特别是在视觉伺服，由于动态图像场景已被处理，强大的估计算法在系统与控制理论中起着重要的作用。卡尔曼滤波器是一种流行的算法，它已被频繁使用，不仅在视觉伺服（哈钦森等，1996）也在计算机视觉的实现（马蒂斯等，1989）。目前公认的主动/动态视力标准工具基础是卡尔曼滤波（布莱克和尤尔，1992）

  主要在六七十年代发展的线性二次型（LQ）控制与卡尔曼滤波器相结合，给出了著名的线性二次型高斯（LQG）理论。然而，从LQG理论的理论发生了一个重大举措，（多伊尔等，1989）。H理论提供了一个更实际的方法来处理模型的不确定性的能力。当LQG理论认为随机框架中的不确定性的影响，H理论却用功能分析框架处理他们。此外，也有一定的最小最大最优方法来处理不确定性造成的干扰（Basar和伯恩哈德，1991）。H理论它已被证明可以被看作是一个自然的LQG理论的泛化（多伊尔等人，1989）论文网

  最近，H理论已成功地应用于视觉反馈控制（小仓等人。，1994），其中重点是控制方面。虽然相应的积水估计理论在H设置已被发现（Nagpal，Khargonekar，1991；摇特奥多尔，1992），没有太多的运用已经在利用H滤波器在机器人和/或视觉研究所（葛田等人。，1993，1995）。在现有的估计算法在理论上，由于模型的不确定性，在某些方面可以更加充分的说服H滤波器的优越性。(Nagpal和Khar gonekar，1991；摇特奥多尔，1992）。因此，在目前的情况其有效性的实验验证提出了相当大的挑战，

  本文的目的是使用眼手协调机器人机械手系统验证H过滤器的性能实验,实证比较，使用H滤波和卡尔曼滤波估计会对视觉产生的问题。实验结果揭示了H滤波器的潜在功效。在重要的二维（2-D）对运动目标的视觉伺服控制早期论文（帕帕尼科洛普洛斯等人，1993）实验中考虑。H过滤器的发展会是在机器人视觉控制问题的解决将衍生出另一个方案的强大工具，同样，卡尔曼滤波器已经被广泛接受。

 本文的其余部分组织如下。在第二节中介绍了基于视觉伺服的实验配置。第三节给出了视觉伺服系统的建模。第四节中描述控制策略和参与AP的估计问题在H滤波器是。第五节介绍了H滤波器的算法。在第六节中，H滤波器与卡尔曼滤波器的疗效实验结果比较进行了讨论。最后，在第七节是本文总结。

2。眼手系统

  涉及视觉伺服的实验已经提出，这取决于设计目标或实验设置的机器人和相机。本文认为，一个标准的眼睛手配置其中的机械手进行相机的端部执行器。然后，目标是控制机器人的运动，比如使得照相机跟踪运动目标。工业机械手的自由度。motoman-k3s（安川）

单色CCD相机：tm-7ex（vidtex）

一个使用集成块的实时图像处理单元：（并发系统）

使用反式的实时控制和估计单元—计算机：TCS（同步系统）。

实时编程主机：pc9801fa（NEC）。

离线数值计算的主机WS—4 /氯（富士通）。

  所有的实时软件编写用C-TOOL- SET (INMOS)。 该滤波器设计的离线数值计算使用MATLAB（MathWorks主机工作站进行）和系统（综合评级系统）。严格地说，物理输入在电驱动的机械手是施加到执行器的电压，或相应的信号的驱动程序。在实验系统中，驱动单元已经使用ASISS控制板进行适当的修改（TECNO）。因此，在低电平伺服的帮助下每个关节的速度信号可以直接应用。同时，在实验中，另一个机器人移动的目标，如图Fig所示。由于运动目标上有鲜明的特征点（黑色或白色），从动态图像的重要信息使用基本图像处理技术可以很容易地计算。