See

discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/271468026

Visin artificial y Filtro de Kalman aplicados al

control de un pndulo invertido

Conference Paper June 2014

DOI: 10.1109/ARGENCON.2014.6868521

CITATIONS READS

0 182

2 authors, including:

Pablo Negri
Argentine University of Business (UADE)
33 PUBLICATIONS 210 CITATIONS

SEE PROFILE

All content following this page was uploaded by Pablo Negri on 12 February 2015.

The user has requested enhancement of the downloaded file. All in-text references underlined in blue are added to the original document
and are linked to publications on ResearchGate, letting you access and read them immediately.
 Visin Artificial y Filtro de Kalman
Aplicados al Control de un Pndulo Invertido
Damian A. Garayalde
Instituto de Tecnologa - UADE - Lima 717, Capital Federal, Argentina.
CONICET, Av. Rivadavia 1917, Capital Federal, Argentina.
1
dagarayalde@uade.edu.ar
AbstractMachine vision systems comprise a technology
whose development has grown exponentially in recent years.
These technologies not only make an essential tool for certain
applications, but also enable the substitution of multiple
mono-variable sensors (used in process automation) for
a single multi-variable sensor adquisition system. In this
paper the actual implementation of an inverted pendulum
is presented. The control loop is based on artificial vision
for the determination of position and the application of
a Kalman Filter for the estimation of complete system
state. This document describes the model of the system, its
stochastic characterization, implementation of Kalman Filter
and vision system considerations aimed at improving its
robustness. Simulations and tests are presented concluding
with the comparative analysis of image-based measurement
vs encoders based measurement.
Resumen Los sistemas de visin artificial comprenden una
tecnologa cuyo desarrollo ha crecido de manera exponencial
en los ltimos aos. Estas tecnologas no solo conforman
una herramienta esencial para ciertas aplicaciones, sino que
permiten la sustitucin de mltiples sensores mono-variables
(utilizados en la automatizacin de procesos) por un nico
sensor de adquisicin multi-variable. En este trabajo se
presenta la implementacin real de un pndulo invertido
cuyo lazo de control se basa en visin artificial para la
determinacin de la posicin (xm , m ) y la aplicacin de un
Filtro de Kalman para la estimacin del estado total (x, ,
v, ). Este documento describe el modelado del sistema, su
caracterizacin estocstica, la implementacin del Filtro de
Kalman y consideraciones orientadas a mejorar la robustez
del sistema de visin artificial. Se presentan simulaciones
y ensayos. Concluyendo con el anlisis comparativo de las
mediciones basadas en imgenes o encoders.
I. I NTRODUCCIN
Los sistemas de visin artificial comprenden una tec-
nologa cuyo desarrollo ha crecido de manera exponencial
en los ltimos aos [1], [2] fomentando el reemplazo de
mltiples sensores hacia la adquisicin de informacin a
travs del procesamiento online de imgenes [3][6]. El
creciente inters en esta tecnologa reside en la eleccin y
determinacin de la misma como un recurso estratgico para
desarrollos asociados al control y monitoreo de dispositivos
mecnicos sub-actuados y robticos.
Con el objetivo de analizar la posibilidad de reemplazar
sensores tradicionales por tcnicas de procesamientos de
imgenes en sistemas que requieran la aplicacin de control
de manera continua, precisa y veloz se propone un sistema
de medicin basado en visin artificial para el monitoreo
dinmico de un pndulo invertido. Debido a sus no line-
alidades, su inestabilidad intrnseca y su modelo sencillo
el pndulo invertido suele ser utilizado como modelo de
1 and Pablo Negri
referencia para analizar el desempeo de los sistemas de
control.
En la literatura se observan mltiples estudios sobre el
control de un pndulo invertido basado en visin. En general
el control visual se implementa sobre la posicin de la base
del pndulo y el angulo de inclinacin del mismo, o en
solo una de estas variables. Stuflesser et al. [7] presentan
un esquema de estimacin de ambas variables basado en
visin mediante el uso de un filtro de partculas. Donde
dependiendo de la naturaleza de las seales dicho filtro
puede ser interpretado como un Filtro de Kalman. Magana y
Holzapfel [8] controlan el pndulo mediante un controlador
fuzzy estimando por visin la velocidad angular media
(/t). En sus resultados la posicin angular resultante
presenta oscilaciones de 2.7 . Similarmente, Tu y Ho [9]
controlaron un pndulo rotativo basado en FPGA y DSP
con realimentacin visual donde solo la inclinacin angular
del pndulo fue estimada. En estado estacionario, la variable
resulta con oscilaciones de 1.5 . Wang et al. [5] utiliz una
cmara para medir angulo y un encoder para la posicin del
carro en conjunto con un observador de Luenberger para
la estimacin de las velocidades. En control, el pndulo y
carro oscilan en 10 y 4 cm Otras estrategias de control y
filtrado han sido propuestas para la estimacin del estado
total del sistema mediante informacin posicional, tales
como: el Filtro de Kalman [10], [11], Filtros Fuzzy [8],
Filtros de Partculas [7] y Observadores de Luenberger [5].
Este trabajo consiste en la implementacin funcional del
pndulo invertido a partir del estudio de factibilidad real-
izado en [12]. En el presente articulo se utiliza un sistema
de visin artificial para la medicin dinmica de la posicin
geomtrica del pndulo () y el carro (x) complementado
con un Filtro de Kalman Discreto (DKF) para la estimacin
del estado total del sistema. Las contribuciones de este
trabajo consisten en:
la especificacin de ajustes sobre el sistema de visin
artificial para mejorar su robustez y disminuir el tiempo
de procesamiento,
la descripcin e incorporacin de un Filtro de Kalman
Discreto (DKF) para la estimacin de las velocidades
y la reduccin del error asociado a las perturbaciones
del sistema.
la presentacin de simulaciones y ensayos compara-
tivos entre el desempeo del sistema de visin y la
medicin mediante encoders.
Este trabajo se estructura de la siguiente forma: en la
Seccin II se describe la plataforma experimental, el modelo
de la planta y el sistema de control. En III se introduce
el sistema de visin y se analizan los ajustes operados
para mejorar la robustez del sistema. En la Seccin IV se
describe el Filtro de Kalman y la caracterizacin estocstica
de nuestro sistema para la implementacin del mismo. En
la Seccin V se presentan simulaciones y ensayos sobre
el dispositivo real y se analizan los resultados del sistema
frente al desempeo basado en encoders. Finalmente, se
presenta conclusiones y perspectivas.
II. P LATAFORMA EXPERIMENTAL , MODELO Y CONTROL
Fig. 1. Implementacin del pndulo invertido utilizada.
A. Diseo mecatrnico
El sistema fsico bajo anlisis ser un pndulo invertido,
cuya implementacin actual fue diseada y fabricada en
UADE con base al anlisis de ventajas y desventajas de algu-
nas configuraciones existentes. El dispositivo experimental
se observa en la Fig.1. Para una descripcin detallada de los
componentes utilizados referirse a [12].
B. Dinmica del sistema y estrategia de control
Inicialmente la dinmica del sistema en el entorno de
control se representa mediante espacio de estados. Se define
el vector de estado y el vector de salida como X = Y =
[ x x ]. Donde es el desplazamiento angular del pndulo
respecto a la vertical y x el desplazamiento lineal del carro.
Sea U = Vm la tensin aplicada al motorreductor, dichas
variables se vinculan segn:
X = A.X + B.U
Y = C.X + D.U
Donde las matrices A, B, C y D resultan:
0 0 K 0
cte
En estas expresiones l representa la longitud del pndulo
y m la masa colocada en su extremo; Bp el coeficiente de
friccin en su eje; g la aceleracin de la gravedad; Kv una
constante de conversin de tensin a fuerza; Meq comprende
los efectos asociados a las masas del carro y pndulo
as como la inercia del motorreductor; y finalmente, Beq
comprende los efectos asociados al rozamiento carro-gua,
las perdidas por la fuerza contra-electromotriz y rozamientos
internos del motorreductor.
Posteriormente, en la etapa de simulacin, se adicionan a
este modelo no linealidades propias de la implementacin
real como ser la saturacin de tensin en el puente H y
una zona muerta donde el torque generado no es capaz de
vencer el rozamiento esttico del sistema. El retraso en la
actuacin impuesto por la existencia de huelgo o backlash en
la transmisin resulta dependiente tanto de la dinmica del
carro como de la tensin aplicada. Sin embargo, a travs
de simulaciones se observ que la contribucin de dicho
efecto al desempeo dinmico de nuestra implementacin
no genera cambios significantes. En vas de un modelo ms
sofisticado podra analizarse tambin la existencia de un
rozamiento seco en la gua del carro de manera adicional
a todos los efectos considerados.
Para modificar la respuesta dinmica y esttica del sis-
tema se utiliza realimentacin lineal de estados (ver [13]).
Definiendo Xset como el requisito para el vector de estado y
K como la ganancia de realimentacin, la variable de control
ser calculada dinmicamente como la suma ponderada de
los errores entre los valores actuales y los valores deseados
asociados a las variables del vector de estados.
X
Vm = Ki (Xset i Xi ) (3)
i
Ensayos previos descritos en [14] demostraron que
aplicando esta estrategia con medicin por encoders se
logra controlar el pndulo en posicin vertical durante
periodos superiores a los 15 minutos.
III. S ISTEMA DE VISIN ARTIFICIAL
A. Introduccin
El monitoreo de las variables requeridas para controlar
el pndulo (, x), se realiza a travs de una cmara como
muestra el esquema de la Fig.2. Dichas variables se calculan
en funcin de la posicin de dos marcadores de color azul
montados sobre el pndulo invertido y cuatro marcadores
(1) rojos de referencia segn se observa en la Fig.1.
(2)

0 0 0 Kcte
1

A= Kcte .

0 m l g Beq l Bp


0 Meq g Beq Bp.Meq /(ml)
1
 
B= Kcte .Kv 0 0 l 1 Fig. 2. Sistema a lazo cerrado. Medicin mediante visin artificial y DKF.

C = I dim(4x4) La determinacin de la posicin de los marcadores en

el sistema de coordenadas del dispositivo real en mm
D = 0 dim(4x1) Con Kcte = (Meq m) l conlleva mltiples procesamientos. Primero se realiza un
anlisis cromtico segn el cual se binariza la imagen;
posteriormente se individualizan los conjuntos conexos, se
aproxima cada conjunto a una elipse y se determina su
centro; finalmente, se utiliza una matriz de transformacin
convirtiendo los puntos de la imagen al plano del pn-
dulo. Este conjunto de procesos fue optimizado logrando
un tiempo de procesamiento total menor a los 10 ms.
En [12] se puede encontrar una descripcin detallada de
los procedimientos y mtodos involucrados as como su
justificacin.
B. Ajuste del sistema
En base a la implementacin real fue posible detectar
modificaciones para mejorar la robustez del sistema. El
sensor utilizado para obtener las imgenes consiste en una
cmara (The Imaging Source DFK 23UV024) operando a
110 fps con una resolucin de 640x480. En anlisis previos
se determinaron los errores asociados a la resolucin como:
error = 0.3 y errorx = 1.73 mm [12]. A continuacin
describimos los mltiples factores que contribuyen al dete-
rioro de la localizacin as como los ajustes propuestos para
reducir la incidencia de los mismos:
a- La disposicin geomtrica de los marcadores frente
a su ubicacin terica influye en la determinacin de la
posicin real de los marcadores y el clculo de x y . La
matriz de transformacin se calcula en base a la ubicacin
del marco establecido por los 4 marcadores de referencia y la
precisin de la transformacin esta directamente vinculada
a la ubicacin del marcador respecto de dicho marco. Como
nuestro marco abarcaba principalmente la regin inferior del
dispositivo se re-posicionaron los marcadores de forma de
mejorar la medicin del pndulo en posicin vertical.
b- La iluminacin ambiental modifica los colores
percibidos por el sensor y en consecuencia perturba el
sistema. Debido a que los marcadores utilizados consistan
en esferas, la crominancia percibida no solo dependa de la
ubicacin y tipo de las fuentes luminosas sino tambin de
la posicin de los marcadores respecto de las mismas. Para
esto se reemplazaron los marcadores del pndulo por discos
planos y se mejor la iluminacin mediante el agregado de
fuentes orientadas en la direccin del sensor.
c- La alteracin morfolgica de los marcadores debido a
una binarizacin inadecuada conlleva al error en la determi-
nacin de la posicin del marcador. Es decir, si como resul-
tado de la binarizacin el contorno del marcador no posee
forma circular el ajuste de la elipse no ser representativo
de la posicin real. Para mejorar la robustez se implement
un algoritmo de tipo Montecarlo donde se analizan mltiples
ajustes a partir de subconjuntos del permetro y se selecciona
el valor mas representativo, evitando as la influencia de
alteraciones leves.
d- La deteccin de falsos positivos influye de manera
crtica en el control, sin embargo, la ausencia de detec-
cin aumenta el tiempo de procesamiento. Para rechazar
detecciones indeseadas conservando la identificacin de los
marcadores se redujo el rango de crominancias asociadas a
cada marcador y tras la binarizacin se aplic una operacin
de apertura (erosin y luego dilatacin).
e- El nuestro procesamiento el tiempo insumido depende
de mltiples factores. Para reducir el costo computacional
asociado al procesamiento de la imagen se analiza
unicamente la seccin que contiene los marcadores del
sistema pndulo - carro. Dicha seccin se actualiza
dinmicamente en funcin de las posiciones previas de los
marcadores y la dinmica del sistema. El tiempo asociado
al procesamiento se redujo de 50 ms a 10 ms.
IV. F ILTRO DE K ALMAN D ISCRETO (DKF)
El DKF es un algoritmo recursivo que utiliza mediciones
ruidosas y un modelo aproximado de la planta para generar
la estimacin optima (probabilsticamente) del estado del
sistema. Sea x(k) una seal a estimar y sea y(k) una ob-
servacin de la misma relacionadas por el siguiente sistema
tiempo discreto:
x(k+1) = Ad .x(k) + Bd .u(k) + w(k) (4)
y(k) = C.x(k) + v(k) (5)
Las variables aleatorias w(k) y v(k) representan el ruido
aditivo de proceso y el ruido de medicin. Las mismas se
consideran independientes entre si, blancas y con distribu-
cin normal de varianza Q y R respectivamente.
A. Algoritmo recursivo
Las ecuaciones asociadas al filtro de Kalman pueden
dividirse en dos grandes grupos: Las ecuaciones de actual-
izacin temporal del filtro, las cuales estiman la proyeccin
del estado y la covarianza un paso delante:
x(k)pred = Ad .x(k1)est + Bd .u(k1) (6)
P(k)pred = Ad P(k1)est Ad +Q (7)
Y las ecuaciones con la actualizacin de la medicin, las
cuales ajustan las estimaciones considerando las mediciones
actuales:
P(k)pred C
K(k) = (8)
CP(k)pred C + R
x(k)est = x(k)pred + K(k) y(k) C x(k)pred


(9)
P(k)est = (I K(k) C)P(k)pred (10)
La K presentada en este algoritmo no posee relacin
alguna con la ganancia del sistema de control. Debido a
que el algoritmo se basa en la representacin digital de
un sistema lineal, el modelo utilizado en el filtro debe
ser calculado para el tiempo de muestreo correspondiente
a las muestras que realimentan el filtro. Adicionalmente,
cabe recordar que este algoritmo opera sobre un modelo
linealizado de la planta. Consecuentemente, todos los efectos
mencionados en el modelado del sistema mecatrnico que
no se hallan incluidos en el modelo lineal debern ser
considerados como fuentes de perturbacin y componentes
del ruido aditivo del proceso.
B. Caracterizacin estocstica del sistema
Mientras que las matrices K, Pest y Ppred se regulan
automticamente a travs de las iteraciones del algoritmo,
las matrices R y Q deben definirse segn la dinmica real
del sistema. Mientras que la primera se puede calcular
fcilmente a partir de los errores de medicin (desvo
estndar) la segunda suele ajustarse mediante ensayos. A
continuacin se detallan los valores utilizados en nuestra
implementacin. Los errores de medicin se determinaron
como emed = 0.3 y emedx = 1.73 mm. Los errores
de proceso se determinaron de manera experimental como
eproc = 0.003 y eprocx = 6 mm.Luego las matrices
resultan:
" #
emed2x 0
R=
0 emed2
eproc2x
0 0 0
0 eproc2 0 0
Q=
0 0 eproc2x 0
. 0 0 0 eproc2
V. S IMULACIONES Y E NSAYOS
A. Simulaciones
1) Modelo en Simulink/Matlab: El sistema a modelar
consiste en un pndulo invertido a controlar por reali-
mentacin lineal de estados, cuyo estado es estimado por
un Filtro de Kalman Discreto (DKF) mediante el uso de
mediciones ruidosas de la posicin del sistema.
La tensin calculada por el controlador para el motorre-
ductor del pndulo es limitada a los limites operativos
del sistema real (puente H con 12v) y se agrega una
zona muerta (4v) donde el torque generado no es lo
suficientemente grande para vencer el rozamiento esttico
del sistema. El resultante de este proceso es aplicado a un
modelo en espacio de estados construido de acuerdo a los
valores de la implementacin real (Sec.II-B). Las salidas del
pndulo invertido son la posicin angular del pndulo y la
posicin de su base (x y ). A stas se les suma el ruido
asociado a la medicin basada en el anlisis de imgenes
con resolucin finita (0.3 y 1.73 mm).
Las mediciones son luego filtradas mediante un DKF
operando a un tiempo de muestreo igual al tiempo de
actualizacin del controlador (Tdkf ). Este bloque genera
una estimacin del estado del sistema en funcin de las
mediciones y tambin genera una prediccin del estado un
muestra a futuro. Dado el tiempo insumido en la captura,
tanto la estimacin como la prediccin se hallan retrasadas
en una muestra (Tdkf ).
Esta estimacin del estado actual es comparada con
un estado deseado y los errores son multiplicados por
la ganancia del controlador. El valor resultante de esta
operacin es la tensin a aplicar al bloque del pndulo
invertido.
2) Controlador sobre modelo ideal y real: Suponiendo
que todas las variables representativas del estado del sistema
son medibles y no existe ruido de medicin se ensayo el
desempeo del sistema de control cuando se consideran o
no los factores de distorsin. En la Fig.4 se observa que
cuando las no linealidades no son incluidas en el modelo el
sistema responde segn los requisitos de diseo (Sobrepico
5% en ambos casos y tiempo de establecimiento 1s para y
3s para x). Por otra parte, cuando se simula el controlador
sobre el modelo completo el sistema alcanza los valores
deseados con un desempeo menor y oscila en su entorno.
0.2 5
x modelo real
x modelo ideal
modelo real
0.1
modelo ideal
x [m]
0 0
-0.1
-0.2 -5
16 20 24 28 32
t [s]
Fig. 4. Sistema de control calculado para modelo ideal operando sobre
simulacin de modelo real.
3) Estimacin del DKF y simulacin a lazo cerrado:
Nuestro sistema de visin artificial solo proporciona medi-
ciones de x y . Como se demostr para el caso de un
pndulo simple, la estimacin de la velocidad por medio
del DKF constituye una mejor aproximacin a la realidad
que la seal estimada al diferenciar la posicin de manera
discreta.
En la Fig.5 se observa el desempeo del controlador
con ambos tipos de estimacin y el resultado obtenido al
realimentar el estado real. Se presentan resultados para 2
referencias de diferente amplitud ya que se detecto que para
cambios mayores a 10cm el sistema basado en la estimacin
por diferencias discretas diverge. En el caso con variaciones
menores se aprecia que el sistema basado en diferenciacin
discreta oscila constantemente mientras el resultado del DKF
es comparable con el sistema basado en el estado real.
Aunque el desempeo del sistema basado en la difer-
enciacin discreta es mejorable mediante la reduccin del
periodo de muestreo o el ajuste de la ganancia del con-
trolador; siempre ser una solucin sub-ptima con mayor
sensibilidad al ruido.
Tomando como base los resultados de las simulaciones y
el ajuste del sistema de visin artificial se procedi al ensayo
sobre el dispositivo real.
B. Ensayos
Dado el sistema pndulo invertido operando de manera
controlada en posicin vertical se realizaron ensayos com-
parativos entre la estimacin del sistema visin artificial -
DKF frente a los valores obtenidos mediante los encoders
montados sobre el dispositivo.
El anlisis de ambas seales requiere la sincronizacin de
las mismas de manera temporal. Mientras que la estimacin
del estado se genera en la PC con base a las capturas del
sensor de visin, la medicin mediante encoders se ejecuta
en el microcontrolador solidario a la base del pndulo. Para
establecer un sincronismo la estimacin obtenida en la PC es
transferida al microcontrolador; al recibirse una estimacin,
su valor se almacena en conjunto con el medicin del
encoder en dicho instante.
 Fig. 3. Implementacin en Simulink

0.15 mediciones. En los resultados asociados a la posicin an-

gular se observa claramente que la estimacin resulta en
una seal con mayor contenido armnico que la medicin
de los encoders. En este sentido la dinmica de la esti-
macin se halla fuertemente vinculada a la caracterizacin
0.05 estocstica del sistema y la precisin del modelo utilizado.
Consecuentemente el filtrado de las altas frecuencias podra
lograrse mediante la modificacin del DKF.
x [m]

-0.05 50

x con DKF
x con encoder
Utilizando estimacin por diferenciacin discreta error
Utilizando estimacin DKF

8 10 16 18 24 26
t [s]
x[mm]

0.2 20

0.1
3
0
-3
x [m]

0
14 19 24
t[s]

Fig. 6. Posicin del carro estimada mediante el Filtro de Kalman vs

-0.1 medicin de encoder y error entre ambas seales.

Utilizando estimacin por diferenciacin discreta

Utilizando estimacin DKF

8 10 16 18 24 26
t [s] 1

Fig. 5. Sistema a lazo cerrado con estado real vs estado estimado mediante
el DKF y diferenciacin discreta. Arriba, cambio de referencia en 5 cm.
Abajo, cambio de referencia en 10 cm. 0
[]

En cada una de las Fig. 6 y 7 se presentan 3 curvas: la -1

con DKF
estimacin de la variable bajo anlisis (x , ), el registro con encoder
error
obtenido mediante el encoder y la diferencia entre ambas
0.3
seales. Dada la dinmica del error se propone caracterizar 0
al mismo como ruido blanco de media cero. En base a los -0.3
datos obtenidos del ensayo se determin el desvo estndar
de ambos errores resultando en el orden de los 1.04 mm
para x y 0.23 para . 2 9 16
t[s]
Estos resultados resultan similares a los errores asociados
a la resolucin de la imagen (0.3 y 0.173 mm), lo cual Fig. 7. Desplazamiento angular del pndulo estimado mediante el Filtro
tiene sentido ya que el Filtro de Kalman se basa en dichas de Kalman vs medicin de encoder y error entre ambas seales.
 VI. C ONCLUSIONES [14] J. Bauer, D. Garayalde, D. Riepl, and H. Laguyas, Systematic-
validation of a computer simulation environment for modeling and
En este trabajo se present un sistema dinmico con- dynamic behavior analysis of complex mechatronic mobile robots
trolado en tiempo real por tcnicas de visin artificial. Se systems, in European Congress on Computational Methods in Ap-
plied Sciences and Engineering, 2012.
analizaron las limitaciones del sistema de medicin, se es-
tablecieron recomendaciones respecto de la implementacin
y se describi el agregado de un DKF como complemento
para la estimacin de variables imposibles de obtener a
travs de una captura nica. Se simul el sistema meca-
trnico real agregando un numero de comportamientos no
lineales as como el ruido y retraso de medicin asociado
a las tcnicas de procesamiento de imgenes. Sobre este
modelo se evalu el desempeo del DKF demostrando
la factibilidad de una implementacin real y las mejoras
introducidas en el sistema de control mediante el filtro.
Posteriormente se corroboraron los datos simulados a
travs de ensayos sobre el dispositivo real comparando el
desempeo del sistema de visin frente a la medicin basada
en encoders. Los errores relativos de y x se caracterizaron
como seales de media cero y desvos 0.23 y 0.104 mm
respectivamente. Los algoritmos de procesamiento se opti-
mizaron obteniendo mediciones experimentales con tiempos
menores a los 10 ms.
El esquema presentado expone la factibilidad de reem-
plazar un nmero de sensores monovariables por tecnologas
de visin artificial para el control de sistemas dinmicos en
tiempo real. Partiendo de los resultados obtenidos consider-
amos que las aplicaciones podran ser extrapoladas a otros
dispositivos mecatrnicos de similares caractersticas.

R EFERENCES
[1] P. Corke, Visual control of robot manipulators-a review, Visual
servoing, vol. 7, pp. 131, 1993.
[2] S. Hutchinson, G. D. Hager, and P. Corke, A tutorial on visual servo
control, Robotics and Automation, vol. 12, no. 5, pp. 651670, 1996.
[3] A. Traslosheros, J. Sebastin, L. ngel, F. Roberti, and R. Carelli,
Visual servoing of a parallel robot system, in International Sympo-
sium on Intelligent Signal Processing, 2007, pp. 16.
[4] G. Lee and S. Jung, Line tracking control of a two-wheeled mobile
robot using visual feedback, International Journal of Advanced
Robotic Systems, vol. 10, 2013.
[5] H. Wang, A. Chamroo, C. Vasseur, and V. Koncar, Hybrid control
for vision based cart-inverted pendulum system, in American Control
Conference, 2008, pp. 38453850.
[6] S. Kizir, H. Ocak, Z. Bingul, and C. Oysu, Time delay compensated
vision based stabilization control of an inverted pendulum, Inter-
national Journal of Innovative Computing Information and Control,
vol. 8, no. 12, pp. 81338145, 2012.
[7] M. Stuflesser and M. Brandner, Vision-based control of an inverted
pendulum using cascaded particle filters, in Instrumentation and
Measurement Technology Conference Proceedings, 2008. IMTC 2008.
IEEE. IEEE, 2008, pp. 20972102.
[8] M. E. Magana and F. Holzapfel, Fuzzy-logic control of an inverted
pendulum with vision feedback, Education, IEEE Transactions on,
vol. 41, no. 2, pp. 165170, 1998.
[9] Y.-W. Tu and M.-T. Ho, Design and implementation of robust visual
servoing control of an inverted pendulum with an fpga-based image
co-processor, Mechatronics, vol. 21, no. 7, pp. 11701182, 2011.
[10] Y. Yoon, A. Kosaka, and A. C. Kak, A new kalman-filter-based
framework for fast and accurate visual tracking of rigid objects,
Robotics, IEEE Transactions on, vol. 24, no. 5, pp. 12381251, 2008.
[11] V. Lippiello, B. Siciliano, and L. Villani, Adaptive extended kalman
filtering for visual motion estimation of 3d objects, Control Engi-
neering Practice, vol. 15, no. 1, pp. 123134, 2007.
[12] B. J., N. P., and G. D., Visisn artificial para control posicional
y medicisn dinamica
de la geometr a del plndulo invertido,
in XV Reunisn de Trabajo en Procesamiento de la Informacisn y
Control RPIC, 2013.
[13] K. Ogata, Ingeniera de control moderna 4ED. Pearson Educacin,
2003.

View publication stats