控制特性影響因素
概述
目前，國內投入使用的大噸位快鍛液壓機絕大多數都是從國外引進，幾乎均為德國產品; 小噸位快鍛液壓機，則以國產設備為主，且基本都是採用閥控系統，很少採用泵控系統正弦泵控液壓機蓄能器快鍛迴路具有易實現快速鍛造、管道簡單、節能顯著、振動和衝擊小等優點，在鍛造行業是降低成本、提高效率的最佳方案之一。研究正弦泵控液壓機蓄能器快鍛迴路控制特性的影響因素，不僅能為國內液壓機閥控液壓系統向泵控液壓系統轉化於推動正弦泵控液壓控制系統在國內的使用，為國家節約大量的能源費用，提高鍛壓行業的能源利用率。
主要參數對迴路控制特性的影響
為了進一步研究主要參數對0. 6 MN 正弦泵控蓄能器快鍛迴路控制特性的影響，分別對0. 6 MN 正弦泵控蓄能器快鍛迴路不同鍛造頻率、不同鍛造行程和不同蓄能器充氣壓力3 種情況進行仿真和實驗，仿真參數如表1 所示。繪製壓機活動橫樑的位移曲線、主缸和回程缸壓力曲線，分析其對0. 6 MN 正弦泵控液壓機蓄能器快鍛迴路控制特性的影響。
1.實驗系統
1.1實驗系統原理
螺桿泵8 為兩台徑向柱塞泵13，14 供油，齒輪泵12 為兩台徑向柱塞泵提供控制油。壓機快鍛時，電磁換向閥22 左位得電，電磁換向閥23 不得電。
表1 系統仿真參數
| 參數名稱 | 數值 | |
| 主工作缸面積A/m | 7. | 854 × 10 |
| 回程缸面積A/m | 3. | 18 × 10 |
| 壓機最大行程L /m | 0. | 25 |
| 活動橫樑質量m /kg | 200 | |
| 氣體多變指數n | 1. | 4 |
| 液壓油彈性模量K /Pa | 7. | 8 × 10 |
| 液壓油密度ρ /(kg·m) | 850 | |
| 液壓油動力粘度μ /(N·s·m) | 1. | 37 × 10 |
能器24 導通，為蓄能器24 充液，達到要求壓力後，電磁換向閥22 左位失電，右位得電，電磁換向閥23得電，蓄能器24 與壓機21 的回程缸導通，這時，通過控制徑向柱塞泵13 的流量，便可進行蓄能器快鍛。壓下時，油液從徑向柱塞泵13 進入壓機21的主工作缸，回程缸內的油液進入蓄能器24;回程時，徑向柱塞泵13 從主工作缸吸油，蓄能器內的油液進入回程缸。
表2 系統實驗參數
| 參數 | 數值 |
| 系統壓力/MPa | 25 |
| 工作缸直徑/mm | 100 |
| 回程缸直徑/mm | 45 |
| 最大出力/MN | 0. 6 |
1.2實驗台及電控系統
0.6 MN 快鍛壓機為典型的三梁四柱式預應力框架結構，由泵控和閥控兩套傳動系統組成，可同時開展正弦泵控理論和電液比例控制理論的研究，壓機本體由上橫樑、活動橫樑、立柱、下橫樑、主工作缸、回程缸6 個部分組成，如圖4 所示。測控系統中央處理器選用美國NI 公司的CompactRIO 嵌入式控制器，包含實時控制器、可重新配置的FPGA晶片和可熱插拔的工業I /O 模組，程式語言採用Labview。
2.不同鍛造頻率
蓄能器初始壓力為18 MPa、蓄能器容積為10L、鍛造行程為20 mm、鍛造頻率分別為0. 5，1和1. 5 Hz 時。可以看出: 當 PID參數不變、鍛造頻率為1 Hz 時，正弦泵控液壓機蓄能器快鍛迴路位移曲線比較精確; 但當鍛造頻率降低時，位移曲線超調變大; 鍛造頻率增大時，位移曲線衰減量變大。同時，隨著鍛造頻率增加，主缸和回程缸的壓力波動較小。可通過適當提高鍛造頻率來提高鍛造精度，但要控制在合理的範圍內。
3.不同鍛造行程
鍛造頻率為1 Hz、蓄能器初始壓力為18 MPa、蓄能器容積為10 L、鍛造行程分別為20 和40 mm 時的仿真曲線。可以看出:鍛造行程20 mm 時，仿真位移曲線較精確，而實驗位移曲線有衰減，回程缸實測壓力曲線比仿真壓力曲線波動明顯變大; 鍛造行程40 mm 時，仿真位移曲線和實測位移曲線均較精確，而主缸和回程缸實測壓力曲線均比仿真曲線波動大，且比行程20 mm 時波動大。鍛造行程減小時，鍛造精度升高，系統壓力波動變小; 鍛造行程增大時，鍛造精度降低，系統壓力波動變大。可以通過減小鍛造行程來提高鍛造精度，減小迴路壓力波動。另外，可以看出，在鍛造行程為 40 mm時，壓機回程前，系統中產生了壓力衝擊，這是由於系統慣性較大，相位滯後較大，在壓機回程過程中，給定位移信號與位移檢測信號交叉時，給定位移信號與位移檢測信號的差值由負變為正，此時變數徑向柱塞泵由從主工作缸吸油改為向主工作缸壓油，換向時，系統升壓過快，產生了壓力衝擊。
4.不同初始壓力
鍛造頻率為 1 Hz、鍛造行程為 20 mm、蓄能器容積為 10 L、蓄能器初始壓力分別為 15 和 18 MPa時的仿真與實驗曲線。可以看出，滿足壓機回程壓力的前提下，蓄能器的初始壓力對迴路跟蹤給定位移曲線精度影響不大，均在 2 mm 範圍內。蓄能器初始壓力越大，系統阻尼比越小，無阻尼固有頻率越大，蓄能器快鍛迴路的回響變快，可以通過提高蓄能器的初始壓力來提高迴路回響的快速性。
系統控制特性
概述
隨著機器人技術的迅猛發展, 機器人承擔的任務更加複雜多樣, 傳統的檢測手段往往面臨著檢測範圍的局限性和檢測手段的單一性. 視覺伺服控制利用視覺信息作為反饋, 對環境進行非接觸式的測量, 具有更大的信息量, 提高了機器人系統的靈活性和精確性, 在機器人控制中具有不可替代的作用.
視覺伺服控制系統是指使用視覺反饋的控制系統, 其控制目標是將任務函式 e( s ¡ s( m( t) ; a)) 調節到最小, 其中 s ; s 分別為系統的當前狀態和期望狀態. 與常規控制不同的是, s基於圖像信息 m( t) 和系統參數 a構造, 比傳統的感測器信息具有更高的維度和更大的信息量, 提高了機器人系統的靈活性.
視覺伺服系統通常由視覺系統、控制策略和機器人系統組成, 其中視覺系統通過圖像獲取和視覺處理得到合適的視覺反饋信息, 再由控制器得到機器人的控制輸入. 在套用中, 需要根據任務需求設計視覺伺服系統的實現策略. 從這三個方面對視覺伺服中存在的主要問題和研究進展進行綜述.
視覺伺服控制涉及計算機視覺、機器人技術和控制理論等多個領域, 國內外學者在過去20 餘年中進行了廣泛的研究. Hutchinson 等的三篇經典論文 對視覺伺服控制的研究起到了引導作用. 近年來, Staniak 等和Azizian 等 分別對視覺伺服系統的結構及其在醫療機器人中的套用進行了綜述. 在國內的研究中, 林靖等、趙清傑等、薛定宇等、王麟琨等、方勇純分別對視覺伺服控制進行了綜述, 總結了經典的視覺伺服控制方法.
隨著計算機視覺和機器人技術的飛速發展, 視覺伺服控制的研究也有了顯著的進步. 相比於以往的綜述, 本文重點分析了視覺伺服系統設計中存在的主要問題及相應的解決方案. 如圖1 所示, 設計視覺伺服系統時主要需要考慮視覺系統、控制策略以及實現策略三個方面. 在視覺系統方面, 本文首先介紹了視覺系統的構造方法, 並對動態性能的提升和噪聲的處理進行了討論. 在控制策略方面, 主要針對視覺伺服系統中模型不確定性和約束的處理進行了分析. 另外, 考慮到視覺伺服系統的可實現性和靈活性, 文中對系統的實現策略進行了總結. 最後, 基於當前的研究進展, 對未來的研究方向進行了展望.
1.視覺伺服中的視覺系統
首先介紹視覺系統的組成, 然後對視覺系統動態性能的最佳化和噪聲的處理方法進行分析和總結.
1.1 視覺系統的組成
視覺系統由圖像獲取和視覺處理兩部分組成,圖像的獲取是利用相機模型將三維空間投影到二維圖像空間的過程, 而視覺處理則是利用獲取的圖像信息得到視覺反饋的過程.
1.1.1 相機模型
基本的相機模型主要包括針孔模型和球面投影模型, 統一化模型是對球面模型的推廣, 將各種相機的圖像映射到歸一化的球面上. 此處需要強調的是針孔模型的\相機撤退" 問題和球面模型的旋轉不變性.針孔模型的\相機撤退" 問題是指當旋轉誤差較大時, 要使特徵點在圖像中沿直線運動到目標, 相機會先旋轉著遠離目標, 再旋轉著接近目標, 在工作空間的路徑是曲折的. 對此可以使用極坐標系或圓柱坐標系來處理. 球面模型的旋轉不變性是指球的旋轉對物體在球面上投影的形狀是沒有影響的, 一方面可以避免\相機撤退" 問題, 同時也方便設計平移和旋轉解耦的誤差向量 . 統一化模型的吸引力在於可以將各種相機的圖像映射到統一的模型, 從而在設計控制器時不需要考慮具體的相機模型, 增強了系統的可擴展性. 另外也可以將常規的機器人感測器映射到球面, 如重力向量、磁場向量或角速度等, 從而可以設計多感測器信息融合的機器人控制器.
1.1.2 視覺反饋
視覺伺服中的視覺反饋主要有基於位置、圖像特徵和多視圖幾何的方法. 其中, 基於位置的方法將視覺系統動態隱含在了目標識別和定位中, 從而簡化了控制器的設計, 但是一般需要已知目標物體的模型, 且對圖像噪聲和相機標定誤差較為敏感. 目標識別和跟蹤可以參考相關綜述 , 下文中主要介紹基於圖像特徵和多視圖幾何的方法.
1)基於圖像特徵的視覺反饋
常用的基於圖像特徵的視覺反饋構造方法, 其中基於特徵點的方法在以往的視覺伺服中套用較為廣泛, 研究較為成熟, 但是容易受到圖像噪聲和物體遮擋的影響, 並且現有的特徵提取方法在發生尺度和旋轉變化時的重複性和精度都不是太好, 在實際套用中存在較大的問題. 因此, 學者們提出了基於全局圖像特徵的視覺反饋方法, 利用更多的圖像信息對任務進行描述, 從而增強視覺系統的魯棒性, 但是模型較為複雜, 控制器的設計較為困難, 且可能陷入局部極小點. 目前針對這一類系統的控制器設計的研究還比較少, 一般利用局部線性化模型進行控制, 只能保證局部的穩定性.
2) 基於多視圖幾何的視覺反饋
多視圖幾何描述了物體多幅圖像之間的關係, 間接反映了相機之間的幾何關係. 相比於基於圖像特徵的方法, 多視圖幾何與笛卡爾空間的關係較為直接, 簡化了控制器的設計. 常用的多視圖幾何包括單應性、對極幾何以及三焦張量需要強調的是, 兩個視圖之間的極點與相對姿態不是同構的, 當極點為零時不能保證二者姿態一致, 而只能保證二者共線, 一般使用兩步法補償距離誤差.單應性矩陣描述了共面特徵點在兩個視圖之間的變換關係, 可以唯一決定二者的相對姿態. 對於非平面物體, 可以結合對極幾何的方法進行處理.結合單應性矩陣和極點構造了在平衡點附近與姿態同構的誤差系統. 中採用類似的思路, 並利用圖像配準的思想對幾何參數進行估計. 但是, 由於模型複雜, 文獻中只提出了局部穩定的控制律. 相比之下, 三焦張量是一種更加通用的方法, 對目標形狀沒有要求, 且不存在奇異性問題. 目前基於對極幾何和三焦張量的方法還主要用於平面移動機器人的控制, 在六自由度控制中的套用有待進一步研究.
1.2 視覺系統動態性能的提升
相比於常規的機器人感測器, 視覺系統的採樣頻率較低, 視覺處理算法的時間延遲較大, 而且具有一定的噪聲, 這對視覺伺服系統的動態性能有很大的影響. 近年來的研究主要從以下三個方面進行改進: 採用高速視覺系統, 提高處理速度和採樣頻率;使用分散式的網路化架構, 提高算法的執行效率; 設計觀測器, 處理視覺反饋中的噪聲和延遲問題.
1) 高速視覺系統
常用的數字相機的採樣頻率較低, 一般在 30 fps左右. 為了適應高速視覺伺服任務的需求, 近年來研究者開發出各種高速視覺系統. 高速視覺系統一般採用並行的結構, 圖像檢測和處理都是以高速進行, 從而可以達到高於 1 kHz 的頻率, 方便進行高速運動物體的跟蹤和柔性物體的識別, 常用於快速反應的系統, 但是受到硬體設備的限制, 圖像解析度較低, 物體表面紋理不清晰, 難以描述複雜的場景,且系統較為複雜, 開發和維護的成本高. 對於這一類的系統, 可以使用圖像矩、核採樣、互信息等全局圖像特徵, 不需要特徵點的提取, 對圖像解析度的要求較低, 相比之下控制精度更高.
2) 分散式網路化的視覺系統
文獻中提出基於網路化分散式計算的視覺伺服控制系統, 從分布在不同部位的感測器 (如視覺感測器、光學感測器、雷達等) 採集的數據通過網路傳送到處理器節點進行處理, 從而提高了視覺伺服系統的採樣速度. 文獻中提出了視覺伺服系統中圖像數據的傳輸協定及其調度策略. 分散式的實現策略充分利用了多個網路節點的計算資源, 從而更快地進行多感測器信息融合, 但是其效率很大程度上依賴於網路的速度, 並且網路化的系統增加了控制算法的複雜程度, 特別是針對網路延時、故障的處理.
3)結合觀測器的視覺系統
由於視覺設備的採樣頻率低, 並且具有噪聲, 因此可以利用觀測器對圖像特徵進行觀測, 從而應對噪聲和延遲對系統的影響. 在硬體條件限制下, 使用觀測器是最有效的改善視覺系統性能的方法.
卡爾曼濾波 (Kalman ¯lter) 是一種常用的方法, 對於視覺伺服系統這種非線性對象, 可以使用擴展卡爾曼濾波器. 當噪聲特徵未知時, 可以使用自適應 或自整定的方法. 另外, 由於視覺系統處理時間較長, 因此可能出現測量時間長於控制周期的情況, 可以使用雙速率卡爾曼濾波的方法對系統狀態進行觀測.
粒子濾波 (Particle ¯lter[55]) 可以用於非高斯噪聲下的非線性系統, 相比於卡爾曼濾波的方法更加適合於視覺伺服系統的套用. 其基本思想是通過隨機採樣獲取機率分布, 基於這些觀測值, 實際的機率分布可以通過調整採樣的權重和位置得到.
虛擬視覺伺服 (Virtual visual servo[56]) 以重投影誤差作為任務函式, 設計虛擬控制律使其最小化, 再將此控制律中得到的控制輸入 (速度、加速度) 進行積分從而得到觀測到的相機位置和速度, 省去了目標識別、定位等耗時的過程.
1.3 視覺系統噪聲的處理
視覺系統的噪聲主要來自於相機感光元件的噪聲和視覺處理算法的誤差, 對控制系統性能有較大影響. 視覺系統噪聲的處理可以從以下 4 個方面入手:
1)設計魯棒的特徵提取算法圖像噪聲對圖像特徵的提取影響較大, 尤其是基於像素梯度的局部圖像特徵, 會出現特徵點的誤提取和誤匹配, 直接導致系統狀態變數的誤差, 對控制系統的穩定性有很大的影響. 常用的去除例外點的方法有 RANSAC (Random sample consensus) 算法、霍夫變換、最小二乘法以及 M-estimators 算法等.
2)使用觀測器降低噪聲的影響對於含有噪聲的特徵向量, 可以利用觀測器對其狀態進行觀測降低噪聲的影響. 常用的方法有 Kalman 濾波[52¡54]、粒子濾波[55] 等. 另外, 在有些控制器中需要利用圖像空間中的速度信息, 由於圖像採樣頻率較低且噪聲較大, 數值微分的方法存在較大的誤差, 此時也可以利用觀測器對其進行估計
3)利用冗餘的特徵向量對於冗餘的特徵向量, 可以利用每個特徵點測量的統計特徵描述該特徵點的可靠性, 在設計控制律時可以基於每個維度的可靠性設計加權矩陣，從而降低噪聲較大或誤匹配特徵點對系統的影響.另外, 也可以引入隨特徵點與圖像邊界距離遞增的加權函式 處理目標部分離開視野的情況, 保證控制律的連續性, 提高系統的容錯性.
4)提高對目標的感知力圖像對物體運動的感知力與特徵點的選取以及物體姿態有關, 當存在圖像噪聲時, 不同的特徵點選取對系統穩態誤差有一定的影響, 因此可以利用最佳化的方法選取最佳的特徵點對任務進行描述[59]. 在控制的過程中, 可以利用圖像雅可比矩陣的奇異值衡量對目標的感知能力. 在任務零空間中最佳化軌跡以增強感知力, 從而提高控制性能.
視覺伺服中的控制特性
在視覺伺服控制器的設計中, 主要的問題在於模型不確定性和約束的處理. 這是由於視覺模型依賴於目標深度、相機參數等未知或不精確的信息, 並且在控制的過程中需要保證目標的可見, 對系統的穩定性和動態性能有較大的影響.
2.1 視覺伺服中模型不確定性的處理
針對模型不確定性問題, 主要有三種解決方案,分別為自適應算法、魯棒算法和智慧型算法. 自適應算法通過自適應環節線上調整模型, 從而最佳化控制性能; 魯棒算法基於最優估計參數設計控制器, 並保證對一定範圍內參數攝動的穩定性; 智慧型算法一般基於學習的策略應對參數不確定性.
2.1.1 自適應視覺伺服控制
考慮到模型參數不確定帶來的問題, 研究者提出了一系列自適應的方法對模型誤差進行補償. 自適應控制方法由控制律和自適應環節組成, 通過自適應環節的線上修正保證系統的穩定性. 自適應的方法可以分為參數自適應和雅可比矩陣自適應方法.
1)參數自適應算法
由於特徵點在圖像空間的運動特性依賴於其深度和相機參數, 從而可以在控制過程中根據控制輸入使用當前估計參數將運動投影到圖像空間, 預測特徵點的運動. 預測值與實際觀測的特徵點運動之間的差異作為估計投影誤差, 可以通過疊代最佳化的方法使該投影誤差最小化從而對參數進行線上估計.一種常用的自適應方法是結合 Slotine 等的思想,利用梯度法 或其他搜尋方法對特徵點的估計投影誤差進行線上最小化.
當相機標定參數未知時, 一種思路是基於 \深度無關雅可比矩陣" 的方法, 將圖像雅可比矩陣分為深度因子和深度無關的部分, 使用深度無關的部分設計反饋控制律, 從而在得到的閉環系統中相機參數是線性表達的. 對於深度信息未知的情況, 可以加入對深度的自適應環節增強其穩定性 . 除了基於特徵點的系統, 這種方法對一些廣義特徵也是有效的, 只要深度無關雅可比矩陣對廣義特徵的未知幾何參數是線性參數化的, 如距離、角度、質心等.
對於視覺伺服軌跡跟蹤控制, 常規的方法需要加入圖像空間中的速度作為前饋項, 而圖像中的速度一般是通過對圖像坐標信息的數值微分得到的,相比於關節空間的速度具有更大的噪聲, 尤其是當採樣頻率較低時具有較大的誤差. 因此, 一些學者提出不需要測量圖像速度的方法 . 這一類方法利用關節速度和估計的雅可比矩陣設計圖像空間速度的觀測器, 並加入對相機參數和深度的自適應. 因為機器人關節速度的測量是比較精確的, 因此可以較好地改善數值微分帶來的問題.
2)雅可比矩陣自適應算法
這一類的方法直接對雅可比矩陣進行線上辨識,由遞推的雅可比矩陣辨識算法和控制律組成. 常用的雅可比矩陣辨識方法如Broyden 算法、加權遞推最小二乘算法、Kalman 濾波等. Pari 等通過實驗對比了使用遞推最小二乘法估計的雅可比矩陣和使用解析形式的雅可比矩陣時的控制性能, 結果證明基於雅可比矩陣線上辨識的方法具有與基於解析形式雅可比矩陣的方法相差不多的控制效果和魯棒性, 而基於雅可比矩陣線上辨識的方法不需要大量對系統的先驗知識和複雜的模型推導過程, 但是其模型只在其訓練的區域內有效.
2.1.2 魯棒視覺伺服控制
在基於圖像的視覺伺服控制中, 由相機參數、目標深度以及機器人模型誤差造成的圖像雅可比矩陣的不確定性會對控制效果產生影響, 並可能造成控制器不穩定. 為了保證在參數攝動的情況下的控制器的穩定性, 可以在最優參數估計的基礎上設計魯棒控制器, 從而在一定的參數變化域內保證穩定性.
一種常用的思路是利用李雅普諾夫的方法設計魯棒控制器, 從而克服深度和標定誤差、機器人模型誤差以及機器人執行速度指令時的量化誤差帶來的不確定性問題. 另一種思路是基於最佳化的方法, 通過對性能指標的線上最佳化(如 H2 =H 1指標、閉環系統的穩定域等) 得到在具有參數不確定性時的最優控制輸入. 另外, 滑模控制也是一種常用的方法, 通過構造與系統不確定性參數和擾動無關的滑動面, 並設計控制律迫使系統向超平面收束, 從而沿著切換超平面到達系統原點. 由於常規的滑模控制產生的控制輸入是不連續的, 可能造成系統的抖振, 可以使用二階滑模Super-twisting 控制的方法解決此問題.
雖然基於魯棒控制的方法一般都具有對參數變化和擾動不敏感的優點, 但是通常需要較大的控制增益, 造成系統回響不光滑, 使執行器的損耗較大,且可能造成系統的抖振. 在未來的研究中可以結合自適應控制的方法, 在模型細小變化時利用控制器的魯棒性從而避免自適應機構過於頻繁的調整, 當模型變化較大時, 則利用自適應的方法對其進行修正, 從而避免魯棒控制方法過高的增益造成的問題.
2.1.3 智慧型視覺伺服控制
智慧型控制不需要精確的數學模型, 並且具有自學習能力, 適合於具有模型不確定性的視覺伺服系統控制. 智慧型視覺伺服控制方法有:
基於計算智慧型的方法一般利用人工神經網路、遺傳算法等方法對視覺伺服系統模型進行擬合, 並利用學習到的模型進行控制. BP 神經網路是一種常用的方法, 為了提高其收斂速度, 可以使用遺傳算法設計其初值和參數. 這一類方法不需要複雜的建模過程, 但是需要預先進行離線訓練, 而且當環境變化時又需要重新訓練, 限制了其套用.
模糊控制利用模糊規則描述視覺伺服系統中各變數之間的關係, 不需要精確的系統模型, 但是需要一定的先驗知識或離線學習. 在套用中, 可以直接設計模糊控制器或利用模糊規則對其他控制器參數進行更新. 但是, 對於多自由度的視覺伺服系統, 變數之間的關係複雜且耦合嚴重, 模糊規則的設計困難, 因此以往的研究主要針對低自由度的系統.對於具有重複特性的視覺伺服任務, 疊代學習控制利用先前動作中的數據信息, 通過疊代找到合適的控制輸入, 可以實現精確的軌跡跟蹤. 這一類方法主要有兩種思路, 一種是直接疊代學習控制, 使用疊代學習律得到控制輸入的前饋量, 並可以加入反饋輔助項提高收斂速度; 另一種是間接疊代學習控制, 使用疊代學習對模型參數進行更新, 從而最終得到精確的模型用於跟蹤控制. 這一類方法要求任務具有重複特性, 可以用於工業現場的流水線作業.
視覺伺服中的實現策略
近20 多年來, 機器人視覺伺服控制得到了廣泛的研究, 但是在實際中的套用較少. 實際上, 視覺伺服的理論研究與實際套用有一定的脫節, 大部分的研究考慮理想的工作環境和任務, 並採用示教(Teach-by-showing) 的方式. 這適合於靜態環境下的重複性任務, 但是機器人的任務是複雜多樣的. 近年來, 研究者提出了創新性的解決方案, 為視覺伺服系統的實施和套用提供了新的思路. 在實際中, 基於視覺伺服的系統主要有兩種類型, 一種是機器人自主控制系統, 完全由機器人自身根據視覺反饋完成分配的任務; 另一種是人機協作系統, 在任務完成的過程中需要人為的干預, 其目的在於協助人更好地完成任務.
3.1 自主控制系統
視覺伺服在機器人系統中有廣泛的套用, 如移動機器人的視覺導航和機械臂的末端控制等. 移動機器人的視覺導航可以描述為視覺伺服跟蹤控制問題 或一系列的視覺伺服調節控制問題, 一般需要預先進行訓練得到期望的圖像序列. 工業機械臂常使用示教的策略, 以零件組裝任務為例, 工程師需要先利用手操器對其進行編程, 機械臂再通過執行記錄的驅動信號完成任務. 引入視覺伺服系統可以簡化此過程, 只需要人在相機的監控下完成一次操作, 機械臂即可利用視覺反饋完成任務.傳統的視覺伺服系統使用示教的方式, 其控制器的設定值為相機在期望位置處拍攝到的圖像. 這種方法適合於在局部空間內執行重複性任務的工業機械臂, 但是對於大範圍的移動機器人視覺導航任務顯得實現成本較高. 學者們提出了以下幾種改進策略:
1)利用其他相機拍攝的圖像作為設定值, 如Teach-by-zooming 策略;
2)利用其他模態的圖像作為設定值, 如基於互信息的方法;
3)利用幾何信息定義視覺伺服任務.
在現實生活中, 如果要告訴某人去某地, 可以提供該地點的照片或地圖, 也可以描述該場景的幾何特性. 實際上, 上述的三種策略分別對應了人類的這些行為習慣. 在未來的機器人套用中, 可以充分利用網際網路資源, 如Google 街景、Google 地圖等, 使其更靈活地為人類服務.
另外, 大部分視覺伺服系統都要求目標在圖像中持續可見(FOV 約束), 這在實際任務中大大縮小了機器人的可達工作空間. Jia 等針對平面移動機器人提出了基於稀疏路標的視覺導航方法, 利用\關鍵幀" 策略放鬆了視野約束, 從而最佳化了非完整約束機器人在工作空間中的軌跡. Li 等提出了機器人任務空間的全局控制器, 利用各個區域性有效的反饋信息構造了連續的整體控制器, 使得機器人在完成任務的過程中可以安全地穿過視覺感知盲區和奇異區域.
3.2 人機協作系統
目前大部分機器人的自主定位和導航任務都需要預先對任務進行精確描述, 但是實際套用中的一些複雜任務難以用數學描述, 且在任務完成的過程中需要進行智慧型決策, 以當前的人工智慧發展程度無法由機器人自主完成. 因此可以構造人機協作系統, 在任務執行過程中加入人類的判斷, 視覺伺服控制作為輔助系統, 幫助人更輕鬆地完成一些複雜任務, 形成半自動的系統. 常見的人機協作系統有以下幾種實現策略:
1)人機串級控制, 人負責上層的決策控制, 視覺伺服系統負責底層的運動控制, 如水下遙控機器人、半自動駕駛輪椅等.
2)視覺伺服系統對操作對象施加運動約束, 降低人需要操作的自由度, 提高操作精度, 如人機協作操作、手術輔助系統等.
3)人機切換控制, 將任務分為人主導的區域和機器人主導的區域, 共同完成任務.
在醫療領域, 學者們提出了一系列基於醫療成像設備的視覺伺服系統, 對醫生的手術操作起到協助作用。
