-
Die Erfindung betrifft ein Verfahren zur automatischen Lagekorrektur eines Roboterarms.
-
Werden Roboter mit verschiedenen mit einem Roboterarm verbundenen Werkzeugen eingesetzt, ergibt sich das Problem, dass sich abhängig von dem konkret eingesetzten Werkzeug ein Gewicht der bestückten Roboterhand, ein Abstand eines Werkzeugkopfes zu der Roboterhand und demzufolge eine Durchbiegung des Werkzeugs selbst sowie gegebenenfalls eine Durchbiegung des Roboterarms, sowie ein Massenschwerpunkt des bestückten Roboterarms ändert. Dies führt dazu, dass Positionen, die durch den Roboterarm mit dem Werkzeug angefahren werden sollen, nicht ohne weiteres exakt erreicht werden. Insoweit ist es bekannt, Daten des Werkzeugs in die Robotersteuerung einzugeben, wobei unter dem Einfluss der wirkenden Kräfte die Durchbiegungen berechnet werden können. Dieser Ansatz beruht aber auf einer exakten Vermessung des jeweiligen Werkzeugs und setzt voraus, dass das Werkzeug sich nicht ändert. Wird das Werkzeug gewechselt, muss jedes neue Werkzeug vermessen, und die Einstellungen müssen mit Bezug auf das Werkzeug neu vorgenommen werden. Dies ist zeitraubend und insbesondere programmiertechnisch mit hohem Aufwand verbunden.
-
Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren zu schaffen, welches die genannten Nachteile nicht aufweist.
-
Die Aufgabe wird gelöst, indem ein Verfahren zur automatischen Lagekorrektur eines Roboterarms mit den Schritten des Anspruchs 1 geschaffen wird. Vorteilhafte Ausgestaltungen ergeben sich aus den Unteransprüchen.
-
Bei dem Verfahren ist vorgesehen, dass eine Soll-Position durch einen Roboterarm eines Roboters angefahren wird, wobei eine durch den Roboterarm tatsächlich erreichte Ist-Position bestimmt wird. Eine Lagekorrektur durch den Roboter wird anhand einer Abweichung der Ist-Position von der Soll-Position mittels eines Deeplearning-Algorithmus gelernt. Somit erübrigt sich insbesondere eine genaue Vermessung des Werkzeugs, aber auch eine Eingabe von Werkzeugdaten sowie eine Neuprogrammierung des Roboters bei einem Werkzeugwechsel, da dieser die nötige Lagekorrektur zum möglichst exakten Erreichen der Soll-Position selbsttätig lernt.
-
Die Soll-Position wird bevorzugt durch den Roboter selbst bestimmt. Insbesondere muss es sich bei der Soll-Position nicht um eine vorab festgelegte Testposition handeln, vielmehr kann der Roboter während eines Arbeitsablaufs bekannte oder von ihm bestimmte Soll-Positionen anfahren, wobei dort durch Vergleich der Soll-Position mit der tatsächlich erreichten Ist-Position die Lagekorrektur gelernt wird.
-
Die Ist-Position wird bevorzugt in sechs Dimensionen oder mit Bezug auf sechs Freiheitsgrade, insbesondere nämlich drei kartesische Koordinaten der translatorischen Verlagerung im Raum sowie drei Winkelkoordinaten um drei verschiedene, aufeinander senkrecht stehende Drehachsen, bestimmt. Auf diese Weise kann die Soll-Position mithilfe der vollständig bestimmten Ist-Position vollständig und exakt korrigiert werden.
-
Gemäß einer Weiterbildung der Erfindung ist vorgesehen, dass die Ist-Position durch eine außerhalb des Roboters angeordnete Positionsbestimmungseinrichtung bestimmt wird. Die Positionsbestimmungseinrichtung kann insbesondere wenigstens eine Kamera mit integrierter oder angeschlossener Recheneinrichtung sein, oder kann wenigstens eine Kamera, vorzugsweise eine Mehrzahl von Kameras, mit integrierter oder angeschlossener Recheneinrichtung umfassen. Eine Positionsbestimmung der Soll-Position ist also insbesondere optisch, vorzugsweise mittels einer Bilderkennung, möglich. Es sind aber auch andere Arten der Positionsbestimmung einsetzbar, beispielsweise eine Triangulation oder dergleichen. Ist die Positionsbestimmungseinrichtung außerhalb des Roboters angeordnet, kann die Ist-Position unabhängig von dem Roboter selbst und damit besonders genau erfasst werden. Der Roboter wird somit bevorzugt durch die Positionsbestimmungseinrichtung von außen beobachtet.
-
Es ist möglich, dass die Lagekorrektur in einem Arbeitsvorlauf des Roboters gelernt wird, also vor einem eigentlichen Einsatz des Roboters; bevorzugt, während der Roboter den für den eigentlichen Einsatz vorgesehenen Bewegungsablauf durchführt. Es ist aber auch möglich, dass die Lagekorrektur während eines realen Einsatzes des Roboters gelernt wird, wobei sich die Abarbeitung einer Aufgabe durch den Roboter im Laufe der Zeit systematisch verbessert, mithin die Qualität der Bearbeitung zunimmt. Bevorzugt wird die Lagekorrektur während eines Bewegungsablaufs des Roboters gelernt.
-
Gemäß einer Weiterbildung der Erfindung ist vorgesehen, dass mittels des Deeplearning-Algorithmus ein – insbesondere tiefes – neuronales Netz belernt wird. Dies stellt eine besonders effiziente Möglichkeit dar, eine Lagekorrektur zu lernen. Dabei stellen sowohl der Deeplearning-Algorithmus als auch das insbesondere tiefe neuronale Netz Möglichkeiten des maschinellen Lernens dar.
-
Gemäß einer Weiterbildung der Erfindung ist vorgesehen, dass der Roboter eine mit dem insbesondere tiefen neuronalen Netz gekoppelte Vorprogrammierung aufweist, die eine semantische Reflexion, eine Definition des Arbeitsraumes des Roboterarms und/oder allgemeine Informationen zu dem an dem Roboterarm angeordneten Werkzeug umfasst. Durch die Vorprogrammierung kann der Roboter quasi apriorisches Wissen insbesondere von seinem Arbeitsraum, von dem montierten Werkzeug, und zusätzlich oder alternativ von der semantischen Reflexion haben. Diese vorab vorhandenen Informationen verbessern die Leistungsfähigkeit des Deeplearning-Algorithmus. Die Informationen zum Werkzeug können sich auf allgemeine Informationen zu dessen Ausgestaltung und Art beschränken. Es bedarf keiner genauen geometrischen Vermessung des Werkzeugs.
-
Alternativ ist es auch möglich, dass der Roboter seinen Arbeitsraum durch ein Verfahren des maschinellen Lernens lernt.
-
Gemäß einer Weiterbildung der Erfindung ist vorgesehen, dass der Roboter mithilfe des Deeplearning-Algorithmus seinen Massenschwerpunkt – insbesondere inklusive des Werkzeugs – berechnet. Alternativ oder zusätzlich ist vorgesehen, dass der Roboter mithilfe des Deeplearning-Algorithmus ein durch das an dem Roboterarm angeordnete Werkzeug erzeugtes Moment, insbesondere mit Bezug auf den Massenschwerpunkt, berechnet. Alternativ oder zusätzlich ist bevorzugt vorgesehen, dass der Roboter mithilfe des Deeplearning-Algorithmus wenigstens eine Biegung des Werkzeugs und/oder des Roboterarms, insbesondere ein Durchhängen des Werkzeugs, berechnet. Zumindest eine der derart berechneten Informationen wird im Rahmen der Lagekorrektur und bei der Arbeitsausführung durch den Roboter berücksichtigt. Bevorzugt werden alle genannten Informationen hierbei berücksichtigt.
-
Gemäß einer Weiterbildung der Erfindung ist vorgesehen, dass das Verfahren iterativ durchgeführt wird. Die Verfahrensschritte werden also bevorzugt an einer Mehrzahl von Soll-Positionen wiederholt, sodass der Roboter die Lagekorrektur an einer Vielzahl von Punkten lernt, wobei insbesondere das tiefe neuronale Netz iterativ belernt wird.
-
Gemäß einer Weiterbildung der Erfindung ist vorgesehen, dass die gelernte Lagekorrektur bei einem Werkzeugwechsel und/oder bei einer Positionsänderung des Roboters zur Ansteuerung desselben verwendet wird. Dies ermöglicht den Aufbau der Robotersteuerung und insbesondere der Lagekorrektur nach einem Werkzeugwechsel und/oder einer Positionsänderung auf dem bisher bereits gelernten Wissen, wobei der Roboter sich sehr schnell an die veränderten Bedingungen anpassen kann. Es bedarf dabei weder einer genauen Vermessung der neuen Position des Roboters und/oder des neuen Werkzeugs, noch einer aufwändigen Umprogrammierung. Unter einer Positionsänderung wird hier insbesondere eine Veränderung des Standorts des Roboters verstanden, insbesondere eines Aufstellorts in einer Fertigungseinrichtung.
-
Bevorzugt berechnet der Roboter nach einem Werkzeugwechsel und/oder nach einer Positionsänderung seinen Massenschwerpunkt, das durch das an dem Roboterarm angeordnete Werkzeug erzeugte Moment und/oder die wenigstens eine Biegung des Roboterarms und/oder des Werkzeugs automatisch neu, wobei er bevorzugt diese neu berechneten Parameter mit seinem erlernten Wissen über die Lagekorrektur abgleicht. Insbesondere auf diese Weise kann der Roboter sehr schnell zu minimalen Abweichungen der tatsächlichen Ist-Position von der Soll-Position auch unter den neuen Bedingungen gelangen.
-
Gemäß einer Weiterbildung der Erfindung ist vorgesehen, dass der Roboter die Soll-Position an die Positionsbestimmungseinrichtung meldet, wenn er diese gemäß seinem internen Zustand erreicht hat. Die Positionsbestimmungseinrichtung meldet dann ihrerseits die Ist-Position an den Roboter zurück, wobei in diesem Fall der Roboter die Abweichung der Ist-Position von der Soll-Position bestimmt und für die Lagekorrektur verwendet. Alternativ oder zusätzlich meldet die Positionsbestimmungseinrichtung Positionskorrekturdaten an den Roboter zurück, wobei die Abweichung zwischen der Ist-Position und der Soll-Position durch die Positionsbestimmungseinrichtung ermittelt und gegebenenfalls weiterverarbeitet wird. Der Roboter kann dann anhand der von der Positionsbestimmungseinrichtung übermittelten Positionskorrekturdaten die Lagekorrektur lernen.
-
Mithilfe des Verfahrens ist auch nach einem Werkzeugwechsel oder einer räumlichen Versetzung des Roboters eine hochpräzise und funktionsgenaue Arbeitsausführung durch den Roboter mit geringstmöglichem Programmieraufwand erreichbar.
-
Im Rahmen des Verfahrens wird dem Roboter bevorzugt in einem Arbeitsvorlauf während seines Bewegungsablaufs interaktiv in einem Feedback-Modus – Frage des Roboters, Antwort der Positionsbestimmungseinrichtung – übermittelt, ob er seine vorgesehene Position erreicht hat oder nicht, wobei der Roboter ein Deeplearning-Programm aufweist, das aus dem entstehenden Versuch-und-Irrtum-Verfahren ein neuronales Netzwerk belernt.
-
Das Verfahren wird bevorzugt in Echtzeit durchgeführt.
-
Die gelernte Lagekorrektur führt zu minimalen Abweichungen zwischen der Soll-Position und der Ist-Position, wodurch ein hochgenaues und qualitativ hochwertiges Arbeiten, beispielsweise an einer Fräse, erreicht werden kann.
-
Die Erfindung wird im Folgenden anhand der Zeichnung näher erläutert. Dabei zeigt die einzige Figur eine schematische Darstellung einer Ausführungsform eines Verfahrens zur automatischen Lagekorrektur eines Roboterarms.
-
Die einzige Figur zeigt eine schematische Darstellung einer Ausführungsform eines Verfahrens zur automatischen Lagekorrektur eines Roboterarms 3 eines Roboters 1, wobei der Roboter 1 hier als Mehrachsroboter, insbesondere als Sechsachsroboter mit sechs Achsen A1 bis A6 ausgebildet ist, sodass er innerhalb seines Arbeitsraums durch sechs Freiheitsgrade bestimmte Positionen definiert anfahren kann.
-
An dem Roboterarm 3 ist ein lang auskragendes Werkzeug 5 befestigt, welches den Massenschwerpunkt des Roboterarms 3 verschiebt und aufgrund seiner Masse selbst durchhängt sowie zu einer Durchbiegung des Roboterarms 3 führen kann. Dies führt zu einer Abweichung einer von dem Roboter anzufahrenden Soll-Position von der dann tatsächlich erreichten Ist-Position. Insbesondere hieraus ergibt sich wieder die Notwendigkeit einer Lagekorrektur für den Roboterarm 3.
-
Diese wird durchgeführt, indem eine Soll-Position durch den Roboterarm 3 angefahren wird, wobei eine durch den Roboterarm 3 tatsächlich erreichte Ist-Position bestimmt wird.
-
Durch den Roboter 1 wird eine Lagekorrektur anhand einer Abweichung der Ist-Position von der Soll-Position mittels eines Deeplearning-Algorithmus gelernt.
-
Dabei wird die Ist-Position vorzugsweise durch eine außerhalb des Roboters 1 angeordnete Positionsbestimmungseinrichtung 7 bestimmt, die insbesondere wenigstens eine Kamera mit integrierter oder angeschlossener Recheneinrichtung aufweisen kann. Die Positionsbestimmungseinrichtung 7 ist mit dem Roboter 1 wirkverbunden, insbesondere derart, dass der Roboter 1 der Positionsbestimmungseinrichtung 7 mitteilen kann, dass er – gemäß seinem internen Zustand – die anzufahrende Soll-Position erreicht hat, wobei die Positionsbestimmungseinrichtung 7 dem Roboter die ermittelte Ist-Position oder Positionskorrekturdaten zurückmelden kann.
-
Mittels des Deeplearning-Algorithmus wird insbesondere ein tiefes neuronales Netz belernt. Der Roboter weist eine mit dem tiefen neuronalen Netz gekoppelte Vorprogrammierung auf, die insbesondere eine semantische Reflexion, eine Definition des Arbeitsraumes des Roboterarmes 3 sowie generelle Informationen zu dem Werkzeug 5 aufweist. Alternativ ist es auch möglich, dass der Roboter 1 den Arbeitsraum des Roboterarms 3 im Rahmen eines Maschinenlern-Verfahrens lernt.
-
Mithilfe des Deeplearning-Algorithmus berechnet der Roboter bevorzugt zumindest einen Parameter, ausgewählt aus seinem Massenschwerpunkt, einem durch das Werkzeug 5 erzeugten Moment, und wenigstens einer Biegung des Werkzeugs 5 und/oder des Roboterarms 3.
-
Das Verfahren wird bevorzugt iterativ durchgeführt.
-
Wird das Werkzeug 5 gewechselt und/oder wird eine Position, insbesondere ein Aufstellort des Roboters 1 verändert, wird zur Ansteuerung des Roboters 1 bevorzugt die gelernte Lagekorrektur verwendet. Dabei berechnet der Roboter 1 bevorzugt wenigstens einen der zuvor genannten Parameter automatisch neu und führt einen Abgleich zu seinem erlernten Wissen über die Lagekorrektur durch. Insbesondere auf diese Weise können sehr schnell nach einem Werkzeugwechsel und/oder einer Positionsänderung des Roboters 1 hochgenaue Arbeitsergebnisse erzielt werden.
-
Insgesamt zeigt sich, dass mithilfe des hier vorgeschlagenen Verfahrens auch nach einem Werkzeugwechsel oder einer räumlichen Versetzung des Roboters 1 eine hochpräzise und funktionsgenaue Arbeitsausführung durch den Roboter 1 mit geringstmöglichem Programmieraufwand erreicht werden kann.
