机器人视觉伺服控制系统分类：综合指南
随着成像设备性价比的提高和计算机信息处理速度的提高，以及相关理论的完善，视觉伺服技术已经具备了实际应用的技术条件，相关技术问题已成为当前的研究热点。
视觉伺服的定义
人类从外部世界获取的大部分信息都是通过眼睛获得的。几个世纪以来，人类一直梦想着创造智能机器，其首要功能就是模仿人眼，实现对外部世界的识别和理解。
人脑中的许多结构参与处理视觉信息，从而毫不费力地处理许多与视觉相关的问题。然而，作为一个过程，我们对视觉认知的理解仍然有限，使得智能机器的梦想难以实现。
随着摄像技术的发展和计算机技术的出现，具有视觉功能的智能机器开始由人类制造，逐渐形成了机器视觉的学科和产业。
机器视觉，根据制造工程师协会（SME）机器视觉分会和机器人工业协会（RIA）自动成像协会的定义，是“通过光学设备自动接收和处理真实物体的图像”和非接触式传感器来获取所需信息或控制机器人的运动。”
机器视觉作为一种类似于人眼的仿生系统，广泛涵盖通过光学器件获取真实物体信息，以及相关信息的处理和执行。这包括可见和不可见的视觉，甚至包括人类视觉无法直接观察到的物体内部信息的获取和处理。
机器人视觉的发展历程
20世纪60年代，由于机器人技术和计算机技术的进步，人们开始研究具有视觉能力的机器人。然而，在这些研究中，严格来说，机器人的视觉和运动是开环的。
机器人的视觉系统处理图像以确定目标的位置和方向，据此计算机器人运动的姿势，并在单个实例中提供此信息，无需进一步参与。
1973年，当有人将视觉系统应用于机器人控制时，引入了视觉反馈的概念。
直到1979年Hill和Park才提出“视觉伺服”的概念。与视觉反馈仅从视觉信息中提取信号不同，视觉伺服涵盖了从视觉信号处理到机器人控制的整个过程，更全面地反映了机器人视觉与控制的相关研究。
20世纪80年代以来，随着计算机技术和摄像设备的进步，机器人视觉伺服系统的技术问题引起了许多研究人员的关注。近年来，机器人视觉伺服的理论和应用都取得了重大进展。
该技术经常成为许多学术会议的专题，并逐渐发展成为横跨机器人、自动控制、图像处理等领域的独立技术。
机器人视觉伺服系统的分类
目前，机器人视觉伺服控制系统可分为以下几类：
● 根据摄像机数量可分为单目视觉伺服系统、双目视觉伺服系统和多眼视觉伺服系统。
单目视觉系统只能获取二维图像，无法直接获取目标的深度信息。
多眼视觉伺服系统可以从目标的多个方向捕获图像，提供丰富的信息。然而，它们需要大量的图像数据处理，并且涉及的摄像机越多，维持系统稳定性的挑战性就越大。目前，双目视觉主要应用于视觉伺服系统。
● 根据摄像机的放置位置，系统可分为手眼系统和固定摄像机系统（手眼或独立式）。
理论上，手眼系统可以实现精确控制，但它们对校准误差和机器人运动误差很敏感。
固定摄像系统对机器人的运动误差不敏感，但在同等条件下，获得的目标位姿信息的精度不如手眼系统，导致控制精度相对较低。
● 根据机器人的空间位置或图像特征，视觉伺服系统分为基于位置的视觉伺服系统和基于图像的视觉伺服系统。
在基于位置的视觉伺服系统，处理图像后，计算目标相对于相机和机器人的位姿。
这需要对相机、目标和机器人模型进行标定，标定精度影响控制精度，这是该方法的难点。控制时，将所需的位姿变化转换为机器人关节旋转的角度，由关节控制器控制。
在基于图像的视觉伺服系统中，控制误差信息来自于目标图像特征与期望图像特征之间的差异。
对于这种控制方法，关键问题是如何建立反映图像差值变化与机械手位姿速度变化关系的图像雅可比矩阵；另一个问题是图像是二维的，计算图像雅可比矩阵需要估计目标深度（三维信息），这一直是计算机视觉中的挑战。
雅可比矩阵的计算方法包括公式推导法、标定法、估计法、学习法等。前者可以基于模型推导或标定，后者可以在线估计。学习方法主要采用神经网络方法。
● 对于使用闭环关节控制器的机器人，视觉伺服系统分为动态观察运动系统和直接视觉伺服系统。
前者利用机器人关节反馈来稳定机械臂，图像处理模块计算出相机应有的速度或位置增量，然后反馈给机器人关节控制器。后者由图像处理模块直接计算机械臂关节运动的控制量。
视觉服务的主要挑战
视觉伺服研究已经跨越了近二十年。然而，由于其多学科性质，其发展在很大程度上取决于这些不同领域的进步。视觉伺服研究中仍有许多问题尚未解决。
图像伺服的最大挑战是图像处理方法的理论和实际计算速度。
图像处理之后，创建将图像特征与机器人关节运动联系起来的模型给图像伺服带来了另一个重大障碍。
目前的许多控制方法不能保证运行过程中的大范围稳定性，需要对这些控制技术进行进一步的研究。
视觉服务的未来前景
视觉伺服未来的主要研究方向包括：
• 在现实环境中快速、稳定地捕获图像特征是视觉伺服系统的一个关键问题。
鉴于图像处理中的大量信息以及可编程器件技术的发展，基于硬件的通用算法实现来加速信息处理可能会解决这个问题。
• 建立适合机器人视觉系统的相关理论和软件。
机器人视觉伺服系统中当前的许多图像处理方法并不是为这些系统量身定制的。如果有专门的软件平台，可以通过硬件可视化信息处理来减少工作量，甚至提高系统性能。
• 将各种人工智能方法应用于机器人视觉伺服系统。
虽然神经网络已经在机器人视觉伺服中实现，但许多智能方法尚未得到充分利用。
过度依赖数学建模和计算可能会导致操作过程中出现过多的计算需求，而当前的计算机处理速度可能难以满足。
然而，人类并没有通过大量计算来实现相关功能，这表明人工智能方法可以减少数学计算并满足系统速度要求。
• 在机器人视觉伺服系统中实施主动视觉技术。
主动视觉是当前计算机和机器视觉研究的热点，它允许视觉系统主动感知周围环境，并根据设定的规则提取所需的图像特征。这种方法可以解决通常难以解决的问题。
• 将视觉传感器与其他外部传感器集成。
为了使机器人能够更全面地感知环境，特别是为机器人视觉系统补充信息，可以在机器人视觉系统中添加各种传感器。
这可以解决机器人视觉系统中的一些困难，但引入多个传感器将需要解决机器人视觉系统中的信息融合和冗余问题。
结论
近年来，机器人视觉伺服技术取得了重大进展，国内外的实际应用日益增多。许多技术挑战预计将在近期研究中得到克服。
未来一段时期，机器人视觉伺服系统将在机器人技术中占据突出地位，其工业应用将不断扩大。