基于自适应神经网络与预设时间约束的封闭架构机器人视觉控制研究

为解决工业机器人封闭架构导致的扭矩控制器不可修改及性能约束难题，研究人员开展自适应神经网络(ANN)视觉伺服控制研究。通过设计TEDABF(跟踪误差依赖非对称屏障函数)与PTPF(预设时间性能函数)，实现了用户可预设收敛时间与精度的视觉伺服控制。该方案在保持制造商原装扭矩控制器前提下，解决了传统方法无法处理非对称误差约束的问题，为工业机器人精准控制提供新思路。

　　

在工业自动化领域，封闭架构机器人因知识产权保护普遍采用不可修改的扭矩控制器，导致传统基于扭矩的视觉伺服控制方法失效。现有解决方案或依赖理想化假设，或无法处理非对称误差约束，且收敛时间难以精确控制。这一瓶颈严重制约了工业机器人在高精度场景的应用。

燕山大学的研究团队在《Neurocomputing》发表的研究中，提出了一种突破性解决方案。通过融合自适应神经网络(ANN)与预设时间约束技术，设计出无需修改原厂扭矩控制器的视觉伺服系统。该系统采用TEDABF(跟踪误差依赖非对称屏障函数)处理非对称约束，结合PTPF(预设时间性能函数)实现用户自定义的收敛时间控制，在Denso工业机械臂上验证了其优越性能。

关键技术包括：1) 构建基于Lyapunov稳定性理论的ANN视觉伺服控制器；2) 开发含立方衰减函数的settling time regulator(19)；3) 设计可处理非对称约束的TEDABF；4) 采用Daheng USB相机(60fps)进行图像特征提取。

【Kinematics】
建立机器人视觉伺服系统运动学模型，通过固定于机械臂末端的针孔相机获取m个特征点的图像坐标y_i=[u_i,v_i]^T∈R²，推导出图像空间与关节空间的映射关系。

【Prescribed-time constraint approach】
创新性提出含立方衰减项(1-t/T)³的settling time regulator(19)，结合PTPF实现预设时间收敛。实验表明当t≥T时误差稳定在预设精度b?_ji，突破传统指数型PPF收敛时间无限的局限。

【Experimental study】
在Denso VP-6242G机械臂上的测试显示，系统在T=5s内将特征点跟踪误差收敛至±0.3像素，验证了TEDABF处理非对称约束(如[-0.5,1.2]像素)的能力，且无需知晓原厂PID参数。

该研究开创性地解决了封闭架构机器人控制三大难题：1) 保持原厂扭矩控制器不可修改特性；2) 实现用户可调的预设时间收敛；3) 处理非对称误差约束。所提出的ANN视觉伺服框架为工业机器人精准控制提供了普适性解决方案，其模块化设计思想可扩展至无人机、医疗机器人等领域。特别值得注意的是，这是首次在自适应视觉伺服控制中实现预设时间收敛，为后续研究确立了新标准。