带有时延补偿的图像雅可比矩阵估计方法

提出一种新的带有时延补偿的图像雅可比矩阵在线估计方法, 用于存在时延的无标定视觉伺服系统.传统的图像雅可比矩阵估计方法没有考虑时延影响, 从而产生较大的估计误差.为了补偿时延, 本文采用局部拟合方法估计图像雅可比矩阵, 以获得当前时刻更准确的图像雅可比矩阵估值, 并可对图像预补偿. 本文以无标定的移动机器人和视觉传感器为实验对象,仿真和实验表明该方法改善了系统的动态性能, 减小了稳态误差,从而验证带有时延补偿的图像雅可比矩阵估计方法的可行性和有效性.     

鲁棒卡尔曼滤波下的图像雅可比矩阵带时延补偿的估计

传统的图像雅可比矩阵估计的方法没有考虑时延因素,因此具有较大的估计误差.为补偿时延带来的影响,提出一种鲁棒卡尔曼滤波的方法,实现时延情况下当前时刻特征点在图像空间中位置和速度的估计,进而得到时延情况下较为准确的图像雅可比矩阵的估值.具体说,特征点在图像空间中当前时刻位置和速度是首先用卡尔曼滤波的方法估计的,但观测噪声的描述却采用了马尔科夫链模型,由此产生了过程噪声和观测噪声的互相关,传统卡尔曼滤波受限.为此,我们引入滤波修正向量并重新定义过程方程及观测方程,结合卡尔曼滤波中噪声的数学特性,得到滤波修正向量消除互相关性,从而构建出鲁棒卡尔曼滤波模型;其次,针对鲁棒卡尔曼滤波模型中存在的无法获得时延期间的观测向量的问题,提出利用多项式拟合出这部分观测向量,该多项式的选取综合考虑了特征点的位置、速度、加速度、加速度的变化率对于特征点轨迹的影响,与实际情况相符;最后,由预测出的当前时刻特征点在图像空间中的位置和速度,实现时延情况下图像雅可比矩阵较为准确的估计.仿真和实验结果验证了本文方法的可行性和优越性.     

带时延补偿的视觉跟踪控制

在实际的视觉伺服系统中, 由于摄像机到图像处理设备的传输延迟和图像处理本身占用的时间, 视觉信息的获取会产生时延. 对此, 给出了一个带有时延补偿的视觉跟踪控制方法. 通过实时拟合图像雅可比矩阵, 实现了对机械手末端执行器图像特征信息的实时预测, 从而减小了估计误差. 在此基础上, 设计了一个带有时延补偿的控制方案. 通过对运动目标进行跟踪的仿真实验, 验证了本文时延补偿方法的有效性.     

图像雅可比矩阵伪逆估计在视觉伺服中的应用

在一般无标定视觉伺服算法的基础上,提出了一种基于递推最小二乘法估计图像雅可比矩阵伪逆的无标定视觉伺服算法．这种方法无需计算雅可比矩阵伪逆．针对固定目标,文中给出了比例控制算法的稳定性条件．针对运动目标,推导了基于图像雅可比矩阵伪逆估计的伪高斯—牛顿视觉伺服算法和信任区视觉伺服算法．最后,仿真验证了三种视觉伺服算法的有效性．     

基于图像雅可比矩阵的智能机器人视觉跟踪

根据智能机器人视觉伺服的要求,建立了固定眼结构的MOTOMAN-SV3XL型工业机器人无标定视觉伺服系统.研究了目前在机器人视觉伺服研究领域中使用最为广泛的一类方法,即基于图像雅可比矩阵的方法.针对图像雅可比矩阵的特点,设计了一种基于简化Sage-Husa自适应滤波的图像雅可比矩阵在线估计算法,并将其应用于机器人视觉反馈控制任务中,实现了对二维平面上运动目标的跟踪,实验结果表明了该算法的有效性.     

图像雅可比矩阵的在线Kalman滤波估计

通过分析现有图象雅可比矩阵的在线辨识方法，提出一种新的辨识思路，将雅可比矩阵的在线估计转化为系统的状态观测，并设计了相应的Kalman-Bucy滤波估计算法，以及目立体视觉反馈下的运动目标跟踪任务为例，通过仿真和实验说明了所提出方法的有效性。     

图象雅可比矩阵的在线Kalman滤波估计

通过分析现有图象雅可比矩阵的在线辨识方法,提出一种新的辨识思路.将雅可比矩阵的在线估计转化为系统的状态观测,并设计了相应的Kalman-Bucy滤波估计算法.以双目立体视觉反馈下的运动目标跟踪任务为例,通过仿真和实验说明了所提出方法的有效性.     

基于无极卡尔曼滤波算法的雅可比矩阵估计

在基于图像的机器人视觉伺服中,采用在线估计图像雅可比的方法,不需事先知道系统的精确模型,可以避免复杂的系统标定过程。为了有效改善图像雅可比矩阵的在线估计精度,进而提高机器人的跟踪精度,针对机器人跟踪运动目标的应用背景,提出了利用无极卡尔曼滤波算法在线估计总雅可比矩阵。在二自由度的机器人视觉伺服仿真平台上,分别用卡尔曼滤波器（KF）、粒子滤波器（PF）和无极卡尔曼滤波器（UKF）三种算法进行总雅可比矩阵的在线估计。实验结果证明,使用UKF算法的跟踪精度优于其他两种算法,时间耗费仅次于KF算法。     

基于图像雅可比矩阵的无标定二维运动跟踪

研究无标定视觉导引机械臂完成二维平面运动目标精确跟踪的问题.系统的视觉部分采用固定全局视觉与手上局部视觉相结合的方式,拓展了系统的观察能力,使系统能同时实现大范围的运动跟踪和精确的小范围跟踪.根据两种视觉的特点,在全局视觉反馈中使用最优反馈控制,而在手上视觉反馈中使用PI控制.通过分析图像雅可比矩阵的解析表达式以及跟踪过程中的变化规律,提出一种利用机器人已完成的跟踪运动在线辨识雅可比矩阵的方法,避免了传统估计方法引入冗余试探运动对系统动态性能的影响.仿真和实验检验了本方法的性能.     

基于雅可比预测的机器人无模型视觉伺服定位控制

针对未知相机标定及目标3D几何模型,研究机器人无模型视觉伺服定位方法.引入状态空间,建立机器人“视觉空间-运动空间”雅可比非线性映射的状态方程和观测方程,提出神经网络联合卡尔曼滤波雅可比预测算法,网络在线动态补偿系统近似误差与参数估计误差,实现最小均方差条件下的雅可比预测;以李雅普诺夫稳定性准则构建雅可比预测的无模型图像视觉伺服控制方案,避免了相机标定和目标建模.“眼在手”六自由度机器人定位比较实验表明,图像空间特征轨迹平滑稳定在相机视场中,笛卡尔空间机器人末端运动平稳,无震荡回退,定位精度在10个像素范围内.     

Robust Jacobian matrix estimation for image-based visual servoing

A method for local estimation through training of the feature Jacobian for uncalibrated closed-loop robot manipulator control is presented, which can handle non-Gaussian outliers due to illumination changes. This is achieved through the employment of a robust estimator. The method is experimentally validated through a sunroof fitting robot in a closed-loop control scheme.     

具有变结构控制器的无定标视觉伺服*

从控制的角度出发,提出了一种模型无关的无定标视觉伺服控制方法.在该方法中不需要机器人及摄像机模型,图像雅克比矩阵的计算采用最小二乘估计,机器人系统采用变结构的控制理论设计控制器;而后用李亚普诺夫方法对其进行了稳定性分析,结果证明系统能够渐近稳定.仿真实验证明了算法的有效性.     

具有Markovian时延与丢包的离散系统的状态估计

网络化控制系统中经常会因网络带宽有限而导致数据包在网络中传输时产生时延甚至丢失.本文主要研究具有Markovian时延与丢包的离散线性系统的状态估计问题.通过在估计器端设置适当长度的缓存器,把具有多状态Markovian时延与丢包的离散定常系统建模成数据包到达过程为两状态Markovian模型的离散时变系统,并基于跳跃线性估计器的思想提出了一类特殊的估计器,即限定接收历史估计器 (FRHE).在最大时延已知时,给出了可选增益的最优RHE设计策略.该策略虽然是次优,却能提供简便的计算.通过与时变Kalman估计器 (TVKE)的仿真对比,表明所提策略的有效性.