移动机械手由操作手和移动平台组成,操作手安装在移动平台上。其实质就是操作手和移动机器人的组合体。这种结构大大提高了系统的操作性能,包括拥有远大于固定基机械手的工作空间和高度的运动冗余性。因此,移动机械手被广泛应用于多种场合,包括垃圾处理和太空作业等危险环境以及制造业等场合。但是,移动平台和机械手的组合也增加了系统的复杂性,使得对它的控制和规划变得更加困难,给控制带来了一系列的问题。比如,移动平台体与机械手都具有复杂的动力学模型,二者之间存在强耦合。对于轮式的移动平台来说,存在非完整约束使得传统的控制方法无法应用。因此,移动机械手系统的协调控制问题具有重要的理论意义和实用价值。文中综述了移动机械手的控制策略及控制方法,滑模变结构控制的研究历史及现状,对移动机械手的轨迹跟踪控制进行了系统的理论研究。结合移动机械手的统一动力学模型,开发出了滑模变结构轨迹跟踪控制器。全文内容主要分为以下几部分:1.提出了一种移动机械手逆运动学建模的新方法。利用神经网络逼近机器人逆运动学的输入与输出,利用蚁群算法学习神经网络。人工神经网络是目前应用最多的智能控制方法之一。它可以逼近任意的非线性函数,具有很强的学习能力,因而得到了广泛的应用。神经网络的核心是它的学习算法,它通过修正权值使得输出误差达到最小。但是,传统的BP算法存在收敛速度低、易于陷入局部最小值、对函数要求高等缺点。作为一种新兴的元启发算法,蚁群算法受到了很多关注。蚁群算法具有分布式计算、信息正反馈和启发式搜索等特征。单个个体容易收敛于局部最优,而多个个体通过合作,不容易陷入局部最优,有利于发现较好解。蚁群算法在难解的组合优化问题中表现出了强大的功能。连续问题的优化是蚁群算法的一个新的有待解决的研究领域。神经网络则是典型的连续优化问题,而且,待优化的参数往往比较多.利用蚁群算法学习神经网络,克服了传统BP算法的不足。同时,针对蚁群算法主要用于组合优化的应用特点,对基本的蚁群算法进行了改进。提出了蚁群算法学习神经网络的两种方案:(1)将局部搜索与确定性搜索嵌入到基本的蚁群算法中,将基本蚁群算法的应用范围拓展到了连续优化的范畴.(2)将离散的信息素分布矩阵及概率分布矩阵拓展为连续的信息素分布函数和概率分布函数。将搜索的范围扩展到连续区域。蚁群神经网络算法兼具了蚁群算法与神经网络的优点,而利用蚁群神经网络实现移动机械手的逆运动学建模也为机器人的逆运动学建模提供了一个新的方法,克服了机器人逆运动学建模传统算法的不足。2.利用牛顿-欧拉方法建立了轮式移动机械手的动力学方程。针对轮式移动机械手存在非完整约束的特点,采用移动平台左右两轮及各关节的转角作为广义坐标,分别建立各子构件的牛顿-欧拉动力学公式,合成为轮式移动机械手的动力学模型。在绝对坐标系中建立了轮式移动机械手各子构件的牛顿方程,在与各子构件相固连的子坐标系中分别建立其欧拉方程。3.设计了一种移动机械手的滑模变结构控制器。滑模变结构控制具有很强的鲁棒性。当系统处于滑动模态的时候,它对参数变化以及干扰不敏感。而且,滑模变结构控制不需要精确的动力学模型,控制算法易于实现,非常适合于机器人控制。但是,模变结构控制也有它自身的缺陷。一方面,传统的滑模变结构控制存在一个很大的缺陷,即抖振,极大的限制了其应用;另一方面,误差的收敛速度直接影响滑模变结构控制的运动品质。因此,如何削弱滑模变结构控制所固有的抖振以及提高误差的收敛速度是滑模变结构控制所有待解决的问题。针对滑模变结构控制的收敛速度问题,提出了一种新的非线性滑模面,系统到达该滑模面上任一位置后,都能够以高于线性滑模面和终端滑模面的速度收敛到平衡点,提高了系统在滑动阶段的收敛速度:提出了一种新的双幂次趋近律,系统从任一初始状态出发后,都能够以高于指数趋近律和幂次趋近律的速度收敛到滑模面,提高了系统在到达阶段的收敛速度。同时,采用双幂次趋近律大大削弱了传统滑模变结构控制所固有的抖振。4.设计了基于新型滑模面的移动机械手的动态滑模控制。传统滑模控制方法中切换面的选取一般只依赖于系统状态,而与系统输入无关,因而,控制量是不连续的,引起系统抖振。而动态滑模控制方法在选取切换面时不仅依赖于系统状态,而且与系统输入甚至输入的一阶或高阶导数有关,不连续项的影响可有相当部分转移到控制输入的导数中去,从而获得较连续的控制输入,大大削弱了滑模控制系统的抖振。控制中采用新型滑模面,并利用指数趋近律求取控制律,在削弱抖振的同时,提高了系统的收敛速度。