研磨量估计装置的制作方法

1.本发明涉及一种研磨量估计装置。


背景技术：

2.机器人操纵器(robot manipulator)具备力传感器，由此能够一边检测施加到工件的力并进行力控制，一边进行作为高级的作业的探索作业、嵌入作业、研磨之类的作业。对于这样的机器人系统，还已知有构成为显示由力传感器检测的力的系统(例如，参照专利文献1)。
3.现有技术文献
4.专利文献
5.专利文献1：日本特开2017-1122号公报


技术实现要素：

6.发明要解决的问题
7.然而，为了适当地进行研磨作业那样的力控制动作，要求熟练的参数调整能力。一般来说，为了进行这样的参数调整，需要作业者反复力控制的失败/成功来掌握参数设定的技术秘密。期望一种能够使研磨作业中的示教轨道、力控制的参数设定容易化的研磨量估计装置。
8.用于解决问题的方案
9.本公开的一个方式是一种研磨量估计装置，估计通过力控制使搭载于机器人操纵器的研磨工具与对象工件接触来进行的研磨作业中的研磨量，所述研磨量估计装置具备：存储部，其存储动作程序；以及研磨量估计部，其基于根据所述动作程序而获得的所述研磨工具的动作轨道、所述研磨工具的动作速度以及所述研磨工具对所述对象工件的按压力中的至少一者，来估计所述研磨量。
10.发明的效果
11.根据上述结构，操作者能够直观地掌握估计研磨量，能够容易地进行示教轨道、力控制参数的调整。
12.根据附图中示出的本发明的典型的实施方式的详细的说明，进一步明确本发明的这些目的、特征及优点以及其它目的、特征及优点。
附图说明
13.图1是包括作为一个实施方式所涉及的模拟装置的控制装置的机器人系统的系统结构图。
14.图2示出机器人系统的结构例。
15.图3示出机器人系统的其它结构例。
16.图4是控制装置、外部计算机以及显示装置的功能框图。
17.图5是机器人动作控制部中的力控制的框线图。
18.图6a是用于说明机器人的动作轨道与研磨量之间的相关性的图。
19.图6b是用于说明机器人的动作轨道与研磨量之间的相关性的图。
20.图7a是用于说明按压力与研磨量之间的相关性的图。
21.图7b是用于说明按压力与研磨量之间的相关性的图。
22.图8a是用于说明动作速度与研磨量之间的相关性的图。
23.图8b是用于说明动作速度与研磨量之间的相关性的图。
24.图9示出表示虚拟按压力的图像的例子。
25.图10示出表示虚拟按压力的图像的其它例子。
26.图11是使表示虚拟按压力和估计研磨量的图像以叠加于现实的影像的方式显示的增强现实图像的例子。
27.图12是使表示虚拟按压力和估计研磨量的图像以叠加于现实的影像的方式显示的增强现实图像的其它例子。
28.图13是示出还将表示推荐轨道的图像叠加于图11那样的图像的例子的图。
29.图14是示出还将表示推荐速度的图像叠加于图11那样的图像的例子的图。
30.图15是用于对研磨面积进行说明的图。
31.图16是用于对研磨面积进行说明的图。
32.图17是用于说明研磨面积的计算法的图。
33.图18是示出与研磨工具的种类及研磨量有关的第一例的图。
34.图19是示出与研磨工具的种类及研磨量有关的第二例的图。
35.图20是示出与研磨工具的种类及研磨量有关的第三例的图。
具体实施方式
36.接着，参照附图来对本公开的实施方式进行说明。在参照的附图中，对同样的结构部分或功能部分标注了同样的附图标记。为了容易理解，在这些附图中适当变更了比例尺。另外，附图所示的方式是用于实施本发明的一个例子，本发明并不限定于图示的方式。
37.图1是包括作为一个实施方式所涉及的研磨量估计装置的控制装置50的机器人系统100的系统结构图。如图1所示，控制装置50与在手腕部前端搭载有工具的机器人操纵器10(下面记载为操纵器10)及作为检测施加于工具的外力的力检测器的力传感器3连接。力传感器3安装在操纵器10的手腕部前端与工具之间。控制装置50具备力控制功能，由此能够使操纵器10一边检测施加于工件的力，一边执行作为高级的作业的探索作业、精密嵌入作业、研磨之类的各种作业。此外，控制装置50也可以具有作为一般的计算机的结构，该一般的计算机具有cpu、rom、ram、存储装置、操作部、显示部、输入输出接口、网络接口等。
38.并且，控制装置50与外部计算机90及显示装置70连接，其中，该外部计算机90承担在控制装置50执行力控制作业的模拟(下面记述为力控制模拟)的情况下执行基于操纵器10的运动模型的物理模拟的功能，该显示装置70显示力控制模拟的结果。此外，在本说明书中，模拟除了包括通过数值模拟来计算操纵器等的位置的动作之外，还包括使操纵器等形状模型按照示教数据等模拟地进行动作的情况。
39.在图2和图3中示出机器人系统100的结构例。此外，在图2和图3中，仅图示了操纵
器10(包括力传感器3和工具部11)以及对象工件。图2示出在工具部11搭载用于对工件w1执行研磨作业的研磨机(grinder)8的结构例。在研磨机8安装有圆盘状的磨石9。研磨机8适于如图2所示那样对位于对象工件w1的上表面的毛刺81进行研磨的作业。图3示出在工具部11搭载具有三角锥状的磨石19的研磨机18的结构例。研磨机18适于如图3所示那样对形成在对象工件w2的侧面的毛刺81b进行研磨的作业。
40.控制装置50具备如下功能：估计按照示教数据(动作程序)进行研磨作业的情况下的研磨量，并且将研磨量的估计结果作为ar(增强现实)图像或vr(虚拟现实)图像显示于显示装置70。由此，操作者例如能够在实际执行研磨作业之前的阶段掌握研磨量为何等程度，并能够进行示教数据、力控制参数等的调整。
41.图4是控制装置50、外部计算机90以及显示装置70的功能框图。如图4所示，控制装置50具有：存储各种信息的存储部51、负责执行力控制模拟的力控制模拟执行部52、控制机器人操纵器10的动作的机器人动作控制部53、虚拟力生成器(虚拟力生成部)54、虚拟力学习部55、执行用于估计研磨量的运算的研磨量估计部56、研磨量学习部57、推荐值生成部58以及工具选择部59。存储部51存储机器人操纵器10的动作程序、操纵器10、工具及工件等的3d模型数据、力控制参数、以及其它在操纵器10的控制中用到的各种数据。虚拟力生成器54基于根据动作程序或力控制动作的模拟结果获得的工具部11的位置信息，来生成在工具部11与对象工件接触的状态下工具部11从对象工件受到的虚拟力。在本说明书中，有时将像这样作为作用于物体的力而虚拟求出的力记载为虚拟力，另外，在其是按压力的情况下有时也记载为虚拟按压力。
42.外部计算机90具备物理模拟部91，该物理模拟部91基于操纵器10的运动模型(运动方程式)来执行操纵器10的物理模拟。
43.显示装置70在本实施方式中构成为头戴式显示器。此外，显示装置70还能够由搭载了摄像机的平板终端等其它信息处理装置构成。操作者穿戴构成为头戴式显示器的显示装置70。显示装置70具有摄像装置71、执行用于显示增强现实(ar)图像或虚拟现实(vr)图像的图像处理的ar/vr图像处理部72、显示器73以及声音输出部74。摄像装置71以摄像镜头的光轴朝向前方的方式设置于显示装置70，该摄像装置71拍摄包含操纵器10的现实的作业空间的影像。ar/vr图像处理部72使用由研磨量估计部56获得的估计研磨量的信息，来执行将表示估计研磨量的图像叠加于现实的影像的增强现实图像处理、或者将表示估计研磨量的图像叠加于配置有操纵器10等各物体的模型的虚拟现实空间的图像(运动图像动画)的虚拟现实图像处理。显示器73配置在穿戴者的眼前，显示由ar/vr图像处理部72生成的图像(影像)。
44.图5是机器人动作控制部53中的力控制的框线图。在本实施方式中，将应进行“力控制 位置控制”的方向(利用工具按压工件的按压方向)和应仅进行位置控制的方向进行分割，将关于应进行“力控制 位置控制”的方向而计算出的速度(角速度)指令与关于应仅进行位置控制的方向而计算出的速度(角速度)指令进行合成来对操纵器10进行控制。在图5中为了便于说明而进行了省略，但关于位置控制，基于通过设置于操纵器10的各轴的位置传感器反馈位置检测值来进行位置控制的在本领域中普遍知晓的位置控制侧(例如，pd控制)来进行控制。在图5所示的力控制中，对针对按压方向的目标力(力 力矩)与由力传感器3检测出的作用于工件的力(力矩)之间的差乘以力控制增益这一控制参数，来计算指令速
度(角速度)。在此，力控制增益表示力控制的性能，具有力控制增益的值越大则越快修正位置/姿势这一性质。力(力矩)的检测和与其相应的速度(角速度)指令量的计算按每个控制周期进行。该情况下的力控制规则(速度(角速度)指令量的计算式)能够如下面那样表示。
45.δx＝kf(f-fd)
46.其中，kf：力控制增益
47.fd：目标力(力 力矩、力：fx、fy、fz，力矩：mx、my、mz)
48.f：检测出的力
49.δx：每个控制周期的目标移动量(速度)
50.接着，对研磨量估计部56所执行的研磨量估计的方法进行说明。研磨量估计部56使用下面示出的研磨量估计方法1或2来估计研磨作业中的研磨量。
51.(研磨量估计方法1)：考虑机器人的动作轨道、动作速度以及按压力作为与研磨量具有相关性的参数。在研磨量估计方法中，使用这些参数中的一个参数，通过线性近似或曲线近似来导出与研磨量之间的相关性。此外，在本说明书中，在简称为“动作轨道”时，包括通过所谓的教学得到的轨道既示教轨道和通过数值模拟等获得的操纵器10(工具前端)的动作轨道。使用通过后述的方法生成的虚拟力(虚拟按压力)来作为用于研磨量估计的按压力。
52.(研磨量估计方法2)：收集将机器人的动作轨道、动作速度及按压力与研磨量相对应的训练数据，通过机器学习来构建将这些参数与研磨量相对应的学习模型。
53.对研磨量估计方法1进行说明。在此，首先，对机器人的动作轨道、动作速度及按压力与研磨量之间的相关性进行说明。图6a和图6b是用于说明机器人的动作轨道(在此设为示教轨道)与研磨量之间的相关性的图。关于图6a所示的示教轨道l1，表现出针对磨石9的示教轨道l1为适当的轨道且研磨量也适当的情况。在图6b中，针对磨石9的示教轨道l2特别是在突起部82的附近距对象工件w1的表面的距离变远。像这样，当示教轨道(示教点)远离对象工件时研磨量变少。
54.图7a和图7b是用于说明按压力与研磨量之间的相关性的图。图7a表现出按压力的设定(按压力f71)适当且研磨量也适当的情况。另一方面，在图7b中，按压力的设定(按压力f72)与图7a的情况相比变小。在该情况下，即使示教轨道、示教速度相同，研磨量也降低。
55.图8a和图8b是用于说明工具的动作速度(沿着示教轨道的磨石的移动速度)与研磨量之间的相关性的图。图8a表现出动作速度的设定(示教速度)适当且研磨量也适当的情况。另一方面，在图8b中，动作速度的设定与图8a的情况相比变快。在图8b的情况下，与图8a的情况相比研磨所花费的时间减少，因此即使示教轨道、按压力相同，研磨量也减少。
56.如上面说明的那样，机器人的动作轨道、动作速度、按压力分别与研磨量具有相关性。因而，能够使用基于实测数据对机器人的动作轨道(动作轨道与对象工件的表面之间的距离)与研磨量之间的相关性进行线性近似或曲线近似(二次以上的多项式近似、对数近似等)得到的计算模型、基于实测数据对机器人的动作速度与研磨量之间的相关性进行线性近似或曲线近似得到的计算模型、以及基于实测数据对按压力与研磨量之间的相关性进行线性近似或曲线近似得到的计算模型中的任一者，来进行研磨量的估计。此外，这样的相关性的线性近似或曲线近似也可以按对象工件的种类、按研磨剂(磨石)的种类来进行。也可以通过多元回归分析来预测机器人的动作轨道、动作速度以及按压力的变量中的两个以上
的变量与研磨量之间的相关性。
57.在研磨量估计方法1中，根据示教轨道与对象工件之间的位置关系、或者通过下面说明的虚拟力生成法1至3，来求出在研磨作业时作用于对象工件的虚拟按压力。
58.(虚拟力生成法1)：设定机器人操纵器10的运动模型(运动方程式)，通过物理模拟来执行图5所示的力控制的框线图的动作。基于通过物理模拟获得的工具前端的位置，利用计算模型来求出作用于对象工件的虚拟按压力。即，在虚拟力生成法1的情况下设为如下结构：如图5所示那样对操纵器10设定运动模型，利用虚拟力生成器54计算虚拟按压力。即，虚拟力生成器54在力控制模拟中承担作为力传感器的功能。
59.(虚拟力生成法2)：使用包含在与过去同样的动作环境中执行了基于力控制的作业的情况下由力传感器3检测出的力(力矩)、机器人(操纵器10)的位置信息的日志数据、或者通过一边利用动作程序使机器人实际相对于对象工件移动一边停止工具的驱动(例如研磨磨石的旋转驱动)而由力传感器检测并记录作用于工件的力(力矩)所获得的日志数据，来获得虚拟力(虚拟按压力)。在虚拟力生成方法2的情况下，能够根据示教轨道求出工具与对象工件之间的距离，在日志数据中存在机器人的动作轨道与对象工件之间的距离为相同程度的日志数据的情况下，将作为该日志数据记录的按压力用作虚拟力(虚拟按压力)。
60.(虚拟力生成法3)：在与某个特定的工件有关的实际的作业中，收集表示机器人(工具)与工件之间的相对位置、速度与由力传感器检测的力(力矩)之间的对应的训练数据，并通过学习功能构建学习模型来求出虚拟力(虚拟按压力)。
61.对虚拟力生成方法1详细地进行说明。在虚拟力生成法1中，设定机器人操纵器10的运动方程式(运动模型)，通过物理(数值)模拟使图5所示的力控制的块动作，来求出机器人操纵器10的位置(工具前端的位置)。机器人操纵器10的运动方程式一般由下面那样的数式表示。
62.[数1]
[0063][0064]
在上述数式中，θ表示各关节的角度，m是与惯性力矩有关的矩阵，h是与科氏力、离心力有关的矩阵，g是表示重力的影响的项，τ是转矩，τ
l
是负载转矩。
[0065]
将基于示教轨道的动作指令(在图5的例子中是对操纵器10给出的指令)作为输入数据赋予到运动方程式来计算机器人的行为(工具前端的位置)。基于根据上述运动方程式计算出的工具前端位置来求出在工具前端的位置与对象工件接触的情况下从工件受到的虚拟力(虚拟按压力)f。在下面示出虚拟力f的计算例。
[0066]
虚拟力(虚拟按压力)f的第一计算例是对象工件的刚性相对于工具比较低的情况下的例子。在本例子中，也可以将工具前端位置超过与对象工件接触的接触位置而向对象工件侧移动的量设为δ，对其乘以与工件的刚性有关的系数kd，通过下面的式子来求出。
[0067]
f＝kd
·
δ
…
(1a)
[0068]
此外，在该情况下，设为对象工件的位置在作业空间内被固定。或者，还能够存在如下方法：将在工具前端的位置与对象工件接触的情况下从工件受到的力设为f，将超过了工具前端位置与工件的接触位置时的速度设为vc，通过下面的式子来计算从工件受到的力f。
[0069]
f＝kd
·
δ kc
·
vc
…
(1b)
[0070]
这些系数kd、kc能够根据对象工件的刚性、形状等来进行设定。
[0071]
虚拟力(虚拟按压力)f的第二计算例是在工具的刚性相对于对象工件比较低的情况下基于工具的挠曲量来计算虚拟力f的例子。将工具前端位置超过与对象工件接触的接触位置而向对象工件侧移动的量δ认作工具的挠曲量，使用工具的刚性系数(虚拟弹簧系数)，通过下述数式来求出虚拟力f。
[0072]
f＝(工具的虚拟弹簧系数)
×
δ
…
(2a)
[0073]
此外，在工具是具有在按压方向上进行伸缩的机构(弹簧机构)的、所谓的浮动工具的情况下，能够基于工具前端位置和对象工件的位置来求出工具前端的伸缩长度，并通过下述数式获得虚拟力f。
[0074]
f＝(工具的弹簧系数)
×
伸缩长度
…
(2b)
[0075]
虚拟力(虚拟按压力)f的第三计算例是在工具的刚性比较高的情况下根据机器人(工具前端)针对按压方向的速度指令而移动了的距离来计算虚拟力f的例子。在本例子的情况下，将基于速度指令的移动位置设为tx，将机器人(工具前端)针对速度指令实际移动后的位置设为d，通过下述数式来求出虚拟力f。
[0076]
f＝k
×
(tx-d)
…
(3)
[0077]
其中，k是系数。系数k也可以设定作为实验值、经验值等求出的值。
[0078]
此外，在上述的计算例中，也可以使用示教数据(示教轨道、示教速度)取代通过物理模拟得到的工具前端的位置、速度，来求出虚拟力。
[0079]
接着，对虚拟力生成方法3详细地进行说明。通过虚拟力学习部55执行基于虚拟力生成方法3的虚拟按压力的生成。虚拟力学习部55具有如下功能：通过解析来从被输入的数据的集合中提取其中存在的有用的规则、知识表现、判断基准等并输出其判断结果，并且进行知识的学习(机器学习)。机器学习的方法是各种各样的，但若进行大致区分，则例如可分为“有监督学习”、“无监督学习”以及“强化学习”。并且，在实现这些方法的基础上，还存在对提取特征量本身进行学习的、被称为“深度学习(deep learning)”的方法。在本实施方式中，设为将“有监督学习”应用于虚拟力学习部55的机器学习。
[0080]
如在上述“虚拟力生成方法2”中说明的那样，认为在工具前端与对象工件接触的状态下，工具前端位置与工件的相对距离、相对速度、与对象工件的刚性或动摩擦有关的系数、与工具的刚性有关的系数等与按压力的大小具有相关性。因此，虚拟力学习部55使用以与按压力的大小具有相关性的这些值为输入数据、且以在该情况下由力传感器检测出的按压力为回答数据的学习数据来执行学习。
[0081]
作为学习模型构建的具体例，可存在构建与上述的虚拟力f的第一至第三计算例对应的学习模型的例子。在构建与上述虚拟力f的第一计算例对应的学习模型的情况下，收集以工具前端位置与对象工件的相对距离(δ)、相对速度(vc)、与对象工件的刚性有关的值(kd、kc)(或者，至少是工具前端位置与对象工件的相对距离(δ)以及与工件的刚性有关的值(kd))为输入数据、且以在该情况下由力传感器检测出的按压力为回答数据的学习数据。然后，使用该学习数据执行学习来构建学习模型。
[0082]
在构建与上述虚拟力f的第二计算例对应的学习模型的情况下，收集以工具前端位置的移动量(δ)和“工具的虚拟弹簧系数”为输入数据、且以在该情况下由力传感器检测出的按压力为回答数据的学习数据。然后，使用该学习数据执行学习来构建学习模型。此
外，也可以收集由输入数据和作为在该情况下由力传感器检测出的按压力的回答数据构成的学习数据(训练数据)，使用该学习数据执行学习来构建学习模型，其中，该输入数据包含与对象工件的刚性有关的系数和与工具部(工具)的刚性有关的系数中的至少任一者、以及工具部与对象工件接触的状态下的工具部相对于对象工件的距离(δ)。
[0083]
在构建与上述虚拟力f的第三计算例对应的学习模型的情况下，收集以基于速度指令的移动位置(tx)和工具前端针对速度指令实际移动后的位置(d)为输入数据、且以在该情况下由力传感器检测出的按压力为回答数据的学习数据。然后，使用该学习数据执行学习来构建学习模型。该情况下的学习相当于学习系数k的动作。
[0084]
上述那样的学习能够使用神经网络(例如三层的神经网络)来实现。神经网络的动作模式有学习模式和预测模式。在学习模式中，赋予上述的学习数据(输入数据)作为向神经网络输入的输入变量，学习应用于各神经元的输入的权重。取对神经网络赋予了输入数据时的输出值与正确值(回答数据)之间的误差，使误差反向传播(backpropagation)到神经网络的各层，并对各层的权重进行调整以使输出值接近正确值，由此执行权重的学习。当通过这样的学习来构建学习模型时，能够将上述的输入数据作为输入变量来预测虚拟按压力。
[0085]
声音输出部74输出声音，该声音通过音量来表示由虚拟力生成器54生成的虚拟力的大小。例如，在执行力控制模拟的期间，实时地输出与由虚拟力生成器54生成的虚拟力的大小相应的声音，由此，操作者能够更直观地掌握虚拟力的大小。
[0086]
接着，对研磨量估计方法2进行说明。通过研磨量学习部57执行研磨量估计方法2中的学习。如上所述，机器人的动作轨道、动作速度、按压力(虚拟按压力)分别与研磨量具有相关性。研磨量学习部57通过机器学习来构建这些参数与研磨量相对应的学习模型。在此，应用“有监督学习”作为机器学习。
[0087]
该情况下的学习例如能够使用神经网络(例如三层的神经网络)来构成。在学习模式中，赋予上述的学习数据(机器人的动作轨道、动作速度、虚拟按压力)作为向神经网络输入的输入变量，学习应用于各神经元的输入的权重。取对神经网络赋予了输入数据时的输出值与正确值(回答数据；研磨量)之间的误差，使误差反向传播(backpropagation)到神经网络的各层，并对各层的权重进行调整以使输出值接近正确值，由此执行权重的学习。当通过这样的学习来构建学习模型时，能够将机器人的动作轨道、动作速度以及虚拟按压力作为输入来估计研磨量。
[0088]
控制装置50(研磨量估计部56)使表示使用上述的虚拟力生成方法1至3等生成的虚拟按压力以及使用上述的研磨量估计方法1和2中的任一方法估计出的研磨量的图像作为增强现实图像或虚拟现实图像表示于显示装置70。控制装置50(研磨量估计部56)向显示装置70提供表示通过执行研磨作业的力控制模拟而获得的虚拟按压力的大小及产生部位的信息、以及研磨量的估计结果(研磨位置及研磨量)。显示装置70的ar/vr图像处理部72使表现虚拟按压力和估计研磨量的图像叠加于现实空间的影像内或虚拟空间的图像中的与它们的产生部位对应的位置来显示。在生成虚拟现实图像的情况下，例如也可以设为如下结构：从控制装置50向显示装置70提供包含操纵器10的作业空间内的各物体的模型数据和配置位置信息。此外，显示装置70具有用于获取显示装置70在作业空间内的位置的位置传感器(光学传感器、激光传感器、磁传感器)以及加速度传感器(陀螺仪传感器)，从而能够掌
握固定于显示装置的坐标系(摄像机坐标系)相对于固定于作业空间的世界坐标系的相对位置关系。
[0089]
图9和图10示出表示虚拟按压力的图像的例子。图9示出示教轨道l91是在突起部82的附近相对接近对象工件w1的表面那样的轨道的情况下的、表示虚拟按压力的图像的显示例。在图9的情况下，用箭头图像191表现虚拟按压力，表现出在示教轨道l91相对接近对象工件w1的表面的突起部82的附近虚拟按压力变大的情形。图10示出示教轨道l92是在突起部82的附近相对远离对象工件w1的表面那样的轨道的情况下的、表示虚拟按压力的图像的显示例。在图10的情况下，用箭头图像192表现虚拟按压力，表现出在示教轨道l92相对远离对象工件w1的表面的突起部82的附近虚拟按压力变小的情形。
[0090]
接着，参照图11和图12来说明使表示虚拟按压力和估计研磨量的图像叠加于现实的影像来显示的增强现实图像的例子。在图11的例子中，表示示教轨道的图像l93、通过箭头的长度来表现出虚拟按压力的产生位置及大小的图像193、以及表示估计研磨量的图像211被叠加显示于包含磨石9和对象工件w1的现实的影像。根据图11的图像例，能够理解虚拟按压力在突起部82的区域相对变大、以及突起部82的区域内的估计研磨量与不存在突起部82的区域内的估计研磨量相比变大。此外，这些表示示教轨道的图像l93、表示虚拟按压力的图像193以及表示估计研磨量的图像211被制作成表示三维的区域的图像。在该情况下，操作者通过使视线移动，能够从期望的视线方向在视觉上掌握虚拟按压力、估计研磨量。
[0091]
图12表示将包含图11中示出的表示示教轨道的图像l93、通过箭头的长度来表现出虚拟按压力的产生位置及大小的图像193以及表示估计研磨量的图像211的图像121作为增强现实图像以排列在对象工件w1的旁边的方式叠加显示于现实的影像的情况下的例子。例如，还存在以下情况：在作为增强现实图像而应提供的信息量多等情况下，如图12那样在图像中将增强现实图像以排列在实物的旁边的方式显示，对操作者(穿戴者)而言较为方便。
[0092]
推荐值生成部58具有将建议表现为图像来显示的功能，该建议示出应如何基于估计研磨量与表示期望的研磨量的研磨量基准值之间的比较结果来调整动作轨道、动作速度以及力控制增益等以调整估计研磨量。图13示出如下情况的例子：在将图11所示的估计研磨量(图像211)与研磨量基准值进行比较的情况下，由于在突起部82的区域估计研磨量超过研磨量基准值，因此显示出表示推荐轨道的图像l101以使该区域内的估计研磨量降低。推荐轨道的图像l101的、突起部82的附近的距对象工件w1的距离比表示示教轨道的图像l93的情况下的该距离远。由此，在推荐轨道(图像l101)的情况下，能够将估计研磨量抑制在研磨量基准值内。
[0093]
图14示出呈现与机器人(工具)的动作速度有关的推荐值的情况下的例子。在图14的例子中，在示教轨道(图像l93)的旁边显示表示示教速度的图像，并且按对示教轨道(图像l93)进行划分得到的各分区显示表示推荐速度的图像102。在图14的例子的情况下，针对示教轨道(图像l93)的示教速度为50mm/s，相对于此，在对象工件w1的突起部82的区域推荐速度为70mm/s，在突起部82的区域以外的区域推荐速度为50mm/s。在该推荐速度的情况下，突起部82的区域内的速度比示教速度高，因此估计研磨量降低而收敛于研磨量基准值内。
[0094]
对于推荐值生成部58，例如也可以能够借助控制装置50的操作部来指定进行调整
所使用的参数。例如设为如下结构：在操作者因对周期时间增加的担忧而不希望变更示教轨道的情况下，作为设为推荐值生成部58进行调整的对象的参数，能够将示教轨道以外的参数(示教速度、目标按压力等)指定为调整对象的参数。
[0095]
推荐值生成部58将估计研磨量与研磨量基准值进行比较，例如在估计研磨量比研磨量基准值大的情况下向使估计研磨量减少的方向调整动作轨道、动作速度、力控制参数等并通过执行力控制模拟来进行确认，由此实现上述的推荐值。
[0096]
研磨量估计部56也可以构成为计算对象工件中的利用研磨件进行了研磨的部分的面积(下面记载为研磨面积)。即使在使用相同的研磨件的情况下，研磨面积也根据研磨件相对于对象工件的角度而改变。例如，若将如图15那样使研磨件119以相对于对象工件w51直立的姿势接触对象工件w51来对对象工件w51进行研磨的情况下的研磨面积sa1与如图16所示那样使研磨件119以相对于对象工件w51放倒的姿势接触对象工件w51来对对象工件w51进行研磨的情况下的研磨面积sa2进行对比，则研磨面积sa2更大。
[0097]
研磨量估计部50如下面那样计算研磨面积。在此，如图17所示，设想求出使研磨件9接触到对象工件w51时的研磨面积s
l
。在该情况下，假设从工具(研磨件9)作用于对象工件的按压力、工具(研磨件9)的旋转量、材质、移动速度不变化。另外，设为即使工具(研磨件9)倾斜，整体的研磨量也不变。将通过研磨而被切削的部分的体积设为v，将工具(研磨件9)的移动量(图17的图纸深度方向上的移动量)设为d，将工具前端角度设为a。l表示被切削后的倾斜面的长度。在该情况下，下面的数式成立。
[0098]
v/d＝(1/2)
·
lsin(a)
·
lcos(a)
[0099]
假设v/d恒定，将上述式如下面那样进行变形。
[0100]
2v/d＝l2sin(a)
·
cos(a)
[0101]
2v/d＝(l2sin(2a))/2
[0102]
根据上述，切削面的长度l如下面那样求出。
[0103]
l＝(4v/(d/sin(2a)))
1/2
[0104]
研磨面积能够通过对长度l乘以工具的移动量d来获得。
[0105]
工具选择部59具有受理用户借助控制装置50的操作部从预先存储的多个种类的工具中进行的选择的功能、或者基于研磨量、研磨面积、周期时间等信息从预先存储的多个种类的工具中自动地选择适当的工具和姿势的功能。力控制模拟执行部52将由工具选择部59选择出的工具虚拟地装配于操纵器10来执行力控制模拟。图18示出在要求或容许比较宽的面积作为对象工件w61的研磨面积的情况下选择的研磨工具和姿势的例子。在图18的例子中，研磨件具有长的形状，并且被以相对于对象工件w61放倒的姿势使用，由此确保宽的研磨面积。
[0106]
图19示出在要求比较窄的面积作为对象工件w62的研磨面积的情况下选择的研磨工具和姿势的例子。在图19所示的例子的情况下，选择长度比较短的研磨工具，并且研磨工具的姿势为相对于对象工件w62直立的姿势。在该情况下，能够使研磨面积变窄。
[0107]
图20示出在使研磨量和研磨面积减小的情况下选择的研磨工具和姿势的例子。在图20的例子的情况下，选择具有金属刷的研磨工具221作为研磨件，并且使其为研磨件的周面与对象工件w63上的毛刺181的部分相接的姿势(使研磨工具的中心线相对于铅垂方向倾斜了约45度的姿势)。
[0108]
此外，对于研磨工具的材质、对象工件的材质与研磨量之间的关系，能够基于下面的考虑方式来求出相关性。在研磨工具侧，与刚性相比，磨粒的粗糙度与研磨量具有更强的关系，因此也可以按磨粒的粗糙度取得实测数据来预测研磨量。例如，以磨粒的粗糙度越大则研磨量越大的方式设定研磨量的近似模型。关于工件，根据工件的素材而存在难以切削的工件。因此，作为表现素材的刚性的指标，存在表示延展性的杨氏模量、表示塑性的塑性系数，但也可以将这些系数直接用作表示研磨量的系数，或者将这些系数设为(1/杨氏模量)等来用作表示研磨量的系数。或者也可以是，在工件的情况下也针对与素材的刚性对应的切削量取得实测数据并求出近似模型，来预测研磨量。
[0109]
如上面说明的那样，根据本实施方式，操作者能够直观地掌握估计研磨量，能够容易地进行示教轨道、力控制参数的调整。
[0110]
上面使用典型的实施方式来对本发明进行了说明，但若是本领域技术人员，则能够理解能够在不脱离本发明的范围的情况下对上述的各实施方式进行变更和各种其它变更、省略、追加。
[0111]
上述的实施方式中的控制装置50、显示装置70、外部计算机90中的功能的分担是例示，能够变更这些功能块的配置。摄像装置也可以作为与显示装置分开的装置配置于作业空间内的固定的位置。
[0112]
控制装置、显示装置的功能块既可以通过由这些装置的cpu执行存储装置中保存的各种软件来实现，或者也可以通过asic(application specific integrated ic：专用集成电路)等以硬件为主体的结构来实现。
[0113]
执行上述的实施方式中的各种模拟处理的程序能够记录于计算机可读的各种记录介质(例如，rom、eeprom、闪速存储器等半导体存储器、磁记录介质、cd-rom、dvd-rom等光盘)。
[0114]
附图标记说明
[0115]
3：力传感器；10：机器人操纵器；11：工具部；50：控制装置；51：存储部；52：力控制模拟执行部；53：机器人动作控制部；54：虚拟力生成器；55：虚拟力学习部；56：研磨量估计部；57：研磨量学习部；58：推荐值生成部；59：工具选择部；70：显示装置；71：摄像装置；72：ar/vr图像处理部；73：显示器；74：声音输出部；90：外部计算机；91：物理模拟部；100：机器人系统。