[发明专利]一种基于小波神经网络的视觉反馈控制方法

权利要求书

1.一种基于小波神经网络的视觉反馈控制方法，其特征在于分两个阶段：

(一)离线准备阶段，包含以下步骤：

(1)控制机械手运动到工作区内的任意位置，拍摄图像并保存机器人当前的关节角数据；

(2)采用特征空间变换方法计算图像特征；

对于P幅q₁×q₂的灰度图像，每一幅图像可以表示成含N＝q₁×q₂个元素的向量I_p，p＝1，2，…，P；在离散的情况下，由于P是有限值，平均图像可按此公式计算：I‾=E(I)=1PΣp=1PIp]]>；然后求出P幅差图ΔIp=Ip-I‾]]>，并由这P幅差图构造矩阵A＝(ΔI₁ ΔI₂…ΔI_P)；计算图像协方差矩阵，即C＝A^TA/P；通过奇异值分解可以求出矩阵C的按从大到小顺序排列的特征值；设前M个较大特征值对应的特征向量为e_i′，i＝1，2，…，M，用这M个特征向量构造如公式(1)所示的变换矩阵；

U＝A(e₁′e₂′ …e_M′)    (1)

于是一幅图像I∈R^N，可以用一个向量表示为

y=UT(I-I‾),y∈RM---(2)]]>

其中向量y中包含M个元素，对应M个图像特征；

与几何特征相比，利用这种方法计算图像特征，优点是去相关性好，受噪声的影响小，在背景比较复杂时也适用；另外可以避免在目标上做人工标记，使算法适用于不同的被操作对象；

(3)将图像特征及关节角数据进行归一化处理，也就是将数据变换到[-1，+1]之间，以避免计算机发生溢出；

(4)训练人工神经网络并保存结果数据；

本发明采用的人工神经网络，其隐层传递函数采用小波函数即ψ(t)＝(1-t²)·exp(-t²/2)；由于小波函数具有快速衰减性，使这种神经网络具有收敛速度快、易适应新数据的优点；

对于神经网络的N₁个输入节点，信号分别是N₁个图像特征的差：Δy₁，Δy₂，…Δy_N1(Δyi=yi-yid]]>)；神经网络有N₃(对于6自由度的机器人，N₃＝6)个输出节点，它们是N₃个机器人关节角位移值：Δθ₁，Δθ₂，…Δθ_N3(Δθi=θi-θid]]>)；上面的y_i^d与θ_i^d表示期望位置处的图像特征和机器人关节角的值；假设隐藏层有N₂个节点，w_ij为第i个输入到第j个隐层节点的连接权值，以及v_ij为第j个隐层节点到第k个输出的连接权值，b_ij为小波函数的平移参数；则网络的输入输出关系可表示为

Δθk=Σj=1N2vkjψ(Σi=1N1wjiΔyi-b1j)+b2k,k=1,2,···,N3---(3)]]>

采用Levenberg-Marquardt算法训练小波神经网络的权值等参数，算法公式为：Xk+1=Xk-αk(JkTJk+Sk)-1JkTek]]>；然后将结果保存，留作下一阶段使用；

(二)在线控制阶段，包含以下步骤：

(1)拍摄图像并读取当前的关节角数据；

(2)按公式(2)计算当前的图像特征，并反馈到系统的输入端；

(3)判断当前的图像特征是否与期望的情况相同，如果相同则认为控制结束；如果不同则进入下一步；

(4)计算图像特征差的归一化值，将数据变换到[-1，+1]之间；

(5)根据公式(3)计算关节角的归一化期望值；

(6)利用Δθc=12(Δθ+1)(Δθmax-Δθmin)+Δθmin]]>将机器人关节角期望值从[-1，+1]之间变换到实际范围；

(7)把上一步得到的机器人关节角的偏移量作为机器人控制器的参考输入，输入给机器人控制器，由机器人控制器控制机器人运动；然后转到第(1)步。