CN109176519A - 一种提高机器人视觉伺服控制响应时间的方法 - Google Patents

一种提高机器人视觉伺服控制响应时间的方法 Download PDF

Info

Publication number
CN109176519A
CN109176519A CN201811072136.8A CN201811072136A CN109176519A CN 109176519 A CN109176519 A CN 109176519A CN 201811072136 A CN201811072136 A CN 201811072136A CN 109176519 A CN109176519 A CN 109176519A
Authority
CN
China
Prior art keywords
visual servoing
control
control system
neuron
servoing control
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811072136.8A
Other languages
English (en)
Inventor
张黎
薛志刚
黄堉
魏相国
刘京平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Remote Sensing Equipment
Original Assignee
Beijing Institute of Remote Sensing Equipment
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Remote Sensing Equipment filed Critical Beijing Institute of Remote Sensing Equipment
Priority to CN201811072136.8A priority Critical patent/CN109176519A/zh
Publication of CN109176519A publication Critical patent/CN109176519A/zh
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
    • B25J9/1697—Vision controlled systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种提高机器人视觉伺服控制响应时间的方法，首先构建视觉伺服控制系统，包括：仿真模块和控制规则设计模块，仿真模块对视觉伺服控制系统进行仿真；控制规则设计模块对单神经元PID控制策略进行设计并对视觉伺服控制系统中PID参数进行更新。本方法合理设计规则，将具有自学习和自适应能力的单神经元自适应智能PID控制器引入视觉伺服控制系统，解决传统方法中系统响应时间较慢的问题，不但结构简单，而且能适应环境的变化，有较强的鲁棒性。

Description

一种提高机器人视觉伺服控制响应时间的方法
技术领域
本发明涉及一种提高机器人视觉伺服控制响应时间的方法，特别是一种提高基于图像的机器人视觉伺服控制响应时间的方法。
背景技术
视觉伺服控制可分为基于位置和基于图像的控制，基于位置的控制控制过程完全在位姿空间中进行，控制精度相当依赖摄像机的标定精度，基于图像的控制伺服误差直接定义在图像特征空间，可以避免摄像机标定问题，基于此优良特性本文选择了基于图像控制的视觉伺服系统作为研究对象。视觉伺服控制是现代机器人技术的重要研究内容之一，在工业自动化加工、国防军事及航空航天等方面具有广阔的应用前景。机器人视觉伺服系统是一个多输入多输出的非线性系统，具有时变性、强耦合和非线性的动力学特性，用传统的控制方法难以有效的控制。大多数的视觉伺服系统的视觉控制器主要采用PID控制器，而传统的PID控制器不具有自学习自适应的能力，在遇到一个新的环境之后，PID控制器的参数需要根据经验人为的进行调整。
发明内容
本发明目的在于提供一种提高机器人视觉伺服控制响应时间的方法，解决传统方法中系统响应时间较慢的问题。
一种提高机器人视觉伺服控制响应时间的方法，其具体步骤为：
第一步搭建视觉伺服控制系统
视觉伺服控制系统，包括：仿真模块和控制规则设计模块。
第二步仿真模块对视觉伺服控制系统的数学模型进行仿真
第三步控制规则设计模块对单神经元PID控制策略进行设计，采用有监督Hebb学习规则对加权系数进行调整，并对视觉伺服控制系统中PID参数进行更新。
进一步的，所述视觉伺服控制系统的数学模型组成包括：视觉控制器、机器人控制器、机器人动力学、机器人环境、关节传感器、摄像头、图像特征提取、图像处理特征抽取，所述图像特征提取是将图像信息数字化处理，所述图像处理特征抽取是对数字图像信息中的特征向量进行提取，仿真模块对视觉伺服控制系统的数学模型进行仿真。视觉控制器采用PID控制策略，初始设定参数P、I、D。
进一步的，控制规则设计模块对单神经元PID控制策略进行控制规则设计及参数更新的具体过程为：
定义r(K)为控制设定值，在视觉伺服控制系统对应为s*，y(K)为被控过程值，在视觉伺服控制系统对应为s，e(k)＝s*-s，将被控过程值s及控制设定值s*的偏差e(k)，转换成为单神经元学习控制所需要的状态量xi(k)，其中，x1(k)＝e(k)，x2(k)＝e(k)-e(k-1)，x3(k)＝e(k)-2e(k-1)+e(k-2)。K为神经元的比例系数，K＞0。神经元通过关联搜索来产生控制信号u(k)，即
其中，k为当前节拍，则k-1为上一节拍，k-2为上两个节拍。
wi(k)为对应于xi(k)的加权系数，其中i＝1,2,3；wj(k)为对应于xi(k)的系数，由系数wj(k)计算得出加权系数wi(k)；
控制规则设计模块通过对加权系数的调整来实现自适应、自组织功能，而加权系数的调整则采用有监督Hebb学习规则，加权系数与神经元的输入、输出和输出偏差三者的相关函数有关，其中，神经元的输入分别指的是xi(k)i＝1,2,3；神经元的输出指的是u(k)，输出偏差为z(k)＝e(k)，e(k)＝s*-s；即
w1(k)＝w1(k-1)+ηPz(k)u(k)x1(k)
w2(k)＝w2(k-1)+ηIz(k)u(k)x2(k)
w3(k)＝w3(k-1)+ηDz(k)u(k)x3(k)
z(k)＝e(k)，ηP，ηI，ηD分别为比例、积分和微分三个权值的学习速率，对比例P、积分I和微分D分别采用了不同的学习速率ηP，ηI，ηD，以实现对不同的加权系数分别进行学习调整。w1(k)、w2(k)、w3(k)为更新后的P、I、D参数。
本方法合理设计规则，将具有自学习和自适应能力的单神经元自适应智能PID控制器引入视觉伺服控制系统，解决传统方法中系统响应时间较慢的问题。不但结构简单，而且能适应环境的变化，有较强的鲁棒性。
附图说明
图1一种提高机器人视觉伺服控制响应时间的方法中的伺服控制系统结构框图；
图2一种提高机器人视觉伺服控制响应时间的方法中的特征点运动轨迹。
具体实施方式
一种提高机器人视觉伺服控制响应时间的方法，其具体步骤为：
第一步 搭建视觉伺服控制系统
视觉伺服控制系统，包括：仿真模块和控制规则设计模块。
仿真模块的功能为：对视觉伺服控制系统进行仿真；
第二步 仿真模块对视觉伺服控制系统的数学模型进行仿真
所述视觉伺服控制系统的数学模型组成包括：视觉控制器、机器人控制器、机器人动力学、机器人环境、关节传感器、摄像头、图像特征提取、图像处理特征抽取，所述图像特征提取是将图像信息数字化处理，所述图像处理特征抽取是对数字图像信息中的特征向量进行提取，仿真模块对视觉伺服控制系统的数学模型进行仿真。视觉控制器采用PID控制策略，初始设定参数P、I、D。
第三步 控制规则设计模块对单神经元PID控制策略进行设计，采用有监督Hebb学习规则对加权系数进行调整，并对视觉伺服控制系统中PID参数进行更新。
定义r(K)为控制设定值，在视觉伺服控制系统对应为s*，y(K)为被控过程值，在视觉伺服控制系统对应为s，e(k)＝s*-s，将被控过程值s及控制设定值s*的偏差e(k)，转换成为单神经元学习控制所需要的状态量xi(k)，其中，x1(k)＝e(k)，x2(k)＝e(k)-e(k-1)，x3(k)＝e(k)-2e(k-1)+e(k-2)。K为神经元的比例系数，K＞0。神经元通过关联搜索来产生控制信号u(k)，即
其中，k为当前节拍，则k-1为上一节拍，k-2为上两个节拍。
wi(k)为对应于xi(k)的加权系数，其中i＝1,2,3；wj(k)为对应于xi(k)的系数，由系数wj(k)计算得出加权系数wi(k)；
控制规则设计模块通过对加权系数的调整来实现自适应、自组织功能，而加权系数的调整则采用有监督Hebb学习规则，加权系数与神经元的输入、输出和输出偏差三者的相关函数有关，其中，神经元的输入分别指的是xi(k)i＝1,2,3；神经元的输出指的是u(k)，输出偏差为z(k)＝e(k)，e(k)＝s*-s；即
w1(k)＝w1(k-1)+ηPz(k)u(k)x1(k)
w2(k)＝w2(k-1)+ηIz(k)u(k)x2(k)
w3(k)＝w3(k-1)+ηDz(k)u(k)x3(k)
z(k)＝e(k)，ηP，ηI，ηD分别为比例、积分和微分三个权值的学习速率，对比例P、积分I和微分D分别采用了不同的学习速率ηP，ηI，ηD，以实现对不同的加权系数分别进行学习调整。w1(k)、w2(k)、w3(k)为更新后的P、I、D参数。

Claims (3)

1.一种提高机器人视觉伺服控制响应时间的方法，其特征在于具体步骤为：
第一步搭建视觉伺服控制系统
视觉伺服控制系统，包括：仿真模块和控制规则设计模块；
第二步仿真模块对视觉伺服控制系统的数学模型进行仿真；
第三步控制规则设计模块对单神经元PID控制策略进行设计，采用有监督Hebb学习规则对加权系数进行调整，并对视觉伺服控制系统中PID参数进行更新。
2.根据权利要求1所述的提高机器人视觉伺服控制响应时间的方法，其特征在于，所述视觉伺服控制系统的数学模型组成包括：视觉控制器、机器人控制器、机器人动力学、机器人环境、关节传感器、摄像头、图像特征提取、图像处理特征抽取，所述图像特征提取是将图像信息数字化处理，所述图像处理特征抽取是对数字图像信息中的特征向量进行提取，仿真模块对视觉伺服控制系统的数学模型进行仿真；视觉控制器采用PID控制策略，初始设定参数P、I、D。
3.根据权利要求1所述的提高机器人视觉伺服控制响应时间的方法，其特征在于，控制规则设计模块对单神经元PID控制策略进行控制规则设计及参数更新的具体过程为：
定义r(K)为控制设定值，在视觉伺服控制系统对应为s*，y(K)为被控过程值，在视觉伺服控制系统对应为s，e(k)＝s*-s，将被控过程值s及控制设定值s*的偏差e(k)，转换成为单神经元学习控制所需要的状态量xi(k)，其中，x1(k)＝e(k)，x2(k)＝e(k)-e(k-1)，x3(k)＝e(k)-2e(k-1)+e(k-2)；K为神经元的比例系数，K＞0；神经元通过关联搜索来产生控制信号u(k)，即
其中，k为当前节拍，则k-1为上一节拍，k-2为上两个节拍；
wi(k)为对应于xi(k)的加权系数，其中i＝1,2,3；wj(k)为对应于xi(k)的系数，由系数wj(k)计算得出加权系数wi(k)；
控制规则设计模块通过对加权系数的调整来实现自适应、自组织功能，而加权系数的调整则采用有监督Hebb学习规则，加权系数与神经元的输入、输出和输出偏差三者的相关函数有关，其中，神经元的输入分别指的是xi(k)i＝1,2,3；神经元的输出指的是u(k)，输出偏差为z(k)＝e(k)，e(k)＝s*-s；即
w1(k)＝w1(k-1)+ηPz(k)u(k)x1(k)
w2(k)＝w2(k-1)+ηIz(k)u(k)x2(k)
w3(k)＝w3(k-1)+ηDz(k)u(k)x3(k)
z(k)＝e(k)，ηP，ηI，ηD分别为比例、积分和微分三个权值的学习速率，对比例P、积分I和微分D分别采用了不同的学习速率ηP，ηI，ηD，以实现对不同的加权系数分别进行学习调整；w1(k)、w2(k)、w3(k)为更新后的P、I、D参数。
CN201811072136.8A 2018-09-14 2018-09-14 一种提高机器人视觉伺服控制响应时间的方法 Pending CN109176519A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811072136.8A CN109176519A (zh) 2018-09-14 2018-09-14 一种提高机器人视觉伺服控制响应时间的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811072136.8A CN109176519A (zh) 2018-09-14 2018-09-14 一种提高机器人视觉伺服控制响应时间的方法

Publications (1)

Publication Number Publication Date
CN109176519A true CN109176519A (zh) 2019-01-11

Family

ID=64911300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811072136.8A Pending CN109176519A (zh) 2018-09-14 2018-09-14 一种提高机器人视觉伺服控制响应时间的方法

Country Status (1)

Country Link
CN (1) CN109176519A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110712201A (zh) * 2019-09-20 2020-01-21 同济大学 基于感知器模型的机器人多关节自适应补偿方法和稳定器
CN111823225A (zh) * 2020-06-04 2020-10-27 江汉大学 一种视觉伺服三维仿真方法及装置
CN115509122A (zh) * 2022-11-21 2022-12-23 山东高速集团有限公司创新研究院 基于机器视觉导航的无人划线车在线寻优控制方法及系统
CN116512237A (zh) * 2022-11-28 2023-08-01 广东建石科技有限公司 工业机器人视觉伺服方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5600760A (en) * 1984-10-12 1997-02-04 Sensor Adaptive Machines Inc. Target based determination of robot and sensor alignment
CN103153553A (zh) * 2010-08-27 2013-06-12 Abb研究有限公司 视觉引导对准系统和方法
CN104942809A (zh) * 2015-06-23 2015-09-30 广东工业大学 基于视觉伺服系统的机械臂动态模糊逼近器
CN105196292A (zh) * 2015-10-09 2015-12-30 浙江大学 一种基于迭代变时长视觉伺服控制方法
CN107962561A (zh) * 2016-10-20 2018-04-27 哈尔滨工大天才智能科技有限公司 一种sr09机器视觉系统设计方法
CN108227476A (zh) * 2017-09-04 2018-06-29 河南森源电气股份有限公司 一种agv小车的控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5600760A (en) * 1984-10-12 1997-02-04 Sensor Adaptive Machines Inc. Target based determination of robot and sensor alignment
CN103153553A (zh) * 2010-08-27 2013-06-12 Abb研究有限公司 视觉引导对准系统和方法
CN104942809A (zh) * 2015-06-23 2015-09-30 广东工业大学 基于视觉伺服系统的机械臂动态模糊逼近器
CN105196292A (zh) * 2015-10-09 2015-12-30 浙江大学 一种基于迭代变时长视觉伺服控制方法
CN107962561A (zh) * 2016-10-20 2018-04-27 哈尔滨工大天才智能科技有限公司 一种sr09机器视觉系统设计方法
CN108227476A (zh) * 2017-09-04 2018-06-29 河南森源电气股份有限公司 一种agv小车的控制方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110712201A (zh) * 2019-09-20 2020-01-21 同济大学 基于感知器模型的机器人多关节自适应补偿方法和稳定器
CN110712201B (zh) * 2019-09-20 2022-09-16 同济大学 基于感知器模型的机器人多关节自适应补偿方法和稳定器
CN111823225A (zh) * 2020-06-04 2020-10-27 江汉大学 一种视觉伺服三维仿真方法及装置
CN115509122A (zh) * 2022-11-21 2022-12-23 山东高速集团有限公司创新研究院 基于机器视觉导航的无人划线车在线寻优控制方法及系统
CN116512237A (zh) * 2022-11-28 2023-08-01 广东建石科技有限公司 工业机器人视觉伺服方法、装置、电子设备及存储介质
CN116512237B (zh) * 2022-11-28 2023-09-19 广东建石科技有限公司 工业机器人视觉伺服方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN109176519A (zh) 一种提高机器人视觉伺服控制响应时间的方法
CN106647271B (zh) 基于神经网络理论的非线性系统自适应比例积分控制方法
CN111881772A (zh) 基于深度强化学习的多机械臂协同装配方法和系统
CN108490965A (zh) 基于遗传算法优化神经网络的旋翼飞行器姿态控制方法
CN110315544B (zh) 一种基于视频图像演示的机器人操作学习方法
She et al. Generalized-extended-state-observer and equivalent-input-disturbance methods for active disturbance rejection: Deep observation and comparison
CN111045326A (zh) 一种基于递归神经网络的烘丝过程水分预测控制方法及系统
CN108008627A (zh) 一种并行优化的强化学习自适应pid控制方法
Seo et al. Non-certainty equivalent adaptive control for robot manipulator systems
CN110347192B (zh) 基于注意力机制和自编码器的玻璃炉温智能预测控制方法
CN109143855B (zh) 一种基于模糊sarsa学习的旋翼无人机视觉伺服控制方法
CN110134165A (zh) 一种用于环境监测与控制的强化学习方法及系统
CN108828934A (zh) 一种基于模型辨识的模糊pid控制方法及装置
CN103324093B (zh) 一种多模型自适应控制系统及其控制方法
CN114102600B (zh) 一种多空间融合的人机技能迁移与参数补偿方法及系统
Rombokas et al. Tendon-driven control of biomechanical and robotic systems: A path integral reinforcement learning approach
CN116135485A (zh) 一种二自由度机械臂的预设性能轨迹跟踪控制器设计方法
CN107065559A (zh) 一种工业机器人增量自适应控制方法
CN110083055A (zh) 一种基于深度学习和logfa的pid自整定方法
CN117798919A (zh) 一种基于动态交互表征的灵巧机械手抓取方法
Steil et al. Guiding attention for grasping tasks by gestural instruction: The gravis-robot architecture
CN109176529A (zh) 一种空间机器人协调运动的新型自适应模糊控制方法
CN110095985A (zh) 一种观测器设计方法和抗干扰控制系统
CN113887437A (zh) 一种bp神经网络算法的远程智能运维方法
Kuljaca et al. Adaptive critic design using non‐linear network structures

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190111

RJ01 Rejection of invention patent application after publication