随着机器人技术的快速发展,工业机械手在民用和军事领域得到越来越广泛的应用,尤其在电子、外太空和核工业等行业发挥着难以替代的作用。因此,为使机械手能够快速、准确、高效的运行,对其进行合理的轨迹规划及轨迹跟踪控制研究就显得尤为重要。本文以六自由度的PUMA560机械手为研究对象,对机械手逆运动学求解方法、轨迹规划方法以及轨迹跟踪控制策略进行深入的研究与分析。首先,本文介绍了刚体位姿和坐标变换等相关知识,根据PUMA560机械手的结构特点,采用Denavit-Hatenberg (D-H)参数法建立机械手运动学方程。利用MATLAB对其进行仿真实验,进而验证了机械手运动学正解的唯一性和逆解的不唯一性。同时,采用Lagrange方法建立了机械手动力学模型。其次,针对传统逆运动学求解方法存在运算量大、精度低等缺陷,本文提出了一种基于BP和RBF并行神经网络求解机械手逆运动学的新算法。其中,BP网络采用适合处理大量数据的Levenberg-Marquardt (LM)算法,RBF网络在训练过程中自动增加径向基神经元。仿真研究表明,该算法简单可靠,收敛速度快,有效地解决了机械手逆运动学求解问题,为机械手轨迹规划及轨迹跟踪控制奠定了坚实的理论基础。然后,本文详尽分析了机械手在关节空间进行轨迹规划的方法。利用逆运动学求出机械手所经过路径点的关节变量值,在充分考虑运动学约束的条件下,本文提出一种采用五次B样条曲线来构建关节轨迹的平滑轨迹规划方法。仿真结果表明,该方法保证了机械手各关节运动轨迹的速度、加速度和加加速度均连续,且可以任意配置起始和终止点的速度、加速度和加加速度,为机械手的轨迹跟踪控制实验提供了期望的运动轨迹。最后,鉴于传统控制算法受限于动力学模型的不确定性,导致控制性能下降。因此本文提出了一种RBF神经网络鲁棒控制算法,利用RBF网络来逼近动力学模型中的不确定性部分,神经网络的逼近误差由鲁棒控制项予以抑制,并设计了一个三自由度的串联机械手,使其沿着已规划好的关节轨迹进行轨迹跟踪控制实验。实验结果表明,本文所采取的RBF神经网络鲁棒控制算法具有较高的控制精度以及较强的鲁棒性,进而验证了该算法的有效性及可行性。