[发明专利]与模型无关的PD-SMC仿生眼运动控制方法

说明书

本发明公开了与模型无关的PD‑SMC仿生眼运动控制方法，包括，针对仿生眼系统的PD‑SMC控制输入向量为：其中，分别表示比例、微分控制增益矩阵，为SMC增益矩阵，s为定义的滑模面，sign(·)为符号函数，α为正的滑动常数，e为跟踪误差向量，为踪误差向量关于时间的一阶导数。控制方法与模型无关，具有PD控制方法带有的结构简单、易于实现的优点，并且针对系统参数不确定性以及存在外部扰动时具有滑模控制方法(SMC)带有的强鲁棒性。

技术领域

本发明涉及仿生眼系统的控制方法技术领域，尤其涉及与模型无关的PD-SMC仿生眼运动控制方法。

背景技术

眼球移动的目的是将运动的物体保持在中央窝区域，使得移动物体速度与眼球速度的差值即注视差异最小。一旦眼球速度追赶上移动物体的速度，注视差异即降为0。人类眼球可以得到很好地跟踪控制性能，然而由于图像处理、信号传递以及运动执行机构存在一定的时间延迟(80-130ms)，仅通过简单的视觉负反馈是无法得到很好的跟踪控制性能的。如果目标速度是可预测的，则可以降低甚至消除视觉延时。

实验结果表明，眼球系统是可以预测目标动态的。跟踪重复性运动时，眼球可及时甚至有些超前地转换方向，这个研究第一次提供证据证明眼球运动具有预测机制。Dallos和Jones首次考虑到时间延时的重要性，并建立了眼球移动的第一个模型。Pavel基于最小二乘法设计出一个可作为预测机构的自适应滤波器。Phil等人基于Pavel提出的模型，首次尝试将预测机构引入人类眼球运动系统中。为了消除时间延迟，Robinson等人提出一个作为前馈控制的眼动模型。然而，当跟踪正弦运动时，Robinson的模型无法得到0延时跟踪控制性能。文献“A model of visual-guided smooth pursuit eye movements based onbehavior observations”提出的模型在图像处理路径中采用非线性滤波器处理注视差异的速度以及加速度。然而，以上所有模型均不能实现正弦运动的0延时跟踪控制性能。Bahill和McDonald提出一种选择性目标自适应控制模型，该模型可实现目标速度的零延时跟踪。不过这个模型需要提前了解目标运动的轨迹。Hayhoe等人认为在模型中加入一个内部记忆模块是十分有必要的，这种模块不仅可以对目标运动进行预测，同时对人体头眼协调及身体躯体的协调运动有一定的作用。Shibata等人将一个递归神经网络(RNN)映射到MST区域中，以达到预测的目的。在预测的过程中采用最小二乘法，通过上一时刻目标的速度和位置信息预测出当前时刻的速度,不过该模型无法实现正弦运动的零延时跟踪。Zambrano等人在Shibata的模型上，添加了与目标动态模型参数相关的基于内存的内部模型。利用神经网络的方法将运动形式与收敛系数对应起来，当相同或相近的运动形式再次出现时，可以直接调用已经存储的收敛系数，加快收敛速度。经过学习后，预测时间明显的降低了。OrbandeXivry等人提出了基于两个卡尔曼滤波器(一个处理视觉信息，一个保持目标动态的内部储存)的模型。此模型学习并提升了目标轨迹的内部估计。不过，以上所有控制方法均是基于神经生理学的角度提出的。

发明内容

本发明的目的就是为了解决上述问题，提供与模型无关的PD-SMC仿生眼运动控制方法，控制方法与模型无关，具有PD控制方法带有的结构简单、易于实现的优点，并且针对系统参数不确定性以及存在外部扰动时具有滑模控制方法(SMC)带有的强鲁棒性。

为了实现上述目的，本发明采用如下技术方案：

与模型无关的PD-SMC仿生眼运动控制方法，包括，

针对仿生眼系统的PD-SMC控制输入向量为：

其中，分别表示比例、微分控制增益矩阵，为SMC增益矩阵，s为定义的滑模面，sign(·)为符号函数，α为正的滑动常数，e为跟踪误差向量，为踪误差向量关于时间的一阶导数。