（模式识别与智能系统专业论文）基于自标定的机器人视觉定位研究.pdf

摘要 基于自标定的机器人视觉定位研究 学科：模式识别与智能系统 研究生：吴雄君 导师：刘丁教授 杨延西副教授 ( 签名：丝) c 签名：3 牝， ( 签名：拯兰鲤) 于两要 在机器人系统中引入视觉反馈控制，有利于增加机器人的灵活性，提高控制精度。通 过“示教”方法实现眼在手的视觉伺服是机器人研究领域的一个热点问题。本文针对自标 定方法在机器人视觉定位中的应用研究，进行如下几个方面的工作： 1 通过对m e n d o n c a c i p o l l a 和g c h e s i 自标定算法的分析，提出了一种改进的基于自 适应遗传算法( a g a ) 的自标定位置视觉伺服算法。首先对本质矩阵进行奇异值分解， 依据3 个奇异值的特性在线生成目标函数，在进行动态自标定的同时，完成视觉伺服过程。 采用a g a 动态优化摄像机内参数，克服了g c h e s i 方法中要求摄像机内参数不可变的限 制，通过设罱参数范围可精确逼近5 个内参数。另外算法不需要物体精确的3 维模型，仅 仅只需8 个空间固定点坐标信息。仿真结果表明，该算法应用于基于位置的视觉伺服时比 g c h e s i 方法运算速度更快，同时鲁棒性更强。 2 针对自适应遗传算法算法中存在的内参数分布区间大，编码时间长，不利于实时控 制的不足，将改进后的变尺度混沌优化算法用于优化动态生成的目标函数，以提高运算速 度。先把混沌变量映射到待寻优的5 个内参数区间，通过设置内外两层循环，内循环进行 混沌搜索，外循环负责缩小内参数搜索区间，避免了混沌优化在内参数区间的盲目重复搜 索，提高了搜索效率。 3 以m o t o m a n s v 3 x l 型工业机器人为实验对象，首先采用t t a r r i s 角点检测算法 提取角点。为获得高精度的基本矩阵，进一步采用互相关对称性匹配，建立两个视角间的 对应关系并做标记。最后加上视差梯度约束，最后获得准确匹配的对应点。在此基础上设 计基于位置的视觉伺服控制律，摄像机视场中角点的运动轨迹表明，各角点均达到期望位 姿，证明了算法的有效性。 关键词：动态自标定：机器人视觉伺服；自适应遗传算法；改进变尺度混沌优化：计算 西安理工大学硕士学位论文 机视觉 本课题得到：国家自然科学基金( n o ：6 0 6 7 5 0 4 8 ) ： 教育部重点科学技术研究计划项目( n o ：2 0 4 1 8 1 ) 资助 a b s l l 认c t r o b o tv i s u a lp o s i t i o nb a s e do ns e l f c a l i b r a t i o n s p e c i a l i t y ：p a t t e r nr e c o g n i t i o na n di n t e l l i g e n ts y s t e m c a n d i d a t e ：w ux i o n g j u n s u p e r v i s o r ：p r o f l i ud i n g a s s o c i a t ep m f - y a n gy a n x i a b s t r a c t v i s i o n 勋d b a d 【c o n u o ll o o p sh a v eb e e ni n t r o d u c e di no r d e rt oi n c r e a s et h ef l e x i b i l i t ya n dt h e c 啪c ，o fr o b o ts y s t e m s p e c i f i c a l l y , e y e i n - h a n dv i s u a ls e l v or e a l i z e dt h r o u g ht h es oc a l l e d t e a c h i n g - b y - s h o w a p p r o a c hh a sr e c e i v e dal a r g ea n di n c r e a s i n ga t t e n t i o ni nt h el a s td e c a d 髂t h i s d i s s e r t a t i o ni n v e s t i g a t e st h ep r o b l e mo fd y n a m i cs e l f - c a l i b r a t i o np r o c e d u r ew h i c hi sc a r r i e do u ti n p a r a l l e lt ov i s u a ls c r v o i n gi nt h ef o l l o w i n ga s p e c t ： a ni m p m v e ds e l f - c a l i b r a t i n ga l g o r i t h mf o rv i s u a ls 朗wb a s e do na d a p t i v eg e n e t i ca l g o r i t h mi s p r o p o s e d o u ra p p r o a c hi n t r o d u c e sa ne x t e a s i o no f m e n d o n c a - c i p o l l aa n dg c h e s i ss o l f - c a l i b r a t i o n f o rp o s i t i b n - b a s o dv i s u a ls e r v ot e c h n i q u ew h i c he x p l o i t st h es i n g u l a rv a l u e sp r o p e r t yo f t h ee s s e n t i a l m 耐气s p e c i f i c a l l y , as u i t a b l ed y n a m i co n l i n ec o s tf u n c t i o ni sm i n i n l i t j du s h l ga l la d a p t i v eg e n e t i c a l g o r i t h mi n s t e a do f g r a d i o n td e s c e n tm e t h o d t h ep r i m a r ya d v a n t a g eo f o u ra p p r o a c hi ss h o w nt ob e l e s ss u s c e p t i b l et ot h ei n i t i a lv a l u eo f t h ev x l m o r ai n t r i n s i cp a r a m e t e r sd u r i n gt h eo n l i n eo p t i m i z a t i o n p r o c e s s w i t hc o m p a r a b l ea c c u r a c yi nt h er e s u l t i ti sn o tn e m w , e s s a r yt ok n o we x a c t l yt h ec a l n e t a i n t r i n s i cp a r a m e t e r s ；i n s t e a d , o n l yc o 赳 s eb o u n d so f t h ef i v ep a r a m e t e r sa r en e c e s s a r y , w h i c hc a l lb e d o n eo n c ea n df o ra l lo f f l i n e 。a n o t h e rm e r i to ft h ea l g o r i t h mc o n s i s t so faf a s tc o n v e r g e n c e 印正 b e s i d e s , t h i sa l g o r i t h mi l e o d n tk n o w l e d g eo f t h e3 dm o d e lo f t h eo b j e c t e x t e n s i v es i m u l a t i o n sa r e c a r r i e do u ta n dt h er e s u l t sd e m o n s t r a t et h a tt h ep r o p o s e da p p r o a c hp r o v i d e ss i g n i f i c a n tb e t t e r 瞄u l t i nb o t hr o b u s t n e s sa n dc o n v e r g e n c es p e e dw i t hr e s p e c tt ot h ee x i s t i n gs t a n d a r dg r a d i e n t - b a s e d s e l f - c a l i b r a t i n gv i s u a ls e r v os t r a t e g y w ei n t r o d u c et h ee n h a n c e dm u t a t i v es c a l ec h a o so p t i m i z a t i o na l g o r i t h m ( e m s c o a ) i n t ot i m s e l f - c a l i b r a t i o np r o b l e m , a i m e d 砒r e d u c i n gt h es i z eo ft h ep a r a m e t e r sd i s t r i b u t i o ns c o p ei ng a a l g o r i t i n na n dp l m i 碰n gs i g n i f i c a n tb e t t e rc o n v e r g e n c e 删f i m , t h ec h a o sv a r i a b l e s 辩i i 埔p p e d t ot h er a n g eo f t h ef i v ei n l r i n s i cp a r a m e t e r s ，a n dt h e nac o u p l eo f c y c l e sa r es e t , c h a o ss e a r c hi nt h e i n n e rc y c l ea n dt h er a n g ei sr e d u c e di nt h eo u t e rc y c l ei no r d e rt oa v o i db l i n da n dr e p e a t e ds e a r c h i n g o f c h a o so p t i m i z a t i o ni ns e a r c h i n gs p a c ea n di m p r o v es e a m h i l l ge f f i c i e n c y w ec a r r i e do u te x p e r i m e n t so nm o t o m a n - s v 3 x lr o b o tt ow 疵母t h ep r o p o s e da p p r o a c h f i r s t w eo b t a i ns e v e r a lc o m e r su s i n gah a r r i sc o m e rd e t e c t o r , t h e ni no r d e rt og e tah i s ha c c u r a c y 里墨垩三苎量婴主茎堡垄查 。_ _ _ _ _ _ _ - _ _ _ _ _ - _ _ _ - _ _ _ 。- - _ 。- - 。- 。- 。1 。_ 。 f u n d a m e n t a lm a t r i x , w eu s en o r m a l i z e dc r o s sc o r r e l a t i o nt o g e t h e rw i t i is y m m e 血 i c a lm a 地h l n s a l g o r i t h mt os e t u pac x a o tc o r r e s p o n d i n gr e l a t i o ni nd i f f e r e n ti m a g e s a tl a s t , ad i s p a r i t yg r a d i e n t c o n s t r a i n ti sc o n s i d e r e d 。w h i c hp r o v i d e se x a c tc o r r e s p o n g d m gp o i n t si n 也eb i n o c u l a ri m a g e s b a s e d o nt h e s ew o r k , w ed e s i g n e dap o s i t o n - b a s e dv i s u a ls e r v o i n gc o n t r o ll a w t h et r a j e c t o r yo f t i l cc o r n e r 抽j 瀚m m v i e wd e n o t e st h a ta l lo ft h e mr e a c h ea tt h ed e s i r e dp o s i t i o n , w h i c hd e m o n s t r a t e st h e e f f e c t i v e n e s so f t h ep r o p o s e da l g n r i t h n _ l k e yw o r d s ：d y n a m i cs e l f - c a l i b r a t i o n ；r o b o t v i s u a ls e r v o ；a d a p t i v ec r c n e t i ca l g o r i t h m ；e n l 旧n c e d m u t a t i v es c a i ec h a o so p t i m i z a t i o n ；c o m p u t e rv i s i o n ； f o u n d a t i o ni t e m ：s u p p o r t e db yt h en a t i o n a ln a t u r a ls c i e n c ef o u n d a t i o no f c h i n au n d e rg r a n t n o 6 0 6 7 5 0 4 8 ，s c i e n c ea n dt e c h n o l o g yr e s e a r c hp r o j e c to ft h em i n i s t r yo fe d u c a t i o nu n d e r g r a n t n o 2 0 4 1 8 l 独创性声明 秉承祖国优良道德传统和学校的严谨学风郑重申明：本人所呈交的学位论文是我个 人在导师指导下进行的研究工作及取得的成果。尽我所知，除特别加以标注和致谢的地 方外，论文中不包含其他人的研究成果。与我一同工作的同志对本文所论述的工作和成 果的任何贡献均已在论文中作了明确的说明并已致谢。 本论文及其相关资料若有不实之处，由本人承担一切相关责任 论文作者签名：缉年哆月讶日 学位论文使用授权声明 本人! 理!在导师的指导下创作完成毕业论文。本人已通过论文的答辩，并 已经在西安理工大学申请博士硕士学位。本人作为学位论文著作权拥有者，同意授权 西安理工大学拥有学位论文的部分使用权，即：1 ) 已获学位的研究生按学校规定提交 印刷版和电子版学位论文，学校可以采用影印、缩印或其他复制手段保存研究生上交的 学位论文，可以将学位论文的全部或部分内容编人有关数据库进行检索；2 ) 为教学和 科研目的，学校可以将公开的学位论文或解密后的学位论文作为资料在图书馆、资料室 等场所或在校园网上供校内师生阅读、浏览。 本人学位论文全部或部分内容的公布( 包括刊登) 授权西安理工大学研究生部办 理。 ( 保密的学位论文在解密后，适用本授权说明) 粼：擎名斗 。 ) 年；月略日 l 1 绪论 1 1 机器人视觉伺服控制研究现状 视觉伺服的准确定义首先是由础l 和p a r k 提出i “通过视觉引导机器人运动成为近几十 年机器人研究领域的一个热点问题f 2 1 。视觉伺服是用视觉信息构成机器人末端的位置闭环 控制。机器人视觉伺服涉及的研究领域众多，主要有计算机视觉、图像处理、机器人动力 学、机器人运动学、控制理论、实时计算等，是计算机视觉研究前沿的一个重要分支它 和主动视觉( a c t i v ev i s i o n ) 有很多相似之处，因此在控制和视觉的问题上主动视觉研究者 与视觉伺服研究者面临的问题很相近。 目前国内外关于机器人视觉伺服的研究主要包括基于无标定技术的视觉伺服和基于 标定技术的视觉伺服两种。基于无标定的视觉伺服基本原理是在不标定摄像机和机器人参 数的情况下，直接通过图像上的系统状态差来设计控制律，驱动机器人的运动使系统误差 收敛到容许的误差域内的视觉伺服方法。现有的无标定视觉伺服研究方法主要包括三种方 法：基于图像雅可比矩阵的方法，神经网络拟合手眼关系方法和系统未建模动态补偿方法 ( a d r c ) 。 l 基于图像雅可比矩阵的方法中，y o s h i m i 用试探估计图像雅可比矩阵的方法，实现 z 二维平面上插轴入孔操作。s u t a n t o 通过在线估计图像雅可比矩阵实现了无标定手眼协 调。但是由于图像雅可比矩阵本身的缺陷( 只适用于局部范围、需要在线估计图像雅可比 矩阵且估计精度难以提高、不适用于跟踪高速运动目标以及矩阵求逆存在奇异性等) ，使 其应用范围受到了一定的限制。而s t a n l e yk 等人( 1 9 9 9 ) 首先利用神经网络成功地逼近 逆图像雅可比矩阵，完成视觉定位任务。该方法无需显式地求取逆图像雅可比矩阵元素， 简单易行。但由于图像雅可比矩阵自身固有的缺陷，只在局部工作范围内有效，且难以应 用于跟踪问题。 2 潘且鲁( 2 0 0 1 ) 等提出用神经网络逼近一种新的非线性视觉映射模型，实现了机器人 手眼无标定视觉跟踪任务，但需进行大量的样本学习。由于神经网络拟合手眼关系方法中 样本大，跟踪难的特点，使该方法受到限制。 3 系统未建模动态补偿方法( a d r c ) ；文献【3 】基于耦合a d r c 原理通过对系统建模 的不确定性和未知外部扰动进行非线性补偿，实现了无标定手眼协调，但系统未能充分利 用模型结构方面的先验知识，且没有学习能力。 目前，机器人无标定视觉伺服的研究已经在跟踪静态任务目标上取得了显著成果，但 对快速，动态任务的研究还处于起步阶段。 基于标定技术的机器人视觉伺服是视觉伺服的另外一个大的方向，其中标定内容主要 包括：摄像机内部参数标定，手眼关系标定和机器人运动学标定。现有的机器人控制器一 西安理工大学硕士学位论文 般都采用双闭环控制结构，可将其看作理想的笛卡几运动元件因此，在机器人视觉伺服 系统中，主要考虑摄像机的内部参数和外部参数( 即手服关系) 的确定主要标定方法则 分为：线性标定方法、非线性标定方法、分级标定方法和自标定方法。 线性标定方法：通过多组二维图像点和对应三维空间点的坐标信息，构建线性方程组， 利用最小二乘算法求解方程以获得摄像机的内外参数该方法简单直观，容易实现。但， 没有考虑摄像机成像过程中的非线性畸变问题，精度差。 非线性标定方法：在标定的过程中考虑到成像过程的非线性畸变，构建复杂成像模型， 非线性优化算法求解，精度高，不足之处是计算量非常大。 分级标定方法：t s a i 提出了两级标定方法，先用线性标定法得到初始参数，再考虑畸 变因素，用最优化算法进一步提高精度。 自标定方法：自标定是指不需要标定块，仅仅通过图像点之甸的对应关系对摄像机进 行标定的过程。该方法灵活，方便，但求解复杂，精度不太高，鲁棒性不足。 标准的眼在手视觉伺服的方法，即基于位置，基于图像和2 - i 2 d 视觉伺服算法大多 依赖于摄像机的内参数以建立二维图像与三维空间点之间的映射关系，其中，在基于位置 的视觉伺服控制律中，作为控制系统输入的图像特征是在三维笛卡尔空间定义的。为计算 这些特征，目标相对于摄像机的位姿在控制律的每一步都要估计出来。文献中存在大量的 算法用以恢复物体的位姿【4 j 摄像机的内参数可以通过传统的基于视觉的方法进行标定，但需要用到标定块，费时 费力，且难以应用到动态场合，这使得在线对机器人进行自标定成为必要。摄像机自标定 是一种从图像恢复内参数的技术，获得内参数后，摄像机外参数和欧氏重建也能获得基 于绝对二次曲线或绝对二次曲面的方法被广泛应用于相关研究中剑桥大学h a r t l e y 在文 【5 】中利用奇异值分解来简化基本矩阵，并用于自标定。f a u g e r a s 则在【6 】中引入k r u p p a 方 程，该方程是根据绝对二次曲线满足的几何关系推导出来的，即通过光心且与无穷远平面 上其绝对二次曲线相切的两个平面必定同时与该绝对二次曲线相切。而p o l l e f e y s 等人则 在文【7 】中将模约束引入绝对二次曲线，实现自标定以上这些方法都建立在摄像机的内 参数为常量的基础上，但是在实际的视觉伺服中，摄像机5 个内参数通常未知，而且由于 摄像机的运动使得内参数极有可能是时变的。针对动态自标定的问题，2 0 0 2 年东京大学 g c h e s i 等人在文【8 】中提出一种将自标定与视觉伺服同时进行的算法，该算法假定摄像机 内参数未知，通过不同视角的图像来建立代价函数，再极小化该代价函数来求解内参数。 视觉伺服过程中代价函数不断更新，将新的信息包含进来，然后采用标准的基于梯度下降 的方法求解极小值。并更新内参数。 然而，这种方法是否有效很大程度上依赖于对5 个内参数的初值选取情况。当目标函 数每一步都发生变化，而内参数又发生微小波动时，选取合适的初值变得非困常困难。因 此，文献中许多用于视觉伺服的方法大多都面临局部极小的问题，尤其是缺乏摄像机先验 信息时。 2 绪论 总之，目前基于几何方法的计算机视觉计算理论体系已臻于完善，但是将其中的自标 定方法用于动态机器人视觉伺服，尤其是双目机器人的理论上还不够完善，总体上还处于 探索阶段；另一方面，将自标定应用于机器人视觉伺服系统，有利于进一步增加机器人对 环境的自适应能力和自主能力，降低对工作环境的要求，因此有巨大的应用价值正是由 于以上两点，使得该问题成为计算机视觉界和控制界的热点研究问题。 1 2 机器人视觉伺服控制方式的分类及结构形式 根据视觉误差控制信号类型、视觉系统相对于机器人系统的位置、工作顺序、伺服任 务等。视觉伺服有几种不同的分类方式。s a n d e r s o n 和w e i s s 在1 9 8 0 年提出了一种视觉伺服 分类方法，主要基于以下三方面特征进行分类： ( 1 ) 根据反馈信号表达方式，分为基于位置和基于图像的视觉伺服。 基于位置的视觉伺服，其反馈信号在三维任务空间中以直角坐标形式定义。基本原理 是通过对图像特征的抽取，并结合己知的目标几何模型及摄像机模型，在三维笛卡尔坐标 系中对目标位姿进行估计，然后由机械手当前位姿与目标位姿之差，进行轨迹规划并计算 出控制量，驱动机械手向目标运动，最终实现定位、抓取功能。它在笛卡尔空间中描述任 务，符合机器人学的习惯，多数视觉伺服系统采用这种控制方式，其控制精度在很大程度 上依赖于目标位姿的估计精度，然而位姿计算与手眼系统参数标定有关，因此要保证这一 估计过程的准确度是十分困难的。 基于图像的视觉伺服，其误差信号直接用图像特征( e s p i a u1 9 9 2 ) 来定义，例如图像平 面坐标，而非任务空间坐标的函数。其基本原理是由该误差信号计算出控制量，并将它变 换到机器入运动空间中去，从而驱动机械手向目标运动，完成伺服任务。对于抓取静止目 标的任务，该误差仅是机械手图像特征的函数；若是跟踪运动目标，误差同时还是运动目 标图像特征的函数。该方法无需估计目标在笛卡尔坐标系中的位姿，减少了计算时延，并 且可以克服摄像机标定误差及关节位置传感器误差对定位精度的影响。然而，为了将图像 特征参数的变化同机器人位姿变化联系起来，该方法必须计算图像雅可比矩阵( i m a g e j a c o b i a nm a t r i x ，又称为特征灵敏度矩阵f e a t u r es e n s i t i v i t ym a t r i x ) 及其逆矩阵 ( 2 ) 根据控制结构是否分层，分为双闭环系统和单闭环系统。 双闭环系统又称为动态l o o ka n dm o v e 系统，其中内环为关节伺服控制，可实现高速 率采样，通过关节位置反馈来稳定机器人，从而获得近似线性的机器人对象特性外环视 觉控制器以比较低的采样速率完成关节角设定。双环结构将机器人机械运动奇异性与视觉 控制器隔离，把机器人看作理想笛卡尔运动元件，简化了设计过程。由于现存机器人大多 预留了接收笛卡尔速度给定或位置增量指令的接口，因此双环结构简单易行，被广泛采用 单闭环系统又称为d i r e c t l yv i s u a ls e r v o 系统，取消了关节伺服控制器和关节位置反馈 回路，其功能由视觉伺服控制器取代。由于机器人系统和视觉系统固有的非线性特性，视 西安理工大学硕士学位论文 觉伺服控制器的设计成为一大难题而且为了获得较好的动态响应特性，要求较高的采样 速率，这给工程实现带来了一定的困难。 ， ( 3 ) e o l e c l ( e n dp o i n to p e nl o o p e n dp o i n tc l o s el o o p ) 另一种分类方法是根据摄像机在观测目标位姿的同时是否也观测机械手位姿，将系统 分为e o l 和e c l 两类。在e o l 中，由于目标与机械手的相对位姿是通过摄像机与机器 人坐标关系间接转换而来，因此该坐标关系的标定是否准确将直接影响到定位精度丽 e c l 在观测目标的同时，也观测机械手位姿，就可以有效地消除以上定位误差。不难分 析，e c l 在定位精度方面总是优于e o l 系统，但e c l 对视觉系统要求较高，如计算量较 大，且观测范围受限，实现上不如e o l 灵活。 机器人视觉伺服系统的控制结构通常依据以下七个原则进行分类怫1 田： ( 1 ) 依视觉反馈回来的信号值的表现形式是三维空间坐标值还是图像特征而分为基 于位置的( p o s i t i o n - b a s e d ) 和基于图像的( i m a g e - b a s e d ) 视觉闭环反馈； ( 2 ) 从控制结构的角度可分为开环控制系统和闭环控制系统。开环控制的视觉信息只 用来确定运动前的目标位姿，系统不要求昂贵的实时硬件，但要求事先对摄像机和机器人 进行精确标定。闭环控制的视觉信息用作反馈，此时能减小或抵消摄像机与机器人的标定 误差，但要求快速视觉处理硬件 ( 3 ) 依图像处理与机器人控制的动作时间是串行还是并行分为静态的和动态的视觉反 馈控制； ( 4 ) 依机器人关节是采用闭环控制器或是直接由视觉进行反馈控制而分为 l o o k - a n d - m o v e 和直接视觉伺服( d i r e c tv i s u a ls e r v o ) i 作方式； ( 5 ) 根据摄像机的安装位置可分为眼在手系统和眼固定系统眼固定伊i x e di n w o r k s p a c c ) 安装方式将摄像机固定在机器人空间中某个位置，如正上方或斜侧方等，可获 得固定的图像分辨率，并可同时获得机械臂及其工作环境的图像信息，便于将视觉系统集 成到控制中。但采用这种安装方式有如下缺点：在机器人运动过程中，会发生图像特征遮 盖现象，观察灵活性差；摄像机无法根据作业要求给出环境的细节描述。眼在手 ( e y e - i n - h a i l dc o n f i g i l r a t i o n ) 安装方式将摄像机固联在机器人终端操作器上，随手爪的运动 而运动，具有较大的视觉范围，并且不存在图像特征遮盖问题。同时，通过调整手爪位姿， 可以让摄像机靠近被观察对象，提高图像分辨率，从而提高测量精度。但是，摄像机的运 动容易造成图像的模糊，给图像特征的准确提取带来一定的困难此外，由于摄像机安装 在机械臂末端，增加了机械手的负载，摄像机也容易受碰撞。当手爪接近目标时，目标可 能会超出摄像机视场。 ( 6 ) 根据摄像机观测到的内容可分为末端闭环e c l 和末端开环e o l 系统。e o l 系统 中摄像机只能观测到目标物体；e c l 系统中摄像机可同时观测到目标物体和机械手末端， 其优点是控制精度与摄像机末端之间的标定误差无关，缺点是执行任务时机械手可能会挡 住摄像机视线 4 绪论 ( 7 ) 根据摄像机数目可分为单目、双目和多目的摄像机数目越多，获得的视觉信息 也就越充分，容易获得好的控制效果。但如何把多摄像机传感信息有机地结合起来，也是 目前的研究方向之一实际的视觉伺服系统中，通常最多采用两个摄像机( 双日，s t e r e o v i s i o n ) 。两个摄像机可以同时采用眼固定或眼在手上构造方式，也可以一个采用眼固定、 另一个采用眼在手构造方式。 1 3 自标定基本原理 摄像机自标定的方法是指不需要借助外在的标定物或三维信息已知自钮控制点，而仅仅 利用图像对应点的信息，即可直接通过两幅图像间的对应点信息来求解摄像机的内外参 数。摄像机自标定由f a u g e r a s ，l u o n g , m a y b a n k 等 m 1 4 1 在2 0 世纪9 0 年代初首先提出，使 得在场景未知和摄像机任意运动的一般情形下标定成为可能。因摄像机自标定是机器人导 航、三维重建等技术的基本问题，故一开始就成为研究的热点问题【1 5 _ 1 8 1 。由于相对于其他 标定方法，自标定技术有更明显的优势，已被广泛地应用到机器人自动导航、模式识别、 反求工程、虚拟现实等诸多领域当中 f a u g e r a s 等1 1 2 1 从射影几何的角度出发证明了每两幅图像间存在着两个形如k x u p p a 方程的二次非线性约束，通过直接求解k r u p p a 方程组可以解出内参数。鉴于直接求解 k x u p p a 方程的困难，人们又提出了分层逐步标定的思想，即首先对图像序列做射影重建，在 此基础上再仿射标定和欧氏标定。分层逐步标定的方法以h a r t l e y 的q r 分解法【1 4 】、t r i g g s 的绝对二次曲面法【l m 、p o l l e f e y s 的模约束澍1 6 j 等为代表。针对在实际应用中摄像机内参 数会实时改变的情形，人们进一步提出了可变内参数下摄像机自标定的概念。 h e y d e n ，p o l l e f e y s 等i l7 l s 】从理论上证明：在内参数满足一定条件的前提下。可变内参数下的 自标定是完全可能的。p o l l e f e y s 等f j 研还给出了一种比较实用的可变内参数下的摄像机自 标定方法。从本质上说，所有自标定方法都只是利用了摄像机内参数自身存在的约束，这些 约束与场景和摄像机的运动无关，这也是自标定方法较前两种标定方法更灵活的原因。 摄像机自标定技术主要有以下几种j y 法：k r u p p a 方程约束法，绝对二次曲面法，模约束 法，分层逐步标定 1 9 1 。其中，k r u p p a 方程约束法由f a u g e r a s 在1 9 9 2 年首先提出，利用绝对 二次曲线是欧氏不变量这一特性导出了k r u p p a 方程，通过求解k r u p p a 方程可以获得摄像 机的内参数。由图像序列无法得到一致射影重建时，该方法有较大的优势；不足之处是该 方法极易发散，所得到的结果不稳定，所以很难得到真实解，该方法主要出现在自标定理论 的早期；基于绝对二次曲面的方法首先出现在h e y d e n 的工作中 芑绝对二次曲面用于摄像 机自标定时获得的方程形式较为简洁，同时由于绝对二次曲面同时包含空间的仿射和欧氏 空间，可以避免由于分层算法所引起的不稳定闻题。缺点是需要求解一个非线性方程组或 解一个相应的非线性规划问题，这些方法鲁棒性差，而且对初值的选取十分敏感模约束法 最早由p o l l e f e y s 首先提出，该方法将仿射标定和欧氏标定分开进行。但模约束只是在内 5 一西安理工大学硕士学位论文 参数矩阵k 恒定的情形下才成立，同时由于涉及非线性优化，所以也存在初值和收敛的 问题。分层逐步标定要求首先对图像序列做射影重建，再通过绝对二次曲线( 面) 施加约束， 定出仿射参数( 即无穷远平面方程) 和摄像杌内参数。缺点是标定结果受射影对齐时参考图 像选取的影响，所以不满足一般情形下噪声均匀分布的假设；但是由于作射影对齐使得待 标定未知数的个数减小，有利于改善收敛情况。 就摄像机自标定的研究而言，通过十多年的发展，理论上的问题已基本解决，目前研究 的重点是如何提高标定算法的鲁棒性以及如何很好地用这些理论来解决实际视觉问题将 自标定应用于机器人视觉伺服系统，有利于进一步增加机器人对环境的自适应能力和自主 能力，降低对工作环境的要求。 1 4 遗传优化基本原理 遗传算法( g a ) 是模拟遗传选择和自然淘汰的生物进化过程的计算模型，其显著特 征为： ( 1 ) 进化发生在解的编码上这些编码按生物学的术语称为染色体，由于对解进行了编码， 优化问题的一切性质都通过编码来研究，编码和解码是遗传算法的个主题。 ( 2 ) 自然选择规律决定哪些染色体产生超过平均数的后代。遗传算法中，通过优化问题的 目标而人为地构造适应度函数，以达到好的染色体产生超过平均数的后代的目的 ( 3 ) 当染色体结合后，随机的变异会造成子代与父代的不同。 ( 4 ) 当染色体结合时，双亲的遗传基因的结合使得子代保持父代的特征。 遗传算法就是在生物进化论的基础上，通过选择、交叉、变异等算予以及根据实际问 题构造出适应度函数来解决优化问题的一种启发式算法，主要特点有： ( 1 ) 遗传算法是对问题参数的编码群进行进化，而不是对参数本身。因此不受被优化函 数约束的限制，也不受搜索空间的限制。 ( 2 ) 遗传算法是在字串群体中进行搜索，而不是在单个点上进行寻优。这可大大减小陷 入局部收敛的可能性，具有全局快速收敛的特点。 ( 3 ) 遗传算法仅使用问题本身所具有的目标函数或其适应度进行工作，而不需任何先决 条件或其它信息。 ( 4 ) 遗传算法使用随机规则进行操作，而不是某个确定性的规则，因此可以很快到达最 优解附近。 ( 5 ) 遗传算法具有隐含的并行性，用较少的字串，就可在数量相当大的区域中完成搜索 ( 6 ) 遗传算法的缺点是实时性不够。在线优化有困难。 6 绪论 1 5 混沌优化基本原理 为增强视觉伺服中自标定算法对初值选取的鲁棒性，同时加快收敛速度，本文将改进 后的变尺度混沌优化算法( e m s c o a ) 引入到基于位置的视觉伺服中。 混沌( c h a o s ) 是一种较为普遍的非线性现象混沌现象看似混乱，却有着精致的内在结 构，具有“随机性”、“遍历性”及。规律性”特点，体现在变尺度优化计算中能使迭代产生 的遍历性轨道对整个解空间进行考察，同时随机性使得搜索能够避免陷入局部最小，使最终 解逼近真实的最优解。实践表明，利用混沌变量寻优效果要优于模拟退火法和遗传算法等 其它随机优化方法 3 2 1 变尺度混沌优化方法主要思想是把混沌变量线性映射到优化变量 的取值区间，然后利用混沌变量进行搜索，根据搜索进程，不断缩小优化变量的搜索空间( 变 尺度) 并不断改变“二次搜索”的调节系数，使寻优效率大大提高迸一步，为避免混沌 优化在区间内的盲目重复搜索，提高搜索效率，文【3 3 】提出一种改进的变尺度混沌优化方 法，该方法在混沌搜索过程中，设置两个循环，内循环进行混沌搜索，外循环负责缩小区 闯。将每次搜索到的较优值计数，并设置一个标志a ，当搜索到较优值的次数= a 时，则 根据搜索区间的大小动态缩小空间，在小区间中再重复上述过程，直至找到全局最优解， 该方法局部搜索能力强，改进后的变尺度混沌优化方法具有全局寻优能力，搜索效果优于 变尺度混沌优化方法，适合求解高维、非线性问题。本文将该方法应用到基于动态自标定 的机器人视觉问题中，进行了寻优计算，得到了满意的效果。 1 分：本文的主要研究工作 针对近年来在机器人视觉伺服技术领域新发展起来尚处于探索阶段的自标定方法而 提出的。研究目的是仅仅通过不同视角图像点之间的对应关系对摄像机进行动态标定，同 时完成视觉伺服过程，实现机器人在不建立手眼关系和不需要先验信息情况下的自动控 制。具体工作包括以下几个方面： l 第二章中给出了传统的机器人标定及无标定的局限性及部分解决方法，介绍了计算机 视觉中关于自标定的相关算法和自标定用于动态视觉伺服的基本原理。着重分析了极线几 何与基本矩阵，本质矩阵以及归一化8 点算法。最后对m e n d o n c a - c i p o l l a 算法中根据多视 图进行自标定的方法和g c h e s i 动态自标定算法进行了分析，并指出其不足之处 2 第三章首先简要介绍了自适应遗传算法a g a ，然后重点介绍了将其用于动态自标定 位置视觉伺服进行动态优化的操作流程。提出了一种改进的基于自适应遗传算法( a g a ) 的算法。首先对本质矩阵进行奇异值分解，依据3 个奇异值的特性在线生成目标函数，在 进行动态自标定的同时，完成视觉伺服过程。算法抛弃了g c h e s i 方法中对初值选取极为 敏感的基于梯度下降的方法，而是采用a g a 动态优化摄像机内参数，同时也克服了g c h e s i 方法中要求摄像机内参数不可变的限制，还可以通过设置参数范围来精确逼近5 个内参 数。另外算法不需要物体精确的3 维模型，仅仅只需8 个空间固定点坐标信息。大量仿真 7 西安理工大学硕士学位论文 结果表明，该算法应用于基于位置的视觉伺服时比g c h e s i 方法运算速度更快，同时鲁棒 性更强。 3 进一步，在第四章中，针对自适应遗传算法算法中存在的内参数分布区间大，编码 时f 句长，不利于实时控制的不足，将改进后的变尺度混沌优化算法用于优化动态生成的目 标函数，以提高运算速度先把混沌变量映射到待寻优的5 个内参数区间，通过设置内外 两层循环，内循环进行混沌搜索，外循环负责缩小内参数搜索区间，避免了混沌优化在内 参数区间的盲目重复搜索，提高了搜索效率。本章中，先对变尺度混沌优化算法进行了概 括介绍，给出了仿真实例，并建立起实验系统，以验证算法的有效性。在自标定算法中。 首先采用h a r r i s 角点检测算法提取角点，为计算基本矩阵，进一步采用互相关对称性匹 配，建立任意两个视角问的对应关系并做标记。最后加上视差梯度约束的获得准确的对应 点关系。摄像杌视场中角点的运动轨迹表明各角点均达到期望位姿，证明了算法的有效性 4 最后总结了全文工作，并讨论了需要进一步解决的问题和研究方向。 8 基于自标定的视觉伺服 2 基于自标定的视觉伺服 在视觉反馈机器人的控制中，摄像机的标定是一个基本的、重要性的问题本章首先 回顾了与机器人标定相关的几个重要概念和其分类，对摄像机的成像模型进行分析，明确 了视觉系统标定的主要任务，然后从无标定和在线自标定两方面阐述了相关的研究思路和 方法，为机器人视觉系统的研究提供了参考，重点讨论了基于自标定的视觉伺服原理。 2 1 传统的基于无标定及基于标定的机器人视觉伺服局限性 机器人手眼协调是指利用视觉反馈信息规划机器人运动，完成机器人的视觉定位与跟 踪任务。随着机器人智能化的发展，无标定的机器人手眼协调成为这一领域的研究热点。 自抗扰控制器a d r c 是无标定中具有代表性的方法，它是种能自动检测系统模型和外 扰实时作用并予以补偿的控制器，被补偿的分量并不区分内扰和外扰，而是直接检测并补 偿它们的总和。 2 1 1 基于无标定技术的机器人视觉伺服 基本原理： 无标定方法是指在不标定摄像机和机器人参数的情况下，直接通过图像上的系统状态 差来设计控制律，驱动机器人的运动使系统误差收敛到容许的误差域内的视觉伺服方法。 通常包括三方面：手眼关系无标定、摄像机模型无标定、机器人前向运动学模型无标定。 其中手眼关系及摄像机模型无标定是当前研究的热点问题。 现有的无标定视觉伺服研究方法主要体现在以下三个方面： l 基于图像j a c o b i a n 矩阵的方法： y o s h i m i ( 1 9 9 5 ) 用试探估计图像j a c o b i a n 矩阵的方法，实现了二维平面上插轴入孔操 作。s u t a n t o ( 1 9 9 7 ) 过在线估计图像j a c o b i a n 矩阵实现了无标定手眼协调。由于图像雅可 比矩阵本身的缺陷( 只适用于局部范围、需要在线估计图像j a c o b i a n 矩阵且估计精度难以 提高、不适用于跟踪高速运动目标以及矩阵求逆存在奇异性等) ，使其应用范围受到了一 定的限制。 2 神经网络拟合手眼关系方法： s t a n l e yk 等( 1 9 9 9 ) 利用神经网络成功地逼近逆图像j a e o b i a n 矩阵，完成视觉定位 任务。该方法无需显式地求取逆图像j a e o b i a n 矩阵元素，简单易行。但由于图像j a e o b i a n 矩阵自身固有的缺陷，只在局部工作范围内有效，且难以应用于跟踪问题。潘且鲁( 2 0 0 i