【正文】 圖 43 MVPCIV3A 結構 圖 由于采用 PCI 總線結構，圖像數據可以實時存儲到計算機內存中，并在屏幕上顯示。這是一款專業(yè)圖像采集卡，可以真彩、偽彩、黑白三種方式采集圖像。 本實驗系統(tǒng)采用 SONY 1/3 CCD 彩色攝像頭，其 CCD 陣列含有像素個數 為 752(水平 ) ? 582(垂直 )，掃描面積為 (水平 ) ? (垂直 )mm(等于 1/3 英寸攝像管的掃描面西安理工大學本科生畢業(yè)設計（論文） 29 積 )，水平析像力為 480 行，焦距為 8mm，重量為 380g。 視覺信息處理子系統(tǒng) 視覺信息處理子系統(tǒng) 主要由 CCD 攝像機、圖像采集設備和計算機組成，其相關配置如下： a. CCD 攝像機 可供機器人視覺系統(tǒng)選用的攝像機包括攝像管和 CCD。為實現直線運動，運動時機器人各關節(jié)按照要求以不同的速度運動，這就需要進行大量的坐標變換運算和機器人逆運動學求解，因此，直線運動比關節(jié)插值運動慢得多。在這條復雜的路線上，機器人末端不會以恒定速度運動。與坐標系相對應， MOTOMAN 機器人控制器有兩種控制機器人的方法，一是關節(jié)插值法，這是運動最快的方法。 實驗中相關參數的設置如下： 通信端口號： COM2 波特率： 9600（最大） 奇偶校驗：偶校驗 數據位長度： 8位 停止位： 1位 MOTOMAN 型機器人編程采用三種坐標系對末端執(zhí)行器進行位置和姿態(tài)標定 ,分別是基坐標系 (World Coordinates)、工具坐標系 (Tool Coordinates)和關節(jié)坐標系 (Joint Coordinates)。 白蕾：工業(yè)機器人視覺伺服 28 MOTOMANCOM32 軟件提供的通信協議有兩種： RS232C 或 TCP/IP。 BsPMov()：將機器人移動到指定的脈沖位置。 BscImov()：在指定的坐標系中實現增量式運動。根據圖像反饋信息計算出來的視覺控制量即為了減小機器人手爪和目標之間的距離機器人應運動的位姿增量就是通過 MOTOMANCOM32軟件所提供的機器人控制接口函數傳送給機器人控制器的。其主要參數如表 41 所示，其中 6 個軸的定義如圖 42所示。整個機器人控制系統(tǒng)由機器人本體、供電電纜、 YANSNAC XRC 控制柜、 YANSNAC XRC 再現操作盒及 YANSNAC XRC 示教編程器五部分組成 [18]。其中視覺控制量是根據視覺信息處理子系統(tǒng)得到的圖象反饋信息計算得到的。整個視覺伺服系統(tǒng)可以分為 機器人 控制子系統(tǒng)和視覺信息處理子系統(tǒng)兩部分組成。圖 41 所示的系統(tǒng)中CCD 攝像頭固定 在 機器人斜上方，可同時觀察目標和手爪運動。 4 機器人無標定視覺伺服實驗 系統(tǒng)整體結構 系統(tǒng)的硬件部分主要由 : MOTOMANSV3 機器人 本體 、彩色 CCD 攝像頭、機器人控制柜、控制計算機、圖像采集卡等組成 。實驗最后的得到的誤差為 E=（ pixel）。手爪在圖像平面坐標 0f =[ ]，1f =[ ]， 2f =[ ]， 1gf? =1f 0f =[ ] 2gf? = 2f 1f =[ ],則初始 J 矩陣的估計值為： 11 2 1 2 0 . 0 0 5 8 0 . 0 5 1 5? ( 0 ) [ ] [ ] 1 . 0 0 0 4 * [ ]1 . 9 5 9 0 5 . 0 4 9 8g g g gJ f f p p e?? ? ? ? ? ? ? 視覺控制器 坐標變換與軌跡規(guī)劃 機器人控制器 機器人 ? dX ? 目標點 df X 0p 圖像采集 圖像處理 白蕾：工業(yè)機器人視覺伺服 24 所以在 該定位實驗中， T?x( 0) =1 .0e +0 04* [ 058 0. 051 5 1 .95 90 4 98]。 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 在固定目標定位實驗中， Kalman 濾波估計算法中的 R? 、 vR ，分別取為 ， ，P矩陣的初始值可取 5(0) 10 mnPI? ( sI 意為 s 維單位陣 )。由于現有機器人大多都有接收笛卡爾速度給定或位置增量指令的接口，因此雙環(huán)結構簡單易行，被廣泛采用。外環(huán)為視覺控制器，以較低的采樣速率完成關節(jié)角設定。其中內環(huán)為關節(jié)伺服控制，通過關節(jié)位置反饋來實現機器人 軌跡跟蹤控制。 ?(0)x 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的試探運動 12,ggpp??，而在固定攝像機中觀察到手爪相應的圖像特征變化為 12,ggff??，從而獲得初始 J 矩陣的估計值為： 11 2 1 2? ( 0 ) [ ] [ ]g g g ggJ f f p p ?? ? ? ? ? (315) 然后用 ?(0)gJ 構成 ?(0)x 。取為 ? ? , ? 。 由雅可比矩陣的定義 ,有 ( 1 ) ( ) ( ) ( )g g ggf k f k J k p k? ? ? ?? (39) 白蕾：工業(yè)機器人視覺伺服 22 寫成如下狀態(tài)方程： ( 1) ( ) ( )x k x k k?? ? ? ( ) ( 1 ) ( ) ( ) ( ) ( )ggy k f k f k C k x k v k? ? ? ? ? ? 其中 ()k? ， ()vk 分別為狀態(tài)噪聲和圖像觀察噪聲，假定為高斯白噪聲。定義觀察參數向量 x 為一個 4 維向量，包含雅可比矩陣 gJ 的所有元素。在應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。yvfiltered signal 圖 33 原始信號及濾波后的信號 0 0 . 5 1 1 . 5 2 2 . 5 300 . 0 10 . 0 20 . 0 30 . 0 40 . 0 50 . 0 60 . 0 70 . 0 80 . 0 90 . 1t i m e ( s )Covariance of estimation error 圖 34 誤差協方差的變化 仿真結果表明，該濾波器對控制干擾和測量噪聲具有很好的濾波作用。仿真時間為 3s，原始信號及帶有噪聲的原始信號、原始信號及濾波后的信號和誤差協方差的變化分別如圖所示 ： 0 0 . 5 1 1 . 5 2 2 . 5 3 0 . 200 . 20 . 40 . 60 . 811 . 21 . 4t im e ( s )yideal signal。如下圖所示： 白蕾：工業(yè)機器人視覺伺服 20 圖 31 kalman 濾波原理圖 基于 kalman 濾波原理的 信號濾波 仿真 【 17] 設對象為二階傳遞函數：2133() 25pGs ss? ? 取采樣時間為 1ms，采用 Z 變換將對象離散化，并描述為離散狀態(tài)方程的形式： ( 1 ) ( ) ( ( ) ( ) )x k Ax k B u k w k? ? ? ? ( ) ( )y k Cx k? 帶有測量噪聲的被控對象輸出為： ( ) ( ) ( )vy k Cx k v k?? 式中， 1 .0 0 0 0 0 0 0 0 .0 0 0 9 8 7 60 .0 0 0 0 0 0 0 0 .9 7 5 3 0 9 9A ??? ????， 0. 00 659 ??? ????， [1,0]C? ， [0]D? 設控制干擾信號 ()wk 和測量噪聲信號 ()vk 幅值均為 的白噪聲信號，輸入信號幅值為 、頻率為 的正弦信號。而且這種方法經過修正后，還可用來進行狀態(tài)空間參數模型參數的估計。 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。 西安理工大學本科生畢業(yè)設計（論文） 19 設隨機線性離散系統(tǒng)采用如下狀態(tài)方程表示為： ( 1) ( ) ( )x k Ax k k?? ? ? (31) ( ) ( ) ( )y k Cx k v k?? (32) 式中， nxR? 為系統(tǒng)的狀態(tài)向量， myR? 是系統(tǒng)的觀測序列， ? 是 n 維系統(tǒng)過程噪聲序列， v 是 m 維觀測噪聲序列，矩陣 A 是系統(tǒng)的 nn? 維狀態(tài)轉移矩陣， C 是 mn? 維噪聲輸入矩陣。 Kalman 濾波將狀態(tài)方程的概念引入到隨機估計理論中，把信號過程視為白噪聲作用下的一個線性系統(tǒng)輸出，用狀態(tài)方程來描述這種輸入 — 輸出關系，估計過程中利用系統(tǒng)狀態(tài)方程﹑觀測方程和白噪聲激勵的統(tǒng)計特性形成濾波算法，由于所用的信息都是時域內的量，所以不但可以對平穩(wěn)的一維隨機過程進行估計，也可以對非平穩(wěn)的﹑多維隨機過程進行估計。 Kalman 意義下的濾波問題實際上就是相當于誤差方差最小的狀態(tài)估計。 kalman 濾波算法概述 Kalman 濾波是對隨機信號進行估計的算法。 Kalman 濾波是kalman()于 1960年提出的從與被提取信號有關的觀測量中通過算法估計出所需信號的一種濾波算法，是一種最優(yōu)估計方法。對于確定性信號，可根據頻率特性，通過設計各種濾波器，如低通濾波器、高通濾波器、帶通濾波器和帶阻濾波器等，使有用信號無衰減的通過而干擾信號得到抑制。而眼在手 機器人運動過程中，可能會發(fā)生圖像特征遮蓋現象，觀察靈活性差。 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。 實驗最后的得到的誤差為 E=（ pixel）。設定 期望的目標 為 [2 ]，即圖像坐標為 [250 250]； 手爪西安理工大學本科生畢業(yè)設計（論文） 17 初始位置為 q =[ ]，在世界坐標系下的起始位置為 [ 0 0]，即圖像坐標為 [ ]。 仿真結果如下圖所示： 215 220 225 230245250255260265270275眼固定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 23 手爪在圖像平面上的運動軌跡 (眼固定 ) 白蕾：工業(yè)機器人視覺伺服 16 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 24 圖像平面 定位 誤差曲線 (眼固定 ) 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 25 x， y方向 定位 誤差（眼固定） 眼在手 (見圖 26) 圖 26 眼在手模型 仿真參數設置如下：攝像機的內參數為 [8e3 80e3 80e3 256 256]。圖 23 中，“ +”表示手爪在圖像平面上的運動坐標；“◇”表示要到達的期望的目標坐標。 P控制器的參數為 K=。圖像平面大小為 [0 511 0 511]。圖中，“ fkine”，“ jacob”， “ ijacob”，“相機模型”以及“圖像雅可比矩陣”等模塊都是由Matlab Function 模塊調用相關的“ .m”函數然后創(chuàng)建 Subsystem（子 系統(tǒng)）而形成的。這里我們采用第二種方式。對于基于圖像的視覺伺服控制系統(tǒng)，誤差信號是在圖像空間表示的，而機器人的控制輸入要求是在笛卡兒空間或關節(jié)空間，因此控制器的作用方式有兩種，第一種 是 直接在圖像平面設計視覺控制器，然后將得到的控制量乘以圖像雅可比矩陣的逆，從而得到笛卡兒空間中的控制量 (即相對位姿增量 )，或乘以圖像雅可比矩陣的逆再乘以機器人雅可比矩陣從而得到 關節(jié)空間中的控制量 (即關節(jié)速度 )。 PID 控制是最經典的控制器設計方法，被廣泛地應用在機器人視覺伺服控制系統(tǒng)中。 視覺控制器的設計 根據機器人和視覺系統(tǒng)的性能及具體任務的復雜性不同，視覺控制器的設計方法也不同，典型的設計方法有經典 PID 控 制器、狀態(tài)空間方法和任務函數法。而末端執(zhí)行器的廣義運動速度 X? 由視覺控制器經由對當前視覺特征集與期望視覺特征集間的誤差的處理給出。在末端執(zhí)行器的廣義運動速度X