论文部分内容阅读
智能机器人之所以区别于传统的示教-再现型机器人,是因为其有感知外部世界变化并作出自适应调整的能力。在众多的机器人感觉中,尤以视觉应用最广。而在复杂工业现场环境下,存在诸如粉尘、光照变化、摄像机抖动、遮挡、信道传输噪声等干扰因素,不可避免地会对机器人的视觉产生影响,造成图像信号的降质。此外,复杂多变的工作环境,也给传统的需要标定技术才能完成的机器人控制器的设计造成困难。针对上述问题,本文以基于视觉的机器人智能分拣和抓取为应用背景,利用神经网络研究复杂环境下图像的恢复和目标识别以及机器人视觉伺服控制。神经网络固有的非线性逼近能力、自适应和泛化能力,以及联想记忆能力,使其成为贯穿本文各个研究部分的关键技术。其中,复值神经网络以其自然的复数处理能力,使得图像等常需频域处理的信号有了直接的表达和处理方式。为解决恶劣环境下图像降质严重的问题,本文利用复值Hopfield神经网络的联想记忆能力完成对降质图像的恢复。为此本文首先开展复值Hopfield神经网络的分析和综合研究。在此基础上,讨论复杂环境下图像识别和恢复的实现问题,最后基于模糊行为规则和神经网络对机器人智能视觉伺服控制器进行设计。归结起来,本文的主要研究工作包括:1)针对一类复值离散时间Hopfield神经网络,提出一种兼顾平衡条件和稳定条件的网络综合方法。该方法首先根据稳定性分析,得出系统局部渐近稳定性判决条件,而后通过求解网络平衡方程和调整平衡解中的激活函数增益,确保最后的网络综合结果满足稳定性判据,从而使每个待记忆模式在网络中是稳定且吸引的。2)针对一类复值连续时间Hopfield神经网络,提出一种吸引域受限条件下兼顾平衡条件和稳定条件的网络综合方法。该方法首先在复值域中构造基于吸引域参数的Lyapunov函数,而后开展系统的稳定性分析,并分别在网络时间常数已知和未知的情况下,进行吸引域受限条件下的网络综合研究。其中平衡方程的求解分别基于伪逆规则和奇异值分解技术,所得网络参数约束和给定的吸引域参数均包含在用线性矩阵不等式表示的渐近稳定判据中,所以网络参数易于求解,且所得结果能同时满足给定吸引域内记忆模式的稳定性和吸引性。3)针对一类可直接表示灰度等多值图像的复多值Hopfield神经网络,提出一种兼顾平衡条件和能量函数逐步递减要求的网络综合方法。综合中基于奇异值分解技术求得的网络平衡方程通解,依能量函数递减原则进行调整,并最终得到能同时满足稳定性和吸引性要求的网络权值解,保证了图像联想记忆的可靠性。4)针对复杂环境下图像易出现模糊、缺损、噪声污染等严重降质的问题,通过引入复多值单层感知机完成对降质图像中各种形态工件的图像识别;利用3)中提出的一种复多值Hopfield联想记忆器完成对工件降质图像的恢复,进而实现对工件上角点信息的可靠提取,为机器人的视觉伺服控制提供可靠的图像反馈信息;5)针对复杂多变的非结构化环境中,常规的基于图像雅克比矩阵的视觉伺服控制存在建模困难且适应能力差的问题,提出一种基于模糊行为和神经网络的两阶段机器人智能抓取控制方案。其中第一阶段的模糊行为控制模仿了人的控制经验,可完成对机器人手爪的粗略定位;第二阶段的神经网络控制则利用BP神经网络的非线性逼近能力,实现对从图像空间到机器人关节空间的复杂非线性系统建模,完成对机器人手爪的准确位姿控制。