JP3362379B2 - 力制御装置における力の検出方法 - Google Patents
力制御装置における力の検出方法Info
- Publication number
- JP3362379B2 JP3362379B2 JP11315794A JP11315794A JP3362379B2 JP 3362379 B2 JP3362379 B2 JP 3362379B2 JP 11315794 A JP11315794 A JP 11315794A JP 11315794 A JP11315794 A JP 11315794A JP 3362379 B2 JP3362379 B2 JP 3362379B2
- Authority
- JP
- Japan
- Prior art keywords
- force
- control device
- force control
- learning
- disturbance
- 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.)
- Expired - Fee Related
Links
Landscapes
- Manipulator (AREA)
- Feedback Control In General (AREA)
- Control Of Position Or Direction (AREA)
Description
【0001】
【産業上の利用分野】本発明は、組立・加工作業や仮想
現実における力の発生等に用いるロボット等の力制御装
置において、力制御装置に支持された部材や加工工具等
若しくは直接力制御装置に加わる力の検出方法に関する
ものである。
現実における力の発生等に用いるロボット等の力制御装
置において、力制御装置に支持された部材や加工工具等
若しくは直接力制御装置に加わる力の検出方法に関する
ものである。
【0002】
【従来の技術】力制御装置を用いてワークを加工する場
合、加工工具でワークに所望の力を作用させながら加工
していくが、該力を制御するためには、ワークに加わる
力を正確に検出しなければならない。この力の検出方法
として例えば力センサが使われるが、この力センサの力
検出値には、力センサにかかる重力成分の装置の姿勢に
よる変化、装置の動作に伴う慣性力といった加工力以外
の外乱が含まれ、精度の良い加工力検出を行なうことが
できない問題がある。この問題を解決するために提案さ
れたものとしては特開平4−148307号に開示され
ている方法がある。この特開平4−148307号に見
られる方法を要約すれば次の通りである。
合、加工工具でワークに所望の力を作用させながら加工
していくが、該力を制御するためには、ワークに加わる
力を正確に検出しなければならない。この力の検出方法
として例えば力センサが使われるが、この力センサの力
検出値には、力センサにかかる重力成分の装置の姿勢に
よる変化、装置の動作に伴う慣性力といった加工力以外
の外乱が含まれ、精度の良い加工力検出を行なうことが
できない問題がある。この問題を解決するために提案さ
れたものとしては特開平4−148307号に開示され
ている方法がある。この特開平4−148307号に見
られる方法を要約すれば次の通りである。
【0003】即ち、設定された教示データを加工作業無
しで実作業の前に実行し、加工力以外の力である力セン
サの検出値を較正値として順次メモリに記憶保存する。
そして実際の加工作業時には力センサの検出値からメ
モリに記憶した同期対応する較正値を差し引き、正味の
加工力を演算して求めるのである。
しで実作業の前に実行し、加工力以外の力である力セン
サの検出値を較正値として順次メモリに記憶保存する。
そして実際の加工作業時には力センサの検出値からメ
モリに記憶した同期対応する較正値を差し引き、正味の
加工力を演算して求めるのである。
【0004】
【発明が解決しようとする課題】しかし、上記の力の検
出方法は、装置が予め作成した教示データに従って動作
する場合に有効な方法であり、例えば、仮想現実におい
てオペレータに力感覚を付与するといった場合など、予
めその動作が設定されていない場合には対応できない。
出方法は、装置が予め作成した教示データに従って動作
する場合に有効な方法であり、例えば、仮想現実におい
てオペレータに力感覚を付与するといった場合など、予
めその動作が設定されていない場合には対応できない。
【0005】本発明は上述の問題点に鑑みて為されたも
のであり、その目的とするところは力制御を行なう力制
御装置において、外力を精度良く検出する力制御装置に
おける力の検出方法を提供するにある。
のであり、その目的とするところは力制御を行なう力制
御装置において、外力を精度良く検出する力制御装置に
おける力の検出方法を提供するにある。
【0006】
【課題を解決するための手段】上記目的を達成するため
に請求項1の発明では、実作業を行なわない無負荷状態
で、力制御装置が実作業で行なう可能性のある動作を力
制御装置に指令し、前記指令による動作に伴う力を検出
する力検出手段を用いる外乱検出段階と、ニューロンを
配置した多層パーセプロトンを利用し、学習則としてバ
ックプロパゲーションが用いられるニューラルネットに
より構成された学習機構により行われる、少なくとも前
記指令により力制御装置が動作した時に得た動作情報を
学習入力データとし、前記力検出手段の力検出値を教師
信号として外乱を推定するように学習し、力検出値と外
乱推定値とが一致したと判定されると、このときの各ニ
ューロン間の結合強度を記憶するとともに外乱推定値を
出力する段階と、 この段階の後、負荷状態で力制御装置
が作業を行なう際に、前記力検出手段から出力される外
力を含む該検出値から、前記学習機構から出力される前
記外乱推定値を差し引くことにより、正味の外力を推定
して外力を検出する段階とから成ることを特徴とする。
に請求項1の発明では、実作業を行なわない無負荷状態
で、力制御装置が実作業で行なう可能性のある動作を力
制御装置に指令し、前記指令による動作に伴う力を検出
する力検出手段を用いる外乱検出段階と、ニューロンを
配置した多層パーセプロトンを利用し、学習則としてバ
ックプロパゲーションが用いられるニューラルネットに
より構成された学習機構により行われる、少なくとも前
記指令により力制御装置が動作した時に得た動作情報を
学習入力データとし、前記力検出手段の力検出値を教師
信号として外乱を推定するように学習し、力検出値と外
乱推定値とが一致したと判定されると、このときの各ニ
ューロン間の結合強度を記憶するとともに外乱推定値を
出力する段階と、 この段階の後、負荷状態で力制御装置
が作業を行なう際に、前記力検出手段から出力される外
力を含む該検出値から、前記学習機構から出力される前
記外乱推定値を差し引くことにより、正味の外力を推定
して外力を検出する段階とから成ることを特徴とする。
【0007】請求項2の発明では、請求項1記載の発明
において、前記力検出手段として力制御装置のアクチュ
エータが受ける力を直接検出する力センサを用いたこと
を特徴とする。請求項3の発明では、前記外乱検出段階
の力検出手段として外乱オブザーバを用いたことを特徴
とする。
において、前記力検出手段として力制御装置のアクチュ
エータが受ける力を直接検出する力センサを用いたこと
を特徴とする。請求項3の発明では、前記外乱検出段階
の力検出手段として外乱オブザーバを用いたことを特徴
とする。
【0008】請求項4の発明では、前記動作情報が位置
情報であることを特徴とする。請求項5の発明では、前
記動作情報が位置情報と速度情報とであることを特徴と
する。請求項6の発明では、前記動作情報が位置情報と
速度情報と加速度情報とであることを特徴とする。
情報であることを特徴とする。請求項5の発明では、前
記動作情報が位置情報と速度情報とであることを特徴と
する。請求項6の発明では、前記動作情報が位置情報と
速度情報と加速度情報とであることを特徴とする。
【0009】請求項7の発明では、学習段階の学習入力
データとして操作量を加えたことを特徴とする。
データとして操作量を加えたことを特徴とする。
【0010】
【作用】請求項1の発明によれば、負荷状態で力制御装
置が作業を行なう場合に、力検出手段により得た力の検
出値から外乱推定値を差し引くことにより、正味の外力
を推定して外力を検出するので、正味の外力を高精度に
検出でき、この検出結果によって組立、加工、力感覚の
付与といった様々な力制御の精度の向上に著しく寄与す
ることができる。また学習段階の外乱を推定する学習機
構としてニューラルネットワークを用いたので、非線形
特性の学習が可能で、学習結果は汎化能力を持つことに
なる。
置が作業を行なう場合に、力検出手段により得た力の検
出値から外乱推定値を差し引くことにより、正味の外力
を推定して外力を検出するので、正味の外力を高精度に
検出でき、この検出結果によって組立、加工、力感覚の
付与といった様々な力制御の精度の向上に著しく寄与す
ることができる。また学習段階の外乱を推定する学習機
構としてニューラルネットワークを用いたので、非線形
特性の学習が可能で、学習結果は汎化能力を持つことに
なる。
【0011】請求項2の発明によれば、請求項1の発明
において、前記外乱検出段階の力検出手段としてロボッ
トが受ける力を直接検出する力センサを用いたので、直
接力が検出でき、そのため座標変換するだけで制御に利
用できる。
において、前記外乱検出段階の力検出手段としてロボッ
トが受ける力を直接検出する力センサを用いたので、直
接力が検出でき、そのため座標変換するだけで制御に利
用できる。
【0012】請求項3の発明によれば、請求項1の発明
において、前記外乱検出段階の力検出手段として外乱オ
ブザーバを用いたので、力センサを用いることによる影
響が問題となる場合に利用できる。請求項4の発明によ
れば、請求項1の発明において、前記動作情報が位置情
報であるので、力制御装置の姿勢により外乱の要因が生
じることが多くても、能力の高い学習機構が得られ、ま
た速度や、加速度が動作情報として利用できない場合で
も、位置情報を基に時系列を考慮することができる。
において、前記外乱検出段階の力検出手段として外乱オ
ブザーバを用いたので、力センサを用いることによる影
響が問題となる場合に利用できる。請求項4の発明によ
れば、請求項1の発明において、前記動作情報が位置情
報であるので、力制御装置の姿勢により外乱の要因が生
じることが多くても、能力の高い学習機構が得られ、ま
た速度や、加速度が動作情報として利用できない場合で
も、位置情報を基に時系列を考慮することができる。
【0013】請求項5の発明によれば、請求項1の発明
において、前記動作情報が位置情報と速度情報とである
ので、例えば粘性摩擦が生じる場合のような力制御装置
の速度が外乱の要因となる場合があっても、能力の高い
学習機構が得られる。請求項6の発明によれば、請求項
1の発明において、前記動作情報が位置情報と速度情報
と加速度情報とであるから、例えば慣性力が生じる場合
のような力制御装置の加速度の外乱の要因となる場合で
あっても、能力の高い学習機構が得られる。
において、前記動作情報が位置情報と速度情報とである
ので、例えば粘性摩擦が生じる場合のような力制御装置
の速度が外乱の要因となる場合があっても、能力の高い
学習機構が得られる。請求項6の発明によれば、請求項
1の発明において、前記動作情報が位置情報と速度情報
と加速度情報とであるから、例えば慣性力が生じる場合
のような力制御装置の加速度の外乱の要因となる場合で
あっても、能力の高い学習機構が得られる。
【0014】請求項7の発明によれば、請求項1の発明
において、学習段階の学習入力データとして操作量を加
えたから、操作により生じる外乱を考慮することがで
き、また力の検出手段として外乱オブザーバを用いる場
合には、外乱オブバーザの入力の一つが操作量であるた
め、操作量を学習時の入力とすることにより能力の高い
学習機構が得られる。
において、学習段階の学習入力データとして操作量を加
えたから、操作により生じる外乱を考慮することがで
き、また力の検出手段として外乱オブザーバを用いる場
合には、外乱オブバーザの入力の一つが操作量であるた
め、操作量を学習時の入力とすることにより能力の高い
学習機構が得られる。
【0015】
(実施例1)本実施例は本発明方法の基本的な実施例で
あって、図1、図2に示すようにアクチュエータ1と指
令値に基づいてアクチュエータ1を駆動するための操作
量(図示例では電流)を演算して与え、アクチュエータ
1を動作させるサーボ補償器2とからなる力制御装置に
用いたもので、その手順は図3のフローチャートにより
構成される。
あって、図1、図2に示すようにアクチュエータ1と指
令値に基づいてアクチュエータ1を駆動するための操作
量(図示例では電流)を演算して与え、アクチュエータ
1を動作させるサーボ補償器2とからなる力制御装置に
用いたもので、その手順は図3のフローチャートにより
構成される。
【0016】先ず図3の制御手順によれば学習済である
のかどうかを判定して、学習済で無ければ、実作業を行
なわない無負荷状態で、力制御装置が実作業で行なう可
能性のある動作を力制御装置に指令し、前記指令による
動作に伴う力検出手段を用いる外乱検出段階に入る。こ
の場合を図1に示す具体例により説明すると、まず実作
業を行なわない無負荷状態で、力制御装置が実作業で行
なう可能性のある動作を示す指令値に基づいてアクチュ
エータ1が動作されて作業が開始されると、アクチュエ
ータ1により駆動される駆動部に支持された部材若しく
は加工工具に加わる力を力検出機構(力センサ、外乱オ
ブザーバ等により構成される)3により検出する。
のかどうかを判定して、学習済で無ければ、実作業を行
なわない無負荷状態で、力制御装置が実作業で行なう可
能性のある動作を力制御装置に指令し、前記指令による
動作に伴う力検出手段を用いる外乱検出段階に入る。こ
の場合を図1に示す具体例により説明すると、まず実作
業を行なわない無負荷状態で、力制御装置が実作業で行
なう可能性のある動作を示す指令値に基づいてアクチュ
エータ1が動作されて作業が開始されると、アクチュエ
ータ1により駆動される駆動部に支持された部材若しく
は加工工具に加わる力を力検出機構(力センサ、外乱オ
ブザーバ等により構成される)3により検出する。
【0017】一方アクチュエータ1の動作により得る動
作情報を学習入力データとして取り込むとともに、対応
する力検出機構3の出力、つまり力(外乱)の検出値を
教師信号として学習する学習機構4を設け、この学習機
構4によって学習段階が実行される。学習機構4は、例
えば図4に示すようにニューロンを配置した多層パーセ
プロトンを利用したニューラルネットにより構成され、
学習則としてバックプロバゲーションが用いられる。こ
の学習則によるとニューラルネットワーク出力と教師信
号との誤差を最小化するようにニューロン問の結合強度
wを調整することができるようになっている。各ニュー
ロンにおける入力xi、出力yの関係を図5(a)に示
す。出力yは、入力xi、結合強度wiと図5(b)に
示されるようなシグモイド関数f(y=f(w1 x1 +
w2 x2 +…+wm xm ))等を用いて得られる値であ
る。
作情報を学習入力データとして取り込むとともに、対応
する力検出機構3の出力、つまり力(外乱)の検出値を
教師信号として学習する学習機構4を設け、この学習機
構4によって学習段階が実行される。学習機構4は、例
えば図4に示すようにニューロンを配置した多層パーセ
プロトンを利用したニューラルネットにより構成され、
学習則としてバックプロバゲーションが用いられる。こ
の学習則によるとニューラルネットワーク出力と教師信
号との誤差を最小化するようにニューロン問の結合強度
wを調整することができるようになっている。各ニュー
ロンにおける入力xi、出力yの関係を図5(a)に示
す。出力yは、入力xi、結合強度wiと図5(b)に
示されるようなシグモイド関数f(y=f(w1 x1 +
w2 x2 +…+wm xm ))等を用いて得られる値であ
る。
【0018】上述の学習入力データとしての動作情報に
は力検出機構3の出力、即ち外乱の発生に影響を与えて
いるものを選ぶ。但し、ニューラルネット自体が位置情
報から速度情報を生成するといったような場合や、学習
入力をシフトさせることにより時系列を考慮した図6の
様な場合には、動作情報を減らすことができる。ニュー
ラルネットワークの構成も学習に適した層数、ニューロ
ン数を選ぶ。
は力検出機構3の出力、即ち外乱の発生に影響を与えて
いるものを選ぶ。但し、ニューラルネット自体が位置情
報から速度情報を生成するといったような場合や、学習
入力をシフトさせることにより時系列を考慮した図6の
様な場合には、動作情報を減らすことができる。ニュー
ラルネットワークの構成も学習に適した層数、ニューロ
ン数を選ぶ。
【0019】そして学習段階では学習機構4は動作情報
を学習入力データとして入力し、且つ力(外乱)の検出
値を教師信号とすることにより、ニューラルネットワー
クが外乱を推定するように学習し、更に次の段階で学習
機構4は力(外乱)検出値と外乱推定値とが一致するか
どうかの判定を行ない、力(外乱)検出値と外乱推定値
とが一致したと判定すると、この結果から外力以外の外
乱推定値を出力するようになり、このときの各ニューロ
ン間の結合強度を記憶する。
を学習入力データとして入力し、且つ力(外乱)の検出
値を教師信号とすることにより、ニューラルネットワー
クが外乱を推定するように学習し、更に次の段階で学習
機構4は力(外乱)検出値と外乱推定値とが一致するか
どうかの判定を行ない、力(外乱)検出値と外乱推定値
とが一致したと判定すると、この結果から外力以外の外
乱推定値を出力するようになり、このときの各ニューロ
ン間の結合強度を記憶する。
【0020】次の実作業、つまり力制御装置が力制御作
業を行なう段階では、図2に示すようにサーボ補償器2
にアクチュエータ1を動作させるための指令値を与え、
サーボ補償器2から出力される操作量(例えば電流値)
によりアクチュエータ1を動作させる。この段階では学
習機構4には記憶してある学習結果が読み込まれてい
る。又アクチュエータ1の動作に伴って力検出機構3か
らは外力をふくむ外乱検出値Fgが出力される。
業を行なう段階では、図2に示すようにサーボ補償器2
にアクチュエータ1を動作させるための指令値を与え、
サーボ補償器2から出力される操作量(例えば電流値)
によりアクチュエータ1を動作させる。この段階では学
習機構4には記憶してある学習結果が読み込まれてい
る。又アクチュエータ1の動作に伴って力検出機構3か
らは外力をふくむ外乱検出値Fgが出力される。
【0021】そして学習機構4では動作情報を入力して
外力以外の外乱推定値Fnを計算することになる。この
計算結果を上記の力検出機構3から出力される値Fgか
ら減算器5により差し引くことにより正味の外力推定値
Fが検出されることになる。そして力検出機構3による
外力を含む外乱値Fgの検出と、学習機構4による外力
以外の外乱推定値Fnの計算と、正味の外力推定値Fの
計算とを力制御作業が終了するまで繰り返して行なうの
である。
外力以外の外乱推定値Fnを計算することになる。この
計算結果を上記の力検出機構3から出力される値Fgか
ら減算器5により差し引くことにより正味の外力推定値
Fが検出されることになる。そして力検出機構3による
外力を含む外乱値Fgの検出と、学習機構4による外力
以外の外乱推定値Fnの計算と、正味の外力推定値Fの
計算とを力制御作業が終了するまで繰り返して行なうの
である。
【0022】(実施例2)
本実施例2は実施例1のアクチュエータ1として、ボイ
スコイルモータ(以下VCMと略す)6を用いた1軸装
置を力制御する場合であって、図7は本実施例に用いら
れるVCM6の簡易モデルを示しており、VCM6で駆
動される移動体7はエアシリンダ(図示せず)によって
支持され鉄芯12に沿って水平方向に動作する。図中x
は移動体7の位置を示し、Fvは移動体7がVCM6か
ら受ける力を示す。このように構成されたVCM6が電
流iで駆動される場合の移動体7の運動方程式は数1で
示すようになる。
スコイルモータ(以下VCMと略す)6を用いた1軸装
置を力制御する場合であって、図7は本実施例に用いら
れるVCM6の簡易モデルを示しており、VCM6で駆
動される移動体7はエアシリンダ(図示せず)によって
支持され鉄芯12に沿って水平方向に動作する。図中x
は移動体7の位置を示し、Fvは移動体7がVCM6か
ら受ける力を示す。このように構成されたVCM6が電
流iで駆動される場合の移動体7の運動方程式は数1で
示すようになる。
【0023】
【数1】
【0024】ここで、Mは移動体7の質量、Kt はトル
ク変換係数である。而して電流iによってVCM6で発
生する力Fvを制御することにより、移動体7の動作を
制御することができる。この装置での制御目的は移動体
7に加わる外力Fに応じて、設定したインピーダンス通
りに移動体7を動作させることである。外力Fを検出す
ることができれば、その外力検出値を所望のインピーダ
ンスで構成された図9、図10に示す仮想インピーダン
スモデル11に入力し、移動体7の位置、速度、加速度
の目標値を演算することができる。ここで仮想インピー
ダンスモデル11は数2のように表される。
ク変換係数である。而して電流iによってVCM6で発
生する力Fvを制御することにより、移動体7の動作を
制御することができる。この装置での制御目的は移動体
7に加わる外力Fに応じて、設定したインピーダンス通
りに移動体7を動作させることである。外力Fを検出す
ることができれば、その外力検出値を所望のインピーダ
ンスで構成された図9、図10に示す仮想インピーダン
スモデル11に入力し、移動体7の位置、速度、加速度
の目標値を演算することができる。ここで仮想インピー
ダンスモデル11は数2のように表される。
【0025】
【数2】
【0026】但し,Mv,Dv,Kvは夫々設定する所
望の仮想質量、仮想粘性係数、仮想ばね定数である。目
標値はH∞制御や2自由度制御といった制御手法を利用
したサーボ補償器2に入力され、移動体7の動作が目標
に追従するように駆動電流が設定される。尚仮想インピ
ーダンス11のブロック中11aは加算器、11bは減
算器。11c、11dは夫々積分器である。
望の仮想質量、仮想粘性係数、仮想ばね定数である。目
標値はH∞制御や2自由度制御といった制御手法を利用
したサーボ補償器2に入力され、移動体7の動作が目標
に追従するように駆動電流が設定される。尚仮想インピ
ーダンス11のブロック中11aは加算器、11bは減
算器。11c、11dは夫々積分器である。
【0027】一方力検出機構3であるが、力センサを用
いるとその質量等が制御性能に影響するため数1の式を
ラプラス変換して求めたノミナルモデル(数3に示す)
を利用した外乱オブザーバ8を用いている。
いるとその質量等が制御性能に影響するため数1の式を
ラプラス変換して求めたノミナルモデル(数3に示す)
を利用した外乱オブザーバ8を用いている。
【0028】
【数3】
【0029】上記外乱オブザーバ8の構成は図8に示す
ようになる。ここでは高域ノイズ低減のためにローパス
フィルタ91 、92 が挿入されている。この外乱オブザ
ーバ8の出力、つまり外乱推定値は例えば実際の移動体
7とノミナルモデルとの誤差や装置の設置状態が水平と
なっている場合の重力成分、コイルの電線による負荷と
いった外乱と、移動体7に加わる外力との和であり、加
算手段10はこれらの和を求めるためのものである。
ようになる。ここでは高域ノイズ低減のためにローパス
フィルタ91 、92 が挿入されている。この外乱オブザ
ーバ8の出力、つまり外乱推定値は例えば実際の移動体
7とノミナルモデルとの誤差や装置の設置状態が水平と
なっている場合の重力成分、コイルの電線による負荷と
いった外乱と、移動体7に加わる外力との和であり、加
算手段10はこれらの和を求めるためのものである。
【0030】更に学習機構4は図9に示すように入力
層、中間層、出力層の3層ニューラルネットを用い、動
作情報は移動体7の位置及びVCM6の駆動電流iとす
る。而して本実施例における学習段階は図9において、
力制御作業時にとる可能性のある動作を位置オフセット
値で、また加わるであろう力を力試験値として入力す
る。この場合仮想インピーダンス11からは加速度指令
値と速度指令値とがサーボ補償器2に、更に加算器12
で位置オフセット値が加算された位置指令値がサーボ補
償器2に与えられ、サーボ補償器2はこれらの値より操
作量を求めてその操作量に対応する駆動電流を電流飽和
要素13を介してVCM6に与えられることになり、無
負荷状態の作業が開始される。
層、中間層、出力層の3層ニューラルネットを用い、動
作情報は移動体7の位置及びVCM6の駆動電流iとす
る。而して本実施例における学習段階は図9において、
力制御作業時にとる可能性のある動作を位置オフセット
値で、また加わるであろう力を力試験値として入力す
る。この場合仮想インピーダンス11からは加速度指令
値と速度指令値とがサーボ補償器2に、更に加算器12
で位置オフセット値が加算された位置指令値がサーボ補
償器2に与えられ、サーボ補償器2はこれらの値より操
作量を求めてその操作量に対応する駆動電流を電流飽和
要素13を介してVCM6に与えられることになり、無
負荷状態の作業が開始される。
【0031】学習機構4はその時の動作情報を学習入力
データとし、且つ動作に伴って得られる外乱オブザーバ
8の出力を教師信号とし、更に学習則としてバックプロ
パゲーションを用いて外乱オブザーバ8の出力と学習機
構4の出力とが一致するように学習を行なう。学習段
階、判定段階が終了し、次の実作業段階の力制御に入る
と、図10に示すように、移動体7が外力を受けると外
乱オブザーバ8の外力を含む外乱出力値Fgから、学習
機構4の外力を含まない外乱出力値Fnを差し引くこと
により、正味の外力を検出する。その外力検出値Fを仮
想インピーダンズモデル11に入力することによって、
所望の動特性を装置に与えている。
データとし、且つ動作に伴って得られる外乱オブザーバ
8の出力を教師信号とし、更に学習則としてバックプロ
パゲーションを用いて外乱オブザーバ8の出力と学習機
構4の出力とが一致するように学習を行なう。学習段
階、判定段階が終了し、次の実作業段階の力制御に入る
と、図10に示すように、移動体7が外力を受けると外
乱オブザーバ8の外力を含む外乱出力値Fgから、学習
機構4の外力を含まない外乱出力値Fnを差し引くこと
により、正味の外力を検出する。その外力検出値Fを仮
想インピーダンズモデル11に入力することによって、
所望の動特性を装置に与えている。
【0032】(実施例3)ところでアクチュエータの中
には粘性摩擦の影響を大きく受けるものもある。ここで
簡単に説明するため、実施例2で移動体7の動作に伴う
粘性摩擦が無視できない場合を考える。この時、外乱オ
ブザーバ8の出力の中には粘性摩擦が含まれており、粘
性摩擦は移動体7の速度と関連がある。
には粘性摩擦の影響を大きく受けるものもある。ここで
簡単に説明するため、実施例2で移動体7の動作に伴う
粘性摩擦が無視できない場合を考える。この時、外乱オ
ブザーバ8の出力の中には粘性摩擦が含まれており、粘
性摩擦は移動体7の速度と関連がある。
【0033】そこで学習機構4へ入力する動作情報とし
て、実施例2の移動体7の位置と、駆動電流iの他に、
位置を示す動作情報から位置速度変換手段14によって
変換されて得られた移動体7の速度を加えるのである。
そうすることにより学習機構4でので粘性摩擦を含む外
乱の検出精度が上がり、従って力制御時に正味の外力を
検出する精度も向上する。図11に学習時のブロック図
を、図12に力制御時のブロック図を示しており、実施
例2と共通するブロックには同じ番号を付して説明を省
略してある。
て、実施例2の移動体7の位置と、駆動電流iの他に、
位置を示す動作情報から位置速度変換手段14によって
変換されて得られた移動体7の速度を加えるのである。
そうすることにより学習機構4でので粘性摩擦を含む外
乱の検出精度が上がり、従って力制御時に正味の外力を
検出する精度も向上する。図11に学習時のブロック図
を、図12に力制御時のブロック図を示しており、実施
例2と共通するブロックには同じ番号を付して説明を省
略してある。
【0034】(実施例4)本実施例4は、一般的なロボ
ット装置に用いたものである。図13は一般的なロボッ
ト装置を示しており、この装置ではロボットコントロー
ラ18が力データや現在の位置情報が、力や位置の目標
値に追従するように操作量を決定する。一方ロボット装
置15のアーム先端の工具16付近に設けた6軸力セン
サ17では力作業に伴う対象からの外力を検出して力デ
ータとしてロボットコントローラ18に与えるようにな
っているが、この6軸力センサ17の出力には外力の他
に、ロボット装置15の姿勢変化に伴う6軸力センサ1
7にかかる重力成分の変化の影響、動作に伴う慣性力と
いった外乱が含まれる。そこで、本実施例ではこの重力
成分変化の影響と慣性力とを学習することにより外力の
みを検出するようにしたもので、図14は本実施例によ
る学習機構4を組み込んだ力制御ロボット装置の構成を
示しており、学習機構4は入力層、中間層、出力層の3
層ニューラルネットを用い、慣性力が加速度と関連があ
ることを考慮し、動作情報としてロボット装置15から
移動体7の位置、速度、加速度の情報を得ている 而し
て学習段階では図15に示すように力制御作業時にとる
可能性のある動作を目標値としてロボットコントーラ1
4に与え、その時の動作情報を学習入力データとし、且
つ6軸力センサ17の力データを教師信号とし、更に学
習則としてバックプローゲーションを用いて6軸力セン
サ17の出力と学習機構4の出力とが一致するように学
習を行なうのである。
ット装置に用いたものである。図13は一般的なロボッ
ト装置を示しており、この装置ではロボットコントロー
ラ18が力データや現在の位置情報が、力や位置の目標
値に追従するように操作量を決定する。一方ロボット装
置15のアーム先端の工具16付近に設けた6軸力セン
サ17では力作業に伴う対象からの外力を検出して力デ
ータとしてロボットコントローラ18に与えるようにな
っているが、この6軸力センサ17の出力には外力の他
に、ロボット装置15の姿勢変化に伴う6軸力センサ1
7にかかる重力成分の変化の影響、動作に伴う慣性力と
いった外乱が含まれる。そこで、本実施例ではこの重力
成分変化の影響と慣性力とを学習することにより外力の
みを検出するようにしたもので、図14は本実施例によ
る学習機構4を組み込んだ力制御ロボット装置の構成を
示しており、学習機構4は入力層、中間層、出力層の3
層ニューラルネットを用い、慣性力が加速度と関連があ
ることを考慮し、動作情報としてロボット装置15から
移動体7の位置、速度、加速度の情報を得ている 而し
て学習段階では図15に示すように力制御作業時にとる
可能性のある動作を目標値としてロボットコントーラ1
4に与え、その時の動作情報を学習入力データとし、且
つ6軸力センサ17の力データを教師信号とし、更に学
習則としてバックプローゲーションを用いて6軸力セン
サ17の出力と学習機構4の出力とが一致するように学
習を行なうのである。
【0035】次に力制御時でるあるが、この場合のブロ
ック図を図16に示す。この力制御時には6軸力センサ
17の外力と外乱とからなる力データから学習機構4の
外力を含まない外乱推定値を差し引くことにより、正味
の外力を検出することができるのである。以上の各実施
例のように本発明方法は電動機や空気シリンダ等の様々
なアクチュエータを利用して1軸装置の力制御は勿論の
こと、多軸装置の力制御に利用できる。
ック図を図16に示す。この力制御時には6軸力センサ
17の外力と外乱とからなる力データから学習機構4の
外力を含まない外乱推定値を差し引くことにより、正味
の外力を検出することができるのである。以上の各実施
例のように本発明方法は電動機や空気シリンダ等の様々
なアクチュエータを利用して1軸装置の力制御は勿論の
こと、多軸装置の力制御に利用できる。
【0036】
【発明の効果】請求項1の発明は、負荷状態で力制御装
置が作業を行なう場合に、力検出手段により得た力の検
出値から外乱推定値を差し引くことにより、正味の外力
を推定して外力を検出するので、正味の外力を高精度に
検出でき、それによって組立、加工、力感覚の付与とい
った様々な力制御の精度の向上に著しく寄与することが
でき、また学習段階の外乱を推定する学習機構としてニ
ューラルネットワークを用いたので、非線形特性の学習
が可能で、学習結果は汎化能力を持つという効果があ
る。
置が作業を行なう場合に、力検出手段により得た力の検
出値から外乱推定値を差し引くことにより、正味の外力
を推定して外力を検出するので、正味の外力を高精度に
検出でき、それによって組立、加工、力感覚の付与とい
った様々な力制御の精度の向上に著しく寄与することが
でき、また学習段階の外乱を推定する学習機構としてニ
ューラルネットワークを用いたので、非線形特性の学習
が可能で、学習結果は汎化能力を持つという効果があ
る。
【0037】請求項2の発明は、請求項1の発明におい
て、外乱検出段階の力検出手段としてロボットが受ける
力を直接検出する力センサを用いたので、直接力が検出
でき、座標変換するだけで制御に利用できるという効果
がある。
て、外乱検出段階の力検出手段としてロボットが受ける
力を直接検出する力センサを用いたので、直接力が検出
でき、座標変換するだけで制御に利用できるという効果
がある。
【0038】請求項3の発明は、請求項1の発明におい
て、外乱検出段階の力検出手段として外乱オブザーバを
用いたので、力センサを用いることによる影響が問題と
なる場合に利用できるという効果がある。請求項4の発
明は、請求項1の発明において、動作情報が位置情報で
あるので、力制御装置の姿勢により外乱の要因が生じる
ことが多くても、能力の高い学習機構が得られ、また速
度や、加速度が動作情報として利用できない場合でも、
位置情報を基に時系列を考慮することができるという効
果がある。
て、外乱検出段階の力検出手段として外乱オブザーバを
用いたので、力センサを用いることによる影響が問題と
なる場合に利用できるという効果がある。請求項4の発
明は、請求項1の発明において、動作情報が位置情報で
あるので、力制御装置の姿勢により外乱の要因が生じる
ことが多くても、能力の高い学習機構が得られ、また速
度や、加速度が動作情報として利用できない場合でも、
位置情報を基に時系列を考慮することができるという効
果がある。
【0039】請求項5の発明は、請求項1の発明におい
て、動作情報が位置情報と速度情報とであるので、例え
ば粘性摩擦が生じる場合のような、力制御装置の速度が
外乱の要因となる場合があっても、能力の高い学習機構
が得られるという効果がある。請求項6の発明は、請求
項1の発明において、動作情報が位置情報と速度情報と
加速度情報とであるから、例えば慣性力が生じる場合の
ような力制御装置の加速度の外乱の要因となる場合であ
っても、能力の高い学習機構が得られるという効果があ
る。
て、動作情報が位置情報と速度情報とであるので、例え
ば粘性摩擦が生じる場合のような、力制御装置の速度が
外乱の要因となる場合があっても、能力の高い学習機構
が得られるという効果がある。請求項6の発明は、請求
項1の発明において、動作情報が位置情報と速度情報と
加速度情報とであるから、例えば慣性力が生じる場合の
ような力制御装置の加速度の外乱の要因となる場合であ
っても、能力の高い学習機構が得られるという効果があ
る。
【0040】請求項7の発明は、請求項1の発明におい
て、学習段階の学習入力データとして操作量を加えたか
ら、操作により生じる外乱を考慮することができ、また
力の検出手段として外乱オブザーバを用いる場合には、
外乱オブバーザの入力の一つが操作量であるため、操作
量を学習時の入力とすることにより能力の高い学習機構
が得られるという効果がある。
て、学習段階の学習入力データとして操作量を加えたか
ら、操作により生じる外乱を考慮することができ、また
力の検出手段として外乱オブザーバを用いる場合には、
外乱オブバーザの入力の一つが操作量であるため、操作
量を学習時の入力とすることにより能力の高い学習機構
が得られるという効果がある。
【図1】本発明の実施例1の学習段階を示す動作説明用
のブロック図である。
のブロック図である。
【図2】同上の力制御段階を示す動作説明用のブロック
図である。
図である。
【図3】同上の手順を示すフローチャートである。
【図4】同上の学習機構の説明図である。
【図5】同上の学習機構の各ニューロンの入出力関係の
説明図である。
説明図である。
【図6】同上の学習機構の別の例の説明図である。
【図7】本発明の実施例2に用いるボイスコイルモータ
の簡易モデルの構成説明図である。
の簡易モデルの構成説明図である。
【図8】同上に用いるオブバーザの構成説明用のブロッ
ク図である。
ク図である。
【図9】同上の学習段階を示す動作説明用のブロック図
である。
である。
【図10】同上の力制御段階を示す動作説明用のブロッ
ク図である。
ク図である。
【図11】本発明の実施例2の学習段階を示す動作説明
用のブロック図である。
用のブロック図である。
【図12】同上の力制御段階を示す動作説明用のブロッ
ク図である。
ク図である。
【図13】力制御ロボットの一般例の構成説明図であ
る。
る。
【図14】本発明の実施例4に用いる力制御ロボットの
一般例の構成説明図である。
一般例の構成説明図である。
【図15】同上の学習段階を示す動作説明用のブロック
図である。
図である。
【図16】同上の力制御段階を示す動作説明用のブロッ
ク図である。
ク図である。
1 アクチュエータ
2 サーボ補償器
3 力検出機構
4 学習機構
5 減算器
─────────────────────────────────────────────────────
フロントページの続き
(58)調査した分野(Int.Cl.7,DB名)
G05D 15/00 - 15/01
G05D 3/00 - 3/20
G05B 11/00 - 13/04
B25J 1/00 - 21/02
Claims (7)
- 【請求項1】実作業を行なわない無負荷状態で、力制御
装置が実作業で行なう可能性のある動作を力制御装置に
指令し、前記指令による動作に伴う力を検出する力検出
手段を用いる外乱検出段階と、ニューロンを配置した多層パーセプロトンを利用し、学
習則としてバックプロパゲーションが用いられるニュー
ラルネットにより構成された学習機構により行われる、
少なくとも前記指令により力制御装置が動作した時に得
た動作情報を学習入力データとし、前記力検出手段の力
検出値を教師信号として外乱を推定するように学習し、
力検出値と外乱推定値とが一致したと判定されると、こ
のときの各ニューロン間の結合強度を記憶するとともに
外乱推定値を出力する段階と、 この段階の後、 負荷状態で力制御装置が作業を行なう際
に、前記力検出手段から出力される外力を含む該検出値
から、前記学習機構から出力される前記外乱推定値を差
し引くことにより、正味の外力を推定して外力を検出す
る段階とから成ることを特徴とする力制御装置における
力の検出方法。 - 【請求項2】前記力検出手段として力制御装置のアクチ
ュエータが受ける力を直接検出する力センサを用いたこ
とを特徴とする請求項1記載の力制御装置における力の
検出方法。 - 【請求項3】前記外乱検出段階の力検出手段として外乱
オブザーバを用いたことを特徴とする請求項1記載の力
制御装置における力の検出方法。 - 【請求項4】前記動作情報が位置情報であることを特徴
とする請求項1記載の力制御装置における力の検出方
法。 - 【請求項5】前記動作情報が位置情報と速度情報とであ
ることを特徴とする請求項1記載の力制御装置における
力の検出方法。 - 【請求項6】前記動作情報が位置情報と速度情報と加速
度情報とであることを特徴とする請求項1記載の力制御
装置における力の検出方法。 - 【請求項7】学習段階の学習入力データとして操作量を
加えたことを特徴とする請求項1記載の力制御装置にお
ける力の検出方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP11315794A JP3362379B2 (ja) | 1994-05-26 | 1994-05-26 | 力制御装置における力の検出方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP11315794A JP3362379B2 (ja) | 1994-05-26 | 1994-05-26 | 力制御装置における力の検出方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH07319558A JPH07319558A (ja) | 1995-12-08 |
JP3362379B2 true JP3362379B2 (ja) | 2003-01-07 |
Family
ID=14605011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP11315794A Expired - Fee Related JP3362379B2 (ja) | 1994-05-26 | 1994-05-26 | 力制御装置における力の検出方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3362379B2 (ja) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3322826B2 (ja) | 1997-08-13 | 2002-09-09 | ファナック株式会社 | サーボモータによる加圧制御方法及び装置 |
JP6333795B2 (ja) * | 2015-11-24 | 2018-05-30 | ファナック株式会社 | 学習による教示作業の簡易化及び動作性能向上機能を備えたロボットシステム |
JP6431017B2 (ja) | 2016-10-19 | 2018-11-28 | ファナック株式会社 | 機械学習により外力の検出精度を向上させた人協調ロボットシステム |
JP6577527B2 (ja) * | 2017-06-15 | 2019-09-18 | ファナック株式会社 | 学習装置、制御装置及び制御システム |
JP6456555B1 (ja) * | 2017-11-02 | 2019-01-23 | 三菱電機株式会社 | キャリブレーション装置、キャリブレーション方法および制御装置 |
DE102019006725B4 (de) * | 2018-10-02 | 2023-06-01 | Fanuc Corporation | Steuereinrichtung und Steuersystem |
JP7339776B2 (ja) * | 2019-05-28 | 2023-09-06 | 川崎重工業株式会社 | 制御システム、機械装置システム及び制御方法 |
JP2021049597A (ja) * | 2019-09-24 | 2021-04-01 | ソニー株式会社 | 情報処理装置、情報処理システム及び情報処理方法 |
US20240033911A1 (en) * | 2020-12-28 | 2024-02-01 | Sony Group Corporation | Control system and control method |
WO2023090204A1 (ja) * | 2021-11-16 | 2023-05-25 | ソニーグループ株式会社 | 制御システム、制御装置及びアクチュエータ |
-
1994
- 1994-05-26 JP JP11315794A patent/JP3362379B2/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JPH07319558A (ja) | 1995-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2676397B2 (ja) | 動的システムの運動軌道生成方法 | |
Tafazoli et al. | Tracking control of an electrohydraulic manipulator in the presence of friction | |
Abdollahi et al. | A stable neural network-based observer with application to flexible-joint manipulators | |
Sanger | Neural network learning control of robot manipulators using gradually increasing task difficulty | |
CN110597072B (zh) | 机器人导纳柔顺控制方法及*** | |
JP3907649B2 (ja) | ロボット間の干渉防止制御装置 | |
JP5225720B2 (ja) | ロボットのモーションの発生及び制御のための装置ならびに方法 | |
JP3362379B2 (ja) | 力制御装置における力の検出方法 | |
JP2019166626A (ja) | 制御装置及び機械学習装置 | |
WO2002023286A9 (en) | Time domain passivity control of haptic interfaces | |
Seki et al. | How to design force sensorless power assist robot considering environmental characteristics-position control based or force control based | |
Cılız et al. | Friction modelling and compensation for motion control using hybrid neural network models | |
JP2005316937A (ja) | 制御装置およびその制御方法 | |
US5091683A (en) | Servo control apparatus | |
Aksman et al. | Force estimation based compliance control of harmonically driven manipulators | |
Lange et al. | Learning of a controller for non-recurring fast movements | |
Wu et al. | Desired compensation adaptive robust control of electrical-optical gyro-stabilized platform with continuous friction compensation using modified LuGre model | |
JPH0635525A (ja) | ロボットアームの制御方法 | |
JP4630684B2 (ja) | 操作装置と、操作子の動作調節方法と、そのためのプログラム | |
Ohashi et al. | Nonlinear disturbance compensation for haptic device | |
JP2906255B2 (ja) | サーボ制御装置 | |
JP4038659B2 (ja) | サーボ制御装置 | |
JP2929538B2 (ja) | 非線形システム学習制御装置 | |
JP3599127B2 (ja) | オブザーバ制御演算装置 | |
JP3170367B2 (ja) | インピーダンス制御方法及びシミュレータ |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20020924 |
|
LAPS | Cancellation because of no payment of annual fees |