智能控制理论是具有某些仿人智能的工程控制和信息处理的理论方法。机器人学集中了机械工程、电子工程、计算机工程、自动控制工程以及人工智能等多种学科的最新科研成果,是目前科技发展最活跃的领域之一。本文回顾了智能控制技术及其在机器人控制中应用的发展和现状。 在本文中,首先详细地介绍和分析了模糊控制的基本原理,并构造了机器人轨迹跟踪的模糊控制系统,它不依赖于对象的精确的数学模型,能有效地克服被控对象存在的非线性和不确定性的影响。然后,分析了一种基于正交最小二乘算法的径向基函数神经网络,并将其应用于机器人系统的辨识中,之后将模糊控制与神经网络结合起来,利用神经网络模拟模糊推理,使得神经网络具有了模糊推理和归纳能力。由于神经网络具有自学习的能力,又使得模糊神经网络的推理归纳方式在实际的控制过程中可以不断地修正,同时由于模糊神经网络的结构具有明确的物理意义,使模糊神经网络的结构设计和权值的初始化非常容易,采用高斯基函数作为模糊隶属函数,构造了模糊高斯基函数神经网络。其后,在分析了模糊神经网络的各种学习算法的优缺点后,提出了一种基于混合学习算法的模糊高斯基神经网络控制方法,即先利用遗传算法离线训练模糊神经网络,使网络参数达到近似全局最优,再采用BP算法来在线训练网络参数,使控制器具有在线自适应能力。最后,针对滑模控制所存在的不足,设计了一种神经网络滑模控制系统,该系统通过神经网络来补偿系统中的不确定性,并利用李雅普诺夫定理设计了具有神经网络补偿的滑模控制器的结构和神经网络的学习算法,从而保证了系统的稳定性、改善了系统的动态性能。 本文中提出的各种智能控制方法均被应用于机器人的轨迹跟踪控制中,以克服机器人控制系统中非线性、耦合、不确定性等因素对控制性能的影响。对提出的控制方法本文都进行了仿真实验研究,仿真实验结果证明了所提出的各种智能控制方法具有良好的智能特性,在应用于机器人的轨迹跟踪控制时,都能取得很好的控制效果。