基于神经网络逆系统方法的机器人柔顺性控制

提出了一种机器人柔顺性控制算法，在未知机器人精确数学模型的情况下，通过构建一个ANN二阶逆系统，并级联ANN与机械手，实现机器人位置系统的线性解耦．在此基础上，针对已解耦位置系统，通过本提出的基于目标阻抗的控制算法调节机器人手臂的阻抗，从而实现机器人的柔顺性控制．还介绍了机器人柔顺性控制实验平台的建立与组成．基于两杆操作手的实验结果证明该方法具有良好的解耦和位置跟踪性能，仿真结果表明本方法可实现有效的柔顺性控制．     

非线性系统的神经网络自学习控制

提出了一种对非线性系统的神经网络自学习控制方法,基于逆动力学控制的思想,构造了神经网络结构一致的控制器和辩识器。辨识器采用多层前向网络结构和广义Ｄｅｌｔａ学习规则算法实现了对系统逆动力学模型的动态辨识,并通过在线动态传递权值给神经网络控制器的方法实现了神经网络辨识器的神经网络控制器的有机结合,从而使整个控制系统具有很强的自适应和自学习能力,所提出的控制方案可适用于不含滞后环节和包含滞后环节的非线性     

基于神经网络的空间7R冗余机器人的运动模型辨识

针对空间冗余机器人运动学控制中正、逆运动学求解的复杂性，采用神经网络从两方面解决这一问题。一是从神经网络出发，提出了一种新的动态神经网络结构--状态延迟输入动态递归神经网络（SDIDRNN），提高了网络的学习速度；二是从辩识方案出发，以SDIDRNN为基础，在空间7R冗余机器人正、逆运动学模型辩识的问题上，设计了一种新颖的解耦辩识方案。将其与另外两种具有普通网络结构的辩识方案相比较，说明了该新方案具有更高的学习能力，辩识误差可降低到对比方案的40％-6％。由于学习速度的提高，达到设定误差时的训练次数大大减少，使该方案在机器人运动控制系统中的实时计算能力大大增强，为神经网络在机器人运动学控制中的应用提供了一条崭新的思路，具有重要的应用意义。     

一种基于神经网络的内模控制方法及其应用

根据具有非线性、强耦合、不确定性过程的控制需要，提出了一种基于神经网络的内模控制方法，该方法充分利用神经 自学习及非线性逼近能力，建立非线性、强耦合、不确定性过程的动态模型及逆模型，采用这种方法对冷轧过程中带材全局板形进行仿真实验控制，取得了理想的控制效果。     

神经网络与PID结合的机器人自适应控制

提出了一种基于神经网络与ＰＩＤ控制相结合的机器人自适应控制系统。为加快神经网络的学习过程，研究了有效的启发式学习算法。以二关节机器人为对象仿真表明，该控制系统能使机器人跟踪希望轨迹，其系统响应跟踪精度及鲁棒性优于常规的控制策略。     

仅利用位置测量信息的机器人滑动模跟踪控制

提出一种仅利用位置测量信息的机器人滑动模跟踪控制方案使机器人跟踪给定轨迹．整个控制器分为两部分：仅利用位置反馈的控制器和变结构滑动模控制器．由位置反馈实现的虚拟速度反馈实质上是一种动态补偿器,而变结构滑动模控制方案则主要用来消除或抵消系统中所存在的不确定性的影响,达到提高系统鲁棒性的目的．在上述控制器控制下,系统的输出跟踪误差可以渐近收敛到零．利用边界层控制方案可消除或减弱滑动模控制中经常出现的抖振现象．     

基于计算力矩结构的并联机器人层叠小脑模型补偿控制研究

提出了一种新的不确定机器人跟踪控制策略．在计算力矩结构的基础上引入一个层叠小脑模型(CMAC)补偿控制项，利用层叠结构CMAC分层学习的特性调整网络泛化和逼近能力，并从理论上分析了网络的收敛性．为了确保系统误差一致最终有界收敛，分别设计了粗／细子网的权值更新律．最后，在网络学习稳定的基础上，采用自适应鲁棒项抵消网络最终学习误差．与传统计算力矩法相比，在不要求加速度测量和惯性矩阵求逆的情况下，算法给出清晰的跟踪误差收敛域．基于6自由度并联机器人的仿真实例验证了算法的有效性．     

时延力觉临场感遥操作机器人系统预测控制研究

通讯时延是造成力觉临场感遥操作机器人系统不稳定和操作性能下降的关键因素，针对时延问题，提出了一种适用于时延力觉临场感遥操作机器人系统的广义预测控制方法，该方法通过预测控制器产成实时的预测力反馈以消除时延的影响．此外，为使该方法应用于遥操作机器人未知环境作业，本采用AUDI辨识算法对环境模型进行辨识．构造实验系统，通过实验验证了该方法的有效性．     

开架式水下机器人运动的变结构神经网络控制

针对开架式水下机器人运动的精确控制问题,提出一种水下机器人变结构神经网络控制方法。利用变结构控制理论中的趋近律方法,推导出神经网络参数的镇定算法,并讨论了学习算法的全局稳定性条件。仿真实验结果表明该控制方法对网络学习率的改变和外界扰动有很强的鲁棒性,具有一定的理论和实用价值。     

一种单输入CMAC策略在机械手逆模控制中的应用

小脑模型关节控制器(CMAC)是一种结构简单、学习速度快的局部神经网络,适合于实时控制。但对于某些高维输入系统来说,CMAC需要大量的存储空间,实际应用性能下降。文章结合传统PID反馈控制与神经网络逆模控制的特点,利用CMAC网络对机械手进行逆模控制;针对网络所需输入量较多的问题,提出了一种单输入CMAC网络的逆模控制策略,并将提出的控制策略应用于2自由度机械手的轨迹控制;引入测量变量使网络输入由二维转换为一维,减少了神经网络所需存储空间,提高了学习速度。仿真实验结果表明,所提出的控制策略克服了机械手非线性和不确定性的影响,是可行的。     

变因子自学习方案在机械手中的应用

介绍了一种新型自学习控制方法在机器人中的应用，它采用了变学习因子的方案，用模糊的思想选取学习因子，该算法已在直接驱动机器人上进行实验，并解决了一般学习算法在高速运动情况下由于加、减速而带来的系统振荡问题；该算法还具有学习收敛快，鲁棒性好的优点。     

基于神经动力学的机器人位置/力规划方案

针对机器人在实际生产中因与环境相接触而可能导致损坏的问题,从运动学角度提出一种通过刚性系数将机器人位置误差和接触力误差建模和解耦的位置/力规划方案．该方案从机器人逆运动学出发,将末端执行器的接触力与位置误差建模为关于机器人速度与位置间的关系式,并且引入一种神经动力学模型．使用伪逆法对所提方案进行求解,将所得的解作为控制信号驱动机器人完成任务．数值仿真与实验结果表明：所提方案能够有效控制机器人完成轨迹跟踪的任务,末端执行器的接触力能够收敛到期望的接触力．     

TF-1型弧焊机器人的运动学建模研究

对机器人操作机进行运动学建模是机器人控制和运动规划的必要前提。利用TF-1型弧焊机器人的结构特点,运用一种新的求取逆解的方法,得出了该机器人运动学正、逆解析解。该方法避免了大量的逆矩阵相乘,简化了求取运动学逆解的过程,而且所得的解表达式简单,便于机器人的仿真和快速准确控制。仿真结果证明了该方法的有效性。     

UR机器人运动学与奇异摄动算法研究

首先分析了UR机器人的机械结构;其次通过数值迭代法对UR机器人的逆运动学进行了求解,严格控制了算法的精度和速度,验证了算法的正确性和快速性;再次提出了一种基于奇异摄动的控制方法,通过振动抑制方法将系统分为快慢两个子系统,实现降阶作用;最后绘制了正、逆运动算法的机械臂轨迹曲线,同时针对降阶后的系统设计控制器进行系统分析.实验结果验证了算法的有效性和精确性.     

最小二乘辨识算法的并行计算及实现方法

以机器人自适应扰动控制中系统参数的辨识为模型，对逆归最小二乘辨识算法的并行计算进行了较深入的研究。结果算法的实施，提出了一种基于Ｉｎｔｅｌ８０９８单片机的多单片机结构，其中单端口写入、多端口读出的共享存贮器方案可命名微处理机间直接进行数据传输，有效地提高了数据的传输速率。     

机器人操作臂的解耦跟踪控制

提出了一种基于Ｔａｙｌｏｒ级数展开的直接驱动型机器人操作臂的轨迹解耦跟踪控制方法．利用Ｔａｙ－ｌｏｒ级数对系统的逆动力学进行动态线性化和预测,并在相平面内设计控制器,可大大提高闭环系统的性能     

迭代学习控制在T-S模糊系统终端控制问题中的应用

针对T-S模糊系统的终端控制问题,提出了一种基于正交多项式的迭代学习算法.该算法把待求控制量表示为一组正交多项式的线性组合,将求控制量问题转化为求正交多项式系数问题.在此基础上,用迭代学习的方式来修正控制量的正交多项式系数,并采用LMI方法求解学习增益矩阵.最后,以单关节机器人为例说明了所提算法的有效性.     

基于Volterra基函数网络的自适应逆控制方法

提出了一种基于Ｖｏｌｔｅｒｒａ基函数（ＶＰＢＦ）网络的非线性系统自适应逆控制方法。对象和逆控制器各用一个ＶＰＢＦ网络表示,应用正交最小二乘算法进行离线网络结构确定和权值初始化,构造了一种动态归一化非线性最小均方（ＤＮＮＬＭＳ）权值更新算法,以进行网络权值的在线学习。仿真结果表明,该方法具有算法简单、学习速度快、鲁棒性能好等优点。     

预测控制中逆矩阵的递推求解算法

在各种自校正预测控制算法中，计算最优即时控制时均需在线进行矩阵求逆运算．作者针对各类预测控制算法中需求逆矩阵的普遍情形，采用矩阵分解方法，推导出一种可适用于各类预测控制算法的逆矩阵在线递推求解算法．本算法比传统增广矩阵求逆算法的计算量小，且适用性广，因而采用该算法可显著提高各种自校正预测控制算法的实时性．     

基于双目视觉的服务机器人仿人机械臂控制

机械臂逆运动学、目标识别与定位是服务机器人手臂控制中的关键技术.为了更好地与复杂多变的非结构化环境进行交互,提出一种应用于服务机器人平台的基于双目视觉的仿人机械臂控制方法.给出一种针对6自由度手臂的逆解算法,并采用基于双目视觉与颜色分割的目标识别方法.然后,根据识别出的目标三维坐标信息控制机械臂完成特定任务.本方法在家庭服务机器人上得到了验证.