摘要:本文关注的是绩效评估的问题。对于二维视觉servoingof移动目标的效能过滤器。在与卡尔曼滤波器相比,实验验证,使用一只眼睛在手协调的机器人机械臂系统。在机器人中,可以提供一个强大的工具,用于解决基于视觉的控制问题,在机器人卡尔曼滤波器可以。(1998 Elsevier科学¸TD。保留所有权利。
论文网关键词:鲁棒估计;视觉运动;控制;鲁棒控制;实验评价
1 介绍
通过集成控制和视觉,机器人系统可以在动态变化的工作中适当移动空间。一个移动物体的跟踪和抓取一个机械手是一个典型的例子,这一类实际情况的问题。机器人组合计算机视觉控制变得非常重要的,当处理一个机器人系统工作在不确定和动态的环境中。最近的研究这个方向的努力得到了很好的收集在(哈钦森等,1996)(参见参考文献)其中)。特别是在视觉伺服,强大的估计—系统和控制理论的应用发挥作用,sincedynamic图像sceneshave被处理。Kalman滤波器是一种流行的算法—方法,已经被广泛的利用,不仅在视觉伺服(哈钦森et al.,1996)也在计算机视觉的实现(该等。,1989)。目前,卡尔曼滤波器被接受作为一种基本的,标准的工具,主动/动态视觉(布莱克Yuille,1992)。线性组合(LQ)控制卡尔曼滤波器给出了公知的线性二次高斯(LQG)理论,这主要是在60年代和70年代了。自从上世纪80年代,然而,发生了一个重大举措,从LQG理论的H=理论(多伊尔等,1989)。这小时=理论提供在一个更多的能力来处理模型的不确定性实践途径。而LQG理论认为随机框架中不确定性的影响H=理论将它们放在一个功能性分析框架中—工作。此外,也有一定的最小最大最优解—信息处理的干扰所造成的不确定性(家和伯恩哈德,1991)。它已被证明H=理论可以被看作是一种自然的概括LQG理论(多伊尔等,1989)。最近,有=理论已成功应用视觉反馈控制(Ogura et al.,1994),其中在控制方面emphasiswas。虽然可—积水在H估计理论=设置已发达(NAGPAL和Khargonekar,1991;摇特奥多尔,1992),没有太多的工作已经做了在使用在这=在机器人和/或视觉研究滤波器(Fujita等,1993,1995)。的优越性=过滤过现有的估计算法在理论上是不存在的—vincing在某些方面,由于模型的不确定性可以处理更充分(Nagpal,哈尔—gonekar,1991;摇特奥多尔,1992)。因此,一实验验证其疗效相当现状的挑战。本文的目的是验证每—的H性能=过滤器实验,使用眼手协调机械手系统。一个经验比较,使用的是=滤波器和卡尔曼滤波器,用于估计问题产生的视觉伺服。实验结果揭示了宝—的H tentialefficacy=过滤器。正如在一个重要的早期本文(该et al.,1993),二维(d)对运动目标的视觉伺服控制是实验。发展的过程=过滤器导致另一个强大的工具,解决方案的愿景—基于机器人的控制问题,以同样的方式卡尔曼滤波器已被广泛接受。论文的其余部分组织如下。在第2节,实验的配置介绍了视觉伺服。视觉模型的建模在3节中介绍了伺服系统。控制策略及相关问题的估计问题—在H=过滤器在第4节中描述。部分5提出了算法=过滤器。在6节,实验结果。的功效H=过滤器进行了讨论,在比较与卡尔曼过滤器。最后,在7节,本文总结。