工业机器人的控制系统具有时变、强耦合和非线性等特征,同时还包含测量误差、随机扰动和负载多变等诸多不确定因素,因此获得一个准确的运动控制模型相当困难,提高运动精度一直都是机器人控制领域研究的重要课题。为了提高控制模型对上述不确定因素的应对能力,本文利用神经网络强大的非线性拟合能力,对机器人的关节扭矩预测、末端负载识别以及碰撞检测展开了研究。针对机器人的关节扭矩预测,首先在负载固定情况下,将机器人工作场景分为路径固定速比固定、路径固定速比可变、路径和速比均可变等几种,分别建立了相应的关节扭矩预测模型。路径和速比均可变的预测绝对误差为3.9%,其余场景的预测绝对误差均在1%左右。在路径固定情况下,验证了速比、负载对模型预测效果的影响很小。针对路径固定速比固定、路径固定速比可变这两种场景建立了能适应负载变化的扭矩预测模型,相应的预测绝对误差分别为2.13%和1.42%。针对机器人的末端负载识别,建立了五种场景对应的负载识别模型,负载绝对预测误差分别为2.22%、2.88%、5.55%、3.44%和21.6%。在路径和速比均固定情况下,验证了速比越小模型的预测效果越好。针对机器人的碰撞检测,对比分析基于固定阈值和神经网络两种方法的碰撞检测效果。实验结果表明,神经网络算法对于机器人大部分场景的关节扭矩和末端负载预测较为准确,能够应用于机器人控制。但对一些较为复杂场景的预测效果稍差,仍需进一步的研究分析。基于神经网络的方法能够准确地检测出碰撞发生位置,且检测延时在8ms以内。