基于位置的机器人视觉伺服控制系统研究

去修正 Ｃ Ｍ Ａ Ｃ
的权向量。学习算法为：
其中，
是 Ｃ Ｍ Ａ Ｃ 的权向量，Ｃ 为感受野的
宽度， 为学习率，而网络输出为：
这 是 一 个 六 输 入 二 输 出 的 神 经 网 络 ，每 个 输 入 的 量 化等级均为Ｒ＝４００，学习率 为０．６，感受野的宽度为８０，物 理存储空间 Ｍ ｐ ＝ ５ ０ ０ ０ ０ 。 ２ 运动目标位置预测
采用 ｋ ａ ｌ ｍ ａ ｎ 滤波器精确估计目标在图像中的位置和 相关运动参数（ 如速度、加速度等） 、预测目标下一时刻的 位置，并形成稳定的目标运动轨迹。推导出的一套卡尔曼 滤 波 算 式 为：
滤 波 过 程 为： ① 初 始 化 ，滤 波 初 值
②状态一步预测 ③一步预测误差方差阵
④滤波增益矩阵 ⑤状态估计 ⑥估计误差方差阵 ３ 仿真分析 ｎ 关节的机器人手臂动力需模型如下：
，其
中， 来自于计算力矩控制器。因此模糊神经网络控制器 的参数可以按照梯度法进行离线的训练：
图１ 手臂混合控制器框图 （１ ）模糊神经网络（Ｆ Ｎ Ｎ ）控制器设计
神 经 网 络 和 模 糊 逻 辑 具 有 学 习 和 推 理 能 力 ，并 不 依
收稿日期：２０１０－０５－２６ 作者简介： 赵艳花（ １ ９ ８ ２ － ） ， 女， 助教， 主要研究方向为自动控 制、机器人视觉伺服控制。 ＊ 基金项目：河南省教育厅自然科学研究计划项目 ２００８Ｂ５１００１６
的优点可较好的解决这一类问题。
控制器的输入为
和
，
输出为转矩
。
控 制 器 的 第 一 层 为 模 糊 化 层 ，隶 属 度 函 数 采 用 高 斯
函数； 为第一层第 ｉ 个节点的输出，即
第二层为
第三层为
网络需要训练的参数有cij， ， ，为了简化计算，假设所
有的隶属函数的中心值和宽度值都相等，即
，。
离线训练这些参数，选定代价函数为
关 键 词：动 力 学；视 觉 伺 服；状 态 估 计 Abstract: Most of the research based on visual servo took on count of dynamics of the robot, regarding the robot as an ideal allocation equipment. This paper have been tied in robotic kinematics and dynamics, adopting method of visual servo controller based on position with FNN and CMAC controller, combined Kalman filter object motion state estimation, and have realized the tracking that the robot moves to the target. To verify the algorithm , emulator result based on two-link robot have been done. Key words: Dynamics ; Visual servo ; State estimation 中图分类号：ＴＰ２ 文献标识码：Ａ 文章编号：１００１－９２２７（２０１０）０５－０００３－０２
由图 ３ 可知，考虑机器人动力学模型不确定性或摩擦 或外部干扰时，该混合控制器控制下，关节 １ 、２ 的关节角 都可以达到给定的位置，具有一定的鲁棒性。
图３ 关节角误差曲线
图４ 目标运动轨迹及机械手跟踪轨迹（点划线） 从图 ４ 中可以看出七八个采样周期后末端执行器即可 较好的跟踪上目标，较好的解决视觉伺服控制中的定位精 度难点以及图像采集和处理过程中的延时问题，改进机器 人的视觉控制算法，达到精确、非线性的鲁棒控制。 ４ 结 论 综 上 所 述 ，设 计 并 实 现 关 节 型 机 器 人 手 臂 混 合 控 制 器及视觉伺服控制器，完成视觉伺服任务，并通过计算机 仿真试验，给出数据及结果，验证控制方法的定位精度及 伺服速度。完成的工作主要有以下几个方面： （ １ ） 在机器人运动控制方面，提出快速高精度的鲁棒 运动控制策略，解决机器人手臂运动的抗干扰问题。 （ ２ ） 采用目标运动状态估计方法，解决运动视觉中的 噪声干扰问题。
线性动力学特性、抗干扰能力和运行速度方面具有优势，
鉴于此本项目采用这种控制器。
所采用的 Ｃ Ｍ Ａ Ｃ 控制器方案如图 ２ 所示，其中关节的状
态向量由
来表示， 为给定的空
间运动轨迹，
是加在关节上的控制力矩向量，由
两部分产生，即：
基于位置的机器人视觉伺服控制系统研究 赵艳花，等 动力学行为总是被摩擦和干扰等非结构性的不确定因素 所影响，因此机器人手臂的动力学模型可以写为：
本 仿 真 实 验 采 用 二 连 杆 机 器 人 ，假 定 系 统 动 力 学 模 型中存在的摩擦和外部干扰 Ｆ（ｑ ，ｄ ｑ ）用下式来表示：
图２ ＣＭＡＣ控制器结构图
在开始时，ＣＭＡＣ 网络的权值全为零，f (sd)也为零，控制 力矩全由反馈控制器提供。当手臂的真实状态，被测量到
后，将其输入到ＣＭＡＣ 网络产生f (s)，用
赖于对象的精确模型。在模糊控制中，确定每个输入输出
的隶属度函数是比较困难的，由于机器人手臂的动力学特
性 涉 及 许 多 变 化 的 因 素（ 结 构 性 和 非 结 构 性 不 确 定 性 ），
除非隶属度函数可以自动的调整从而补偿这些因素的影
响，否则模糊控制对这一类带有不确定性的系统不能得到
满意的效果。而引入神经网络，结合神经网络和模糊控制
０ 引 言 目 前 大 多 数 视 觉 伺 服 研 究 中 ，只 考 虑 了 机 器 人 的 运
动学特性，把机器人当作一个理想的定位设备，而没有考 虑机器人的动力学特性。而实际的机器人工作过程中，还 是必须要考虑其动力学特性的。本文考虑了机器人的动力 学特性，采用 ＦＮＮ 结合 ＣＭＡＣ 手臂控制器，并利用 ｋａｌｍａｎ 滤 波对目标运动状态估计实现对包含动力学模型的机器人 位 置 控 制 。针 对 一 个 二 连 杆 视 觉 伺 服 定 位 系 统 进 行 了 仿 真，仿真的结果说明了算法的有效性。 １ 手臂混合控制器
机器人手臂是一个复杂非线性、强耦合的时变系统， 采用模糊神经网络Ｆ Ｎ Ｎ 控制器、Ｃ Ｍ Ａ Ｃ 网络控制器和传统的 Ｐ Ｄ 控制器相结合的控制方法，通过 Ｆ Ｎ Ｎ 控制器提高系统的 自学习能力，提高系统的鲁棒性，Ｃ Ｍ Ａ Ｃ 网络在线的学习， 可以补偿 Ｆ Ｎ Ｎ 控制器的逼近误差。该混合控制器（如图 １ ） 可以快速的恢复并维持较好的跟踪性能，同时改善机器人 系统的品质，减少由于不确定性引起的机械振动，从而延 长机器人手臂的寿命。
参考文献 ［１］ 薛定宇，陈阳泉．基于ＭＡＴＬＡＢ／ Ｓｉｍｕｌｉｎｋ的系统仿真技术与应
用［Ｍ］．北京：清华大学出版社，２００２． ［２］ 胡建华，徐健健．一种基于遗传算法和卡尔曼滤波的运动目标
跟踪方法［Ｊ］．计算机应用，２００７，４． ［３］ 李国栋． 基于图像雅可比矩阵的关节机器人视觉伺服控制系
《自动化与仪器仪表》２０１０ 年第 ５ 期（总第 １５１ 期）
基于位置的机器人视觉伺服控制系统研究＊
赵 艳 花 ，张 伟 民 （洛阳理工学院电气工程与自动化系 河南洛阳，４ ７ １ ０ ２ ３ ）
摘 要：大多数视觉伺服研究中，不考虑机器人的动力学特性，把机器人当作一个理想定位设备。本文考虑 其动力学特性，采用基于 Ｆ Ｎ Ｎ 和 Ｃ Ｍ Ａ Ｃ 控制器结合 ｋ ａ ｌ ｍ ａ ｎ 滤波对目标运动状态估计的方法，实现了机器人对目标运 动的跟踪。并对一个二连杆视觉伺服系统进行了仿真，仿真结果说明了算法的有效性。
Ｊ 为 ｎ ＊ ｎ 维手臂惯量阵，Ｃ 为 ｎ ＊ １ 维哥氏力矩阵和离心 力矩向量，Ｇ 为 ｎ ＊ １ 维重力矩向量。实际上，机器人手臂的
４
假设目标在二维平面内运动，目标初始位置为（０ ． ７ ５ ， ０．３），沿着圆周（x －０．５）２＋（y －０．３）２＝０．２５２ 做匀速率运动，角 速度 ｗ＝０．５ｒａｄ／ｓ，采样时间 Ｔ＝０．０５ｓ，过程噪声和观测噪声 的均值为零，Ｑ＝１００＊ｅｙｅ（６），Ｒ＝２０＊ｅｙｅ（２）。
其中， 为学习率。 但是模糊神经网络在忽略结构性和非结构性的不确 定性时，可以获得较好的性能。因其不能真实的反映系统 中存在的不确定性，必须寻找克服这个缺点的方法，本项 目采用 Ｃ Ｍ Ａ Ｃ 控制器来补偿模糊神经网络的这个缺陷。 （２）ＣＭＡＣ 控制器设计
３ቤተ መጻሕፍቲ ባይዱ
Ｃ Ｍ Ａ Ｃ 并不是一种万能控制器，有文献指出：ＣＭＡＣ 在非
统研究［Ｄ］．湘潭大学，２００７．