基于ReLU神經(jīng)網(wǎng)絡(luò)的移動(dòng)目標(biāo)視覺(jué)伺服研究

，

(浙江工業(yè)大學(xué) 信息工程學(xué)院，杭州 310023)

0 引言

機(jī)器人視覺(jué)伺服系統(tǒng)是將視覺(jué)傳感器技術(shù)與機(jī)器人控制相結(jié)合以提高系統(tǒng)的性能與靈活性，從而使得機(jī)器人能夠更好地完成所交予的任務(wù)[1]。一般可將該系統(tǒng)分為3個(gè)方面：視覺(jué)系統(tǒng)、控制策略以及實(shí)現(xiàn)策略[2]。其中，視覺(jué)系統(tǒng)主要任務(wù)是采集目標(biāo)所處環(huán)境圖像，經(jīng)由圖像處理算法和模型計(jì)算得出目標(biāo)的位置信息。而控制策略則是需要結(jié)合視覺(jué)系統(tǒng)提供的信息對(duì)末端執(zhí)行器進(jìn)行閉環(huán)控制，驅(qū)動(dòng)其運(yùn)動(dòng)至期望位姿。這種視覺(jué)伺服系統(tǒng)增強(qiáng)了機(jī)器人與外界的交互能力，使得它能夠應(yīng)用在許多領(lǐng)域如：工業(yè)分揀機(jī)器人、農(nóng)業(yè)采摘機(jī)器人等等[3]。

為了使機(jī)器人視覺(jué)伺服系統(tǒng)能夠具有更好地完成對(duì)運(yùn)動(dòng)的跟蹤以及抓取任務(wù)，就需要設(shè)計(jì)性能良好的視覺(jué)系統(tǒng)以及控制策略以解決移動(dòng)目標(biāo)檢測(cè)和機(jī)器人實(shí)時(shí)控制的問(wèn)題。需要視覺(jué)系統(tǒng)能夠完成對(duì)移動(dòng)目標(biāo)進(jìn)行檢測(cè)并估計(jì)其狀態(tài)的任務(wù)?？刂撇呗詣t需要滿足機(jī)器人實(shí)時(shí)控制的要求，結(jié)合視覺(jué)系統(tǒng)提供的信息完成任務(wù)。在基于位置的視覺(jué)伺服控制中，控制策略就是找出關(guān)節(jié)空間增量到笛卡兒空間增量的非線性映射。目前，這種映射關(guān)系多用高維非線性矩陣表示，這種方法存在著兩點(diǎn)不足：其一，各個(gè)關(guān)節(jié)之間存在著復(fù)雜的耦合關(guān)節(jié)，使得解耦過(guò)程過(guò)于復(fù)雜并且可能存在增根，此時(shí)就需要依據(jù)結(jié)果特點(diǎn)來(lái)確定位姿，不適用于實(shí)時(shí)控制；其二，可能存在多解，傳統(tǒng)方法難以得到單一優(yōu)化解。對(duì)此，已有一些研究是利用神經(jīng)網(wǎng)絡(luò)通過(guò)學(xué)習(xí)能夠表達(dá)任意非線性連續(xù)函數(shù)的特性來(lái)解決該問(wèn)題[4]。其原理就是利用人工神經(jīng)網(wǎng)絡(luò)對(duì)視覺(jué)伺服系統(tǒng)中不確定的模型進(jìn)行辨識(shí)，并將辨識(shí)后得到模型用于伺服控制。主要成果集中于在先驗(yàn)知識(shí)較少的情況下，利用神經(jīng)網(wǎng)絡(luò)逼近視覺(jué)反饋中非線性的模型完成視覺(jué)伺服任務(wù)，如Ker R[5]通過(guò)設(shè)計(jì)BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)來(lái)辨識(shí)各關(guān)節(jié)角度與末端位姿的關(guān)系，并將訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)用于對(duì)機(jī)械臂的控制并完成避障任務(wù)，通過(guò)實(shí)驗(yàn)結(jié)果證明神經(jīng)網(wǎng)絡(luò)控制機(jī)械臂可以很好地完成任務(wù)并避免奇異問(wèn)題。也有將RBF(Radial Basis Function)神經(jīng)網(wǎng)絡(luò)與模糊控制結(jié)合，Spyros N[6]采用多個(gè)徑向基函數(shù)網(wǎng)絡(luò)模型與專(zhuān)家系統(tǒng)相結(jié)合，大大減少了訓(xùn)練時(shí)間，降低了系統(tǒng)誤差，并成功應(yīng)用于機(jī)器人逆運(yùn)動(dòng)學(xué)控制中。

本文利用ViBe算法構(gòu)建視覺(jué)系統(tǒng)來(lái)完成檢測(cè)運(yùn)動(dòng)目標(biāo)任務(wù)，并將神經(jīng)網(wǎng)絡(luò)應(yīng)用于機(jī)器人運(yùn)動(dòng)控制中，從而解決機(jī)器人實(shí)時(shí)控制的問(wèn)題。同時(shí)選擇修正線性單元(Rectified Linear Unit)[7]作為神經(jīng)網(wǎng)絡(luò)的神經(jīng)元，通過(guò)設(shè)計(jì)架構(gòu)以及學(xué)習(xí)算法，以提高網(wǎng)絡(luò)模型的逼近精度以及泛化性能。之后結(jié)合機(jī)器人逆運(yùn)動(dòng)學(xué)構(gòu)建神經(jīng)網(wǎng)絡(luò)控制器并通過(guò)實(shí)驗(yàn)結(jié)果驗(yàn)證方法的有效性。實(shí)驗(yàn)主要是在NAO機(jī)器人平臺(tái)上建立視覺(jué)伺服系統(tǒng)，完成對(duì)于給定的移動(dòng)目標(biāo)物體抓取任務(wù)。利用視覺(jué)系統(tǒng)提供的位姿信息，確定抓取路徑，控制機(jī)器人手臂完成對(duì)目標(biāo)物體進(jìn)行跟蹤、抓取操作。最后依據(jù)實(shí)驗(yàn)結(jié)果驗(yàn)證上述方法的有效性和可行性。

1 視覺(jué)系統(tǒng)設(shè)計(jì)

在機(jī)器人視覺(jué)伺服系統(tǒng)中，視覺(jué)系統(tǒng)主要負(fù)責(zé)感知目標(biāo)所處環(huán)境信息以及提取目標(biāo)信息。由于采集的圖像中包含許多的冗余信息，如何從中提取出有效的信息就是圖像處理算法所需要做的工作。另外，當(dāng)目標(biāo)處于運(yùn)動(dòng)狀態(tài)，如何快速地檢測(cè)與估計(jì)目標(biāo)狀態(tài)也是設(shè)計(jì)視覺(jué)系統(tǒng)時(shí)需要考慮的問(wèn)題。

1.1 單目定位模型

一般可將視覺(jué)系統(tǒng)分為圖像信息采集和視覺(jué)處理兩部分,圖像信息采集就是依據(jù)相機(jī)模型將三維空間投影到二維圖像空間的過(guò)程,視覺(jué)處理則是處理已經(jīng)獲取到的圖像信息從而得到視覺(jué)反饋的過(guò)程。NAO機(jī)器人一般利用本身配置的兩個(gè)相機(jī)模型為針孔模型的攝像頭感知其所處環(huán)境。攝像機(jī)可隨著頭部的關(guān)節(jié)運(yùn)動(dòng)而改變視角，從而獲取更大的視角。

利用NAO的單個(gè)攝像頭對(duì)目標(biāo)進(jìn)行定位，主要原理是依據(jù)小孔透視模型建立起像平面坐標(biāo)與實(shí)際空間中的三維坐標(biāo)之間的映射關(guān)系，從而完成視覺(jué)定位任務(wù)，依據(jù)已知信息計(jì)算得出目標(biāo)在機(jī)器人坐標(biāo)系下的三維坐標(biāo)。其中最重要的就是如何從采集的圖像中有效地提取出目標(biāo)特征，以及利用目標(biāo)特征結(jié)合已知模型對(duì)當(dāng)前位置狀態(tài)進(jìn)行估計(jì)，模型如圖1所示[8]。

圖1 NAO機(jī)器人單目定位模型

圖中oc為圖像空間坐標(biāo)系，ow為機(jī)器人坐標(biāo)系，(u0,v0)為圖像中心坐標(biāo)，h1為目標(biāo)高度。基于視覺(jué)的定位的有以下步驟：建立機(jī)器人坐標(biāo)系，構(gòu)建模型并推導(dǎo)出像平面坐標(biāo)與實(shí)際空間中的三維坐標(biāo)兩者之間的運(yùn)算關(guān)系，從而計(jì)算得出目標(biāo)在機(jī)器人坐標(biāo)系下的空間位置。若目標(biāo)中心在像平面上的坐標(biāo)為(u,v)，則其在像平面上的坐標(biāo)為圖像中心的物理尺寸為像素差與尺度因子的乘積，如公式(1)所示:

(1)

其中：dx,dy為相機(jī)尺度因子。依據(jù)三角函數(shù)關(guān)系結(jié)合攝像頭焦距f，則有

(2)

根據(jù)上述公式可得

(3)

依據(jù)三角形相似原理可求得目標(biāo)物體的空間坐標(biāo)為(xt,yt,h1)。

(4)

上述這種基于NAO機(jī)器人的機(jī)械機(jī)構(gòu)的單目視覺(jué)定位模型，結(jié)構(gòu)較為簡(jiǎn)單、便于實(shí)現(xiàn)具有廣泛的應(yīng)用性。但是其精度主要卻決于攝像頭標(biāo)定的精度，需要確定精準(zhǔn)的內(nèi)外參數(shù)，并且測(cè)量范圍較為狹小。要想準(zhǔn)確地獲取目標(biāo)在圖像空間的特征坐標(biāo)(u,v)，就必須要對(duì)采集到的數(shù)字圖像進(jìn)行處理，從而剔除無(wú)效信息。

1.2 移動(dòng)目標(biāo)檢測(cè)算法設(shè)計(jì)

由于需要對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行操作，所以需要對(duì)采集到圖像進(jìn)行運(yùn)動(dòng)檢測(cè)以便于區(qū)分前景與背景。依據(jù)NAO機(jī)器人計(jì)算能力以及內(nèi)存，本文選用ViBe算法作為運(yùn)動(dòng)檢測(cè)算法[9]。這種算法具有初始化速度快、內(nèi)存消耗和占用資源較少等優(yōu)勢(shì)，較為適合用于機(jī)器人視覺(jué)伺服系統(tǒng)中。其原理以及算法步驟可總結(jié)如下：

1)初始化建模，依據(jù)采集的單圖像中每個(gè)像素點(diǎn)的空間分布特性進(jìn)行背景模型，如公式(5)所示:

(5)

2)對(duì)t=k時(shí)刻之后采集到圖像序列基于閾值采取前景背景分割操作，通過(guò)設(shè)定閾值來(lái)檢測(cè)運(yùn)動(dòng)目標(biāo)，如公式(6)所示:

(6)

3) 背景模型更新，每個(gè)像素點(diǎn)在依據(jù)公式(5)建立背景模型后，都有一定概率更新模型，通過(guò)結(jié)合步驟(2)來(lái)檢測(cè)運(yùn)動(dòng)目標(biāo)。

將上述算法用于NAO機(jī)器人視覺(jué)伺服系統(tǒng)中，其結(jié)果如圖2(a)、(c)所示。將原圖像轉(zhuǎn)換為灰度圖，依據(jù)上述算法進(jìn)行前景與背景的分割。

圖2 運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果

期望通過(guò)運(yùn)動(dòng)檢測(cè)算法可以得到當(dāng)前處于運(yùn)動(dòng)狀態(tài)的目標(biāo)，并提取它的特征，也就是計(jì)算出目標(biāo)質(zhì)心在像平面中的坐標(biāo)(u,v)。在圖像處理中，常常用幾何不變矩[10]來(lái)作為目標(biāo)的重要特征。這類(lèi)特征可以客觀地區(qū)域形狀目標(biāo)的幾何特征，其具有旋轉(zhuǎn)、平移、尺度等特性的不變特征，其形式如公式(7)所示。

(7)

可通過(guò)零階矩M00和一階矩M10、M01來(lái)求取目標(biāo)質(zhì)心。這種方法對(duì)噪聲不敏感，抗干擾能力比較強(qiáng)，并且精度也有保證，如公式(8)所示。

(8)

上述圖像處理方法得到目標(biāo)特征在圖像空間中的位置，再結(jié)合公式(3)、(4)可有效地對(duì)目標(biāo)的空間位置進(jìn)行提取，其結(jié)果如圖3(d)。為了完成對(duì)目標(biāo)抓取的操作，就需要估測(cè)目標(biāo)在下一時(shí)刻的位置。將目標(biāo)運(yùn)動(dòng)視為空間中勻加速的質(zhì)點(diǎn)，建立位移和速度的模型，如公式(9)所示：

vt=vt-1+aΔt

(9)

式中，t代表當(dāng)前時(shí)刻，xt、vt、a分別代表目標(biāo)的位移、速度、加速度。依據(jù)公式(9)得到系統(tǒng)的狀態(tài)方程和觀測(cè)方程為:

(10)

式中，W(t) 、V(t) 分別為系統(tǒng)噪聲和觀測(cè)噪聲。依據(jù)公式(10)以及卡爾曼濾波[11]來(lái)預(yù)測(cè)目標(biāo)在下一周期的狀態(tài)。將上述視覺(jué)系統(tǒng)用于基于位置的視覺(jué)伺服中，可以獲取運(yùn)動(dòng)目標(biāo)當(dāng)前所處位置以及預(yù)測(cè)下一周期的狀態(tài)。這樣可以為機(jī)器人閉環(huán)控制系統(tǒng)提供控制目標(biāo)，方便后續(xù)的末端執(zhí)行器的操作，從而完成任務(wù)。

2 機(jī)器人控制策略設(shè)計(jì)

由于神經(jīng)網(wǎng)絡(luò)具有如下特點(diǎn)：能夠?qū)W習(xí)和適應(yīng)嚴(yán)重不確定性系統(tǒng)的動(dòng)態(tài)特性，同時(shí)通過(guò)修正連接強(qiáng)度來(lái)充分逼近任意復(fù)雜的非線性系統(tǒng)。它的研究和應(yīng)用己經(jīng)廣泛滲透到智能控制、非線性?xún)?yōu)化、機(jī)器人等各個(gè)領(lǐng)域。尤其是在機(jī)器人逆運(yùn)動(dòng)學(xué)中，利用神經(jīng)網(wǎng)絡(luò)可以解決機(jī)器人逆雅可比矩陣實(shí)時(shí)求解的問(wèn)題，從而避免計(jì)算量大、系統(tǒng)結(jié)構(gòu)復(fù)雜等缺陷。

2.1 神經(jīng)網(wǎng)絡(luò)控制器

在機(jī)器人視覺(jué)伺服系統(tǒng)的控制策略中，控制器依據(jù)當(dāng)前系統(tǒng)狀態(tài)和期望輸出從而進(jìn)行控制策略計(jì)算，輸出除了單一的控制量，也可以指一串動(dòng)作或一個(gè)決策。利用神經(jīng)網(wǎng)絡(luò)構(gòu)建控制器就是模擬上述過(guò)程。比較典型的應(yīng)用就是利用神經(jīng)網(wǎng)絡(luò)直接逆控制，其基本原理就是將神經(jīng)網(wǎng)絡(luò)模型被直接用作誤差閉環(huán)系統(tǒng)的反饋控制器。但是直接逆模型控制法沒(méi)有考慮系統(tǒng)本身的狀態(tài)，為了改善控制性能，通常在輸入端引入了系統(tǒng)當(dāng)前的狀態(tài)。這種控制方法具有兩個(gè)優(yōu)勢(shì)[12]：網(wǎng)絡(luò)只是在感興趣的工作范圍內(nèi)訓(xùn)練，因而所有信號(hào)皆由期望輸出派生；直接最小化網(wǎng)絡(luò)輸出的誤差，算法較為簡(jiǎn)單。在這種控制方法中，常用的Sigmoid系激活函數(shù)作為神經(jīng)網(wǎng)絡(luò)的神經(jīng)元，其形式如公式(11)所示：

(11)

式中，u為節(jié)點(diǎn)輸入，y為節(jié)點(diǎn)輸出。這類(lèi)激活函數(shù)具備很好特性可以將模擬信號(hào)的特征空間上的映射。但是在學(xué)習(xí)時(shí)需要將誤差從輸出層反向傳播，在各層要乘當(dāng)前層的輸入神經(jīng)元值以及其一階導(dǎo)數(shù)，如公式(12)所示：

(12)

由于y′∈(0,1)，導(dǎo)致每經(jīng)過(guò)一個(gè)隱含層，其誤差都是成倍的衰減。如若加深神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，就會(huì)使得梯度不斷的衰減，甚至于消失，導(dǎo)致網(wǎng)絡(luò)難以學(xué)習(xí)。這就使這類(lèi)神經(jīng)網(wǎng)絡(luò)在逼近精度以及泛化性能上都有所限制，利用其構(gòu)建的控制器性能較差。為了提高神經(jīng)網(wǎng)絡(luò)的刻畫(huà)能力，本文選用ReLU來(lái)替代傳統(tǒng)的Sigmoid作為神經(jīng)網(wǎng)絡(luò)的激活函數(shù)。因?yàn)镽eLU是一個(gè)分段線性的函數(shù)，其結(jié)構(gòu)如公式(13)：

f(u)=max(0,u)

(13)

其優(yōu)勢(shì)在于：梯度不飽和，因此在反向傳播過(guò)程中，減輕了梯度彌散的問(wèn)題，神經(jīng)網(wǎng)絡(luò)前幾層的參數(shù)也可以很快的更新。計(jì)算速度快;在學(xué)習(xí)過(guò)程中，Sigmoid函數(shù)計(jì)算激活值時(shí)需要計(jì)算指數(shù)，而ReLU函數(shù)僅需要設(shè)置閾值。加快了傳播的速度。因此，可以極大地加快收斂速度。所以構(gòu)建深層ReLU神經(jīng)網(wǎng)絡(luò)可以獲得更好的擬合精度和收斂速度，從而取得較好的控制效果。其結(jié)構(gòu)如圖3所示，輸入層以及隱含層節(jié)點(diǎn)皆選用ReLU，再在輸出層添加一個(gè)較為平滑的激活函數(shù)，最終就會(huì)得到一個(gè)平滑的函數(shù)近似。

圖3 ReLU神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

利用ReLU神經(jīng)網(wǎng)絡(luò)模型逼近機(jī)器人關(guān)節(jié)狀態(tài)、期望末端執(zhí)行器的位姿增量與機(jī)器人關(guān)節(jié)增量之間的關(guān)系，如公式14所示：

Δqt+1=F(qt,Δxt+1)

(14)

并將準(zhǔn)則函數(shù)定義為：

(15)

公式中m代表樣本數(shù)量，Δqt+1期望的關(guān)節(jié)增量，F(xiàn)(qt,Δxt+1)為當(dāng)前網(wǎng)絡(luò)的輸出。通過(guò)不斷地訓(xùn)練，可獲得ReLU神經(jīng)網(wǎng)絡(luò)控制器。

2.2 基于神經(jīng)網(wǎng)絡(luò)的視覺(jué)伺服系統(tǒng)

機(jī)器人視覺(jué)伺服控制系統(tǒng)由兩個(gè)閉環(huán)構(gòu)成，外環(huán)為笛卡兒空間的位置環(huán)，內(nèi)環(huán)為各個(gè)關(guān)節(jié)的速度環(huán)。視覺(jué)位置反饋由圖像采集、特征提取、笛卡兒空間三維坐標(biāo)求取等部分構(gòu)成。由視覺(jué)系統(tǒng)獲取期望的位置和姿態(tài)與機(jī)器人末端執(zhí)行器的位姿進(jìn)行比較得到位姿偏差，根據(jù)位姿偏差設(shè)計(jì)機(jī)器人位姿調(diào)整策略，也就是在笛卡兒空間規(guī)劃一條可行的路線完成任務(wù)。得期望的機(jī)器人末端執(zhí)行器在笛卡兒空間的運(yùn)動(dòng)速度，利用ReLU神經(jīng)網(wǎng)絡(luò)控制器計(jì)算出各個(gè)關(guān)節(jié)空間的速度。由關(guān)節(jié)控制器，根據(jù)各個(gè)關(guān)節(jié)的期望運(yùn)動(dòng)速度，對(duì)機(jī)器人運(yùn)動(dòng)進(jìn)行控制，其具體結(jié)構(gòu)如圖4所示。

圖4 神經(jīng)網(wǎng)絡(luò)基于位置的視覺(jué)伺服控制系統(tǒng)框圖

上述控制結(jié)構(gòu)與傳統(tǒng)的基于位置的視覺(jué)伺服相比，利用ReLU神經(jīng)網(wǎng)絡(luò)代替逆雅可比控制，以獲得更好動(dòng)態(tài)性能。

3 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)主要在NAO機(jī)器人平臺(tái)上進(jìn)行，這是一種結(jié)構(gòu)與人體相似的類(lèi)人型機(jī)器人，具有多個(gè)自由度并且搭載多種傳感器，能夠進(jìn)行機(jī)器人控制、視覺(jué)伺服、人機(jī)交互等多種實(shí)驗(yàn)[13]。本文實(shí)驗(yàn)的主要步驟是利用視覺(jué)系統(tǒng)對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行快事識(shí)別以及定位，并基于控制策略驅(qū)動(dòng)機(jī)器人末端執(zhí)行器對(duì)目標(biāo)進(jìn)行抓取，從而完成任務(wù)。

首先控制機(jī)械臂在空間內(nèi)做2 000次的隨機(jī)運(yùn)動(dòng)，將記錄下的數(shù)據(jù)作為訓(xùn)練集，用于離線訓(xùn)練神經(jīng)網(wǎng)絡(luò)。利用圖3結(jié)構(gòu)的ReLU網(wǎng)絡(luò)模型進(jìn)行學(xué)習(xí)，并應(yīng)用于機(jī)器人視覺(jué)伺服系統(tǒng)中，作為閉環(huán)控制的控制器。之后構(gòu)建如圖4結(jié)構(gòu)的視覺(jué)伺服系統(tǒng)，利用其視覺(jué)系統(tǒng)對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)，之后結(jié)合定位模型得到當(dāng)前的位置。通過(guò)卡爾曼濾波預(yù)測(cè)目標(biāo)在下一周期的位置，將結(jié)果與當(dāng)前機(jī)械臂末端執(zhí)行器空間位置的偏差以及各個(gè)關(guān)節(jié)當(dāng)前狀態(tài)作為神經(jīng)網(wǎng)絡(luò)控制器的輸入量，從而得到各個(gè)關(guān)節(jié)增量。再由關(guān)節(jié)控制器，控制關(guān)節(jié)運(yùn)動(dòng)。運(yùn)動(dòng)過(guò)程中，NAO機(jī)器人右臂各關(guān)節(jié)角變化，如圖5所示，圖中各曲線代表關(guān)節(jié)在執(zhí)行任務(wù)期間速度的變化。

圖5 關(guān)節(jié)角度變化圖

末端執(zhí)行器在空間中的位姿以及目標(biāo)的運(yùn)動(dòng)軌跡，如圖6所示，圖中NAO機(jī)器人右臂的末端執(zhí)行器在神經(jīng)網(wǎng)絡(luò)控制器的驅(qū)動(dòng)下，向目標(biāo)靠近。

圖6 末端執(zhí)行器與目標(biāo)空間軌跡

在機(jī)械臂運(yùn)動(dòng)期間，其誤差變化如圖6所示。從圖中可以看出兩者誤差在不斷縮小，最終可完成抓取任務(wù)。依據(jù)上述實(shí)驗(yàn)結(jié)果可以證明所提方法能夠有效地完成對(duì)運(yùn)動(dòng)目標(biāo)的跟蹤以及抓取任務(wù)。同時(shí)也驗(yàn)證將ReLU神經(jīng)網(wǎng)絡(luò)用于構(gòu)建視覺(jué)伺服系統(tǒng)控制器的可行性。

4 結(jié)論

神經(jīng)網(wǎng)絡(luò)能夠逼近非線性函數(shù)并且不依賴(lài)于系統(tǒng)的模型的能力，使得可以將其作為機(jī)器人控制的基礎(chǔ)。本文提出基于ReLU神經(jīng)網(wǎng)絡(luò)構(gòu)建機(jī)械臂運(yùn)動(dòng)學(xué)控制器，并結(jié)合ViBe運(yùn)動(dòng)檢測(cè)算法設(shè)計(jì)視覺(jué)系統(tǒng)以完成對(duì)移動(dòng)目標(biāo)跟蹤抓取的任務(wù)。通過(guò)實(shí)驗(yàn)結(jié)果，證明上述方法能夠有效地解決了視覺(jué)系統(tǒng)對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)和定位的問(wèn)題和機(jī)器人實(shí)時(shí)控制的問(wèn)題以及算法的可行性。神經(jīng)網(wǎng)絡(luò)控制器是解決非線性的機(jī)器人控制問(wèn)題的較為有效的方法，所以隨著神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練算法的發(fā)展，其在機(jī)器人控制中將得到更好的應(yīng)用。