基于图像视觉伺服的PDC控制方法

针对当前基于图像的视觉伺服(IBVS)方法难以处理系统约束以及局部渐进稳定等的问题,提出一种新的并行分布补偿(PDC)控制方法。首先,运用张量积(TP)模型变换将视觉伺服系统模型转换为线性时不变系统的凸组合形式;然后,根据并行分布补偿原理将视觉伺服系统的控制变量通过求解线性矩阵不等式的凸优化问题获得,其可行解保证视觉伺服系统的闭环渐进稳定性。该方法除了能够避免直接求解图像雅可比矩阵的逆而无需考虑图像奇异问题外,还易于处理系统约束,根据执行器的机械限制有效规划控制信号的强度。两自由度连杆系统的仿真结果验证了该方法的有效性。

基于图像的移动机器人视觉伺服

为了更简便地将基于图像的视觉伺服运用于移动机器人,避免采用近似线性输入输出反馈控制模型中近似与假设的情况,提出了3种使用极线几何与三角几何相结合的方法,此类方法不需要预先知道三维场景的结构知识。实验仿真结果证明了该方法的有效性。

基于任务分解的图像视觉伺服方法

传统的基于图像机器人视觉伺服方法,伺服任务包含绕光轴(z轴)旋转运动时,机械手的运动轨迹会出现迂回,旋转角度较大时无法实现伺服任务;有沿光轴平移运动分量时,由于图像雅可比矩阵包含深度信息,大多伺服算法无法实现。提出基于任务分解的视觉伺服切换方案,在四自由度伺服任务中,先将绕z轴旋转和沿z轴平移运动分离开来并分别顺序执行,再完成沿x轴和y轴平移的伺服任务。所提方案解决了传统视觉伺服旋转运动轨迹迂回甚至不能实现的问题,稳态误差小,运动路径合理。运动仿真说明了提出方案的有效性。

采用全景相机的移动机器人视觉伺服

为了解决机器人上装置传统相机而产生的视野域有限的问题,采用了全景相机,并且针对采用近似线性输入输出反馈控制模型中近似与假设过多的情况,提出了一种使用极线几何与三角几何相结合的方法,更简便地实现基于图像的视觉伺服运用于移动机器人的情况。由于是基于图像的视觉伺服,该方法不需要预先知道三维场景的结构知识。实验仿真结果表明了该方法的有效性。

直线一级倒立摆的视觉伺服控制

把视觉引入倒立摆的控制中,建立了视觉伺服的倒立摆系统。利用针孔摄像机的成像几何模型建立与图像坐标有关的状态空间方程,采用基于图像的视觉伺服控制方法,对摆杆在像平面上的位置进行实时控制。在Matlab环境下用LQR(Linear Quadratic Regulator)和极点配置法进行仿真,对比仿真结果。验证了系统方程推导的正确性,以及控制算法的有效性。

基于卡尔曼滤波与解耦的视觉伺服控制

基于图像的视觉伺服机械臂控制是近几年来学者研究的热点,具有很高的应用价值。本文提出了一种基于卡尔曼滤波与解耦控制相结合的控制方法,并通过仿真验证了该方法的有效性。众所周知视觉伺服控制中机械臂做旋转运动时会导致图像平面上的特征点大范围运动,这样就很容易导致特征点跑出相机的视场从而导致视觉伺服失败。显然,对旋转所引起的特征点的变化进行一定的补偿,使旋转调节在合理的范围内,就可以使特征点保留在相机的视场内。

基于BP神经网络的机器人视觉控制方法

利用BP神经网络实现了基于图像的机器人视觉伺服控制器,省略了计算图像雅可比矩阵和机器人雅可比矩阵的过程,简化了控制算法的计算,训练样本和测试样本取自RBT-6T/S04S机器人实际运动,设计6个BP神经网络来实现图像空间与机器人空间的非线性映射关系,仿真结果显示神经网络控制器具有良好的定位跟踪效果,在保证精度的条件下简化了算法。将训练好的神经网络控制器用于视觉伺服系统中引导机器人到达目标物体,达到了较好的效果。