【正文】 考特征與觀察特征之間進行匹配，適用范圍較廣，但定位精度比用局部特 征低。大多數(shù)基于圖像的視覺伺服系統(tǒng)都采用點特征 (如質(zhì)心點，角點或經(jīng)過特殊設(shè)計的具有明顯特 征 的點等 )做為圖象特征，也有一部分基于圖像的視覺伺服系統(tǒng)中采用線特征 (如圖像等效橢圓的主、副軸 )、面特征 (如面積 )圓等做為圖象特征。另一方面特征必須可控，即通過一系列的控制行為能夠得到所選擇的圖像特征。由于現(xiàn)有的機器人控制器一般都采用雙閉環(huán)控制結(jié)構(gòu)，機器人的馬達驅(qū)動、力矩控制對用戶來說是完全透明的，可將其視作理想的笛卡爾運動元件。所以，一旦攝像機的位置、焦距等發(fā)生稍微變化后，根據(jù)原標定參數(shù)計算出的結(jié)果會有很大誤差，必須進行重新標定； (3)由于攝像機鏡頭畸變等因素的影響，攝像機的標定區(qū)域一般限制在一個比較小的區(qū)域，如果機器人的工作范圍比較大時，難以得到一個滿足工作范圍內(nèi)所有位置的參數(shù)模型。它是指在不預(yù)先標定攝像機和機器人參數(shù)的情況下，直接通過圖像上的系統(tǒng)狀態(tài)誤差來設(shè)計控制律，驅(qū)動機器人的運動，使系統(tǒng)誤差收斂到一個容許的誤差域內(nèi)的機器人視覺伺服方法。 基于雅可比矩陣的方法力圖用線性關(guān)系逼近系統(tǒng)非線性在采樣點的瞬時表現(xiàn)，并用這種近似線性化模型建立圖像反饋控制。此外，無模型理論和 ADRC 方法也被用于解決無標定的視覺跟蹤問題，其基本思路是將視覺伺服系統(tǒng)近似為一個簡單的線性模型，而對這種近似所造成的非線性誤差在控制過程中加以動態(tài)補償。 本文的主要工作 本文的工作主要 集中在研究基于標定技術(shù)的機器人視覺伺服，和基于 kalman 濾波原理的機器人無標定視覺伺服，并通過 仿真，表明了該方法的有效性和可行性。 第三章針對無標定系統(tǒng)的特點以及傳統(tǒng)雅可比矩陣在線估計算法的缺點，專門分析了圖像雅可比矩陣模型的在線辨識問題。 第五章 對 己取得的研究成果進行了簡單的總結(jié) 及分析 。 ? ? mniJ r R ??即為圖像雅 可 比矩陣。式中 rJ 被稱為機器人雅 可 比矩陣。 P 為固定在此執(zhí)行器上的一點，[]CTP x y z? 為該點在攝像機坐標系中的坐標， []Tuv為該點在攝像機圖像平面上的坐標： uxvyz?? ? ? ??? ? ? ?? ? ? ? (21) ? 為攝像機焦距。圖像雅克比矩陣反映了圖像特征空間與機器人運動空間的微分關(guān)系， 即 ()g g ggf J p p? ()ggbbggggbbuuxyJpvvxy????????? ?????????? 使用針孔模型描述攝像頭的成像投影關(guān)系： gcgggcgcgggcxuzyvz??? ?????? ???? 圖像特征運動 : 11 1221 2231 320000g g g ggcg g g gg c c c cg g gcg g g g ggcg g g gc c c cuux r ru z z z zf y r r pv vvz r rz z z z????? ? ? ????? ??? ? ? ??? ?? ??? ? ? ?? ? ? ??? ??? ? ? ??? ?? ??? ? ? ? ????? ? ? ?? ? ? ? 設(shè)從機器人基坐標系 b? 到固定 攝像機坐標系的變換關(guān)系如下： 白蕾：工業(yè)機器人視覺伺服 12 ggcbgcxxy R y Tzz? ? ? ?? ? ? ?? ? ?? ? ? ?? ? ? ?? ? ? ? 式中： 11 12 1321 22 2331 32 33r r rR r r rr r r??????? xyzTTTT??????????? R ， T 為相應(yīng)的旋轉(zhuǎn)和平移關(guān)系，對于固定攝像機，它們是常數(shù)陣。 M 稱為投影矩陣； 1M 僅與攝像機內(nèi)部結(jié)構(gòu)有關(guān)，稱為內(nèi)參矩陣； 2M 完全由攝像機相對于世界坐標系的方位決定，稱為外參矩陣。 機器人模型的一個關(guān)鍵問題是機器人的雅可比矩陣。 式 (25)是機器人關(guān)節(jié)控制器的設(shè)計依據(jù)，其輸入為末端執(zhí)行器的廣義運動速度X? ,輸出為各關(guān)節(jié)的轉(zhuǎn)動控制量（角位移增量）。這里我們使用 PID 控制器。 第二種方式是先將圖像平面的誤差乘以圖像雅可比矩陣的逆變換到笛卡兒空間中的誤差，然后在笛卡兒空間中設(shè)計視覺控制器，也可以直接變換到關(guān)節(jié)空間。 眼固定 (見 圖 22) 西安理工大學本科生畢業(yè)設(shè)計（論文） 15 圖 22 眼固定模型 仿真參數(shù)設(shè)置如下：目標運動平面為機器人基坐標系的 xoy 平面，攝像機的內(nèi)參數(shù)為 [8e3 20e3 20e3 256 256]。 實驗最后的得到的誤差為 E=（ pixel）。圖像平面大小為 [0 511 0 511]。 仿真結(jié)果如下所示： 0 50 100 150 200 250250300350400450500眼在手圖像平面手爪定位曲線x 方向 單位：像素y方向 單位：像素機器人手爪運動軌跡目標點 圖 27 手爪在圖像平面上的運動軌跡 (眼在手 ) 0 5 10 15 20 25050100150200250300350圖像平面定位誤差曲線圖像平面誤差 單位：像素 單位：采樣時刻 圖 28 圖像平面 定位 誤差曲線 (眼在手 ) 0 5 10 15 20 25 2 5 0 2 0 0 1 5 0 1 0 0 5 0050100150200250x,y方向跟蹤誤差 單位：像素 單位：采樣時刻x 方向定位誤差y 方向定位誤差 圖 29 x， y方向定位誤差 (眼在手 ) 仿真結(jié)果分析： 白蕾：工業(yè)機器人視覺伺服 18 由上圖可知， 在眼固定和眼在手 的情況下 都可達到滿意的 定位效果。 3 基于 kalman 濾波的 機器人無標定視覺伺服 引言 機器人是一個復(fù)雜的多輸入多輸出的非線性系統(tǒng)，在實際工作中，難免會受到噪聲的干擾，導(dǎo)致控制精度下降 ，因此，為了獲取所需信號，排除干擾，就需要對所獲取的信號進行濾波。目前， Kalman 濾波作為一種重要的最優(yōu)估計理論被廣泛應(yīng)用于各種領(lǐng)域，如慣性導(dǎo)航、制導(dǎo)系統(tǒng)、移動機器人定位 【 13】 、目標跟蹤等。 Kalman 濾波具有如下顯著特點：濾波器設(shè)計簡單易行；采用遞推算法；適用于白噪聲激勵的任何平穩(wěn)或非平穩(wěn)隨機向量過程估計，所得估 計在線性估計中精度最佳。 關(guān)于系統(tǒng)過程噪聲和觀測噪聲的統(tǒng)計特性，可假設(shè)如下： ( ( ) ) 0 , c ov { ( ) , ( ) } kjE k k j R ?? ? ? ??? ( ( ) ) 0 , c ov { ( ) , ( ) } v k jE v k v k v j R ? cov { ( ), ( )} 0k v j? ? ,kj? 其中， R? 是系統(tǒng)過程噪聲 ? 的 nn? 維對稱非負定方差矩陣， vR 是系統(tǒng)觀測噪聲 v 的mm? 維對稱正定方差陣。在一個濾波周期內(nèi)，從 Kalman濾波在使用系統(tǒng)信息和觀測信息的先后次序來看， Kalman 濾波具有兩個明顯的信息更新過程：時間更新過程和觀測更新過程。yvsignal with noise 西安理工大學本科生畢業(yè)設(shè)計（論文） 21 圖 32 原始信號及帶有噪聲的原始信號 0 0 . 5 1 1 . 5 2 2 . 5 3 0 . 200 . 20 . 40 . 60 . 811 . 2t im e ( s )yideal signal。 這里可以使用 Kalman 濾波算法實現(xiàn)全局視覺雅可比矩陣 gJ 的在線估計。 24( ) 0() 0 ( )gTgTpkCk pk????? ????? 建立 Kalman 濾波遞推估計： ? ?( 1) ( )x k x k? ?? (310) ( 1) ( )Q k P k R?? ? ? (311) ? ? ?( 1 ) ( 1 ) ( 1 ) [ ( 1 ) ( ) ( ) ]x k x k K k y k C k x k?? ? ? ? ? ? ? ? (312) 1( 1 ) ( 1 ) ( ) [ ( ) ( 1 ) ( ) ]TT vK k Q k C k C k Q K C k R ?? ? ? ? ? (313) ( 1 ) [ ( 1 ) ( ) ] ( 1 )P k I K k C k Q k? ? ? ? ? (314) 其中 R? ， vR 為噪聲方差陣。 基于 kalman 濾波的機器人無標定視覺 仿真 目前存在的基于圖像的機器人視覺定位方法大部分是建立在圖像雅可比矩陣的基礎(chǔ)上的，其結(jié)構(gòu)如圖 35 所示。雙環(huán)結(jié)構(gòu)將機器人非線性運動控制從視覺控制系統(tǒng)中分離出來，在視覺控制中可作為線性環(huán)節(jié)處理，簡化了視覺控制器的設(shè)計過程。 圖像雅可比矩陣的初值 ?(0)J 通過一開始作任意兩步試探運動得到，將其構(gòu)成 ?(0)x ：手爪初始位置 0p =[ 0], 1p =[ ], 2p =[ ]， 所以 1gp? = 1p 0p =[ ]，2gp? = 2p 1p =[ ]。 仿真結(jié)果如下所示： 215 220 225 230 235250252254256258260262264266268270基于 k a l m a n 濾波的圖像平面手爪定位曲線y方向 單位：像素x 方向 單位：像素機器人手爪運動軌跡目標點 圖 37 手爪在圖像平面上的運動軌跡 (kalman 濾波 ) 0 5 10 15 20 2502468101214基于 k a l m a n 濾波的圖像平面定位誤差曲線圖像平面誤差 單位：像素 單位：采樣時刻 圖 38 圖像平面 定位 誤差曲線 (kalman 濾波 ) 西安理工大學本科生畢業(yè)設(shè)計（論文） 25 0 5 10 15 20 254202468101214x,y方向定位誤差 單位：像素 單位：采樣時刻x 方向定位誤差y 方向定位誤差 圖 39 x， y 方向定位 誤差曲線 (kalman 濾波 ) 實驗結(jié)果分析： 從上圖可以看出 ，機器人末端執(zhí)行器能快速跟上目標 ，且誤差很小。經(jīng)過 目標圖像 和手爪圖像 的獲取 ,圖像處理和識別得到目標 和手爪 在圖像中的位置。實驗 中所用的機器人是日本安川公司開發(fā)的工業(yè)機器人 MOTOMANSV3XL。 西安理工大學本科生畢業(yè)設(shè)計（論文） 27 圖 42 MOTOMAN 機器人各關(guān)節(jié)的旋轉(zhuǎn)方向定義 關(guān)節(jié) i ()ia mm ()iao ()id mm ()i o? 關(guān)節(jié)變量范圍(o) 1 150 90 0 0 (170,+170) 2 260 180 0 90 (45,+150) 3 60 90 0 0 (70,+190) 4 0 90 260 0 (180,+180) 5 0 90 0 0 (135,+135) 6 0 180 90 0 (350,+350) 表 41 MOTOMAN 機器人的有關(guān)參數(shù) 通過 MOTOMANCOM32 軟件實現(xiàn)主機和 YASKAWAG 工業(yè)機器人控制器 YASNAC XRC 之間的數(shù)據(jù)傳輸。 BscMov()：在指定的坐標系中實現(xiàn)絕對位置運動。本實驗系統(tǒng)采用串口通信 RS232C，通過函數(shù) BscSetCom()實現(xiàn) 串口通信相關(guān)參數(shù)的設(shè)置。在所有關(guān)節(jié)變量的起點和終點之間逐步插值，每步的移動量大體相等，所走過的路徑接近于一條光滑曲線。但在 直角坐標系中規(guī)劃作業(yè)路徑、運動方向和速度顯然要比在關(guān)節(jié)坐標系中直觀得多，本文的實驗都是在直角坐標系下進行的。 b. 圖像采集設(shè)備 圖像采集設(shè)備采用北京微視電子技術(shù)有限責任公司生產(chǎn)的 MVPCI 系列產(chǎn)品中的MVPCIV3A 6 通道圖像采集卡。此外由于借用了計