论文部分内容阅读
提出不一种基于改进变尺度混沌优化算法(Enhanced mutative scale chaos optimization algorithm,EMSCOA)的机器人动态自标定位置视觉伺服算法,算法在Mendonca-Cipolla和G.Chesi利用本质矩阵进行自标定的基础上进行了扩展.首先依据3个奇异值的特性在线生成目标函数,在进行动态自标定的同时,完成视觉伺服.算法抛弃了G.Chesi方法中对初值选取极为敏感的梯度下降法,采用改进的变尺度混沌优化算法动态优化摄像机内参数.把混沌变量映射到待寻优的5个内参数区间,通过设置内外两层循环,内循环进行混沌搜索,外循环负责缩小内参数搜索区间,避免了混沌优化在内参数区间的盲目重复搜索,提高了搜索效率.算法同时克服了G.Chesi方法迭代过程中要求选取初值时靠近摄像机内参数真值的限制,并可以通过设置参数范围来精确逼近5个内参数.另外,算法不需要物体精确的三维模型,只需要8个空间固定点坐标信息.仿真结果表明,该方法应用于基于位置的视觉伺服时运算速度快,同时对内参数变化鲁棒性强,实验结果证明了算法的有效性.