视觉仿生控制研究综述

毛晓波 陈铁军

(郑州大学电气工程学院，郑州 450001)

引言

给机器人配备智能双眼，使其像人类一样感知和获取环境信息、快速准确地切换注视点和跟踪目标，是人们梦寐以求的愿望。为此，人们采用多种基于工学视角的方法和手段来构建智能机器人视觉系统，使其具备了初步的“视觉”功能。但目前机器人“眼睛”的视线控制水平还较低级，在3D双目协调联动、头眼协调控制、对突然变化或不可预测的运动目标的跟踪、大视野与精确跟踪之间的矛盾以及因剧烈震动引起的视线偏离补偿等方面的问题尚未得到很好的解决。相比之下，生物视觉经过千百万年的进化已极其发达和完善，其优异的视觉控制机理是机器人视觉研究的重要灵感源泉。近年来，视觉仿生研究日益受到重视，成为前沿交叉学科的研究热点。根据模拟生物视觉的不同机理和不同的功能表现，视觉仿生研究可归纳为两大方面［1］:一是从视觉感知、认知的角度进行研究;二是从眼球运动、视线控制的角度进行研究。本文讨论的是后者，总结了灵长类动物眼球运动的特点及其利用价值，对国内外借鉴生物眼球运动神经控制机理构建仿生机器眼的研究现状、存在的问题及未来发展趋势做了全面综述，并针对目前机器人视觉控制面临的技术难题，提出了开展视觉仿生控制研究的新思路和新构想。

1 灵长类动物眼球运动特点及其利用价值

对生物视觉原型的研究是进行视觉仿生控制研究和构建仿生机器眼的基础。人类和其它灵长类动物的视觉系统包括眼球、视神经和视觉中枢，其优异的视觉控制性能源于其特殊的生理构造和发达的中枢神经控制机能。

1.1 视网膜视敏度非均匀分布

灵长类动物视网膜中央凹区(fovea)仅有约5°的视角范围，光感受器高度集中于此，是视力最敏锐的区域。为了精细地识别物体，需要不断地改变视线，使感兴趣的目标图像落在fovea区。快速眼球扫视运动(saccade)能够有意识地改变视线、切换注视点至 Fovea附近，慢速平滑追随运动(smooth pursuit)则做连续的反馈伺服运动，维持目标图像在fovea区域。Saccade和smooth pursuit受大脑不同神经支配，前者由目标位置驱动，后者由速度驱动，在追踪变化目标时通常两种运动成分共存并不时地自动切换。

视网膜非统一分辨率的特点和Saccade、smooth pursuit快慢模式实时切换的控制机理，对于机器人视觉跟踪控制研究具有重要的启示作用。

1.2 双目联动性

人依靠眼球运动改变视线，双目运动由各自的六条眼外肌协调控制，而支配眼外肌的神经是第Ⅲ、Ⅳ、Ⅵ对颅神经，根据大脑指令控制眼球做各种运动。来自两个视网膜的神经以半交叉的结构通向左、右大脑半球，相互之间有丰富的神经联络和一定的约束。双眼是单个器官的两个部分(Single double eye)，中枢神经总是发出一对信号同时控制双眼。因此，人眼视物总是双目协调联动的。双目视觉不仅补偿了单眼视觉存在的盲点，扩大了视野范围，而且建立了深度感，形成立体视觉。研究双目联动神经机制和立体视觉形成机理，有助于攻克目前机器视觉双目(一主一辅)联动性不够、寻找对应点困难等技术难题。

1.3 头眼协调运动

人类有完备的头眼协调运动机制。前庭器官与视觉系统密切相关，当头部旋转时，前庭感受器感应刺激而诱发不受大脑(意识)控制的前庭动眼反射(vestibulo-ocular reflex，VOR)运动，使得头部转动期间驱使眼球做等量反向的旋转去抵偿头部运动，以维持视线的相对稳定，保持视网膜图像的清晰。该机理可应用于机器人视觉偏差补偿算法研究中。

为了重新定位目标或快速跟上目标，灵长类动物需要迅速切换注视点。当注视转移(gaze shift)幅度较大时，除眼球做快速扫视运动以外，还需要头颈部、甚至身体共同参与，且各个部位相互配合、协调运动，才能完成大角度视线转移和目标再定位。生物的头、眼和身体如何精确无误地协调组合产生统一的朝向目标的动作从而完成视线转移，值得进行深入研究并在机器人头眼协调运动控制中加以利用。

2 视觉仿生控制研究现状

2.1 国外研究进展

自20世纪60年代开始，国外学者在模拟生物眼球运动方面进行了大量的研究和尝试。

2.1.1 扫视与平滑追踪运动

Young等最早建立了扫视采样模型［2］，输入输出分别为目标位置和眼球位置，比较后的误差信号进入阈值电路，误差超过阈值，经扫视潜伏期200 ms延迟后触发采样器，控制眼球转向新目标;误差低于阈值，眼球停止运动。模型未考虑大脑的作用，当时人们对脑干在眼球运动中的作用还知之甚少。此后，Robinson修改了Young的模型，模拟大脑并行处理特性，认为前庭与眼球运动神经核之间存在一个神经积分器，与内侧纵束(MLF)构成并行通路，MLF形成的超前网络补偿眼球运动装置的滞后［3］。当前眼位与目标位置之差经过脉冲发生器进入并行通路，经积分器后产生位置信号，与 MLF直接通路共同作用于眼球运动装置，产生扫视运动。该模型具有里程碑意义，此后各种扫视模型均以此为基础。1999年，Quaia根据最新的生理学实验数据指出，小脑在扫视中起着重要作用，模型应包含两个并行通路，上丘通路提供眼球运动的大致方向驱动，小脑通路保证眼球准确地对准目标［4］。

文献［5］研究了猕猴和人眼的平滑追踪运动，指出平滑追踪与扫视不同，属于眼球运动速度的连续负反馈系统，两者发生的时间是独立的，平滑追踪的潜伏期约130 ms，利用内部主动反馈机制建立了平滑追踪模型，模型参数依据人眼生理学数据推出，至今仍有参考价值。1987年，Lisberger等提出的平滑追踪模型［6］，用视网膜运动信号作为并行网络的输入，产生加权视网膜位置、速度和加速度误差信号，这些信号被组合之后经积分器产生眼球速度指令，取得了较好的跟踪效果，解决了最初采用简单比例误差反馈伺服难以克服高增益与大延迟之间矛盾的问题。1989年，Deno等将动态神经网络模型扩展至平滑追踪系统［7］。1990年，Brown研究了眼球运动生理延迟［8］，在 Robinson 模型［9］上增加 Smith 预测器解决回路延迟。1998年，Lunghi模拟大脑在视觉跟踪中的预测机制设计了自适应预测器，经预先训练，在线修改神经网络参数，模拟人类补偿130 ms生理延迟的机能［10］。

1995年之后，人们确认在视觉跟踪中，扫视和平滑追踪同时并存、共同完成跟踪任务，并开始研究两种运动协调配合的复合模型。

Rivlin和Jessica Lee先后提出采用扫视和平滑追踪两种模式相互交替控制实现目标跟踪［11－13］。1998年，Rivlin设计最优控制器控制两种模式之间的快速转换，平滑追踪模式使目标维持在中央凹区域，一旦目标跑出凹区，立即切换至扫视模式，重新定位目标后再切换回平滑追踪模式。2005年，Jessica建立一种双目对称结构控制器模型，采用内部开关策略实现快慢两种模式自动切换［13］。

2002年，de Brouwer对猕猴进行目标跟踪实验［14］得出两个结论，一是扫视和平滑追踪存在一种连续的重叠;二是视网膜滑动信号为两种运动所共享，这与传统的两个系统截然分开的结论不同。2003年，Blohm通过实验进一步证实，在目标跟踪过程中，两种运动能协调配合共同朝向同一个目标，是因为两者共享同一个信息源—目标图像的视网膜滑动信息［15］，并首次给出位置信号输入平滑追踪运动的直接证据，并非此前普遍认为的平滑追踪仅靠速度误差驱动［16］。2006年后更多的研究确认，扫视和平滑追踪是受单一感觉运动机构控制而输出的两种结果，它们共享共同的输入信号，即:位置误差和速度误差，其输出是相互协作的［17－18］。但中枢神经如何切换不同的模式去共同完成视觉任务尚待进一步探索。

事实上，人们在改变视线时，不只是扫视和平滑追踪两种模式，辐合眼球运动(vergence eye movement)也常伴其中，因为多数情况下，下一个目标点不仅在方向上而且在深度上也有变化。2011年，Erkelens提出一种双重视觉反馈模型［19］，充分考虑了saccade运动期间vergence的影响。同样，平滑追踪过程中也有辐合眼动的成分，目前尚未见到包含扫视、平滑追踪和辐合运动在内的复合眼球运动模型。

2.1.2 反射性眼球运动

从驱动眼动的动力源来分的话，眼动有与注意有 关 的 眼 动 (如 述 saccades、smooth pursuit、vergence)和与头动相关的眼动(即反射性眼动，如VOR和OKR)两类。为补偿头部运动对稳定在视网膜中央凹目标图像的扰动，灵长类动物依靠前庭器官感应头部运动并进行调节。1992年，Gomi等提出一种前庭动眼反射-视动反射(VOR-OKR)反馈误差神经网络学习模型［20］，模拟生物 VOR-OKR自适应机制，指出学习过程发生在小脑叶片。但Raymond则认为学习既发生于小脑叶片又发生于脑干［21］。Shibata在 VOR-OKR系统中增加了反馈误差学习控制器，模拟小脑学习机能，改善系统的非线性、通路延迟，提高收敛速度［22］。2005年，Merfeld和Ramat分析了由半规管感应头部旋转产生的旋转前庭动眼反射rVOR和由耳石感应头部平移产生的平移前庭动眼反射 tVOR，分别建立了模拟人类的tVOR 和 rVOR 模型［23，24］。文献［25］利用仿生机器人iCub robot对两种常见的VOR模型进行了模拟实验，分析了小脑在自适应特性及图像稳定中的重要作用。

VOR也常在辐合、平滑追踪等运动中相伴出现构成复合眼球运动。2007年，Khojasteh在黑暗环境中测试眼球运动发现，VOR中双眼共轭运动伴随有辐合运动，且辐合运动与头部旋转速度有关，说明前庭器官对辐合眼动系统有贡献［26］。而此前普遍认为VOR期间的双眼运动是完美的共轭运动。Ojima指出，生物眼球运动具有典型的自适应控制机制，能够根据环境变化立即做出相应的变化和适当的响应，受此启发，提出一种非线性耦合神经振荡器网络模型及空间-时间学习算法，获得了平滑追踪中指令信号与运动增益及相位滞后的关系，建立的平滑追踪－VOR复合模型，改善了目标跟踪特性［27］。

2.1.3 注视转移中头眼协调运动

当注视转移幅度较小时，灵长类动物只需眼球扫视即可完成注视点切换;但当转移幅度较大时，除扫视外，还伴随头、颈，甚至身体的运动，这些运动如何协调配合引起了人们的极大兴趣，如:视网膜获得的位移误差信号在何处按何必例分解为眼部和头部位移信号?初始眼位如何影响眼部和头部运动的贡献比例?大脑在何处编码了视网膜坐标系和以头部为中心的坐标系?等等。关于头眼协调运动神经机理，出现了不同的观点，如:“单独通道假说”认为眼部和头部控制信号来自于上丘的不同路径［28］;“注视分解假说”认为上丘编码眼部、头部运动命令之和，之后分解为眼部和头部位移信号［29－30］;“小脑假说”认为上丘中间过渡层细胞与扫视紧密关联，注视位移信号在小脑中被分解为头部和眼部幅度［31］;而文献［32］则研究和总结了垂直方向注视转移模型的构建与水平方向的不同及其内在联系。2009年之后，人们提出了头眼协调运动的最优控制方法［33－34］，文献［33］运用最优控制理论研究了头眼运动与注视转移的关系，提出头眼运动最小贡献力为准则的最优控制方法，并转化为求解两点边值问题的微分方程组，仿真结果印证了“头、眼分别受控制于不同的控制器”的结论。但该研究提出的模型不具备生物的自学习机能，文献［35］在此基础上提出了一种自学习最优控制模型，在注视转移过程中自适应调整控制器参数，对于再现生物头眼协调特性更近了一步。

文献［36］通过研究猴子头部固定和头部自由运动两种情况下眼球运动的协调驱动特性，认为是神经积分器和前庭器官中的burst-tonic神经元在调整头部运动时眼球的速度。文献［37］通过分析视觉重定位中头、眼运动的实验数据，提出建立头眼协调运动模型还须考虑一些尚未解决的问题，如:初始眼位对头眼相对贡献的作用;增加头部速度对扫视的影响;头眼协调运动中眼球速度曲线的双峰现象;扫视过程中VOR的失败等。进一步研究导致这些现象的神经机制，才能揭示各运动子系统之间相互协调的本质。

2.1.4 固视微动

人眼在注视静止目标时，眼球仍处于高频率无意识的振动之中，一旦振动停止，成像就会变得模糊，这种振动保证了图像的获取质量。人眼的微动机制启发人们去模拟眼球振动来改善图像质量［38－39］。张晓林等认为，当人眼凝视静止物体时，眼球自身的震颤(固视微动)具有突出物体边缘的作用且包含深度信息［39］。通过特制的摄像机振动装置模拟固视微动所做的实验确认了这一推断，提取出来的物体边缘宽度与物体在场景中所处的位置，即物体的景深有一定数量上的关系。这项实验虽是初步的，但给立体视觉研究提供了一个新的启示。

事实上，生物眼球运动在大多数情况下是包含上述多种运动成分的复合运动。张晓林等研制了双眼水平运动实验装置 ，用两组广角镜和望远镜作为仿生双眼，其中望远镜模拟中央凹视觉，广角镜模拟周边视觉;转角和加速度传感器模拟前庭半规管功能，预测头部运动;经图像处理与控制模块输出驱动电机，控制眼球做扫视、平滑追踪和VOR等多种水平眼球运动。

此外，人们还研究了眼球运动系统中神经积分器的作用［41］、眼球运动的脑干控制机理［42－43］，眼球运动与感知［44］，以及眼球－头颈的运动学和动力学特性［45］等，仿生眼的研究在国外成为前沿研究热点。

2.2 国内研究现状

国内视觉仿生研究多集中于视觉感知认知及信息处理方面，在仿生眼运动控制方面的研究还很少。上海大学与日本东京工业大学合作，尝试将仿生眼用于低空跟踪地面目标的机载云台控制［46］。华南理工大学基于眼球生理模型开发机器人眼球运动控制软件，用于跟踪和定位活动人脸［47］。上海交通大学研究机器人注视控制问题，分段实现头眼协调运动控制及注视点与深度的关系，给出带几何约束的运动学方程［48］。陈维毅等根据眼球解剖结构，提出在眼外肌作用下的动力学方程组［49］等。除此以外，尚未见到更多的同类研究报道，仿生眼的研究尚处于起步阶段。

3 视觉控制面临的问题及对策

目前机器人眼的研究多是基于工学方法，利用左右摄像机获得目标图像分别进行处理，左右眼和头颈缺乏协调联动机制，在双目、头眼协调运动、视线偏离补偿、不确定目标追踪等方面存在诸多技术障碍，采用仿生技术是寻求解决这些问题的重要途径。

仿生机器眼的研究属于多学科交叉研究课题，涉及神经生理学、仿生学、控制科学和计算机科学等。国内外学者从各自学科的角度进行了多种尝试，但仍存在大量的问题需进一步研究和探讨。

3.1 建立完善的仿生眼模型，为仿生眼的工程化实用化奠定基础

国外进行此类研究的多是神经生理学者，通过生理学实验及数据分析，探索眼球运动的神经机理和病理特征，为医学临床提供技术支持，研究结果大都止步于生理模型，较少考虑其工程实现和应用。基于国外生理学研究成果，采用工程仿生学和控制理论相结合的方法，将视觉控制生理模型转化为工程技术模型，实现生物视觉的优异性能，从根本上解决机器视觉面临的技术难题，是智能机器人研究的重要方向。

目前文献中的仿生眼模型只模拟了人眼的一种或两种运动，且多为单眼或双眼一维水平运动。普遍采用扫视与平滑追踪分离的机制，难以同时实现多种眼球运动。进一步研究各种眼球运动之间的内部关联与神经机理，建立多自由度非线性仿生双眼运动模型，同时实现扫视、平滑追踪、异向运动和反射运动等多种眼球运动，尚需进行大量的研究。

3.2 引入生物神经控制机理，解决机器人3D头眼协调控制问题

当进行大幅度视线转移时，机器人的关节冗余需要有效地协调头部和双目的运动。目前提出的头眼协调运动系统及学习算法多是基于水平方向的二维头眼系统［50］，虽有学者提出3D头眼协调运动控制算法［48］，但采用的是先双目聚焦，再转动头部，后做眼睛补偿的“分时”“分段”执行方法，并未真正实现头眼同时转向目标中的协调控制。目前3D头眼协调运动仍是一项有待突破的技术难关。

从生物头眼协调运动中获取灵感，研究灵长类动物头、眼和身体协调组合完成视线转移的神经控制机理，设计双目头颈协调运动控制算法，解决机器人3D头眼协调控制问题不失为一条重要的研究途径。

3.3 研究人眼跟踪目标的机理，解决随意性运动目标跟踪的快速性和准确性问题

机器人“眼”的重要功能之一是视觉跟踪，目前常采用视觉伺服反馈控制的方法，但对于突然、快速变化以及行踪无常的目标，常出现目标丢失、跟踪失败的现象。

人眼在跟踪变化无常的目标中表现出的非凡才能源于其视觉系统中眼球快速扫视和慢速平稳追随之间的协调配合和实时切换。

深入研究人类眼球运动模式自动切换快速准确跟踪目标的神经生理机制，将视觉跟踪中扫视(saccade，事件驱动)和平稳追随(smooth pursuit，速度连续驱动)模式的切换看作混杂系统的自适应最优控制问题加以研究，以期解决随意性运动目标跟踪的快速性和准确性问题。其中两种模式之间的最佳切换时机和预测算法是研究的关键技术。

3.4 模拟人类反射性眼球运动机理，解决大范围视线偏离补偿问题

机器人在颠簸路段行走或在复杂的非结构化环境中作业时，自身机体振动或姿态发生变化会引起较大的视线偏离。通常采用图像处理(特征提取、目标检测与匹配、空间位置计算等)的方法来调节伺服机械云台，但补偿范围小，图像稳定性差，尚无解决大视线偏离的办法［51］。

人眼具有很强的自适应和自调节功能，当头部和身体姿态发生变化或背景动态变化时，仍能清楚地注视和跟踪目标，缘于其前庭动眼反射(VOR)和视动反射(OKR)机能。研究人类反射性眼球运动机理，建立由基于视网膜滑动信息的反馈控制器和基于前庭输入的前馈控制器组成的自适应VOROKR模型，主动补偿由机器人姿态本体变化引起的视觉误差，解决机器人大范围视觉偏差补偿问题。

3.5 生物视觉控制机理的进一步研究

人们对生物视觉在更高层次上的控制机理还未完全探明，有些机理尚存争议，如双目联动、头眼协调等尚无确定的函数关系，目前只能与生理学实验结果相比较来验证模型的正确性。另外，小脑在视觉跟踪中的学习、校正和协调作用，视觉认识与运动控制的紧密结合等均值得进一步研究。

4 结语

“物竞天择”的生物世界为人类技术创新提供了天然宝库和学习泉源。生物眼球运动控制不仅涉及眼和头的活动，更与中枢神经活动密切相关，是大脑控制策略的一种行为表现，其研究涉及神经生理学、仿生学、控制科学及计算机视觉等多个学科，需要用多学科交叉融合的方法开展研究，同时要明确研究的目的，不要刻意地为模仿而仿生。

事实上，生物视觉神经控制机理十分复杂，且受到大脑主观意志等因素的影响。仿生眼不可能也没必要完全真实地模拟生物眼。应采用开放的思维方式，借鉴生物的机理，结合机器的特点，生物与机器优势互补，用新理论、新方法为机器人配备一双“生理参数”最优的智能眼，大幅度提高机器人视觉控制水平。

［1］毛晓波.仿生机器眼运动系统建模与控制研究［D］.郑州:郑州大学.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，Falotico 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体エッジ画像生成法［C］//高木幹雄.第11回画像センシングシンポジウム講演論文集.横滨:画像センシング技術研究会，2005:303－306.

［40］張暁林，若松秀俊.両眼運動制御メカニズムの数学モデルと視軸制御システムの構築［J］.日本ロボット学会誌，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］邹海荣.低空跟踪地面目标的机载云台运动仿生控制［D］.上海:上海大学，2007.

［47］黄素媚，肖南峰.仿人形机器人两眼运动模型和控制方法研究［J］.系统仿真学报，2005，17(9):2065－2069.

［48］顾立忠，苏剑波.仿人机器人的头眼协调运动控制研究［J］.机器人，2008，30(2):165－170.

［49］陈维毅，杨桂通，吴文周.人体眼球的运动模型及相应的动力学方程组［J］.中国生物医学工程学报，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，罗均，李超，等.基于眼球前庭动眼反射的机器人视觉误差主动补偿方法［J］.机器人，2011，33(1):191－197.