基于BP神经网络的机器人视觉控制方法

利用BP神经网络实现了基于图像的机器人视觉伺服控制器,省略了计算图像雅可比矩阵和机器人雅可比矩阵的过程,简化了控制算法的计算,训练样本和测试样本取自RBT-6T/S04S机器人实际运动,设计6个BP神经网络来实现图像空间与机器人空间的非线性映射关系,仿真结果显示神经网络控制器具有良好的定位跟踪效果,在保证精度的条件下简化了算法.将训练好的神经网络控制器用于视觉伺服系统中引导机器人到达目标物体,达到了较好的效果.     

基于BP神经网络-模糊控制的机器人无标定视觉伺服技术

针对机器人无标定视觉伺服技术中图像雅可比矩阵在线估计存在计算复杂的问题,提出了一种结合BP神经网络和模糊控制策略的机器人控制技术。本文以多自由度智能调节系统为例,提出其视觉伺服控制架构,根据工业场景数据集训练BP神经网络,采用本文所提算法进行法兰对中实验,帮助解决核电站蒸汽发生器人孔螺栓咬死问题。在方法层面,首先,利用BP神经网络建立图像特征信息与机器人多自由度运动之间的映射关系,之后,提出模糊控制方法根据图像特征偏差进行机器人位姿的精确调整。实验结果表明,本文提出的算法能够有效应用于无标定视觉伺服控制,最终法兰平均对中误差在±1mm内,平均耗时43秒,满足应用需求,具有较高的工作效率。     

基于图像的非标定视觉反馈控制机器人全局定位方法

针对机器人非标定全局定位问题,研究Kalman滤波(Kalman filtering,KF)算法联合反馈型Elman神经网络(Elman neural network,ENN)学习机器人图像空间与运动空间非线性映射关系,从而建立基于图像的视觉反馈控制方法.首先利用ENN学习得到机器人全局定位的次优状态,以此为系统状态向量构建伺服系统状态方程与观测方程,进而利用KF估计得到机器人图像雅可比矩阵.其次,采用KF对ENN网络权重进行在线微调,KF联合ENN满足机器人全局定位稳定收敛的要求,并对环境干扰具有一定的自适应性.最后在摄像机参数未标定条件下,进行六自由度机器人"眼在手"(eye-in-hand)定位比较试验,结果验证了提出的非标定视觉伺服控制方法的有效性.     

基于图像矩和矢量积法的六自由度机械臂视觉伺服控制

针对眼在手上的六自由度机械臂系统,提出一种基于图像的视觉伺服控制.通过图像矩和矢量积法,建立机器人正向、逆向运动学模型,引入雅可比矩阵解决机器人逆运动学解析问题.建立了图像矩特征变化量和笛卡尔空间的关节角速度之间的映射关系即复合雅可比矩阵,由矩特征变化量得到伺服过程中六自由度机器人各关节角速度.保证在图像逼近期望图像时,机械臂末端到达期望位置,并且此时关节角速度将收敛到零.仿真结果表明,计算复合雅可比矩阵的方法可控制机械臂渐近稳定到期望位置.     

基于人工免疫算法的图像直接反馈视觉伺服

提出了一种基于图像直接反馈的平面视觉伺服控制方法,其特点是不需要提取期望图像与反馈图像的图像特征而用人工免疫的智能进化算法直接求解期望图像与反馈图像之间的位置与夹角误差向量,再将此误差信号经视觉控制器转换成机器人空间的位姿增量信号发送给机器人控制器,从而完成视觉伺服闭环控制。与传统的基于图像特征的视觉伺服控制方法相比具有更好的通用性与稳定性。对算法的关键技术、实现步骤及参数选择进行了深入分析,并通过实验验证了所提方法的有效性与稳定性。     

基于视觉伺服的小型四旋翼无人机自主飞行控制研究进展

 在GPS信号较弱甚至失效的环境下,视觉伺服能够通过视觉信息控制自主飞行,因此近年来视觉伺服在自主飞行控制领域受到广泛关注。根据获取的图像信息不同,可将视觉伺服分为基于位置的视觉伺服和基于图像的视觉伺服。与基于图像的视觉伺服相比,基于位置的视觉伺服位姿估计稳定,可直观地在直角坐标空间定义机器人运动,符合机器人工作方式,且控制器设计简单,但控制精度受摄像机和机器人标定精度的影响,且计算量较大。对于小型四旋翼无人机自主飞行控制的应用研究中,视觉伺服的实时性、精确性和鲁棒性尚待提高,且小型四旋翼无人机的智能化不高,在室内室外模式转换及室内协同控制方面还有广阔的发展空间。     

球体图像视觉伺服投影距离的非线性观测

球体图像视觉伺服由于不变视觉特征的设计可获得良好的运动解耦特性,但球体特征雅可比矩阵的计算依赖于若干未知三维参数,即被观测目标点的三维投影距离.针对球体图像视觉伺服特征雅可比矩阵未知三维参数的在线估计问题,文中提出了一种结合线性时变系统持续激励引理的投影距离非线性观测算法.首先结合统一投影模型对球体特征运动学进行分析,然后根据持续激励引理设计系统状态的在线更新法则,在已知摄像机运动及目标图像特征的情况下实现对未知三维投影距离的在线观测,并对观测器稳定性进行了分析.试验结果表明,该算法可有效实现对三维投影距离的在线估计,与基于深度观测的间接估计方法相比具有更优的估计精度及观测动态特性,能有效地提高球体图像视觉伺服控制的动态收敛特性.     

基于极限学习机的未校准图像视觉伺服控制

解决非结构化环境中的机器人视觉伺服控制的主要问题是获得交互矩阵, 而解决交互矩阵的常见问题是交互矩阵伪逆的奇异性问题。 针对该问题, 提出了一种新型的基于图像的视觉伺服控制方法, 并采用增量式极限学习机解决图像雅可比矩阵的伪逆逼近问题。 为提高系统的收敛速度, 采用了具有自适应因子的速度改进控制器。 最后, 采用了六自由度机械手仿真, 验证了所提出方法的有效性和优势, 该算法提高了系统的鲁棒性, 避免了计算雅可比矩阵的伪逆的问题。     

基于人工免疫和图像直接反馈的视觉伺服控制

传统的基于图像特征的视觉伺服控制方法通用性差,且图像特征的标记、提取与匹配过程复杂.为此,文中提出了一种基于人工免疫和图像直接反馈的平面视觉伺服控制方法.首先采用人工免疫算法求解期望图像与反馈图像之间的位置与旋转误差,然后将误差信号经视觉控制器转换成机器人空间的位姿增量信号发送给机器人控制器,从而在无需进行图像特征标记与提取的情况下完成视觉伺服闭环控制任务.实验结果表明,采用文中方法能控制机器人准确地跟踪目标物体,控制误差不超过1个像素,说明文中方法是有效和正确的.     

机器人逆运动学的微分进化与粒子群优化BP神经网络求解

针对采用传统反向传播(BP)神经网络算法进行逆运动学求解收敛速度慢的问题,提出将微分进化(DE)与粒子群优化(PSO)算法相结合,对用于机器人逆运动学求解的BP神经网络进行优化。基于机器人正解映射建立优化算法的目标函数,在PSO过程中,引入DE操作优化粒子进化方向,并将此混合算法用于BP神经网络权值与阈值的优化。对KUKA机器人进行仿真实验,结果表明:采用该文方法对机器人逆运动学问题的求解精度高,求得的关节角度误差小于0.1°;逆运动学求解结果所对应位姿矩阵的位置误差在0.1 mm数量级,具有较好的泛化能力。该文方法满足机器人位置和姿态方面的精度要求。     

采用改进神经网络PID控制的移动机器人轨迹追踪控制研究

为了提高双轮移动机器人运动轨迹追踪精度,采用改进粒子群算法优化BP神经网络PID控制器,并对控制效果进行仿真验证。创建双轮移动机器人模型简图,给出运动轨迹误差方程式。在传统PID控制基础上增加BP神经网络结构,引用粒子群算法并对其进行改进,采用改进粒子群算法优化BP神经网络PID控制调整参数,给出双轮移动机器人PID控制参数优化流程。采用数学软件MATLAB对双轮移动机器人轨迹追踪误差进行仿真验证,并与传统PID控制追踪误差进行对比。仿真曲线显示:在理想环境中,双轮移动机器人采用两种控制方法都能较好地实现轨迹追踪,追踪误差较小;在干扰波形环境中,传统PID控制双轮移动机器人追踪误差较大,而改进PID控制双轮移动机器人追踪误差较小。采用改进粒子群算法优化BP神经网络PID控制器,可以提高移动机器人运动轨迹追踪精度。     

基于改进灰狼算法-BP神经网络的智能巡检机器人电磁兼容故障诊断

智能巡检机器人巡检电力线路时可能受到电磁干扰而影响工作甚至发生故障,为有效地完成智能巡检机器人电磁兼容故障的诊断,提出一种基于改进灰狼算法(improved grey wolf optimizer,IGWO)优化BP神经网络(IGWO-BP)的故障诊断模型.由于智能巡检机器人电磁兼容故障征兆与故障原因之间具有复杂的非线...     

液压系统中粒子群优化神经网络权值的控制算法

针对非线性、时变等缺陷导致传统的控制器控制效果较差、不适应电液伺服系统的现象,提出了用于电液伺服控制的基于粒子群优化算法对神经网络的权值进行学习训练的PSO-NN算法。结合电液伺服系统实例分析,用MATLAB仿真得到了输入阶跃信号和正弦信号时,PSO-NN算法的输出曲线以及适应度曲线;为了展示PSO-NN算法的效果,用BP算法仿真了对应输入阶跃信号和正弦信号的输出。仿真结果表明:在电液伺服系统的控制中,PSO-NN算法性能优于BP算法,系统输出具有更好的收敛性和对输入的跟随性,从而证明PSO-NN算法对于电液伺服系统的控制是合适并有效的。     

基于遗传神经算法优化的汉语分词模型

针对目前汉语分词系统中BP算法收敛速度慢等难题,本文将基于遗传的BP神经网络算法用于汉语分词模型,此模型结合了遗传算法和BP网络的优点.实验结果表明:该优化模型完全达到了汉语分词要求,并且在分词速度上也明显优于传统的BP神经网络,具有高精确性、收敛速度快等特点.     

压电振动陀螺温漂性能粒子群算法优化

针对压电振动陀螺的温漂问题,采用基于粒子群的BP神经网络算法对压电振动陀螺的温度漂移现象进行建模。该算法借助粒子群算法帮助BP神经网络越过局部最小解,并通过加入高斯噪声的方式,模拟自然人脑。仿真实验表明,相对于传统的单BP神经网络算法,含有噪声的粒子群-BP神经网络算法,在精度方面提高了至少42.6%,所构建的温漂模型具有更好的非线性描述能力,从而能为压电振动陀螺提供了更高精度的零电位误差补偿;同时,在收敛速度方面快了5.2倍。     

基于改进粒子群优化-反向传播神经网络算法的小麦储藏品质预测模型

在使用反向传播神经网络(back propagation neural network,BPNN)预测小麦的储藏品质时,由于其易陷入局部极值且收敛速度慢,导致预测误差较大且稳定性较差,由此提出一种改进粒子群(improved particle swarm optimization,IPSO)算法优化的BPNN预测模型.采用非线性函数动态调整粒子群算法中的惯性权重和学习因子,优化BPNN中的权值参数,进而构建IPSO-BPNN预测模型.为验证该模型的准确性和稳定性,将其与BPNN模型、PSO-BPNN模型进行对比,结果表明:IPSO-BPNN模型预测的均方误差显著降低,有助于提高小麦储藏品质预测的准确性和可靠性.     

改进粒子群优化BP神经网络的心理压力识别算法

为提高心理压力的识别率,提出一种改进的粒子群优化BP(back propagation)神经网络的压力识别算法。该算法在基本粒子群(particle swarm optimization,PSO)模型的基础上,引入了收缩因子,在收缩因子的作用下,使速度的边界限制消失,选取适当的参数来保证PSO算法的有界和收敛特性,实现对BP神经网络的优化。利用心算任务进行压力诱发,采集高压、低压状态下的心电信号,提取了与心理压力相关的心率变异性特征值,并对特征数据对比分析;建立了心理压力程度的分类模型,通过改进的PSO模型优化BP神经网络以识别心理压力。结果表明:改进的粒子群优化BP神经网络算法与BP神经网络相比收敛速度快、误差小且识别率高,该算法对心理压力的识别率可达94.83%,识别效果优于未优化的BP神经网络算法。