＮＩ_{１_３}を取得する（ステップＳ９）。

　この構成によれば、プロセッサ３２は、ワークモデル１００Ｍ_ｎに含まれる複数の特徴モデルのうち、いずれの特徴モデルが非類似の関係にあるかを、互いに関連付けられた識別コードＩＤ及び非類似情報ＮＩから迅速に認識できる。また、非類似情報ＮＩを、識別コードＩＤによって分類された特徴モデル毎に蓄積できる。

　また、装置８２においては、モデルマッチング実行部５０は、形状検出センサ１４が検出したワーク１００の形状データＳＤ_ｉにワークモデル１００Ｍ_ｎをマッチングさせる（ステップＳ５）。また、頻度演算部５２は、モデルマッチング実行部５０が、複数の姿勢ＯＲ_ｉの形状データＳＤ_ｉ（例えば、図６中の形状データＳＤ_１、ＳＤ_２、ＳＤ_３）にワークモデル１００Ｍ_ｎ（例えば、ワークモデル１００Ｍ_１）をそれぞれマッチングさせたときに、該ワークモデル１００Ｍ_ｎに含まれる特徴モデルが、各々の該形状データＳＤ_ｉに写る特徴と整合する頻度αを求める（ステップＳ６）。

　また、類似判定部５４は、頻度演算部５２がワークモデル１００Ｍ_ｎに含まれる複数の特徴モデルについて求めた頻度αに基づいて、それぞれの特徴モデルが非類似の関係にあるか否かを判定する（ステップＳ８）。そして、情報取得部４６は、ワークモデル１００Ｍ_ｎに含まれる複数の特徴モデルのうち、類似判定部５４によって非類似の関係にあると判定された特徴モデル（例えば、端面モデル１１０Ｍ又は凸部モデル１０６Ｍ）について、非類似情報を取得する（ステップＳ９）。この構成によれば、ワークモデル１００Ｍ_ｎの特徴モデルがワーク１００の特徴と非類似の関係にあるか否かを、頻度αに基づいて高精度に判定できるので、各々の特徴モデルについて非類似情報ＮＩを高精度に取得できる。

　また、装置８２においては、類似判定部５４は、頻度演算部５２が求めた頻度αが所定の閾値α_ｔｈ１以下である場合に、ワークモデル１００Ｍ_ｎの特徴モデルが、ワーク１００（具体的には、形状データＳＤ_ｉ）の特徴と非類似の関係にあると判定する。この構成によれば、非類似の関係の判定を、比較的簡単なアルゴリズムで、高精度に実行できる。

　また、装置８２の一例において、モデルマッチング実行部５０は、実空間において形状検出センサ１４がワーク１００を実際に撮像した形状データＳＤ_ｉを用いて、ワークモデル１００Ｍ_ｎのマッチングを実行する（ステップＳ２）。この構成によれば、実機の形状検出センサ１４が検出した形状データＳＤ_ｉによってマッチングを試行し、その結果、非類似情報ＮＩを高精度に取得できる。

　一方、装置８２の他の例において、モデルマッチング実行部５０は、仮想空間において形状検出センサ１４がワーク１００を模擬的に撮像するシミュレーションＳＬによって取得された形状データＳＤ_ｉを用いてマッチングを実行する（ステップＳ２）。この構成によれば、様々なマッチングを容易に試行することができるので、非類似情報ＮＩを取得する作業を簡単化できる。

　なお、上述のステップＳ６において、プロセッサ３２は、直前のステップＳ５でマッチングさせたワークモデル１００Ｍ_ｎの全ての特徴モデルが、形状データＳＤ_ｉの特徴と整合していることを検知した場合、該全ての特徴モデルの各々の頻度αをインクリメントしなくてもよい。

　例えば、プロセッサ３２は、直前のステップＳ５で第１の姿勢ＯＲ_１のワークモデル１００Ｍ_１を、図６に示す検出データＤＤに写る形状データＳＤ_１にマッチングさせた場合、上述したように、ワークモデル１００Ｍ_１の全ての特徴モデルが形状データＳＤ_１の特徴と整合したことを検知できる。この場合、プロセッサ３２は、ワークモデル１００Ｍ_１の本体部モデル１０２Ｍ、側面モデル１０８Ｍ、端面モデル１１０Ｍ、及び凸部モデル１０６Ｍの各々について、頻度αをインクリメントしない。

　すなわち、この場合、プロセッサ３２は、ワークモデル１００Ｍ_ｎを、同じ姿勢ＯＲ_ｎの形状データＳＤ_ｉにマッチングさせた（つまり、適切なマッチングである）場合、該形状データＳＤ_ｉの特徴と整合した特徴モデルについては、頻度αの演算対象から除外する。これにより、不適切なマッチングを検出するための非類似情報ＮＩを、より効率的に取得できる。

　次に、図１３を参照して、ロボットシステム１０のさらに他の機能について説明する。図１３に示すロボットシステム１０は、図１４に示すフローを実行する。図１４に示すフローは、図１２のフローと同様に非類似情報ＮＩを取得するためのフローであるが、図１２のフローと、ステップＳ１２において相違する。

　具体的には、ステップＳ５の後、ステップＳ１２において、プロセッサ３２は、直近のステップＳ５でワークモデル１００Ｍ_ｎのマッチングを実行したときに、該ワークモデル１００Ｍ_ｎに含まれる少なくとも１つの特徴モデルと、形状データＳＤ_ｉに写る特徴との間で不整合が生じているか否かを判定する。

　例えば、直前のステップＳ５で第１の姿勢ＯＲ_１のワークモデル１００Ｍ_１を、図６の検出データＤＤに写る形状データＳＤ_２にマッチングしたとする。この場合、プロセッサ３２は、例えば、識別コードＩＤが付与されたワークモデル１００Ｍ_１の各々の特徴モデル（本体部モデル１０２Ｍ、側面モデル１０８Ｍ、端面モデル１１０Ｍ、及び凸部モデル１０６Ｍ）を構成する特徴点Ｆｍと、形状データＳＤ_２に写る特徴を構成する特徴点Ｆｓとの一致度βを求める。

　そして、プロセッサ３２は、識別コードＩＤが付与された各々の特徴モデルについて求めた一致度βと閾値β_ｔｈ１とを比較し、一致度βが閾値β_ｔｈ１を超えていない場合に、ワークモデル１００Ｍ_１の特徴モデルと形状データＳＤ_２の特徴との間で不整合が生じている（すなわち、ＹＥＳ）と判定する。この判定の結果、プロセッサ３２は、図８（ｃ）に示すように、ワークモデル１００Ｍ_１の側面モデル１０８Ｍ及び端面モデル１１０Ｍ（つまり、シャフト部モデル１０４Ｍ）と、形状データＳＤ_２の特徴とが不整合となっていると判定することになる。

　プロセッサ３２は、ＹＥＳと判定した場合はステップＳ６に進み、ワークモデル１００Ｍ_１に含まれる特徴モデル（図８（ｃ）の本体部モデル１０２Ｍ及び凸部モデル１０６Ｍ）が該形状データＳＤ_ｉに写る特徴（本体部１０２及び凸部１０６の特徴）と整合する頻度αを求める。一方、プロセッサ３２は、ＮＯと判定した場合はステップＳ７へ進む。

　このように、本実施形態においては、プロセッサ３２は、ステップＳ５でワークモデル１００Ｍ_ｎを用いてマッチングを実行したときに、該ワークモデル１００Ｍ_ｎに含まれる特徴モデルと、形状データＳＤ_ｉに写る特徴との間で不整合が生じているか否かを判定する不整合判定部５６（図１３）として機能する。

　以上のように、本実施形態においては、プロセッサ３２は、モデル取得部４４、情報取得部４６、特徴抽出部４８、モデルマッチング実行部５０、頻度演算部５２、類似判定部５４、及び不整合判定部５６として機能して、ワークモデル１００Ｍ_ｎの非類似情報ＮＩを取得している。したがって、モデル取得部４４、情報取得部４６、特徴抽出部４８、モデルマッチング実行部５０、頻度演算部５２、類似判定部５４、及び不整合判定部５６は、非類似情報ＮＩを取得するための装置８４（図１１）を構成する。

　この装置８４においては、不整合判定部５６は、モデルマッチング実行部５０がワークモデル１００Ｍ_ｎ（例えば、ワークモデル１００Ｍ_１）を用いてマッチングを実行したときに（ステップＳ５）、該ワークモデル１００Ｍ_ｎに含まれる少なくとも１つの特徴モデル（例えば、側面モデル１０８Ｍ及び端面モデル１１０Ｍ）と、形状データＳＤ_ｉ（例えば、形状データＳＤ_２）に写る、該少なくとも１つの特徴モデルに対応する特徴との間で不整合が生じているか否かを判定する（ステップＳ１２）。

　そして、頻度演算部Ｓ６は、不整合判定部５６によって不整合が生じている（つまり、ステップＳ１２でＹＥＳ）と判定された場合に、該少なくとも１つの特徴モデルとは別の特徴モデル（例えば、本体部１０２及び凸部１０６）が形状データＳＤ_ｉ（例えば、形状データＳＤ_２）の特徴と整合する頻度αを求める（ステップＳ６）。

　この構成によれば、ワークモデル１００Ｍ_ｎと形状データＳＤ_ｉとのマッチングで不整合が生じた場合において、該形状データＳＤ_ｉの特徴と整合した特徴モデルについてのみ、頻度αを求めることができる。ここで、ステップＳ１２で不整合と判定された特徴モデルは、上述の非類似の関係になる可能性が高い。よって、ステップＳ１２で不整合が生じたと判定されたときに求めた頻度αを収集することで、ステップＳ９で非類似情報ＮＩを効率的に取得できる。

　次に、図１５を参照して、ロボットシステム１０のさらに他の機能について説明する。図１５に示すロボットシステム１０は、図１６に示すフローを実行する。図１６のフローは、容器Ｂ内にバラ積みにされたワーク１００に対してロボット１２に所定の作業を実行させるためのフローであって、図１２又は図１４のフローの実行後（すなわち、非類似情報ＮＩの取得後）に、実行される。プロセッサ３２は、図１２又は図１４のフローの実行後に、オペレータ、上位コントローラ、又はコンピュータプログラムＰＧから作業開始指令を受け付けたときに、図１６のフローを開始する。

　ステップＳ２１において、プロセッサ３２は、形状検出センサ１４が検出した検出データＤＤを取得する。具体的には、プロセッサ３２は、ロボット１２を動作させて、容器Ｂ内にバラ積みにされたワーク１００を形状検出センサ１４の検出範囲内に収める撮像位置に、該形状検出センサ１４を位置決めする。そして、プロセッサ３２は、形状検出センサ１４を動作させて、容器Ｂ内のワーク１００を撮像することで、図６に例示するような検出データＤＤを検出させる。プロセッサ３２は、検出された検出データＤＤを形状検出センサ１４から取得する。

　ステップＳ２２において、プロセッサ３２は、形状検出センサ１４が検出した検出データＤＤに写る形状データＳＤ_ｉにワークモデル１００Ｍ_ｎをマッチングすることで、制御座標系Ｃにおけるワーク１００の位置データＰＤを取得する。すなわち、本実施形態においては、プロセッサ３２は、ワーク１００の位置データＰＤを取得する位置データ取得部５８（図１５）として機能する。このステップＳ２２について、図１７を参照して説明する。プロセッサ３２は、位置データ取得部５８として機能して、図１７に示すステップＳ２２のフローを実行する。

　ステップＳ２２の開始後、ステップＳ３１において、プロセッサ３２は、直近のステップＳ２１で取得した検出データＤＤに対し、前処理ＰＰを実行する。例えば、プロセッサ３２は、前処理ＰＰとして、検出データＤＤに含まれる点群のうち、無効とする点群（例えば、容器Ｂの外側に存在する点群、又は、ワーク１００の形状データＳＤｉの点群から所定の距離を超えて大きく乖離している点群）を検出データＤＤから削除する処理を実行してもよい。

　ステップＳ３２において、プロセッサ３２は、所定のマッチングアルゴリズムに従って、粗探索ＲＳを実行する。具体的には、プロセッサ３２は、粗探索ＲＳとして、検出データＤＤのセンサ座標系Ｃ３によって規定される仮想空間に、上述のステップＳ１で取得した複数のワークモデル１００Ｍ_ｎを順に配置し、該ワークモデル１００Ｍ_ｎを、検出データＤＤに含まれる各々の形状データＳＤ_ｉにマッチングさせる。つまり、本実施形態においては、プロセッサ３２は、検出データＤＤに含まれる１つの形状データＳＤ_ｉに対し、複数のワークモデル１００Ｍ_ｎをそれぞれマッチングする。

　このとき、プロセッサ３２は、センサ座標系Ｃ３に配置したワークモデル１００Ｍ_ｎの位置を、所定の変位量だけ繰り返し変位させる。そして、プロセッサ３２は、ワークモデル１００Ｍ_ｎの位置を変位させる毎に、該ワークモデル１００Ｍ_ｎの特徴点Ｆｍと、形状データＳＤｉの特徴点Ｆｓとの一致度βを求める。

　そして、プロセッサ３２は、求めた一致度βと閾値β_ｔｈ２とを比較し、該一致度βが該閾値β_ｔｈ２を超えたとき（つまり、β＞β_ｔｈ２、又は、β＜β_ｔｈ２）、センサ座標系Ｃ３においてワークモデル１００Ｍ_ｎと形状データＳＤ_ｉとが概ねマッチングしたと判定する。なお、この閾値β_ｔｈ２は、上述の閾値β_ｔｈ１と同じ値であってもよいし、異なる値であってもよい。

　図１８は、第１の姿勢ＯＲ_１のワークモデル１００Ｍ_１を形状データＳＤ_１にマッチングさせた状態を示す。プロセッサ３２は、形状データＳＤ_１に粗探索ＲＳとしてマッチングさせたワークモデル１００Ｍ_１に設定されているワーク座標系Ｃ４の、センサ座標系Ｃ３の座標Ｑ１_Ｓ（Ｘ１_Ｓ，Ｙ１_Ｓ，Ｚ１_Ｓ，Ｗ１_Ｓ，Ｐ１_Ｓ，Ｒ１_Ｓ）を、センサ座標系位置データＰＤ_{０_１}として取得する。

　このセンサ座標系位置データＰＤ_{０_１}（つまり、座標Ｑ１_Ｓ）のうち、座標（Ｘ１_Ｓ，Ｙ１_Ｓ，Ｚ１_Ｓ）は、センサ座標系Ｃ３におけるワーク座標系Ｃ４の原点位置を示し、座標（Ｗ１_Ｓ，Ｐ１_Ｓ，Ｒ１_Ｓ）は、センサ座標系Ｃ３におけるワーク座標系Ｃ４の姿勢（いわゆる、ヨー、ピッチ、ロール）を示す。

　そして、プロセッサ３２は、センサ座標系位置データＰＤ_{０_１}を、ロボット座標系Ｃ１の座標Ｑ１_Ｒ（Ｘ１_Ｒ，Ｙ１_Ｒ，Ｚ１_Ｒ，Ｗ１_Ｒ，Ｐ１_Ｒ，Ｒ１_Ｒ）に変換し、該座標Ｑ１_Ｒを、初期位置データＰＤ_{１_１}として取得する。この初期位置データＰＤ_{１_１}は、形状データＳＤ_１として形状検出センサ１４によって検出されたワーク１００の、ロボット座標系Ｃ１における位置及び姿勢の概算値を表す。

　同様にして、プロセッサ３２は、検出データＤＤに写る他の形状データＳＤ_ｉのセンサ座標系位置データＰＤ_{０_ｉ}、及び初期位置データＰＤ_{１_ｉ}を順次取得する。このように、プロセッサ３２は、粗探索ＲＳにおいて、ワークモデル１００Ｍ_ｎを形状データＳＤ_ｉにマッチングすることで、ワーク１００の位置データＰＤ_{０_ｉ}、ＰＤ_{１_ｉ}を取得している。

　ステップＳ３３において、プロセッサ３２は、密探索ＰＳを実行する。具体的には、プロセッサ３２は、検出データＤＤに写る形状データＳＤ_ｉに関し、ステップＳ３２で取得した初期位置データＰＤ_{１_ｉ}を基準とし、所定のマッチングアルゴリズム（例えば、ＩＣＰ：ＩｔｅｒａｔｉｖｅＣｌｏｓｅｓｔＰｏｉｎｔ等の数理最適化アルゴリズム）に従って、センサ座標系Ｃ３においてワークモデル１００Ｍ_ｎが形状データＳＤ_ｉと高度にマッチングする位置を探索する。

　例えば、プロセッサ３２は、センサ座標系Ｃ３の初期位置データＰＤ_{１_ｉ}にワークモデル１００Ｍ_ｎとして配置した点群モデル１００Ｍｐ_ｎの点群と、検出データＤＤに含まれる形状データＳＤ_ｉの３次元点群との一致度γを求める。例えば、この一致度γは、点群モデル１００Ｍｐ_ｎの点群と、形状データＳＤ_ｉの３次元点群との距離の誤差、又は、点群モデル１００Ｍｐ_ｎの点群と、形状データＳＤ_ｉの３次元点群との類似度を含む。

　そして、プロセッサ３２は、求めた一致度γと、該一致度γに対して予め定めた閾値γ_ｔｈとを比較し、該一致度γが閾値γ_ｔｈを超えたとき（例えば、γ＞γ_ｔｈ、又は、γ＜γ_ｔｈ）、センサ座標系Ｃ３においてワークモデル１００Ｍ_ｎ（例えば、点群モデル１００Ｍｐ_ｎ）と形状データＳＤ_ｉとが高度にマッチングしたと判定する。一方、一致度γが閾値γ_ｔｈを超えていない場合、プロセッサ３２は、センサ座標系Ｃ３に配置したワークモデル１００Ｍ_ｎの位置を所定の変位量だけ変位させ、ワークモデル１００Ｍ_ｎの位置を変位させる毎に一致度γを求めて、閾値γ_ｔｈと比較する。

　プロセッサ３２は、一致度γが閾値γ_ｔｈを超えたとき、密探索ＰＳとして形状データＳＤ_ｉと高度にマッチングしたワークモデル１００Ｍ_ｎに設定されているワーク座標系Ｃ４の、センサ座標系Ｃ３における座標Ｑ２_Ｓ（Ｘ２_Ｓ，Ｙ２_Ｓ，Ｚ２_Ｓ，Ｗ２_Ｓ，Ｐ２_Ｓ，Ｒ２_Ｓ）を、センサ座標系位置データＰＤ_{２_ｉ}として取得する。

　そして、プロセッサ３２は、センサ座標系位置データＰＤ_{２_ｉ}を、ロボット座標系Ｃ１の座標Ｑ２_Ｒ（Ｘ２_Ｒ，Ｙ２_Ｒ，Ｚ２_Ｒ，Ｗ２_Ｒ，Ｐ２_Ｒ，Ｒ２_Ｒ）に変換し、該座標Ｑ２_Ｒを、形状データＳＤ_ｉとして検出されたワーク１００の位置データＰＤ_{３_ｉ}として取得する。この位置データＰＤ_{３_ｉ}は、ロボット座標系Ｃ１におけるワーク１００の高精度な位置及び姿勢を表す。このように、プロセッサ３２は、密探索ＰＳにおいて、ワークモデル１００Ｍ_ｎを形状データＳＤ_ｉにマッチングすることで、ワーク１００の位置データＰＤ_{２_ｉ}、ＰＤ_{３_ｉ}を取得している。

　このステップＳ３３の結果、プロセッサ３２は、検出データＤＤに写る複数のワーク１００の位置データＰＤ_{３_ｉ}を、それぞれ取得する。プロセッサ３２は、取得した位置データＰＤ_{３_ｉ}を、検出結果データＤＴとしてメモリ３４に記憶する。検出結果データＤＴのデータ構造の一例を、以下の表１に模式的に示す。

　表１に示す検出結果データＤＴには、ワーク１００の位置データＰＤ_{３_ｉ}（具体的には、座標Ｑ２_Ｒ（Ｘ２_Ｒ，Ｙ２_Ｒ，Ｚ２_Ｒ，Ｗ２_Ｒ，Ｐ２_Ｒ，Ｒ２_Ｒ））とともに、一致度γ_ｉ、平面割合δ_ｉ、及び露出率ε_ｉ等の検出結果パラメータＰＭが格納されている。この検出結果パラメータＰＭは、位置データＰＤ_{３_ｉ}の取得時に実行されたワーク１００の形状データＳＤ_ｉとワークモデル１００Ｍ_ｎとのマッチングの結果を表すパラメータである。具体的には、一致度γ_ｉは、ステップＳ３３の密探索ＰＳでワークモデル１００Ｍ_ｎを形状データＳＤ_ｉと高度にマッチングさせたと判定したときの一致度である。

　平面割合δ_ｉは、例えば、密探索ＰＳで形状データＳＤ_ｉにマッチングさせたワークモデル１００Ｍ_ｎにおいて、該ワークモデル１００Ｍ_ｎに含まれる最大の平面モデル（具体的には、平面の点群モデル１００Ｍｐ_ｎ）が、該ワークモデル１００Ｍ_ｎの全体（具体的には、全体の点群モデル１００Ｍｐ_ｎ）に占める割合である。代替的には、平面割合δ_ｉは、密探索ＰＳでワークモデル１００Ｍ_ｎをマッチングさせた形状データＳＤ_ｉに含まれる最大の平面を表す点群が、該形状データＳＤ_ｉの全体（具体的には、全体の点群）に占める割合であってもよい。

　露出率ε_ｉは、例えば、密探索ＰＳで形状データＳＤ_ｉにマッチングさせたワークモデル１００Ｍ_ｎの全体（具体的には、点群モデル１００Ｍｐ_ｎを構成する全ての点群）に対する、該形状データＳＤ_ｉとマッチングしているワークモデル１００Ｍ_ｎの領域（つまり、形状データＳＤ_ｉの点群とマッチングしている、点群モデル１００Ｍｐ_ｎの点群）の割合を示す。

　プロセッサ３２は、位置データＰＤ_{３_ｉ}とともに、検出結果パラメータＰＭ（一致度γ_ｉ、平面割合δ_ｉ、及び露出率ε_ｉ）を取得し、位置データＰＤ_{３_ｉ}に関連付けて、検出結果データＤＴとしてメモリ３４に記憶する。なお、検出結果パラメータＰＭは、一致度γ_ｉ、平面割合δ_ｉ、及び露出率ε_ｉに限らず、他の如何なるパラメータを有してもよい。

　また、表１に示す検出結果データＤＴには、位置データＰＤ_{３_ｉ}を取得した形状データＳＤ_ｉの情報と、取得した位置データＰＤ_{３_ｉ}に順に付与された番号ｊ（ｊ＝１，２，３，・・・）とが、位置データＰＤ_{３_ｉ}及び検出結果パラメータＰＭと関連付けて、併せて格納されている。

　ステップＳ３４において、プロセッサ３２は、検出結果データＤＴに対し、後処理ＯＰを実行する。例えば、プロセッサ３２は、後処理ＯＰとして、検出結果パラメータＰＭが所定の基準を満たしていない位置データＰＤ_{３_ｉ}を、検出結果データＤＴから削除する処理を実行してもよい。

　具体的には、プロセッサ３２は、一致度γ_ｉ、平面割合δ_ｉ、又は露出率ε_ｉが所定の基準値を超えていない場合に、検出結果パラメータＰＭが基準を満たしていないと判定し、該検出結果パラメータＰＭに関連付けられた位置データＰＤ_{３_ｉ}を、検出結果データＤＴから削除してもよい。以上のように、プロセッサ３２は、位置データ取得部５８として機能して、図１７に示すステップＳ２２を実行し、ワーク１００の位置データＰＤ_{０_ｉ}、ＰＤ_{１_ｉ}、ＰＤ_{２_ｉ}、ＰＤ_{３_ｉ}を取得する。

　再度、図１６を参照して、ステップＳ２３において、プロセッサ３２は、ステップＳ２２で取得した位置データＰＤの誤検出を検証する。ここで、プロセッサ３２が、上述のステップＳ３２及びＳ３３において、図８（ｃ）又は図１０（ｃ）に例示するように、ワークモデル１００Ｍ_ｎを形状データＳＤ_ｉに不適切にマッチングさせた結果、位置データＰＤ_{３_ｉ}を取得してしまう可能性がある。このような不適切なマッチングの結果として得られた位置データＰＤ_{３_ｉ}は、ワーク１００の位置及び姿勢を正確に表していない誤検出のデータとなる。

　そこで、本実施形態においては、プロセッサ３２は、ステップＳ２３において、検出結果データＤＴに格納された位置データＰＤ_{３_ｉ}の誤検出を検証する。このステップＳ２３について、図１９を参照して説明する。ステップＳ２３の開始後、ステップＳ４１において、プロセッサ３２は、検出結果データＤＴに格納された位置データＰＤ_{３_ｉ}を特定する番号「ｊ」を「１」にセットする。

　ステップＳ４２において、プロセッサ３２は、ｊ番目の位置データＰＤ_{３_ｉ}を取得するためのマッチングに用いられたワークモデル１００Ｍ_ｎについて、非類似情報ＮＩが取得されているか否かを判定する。以下、この時点で、位置データＰＤの番号「ｊ」が、ｊ＝２にセットされ、且つ、表１の検出結果データＤＴに格納された２番目（つまり、番号ｊ＝２）の位置データＰＤ_{３_２}が、図８（ｃ）に示すように、第１の姿勢ＯＲ_１のワークモデル１００Ｍ_１を形状データＳＤ_２に不適切にマッチングした結果として得られていた場合について説明する。

　この場合、プロセッサ３２は、２番目の位置データＰＤ_{３_２}を取得するときにマッチングに用いられたワークモデル１００Ｍ_１を特定し、該ワークモデル１００Ｍ_１について、上述のステップＳ９で端面モデル１１０Ｍ及び凸部モデル１０６Ｍを識別する非類似情報ＮＩ_{１_２}及びＮＩ_{１_３}が取得されていることを認識できる。よって、この場合、プロセッサ３２は、このステップＳ４２でＹＥＳと判定することになる。プロセッサ３２は、ＹＥＳと判定した場合は、ステップＳ４３へ進む一方、ＮＯと判定した場合はステップＳ４５へ進む。

　ステップＳ４３において、プロセッサ３２は、ｊ番目の位置データＰＤ_{３_ｉ}の取得のために用いられたワークモデル１００Ｍ_ｎに含まれる特徴モデルのうち、非類似情報ＮＩによって識別される特徴モデルが、該ｊ番目の位置データＰＤ_{３_ｉ}を取得した形状データＳＤ_ｉに写る特徴と整合しているか否かを判定する。

　具体的には、プロセッサ３２は、２番目の位置データＰＤ_{３_２}の取得のために用いられた第１の姿勢ＯＲ_１のワークモデル１００Ｍ_１において、第２の姿勢ＯＲ_２のワーク１００に対する非類似情報ＮＩ_{１_２}によって識別される端面モデル１１０Ｍが、形状データＳＤ_２に写る特徴と整合しているか否かを判定する。

　例えば、プロセッサ３２は、検出結果データＤＴにおいて２番目の位置データＰＤ_{３_２}と関連付けて格納された一致度γ_２を取得したときのマッチングデータを解析し、上述のステップＳ３３（密探索ＰＳ）でマッチングさせた端面モデル１１０Ｍと形状データＳＤ_２の特徴との一致度γ_２’を取得する。

　そして、プロセッサ３２は、一致度γ_２’が所定の閾値γ_ｔｈ’を超えていた場合（γ_２’＞γ_ｔｈ’、又は、γ_２’＜γ_ｔｈ’）に、非類似情報ＮＩ_{１_２}によって識別される端面モデル１１０Ｍが形状データＳＤ_２に写る特徴と整合している（すなわち、ＹＥＳ）と判定する。

　なお、この閾値γ_ｔｈ’は、上述の閾値γ_ｔｈと同じ値であってもよいし、又は異なる値であってもよい。本実施形態においては、図８（ｃ）に示すように、ワークモデル１００Ｍ_１の端面モデル１１０Ｍは、形状データＳＤ_２の特徴と不整合となっていることから、一致度γ_２’は、閾値γ_ｔｈ’を超えない。

　したがって、この場合、プロセッサ３２は、非類似情報ＮＩ_{１_２}によって識別される端面モデル１１０Ｍが、形状データＳＤ_２に写る特徴と不整合となっている（すなわち、ＮＯ）と判定することになる。プロセッサ３２は、ＮＯと判定した場合は、ステップＳ４４へ進む一方、ＹＥＳと判定した場合はステップＳ４５へ進む。

　このように、本実施形態においては、プロセッサ３２は、形状データＳＤ_ｉにワークモデル１００Ｍ_ｎをマッチングすることで位置データＰＤ_{３_ｉ}を取得したときに、非類似情報ＮＩによって識別される特徴モデルが形状データＳＤ_ｉに写る特徴と整合しているか否かを判定する整合判定部６２（図１５）として機能する。

　なお、プロセッサ３２は、このステップＳ４３において、第１の姿勢ＯＲ_１のワークモデル１００Ｍ_１において、第３の姿勢ＯＲ_３のワーク１００（つまり、図１０（ｃ）の形状データＳＤ_３）に対する非類似情報ＮＩ_{１_３}によって識別される凸部モデル１０６Ｍが、形状データＳＤ_２に写る特徴と整合しているか否かを判定してもよい。

　この場合、プロセッサ３２は、整合判定部６２として機能して、凸部モデル１０６Ｍが形状データＳＤ_２の特徴と整合しているか否か判定する。図８（ｃ）に示すように、ワークモデル１００Ｍ_１の凸部モデル１０６Ｍは、形状データＳＤ_２の特徴（凸部１０６）と整合している。よって、プロセッサ３２は、非類似情報ＮＩ_{１_３}によって識別される凸部モデル１０６Ｍについては、形状データＳＤ_２の特徴と整合していると判定することになる。

　すなわち、プロセッサ３２は、このステップＳ４３において、ワークモデル１００Ｍ_ｎに複数の非類似情報ＮＩがある場合、これら非類似情報ＮＩによって識別される複数の特徴モデルの各々について、形状データＳＤ_ｉの特徴と整合しているか否か判定する。そして、プロセッサ３２は、少なくとも１つの特徴モデルが形状データＳＤ_ｉの特徴と不整合となっている場合、ＮＯと判定する。

　ステップＳ４４において、プロセッサ３２は、上述のステップＳ２２で取得したワーク１００の位置データＰＤを無効にする。ここで、上述したように、本実施形態では、表１の検出結果データＤＴに格納された２番目の位置データＰＤ_{３_２}が、図８（ｃ）に示すような不適切なマッチングの結果として得られている。この場合において、仮に、プロセッサ３２が、後述するステップＳ２５において、不整合の結果得られた位置データＰＤ_{３_２}を用いて、ロボット１２にワーク１００に対する作業を実行させた場合、該作業を高精度に実行できなくなる。

　そこで、本実施形態においては、プロセッサ３２は、このステップＳ４４において、後述のステップＳ２５の制御に位置データＰＤ_{３_２}を用いることを避けるために、該位置データＰＤ_{３_２}を無効にする。一例として、プロセッサ３２は、上述のステップＳ２２で作成した検出結果データＤＴから、位置データＰＤ_{３_２}を削除する。

　他の例として、プロセッサ３２は、検出結果データＤＴに格納されているワーク１００の位置データＰＤ_{３_２}に、無効フラグＦＬを付与する。この場合、プロセッサ３２は、後述するステップＳ２５を実行するときに、検出結果データＤＴの位置データＰＤ_{３_２}を読み出したとき、該位置データＰＤ_{３_２}に付与された無効フラグＦＬを参照して、該位置データＰＤ_{３_２}を無視する。その結果、プロセッサ３２は、ステップＳ２５で、形状データＳＤ_２として検出されたワーク１００に対する作業をキャンセルすることになる。

　このようにして、プロセッサ３２は、このステップＳ４４において、検出結果データＤＴに格納された位置データＰＤ_{３_ｉ}を無効にし（例えば、削除するか、又は無効フラグＦＬを付与し）、これにより、後述のステップＳ２５の制御に、不整合の結果として取得された位置データＰＤ_{３_ｉ}を用いることを避けることができる。

　このように、本実施形態においては、プロセッサ３２は、位置データＰＤ_{３_ｉ}を取得するために形状データＳＤ_ｉにマッチングさせたワークモデル１００Ｍ_ｎと該形状データＳＤ_ｉとの間で不整合が生じている（つまり、ステップＳ４３でＮＯと判定した）場合に、ステップＳ２２で取得した位置データＰＤ_{３_ｉ}を無効にする位置データ取消部６０（図１５）として機能する。

　ステップＳ４５において、プロセッサ３２は、この時点で設定されている位置データＰＤの番号「ｊ」が、ｊ＝ｊ_ＭＡＸであるか否かを判定する。このｊ_ＭＡＸは、ステップＳ２２で取得した位置データＰＤ_{３_ｉ}の総数である。プロセッサ３２は、ＹＥＳと判定した場合は、図１９のフローを終了する一方、ＮＯと判定した場合はステップＳ４６へ進む。

　ステップＳ４６において、プロセッサ３２は、位置データＰＤ_{３_ｉ}の番号「ｊ」を、「１」だけインクリメントする（ｊ＝ｊ＋１）。そして、プロセッサ３２は、ステップＳ４２へ戻る。こうして、プロセッサ３２は、ステップＳ４５でＹＥＳと判定するまで、ステップＳ４２～Ｓ４６のループを繰り返し実行し、検出結果データＤＴに格納された位置データＰＤ_{３_ｉ}のうち、不整合の結果として取得した位置データＰＤ_{３_ｉ}（例えば、位置データＰＤ_{３_２}）を無効にする。

　再度、図１６を参照し、ステップＳ２４において、プロセッサ３２は、位置データＰＤ_{３_ｉ}を確定する。具体的には、プロセッサ３２は、上述のステップＳ２３を実行後の検出結果データＤＴを、後述のステップＳ２５の制御に用いる正式な制御データとして確定し、メモリ３４（例えば、ＲＡＭ）に格納する。

　ステップＳ２５において、プロセッサ３２は、ステップＳ２４で確定した検出結果データＤＴを参照し、ロボット１２を動作させてワーク１００に対する作業（ワークハンドリング、溶接、又はレーザ加工等）を実行する。仮に、上述のステップＳ４４で、１番目の位置データＰＤ_{３_１}が無効にされなかった一方、２番目の位置データＰＤ_{３_２}が無効にされたとする。

　この場合、プロセッサ３２は、検出結果データＤＴに格納された１番目の位置データＰＤ_{３_１}を参照し、ロボット１２を動作させて、エンドエフェクタ２８（すなわち、ツール座標系Ｃ２）を、該位置データＰＤ_{３_１}で示される位置及び姿勢（つまり、ロボット座標系Ｃ１の座標Ｑ２_Ｒ（Ｘ２_Ｒ，Ｙ２_Ｒ，Ｚ２_Ｒ，Ｗ２_Ｒ，Ｐ２_Ｒ，Ｒ２_Ｒ））に位置決めし、該エンドエフェクタ２８によって、形状データＳＤ_１として検出されたワーク１００に対する作業を実行する。その一方で、プロセッサ３２は、２番目の位置データＰＤ_{３_２}を取得した形状データＳＤ_２として検出されたワーク１００に対する作業をキャンセルする。

　ステップＳ２６において、プロセッサ３２は、容器Ｂ内の全てのワーク１００に対する作業を完了したか否かを判定する。プロセッサ３２は、ＹＥＳと判定した場合は、図１６に示すフローを終了する一方、ＮＯと判定した場合はステップＳ２１へ戻る。こうして、プロセッサ３２は、ステップＳ２６でＹＥＳと判定するまで、ステップＳ２１～Ｓ２６のループを繰り返し実行し、ステップＳ２１で形状検出センサ１４が新たに検出した検出データＤＤを取得し、該新たな検出データＤＤに基づいて、ステップＳ２２～Ｓ２５を実行する。

　以上のように、本実施形態においては、プロセッサ３２は、モデル取得部４４、情報取得部４６、特徴抽出部４８、モデルマッチング実行部５０、頻度演算部５２、類似判定部５４、不整合判定部５６、位置データ取得部５８、位置データ取消部６０、及び整合判定部６２として機能して、ワークモデル１００Ｍ_ｎの非類似情報ＮＩを取得する。

　したがって、モデル取得部４４、情報取得部４６、特徴抽出部４８、モデルマッチング実行部５０、頻度演算部５２、類似判定部５４、不整合判定部５６、位置データ取得部５８、位置データ取消部６０、及び整合判定部６２は、非類似情報ＮＩを取得するための装置８６（図１５）を構成する。

　この装置８６においては、位置データ取得部５８は、制御座標系Ｃ（ロボット座標系Ｃ１）の既知の位置に配置された形状検出センサ１４が検出したワーク１００の形状データＳＤ_ｉにワークモデル１００Ｍ_ｎをマッチングすることで、該制御座標系Ｃにおける該ワーク１００の位置データＰＤ（具体的には、位置データＰＤ_{０_ｉ}、ＰＤ_{１_ｉ}、ＰＤ_{２_ｉ}、ＰＤ_{３_ｉ}）を取得する（ステップＳ３２、Ｓ３３）。

　そして、位置データ取消部６０は、位置データ取得部５８が位置データＰＤを取得するために形状データＳＤ_ｉにマッチングさせたワークモデル１００Ｍ_ｎと該形状データＳＤ_ｉとの間で不整合が生じている（つまり、ステップＳ４３でＮＯと判定した）場合に、該位置データ取得部５８が取得した該位置データＰＤを無効にする（ステップＳ４４）。

　この構成によれば、例えば図８（ｃ）又は図１０（ｃ）に示すような不適切なマッチングの結果として取得された位置データＰＤ_{３_ｉ}を用いてワーク１００に対する作業（ステップＳ２５）をロボット１２に実行させるのを避けることができる。これにより、ステップＳ２５で実行するロボット１２の作業の精度を向上させることができる。

　また、装置８６においては、整合判定部６２は、位置データ取得部５８が形状データＳＤ_ｉ（例えば、形状データＳＤ_２）にワークモデル１００Ｍ_ｎ（例えば、ワークモデル１００Ｍ_１）をマッチングすることで位置データＰＤ（ＰＤ_{３_２}）を取得したときに、非類似情報ＮＩ（ＮＩ_{１_２}）によって識別される特徴モデル（端面モデル１１０Ｍ）が、該形状データＳＤ_ｉに写る特徴と整合しているか否かを判定する（ステップＳ４３）。

　そして、位置データ取消部６０は、整合判定部６２によって特徴モデル（１１０Ｍ）が形状データＳＤ_ｉの特徴と不整合となっている（ステップＳ４３でＮＯ）と判定された場合に、位置データ取得部５８が取得した位置データＰＤ（ＰＤ_{３_２}）を無効にする。この構成によれば、非類似情報ＮＩによって識別される特徴モデルに注目して、位置データＰＤの取得時に不適切なマッチングが生じていたのか否かを検証できる。これにより、位置データＰＤの誤検出を高精度に発見できる。

　次に、図２０を参照して、ロボットシステム１０のさらに他の機能について説明する。図２０に示すロボットシステム１０は、図２１に示すフローを実行する。なお、図２１に示すフローにおいて、図１４のフローと同様のプロセスには同じステップ番号を付し、重複する説明を省略する。

　図２１のフローにおいては、ステップＳ７でＹＥＳと判定した場合、ステップＳ１３において、プロセッサ３２は、ワークモデル１００Ｍ_ｎに含まれる複数の特徴モデルについて求めた頻度αに基づいて、それぞれの該特徴モデルが、ステップＳ５でマッチングした形状データＳＤ_ｉに写る特徴と類似の関係にあるか否かを判定する。

　具体的には、プロセッサ３２は、上述のステップＳ６を実行する毎にワークモデル１００Ｍ_ｎの各々の特徴モデル（例えば、本体部モデル１０２Ｍ、側面モデル１０８Ｍ、端面モデル１１０Ｍ、及び凸部モデル１０６Ｍ）について求めた頻度αを所定の閾値α_ｔｈ２と比較する。

　そして、プロセッサ３２は、１つの特徴モデルの頻度αが閾値α_ｔｈ２以上（α≧α_ｔｈ２）である場合に、該１つの特徴モデルが形状データＳＤ_ｉの特徴と類似の関係にあると判定する。この閾値α_ｔｈ２は、上述の閾値α_ｔｈ１よりも大きい値に設定される。プロセッサ３２は、ワークモデル１００Ｍ_ｎに含まれる少なくとも１つの特徴モデルが形状データＳＤ_ｉの特徴と類似の関係にある場合はＹＥＳと判定し、ステップＳ１４へ進む。一方、プロセッサ３２は、ワークモデル１００Ｍ_ｎに含まれる全ての特徴モデルが形状データＳＤ_ｉの特徴と類似の関係にない場合はＮＯと判定し、ステップＳ１４へ進む。

　ステップＳ１４において、プロセッサ３２は、情報取得部４６として機能して、ワークモデル１００Ｍ_ｎに含まれる複数の特徴モデルのうち、直前のステップＳ１３で類似の関係にあると判定した特徴モデルについて類似情報ＳＩを取得する。例えば、直前のステップＳ１３で、図２２（ａ）に示す第２の姿勢ＯＲ_２（換言すれば、番号「ｎ」＝２）のワークモデル１００Ｍ_２について、該ワークモデル１００Ｍ_２の本体部モデル１０２Ｍが、図２２（ｂ）に示す第１の姿勢ＯＲ_１のワーク１００の本体部１０２を写す形状データＳＤ_１と類似の関係にあると判定されたとする。

　この場合、プロセッサ３２は、第２の姿勢ＯＲ_２のワークモデル１００Ｍ_２に含まれる本体部モデル１０２Ｍについて、第１の姿勢ＯＲ_１のワーク１００の本体部１０２と類似関係にあることを識別する類似情報ＳＩ_{２_１}を取得する。ここで、本実施形態においては、この類似情報ＳＩ_{２_１}は、第２の姿勢ＯＲ_２のワークモデル１００Ｍ_２の本体部モデル１０２Ｍと、第１の姿勢ＯＲ_１のワークモデル１００Ｍ_１の本体部モデル１０２Ｍとを類似関係として紐付ける紐付情報Ｉ_{２_１}を含む。

　一例として、オペレータは、表示装置４０に表示された、ステップＳ５でのワークモデル１００Ｍ_２と形状データＳＤ_１とのマッチング結果を目視で確認することで、第２の姿勢ＯＲ_２のワークモデル１００Ｍ_２の本体部モデル１０２Ｍが、第１の姿勢ＯＲ_１のワークモデル１００Ｍ_１の本体部モデル１０２Ｍと類似関係にあることを認識する。そして、オペレータは、入力装置４２を操作して、上述の紐付情報Ｉ_{２_１}を、手動でプロセッサ３２に入力してもよい。

　他の例として、ステップＳ３で上述のシミュレーションＳＬを実行することで得られた検出データＤＤに基づいて直近のステップＳ５を実行した場合、プロセッサ３２は、ステップＳ５でのマッチング結果から、紐付情報Ｉ_{２_１}を自動で取得することもできる。シミュレーションＳＬの場合、仮想空間に配置したワーク１００（例えば、ワークモデル１００Ｍ）の位置及び姿勢は既知であるので、プロセッサ３２は、第２の姿勢ＯＲ_２のワークモデル１００Ｍ_２の本体部モデル１０２Ｍと、第１の姿勢ＯＲ_１のワークモデル１００Ｍ_１の本体部モデル１０２Ｍとが類似関係にあることを自動で認識できる。

　一方、直前のステップＳ１３で、図２３（ａ）に示す第４の姿勢ＯＲ_４（換言すれば、番号「ｎ」＝４）のワークモデル１００Ｍ_４について、該ワークモデル１００Ｍ_４の本体部モデル１０２Ｍが、図２３（ｂ）に示す第１の姿勢ＯＲ_１のワーク１００の本体部１０２を写す形状データＳＤ_１と類似の関係にあると判定されたとする。

　この場合、プロセッサ３２は、第４の姿勢ＯＲ_４のワークモデル１００Ｍ_４に含まれる本体部モデル１０２Ｍについて、第１の姿勢ＯＲ_１のワーク１００の本体部１０２と類似関係にあることを識別する類似情報ＳＩ_{４_１}を取得する。この類似情報ＳＩ_{４_１}は、第４の姿勢ＯＲ_４のワークモデル１００Ｍ_４の本体部モデル１０２Ｍと、第１の姿勢ＯＲ_１のワークモデル１００Ｍ_１の本体部モデル１０２Ｍとを類似関係として紐付ける紐付情報Ｉ_{４_１}を含む。ステップＳ１４の後、プロセッサ３２は、ステップＳ８に進む。

　図２１のフローを実行した後（すなわち、すなわち、類似情報ＳＩ及び非類似情報ＮＩの取得後）、プロセッサ３２は、図１６に示すフローを実行する。ここで、本実施形態で実行される図１６のフローは、上述した実施形態と、ステップＳ２３において相違する。以下、図２４を参照して、本実施形態で実行するステップＳ２３について説明する。なお、図２４に示すフローにおいて、図１９のフローと同様のプロセスには同じステップ番号を付し、重複する説明を省略する。

　図２４に示すフローにおいては、プロセッサ３２は、ステップＳ４２でＮＯと判定するか、又は、ステップＳ４３でＹＥＳと判定した場合、ステップＳ４７へ進む。ステップＳ４７において、プロセッサ３２は、ｊ番目の位置データＰＤ_{３_ｉ}の取得のためのマッチングに用いられたワークモデル１００Ｍ_ｎについて類似情報ＳＩが取得されているか否かを判定する。

　一例として、この時点で位置データＰＤの番号「ｊ」が、ｊ＝１にセットされ、且つ、表１の検出結果データＤＴに格納された１番目（つまり、番号ｊ＝１）の位置データＰＤ_{３_１}が、図２３（ｃ）に示すように、第４の姿勢ＯＲ_４のワークモデル１００Ｍ_４が形状データＳＤ_１に不適切にマッチングされた結果として得られていたとする。このワークモデル１００Ｍ_４については非類似形状ＮＩが取得されていないので、プロセッサ３２は、ステップＳ４２でＮＯと判定し、このステップＳ４７を実行する。

　この場合、プロセッサ３２は、１番目の位置データＰＤ_{３_１}の取得のために用いられたワークモデル１００Ｍ_４について、上述のステップＳ１４で本体部モデル１０２Ｍを識別する類似情報ＳＩ_{４_１}が取得されていることを認識できる。よって、この場合、プロセッサ３２は、ＹＥＳと判定する。

　他の例として、この時点でｊ＝１にセットされ、且つ、１番目の位置データＰＤ_{３_１}が、図２２（ｃ）に示すように、第２の姿勢ＯＲ_２のワークモデル１００Ｍ_２が形状データＳＤ_１に不適切にマッチングされた結果として得られていたとする。また、このワークモデル１００Ｍ_２の凸部モデル１０６Ｍについて、第３の姿勢ＯＲ_３のワーク１００（図１０（ｂ））の特徴とは非類似の関係にあることを識別するための非類似情報ＮＩ_{２_３}が取得されていたとする。

　この場合、プロセッサ３２は、ステップＳ４２でＹＥＳと判定することになる。また、図２２（ｃ）に示すように、非類似情報ＮＩ_{２_３}で識別されるワークモデル１００Ｍ_２の凸部モデル１０６Ｍは、第１の姿勢ＯＲ_１のワーク１００の形状データＳＤ_１に写る特徴（つまり、凸部１０６）と整合している。したがって、プロセッサ３２は、ステップＳ４３でＹＥＳと判定することになる。

　この場合、プロセッサ３２は、このステップＳ４７において、１番目の位置データＰＤ_{３_１}の取得のために用いられたワークモデル１００Ｍ_２について、上述のステップＳ１４で本体部モデル１０２Ｍを識別する類似情報ＳＩ_{２_１}が取得されていることを認識できる。よって、この場合、プロセッサ３２は、ＹＥＳと判定する。

　プロセッサ３２は、ＹＥＳと判定した場合は、ステップＳ４８へ進む。一方、プロセッサ３２は、ｊ番目の位置データＰＤ_{３_ｉ}の取得のために用いられたワークモデル１００Ｍ_ｎについて類似情報ＳＩが取得されていない場合はＮＯと判定し、ステップＳ４５へ進む。

　ステップＳ４８において、プロセッサ３２は、類似情報ＳＩに基づいて、ｊ番目の位置データＰＤ_{３_ｉ}の取得のために用いられたワークモデル１００Ｍ_ｎとは別のワークモデル１００Ｍを、上述のステップＳ１で取得した複数のワークモデル１００Ｍの中から選択する。

　例えば、上述したように、１番目の位置データＰＤ_{３_１}の取得時に図２２（ｃ）に示す不適切なマッチングが行われた場合、プロセッサ３２は、第２の姿勢ＯＲ_２のワークモデル１００Ｍ_２の本体部モデル１０２Ｍについて取得された類似情報ＳＩ_{２_１}を参照する。プロセッサ３２は、この類似情報ＳＩ_{２_１}から、１番目の位置データＰＤ_{３_１}の取得時に用いられたワークモデル１００Ｍ_２の本体部モデル１０２Ｍが、第１の姿勢ＯＲ_１のワーク１００の本体部１０２と類似関係にあることを認識できる。

　そして、プロセッサ３２は、この類似情報ＳＩ_{２_１}に含まれる紐付情報Ｉ_{２_１}を参照し、第２の姿勢ＯＲ_２のワークモデル１００Ｍ_２の本体部モデル１０２Ｍと類似関係にある特徴モデルを含むワークモデル１００Ｍ_ｎとして、複数のワークモデル１００Ｍ_ｎの中から、第１の姿勢ＯＲ_１のワークモデル１００Ｍ_１を選択する。

　又は、上述したように、１番目の位置データＰＤ_{３_１}の取得時に図２３（ｃ）に示す不適切なマッチングが行われた場合、プロセッサ３２は、第４の姿勢ＯＲ_４のワークモデル１００Ｍ_４の本体部モデル１０２Ｍについて取得された類似情報ＳＩ_{４_１}を参照する。そして、プロセッサ３２は、この類似情報ＳＩ_{４_１}に含まれる紐付情報Ｉ_{４_１}を参照し、第４の姿勢ＯＲ_４のワークモデル１００Ｍ_４の本体部モデル１０２Ｍと類似関係にある特徴モデルを含むワークモデル１００Ｍ_ｎとして、複数のワークモデル１００Ｍ_ｎの中から、第１の姿勢ＯＲ_１のワークモデル１００Ｍ_１を選択する。

　このように、プロセッサ３２は、形状データＳＤ_１にワークモデル１００Ｍ_２又は１００Ｍ_４をマッチングすることで位置データＰＤ_{３_１}を取得したときに、類似情報ＳＩ_{２_１}又はＳＩ_{４_１}によって特徴モデル１０２Ｍが類似の関係にあると識別される特徴（本体部１０２）に対応する特徴モデル１０２Ｍを含むワークモデル１００Ｍ_１を、複数のワークモデル１００Ｍ_ｎの中から選択する。したがって、プロセッサ３２は、複数のワークモデル１００Ｍ_ｎの中からワークモデル１００Ｍ_１を選択するモデル選択部６４（図２０）として機能する。

　ステップＳ４９において、プロセッサ３２は、位置データ取得部５８として機能して、所定のマッチングアルゴリズムに従って、直前のステップＳ４８で選択したワークモデル１００Ｍ_ｎを、ｊ番目の位置データＰＤ_{３_ｉ}を取得した形状データＳＤ_ｉに、再度マッチングする。例えば、上述した図２２（ｃ）又は図２３（ｃ）の例の場合、プロセッサ３２は、直前のステップＳ４８で選択したワークモデル１００Ｍ_１を、形状データＳＤ_１にマッチングさせる。

　ステップＳ５０において、プロセッサ３２は、整合判定部６２として機能し、直前のステップＳ４９でマッチングしたワークモデル１００Ｍ_ｎに含まれる特徴モデルのうち、非類似情報ＮＩによって識別される特徴モデルが、ｊ番目の位置データＰＤ_{３_ｉ}を取得した形状データＳＤ_ｉに写る特徴と整合しているか否かを判定する。

　例えば、直前のステップＳ４９でワークモデル１００Ｍ_１を形状データＳＤ_１にマッチングした場合、プロセッサ３２は、該ワークモデル１００Ｍ_１において非類似情報ＮＩ_{１_２}によって識別される端面モデル１１０Ｍが、形状データＳＤ_１に写る特徴と整合しているか否かを判定する。

　具体的には、プロセッサ３２は、端面モデル１１０Ｍと形状データＳＤ_１の特徴との一致度γ”を取得し、一致度γ”が所定の閾値γ_ｔｈ”を超えていた場合（γ”＞γ_ｔｈ”、又は、γ”＜γ_ｔｈ”）に、非類似情報ＮＩ_{１_２}によって識別される端面モデル１１０Ｍが形状データＳＤ_１に写る特徴と整合している（すなわち、ＹＥＳ）と判定する。

　ワークモデル１００Ｍ_１を形状データＳＤ_１にマッチングした場合（例えば、図１８を参照）、プロセッサ３２は、このステップＳ５０でＹＥＳと判定することになる。プロセッサ３２は、ＹＥＳと判定した場合は、ステップＳ４４へ進み、位置データ取消部６０として機能して、上述のステップＳ２２で取得した１番目の位置データＰＤ_{３_１}を無効にする。

　ここで、このステップＳ５０でＹＥＳと判定した場合、ステップＳ２２で取得した１番目の位置データＰＤ_{３_１}の取得時に実行したマッチングが不適切（図２２（ｃ）又は図２３（ｃ））である一方、ステップＳ４９で実行したマッチングが適切だったことを意味している。

　よって、プロセッサ３２は、ステップＳ５０でＹＥＳと判定した場合、ステップＳ４４を実行して、ステップＳ２２で取得した１番目の位置データＰＤ_{３_１}を無効にする。一方、プロセッサ３２は、ステップＳ５０において、非類似情報ＮＩによって識別される特徴モデルが形状データＳＤ_ｉに写る特徴と整合していない場合はＮＯと判定し、ステップＳ４５へ進む。

　このように、本実施形態においては、プロセッサ３２は、モデル取得部４４、情報取得部４６、特徴抽出部４８、モデルマッチング実行部５０、頻度演算部５２、類似判定部５４、不整合判定部５６、位置データ取得部５８、位置データ取消部６０、整合判定部６２、及びモデル選択部６４として機能して、ワークモデル１００Ｍ_ｎの非類似情報ＮＩを取得する。

　したがって、モデル取得部４４、情報取得部４６、特徴抽出部４８、モデルマッチング実行部５０、頻度演算部５２、類似判定部５４、不整合判定部５６、位置データ取得部５８、位置データ取消部６０、整合判定部６２、及びモデル選択部６４は、非類似情報ＮＩを取得するための装置８８（図２０）を構成する。

　この装置８８においては、情報取得部４６は、第２の姿勢ＯＲ_２（又は第４の姿勢ＯＲ_４）のワークモデル１００Ｍ_２（又は１００Ｍ_４）において、第１の姿勢ＯＲ_１のワーク１００の特徴（本体部１０２）と類似の関係にある特徴モデル（本体部モデル１０２Ｍ）を識別するための類似情報ＳＩ_{２_１}（又はＳＩ_{４_１}）を取得する（ステップＳ１４）。

　そして、モデル選択部６４は、位置データ取得部５８が形状データＳＤ_１にワークモデル１００Ｍ_２（又は１００Ｍ_４）をマッチングすることで位置データＰＤ_{３_１}を取得したときに、類似情報ＳＩ_{２_１}（又はＳＩ_{４_１}）によって特徴モデル１０２Ｍが類似の関係にあると識別される特徴（本体部１０２）に対応する特徴モデル１０２Ｍを含む第１の姿勢ＯＲ_１のワークモデル１００Ｍ_１を、複数のワークモデル１００Ｍ_ｎの中から選択する（ステップＳ４８）。

　また、整合判定部６２は、位置データ取得部５８が、モデル選択部６４によって選択されたワークモデル１００Ｍ_１を形状データＳＤ_１に再度マッチングしたときに（ステップＳ４９）、非類似情報ＮＩ_{１_２}によって識別される特徴モデル（端面モデル１１０Ｍ）が、該形状データデータＳＤ_１に写る特徴（端面１１０）と整合しているか否かを判定する（ステップＳ５０）。

　そして、位置データ取消部６０は、整合判定部６２によって特徴モデル１１０Ｍが特徴１１０と整合している（すなわち、ステップＳ５０でＹＥＳ）と判定された場合に、位置データ取得部５８が取得した位置データＰＤ_{３_１}を無効にする（ステップＳ４４）。この構成によれば、仮に、上述のステップＳ２２で、図２２（ｃ）又は図２３（ｃ）のような不適切なマッチングによって位置データＰＤ_{３_ｉ}が取得された場合に、該位置データＰＤ_{３_ｉ}が上述のステップＳ２５の制御に用いられることを避けることができる。

　なお、プロセッサ３２は、ステップＳ５０でＹＥＳと判定したときに、位置データ取得部５８として機能して、形状データＳＤ_１に再度マッチングしたワークモデル１００Ｍ_１の位置データＰＤ_{３_１}’を取得してもよい。そして、プロセッサ３２は、その後のステップＳ４４で元の位置データＰＤ_{３_１}を無効にする一方、新たに取得した位置データＰＤ_{３_１}’を検出結果データＤＴに追加してもよい。

　なお、ステップＳ２２の結果、１つの形状データＳＤ_ｉに対し、複数の位置データＰＤが取得される場合がある。例えば、プロセッサ３２は、ステップＳ２２において、図２２（ｂ）に示す形状データＳＤ_１に対し、第１の姿勢ＯＲ_１のワークモデル１００Ｍ_１（図３）をマッチングすることで、位置データＰＤ_{３_１_１}を取得する。

　これとともに、プロセッサ３２は、ステップＳ２２において、図２２（ｂ）に示す形状データＳＤ_１に対し、図２２（ａ）に示す第２の姿勢ＯＲ_２のワークモデル１００Ｍ_２をマッチングすることで、位置データＰＤ_{３_１_２}を取得し得る。このように、１つの形状データＳＤ_１に対して複数の位置データＰＤ_{３_１_１}及びＰＤ_{３_１_２}を取得した場合の検出結果データＤＴのデータ構造の例を、以下の表２に示す。

　この場合、検出データＤＤに写る形状データＳＤ_ｉの総数ｉと、ステップＳ２２で取得した位置データＰＤ_{３_ｉ}の総数ｊとは、異なり得る（ｉ＜ｊ）。この場合、プロセッサ３２は、図２４のフローを実行することで、図２２（ｃ）に示す不適切なマッチングの結果得られた位置データＰＤ_{３_１_２}を無効にする。その一方で、プロセッサ３２は、適切なマッチングの結果得られた位置データＰＤ_{３_１_１}を維持することになる。

　なお、プロセッサ３２は、図１２、図１４、図１６、図１７、図１９、図２１又は図２４に示すフローを、メモリ３４に予め記憶されたコンピュータプログラムＰＧに従って実行してもよい。また、プロセッサ３２が実行する装置８０、８２、８４、８６又は８８（すなわち、モデル取得部４４、情報取得部４６、特徴抽出部４８、モデルマッチング実行部５０、頻度演算部５２、類似判定部５４、不整合判定部５６、位置データ取得部５８、位置データ取消部６０、整合判定部６２、モデル選択部６４）の機能は、コンピュータプログラムＰＧにより実現される機能モジュールであってもよい。

　また、図１２、図１４、図１６、図１７、図１９、図２１又は図２４に示すフローに、種々の変更を加えることができる。例えば、上述の実施形態においては、図１６のフローにおいて、プロセッサ３２は、ステップＳ２２（より具体的には、ステップＳ３４）の後に、ステップＳ２３を実行する場合について述べた。

　しかしながら、これに限らず、プロセッサ３２は、図１７中のステップＳ３２又はＳ３３の後に、ステップＳ２３を実行してもよい。例えば、ステップＳ３２の後にステップＳ２３を実行する場合、プロセッサ３２は、該ステップＳ３２で取得した初期位置データＰＤ_{１_ｉ}に基づいて、図１９のステップＳ４１～Ｓ４５、又は、図２４のステップＳ４１～Ｓ５０を実行する。そして、ステップＳ４３でＮＯと判定（又は、Ｓ５０でＹＥＳと判定）したときに、ステップＳ４４で初期位置データＰＤ_{１_ｉ}を無効にする。

　また、上述したステップＳ３２の粗探索ＲＳ、及びステップＳ３３の密探索ＰＳは、ワーク１００の位置データＰＤを取得する方法の一例であって、粗探索ＲＳ又は密探索ＰＲに、如何なる修正を加えてもよいし、粗探索ＲＳ及び密探索ＰＲを実行しない他の如何なる方法によってワーク１００の位置データＰＤを取得してもよい。

　また、図１２、図１４又は図２１のフローから、ステップＳ２を省略してもよい。この場合、装置８２、８４、８６又は８８から、特徴抽出部４８を省略できる。また、図２１のフローから、ステップＳ１２を省略してもよい。装置８８から不整合判定部５６を省略できる。

　また、図１２、図１４又は図２１のステップＳ５において、プロセッサ３２は、上述のステップＳ３２（粗探索ＲＳ）又はステップＳ３３（密探索ＰＳ）と同様のモデルマッチングを実行してもよい。また、図１２、図１４又は図２１のステップＳ６において、プロセッサ３２は、一致度βに加えて、一致度γ_ｉ、平面割合δ_ｉ、及び露出率ε_ｉ等の検出結果パラメータＰＭを加味して、頻度αを求めてもよい。例えば、プロセッサ３２は、ステップＳ６において、一致度βが閾値β_ｔｈ１を超えるとともに、検出結果パラメータＰＭが所定の基準を満たしている（例えば、基準値を超えている）場合に、頻度αを求めてもよい。

　また、図１２、図１４又は図２１のステップＳ３においては、形状検出センサ１４は、必ずしも制御座標系Ｃ（具体的には、ロボット座標系Ｃ１）の既知の位置に配置されずともよい。そして、プロセッサ３２は、任意の位置に配置された形状検出センサ１４が、様々な姿勢ＯＲ_ｎのワーク１００を、１つずつ繰り返し撮像した検出データＤＤを取得し、各々の検出データＤＤに対してステップＳ５のマッチングを実行してもよい。以上のように、図１２、図１４、図１６、図１７、図１９、図２１又は図２４に示すフローには種々の変更を加えることができる。

　また、上述の実施形態においては、装置８０、８２、８４、８６及び８８（すなわち、モデル取得部４４、情報取得部４６、特徴抽出部４８、モデルマッチング実行部５０、頻度演算部５２、類似判定部５４、不整合判定部５６、位置データ取得部５８、位置データ取消部６０、整合判定部６２、モデル選択部６４）の機能が、制御装置１６に実装されている場合について述べた。

　しかしながら、これに限らず、装置８０、８２、８４、８６又は８８の機能は、例えば、ロボット１２にステップＳ２５の作業のための動作を教示する教示装置（教示ペンダント、又はタブレット型携帯端末等）、又はＰＣ等、他の如何なるコンピュータに実装されてもよい。この場合、教示装置又はＰＣ等のコンピュータのプロセッサが、装置８０、８２、８４、８６又は８８として機能する。

　なお、上述の実施形態においては、形状検出センサ１４は、エンドエフェクタ２８（又は、手首フランジ２６ｂ）に固定され、ロボット１２によって移動される場合について述べた。しかしながら、これに限らず、形状検出センサ１４は、制御座標系Ｃ（ロボット座標系Ｃ１）の既知の位置に、例えば支持構造を用いて、固定されてもよい。

　また、形状検出センサ１４は、３次元視覚センサに限らず、物体の３次元形状を検出可能なレーザスキャナでもよい。又は、形状検出センサ１４は、２次元カメラと、被写体までの距離ｄを測定可能な測距センサとを有してもよい。また、形状検出センサ１４が検出する検出データＤＤは、図６に示すような３次元点群画像データに限らず、２次元カメラが撮像した２次元画像データと、測距センサが測定した距離ｄとのデータセットを含むものであってもよいし、他の如何なるタイプの画像データ（例えば、距離画像データ）であってもよい。

　また、ロボット１２は、垂直多関節ロボットに限らず、水平多関節ロボット、パラレルリンクロボット等、如何なるタイプのロボットであってもよい。以上、実施形態を通じて本開示を説明したが、上述の実施形態は、特許請求の範囲に係る発明を限定するものではない。

　１０　　ロボットシステム
　１２　　ロボット
　１４　　形状検出センサ
　１６　　制御装置
　３２　　プロセッサ
　４４　　モデル取得部
　４６　　情報取得部
　４８　　特徴抽出部
　５０　　モデルマッチング実行部
　５２　　頻度演算部
　５４　　類似判定部
　５６　　不整合判定部
　５８　　位置データ取得部
　６０　　位置データ取消部
　６２　　整合判定部
　６４　　モデル選択部
　１００　　ワーク
　１００Ｍ　　ワークモデル

Claims

　複数の姿勢のワークをそれぞれモデル化した複数のワークモデルを取得するモデル取得部であって、前記ワークモデルは、前記ワークの視覚的な特徴に対応する特徴モデルを含む、モデル取得部と、
　１つの前記姿勢の第１の前記ワークモデルにおいて、他の前記姿勢の前記ワークの前記特徴とは非類似の関係にある第１の前記特徴モデルを識別するための非類似情報を取得する情報取得部と、を備える、装置。
　各々の前記ワークモデルから、該ワークモデルに含まれる複数の前記特徴モデルを抽出し、抽出した各々の該特徴モデルに識別コードを付与する特徴抽出部をさらに備え、
　前記情報取得部は、前記第１の特徴モデルに付与された前記識別コードと関連付けて、前記非類似情報を取得する、請求項１に記載の装置。
　形状検出センサが検出した前記ワークの形状データに前記ワークモデルをマッチングさせるモデルマッチング実行部と、
　前記モデルマッチング実行部が、複数の姿勢の前記形状データに前記第１のワークモデルをそれぞれマッチングさせたときに、該第１のワークモデルに含まれる前記特徴モデルが、各々の該形状データに写る前記特徴と整合する頻度を求める頻度演算部と、
　前記頻度演算部が、前記第１のワークモデルに含まれる複数の前記特徴モデルについて求めた前記頻度に基づいて、それぞれの該特徴モデルが前記非類似の関係にあるか否かを判定する類似判定部と、をさらに備え、
　前記情報取得部は、前記第１のワークモデルに含まれる前記複数の特徴モデルのうち、前記類似判定部によって前記非類似の関係にあると判定された前記第１の特徴モデルについて前記非類似情報を取得する、請求項１又は２に記載の装置。
　前記類似判定部は、前記頻度演算部が求めた前記頻度が所定の閾値以下である場合に、前記特徴モデルが前記非類似の関係にあると判定する、請求項３に記載の装置。
　前記モデルマッチング実行部が前記第１のワークモデルを用いて前記マッチングを実行したときに、該第１のワークモデルに含まれる少なくとも１つの前記特徴モデルと、前記形状データに写る前記特徴との間で不整合が生じているか否かを判定する不整合判定部をさらに備え、
　前記頻度演算部は、前記不整合判定部によって前記不整合が生じていると判定された場合に、前記少なくとも１つの特徴モデルとは別の前記特徴モデルが前記特徴と整合する前記頻度を求める、請求項３又は４に記載の装置。
　前記モデルマッチング実行部は、
　　実空間において前記形状検出センサが前記ワークの形状を実際に検出した前記形状データを用いて前記マッチングを実行するか、又は、
　　仮想空間において前記形状検出センサが前記ワークの形状を模擬的に検出するシミュレーションによって取得された前記形状データを用いて前記マッチングを実行する、請求項３～５のいずれか１項に記載の装置。
　制御座標系の既知の位置に配置された形状検出センサが検出した前記ワークの形状データに前記ワークモデルをマッチングすることで、該制御座標系における該ワークの位置データを取得する位置データ取得部と、
　前記位置データ取得部が前記位置データを取得するために前記形状データにマッチングさせた前記ワークモデルと該形状データとの間で不整合が生じている場合に、該位置データ取得部が取得した該位置データを無効にする位置データ取消部と、をさらに備える、請求項１～６のいずれか１項に記載の装置。
　前記位置データ取得部が前記形状データに前記第１のワークモデルをマッチングすることで第１の前記位置データを取得したときに、前記非類似情報によって識別される前記第１の特徴モデルが、該形状データに写る前記特徴と整合しているか否かを判定する整合判定部をさらに備え、
　前記位置データ取消部は、前記整合判定部によって前記第１の特徴モデルが前記特徴と不整合となっていると判定された場合に、前記位置データ取得部が取得した前記第１の位置データを無効にする、請求項７に記載の装置。
　前記情報取得部は、前記他の姿勢の第２の前記ワークモデルにおいて、前記１つの姿勢の前記ワークの前記特徴と類似の関係にある第２の前記特徴モデルを識別するための類似情報をさらに取得し、
　前記装置は、
　　前記位置データ取得部が前記形状データに前記第２のワークモデルをマッチングすることで第２の前記位置データを取得したときに、前記類似情報によって前記第２の特徴モデルが前記類似の関係にあると識別される前記特徴に対応する前記特徴モデルを含む前記第１のワークモデルを、前記複数のワークモデルの中から選択するモデル選択部と、
　　前記位置データ取得部が、前記モデル選択部によって選択された前記第１のワークモデルを前記形状データに再度マッチングしたときに、前記非類似情報によって識別される前記第１の特徴モデルが、該形状データに写る前記特徴と整合しているか否かを判定する整合判定部と、をさらに備え、
　前記位置データ取消部は、前記整合判定部によって前記第１の特徴モデルが前記特徴と整合していると判定された場合に、前記位置データ取得部が取得した前記第２の位置データを無効にする、請求項７に記載の装置。
　請求項１～９のいずれか１項に記載の装置を備え、前記ワークに対して所定の作業を実行するロボットの動作を制御する制御装置。
　ワークに対して所定の作業を実行するロボットと、
　前記ワークの形状を検出する形状検出センサと、
　請求項１～９のいずれか１項に記載の装置と、を備える、ロボットシステム。
　プロセッサが、
　　複数の姿勢のワークをそれぞれモデル化した複数のワークモデルであって、前記ワークの視覚的な特徴に対応する特徴モデルを各々含む、複数のワークモデルを取得し、
　　１つの前記姿勢の第１の前記ワークモデルにおいて、他の前記姿勢の前記ワークの前記特徴とは非類似の関係にある第１の前記特徴モデルを識別するための非類似情報を取得する、方法。