机械手的视觉伺服控制是一门多学科交叉渗透的课题,涉及运动学、动力学分析、计算机视觉技术、机器学习理论和自动控制理论,是一个非常具有挑战性的课题。本文以运动学、动力学为分析工具,以改进极限学习机和深度学习为技术主线,对机械手模型误差和视觉动态误差进行补偿和修正,对机械手的视觉伺服控制技术进行了深入研究,论文核心贡献如下:(1)针对基于神经网络的机械手逆运动学求解实时性差,精度低的问题,本文提出了一种混合极限学习机(ELM)、遗传算法(GA)和粒子群算法(PSO)的机械手逆运动学求解方案。首先利用极限学习机输入层权值和隐藏层偏置随机初始化,实时性强的优点获取六自由度机械手的逆运动学初解,然后利用基于粒子群算法和遗传算法的混合优化算法对初始逆解进行优化,从而提高逆解精度。这种混合优化方式既能够发挥遗传算法的全局搜索能力强的优势,又能够发挥粒子群算法的局部搜索能力强的优势。实验结果表明:本文求解机械手逆解的实时性好,机械手末端执行器的误差小。(2)为解决视觉伺服控制中交互矩阵估计困难和实时性差的问题,提出了基于多元自适应回归样条(MARS)和优化的增量极限学习机混合算法的机械手视觉伺服控制系统。与传统的基于图像的视觉伺服控制系统选用常数作为交互矩阵及其伪逆不同的是,本文提出了多元自适应回归样条和优化的增量极限学习机混合的算法(MARS-RKRIELM)用于实时估计交互矩阵的伪逆。其中混合算法首先在增量极限学习机(I-ELM)的基础上,引入了随机降低核和正则化参数,解决了核极限学习机(KELM)当训练样本小于隐层神经元时存在的奇异性问题和降低了算法的过拟合风险。然后根据MARS方法能够进行特征重要性选择的特点,将MARS与优化的I-ELM结合。仿真实验对比说明了本文提出的基于MARS-RKRIELM的视觉伺服控制系统的性能更优。(3)针对基于Kalman滤波的手眼视觉伺服系统存在扰动误差和噪声统计误差的影响、以及系统收敛速度慢的问题,本文提出了一种基于遗忘机制和正则化的在线连续极限学习机,对卡尔曼滤波算法中的误差进行修正,同时利用小脑模型算法对机械臂的关节角度进行优化,使得基于图像的视觉伺服(IBVS)控制系统的性能得到大幅度的提升。首先是建立基于卡尔曼滤波(KF)的图像雅可比矩阵在线辨识模型。为解决KF算法对机器人系统的扰动引起的误差和有色噪声引起的噪声统计误差的不稳定性,建立了基于遗忘机制和正则化的在线连续极限学习机(FROSELM)的误差补偿模型,对KF估计得到的次优估计再次优化。在此基础上根据图像特征误差反馈得到的关节角度,设计了基于小脑模型的优化方法。提出了一种CMAC和KF-FROSELM相结合的视觉伺服控制方案(CMAC-KF-FROSELM)。与现有方法相比,这种基于CMAC-KF-FROSELM的视觉伺服控制方法在伺服过程中无需相机参数,抗系统扰动误差和噪声统计误差的能力强,同时,加入小脑模型的优化方法对机械臂的关节角度进行修正,显著提高了视觉伺服的收敛速度。(4)针对基于卡尔曼滤波的视觉伺服控制系统易受噪声干扰、雅可比矩阵初始化困难且其观测值不够精确的问题,提出了基于鲁棒卡尔曼滤波算法和长短时间记忆(LSTM)网络相结合的无标定视觉伺服控制系统。在整个视觉伺服系统中,用鲁棒的KF实时估计雅可比矩阵,控制机械臂运动,同时将RKF估计的结果在线训练LSTM网络,然后将训练好的LSTM模型预测得到的雅可比矩阵用于更新鲁棒的KF的状态量。通过系统收敛速度、末端执行器运动轨迹长度和累积误差的比较,本文提出的IBVS控制系统相对KF IBVS、KFANN IBVS、NNRL IBVS、RKF IBVS等方法来说,具有系统收敛所需迭代次数少、轨迹更光滑和视觉伺服控制精度高的特点。(5)提出了基于OS-Fuzzy-Dropout-ELM的机械手滑模控制。针对机械手的位置跟踪控制问题,本文设计了一种新型智能控制系统(OFDELMISMC)。该系统从机械手的动力学模型出发,使用OFDELM算法来模拟滑模控制的等效控制律,通过在线循环训练更新网络参数和模糊系统放宽系统的详细信息要求,利用Lyapunov稳定性原理来推导网络的自适应学习率,以保证网络的收敛性和稳定的控制性能。实验结果表明:OFDELMISMC系统可以实现机械臂对期望轨迹的精确跟踪和有效的削弱抖振现象,是一种切实可行的控制方案。(6)研究了基于混合灰狼算法优化的极限学习机的机械手滑模控制。针对极限学习机(ELM)随机选取隐层权值和偏置导致其性能不够稳定的问题,提出一种混合灰狼优化算法来优化ELM的隐层权值和偏置,将改进之后的极限学习机引入滑模控制中,利用极限学习机的逼近能力来逼近外界干扰及不确定性,并加以补偿,将不连续的控制信号连续化,有效降低滑模控制的抖振现象。对于二连杆机械手的仿真结果表明该方案能够实现高精度,高速度的跟踪效果,并能抑制模型误差和外部干扰条件下的抖振现象。