视觉是机器人获取外界信息的重要途径，基于视觉反馈的机器人运动控制 在机器人领域中具有重要的地位。随着机器人应用领域的不断扩展，需要机器人 操作运动目标的场景越来越多，如抓取运动的物体、装配移动的轴孔等。使用视 觉引导机器人跟踪并操作运动目标成为一项研究热点。

在机器人操作静态目标的视觉控制技术中，通常忽略指令传输和图像处理 等造成的时延。但在操作运动目标时，时延会降低跟踪性能甚至导致操作失败。 此外，未知或不确定的系统参数也会影响跟踪性能。因此本文针对视觉控制跟踪 系统中模型不确定性、时间延迟和其他干扰因素造成的跟踪性能下降问题，基于 机器人跟踪系统的当前状态和历史状态优化机器人跟踪控制器参数，实现高精 度的运动目标跟踪并可靠操作目标。本文的主要工作和贡献归纳如下：

1. 提出一种基于延时补偿的视觉反馈自适应控制系统 面向“眼在手上”机器人跟踪系统及运动轴孔装配任务，提出了一种基于图 像伺服的机器人视觉跟踪方法。为解决不确定的视觉伺服参数导致的机器人跟 踪精度下降问题，提出伪逆图像雅可比矩阵自适应算法来在线调整图像雅可比 矩阵。此外，构建了基于径向基神经网络的时间延迟补偿器来消除闭环跟踪系统 中指令传输和图像处理延迟带来的影响，从而减少由时滞引起的跟踪误差。基于 延时补偿的视觉反馈自适应控制系统包含了伪逆图像雅可比矩阵自适应和时滞 补偿两部分。本文通过仿真和实体实验验证了所提方法的有效性，并成功完成了 轴孔间隙仅为1cm且处于运动状态下的轴孔装配任务。

2. 提出一种基于强化学习补偿的视觉反馈控制系统 针对三维空间中任意运动目标的跟踪问题，设计了一种基于滑模控制器和 SiamBAN网络的视觉跟踪控制器。构建了基于Actor-Critic强化学习框架的伺服 控制扰动补偿模型，以补偿传统伺服控制器无法消除的外部扰动、模型误差等造 成的跟踪误差。分别提出了控制输入补偿和参考补偿两种补偿器来增强基于滑 模控制器的视觉伺服性能。所提出的方法结合了传统机器人控制与强化学习的 优势，通过自调节的方式在线优化提升跟踪性能，并保证了机器人运行过程中 的安全性。本文在仿真和实体环境下验证了所提方法的有效性和一定的泛化性， 并完成了引导激光束始终指向运动物体的跟踪实验。

3. 基于CoppeliaSim 仿真与实体机器人的运动目标跟踪和操作平台搭建 本文在CoppeliaSim仿真环境中进行了机器人跟踪并操作运动目标的实验验 证。同时，在真实环境中搭建机器人实验平台，由UR5执行目标跟踪与操作任 务，使用UR3带动目标运动。通过跟踪不同的目标轨迹，验证了所提方法的有 效性并展示了实际的跟踪操作效果。