基于神经网络的机器人视觉伺服研究new

《基于神经网络的机器人视觉伺服研究new》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、万方数据第26卷2006年12月计算机应用ComputerApplicationsV01．26Dec．2006文苹编号：100l一9081(2006)12z一02ll—03基于神经网络的机器人视觉伺服研究刘晓玉，方康玲(武汉科技大学信息科学与工程学院，湖北武汉430081)(1iu—autumn@sina．com)摘要：介绍了神经网络在机器人视觉伺服控制中的研究现状，详细讨论了神经网络输入输出数据的选择、网络结构的选择以及网络学习算法的选择等问题。针对神经网络视觉伺服控制器设计中存在的网络学习速度和精度的矛盾、网络的局部性和收敛性等问题展开讨论，并总结目前的解决办法。最后指出今后可能

2、的研究方向。关键词：机器人；视觉伺服；神经网络中图分类号：吼42；吼73文献标识码：AO引言机器人视觉伺服就是在传统机器人伺服控制的基础上再引入视觉反馈信息，以观察机器人的控制效果或工作环境的变化(如目标物体外型或运动状态的变化)，并据此给出机器人的控制指令，从而提高机器人的控制精度或自治能力¨．zJ。在已有成熟的机器人本体控制器的前提条件下，视觉伺服控制器的设计就成为整个系统实现的关键。而要设计视觉伺服控制器也就是要找出图像空间到机器人工作空间(笛卡儿空间)的映射关系。目前，这种映射关系多用一种称为图像雅可比矩阵的时变非线性矩阵表示，其求取离不开摄像机的标定。但在机器人的实时操作中

3、，由于摄像机与目标工件或机器人的相对位置在实时变化，摄像机标定是非常困难且耗时。为此，越来越多的研究趋向于寻找无标定的视觉伺服控制方法口J。其中，神经网络因其良好的非线性逼近特性和自适应、自学习能力而成为机器人视觉伺服的研究热点。1基于神经网络的机器人视觉伺服控制器设计1．1神经网络输入输出数据的选择在各种机器人视觉伺服系统中，根据系统硬件配置和操作任务的不同，神经网络所要逼近的映射关系有所不同，相应选取的输入输出对也不尽相同。工业机器人典型的操作有对静止工件的抓取和运动目标的跟踪等，其中关键的控制问题就是机械手末端的定位。在神经网络的输入方面，一般选择若干图像特征点(如质心，边角点

4、等)在图像平面中的位置(“，”)组成输入向量"’143；考虑距离和深度时，则还会加上面积等图像特征¨1，或用多台摄像机构成立体视觉¨j，相应的输人数据数量也会增加；若涉及到机械手末端的姿态控制，则可以加上主副轴转角等图像特征；针对工件不规则或光照不理想等局部特征难提取的情况，图像的全局特征(傅立叶描绘子、图像矩、光流等)则取而代之¨1；考虑到神经网络所映射几何关系的局部性，其输入数据中还应包含机器人各关节的当前位置信息怕’”1；在跟踪控制问题中，将目标和机器人的动态，如图像特征点或关节的速度甚至加速度加入神经网络的输入则是比较合理的选择¨J。相比之下，神经网络输出的选择余地则小得多，

5、一般取决于机器人所能接受的指令信号，如机械手的末端或各关节的位置或速度。值得一提的是，若神经网络的输出直接选择机械手各关节的控制量，则由机械手末端到关节的逆运动学转换也可以省去，这对于机器人标定未知、不准或变动的情况是非常适合的¨“。1．2神经网络结构的选择一般机器人伺服控制内环的速度相当快(通常是微秒级)，而视觉伺服外环由于受摄像机、图像采集卡等硬件和图像处理、视觉伺服算法等因素的影响，执行速度相对较慢(通常是毫秒级)。所以如何提高视觉伺服的速度就成为机器人实时控制的主要问题之一。将神经网络用于伺服控制，虽然神经网络的并行处理机制能提高伺服控制器的速度，但神经网络的计算速度与网络的

6、复杂性和精度成反比，即，要想有快的计算速度，神经网络的结构就不能过于复杂，但这样网络的精度有可能难以保证。所以神经网络结构的选择要综合考虑对网络精度和速度的要求。目前用于机器人视觉伺服控制的神经网络多为相对简单的三层BP(反向传播)网p川。1989年RobertHechtNidson证明了这种只有一个隐层的BP神经网络可以逼近任何在闭区间上的连续函数，所以完全可以用来完成从图像空间到机器人工作空间的复杂非线性映射¨⋯。在神经网络的输入和输出个数确定之后，隐层节点数的选择是整个BP网络结构设计的关键。从提高训练和执行速度的角度出发，隐层节点数不宜多，而且有实验表明，一味增加隐层节点数也

7、不一定能提高网络的逼近精度，相反可能更差。至于合适的隐层节点数如何选取则并没有绝对的原则，一般根据输入输出数目凭经验和实验而定”’。BP神经网络的映射能力虽然很强，但存在需要的训练样本多、学习速度慢等缺点，多数情况下只能进行离线训练，难以应付工作场景变化、机器人实时轨迹跟踪等问题。相比之下，cMAc(脑模型联接控制器)神经网络能把输入从一个多维状态空间映射到一个比较小的有限区域，只对多维空间中的部分样本(小部分)进行学习，且收敛速度比BP网络快得多，所以也