随着机器人在各个领域的应用,视觉伺服技术的深入研究也被广泛关注。本文以无标定单目机器人为模型进行开展,在无需获取相机内参和外参的基础上,仅通过控制算法的设计和改进,实现视觉伺服控制。相对于标定的视觉伺服系统,不仅简化了操作步骤,更提高了控制算法的准确性和抗干扰能力,使视觉伺服系统对外界环境的变化更具鲁棒性。本文针对视觉伺服任务中可能存在的伪逆奇异性问题、图像噪声和标定误差干扰问题、特征点个数增多计算量增大等问题进行研究,并提出了详尽的解决方法。首先,本文介绍了视觉伺服方法的研究背景与现状,整体概括了常见的视觉伺服结构,并分析了其各自的优劣性。针对视觉伺服控制的系统,介绍了视觉伺服空间坐标系的变换描述,相机模型以及运动学建模等知识,为视觉伺服研究提供了理论基础。其次,利用基于投影单应性的视觉伺服方法,解决了传统方法中当特征点较多时,计算速度变慢的问题。工程中,特征点个数的增多会增加图像的鲁棒性。本文通过利用当前图像平面和期望图像平面的单应性映射关系,构造任务函数并生成维度固定的单应性雅可比矩阵,使雅克比矩阵伪逆的计算量不随特征点的个数发生变化。与传统方法相比,在特征点较多的情况下,雅可比矩阵的计算复杂度降低,收敛速度变快。此外,还介绍了两种雅可比矩阵的估计方法,分别为卡尔曼滤波器估计方法和自适应估计方法,二者均能实现对雅可比矩阵的估计,并完成无标定视觉伺服任务。再次,针对视觉伺服任务中可能存在的伪逆奇异性、收敛速度慢、图像噪声和标定误差干扰等问题,本文提出了一种基于极限学习机和Q学习的新型视觉伺服方法。首先,极限学习机用来逼近交互矩阵的伪逆,与传统方法相比,极限学习机具有更好的泛化性能,更快的运算速度和唯一最优解,其避免了交互矩阵求解的奇异性,并有效减少了特征噪声干扰和相机标定错误。其次,采用Q学习方法调整伺服增益,与其他方法相比,Q学习具有自我学习能力,即无需经验规则,仅通过训练即可得到最优决策,利用Q学习方法进行增益的参数自适应调优,增快了视觉伺服任务的收敛速度。最后,为了验证单应性投影的无标定视觉伺服方法和基于极限学习机和Q学习的视觉伺服方法的有效性,本文利用Denso机器人平台构成的实验系统分别对其进行了实验验证,且实验结果证明了其方法的可行性。