论文部分内容阅读
机器人视觉控制是机器人研究中非常重要的一个方向,拥有视觉功能的机器人能够获得更多的外部信息,与现实世界的交互能力更强。基于图像的视觉伺服系统不需要相机标定,通过相机平面中的图像信息就能完成机械臂的运动控制,控制结构比较简单,因此成为目前视觉伺服系统的研究热点。本文的研究重点在于图像雅克比矩阵的在线辨识,为了能够在基于图像的视觉伺服控制系统的每一次迭代过程中获取较为精确的雅克比矩阵值,本文主要提出了两种不同的视觉伺服的控制算法,这两个算法分别以卡尔曼滤波和神经网络为依托点,可以省略计算视觉伺服系统中所需的图像深度信息,减少了额外的开销。围绕上述研究内容,将本文的创新点总结如下:(1)卡尔曼滤波算法能够都基于图像的视觉伺服的雅克比矩阵的辨识起到较好的作用,但是利用卡尔曼滤波获取雅克比矩阵的视觉伺服系统中可能会比较容易受系统噪声的干扰,这种干扰可能会导致伺服系统收敛较慢,收敛性能较差。针对于此,本文提出了一种基于混合核和在线序列学习的混合核在线序列极限学习机(MIXEDKOSELM),对卡尔曼滤波算法中的误差进行修正,使得基于图像的视觉伺服(IBVS)控制系统的性能得到大幅度的提升,这种基于KF-MIXEDKOSELM-IBVS的视觉伺服控制方法在伺服过程中无需相机参数,并且对扰动误差和噪声统计误差具有更强的鲁棒性。为了测试MIXEDKOSELM算法的性能,本文选取了几个UCI数据集对MIXEDKOSELM算法进行验证,从实验结果来看,提出的算法具有良好的数据拟合能力,同时其泛化能力也较强。接着本文将提出的KFMIXEDKOSELM-IBV在MATLAB仿真环境中的PUMA 560机械臂上进行验证,从实验结果也可以看出这种IBVS控制算法具有较好的鲁棒性,实验精度能够大幅度的提升。在和最新的几种算法对比的数据可以看出,本文提出的算法得到的末端执行器的轨迹长度相较于别的算法提升了0.02m左右,迭代次数大约提升20次左右。(2)为了利用神经网络拟合图像雅克比矩阵,本文使用RVFL算法进行训练神经网络,而在RVFL的输入之前则加入集合经验模态分解的方法,将含有噪声信息的复杂信号分解成几个子信号,然后将这些信号作为RVFL的输入训练神经网络。由于RVFL被证明具有非常好的拟合作用,而EEMD能够对信号中的噪声起到较好的滤除作用,因此结合二者优点的EEMD-RVFL算法在数据拟合方面具有更好的性能。考虑到EEMD-RVFL算法的优点,将其作为IBVS中图像特征变换量和机械臂关节角度变换量之间的映射模型能够大幅度的提升IBVS的性能。在EEMD-RVFL-IBVS中,采用初始化雅克比矩阵的逆矩阵和EEMD-RVFL结合的办法来代替逆图像雅克比矩阵,这种方法既考虑到了特征点在相机平面的坐标,同时考虑到了图像特征点的误差,实际上是扩充了输入向量的维度,使得输入向量具有更多的信息,这样做的好处是能够更好的拟合图像雅克比矩阵。为了验证提出算法的可靠性与鲁棒性,同样将该算法在MATLAB仿真环境中进行验证,从实验结果来看,EEMD-RVFL-IBVS具有较好的性能,系统鲁棒性较好,同时系统的收敛速度明显得到了提升。