湖南大学
硕士学位论文
机器人视觉伺服系统的自适应模糊控制方法研究
姓名：孙洪淋
申请学位级别：硕士
专业：控制理论与控制工程
指导教师：孙炜
20061107
硕士学位论文
１．５基于神经网络的自适应模糊控制器
为了解决模糊控制器的适应性能，结合神经网络的特点，出现了模糊神经网络控制。１９９０年，日本著名的神经网络专家甘利俊一发表了他对神经网络与模糊技术相结合的看法。Ｋｅｌｌｅｒ等于１９９２年提出利用神经网络实现模糊逻辑推理的方法【４０１。同年，Ｙａｇｅｒ等提出利用神经网络实现模糊控制的方法【４ｎ。目前，模糊理论与神经网络的融合模式大致分以下三种。①在模糊推理控制中引入神经网络技术，解决隶属度最优设计、知识自动获取等问题；②在神经网络设计中引入模糊技术，改善神经网络结构可修正性；③模糊推理与神经网络各自独立工作分别完成系统不同的功能。
利用神经网络的结构映射模糊控制器的输入输出，也就形成了各种不同模糊神经网络。ｗ锄ｇ在万能逼近理论的基础上，将模糊逻辑系统表示成一个前馈网络系统，采用反向传播学习算法（ＢＰ算法）对网络进行训练【４２】。但由于采用ＢＰ算法，不可避免地存在着局部极小等问题。在一定的约束条件下，Ｊａｌｌｇ等证明了模糊系统与ＲＢＦ网络存在着函数等价性【４∞，提出了基于ＲＢＦ网络的自适应模糊系统。在此基础上，Ｃｈｏ等研究了ＲＢＦ网络在模糊系统中的应用【４４１，用ＲＢＦ网络成功地构造了自适应模糊系统，并进一步用扩展的ＲＢＦ网络实现了模糊系统的三种不同结构。由于ＲＢＦ网络结构上具有输出——权值线性关系，因而基于ＲＢＦ网络的自适应模糊系统具有训练方法快速易行、且不存在局部最优问题等优点。基于自适应网络的模糊推理系统是Ｊａｎｇ在文［４５】中提出的，通过调整自适应节点的参数改变模糊规则，其模糊规则的前件和后件的参数都能得到调整。马勇等对于一类不确实非线性系统，提出了一种基于Ｔ－Ｓ模型的自适应ＦＮＮ控制器【４”。类似的研究还有Ｌｉｎ等给出了一种基于神经网络的模糊逻辑控制和决策系统【４７ｌ，ＣａｒＤｅｎｔｅｒ等给出了模糊ＡＲＴ映射【４８１，Ｂｅｚｅｄｅｋ等提出了ＫＤｈｏｎｅｎ分组网络【４”，Ｊ叩提出了模糊小脑模型控制等等【５‰
神经网络为模糊控制提供了一种比较好的结构体系。采用神经网络解决模糊控制中的结构与参数调节问题，以及实现模糊控制的自适应能力是一种很好的方法。
１．６机器人视觉伺服控制的国内外研究现状
１．６．１国外研究现状
将视觉集成到机器人控制上的研究工作可以追溯到１９７３年ｓｈｉｆａｉ和Ｉｎｏ鹏的用于装配任务的视觉反馈机器人１５ｌ】。１９７９年Ｈｉｎ和Ｐａｒｋ【１】首次提出了“视觉伺服”这个概念。但由于当时计算机的计算能力限制，随后的几年间，这方面的研究
机器人视觉伺服系统的自适应模糊控制方法研究
进展很慢。８０年代后期，随着计算机能力的大大增强和价格下降，以及图像处理硬件和ＣＣＤ摄像机的快速发展，机器人视觉伺服系统开始吸引众多研究人员的注意，人们开始对其进行系统的研究。在过去的十几年里，关于机器人视觉伺服系统的研究无论是在理论上还是在应用方面都有很大进步。研究人员在机器人视觉伺服系统的结构方式、图像处理方法以及控制策略方面做了大量的研究工作，取得了丰硕的研究成剁５２，５３】。但是正如文献【５４．５６】所说，在９０年代中期以前的机器人视觉伺服研究中，很少有人在设计视觉伺服控制系统的过程中考虑机器人动态特性和相机标定的不确定性对于整个系统性能的影响。
９０年代中期以后，研究人员开始意识到相机标定和机器人动态特性中的不确定性因素对于视觉伺服控制系统性能影响的严重性【５７，＂】，并开始提出一些控制方法来解决这个问题。Ｋｅｌｌｙ和Ｍａｒｑｕｅｚ【５９ｌ在１９９５年对于摄像机位置固定的视觉伺服系统，在假设摄像机方向完全已知的前提下，设计了一种设定点控制器来补偿相机内部参数的不确定性。后来Ｋｅｌｌｙ【６０】又考虑了相机方向的不确定性，重新设计了设定点控制器。然而，控制器取得的渐进稳定性结果建立在完全已知机器人重力项，并且相机方位的估计值和实际值之间的误差在（一９００～９００）之间的假设之上。除了设定值调整方法，学者们对于视觉伺服跟踪中的不确定性问题，还提出了其他一些解决方法。例如：在文献［５５】中，Ｂｉｓｈｏｐ和ｓｐｏｎｇ对于固定相机安装方式，提出了一种自适应视觉伺服位置跟踪控制方法，在反馈环补偿了摄像机的标定误差。然而，该方法需要知道精确的机器人动态特性。在文献【６ｌ】中，Ｋｅｌｌｙ等人针对固定相机安装方式，提出了一种复合位置跟踪控制系统，该系统具有一个基于图像的外环和一个速度控制内环。不过，这种方法也要求知道机器人的精确动态模型和相机的精确标定模型。
最近几年，基于Ｌｙ印ｕｎｏｖ稳定性理论的鲁棒控制方法由于其控制器结构简单，对不确定性因素的鲁棒性强等优点吸引了很多的注意。Ｍａｍｙ锄ａ和Ｆｕｊｉｔａｌ６２Ｊ提出了两种鲁棒视觉控制器，用ｌｙａｐｕ∞ｖ方法来补偿机器人动态模型的不确定性。后来，ＭａｒＩｌｙａｍａ和Ｆｕｉｉ“６３】又根据视觉伺服系统的Ｌ２增益，利用Ｌｙａｐ叽ｏｖ方法设计了一种鲁棒控制器，来弥补力矩扰动和目标移动带来的不稳定因素。ｚｅｒｇｅｒｏｇｌｕ等人岬ｌ针对采用ｅｙｅ—ｉｎ—ｌｌａｎｄ的相机安装方式的视觉伺服系统，假设相机的方位在一定范围内，设计了一种鲁棒控制器来补偿整个相机一机器人系统中的不确定性，保证位置跟踪的全局稳定性。Ｄｉｘｏｎ等人【６５１则采用两个分别安装在固定位置和机械手末端的摄像机获取信息，设计了一种鲁棒视觉伺服控制器，克服了整个相机一机器人系统中存在的不确定性因素的影响，保障了末端执行机构轨迹跟踪误差的终值一致有界。．在上述研究成果中，所提出的机器人视觉伺服鲁棒控制方法大多对系统中的不确定性进行了这样或那样的假设，基于系统不确定性的上界来设计控制器，虽
硕士学位论文
然可以保证系统的稳定性，但是不能得到获得良好的动态性能。
众所周知，模糊控制模拟了人类的智能，是处理不确定系统的有效工具，因此，模糊控制方法理所当然地也被用于机器人视觉伺服系统的鲁棒性设计当中。目前基于模糊逻辑的方法主要是根据人类的视觉跟踪经验，利用模糊逻辑的启发式推理能力来获得目标图像特征变化与机器入各关节位置变化之问的映射关系。由于人类的视觉跟踪经验具有普遍性，因此该方法对于环境及工作任务的适应性较强。但是，目标图像特征变化与机器人各关节位置变化之间的映射关系是一个多输入多输出的非线性关系，且往往存在很强的耦合。当目标特征的数量与机器人关节的数量较多时，很难总结出完整的模糊规则库来进行描述这种关系。为了解决这个问题，以往的研究中往往采取忽略耦合作用、对特征变化和机器人运动进行分解的方式来进行处理，但是这样做的后果往往降低了系统的精度和动态性能
为了解决目前机器人视觉伺服控制中存在的问题，获得高性能、高智能化的机器人视觉伺服控制系统，本文将模糊逻辑、神经网络与自适应控制相互融合，研究自适应模糊控制方法来消除系统中不确定性因素的不利影响，并提高系统的动态性能。’
１．６．２国内现有技术基础
我国对于机器人视觉伺服系统的研究始于９０年代中期，研究的领域主要集中在机器人视觉的图像特征提取‘鲫、模式匹配ｆ６７１、图像雅可比矩阵估计【６８，删、视觉伺服体系结构研究ｍ７２１、最优控制律设计ｆ７３．７４１等方面。目前的研究成果还不是很多，而且很少涉及视觉伺服系统中不确定性问题的研究。从目前研究水平来看，我国距国外的研究水平仍有很大差距。
综上所述，机器人视觉伺服系统的研究在国内外均处于起步阶段，尤其是对于视觉伺服系统中不确定性问题的研究更是从近几年才开始，还有许多问题需要进一步的研究和解决。本文将针对视觉伺服系统中不确定性问题，对机器人视觉伺服系统中的自适应模糊控制方法进行研究，力求做到有所创新和突破，这对于提高我国的机器人研究水平、促进我国工业自动化和国防现代化的发展，具有迫切的现实意义和重要的理论研究价值。
１．７本文的工作
本文拟针对３关节工业机械手采用单目ｅｙｃ抽．ｈａＩｌｄ方式抓取固定目标的工作任务，重点研究模糊控制方法的机器人视觉伺服控制器和基于参数自适应模糊控制、模糊神经网络控制等自适应模糊控制方法的机器人视觉伺服控制器．（１）基于模糊控制的机器人视觉伺服控制器。机器人视觉伺服控制系统是
机器人视觉伺服系统的白适麻模糊控制方法研究
一个多输入多输出的非线性系统，它具有时变性、强耦合和非线性的动力学特征，很难用精确的数学模型来描述。另外随着机器人所处状态的不同和外力的变化，其参数也在变化，而且控制对象通常存在着严重的不确定性，这种不确定性可分为两类：一是模型未知或知之甚少；二是模型的结构和参数在很大的范围内变化。因此要求系统对这种不确定性具有一定的鲁棒性。．模糊控制以模糊集合论、模糊语言变量及模糊逻辑推理为基础，模拟人的近似推理和决策过程。模糊控制直接依据人类专家的控制经验进行设计，其设计不依赖于被控对象的模型，因此可以有效地实现对复杂、非线性、大滞后、不确定性严重的对象的控制。将模糊控制用于机器人视觉伺服系统的控制，利用模糊控制不依赖于对象模型、响应速度快和鲁棒性强的优点以提高机器人视觉伺服系统的性能。
（２）基于参数自适应模糊控制的机器人视觉伺服控制器。模糊控制是解决不确定性系统的一种有效方法，并且模糊控制具有较强的鲁棒性，能够很好地克服非线性、时变、耦合等因素的影响，但模糊控制也存在着稳态程度不高的缺点，需与其它控制相给合来提高稳态精度。
影响模糊控制器控制效果的主要因素为：①控制规则；②隶属函数；③量化因子和比例因子。
参数白适应模糊控制是根据检测到的误差ｅ和误差变化率ｅｃ在线修改量化因子ｋ、＆。和比例因子Ｋ。，可以兼顾动态特性和静态指标的要求，还可使系统运行于自组织状态，从而改变系统的输出特性，实现最佳控制。
（３）基于模糊神经网络控制的机器人视觉伺服控制器。将神经网络的学习能力引入到模糊系统中，将模糊系统的模糊化处理、模糊推理、精确化计算通过分布式的神经网络来实现模糊系统的自组织、自学习能力。
模糊神经网络机器人视觉伺服控制利用模糊神经网络来简化复杂的数学公式计算，提高控制算法的运算速度。该方法既具有模糊控制不依赖被控对象的精确数学模型、鲁棒性强、算法简明易懂等特点，又具有神经网络的自学习能力，可以有效解决机器人视觉伺服系统的不确定性问题。