哈尔滨工业大学学报 第50卷 1路径规划中存在的约束 工作空间机械臂和物理障碍物的限制.这些约束包 括:1)机械臂运动学,例如关节限制和机械臂雅可 1998年,法国国家信息与自动化研究所比奇异;2)机械臂动力学;3)与障碍物发生碰撞或 (INRA)的 Chaumette对基于位置的视觉伺服和者自身碰撞;4)由障碍物和机械臂本体引起的遮挡 基于图像的视觉伺服问题进行了研究,讨论了约束或者目标自身遮挡 条件下的PBⅤS和IBⅤS可能存在的稳定性和收敛 过去几十年来,大量科技人员投入到规划可行 性问题,并将这些约束主要分为两大类:(1)相机/路径的研究中,以避免机械臂运动学或者动力学约 图像约束;(2)机械臂/物理约束. 束以及各种各样复杂环境中的物理障碍和自身碰 1.1相机/图像约束 撞121.有些路径规划方法在需要保证目标可见的 相机/图像约束主要是因为视觉系统感知限制,或应用中同时也考虑了遮挡约束-1 者因为“在图像空间中特征的变化率”与“由包含图像1.3约束的处理方法 特征的雅可比矩阵所定义的相机在笛卡尔空间中的移 自从 Chaumette l阐述了经典的视觉伺服中存 动速度”之间的相互关系.这些约束分为:相机视场限在收敛性和稳定性问题后,大量研究工作集中在如 制,图像局部最小化,图像雅可比奇异 何将相机/图像约束、机械臂/物理约束这两大类约 1.1.1相机视场限制 束集成在视觉伺服控制环中 任何相机的视场都是有限的,所获得的图像通 研究人员提出了解耦控制方法0,即相机 常是有限的矩形区域.如果三维物体在相机的视场部分自由度以IBVS方式控制,其余自由度用PBⅤS 内,则其特征投影到相机图像平面是可见的.尽管方式控制,充分利用了各自的优势,从而避免了以上 IBVS控制直接定义在图像平面上,但是当核心特征提及的一部分约束.但每种解耦方法在考虑前述约 在相机中的初始位姿与期望位姿相差很大时,容易束时都有各自的优缺点美国伊利诺伊大学的Gans 造成特征不在相机视场内 等2则用BⅤS详细比较了以上解耦方法的性能和 1.1.2图像局部最小化 效率.受混合系统理论的启发,一些研究人员提出 IBVS中的图像局部最小化是由于不可实现的了由不同视觉伺服控制器组成的混合策略和切换规 图像运动,造成的结果是相机速度为零,但图像误差则2-3,在需要时可切换相应控制器.切换策略增 并不能收敛到零.一般来说,不考虑相机与目标强了经典视觉伺服的稳定性区域,同时可以在不稳 在初始及期望的相对位置直接判断是否会出现图像定的控制器之间切换,提高总体系统的稳定性 最小化是很困难的,导致在视觉伺服任务中反复耗 针对在视觉伺服过程中目标特征可能不在相机 费大量时间搜索图像中的局部最小化.但对于视野内的问题,南开大学刘玺提出了一种移动机 PBVS,因为任务函数定义在笛卡尔空间,所以不存器人自适应主动视觉伺服方法.中国农业大学张春 在图像局部最小化问题 龙{2设计了具有圆柱面相机运动空间的主动视觉 1.1.3图像雅可比奇异 系统,研究了基于粒子群优化算法(PSO)的主动视 当岀现图像雅可比奇异时,图像特征在图像空觉伺服最佳取景方位搜索策略,仿真实现了果树点 间的运动不能驱动机械臂实现相应运动.云空间的主动视觉最佳取景方位搜索.南京航空航 Chaumette8分析了当图像特征矢量由3个共线点天大学刘玉月等2分析了基于视觉伺服的手部跟 组成或者3个点位于以相机光轴为轴线的圆柱面踪技术,并针对 Stewart机器人的动力学模型进行了 时,图像雅可比会出现奇异.虽然使用多于3个非仿真实验,结果表明该方法能够利用主动视觉解决 共面点可以避免奇异,但是图像雅可比仍然可能出手部跟踪运动过程中的自遮挡问题,能够完成手部 现奇异.例如,当视觉伺服任务中相机只绕其光轴跟踪的任务.南开大学李保全等针对单目视觉非 旋转180°时,不论使用多少个特征点定义任务函完整移动机器人系统,提出了一种基于主动视觉选 数,都会导致雅可比奇异. Chaumette也论证了使择策略的视觉伺服镇定控制方法,从而使目标特征 用线特征代替点特征有助于避免奇异,然而,却不能处于相机的视野内 完全消除图像空间的奇异.1997年,美国宾夕法尼 上述每一种解耦或者混合策略以及主动视觉策 亚州立大学的 Sharma等则提出了运动感知力的略都只是解决了其中一部分约束问题.在视觉伺服 概念,并将其作为接近图像奇异的衡量标准 控制环中,融合相机/图像约束和机械臂/物理约束 1.2机械臂/物理约束 (这两类约束在动态非结构环境中确实同时存在) 视觉伺服控制环中相机的运动不可避免地受到是非常具有挑战性的.因此,在视觉伺服控制中融１ 路径规划中存在的约束 １９９８ 年， 法 国 国 家 信 息 与 自 动 化 研 究 所 （ＩＮＲＩＡ） 的 Ｃｈａｕｍｅｔｔｅ ［８］对基于位置的视觉伺服和 基于图像的视觉伺服问题进行了研究，讨论了约束 条件下的 ＰＢＶＳ 和 ＩＢＶＳ 可能存在的稳定性和收敛 性问题，并将这些约束主要分为两大类：（１） 相机／ 图像约束；（２）机械臂／ 物理约束． １．１ 相机／ 图像约束 相机／ 图像约束主要是因为视觉系统感知限制，或 者因为“在图像空间中特征的变化率”与“由包含图像 特征的雅可比矩阵所定义的相机在笛卡尔空间中的移 动速度”之间的相互关系． 这些约束分为：相机视场限 制，图像局部最小化，图像雅可比奇异． １．１．１ 相机视场限制 任何相机的视场都是有限的，所获得的图像通 常是有限的矩形区域． 如果三维物体在相机的视场 内，则其特征投影到相机图像平面是可见的． 尽管 ＩＢＶＳ 控制直接定义在图像平面上，但是当核心特征 在相机中的初始位姿与期望位姿相差很大时，容易 造成特征不在相机视场内． １．１．２ 图像局部最小化 ＩＢＶＳ 中的图像局部最小化是由于不可实现的 图像运动，造成的结果是相机速度为零，但图像误差 并不能收敛到零［１０］ ． 一般来说，不考虑相机与目标 在初始及期望的相对位置直接判断是否会出现图像 最小化是很困难的，导致在视觉伺服任务中反复耗 费大量时间搜索图像中的局部最小化． 但对于 ＰＢＶＳ，因为任务函数定义在笛卡尔空间，所以不存 在图像局部最小化问题． １．１．３ 图像雅可比奇异 当出现图像雅可比奇异时，图像特征在图像空 间 的 运 动 不 能 驱 动 机 械 臂 实 现 相 应 运 动． Ｃｈａｕｍｅｔｔｅ ［８］分析了当图像特征矢量由 ３ 个共线点 组成或者 ３ 个点位于以相机光轴为轴线的圆柱面 时，图像雅可比会出现奇异． 虽然使用多于 ３ 个非 共面点可以避免奇异，但是图像雅可比仍然可能出 现奇异． 例如，当视觉伺服任务中相机只绕其光轴 旋转 １８０°时，不论使用多少个特征点定义任务函 数，都会导致雅可比奇异． Ｃｈａｕｍｅｔｔｅ ［８］ 也论证了使 用线特征代替点特征有助于避免奇异，然而，却不能 完全消除图像空间的奇异． １９９７ 年，美国宾夕法尼 亚州立大学的 Ｓｈａｒｍａ 等［１１］则提出了运动感知力的 概念，并将其作为接近图像奇异的衡量标准． １．２ 机械臂／ 物理约束 视觉伺服控制环中相机的运动不可避免地受到 工作空间机械臂和物理障碍物的限制． 这些约束包 括：１）机械臂运动学，例如关节限制和机械臂雅可 比奇异；２）机械臂动力学；３）与障碍物发生碰撞或 者自身碰撞；４）由障碍物和机械臂本体引起的遮挡 或者目标自身遮挡． 过去几十年来，大量科技人员投入到规划可行 路径的研究中，以避免机械臂运动学或者动力学约 束以及各种各样复杂环境中的物理障碍和自身碰 撞［１２－１３］ ． 有些路径规划方法在需要保证目标可见的 应用中同时也考虑了遮挡约束［１４－１５］ ． １．３ 约束的处理方法 自从 Ｃｈａｕｍｅｔｔｅ ［８］ 阐述了经典的视觉伺服中存 在收敛性和稳定性问题后，大量研究工作集中在如 何将相机／ 图像约束、机械臂／ 物理约束这两大类约 束集成在视觉伺服控制环中． 研究人员提出了解耦控制方法［１６－２０］ ，即相机一 部分自由度以 ＩＢＶＳ 方式控制，其余自由度用 ＰＢＶＳ 方式控制，充分利用了各自的优势，从而避免了以上 提及的一部分约束． 但每种解耦方法在考虑前述约 束时都有各自的优缺点． 美国伊利诺伊大学的 Ｇａｎｓ 等［２１］则用 ＩＢＶＳ 详细比较了以上解耦方法的性能和 效率． 受混合系统理论的启发，一些研究人员提出 了由不同视觉伺服控制器组成的混合策略和切换规 则［２２－２５］ ，在需要时可切换相应控制器． 切换策略增 强了经典视觉伺服的稳定性区域，同时可以在不稳 定的控制器之间切换，提高总体系统的稳定性． 针对在视觉伺服过程中目标特征可能不在相机 视野内的问题，南开大学刘玺［２６］ 提出了一种移动机 器人自适应主动视觉伺服方法． 中国农业大学张春 龙［２７］设计了具有圆柱面相机运动空间的主动视觉 系统，研究了基于粒子群优化算法（ＰＳＯ）的主动视 觉伺服最佳取景方位搜索策略，仿真实现了果树点 云空间的主动视觉最佳取景方位搜索． 南京航空航 天大学刘玉月等［２８］ 分析了基于视觉伺服的手部跟 踪技术，并针对 Ｓｔｅｗａｒｔ 机器人的动力学模型进行了 仿真实验，结果表明该方法能够利用主动视觉解决 手部跟踪运动过程中的自遮挡问题，能够完成手部 跟踪的任务． 南开大学李保全等［２９］针对单目视觉非 完整移动机器人系统，提出了一种基于主动视觉选 择策略的视觉伺服镇定控制方法，从而使目标特征 处于相机的视野内． 上述每一种解耦或者混合策略以及主动视觉策 略都只是解决了其中一部分约束问题． 在视觉伺服 控制环中，融合相机／ 图像约束和机械臂／ 物理约束 （这两类约束在动态非结构环境中确实同时存在） 是非常具有挑战性的． 因此，在视觉伺服控制中融 ·２· 哈 尔 滨 工 业 大 学 学 报 第 ５０ 卷