目前，機器人視覺伺服控製係統有以下幾種分類方式：
       按照攝像機的數目的不同，可分為單目視覺檢測伺服係統、雙目視覺檢測伺服係統以及多目視覺檢測伺服係統。

       單目視覺係統隻能得到二維平麵圖像，無法直接得到目標的深度信息;多目視覺檢測伺服係統可以獲取目標多方向的圖像，得到的信息豐富，但圖像的信息處理量大，且攝像機越多越難以保證係統的穩定性。當前的視覺檢測伺服係統主要采用雙目視覺。
       按照攝像機放置位置的不同，可以分為手眼係統(eyeinhand)和固定攝像機係統(eyetohand或standalone)。
       在理論上手眼係統能夠實現精確控製，但對係統的標定誤差和機器人運動誤差敏感;固定攝像機係統對機器人的運動學誤差不敏感，但同等情況下得到的目標位姿信息的精度不如手眼係統，所以控製精度相對也低。
       按照機器人的空間位置或圖像特征，視覺檢測伺服係統分為基於位置的視覺檢測伺服係統和基於圖像的視覺檢測伺服係統。
       在基於位置的視覺檢測伺服係統中，對圖像進行處理後計算出目標相對於攝像機和機器人的位姿，所以這就要求對攝像機、目標和機器人的模型進行校準，校準精度影響控製精度，這是這種方法的難點。控製時將需要變化的位姿轉化成機器人關節轉動的角度，由關節控製器來控製機器人關節轉動。
       在基於圖像的視覺檢測伺服係統中，控製誤差信息來自於目標圖像特征與期望圖像特征之間的差異。對於這種控製方法，關鍵的問題是如何建立反映圖像差異變化與機器手位姿速度變化之間關係的圖像雅可比矩陣；另外一個問題是，圖像是二維的，計算圖像雅可比矩陣需要估計目標深度(三維信息)，而深度估計一直是計算機視覺中的難點。
       雅可比矩陣的計算方法有公式推導法、標定法、估計方法以及學習方法等，前者可以根據模型推導或標定得到，後者可以在線估計，學習方法主要利用神經網絡方法。
       按照采用閉環關節控製器的機器人，視覺檢測伺服係統分為動態觀察-移動係統和直接視覺伺服。
       前者采用機器人關節反饋內環穩定機械臂，由圖像處理模塊計算出攝像機應具有的速度或位置增量，反饋至機器人關節控製器；後者則由圖像處理模塊直接計算機器人手臂各關節運動的控製量。

返回列表