[发明专利]轨迹生成装置、多连杆系统以及轨迹生成方法

说明书

涉及轨迹生成装置、多连杆系统以及轨迹生成方法。一种轨迹生成装置包括信息获取单元(100)、手位置估计单元(110)和限制搜索单元(130)。信息获取单元被配置成获取存在于机器人臂的运动空间中的障碍物的位置坐标。手位置估计单元被配置成通过使用机器学习的学习结果、基于下述信息来估计在作为第一时间的下一时间的第二时间处的手位置：由信息获取单元获取的障碍物的位置坐标、机器人臂在第一时间处的对象关节状态以及机器人臂的目标关节状态。限制搜索单元被配置成通过将由手位置估计单元估计的手位置用作限制来搜索障碍物在第二时间处不会干扰机器人臂的机器人臂的无干扰关节状态。

技术领域

本公开内容涉及生成多连杆机构的轨迹生成装置、多连杆系统以及轨迹生成方法。

背景技术

已知一种用于生成多连杆机构例如机器人臂的轨迹的技术。专利文献1公开了一种通过学习深度神经网络(下文中，称为DNN)来学习机器人的手(端部执行器)在避开障碍物的同时达到目标位置的行为序列的技术。在下文中，使用机器学习的学习结果来生成多连杆机构的轨迹的方法将被称为基于学习的方法。另外，作为用于生成多连杆机构的轨迹的技术，还已知一种诸如RRT(快速探索随机树)的技术，该技术在考虑多连杆机构的运动限制的同时随机地搜索和生成轨迹。下面，将在考虑多连杆机构的运动限制的同时随机地搜索轨迹并生成轨迹的方法称为基于搜索的方法。

专利文献1：JP 2019-5834 A

发明内容

在基于搜索的方法中，可以通过在搜索上花费时间来生成更适当的轨迹，但是难以在短时间内生成适当的轨迹。另一方面，基于学习的方法可以在短时间内生成更适当的轨迹，但是难以学习到可以生成适当轨迹的学习结果。原因如下。也就是说，多连杆机构的行为输出是连续值，并且多连杆机构具有多个轴。因此，处理多维状态空间是有必要的。这样的背景极大地增加了要学习的运动模式的数量。

此处，通过将复杂问题分层为多个子问题，可以减少在学习中处理的状态的数量。然而，在分层或层次化中，如果问题划分的粒度在上层(upper hierarchy)中较大，则必要的信息被移除，并且可能出现损害解的完整性和最优性的问题。例如，作为解的完整性的问题，可能存在由于具有多连杆功能的关节的结构而导致在上层中生成的目标在下层(lowerhierarchy)中不可达到的问题。另外，作为解的最优性的问题，考虑到：由于具有多连杆功能的关节的结构，在上层中生成的目标相对于下层中的最短路线需要大量的绕行。

本公开内容的目的是提供一种轨迹生成装置、多连杆系统以及轨迹生成方法，使得能够更容易地并且在更短的时间内生成多连杆机构的轨迹，同时实现解的完整性和最优性两者。

根据本公开内容的第一示例，提供了轨迹生成装置，用于生成多连杆机构在运动空间中的轨迹。多连杆机构是多个连杆通过作为可移动部件的关节来连接的机器机构。

轨迹生成装置包括信息获取单元、端部位置估计单元以及限制搜索单元。信息获取单元被配置成获取关于存在于多连杆机构的运动空间中的障碍物的位置的障碍物信息。端部位置估计单元被配置成通过使用机器学习的学习结果、基于下述信息来估计作为第一时间的下一时间的第二时间处的端部位置的下一端部位置，该端部位置是多连杆机构的端部执行器的位置：(i)多连杆机构在第一时间处的对象关节状态(subject joint state)、(ii)多连杆机构的目标关节状态、以及(iii)由信息获取单元获取的障碍物信息；在机器学习中，输入多连杆机构的开始关节状态、多连杆机构的目标关节状态和障碍物信息，并且输出作为多连杆机构的端部执行器的位置的端部位置。限制搜索单元被配置成在将由端部位置估计单元估计的下一端部位置视为限制的同时，搜索多连杆机构的无干扰关节状态，在该无干扰关节状态中，障碍物和多连杆机构在第二时间处不相互干扰。