[发明专利]一种基于SVM和比例控制的视觉伺服方法

说明书

本发明适用于自动控制技术领域，提供了一种基于SVM和比例控制的视觉伺服方法，该方法包括：S1、基于SVM训练模型对样本数据进行训练，输出基于SVM的雅克比矩阵；S2、基于当前图像与目标图像的图像特征差值向量及雅克比矩阵，获得机器人达到目标位置时的期望关节角向量；S3、基于期望关节角向量来控制机器人手臂关节朝目标位置运动。用比例控制方法代替嗨森矩阵解决最优化问题，大大减少计算量；通过雅可比矩阵直接建立了图像位置特征与目标关节角的联系，并将关节角作为输出量，使得控制方式更为直接。

技术领域

本发明属于自动控制技术领域，提供了一种基于SVM和比例控制的视觉伺服方法。

背景技术

机器人技术发展，机器人的发展对机器人的灵活性，通用性等要求越来越高，机器视觉发展从SVM演变出了SVR。无标定视觉伺服，当目标物体位置未知并且相机参数没经过标定的情况下，仍能够控制机器人末端执行器准确定位到目标物体正上方。现有是利用牛顿法结合SVR进行迭代逼近的方法，需要获得控制量相对于特征变化的矩阵(雅克比矩阵)，并且需要计算两个变化量的变化率，也就是嗨森矩阵，嗨森矩阵的计算非常繁琐复杂，使得计算量大大增加。

发明内容

本发明实施例提供一种基于SVM和比例控制的视觉伺服方法，旨在提供一种计算量相对小的视觉伺服方法。

为了解决上述目的，本发明提供一种基于SVM和比例控制的视觉伺服方法，所述方法包括如下步骤：

S1、基于SVM训练模型对样本数据进行训练，输出基于SVM的雅克比矩阵；

S2、基于当前图像与目标图像的图像位置特征差值向量及雅克比矩阵，获得机器人达到目标位置时的期望关节角向量；

S3、基于目标关节角向量的差值来控制机器人手臂关节朝目标位置运动。

进一步的，所述期望关节角向量的计算公式具体如下：

其中，θ_g为p自由度机器人的期望关节角向量，θ_k为p自由度机器人当前k时刻的关节角向量，J为雅可比矩阵，为目标图像与当前图像的图像位置特征差值向量，f_g为目标图像的图像位置特征向量，f_k为当前图像的图像位置特征向量，K_p为比例系数。

进一步的，在步骤S3之后还包括：

检测机器人手臂关节当前是否已位于目标位置，若检测结果为否，则执行步骤S2。

进一步的，所述当前图像的图像位置特征向量f_k的获取方法包括如下步骤：

S21、对拍摄的原始图像进行灰度处理，获得图像一；

S22、基于阈值一对图像一进行阈值分割，获取图像二，在图像二中提取封闭的边缘轮廓；

S23、基于阈值二对图像二进行阈值分割，获得目标图像，阈值二为目标图像的边缘轮廓包围区域面积与边缘轮廓周长的比值；

S24、计算目标图像所在区域内所有像素点在图像坐标系中的坐标；

S25、基于归一化几何矩方法来计算目标图像在图像坐标系中的位置特征，所述位置特征由目标图像的中心坐标及目标图像偏角组成。

本发明提供的基于SVM和比例控制的视觉伺服方法具有如下有益效果：

1.用比例控制方法代替嗨森矩阵解决最优化问题，大大减少计算量；

2.通过雅可比矩阵直接建立了图像位置特征与目标关节角的联系，并将关节角作为输出量，使得控制方式更为直接。

附图说明