【発明の詳細な説明】

【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。

【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。

【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。

【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。

【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、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、外力以外の外乱を推定するための学習段階と、前記力検出値と外乱推定値とが一致しているかどうかを判定する段階と、一致した後、負荷状態で力制御装置が作業を行なう場合に、前記力検出手段から得られる力検出値から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、前記学習段階の外乱を推定する手段としてニューラルネットワークを用いたことを特徴とする。 請求項３の発明では、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４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５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６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７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８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。

【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。

【００１１】請求項２の発明によれば、請求項１の発明において、学習段階の外乱を推定する手段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。 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４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７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８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。

【００１５】

【実施例】

（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。

【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。

【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みとともに、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間の結合強度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（ｗ ₁ ｘ ₁ ＋
ｗ ₂ ｘ ₂ ＋…＋ｗ _m ｘ _m ））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。

【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。

【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
に実際にアクチュエータ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が記憶してある学習結果を読み込むとともに、アクチュエータ４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。

【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、
Ｆｖｈａ７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、Ｋ _t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。

【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。

【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。

【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９ ₁ 、９ ₂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。

【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。

【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。

【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。

【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。

【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。

【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るという効果がある。

【００３７】請求項２の発明は、請求項１の発明において、学習段階の外乱を推定する手段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。 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４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７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８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。

【図面の簡単な説明】

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【図１３】力制御ロボットの一般例の構成説明図である。

【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。

【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。

【符号の説明】

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

─────────────────────────────────────────────────────

【手続補正書】

【提出日】平成７年７月６日

【手続補正１】

【補正対象書類名】明細書

【補正対象項目名】０００１

【補正方法】変更

【補正内容】

【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。

【手続補正２】

【補正対象書類名】明細書

【補正対象項目名】００１３

【補正方法】変更

【補正内容】

【００１３】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７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。

【手続補正３】

【補正対象書類名】明細書

【補正対象項目名】００１７

【補正方法】変更

【補正内容】

【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（ｗ ₁ ｘ ₁ ＋
ｗ ₂ ｘ ₂ ＋…＋ｗ _m ｘ _m ））等を用いて得られる値である。

【手続補正４】

【補正対象書類名】明細書

【補正対象項目名】００２０

【補正方法】変更

【補正内容】

【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。

【手続補正５】

【補正対象書類名】明細書

【補正対象項目名】００２２

【補正方法】変更

【補正内容】

【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。

【手続補正６】

【補正対象書類名】明細書

【補正対象項目名】００３９

【補正方法】変更

【補正内容】

【００３９】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７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。