JP6392905B2 - 教示装置への衝撃を学習する機械学習装置、教示装置の衝撃抑制システムおよび機械学習方法 - Google Patents

教示装置への衝撃を学習する機械学習装置、教示装置の衝撃抑制システムおよび機械学習方法 Download PDF

Info

Publication number
JP6392905B2
JP6392905B2 JP2017001842A JP2017001842A JP6392905B2 JP 6392905 B2 JP6392905 B2 JP 6392905B2 JP 2017001842 A JP2017001842 A JP 2017001842A JP 2017001842 A JP2017001842 A JP 2017001842A JP 6392905 B2 JP6392905 B2 JP 6392905B2
Authority
JP
Japan
Prior art keywords
machine learning
impact
teaching device
unit
teaching
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.)
Active
Application number
JP2017001842A
Other languages
English (en)
Other versions
JP2018111143A (ja
Inventor
裕亮 杉山
裕亮 杉山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
FANUC Corp
Original Assignee
FANUC Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by FANUC Corp filed Critical FANUC Corp
Priority to JP2017001842A priority Critical patent/JP6392905B2/ja
Priority to DE102018000017.7A priority patent/DE102018000017B4/de
Priority to CN201810006949.0A priority patent/CN108284434B/zh
Priority to US15/865,920 priority patent/US10430726B2/en
Publication of JP2018111143A publication Critical patent/JP2018111143A/ja
Application granted granted Critical
Publication of JP6392905B2 publication Critical patent/JP6392905B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/0081—Programme-controlled manipulators with master teach-in means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/409—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by using manual data input [MDI] or by using control panel, e.g. controlling functions with the panel; characterised by control panel details or by setting parameters
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33098—Several nc machines, dnc, cnc
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33321—Observation learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/36—Nc in input of data, input key till input tape
    • G05B2219/36162—Pendant control box
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/39—Robotics, robotics to robotics hand
    • G05B2219/39443—Portable, adapted to handpalm, with joystick, function keys, display

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Robotics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Manipulator (AREA)
  • Numerical Control (AREA)

Description

本発明は、教示装置への衝撃を学習する機械学習装置、教示装置の衝撃抑制システムおよび機械学習方法に関する。
従来、例えば、ロボットやＣＮＣ(Computer Numerical Control)装置により制御される工作機械に動作を教示する場合、ロボット制御装置やＣＮＣ装置に接続された教示装置(教示操作盤，ティーチペンダント，ティーチングペンダント，ＴＰ)を使用して行っている。ここで、ティーチペンダントが強い衝撃を受けると、不具合が発生することが多々あるため、そのような強い衝撃を未然に予知して抑制することが求められている。
なお、本明細書において、ティーチペンダントを使用するシステムは詳述されていないが、本実施形態は、産業用ロボットや協働ロボット等の各種ロボット、或いは、ＣＮＣ装置により制御される様々な工作機械等に対して教示を行うティーチペンダント(教示装置)、並びに、ティーチペンダントを使用したシステムに対して幅広く適用することができる。
ところで、従来、ティーチングペンダントの操作によって危険な状態になる可能性がある場合に操作者へ危険を喚起する技術として、あるモードで選択可能なキーを第１の色で照明し、さらにあらかじめ設定した危険な状態を引き起こす可能性のある条件と制御対象の操作を行う時点での前記マシンコントローラの状態とを比較した結果、操作可能ではあるが押すと危険を引き起こす可能性があると判定されたキーを第２の色で照明するようにしたティーチングペンダントが提案されている(例えば、特許文献１参照)。
また、従来、操作盤の筐体と電子回路を落下の衝撃から保護する構造を安価に提供するものとして、操作盤の筐体に、外周部からはみ出す形状寸法の保護プレートを備え、落下時の衝撃を保護プレートの変形または破壊によって吸収し、保護プレートが変形または破壊しても、保護プレートだけを交換するようにした操作盤が提案されている(例えば、特許文献２参照)。
さらに、従来、落下による故障期間中でも継続してロボットを使用できるようにしたロボット教示装置として、教示装置本体、保持部、保持部固定部品などを設け、落下時の衝撃を保持部の弾性または塑性変形で吸収し、教示装置本体はその影響を受けることなく継続して使用でき、塑性変形した保持部はロボットを使用中であっても容易に取り外し、交換または塑性変形の矯正をして再び取り付けるようにしたものも提案されている(例えば、特許文献３参照)。
特開２００３−０１１０７６号公報 特開平１１−１７９６８８号公報 特開２００５−２２４８７２号公報
上述したように、従来、様々なティーチングペンダントが提案されているが、ティーチングペンダントに対する衝撃を未然に予知して抑制するようにしたものは提案されていない。すなわち、ティーチペンダントは、様々な操作者(ユーザ)が様々な環境下で使用するため、ティーチペンダントに対する衝撃(強い衝撃)を未然に予知して抑制するといったことは困難なものと考えられている。
本実施形態は、教示装置に対する衝撃を未然に予知して抑制することができる機械学習装置、教示装置の衝撃抑制システムおよび機械学習方法の提供を図ることを目的とする。
本発明に係る第１実施形態によれば、教示装置への衝撃を学習する機械学習装置であって、前記教示装置の傾きまたは前記教示装置の現在位置に基づくデータを観測する状態観測部と、前記教示装置が受ける衝撃に基づくラベルを取得するラベル取得部と、前記状態観測部の出力および前記ラベル取得部の出力に基づいて、学習モデルを作成する学習部と、を備える、機械学習装置が提供される。
本発明に係る第２実施形態によれば、上述した第１実施形態の機械学習装置と、前記機械学習装置により衝撃が学習される前記教示装置と、前記機械学習装置の出力を利用する出力利用部と、を有し、前記出力利用部は、前記教示装置の衝撃を抑制するように動作する教示装置の衝撃抑制システムが提供される。
本発明に係る第３実施形態によれば、教示装置への衝撃を学習する機械学習方法であって、前記教示装置の傾きまたは前記教示装置の現在位置に基づく状態データを観測し、前記教示装置が受ける衝撃に基づくラベルを取得し、観測された前記状態データおよび前記ラベルに基づいて学習モデルを作成する機械学習方法が提供される。
本実施形態に係る機械学習装置、教示装置の衝撃抑制システムおよび機械学習方法によれば、教示装置に対する衝撃を未然に予知して抑制することができるという効果を奏する。
図１は、本実施形態に係る教示装置の衝撃抑制システムを模式的に示す図である。 図２は、図１に示す教示装置の一例を模式的に示す図である。 図３は、図１に示す機械学習装置における学習部の一例を示すブロック図である。 図４は、図１に示す機械学習装置に適用される処理の一例を説明するためのフローチャートである。
以下、本実施形態に係る機械学習装置、教示装置の衝撃抑制システムおよび機械学習方法の実施形態を、添付図面を参照して詳述する。図１は、本実施形態に係る教示装置の衝撃抑制システムを模式的に示す図であり、図２は、図１に示す教示装置の一例を模式的に示す図である。
図１に示されるように、本実施形態のティーチペンダントの衝撃抑制システム２００は、機械学習装置２および出力利用部３を含む。機械学習装置２は、状態観測部２１，学習部２２およびラベル取得部２３を含み、環境１は、ティーチペンダント(教示装置)１０および操作者１００を含む。また、図２に示されるように、ティーチペンダント１０は、表示部(ディスプレイ)１１およびボタン(操作キー)１２を含む。なお、ティーチペンダント１０は、例えば、後述する注意喚起を音声で行う場合のスピーカ、或いは、アラーム出力を光や音で行う場合のランプやブザーといった他の様々な構成を含んでもよいのはいうまでもない。
ここで、機械学習装置２は、例えば、ロボットを制御するロボット制御装置(図示しない)や工作機械を制御するＣＮＣ装置(図示しない)に設けてもよいが、ティーチペンダント１０に内蔵してもよい。また、機械学習装置２は、例えば、複数のロボットや複数の工作機械に対して、ネットワーク(例えば、インターネットやイーサネット（登録商標）)を介したクラウドサーバやフォグサーバに設けることもできる。
状態観測部２１は、環境１から与えられる入力データ(状態データ:状態変数)として、例えば、ティーチペンダント１０の傾き、ティーチペンダント１０の現在位置、ティーチペンダント１０のボタンを押す速度(ボタンを押す時間間隔)、ティーチペンダント１０を使用して行う作業内容、作業時間の長さ、作業時間帯、並びに、ティーチペンダント１０を扱う操作者１００の少なくとも１つのデータを観測する。
ラベル取得部２３は、ティーチペンダント１０が受ける衝撃が所定の閾値よりも大きいかどうかに基づくラベルを取得する。学習部２２は、状態観測部２１の出力(状態データ)およびラベル取得部２３の出力(ラベル)に基づいて、学習モデルを作成する。
ここで、ティーチペンダント１０の傾きは、例えば、ティーチペンダント１０に設けられた加速度センサや傾斜センサの出力から得ることができ、ティーチペンダント１０の現在位置は、例えば、ティーチペンダント１０が使用される作業領域の上方に設けられたカメラまたはエリアセンサの出力から得ることができる。また、ティーチペンダント１０のボタンを押す速度は、ティーチペンダント１０またはロボット制御装置等から得ることができ、ティーチペンダント１０を使用して行う作業内容、作業時間の長さおよび作業時間帯は、ロボット制御装置等のプログラムや時計機能から得ることができる。
さらに、ティーチペンダント１０を扱う操作者１００は、例えば、ロボット制御装置等を使用する際に入力する各操作者のＩＤ入力等から得ることができる。また、ティーチペンダント１０が受ける衝撃は、例えば、ティーチペンダント１０に設けられた加速度センサから得ることができる。
すなわち、状態観測部２１は、ティーチペンダント１０の傾きおよびティーチペンダント１０の現在位置だけでなく、例えば、操作者１００が急いでいるかどうか(例えば、操作者１００が急いでいると、ティーチペンダント１０を落下させるといったミスを生じやすい)に関連するティーチペンダント１０のボタンを押す速度、或いは、ティーチペンダント１０の電源投入(オン)直後や最初に操作するとき(例えば、操作者１００が最初に操作するときは、ミスを生じやすい)や教示操作(例えば、複雑な教示操作は、ミスを生じやすい)に関連する作業内容を状態データとして観測する。
さらに、状態観測部２１は、例えば、作業が長いかどうか(例えば、作業時間が長いと、操作者１００の集中力が低下してミスを生じやすい)に関連する作業時間の長さ、或いは、操作者１００が作業を行う時間帯(例えば、昼食後は、操作者１００に眠気が生じてミスを生じやすい)に関連する作業時間帯、若しくは、各操作者１００(例えば、特定の操作者１００は、ティーチペンダント１０を乱雑に扱いミスを生じやすい)に関連する操作者を状態データとして観測する。なお、上述した状態観測部２１が観測する状態データは、単なる例であり、環境１における他の様々なデータを観測することができるのはいうまでもない。
出力利用部３は、機械学習装置２の出力(学習モデル更新部２２２により更新された学習モデル)を受け取って、ティーチペンダント１０の衝撃を抑制するように動作する。すなわち、出力利用部３は、機械学習装置２の出力に基づいて、例えば、ティーチペンダント１０を落として大きな衝撃を与える場合には、事前に注意喚起やアラーム出力を行う。
具体的に、ティーチペンダント１０に設けたスピーカから『衝撃を受けそうです。注意してください。』といった音声を出力して操作者１００に対して注意を喚起し、或いは、ティーチペンダント１０に設けたランプを点灯または点滅させ、若しくは、ティーチペンダント１０に設けたブザーを動作させ、または、スピーカからメロディーを流す等により操作者１００に対してアラームを出力(注意喚起)する。さらに、例えば、ティーチペンダント１０のディスプレイ１１に注意喚起の文言を表示し、或いは、ティーチペンダント１０を振動させて、操作者１００に対して注意を喚起する。なお、注意喚起やアラーム出力は、ティーチペンダント１０自体から発するものに限定されず、ロボットや工作機械、または、ロボット制御装置やＣＮＣ装置、或いは、ロボットや工作機械の周辺に設けた様々な手段を利用して行うことができるのはもちろんである。
これにより、操作者１００は、ティーチペンダント１０が大きな衝撃を実際に受ける前に、ティーチペンダント１０が大きな衝撃を受けそうな状況を把握することができ、ティーチペンダント１０が大きな衝撃を受けるのを未然に抑制(防止)することができる。すなわち、ティーチペンダント(教示装置)に対する衝撃を未然に予知して抑制することが可能になる。
また、上述したように、複数の機械学習装置２は、ネットワーク(通信媒体)を介したクラウドサーバやフォグサーバに設けることができるが、さらに、通信媒体を介して相互にデータを共有または交換するように構成してもよい。すなわち、機械学習装置２は、少なくとも１つの他の機械学習装置と接続可能とし、少なくとも１つの他の機械学習装置との間で、機械学習装置２の学習部２２で作成された学習モデルを相互に交換または共有することができる。
図３は、図１に示す機械学習装置における学習部の一例を示すブロック図である。図３に示されるように、学習部２２は、誤差計算部２２１および学習モデル更新部２２２を含む。誤差計算部２２１は、状態観測部２１からの状態データ(ティーチペンダント１０の傾き、ティーチペンダント１０の現在位置、ティーチペンダント１０のボタンを押す速度、作業内容、作業時間の長さ、作業時間帯および操作者等)、並びに、ラベル取得部２３からのラベル(ティーチペンダント１０が強い衝撃を受ける)を受け取って誤差を計算する。学習モデル更新部２２２は、状態観測部２１からの状態データおよび誤差計算部の出力を受け取って、ティーチペンダント１０への衝撃の誤差を定める学習モデルを更新する。なお、学習モデル更新部２２２の出力(更新された学習モデル)は、前述した出力利用部３へ出力される。
以上において、機械学習装置２は、例えば、ニューラルネットワークを使用して構成することができる。なお、機械学習装置２を実際に構成する場合、汎用の計算機若しくはプロセッサを用いることもできるが、例えば、ＧＰＧＰＵ(General-Purpose computing on Graphics Processing Units)や大規模ＰＣクラスター等を適用すると、より高速に処理することが可能になる。
図４は、図１に示す機械学習装置に適用される処理の一例を説明するためのフローチャートである。図４に示されるように、教示装置の衝撃抑制システム２００(教示装置１０)が電源オンして機械学習が開始(学習スタート)すると、ステップＳＴ１において、状態観測部２１が状態データを取得して、ステップＳＴ２に進む。ここで、状態データ(入力データ)としては、例えば、ティーチペンダント(教示装置)１０の傾き、ティーチペンダント１０の現在位置、ティーチペンダント１０のボタンを押す速度(ボタンを押す時間間隔)、ティーチペンダント１０を使用して行う作業内容、作業時間の長さ、作業時間帯、並びに、ティーチペンダント１０を扱う操作者といったものがあるのは、前述した通りである。
ステップＳＴ２では、取得した状態データと記憶しているアラーム設定とを比較してステップＳＴ３に進み、取得した状態データと相似(類似)なアラーム設定があるかどうかを判定する。ステップＳＴ３において、取得した状態データと相似なアラーム設定がある(ＹＥＳ)と判定すると、ステップＳＴ４に進み、また、取得した状態データと相似なアラーム設定がない(ＮＯ)と判定すると、ステップＳＴ１１に進む。
ステップＳＴ４では、アラーム設定フラグの閾値が一定以上かどうか、例えば、アラーム設定Ｘフラグの閾値が一定以上かどうかを判定する。ステップＳＴ４において、アラーム設定Ｘフラグの閾値が一定以上である(ＹＥＳ)と判定すると、ステップＳＴ５に進んで、注意喚起(アラーム出力)を行い、さらに、ステップＳＴ６に進む。ここで、ステップＳＴ５における注意喚起としては、例えば、光(ランプの点灯や点滅)または音(ブザーやメロディ)を利用したアラーム、音声、ディスプレイ表示および振動といったものの少なくとも１つを利用して、ティーチペンダント１０が受ける大きな衝撃を未然に抑制(防止)することができる。なお、ステップＳＴ４において、アラーム設定Ｘフラグの閾値が一定以上ではない(ＮＯ)と判定すると、ステップＳＴ１１に進む。
ステップＳＴ６では、永続アラーム設定フラグを増加し、ステップＳＴ７に進んで、永続アラーム設定フラグが閾値以上かどうかを判定する。ここで、永続アラーム設定フラグは、機械学習の結果に基づいて、例えば、或る状況下ではティーチペンダント１０を頻繁に落とすといった、一過性ではなく永続的な場合のアラームに対して、その永続アラーム設定フラグを増加する。
次に、ステップＳＴ７に進んで、永続アラーム設定フラグが閾値以上ではない(ＮＯ)と判定すると、ステップＳＴ８に進み、ティーチペンダント１０が強い衝撃を受けたかどうかを判定する。一方、ステップＳＴ７において、永続アラーム設定フラグが閾値以上である(ＹＥＳ)と判定すると、ステップＳＴ１７に進んで、教示装置１０(衝撃抑制システム２００)が電源オフかどうかを判定する。
ステップＳＴ８において、ティーチペンダント１０が強い衝撃を受けた(ＹＥＳ)と判定すると、ステップＳＴ９に進んで、例えば、アラーム設定Ｘフラグを増加し、また、ティーチペンダント１０が強い衝撃を受けていない(ＮＯ)と判定すると、ステップＳＴ１０に進んで、例えば、アラーム設定Ｘフラグを減少する。そして、ステップＳＴ９およびＳＴ１０の処理を行った後、ステップＳＴ１７に進んで、教示装置１０が電源オフかどうかを判定する。
ステップＳＴ３において、取得した状態データと相似なアラーム設定がない(ＮＯ)、或いは、ステップＳＴ４において、アラーム設定Ｘフラグの閾値が一定以上ではない(ＮＯ)と判定すると、ステップＳＴ１１に進むが、ステップＳＴ１１では、ティーチペンダント１０が衝撃を受けたかどうかを判定する。ステップＳＴ１１において、ティーチペンダント１０が強い衝撃を受けた(ＹＥＳ)と判定すると、ステップＳＴ１２に進んで、ティーチペンダント１０が衝撃を受けた少し前の状態データを取得し、ステップＳＴ１３に進む。ステップＳＴ１３では、ステップＳＴ１２で取得した衝撃を受けた少し前の状態データと、記憶しているアラーム設定(アラーム出力を行う場合の設定データ)を比較し、ステップＳＴ１４に進む。
ステップＳＴ１４では、相似なアラーム設定データがあるかどうかを判定(例えば、アラーム設定Ｙと相似かどうかを判定)し、例えば、アラーム設定Ｙと相似である(ＹＥＳ)と判定すると、ステップＳＴ１５に進んで、アラーム設定Ｙフラグを増加し、また、アラーム設定Ｙと相似ではない(ＮＯ)と判定すると、ステップＳＴ１６に進んで、新たにアラーム設定Ｚフラグを設定する。そして、ステップＳＴ１５およびＳＴ１６の処理を行った後、ステップＳＴ１７に進んで、教示装置１０が電源オフかどうかを判定する。なお、ステップＳＴ１１において、ティーチペンダント１０が強い衝撃を受けていない(ＮＯ)と判定したときも、ステップＳＴ１７に進んで、教示装置１０が電源オフかどうかを判定する。
ステップＳＴ１７において、教示装置１０(衝撃抑制システム)が電源オフではない(ＮＯ)と判定すると、ステップＳＴ１に戻って同様の処理を繰り返し、教示装置１０が電源オフである(ＹＥＳ)と判定すると、処理を終了する。
このように、本実施形態によれば、ティーチペンダント１０が強い衝撃を受ける直前のデータを状態観測部２１が状態データとして観測し、図１〜図３を参照して説明した機械学習を実行することにより、ティーチペンダント(教示装置)に対する衝撃を未然に予知して抑制することが可能になる。なお、本実施形態は、産業用ロボットや協働ロボット等の各種ロボット、或いは、ＣＮＣ装置により制御される様々な工作機械等に対して教示を行う教示装置、並びに、教示装置を使用したシステムに対して幅広く適用することができる。
以上、実施形態を説明したが、ここに記載したすべての例や条件は、発明および技術に適用する発明の概念の理解を助ける目的で記載されたものであり、特に記載された例や条件は発明の範囲を制限することを意図するものではない。また、明細書のそのような記載は、発明の利点および欠点を示すものでもない。発明の実施形態を詳細に記載したが、各種の変更、置き換え、変形が発明の精神および範囲を逸脱することなく行えることが理解されるべきである。
１ 環境
２ 機械学習装置
３ 出力利用部
１０ 教示装置(ティーチペンダント，ＴＰ)
１１ ディスプレイ
１２ ボタン(操作キー)
２１ 状態観測部
２２ 学習部
２３ ラベル取得部
２２１ 誤差計算部
２２２ 学習モデル更新部

Claims (13)

  1. 教示装置への衝撃を学習する機械学習装置であって、
    前記教示装置の傾きまたは前記教示装置の現在位置に基づくデータを観測する状態観測部と、
    前記教示装置が受ける衝撃に基づくラベルを取得するラベル取得部と、
    前記状態観測部の出力および前記ラベル取得部の出力に基づいて、学習モデルを作成する学習部と、を備える、
    ことを特徴とする機械学習装置。
  2. 前記状態観測部は、さらに、
    前記教示装置のボタンを押す速度、作業内容、作業時間の長さ、作業時間帯および操作者の少なくとも１つに基づくデータを観測する、
    ことを特徴とする請求項１に記載の機械学習装置。
  3. 前記ラベル取得部は、
    前記教示装置が受ける衝撃が所定の閾値よりも大きいかどうかに基づく前記ラベルを取得する、
    ことを特徴とする請求項１または請求項２に記載の機械学習装置。
  4. 前記学習部は、
    前記状態観測部および前記ラベル取得部の出力に基づいて、誤差を計算する誤差計算部と、
    前記状態観測部および前記誤差計算部の出力に基づいて、前記教示装置への衝撃の誤差を定める学習モデルを更新する学習モデル更新部と、を備える、
    ことを特徴とする請求項１乃至請求項３のいずれか１項に記載の機械学習装置。
  5. 前記機械学習装置は、ニューラルネットワークを備える、
    ことを特徴とする請求項１乃至請求項４のいずれか１項に記載の機械学習装置。
  6. 前記機械学習装置は、
    少なくとも１つの他の機械学習装置と接続可能であり、少なくとも１つの前記他の機械学習装置との間で、前記機械学習装置の前記学習部で作成された学習モデルを相互に交換または共有する、
    ことを特徴とする請求項１乃至請求項５のいずれか１項に記載の機械学習装置。
  7. 請求項１乃至請求項６のいずれか１項に記載の機械学習装置と、
    前記機械学習装置により衝撃が学習される前記教示装置と、
    前記機械学習装置の出力を利用する出力利用部と、を有し、
    前記出力利用部は、前記教示装置の衝撃を抑制するように動作する、
    ことを特徴とする教示装置の衝撃抑制システム。
  8. 前記出力利用部は、前記機械学習装置の出力に基づいて、前記教示装置が衝撃を受ける前に、アラーム出力または注意喚起を行って、前記教示装置が受ける衝撃を未然に抑制する、
    ことを特徴とする請求項７に記載の教示装置の衝撃抑制システム。
  9. 前記出力利用部は、前記教示装置が所定の閾値以上の大きな衝撃を受ける前に、光または音を利用したアラーム、音声、ディスプレイ表示および振動の少なくとも１つを利用して、前記教示装置が受ける大きな衝撃を未然に抑制する、
    ことを特徴とする請求項８に記載の教示装置の衝撃抑制システム。
  10. 教示装置への衝撃を学習する機械学習方法であって、
    前記教示装置の傾きまたは前記教示装置の現在位置に基づく状態データを観測し、
    前記教示装置が受ける衝撃に基づくラベルを取得し、
    観測された前記状態データおよび前記ラベルに基づいて学習モデルを作成する、
    ことを特徴とする機械学習方法。
  11. 前記状態データは、さらに、
    前記教示装置のボタンを押す速度、作業内容、作業時間の長さ、作業時間帯および操作者の少なくとも１つに基づくデータを含む、
    ことを特徴とする請求項１０に記載の機械学習方法。
  12. 前記ラベルは、
    前記教示装置が受ける衝撃が所定の閾値よりも大きいかどうかに基づいている、
    ことを特徴とする請求項１０または請求項１１に記載の機械学習方法。
  13. 前記学習モデルの作成は、
    観測された前記状態データおよび前記ラベルに基づいて誤差を計算し、
    観測された前記状態データおよび計算された前記誤差に基づいて、前記教示装置への衝撃の誤差を定める学習モデルを更新する、
    ことを特徴とする請求項１０乃至請求項１２のいずれか１項に記載の機械学習方法。
JP2017001842A 2017-01-10 2017-01-10 教示装置への衝撃を学習する機械学習装置、教示装置の衝撃抑制システムおよび機械学習方法 Active JP6392905B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2017001842A JP6392905B2 (ja) 2017-01-10 2017-01-10 教示装置への衝撃を学習する機械学習装置、教示装置の衝撃抑制システムおよび機械学習方法
DE102018000017.7A DE102018000017B4 (de) 2017-01-10 2018-01-03 Maschinenvorrichtung, die Stöße erlernt, die eine Lehrvorrichtung erhält, Stoßverhin-derungssystem einer Lehrvorrichtung und Maschinenlernverfahren
CN201810006949.0A CN108284434B (zh) 2017-01-10 2018-01-04 机器学习装置、示教装置的冲击抑制***及机器学习方法
US15/865,920 US10430726B2 (en) 2017-01-10 2018-01-09 Machine learning device that learns shocks to teaching device, shock prevention system of teaching device, and machine learning method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017001842A JP6392905B2 (ja) 2017-01-10 2017-01-10 教示装置への衝撃を学習する機械学習装置、教示装置の衝撃抑制システムおよび機械学習方法

Publications (2)

Publication Number Publication Date
JP2018111143A JP2018111143A (ja) 2018-07-19
JP6392905B2 true JP6392905B2 (ja) 2018-09-19

Family

ID=62636702

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017001842A Active JP6392905B2 (ja) 2017-01-10 2017-01-10 教示装置への衝撃を学習する機械学習装置、教示装置の衝撃抑制システムおよび機械学習方法

Country Status (4)

Country Link
US (1) US10430726B2 (ja)
JP (1) JP6392905B2 (ja)
CN (1) CN108284434B (ja)
DE (1) DE102018000017B4 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11119716B2 (en) * 2018-10-31 2021-09-14 Fanuc Corporation Display system, machine learning device, and display device
DE102019105820A1 (de) * 2019-03-07 2020-09-10 Matheus Service GmbH Verfahren, System sowie nichtflüchtiges Speichermedium
EP4017689A1 (en) * 2019-09-30 2022-06-29 Siemens Aktiengesellschaft Robotics control system and method for training said robotics control system

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11179688A (ja) * 1997-12-19 1999-07-06 Yaskawa Electric Corp 操作盤
JP3212571B2 (ja) * 1999-03-26 2001-09-25 ファナック株式会社 産業用ロボット
JP2003011076A (ja) * 2001-06-29 2003-01-15 Yaskawa Electric Corp ティーチングペンダントおよびティーチングペンダントによる危険喚起方法
WO2004009303A1 (ja) * 2002-07-18 2004-01-29 Kabushiki Kaisha Yaskawa Denki ロボット制御装置およびロボットシステム
JP2005224872A (ja) * 2004-02-10 2005-08-25 Matsushita Electric Ind Co Ltd ロボットの教示装置
JP4078362B2 (ja) * 2005-06-30 2008-04-23 株式会社フェイス 携帯端末
JP4349350B2 (ja) * 2005-09-05 2009-10-21 トヨタ自動車株式会社 顔画像撮影カメラの搭載構造
US8554370B2 (en) * 2009-05-15 2013-10-08 Honda Motor Co., Ltd Machine learning approach for predicting humanoid robot fall
US9193403B2 (en) * 2013-03-20 2015-11-24 Honda Motor Co., Ltd Humanoid fall damage reduction
US10625416B2 (en) * 2015-05-28 2020-04-21 Hitachi, Ltd. Robot operation device and program
DE102016008987B4 (de) * 2015-07-31 2021-09-16 Fanuc Corporation Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt
CN105739337B (zh) * 2016-02-03 2018-11-23 上海嘉车信息科技有限公司 一种人机交互型语音控制及示教***和方法
CN106056035A (zh) * 2016-04-06 2016-10-26 南京华捷艾米软件科技有限公司 一种基于体感技术的幼儿园智能监控方法
CN105915801A (zh) * 2016-06-12 2016-08-31 北京光年无限科技有限公司 改善抓拍效果的自学习方法及装置
CN105956351A (zh) * 2016-07-05 2016-09-21 上海航天控制技术研究所 一种基于机器学习的触觉信息分类计算建模方法

Also Published As

Publication number Publication date
US10430726B2 (en) 2019-10-01
DE102018000017A1 (de) 2018-07-12
US20180197112A1 (en) 2018-07-12
JP2018111143A (ja) 2018-07-19
CN108284434A (zh) 2018-07-17
CN108284434B (zh) 2019-08-20
DE102018000017B4 (de) 2020-04-09

Similar Documents

Publication Publication Date Title
JP6392905B2 (ja) 教示装置への衝撃を学習する機械学習装置、教示装置の衝撃抑制システムおよび機械学習方法
JP7015119B2 (ja) 物体誘導及び衝突回避のためのシステム及び方法
US10081109B2 (en) Haptic teach pendant
US10635082B2 (en) Robot motion program generating method and robot motion program generating apparatus
JP6581056B2 (ja) ロボット制御部と通信する教示操作盤を備えたロボットシステム
US9981385B2 (en) Dynamic automation work zone safety system
JP5059978B2 (ja) 危険提示装置、危険提示システム、危険提示方法およびプログラム
US10166673B2 (en) Portable apparatus for controlling robot and method thereof
JP2007090481A (ja) ロボットシミュレーション装置
EP1769891A2 (en) Offline teaching apparatus for robot
JP7281349B2 (ja) 遠隔操作システム
US20180099410A1 (en) Robot control device having function for limiting speed and/or acceleration of robot
JP2019188531A (ja) ロボットのシミュレーション装置
JPWO2020031718A1 (ja) 制御装置、制御方法、およびプログラム
KR20190037372A (ko) 로봇 제어 프로그램 생성 방법 및 장치
CN112469538A (zh) 数据生成装置及方法、数据生成程序、以及远程操作***
JP6816087B2 (ja) ロボットのアラーム通知システム
CN110977932A (zh) 机器人示教装置、机器人示教方法和存储动作命令的方法
JP2014172159A (ja) ロボットの教示方法および教示装置
Connolly A new integrated robot vision system from FANUC Robotics
JP2008100247A (ja) 鋳造品の生産や自動車内装品の生産における設備装置の安全起動方法および該方法を用いる設備装置
KR20180069288A (ko) 웨어러블 디바이스를 이용한 매니퓰레이터 제어 시스템
JP2010020556A (ja) ビル監視装置及びビル監視方法
JP2020006494A (ja) ロボット
WO2023276003A1 (ja) ロボットの動作プログラムを管理する管理装置、ネットワークシステム、及び方法

Legal Events

Date Code Title Description
A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20180425

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20180723

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20180731

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20180823

R150 Certificate of patent or registration of utility model

Ref document number: 6392905

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150