基于图像的机械臂视觉伺服控制研究

摘要

机械臂视觉伺服控制是机器人领域的一个重要的研究方向，随着工业的快速发展，工业机械臂的应用越来越广泛。基于图像的无标定视觉伺服策略能够有效避免逆运动学运算、摄像机标定等问题，该方法的伺服控制系统具有结构简单，运算复杂度小，控制精度高等优点。
　　本文围绕图像雅可比矩阵在线辨识策略设计和图像特征空间到机械臂运动空间的映射关系等问题进行了研究。论文主要研究内容分为2个部分，第一，本文将极限学习机(ELM)这种训练单隐层前馈神经网络的方法用到了图像雅可比矩阵估计的策略中，用极限学习机对基于卡尔曼滤(KF)的图像雅可比矩阵估计策略进行优化，并设计了基于模糊逻辑(FL)增益自适应和极限学习机优化的卡尔曼滤波图像雅可比矩阵在线估计的机械臂视觉伺服系统。解决了基于卡尔曼滤波图像雅可比矩阵在线估计方法的机械臂视觉伺服系统在收敛速度慢、图像雅可比矩阵估计精度低等缺陷。第二，本文将多元自适应回归样条(MARS)和在线序列极限学习机(OS-ELM)的混合方法用于预测机械臂末端执行器的速度中，用多元自适应回归样条(MARS)方法对训练样本进行重要性评估，提高了算法的预测性能，与基于状态估计的方法相比，避免了运动学、逆运动学、深度信息等计算问题，提高了算法的实时性。围绕上述研究内容，本文的创新性如下所示:
　　(1)针对基于KF算法的无标定手眼系统对机器人系统扰动误差和噪声统计误差的不稳定且系统收敛速度慢等问题，提出了一种卡尔曼滤波极限学习机(KFELM)和FL增益自适应的基于图像的视觉伺服(IBVS)控制系统。具体而言，首先建立基于KF的图像雅克比矩阵在线辨识模型。针对基于KF图像雅可比矩阵在线辨识方法存在的对机器人系统的扰动引起的误差和有色噪声引起的噪声统计误差的不稳定情况，设计了一种基于ELM的图像雅可比矩阵误差补偿模型，对KF得到的次优估计进行误差补偿。又根据图像特征误差反馈，设计了一种基于图像特征误差反馈的FL速度控制器增益自适应方法，并提出了一种FL和KFELM相结合(FL-KFELM)的视觉伺服控制方案。将本文提出的方法应用于眼在手(EIH)模型的PUMA5606-DOF机械臂控制中，仿真结果表明，这种基于FL-KFELM的视觉伺服控制方法与其它算法相比在系统的收敛速度和图像雅可比矩阵的估计精度具有显著的优势。
　　(2)针对经典IBVS系统中存在的图像雅克比矩阵计算复杂、系统收敛速度慢和视觉伺服实时性差等问题，提出了一种基于多元自适应回归样条(MARS)和在线序列极限学习机(OS-ELM)混合的回归模型(MOS-ELM)，并用于IBVS控制的机械臂末端执行器速度预测。为了提高OS-ELM的预测性能，用MARS对输入特征进行重要性评估，选择重要特征作为OS-ELM输入特征，以此构建了MARS和OS-ELM的混合模型。通过与OS-ELM和一些改进的OS-ELM的仿真结果进行比较，证明了提出的MOS-ELM具有更好的泛化性能和稳定性。最后，将提出的方法应用于眼在手(EIH)模型的PUMA5606-DOF机械臂控制中，仿真实验证明算法能够应用于IBVS控制中，并且具有良好的性能。

目录

声明

摘要

1．1 研究背景和意义

1．2 国内外研究现状

1．2．1 基于位置的视觉伺服控制

1．2．2 基于图像的视觉伺服控制

1．2．3 混合的视觉伺服控制

1．3 论文的主要工作及结构安排

第二章 机械臂视觉伺服基础

2．1 机械臂位姿描述

2．1．1 坐标系变换

2．1．2 机械臂D-H参数

2．2 机械臂雅可比矩阵

2．3 视觉成像模型

2．4 交互矩阵

2．5 本章小结

第三章 基于优化卡尔曼滤波的无标定视觉伺服控制

3．1 基于卡尔曼滤波的图像雅可比矩阵在线估计

3．2 极限学习机模型

3．3 基于FL-KFELM的IBVS控制系统

3．3．1 基于KFELM的图像雅可比矩阵在线估计策略

3．3．2 模糊逻辑增益自适应

3．3．3 IBVS控制系统设计

3．4 实验结果与分析

3．4．1 实验条件

3．4．2 实验参数及评价指标

3．4．3 实验结果讨论

3．5 本章小结

第四章 基于多元自适应回归样条和在线序列极限学习机混合的视觉伺服系统

4．1 多元自适应回归样条

4．2 在线序列极限学习机

4．3 MARS和OS-ELM混合模型

4．4 基于MOS-ELM的无标定视觉伺服系统

4．5 实验结果与分析

4．4．1 实验条件

4．4．2 实验参数设置

4．4．3 实验结果讨论

4．5 本章小结

第五章 总结与展望

参考文献

致谢

攻读学位期间的研究成果