一种基于神经动力学的机器人视觉伺服预测控制方法

1.本发明涉及一种机器人视觉伺服控制技术领域，特别涉及一种基于神经动力学的机器人视觉伺服预测控制方法。


背景技术：

2.近年来，由于非完整轮式移动机器人被广泛应用于各种行业，其自身存在的局限性已引起人们的关注，例如非完整轮式移动机器人仅沿轮子的方向运动，而不能沿轴向转动等。与之相比，由于全向移动机器人可以实现多个方向的运动，并且可以围绕自身的重心进行零半径转动，因此，它逐步成为了一种新兴的轮式移动机器人的研究领域。
3.目前，轮式移动机器人的控制方法有滑模控制、反步进控制、自适应控制等，但由于存在初始速度以及扭矩的跳变，现实中机器人的驱动设备如电机很难提供足够大的力矩让速度在短时间内发生巨大变化，导致这些方法在实际应用中效果并不理想。
4.在机器人控制中，视觉伺服控制方法是目前较为常见的一种方法，而传统的视觉伺服控制系统在处理机器人硬件设备以及环境的约束时显得没有那么游刃有余。


技术实现要素：

5.本发明解决了现有技术中存在的问题，提供了一种基于神经动力学的机器人视觉伺服预测控制方法，以神经动力学模型来对机器人运动过程中的误差信号的跳变进行处理，建立基于神经动力学的视觉伺服误差模型，并采用模型预测控制进行视觉伺服控制。
6.本发明所采用的技术方案是，一种基于神经动力学的机器人视觉伺服预测控制方法，构建基于神经动力学的视觉伺服误差模型；通过比较k时刻的特征点p的当前实际坐标值和期望坐标值，经过坐标变换，得到当前位置特征点坐标与期望特征点坐标的误差，带入所述视觉伺服误差模型，之后引入神经动力学模型，得到处理过后的误差信号向量；基于经过神经动力学处理过后的误差信号向量，设置视觉伺服误差模型的目标函数，构建视觉伺服预测模型，求解控制信号最优解，以最优解的第一列元素作用于机器人的控制；重复上述步骤直至机器人最后能够到达目标点。
7.优选地，构建基于神经动力学的视觉伺服误差模型包括以下步骤：
8.步骤1.1：给出全方位移动机器人视觉伺服误差模型，全方位移动机器人视觉伺服误差模型中的误差信号向量为e＝[e
1 e
2 e3]
t
；
[0009]
步骤1.2：引入神经动力学模型处理误差信号的跳变，得到经过神经动力学模型处理过后的新的误差信号向量e＝[e
1 e
2 e3]
t
；
[0010]
步骤1.3：以新的误差信号向量e＝[e
1 e
2 e3]
t
代替视觉伺服误差模型中的误差信号向量e＝[e
1 e
2 e3]
t
，得到基于神经动力学的视觉伺服误差模型。上述步骤中的t表示向量的转置。
[0011]
优选地，步骤1中引入误差信号向量e＝[e
1 e
2 e3]
t
满足
[0012][0013]
其中，f为单目相机的焦距，θ为世界坐标系与机器人坐标系之间的夹角，称为航向角，以逆时针方向为正，(x
p
,y
p
)为当前位置特征点p在图像物理坐标系下的坐标，(x
pd
,y
pd
)为特征点p在图像物理坐标系下的期望坐标；θd为机器人的期望航向角，θe表示实际航向角与期望航向角之间的误差，且满足θe＝θ-θd。
[0014]
优选地，步骤1中误差信号向量e＝[e
1 e
2 e3]
t
满足视觉伺服误差模型
[0015][0016]
其中，表示误差信号向量的导数，α为高度系数，满足zc为特征点p在相机坐标系中的坐标(xc,yc,zc)中轴zc方向的数值，象征特征点p的高度；[v
x v
y ω]
t
为全方位移动机器人的速度向量，v
x
和vy分别为全方位移动机器人的横向线速度和纵向线速度，ω为全方位移动机器人旋转的角速度；变量d为相机坐标系原点oc和机器人坐标系原点or的距离。
[0017]
针对在控制过程中由于速度跳变而影响控制效果的问题，提出一种基于神经动力学的视觉伺服误差模型，将误差信号向量e＝[e
1 e
2 e3]
t
引入到常规的神经动力学模型从而对误差信号向量进行处理，以降低误差信号的跳变从而生成平滑连续的控制信号；其中，一般的神经动力学模型描述为
[0018][0019]
其中，cm是细胞膜电容，vm是跨膜电压，e
na
和ek分别是钠离子和钾离子的饱和电势，e
p
是膜中的被动泄漏电流，g
na
、gk和g
p
分别是钠离子、钾离子和被动通道的电导。
[0020]
本发明中以神经动力学模型处理误差信号跳变问题，后续使用处理过后的误差信号向量进行视觉伺服镇定。
[0021]
优选地，步骤1.2中，对于式(3)，令cm＝1,vm＝ei,e
p
＝0,e
na
＝bi,ek＝di,g
p
＝ai,g
na
＝f(ei),gk＝g(ei)，其中，e＝[e
1 e
2 e3]
t
表示原来视觉误差模型中的误差信号向量，e＝[e
1 e
2 e3]
t
表示经过神经动力学处理过后的误差信号向量，其中i＝1,2,3。将误差信号向量e＝[e
1 e
2 e3]
t
引入一般的神经动力学模型，得到
[0022]
[0023][0024]
其中，ai表示对应误差信号向量中ei的被动衰减率，bi和di分别表示对应误差信号向量中ei的上下界，ai、bi和di均大于0；f(ei)和g(ei)分别为对应误差信号向量中ei的上界门限线性函数和下界门限线性函数；通过上述模型的处理，每个误差的跳变被限制在相应误差信号向量的[-di,bi]范围内。
[0025]
优选地，使用经过神经动力学模型处理过后的误差信号向量e＝[e
1 e
2 e3]
t
代替误差信号向量e＝[e
1 e
2 e3]
t
，步骤1.3中，基于神经动力学的视觉伺服误差模型为
[0026][0027]
其中为处理过后的误差信号向量e的导数。对于本身的误差信号向量e，通过神经动力学模型的处理变成新的误差信号向量e，然后用处理后的误差信号向量e来进行后续的控制。
[0028]
优选地，为了能够有效地处理约束条件使视觉伺服任务能够有效地执行，本发明考虑采用模型预测控制来进行控制器的设计；构建视觉伺服预测模型包括以下步骤：
[0029]
步骤2.1：将基于神经动力学的视觉伺服误差模型进行欧拉离散化，得到对应的离散时间视觉伺服误差模型；
[0030]
步骤2.2：定义全方位移动机器人视觉伺服误差模型的目标函数，得到全方位移动机器人基于神经动力学的视觉伺服预测模型；
[0031]
步骤2.3：基于视觉伺服预测模型得到全方位移动机器人视觉伺服预测控制器。
[0032]
优选地，步骤2.1中，基于神经动力学的离散时间视觉伺服误差模型满足，
[0033][0034]
其中，ts为采样时间；
[0035]
区分误差信号向量e和控制输入向量u，得到e(k+1)＝a(k)e(k)+b(k)u(k)，其中，
[0036][0037][0038]
此处的u(k)表示的是控制输入向量，即u(k)＝[v
x
(k) vy(k) ω(k)]
t
，将上述式子写成更加紧凑的形式，得到
[0039]
e(k+1)＝h(e(k),u(k))
ꢀꢀꢀꢀꢀ
(10)
[0040]
e(k+1)是经过神经动力学模型处理过后的误差信号向量e(k)下一个采样时间的值，h(
·
)代表对应的函数映射关系。
[0041]
优选地，所述的全方位移动机器人视觉伺服误差模型的目标函数为，
[0042][0043]
其中，q和r为权重矩阵，其中前者反应了系统跟踪到特征点的能力，后者反应了系统对控制量约束的要求；nc和n
p
分别表示控制时域和预测时域，它们的大小会影响系统的响应速度，e(k+i|k)表示经过神经动力学处理后的误差信号向量e在k时刻对k+i时刻的预测值，u(k+i-1|k)表示控制输入u(k)在k时刻对k+i-1时刻的预测值；
[0044]
全方位移动机器人基于神经动力学的视觉伺服预测模型为
[0045]
e(k+i|k)＝h(e(k+i-1|k),u(k+i-1|k))
ꢀꢀꢀꢀꢀꢀ
(12)
[0046]
优选地，考虑机器人本身的硬件约束以及视觉可见性约束，全方位移动机器人视觉伺服预测控制器为
[0047][0048]
s.t.e(k|k)＝e0ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13b)
[0049]
e(k+i|k)＝h(e(k+i-1|k),u(k+i-1|k)),i＝[1,np]
ꢀꢀꢀꢀꢀꢀꢀ
(13c)
[0050]upmin
≤u
p
≤u
pmax
,v
pmin
≤v
p
≤v
pmax
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13d)
[0051]vmin
≤v≤v
max
,ω
min
≤ω≤ω
max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13e)
[0052]
其中，e0表示经过神经动力学处理过后的初始时刻误差信号向量，u
*
(k)表示优化问题的最优解；u
p
和v
p
为特征点在图像物理坐标系下的坐标，(13d)表示移动机器人的视觉可见性约束；v和ω分别为移动机器人的线速度和角速度，(13e)表示移动机器人的速度约束；其中下角标min和max分别表示对应数据的最小约束以及最大约束。
[0053]
本发明涉及一种基于神经动力学的机器人视觉伺服预测控制方法，构建基于神经动力学的视觉伺服误差模型；通过比较k时刻的特征点p的当前实际坐标值和参考坐标值，经过坐标变换，得到当前位置特征点坐标与期望特征点坐标的误差，带入所述视觉伺服误差模型，通过神经动力学模型处理得到处理过后的误差信号向量e；基于所述误差信号向量e，设置视觉伺服误差模型的目标函数j(k)，构建视觉伺服预测模型，求解控制信号最优解u
*
(k)，以最优解u
*
(k)的第一列元素作用于机器人的控制；重复上述步骤直至机器人最后能够到达目标点。
[0054]
通过本发明，全方位移动机器人向目标点进行移动，控制器在神经动力学模型的影响下能够产生较为连续平滑的控制信号，全方位移动机器人能够平稳地到达目标点。
[0055]
本发明的有益效果在于，以全方位移动机器人视觉伺服误差模型为基础，通过神经动力学模型，建立基于神经动力学的视觉伺服误差模型，在此基础上结合模型预测控制策略设计了控制器，该控制器不仅可以在有效地处理约束的情况下驱动机器人到达目标点，而且可以产生较为平滑连续的控制信号使其产生的控制量不会产生突变的情况，从而提高系统的控制性能，使控制效果更加优异。
附图说明
[0056]
图1为本发明中全方位移动机器人的俯视图示意图；
[0057]
图2为本发明的全方位移动机器人在坐标系下的示意图；
[0058]
图3为本发明的控制流程框图。
具体实施方式
[0059]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0060]
本实施例公开了一种全方位移动机器人视觉伺服预测控制方法，具体步骤如下：
[0061]
全方位移动机器人在平面内运动时，全方位移动机器人的运动学方程为
[0062][0063]
其中(x,y)表示全方位移动机器人质心在世界坐标系x
w-yw平面的坐标，θ表示世界坐标系到机器人坐标系的夹角，称为航向角，逆时针为正，v
x
和vy表示全方位移动机器人的纵向线速度和横向线速度，ω表示全方位移动机器人的角速度。
[0064]
先考虑世界坐标系与机器人坐标系之间的转化。本质上后续运动中机器人坐标系的变化无非是在原来的基础上绕世界坐标系的zc轴的旋转以及在平面上的平移运动，故我们可将世界坐标系与机器人坐标系的转换方程写为以下形式
[0065][0066]
其中(xw,yw,zw)是机器人在世界坐标系下的坐标，(xr,yr,zr)是机器人在机器人坐标系下的坐标。与此同时，我们考虑机器人坐标系到相机坐标系之间的转换
[0067][0068]
其中(xc,yc,zc)为当前特征点在相机坐标系的坐标，d为相机坐标系原点oc和机器人坐标系原点or的距离。
[0069]
考虑相机坐标系和图像物理坐标系的转化，有如下式子
[0070]
[0071]
其中f是相机的焦距，(x
p
,y
p
)为当前位置的特征点p在图像物理坐标系下的坐标。
[0072]
根据以上结果建立移动机器人-相机-特征点模型
[0073]
通过移动机器人上方的单目相机，获取周围环境的特征点信息，根据获取的信息和存储的特征点信息对比，获取误差从而控制移动机器人的运动。因此首先需要建立移动机器人和单目相机之间的关系。结合式(2)和式(3)，将其进行微分并化简可得
[0074][0075]
结合移动机器人运动学模型(1)可得
[0076][0077]
引入新的误差信号向量如下
[0078][0079]
(x
pd
,y
pd
)表示的是特征点p在图像物理坐标系下的期望坐标。其中θd表示的是机器人的期望航向角，θe表示机器人航向角的误差，且满足θe＝θ-θd，表示的是期望航向角和实际航向角的误差。
[0080]
对式(7)进行微分，并结合运动学模型(1)，全方位移动机器人视觉伺服误差模型描述如下
[0081][0082]
如图2所示，其中表示的是高度系数，zc表示的是特征点p在相机坐标系中的坐标(xc,yc,zc)中轴zc方向的数值，象征的是特征点p的高度。e＝[e
1 e
2 e3]
t
为误差信号向量，表示误差信号向量的导数，这里的t表示的是矩阵的转置。
[0083]
首先对当前时刻摄像头读取的图像进行预处理得到此时特征点p在图像物理坐标系下的坐标值(x
p
,y
p
)，接着将求得的(x
p
,y
p
)与期望图像中的特征点p坐标值(x
pd
,y
pd
)进行运算得到误差向量。对于航向角误差，通过估计机器人此时的航向角并于期望航向角进行比较即可获得。
[0084]
神经动力学模型的引入：
[0085]
考虑到速度跳变会对控制效果产生影响，而误差的跳变会导致速度的跳变，为此，本发明将引入神经动力学模型来处理上述过程求得的误差信号，从而产生较为平滑的控制
信号。
[0086]
将误差信号向量e＝[e
1 e
2 e3]
t
引入神经动力学，可以得到如下式子
[0087][0088]
其中
[0089][0090]ai
表示对应误差信号向量ei的被动衰减率，bi和di表示对应误差信号向量ei的上下界，ai、bi和di均大于0。f(ei)和g(ei)分别为对应误差信号向量ei的上界门限线性函数和下界门限线性函数。误差的跳变将被限制在相应误差信号向量ei的[-di,bi]范围内。其中，i＝1,2,3。
[0091]
接下来使用新的误差信号向量e＝[e
1 e
2 e3]
t
代替视觉伺服误差模型(8)中的误差信号向量e＝[e
1 e
2 e3]
t
，那么视觉伺服误差模型可变为如下所示：
[0092][0093]
其中为处理过后的误差信号向量e的导数。
[0094]
视觉伺服预测控制器设计
[0095]
为了能够在控制中很好的处理硬件设施带来的约束，模型预测控制是很好的一种方法。
[0096]
取采样时间为ts，将式(11)进行欧拉离散化可得到对应的离散时间视觉伺服误差系统：
[0097][0098]
将误差信号向量e(k)和控制输入向量u(k)分开可得：
[0099]
e(k+1)＝a(k)e(k)+b(k)u(k)
ꢀꢀꢀꢀꢀꢀ
(13)
[0100]
其中：
[0101][0102][0103]
将式(13)写为更紧凑的形式，即：
[0104]
e(k+1)＝h(e(k),u(k))
ꢀꢀꢀꢀꢀꢀ
(16)
[0105]
其中e(k+1)是经过神经动力学模型处理过后的误差信号向量，u(k)是控制输入向量，其中u(k)＝[v
x
(k) vy(k) ω(k)]
t
，h(
·
)代表对应的函数映射关系。
[0106]
考虑经过神经动力学模型处理过后的全方位移动机器人视觉伺服误差系统(16)，为了有效地处理机器人硬件以及视觉可见性的约束，定义全方位移动机器人视觉伺服误差模型的目标函数为
[0107][0108]
其中q和r为权重矩阵，其中第一项反应了系统跟踪到期望点的能力，第二项反应了对控制量约束的要求。nc和n
p
分别表示控制时域和预测时域，两者的大小都会影响控制响应的速度。e(k+i|k)表示经过神经动力学处理后的误差信号向量e在k时刻对k+i时刻的预测值，u(k+i-1|k)表示控制输入向量u在k时刻对k+i-1时刻的预测值。
[0109]
通过全方位移动机器人的二次目标函数(17)可以得到全方位移动机器人基于神经动力学的视觉伺服预测模型为
[0110]
e(k+i|k)＝h(e(k+i-1|k),u(k+i-1|k))
ꢀꢀꢀꢀꢀ
(18)
[0111]
考虑机器人本身的硬件约束，全方位移动机器人视觉伺服预测控制器为
[0112][0113]
s.t.e(k|k)＝e0ꢀꢀꢀꢀ
(19b)
[0114]
e(k+i|k)＝h(e(k+i-1|k),u(k+i-1|k)),i＝[1,np]
ꢀꢀꢀꢀ
(19c)
[0115]upmin
≤u
p
≤u
pmax
,v
pmin
≤v
p
≤v
pmax
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19d)
[0116]vmin
≤v≤v
max
,ω
min
≤ω≤ω
max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19e)
[0117]
其中e0表示经过神经动力学处理过后的初始时刻误差信号向量，u
*
(k)表示优化问题的最优解；(19b)～(19e)为该优化问题所要满足的约束条件，其中u
p
和v
p
为特征点在图像物理坐标系下的坐标，(19d)表示移动机器人的视觉可见性约束；v和ω分别为移动机器人的线速度和角速度，(19e)表示移动机器人的速度约束；其中下角标min和max分别表示对应数据的最小约束以及最大约束。
[0118]
如图3所给出的控制框图所示，本发明的控制流程为：首先比较目标特征点和现在单目相机所拍摄图像中的目标特征点p的坐标值，经过一系列坐标变换得出视觉伺服误差e＝[e
1 e
2 e3]
t
；其次，由于误差跳变是导致速度跳变的一大因素，故采用神经动力学模型来对误差进行处理，得到经过神经动力学模型处理过后的误差信号向量e＝[e
1 e
2 e3]
t
；接下来基于上述得到的误差信号向量e＝[e
1 e
2 e3]
t
，带入模型预测控制器，求解控制信号u(k)的最优解；将最优解u
*
(k)的第一列元素作用于机器人的控制过程，通过机器人逆运动学模型、机器人运动学模型控制求解出三个全向轮的速度进行机器人控制；上述所有工作在接下来每一个采样周期循环重复，直至机器人能够最终镇定在目标点。

技术特征：
1.一种基于神经动力学的机器人视觉伺服预测控制方法，其特征在于：构建基于神经动力学的视觉伺服误差模型；通过比较k时刻的特征点p的当前实际坐标值和参考坐标值，经过坐标变换，得到当前位置特征点坐标与期望特征点坐标的误差，构造视觉伺服误差模型。之后用神经动力学模型对视觉伺服误差模型中的误差信号向量进行处理，得到处理过后的误差信号向量；基于所述误差信号向量，设置视觉伺服误差模型的目标函数，构建视觉伺服预测模型，求解控制信号最优解，以最优解的第一列元素作用于机器人的控制；重复直至机器人最后能够到达目标点。2.根据权利要求1所述的一种基于神经动力学的机器人视觉伺服预测控制方法，其特征在于：构建基于神经动力学的视觉伺服误差模型包括以下步骤：步骤1.1：获取全方位移动机器人视觉伺服误差模型，全方位移动机器人视觉伺服误差模型中的误差信号向量为e＝[e
1 e
2 e3]
t
；步骤1.2：引入神经动力学模型处理误差信号的跳变，得到新的误差信号向量e＝[e
1 e
2 e3]
t
；步骤1.3：以新的误差信号向量e＝[e
1 e
2 e3]
t
代替视觉伺服误差模型中的误差信号向量e＝[e
1 e
2 e3]
t
，得到基于神经动力学的视觉伺服误差模型，上述步骤中t表示矩阵的转置。3.根据权利要求2所述的一种基于神经动力学的机器人视觉伺服预测控制方法，其特征在于：步骤1.1中，误差信号向量e＝[e
1 e
2 e3]
t
满足，其中，f为单目相机的焦距，θ为世界坐标系与机器人坐标系之间的夹角，即航向角，以逆时针方向为正，(x
p
,y
p
)为特征点p在图像物理坐标系下的坐标，(x
pd
,y
pd
)为特征点p在图像物理坐标系下的期望坐标。θ
d
为机器人的期望航向角，θ
e
为机器人的航向角误差，且满足θ
e
＝θ-θ
d
。4.根据权利要求2所述的一种基于神经动力学的机器人视觉伺服预测控制方法，其特征在于：步骤1.1中，视觉伺服误差模型为，α为高度系数，满足z
c
为特征点p在相机坐标系中的坐标(x
c
,y
c
,z
c
)中轴z
c
方向的数值；[v
x v
y ω]
t
为全方位移动机器人的速度向量，v
x
和v
y
分别为全方位移动机器人的横向线速度和纵向线速度，ω为全方位移动机器人的角速度；
变量d为相机坐标系原点o
c
和机器人坐标系原点o
r
的距离。5.根据权利要求2所述的一种基于神经动力学的机器人视觉伺服预测控制方法，其特征在于：步骤1.2中，将误差信号向量引入神经动力学，得到新的误差信号向量e＝[e
1 e
2 e3]
t
，，其中，a
i
表示对应误差信号向量中e
i
的被动衰减率，b
i
和d
i
分别表示对应误差信号向量中e
i
的上下界，a
i
、b
i
和d
i
均大于0；f(e
i
)和g(e
i
)分别为对应误差信号向量中e
i
的上界门限线性函数和下界门限线性函数，其中i＝1,2,3；每个误差的跳变被限制在相应的[-d
i
,b
i
]范围内。6.根据权利要求2所述的一种基于神经动力学的机器人视觉伺服预测控制方法，其特征在于：步骤1.3中，基于神经动力学的视觉伺服误差模型为，7.根据权利要求1所述的一种基于神经动力学的机器人视觉伺服预测控制方法，其特征在于：构建视觉伺服预测模型包括以下步骤：步骤2.1：将基于神经动力学的视觉伺服误差模型进行欧拉离散化，得到对应的离散时间视觉伺服误差模型；步骤2.2：定义全方位移动机器人基于神经动力学的视觉伺服误差模型的目标函数，得到全方位移动机器人基于神经动力学的视觉伺服预测模型；步骤2.3：基于视觉伺服预测模型得到全方位移动机器人视觉伺服预测控制器。8.根据权利要求7所述的一种基于神经动力学的机器人视觉伺服预测控制方法，其特征在于：步骤2.1中，离散时间视觉伺服误差模型满足，其中t
s
为采样时间；区分误差信号向量e和控制输入向量u，得到e(k+1)＝a(k)e(k)+b(k)u(k)其中，
得到e(k+1)＝h(e(k),u(k))，e(k+1)是经过神经动力学模型处理过后的误差信号向量e(k)在下一个采样时间的值，u(k)是控制输入向量，满足u(k)＝[v
x
(k) v
y
(k) ω(k)]
t
此处t表示矩阵的转置。h(
·
)代表对应的函数映射关系。9.根据权利要求8所述的一种基于神经动力学的机器人视觉伺服预测控制方法，其特征在于：所述目标函数为，其中，q和r为权重矩阵，n
c
和n
p
分别表示控制时域和预测时域，e(k+i|k)表示经过神经动力学处理后的误差信号向量e在k时刻对k+i时刻的预测值，u(k+i-1|k)表示控制输入在k时刻对k+i-1时刻的预测值；全方位移动机器人基于神经动力学的视觉伺服预测模型为，e(k+i|k)＝h(e(k+i-1|k),u(k+i-1|k))。10.根据权利要求9所述的一种基于神经动力学的机器人视觉伺服预测控制方法，其特征在于：全方位移动机器人视觉伺服预测控制器为，s.t.e(k|k)＝e0e(k+i|k)＝h(e(k+i-1|k),u(k+i-1|k)),i＝[1,np]u
pmin
≤u
p
≤u
pmax
,v
pmin
≤v
p
≤v
pmax
v
min
≤v≤v
max
,ω
min
≤ω≤ω
max
其中，e0表示经过神经动力学处理过后的初始时刻误差信号向量，u
*
(k)表示优化问题的最优解。u
p
和v
p
为特征点在图像物理坐标系下的坐标，表示移动机器人的视觉可见性约束；v和ω分别为移动机器人的线速度和角速度，表示移动机器人的速度约束；其中下角标min和max分别表示对应数据的最小约束以及最大约束。

技术总结
本发明涉及一种基于神经动力学的机器人视觉伺服预测控制方法，构建基于神经动力学的视觉伺服误差模型；通过比较k时刻的特征点的当前实际坐标值和参考坐标值，经过坐标变换得到当前位置特征点坐标与期望特征点坐标的误差，带入视觉伺服误差模型，神经动力学模型处理得到处理过后的误差信号向量，设置视觉伺服误差模型的目标函数，构建视觉伺服预测模型，求解控制信号最优解，以最优解的第一列元素作用于机器人控制；重复直至机器人到达目标点。本发明的控制器不仅可以在有效地处理约束的情况下驱动机器人到达目标点，而且可以产生较为平滑连续的控制信号使其产生的控制量不会产生突变的情况，从而提高系统的控制性能，使控制效果更加优异。控制效果更加优异。控制效果更加优异。


技术研发人员：何德峰 戴志坚 邢科新 林叶贵
受保护的技术使用者：浙江工业大学
技术研发日：2023.05.30
技术公布日：2023/10/15