（控制理论与控制工程专业论文）神经网络技术在机器人视觉伺服控制中的应用.pdf

硕十学位论文 摘要 机器人视觉伺服系统是当今机器人技术的热门研究课题之一。非线性、耦合、 不确定性等因素是影响机器人视觉伺服系统性能提高的关键问题，近年来受到了 国内外研究人员的广泛关注，有许多问题有待进一步的研究和解决。针对该问题， 本论文开展了机器人视觉伺服系统的神经网络控制方法的研究，来提高系统的智 能性、鲁棒性和动态性能。 论文回顾了机器人视觉伺服及神经网络技术的发展和现状，对机器人视觉伺服 系统的系统结构、坐标变换、成像原理进行了详细的描述，然后对多种形式的神 经网络模型进行了研究，并将其应用在机器人视觉伺服控制系统中，用以克服机 器人控制系统中非线性、耦合、不确定性等因素对控制性能的影响。 基于误差反向传播网络( b p 网络) 逼近非线性函数的能力，本文利用b p 网 络逼近机器人视觉伺服系统的逆雅克比矩阵，设计了一种b p 神经网络视觉控制 器，使系统具有了学习能力。 根据小脑模型关联控制器( c m a c ) 收敛速度快，适于实时控制系统的特点， 本文设计了一种c m a c 学习控制方法。在该方法中，c m a c 被用作前馈控制器对 常规反馈控制器进行补偿。 利用小波变换局部特性好的特性，采用小波基函数作为神经元的激活函数，设 计了一种小波神经网络视觉控制器。 对提出的每一种方法本文都进行了仿真实验研究，仿真实验结果证明了所提出 的各种神经网络模型具有良好的特性，在应用于机器人的控制时，都能取得很好 的控制效果，是行之有效的。 关键词：机器人；视觉伺服；b p 神经网络；小脑神经网络；小波神经网络 茎丝窒丝苎耋堡墨矍垒堡耋堡矍鍪塑土竺璧星 a b s t r a c t r o b o t i cv i s i i a is e n r oc o n t r o ii sa i lh o tr e s e a k ht o p i ci nt h er o b o t i c sf i e l d n o n l i n e a m y ，c o u p l i n g ，孤d 咖c e r t a i n t ya r ck e yo b s t a c l e st oi m p m v et h ep e r f o n n a i l c e o fr o b o t i cv i s u a is e “oc o m f o is y s t e m m u c ha t t e m i o nh a sb e e np a i do nt h i sp r o b l e m b yt h er e s e a r c h e r sa 上la r o u n dt h ew o f i d f o rs o i v i n gt h i sp r o b l e m ，n e 、l r a ln e t w o r k c o n 仃d 1s t r a t e g i e sf o rr o b o t i cv i s u a ls e r v os y s t e ma r es m d i e di nt 1 1 i sp 印e rf o f i m p r o v i n gi t si n t e l l i g e n c e r o b u s t n e s s 锄dd y n a m i cp e r f b m l a n c e t h e s e a r c h e so ft h er o b o t i cv i s u a ls e r v o 剐1 dn e 帆ln e t w o r kt e c h n 0 1 0 9 ya r e f e v i e w e d 1 1 l es y s t e ms t n l c m l ，c o o r d i n a t ct r a n s f o m a t i o n ，锄di m a g i n gp r i n c i p l eo f r o b o t i cv i s u a ls e os y s t e ma f ed e s 谢b e di nd e t a i l 舢1 ds e v e r a l t y p e so f n e u f “n e t w o r k c o n t t o l l e ra r ep r e s e m e da n d 印p l i e do nr o b o t i cv i s u a ls e f v os y s t e mt oc o n q u e ri t s n o n l i n e a r i 够，c o u p l i n g ，a n du n c e r t a i n t y b 鹋e do nt h ea b i l i t yo ft h ee r r o rb a c k 呻r o p 8 9 a t i o nn e t 、w r k ( b pn e t 、o f k ) t o a p p r o x i m a t ea n yn o n - l i n e a r i t y 如n c t i o n 彻锄ya c c u r ：l c y ，ab pn e t w o r kv i s u a ls e r v o c o n 缸o l l e ri sd e s i g n e d ，i nw h i c hb pn c t w o r ki su s e dt oa p p r o x i m a t ei n v e r s ej a c o b i l l m a t r i xo f r o b o t i cv i g u a ls e r v os y s t e m c e r e b e i l am o d e ia n i c u l a t i o nc o n t r o l l e r ( c m a c ) n e u f a ln e t w o r kh a sf a s tl e a m i n g s p e e da n dc a nb eu s e dv e r yw e l if o fr e a it i m es y s t c m h e n c e ，i ti si n t r o d u c e di n t ot h i s p a p e rt oc o n s t n j c tas t u d yc o n t r o ls t l 甚t e g yf 打r o b o t i cv i s u a ls e n r os y s t e m i nt h j ss t r a t e g y c m a ci su s e da s 诧e d f 0 1 w a r dc o n t f o “e rt oc o m p e n s a t cag e r i e r a lf e e d b a c kc o n t f o l l e r u s i n gt h eg o o dl o c a lp e 哟m l a n c eo fw a v e l e tt r a n s f o m a t i o n ，aw a v e l e tn e t w o r k v i s u a ls e f v oc o n t r o n e ri sd e s i g n e db yl l s i n gw a v e i e tf | u n c t i o n sa si t sn e r v ec e l l s a c t i v a t i o n s h n c t i o n f o re a c hp r o p o s e dc o n t f o ls t r a t e g y ，s i m u l a t i o ne x p e r i m e n t sa r em a d e t h er e s u l t s o f t t l es i m u l a t i o ne x p e r i m e n t ss h o wt h a ta l lp r o p o s e di n t e l l i g e n tn e l l f a 王n e t 、o r km o d e l s h a v eg o o di n l e l l i g e n c e w h e nt h e ya r ea p p “e dt oc o n t r o l r o b o t j cm a f l i p u i a t o r s ，t h e ya r e e 仃c “v ef o ra c h i e v i n gg o o dp e r f b f m a n c e k 锣w o r d ：r o b o t ；s u a ls e r v o ；b a c kp r 叩a g a t i o nn e u r a ln e t w o r k ； c e b e l l a rm o d e l a r t i c u l a t i o nc o n t r d l l e r = w a v e l e tn e l l r a in e t w o r k n l 硕十学位论文 插图索引 图1 1动态基于位置的l o o ka n dm o v e 结构3 图1 2 动态基于图像的i o o k 觚dm o v e 结构4 图1 3 基于位置的直接视觉伺服结构4 图1 4 基于图像的直接视觉伺服结构4 图1 5 工业机器人4 图1 6 用于生产线上具有简单视觉系统的工业机器人系统图一5 图1 7 三关节“眼手”机器人系统示意图6 图1 8 生物神经元示意图8 图1 9 人工神经元模型。8 图2 1 一个坐标系在另一个坐标系中的表示1 2 图2 2 平移变换1 2 图2 3 旋转坐标1 3 图2 4 机器人坐标系分配一1 5 图2 5 系统模型一1 6 图2 6 机器人关节连杆坐标系的建立一1 7 图2 7 三关节机器人的坐标系1 9 图2 8 几何解法2 1 图2 9 成像几何模型2 2 图3 1 神经元模型2 4 图3 2 神经元中的激发函数2 5 图3 3 机器人视觉伺服控制方框图2 6 图3 4 三层b p 网络结构2 6 图3 5b p 神经网络机器人视觉伺服控制器模型2 8 图3 6b p 训练的误差曲线图3 2 图3 7 改进b p 训练的误差曲线图3 4 图3 8 图像坐标( 瓦，艺，) 变化曲线3 5 图3 9 半径，变化曲线3 5 图4 1c m a c 模型结构图：3 7 图4 2c m a c 的映射过程3 8 图4 3基于c m a c 的机器人控制系统4 1 图4 4 图像坐标工变化曲线4 3 v i 神经网络技术在机器人视蹙伺服控制中的戍用 图4 5 图像坐标l ，变化曲线4 4 图4 6 半径，变化曲线4 4 图4 7 基于c m a c 的小球投影的变化曲线4 4 图5 1小波神经网络的结构点4 9 图5 2 基于w n n 的机器人控制系统5 2 图5 3小波神经网络控制器5 2 图5 4 图像坐标x 变化曲线一5 5 图5 5 图像坐标y 变化曲线5 5 图5 6 半径，变化曲线5 6 图5 7 小球投影的变化曲线5 6 v 硕士学位论文 附表索引 表2 1三关节机器人d h 参数表一2 0 表3 1 训练样本2 9 表4 1 感知器的激活情况3 9 表4 2 与各& 对应的激活感知器。3 9 表4 3 彳的地址表4 0 表4 。4c m a c 初始参数：4 3 表5 1两种小波函数的时频空间区域5 1 v i i i 湖南大学 学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取 得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其 他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个 人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果 由本人承担。 作者签名：石墨取日期：坼，月，7 日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学 校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查 阅和借阅。本人授权湖南大学可以将本学位论文的全部或部分内容编入有关 数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位 论文。 本学位论文属于 1 、保密口，在年解密后适用本授权书。 2 、不保密囤。 ( 请在以上相应方框内打“”) 作者签名劢击。 导师签名：知啼 日期：纠年，月，7 日 日期：函一f 年，月，7 日 硕士学位论文 第l 章绪论 当今世界有超过l o o 万台各种类型的工业机器人应用在工业领域，并且机器 人的数目在不断地增加。不过大多数工业机器人都是工作在整齐有序的工业环境 中，这种环境需要目标和机械手的精确位置信息，而在这种环境以外却很少应用。 随着科学技术的发展以及机器人应用领域的扩大，人们对机器人技术提出了更高 的要求，希望机器人具有更高的智能和更强的环境适应能力。为了使机器人能适 用于更为复杂的工作如物体的精确抓取，一种基于视觉信息的机器人控制方法 视觉伺服控制吸引了许多人的关注，而且就目前机器人的应用趋势来看，特 别是在工业机器人的应用中，对其性能的要求越来越高，应用的场合也越来越广 泛。许多研究人员将研究目光聚焦在机器人视觉伺服的智能控制上，得出了不少 的研究成果【啦翔，为解决机器人控制中存在的一些问题提供了新的途径。本文也 将在此方面做出一些探讨和研究。 1 1 机器人视觉伺服控制 1 1 1 机器视觉的发展 人类感知外部世界主要是靠视觉、触觉、嗅觉和味觉等感知器官，而其中又 有大约8 0 的信息是由视觉感知器官获取的。由此可知，对于智能能机器人的发 展来说，赋予其具有视觉功能是极其重要的。机器视觉的发展不仅能有力地推动 智能系统的发展，也将拓宽计算机和各种智能机器的研究范围和应用领域。 机器视觉发展于2 0 世纪5 0 年代统计模式识别，当时的工作主要集中在二维 图象的识别和分析上，如光学符号识别工件表面、显微图片和航空图片的分析和 解释等【4 】。6 0 年代，麻省理工( m i t ) 人工智能( a i ) 实验室的r o b e r t s ( 1 9 6 5 ) 系统通过 计算机程序从数字图像中提取诸如立方体、柱形体等多面体的三维结构，并对物 体形状和物体空间关系进行描述【5 1 。r o b e r t s 的研究工作开创了以理解三维场景为 目的的三维机器视觉的研究。r o b e n s 对积木世界的创造性研究给人们以极大的启 发，许多人相信，一旦以白色积木玩具组成的三维世界可以被理解，则可以推广 到理解更广泛的三维场景。于是，人们对积木世界进行了深入的研究，研究范围 从边缘、角、点等特征中提取到线条、平面、曲面等几何要素分析，一直到图象 明暗、纹理、运动以及成象几何等，并建立了各种数据结构和推理规则。到了7 0 年代已经出现一些视觉应用系统。 把视觉信息用于机械手定位的研究可以追溯到7 0 年代，7 0 年代中期，麻省理 神绎网络技术在机器人视觉伺服手孛制中的府用 工( m i t ) 人工智能( a i ) 实验室正式开设了“机器视觉”( m a c l l i n e s i o n ) 课题。由国际 著名学者b k p h o m 教授讲授。同时，m i ta i 实验室吸引了许多国际上知名学 者参与了机器视觉的理论、算法、系统设计的研究，d a v i dm a r r 教授就是其中的 一位。他于1 9 7 3 年应邀在m i t a i 实验室领导一个以博士生为主题的研究小组， 1 9 7 7 年提出了不同于“积木世界”分析方法的计算视觉( c o m p u t a t i o n a lv i s i o n ) 理论， 该理论在8 0 年代成为机器视觉研究领域中的一个十分重要的理论框架。当时出现 了一些实用性的视觉系统，如应用于集成电路生产、精密电子产品装配、饮料罐 装场合的检测等。 可以说，对机器视觉的全球性研究热潮是从2 0 世纪8 0 年代开始的，到了8 0 年代中期，机器视觉获得了蓬勃发展，新概念、新方法、新理论不断涌现，比如， 基于感知特征群的物体识别理论框架、主动视觉理论框架、视觉集成理论框架等。 8 0 年代后出现了专门的图像处理硬件，人们开始系统的研究视觉控制系统。 到了9 0 年代，随着计算机能力的增强和价格下降，以及图像处理硬件和c c d 摄像机的快速发展，计算机视觉控制系统吸引了众多研究人员的关注，视觉控制 在理论和应用方面都有了很大的进步。【6 】到目前为止，机器视觉仍然是一个非常 活跃的研究领域。 1 1 2 机器人视觉伺服控制的发展 利用视觉传感器得到的图像作为反馈信息，可构造机器人的位置闭环控制， 即视觉伺服( v i s l l a ls e r v o i n g ) 。它不同于通常所说的机器视觉( m a c h i n ev i s i o n ) 。机器 视觉一般定义为：自动地获取分析图像，以得到描述一个景物或控制某种动作的 数据。而视觉伺服则是以实现对机器人的控制为目的而进行图像的自动获取与分 析，因此是利用机器视觉的原理，从直接得到的图像反馈信息中，快速进行图像 处理，在尽量短的时间内给出反馈信息，构成机器人的位置闭环控制。机器人视 觉伺服系统则由视觉传感向控制器提供外部信息，调整机器人的位置和姿态。由 于机器人本身是一个非线性、强耦合的复杂系统，所以实现机器人视觉伺服控制 的难度很大，涉及到图像处理、运动学、动力学、控制理论、实时计算等多方面 内容的研究，是机器人学中一个十分具挑战性的课题，吸引了许多孝者的研究兴 趣。 在1 9 7 3 年s h i m i 和i n o u e 开始尝试模拟人的视觉感官，对周围环境进行无接 触测量，并将图像提供给控制器分析处理，实现控制其各种行为，并获得初步成 功。他们设计出了用于完成装配任务的视觉反馈机器人，采用的是一种典型的视 觉传感器和机械手配合的开环控制模式，先看到然后移动。1 9 7 9 年，h i u 和p a r k 首次提出了“视觉伺服( v i s u a ls e r v o i n g ) ”的概念，将其与之前的机器人控制方法相 区别。他们在系统中完全采用视觉闭环控制来提高系统的整体精度。为了使现代 硕士学位论文 工业机器人能适用于更为复杂的工作如焊缝跟踪、物体的精确放置，这种基于视 觉信息的机器人控制方法视觉伺服，吸引了众多研究人员的关注。 但在随后的几年中，由于计算机计算能力限制，研究出现了瓶颈状态，发展 极为缓慢。到了8 0 年代后期，计算机技术以级数状态飞快发展，图像处理软硬件， c c d 摄像机也迅速随之发展，为机器人视觉伺服研究提供了坚实的硬件基础，其 研究工作也转向为视觉伺服系统结构、快速有效的图像处理算法以及视觉伺服控 制器的设计等几个主要方面。到目前为止，机器人视觉伺服控制已有了许多成功 的应用例子，如装配、焊接、搬运、邮件分检、轨迹跟踪等。 1 1 3 机器人视觉伺服控制系统的分类 视觉伺服方法的主要目的就是利用视觉系统提供的信息来控制机器人。根据 控制结构的不同，可将视觉伺服系统分为两类； ( 1 ) 一种控制方法称为“直接视觉伺服”( d i r e c tv i s u a ls e f v o ) ，视觉控制器直接 计算机器人各关节的控制力矩，而不需要机器人关节控制器。这种视觉伺服系统 处理非常快，至少能达到1 0 0 h z 。 ( 2 ) 另一种控制方法称为“观察后移动”( l o o k 卸dm o v e ) ，在此方法中，视觉控 制器计算的是机器人关节运动期望轨迹，该控制律再被传送到后一级的机器人动 态系统控制器。 根据反馈信息类型的不同，机器人视觉系统可分为： ( 1 ) 基于位置( p o s i t i o nb 鹊e d ) 的视觉控制，系统的反馈偏差在3 dc a r t e s i 锄空间 进行计算 ( 2 ) 基于图像( i m a g eb a s e d ) 的视觉控制，系统的反馈偏差在2 d 图像平面空间 进行计算。 几种常用的视觉伺服结构如图1 1 、图1 2 、图1 3 、图1 4 所示。 图1 1动态基于位置的l o o k 勰dm o v e 结构 神经网络技术在机器人视觉伺服控制中的麻用 i 叫錾徽悟 节控制器l - 呻 机器人l i l i 关节角度传感器1 1 一l l 图像特征提取l l 摄像头i l 参 图1 2 动态基于图像的l o o k dm o v e 结构 r 兰竺竺广 竺兰广1 ：! 兰全i _ i 五云i f i h 图像特征提取 i f _ i i ；： _ 一 图1 3 基于位置的直接视觉伺服结构 图i 4 基于图像的直接视觉伺服结构 1 1 4 视觉伺服控制机器人的结构 一个视觉伺服机器人系统一般有几个相互作用的部分组成：机械手、摄像机、 环境、任务和控制系统( 见图1 5 ) ，机械手是具有传动执行装置的机械，是机器 人赖以完成工作任务的实体，它通常由杆件和关节组成。从功能的角度可分为： 手臂、腕部、臀部和行走机构。摄像机的主要功能是从目标工件上获取控制器所 需的信息。 图1 5 工业机器人 硕士学位论文 手部，称为末端执行器，是工业机器人直接进行工作的部位，可以是各种夹 持器、电焊枪、油漆喷头等。腕部通过机械接口与手部相连，它通常有三个自由 度，多数是复杂的轮系结构，可以看作是三个关节的组合，主要功能是带动手部 完成任意位姿( 位置和姿态) 。机器人在执行一项任务时，由它的机械结构实现运动 功能，完成规定的作业。机械结构的布局、类型、传动方法和驱动方式直接影响 机器人的机能 一个机器人机构的好坏，其指标是多方面的，由于经济和使用的要求，不同 的任务可由不同的机器人承担，它们的布局、大小、关节数、传动机构、驱动方 式等将随着工作与环境的不同而异，基本要求如下： ( 1 ) 自由度数，即物体独立运动所需要的独立坐标数。 ( 2 ) 工作空间，又称工作范围，是指机器人运动时手腕中心或工具安装点能够 到达的所有区域。 ( 3 ) 承载能力，说明了机器人搬运重物的能力，它取决于构件尺寸和驱动器的 容量。 ( 4 ) 速度。 ( 5 ) 精度。 对于一个视觉伺服控制机器人而言，它对外界信息的获取来自于摄像机上的 信息。摄像机可以安置在一个固定的地方，通过一定的灯光效果，对零件进行识 别和定位。如图1 6 所示。这种结构的机器人系统具有简单实用，但缺乏对工件 进行跟踪的能力。 图1 6 用于生产线上具有简单视觉系统的工业机器人系统图 神绎网络技术在机器人视觉伺服控制中的麻用 本文所研究的三关节“眼手”机器人则具备了对工件进行跟踪的能力，其结构 如图1 7 所示：图1 7 中的“眼手”机器人一共有三个自由度，它的三个关节都是 旋转关节。安装在机器人末端连杆上的摄像机就相当于机器人的眼睛，它是固定 在末端连杆上的。摄像机在机器人动作时( 向目标工作件靠近或放置目标工作件的 过程中) ，随着机器人一起运动，但它相对于末端连杆而言是固定不动的。 机器人 0 点 图1 7 三关节“眼手”机器人系统示意图 1 1 5 机器人视觉伺服控制的研究方向 视觉伺服控制经过三十多年来理论算法上的发展以及硬件运算能力的不断提 高，机器人视觉伺服控制这一领域取得了十分显著的成就。然而，机器人视觉伺 服系统在工业上的应用仍是十分有限的，而且大部分的应用系统仍只具有简单的 视觉功能。根据目前的发展水平及应用中所遇的困难，今后在以下几个方面还需 要进一步的研究： ( 1 ) 在实际环境中从图像快速、鲁棒的获取与期望给定空间表示的反馈信息的 方法。在算法方面，更多的应是从图像处理角度上考虑如何根据任务要求及实际 所检测到的环境条件，自动选用合适的视觉特征并能鲁棒地对其进行抽取。由于 图像处理的信息量大，随着可编程器件技术的发展，可考虑将通用算法硬件化。 另外，研究低成本的具有快速帧采集速率的成像设备，将有利于大幅度地降低视 觉伺服系统的采样周期，从而提高系统对外界环境变化的响应速度。 ( 2 ) 提高系统的动态性能。目前多数的研究集中在解决如何由感知到的视觉信 息确定机器人该怎样运动的问题，随着系统采样速率的进一步提高，有必要深入 研究整个视觉伺服系统的动态性能。需要结合机器人的动力学特性及视觉过程的 动态特性综合考虑。 ( 3 ) 将视觉传感器与其它外部传感器件结合起来。由于视觉传感器具有一定的 使用范围，而且存在着一些难以克服的缺陷，如数据量大、易受噪声污染及检测 分辨率难以提高等，因此有必要结合其它外部传感器件，使机器人具有更高的智 能。 硕士学位论文 1 2 神经网络的发展与研究概况 1 2 1 神经网络的发展史 人工神经网络是属于人工智能领域的重要分支，它可以成功地应用在信号处 理领域，包括图像处理、机器视觉、故障诊断、目标检测、白适应滤波和信号压 缩等，也可以应用于机器人动力学控制和动态过程规划，其内容包括机器人逆运 动学求解、坐标变换、信息融合和高度非线性机器人动力学控制等。i 7 】人工神经 网络具有很强的学习能力和非线性映射能力，利用它可以解决一些复杂的系统控 制问题，对于那些存在不确定性的系统模型，用其他方法难以实行有效的控制。 神经网络经过早期阶段、过渡期、新高潮期、热潮期四个阶段，早期阶段指 的是1 9 1 3 年到6 0 年代末，1 9 1 3 年人工神经系统的第一个实践是有r u s s e l l 描述 的水力装置，1 9 4 3 年美国心理学家w a r r p nsm c c u l l o c h 与数学家w a j t c rhp i t t s 合 作，提出了m p 模型( 由一些形式神经元按一定方式连接起来的网络) ，1 9 4 9 年心 理学家d 0 h e b b 提出了突触联系效率可变的假设就是调整权值，1 9 5 7 年 e r o s e n b l a n 设计制作了著名的感知器，1 9 6 2 年b e m a r dw i n d r o w 和m a r c i a i lh o f r 提出了自适应线性元件网络，6 0 年代中期神经网络的研究处于低潮。邛】【9 1 过渡期指的是7 0 年代，7 0 年代后，虽然神经网络的研究处于低潮，但是有不 少科学家在极其困难的条件下坚持不懈地努力奋斗，提出了各种不同的网络模型， 主要有日本福岛严帮的认知机模型和日本东京大学的中野馨的联想记忆模型。 新高潮期指的是8 0 年代前期，8 0 年代前期主要是h o p f i e l d 神经网络模型。 热潮期指的是8 0 年代后期以来，从1 9 8 6 年以来，在控制领域，将神经网络 与传统控制技术相结合取得了许多令人鼓舞的结果。神经网络的应用研究已经渗 透到各个领域，并在智能控制、模式识别、自适应滤波和信号处理、非线性优化、 传感技术和机器人、生物医学工程等方面取得了令人鼓舞的进展。这些成就加强 了人们对神经网络系统的进一步认识，引起了世界许多国家的科学家、研究机构 及企业界人士的关注，也促成了不同学科的科学工作者联合起来，从事神经网络 理论、技术开发及应用于现实的研究。 神经网络的研究主要可分为以下三个方面l l o j ： ( i ) 大脑和神经系统的信息处理原理。 ( 2 ) 构造能实现信息处理的神经网络模型。 ( 3 ) 能实现信息处理基本原理的技术研究神经计算机。 1 2 2 神经网络基本概念及特征 神经元是大脑处理信息的基本单元，以细胞体为主体，由许多向周围延伸的 不规则树枝状纤维构成的神经细胞，其形状很像一棵枯树的枝干它主要由细胞 神绎网络技术在机器人视觉伺服控制中的应用 体、树突、轴突和突触( s y n a p s e ，又称神经键) 组成( 见图1 8 ) 。 图1 8 生物神经元示意图 直观理解神经网络是一个并行和分布式的信息处理网络结构，它一般由许多 个神经元组成，每个神经元只有一个输出，它可以连接到很多其他的神经元，每 个神经元输入有多个连接通道，每个连接通道对应于一个连接权系数。 图1 9 人工神经元模型 众多的神经元依次连接就构成了神经网络，神经网络作为一种新技术之所以 引起人们很多的兴趣，并越来越多地用于机器人控制领域，是因为与传统的控制 技术相比，神经网络系统具有以下基本特性： ( 1 ) 并行分布处理，神经网络具有高度的并行结构和并行实现能力，因而具有 较好的耐故障能力和较快的总体处理能力，这特别适合于实时系统的动态控制。 ( 2 ) 非线性映射，神经网络具有固有的非线性特性，这源于神经网络可近似任 意非线性映射( 变换) 能力，这一特性给非线性控制问题带来新的希望。 ( 3 ) 通过训练进行学习，神经网络是通过研究系统过去的数据记录进行训练 的，一个经过适当训练的神经网络具有归纳全部数据的能力，因此，神经网络能 够解决那些数学模型或描述规则难以处理的控制问题。 ( 4 ) 适应与集成，神经网络能够适应在线运行，并能同时进行定量和定性操作， 神经网络的强适应和信息融合能力使得网络过程可以同时输入大量不同的控制信 号，解决输入信息间的互补和冗余问题，并实现信息集成和融合处理。这些特性 硕士学位论文 特别适于复杂、大规模和多变量系统的控制。 ( 5 ) 多变量系统，神经元网络能够自然地处理多输入信号，并具有多个输出， 它们非常适合于多变量系统。 ( 6 ) 硬件实现，神经网络不仅能够通过软件而且可以借助硬件实现并行处理。 近年来，由一些超大规模集成电路实现的硬件神经网络已经问世，而且可从市场 上购得。这使得神经网络成为具有快速和大规模处理能力的网络。 1 2 3 神经网络与机器人视觉伺服控制系统 由于视觉伺服控制面对的是一个复杂、未知的环境，而机器人本身又是一个 非线性，强耦合的复杂系统，工业用的低速操作臂应用常规的p i d 反馈控制可以 满足控制要求，但为实现高速运动，要求具有较好的控制效果，p i d 反馈控制难 以取得较好的控制效果。对基于模型的控制方法，由于操作臂的参数不能精确得 到，模型参数与实际参数不匹配时，便会产生伺服误差，并且，在运动学和动力 学建模时往往忽略了作业循环时负载的变化。在运行中，被控系统负载的变化足 以使基于模型反馈控制策略的失败。再者，由于动力学模型的复杂性，计算工作 量很大，难以满足实时控制的要求。当机器人工作环境及工作目标的性质和特征 在工作过程中随时间发生变化时，控制系统的特性具有未知和不定的特性。这未 知因素和不定性，将使控制系统性能变差，不能满足控制要求，因此，传统的控 制方法往往难于取得好的控制效果。 神经网络的本质特征决定了它在复杂控制系统中的地位。首先，它可以通过 学习和自适应来处理一些难以用公式和规则描述的过程，充分逼近任意复杂的非 线性系统，学习与适应严重不确定性系统的动态特性；其次，因为本质上是并行 结构，使得快速进行大量运算成为可能，能够满足对实时性要求高的伺服控制系 统的要求；再次，所有定量或定性信息都等势分布存储于网络的各种神经元及其 连接权中，故有很强的鲁棒性和容错性i 最后，神经网络有很强的综合信息处理 能力，可以处理大量不同类型的输入，实现信息的互补和冗余。正是神经网络的 这些特点使得它能够应用于机器人视觉伺服控制，任务规划，轨迹规划及运动控 制各个方面。 h i d e k ih a s h i m o t o 等人在1 9 9 0 年发表的论文【l l 】中采用n n 来逼近目标的图像 特征变化与机器人各关节位置变化量之间的关系，在机器人运行中根据目标当前 特征点在图像平面坐标与期望值之间的偏差，由n n 估算出机器人各关节的期望 变化量送至关节的伺服控制器中控制关节变化。b u i1 r o n gt u y e n aa n dp h 锄 t h u o n gc a t 在2 0 0 2 年发表论文【1 2 l ，采用了一种基于机器人追踪系统的神经网络 控制，采用b p 算法进行训练，在控制系统中加入神经网络控制器有效的补偿机 器人动态的不确定性，构成自适应线性反馈控制系统。f - l l e w i s 基于无源理论， 神经网络技术在机器人视觉伺服捧! 制中的府用 利用f u n c t i o n a ll i l l l ( n e 哪ln e t 、o r k f l n n 网络逼近机器人动力学模型，提出了 一类网络连接权在线调整，可保证闭环稳定的神经网络自适应控制算法，并讨论 了隐层神经元的选择问题和神经网络逼近误差一致有界和非一致有界的情况下控 制器的设计问题。该研究结果表明：为了减小网络规模，通常可以牺牲神经网络 的逼近精度，而通过设计鲁棒控制项来补偿由于选择的隐层神经元数不够多而造 成的较大逼近误差。 另一类神经网络控制方法则基于计算力矩控制结构，利用神经网络补偿模型 的不确定性部分【l ”。f g a i l g 提出了由r b f 神经网络和变结构控制组成的补偿器， 但只考虑了神经网络逼近误差一致有界并且界己知的情况，另外变结构控制也不 可避免的带来了控制震颤。陆璐等人提出了一种利用神经网络逼近具有不确定性 及随机干扰的仿射非线性系统的新算法，采用自适应控制率在线调节网络权值， 并基于控制理论选择控制量以削减噪声干扰。周恩涛等人对于二自由度机械手的 控制问题提出了一种基于函数连接神经网络的反馈学习控制方法，提高了控制系 统的自适应速度，改善了系统的特性。本文主要是研究神经网络控制器在机器人 视觉伺服控制上的应用。 1 3 本论文的主要研究内容及结构 针对机器人视觉伺服系统中存在的不确定因素，运用神经网络的理论方法， 重点研究神经网络技术在机器人视觉伺服控制中的应用，主要研究内容包括： ( 1 ) 基于神经网络技术的机器人视觉伺服控制器设计。 ( 2 ) 小脑神经网络机器人视觉伺服控制方法。 ( 3 ) 小波基神经网络技术在机器人视觉伺服控制方法。 本文的结构安排如下 第l 章绪论。在这一章中，回顾了机器人视觉技术及神经网络的发展历程，简 要地介绍了机器视觉伺服控制系统及神经网络技术在机器人控制系统的研究情况。 第2 章机器人的运动学模型的建立。在这一章中介绍了机器人的运动学的基 础知识和机器人运动学模型的建立，成像几何模型的建立。 第3 章基于b p 神经网络在机器人视觉伺服控制系统。首先介绍了基于b p 网络的机器人视觉伺服控制系统，在此基础上改进b p 神经网络，并研究该网络 在机器人控制中的应用。 第4 章基于c m a c 的视觉伺服学习控制系统的研究。首先分析c m a c 的工 作原理，在此基础上构造c m a c 神经网络，并研究该网络在机器人控制中的应用。 第5 章基于w n n 的机器人视觉伺服控制器的研究。介绍小波分析和小波神 经网络基本概念，在此基础上提出一种基于小波神经网络机器人控制方法。 硕士学位论文 第2 章机器人的运动学模型的建立 机械手作为一种模拟人臂功能的机械结构，是工业机器人的主要操作机构。 多关节机械手最接近于人臂的构造，它由多个关节组成，一般采用电机驱动。运 用不同的关节连接方式，它可以完成各种复杂的操作运动。为使机器人能完成给 定的工作任务，需要知道其末端在三维空间中的状况，通常的方法是建立一个和 末端固连的坐标系，用此坐标系相对参考坐标系的位置和指向来研究末端的位置 和指向，即运动学问题，本章将简要地介绍多关节机械手的运动学问题。 2 1 机器人运动学基础 机器人运动学是研究机器人运动，包括机器人行走机构及机械手臂等运动的 学科，专门研究物体运动规律，而在研究中不考虑产生运动的力和力矩，它涉及 到运动物体的位置、速度、加速度等位置变量对时间( 或其它变量) 的高阶导数。 研究机器人运动学的目的就是研究机器人各连杆在空间的位置关系，建立机器 人运动的数学模型，为机器人的控制提供分析的方法，为机器人的仿真提供理论 依据。机器人运动学主要研究两类问题4 j ：一类是给定机器人各关节角度，要求 计算机器人手爪的位置与姿态问题，称为正向运动学问题；另一类是已知手爪的 位置和姿态求机器人相对于这个位置与姿态的全部关节角，称为运动学逆问题。 显然，正问题是简单的，解是唯一的，但逆问题的解是复杂的，而且具有多解性。 这给问题求解带来困难，往往需要一些技巧和经验。 2 1 1 机器人正向运动学 2 1 1 1 坐标系在固定参考坐标系中的表示 如果一个坐标系不在固定参考坐标系的原点( 实际上包括在原点的情况) ，那么 该坐标系的原点相对于参考坐标系的位置必须通过一定的关系式表示出来【”l 。为 此，在该坐标系原点与参考坐标系原点之间用一个向量来表示该坐标系的位置( 如 图2 1 所示) 。这个向量由相对参考坐标系的三个分量来表示，则坐标系就可以由 三个表示方向的单位向量以及第四个位置向量来表示。 f = n lo i n yo y n zo z oo q 只 q ，p p 吃 ol ( 2 1 ) 神经网络技术在机器人视觉伺服j 雩! 制中的席用 图2 1一个坐标系在另一个坐标系中的表示 2 1 1 2 平移坐标变换 平移坐标变换如图2 2 所示。设两坐标系a 与b 具有相同的方位，但是b 的 坐标原点与a 的坐标原点不重合。用位置矢量。描述b 坐标系相对于a 坐 标系的位置，。称为b 相对于a 的平移矢量。 x a 图2 2 平移变换 如果点p 在坐标系 b ) 中的位置矢量为8 p ，那么它在坐标系 a 中的位置矢量 。p 可由下式( 2 2 ) 求得。 。p = 8 p + p 阳( 2 2 ) 该式被称为坐标平移方程。 2 1 1 3 旋转坐标变换 旋转坐标变换如图2 3 所示，坐标系o u v w 是坐标系o x y z 经i 睫转变换 后得到的。令，也和乇，二，k 分别为沿0 x ，o y o z 轴和沿o u ，0 1o w 轴的 单位向量，空间中一点位置向量p 在坐标系o u v w 中表示为： 见。= 只，f n + p ， + 以吒( 2 3 ) 硕士学位论文 即 = 帆，n ，几，1 ) 1 式中，见，鼠，“分别为p 沿着0 u ，o v o w 轴的投影。 在坐标系o x y z 中，向量p 记为： 。“ p w = p j l + p y j y + p ：k ： 即 = ( 见，乃，见，1 ) 1 我们需要找出旋转变换矩阵；使得： p m = p 。 l 。 -。 哆- j 。- r j j y y “ ， i u x u 一图2 3 旋转坐标 ( 2 4 ) ( 2 5 ) ( 2 6 ) ( 2 7 ) 当坐标系0 u v w 与坐标系o x y z 重合时，和p 。重合。坐标系0 u v w 按照一定关系绕坐标系0 x y z 转动时，固定于坐标系o u v w 的向量p 随坐标系 o u v w 一起转动，其转动关系由碟描述。向量在o x ，o y o z 轴的投影可用下 列向量的点积表示： p i = i x 。p 。= 乒。p 。+ i l j ，p ，+ i x k 。p 。q 固 p v = j 。p 。；j 乒。p q + jv jv p v + j ，k 。p ， p ：= k ：p 。= k i 。p 。+ k ：j v p v + k z k 。p w q 、 将式( 2 8 ) ，( 2 9 ) ，( 2 1 0 ) 统一用齐次矩阵形式表示 比较( 2 7 ) 和( 2 1 1 ) ，有： p t p v pz l i x i ul t j v j jy ) t k 。k z j 00 k o j 。k 。o t k0 ol 见 p 。 氏 l ( 2 1 1 ) 神经阿络技术在机器人视觉伺服控制中的应用 匙= t l j l l j j v j jy ) v k 。k z j ， oo k 0 j v k 。o k 。o 01 ( 2 1 2 ) 式中第一列元素分别为在，工，也方向上的