在工作任务日益复杂,工作精度要求日益提高的情况下,单个机械臂已经不能满足部分工作任务的要求,多机械臂系统的同步与协同控制吸引了越来越多专家学者的研究。而机械臂通常存在参数的摄动并且易受外界环境因素的干扰,如机械臂关节的非线性摩擦,末端执行器操作对象的多样性等,是一种典型的多输入、多输出、强耦合的复杂非线性系统,并且往往难以获得其所有的结构和动力学参数。在这种情况下,传统的控制方法往往难以满足控制精度要求。由于在工程应用中,大多数操作任务都是在任务空间中进行规划的,因此直接在任务空间中设计同步控制器更有利于控制任务的实施。本文首先在机械臂关节空间动力学模型的基础上建立了多机械臂系统任务空间中的动力学模型,并基于图论思想建立了多机械臂之间的通信拓扑,定义了每个子机械臂系统之间的同步误差。在此基础上,基于RBF神经网络设计了多机械臂任务空间的自适应同步控制器,应用自适应律对RBF神经网络权值进行在线更新,并通过李雅普诺夫稳定性分析和仿真验证了所设计控制器的有效性。针对存在不确定性的多机械臂系统,首先分析了系统模型不确定性,并设计了相应的滑模同步控制器,然后在此基础上对模型不确定性采用RBF神经网络进行了逼近和补偿,设计了基于RBF神经网络的任务空间滑模同步控制器。针对模型未知的多机械臂系统,利用多个独立的RBF神经网络,对每个子机械臂系统进行逼近,结合滑模控制方法设计出一种无模型的自适应同步控制器,通过神经网络权值的不断在线迭代过程,可以实现对其动力学模型随机械臂工作任务的变化的实时逼近,摆脱了数学模型的限制,扩大了控制器的应用范围。最后,对权值迭代过程进行了优化,采用单个参数代替神经网络权值,设计了基于最小参数学习法的RBF神经网络同步控制器,更好地满足了实时控制的要求。