[科普中国]-控制特性- · 科普中国网

控制特性影响因素概述

目前，国内投入使用的大吨位快锻液压机绝大多数都是从国外引进，几乎均为德国产品; 小吨位快锻液压机，则以国产设备为主，且基本都是采用阀控系统，很少采用泵控系统正弦泵控液压机蓄能器快锻回路具有易实现快速锻造、管道简单、节能显著、振动和冲击小等优点，在锻造行业是降低成本、提高效率的最佳方案之一。研究正弦泵控液压机蓄能器快锻回路控制特性的影响因素，不仅能为国内液压机阀控液压系统向泵控液压系统转化于推动正弦泵控液压控制系统在国内的使用，为国家节约大量的能源费用，提高锻压行业的能源利用率。

主要参数对回路控制特性的影响为了进一步研究主要参数对0. 6 MN 正弦泵控蓄能器快锻回路控制特性的影响，分别对0. 6 MN 正弦泵控蓄能器快锻回路不同锻造频率、不同锻造行程和不同蓄能器充气压力3 种情况进行仿真和实验，仿真参数如表1 所示。绘制压机活动横梁的位移曲线、主缸和回程缸压力曲线，分析其对0. 6 MN 正弦泵控液压机蓄能器快锻回路控制特性的影响。

1.实验系统

1.1实验系统原理

螺杆泵8 为两台径向柱塞泵13，14 供油，齿轮泵12 为两台径向柱塞泵提供控制油。压机快锻时，电磁换向阀22 左位得电，电磁换向阀23 不得电。

表1 系统仿真参数

|| ||

能器24 导通，为蓄能器24 充液，达到要求压力后，电磁换向阀22 左位失电，右位得电，电磁换向阀23得电，蓄能器24 与压机21 的回程缸导通，这时，通过控制径向柱塞泵13 的流量，便可进行蓄能器快锻。压下时，油液从径向柱塞泵13 进入压机21的主工作缸，回程缸内的油液进入蓄能器24;回程时，径向柱塞泵13 从主工作缸吸油，蓄能器内的油液进入回程缸。

表2 系统实验参数

|| ||

1.2实验台及电控系统

0.6 MN 快锻压机为典型的三梁四柱式预应力框架结构，由泵控和阀控两套传动系统组成，可同时开展正弦泵控理论和电液比例控制理论的研究，压机本体由上横梁、活动横梁、立柱、下横梁、主工作缸、回程缸6 个部分组成，如图4 所示。测控系统中央处理器选用美国NI 公司的CompactRIO 嵌入式控制器，包含实时控制器、可重新配置的FPGA芯片和可热插拔的工业I /O 模块，编程语言采用Labview。

2.不同锻造频率

蓄能器初始压力为18 MPa、蓄能器容积为10L、锻造行程为20 mm、锻造频率分别为0. 5，1和1. 5 Hz 时。可以看出: 当 PID参数不变、锻造频率为1 Hz 时，正弦泵控液压机蓄能器快锻回路位移曲线比较精确; 但当锻造频率降低时，位移曲线超调变大; 锻造频率增大时，位移曲线衰减量变大。同时，随着锻造频率增加，主缸和回程缸的压力波动较小。可通过适当提高锻造频率来提高锻造精度，但要控制在合理的范围内。

3.不同锻造行程

锻造频率为1 Hz、蓄能器初始压力为18 MPa、蓄能器容积为10 L、锻造行程分别为20 和40 mm 时的仿真曲线。可以看出:锻造行程20 mm 时，仿真位移曲线较精确，而实验位移曲线有衰减，回程缸实测压力曲线比仿真压力曲线波动明显变大; 锻造行程40 mm 时，仿真位移曲线和实测位移曲线均较精确，而主缸和回程缸实测压力曲线均比仿真曲线波动大，且比行程20 mm 时波动大。锻造行程减小时，锻造精度升高，系统压力波动变小; 锻造行程增大时，锻造精度降低，系统压力波动变大。可以通过减小锻造行程来提高锻造精度，减小回路压力波动。另外，可以看出，在锻造行程为 40 mm时，压机回程前，系统中产生了压力冲击，这是由于系统惯性较大，相位滞后较大，在压机回程过程中，给定位移信号与位移检测信号交叉时，给定位移信号与位移检测信号的差值由负变为正，此时变量径向柱塞泵由从主工作缸吸油改为向主工作缸压油，换向时，系统升压过快，产生了压力冲击。

4.不同初始压力

锻造频率为 1 Hz、锻造行程为 20 mm、蓄能器容积为 10 L、蓄能器初始压力分别为 15 和 18 MPa时的仿真与实验曲线。可以看出，满足压机回程压力的前提下，蓄能器的初始压力对回路跟踪给定位移曲线精度影响不大，均在 2 mm 范围内。蓄能器初始压力越大，系统阻尼比越小，无阻尼固有频率越大，蓄能器快锻回路的响应变快，可以通过提高蓄能器的初始压力来提高回路响应的快速性。1

系统控制特性概述随着机器人技术的迅猛发展, 机器人承担的任务更加复杂多样, 传统的检测手段往往面临着检测范围的局限性和检测手段的单一性. 视觉伺服控制利用视觉信息作为反馈, 对环境进行非接触式的测量, 具有更大的信息量, 提高了机器人系统的灵活性和精确性, 在机器人控制中具有不可替代的作用.

视觉伺服控制系统是指使用视觉反馈的控制系统, 其控制目标是将任务函数e(s¡s(m(t);a)) 调节到最小, 其中s;s分别为系统的当前状态和期望状态. 与常规控制不同的是,s基于图像信息m(t) 和系统参数a构造,比传统的传感器信息具有更高的维度和更大的信息量, 提高了机器人系统的灵活性.

视觉伺服系统通常由视觉系统、控制策略和机器人系统组成, 其中视觉系统通过图像获取和视觉处理得到合适的视觉反馈信息, 再由控制器得到机器人的控制输入. 在应用中, 需要根据任务需求设计视觉伺服系统的实现策略. 从这三个方面对视觉伺服中存在的主要问题和研究进展进行综述.

视觉伺服控制涉及计算机视觉、机器人技术和控制理论等多个领域, 国内外学者在过去20 余年中进行了广泛的研究. Hutchinson 等的三篇经典论文对视觉伺服控制的研究起到了引导作用. 近年来, Staniak 等和Azizian 等分别对视觉伺服系统的结构及其在医疗机器人中的应用进行了综述. 在国内的研究中, 林靖等、赵清杰等、薛定宇等、王麟琨等、方勇纯分别对视觉伺服控制进行了综述, 总结了经典的视觉伺服控制方法.

随着计算机视觉和机器人技术的飞速发展, 视觉伺服控制的研究也有了显著的进步. 相比于以往的综述, 本文重点分析了视觉伺服系统设计中存在的主要问题及相应的解决方案. 如图1 所示, 设计视觉伺服系统时主要需要考虑视觉系统、控制策略以及实现策略三个方面. 在视觉系统方面, 本文首先介绍了视觉系统的构造方法, 并对动态性能的提升和噪声的处理进行了讨论. 在控制策略方面, 主要针对视觉伺服系统中模型不确定性和约束的处理进行了分析. 另外, 考虑到视觉伺服系统的可实现性和灵活性, 文中对系统的实现策略进行了总结. 最后, 基于当前的研究进展, 对未来的研究方向进行了展望.

1.视觉伺服中的视觉系统首先介绍视觉系统的组成, 然后对视觉系统动态性能的优化和噪声的处理方法进行分析和总结.

1.1 视觉系统的组成

视觉系统由图像获取和视觉处理两部分组成,图像的获取是利用相机模型将三维空间投影到二维图像空间的过程, 而视觉处理则是利用获取的图像信息得到视觉反馈的过程.

1.1.1 相机模型

基本的相机模型主要包括针孔模型和球面投影模型, 统一化模型是对球面模型的推广, 将各种相机的图像映射到归一化的球面上. 此处需要强调的是针孔模型的\相机撤退" 问题和球面模型的旋转不变性.针孔模型的\相机撤退" 问题是指当旋转误差较大时, 要使特征点在图像中沿直线运动到目标, 相机会先旋转着远离目标, 再旋转着接近目标, 在工作空间的路径是曲折的. 对此可以使用极坐标系或圆柱坐标系来处理. 球面模型的旋转不变性是指球的旋转对物体在球面上投影的形状是没有影响的, 一方面可以避免\相机撤退" 问题, 同时也方便设计平移和旋转解耦的误差向量. 统一化模型的吸引力在于可以将各种相机的图像映射到统一的模型, 从而在设计控制器时不需要考虑具体的相机模型, 增强了系统的可扩展性. 另外也可以将常规的机器人传感器映射到球面, 如重力向量、磁场向量或角速度等, 从而可以设计多传感器信息融合的机器人控制器.

1.1.2 视觉反馈

视觉伺服中的视觉反馈主要有基于位置、图像特征和多视图几何的方法. 其中, 基于位置的方法将视觉系统动态隐含在了目标识别和定位中, 从而简化了控制器的设计, 但是一般需要已知目标物体的模型, 且对图像噪声和相机标定误差较为敏感. 目标识别和跟踪可以参考相关综述, 下文中主要介绍基于图像特征和多视图几何的方法.

1)基于图像特征的视觉反馈

常用的基于图像特征的视觉反馈构造方法, 其中基于特征点的方法在以往的视觉伺服中应用较为广泛, 研究较为成熟, 但是容易受到图像噪声和物体遮挡的影响, 并且现有的特征提取方法在发生尺度和旋转变化时的重复性和精度都不是太好, 在实际应用中存在较大的问题. 因此, 学者们提出了基于全局图像特征的视觉反馈方法, 利用更多的图像信息对任务进行描述, 从而增强视觉系统的鲁棒性, 但是模型较为复杂, 控制器的设计较为困难, 且可能陷入局部极小点. 目前针对这一类系统的控制器设计的研究还比较少, 一般利用局部线性化模型进行控制, 只能保证局部的稳定性.

2) 基于多视图几何的视觉反馈

多视图几何描述了物体多幅图像之间的关系, 间接反映了相机之间的几何关系. 相比于基于图像特征的方法, 多视图几何与笛卡尔空间的关系较为直接, 简化了控制器的设计. 常用的多视图几何包括单应性、对极几何以及三焦张量需要强调的是, 两个视图之间的极点与相对姿态不是同构的, 当极点为零时不能保证二者姿态一致, 而只能保证二者共线, 一般使用两步法补偿距离误差.单应性矩阵描述了共面特征点在两个视图之间的变换关系, 可以唯一决定二者的相对姿态. 对于非平面物体, 可以结合对极几何的方法进行处理.结合单应性矩阵和极点构造了在平衡点附近与姿态同构的误差系统. 中采用类似的思路, 并利用图像配准的思想对几何参数进行估计. 但是, 由于模型复杂, 文献中只提出了局部稳定的控制律. 相比之下, 三焦张量是一种更加通用的方法, 对目标形状没有要求, 且不存在奇异性问题. 目前基于对极几何和三焦张量的方法还主要用于平面移动机器人的控制, 在六自由度控制中的应用有待进一步研究.

1.2 视觉系统动态性能的提升

相比于常规的机器人传感器, 视觉系统的采样频率较低, 视觉处理算法的时间延迟较大, 而且具有一定的噪声, 这对视觉伺服系统的动态性能有很大的影响. 近年来的研究主要从以下三个方面进行改进: 采用高速视觉系统, 提高处理速度和采样频率;使用分布式的网络化架构, 提高算法的执行效率; 设计观测器, 处理视觉反馈中的噪声和延迟问题.

1) 高速视觉系统

常用的数字相机的采样频率较低, 一般在 30 fps左右. 为了适应高速视觉伺服任务的需求, 近年来研究者开发出各种高速视觉系统. 高速视觉系统一般采用并行的结构, 图像检测和处理都是以高速进行, 从而可以达到高于 1 kHz 的频率, 方便进行高速运动物体的跟踪和柔性物体的识别, 常用于快速反应的系统, 但是受到硬件设备的限制, 图像分辨率较低, 物体表面纹理不清晰, 难以描述复杂的场景,且系统较为复杂, 开发和维护的成本高. 对于这一类的系统, 可以使用图像矩、核采样、互信息等全局图像特征, 不需要特征点的提取, 对图像分辨率的要求较低, 相比之下控制精度更高.

2) 分布式网络化的视觉系统

文献中提出基于网络化分布式计算的视觉伺服控制系统, 从分布在不同部位的传感器 (如视觉传感器、光学传感器、雷达等) 采集的数据通过网络传送到处理器节点进行处理, 从而提高了视觉伺服系统的采样速度. 文献中提出了视觉伺服系统中图像数据的传输协议及其调度策略. 分布式的实现策略充分利用了多个网络节点的计算资源, 从而更快地进行多传感器信息融合, 但是其效率很大程度上依赖于网络的速度, 并且网络化的系统增加了控制算法的复杂程度, 特别是针对网络延时、故障的处理.

3)结合观测器的视觉系统

由于视觉设备的采样频率低, 并且具有噪声, 因此可以利用观测器对图像特征进行观测, 从而应对噪声和延迟对系统的影响. 在硬件条件限制下, 使用观测器是最有效的改善视觉系统性能的方法.

卡尔曼滤波 (Kalman ¯lter) 是一种常用的方法, 对于视觉伺服系统这种非线性对象, 可以使用扩展卡尔曼滤波器. 当噪声特征未知时, 可以使用自适应或自整定的方法. 另外, 由于视觉系统处理时间较长, 因此可能出现测量时间长于控制周期的情况, 可以使用双速率卡尔曼滤波的方法对系统状态进行观测.

粒子滤波 (Particle ¯lter[55]) 可以用于非高斯噪声下的非线性系统, 相比于卡尔曼滤波的方法更加适合于视觉伺服系统的应用. 其基本思想是通过随机采样获取概率分布, 基于这些观测值, 实际的概率分布可以通过调整采样的权重和位置得到.

虚拟视觉伺服 (Virtual visual servo[56]) 以重投影误差作为任务函数, 设计虚拟控制律使其最小化, 再将此控制律中得到的控制输入 (速度、加速度) 进行积分从而得到观测到的相机位置和速度, 省去了目标识别、定位等耗时的过程.

1.3 视觉系统噪声的处理

视觉系统的噪声主要来自于相机感光元件的噪声和视觉处理算法的误差, 对控制系统性能有较大影响. 视觉系统噪声的处理可以从以下 4 个方面入手:

1)设计鲁棒的特征提取算法图像噪声对图像特征的提取影响较大, 尤其是基于像素梯度的局部图像特征, 会出现特征点的误提取和误匹配, 直接导致系统状态变量的误差, 对控制系统的稳定性有很大的影响. 常用的去除例外点的方法有 RANSAC (Random sample consensus) 算法、霍夫变换、最小二乘法以及 M-estimators 算法等.

2)使用观测器降低噪声的影响对于含有噪声的特征向量, 可以利用观测器对其状态进行观测降低噪声的影响. 常用的方法有 Kalman 滤波[52¡54]、粒子滤波[55] 等. 另外, 在有些控制器中需要利用图像空间中的速度信息, 由于图像采样频率较低且噪声较大, 数值微分的方法存在较大的误差, 此时也可以利用观测器对其进行估计

3)利用冗余的特征向量对于冗余的特征向量, 可以利用每个特征点测量的统计特征描述该特征点的可靠性, 在设计控制律时可以基于每个维度的可靠性设计加权矩阵，从而降低噪声较大或误匹配特征点对系统的影响.另外, 也可以引入随特征点与图像边界距离递增的加权函数处理目标部分离开视野的情况, 保证控制律的连续性, 提高系统的容错性.

4)提高对目标的感知力图像对物体运动的感知力与特征点的选取以及物体姿态有关, 当存在图像噪声时, 不同的特征点选取对系统稳态误差有一定的影响, 因此可以利用优化的方法选取最佳的特征点对任务进行描述[59]. 在控制的过程中, 可以利用图像雅可比矩阵的奇异值衡量对目标的感知能力. 在任务零空间中优化轨迹以增强感知力, 从而提高控制性能.

视觉伺服中的控制特性在视觉伺服控制器的设计中, 主要的问题在于模型不确定性和约束的处理. 这是由于视觉模型依赖于目标深度、相机参数等未知或不精确的信息, 并且在控制的过程中需要保证目标的可见, 对系统的稳定性和动态性能有较大的影响.

2.1 视觉伺服中模型不确定性的处理

针对模型不确定性问题, 主要有三种解决方案,分别为自适应算法、鲁棒算法和智能算法. 自适应算法通过自适应环节在线调整模型, 从而优化控制性能; 鲁棒算法基于最优估计参数设计控制器, 并保证对一定范围内参数摄动的稳定性; 智能算法一般基于学习的策略应对参数不确定性.

2.1.1 自适应视觉伺服控制

考虑到模型参数不确定带来的问题, 研究者提出了一系列自适应的方法对模型误差进行补偿. 自适应控制方法由控制律和自适应环节组成, 通过自适应环节的在线修正保证系统的稳定性. 自适应的方法可以分为参数自适应和雅可比矩阵自适应方法.

1)参数自适应算法

由于特征点在图像空间的运动特性依赖于其深度和相机参数, 从而可以在控制过程中根据控制输入使用当前估计参数将运动投影到图像空间, 预测特征点的运动. 预测值与实际观测的特征点运动之间的差异作为估计投影误差, 可以通过迭代优化的方法使该投影误差最小化从而对参数进行在线估计.一种常用的自适应方法是结合 Slotine 等的思想,利用梯度法或其他搜索方法对特征点的估计投影误差进行在线最小化.

当相机标定参数未知时, 一种思路是基于 \深度无关雅可比矩阵" 的方法, 将图像雅可比矩阵分为深度因子和深度无关的部分, 使用深度无关的部分设计反馈控制律, 从而在得到的闭环系统中相机参数是线性表达的. 对于深度信息未知的情况, 可以加入对深度的自适应环节增强其稳定性. 除了基于特征点的系统, 这种方法对一些广义特征也是有效的, 只要深度无关雅可比矩阵对广义特征的未知几何参数是线性参数化的, 如距离、角度、质心等.

对于视觉伺服轨迹跟踪控制, 常规的方法需要加入图像空间中的速度作为前馈项, 而图像中的速度一般是通过对图像坐标信息的数值微分得到的,相比于关节空间的速度具有更大的噪声, 尤其是当采样频率较低时具有较大的误差. 因此, 一些学者提出不需要测量图像速度的方法. 这一类方法利用关节速度和估计的雅可比矩阵设计图像空间速度的观测器, 并加入对相机参数和深度的自适应. 因为机器人关节速度的测量是比较精确的, 因此可以较好地改善数值微分带来的问题.

2)雅可比矩阵自适应算法

这一类的方法直接对雅可比矩阵进行在线辨识,由递推的雅可比矩阵辨识算法和控制律组成. 常用的雅可比矩阵辨识方法如Broyden 算法、加权递推最小二乘算法、Kalman 滤波等. Pari 等通过实验对比了使用递推最小二乘法估计的雅可比矩阵和使用解析形式的雅可比矩阵时的控制性能, 结果证明基于雅可比矩阵在线辨识的方法具有与基于解析形式雅可比矩阵的方法相差不多的控制效果和鲁棒性, 而基于雅可比矩阵在线辨识的方法不需要大量对系统的先验知识和复杂的模型推导过程, 但是其模型只在其训练的区域内有效.

2.1.2 鲁棒视觉伺服控制

在基于图像的视觉伺服控制中, 由相机参数、目标深度以及机器人模型误差造成的图像雅可比矩阵的不确定性会对控制效果产生影响, 并可能造成控制器不稳定. 为了保证在参数摄动的情况下的控制器的稳定性, 可以在最优参数估计的基础上设计鲁棒控制器, 从而在一定的参数变化域内保证稳定性.

一种常用的思路是利用李雅普诺夫的方法设计鲁棒控制器, 从而克服深度和标定误差、机器人模型误差以及机器人执行速度指令时的量化误差带来的不确定性问题. 另一种思路是基于优化的方法, 通过对性能指标的在线优化(如H2=H1指标、闭环系统的稳定域等) 得到在具有参数不确定性时的最优控制输入. 另外, 滑模控制也是一种常用的方法, 通过构造与系统不确定性参数和扰动无关的滑动面, 并设计控制律迫使系统向超平面收束, 从而沿着切换超平面到达系统原点. 由于常规的滑模控制产生的控制输入是不连续的, 可能造成系统的抖振, 可以使用二阶滑模Super-twisting 控制的方法解决此问题.

虽然基于鲁棒控制的方法一般都具有对参数变化和扰动不敏感的优点, 但是通常需要较大的控制增益, 造成系统响应不光滑, 使执行器的损耗较大,且可能造成系统的抖振. 在未来的研究中可以结合自适应控制的方法, 在模型细小变化时利用控制器的鲁棒性从而避免自适应机构过于频繁的调整, 当模型变化较大时, 则利用自适应的方法对其进行修正, 从而避免鲁棒控制方法过高的增益造成的问题.

2.1.3 智能视觉伺服控制

智能控制不需要精确的数学模型, 并且具有自学习能力, 适合于具有模型不确定性的视觉伺服系统控制. 智能视觉伺服控制方法有:

基于计算智能的方法一般利用人工神经网络、遗传算法等方法对视觉伺服系统模型进行拟合, 并利用学习到的模型进行控制. BP 神经网络是一种常用的方法, 为了提高其收敛速度, 可以使用遗传算法设计其初值和参数. 这一类方法不需要复杂的建模过程, 但是需要预先进行离线训练, 而且当环境变化时又需要重新训练, 限制了其应用.

模糊控制利用模糊规则描述视觉伺服系统中各变量之间的关系, 不需要精确的系统模型, 但是需要一定的先验知识或离线学习. 在应用中, 可以直接设计模糊控制器或利用模糊规则对其他控制器参数进行更新. 但是, 对于多自由度的视觉伺服系统, 变量之间的关系复杂且耦合严重, 模糊规则的设计困难, 因此以往的研究主要针对低自由度的系统.对于具有重复特性的视觉伺服任务, 迭代学习控制利用先前动作中的数据信息, 通过迭代找到合适的控制输入, 可以实现精确的轨迹跟踪. 这一类方法主要有两种思路, 一种是直接迭代学习控制, 使用迭代学习律得到控制输入的前馈量, 并可以加入反馈辅助项提高收敛速度; 另一种是间接迭代学习控制, 使用迭代学习对模型参数进行更新, 从而最终得到精确的模型用于跟踪控制. 这一类方法要求任务具有重复特性, 可以用于工业现场的流水线作业.

视觉伺服中的实现策略近20 多年来, 机器人视觉伺服控制得到了广泛的研究, 但是在实际中的应用较少. 实际上, 视觉伺服的理论研究与实际应用有一定的脱节, 大部分的研究考虑理想的工作环境和任务, 并采用示教(Teach-by-showing) 的方式. 这适合于静态环境下的重复性任务, 但是机器人的任务是复杂多样的. 近年来, 研究者提出了创新性的解决方案, 为视觉伺服系统的实施和应用提供了新的思路. 在实际中, 基于视觉伺服的系统主要有两种类型, 一种是机器人自主控制系统, 完全由机器人自身根据视觉反馈完成分配的任务; 另一种是人机协作系统, 在任务完成的过程中需要人为的干预, 其目的在于协助人更好地完成任务.

3.1 自主控制系统

视觉伺服在机器人系统中有广泛的应用, 如移动机器人的视觉导航和机械臂的末端控制等. 移动机器人的视觉导航可以描述为视觉伺服跟踪控制问题或一系列的视觉伺服调节控制问题, 一般需要预先进行训练得到期望的图像序列. 工业机械臂常使用示教的策略, 以零件组装任务为例, 工程师需要先利用手操器对其进行编程, 机械臂再通过执行记录的驱动信号完成任务. 引入视觉伺服系统可以简化此过程, 只需要人在相机的监控下完成一次操作, 机械臂即可利用视觉反馈完成任务.传统的视觉伺服系统使用示教的方式, 其控制器的设定值为相机在期望位置处拍摄到的图像. 这种方法适合于在局部空间内执行重复性任务的工业机械臂, 但是对于大范围的移动机器人视觉导航任务显得实现成本较高. 学者们提出了以下几种改进策略:

1)利用其他相机拍摄的图像作为设定值, 如Teach-by-zooming 策略;

2)利用其他模态的图像作为设定值, 如基于互信息的方法;

3)利用几何信息定义视觉伺服任务.

在现实生活中, 如果要告诉某人去某地, 可以提供该地点的照片或地图, 也可以描述该场景的几何特性. 实际上, 上述的三种策略分别对应了人类的这些行为习惯. 在未来的机器人应用中, 可以充分利用互联网资源, 如Google 街景、Google 地图等, 使其更灵活地为人类服务.

另外, 大部分视觉伺服系统都要求目标在图像中持续可见(FOV 约束), 这在实际任务中大大缩小了机器人的可达工作空间. Jia 等针对平面移动机器人提出了基于稀疏路标的视觉导航方法, 利用\关键帧" 策略放松了视野约束, 从而优化了非完整约束机器人在工作空间中的轨迹. Li 等提出了机器人任务空间的全局控制器, 利用各个区域性有效的反馈信息构造了连续的整体控制器, 使得机器人在完成任务的过程中可以安全地穿过视觉感知盲区和奇异区域.

3.2 人机协作系统

目前大部分机器人的自主定位和导航任务都需要预先对任务进行精确描述, 但是实际应用中的一些复杂任务难以用数学描述, 且在任务完成的过程中需要进行智能决策, 以当前的人工智能发展程度无法由机器人自主完成. 因此可以构造人机协作系统, 在任务执行过程中加入人类的判断, 视觉伺服控制作为辅助系统, 帮助人更轻松地完成一些复杂任务, 形成半自动的系统. 常见的人机协作系统有以下几种实现策略:

1)人机串级控制, 人负责上层的决策控制, 视觉伺服系统负责底层的运动控制, 如水下遥控机器人、半自动驾驶轮椅等.

2)视觉伺服系统对操作对象施加运动约束, 降低人需要操作的自由度, 提高操作精度, 如人机协作操作、手术辅助系统等.

3)人机切换控制, 将任务分为人主导的区域和机器人主导的区域, 共同完成任务.