1.一种基于事件触发模型预测的视觉伺服控制方法，其特征在于，包括以下步骤：S1、构建视觉伺服系统结构，包括机械臂、相机和目标物体，基于图像信息与机械臂的关节信息构建深度无关模型作为被控对象；

S2、利用深度无关模型设计模型预测控制器，在指定约束下得出预测的最优输入与最优状态序列；

S3、通过图像信息与模型预测控制器产生的最优状态之前的偏差信息设计事件触发机制；

S4、模型预测控制器受到事件触发机制的控制，若满足事件触发的条件，则模型预测控制器对机械臂发出控制指令，从而控制关节的运动；如果没有完成伺服任务，则利用特征点匹配信息与关节信息，实时估计系统参数与特征点三维位置信息，更新深度无关模型；

T

所述S1中，记y(t)＝(u,v) 为特征点在像素平面的坐标，cz(t)表示特征点在相机坐标下的深度，深度无关模型如下：其中，t为连续时间， 为机械臂的关节速度，即为深度无关模型的输入，且由于与深度信息的分离，A(t)为深度独立矩阵，其表达式如下：b T

其中， 为特征点在基坐标系下的三维坐标，具体表示为 x＝(x,y,z) ；

为内参矩阵与外参矩阵的乘积， 为M的第i行， 为机械臂基坐标系到相机坐标系的齐次变换矩阵，记两自由度的关节角度为q1与q2，连杆长度表示为l1与l2，因此 表示如下：所述S2中，对深度无关模型离散化表示为：其中，k为离散时间，x(k)为选定的状态变量，在本系统中代表特征点在像素平面的坐标，Ts表示为采样时间，u(k)表示为输入，即为关节速度模型预测控制的核心问题即为解决一个最优控制问题，其目标在于最小化代价函数，即：其中，N为模型预测控制器的预测区间，代价函数的表达式如下：T

其中，e(k+N|k) Fe(k+N|k)表示终端误差， 表示伺服误差，e(kT

+j|k)＝y(k+j|k)‑yd，yd是期望的特征点轨迹或者坐标，u(k+j|k) Su(k+j|k)表示输入端能量；矩阵F、G、S代表的是各项的权重；

对于视觉伺服控制系统的输入输出端作出限制，如下所示：min max

u ≤u(k+j|k)≤u ,j＝0,…,N‑1；   (7)min max

y ≤y(k+j|k)≤y ,j＝0,…,N‑1；   (9)模型预测控制主要是利用模型信息对未来的状态进行预测，对公式(4)进行迭代得：将公式(10)代入到公式(6)中并进行化简，表示为二次型形式：结合公式(5)、(7)、(8)、(9)和(11)构建一个优化问题，利用梯度下降优化，得出最优控制序列与最优状态序列，即：* * * * T

U(k)＝[U(k+1|k) U(k+2|k)…U(k+N|k)]；   (12)* * * * T

X(k)＝[X(k+1|k) X(k+1|k)…X(k+N|k)]；   (13)随后，结合模型预测控制滚动优化的特点，即最优控制序列的首项作为输入量，即最优输入，其表达式为：* *

S(k)＝U(k+1|k)；   (14)所述S3中，设计的事件触发机制为：*

ye＝||y(k|k‑1)‑y(k)||；   (15)其中，ye是控制器在上一时刻产生的最优输出序列的第一项与当前时刻实际输出的差值；

*

若ye大于触发阈值α，则模型预测控制器工作，使得u(k)＝S(k)；

若ye小于触发阈值α，则模型预测控制器不工作，使得：tk+1＝inf{t＞tk|||ye||≥α}；   (17)其中，tk为当前触发时刻，tk+1为下一个触发时刻；

所述S4中，首先对未知系统参数进行辨识：对于已知系统参数和未知系统参数进行分离，得到：T

y(k)＝ξψ；   (19)b T

根据公式(19)求解出ψ，ψ为由M与x＝(x,y,z) 各项元素混合组成的各项系统参数，共包括38个系统参数；

其次，对特征点的深度进行估计，公式如下：对上式进行参变分离为如下形式：c T

z(k)＝ηδ；(22)

T

其中，η是由关节角度q1、q2所产生的 中的各元素的集合；δ为ψ的子集，共包括13个系统参数；

c

通过公式(22)求解出深度信息z(k)；在利用卡尔曼滤波算法后，通过系统参数ψ和深度c信息z(k)从而更新深度无关模型，即公式(4)。