基于非线性模型预测的智能小车2.5维视觉伺服控制方法

摘要

本发明公开一种基于非线性模型预测的智能小车2.5维视觉伺服控制方法，首先在当前位姿和期望位姿处通过摄像机分别获取参考目标的当前图像和期望图像；然后从获取的图像中提取参考目标的特征点以及小车的姿态信息，通过坐标变换将二维图像信号与三维姿态信号进行有机结合，建立2.5维视觉误差模型；最后针对2.5维视觉误差模型，利用非线性模型预测控制方法设计一种多级视觉预测控制器。本发明解决现有2.5维视觉伺服控制方法不能处理运动执行系统存在的速度和力矩约束以及摄像机的可见性约束问题，能够确保参考目标在伺服过程中始终保持可见，大大提高视觉伺服系统的可靠性和安全性。

主权项

一种基于非线性模型预测的智能小车2.5维视觉伺服控制方法，其特征在于：包含以下步骤：1.1.在当前位姿和期望位姿处通过摄像机分别获取参考目标的当前图像和期望图像；1.2.从获取的当前图像和期望图像中提取参考目标的特征点及小车的姿态信号，建立2.5维视觉误差模型，该模型由如下公式确定：$e=\left[\begin{array}{c}{e}_1\\ e_2\\ e_3\end{array}\right]=\left[\begin{array}{c}{s}_1\\ s_2\\ \theta \end{array}\right]-\left[\begin{array}{ccc}{\cos \theta }_e& -\sin {\theta }_e& 0\\ \sin {\theta }_e& \cos {\theta }_e& 0\\ 0& 0& 1\end{array}\right]\left[\begin{array}{c}{s}_{1d}\\ s_{2d}\\ {\theta }_d\end{array}\right],$其中，θ和θ_d分别为移动小车的当前方向角和期望方向角，s₁，s_1d，s₂，s_2d为经过坐标变换的二维图像信号，θ_e＝θ‑θ_d为三维姿态误差信号；1.3.根据步骤1.2中的2.5维视觉误差模型，利用非线性模型预测控制方法设计一种多级视觉预测控制器，使2.5维视觉误差信号渐近收敛；该多级视觉预测控制器由至少两个子控制器组成，一个为运动学控制器，另一个为动力学控制器，其中运动学控制器的输出作为动力学控制器的输入；其具体操作包括：1.3.1.运动学控制器的设计：首先，采用欧拉近似法对视觉误差模型进行离散化处理，获得视觉误差预测模型e(k+j|k)，其中，T为采样周期，v(k)和ω(k)分别为小车在k时刻的线速度和角速度，符号(k+j|k)表示在k时刻向前预测j步得到的预测值；其次，将小车速度ν＝[ν,ω]^T作为控制输入，构造一个由2.5维视觉误差预测信号和控制输入表示的二次目标函数J(k)，该目标函数由如下公式确定：$\begin{array}{c}J\left(k\right)=\underset{j=1}{\overset{N_p}{\Sigma }}{e}^T(k+j|k)\mathrm{Qe}(k+j|k)+\\ \underset{j=1}{\overset{N_c}{\Sigma }}{v}^T(k+j-1|k)\mathrm{Rv}(k+j-1|k),\end{array}$其中N_p为预测时域，N_c为控制时域，Q和R为正定的斜对称加权矩阵；最后，加入可见性约束(u_min，,u_max)，(υ_min,,υ_max)和速度约束(ν_min,,ν_max)，其中(u,υ)为目标特征点在图像平面上的像素坐标，通过求解带有约束的二次目标函数J(k)的优化问题来获得最优控制序列v^*，取其第一项ν(k|k)作为运动学控制器的输出，使得视觉误差信号渐近收敛，即lim_t→∞e＝0；1.3.2.动力学控制器的设计：首先，利用欧拉近似法对小车动力学模型进行离散化处理，获得小车实际速度预测模型v(k+j|k)，其中τ(k)＝[τ₁(k),τ₂(k)]^T分别为小车在k时刻的驱动力矩和转动力矩；其次，将运动学控制器的输出作为动力学预测控制器的参考输入，定义δ为小车实际速度与参考输入速度之间的速度误差，构造一个由预测的速度误差信号和力矩表示的二次目标函数，该目标函数由如下公式确定：其中为预测时域，为控制时域，和为正定的斜对称加权矩阵；最后，加入力矩约束(τ_min,,τ_max)，最小化二次目标函数获得最优控制序列τw，取其第一项τ(k|k)作为动力学控制器的输出，控制小车速度，使得速度误差渐近收敛，即lim_t→∞δ＝0，从而使得lim_t→∞e＝0。