机器人的控制问题无论在理论界还是工程界多年来一直倍受人们的关注。当机器人系统模型是精确知道的时候,反馈线性化技术可以很好的解决其控制问题,然而现实的操作过程中机器人动力学模型的各个参数可能发生变化,同时还受到环境干扰和负载变化等许多不确定因素的影响,这就要求机器人控制系统具有较强的自适应性和较好的鲁棒性,因此有必要提出其它的控制方法。 本文以模型未知的机器人系统为研究对象,在现有文献的基础上,重点探讨了基于智能算法的力和位置控制。 本文首先介绍了机器人的发展简史和机器人控制方法概述,然后对机器人的模型和有关数学知识进行了阐述。在此基础上,先提出了RBF神经网络轨迹跟踪控制策略,该策略利用神经网络的逼近特性为系统建模,并将H_∞控制理论与径向基函数神经网络有机地结合起来,达到消除逼近误差,抑制外界干扰的目的。为便于笛卡儿空间的控制,又提出基于任务空间的不确定机器人自适应模糊控制,该方法可以不用去计算雅克比矩阵的逆,进而节省了大量的时间,且所提出的控制器中不涉及到矩阵求逆而不会产生奇异现象。 机器人在与外界环境接触时,不仅要控制位置,还要进行力控制。为此,最后本文提出了机器人力/位置模糊神经网络控制,该方法直接在位置控制机器人实现,不需对工业机器人进行改造,在力控制部分采用模糊规则可自调整的自适应模糊控制器,同时采用神经网络为模型未知的机器人系统建模,增强了系统的鲁棒性和自适应能力,具有较好的实用价值。