Fusión Borrosa de Estimadores para Aplicaciones de Control Basado en Imagen

Carlos Pérez Vidal

Spain

Universidad Miguel Hernández

Luis Gracia

Spain

Universidad Politécnica de Valencia

Óscar Reinoso

Spain

Universidad Miguel Hernández

Enviado: 14-09-2017

|

Aceptado:

|

Publicado: 30-03-2010

DOI: https://doi.org/10.1016/S1697-7912(10)70028-5
Datos de financiación

Descargas

Palabras clave:

Métodos predictivos, Algoritmos paralelos, Sistemas fuzzy, Visión por computador, Control automático

Agencias de apoyo:

Esta investigación no contó con financiación

Resumen:

El control visual es una disciplina de gran actualidad dentro del control de robots, y dentro de ésta, los algoritmos de predicción se usan para estimar la localización de objetos o características visuales proporcionadas por un sensor con retardo (cámara). Algunos de los algoritmos más utilizados son: el filtro de Kalman; los filtros alpha-beta/gamma; el AKF; el SKF; etc. El mayor problema de algunos de ellos es conseguir que su implementación permita trabajar en aplicaciones con fuertes restricciones temporales o de tiempo real. En este artículo se presenta un nuevo método de predicción, denominado FMF, basado en la fusión o combinación borrosa de varios filtros, y por tanto con un alto coste computacional. En el artículo se estudia a través de simulación la mejora obtenida con la predicción del FMF respecto a los filtros individuales, lo que justifica su interés. Así mismo, se desarrolla su implementación de tiempo real en una FPGA empleando técnicas de paralelización y segmentado. La viabilidad, robustez y fiabilidad del algoritmo propuesto se ha comprobado mediante una aplicación experimental de control visual.
Ver más Ver menos

Citas:

Bar-Shalom, Y., X. Li, and T. Kirubarajan (2001). Estimation with Applications to Tracking and Navigation. John Wiley & Sons, New York, USA.

Chroust, S. and M. Vincze (2003). Improvement of the prediction quality for visual servoing with a switching kalman ſlter. International Journal of Robotics Research 22(10-11), 905–922.

Corke, P. (1996). Visual Control of Robots: High performance Visual Servoing. Research Studies Press. Taunton, Somerset, England.

Corke, P. and S. Hutchinson (2000). Real-time vision, tracking and control. In: Proc. of the IEEE Int. Conf. on Robotics and Automation. p. 622–629. San Francisco, CA, USA.

Efe, M. and D. Atherton (1998). Maneuvering target tracking with an adaptative kalman ſlter. In: Proc. of the 37th IEEE Conference on Decision and Control. p. 737–742. Tampa, Florida, USA.

Hutchinson, S., G. Hager and P. Corke (1996). A tutorial on visual servo control. IEEE Transactions on Robotics and Automation 12(5), 651–670.

Kawase, T., H. Tsurunosono, N. Ehara, and I. Sasase (1997). Alpha-beta tracking ſlter combined with ellipsoidal prediction using generalized hough transform. Radar 97, 609–613.

Kolodziej, J. and T. Singh (2000). Target tracking via a dynamic circular ſlter/linear alpha-beta ſlters in 2-d. In: Proc. of the American Control Conference. p. 4343–4347. Chicago, IL, USA.

Moore, M. and J. Wang (2001). Adaptive dynamic modelling for kinematic positioning. In: IAG Scientiſc Meeting. Budapest, Hungary.

Pérez, C., N. García, J.M. Sabater, J.M. Azorín, O. Reinoso and L. Gracia (2007). Improvement of the visual servoing task with a new trajectory predictor. the fuzzy kalman ſlter. In: Proc. of the Int. Conf. on Informatics in Control, Automation and Robotics. p. 133–140. Angers, France.

Perez-Vidal, C. and L. Gracia (2009). High speed ſltering using reconſgurable hardware. Journal of Parallel and Distributed Computing 69(11), 896–904.

Perez-Vidal, C., L. Gracia, N. Garcia and E. Cervera (2009). Visual control of robots with delayed images. Advanced Robotics 23(6), 725–745.

Robert, C. and G. Casella (1999). Monte Carlo Statistical Methods. Springer-Verlag. New York, USA.

Sharkey, P. and D. Murray (1996). Delays versus performance of visually guided systems. IEE Proceedings on Control Theory and Applications 143(5), 436–447.

Simon, D. (2006). Optimal State Estimation: Kalman, Hinf and Nonlinear Approaches. Wiley-Interscience. Hoboken, NJ, USA.

Tenne, D. and T. Singh (2002). Circular prediction algorithms - hybrid ſlters. In: Proc. of the American Control Conference. p. 172–177. Anchorage, AK, USA.

Vincze, M. and G. Hager (2000). Robust Vision for Vision-Based Control of Motion. IEEE Press. Piscataway, NJ, USA.

Yoo, J.-C. and Y.-S. Kimb (2003). Alpha-beta-tracking index (Alpha-beta-Lambda) tracking ſlter. Signal Process 83(11), 169–180.

Ver más Ver menos