【正文】 響等，為無標(biāo)定視覺伺服系統(tǒng)進一步走向?qū)嶋H應(yīng)用提供理論指導(dǎo)。Automation，2004，4【14】 熊有倫．機器人技術(shù)基礎(chǔ)[M].武漢：華中科技大學(xué)出版社，1996【15】 Gary V. McMurray and Jenelle Armstrong Piepmeier，A Dynamic Jacobian Estimation Method for Uncalibrated Visual Servoing，the 1999 IEEE/ASME International Conference on Advanced Intelligent Mechatronics，September 19~【16】 席文明，羅翔， 究[J].南京航空航天大學(xué)學(xué)報，2002，34(6):540~543【17】 郭藍(lán)彬,楊延西,[C]. :11001104【18】 曹弋．MATLAB教程及實訓(xùn)[M].北京：機械工業(yè)出版社，中國學(xué)術(shù)期刊網(wǎng)CNKI，西安理工大學(xué)圖書館網(wǎng)站。首先利用固定全局視覺將機器人執(zhí)行器引導(dǎo)到目標(biāo)附近，在使用手上的攝像機實現(xiàn)精確定位。采用VC++編寫了整個實驗的控制系統(tǒng)，該系統(tǒng)能有效的完成與機器人及圖像采集卡底層間的通信。為簡化圖像處理和目標(biāo)識別，手爪的位置用一個安裝在手爪上并伸出一定長度的顏色塊（白色）標(biāo)識，而目標(biāo)為一個紅色物塊。內(nèi)存緩沖區(qū)被分割成若干塊用于采集，每塊內(nèi)存的大?。床杉翱诘拇笮。┛捎珊瘮?shù)MV_GetCapture Rect( )得到、由于系統(tǒng)的開銷，實際的可用幀數(shù)比簡單計算出的要小。圖43 MVPCIV3A結(jié)構(gòu)圖由于采用PCI總線結(jié)構(gòu)，圖像數(shù)據(jù)可以實時存儲到計算機內(nèi)存中，并在屏幕上顯示。為實現(xiàn)直線運動，運動時機器人各關(guān)節(jié)按照要求以不同的速度運動，這就需要進行大量的坐標(biāo)變換運算和機器人逆運動學(xué)求解，因此，直線運動比關(guān)節(jié)插值運動慢得多。MOTOMANCOM32軟件提供的通信協(xié)議有兩種：RS232C或TCP/IP。其主要參數(shù)如表41所示，其中6個軸的定義如圖42所示。圖41所示的系統(tǒng)中CCD攝像頭固定在機器人斜上方，可同時觀察目標(biāo)和手爪運動。仿真模型如下圖所示：圖36 基于kalman濾波的機器人眼固定模型在固定目標(biāo)定位實驗中，Kalman濾波估計算法中的、分別取為，P矩陣的初始值可取 (意為維單位陣)。采用如下如下方法獲得：在初始位置任意給定兩步線性無關(guān)的試探運動，而在固定攝像機中觀察到手爪相應(yīng)的圖像特征變化為，從而獲得初始矩陣的估計值為： (315) 然后用構(gòu)成。在應(yīng)用此矩陣建立圖像反饋控制器時，為保證控制性能，有必要對其進行實時的辨識。 利用這些信息，我們可以建立Kalman濾波估計的遞推形式，對系統(tǒng)狀態(tài)進行估計，下面直接給出隨機線性離散系統(tǒng)的Kalman濾波方程。 kalman濾波算法概述Kalman濾波是對隨機信號進行估計的算法。對于眼固定E=（pixel），而眼在手時E=（pixel），顯然眼在手的定位效果比眼固定好。圖23中，“+”表示手爪在圖像平面上的運動坐標(biāo)；“◇”表示要到達(dá)的期望的目標(biāo)坐標(biāo)。這里我們采用第二種方式。而末端執(zhí)行器的廣義運動速度由視覺控制器經(jīng)由對當(dāng)前視覺特征集與期望視覺特征集間的誤差的處理給出。確定某一攝像機的內(nèi)外參矩陣，稱為攝像機定標(biāo)。而根據(jù)機器人末端執(zhí)行器的運動，我們同時可以得到如下關(guān)系： (22)根據(jù)式(21)、(22)，的微分可以從下式算出則 經(jīng)過整理，可得圖像雅可比矩陣：從上式可以看出，圖像雅可比矩陣的值與機器人執(zhí)行器相對于攝像機坐標(biāo)系的當(dāng)前位置及攝像機內(nèi)部參數(shù)有關(guān)，并隨執(zhí)行器位置的變化而變化。它反映了機器人運動空間與任務(wù)所選擇的圖像特征空間的微分映射關(guān)系。提出用Kalman濾波器解決圖像雅可比矩陣的在線辨識問題。但這種方法由于未能充分利用模型結(jié)構(gòu)方面的先驗知識，且沒有自學(xué)習(xí)能力，跟蹤效果并不理想。對于無標(biāo)定條件下的機器人視覺伺服方法的研究是從二十世紀(jì)九十年代初開始，并已逐漸成為眾多學(xué)者的研究熱點。因此在確定二維圖像平面與三維任務(wù)空間的映射關(guān)系時，主要考慮攝像機內(nèi)部參數(shù)和外部參數(shù)（即手眼關(guān)系參數(shù)）的確定。值得提出的是，伺服控制用的特征與圖像識別用的特征，其選擇指標(biāo)有一定的差別。特別是對于真實世界中的物體，其形狀、紋理、遮擋情況、噪聲、光照條件等都會影響特征的可見性。3)與基于圖象的視覺伺服相比更容易受到噪聲的影響。只要初始值和期望的圖像特征在攝像機的視野內(nèi)，機器人在運動過程中圖像軌控制在圖像平面內(nèi)。笛卡爾空間位姿估計機器人對象關(guān)節(jié)控制器笛卡爾空間控制末端位姿攝像機獲得圖像特征位姿給定圖13 基于位置的視覺伺服結(jié)構(gòu)框圖(2)基于圖像的視覺伺服(又稱2D視覺伺服)(見圖14)：其誤差信號直接用圖像特征來定義，例如圖像平面坐標(biāo)，而非任務(wù)空間坐標(biāo)的函數(shù)，因此無需再進行位姿估計，直接利用圖像特征進行視覺信息反饋控制，如圖14所示?；谖恢玫囊曈X伺服的主要特點：1)機器人期望的相對位姿或軌跡都是在三維笛卡兒空間中描述的，這符合機器人學(xué)習(xí)慣【6】。雙環(huán)結(jié)構(gòu)將機器人機械運動奇異性與視覺控制器隔離，把機器人看成理想笛卡爾運動元件，簡化了設(shè)計過程。當(dāng)手爪接近目標(biāo)時，目標(biāo)可能會超出攝像機視場。 視覺伺服的分類機器人視覺伺服系統(tǒng)種類繁多，分類方法也很多，通?？梢愿鶕?jù)物理結(jié)構(gòu)和控制方式來進行分類。其工作過程分為兩部分：首先“l(fā)ook”，確定目標(biāo)位置，計算出目標(biāo)的坐標(biāo)，然后“move”，控制機械臂到達(dá)目標(biāo)位置，完成抓取任務(wù)?？梢灶A(yù)見，具有視覺的智能機器人將得到越來越廣泛的應(yīng)用【1】。無標(biāo)定視覺伺服開始成為機器人視覺伺服領(lǐng)域的一個研究熱點，所謂“無標(biāo)定”視覺伺服是指在不預(yù)先標(biāo)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)動機器人運動，使系統(tǒng)誤差收斂到一個容許的誤差內(nèi)。然而，在實際中，由于種種原因，這種基于標(biāo)定的機器人視覺伺服方法受到了很大的限制。將視覺傳感器引入到機器人控制系統(tǒng)，可以增加機器人對周圍環(huán)境的自適應(yīng)性，拓寬機器人的應(yīng)用領(lǐng)域。七十年代，Shirai和Inoue提出了用視覺反饋提高機器人定位精度的方法，但由于當(dāng)時條件所限，其實際為“static look then move”系統(tǒng)。目前研究基于圖像的運動目標(biāo)跟蹤問題成為主要的發(fā)展方向，無標(biāo)定概念（在未知手眼關(guān)系模型的條件下，實現(xiàn)對運動目標(biāo)的操作）的提出更是為視覺機器人領(lǐng)域提供了廣空的發(fā)展空間。此外，由于攝像機安裝在機械臂末端，增加了機械手的負(fù)載，攝像機也容易受碰撞。外環(huán)視覺控制器以比較低的采樣速率完成關(guān)節(jié)角設(shè)定。在某些情況下，這種基于位置的控制對標(biāo)定參數(shù)十分敏感。3)由于目標(biāo)與機器人末端執(zhí)行器的相對位姿是關(guān)于目標(biāo)和攝像機模型的復(fù)雜函數(shù)，因此想要確定出解析的系統(tǒng)動態(tài)穩(wěn)定性的魯棒域比較困難。3)可在圖像平面中控制特征點軌跡，使之盡可能沿直線運動。2)需要進行特征點匹配。局部特征雖然得到了廣泛應(yīng)用，而且在特征選取恰當(dāng)?shù)那闆r下可以實現(xiàn)精確定位，但當(dāng)特征超出視場時很難做出準(zhǔn)確的操作。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。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(dá)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。它是指在不預(yù)先標(biāo)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。此外，無模型理論和ADRC方法也被用于解決無標(biāo)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。第三章針對無標(biāo)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。即為圖像雅可比矩陣。為固定在此執(zhí)行器上的一點，為該點在攝像機坐標(biāo)系中的坐標(biāo)，為該點在攝像機圖像平面上的坐標(biāo)： (21)為攝像機焦距。稱為投影矩陣；僅與攝像機內(nèi)部結(jié)構(gòu)有關(guān)，稱為內(nèi)參矩陣；完全由攝像機相對于世界坐標(biāo)系的方位決定，稱為外參矩陣。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,輸出為各關(guān)節(jié)的轉(zhuǎn)動控制量（角位移增量）。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。實驗最后的得到的誤差為E=（pixel）。仿真結(jié)果如下所示：圖27 手爪在圖像平面上的運動軌跡(眼在手)圖28 圖像平面定位誤差曲線(眼在手)圖29 x，y方向定位誤差(眼在手)仿真結(jié)果分析：由上圖可知，在眼固定和眼在手的情況下都可達(dá)到滿意的定位效果。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(biāo)跟蹤等。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： 其中，是系統(tǒng)過程噪聲的維對稱非負(fù)定方差矩陣，是系統(tǒng)觀測噪聲的維對稱正定方差陣。 因為固定眼的圖像雅可比矩陣在機器人運動過程中是不斷變化的。其初始值可取 (意為維單位陣)。視覺控制器坐標(biāo)變換與軌跡規(guī)劃機器人控制器機器人目標(biāo)點圖像采集圖像處理圖35 基于圖像的機器人視覺伺服系統(tǒng)在MATLAB平臺上對上文所述的基于kalman濾波的機器人（眼固定）系統(tǒng)的固定目標(biāo)定位過程進行仿真。CCD攝像頭可以固定安裝在機器人運動空間中一個任意位置，也可以固定安裝于機器人的末端執(zhí)行器上。MOTOMANSV3XL型機器人具有6個自由度，而且六個關(guān)節(jié)均為旋轉(zhuǎn)關(guān)節(jié)，每個關(guān)節(jié)都采用一個交流伺服電機單獨驅(qū)動。利用這些函數(shù)可以控制機器人在不同坐標(biāo)系下的六個運動分量，實現(xiàn)非常簡單。二是直線運動，機器人末端按指定的速度和折線路徑在基坐標(biāo)或工具坐標(biāo)系中以小步距插補的方式實現(xiàn)。其結(jié)構(gòu)如圖43所示。3) 圖像采集 MV_GetImageBufNumber( ) ：獲得內(nèi)存緩沖區(qū)可用于采集的幀數(shù)。視頻信號通過圖像采集卡進行采集并使用PC處理，采集窗口設(shè)為320240像素。研究工作包括：(1)構(gòu)建了MOTOMANSV3XL工業(yè)機器人視覺伺服系統(tǒng)實驗平臺。所以設(shè)想：使用眼固定和眼在手上相結(jié)合的混合配置方式，使系統(tǒng)中兩臺攝像機的觀察能力相互補充。最后，向百忙之中審閱本文的各位老師致以崇高的敬意和深深的謝意！參考文獻(xiàn)【1】 李牧．機器人無標(biāo)定視覺伺服關(guān)鍵技術(shù)的研究[J]．哈爾濱工業(yè)大學(xué)，2008【2】 王麟琨，徐德，譚民. 機器人視覺伺服研究進展[J]. 機器人，2004，26(3):277~282【3】 Hager