无标定视觉伺服控制系统的研究

论文摘要

视觉伺服控制在20世纪90年代后期成为机器人研究领域的热点,大多数控制方法都需要精确标定系统模型,但是实际中由于种种原因又不可能实现。为此,一种与机器人和摄像机类型均无关系,即不需要标定系统模型的无标定视觉伺服控制成为学术界研究的重点。本文在总结了机器人无标定视觉伺服发展状况的基础上,采用基于图像的控制结构,从动态估计和神经网络学习两个角度,建立了图像特征空间和机器人关节空间的非线性映射关系,实现了复合雅可比矩阵的功能,避免了机器人模型和摄像机模型的标定过程。具体工作有以下几个方面:第一,采用基于递推最小二乘最小化的动态拟牛顿法对复合雅可比矩阵进行动态估计,针对传统的递推最小二乘法对于非平稳环境下的突变和时变信号的跟踪能力较差的问题,引入可变的遗忘因子,根据估计误差的变化调整遗忘因子来改善算法的收敛速度和跟踪能力。基于三自由度机器人系统进行仿真研究,结果表明,无论是对静止目标还是对运动目标的跟踪,都具有比采用固定遗忘因子精度高,响应速度快的特点。第二,利用BP神经网络强大的非线性映射能力,学习图像特征和机器人关节角之间的非线性关系。考虑到网络性能对网络初值的设置比较敏感,影响训练效率,采用了遗传算法优化BP神经网络的初始权值和阈值。构造了基于图像的视觉伺服稳定系统来获取训练数据,将训练好的网络串入系统。针对Puma560机器人进行仿真研究,结果表明该方法既能保持精度又提高了控制系统的实时性。第三,应用机器人工具箱8.0的Simulink模块搭建了基于图像的机器人视觉伺服仿真系统,直接观察机器人的动态定位过程。利用遗传算法工具图形用户界面优化BP神经网络初值,方便查看当前结果和备用数据导出。工具箱的使用减少了研究者编程仿真的工作量,具有一定的普适性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景及意义
• 1.2 机器人视觉伺服基本理论
• 1.2.1 机器人视觉伺服系统
• 1.2.2 机器人视觉伺服系统的分类
• 1.2.3 基于位置的视觉伺服
• 1.2.4 基于图像的视觉伺服
• 1.3 机器人无标定视觉伺服
• 1.3.1 问题的提出
• 1.3.2 无标定视觉伺服分类
• 1.3.3 国内外研究现状
• 1.4 论文工作及结构安排
• 第2章 预备知识
• 2.1 引言
• 2.2 基于图像的机器人视觉伺服基础理论
• 2.2.1 坐标关系
• 2.2.2 摄像机模型
• 2.2.3 机器人运动学
• 2.2.4 机器人雅可比矩阵
• 2.2.5 图像雅可比矩阵
• 2.3 递推最小二乘法
• 2.4 遗传神经网络
• 2.5 机器人工具箱
• 2.6 遗传算法工具箱
• 2.7 本章小结
• 第3章 基于变遗忘因子RLS 的无标定视觉伺服机器人控制
• 3.1 引言
• 3.2 无标定视觉伺服算法
• 3.2.1 非线性方差最小化法求解关节角
• 3.2.2 动态Broyden 法估计复合雅可比矩阵
• 3.3 具有变遗忘因子RLS 的无标定视觉伺服算法
• 3.3.1 固定遗忘因子RLS 改进的复合雅可比矩阵估计
• 3.3.2 可变遗忘因子RLS 改进的复合雅可比矩阵估计
• 3.3.3 偏差的估计
• 3.4 收敛性证明
• 3.5 仿真实验
• 3.6 本章小结
• 第4章 基于遗传神经网络的无标定视觉伺服机器人控制
• 4.1 引言
• 4.2 逆雅可比矩阵视觉伺服控制系统的建立
• 4.2.1 图像雅可比矩阵的推导
• 4.2.2 稳定性分析
• 4.3 遗传神经网络无标定视觉伺服控制系统的建立
• 4.3.1 BP 神经网络结构的设计
• 4.3.2 遗传算法数学模型的描述
• 4.3.3 遗传神经网络视觉控制器的设计
• 4.4 仿真实验
• 4.5 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间承担的科研任务与主要成果
• 致谢
• 作者简介