[科普中國]-控制策略

視覺系統(tǒng)控制策略概述

隨著機器人技術(shù)的迅猛發(fā)展, 機器人承擔(dān)的任務(wù)更加復(fù)雜多樣, 傳統(tǒng)的檢測手段往往面臨著檢測范圍的局限性和檢測手段的單一性. 視覺伺服控制利用視覺信息作為反饋, 對環(huán)境進行非接觸式的測量, 具有更大的信息量, 提高了機器人系統(tǒng)的靈活性和精確性, 在機器人控制中具有不可替代的作用.

視覺伺服控制系統(tǒng)是指使用視覺反饋的控制系統(tǒng), 其控制目標(biāo)是將任務(wù)函數(shù)e(s?s(m(t);a)) 調(diào)節(jié)到最小, 其中s;s分別為系統(tǒng)的當(dāng)前狀態(tài)和期望狀態(tài). 與常規(guī)控制不同的是, s基于圖像信息m(t) 和系統(tǒng)參數(shù)a 構(gòu)造,比傳統(tǒng)的傳感器信息具有更高的維度和更大的信息量, 提高了機器人系統(tǒng)的靈活性.

視覺伺服系統(tǒng)通常由視覺系統(tǒng)、控制策略和機器人系統(tǒng)組成, 其中視覺系統(tǒng)通過圖像獲取和視覺處理得到合適的視覺反饋信息, 再由控制器得到機器人的控制輸入. 在應(yīng)用中, 需要根據(jù)任務(wù)需求設(shè)計視覺伺服系統(tǒng)的實現(xiàn)策略. 從這三個方面對視覺伺服中存在的主要問題和研究進展進行綜述.

視覺伺服控制涉及計算機視覺、機器人技術(shù)和控制理論等多個領(lǐng)域, 國內(nèi)外學(xué)者在過去20 余年中進行了廣泛的研究. Hutchinson 等的三篇經(jīng)典論文對視覺伺服控制的研究起到了引導(dǎo)作用. 近年來, Staniak 等和Azizian 等分別對視覺伺服系統(tǒng)的結(jié)構(gòu)及其在醫(yī)療機器人中的應(yīng)用進行了綜述. 在國內(nèi)的研究中, 林靖等、趙清杰等、薛定宇等、王麟琨等、方勇純分別對視覺伺服控制進行了綜述, 總結(jié)了經(jīng)典的視覺伺服控制方法.

隨著計算機視覺和機器人技術(shù)的飛速發(fā)展, 視覺伺服控制的研究也有了顯著的進步. 相比于以往的綜述, 本文重點分析了視覺伺服系統(tǒng)設(shè)計中存在的主要問題及相應(yīng)的解決方案. 如圖1 所示, 設(shè)計視覺伺服系統(tǒng)時主要需要考慮視覺系統(tǒng)、控制策略以及實現(xiàn)策略三個方面. 在視覺系統(tǒng)方面, 本文首先介紹了視覺系統(tǒng)的構(gòu)造方法, 并對動態(tài)性能的提升和噪聲的處理進行了討論. 在控制策略方面, 主要針對視覺伺服系統(tǒng)中模型不確定性和約束的處理進行了分析. 另外, 考慮到視覺伺服系統(tǒng)的可實現(xiàn)性和靈活性, 文中對系統(tǒng)的實現(xiàn)策略進行了總結(jié). 最后, 基于當(dāng)前的研究進展, 對未來的研究方向進行了展望.

1.視覺伺服中的視覺系統(tǒng)首先介紹視覺系統(tǒng)的組成, 然后對視覺系統(tǒng)動態(tài)性能的優(yōu)化和噪聲的處理方法進行分析和總結(jié).

1.1 視覺系統(tǒng)的組成

視覺系統(tǒng)由圖像獲取和視覺處理兩部分組成,圖像的獲取是利用相機模型將三維空間投影到二維圖像空間的過程, 而視覺處理則是利用獲取的圖像信息得到視覺反饋的過程.

1.1.1 相機模型

基本的相機模型主要包括針孔模型和球面投影模型, 統(tǒng)一化模型是對球面模型的推廣, 將各種相機的圖像映射到歸一化的球面上. 此處需要強調(diào)的是針孔模型的\相機撤退" 問題和球面模型的旋轉(zhuǎn)不變性.針孔模型的\相機撤退" 問題是指當(dāng)旋轉(zhuǎn)誤差較大時, 要使特征點在圖像中沿直線運動到目標(biāo), 相機會先旋轉(zhuǎn)著遠離目標(biāo), 再旋轉(zhuǎn)著接近目標(biāo), 在工作空間的路徑是曲折的. 對此可以使用極坐標(biāo)系或圓柱坐標(biāo)系來處理. 球面模型的旋轉(zhuǎn)不變性是指球的旋轉(zhuǎn)對物體在球面上投影的形狀是沒有影響的, 一方面可以避免\相機撤退" 問題, 同時也方便設(shè)計平移和旋轉(zhuǎn)解耦的誤差向量. 統(tǒng)一化模型的吸引力在于可以將各種相機的圖像映射到統(tǒng)一的模型, 從而在設(shè)計控制器時不需要考慮具體的相機模型, 增強了系統(tǒng)的可擴展性. 另外也可以將常規(guī)的機器人傳感器映射到球面, 如重力向量、磁場向量或角速度等, 從而可以設(shè)計多傳感器信息融合的機器人控制器.

1.1.2 視覺反饋

視覺伺服中的視覺反饋主要有基于位置、圖像特征和多視圖幾何的方法. 其中, 基于位置的方法將視覺系統(tǒng)動態(tài)隱含在了目標(biāo)識別和定位中, 從而簡化了控制器的設(shè)計, 但是一般需要已知目標(biāo)物體的模型, 且對圖像噪聲和相機標(biāo)定誤差較為敏感. 目標(biāo)識別和跟蹤可以參考相關(guān)綜述, 下文中主要介紹基于圖像特征和多視圖幾何的方法.

1)基于圖像特征的視覺反饋

常用的基于圖像特征的視覺反饋構(gòu)造方法, 其中基于特征點的方法在以往的視覺伺服中應(yīng)用較為廣泛, 研究較為成熟, 但是容易受到圖像噪聲和物體遮擋的影響, 并且現(xiàn)有的特征提取方法在發(fā)生尺度和旋轉(zhuǎn)變化時的重復(fù)性和精度都不是太好, 在實際應(yīng)用中存在較大的問題. 因此, 學(xué)者們提出了基于全局圖像特征的視覺反饋方法, 利用更多的圖像信息對任務(wù)進行描述, 從而增強視覺系統(tǒng)的魯棒性, 但是模型較為復(fù)雜, 控制器的設(shè)計較為困難, 且可能陷入局部極小點. 目前針對這一類系統(tǒng)的控制器設(shè)計的研究還比較少, 一般利用局部線性化模型進行控制, 只能保證局部的穩(wěn)定性.

2) 基于多視圖幾何的視覺反饋

多視圖幾何描述了物體多幅圖像之間的關(guān)系, 間接反映了相機之間的幾何關(guān)系. 相比于基于圖像特征的方法, 多視圖幾何與笛卡爾空間的關(guān)系較為直接, 簡化了控制器的設(shè)計. 常用的多視圖幾何包括單應(yīng)性、對極幾何以及三焦張量需要強調(diào)的是, 兩個視圖之間的極點與相對姿態(tài)不是同構(gòu)的, 當(dāng)極點為零時不能保證二者姿態(tài)一致, 而只能保證二者共線, 一般使用兩步法補償距離誤差.單應(yīng)性矩陣描述了共面特征點在兩個視圖之間的變換關(guān)系, 可以唯一決定二者的相對姿態(tài). 對于非平面物體, 可以結(jié)合對極幾何的方法進行處理.結(jié)合單應(yīng)性矩陣和極點構(gòu)造了在平衡點附近與姿態(tài)同構(gòu)的誤差系統(tǒng). 中采用類似的思路, 并利用圖像配準(zhǔn)的思想對幾何參數(shù)進行估計. 但是, 由于模型復(fù)雜, 文獻中只提出了局部穩(wěn)定的控制律. 相比之下, 三焦張量是一種更加通用的方法, 對目標(biāo)形狀沒有要求, 且不存在奇異性問題. 目前基于對極幾何和三焦張量的方法還主要用于平面移動機器人的控制, 在六自由度控制中的應(yīng)用有待進一步研究.

1.2 視覺系統(tǒng)動態(tài)性能的提升

相比于常規(guī)的機器人傳感器, 視覺系統(tǒng)的采樣頻率較低, 視覺處理算法的時間延遲較大, 而且具有一定的噪聲, 這對視覺伺服系統(tǒng)的動態(tài)性能有很大的影響. 近年來的研究主要從以下三個方面進行改進: 采用高速視覺系統(tǒng), 提高處理速度和采樣頻率;使用分布式的網(wǎng)絡(luò)化架構(gòu), 提高算法的執(zhí)行效率; 設(shè)計觀測器, 處理視覺反饋中的噪聲和延遲問題.

1) 高速視覺系統(tǒng)

常用的數(shù)字相機的采樣頻率較低, 一般在 30 fps左右. 為了適應(yīng)高速視覺伺服任務(wù)的需求, 近年來研究者開發(fā)出各種高速視覺系統(tǒng). 高速視覺系統(tǒng)一般采用并行的結(jié)構(gòu), 圖像檢測和處理都是以高速進行, 從而可以達到高于 1 kHz 的頻率, 方便進行高速運動物體的跟蹤和柔性物體的識別, 常用于快速反應(yīng)的系統(tǒng), 但是受到硬件設(shè)備的限制, 圖像分辨率較低, 物體表面紋理不清晰, 難以描述復(fù)雜的場景,且系統(tǒng)較為復(fù)雜, 開發(fā)和維護的成本高. 對于這一類的系統(tǒng), 可以使用圖像矩、核采樣、互信息等全局圖像特征, 不需要特征點的提取, 對圖像分辨率的要求較低, 相比之下控制精度更高.

2) 分布式網(wǎng)絡(luò)化的視覺系統(tǒng)

文獻中提出基于網(wǎng)絡(luò)化分布式計算的視覺伺服控制系統(tǒng), 從分布在不同部位的傳感器 (如視覺傳感器、光學(xué)傳感器、雷達等) 采集的數(shù)據(jù)通過網(wǎng)絡(luò)傳送到處理器節(jié)點進行處理, 從而提高了視覺伺服系統(tǒng)的采樣速度. 文獻中提出了視覺伺服系統(tǒng)中圖像數(shù)據(jù)的傳輸協(xié)議及其調(diào)度策略. 分布式的實現(xiàn)策略充分利用了多個網(wǎng)絡(luò)節(jié)點的計算資源, 從而更快地進行多傳感器信息融合, 但是其效率很大程度上依賴于網(wǎng)絡(luò)的速度, 并且網(wǎng)絡(luò)化的系統(tǒng)增加了控制算法的復(fù)雜程度, 特別是針對網(wǎng)絡(luò)延時、故障的處理.

3)結(jié)合觀測器的視覺系統(tǒng)

由于視覺設(shè)備的采樣頻率低, 并且具有噪聲, 因此可以利用觀測器對圖像特征進行觀測, 從而應(yīng)對噪聲和延遲對系統(tǒng)的影響. 在硬件條件限制下, 使用觀測器是最有效的改善視覺系統(tǒng)性能的方法.

卡爾曼濾波 (Kalman ˉlter) 是一種常用的方法, 對于視覺伺服系統(tǒng)這種非線性對象, 可以使用擴展卡爾曼濾波器. 當(dāng)噪聲特征未知時, 可以使用自適應(yīng) 或自整定的方法. 另外, 由于視覺系統(tǒng)處理時間較長, 因此可能出現(xiàn)測量時間長于控制周期的情況, 可以使用雙速率卡爾曼濾波的方法對系統(tǒng)狀態(tài)進行觀測.

粒子濾波 (Particle ˉlter[55]) 可以用于非高斯噪聲下的非線性系統(tǒng), 相比于卡爾曼濾波的方法更加適合于視覺伺服系統(tǒng)的應(yīng)用. 其基本思想是通過隨機采樣獲取概率分布, 基于這些觀測值, 實際的概率分布可以通過調(diào)整采樣的權(quán)重和位置得到.

虛擬視覺伺服 (Virtual visual servo[56]) 以重投影誤差作為任務(wù)函數(shù), 設(shè)計虛擬控制律使其最小化, 再將此控制律中得到的控制輸入 (速度、加速度) 進行積分從而得到觀測到的相機位置和速度, 省去了目標(biāo)識別、定位等耗時的過程.

1.3 視覺系統(tǒng)噪聲的處理

視覺系統(tǒng)的噪聲主要來自于相機感光元件的噪聲和視覺處理算法的誤差, 對控制系統(tǒng)性能有較大影響. 視覺系統(tǒng)噪聲的處理可以從以下 4 個方面入手:

1)設(shè)計魯棒的特征提取算法圖像噪聲對圖像特征的提取影響較大, 尤其是基于像素梯度的局部圖像特征, 會出現(xiàn)特征點的誤提取和誤匹配, 直接導(dǎo)致系統(tǒng)狀態(tài)變量的誤差, 對控制系統(tǒng)的穩(wěn)定性有很大的影響. 常用的去除例外點的方法有 RANSAC (Random sample consensus) 算法、霍夫變換、最小二乘法以及 M-estimators 算法等.

2)使用觀測器降低噪聲的影響對于含有噪聲的特征向量, 可以利用觀測器對其狀態(tài)進行觀測降低噪聲的影響. 常用的方法有 Kalman 濾波[52?54]、粒子濾波[55] 等. 另外, 在有些控制器中需要利用圖像空間中的速度信息, 由于圖像采樣頻率較低且噪聲較大, 數(shù)值微分的方法存在較大的誤差, 此時也可以利用觀測器對其進行估計

3)利用冗余的特征向量對于冗余的特征向量, 可以利用每個特征點測量的統(tǒng)計特征描述該特征點的可靠性, 在設(shè)計控制律時可以基于每個維度的可靠性設(shè)計加權(quán)矩陣，從而降低噪聲較大或誤匹配特征點對系統(tǒng)的影響.另外, 也可以引入隨特征點與圖像邊界距離遞增的加權(quán)函數(shù) 處理目標(biāo)部分離開視野的情況, 保證控制律的連續(xù)性, 提高系統(tǒng)的容錯性.

4)提高對目標(biāo)的感知力圖像對物體運動的感知力與特征點的選取以及物體姿態(tài)有關(guān), 當(dāng)存在圖像噪聲時, 不同的特征點選取對系統(tǒng)穩(wěn)態(tài)誤差有一定的影響, 因此可以利用優(yōu)化的方法選取最佳的特征點對任務(wù)進行描述[59]. 在控制的過程中, 可以利用圖像雅可比矩陣的奇異值衡量對目標(biāo)的感知能力. 在任務(wù)零空間中優(yōu)化軌跡以增強感知力, 從而提高控制性能.

視覺伺服中的控制策略在視覺伺服控制器的設(shè)計中, 主要的問題在于模型不確定性和約束的處理. 這是由于視覺模型依賴于目標(biāo)深度、相機參數(shù)等未知或不精確的信息, 并且在控制的過程中需要保證目標(biāo)的可見, 對系統(tǒng)的穩(wěn)定性和動態(tài)性能有較大的影響.

2.1 視覺伺服中模型不確定性的處理

針對模型不確定性問題, 主要有三種解決方案,分別為自適應(yīng)算法、魯棒算法和智能算法. 自適應(yīng)算法通過自適應(yīng)環(huán)節(jié)在線調(diào)整模型, 從而優(yōu)化控制性能; 魯棒算法基于最優(yōu)估計參數(shù)設(shè)計控制器, 并保證對一定范圍內(nèi)參數(shù)攝動的穩(wěn)定性; 智能算法一般基于學(xué)習(xí)的策略應(yīng)對參數(shù)不確定性.

2.1.1 自適應(yīng)視覺伺服控制

考慮到模型參數(shù)不確定帶來的問題, 研究者提出了一系列自適應(yīng)的方法對模型誤差進行補償. 自適應(yīng)控制方法由控制律和自適應(yīng)環(huán)節(jié)組成, 通過自適應(yīng)環(huán)節(jié)的在線修正保證系統(tǒng)的穩(wěn)定性. 自適應(yīng)的方法可以分為參數(shù)自適應(yīng)和雅可比矩陣自適應(yīng)方法.

1)參數(shù)自適應(yīng)算法

由于特征點在圖像空間的運動特性依賴于其深度和相機參數(shù), 從而可以在控制過程中根據(jù)控制輸入使用當(dāng)前估計參數(shù)將運動投影到圖像空間, 預(yù)測特征點的運動. 預(yù)測值與實際觀測的特征點運動之間的差異作為估計投影誤差, 可以通過迭代優(yōu)化的方法使該投影誤差最小化從而對參數(shù)進行在線估計.一種常用的自適應(yīng)方法是結(jié)合 Slotine 等的思想,利用梯度法 或其他搜索方法對特征點的估計投影誤差進行在線最小化.

當(dāng)相機標(biāo)定參數(shù)未知時, 一種思路是基于 \深度無關(guān)雅可比矩陣" 的方法, 將圖像雅可比矩陣分為深度因子和深度無關(guān)的部分, 使用深度無關(guān)的部分設(shè)計反饋控制律, 從而在得到的閉環(huán)系統(tǒng)中相機參數(shù)是線性表達的. 對于深度信息未知的情況, 可以加入對深度的自適應(yīng)環(huán)節(jié)增強其穩(wěn)定性. 除了基于特征點的系統(tǒng), 這種方法對一些廣義特征也是有效的, 只要深度無關(guān)雅可比矩陣對廣義特征的未知幾何參數(shù)是線性參數(shù)化的, 如距離、角度、質(zhì)心等.

對于視覺伺服軌跡跟蹤控制, 常規(guī)的方法需要加入圖像空間中的速度作為前饋項, 而圖像中的速度一般是通過對圖像坐標(biāo)信息的數(shù)值微分得到的,相比于關(guān)節(jié)空間的速度具有更大的噪聲, 尤其是當(dāng)采樣頻率較低時具有較大的誤差. 因此, 一些學(xué)者提出不需要測量圖像速度的方法. 這一類方法利用關(guān)節(jié)速度和估計的雅可比矩陣設(shè)計圖像空間速度的觀測器, 并加入對相機參數(shù)和深度的自適應(yīng). 因為機器人關(guān)節(jié)速度的測量是比較精確的, 因此可以較好地改善數(shù)值微分帶來的問題.

2)雅可比矩陣自適應(yīng)算法

這一類的方法直接對雅可比矩陣進行在線辨識,由遞推的雅可比矩陣辨識算法和控制律組成. 常用的雅可比矩陣辨識方法如Broyden 算法、加權(quán)遞推最小二乘算法、Kalman 濾波等. Pari 等通過實驗對比了使用遞推最小二乘法估計的雅可比矩陣和使用解析形式的雅可比矩陣時的控制性能, 結(jié)果證明基于雅可比矩陣在線辨識的方法具有與基于解析形式雅可比矩陣的方法相差不多的控制效果和魯棒性, 而基于雅可比矩陣在線辨識的方法不需要大量對系統(tǒng)的先驗知識和復(fù)雜的模型推導(dǎo)過程, 但是其模型只在其訓(xùn)練的區(qū)域內(nèi)有效.

2.1.2 魯棒視覺伺服控制

在基于圖像的視覺伺服控制中, 由相機參數(shù)、目標(biāo)深度以及機器人模型誤差造成的圖像雅可比矩陣的不確定性會對控制效果產(chǎn)生影響, 并可能造成控制器不穩(wěn)定. 為了保證在參數(shù)攝動的情況下的控制器的穩(wěn)定性, 可以在最優(yōu)參數(shù)估計的基礎(chǔ)上設(shè)計魯棒控制器, 從而在一定的參數(shù)變化域內(nèi)保證穩(wěn)定性.

一種常用的思路是利用李雅普諾夫的方法設(shè)計魯棒控制器, 從而克服深度和標(biāo)定誤差、機器人模型誤差以及機器人執(zhí)行速度指令時的量化誤差帶來的不確定性問題. 另一種思路是基于優(yōu)化的方法, 通過對性能指標(biāo)的在線優(yōu)化(如H2=H1指標(biāo)、閉環(huán)系統(tǒng)的穩(wěn)定域等) 得到在具有參數(shù)不確定性時的最優(yōu)控制輸入. 另外, 滑?？刂埔彩且环N常用的方法, 通過構(gòu)造與系統(tǒng)不確定性參數(shù)和擾動無關(guān)的滑動面, 并設(shè)計控制律迫使系統(tǒng)向超平面收束, 從而沿著切換超平面到達系統(tǒng)原點. 由于常規(guī)的滑模控制產(chǎn)生的控制輸入是不連續(xù)的, 可能造成系統(tǒng)的抖振, 可以使用二階滑模Super-twisting 控制的方法解決此問題.

雖然基于魯棒控制的方法一般都具有對參數(shù)變化和擾動不敏感的優(yōu)點, 但是通常需要較大的控制增益, 造成系統(tǒng)響應(yīng)不光滑, 使執(zhí)行器的損耗較大,且可能造成系統(tǒng)的抖振. 在未來的研究中可以結(jié)合自適應(yīng)控制的方法, 在模型細小變化時利用控制器的魯棒性從而避免自適應(yīng)機構(gòu)過于頻繁的調(diào)整, 當(dāng)模型變化較大時, 則利用自適應(yīng)的方法對其進行修正, 從而避免魯棒控制方法過高的增益造成的問題.

2.1.3 智能視覺伺服控制

智能控制不需要精確的數(shù)學(xué)模型, 并且具有自學(xué)習(xí)能力, 適合于具有模型不確定性的視覺伺服系統(tǒng)控制. 智能視覺伺服控制方法有:

基于計算智能的方法一般利用人工神經(jīng)網(wǎng)絡(luò)、遺傳算法等方法對視覺伺服系統(tǒng)模型進行擬合, 并利用學(xué)習(xí)到的模型進行控制. BP 神經(jīng)網(wǎng)絡(luò)是一種常用的方法, 為了提高其收斂速度, 可以使用遺傳算法設(shè)計其初值和參數(shù). 這一類方法不需要復(fù)雜的建模過程, 但是需要預(yù)先進行離線訓(xùn)練, 而且當(dāng)環(huán)境變化時又需要重新訓(xùn)練, 限制了其應(yīng)用.

模糊控制利用模糊規(guī)則描述視覺伺服系統(tǒng)中各變量之間的關(guān)系, 不需要精確的系統(tǒng)模型, 但是需要一定的先驗知識或離線學(xué)習(xí). 在應(yīng)用中, 可以直接設(shè)計模糊控制器或利用模糊規(guī)則對其他控制器參數(shù)進行更新. 但是, 對于多自由度的視覺伺服系統(tǒng), 變量之間的關(guān)系復(fù)雜且耦合嚴(yán)重, 模糊規(guī)則的設(shè)計困難, 因此以往的研究主要針對低自由度的系統(tǒng).對于具有重復(fù)特性的視覺伺服任務(wù), 迭代學(xué)習(xí)控制利用先前動作中的數(shù)據(jù)信息, 通過迭代找到合適的控制輸入, 可以實現(xiàn)精確的軌跡跟蹤. 這一類方法主要有兩種思路, 一種是直接迭代學(xué)習(xí)控制, 使用迭代學(xué)習(xí)律得到控制輸入的前饋量, 并可以加入反饋輔助項提高收斂速度; 另一種是間接迭代學(xué)習(xí)控制, 使用迭代學(xué)習(xí)對模型參數(shù)進行更新, 從而最終得到精確的模型用于跟蹤控制. 這一類方法要求任務(wù)具有重復(fù)特性, 可以用于工業(yè)現(xiàn)場的流水線作業(yè).

視覺伺服中的實現(xiàn)策略近20 多年來, 機器人視覺伺服控制得到了廣泛的研究, 但是在實際中的應(yīng)用較少. 實際上, 視覺伺服的理論研究與實際應(yīng)用有一定的脫節(jié), 大部分的研究考慮理想的工作環(huán)境和任務(wù), 并采用示教(Teach-by-showing) 的方式. 這適合于靜態(tài)環(huán)境下的重復(fù)性任務(wù), 但是機器人的任務(wù)是復(fù)雜多樣的. 近年來, 研究者提出了創(chuàng)新性的解決方案, 為視覺伺服系統(tǒng)的實施和應(yīng)用提供了新的思路. 在實際中, 基于視覺伺服的系統(tǒng)主要有兩種類型, 一種是機器人自主控制系統(tǒng), 完全由機器人自身根據(jù)視覺反饋完成分配的任務(wù); 另一種是人機協(xié)作系統(tǒng), 在任務(wù)完成的過程中需要人為的干預(yù), 其目的在于協(xié)助人更好地完成任務(wù).

3.1 自主控制系統(tǒng)

視覺伺服在機器人系統(tǒng)中有廣泛的應(yīng)用, 如移動機器人的視覺導(dǎo)航和機械臂的末端控制等. 移動機器人的視覺導(dǎo)航可以描述為視覺伺服跟蹤控制問題 或一系列的視覺伺服調(diào)節(jié)控制問題, 一般需要預(yù)先進行訓(xùn)練得到期望的圖像序列. 工業(yè)機械臂常使用示教的策略, 以零件組裝任務(wù)為例, 工程師需要先利用手操器對其進行編程, 機械臂再通過執(zhí)行記錄的驅(qū)動信號完成任務(wù). 引入視覺伺服系統(tǒng)可以簡化此過程, 只需要人在相機的監(jiān)控下完成一次操作, 機械臂即可利用視覺反饋完成任務(wù).傳統(tǒng)的視覺伺服系統(tǒng)使用示教的方式, 其控制器的設(shè)定值為相機在期望位置處拍攝到的圖像. 這種方法適合于在局部空間內(nèi)執(zhí)行重復(fù)性任務(wù)的工業(yè)機械臂, 但是對于大范圍的移動機器人視覺導(dǎo)航任務(wù)顯得實現(xiàn)成本較高. 學(xué)者們提出了以下幾種改進策略:

1)利用其他相機拍攝的圖像作為設(shè)定值, 如Teach-by-zooming 策略;

2)利用其他模態(tài)的圖像作為設(shè)定值, 如基于互信息的方法;

3)利用幾何信息定義視覺伺服任務(wù).

在現(xiàn)實生活中, 如果要告訴某人去某地, 可以提供該地點的照片或地圖, 也可以描述該場景的幾何特性. 實際上, 上述的三種策略分別對應(yīng)了人類的這些行為習(xí)慣. 在未來的機器人應(yīng)用中, 可以充分利用互聯(lián)網(wǎng)資源, 如Google 街景、Google 地圖等, 使其更靈活地為人類服務(wù).

另外, 大部分視覺伺服系統(tǒng)都要求目標(biāo)在圖像中持續(xù)可見(FOV 約束), 這在實際任務(wù)中大大縮小了機器人的可達工作空間. Jia 等針對平面移動機器人提出了基于稀疏路標(biāo)的視覺導(dǎo)航方法, 利用\關(guān)鍵幀" 策略放松了視野約束, 從而優(yōu)化了非完整約束機器人在工作空間中的軌跡. Li 等提出了機器人任務(wù)空間的全局控制器, 利用各個區(qū)域性有效的反饋信息構(gòu)造了連續(xù)的整體控制器, 使得機器人在完成任務(wù)的過程中可以安全地穿過視覺感知盲區(qū)和奇異區(qū)域.

3.2 人機協(xié)作系統(tǒng)

目前大部分機器人的自主定位和導(dǎo)航任務(wù)都需要預(yù)先對任務(wù)進行精確描述, 但是實際應(yīng)用中的一些復(fù)雜任務(wù)難以用數(shù)學(xué)描述, 且在任務(wù)完成的過程中需要進行智能決策, 以當(dāng)前的人工智能發(fā)展程度無法由機器人自主完成. 因此可以構(gòu)造人機協(xié)作系統(tǒng), 在任務(wù)執(zhí)行過程中加入人類的判斷, 視覺伺服控制作為輔助系統(tǒng), 幫助人更輕松地完成一些復(fù)雜任務(wù), 形成半自動的系統(tǒng). 常見的人機協(xié)作系統(tǒng)有以下幾種實現(xiàn)策略:

1)人機串級控制, 人負責(zé)上層的決策控制, 視覺伺服系統(tǒng)負責(zé)底層的運動控制, 如水下遙控機器人、半自動駕駛輪椅等.

2)視覺伺服系統(tǒng)對操作對象施加運動約束, 降低人需要操作的自由度, 提高操作精度, 如人機協(xié)作操作、手術(shù)輔助系統(tǒng)等.

3)人機切換控制, 將任務(wù)分為人主導(dǎo)的區(qū)域和機器人主導(dǎo)的區(qū)域, 共同完成任務(wù).

在醫(yī)療領(lǐng)域, 學(xué)者們提出了一系列基于醫(yī)療成像設(shè)備的視覺伺服系統(tǒng), 對醫(yī)生的手術(shù)操作起到協(xié)助作用.1

單周期控制策略在供電系統(tǒng)和用電設(shè)備中，由于輸入電源的多樣性，故改善整流器的性能，減小輸入電流諧波含量，提高系統(tǒng)的功率因數(shù)具有重要意義。目前根據(jù)系統(tǒng)接線方式可以分為3P3W(three-phase three-wire)系統(tǒng)以及3P4W(three-phase four-wire)系統(tǒng)。其中3P3W 系統(tǒng)中應(yīng)用較廣的主要電路拓撲有三相三橋臂整流拓撲和維也納整流拓撲等，如圖1a、1b所示。除此之外，一些應(yīng)用場合出于防雷、絕緣及中線電流補償?shù)瓤紤]，需要采用3P4W 的連接方式，如并聯(lián)有源電力濾波器、動態(tài)電壓恢復(fù)器和不間斷電源等。常見的3P4W 系統(tǒng)拓撲分為三橋臂-分裂電容拓撲以及四橋臂-全橋拓撲。由于三橋臂-分裂電容拓撲輸入相電壓只能在兩個電平(-Udc/2, Udc/2)間跳變，諧波抑制效果相對較差，從而輸入電流波形的畸變度也較高。對于四橋臂-全橋拓撲（下文以三相四橋臂整流器進行表述），由于增加了一個橋臂，對于電路結(jié)構(gòu)而言，增加了其復(fù)雜性。但是在控制上，橋臂的增加使得對電路的控制更為靈活。

單周期控制的PFC 變換器無需產(chǎn)生輸入電流基準(zhǔn)，因而不需要使用乘法器和采樣輸入電源電壓，簡化了控制結(jié)構(gòu)，降低了經(jīng)濟成本，在中小功率場合得到了廣泛的應(yīng)用 。在傳統(tǒng)單周期控制策略中，載波信號幅值是由電壓調(diào)節(jié)器產(chǎn)生，變換器輸入電感電流采樣直接作為調(diào)制信號與載波交割產(chǎn)生 PWM 信號，并經(jīng)過相應(yīng)的邏輯變換生成功率管控制信號，因此傳統(tǒng)單周期控制策略中的PWM 信號可視為是通過SPWM 方式所獲得。在這種調(diào)試方式下，三相PFC 變換器輸出電壓較高，直流母線電壓利用率不足，不利于降低開關(guān)管耐壓等級和提高系統(tǒng)效率。目前，國內(nèi)外文獻關(guān)于降低單周期控制策略下的PFC 電路輸出直流電壓，提高直流母線電壓利用率鮮有討論。

針對3P4W 系統(tǒng)中的三相四橋臂整流拓撲分析了傳統(tǒng)控制單周期控制策略。提出變革傳統(tǒng)單周期控制策略的調(diào)制波形，將3 次諧波注入調(diào)制引入到傳統(tǒng)單周期控制策略中，分析了改進后的單周期控制策略，給出了三相四橋臂整流器改進單周期控制策略示意圖。通過改進的單周期控制策略可以降低三相四橋臂整流器輸出電壓，提高直流母線電壓利用率，且不影響系統(tǒng)正常工作。同時，改進的單周期控制策略可推廣至其他三相PFC 變換器。系統(tǒng)仿真與實驗表明了理論分析的正確性。2

主動控制策略概述電動汽車換電站(battery swap station，BSS)是一種重要的集中式充電基礎(chǔ)設(shè)施，其V2G 運行方式具有廣闊的應(yīng)用前景。但是，當(dāng)BSS 放電功率較大時，會對中壓配電網(wǎng)現(xiàn)有的故障處理過程產(chǎn)生較大影響，需要有合理的應(yīng)對措施。

目前有關(guān)BSS 在V2G 運行方式下對中壓配電網(wǎng)保護與自動化配置的影響的研究仍很少見，但充放電機在向配電網(wǎng)放電時與逆變器型分布式電源的工作原理存在共性，相應(yīng)造成的影響也較為類似。針對該類問題，目前存在2 種解決思路：一是根據(jù)分布式電源接入后造成影響的特點，改變中壓配電網(wǎng)的保護及自動化配置；二是從分布式電源側(cè)入手，限制分布式電源的容量或者及時檢測配電網(wǎng)的運行狀態(tài)并主動調(diào)整分布式電源側(cè)的控制方式，盡可能降低影響。

對于第1 種思路，目前已有較多研究成果。文獻[5-7]修正了分布式電源接入后的保護配置，并利用了額外的斷路器、方向繼電器或距離繼電器等繼電保護器件，但是這種方法不夠靈活，每次新接入分布式電源時都要對保護重新配置；文獻[8-10]采用自適應(yīng)保護，分布式電源接入配電網(wǎng)后可以自動改變保護特性、定值，但是必須配備通信單元和快速計算單元，需要額外的投資。

第2 種思路近年來也吸引了學(xué)術(shù)界的關(guān)注。文獻[11-13]利用了故障限流器，在配電網(wǎng)正常運行時呈現(xiàn)小阻抗?fàn)顟B(tài)，當(dāng)故障發(fā)生后立即轉(zhuǎn)變?yōu)榇笞杩?，將故障電流限制在較低水平，但是這種方法需要額外的投資，而且正常運行時會對配電網(wǎng)產(chǎn)生一定的影響；文獻[14-17]通過分布式電源在配電網(wǎng)中準(zhǔn)入容量的計算確定允許接入的分布式電源的最大容量，但是這種方法限制了分布式電源的利用。

綜合上述研究成果，本文的貢獻在于利用BSS 內(nèi)動力電池具有一定程度的自由度和可支配性的特點，提出了主動控制策略。該策略包括BSS 在不同線路類型配電網(wǎng)中的故障判別與應(yīng)對策略和 BSS 內(nèi)各充放電機的協(xié)調(diào)控制策略，不僅控制靈活迅速，而且不需額外的設(shè)備和投資，也不會因為保護系統(tǒng)的要求而限制BSS 的容量。

1BSS 對中壓配電網(wǎng)故障處理過程的影響1.1 基于饋線自動化的配電網(wǎng)故障處理過程

1）基于饋線終端單元(feeder terminal unit，F(xiàn)TU)的配電網(wǎng)饋線自動化系統(tǒng)故障處理過程。

目前城市配電網(wǎng)大量采用基于FTU 的饋線自動化以提高供電可靠性。架空線路發(fā)生故障時，變電站出線重合器跳閘切斷故障電流，若重合器重合成功，則判定為瞬時性故障，否則判定為永久性故障，根據(jù)各負荷開關(guān)的信息迅速判斷出故障區(qū)段，遙控故障區(qū)段兩側(cè)負荷開關(guān)分閘以隔離故障區(qū)段，并遙控相應(yīng)的重合器和聯(lián)絡(luò)開關(guān)合閘，恢復(fù)非故障區(qū)段供電。而電纜線路發(fā)生故障后即認定是永久性故障，故障處理方式與架空線路發(fā)生永久性故障時一致。

2）基于重合器-熔斷器配合的配電網(wǎng)故障處理過程。

重合器與熔斷器配合也是一種重要的饋線自動化保護方案，利用了重合器能夠重合且其開斷特性具有雙時性的特點。當(dāng)熔斷器支路發(fā)生故障時，重合器快速跳閘，若重合閘后故障消失，說明發(fā)生了瞬時性故障；否則說明發(fā)生了永久性故障，在重合器延時跳閘前熔斷器的熔體熔斷，實現(xiàn)線路故障區(qū)段的隔離。

1.2 BSS 對基于FTU 的饋線自動化的影響

在V2G 運行方式下，會對饋線自動化產(chǎn)生如下影響：

1）使得瞬時性故障發(fā)展成為永久性故障。故障發(fā)生后重合器R1 跳閘，在R1 重合閘之前，BSS仍向故障點提供電流，使得故障點電弧無法熄滅， R1 重合閘失敗，即使是瞬時性故障也會發(fā)展為永久性故障，降低了供電可靠性。

2）當(dāng)故障點在BSS 上游時可能會導(dǎo)致故障區(qū)域判斷不正確。例如故障點在圖1 中的f1 點，當(dāng)故障發(fā)生后，BSS 向f1 提供短路電流。雖然BSS 放電時由于充放電機中逆變器的限流要求導(dǎo)致BSS 提供的最大短路電流僅為其額定放電運行時的2 倍，但BSS 容量較大時，也將提供較大的短路電流，可能導(dǎo)致系統(tǒng)判定負荷開關(guān)2 也流過短路電流，從而錯誤地將故障區(qū)域判斷為負荷開關(guān)2 和3 之間。

3）當(dāng)故障點在BSS 下游時重合器R1 檢測到的故障電流減小。例如故障點在圖1 的f2 點，當(dāng)故障發(fā)生后，R1 檢測到的故障電流比BSS 不接入時小，可能會對饋線自動化產(chǎn)生一定的潛在影響。

2配電網(wǎng)故障時BSS 的主動控制策略2.1 基本原理

根據(jù)IEEE STD.1547 標(biāo)準(zhǔn)，分布式電源的并網(wǎng)點電壓在0.88~1.1 pu 之間時，分布式電源處于正常運行狀態(tài)，因此當(dāng)BSS 并網(wǎng)點電壓U