基于BP神经网络-模糊控制的机器人无标定视觉伺服技术

针对机器人无标定视觉伺服技术中图像雅可比矩阵在线估计存在计算复杂的问题,提出了一种结合反向传播(back propagation,BP)神经网络和模糊控制策略的机器人控制技术。以多自由度智能调节系统为例,提出其视觉伺服控制架构,根据工业场景数据集训练BP神经网络,采用本文所提算法进行法兰对中实验,帮助解决核电站蒸汽发生器人孔螺栓咬死问题。在方法层面,首先,利用BP神经网络建立图像特征信息与机器人多自由度运动之间的映射关系,之后,提出模糊控制方法根据图像特征偏差进行机器人位姿的精确调整。实验结果表明,本文算法能够有效应用于无标定视觉伺服控制,最终法兰平均对中误差在±1 mm内,平均耗时43 s,满足应用需求,具有较高的工作效率。

直喷式汽油机共轨压力的无标定建模控制

为了对直喷式汽油机共轨压力实施全里程生命周期和复杂工况下的精确控制,提出了一种基于共轨系统建模的无标定控制计算法。根据共轨系统的结构参数和流量特性,建立了喷油器、高压油泵和共轨管的数学模型,并对相关参数进行了拟合和验证。为了提高离线拟合参数的鲁棒性,对模型中的未知参数设计了自学习方案,以进行实时修正和优化。通过采用精确前馈模型和自抗扰控制器,实现了共轨系统无标定控制,并提高了系统的自抗扰能力。在Simulink仿真平台进行的试验验证显示,与传统控制方法相比,本建模计算法可以将反馈输出比降低到40%以下,并使瞬时响应时间及其上冲量降低45%以上,从而免除了前馈反馈参数复杂的标定过程,并具有良好的鲁棒性和全生命周期适应能力,该方法可用于共轨系统的嵌入式控制。

不需要标定系统模型的“眼在手上”视觉伺服控制技术

工业实践中不可能精确地标定摄像机和机器人模型,但当前的视觉伺服控制都需要标定系统模型.针对这一现象,提出一种新颖的、能应用于"眼在手上"视觉伺服控制结构的动态无标定的视觉伺服控制算法,无需标定摄像机和机器人运动学模型即可跟踪运动物体,通过将非线性目标函数最小化,以视觉信息跟踪动态图像.针对目前视觉伺服控制系统中"眼在手上"系统的复合雅克比矩阵随每个时间增量的变化无法计算的现象,提出了对每一时间增量时刻的图像雅克比矩阵的变化做出估计的方法,仿真实验证明了上述方法的正确性和有效性.

基于动态BFGS法的无标定视觉伺服控制

基于动态BFGS(Broyden-Fletcher-Goldfarb-Shanno)法,研究了一种针对运动目标进行实时跟踪的无标定视觉伺服控制方案.通过直接估计包含残差项的全局Hessian矩阵(即目标函数的Hessian矩阵)之逆,简化了直接计算残差项的计算量,同时解决了Hessian矩阵之逆的奇异性问题.根据关节变量到图像平面映射关系的近似仿射模型推导了不依赖于目标的图像Jacobian矩阵估计量,提高了对动态目标跟踪的鲁棒性.借助Matlab Robotools工具箱,搭建了一个三自由度的机械臂视觉跟踪系统,通过仿真实验将本文的方法与残差项的直接计算法、动态变尺度法进行了对比,结果验证了该方法的良好跟踪性能.