DE102017009471B4

DE102017009471B4 - Humankollaboratives Robotersytem mit verbesserter Genauigkeit der Erfassng einer äußeren Kraft durch maschinelles Lernen

Info

Publication number: DE102017009471B4
Application number: DE102017009471.3A
Authority: DE
Inventors: Shougo Takahashi
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2016-10-19
Filing date: 2017-10-12
Publication date: 2019-09-19
Anticipated expiration: 2037-10-13
Also published as: US10324425B2; JP2018065221A; CN107962558B; US20180107174A1; DE102017009471A1; CN107962558A; JP6431017B2

Abstract

Humankollaboratives Robotersystem (100) mit einer Funktion zum Erfassen einer Kraft umfassend:
einen humankollaborativen Roboter (1) zum Durchführen eines Vorgangs in Zusammenarbeit mit einem Menschen; und
eine Lerneinheit (31), in die Messdaten zum Berechnen der Kraft, interne Daten der Steuersoftware zum Steuern des humankollaborativen Roboters (1) und auf der Basis der Messdaten oder der internen Daten erhaltene Berechnungsdaten eingegeben werden,
wobei die Lerneinheit (31) eine erste auf den humankollaborativen Roboter (1) von außen angewendete Kraftkomponente, eine im Betrieb des humankollaborativen Roboters (1) auftretende zweite Kraftkomponente und eine als Störung kategorisierte dritte Kraftkomponente ausgibt,
wobei die Lerneinheit (31) zum Durchführen des Lernens überwachte Daten verwendet, in die Eingaben und vorab erhaltene korrekte Kennsätze in Paaren gesammelt werden, wobei
die korrekten Kennsätze der überwachten Daten durch Ausüben einer Kraft auf den humankollaborativen Roboter (1) von außen, Betreiben des humankollaborativen Roboters (1) auf einer Mehrzahl von Wegen und Anwenden einer Störung auf den humankollaborativen Roboters (1) erhalten werden, und
der Betrieb des humankollaborativen Roboters (1) auf der Basis der von der Lerneinheit (31) ausgegebenen ersten Kraftkomponente gesteuert wird.

Description

Die vorliegende Erfindung betrifft ein humankollaboratives Robotersystem, das über eine verbesserte Genauigkeit der Erfassung einer äußeren Kraft durch maschinelles Lernen verfügt.
Robotersysteme treffen herkömmlicherweise Maßnahmen für die menschliche Sicherheit, wobei Menschen am Betreten von Betriebsbereichen von Robotern während des Betriebs der Roboter gehindert werden. Beispielsweise ist eine Schutzeinrichtung um den Roboter angeordnet, um Menschen am Betreten des Bereichs innerhalb der Schutzeinrichtung während des Betriebs des Roboters zu hindern.
In den letzten Jahren wurden Roboter (humankollaborative Roboter), die in Kollaboration (Kooperation) mit Menschen arbeiten, entworfen, entwickelt und in der Praxis eingesetzt. Bei einem humankollaborativen Roboter (humankollaborativen Robotersystem) führen beispielsweise der Roboter und ein Mensch (Bediener oder Benutzer) einen Vorgang auf eine kollaborative Weise durch, ohne dass eine Schutzeinrichtung um den Roboter angeordnet ist.
Was bei einem humankollaborativen Roboter wesentlich ist, ist, dass dann, wenn der Roboter einen Menschen berührt, der Roboter stoppt, zur Seite fährt oder sich entfernt, ohne mehr als eine vorgegebene Kraft auf den Menschen auszuüben. Ebenso ermöglicht im kollaborativen Betrieb mit dem Menschen das genaue Erfassen einer Kraft des Menschen dem Roboter einen Betrieb mit höherer Genauigkeit. Das heißt eine Verbesserung der Erfassungsgenauigkeit (Erfassungsfähigkeit) für eine äußere Kraft führt zu einer Verbesserung der Fähigkeit des humankollaborativen Roboters.
Wenn andererseits eine andere Kraft als eine äußere Kraft, beispielsweise eine Störung von außen, eine Umgebungsschwingung u. Ä. fälschlich als die äußere Kraft erkannt wird, stoppt der Roboter gegebenenfalls nicht ordnungsgemäß oder weist eine Fehlfunktion auf. Somit führt das genaue Separieren einer äußeren Kraft von einer inneren Kraft und einer Störung zu einer Verbesserung der Genauigkeit der Erfassung der äußeren Kraft und somit einer Verbesserung der Fähigkeit des Roboters.
Eine erfasste Kraft wird im Wesentlichen in drei Komponenten separiert, das heißt eine äußere Kraft, eine innere Kraft und eine Störung. Die äußere Kraft ist eine auf den Roboter von außen ausgeübte Kraft und ist im Wesentlichen eine Kraft, die der Mensch auf den Roboter ausübt. Die innere Kraft ist eine im Betrieb des Roboters erzeugte Kraft umfassend eine Schwingungskomponente aufgrund des eigenen Betriebs des Roboters. Die Störung ist eine äußere Kraftkomponente, die nicht erfasst werden muss und durch elektrisches Rauschen oder Schwingungen in der Umgebung verursacht wird.
Zum Berechnen einer äußeren Kraft kann beispielsweise eine von einem Betriebsbefehlswert u. Ä. des Roboters berechnete logische innere Kraft von einer von einem Kraftsensor erfassten Kraft subtrahiert werden. In diesem Fall jedoch umfasst die äußere Kraft eine Störung. Ferner umfasst, da der Kraftsensor eine durch Schwingung aufgrund des eigenen Betriebs des Roboters erzeugte Kraft erfasst, die berechnete äußere Kraft die durch die Schwingung des Roboters erzeugte Kraft.
Der Roboter stoppt, wenn beispielsweise die äußere Kraft einen bestimmten Schwellenwert überschreitet. Die wie zuvor beschrieben berechnete äußere Kraft umfasst eine Störung und die durch die Schwingung des Roboters erzeugte Kraft und kann daher beispielsweise den Roboter zum nicht ordnungsgemäßen Stoppen veranlassen.
Die europäische Veröffentlichung EP 2 324 967 A2 offenbart beispielsweise ein System, bei dem ein in einem J1-Sockel (ein Sockel einer J1-Achse) angeordneter Kraftsensor Kräfte und Momente in XYZ-Richtungen erfasst und ein Roboter (humankollaborativer Roboter) unter Verwendung der erfassten Kräfte und Momente in den XYZ-Richtungen gesteuert wird. Beispielsweise schlägt JP 5 356 527 B2 eine Signalseparierungsvorrichtung vor, bei dem ein Signalseparierungsverfahren durch maschinelles Lernen auf akustische Signale angewendet wird, um die Genauigkeit bei der Separierung der akustischen Signale Szene für Szene zu verbessern.
Herkömmlicherweise werden das System, das den Roboter unter Verwendung der vom im J1-Sockel angeordneten Kraftsensor erfassten Kräfte und Momente in den XYZ-Richtungen steuert, und die Signalseparierungsvorrichtung mit der verbesserten Genauigkeit beim Separieren von akustischen Signalen unter Verwendung von maschinellem Lernen vorgeschlagen.
Im humankollaborativen Robotersystem wird, da eine berechnete äußere Kraft eine Störung und eine durch Schwingung des Roboters erzeugte Kraft umfasst, die Genauigkeit der Erfassung einer äußeren Kraft verringert und der Roboter wird daher beispielsweise gegebenenfalls nicht ordnungsgemäß gestoppt.
Aus DE 10 2016 001 644 A1 ist ein Mensch-Roboter-Kooperationssystem bekannt, das auf der Erfassung einer externen Kraft, die auf einen Roboter einwirkt, und der Beobachtung einer Variationsbreite der externen Kraft beruht, um den Roboter ggf. derart zu bewegen, dass die externe Kraft verringert wird.
Eine Bestimmung der Schwankung einer auf einen Roboter einwirkenden Kraft ist ferner aus DE 10 2015 015 757 A1 bekannt.
DE 10 2012 007 242 A1 offenbart ein Überwachungssystem zur Gewährleistung einer sicheren Zusammenarbeit zwischen Arbeiter und Roboter, die eine Position eines Arbeiters sowie einen Gefahrenbereich des Roboters überwacht und den Roboter in Abhängigkeit von der erfassten Position oder einem erfassten Bewegungsverhalten steuert.
Ferner ist aus DE 10 2010 005 708 A1 ein Produktionssystem mit einem Arbeitstisch bekannt, an dessen einer Seite sich ein Arbeiter befindet, dem gegenüber ein Roboter angeordnet ist. Der Tisch beinhaltet einen gemeinsamen Arbeitsbereich, der sowohl von dem Arbeiter als auch von dem Roboter erreicht werden kann. Der Roboter wird in einem Kooperationsmodus derart gesteuert, dass sich eine Komponente des Roboters mit einer geringeren Geschwindigkeit bewegt als dann, wenn der Roboter außerhalb des gemeinsamen Arbeitsbereichs arbeitet.
Ebenso offenbart US 9 043 025 B2 den Betrieb eines Roboters mit verringerter Geschwindigkeit, um eine sichere Kooperation von Arbeiter und Roboter zu ermöglichen.
Aus JP H07- 319558 A ist zudem ein Lernmechanismus mit einem neuronalen Netzwerk bekannt, der in einem Verfahren zum Bestimmen einer Kraft in einer Kraftsteuerung eingesetzt wird, die eine externe Kraft erkennen kann.
Unter Berücksichtigung der vorhergehenden Probleme besteht eine Aufgabe der vorliegenden Erfindung im Bereitstellen eines humankollaborativen Robotersystems mit verbesserter Genauigkeit der Erfassung einer äußeren Kraft.
Diese Aufgabe wird erfindungsgemäß durch ein humankollaboratives Robotersystem mit den Merkmalen des Anspruchs 1 gelöst. Weiterbildungen der Erfindung sind den Unteransprüchen zu entnehmen.
Gemäß einem ersten Aspekt der vorliegenden Erfindung wird ein humankollaboratives Robotersystem mit einer Funktion zum Erfassen einer Kraft bereitgestellt, umfassend einen humankollaborativen Roboter zum Durchführen eines Vorgangs in Kollaboration mit einem Menschen; und eine Lerneinheit, in die Messdaten zum Berechnen der Kraft, interne Daten der Steuersoftware zum Steuern des humankollaborativen Roboters und auf der Basis der Messdaten oder der internen Daten erhaltene Berechnungsdaten eingegeben werden, wobei die Lerneinheit eine erste auf den humankollaborativen Roboter von außen angewendete Kraftkomponente, eine im Betrieb des humankollaborativen Roboters auftretende zweite Kraftkomponente und eine als Störung kategorisierte dritte Kraftkomponente ausgibt, wobei die Lerneinheit zum Durchführen des Lernens überwachte Daten verwendet, in die Eingaben und vorab erhaltene korrekte Kennsätze in Paaren gesammelt werden, wobei die korrekten Kennsätze der überwachten Daten durch Ausüben einer Kraft auf den humankollaborativen Roboter von außen, Betreiben des humankollaborativen Roboters auf einer Mehrzahl von Wegen und Einwirken einer Störung auf den humankollaborativen Roboters erhalten werden, und der Betrieb des humankollaborativen Roboters auf der Basis der von der Lerneinheit ausgegebenen ersten Kraftkomponente gesteuert wird.
Kräfte mit verschiedenen Größen und verschiedenen Richtungen können auf eine Mehrzahl von Abschnitten des in einer Mehrzahl von Haltungen gestoppten humankollaborativen Roboters ausgeübt werden und die ausgeübten Kräfte und die Eingaben für die Lerneinheit können in Paaren als die überwachten Daten der ersten Kraftkomponente gesammelt werden. Auftretende Kraftkomponenten, wenn der humankollaborative Roboter in Betrieb auf der Mehrzahl von Wegen betrieben wird, während eine Mehrzahl von Arten von Werkstücken gehalten wird, und die Eingaben für die Lerneinheit können in Paaren als die überwachten Daten der zweiten Kraftkomponente gesammelt werden. Eine Störungsquelle kann auf den in einer Mehrzahl von Haltungen gestoppten humankollaborativen Roboter angewendet werden, und durch die Störungsquelle auftretende vierte Kraftkomponenten und die Eingaben für die Lerneinheit können in Paaren als die überwachten Daten der dritten Kraftkomponente gesammelt werden.
Ein Modus zum Einlernen der ersten Kraftkomponente und/oder der zweiten Kraftkomponente kann vorbereitet werden. Der humankollaborative Roboter kann eine Funktion zum Wählen einer von der Lerneinheit zu lernenden Modellgruppe aus Modellgruppen der gesammelten überwachten Daten; oder eine Funktion zum Empfehlen einer entsprechend einer Anwendung zu verwendenden Modellgruppe aus Modellgruppen einer aufgezeichneten Kraft umfassen. Die Lerneinheit kann ein Online-Lernen durchführen, um ein Merkmal der erfassten Kraft zu extrahieren und die erfasste Kraft in die erste Kraftkomponente, die zweite Kraftkomponente und die dritte Kraftkomponente auf der Basis des extrahierten Merkmals zu separieren. Der humankollaborative Roboter kann in einen nicht kollaborativen Betriebsmodus gebracht werden, in dem kein Betriebsbereich mit dem Menschen geteilt wird, und im nicht kollaborativen Betriebsmodus kann die Lerneinheit ein Online-Lernen unter der Bedingung durchführen, dass ein korrekter Kennsatz der ersten Kraftkomponente auf „0“ gesetzt ist. Der humankollaborative Roboter kann eine Steuervorrichtung mit einer Funktion zum Stoppen des humankollaborativen Roboters umfassen, wenn die separierte erste Kraftkomponente einen bestimmten Schwellenwert überschreitet, und nach dem Stopp des humankollaborativen Roboters, wenn ein erstes Signal zur Angabe, dass der Stopp durch eine falsche Erfassung der ersten Kraftkomponente durch die Lerneinheit verursacht wurde, eingegeben wird, kann die Lerneinheit ein Online-Lernen unter Verwendung von Eingabedaten unmittelbar vor dem Stopp des humankollaborativen Roboters und eines korrekten Kennsatzes einer äußeren Kraft mit einem Wert, der niedriger ist als der bestimmte Schwellenwert, in einem Paar durchführen.
Der humankollaborative Roboter kann eine Steuervorrichtung mit einer Funktion zum Stoppen des humankollaborativen Roboters, wenn die separierte erste Kraftkomponente einen bestimmten Schwellenwert überschreitet, umfassen, und nach dem Stopp des humankollaborativen Roboters, wenn ein zweites Eingabesignal zur Angabe, dass der Stopp durch eine normale Erfassung der ersten Kraftkomponente durch die Lerneinheit verursacht wurde, eingegeben wird, können ein Eingabesignal zu und ein Ausgabesignal von der Lerneinheit unmittelbar vor dem Stopp des humankollaborativen Roboters in einem Speicher als die überwachten Daten gespeichert werden, und die im Speicher gespeicherten überwachten Daten können anschließend beim Online-Lernen verwendet werden. Das erste Eingabesignal und das zweite Eingabesignal können ebenfalls als Betriebsneustartsignale für den humankollaborativen Roboter dienen. Das zweite Eingabesignal kann vom Menschen oder durch Verwenden eines Bilderkennungsergebnisses von einer Kamera zur Bildgebung des humankollaborativen Roboters oder eines Signals von einem Näherungssensor erzeugt werden.
Das humankollaborative Robotersystem kann eine Funktion zum Stoppen des humankollaborativen Roboters, wenn die separierte erste Kraftkomponente einen bestimmten Schwellenwert überschreitet, und eine Funktion zum Erfassen eines dringenden Kraftmusters, wenn der Mensch den humankollaborativen Roboters durch Ausüben einer äußeren Kraft stoppt, umfassen; wenn das dringende Kraftmuster erfasst wird, kann die Lerneinheit ein Online-Lernen unter Verwenden von Eingabedaten unmittelbar vor dem Erfassen des dringenden Kraftmusters und eines korrekten Kennsatzes einer äußeren Kraft mit einem Wert höher als der bestimmte Schwellenwert in einem Paar durchführen. Das humankollaborative Robotersystem kann ferner eine Mehrzahl von humankollaborativen Robotern umfassen, wobei jeder der humankollaborativen Roboter ein Lernen auf eine selbstständige Weise durchführen kann, und die humankollaborativen Roboter können miteinander eine Mehrzahl von Ergebnissen von selbstständig durchgeführtem Lernen durch jeden der humankollaborativen Roboter durch ein Netzwerk austauschen oder teilen. Die erste Kraftkomponente kann eine vom Menschen auf den humankollaborativen Roboter ausgeübte äußere Kraft sein; die zweite Kraftkomponente kann eine im Betrieb des humankollaborativen Roboters erzeugte innere Kraft sein; und die dritte Kraftkomponente kann eine auf den humankollaborativen Roboter einwirkende Störung sein, oder der humankollaborative Roboter kann das Speichern eines Protokolls einer vom humankollaborativen Roboter in einem Zyklus eines eingelernten Betriebsprogramms erfassten Kraft; das Speichern von Protokollen der in einer Vielzahl von Zyklen erfassten Kraft; das Anwenden einer Signalsynthese oder Signalverarbeitung auf die Protokolle der in den Zyklen erfassten Kraft zum Extrahieren einer im Betrieb des Roboters auftretenden Kraftkomponente; und das Durchführen eines Online-Lernens durch die Lerneinheit unter Verwenden der extrahierten im Betrieb des humankollaborativen Roboters auftretenden Kraftkomponente als ein korrekter Kennsatz durchführen.
Die vorliegende Erfindung ist durch Bezug auf die folgenden beigefügten Zeichnungen besser nachzuvollziehen.

1 zeigt ein Blockdiagramm eines Robotersystems gemäß einer Ausführungsform der vorliegenden Erfindung.
2A, 2B, 2C und 2D zeigen Zeichnungen, die schematisch Komponenten einer von einer maschinellen Lernvorrichtung im Robotersystem von 1 separierten Kraft darstellen.
3 zeigt eine Tabelle zum Darstellen eines Beispiels der Beziehung zwischen jeder Kraftkomponente und Merkmalen eines Eingabesignals.
4 zeigt eine (erste) Zeichnung, die Modellgruppen von jeder Art von Kraft darstellt.
5 zeigt eine (zweite) Zeichnung, die Modellgruppen von jeder Art von Kraft darstellt.
6 zeigt eine (dritte) Zeichnung, die Modellgruppen von jeder Art von Kraft darstellt.
7 zeigt eine Zeichnung zur Darstellung eines Beispiels der Funktion zum Wählen von Kraftmodellen.
8 zeigt eine Zeichnung, die ein Beispiel des Verwendens eines neuronalen Netzes für nicht überwachtes Lernen zum Extrahieren von Merkmalen darstellt.
9 zeigt eine Zeichnung eines Beispiels eines nicht kollaborativen Betriebsmodus des Roboters.
10 zeigt ein Blockdiagramm eines Modifikationsbeispiels des in 1 dargestellten Robotersystems.
11 zeigt eine (erste) Zeichnung, die den Betrieb des Robotersystems von 10 nach einem Stopp des Roboters darstellt.
12 zeigt eine (zweite) Zeichnung, die den Betrieb des Robotersystems von 10 nach dem Stopp des Roboters darstellt.
13 zeigt ein Blockdiagramm eines weiteren Modifikationsbeispiels des in 1 dargestellten Robotersystems.
14 zeigt eine Zeichnung zur Darstellung des Betriebs des Robotersystems von 13 nach einem dringenden Stopp des Roboters.
15 zeigt ein Fließbild zur Darstellung eines Beispiels eines Verfahrens zum Berechnen eines korrekten Kennsatzes im Robotersystem gemäß der Ausführungsform der vorliegenden Erfindung.
16 zeigt eine Zeichnung zur Darstellung eines Beispiels eines Verfahrens zum Berechnen eines korrekten Kennsatzes im Robotersystem gemäß der Ausführungsform der vorliegenden Erfindung.
17 zeigt ein Blockdiagramm eines Beispiels eines Robotersystems nach dem Stand der Technik.

Zunächst ist ein Beispiel eines humankollaborativen Robotersystems und Probleme von diesem in Bezug auf 17 vor Ausführungsformen eines Robotersystems beschrieben. 17 zeigt ein Blockdiagramm des Beispiels des humankollaborativen Robotersystems nach dem Stand der Technik. In 17 bezeichnet das Bezugszeichen 200 ein humankollaboratives Robotersystem, das Bezugszeichen 201 bezeichnet einen humankollaborativen Roboter (Roboter) und das Bezugszeichen 202 bezeichnet eine Steuervorrichtung.
Wie in 17 dargestellt umfasst das humankollaborative Robotersystem 200 beispielsweise den humankollaborativen Roboter 201, der in Kollaboration (Kooperation) mit einem Menschen (einem nicht dargestellten Bediener oder Benutzer) und der Steuervorrichtung 202 zum Steuern des Roboters 201 arbeitet. Die Steuervorrichtung 202 umfasst eine Servosteuerung 221, eine Kraftsteuerung 222, eine Schwellenwert-Einstelleinheit 223, einen Kraftwandler (Wandler der resultierenden Kraft) 224, einen Kraftwandler (Wandler der inneren Kraft) 225 und einen Addierer 226.
Die Servosteuerung 221, die Motoren des Roboters 201 steuert, versorgt jeden Motor mit Motorkraft, um die Servosteuerung durchzuführen. An der Servosteuerung 221 werden beispielsweise eine Codiererausgabe des Roboters 201, ein Ausgabesignal der Kraftsteuerung 222, ein Stoppbefehl von der Schwellenwert-Einstelleinheit 223 u. Ä. eingegeben. Der Wandler der resultierenden Kraft 224 wandelt beispielsweise ein Signal von einem in einem J1-Sockel des Roboters 201 angeordneten Kraftsensor in eine resultierende Kraft um und gibt die resultierende Kraft an den Addierer 226 aus. Der Wandler der inneren Kraft 225 wandelt die Codiererausgabe des Roboters 201 in eine innere Kraft um und gibt die innere Kraft an den Addierer 226 aus.
Eine äußere Kraft ist eine auf den Roboter von außen ausgeübte Kraft und ist im Wesentlichen eine Kraft, die der Mensch auf den Roboter ausübt. Die innere Kraft ist eine im Betrieb des Roboters auftretende Kraft und umfasst eine Schwingungskomponente aufgrund des Betriebs des Roboters 201 in sich selbst. Die resultierende Kraft ist eine Kraft, zu der sich äußere Kraft, innere Kraft und Störung summieren. Die Störung kann als eine äußere Kraftkomponente betrachtet werden, die nicht erfasst werden muss und durch elektrisches Rauschen oder Schwingungen in der Umgebung verursacht wird. Das Eingabesignal des Wandlers der resultierenden Kraft 224 ist nicht auf das Signal vom im J1-Sockel des Roboters 201 angeordneten Kraftsensor beschränkt, sondern kann aus Messdaten (beispielsweise Verzerrungs-Gate-Daten) zum Berechnen einer auf jede Achse oder einen bestimmten Abschnitt des Roboters 201 ausgeübten Kraft bestehen.
Der Addierer (Subtrahierer) 226 subtrahiert die Ausgabe (innere Kraft) des Wandlers der inneren Kraft 225 von der Ausgabe (resultierende Kraft) des Wandlers der resultierenden Kraft 224, um eine äußere Kraft zu erhalten, und gibt die äußere Kraft an die Kraftsteuerung 222 und die Schwellenwert-Einstelleinheit 223 aus. Die Kraftsteuerung 222 gibt ein Signal zur Regelung an die Servosteuerung 221 auf der Basis der vom Addierer 226 gelieferten äußeren Kraft aus. Die Servosteuerung 221 empfängt ebenfalls die anderen zuvor beschriebenen Signale und versorgt jeden Motor des Roboters 201 mit Strom. Die Schwellenwert-Einstelleinheit 223 ermittelt einen bestimmten Schwellenwert. Wenn die äußere Kraft vom Addierer 226 beispielsweise den bestimmten Schwellenwert überschreitet, gibt die Schwellenwert-Einstelleinheit 223 einen Stoppbefehl an die Servosteuerung 221 aus, um den Roboter 201 zu stoppen.
Im Robotersystem (humankollaborativen Robotersystem) 200 wie in 17 dargestellt wird die äußere Kraft beispielsweise durch Subtrahieren der logischen inneren Kraft, die von einem Betriebsbefehlswert des Roboters u. Ä. berechnet wird, von der vom Kraftsensor ermittelten Kraft (resultierenden Kraft) berechnet. In diesem Fall umfasst aber die äußere Kraft eine Störung und die resultierende Kraft (äußere Kraft) umfasst beispielsweise eine durch Schwingung des Roboters auftretende Kraft.
Das heißt im humankollaborativen Robotersystem 200 ist, da die vom Addierer 226 ausgegebene äußere Kraft die Störung und die durch die Schwingung des Roboters auftretende Kraft umfasst, die Genauigkeit der Erfassung der äußeren Kraft gering. Wenn die vom Addierer 226 ausgegebene äußere Kraft den bestimmten Schwellenwert überschreitet, gibt die Schwellenwert-Einstelleinheit 223 den Befehl zum Stoppen des Roboters 201 aus und somit kann dies einen falschen Stopp des Roboters verursachen.
Nachfolgend ist eine Ausführungsform eines humankollaborativen Robotersystems gemäß der vorliegenden Erfindung ausführlich in Bezug auf die beigefügten Zeichnungen beschrieben. 1 zeigt ein Blockdiagramm des Robotersystems gemäß der Ausführungsform der vorliegenden Erfindung. In 1 bezeichnet das Bezugszeichen 100 ein humankollaboratives Robotersystem, das Bezugszeichen 1 bezeichnet einen humankollaborativen Roboter (Roboter), das Bezugszeichen 2 bezeichnet eine Steuervorrichtung und das Bezugszeichen 3 bezeichnet eine maschinelle Lernvorrichtung.
Wie in 1 dargestellt umfasst das humankollaborative Robotersystem 100 gemäß dieser Ausführungsform beispielsweise den Roboter 1, der in Kollaboration (Kooperation) mit einem Menschen (einem nicht dargestellten Bediener oder Benutzer) arbeitet, die Steuervorrichtung 2 zum Steuern des Roboters 1 und die maschinelle Lernvorrichtung 3, welche die Steuervorrichtung 2 mit einer durch maschinelles Lernen separierten äußeren Kraft versorgt. Die Steuervorrichtung 2 umfasst eine Servosteuerung 21, eine Kraftsteuerung 22 und eine Schwellenwert-Einstelleinheit 23. Die Servosteuerung 21, die Motoren des Roboters 1 steuert, versorgt jeden Motor mit Motorkraft, um die Servosteuerung durchzuführen. An der Servosteuerung 21 werden beispielsweise eine Codiererausgabe des Roboters 1, ein Ausgabesignal der Kraftsteuerung 22, ein Stoppbefehl von der Schwellenwert-Einstelleinheit 23 u. Ä. eingegeben.
Die maschinelle Lernvorrichtung 3 umfasst eine Lerneinheit 31, eine Anzeigeeinheit 32 verschiedene Kraftmodellgruppen 33 (für eine äußere Kraft und eine innere Kraft umfassend Schwingungen des Roboters und eine Störung), einen Kraftwandler (Wandler der resultierenden Kraft) 34 und einen logischen Rechner der inneren Kraft 35. Die Anzeigeeinheit 32, die verschiedenen Kraftmodellgruppen 33, der Wandler der resultierenden Kraft 34 und der logische Rechner der inneren Kraft 35 sind zusätzlich zur Lerneinheit 31 in der maschinellen Lernvorrichtung 3 in 1 angeordnet, können aber auch außerhalb der maschinellen Lernvorrichtung 3 angeordnet sein. Die verschiedenen Kraftmodellgruppen 33 können außen angeordnet sein. Ferner kann die maschinelle Lernvorrichtung 3 in der Steuervorrichtung 2 oder in einem FOG-Server oder einem Cloud-Server über eine Kommunikationsleitung installiert sein.
Der logische Rechner der inneren Kraft 35 empfängt verschiedene Arten von Information (Daten), beispielsweise ein Einlernprogramm, einen Betriebsbefehlswert, einen Codierer-Ausgabewert (Positionsinformation), eine Geschwindigkeit, eine Werkstückform, ein Werkstückgewicht u. Ä. von der Servosteuerung 21. Der logische Rechner der inneren Kraft 35 berechnete eine im Betrieb des Roboters auftretende innere Kraft und gibt die innere Kraft an die Lerneinheit 31 aus. Der Wandler der resultierenden Kraft 34 empfängt Messdaten (beispielsweise Verzerrungs-Gate-Daten u. Ä.) vom Roboter 1 zum Berechnen einer Kraft. Der Wandler der resultierenden Kraft 34 berechnet eine resultierende Kraft und gibt die resultierende Kraft an die Lerneinheit 31 aus. An der Lerneinheit 31 werden beispielsweise die verschiedenen Arten von Daten wie das Einlernprogramm, der Betriebsbefehlswert, der Codierer-Ausgabewert (Positionsinformation), die Geschwindigkeit, die Werkstückform, das Werkstückgewicht u. Ä. von der Servosteuerung 21 und die Messdaten vom Roboter 1 ebenfalls eingegeben.
Die am Wandler der resultierenden Kraft 34 einzugebenden Messdaten können ein Signal von einem in einem J1-Sockel des Roboters 1 angeordneten Kraftsensor oder Daten von einem in jeder Achse oder einem bestimmten Abschnitt des Roboters 1 zum Berechnen einer Kraft angeordneten Sensor sein. Die resultierende Kraft wird beispielsweise als „resultierende Kraft“ = „äußere Kraft“ + „innere Kraft (innere Kraft umfassend die Schwingung des Roboters)“ + „Störung“ dargestellt.
Die Lerneinheit 31 führt beispielsweise ein überwachtes Lernen durch, bei dem die Lerneinheit 31 überwachte Daten von außen empfängt. Beispielsweise entsprechen die verschiedenen Kraftmodellgruppen 33 (äußere Kraft, innere Kraft umfassend Schwingungen des Roboters und Störung) den überwachten Daten. Die Modellgruppen sind später beschrieben.
Eine von der Lerneinheit 31 separierte äußere Kraft wird an die Kraftsteuerung 22 und die Schwellenwert-Einstelleinheit 23 der Steuervorrichtung 2 ausgegeben. Ferner werden im Beispiel von 1 die äußere Kraft, eine innere Kraft und die Störung wie von der Lerneinheit 31 ausgegeben an die Anzeigeeinheit 32 ausgegeben und an der Anzeigeeinheit 32 auf eine vorgegebene Weise angezeigt. Zum Anzeigen der äußeren Kraft, der inneren Kraft und der Störung kann die Anzeigeeinheit 32 verschiedene Anzeigeverfahren wählen und zusätzlich ein anderes Verfahren als die Anzeigeverfahren wählen, beispielsweise einen Alarm ausgeben. Die Anzeigeeinheit 32 ist notwendigerweise vorhanden und kann wie zuvor beschrieben außerhalb der maschinellen Lernvorrichtung 3 oder in der Steuervorrichtung 2 angeordnet sein.
Die Kraftsteuerung 22 empfängt die separierte von der Lerneinheit 31 (maschinellen Lernvorrichtung 3) ausgegebene äußere Kraft und gibt ein Signal zur Regelung auf der Basis der separierten äußeren Kraft an die Servosteuerung 21 aus. Die Schwellenwert-Einstelleinheit 23 ermittelt einen bestimmten Schwellenwert. Wenn die separierte von der maschinellen Lernvorrichtung 3 ausgegebene äußere Kraft den Schwellenwert überschreitet, gibt die Schwellenwert-Einstelleinheit 23 einen Stoppbefehl an die Servosteuerung 21 zum Stoppen des Roboters 1 aus.
2A, 2B, 2C und 2D zeigen Zeichnungen, die schematisch von der maschinellen Lernvorrichtung im Robotersystem von 1 separierte Kraftkomponenten darstellen. 2A zeigt eine erfasste Kraftkomponente (eine resultierende Kraft: eine Ausgabe des Wandlers der resultierenden Kraft 34) L0. 2B zeigt eine separierte äußere Kraft (eine von der Lerneinheit 31 an die Kraftsteuerung 22, die Schwellenwert-Einstelleinheit 23 und die Anzeigeeinheit 32 ausgegebene äußere Kraft) L1 zusammen mit L0. 2C zeigt eine separierte innere Kraft (eine von der Lerneinheit 31 an die Anzeigeeinheit 32 ausgegebene innere Kraft) L2 zusammen mit L0. 2D zeigt eine separierte Störung (eine von der Lerneinheit 31 an die Anzeigeeinheit 32 ausgegebene Störung) L3 zusammen mit L0.
Wie in 2A bis 2D dargestellt kann die maschinelle Lernvorrichtung 3 des Robotersystems 100 von 1 die resultierende Kraft L0 von 2A in die externe Kraft L1 von 2B, die innere Kraft L2 von 2C und die Störung L3 von 2D separieren.
Im zuvor beschriebenen humankollaborativen Robotersystem 100 kann beispielsweise ein Universalcomputer oder -prozessor als maschinelle Lernvorrichtung 3 verwendet werden; die Verwendung von GPGUs (General-Purpose on Graphics Processing Units), eines großen PC-Clusters u. Ä. ermöglichen aber ein Erhöhen der Verarbeitungsgeschwindigkeit. Die maschinelle Lernvorrichtung 3 kann in der Robotersteuervorrichtung (Steuervorrichtung 2) wie zuvor beschrieben oder in einem Server in einem Netzwerk über eine Kommunikationsleitung wie Ethernet (TM) installiert sein.
Die Lerneinheit 31 kann beispielsweise aus einem neuronalen Netz bestehen. Ferner werden beispielsweise eine Eingabe und ein Ergebnis der Separierung einer äußeren Kraft vorab experimentell gesammelt. Eine große Zahl von Datenpaaren einer Eingabe und eines Ergebnisses kann vorbereitet und für die Lerneinheit 31 bereitgestellt werden, um nicht überwachtes Lernen durchzuführen, bei dem Merkmale der Datensätze gelernt werden, um ein Modell zur Vorhersage eines Ergebnisses von einer Eingabe zu erhalten, das heißt um die Beziehung zwischen einer Eingabe und eines Ergebnisses auf eine rekursive Weise zu erhalten. In dieser Ausführungsform ist ein rekurrentes neuronales Netz zum Modellieren von Zeitseriendaten mit zeitlicher Entsprechung nützlich.
Ferner können beispielsweise die Messdaten durch Signalverarbeitung, bevor sie an der Lerneinheit 31 eingegeben werden, oder als eine der Funktion der Lerneinheit 31 vorverarbeitet werden. Insbesondere ist ein nützliches Verfahren zum Separieren von Kraftkomponenten eine Umwandlung durch FFT (Fast-Fourier-Transformation) u. Ä. in einen Frequenzbereich. Ein Entwickler der maschinellen Lernvorrichtung kann solche Datenmerkmale auf der maschinellen Lernvorrichtung 3 installieren. Das Einlernprogramm und der Betriebsbefehlswert können zum Lernen der Beziehung zwischen einem Kraftmerkmal und der Haltung des Roboters 1 sowie zum Berechnen einer logischen inneren Kraft des Roboters 1 verwendet werden.
Wie zuvor beschrieben umfasst das Robotersystem (humankollaboratives Robotersystem) 100 gemäß dieser Ausführungsform den humankollaborativen Roboter 1, der in Kollaboration mit einem Menschen arbeitet und die Funktion des Erfassens einer Kraft hat. An der Lerneinheit 31 der maschinellen Lernvorrichtung 3 werden Messdaten zum Berechnen einer Kraft, interne Daten der Steuersoftware zum Steuern des humankollaborativen Roboters und auf der Basis der Messdaten oder der internen Daten erhaltene Berechnungsdaten eingegeben. Die Lerneinheit 31 gibt eine erste auf den humankollaborativen Roboter von außen angewendete Kraftkomponente, eine im Betrieb des humankollaborativen Roboters auftretende zweite Kraftkomponente und eine als Störung kategorisierte dritte Kraftkomponente aus. Die Lerneinheit 31 führt Lernen unter Verwendung von überwachten Daten durch, die Paare einer Eingabe und eines korrekten Kennsatzes umfassen, die vorab erhalten wurden. Die korrekten Kennsätze der überwachten Daten werden durch Ausüben einer Kraft auf den humankollaborativen Roboter von außen, Betreiben des humankollaborativen Roboters auf einer Mehrzahl von Wegen und Einwirken einer Störung auf den humankollaborativen Roboters erhalten. Die Lerneinheit 31 gibt die korrekten Kennsätze aus. Der Betrieb des humankollaborativen Roboters wird auf der Basis der ersten Kraftkomponente (einer äußeren Kraft, die der Mensch auf den humankollaborativen Roboter ausübt) gesteuert, die auf den humankollaborativen Roboter 1 ausgeübt wird. Somit kann beispielsweise die äußere Kraft, die von der inneren Kraft umfassend Schwingungen des Roboters und die Störung separiert wird, mit hoher Genauigkeit erfasst werden.
3 zeigt eine Tabelle zum Darstellen eines Beispiels der Beziehung zwischen jeder Kraftkomponente und Merkmalen eines Eingabesignals. Die Beziehung wie in 3 dargestellt wird im Allgemeinen zwischen jeder Kraftkomponente und den Merkmalen des Eingabesignals hergestellt. Das heißt eine äußere Kraft weist eine relativ niedrige Frequenz und eine niedrige Korrelation mit der Haltung und Geschwindigkeit des Roboters auf und tritt nicht in regelmäßigen Abständen auf. Eine innere Kraft umfassend Schwingungen des Roboters weist eine relativ mittelgroße Frequenz und eine hohe Korrelation mit der Haltung und Geschwindigkeit des Roboters auf und tritt in regelmäßigen Abständen auf. Ferner weist eine Störung eine relativ hohe Frequenz und eine mittlere Korrelation mit der Haltung und Geschwindigkeit des Roboters auf und kann in regelmäßigen Abständen auftreten. Die Lerneinheit 31 kann automatisch solch eine Beziehung durch Lernen erhalten oder die Beziehung kann explizit durch beispielsweise einen Entwickler der maschinellen Lernvorrichtung 3 installiert werden.
Bezüglich der Nachbearbeitung der Ausgabesignale (separierte äußere Kraft, innere Kraft und Störung: Separierungsergebnisse) von der Lerneinheit 31 beschreibt diese Ausführungsform, dass ausgegebene Ergebnisse des neuronalen Netzes direkt zu Kraftseparierungsergebnissen werden. Als eine weitere Ausführungsform können aber die ausgegebenen Ergebnisse der Lerneinheit 31 einige Arten von Paaren einer Frequenz und einer Stärke sein und es können adaptive Kerbfilter auf der Basis der Ergebnisse auf eine von einem Sensor erfasste resultierende Kraft zum Separieren einer äußeren Kraft angewendet werden.
Nachfolgend sind bezüglich der verschiedenen Kraftmodellgruppen 33 (äußere Kraft, innere Kraft umfassend Schwingungen des Roboters und Störung), die für die Lerneinheit 31 bereitgestellt werden, Modelle äußerer Kraft, Modelle innerer Kraft umfassend Schwingungen des Roboters und Störungsmodelle beschrieben. 4 bis 6 zeigt Zeichnungen verschiedener Kraftmodellgruppen. 4 Modelle äußerer Kraft. 5 zeigt Modelle innerer Kraft umfassend Schwingungen des Roboters. 6 zeigt Störungsmodelle.
Bezüglich der Modelle äußerer Kraft wie in 4 dargestellt werden beispielsweise Sensordaten, kein Betriebsbefehlswert, eine Roboterhaltung, kein Werkstück und ein Kraftberechnungswert in einem neuronalen Netz als eine Eingabe X eingegeben und es wird eine äußere Kraft von diesem als eine Ausgabe Y(5) ausgegeben. Ein korrekter Kennsatz wird unter der Annahme erzeugt, dass eine auf den Roboter ausgeübte Kraft = eine äußere Kraft, eine innere Kraft = 0 und eine Störung = 0. Eine Mehrzahl von Paaren der Eingabe X und des korrekten Kennsatzes werden als überwachte Daten vorbereitet.
Modelle äußerer Kraft
Umstände, bei denen ein Mensch eine Kraft auf den Roboter ausübt, werden kategorisiert und die Kraft von jedem Muster wird vorab als ein Kraftmodell modelliert.

• ein Kraftmodell, wenn der Mensch mit der Maschine oder einer Wand kollidiert
• ein Kraftmodell, wenn sich der Roboter dem arbeitenden Menschen nähert und ungewollt mit diesem kollidiert
• ein Kraftmodell, wenn der Mensch zwischen dem Roboter und einem Peripheriegerät eingesperrt ist
• ein Kraftmodell des Drucks, der Schwingung u. Ä. eines Schraubers, der ausgeübt wird, wenn ein Werkstück auf eine Karosserie eines Fahrzeugs geschraubt wird
• ein Kraftmodell, wenn der Roboter und der Mensch ein langes Werkstück abstützen

Anschließend werden Vorrichtungen u. Ä. gebildet, um die modellierten äußeren Kräfte zu erzeugen, und jede modellierte Kraft wird auf den gestoppten Roboter ausgeübt. Der Roboter nimmt eine Mehrzahl von Haltungsmustern ein und die Kraft wird auf eine Mehrzahl von Abschnitten des Roboters ausgeübt. Zu diesem Zeitpunkt ist der Roboter 201 beispielsweise vorzugsweise mit den Kraftsensoren an einzelnen Achsen oder bestimmten Abschnitten ausgestattet, um zu erkennen, auf welchen Abschnitt die Kraft ausgeübt wird. Ein korrekter Kennsatz wird unter den Bedingungen erzeugt, dass Sensordaten, eine berechnete resultierende Kraft und eine Roboterhaltung eingegeben werden, eine ausgeübte Kraft wird als eine äußere Kraft betrachtet und eine innere Kraft umfassend Schwingungen des Roboters und eine Störung wird auf „0“ gesetzt. Eine Mehrzahl von Paaren einer Eingabe und eines korrekten Kennsatzes werden als überwachte Daten vorbereitet, um ein maschinelles Lernen durchzuführen. Eine berechnete Eingabekraft kann als die „ausgeübte Kraft“ verwendet werden.
Bezüglich der Modelle innerer Kraft wie in 5 dargestellt werden beispielsweise Sensordaten, ein Betriebsbefehlswert, eine Position und Geschwindigkeit, eine Werkstückart und ein Kraftberechnungswert in einem neuronalen Netz als eine Eingabe X eingegeben und es wird eine innere Kraft umfassend Schwingungen des Roboters von diesem als eine Ausgabe Y(5) ausgegeben. Ein korrekter Kennsatz wird unter der Annahme erzeugt, dass eine innere Kraft umfassend Schwingungen des Roboters = der Kraftberechnungswert, eine äußere Kraft = 0 und eine Störung = 0. Eine Mehrzahl von Paaren der Eingabe X und des korrekten Kennsatzes werden als überwachte Daten vorbereitet.
Modelle innerer Kraft
Bezüglich einer im Betrieb des Roboters auftretenden Kraft, wenn das Gewicht eines Werkstücks und der Schwerpunkt des Roboters mit dem Werkstück mit hoher Genauigkeit bekannt sind, kann die Beschleunigung des Roboters selbst aus dem Betriebsbefehlswert des Roboters berechnet werden und es kann eine logische innere Kraft auf der Basis des Betriebsbefehlswerts berechnet werden. Der Betrieb des Roboters kann aber den Roboter in sich selbst drehen (insbesondere einen Handabschnitt) und somit Schwingungen verursachen. Da die Kraftsensoren eine Kraft aufgrund der Schwingung des Roboters erfassen, ist eine Kraftkomponente aufgrund der Schwingung aus dem Betriebsbefehlswert schwer zu berechnen.
Somit werden bezüglich einer inneren Kraft umfassend Schwingungen des Roboters Modelle innerer Kraft umfassend Schwingungen des Roboters erzeugt wie bei Modellen äußerer Kraft, indem verschiedene Vorgänge vorab durchgeführt werden. Der Betrieb des Roboters mit einer Mehrzahl von Werkstücken ermöglicht das Erzeugen der Modelle innerer Kraft umfassend Schwingungen des Roboters in einem Zustand des Aufweisens der Werkstücke. Die Modelle innerer Kraft umfassend Schwingungen des Roboters unterscheiden sich von einem Robotertyp zum anderen.
Als ein Problem zum Messen einer inneren Kraft umfassend Schwingungen des Roboters besteht eine Schwierigkeit im Messen der inneren Kraft durch eine äußere Vorrichtung des Robotersystems wie einer Lastzelle. Stattdessen wird eine in einem Vorprozessor der Lerneinheit berechnete logische resultierende Kraft als ein korrekter Kennsatz der inneren Kraft umfassen Schwingungen des Roboters beim Lernen verwendet. Das heißt es wird ein korrekter Kennsatz unter der Annahme erzeugt, dass die berechnete logische resultierende Kraft = die innere Kraft umfassend Schwingungen des Roboters, eine äußere Kraft = 0 und eine Störung = 0. Eine Mehrzahl von Paaren einer Eingabe und eines korrekten Kennsatzes werden als überwachte Daten für das maschinelle Lernen vorbereitet.
Ferner werden in Bezug auf Störungsmodelle wie in 6 dargestellt Sensordaten, kein Betriebsbefehlswert, eine Roboterhaltung, eine Werkstückart und ein Kraftberechnungswert in einem neuronalen Netz als eine Eingabe X eingegeben und es wird eine Störung von diesem als eine Ausgabe Y(5) ausgegeben. Ein korrekter Kennsatz wird unter der Annahme erzeugt, dass eine Störung = der Kraftberechnungswert, eine äußere Kraft = 0 und eine innere Kraft umfassend Schwingungen des Roboters = 0. Eine Mehrzahl von Paaren der Eingabe X und des korrekten Kennsatzes werden als überwachte Daten vorbereitet.
Störungsmodelle
Störungen werden in verschiedene Arten kategorisiert.

• regelmäßige Störungen und unregelmäßige Störungen von Störung verursacht durch äußere Schwingungen
• regelmäßige Störungen und unregelmäßige Störungen von elektronischem Rauschen

Beispiele für Modelle

• Schwingungen, wenn ein Gabelstapler in der Nähe vorbeifährt
• momentane Schwingung eines Peripheriegeräts, die auf eine impulsive Weise einwirkt
• eine falsche Erfassung, wenn Wind gegen den Roboter bläst

Bezüglich Störungen werden Modelle erzeugt wie bei den Modellen äußerer Kraft und den Modellen innerer Kraft umfassend Schwingungen des Roboters, indem verschiedene Störungsarten auf den Roboter vorab angewendet werden. Die Störung wird auf den gestoppten Roboter angewendet. Die Störung wird auf den Roboter angewendet, der eine Mehrzahl von Haltungen einnimmt. Als ein Problem zum Messen einer Kraftkomponente aufgrund der Störung besteht eine Schwierigkeit im Messen der Kraftkomponente aufgrund der Störung durch eine äußere Vorrichtung des Robotersystems wie einer Lastzelle. Stattdessen wird eine in einem Vorprozessor der Lerneinheit berechnete logische resultierende Kraft als ein korrekter Kennsatz der Störung beim Lernen verwendet. Das heißt es wird ein korrekter Kennsatz unter der Annahme erzeugt, dass die berechnete logische resultierende Kraft = die Störung, eine äußere Kraft = 0 und eine innere Kraft umfassend Schwingungen des Roboters = 0. Eine Mehrzahl von Paaren einer Eingabe und eines korrekten Kennsatzes werden als überwachte Daten für das maschinelle Lernen vorbereitet.
4 bis 6 zeigen die zuvor beschriebenen neuronalen Netze und stellen die Ausgaben Y(5) jeweils als die äußere Kraft, die innere Kraft umfassend die Schwingung des Roboters und die Störung dar, wobei jedoch die zuvor beschriebenen neuronalen Netze zu einem effektiven neuronalen Netz kombiniert sind. Die folgende Beschränkung wird auf eine in das neuronale Netz einzugebende Kraft und jede von dieser auszugebenden Kraftkomponente angewendet. $\begin{array}{l} [berchnete resultiende Kraft (Eingabeabschnitt)] = [äußere Kraft] + [innere Kraft \\ umfassend Schwingungen des Roboters] + [Störung] \end{array}$
Zum Sammeln der überwachten Daten der Störung (dritte Kraftkomponente) wird beispielsweise eine Störungsquelle (nicht dargestellt) auf den in jeder der Mehrzahl von Haltungen gestoppten Roboter 1 ausgeübt und eine durch die Störungsquelle auftretende Kraftkomponente (vierte Kraftkomponente) und eine Eingabe für die Lerneinheit 31 werden in Paaren gesammelt. Die überwachten Daten der Störung können auch durch verschiedene andere Verfahren gesammelt werden. Nachfolgend ist ein Modus zum Einlernen einer äußeren Kraft und Störung durch einen Benutzer (Mensch oder Bediener) beschrieben. Bezüglich einer äußeren Kraft und Störung kann ein Einlernmodus bereitgestellt werden, in dem ein Benutzer die äußere Kraft und die Störung einlernt. Im Einlernmodus wird beispielsweise ein Name der Art einer Kraft vor dem Einlernen eingestellt und mit dem Einlernen wird in einem Zustand des Stoppens des Roboters begonnen. Je größer die Zahl der Haltungen des Roboters ist, desto besser ist vermutlich ein Lernergebnis; das Einlernen wird durch Anwenden der gleichen Kraft, während die Haltung geändert wird, wiederholt. Dieser Vorgang kann unter interaktiver Führung durchgeführt werden. Wie zuvor beschrieben ermöglicht beispielsweise das Vorbereiten des Modus zum Einlernen der auf den Roboter 1 von außen angewendeten äußeren Kraft (äußere Kraft, die ein Mensch auf den Roboter ausübt: erste Kraftkomponente) und/oder der im Betrieb des Roboters 1 auftretenden inneren Kraft (zweite Kraftkomponente) das Lernen unter Verwendung von Kraftmodellen entsprechend der Umgebung des Benutzers.
7 zeigt eine Zeichnung eines Beispiels einer Kraftmodell-Wahlfunktion, bei der ein Reifentransport von Vorgängen (Anwendungen) des Reifentransports, Sofabefestigung, Schweißen, Entgraten und Schrauben, durchgeführt von einem Benutzer (Mensch) in Kollaboration mit dem humankollaborativen Roboter 1, gewählt wird. Zunächst werden Kraftmodelle grob in „Modelle äußerer Kraft“, „Modelle innerer Kraft (innere Kraft umfassend Schwingungen des Roboters)“ und „Störungsmodelle“ separiert. Die „Modelle äußerer Kraft“ werden weiter in beispielsweise „Kollision mit einem Menschen“, „Einsperren von einem Menschen“ und „Vorgang der Werkstückbefestigung durch einen Menschen“ separiert. Die „Modelle innerer Kraft“ werden weiter in beispielsweise „Betriebsgeschwindigkeit“, „Betriebsbereich“ und „Werkstückart“ separiert. Die „Störungsmodelle“ werden weiter in beispielsweise „Schwingung durch Gabelstapler“, „regelmäßige Schwingung durch Peripheriegerät“ und „elektrisches Rauschen“ separiert.
Zu diesem Zeitpunkt werden, wenn der Reifentransport als eine Anwendung durchgeführt wird, beispielsweise die „Kollision mit einem Menschen“ und das „Einsperren eines Menschen“ als kleine Kategorien der „Modelle äußerer Kraft“ gewählt. Die „Betriebsgeschwindigkeit“, der „Betriebsbereich“ und die „Werkstückart“ werden als kleine Kategorien der „Modelle innerer Kraft“ gewählt. Die „Schwingung durch Gabelstapler“ und das „elektrische Rauschen“ werden als kleine Kategorien der „Störungsmodelle“ gewählt. Der humankollaborative (kooperative) Roboter 1 (das humankollaborative Robotersystem 100) ermöglicht einem Benutzer zu wählen, welches Modell von den registrierten Kraftmodellen verwendet werden soll, und hat ferner die Funktion des Empfehlens für den Benutzer einer Verwendung eines geeigneten Kraftmodells oder von geeigneten Kraftmodellen von jedem der Modelle äußerer Kraft, der Modelle innerer Kraft und der Störungsmodelle entsprechend der Anwendung.
Das heißt der Roboter 1 (das Robotersystem 100) hat die Funktion des Wählens von Modellen, welche die Lerneinheit 31 lernt, aus den Modellclustern der gesammelten überwachten Daten oder die Funktion des Empfehlens, welche Kraftmodelle verwendet werden sollen, entsprechend der Anwendung. Somit kann ein Lernen unter Verwendung der Kraftmodelle entsprechend der Anwendung des Benutzers durchgeführt werden und die Kraftmodelle können einfach entsprechend der Anwendung des Benutzers gewählt werden.
8 zeigt eine Zeichnung zur Darstellung eines Beispiels der Verwendung eines neuronalen Netzes für nicht überwachtes Lernen zum Extrahieren von Merkmalen. Wie in 8 dargestellt umfasst die maschinelle Lernvorrichtung 3 gemäß dieser Ausführungsform ein neuronales Netz zum Extrahieren von Merkmalen (nicht überwachtes Online-Lernen) 3a und ein neuronales Netz zur Kraftseparierung (überwachtes Lernen) 3b. Vom neuronalen Netz zum Extrahieren von Merkmalen 3a erhaltene Merkmale werden für das neuronale Netz zur Kraftseparierung 3b bereitgestellt.
Wie in 8 dargestellt ist in dieser Ausführungsform das neuronale Netz für nicht überwachtes Lernen 3a zum Extrahieren von Merkmalen vorbereitet. Nicht überwachtes Lernen ist ein Lernalgorithmus, bei dem eine große Menge von Eingabedaten für die Lerneinheit bereitgestellt wird, um die Verteilung der Eingabedaten zu lernen, und Komprimierung, Klassifizierung, Formung u. Ä. werden auf die Eingabedaten angewendet, ohne entsprechende überwachte Ausgabedaten bereitzustellen. Datensätze mit ähnlichen Merkmalen werden geclustert.
Da das nicht überwachte Lernen keine überwachten Ausgabedaten erfordert, kann das nicht überwachte Lernen immer in Echtzeit während des Betriebs des Roboters durchgeführt werden. Neue Proben werden nacheinander als Lerndaten geliefert und das Lernen wird aktualisiert, wenn die neue Lerndatenprobe geliefert wird. Dieses Lernverfahren wird als Online-Lernen bezeichnet und Lernergebnisse können während des Fortsetzens des Lernens verwendet werden. Das heißt die Lerneinheit 31 führt das Online-Lernen durch, um Merkmale einer erfassten Kraft zu extrahieren, und die erfasste Kraft wird in eine äußere Kraft (erste Kraftkomponente), eine innere Kraft (zweite Kraftkomponente) und eine Störung (dritte Kraftkomponente) auf der Basis der extrahierten Merkmale separiert.
Als eine weitere Ausführungsform gibt es ein als halb überwachtes Lernen bezeichnetes Verfahren als eine Zwischenproblemstellung zwischen dem überwachten Lernen und dem nicht überwachten Lernen und dieses Verfahren kann für das Lernen verwendet werden. Im halb überwachten Lernen umfasst ein Teil von Daten Paare einer Eingabe und einer Ausgabe und die anderen Daten umfassen ausschließlich Eingaben.
9 zeigt eine Zeichnung eines Beispiels eines nicht kollaborativen Betriebsmodus des Roboters. Wie in 9 dargestellt werden beispielsweise Sensordaten, ein Betriebsbefehlswert, eine Position und Geschwindigkeit, eine Werkstücksart und ein Kraftberechnungswert in einem neuronalen Netz als eine Eingabe X eingegeben und es wird eine äußere Kraft von diesem als eine Ausgabe Y(5) ausgegeben. Im nicht kollaborativen Betriebsmodus wird beispielsweise Online-Lernen immer unter Verwendung eines korrekten Kennsatzes der Ausgabe Y(5) = 0 durchgeführt.
Das heißt der humankollaborative Roboter 1 kann in den nicht kollaborativen Betriebsmodus gebracht werden, in dem ein Betriebsbereich nicht mit einem Bediener (Mensch) geteilt wird. Insbesondere wird der humankollaborative Roboter 1 in den nicht kollaborativen Betriebsmodus gebracht, wenn ein Signal zur Angabe, dass der Bediener sich aus einer Schutzeinrichtung, innerhalb welcher der Roboter 1 in Betrieb ist, entfernt oder ein Signal zur Angabe, dass kein Mensch in der Nähe des von Abtastsensor vorhanden ist, an der Steuervorrichtung (Robotersteuervorrichtung) 2 eingegeben wird.
Im nicht kollaborativen Betriebsmodus führt beispielsweise die aus einem neuronalen Netz bestehende Lerneinheit 31 ein Online-Lernen unter der Annahme durch, dass eine von außerhalb des Roboters angewendete Kraftkomponente einen korrekten Kennsatz von „0“ aufweist. Das heißt der Roboter 1 kann in den nicht kollaborativen Betriebsmodus gebracht werden, in dem kein Betriebsbereich mit dem Menschen geteilt wird, und im nicht kollaborativen Betriebsmodus führt die Lerneinheit 31 ein Online-Lernen unter der Annahme durch, dass eine äußere Kraft (erste Kraftkomponente) einen korrekten Kennsatz von „0“ aufweist. Somit können Gewichte W des neuronalen Netzes nacheinander aktualisiert werden und es kann daher die Genauigkeit im Separieren einer äußeren Kraft erhöht werden.
10 zeigt ein Blockdiagramm eines Modifikationsbeispiels des in 1 dargestellten Robotersystems. 11 und 12 zeigen Zeichnungen zur Darstellung des Betriebs des Robotersystems von 10 nach dem Stoppen des Roboters. 11 zeigt ein Fließbild zur Darstellung des Betriebs nach dem Stoppen des Roboters und 12 zeigt eine Zeichnung des Online-Lernens des neuronalen Netzes zu diesem Zeitpunkt.
Wie aus einem Vergleich von 10 und 1 hervorgeht, weist das Robotersystem gemäß diesem Modifikationsbeispiel zwei Schalter (Betriebsneustart-Tasten) SW1 und SW2 zum Durchführen eines Rückkehrprozesses nach dem Stoppen des Roboters auf. Die Betriebsneustart-Taste SW1 ist eine Taste zum Neustart des Betriebs nach einem fälschlichen Stoppen des Roboters. Die Betriebsneustart-Taste SW2 ist eine Taste zum Neustart des Betriebs nach einem normalen Stoppen des Roboters. Eine Ausgabe von jedem der zwei Betriebsneustart-Tasten SW1 und SW2 wird an der Servosteuerung 21 und der Lerneinheit 31 eingegeben.
Wie in 11 dargestellt fährt, wenn der Roboter aufgrund einer äußeren Kraft, die einen Schwellenwert überschreitet, gestoppt hat und der Roboter zum normalen Stoppen in Schritt ST1 bestimmt wird, der Betrieb mit Schritt ST2 fort. Eine Taste zur Angabe „eines normalen Stopps aufgrund einer normalen Erfassung einer äußeren Kraft“ wird zum Neustart des Betriebs gedrückt, das heißt die Betriebsneustart-Taste SW2, die nach einem normalen Stopp des Roboters zu drücken ist, wird eingeschaltet. Anschließend wird in Schritt ST3 ein Paar von Eingabedaten und Ausgabedaten der Lerneinheit unmittelbar vor dem Stopp des Roboters in einem Speicher als zukünftige Einlerndaten gespeichert und der Betrieb fährt mit Schritt ST6 fort, um den Betrieb des Roboters neu zu starten.
Wenn der Roboter aufgrund einer äußeren Kraft, die einen Schwellenwert überschreitet, gestoppt hat und der Roboter zum normalen Stoppen in Schritt ST1 bestimmt wird, fährt der Betrieb mit Schritt ST4 fort. Eine Taste zur Angabe „eines fälschlichen Stopps aufgrund einer fälschlichen Erfassung einer äußeren Kraft“ wird zum Neustart des Betriebs gedrückt, das heißt die Betriebsneustart-Taste SW1, die nach einem fälschlichen Stopp des Roboters zu drücken ist, wird eingeschaltet. Anschließend wird in Schritt ST5 ein Online-Lernen unter der Bedingung durchgeführt, dass ein Ergebnis des Subtrahierens eines bestimmten Werts vom Schwellenwert als ein korrekter Kennsatz der äußeren Kraft für Eingabedaten der Lerneinheit unmittelbar vor dem Stopp des Roboters eingestellt wird. Auf der Basis eines Ergebnisses des Online-Lernens unter Verwendung des neu eingestellten korrekten Kennsatzes fährt der Betrieb mit Schritt ST6 fort und der Roboter startet seinen Betrieb neu.
Wie zuvor beschrieben hat die Steuervorrichtung 2 des Roboters 1 die Funktion des Stoppens des Roboters 1, wenn die separierte äußere Kraft (erste Kraftkomponente) den bestimmten Schwellenwert überschreitet. Nach dem Stopp des Roboters führt, wenn ein Signal (erstes Eingabesignal) zur Angabe, dass die Lerneinheit 31 fälschlich die äußere Kraft erfasst und den Roboter gestoppt hat, eingegeben wird, die Lerneinheit das Online-Lernen unter der Bedingung durch, dass die Eingabedaten unmittelbar vor dem Stopp des Roboters und der korrekte Kennsatz der äußeren Kraft, die auf einen bestimmten Wert unterhalb des Schwellenwerts eingestellt ist, gepaart werden. Daher wird, wenn der Roboter fälschlich aufgrund einer nicht ordnungsgemäßen Separierung der äußeren Kraft gestoppt wird, das überwachte Online-Lernen an beispielsweise einer Eingabe des Signals zur Angabe eines fälschlichen Stopps durch einen Benutzer, wodurch die Fähigkeit zum Separieren einer äußeren Kraft verbessert wird.
Die Steuervorrichtung 2 des Roboters 1 hat die Funktion des Stoppens des Roboters 1, wenn die separierte äußere Kraft (erste Kraftkomponente) den bestimmten Schwellenwert überschreitet. Nach dem Stopp des Roboters, wenn ein Signal (zweites Eingabesignal) zur Angabe, dass die Lerneinheit 31 normal die äußere Kraft erfasst und den Roboter gestoppt hat, eingegeben wird, werden das Eingabesignal und das Ausgabesignal zur und von der Lerneinheit 31 unmittelbar vor dem Stopp des Roboters im Speicher (obgleich nicht dargestellt beispielsweise ein in der Lerneinheit 31 enthaltener Speicher, ein in der Steuervorrichtung 2 angeordneter Speicher o. Ä.) als überwachte Daten gespeichert und die im Speicher gespeicherten überwachten Daten werden anschließend im Online-Lernen verwendet. Somit werden, wenn ein Benutzer das Signal zur Angabe einer normalen Separierung einer äußeren Kraft und eines normalen Stopps des Roboters eingibt, Daten zu diesem Zeitpunkt als die überwachten Daten gespeichert und es wird überwachtes Lernen unter Verwendung der Daten in der Zukunft durchgeführt, wodurch die Fähigkeit zum Separieren einer äußeren Kraft verbessert wird.
Das erste Eingabesignal und das zweite Eingabesignal können ebenfalls als Betriebsneustartsignal für den Roboter 1 dienen. Somit werden die Ermittlung des Menschen (Benutzers) und der Neustart des Roboters gleichzeitig durchgeführt, was ein Verringern der Last auf dem Benutzer ermöglicht. Die maschinelle Lernvorrichtung 3 oder die Steuervorrichtung 2 sowie der Benutzer (Mensch) können beispielsweise auf der Basis einer bestimmten Bedingung automatisch ermitteln, ob der Roboter normal oder fälschlich gestoppt wurde. Das heißt das zweite Eingabesignal kann unter Verwendung beispielsweise eines Bilderkennungsergebnisses von einer Kamera (nicht dargestellt) zur Bildgebung des Roboters, eines Signals von einem Näherungssensor (nicht dargestellt) u. Ä. erzeugt werden. Somit kann das Ermitteln des Menschen automatisiert werden.
Wie in 12 dargestellt werden beispielsweise Sensordaten, ein Betriebsbefehlswert, eine Position und Geschwindigkeit, eine Werkstücksart und ein Kraftberechnungswert in einem neuronalen Netz als eine Eingabe X eingegeben und es wird eine äußere Kraft von diesem als eine Ausgabe Y(5) ausgegeben. Das Online-Lernen wird unter der Bedingung durchgeführt, dass der korrekte Kennsatz Y(5)=N-α für die Eingabe X unmittelbar vor einem Stopp des Roboters eingestellt wird. N steht dabei für einen Schwellenwert und α steht für einen vom System ermittelten positiven Wert. Das heißt das Online-Lernen wird wie zuvor beschrieben unter der Bedingung durchgeführt, dass ein Ergebnis des Subtrahierens des bestimmten Werts α vom Schwellenwert N als der korrekte Kennsatz der äußeren Kraft ermittelt wird.
13 zeigt ein Blockdiagramm eines weiteren Modifikationsbeispiels des in 1 dargestellten Robotersystems. 14 zeigt eine Zeichnung zur Darstellung des Betriebs des Robotersystems von 13 nach einem Stopp des Roboters und zeigt eine Zeichnung des Online-Lernens eines neuronalen Netzes zu diesem Zeitpunkt.
Wie aus einem Vergleich von 13 und 1 hervorgeht, ist im Robotersystem gemäß diesem Modifikationsbeispiel ein Detektor eines dringenden Kraftmusters 36 in der maschinellen Lernvorrichtung 3 angeordnet. Wenn ein dringendes Kraftmuster erfasst wird, wird an der Servosteuerung 21 ein Signal des Erfassens eines dringenden Kraftmusters zum Stoppen des Roboters 1 auf eine dringende Weise eingegeben.
Wie in 14 dargestellt werden beispielsweise Sensordaten, ein Betriebsbefehlswert, eine Position und Geschwindigkeit, eine Werkstücksart und ein Kraftberechnungswert in einem neuronalen Netz als eine Eingabe X eingegeben und es wird eine äußere Kraft von diesem als eine Ausgabe Y(5) ausgegeben. Wenn ein dringendes Kraftmuster erfasst wird, wird ein Online-Lernen unter der Bedingung durchgeführt, dass der korrekte Kennsatz Y(5)=N+β für die Eingabe X unmittelbar vor einem Stopp des Roboters eingestellt wird. N steht dabei für einen Schwellenwert und β steht für einen vom System ermittelten positiven Wert. Das heißt das Online-Lernen wird unter der Bedingung durchgeführt, dass ein Ergebnis des Addierens des bestimmten Werts β zum Schwellenwert N als der korrekte Kennsatz der äußeren Kraft ermittelt wird.
Im in 13 und 14 dargestellten Robotersystem werden Kraftwellenformen von Reaktionen (starkes Ziehen des Roboters u. Ä.) eines Bedieners, wenn eine äußere Kraft nicht normal erfasst wird und der Roboter nicht unerwarteterweise stoppt, vorzugsweise in der maschinellen Lernvorrichtung 3 als charakteristische „dringende“ Kraftmuster gespeichert. Zum Erfassen der Muster kann ein arithmetischer Vorgang wie das Subtrahieren einer logischen inneren Kraft oder die Berechnung einer Frequenzkomponente durchgeführt werden. Ferner kann das Lernen vorab auf einer anderen Lerneinheit als die Lerneinheit zum Separieren einer äußeren Kraft von einer erfassten Kraft durchgeführt werden.
Wenn das „dringende“ Kraftmuster erfasst wird, kann davon ausgegangen werden, dass eine äußere Kraft nicht normal separiert wurde. Somit wird wie zuvor beschrieben ein Online-Lernen unter der Bedingung durchgeführt, dass ein korrekter Kennsatz einer äußeren Kraft am Schwellenwert + β (β ist ein vom System ermittelter positiver Wert) für Eingabedaten unmittelbar vor dem Erfassen des „dringenden“ Kraftmusters eingestellt. Durch das Durchführen des Online-Lernens, wenn die gleiche Situation im Robotersystem danach auftritt, kann der Schwellenwert zum Erfassen der äußeren Kraft die Möglichkeit zum Stoppen des Roboters, bevor das „dringende“ Kraftmuster eintritt, erhöhen.
Das heißt das Robotersystem 100 hat die Funktion zum Stoppen des Roboters 1, wenn eine separierte äußere Kraft (erste Kraftkomponente) einen bestimmten Schwellenwert überschreitet, und die Funktion zum Erfassen eines dringenden Kraftmusters, wenn ein Benutzer den Roboter 1 durch Ausüben einer äußeren Kraft stoppt. Wenn das dringende Kraftmuster erfasst wird, führt die Lerneinheit 31 ein Online-Lernen unter der Bedingung durch, dass Eingabedaten unmittelbar vor dem Erfassen des dringenden Kraftmusters und des korrekten Kennsatzes der äußeren Kraft, die auf einen bestimmten Wert höher als der Schwellenwert eingestellt ist, gepaart werden. Daher wird als eine Maßnahme in einem Fall, in dem der Roboter durch Anwendung einer äußeren Kraft aufgrund der fälschlichen Separierung der äußeren Kraft nicht gestoppt wird, die Funktion zum Erfassen des dringenden Kraftmusters bereitgestellt. Wenn das dringende Kraftmuster erfasst wird, wird ein überwachtes Online-Lernen durchgeführt, um die Fähigkeit zum Separieren einer äußeren Kraft zu verbessern.
Beispielsweise kann eine Mehrzahl von Robotern 1 vorhanden sein und jeder der Roboter 1 führt selbstständig ein Lernen durch. Die Roboter 1 können miteinander über ein Netzwerk (Kommunikationsleitungen) Lernergebnisse austauschen oder teilen, die selbstständig von den Roboter 1 erhalten werden.
15 und 16 zeigen Zeichnungen zur Darstellung eines Beispiels eines Verfahrens zum Erhalten eines korrekten Kennsatzes im Robotersystem gemäß der Ausführungsform der vorliegenden Erfindung. 15 zeigt ein Fließbild zur Darstellung eines Beispiels eines Verfahrens zum Erhalten eines korrekten Kennsatzes und 16 zeigt eine Zeichnung des Online-Lernens eines neuronalen Netzes zu diesem Zeitpunkt.
Wie in 15 dargestellt wird in Schritt ST11 eine Kraft gemessen und ein Protokoll wird in einem Zyklus eines Betriebsprogramms gespeichert. Der Betrieb fährt mit Schritt ST12 fort und Protokolle werden in einer Mehrzahl von Zyklen gespeichert. In Schritt ST13 wird eine Signalsynthese oder Signalverarbeitung durchgeführt. Eine innere Kraft umfassend Schwingungen des Roboters wird in Schritt St14 extrahiert und die innere Kraft wird als ein korrekter Kennsatz in Schritt ST15 verwendet.
Wie in 16 dargestellt werden beispielsweise Sensordaten, ein Betriebsbefehlswert, eine Position und Geschwindigkeit, eine Werkstücksart und ein Kraftberechnungswert in einem neuronalen Netz als eine Eingabe X eingegeben und es wird eine innere Kraft umfassend Schwingungen des Roboters von diesem als eine Ausgabe Y(5) ausgegeben. Das Online-Lernen wird unter der Bedingung durchgeführt, dass der Wert der in den Zyklen extrahierten inneren Kraft umfassend Schwingungen des Roboters als ein korrekter Kennsatz der Ausgabe Y(5) eingestellt wird.
Im in Bezug auf 15 und 16 beschriebenen Robotersystem ermöglichen beispielsweise das Protokollieren und Mitteln der Messergebnisse der Zyklen das Verringern der Effekte von Stopps durch eine äußere Kraft und des Effekts einer Störung. Da die auf diese Weise erhaltenen Daten einer inneren Kraft umfassend Schwingungen des Roboters als der korrekte Kennsatz eingestellt werden, kann das Online-Lernen an der inneren Kraft umfassend Schwingungen des Roboters durchgeführt werden. Wenn aber die Werkstücksart geändert wird oder der Schwerpunkt des Roboters aufgrund einer Änderung der Halteposition eines Werkstücks geändert wird, macht der Mittlungsvorgang keinen Sinn. Im Falle solch einer Änderung müssen die bis dahin erhaltenen korrekten Kennsätze verworfen werden und die Messergebnisse erneut in einer Mehrzahl von Zyklen protokolliert werden.
Das heißt der Roboter 1 speichert ein Protokoll einer vom Roboter 1 in einem Zyklus eines eingelernten Betriebsprogramms erfassten Kraft und speichert Protokolle der vom Roboter 1 in einer Mehrzahl von Zyklen erfassten Kraft. Eine Signalsynthese oder Signalverarbeitung wird auf die Protokolle der in den Zyklen erfassten Kraft zum Extrahieren einer im Betrieb des Roboters 1 auftretenden Kraftkomponente angewendet. Die im Betrieb des humankollaborativen Roboters auftretende extrahierte Kraftkomponente wird als ein korrekter Kennsatz eingestellt und es wird ein Online-Lernen auf der Lerneinheit 31 durchgeführt. Somit kann die Fähigkeit zum Separieren einer inneren Kraft umfassend Schwingungen des Roboters von einer vom Roboter erfassten Kraft verbessert und entsprechend die Genauigkeit im Separieren einer äußeren verbessert werden.
Das humankollaborative Robotersystem gemäß der vorliegenden Erfindung hat die Wirkung des Verbesserns der Genauigkeit im Erfassen einer äußeren Kraft.

Claims

Humankollaboratives Robotersystem (100) mit einer Funktion zum Erfassen einer Kraft umfassend: einen humankollaborativen Roboter (1) zum Durchführen eines Vorgangs in Zusammenarbeit mit einem Menschen; und eine Lerneinheit (31), in die Messdaten zum Berechnen der Kraft, interne Daten der Steuersoftware zum Steuern des humankollaborativen Roboters (1) und auf der Basis der Messdaten oder der internen Daten erhaltene Berechnungsdaten eingegeben werden, wobei die Lerneinheit (31) eine erste auf den humankollaborativen Roboter (1) von außen angewendete Kraftkomponente, eine im Betrieb des humankollaborativen Roboters (1) auftretende zweite Kraftkomponente und eine als Störung kategorisierte dritte Kraftkomponente ausgibt, wobei die Lerneinheit (31) zum Durchführen des Lernens überwachte Daten verwendet, in die Eingaben und vorab erhaltene korrekte Kennsätze in Paaren gesammelt werden, wobei die korrekten Kennsätze der überwachten Daten durch Ausüben einer Kraft auf den humankollaborativen Roboter (1) von außen, Betreiben des humankollaborativen Roboters (1) auf einer Mehrzahl von Wegen und Anwenden einer Störung auf den humankollaborativen Roboters (1) erhalten werden, und der Betrieb des humankollaborativen Roboters (1) auf der Basis der von der Lerneinheit (31) ausgegebenen ersten Kraftkomponente gesteuert wird.
Humankollaboratives Robotersystem nach Anspruch 1, wobei Kräfte mit verschiedenen Größen und verschiedenen Richtungen auf eine Mehrzahl von Abschnitten des in einer Mehrzahl von Haltungen gestoppten humankollaborativen Roboters (1) ausgeübt werden und die ausgeübten Kräfte und die Eingaben für die Lerneinheit (31) in Paaren als die überwachten Daten der ersten Kraftkomponente gesammelt werden.
Humankollaboratives Robotersystem nach Anspruch 1 oder 2, wobei auftretende Kraftkomponenten, wenn der humankollaborative Roboter (1) auf der Mehrzahl von Wegen betrieben wird, während eine Mehrzahl von Arten von Werkstücken gehalten wird, und die Eingaben für die Lerneinheit (31) in Paaren als die überwachten Daten der zweiten Kraftkomponente gesammelt werden.
Humankollaboratives Robotersystem nach einem der Ansprüche 1 bis 3, wobei eine Störungsquelle auf den in einer Mehrzahl von Haltungen gestoppten humankollaborativen Roboter (1) angewendet wird, und durch die Störungsquelle auftretende dritte Kraftkomponenten und die Eingaben für die Lerneinheit (31) in Paaren als die überwachten Daten der dritten Kraftkomponente gesammelt werden.
Humankollaboratives Robotersystem nach einem der Ansprüche 2 bis 4, wobei ein Modus zum Einlernen der ersten Kraftkomponente und/oder der zweiten Kraftkomponente vorbereitet wird.
Humankollaboratives Robotersystem nach einem der Ansprüche 2 bis 5, wobei der humankollaborative Roboter (1) umfasst: eine Funktion zum Wählen einer von der Lerneinheit (31) zu lernenden Modellgruppe aus Modellgruppen der gesammelten überwachten Daten; oder eine Funktion zum Empfehlen einer entsprechend einer Anwendung zu verwendenden Modellgruppe aus Modellgruppen einer aufgezeichneten Kraft.
Humankollaboratives Robotersystem nach einem der Ansprüche 1 bis 6, wobei die Lerneinheit (31) ein Online-Lernen durchführt, um ein Merkmal der erfassten Kraft zu extrahieren, und die erfasste Kraft in die erste Kraftkomponente, die zweite Kraftkomponente und die dritte Kraftkomponente auf der Basis des extrahierten Merkmals separiert.
Humankollaboratives Robotersystem nach einem der Ansprüche 1 bis 7, wobei der humankollaborative Roboter (1) in einen nicht kollaborativen Betriebsmodus gebracht wird, in dem kein Betriebsbereich mit dem Menschen geteilt wird, und im nicht kollaborativen Betriebsmodus die Lerneinheit (31) ein Online-Lernen unter der Bedingung durchführt, dass ein korrekter Kennsatz der ersten Kraftkomponente auf „0“ gesetzt ist.
Humankollaboratives Robotersystem nach einem der Ansprüche 1 bis 8, wobei der humankollaborative Roboter (1) eine Steuervorrichtung (2) mit einer Funktion zum Stoppen des humankollaborativen Roboters (1), wenn die separierte erste Kraftkomponente einen bestimmten Schwellenwert überschreitet, umfasst, und nach dem Stopp des humankollaborativen Roboters (1), wenn ein erstes Eingabesignal zur Angabe, dass der Stopp durch eine falsche Erfassung der ersten Kraftkomponente durch die Lerneinheit (31) verursacht wurde, eingegeben wird, die Lerneinheit (31) ein Online-Lernen unter Verwendung von Eingabedaten unmittelbar vor dem Stopp des humankollaborativen Roboters (1) und eines korrekten Kennsatzes einer äußeren Kraft mit einem Wert, der niedriger ist als der bestimmte Schwellenwert, in einem Paar durchführt.
Humankollaboratives Robotersystem nach Anspruch 9, wobei der humankollaborative Roboter (1) eine Steuervorrichtung (2) mit einer Funktion zum Stoppen des humankollaborativen Roboters (1), wenn die separierte erste Kraftkomponente einen bestimmten Schwellenwert überschreitet, umfasst, und nach dem Stopp des humankollaborativen Roboters (1), wenn ein zweites Eingabesignal zur Angabe, dass der Stopp durch eine normale Erfassung der ersten Kraftkomponente durch die Lerneinheit (31) verursacht wurde, eingegeben wird, ein Eingabesignal zu und ein Ausgabesignal von der Lerneinheit (31) unmittelbar vor dem Stopp des humankollaborativen Roboters (1) in einem Speicher als die überwachten Daten gespeichert werden, und die im Speicher gespeicherten überwachten Daten anschließend beim Online-Lernen verwendet werden.
Humankollaboratives Robotersystem nach Anspruch 10, wobei das erste Eingabesignal und das zweite Eingabesignal ebenfalls als Betriebsneustartsignale für den humankollaborativen Roboter (1) dienen.
Humankollaboratives Robotersystem nach Anspruch 10, wobei das zweite Eingabesignal vom Menschen oder durch Verwenden eines Bilderkennungsergebnisses von einer Kamera zur Bildgebung des humankollaborativen Roboters (1) oder eines Signals von einem Näherungssensor erzeugt wird.
Humankollaboratives Robotersystem nach einem der Ansprüche 1 bis 12, wobei das humankollaborative Robotersystem (100) eine Funktion zum Stoppen des humankollaborativen Roboters (1), wenn die separierte erste Kraftkomponente einen bestimmten Schwellenwert überschreitet, und eine Funktion zum Erfassen eines dringenden Kraftmusters, wenn der Mensch den humankollaborativen Roboters (1) durch Ausüben einer äußeren Kraft stoppt, umfasst, wenn das dringende Kraftmuster erfasst wird, die Lerneinheit (31) ein Online-Lernen unter Verwenden von Eingabedaten unmittelbar vor dem Erfassen des dringenden Kraftmusters und eines korrekten Kennsatzes einer äußeren Kraft mit einem Wert höher als der bestimmte Schwellenwert in einem Paar durchführt.
Humankollaboratives Robotersystem nach einem der Ansprüche 1 bis 13, ferner umfassend: eine Mehrzahl von humankollaborativen Robotern (1), wobei jeder der humankollaborativen Roboter (1) ein Lernen auf eine selbstständige Weise durchführt, und die humankollaborativen Roboter (1) miteinander eine Mehrzahl von Ergebnissen von selbstständig durchgeführtem Lernen durch jeden der humankollaborativen Roboter (1) durch ein Netzwerk austauschen oder teilen.
Humankollaboratives Robotersystem nach einem der Ansprüche 1 bis 14, wobei die erste Kraftkomponente eine vom Menschen auf den humankollaborativen Roboter (1) ausgeübte äußere Kraft ist; die zweite Kraftkomponente eine im Betrieb des humankollaborativen Roboters (1) erzeugte innere Kraft ist; und die dritte Kraftkomponente eine auf den humankollaborativen Roboter (1) einwirkende Störung ist, oder der humankollaborative Roboter (1) durchführt: das Speichern eines Protokolls einer vom humankollaborativen Roboter (1) in einem Zyklus eines eingelernten Betriebsprogramms erfassten Kraft; das Speichern von Protokollen der in einer Vielzahl von Zyklen erfassten Kraft; das Anwenden einer Signalsynthese oder Signalverarbeitung auf die Protokolle der in den Zyklen erfassten Kraft zum Extrahieren einer im Betrieb des Roboters auftretenden Kraftkomponente; und das Durchführen eines Online-Lernens durch die Lerneinheit (31) unter Verwenden der extrahierten im Betrieb des humankollaborativen Roboters (1) auftretenden Kraftkomponente als ein korrekter Kennsatz.