毛曉波 陳鐵軍

(鄭州大學電氣工程學院，鄭州 450001)

引言

給機器人配備智能雙眼，使其像人類一樣感知和獲取環(huán)境信息、快速準確地切換注視點和跟蹤目標，是人們夢寐以求的愿望。為此，人們采用多種基于工學視角的方法和手段來構建智能機器人視覺系統(tǒng)，使其具備了初步的“視覺”功能。但目前機器人“眼睛”的視線控制水平還較低級，在3D雙目協(xié)調(diào)聯(lián)動、頭眼協(xié)調(diào)控制、對突然變化或不可預測的運動目標的跟蹤、大視野與精確跟蹤之間的矛盾以及因劇烈震動引起的視線偏離補償?shù)确矫娴膯栴}尚未得到很好的解決。相比之下，生物視覺經(jīng)過千百萬年的進化已極其發(fā)達和完善，其優(yōu)異的視覺控制機理是機器人視覺研究的重要靈感源泉。近年來，視覺仿生研究日益受到重視，成為前沿交叉學科的研究熱點。根據(jù)模擬生物視覺的不同機理和不同的功能表現(xiàn)，視覺仿生研究可歸納為兩大方面［1］:一是從視覺感知、認知的角度進行研究;二是從眼球運動、視線控制的角度進行研究。本文討論的是后者，總結了靈長類動物眼球運動的特點及其利用價值，對國內(nèi)外借鑒生物眼球運動神經(jīng)控制機理構建仿生機器眼的研究現(xiàn)狀、存在的問題及未來發(fā)展趨勢做了全面綜述，并針對目前機器人視覺控制面臨的技術難題，提出了開展視覺仿生控制研究的新思路和新構想。

1 靈長類動物眼球運動特點及其利用價值

對生物視覺原型的研究是進行視覺仿生控制研究和構建仿生機器眼的基礎。人類和其它靈長類動物的視覺系統(tǒng)包括眼球、視神經(jīng)和視覺中樞，其優(yōu)異的視覺控制性能源于其特殊的生理構造和發(fā)達的中樞神經(jīng)控制機能。

1.1 視網(wǎng)膜視敏度非均勻分布

靈長類動物視網(wǎng)膜中央凹區(qū)(fovea)僅有約5°的視角范圍，光感受器高度集中于此，是視力最敏銳的區(qū)域。為了精細地識別物體，需要不斷地改變視線，使感興趣的目標圖像落在fovea區(qū)?？焖傺矍驋咭曔\動(saccade)能夠有意識地改變視線、切換注視點至 Fovea附近，慢速平滑追隨運動(smooth pursuit)則做連續(xù)的反饋伺服運動，維持目標圖像在fovea區(qū)域。Saccade和smooth pursuit受大腦不同神經(jīng)支配，前者由目標位置驅動，后者由速度驅動，在追蹤變化目標時通常兩種運動成分共存并不時地自動切換。

視網(wǎng)膜非統(tǒng)一分辨率的特點和Saccade、smooth pursuit快慢模式實時切換的控制機理，對于機器人視覺跟蹤控制研究具有重要的啟示作用。

1.2 雙目聯(lián)動性

人依靠眼球運動改變視線，雙目運動由各自的六條眼外肌協(xié)調(diào)控制，而支配眼外肌的神經(jīng)是第Ⅲ、Ⅳ、Ⅵ對顱神經(jīng)，根據(jù)大腦指令控制眼球做各種運動。來自兩個視網(wǎng)膜的神經(jīng)以半交叉的結構通向左、右大腦半球，相互之間有豐富的神經(jīng)聯(lián)絡和一定的約束。雙眼是單個器官的兩個部分(Single double eye)，中樞神經(jīng)總是發(fā)出一對信號同時控制雙眼。因此，人眼視物總是雙目協(xié)調(diào)聯(lián)動的。雙目視覺不僅補償了單眼視覺存在的盲點，擴大了視野范圍，而且建立了深度感，形成立體視覺。研究雙目聯(lián)動神經(jīng)機制和立體視覺形成機理，有助于攻克目前機器視覺雙目(一主一輔)聯(lián)動性不夠、尋找對應點困難等技術難題。

1.3 頭眼協(xié)調(diào)運動

人類有完備的頭眼協(xié)調(diào)運動機制。前庭器官與視覺系統(tǒng)密切相關，當頭部旋轉時，前庭感受器感應刺激而誘發(fā)不受大腦(意識)控制的前庭動眼反射(vestibulo-ocular reflex，VOR)運動，使得頭部轉動期間驅使眼球做等量反向的旋轉去抵償頭部運動，以維持視線的相對穩(wěn)定，保持視網(wǎng)膜圖像的清晰。該機理可應用于機器人視覺偏差補償算法研究中。

為了重新定位目標或快速跟上目標，靈長類動物需要迅速切換注視點。當注視轉移(gaze shift)幅度較大時，除眼球做快速掃視運動以外，還需要頭頸部、甚至身體共同參與，且各個部位相互配合、協(xié)調(diào)運動，才能完成大角度視線轉移和目標再定位。生物的頭、眼和身體如何精確無誤地協(xié)調(diào)組合產(chǎn)生統(tǒng)一的朝向目標的動作從而完成視線轉移，值得進行深入研究并在機器人頭眼協(xié)調(diào)運動控制中加以利用。

2 視覺仿生控制研究現(xiàn)狀

2.1 國外研究進展

自20世紀60年代開始，國外學者在模擬生物眼球運動方面進行了大量的研究和嘗試。

2.1.1 掃視與平滑追蹤運動

Young等最早建立了掃視采樣模型［2］，輸入輸出分別為目標位置和眼球位置，比較后的誤差信號進入閾值電路，誤差超過閾值，經(jīng)掃視潛伏期200 ms延遲后觸發(fā)采樣器，控制眼球轉向新目標;誤差低于閾值，眼球停止運動。模型未考慮大腦的作用，當時人們對腦干在眼球運動中的作用還知之甚少。此后，Robinson修改了Young的模型，模擬大腦并行處理特性，認為前庭與眼球運動神經(jīng)核之間存在一個神經(jīng)積分器，與內(nèi)側縱束(MLF)構成并行通路，MLF形成的超前網(wǎng)絡補償眼球運動裝置的滯后［3］。當前眼位與目標位置之差經(jīng)過脈沖發(fā)生器進入并行通路，經(jīng)積分器后產(chǎn)生位置信號，與 MLF直接通路共同作用于眼球運動裝置，產(chǎn)生掃視運動。該模型具有里程碑意義，此后各種掃視模型均以此為基礎。1999年，Quaia根據(jù)最新的生理學實驗數(shù)據(jù)指出，小腦在掃視中起著重要作用，模型應包含兩個并行通路，上丘通路提供眼球運動的大致方向驅動，小腦通路保證眼球準確地對準目標［4］。

文獻［5］研究了獼猴和人眼的平滑追蹤運動，指出平滑追蹤與掃視不同，屬于眼球運動速度的連續(xù)負反饋系統(tǒng)，兩者發(fā)生的時間是獨立的，平滑追蹤的潛伏期約130 ms，利用內(nèi)部主動反饋機制建立了平滑追蹤模型，模型參數(shù)依據(jù)人眼生理學數(shù)據(jù)推出，至今仍有參考價值。1987年，Lisberger等提出的平滑追蹤模型［6］，用視網(wǎng)膜運動信號作為并行網(wǎng)絡的輸入，產(chǎn)生加權視網(wǎng)膜位置、速度和加速度誤差信號，這些信號被組合之后經(jīng)積分器產(chǎn)生眼球速度指令，取得了較好的跟蹤效果，解決了最初采用簡單比例誤差反饋伺服難以克服高增益與大延遲之間矛盾的問題。1989年，Deno等將動態(tài)神經(jīng)網(wǎng)絡模型擴展至平滑追蹤系統(tǒng)［7］。1990年，Brown研究了眼球運動生理延遲［8］，在 Robinson 模型［9］上增加 Smith 預測器解決回路延遲。1998年，Lunghi模擬大腦在視覺跟蹤中的預測機制設計了自適應預測器，經(jīng)預先訓練，在線修改神經(jīng)網(wǎng)絡參數(shù)，模擬人類補償130 ms生理延遲的機能［10］。

1995年之后，人們確認在視覺跟蹤中，掃視和平滑追蹤同時并存、共同完成跟蹤任務，并開始研究兩種運動協(xié)調(diào)配合的復合模型。

Rivlin和Jessica Lee先后提出采用掃視和平滑追蹤兩種模式相互交替控制實現(xiàn)目標跟蹤［11－13］。1998年，Rivlin設計最優(yōu)控制器控制兩種模式之間的快速轉換，平滑追蹤模式使目標維持在中央凹區(qū)域，一旦目標跑出凹區(qū)，立即切換至掃視模式，重新定位目標后再切換回平滑追蹤模式。2005年，Jessica建立一種雙目對稱結構控制器模型，采用內(nèi)部開關策略實現(xiàn)快慢兩種模式自動切換［13］。

2002年，de Brouwer對獼猴進行目標跟蹤實驗［14］得出兩個結論，一是掃視和平滑追蹤存在一種連續(xù)的重疊;二是視網(wǎng)膜滑動信號為兩種運動所共享，這與傳統(tǒng)的兩個系統(tǒng)截然分開的結論不同。2003年，Blohm通過實驗進一步證實，在目標跟蹤過程中，兩種運動能協(xié)調(diào)配合共同朝向同一個目標，是因為兩者共享同一個信息源—目標圖像的視網(wǎng)膜滑動信息［15］，并首次給出位置信號輸入平滑追蹤運動的直接證據(jù)，并非此前普遍認為的平滑追蹤僅靠速度誤差驅動［16］。2006年后更多的研究確認，掃視和平滑追蹤是受單一感覺運動機構控制而輸出的兩種結果，它們共享共同的輸入信號，即:位置誤差和速度誤差，其輸出是相互協(xié)作的［17－18］。但中樞神經(jīng)如何切換不同的模式去共同完成視覺任務尚待進一步探索。

事實上，人們在改變視線時，不只是掃視和平滑追蹤兩種模式，輻合眼球運動(vergence eye movement)也常伴其中，因為多數(shù)情況下，下一個目標點不僅在方向上而且在深度上也有變化。2011年，Erkelens提出一種雙重視覺反饋模型［19］，充分考慮了saccade運動期間vergence的影響。同樣，平滑追蹤過程中也有輻合眼動的成分，目前尚未見到包含掃視、平滑追蹤和輻合運動在內(nèi)的復合眼球運動模型。

2.1.2 反射性眼球運動

從驅動眼動的動力源來分的話，眼動有與注意有 關 的 眼 動 (如 述 saccades、smooth pursuit、vergence)和與頭動相關的眼動(即反射性眼動，如VOR和OKR)兩類。為補償頭部運動對穩(wěn)定在視網(wǎng)膜中央凹目標圖像的擾動，靈長類動物依靠前庭器官感應頭部運動并進行調(diào)節(jié)。1992年，Gomi等提出一種前庭動眼反射-視動反射(VOR-OKR)反饋誤差神經(jīng)網(wǎng)絡學習模型［20］，模擬生物 VOR-OKR自適應機制，指出學習過程發(fā)生在小腦葉片。但Raymond則認為學習既發(fā)生于小腦葉片又發(fā)生于腦干［21］。Shibata在 VOR-OKR系統(tǒng)中增加了反饋誤差學習控制器，模擬小腦學習機能，改善系統(tǒng)的非線性、通路延遲，提高收斂速度［22］。2005年，Merfeld和Ramat分析了由半規(guī)管感應頭部旋轉產(chǎn)生的旋轉前庭動眼反射rVOR和由耳石感應頭部平移產(chǎn)生的平移前庭動眼反射 tVOR，分別建立了模擬人類的tVOR 和 rVOR 模型［23，24］。文獻［25］利用仿生機器人iCub robot對兩種常見的VOR模型進行了模擬實驗，分析了小腦在自適應特性及圖像穩(wěn)定中的重要作用。

VOR也常在輻合、平滑追蹤等運動中相伴出現(xiàn)構成復合眼球運動。2007年，Khojasteh在黑暗環(huán)境中測試眼球運動發(fā)現(xiàn)，VOR中雙眼共軛運動伴隨有輻合運動，且輻合運動與頭部旋轉速度有關，說明前庭器官對輻合眼動系統(tǒng)有貢獻［26］。而此前普遍認為VOR期間的雙眼運動是完美的共軛運動。Ojima指出，生物眼球運動具有典型的自適應控制機制，能夠根據(jù)環(huán)境變化立即做出相應的變化和適當?shù)捻憫艽藛l(fā)，提出一種非線性耦合神經(jīng)振蕩器網(wǎng)絡模型及空間-時間學習算法，獲得了平滑追蹤中指令信號與運動增益及相位滯后的關系，建立的平滑追蹤－VOR復合模型，改善了目標跟蹤特性［27］。

2.1.3 注視轉移中頭眼協(xié)調(diào)運動

當注視轉移幅度較小時，靈長類動物只需眼球掃視即可完成注視點切換;但當轉移幅度較大時，除掃視外，還伴隨頭、頸，甚至身體的運動，這些運動如何協(xié)調(diào)配合引起了人們的極大興趣，如:視網(wǎng)膜獲得的位移誤差信號在何處按何必例分解為眼部和頭部位移信號?初始眼位如何影響眼部和頭部運動的貢獻比例?大腦在何處編碼了視網(wǎng)膜坐標系和以頭部為中心的坐標系?等等。關于頭眼協(xié)調(diào)運動神經(jīng)機理，出現(xiàn)了不同的觀點，如:“單獨通道假說”認為眼部和頭部控制信號來自于上丘的不同路徑［28］;“注視分解假說”認為上丘編碼眼部、頭部運動命令之和，之后分解為眼部和頭部位移信號［29－30］;“小腦假說”認為上丘中間過渡層細胞與掃視緊密關聯(lián)，注視位移信號在小腦中被分解為頭部和眼部幅度［31］;而文獻［32］則研究和總結了垂直方向注視轉移模型的構建與水平方向的不同及其內(nèi)在聯(lián)系。2009年之后，人們提出了頭眼協(xié)調(diào)運動的最優(yōu)控制方法［33－34］，文獻［33］運用最優(yōu)控制理論研究了頭眼運動與注視轉移的關系，提出頭眼運動最小貢獻力為準則的最優(yōu)控制方法，并轉化為求解兩點邊值問題的微分方程組，仿真結果印證了“頭、眼分別受控制于不同的控制器”的結論。但該研究提出的模型不具備生物的自學習機能，文獻［35］在此基礎上提出了一種自學習最優(yōu)控制模型，在注視轉移過程中自適應調(diào)整控制器參數(shù)，對于再現(xiàn)生物頭眼協(xié)調(diào)特性更近了一步。

文獻［36］通過研究猴子頭部固定和頭部自由運動兩種情況下眼球運動的協(xié)調(diào)驅動特性，認為是神經(jīng)積分器和前庭器官中的burst-tonic神經(jīng)元在調(diào)整頭部運動時眼球的速度。文獻［37］通過分析視覺重定位中頭、眼運動的實驗數(shù)據(jù)，提出建立頭眼協(xié)調(diào)運動模型還須考慮一些尚未解決的問題，如:初始眼位對頭眼相對貢獻的作用;增加頭部速度對掃視的影響;頭眼協(xié)調(diào)運動中眼球速度曲線的雙峰現(xiàn)象;掃視過程中VOR的失敗等。進一步研究導致這些現(xiàn)象的神經(jīng)機制，才能揭示各運動子系統(tǒng)之間相互協(xié)調(diào)的本質(zhì)。

2.1.4 固視微動

人眼在注視靜止目標時，眼球仍處于高頻率無意識的振動之中，一旦振動停止，成像就會變得模糊，這種振動保證了圖像的獲取質(zhì)量。人眼的微動機制啟發(fā)人們?nèi)ツM眼球振動來改善圖像質(zhì)量［38－39］。張曉林等認為，當人眼凝視靜止物體時，眼球自身的震顫(固視微動)具有突出物體邊緣的作用且包含深度信息［39］。通過特制的攝像機振動裝置模擬固視微動所做的實驗確認了這一推斷，提取出來的物體邊緣寬度與物體在場景中所處的位置，即物體的景深有一定數(shù)量上的關系。這項實驗雖是初步的，但給立體視覺研究提供了一個新的啟示。

事實上，生物眼球運動在大多數(shù)情況下是包含上述多種運動成分的復合運動。張曉林等研制了雙眼水平運動實驗裝置 ，用兩組廣角鏡和望遠鏡作為仿生雙眼，其中望遠鏡模擬中央凹視覺，廣角鏡模擬周邊視覺;轉角和加速度傳感器模擬前庭半規(guī)管功能，預測頭部運動;經(jīng)圖像處理與控制模塊輸出驅動電機，控制眼球做掃視、平滑追蹤和VOR等多種水平眼球運動。

此外，人們還研究了眼球運動系統(tǒng)中神經(jīng)積分器的作用［41］、眼球運動的腦干控制機理［42－43］，眼球運動與感知［44］，以及眼球－頭頸的運動學和動力學特性［45］等，仿生眼的研究在國外成為前沿研究熱點。

2.2 國內(nèi)研究現(xiàn)狀

國內(nèi)視覺仿生研究多集中于視覺感知認知及信息處理方面，在仿生眼運動控制方面的研究還很少。上海大學與日本東京工業(yè)大學合作，嘗試將仿生眼用于低空跟蹤地面目標的機載云臺控制［46］。華南理工大學基于眼球生理模型開發(fā)機器人眼球運動控制軟件，用于跟蹤和定位活動人臉［47］。上海交通大學研究機器人注視控制問題，分段實現(xiàn)頭眼協(xié)調(diào)運動控制及注視點與深度的關系，給出帶幾何約束的運動學方程［48］。陳維毅等根據(jù)眼球解剖結構，提出在眼外肌作用下的動力學方程組［49］等。除此以外，尚未見到更多的同類研究報道，仿生眼的研究尚處于起步階段。

3 視覺控制面臨的問題及對策

目前機器人眼的研究多是基于工學方法，利用左右攝像機獲得目標圖像分別進行處理，左右眼和頭頸缺乏協(xié)調(diào)聯(lián)動機制，在雙目、頭眼協(xié)調(diào)運動、視線偏離補償、不確定目標追蹤等方面存在諸多技術障礙，采用仿生技術是尋求解決這些問題的重要途徑。

仿生機器眼的研究屬于多學科交叉研究課題，涉及神經(jīng)生理學、仿生學、控制科學和計算機科學等。國內(nèi)外學者從各自學科的角度進行了多種嘗試，但仍存在大量的問題需進一步研究和探討。

3.1 建立完善的仿生眼模型，為仿生眼的工程化實用化奠定基礎

國外進行此類研究的多是神經(jīng)生理學者，通過生理學實驗及數(shù)據(jù)分析，探索眼球運動的神經(jīng)機理和病理特征，為醫(yī)學臨床提供技術支持，研究結果大都止步于生理模型，較少考慮其工程實現(xiàn)和應用?；趪馍韺W研究成果，采用工程仿生學和控制理論相結合的方法，將視覺控制生理模型轉化為工程技術模型，實現(xiàn)生物視覺的優(yōu)異性能，從根本上解決機器視覺面臨的技術難題，是智能機器人研究的重要方向。

目前文獻中的仿生眼模型只模擬了人眼的一種或兩種運動，且多為單眼或雙眼一維水平運動。普遍采用掃視與平滑追蹤分離的機制，難以同時實現(xiàn)多種眼球運動。進一步研究各種眼球運動之間的內(nèi)部關聯(lián)與神經(jīng)機理，建立多自由度非線性仿生雙眼運動模型，同時實現(xiàn)掃視、平滑追蹤、異向運動和反射運動等多種眼球運動，尚需進行大量的研究。

3.2 引入生物神經(jīng)控制機理，解決機器人3D頭眼協(xié)調(diào)控制問題

當進行大幅度視線轉移時，機器人的關節(jié)冗余需要有效地協(xié)調(diào)頭部和雙目的運動。目前提出的頭眼協(xié)調(diào)運動系統(tǒng)及學習算法多是基于水平方向的二維頭眼系統(tǒng)［50］，雖有學者提出3D頭眼協(xié)調(diào)運動控制算法［48］，但采用的是先雙目聚焦，再轉動頭部，后做眼睛補償?shù)摹胺謺r”“分段”執(zhí)行方法，并未真正實現(xiàn)頭眼同時轉向目標中的協(xié)調(diào)控制。目前3D頭眼協(xié)調(diào)運動仍是一項有待突破的技術難關。

從生物頭眼協(xié)調(diào)運動中獲取靈感，研究靈長類動物頭、眼和身體協(xié)調(diào)組合完成視線轉移的神經(jīng)控制機理，設計雙目頭頸協(xié)調(diào)運動控制算法，解決機器人3D頭眼協(xié)調(diào)控制問題不失為一條重要的研究途徑。

3.3 研究人眼跟蹤目標的機理，解決隨意性運動目標跟蹤的快速性和準確性問題

機器人“眼”的重要功能之一是視覺跟蹤，目前常采用視覺伺服反饋控制的方法，但對于突然、快速變化以及行蹤無常的目標，常出現(xiàn)目標丟失、跟蹤失敗的現(xiàn)象。

人眼在跟蹤變化無常的目標中表現(xiàn)出的非凡才能源于其視覺系統(tǒng)中眼球快速掃視和慢速平穩(wěn)追隨之間的協(xié)調(diào)配合和實時切換。

深入研究人類眼球運動模式自動切換快速準確跟蹤目標的神經(jīng)生理機制，將視覺跟蹤中掃視(saccade，事件驅動)和平穩(wěn)追隨(smooth pursuit，速度連續(xù)驅動)模式的切換看作混雜系統(tǒng)的自適應最優(yōu)控制問題加以研究，以期解決隨意性運動目標跟蹤的快速性和準確性問題。其中兩種模式之間的最佳切換時機和預測算法是研究的關鍵技術。

3.4 模擬人類反射性眼球運動機理，解決大范圍視線偏離補償問題

機器人在顛簸路段行走或在復雜的非結構化環(huán)境中作業(yè)時，自身機體振動或姿態(tài)發(fā)生變化會引起較大的視線偏離。通常采用圖像處理(特征提取、目標檢測與匹配、空間位置計算等)的方法來調(diào)節(jié)伺服機械云臺，但補償范圍小，圖像穩(wěn)定性差，尚無解決大視線偏離的辦法［51］。

人眼具有很強的自適應和自調(diào)節(jié)功能，當頭部和身體姿態(tài)發(fā)生變化或背景動態(tài)變化時，仍能清楚地注視和跟蹤目標，緣于其前庭動眼反射(VOR)和視動反射(OKR)機能。研究人類反射性眼球運動機理，建立由基于視網(wǎng)膜滑動信息的反饋控制器和基于前庭輸入的前饋控制器組成的自適應VOROKR模型，主動補償由機器人姿態(tài)本體變化引起的視覺誤差，解決機器人大范圍視覺偏差補償問題。

3.5 生物視覺控制機理的進一步研究

人們對生物視覺在更高層次上的控制機理還未完全探明，有些機理尚存爭議，如雙目聯(lián)動、頭眼協(xié)調(diào)等尚無確定的函數(shù)關系，目前只能與生理學實驗結果相比較來驗證模型的正確性。另外，小腦在視覺跟蹤中的學習、校正和協(xié)調(diào)作用，視覺認識與運動控制的緊密結合等均值得進一步研究。

4 結語

“物競天擇”的生物世界為人類技術創(chuàng)新提供了天然寶庫和學習泉源。生物眼球運動控制不僅涉及眼和頭的活動，更與中樞神經(jīng)活動密切相關，是大腦控制策略的一種行為表現(xiàn)，其研究涉及神經(jīng)生理學、仿生學、控制科學及計算機視覺等多個學科，需要用多學科交叉融合的方法開展研究，同時要明確研究的目的，不要刻意地為模仿而仿生。

事實上，生物視覺神經(jīng)控制機理十分復雜，且受到大腦主觀意志等因素的影響。仿生眼不可能也沒必要完全真實地模擬生物眼。應采用開放的思維方式，借鑒生物的機理，結合機器的特點，生物與機器優(yōu)勢互補，用新理論、新方法為機器人配備一雙“生理參數(shù)”最優(yōu)的智能眼，大幅度提高機器人視覺控制水平。

［1］毛曉波.仿生機器眼運動系統(tǒng)建模與控制研究［D］.鄭州:鄭州大學.2011.

［2］Young LR，Stark L.Variable feedback experiments testing a sampled data model for eye tracking movements［J］.IEEE Transactions on Human Factors in Electronics，1963，4(1):38－51.

［3］Robinson DA.Models of the saccadic eye movement control system［J］.Kybernetik，1973，14(2):71 －83.

［4］Quaia C，Philippe L，Lance MO.Model of the control of saccadesby superior colliculus and cerebellum［J］. J Neurophysiol，1999，82:999 － 1018.

［5］Robinson DA，Gordon JL，Gordon SE.A model of the smooth pursuit eye movement system ［J］. Biological Cybernetics，1986，55(1):43 －57.

［6］Lisberger SG，Morris EJ，Tychsen L.Visual motion processing and sensory-motor integration for smooth pursuit eye movements［J］.Annual Review of Neuroscience，1987，10:97 － 129.

［7］Deno DC，Keller EL，Crandall WF.Dynamical neural network organization of the visual pursuit system［J］.IEEE Transactions on Biomedical Engineering，1989，36(1):85 － 92.

［8］Christopher B.Gaze controls with interactions and delays［J］.IEEE Transactions on Systems，Man，and Cybernetics.1990，20(1):518－527.

［9］Robinson DA，Gordon JL，Gordon SE.A model of the smooth pursuit eye movement system ［J］. Biological Cybernetics，1986，55(1):43 －57.

［10］Lunghi F，Lazzari S，Magenes G.Neural adaptive predictor for visual tracking system［C］ //Proceedings of the 20th Annual International Conference of the IEEE Engineering in Medicine and Biology Society.Hong Kong:IEEE Press，1998(3):1389－1392.

［11］Rivlin E，RotsteinH，ZeeviYY. Two-modecontrol:an oculomotor-based approach totrackingsystems［J］. IEEE Transactions on Automatic Control，1998，43(6):833 － 842.

［12］Rivlin E，Rotstein H.Control of a camera for active vision:Foveal vision，smooth tracking and saccade［J］.International Journal of Computer Vision，2000，39(2):81－96.

［13］Jessica LW，Galiana HL.An internally switched model of ocular tracking with prediction［J］. IEEE Transactions on Neural Systems and Rehabilitation Engineering，2005，13(2):186 －193.

［14］Sophie dB，Marcus M，Graham B，et al.Quantitative analysis of catch-up saccades during sustained pursuit［J］. J Neurophysiol，2002，87(4):1772 － 1780.

［15］Blohm G，Marcus M，Philippe L.Interaction between smooth anticipation and saccades during ocular orientation in darkness［J］.J Neurophysiol，2003，89:1423 － 1433.

［16］Blohm G，Marcus M，Philippe L.Direct evidence for a position input to the smooth pursuit system［J］.J Neurophysiol，2005，94:712－721.

［17］Burke MR，Barnes GR.Quantitative differences in smooth pursuit and saccadic eye movements［J］.Exp Brain Res，2006，175(4):596－608.

［18］Orban de Xivry JJ，Lefevre P. Saccades and pursuit:two outcomes of a single sensorimotor process［J］. Journal of Physiology，2007，584(1):11－23.

［19］Erkelens CJ.A dual visual-local feedback model of the vergence eye movement system［J］.Journal of Vision，2011，11(10):21，1－14.

［20］Gomi H，Kawato M.Adaptive feedback control models of the vestibulocerebellum and spinocerebellum ［J］. Biological Cybernetics，1992，68(2):105 －114.

［21］Raymond J，Lisberger S.Neural learning rules for the vestibuloocular reflex［J］.Journal of Neuroscience，1998，18(21):9112－9129.

［22］Shibata T，Schaal S.Biomimetic gaze stabilization based on feedback-error-learning with nonparametric regression networks［J］.Neural Networks，2001，14(2):201 －216.

［23］Merfeld DM，SukyungP，ClaireGPF，etal. Vestibular perception and action employ qualitatively different mechanisms.I.Frequency response of VOR and perceptual responses during translation and tilt［J］.J Neurophysiol，2005，94:186 － 198.

［24］Ramat S，Dominik S，David SZ.Interaural translational VOR:suppression，enhancement，and cognitive control［J］. J Neurophysiol，2005，94:2391 －2402.

［25］Franchi E，F(xiàn)alotico E，Zambrano D，et al.A comparison between two bio-inspired adaptive models of Vestibulo-Ocular Reflex(VOR)implemented on the iCub robot［C］ //201010th IEEE-RAS InternationalConference on Humanoid Robots.Nashville:IEEE Press，2010:251－256.

［26］Khojasteh E，Galiana HL.Modulation of vergence during the vestibulo-ocular reflex［C］ //Proceedings of the 29th Annual International Conference of the IEEE EMBS，Lyon:IEEE Press，2007:23－26.

［27］Ojima S，Yano S.Eye movement model with neural oscillators［C］ //Proceedings of the IEEE International Conference on Neural Networks.Perth:IEEE Press，1995:2297 －2302.

［28］May PJ，PorterJD. Thelaminardistribution ofmacaque tectobulbar and tectospinal neurons［J］.Visual Neuroscience，1992，8(3):257 －276.

［29］Freedman EG，Sparks DL.Eye-head coordination during headunrestrained gaze shifts in rhesus monkeys［J］.Journal of Neurophysiology，1997，77(5):2328 －2348.

［30］Freedman EG，Sparks DL.Activity of cells in the deeper layers of the superior colliculus of the rhesus monkey:Evidence for a gaze displacement command［J］.Journal of Neurophysiology，1997，78(3):1669 －1690.

［31］Wang Xiaoxing，Jin Jesse，Jabri M.Neural network models for the gaze shift system in the superior colliculus and cerebellum［J］.Neural Networks，2002，15:811 － 832.

［32］Rubio-Perez MA，Galvez-Ruiz AL，Sepulveda-Gazquez M，et al.Review of the model of vertical gaze control［J］.Revista De Neurologia，2011，53(8):477 －482.

［33］Andreas AK，Adonis KM.Optimal control of gaze shifts［J］.The Journal of Neuroscience，2009，29(24):7723 －7730.

［34］Saglam M，Lehnen N，Glasauer S.Optimal control of natural eye-head movements minimizes the impact of noise［J］.Journal of Neuroscience，2011，31(45):16185－16193.

［35］Saeb S，Weber C，Triesch J.Learning the optimal control of coordinated eye and head movements［J］.PLoS Comput Biol，2011，7(11):1－12.

［36］Bechara BP，Gandhi NJ.Matching the oculomotor drive during head-restrained and head-unrestrained gaze shifts in monkey［J］.J Neurophysiol，2010，104(2):811 － 828.

［37］Freedman EG.Coordination of the eyes and head during visual orienting［J］.Exp Brain Res，2008，190(4):369 －387.

［38］Engbert R，Mergenthaler K，Sinn P，et al.An integrated model of fixational eye movements and microsaccades［J］.Proceedings of the National Academy of Sciences of the United States of American，2011，108(39):E765 － E770.

［39］張暁林，川合拓郎，熊澤逸夫，等.両眼固視微動を用いた立體エッジ畫像生成法［C］//高木幹雄.第11回畫像センシングシンポジウム講演論文集.橫濱:畫像センシング技術研究會，2005:303－306.

［40］張暁林，若松秀俊.両眼運動制御メカニズムの數(shù)學モデルと視軸制御システムの構築［J］.日本ロボット學會誌，2002，20(1):89 －97.

［41］Chan WWP，Galiana HL.A nonlinear model of the neural integrator improves detection of deficits in the human VOR［J］.IEEE Transactions on Biomedical Engineering，2010，57(5):1012－1023.

［42］Alkan Y，Gohel S，Biswal BB.Functional connectivity in oculomotor movements［C］ //Proceedings of the IEEE 36th Annual Northeast Bioengineering Conference.New York:IEEE Press，2010:1 －2.

［43］Hafed ZM，Krauzlis RJ.Similarity of superior colliculusinvolvement in microsaccade and saccade generation［J］.J Neurophysiol，2012，107:1904 － 1916.

［44］Schutz AC，Braun DI，Gegenfurtner KR，et al.Eye movements and perception:A selective review［J］.Journal of vision，2011，11(5):1－30.

［45］Farshadmanesh F，Byrne P，Keith GP，et al.Cross-validated models of the relationships between neck muscle electromyography and three-dimensional head kinematics during gaze behavior［J］.J Neurophysiol，2011，107(2):573 － 590.

［46］鄒海榮.低空跟蹤地面目標的機載云臺運動仿生控制［D］.上海:上海大學，2007.

［47］黃素媚，肖南峰.仿人形機器人兩眼運動模型和控制方法研究［J］.系統(tǒng)仿真學報，2005，17(9):2065－2069.

［48］顧立忠，蘇劍波.仿人機器人的頭眼協(xié)調(diào)運動控制研究［J］.機器人，2008，30(2):165－170.

［49］陳維毅，楊桂通，吳文周.人體眼球的運動模型及相應的動力學方程組［J］.中國生物醫(yī)學工程學報，2000，19(3):266－271.

［50］Kardamakis AA，Grantyn A，Moschovakis AK.Neural network simulations of the primate oculomotor system.V.Eye– head gaze shifts［J］.Biol Cybern，2010，102(3):209 －225.

［51］李恒宇，羅均，李超，等.基于眼球前庭動眼反射的機器人視覺誤差主動補償方法［J］.機器人，2011，33(1):191－197.