JP7378309B2 - 作業装置 - Google Patents
作業装置 Download PDFInfo
- Publication number
- JP7378309B2 JP7378309B2 JP2020020271A JP2020020271A JP7378309B2 JP 7378309 B2 JP7378309 B2 JP 7378309B2 JP 2020020271 A JP2020020271 A JP 2020020271A JP 2020020271 A JP2020020271 A JP 2020020271A JP 7378309 B2 JP7378309 B2 JP 7378309B2
- Authority
- JP
- Japan
- Prior art keywords
- objects
- unit
- evaluation
- prediction
- prediction model
- 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
Links
- 238000011156 evaluation Methods 0.000 claims description 101
- 238000012545 processing Methods 0.000 claims description 48
- 239000004576 sand Substances 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 239000013049 sediment Substances 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 5
- 230000032258 transport Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 description 43
- 230000006870 function Effects 0.000 description 36
- 238000000034 method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000011439 discrete element method Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Landscapes
- Manipulator (AREA)
Description
本発明の一態様の作業装置は、
容器に複数の物体を収容する作業装置であって、
前記複数の物体に対する操作が可能な可動部と、
前記複数の物体の状態を取得する状態取得部と、
操作後の前記複数の物体の状態の変化を予測して前記複数の物体に対する操作を決定する操作決定部と、
前記操作決定部が決定した操作を前記可動部に行わせる操作制御部と、
を備え、
前記操作決定部は、前記複数の物体の相互作用による状態変化を含めて、前記可動部による操作後の前記複数の物体の状態を予測する機械学習された予測モデルと、前記予測モデルを用いた予測結果を評価する評価処理部と、を有し、かつ、前記予測モデルを用いた予測と前記評価処理部による評価とに基づいて操作を決定し、
前記評価処理部は、前記容器内の複数の物体間の隙間と、前記容器内の物体の数とに基づいて前記予測結果を評価する。
(2)
本発明のもう一つの態様の作業装置は、
複数の物体として土砂を運搬する作業装置であって、
前記複数の物体に対する操作が可能な可動部と、
前記複数の物体の状態を取得する状態取得部と、
操作後の前記複数の物体の状態の変化を予測して前記複数の物体に対する操作を決定する操作決定部と、
前記操作決定部が決定した操作を前記可動部に行わせる操作制御部と、
を備え、
前記操作決定部は、前記複数の物体の相互作用による状態変化を含めて、前記可動部による操作後の前記複数の物体の状態を予測する機械学習された予測モデルと、前記予測モデルを用いた予測結果を評価する評価処理部と、を有し、かつ、前記予測モデルを用いた予測と前記評価処理部による評価とに基づいて操作を決定し、
前記評価処理部は、前記予測結果の土砂形状と目標の土砂形状との比較に基づいて前記予測結果を評価する。
(3)
本発明のもう一つの態様の作業装置は、
複数の物体に対する操作が可能な可動部と、
前記複数の物体の状態を取得する状態取得部と、
操作後の前記複数の物体の状態の変化を予測して前記複数の物体に対する操作を決定する操作決定部と、
前記操作決定部が決定した操作を前記可動部に行わせる操作制御部と、
前記複数の物体の目標状態のデータを設定可能な設定処理部と、
を備え、
前記操作決定部は、前記複数の物体の相互作用による状態変化を含めて、前記可動部による操作後の前記複数の物体の状態を予測する機械学習された予測モデルと、前記予測モデルを用いた予測結果を評価する評価処理部と、を有し、かつ、前記予測モデルを用いた予測と前記評価処理部による評価とに基づいて操作を決定し、
前記評価処理部は、前記目標状態のデータを用いて前記予測結果を評価する。
図1は、本発明の実施形態1に係る作業装置を示すブロック図である。実施形態1において操作対象の物体は射出成形品やグラス等のワークである。実施形態1の作業装置1は、容器(箱)の中に複数のワークを自動的に収容する装置であり、効率的に多くのワークを容器の中に収めることを目的としている。
予測モデル111においては、i番目の物体(ワーク等)の状態ベクトルをxi kと記述し、その集合をXk={xi k|i=1,…,Nk}と記述する。さらに、物体に加える操作をukと記述する。添え字kは、離散時間を表わす。予測モデル111のニューラルネットワークは、次式(1)のように、或る離散時間k-1の物体の状態ベクトル集合Xk-1と操作ukとを入力とし、次の離散時間kの物体の状態ベクトル集合Xkを出力とする関数fとして表わすことができる。
評価処理部112は、評価関数Lを有し、状態ベクトル集合Xkを入力して、評価値を出力する。評価関数Lは、状態ベクトル集合Xkが、目標状態に速やかに近づく状態であれば高い評価値に、その逆であれば低い評価値が得られるように設計される。実施形態1では、容器に多くのワークが詰め込める状態が高い評価値となるように評価関数Lが設計される。評価関数Lは、複数の物体に及ぼす操作の種類が複数あれば、操作の種類ごとの項を有してもよい。
隙間を空ける操作に関する評価関数LAは、大きな隙間が得られた場合に、高い評価値が得られるように設計されればよい。大きな隙間により、ワークの投入が可能となるためである。評価関数LAを作成するため、先ず、任意な点pと各部との距離を示すベクトルdを導入する。図2は、ベクトルdを説明する図である。
ワークを投入する操作に関する評価関数LBは、ワークの数が増えれば高い評価値が得られるように設計されればよい。このため、評価関数LBは、次式(8)のように、ワークの数(集合Yの元の数)と定義できる。
総合の評価関数Lは、容器内でワークを押して隙間を空ける操作と、ワークを容器内に投入する操作との、どちらを選ぶかの評価が可能なように設計されればよい。総合の評価関数Lは、次式(9)のように、各操作に関する評価関数LA、LBを重み付けして結合することで定義できる。μは、正の重みを示す定数である。
図3は、制御部が実行する作業処理の手順を示すフローチャートである。図4は、第1の操作と評価の一例を示す説明図である。図5は、第2の操作と評価の一例を示す説明図である。
図6は、本発明の実施形態2に係る作業装置を示すブロック図である。実施形態2の作業装置1は、土砂を自動的に運搬する装置であり、目標の土砂形状の生成を効率的に行うことを目的としている。実施形態2では操作対象の物体、並びに、状態が予測される物体として、土砂が適用される。
2、2A 可動部
3 撮影部
10 制御部
11 操作決定部
12 操作制御部
111 予測モデル
112 評価処理部
C1 容器
W、W1、W2 ワーク
Claims (7)
- 容器に複数の物体を収容する作業装置であって、
前記複数の物体に対する操作が可能な可動部と、
前記複数の物体の状態を取得する状態取得部と、
操作後の前記複数の物体の状態の変化を予測して前記複数の物体に対する操作を決定する操作決定部と、
前記操作決定部が決定した操作を前記可動部に行わせる操作制御部と、
を備え、
前記操作決定部は、前記複数の物体の相互作用による状態変化を含めて、前記可動部による操作後の前記複数の物体の状態を予測する機械学習された予測モデルと、前記予測モデルを用いた予測結果を評価する評価処理部と、を有し、かつ、前記予測モデルを用いた予測と前記評価処理部による評価とに基づいて操作を決定し、
前記評価処理部は、前記容器内の複数の物体間の隙間と、前記容器内の物体の数とに基づいて前記予測結果を評価する、
作業装置。 - 複数の物体として土砂を運搬する作業装置であって、
前記複数の物体に対する操作が可能な可動部と、
前記複数の物体の状態を取得する状態取得部と、
操作後の前記複数の物体の状態の変化を予測して前記複数の物体に対する操作を決定する操作決定部と、
前記操作決定部が決定した操作を前記可動部に行わせる操作制御部と、
を備え、
前記操作決定部は、前記複数の物体の相互作用による状態変化を含めて、前記可動部による操作後の前記複数の物体の状態を予測する機械学習された予測モデルと、前記予測モデルを用いた予測結果を評価する評価処理部と、を有し、かつ、前記予測モデルを用いた予測と前記評価処理部による評価とに基づいて操作を決定し、
前記評価処理部は、前記予測結果の土砂形状と目標の土砂形状との比較に基づいて前記予測結果を評価する、
作業装置。 - 複数の物体に対する操作が可能な可動部と、
前記複数の物体の状態を取得する状態取得部と、
操作後の前記複数の物体の状態の変化を予測して前記複数の物体に対する操作を決定する操作決定部と、
前記操作決定部が決定した操作を前記可動部に行わせる操作制御部と、
前記複数の物体の目標状態のデータを設定可能な設定処理部と、
を備え、
前記操作決定部は、前記複数の物体の相互作用による状態変化を含めて、前記可動部による操作後の前記複数の物体の状態を予測する機械学習された予測モデルと、前記予測モデルを用いた予測結果を評価する評価処理部と、を有し、かつ、前記予測モデルを用いた予測と前記評価処理部による評価とに基づいて操作を決定し、
前記評価処理部は、前記目標状態のデータを用いて前記予測結果を評価する作業装置。 - 前記可動部はロボットハンドであり、
前記可動部の操作によって容器に複数の物体を収容する、
請求項1から請求項3のいずれか一項に記載の作業装置。 - 前記可動部はショベルであり、
前記複数の物体は土砂であり、
前記可動部の操作によって土砂を運搬する、
請求項2又は請求項3に記載の作業装置。 - 前記予測モデルは、多体問題のシミュレーションを扱うニューラルネットワークである、
請求項1から請求項5のいずれか一項に記載の作業装置。 - 前記操作決定部は、
前記複数の物体の一部の配置の変更操作、物体の追加操作、又はこれら両方を含む操作を決定する、
請求項1から請求項6のいずれか一項に記載の作業装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020020271A JP7378309B2 (ja) | 2020-02-10 | 2020-02-10 | 作業装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020020271A JP7378309B2 (ja) | 2020-02-10 | 2020-02-10 | 作業装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021122924A JP2021122924A (ja) | 2021-08-30 |
JP7378309B2 true JP7378309B2 (ja) | 2023-11-13 |
Family
ID=77458886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020020271A Active JP7378309B2 (ja) | 2020-02-10 | 2020-02-10 | 作業装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7378309B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114083545B (zh) * | 2022-01-24 | 2022-07-01 | 之江实验室 | 一种基于视觉感知的运动物体机器人抓取方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10226140A1 (de) | 2002-06-13 | 2004-01-08 | Kuka Roboter Gmbh | Verfahren und Vorrichtung zum Vermeiden von Kollisionen zwischen Industrierobotern und anderen Objekten |
JP2019042828A (ja) | 2017-08-30 | 2019-03-22 | 株式会社ダイフク | ピッキング設備 |
JP2019155561A (ja) | 2018-03-15 | 2019-09-19 | オムロン株式会社 | ロボットの動作制御装置 |
JP2019181620A (ja) | 2018-04-10 | 2019-10-24 | 株式会社Ihi | 収納システムおよび収納方法 |
JP2019214112A (ja) | 2018-06-14 | 2019-12-19 | ヤマハ発動機株式会社 | 機械学習装置及びこれを備えたロボットシステム |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02285113A (ja) * | 1989-04-27 | 1990-11-22 | Komatsu Ltd | 超小旋回パワーショベルにおける作業機干渉防止装置 |
JP2922726B2 (ja) * | 1992-07-01 | 1999-07-26 | 株式会社フジタ | 掘削機のバケット誘導システム |
-
2020
- 2020-02-10 JP JP2020020271A patent/JP7378309B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10226140A1 (de) | 2002-06-13 | 2004-01-08 | Kuka Roboter Gmbh | Verfahren und Vorrichtung zum Vermeiden von Kollisionen zwischen Industrierobotern und anderen Objekten |
JP2019042828A (ja) | 2017-08-30 | 2019-03-22 | 株式会社ダイフク | ピッキング設備 |
JP2019155561A (ja) | 2018-03-15 | 2019-09-19 | オムロン株式会社 | ロボットの動作制御装置 |
JP2019181620A (ja) | 2018-04-10 | 2019-10-24 | 株式会社Ihi | 収納システムおよび収納方法 |
JP2019214112A (ja) | 2018-06-14 | 2019-12-19 | ヤマハ発動機株式会社 | 機械学習装置及びこれを備えたロボットシステム |
Also Published As
Publication number | Publication date |
---|---|
JP2021122924A (ja) | 2021-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109399122B (zh) | 控制装置以及机器学习装置 | |
US10261497B2 (en) | Machine tool for generating optimum acceleration/deceleration | |
JP6169655B2 (ja) | 工作機械、シミュレーション装置、及び機械学習器 | |
CN106552974B (zh) | 具有移动轴异常负载警告功能的线放电加工机 | |
Cully et al. | Behavioral repertoire learning in robotics | |
Bergman et al. | Combining homotopy methods and numerical optimal control to solve motion planning problems | |
EP3424650B1 (en) | A method and apparatus for performing control of a movement of a robot arm | |
Sandzimier et al. | A data-driven approach to prediction and optimal bucket-filling control for autonomous excavators | |
Zhu et al. | Fast model identification via physics engines for data-efficient policy search | |
Arruda et al. | Uncertainty averse pushing with model predictive path integral control | |
JP6077617B1 (ja) | 最適な速度分布を生成する工作機械 | |
CN111868758B (zh) | 信息处理装置、信息处理方法以及存储介质 | |
JP7295421B2 (ja) | 制御装置及び制御方法 | |
Delgado et al. | Robotics in construction: A critical review of the reinforcement learning and imitation learning paradigms | |
US11897066B2 (en) | Simulation apparatus | |
JP7378309B2 (ja) | 作業装置 | |
CN108687766B (zh) | 机器人的控制装置、机器学习装置以及机器学习方法 | |
Köker | Design and performance of an intelligent predictive controller for a six-degree-of-freedom robot using the Elman network | |
CN113671942A (zh) | 用于控制机器人的设备和方法 | |
Ding et al. | Learning to ground objects for robot task and motion planning | |
Agboh et al. | Robust physics-based manipulation by interleaving open and closed-loop execution | |
CN114080304B (zh) | 控制装置、控制方法及控制程序 | |
CN115857323A (zh) | 用于控制代理的设备和方法 | |
JP2004164426A (ja) | 出力制御方法、出力制御装置および出力制御プログラム | |
Yuwono et al. | Model-based learning on state-based potential games for distributed self-optimization of manufacturing systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220810 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230630 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230711 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230829 |
|
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: 20231003 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231031 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7378309 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |