CN103885336B - 基于鹤颈运动的移动视觉控制方法 - Google Patents

Abstract

本发明涉及一种基于鹤颈运动的移动视觉控制方法，包括以下步骤：采集移动视觉的平台运动速度；建立CPG模型，所述CPG模型由三个神经元相互连接组成，其中包括两个内部振荡神经元a，b和一个输出神经元c；控制移动视觉移动的驱动电机根据神经元c的输出，控制移动视觉的移动。该方法从仿生控制角度入手，借鉴生物学研究成果，能显著降低或消除移动视觉的抖动现象。

Description

基于鹤颈运动的移动视觉控制方法

技术领域

本发明涉及移动视觉的控制领域，尤其涉及一种基于鹤颈运动的移动视觉控制方法。

背景技术

随着移动机器人逐渐进入普通家庭为人类服务，移动机器人的应用越来越广泛。它不仅可以与人进行交互，还可以辅助人类完成抓取、搬运等复杂的任务。灵活的可移动性极大地拓展了移动机器人的工作空间，使得机器人可以以更优的位姿完成各种复杂的任务。然而，上述任务的完成离不开装载于机器人本体上的各类传感设备。视觉传感器作为其中最为重要的设备之一，已经得到了非常普遍的应用。

由于移动机器人的自主运动，安装在移动平台上的视觉传感器通常难以获得稳定清晰的视觉信息。因此，为视觉传感器安装可控云台并开展有效的控制方法研究具有重要的意义。

目前基于视觉的伺服控制得到了广泛研究。研究者们提出了各种解决方法：为了保持多个运动目标不从移动视觉的视野中丢失，采用欠定的任务函数调节图像特征的均值和方差，同时使用另一个任务函数获得高质量的运动感知，从而计算出特征点的速度，最终可以实现3～8个目标的跟踪。通过对噪声的实时估计来调整图像分割精度，研究人员提出了一种适用于移动视觉系统的立体匹配算法。也有科研人员从图像处理算法的角度研究了消除摄像头抖动的途径。以上方法从不同侧面研究了如何降低或消除运动过程给移动视觉带来的不利影响，但是大多数方法局限于信息处理的单一层面，因此，很难在不同的应用场合获得良好的效果。

相比而言，动物在走动觅食过程中对移动视觉的控制是截然不同的。根本的区别体现在动物的运动控制不是基于信息处理的方法，而是一种中枢神经控制。动物的这种Head-bobbing运动是一种典型的节律(rhythm)运动。动物的节律运动具有规则的表现形式、高度稳定性和环境适应性。而且，节律性运动可以随意开始或者停止，一旦开始就能自动重复进行而不再需要过多大脑意识的参与。一般而言，产生节律运动的神经环路称为中枢模式发生器(centralpatterngenerator,CPG)。动物的众多节律运动都是由脊髓中的CPG来实现的。本发明从仿生角度，通过对鹤颈运动的模仿，实现降低或消除移动视觉抖动现象的目的。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于鹤颈运动的移动视觉控制方法，该方法从仿生控制角度入手，借鉴生物学研究成果，能显著降低或消除移动视觉的抖动现象。

本发明解决其技术问题所采用的技术方案是：

一种基于鹤颈运动的移动视觉控制方法，包括以下步骤：

1）采集移动视觉的平台运动速度；

2）建立CPG模型，所述CPG模型由三个神经元相互连接组成，其中包括两个内部振荡神经元a，b和一个输出神经元c；

3）控制移动视觉移动的驱动电机根据神经元(c)的输出，控制移动视觉的移动。

按上述方案，所述步骤2）中振荡神经元a和b的微分方程为：

其中，θ_a和θ_a分别表示振荡神经元a和b振荡函数的相位，

r_a和r_b分别表示振荡的幅值，

ω分别为神经元a和b振荡的角频率，

c表示两个神经元之间的相位耦合系数，

表示神经元a和b的相位差，

d为幅值收敛速度参数，

R为稳态值，

x_a和x_b分别为振荡神经元a和b的输出幅值。

按上述方案，所述步骤2）中输出神经元c的函数方程如下：

x_c(x_a,x_b,k)=λv[sgn(x_a-x_b-θ(k))+μ(k)]

其中，v是步骤1）中采集的移动视觉的平台运动速度；k是移动视觉的运动速度倍率，即：在地面参考系下，移动视觉向前运动速度的大小与移动视觉后撤运动速度大小的比值；λ是振幅调节参数；

θ(k)表示神经元c的输入阈值，

μ(k)表示神经元c的平移因子，

x_c为振荡神经元c的输出。

按上述方案，移动视觉的运动速度倍率k的取值为k大于1。

按上述方案，移动视觉的运动速度倍率k的取值为3。

按上述方案，采用蚁群优化算法对CPG模型的参数包括角频率、频率和相角进行优化处理。

按上述方案，CPG模型的参数取值如下：

c=4,d=20,R=20；

其中，T是移动视觉的运动周期。

按上述方案，所述移动视觉为可移动视觉传感器。

本发明产生的有益效果是：

1）与传统的对采集的图像进行处理相比，本发明方法通过另一个角度，即从仿生控制角度入手，借鉴生物学研究成果，对鹤颈运动进行模拟，大大提高了移动视觉采集时图像的质量，显著降低了移动视觉的抖动现象；

2）本发明方法通过对中枢模式发生器的结构和参数进行设计，使移动视觉可以适应各种不同的动态环境；适用于移动机器人和其他移动平台；

3）本发明方法可以与现有的后期图像处理方法进行叠加，获得更好质量的图像。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例的方法流程图；

图2是本发明实施例的CPG模型神经元结构图；

图3是本发明实施例的移动视觉的坐标和速度在一个周期内的变化曲线图；

图4是本发明实施例的神经元a和b的仿真结果图；

图5是本发明实施例的神经元c的仿真结果图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明方法用于控制安装在移动平台上的移动视觉装置，该移动视觉装置包括视觉传感器，用于控制视觉传感器移动的驱动电机和用于传动的丝杠，在移动平台移动的过程中，视觉传感器通过驱动电机和丝杠的移动获取信息。安装时，保证视觉传感器移动的方向与移动平台的主运动方向一致。

具体如下：一种基于鹤颈运动的移动视觉控制方法，如图1所示，包括以下步骤：

1）采集移动视觉的平台运动速度；所述移动视觉的平台运动速度是移动平台在视觉传感器移动方向上的速度分量；所述移动视觉装置包括视觉传感器，用于控制视觉传感器移动的驱动电机和用于传动的丝杠；

2）建立CPG模型，所述CPG模型由三个神经元相互连接组成，其中包括两个内部振荡神经元a，b和一个输出神经元c；如图2所示；

振荡神经元a和b的微分方程为：

其中，θ_a和θ_a分别表示振荡神经元a和b振荡函数的相位，

r_a和r_b分别表示振荡的幅值，

ω分别为神经元a和b振荡的角频率，

c表示两个神经元之间的相位耦合系数，

表示神经元a和b的相位差，

d为幅值收敛速度参数，

R为稳态值，

x_a和x_b分别为振荡神经元a和b的输出幅值。

CPG的输出神经元c：

x_c(x_a,x_b,k)=λv[sgn(x_a-x_b-θ(k))+μ(k)]

$\mathrm{\θ}\left(k\right)=2R\cos \left(\frac{\mathrm{\π}}{k+1}\right)$

$\mathrm{\μ}\left(k\right)=\frac{k-1}{k+1}$

其中，v是移动视觉的平台运动速度，来自外部的传感诱导，k是由移动视觉选择的运动速度倍率(k>1)，λ是振幅调节参数。θ(k)和μ(k)分别表示神经元c的输入阈值和平移因子;

移动视觉的底座运动速度为v=2cm/s，移动视觉的行程总长s=12cm，以移动视觉运动的正向（前向）为x轴的正向，运动起点为x轴的原点；若移动视觉向前运动速度为v1=k*v=6cm/s,k=3,则其相对平台的后退速度为2cm/s，才可以使移动视觉与地面的相对速度为零。移动视觉的坐标和速度在一个周期内的变化曲线如图3所示；所有参数的取值如下：

（1）θ_a=0.1，θ_b=0.2，r_a=0.4，r_b=0.4，k=3，

这6个参数是根据经验值设定的，其中前4个参数是微分方程求解时设定的初始值。

（2）c=4，d=20，R=20，

这5个参数是采用蚁群优化算法获得的。

（3）T=0.8s，v=20cm/s，其中T为移动视觉的控制周期。

这2个参数是根据仿真实例假设的值，也可以自行设定；

3）驱动电机根据神经元c的输出，控制移动视觉的移动。

在上述参数下，仿真结果如图4和图5所示。由图可知，使用神经元c的输出控制移动视觉的运动，可得到期望的效果。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (6)

1.一种基于鹤颈运动的移动视觉控制方法，其特征在于，包括以下步骤：

1)采集移动视觉的平台运动速度；

2)建立CPG模型，所述CPG模型由三个神经元相互连接组成，其中包括两个内部振荡神经元a、b和一个输出神经元c；

3)驱动电机根据神经元c的输出，控制移动视觉的移动；

所述步骤2)中振荡神经元a和b的微分方程为：

其中，θ_a和θ_b分别表示振荡神经元a和b振荡函数的相位，

r_a和r_b分别表示振荡神经元a和b振荡的幅值，

ω为神经元a和b振荡的角频率，

c表示两个振荡神经元之间的相位耦合系数，

表示神经元a和b的相位差，

d为幅值收敛速度参数，

R为稳态值，

x_a和x_b分别为振荡神经元a和b的输出幅值。

2.根据权利要求1所述的移动视觉控制方法，其特征在于，所述步骤2)中输出神经元c的函数方程如下：

x_c(x_a,x_b,k)＝λv[sgn(x_a-x_b-θ(k))+μ(k)]

其中，v是步骤1)中采集的移动视觉的平台运动速度；k是移动视觉的运动速度倍率，即：在地面参考系下，移动视觉向前运动速度的大小与移动视觉后撤运动速度大小的比值；λ是振幅调节参数；

θ(k)表示神经元c的输入阈值，

μ(k)表示神经元c的平移因子，

x_c为输出神经元c的输出。

3.根据权利要求2所述的移动视觉控制方法，其特征在于，移动视觉的运动速度倍率k的取值为k大于1。

4.根据权利要求2所述的移动视觉控制方法，其特征在于，移动视觉的运动速度倍率k的取值为3。

5.根据权利要求1所述的移动视觉控制方法，其特征在于，CPG模型的参数取值如下：

其中，T是移动视觉的运动周期。

6.根据权利要求1所述的移动视觉控制方法，其特征在于，所述移动视觉为可移动视觉传感器。