JP2021135566A - 推奨動作パラメーター決定方法、およびロボットシステム - Google Patents
推奨動作パラメーター決定方法、およびロボットシステム Download PDFInfo
- Publication number
- JP2021135566A JP2021135566A JP2020029121A JP2020029121A JP2021135566A JP 2021135566 A JP2021135566 A JP 2021135566A JP 2020029121 A JP2020029121 A JP 2020029121A JP 2020029121 A JP2020029121 A JP 2020029121A JP 2021135566 A JP2021135566 A JP 2021135566A
- Authority
- JP
- Japan
- Prior art keywords
- recommended
- arm
- parameter
- case data
- input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000001133 acceleration Effects 0.000 claims description 9
- 230000001419 dependent effect Effects 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 44
- 230000010365 information processing Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000003066 decision tree Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 239000012636 effector Substances 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000013107 unsupervised machine learning method Methods 0.000 description 1
Images
Landscapes
- Numerical Control (AREA)
- Manipulator (AREA)
Abstract
Description
1.1.ロボットシステムの構成
実施形態1に係るロボットシステムの概略構成について、図1と図2を用いて説明する。
なお、ロボット50のマニピュレーターの数に決まりはなく、例えば6つのマニピュレーターを備える垂直多関節ロボットであってもよい。
以下では、アーム55を動作させる際の推奨動作パラメーターを決定する推奨動作パラメーター決定方法について説明する。
ステップS100において、第1入力部11は、ユーザーからの第1動作情報の入力を受け付け、処理部14は、入力された第1動作情報を記憶部13に記憶する。
なお、第1動作情報の入力は、図4のようなGUI以外の方法で受け付けてもよい。例えば、記憶部13等に記憶させたデータファイルを読み込んで受け付けてもよいし、外部の情報処理装置からの通信データとして受け付けてもよい。
類似度は、直感的にはアーム55の2つの動作が似ているほど高い値をとる指標であり、例えばアーム55の動作の始点および終点と、アーム55の先端にかかる重量とを並べたベクトル同士の差分のノルムの逆数を用いることができる。
図5において、第2動作情報と第1動作情報との類似度が所定値以上であるということは、この動作情報の空間内での距離が所定値以下ということ、例えば、第1動作情報を中心として所定の半径を有する円C0内に含まれるということを意味し、そのような第2動作情報を有する事例データが候補事例データとなる。
先の例で第1性能パラメーターが「タクトタイムが1.0秒未満」であった場合、候補事例データの中にあるタクトタイムが1.0秒未満の第2性能パラメーターを有する事例データが類似事例データとして抽出される。この例では、オーバーシュート量やアーム55を構成する部品の寿命については不問である。
類似事例データがk個未満の場合、処理部14は、ステップS152において出力部16を介して表示装置30にメッセージを表示して、類似事例データが不足している旨をユーザーに通知し、ステップS130に戻る。ユーザーは、第1性能パラメーターを再検討した上で、第1性能パラメーターの入力を行う。
このようなGUIを用いれば、ユーザーは、第1動作情報と第1性能パラメーターを同時に入力でき、より簡便に推奨動作パラメーターを得ることができる。
本実施形態のロボットシステム1は、事例記憶装置20に格納されている複数の事例データが予めクラスタリングされて推奨動作パラメーターの決定に用いられる点で、実施形態1と異なっている。それ以外の構成は実施形態1と同様であるため、詳しい説明を省略する。
図8に示すように、ステップS200において、処理部14は、事例記憶装置20に格納されている複数の事例データを、第2動作情報および第2性能パラメーターの相互の類似度である相互類似度に基づいて、予めクラスタリングし、複数のクラスに分類しておく。ここで、クラスタリングには、k−means法やx−means法、EMアルゴリズムを初めとする各種教師なし機械学習手法を用いることができる。また、事例記憶装置20がEthernetケーブルや無線LAN等で接続される外部コンピューターに接続されている場合、その外部コンピューターが、処理部14に代わってクラスタリングしておいてもよい。
ステップS220では、実施形態1のステップS130と同様に、第2入力部12が、ユーザーからの第1性能パラメーターの入力を受け付け、処理部14が、入力された第1性能パラメーターを記憶部13に記憶する。
図9の例では、ユーザーが入力した第1動作情報および第1性能パラメーターは、丸のマークで表されており、類似度が最も高いクラスC3に分類される。
類似度が所定値未満であった場合、処理部14は、ステップS242において出力部16を介して表示装置30に警告メッセージを表示し、十分類似するクラスが存在しない旨をユーザーに通知し、ステップS220に戻る。ユーザーは、第1性能パラメーターを再検討した上で、第1性能パラメーターの入力を行う。
その後、ステップS260において、実施形態1のステップS170と同様、処理部14は、出力部16を介して表示装置30やロボット制御装置40に推奨動作パラメーターを出力する。
ユーザーは、表示される信頼度を、推奨動作パラメーターをそのまま採用するか更に微調整するかといった判断に用いることができる。
本実施形態のロボットシステム1は、決定した推奨動作パラメーターとともに、推奨動作パラメーターの調整範囲を出力する。それ以外の構成は実施形態1と同様であるため、詳しい説明を省略する。
図10に示すように、処理部14は、実施形態1と同様のステップS100〜S160を行って推奨動作パラメーターを決定する。その後、ステップS300において、処理部14は、第1性能パラメーターを満たすことが可能な、推奨動作パラメーターの調整範囲を推定する。具体的には、処理部14は、ステップS140で抽出した類似事例データ、すなわち第1性能パラメーターに関する条件を満たす事例データの少なくとも1つを推奨事例データとして選び、その他の候補事例データ、すなわち第1性能パラメーターに関する条件を満たさない事例データの少なくとも1つを非推奨事例データとして選ぶ。そして、処理部14は、推奨事例データと非推奨事例データを分割するような動作パラメーターの境界条件を決定し、この境界条件に基づいて、推奨動作パラメーターの調整範囲を推定する。このとき、推奨事例データと非推奨事例データはそれぞれ少なくとも1つの事例データを含めばよいが、実用的な境界条件を決定するためにはより多くの事例データを含むことが望ましい。境界条件の決定には、例えば機械学習手法のひとつである決定木を用いることができる。
境界条件を決定することで、実際にロボット50で動作させずとも、ユーザーが入力した第1性能パラメーターを満たす調整範囲を推定することができる。図11の例では、調整範囲は四角で表される範囲である。
また、実施形態2のステップS250で推奨動作パラメーターを決定した後で、ステップS300以降を実施してもよい。
本実施形態のロボットシステム1は、第1動作情報の入力を複数受け付けて、複数の推奨動作パラメーターとそれらを補間する補間動作パラメーターも提示する点で、実施形態1と異なっている。それ以外の構成は実施形態1と同様であるため、詳しい説明を省略する。
図14に示すように、第1入力部11は、ステップS400において、アーム55の動作に関する第1動作情報の入力を複数受け付ける。複数の第1動作情報を入力すべきケースは、ユーザーが所望するアーム55の動作に中間地点が存在するような場合にしばしば現われる。動作パラメーターの変更にはROMの更新等の時間を要する処理が必要であるため、それぞれの第1動作情報に合わせて都度動作パラメーターを変更するのではなく、それらの要求性能を同時に満たすような動作パラメーターを利用することが望ましい。
なお、第1動作情報の入力が3つ以上の場合にも、同様に重み付き平均で補間動作パラメーターを算出可能である。
推奨動作パラメーターの選択の組み合わせは、ユーザーから受け付けた第1動作情報および第1性能パラメーターの数をnとすると、kのn乗通りとなり、kやnが大きいと膨大になり得る。この中から、補間動作パラメーターを算出する組み合わせを決定する方法としては、乱数を用いてランダムに決定する方法を用いることができる。あるいは、動作パラメーター空間での分散や凸包が最小になる組み合わせを試行錯誤的に探索して決定してもよい。この探索には、遺伝的アルゴリズム等の各種組み合わせ最適化手法を用いることができる。
アーム55の動作に関する動作情報と動作パラメーターを入力とし、その際の性能パラメーターを推定する回帰モデルを構築することで、推奨動作パラメーターを算出してもよい。この回帰モデルは、事例記憶装置20に格納された複数の事例データを用いて学習させることができる。学習済みの回帰モデルに対して、ユーザーが入力した第1動作情報と、乱数で生成する様々な動作パラメーターとを試行錯誤的に入力することで、ユーザーが入力した第1性能パラメーターを満たす動作パラメーターを探索することができる。
回帰モデルとしては、ガウス過程回帰やニューラルネットワーク等の各種機械学習モデルを用いることができる。
この実施方法によれば、ユーザーの要求性能を満たすような動作パラメーターを、実際のロボット50を動作させることなく容易に得ることができる。
Claims (9)
- アームを備えたロボットを含むロボットシステムの、前記アームを動作させる際の推奨動作パラメーターを決定する推奨動作パラメーター決定方法であって、
前記アームの動作に関する第1動作情報と、タクトタイム、オーバーシュート量、および前記アームを構成する部品の寿命のうちのいずれかを含む第1性能パラメーターと、に基づいて、前記推奨動作パラメーターを決定することを特徴とする推奨動作パラメーター決定方法。 - 前記推奨動作パラメーターは、前記アームの速度または加速度に関するパラメーターである、
請求項1に記載の推奨動作パラメーター決定方法。 - 前記第1動作情報は、前記アームの動作の始点および終点、前記アームの移動量、前記アームの先端にかかる重量のうちのいずれかを含む、
請求項1又は2に記載の推奨動作パラメーター決定方法。 - 前記アームの動作に関する第2動作情報と、前記タクトタイム、前記オーバーシュート量、および前記アームを構成する部品の寿命のうちのいずれかを含む第2性能パラメーターと、前記アームの動作の基準となる動作パラメーターとが対応付けられた複数の事例データが予め記憶されており、
記憶されている前記第2動作情報および前記第2性能パラメーターと、入力された前記第1動作情報および前記第1性能パラメーターとに基づいて、前記複数の事例データの中から類似事例データを抽出し、
抽出した前記類似事例データの動作パラメーターに基づいて前記推奨動作パラメーターを決定する、
請求項1〜3のいずれか一項に記載の推奨動作パラメーター決定方法。 - 記憶されている前記複数の事例データのうち、前記第1動作情報との類似度が所定値以上である前記第2動作情報を有する事例データの数が所定数未満の場合に報知する、
請求項4に記載の推奨動作パラメーター決定方法。 - 記憶されている前記複数の事例データを、前記第2動作情報および前記第2性能パラメーターの相互の類似度である相互類似度に基づいて、複数のクラスに分類し、
前記複数のクラスの中から、入力された前記第1動作情報および前記第1性能パラメーターとの類似度が所定値以上であるクラスを選択し、
前記選択したクラスに属する事例データの動作パラメーターに基づいて、前記推奨動作パラメーターを決定する、
請求項4又は5に記載の推奨動作パラメーター決定方法。 - 前記選択したクラスに属する事例データの前記第2動作情報および前記第2性能パラメーターと、入力された前記第1動作情報および前記第1性能パラメーターとに基づいて、前記推奨動作パラメーターの信頼度を算出する、
請求項6に記載の推奨動作パラメーター決定方法。 - 記憶されている前記複数の事例データの中から、入力された前記第1性能パラメーターに関する条件を満たす少なくとも1つの推奨事例データと、入力された前記第1性能パラメーターに関する条件を満たさない少なくとも1つの非推奨事例データとを選び、
前記推奨事例データと、前記非推奨事例データとに基づいて、前記推奨動作パラメーターの調整範囲を推定して表示する、
請求項4〜7のいずれか一項に記載の推奨動作パラメーター決定方法。 - アームを有するロボットと、
前記ロボットと接続され、前記ロボットの動作を制御するロボットコントローラーと、
前記ロボットコントローラーと接続される推奨動作パラメーター決定装置と、を備えたロボットシステムであって、
前記推奨動作パラメーター決定装置は、
前記アームの動作に関する第1動作情報の入力を受け付ける第1入力部と、
タクトタイム、オーバーシュート量、および前記アームを構成する部品の寿命のうちのいずれかを含む第1性能パラメーターの入力を受け付ける第2入力部と、を有し、
入力された前記第1動作情報および前記第1性能パラメーターに基づいて、推奨動作パラメーターを決定することを特徴とするロボットシステム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020029121A JP2021135566A (ja) | 2020-02-25 | 2020-02-25 | 推奨動作パラメーター決定方法、およびロボットシステム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020029121A JP2021135566A (ja) | 2020-02-25 | 2020-02-25 | 推奨動作パラメーター決定方法、およびロボットシステム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021135566A true JP2021135566A (ja) | 2021-09-13 |
Family
ID=77661212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020029121A Withdrawn JP2021135566A (ja) | 2020-02-25 | 2020-02-25 | 推奨動作パラメーター決定方法、およびロボットシステム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2021135566A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024047859A1 (ja) * | 2022-09-02 | 2024-03-07 | 三菱電機株式会社 | 異常検知装置、異常検知方法、および、異常検知プログラム |
-
2020
- 2020-02-25 JP JP2020029121A patent/JP2021135566A/ja not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024047859A1 (ja) * | 2022-09-02 | 2024-03-07 | 三菱電機株式会社 | 異常検知装置、異常検知方法、および、異常検知プログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4155363B2 (ja) | データ表示装置、データ表示方法、およびデータ表示用プログラムを記録した記録媒体 | |
Bhattacharya et al. | Integrating AHP with QFD for robot selection under requirement perspective | |
US9886669B2 (en) | Interactive visualization of machine-learning performance | |
JP6583537B2 (ja) | 動作情報生成装置 | |
JP7085513B2 (ja) | 情報処理装置、情報処理方法、及びコンピュータプログラム | |
US7159208B2 (en) | Programming toolkit for use in the development of knowledge enhanced electronic logic programs | |
US11762679B2 (en) | Information processing device, information processing method, and non-transitory computer-readable storage medium | |
JP2020027370A (ja) | 最適化装置、シミュレーションシステム及び最適化方法 | |
JP2019159767A (ja) | 演算装置、演算方法、及びそのプログラム | |
JP7330712B2 (ja) | 材料特性予測装置および材料特性予測方法 | |
US20220335293A1 (en) | Method of optimizing neural network model that is pre-trained, method of providing a graphical user interface related to optimizing neural network model, and neural network model processing system performing the same | |
WO2021195970A1 (zh) | 工业***的预测模型学习方法、装置和*** | |
JP7232122B2 (ja) | 物性予測装置及び物性予測方法 | |
US20230081119A1 (en) | Automated Robotic Tool Selection | |
JP2021135566A (ja) | 推奨動作パラメーター決定方法、およびロボットシステム | |
JP2019155554A (ja) | ロボットの制御装置 | |
JP6933217B2 (ja) | テーブル意味推定システム、方法およびプログラム | |
Torkul et al. | Smart seru production system for Industry 4.0: a conceptual model based on deep learning for real-time monitoring and controlling | |
JP2011253477A (ja) | 設計支援装置及び設計支援方法 | |
JP6995717B2 (ja) | 施策探索装置、方法およびプログラム | |
JP7005463B2 (ja) | 学習装置、学習方法及びプログラム | |
Stern et al. | Optimal hand gesture vocabulary design using psycho-physiological and technical factors | |
EP4383157A1 (en) | Layout analysis device and layout analysis method | |
JP7450517B2 (ja) | 加工面判定装置、加工面判定プログラム、加工面判定方法、及び、加工システム | |
Packham et al. | Visualisation methods for supporting the exploration of high dimensional problem spaces in engineering design |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD07 | Notification of extinguishment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7427 Effective date: 20200827 |
|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20210922 |
|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20211104 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221208 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231228 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240109 |
|
A761 | Written withdrawal of application |
Free format text: JAPANESE INTERMEDIATE CODE: A761 Effective date: 20240311 |