一种视觉伺服控制的方法、系统及设备技术方案

本申请公开了一种视觉伺服控制的方法，包括：获取训练样本；利用训练样本对预设模糊神经网络进行训练，得到视觉伺服控制模型；接收输入的期望图像信息；将期望图像信息输入至视觉伺服控制模型中，并通过图像采集装置采集目标工件的当前图像信息；将当前图像信息与期望图像信息的差值转化为机械臂的控制信号，并控制机械臂执行控制信号进行下一步动作。本申请所提供的技术方案，省略了雅可比矩阵求逆操作，极大的提高了视觉伺服控制的速度；同时不需要进行复杂的标定，有效提高了视觉伺服控制的精度，实现了机器人自动抓取和搬运铸件的运动控制。本申请同时还提供了一种视觉伺服控制的系统、设备及计算机可读存储介质，具有上述有益效果。

A Visual Servo Control Method, System and Equipment

【技术实现步骤摘要】
一种视觉伺服控制的方法、系统及设备
本申请涉及机器人控制领域，特别涉及一种视觉伺服控制的方法、系统、设备及计算机可读存储介质。
技术介绍
机器人技术的研究已有几十年的历史。在这个过程中，机器人的结构一直处于简单到复杂、从单一到多样、从低级到高级的不断发展过程中。随着技术的发展，那些限制机器人适应复杂环境的技术被逐步攻克。在这个过程中，传感器的引入为机器人感知复杂环境提供了可能。多种多样的传感器为机器人提供了大量的环境信息。为了更好地模仿人类获取环境信息的机制，人们为机器人引入了视觉传感器。由此，机器人视觉传感器与执行器之间的控制策略成为研究热点。视觉伺服正是这样一种利用视觉传感器的反馈的信息构建机器人闭环控制系统的技术。在传统的基于图像视觉伺服控制方法中，需要从图像中提取简单的局部几何特征，如点、线或角度，构建图像雅可比矩阵，以表示机器人手眼之间的映射关系。但提取这些局部几何特征与目标对象的形状、环境等直接有关，特征提取与匹配的算法也比较耗时。而且当目标对象发生变化时需要采用不同的几何特征，即使相同的对象但相对于相机坐标的位姿发生了变化，特征的选择也会需要相应的变化，因此速度很慢。其次，实时图像雅可比矩阵的在线计算过程繁琐且耗时，常见动态估计方法，会出现较大的估计误差，需要进行误差补偿。因此，如何提高视觉伺服控制的精度和速度是本领域技术人员目前需要解决的技术问题。
技术实现思路
本申请的目的是提供一种视觉伺服控制的方法、系统、设备及计算机可读存储介质，用于提高视觉伺服控制的精度和速度。为解决上述技术问题，本申请提供一种视觉伺服控制的方法，该方法包括：获取训练样本；其中，所述训练样本为多组图像矩向量差与对应的位姿学习样本的组合；利用所述训练样本对预设模糊神经网络进行训练，得到视觉伺服控制模型；接收输入的期望图像信息；将所述期望图像信息输入至所述视觉伺服控制模型中，并通过图像采集装置采集目标工件的当前图像信息；其中，所述图像采集装置位于机械臂上；利用所述视觉伺服控制模型将所述当前图像信息与所述期望图像信息的差值转化为所述机械臂的控制信号，并控制所述机械臂执行所述控制信号进行下一步动作。可选的，当所述机械臂为六自由度机械臂时，所述获取训练样本，包括：在所述机械臂的运动范围内随机选择n组位姿向量，组成N个位姿学习样本；其中，N＝n6；控制所述机械臂依次定位到所述N个位姿学习样本，并通过所述图像采集装置采集当前位姿学习样本的工件图像；确定参考位姿，并计算所述N个位姿学习样本的工件图像相对于所述参考位姿的工件图像的图像矩向量差；将各所述图像矩向量差与对应的位姿学习样本作为所述训练样本。可选的，利用所述训练样本对预设模糊神经网络进行训练，得到视觉伺服控制模型，包括：将各所述图像矩向量差作为所述模糊神经网络的输入向量；将对应的各所述位姿学习样本作为所述预设模糊神经网络的输出向量，对所述预设模糊神经网络进行迭代训练；当所述预设模糊神经网络的参数稳定时，确定当前预设模糊神经网络为所述视觉伺服控制模型。可选的，所述通过图像采集装置采集目标工件的当前图像信息，包括：通过所述图像采集装置实时采集所述目标工件的当前图像信息。可选的，利用所述视觉伺服控制模型将所述当前图像信息与所述期望图像信息的差值转化为所述机械臂的控制信号，并控制所述机械臂执行所述控制信号进行下一步动作，包括：实时计算所述当前图像信息的图像矩特征；判断所述当前图像信息的图像矩特征与所述期望图像信息的图像矩特征的差值是否大于最小阈值；若是，则将所述差值输入至所述视觉伺服控制模型；利用所述视觉伺服控制模型根据所述差值计算所述机械臂各关节的空间位姿增量，控制所述机械臂进行下一步动作，并返回执行通过所述图像采集装置实时采集所述目标工件的当前图像信息的步骤；若否，则输出工件抓取完成的提示信息。本申请还提供一种视觉伺服控制的系统，该系统包括：获取模块，用于获取训练样本；其中，所述训练样本为多组图像矩向量差与对应的位姿学习样本的组合；训练模块，用于利用所述训练样本对预设模糊神经网络进行训练，得到视觉伺服控制模型；接收模块，用于接收输入的期望图像信息；输入模块，用于将所述期望图像信息输入至所述视觉伺服控制模型中，并通过图像采集装置采集目标工件的当前图像信息；其中，所述图像采集装置位于机械臂上；控制模块，用于利用所述视觉伺服控制模型将所述当前图像信息与所述期望图像信息的差值转化为所述机械臂的控制信号，并控制所述机械臂执行所述控制信号进行下一步动作。可选的，所述获取模块包括：样本选择子模块，用于在所述机械臂的运动范围内随机选择n组位姿向量，组成N个位姿学习样本；其中，N＝n6；图像获取子模块，用于控制所述机械臂依次定位到所述N个位姿学习样本，并通过所述图像采集装置采集当前位姿学习样本的工件图像；第一计算子模块，用于确定参考位姿，并计算所述N个位姿学习样本的工件图像相对于所述参考位姿的工件图像的图像矩向量差；第一确定子模块，用于将各所述图像矩向量差与对应的位姿学习样本作为所述训练样本。可选的，所述训练模块包括：第一输入子模块，用于将各所述图像矩向量差作为所述模糊神经网络的输入向量；迭代训练子模块，用于将对应的各所述位姿学习样本作为所述预设模糊神经网络的输出向量，对所述预设模糊神经网络进行迭代训练；第二确定子模块，用于当所述预设模糊神经网络的参数稳定时，确定当前预设模糊神经网络为所述视觉伺服控制模型。本申请还提供一种视觉伺服控制设备，该视觉伺服控制设备包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如上述任一项所述视觉伺服控制的方法的步骤。本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述视觉伺服控制的方法的步骤。本申请所提供视觉伺服控制的方法，包括：获取训练样本；利用训练样本对预设模糊神经网络进行训练，得到视觉伺服控制模型；接收输入的期望图像信息；将期望图像信息输入至视觉伺服控制模型中，并通过图像采集装置采集目标工件的当前图像信息；利用视觉伺服控制模型将当前图像信息与期望图像信息的差值转化为机械臂的控制信号，并控制机械臂执行控制信号进行下一步动作。本申请所提供的技术方案，通过利用训练样本对预设模糊神经网络进行训练，得到视觉伺服控制模型，并利用视觉伺服控制模型将获取到的图像信息与期望图像信息的差值转化为机械臂的控制信号，省略了雅可比矩阵求逆操作，极大的提高了视觉伺服控制的速度；同时，位于机械臂上的图像采集装置能够随着机械臂的运动而移动，使得不需要进行复杂的标定，有效提高了视觉伺服控制的精度，实现了机器人自动抓取和搬运铸件的运动控制，满足了加工生产中适应性和灵活性的要求。本申请同时还提供了一种视觉伺服控制的系统、设备及计算机可读存储介质，具有上述有益效果，在此不再赘述。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1为本申请实施例所提供的一种视觉伺服控制的方法的流程图本文档来自技高网...

【技术保护点】
1.一种视觉伺服控制的方法，其特征在于，包括：获取训练样本；其中，所述训练样本为多组图像矩向量差与对应的位姿学习样本的组合；利用所述训练样本对预设模糊神经网络进行训练，得到视觉伺服控制模型；接收输入的期望图像信息；将所述期望图像信息输入至所述视觉伺服控制模型中，并通过图像采集装置采集目标工件的当前图像信息；其中，所述图像采集装置位于机械臂上；利用所述视觉伺服控制模型将所述当前图像信息与所述期望图像信息的差值转化为所述机械臂的控制信号，并控制所述机械臂执行所述控制信号进行下一步动作。

【技术特征摘要】
1.一种视觉伺服控制的方法，其特征在于，包括：获取训练样本；其中，所述训练样本为多组图像矩向量差与对应的位姿学习样本的组合；利用所述训练样本对预设模糊神经网络进行训练，得到视觉伺服控制模型；接收输入的期望图像信息；将所述期望图像信息输入至所述视觉伺服控制模型中，并通过图像采集装置采集目标工件的当前图像信息；其中，所述图像采集装置位于机械臂上；利用所述视觉伺服控制模型将所述当前图像信息与所述期望图像信息的差值转化为所述机械臂的控制信号，并控制所述机械臂执行所述控制信号进行下一步动作。2.根据权利要求1所述的方法，其特征在于，当所述机械臂为六自由度机械臂时，所述获取训练样本，包括：在所述机械臂的运动范围内随机选择n组位姿向量，组成N个位姿学习样本；其中，N＝n6；控制所述机械臂依次定位到所述N个位姿学习样本，并通过所述图像采集装置采集当前位姿学习样本的工件图像；确定参考位姿，并计算所述N个位姿学习样本的工件图像相对于所述参考位姿的工件图像的图像矩向量差；将各所述图像矩向量差与对应的位姿学习样本作为所述训练样本。3.根据权利要求2所述的方法，其特征在于，利用所述训练样本对预设模糊神经网络进行训练，得到视觉伺服控制模型，包括：将各所述图像矩向量差作为所述模糊神经网络的输入向量；将对应的各所述位姿学习样本作为所述预设模糊神经网络的输出向量，对所述预设模糊神经网络进行迭代训练；当所述预设模糊神经网络的参数稳定时，确定当前预设模糊神经网络为所述视觉伺服控制模型。4.根据权利要求1所述的方法，其特征在于，所述通过图像采集装置采集目标工件的当前图像信息，包括：通过所述图像采集装置实时采集所述目标工件的当前图像信息。5.根据权利要求4所述的方法，其特征在于，利用所述视觉伺服控制模型将所述当前图像信息与所述期望图像信息的差值转化为所述机械臂的控制信号，并控制所述机械臂执行所述控制信号进行下一步动作，包括：实时计算所述当前图像信息的图像矩特征；判断所述当前图像信息的图像矩特征与所述期望图像信息的图像矩特征的差值是否大于最小阈值；若是，则将所述差值输入至所述视觉伺服控制模型；利用所述视觉伺服控制模型根据所述差值计算所述机械臂各关节的空间位姿增量，...

【专利技术属性】
技术研发人员：吴倩，滕刚，
申请(专利权)人：苏州市职业大学，
类型：发明
国别省市：江苏,32