基于模糊行为和神经网络的机器人视觉伺服控制方案

　　提出一种新的机器人视觉伺服控制方法，该方法参照人的抓取动作，首先根据物体在图像中的位置信息，利用模糊逻辑将机器人的手爪移动到物体附近，然后再根据物体当前图像和参考图像之差，利用局部神经网络对手爪的位姿进行精确调整。整个过程无需机器人和摄像机的标定，能有效利用人的控制经验，伺服速度快，控制精度高。仿真结果说明本方法的有效性。

　　引言（Introduction）

　　将神经网络应用到机器人的视觉伺服，可省去基于图像雅可比矩阵方法中复杂的摄像机标定和矩阵求逆操作。但神经网络的控制精度和学习速度与学习样本的数量和网络结构的复杂性密切相关，单靠一个神经网络很难普适整个机器人工作空间，为此文［1］采用一个全局BP网和一个局部BP网分别适用于机器人的全局工作空间和局部工作空间，以减少学习样本和网络节点，提高每个神经网络的学习效率；文［2］用若干自适应线性神经元逼近相应的局部图像雅可比矩阵，而由一个自组织映射网根据机械手的当前位置来决定哪一个神经元被激活；文［3］用多个CMAC组成分层结构，由管理层根据输入参数选择一个执行层，以控制部分任务空间里的机器人动作；文［4］则用一系列局部神经网络对对应示教轨迹点邻域进行近似。

　　以上研究均采用了分级控制的思想，但由于神经网络学习方法的固有缺陷，全局网的设计存在一些不足：一方面全局网的覆盖范围大，相应的寻优空间大，使得权值的学习可能陷入局部极小，进而影响到局部神经网路的选择，甚至控制误差的收敛；另一方面，人在机器人控制中的一些先验知识却没能被网络学习所利用。而模糊逻辑恰能很好地表述和记忆人的经验知识，从而有效地引导机器人的操作［5，6］。文［5］根据运动目标在手眼中的面积等图像特征判断目标离手眼的距离，进而将摄像机的控制分为接近和对准两个阶段，并分别运用模糊逻辑和模糊神经网络完成这两个阶段的控制；文［6］首先将机械手的各种操作分解为接近、对中、抓取等基本行为，并针对各基本行为总结相应的模糊控制规则，以减少整个操作的模糊控制规则数量，实现了基于行为的机械手视觉伺服控制。

　　本文以机器人的智能抓取作业为研究背景，针对工件形状和手爪抓取姿态已知而工件位姿未知的情况，首先用模糊视觉伺服控制器进行机器人手爪的初步定位，然后利用局部神经网络对手爪的位姿作精确调整。整个控制过程模仿了人的操作行为，控制速度快，控制精度高。六自由度机器人的数字仿真结果说明算法的有效性。

　　2 机器人视觉伺服实现方案（Scheme for Robot Visual Servoing Control）

　　2.1 视觉伺服系统的结构（Structure of Visual Servoing System）

　　为完成对工件的智能抓取，本文采用图1所示系统结构。其中六自由度关节机器人可达到三维空间的任意位姿；CCD1为固定安装在工作现场中的数字摄像机，能在较大范围内获取工件质心的位置；CCD2安装在手爪上，与手爪的相对位姿固定，可以近距离且准确地观察工件的摆放姿态。

　　2.2 智能抓取中的模糊行为（Fuzzy Behavior in Intelligent Grasp ） 人在抓取远处物体时，首先需要利用眼睛观察物体的方位，但接下来并不是立刻调整好手部的姿态然后一步到位将物体抓住，而是首先将手移到物体附近，待看清物体的准确姿态后再调整手部的姿态，最后将物体准确抓取。

　　同样的控制思想可应用到机器人的智能抓取作业中，使机器人的控制变得容易。首先，在手爪的初步定位中，因不涉及手爪姿态的控制，所以完全可以只靠机器人的三个自由度（如图1中的21，θθ和3θ）的运动来实现，而控制变量的减少可以大大简化控制器的设计。其次，由于完全模仿人的动作，许多人的控制经验可以被充分利用。例如，在图1的配置中，根据工件在CCD1拍摄的图像中的位置（假设已通过镜像调整到与人的视觉同向），就可以总结如下的控制策略：

　　如果工件在图像的上方，那么二关节下压或三关节上抬；

　　如果工件在图像的左方，那么一关节左转。 显然，这些控制规则都是用模糊语言描述的。这种基于模糊行为的视觉伺服方法能帮助机器人进行大致定位，其间机器人各关节的运动变化规律明确、合理且可控，从而有效避免了神经网络方法中学习的盲目性和输出轨迹的不可预测性。

但基于模糊逻辑的方法却不太适合于机器人手爪的精确位姿控制。因为精确的位姿控制需要机器人六个自由度的协调配合，其控制随机器人各关节当前位置的不同而不同，很难由人进行总结。所以本文就智能抓取这一阶段任务选用了基于局部神经网络