使用传感器信息来控制机器人已经成为一个热门的研究领域，因为这样可以促进智能机器人的研究与设计。相比示教型的工业机器人，智能机器人能够处理避障等不可预知的事件。目前视觉传感器已经成为最重要的一种传感器，因为CCD摄像机已经非常的便宜并且容易使用。另外，视觉也是人类一种非常重要的感觉，并且由机器人视觉系统得到的信息非常容易被操作人员所理解。在视觉控制的机器人的研究领域内，研究主要集中在机器人手臂的控制方法、图像特征的提取和理解等方面，因此导致了许多针对不同具体问题的视觉伺服方法。 通过检测图像中的目标物体，可以获得视觉信息来控制机器人的运动。基于位置的视觉伺服方法首先根据机器人的模型、可到达的工作空间以及目标物体来估计目标物体在直角坐标空间中相对于摄像机的位置。机器人控制器的误差信号定义在直角坐标系。因为三维直角坐标空间容易被直观的理解，所以大多数的机器人提供直角坐标系的接口。但是这种方法依赖于摄像机的精确标定以及精确的图像到位姿的估计。 基于图像的视觉伺服也被称为是基于特征的视觉伺服。误差信号按照图像特征来定义而且直接在图像坐标空间来测量，因此可以大大降低计算量，而且系统对相机标定误差和系统建模误差不敏感。但是基于图像特征的机器人运动的计算并不是很直观，并且依赖于所选的图像特征和方法，这是一个非线性的过程，并且参数是高度相西安理工大学博士学位论文关的，这从理论上很难分析并且对机器人的控制设计提出了很大的挑战。 本论文主要研究了基于位置的机器人视觉伺服系统的基本组成以及实现方法，并针对提出的基于“一步”遗传算法模式匹配的图像目标识别方法进行了改进。结合局部遗传算法和全局遗传算法，提高了目标识别的精度和速度，优化了视觉伺服系统的性能。同时针对图像采集、传输过程中出现的噪音可能对系统性能的影响，提出了基于模糊神经网络的新型图像滤波器。最后论文着重讨论了机器人控制的智能方法，并提出了一种新型的混合控制器。 本文的创新点和研究成果如下: 1.提出了基于“一步”遗传算法模式匹配的图像目标识别方法。为了满足 机器人视觉伺服系统的动态特性，把每一代GA进化后适应度值最大的 个体作为机器人视觉控制器的输入(要通过解机器人逆运动学)，这样就 可以把基于6A的路径规划(目标搜索)看成是实时的，使改进后的GA 能够满足实时系统的要求。同时，利用相同的原理研究了运动图像中交 通标志的实时识别问题，提出了利用遗传算法和简单向量滤波器实时识 别运动图像中交通标志的方法。 2.提出结合局部遗传算法(助cal GA)和全局遗传算法(G lobal GA)的视觉伺 服系统性能优化方法。主要通过全局GA完成目标检测的预处理，当适 应度值达到一定的闽值以后，它将切换到局部GA来进行一个更为精细 的和快速的目标识别。这种搜索的切换类似于人类寻找目标的过程。这 种性能的优化，使得视觉伺服系统具备仿人的智能。 3.提出基于模糊神经网络的图像滤波器。同时图像滤波器网络参数的学习 通过遗传算法来完成。实验结果显示，这种滤波器对于冲击噪声的滤除 要明显好于传统的滤波器。 4.提出基于模糊神经网络、CMAC网络以及变结构控制的机器人手臂混合 控制器。针对神经网络控制、模糊控制以及变结构控制各自的特点，论 文将这几种常用的智能控制方法融合在一起。通过对两连杆机器人手臂 摘要 的仿真实验，这种混合控制器对于机器人动力学模型中存在的不确定性 具有很强的鲁棒性，这对实际工业应用中机器人控制器的设计提供了一 种可行的解决思路。