RBF-EKF カップル状態-干渉推定とタスク指向のK-Meansクラスタリングによるロボットのための視覚予測制御

科学分野:

• ロボット工学 ロボット工学 ロボット工学
• コントロールシステム コントロールシステム
• コンピュータビジョン コンピュータビジョン

背景:

• イメージベースのビジュアル・サーボイング (IBVS) システムは,ノイズ,モデリングエラー,および干渉による不安定性の課題に直面しています.
• 既存の方法は,これらの複雑な問題を同時に効果的に対処するためにしばしば苦労します.

研究 の 目的:

• IBVSの安定性と追跡精度を向上させるための堅牢なビジュアル・プレディクティブ・コントロール (VPC) フレームワークを開発する.
• 不確実性下でシステムのパフォーマンスを改善するために,高度な推定技術を統合する.

主な方法:

• フィードバック・ラインナライゼーション・モデル・プレディクティブ・コントロール (MPC) 法は,非線形性と制約を管理するために設計されました.
• 騒音抑制のための拡張カルマンフィルター (EKF) と,騒音学習のための放射線ベース機能 (RBF) ネットワークを使用した結合状態-干渉推定メカニズムが実装されました.
• 効率の向上のためにRBFセンター選択を最適化するために,タスク指向のK-meansクラスタリングが採用されました.

主要な成果:

• Lyapunovの分析は,提案されたシステムの統一的に究極的に制限された (UUB) 安定性を確認しました.
• シミュレーションでは,伝統的な方法と比較して,推定誤差の有意な減少と追跡精度の向上が示されました.
• 統合されたアプローチは,ロボットのビジュアル・サーボイングの卓越した強度と実用性を実証しました.

結論:

• 提案されたビジュアル・プレディクティブ・コントロール・フレームワークは,IBVSシステムの強度と性能を効果的に高めています.
• 制御と推定戦略の深い調整は,現実世界のロボットアプリケーションのための実用的な解決策を提供します.
• この研究は,安定性と精度を向上させることで,ロボット制御の分野を前進させるのに寄与しています.