12、视觉伺服控制中的自适应映射估计器

视觉伺服控制中的自适应映射估计器

1 引言

传统的视觉伺服（VS）方法在计算视觉空间与机器人工作空间之间的动态映射时，需要机器人校准模型和图像深度信息。为克服映射计算的困难，提出一种带映射估计器的新型 VS 方法，将其视为随机状态估计问题。

卡尔曼滤波器（KF）是优秀的线性状态估计器之一，但其滤波增益依赖于系统高斯白噪声统计特性。在实际应用中，噪声往往未知，无法保证 KF 的最优性。虽有一些处理有色噪声的方法，如卡尔曼滤波器维度扩展、基于 LMS 的自适应滤波、自适应维纳滤波和神经网络技术等，但大多需要难以确定的噪声方差参数。

本文提出一种无模型方法，用于在未知噪声方差环境下对机器人进行视觉伺服控制。利用自适应卡尔曼滤波器和网络学习技术进行视觉 - 运动映射及在线估计，通过采用通用非高斯噪声的等效观测方程构建卡尔曼滤波模型，并使用观测相关更新方法在线学习估计测量噪声方差，网络学习可调整网络权重，实现噪声方差的动态估计。

所提出的映射估计器无需系统校准和深度信息，直接利用 2D 图像测量值估计机器人的期望运动。通过减小图像平面中当前图像特征与期望图像特征之间的误差来完成抓取定位任务，为机器人在未知环境中操作提供了高度灵活性。通过大量具有挑战性的实验验证了该方法的显著性能。

2 问题描述

视觉伺服控制首先要估计一个映射矩阵 $J(k)$，用于描述视觉空间 $S$ 与机器人工作空间 $P$ 之间的动态微分关系，然后构建控制器，推导末端执行器的运动 $U(k)$，以最小化图像特征 $F(k)$ 的误差。

考虑一个无手眼校准的无模型系统，设 $J(k) = \frac{\partial F(k)}{\par