机器人智能控制是近年来机器人控制领域研究的前沿,已被国内外研究者的广泛关注。在实际工程中,所研究的机器人往往具有高度非线性、不确定性、参数时变性和强耦合性等特征,并易受到负载扰动以及未知外界干扰等因素的影响。因此,研究不确定性机器人系统的智能控制具有重要的理论与工程应用价值。基于NNs(Neural Networks,神经网络)的自适应控制已被广泛用于机器人的轨迹跟踪研究中,ELM(Extreme Learning Machine,极限学习机)作为一种SLFNs(Single-hidden Layer Feedforward Neural Networks,单隐层前馈神经网络)理应是机器人轨迹跟踪智能控制的有利候选者。ELM随机选择SLFNs的隐含层节点及参数,仅调整其网络的输出权值,以极快的学习速度可获得良好的推广性。在ELM及自适应NNs控制的基础上,结合鲁棒自适应控制理论和Lyapunov稳定性分析理论,本文研究了机器人系统的自适应控制,提出基于ELM自适应神经控制方法。论文的主要研究有如下几方面:(1)分析ELM网络的基本结构特性,并对其学习算法进行深入研究,阐述ELM网络与传统SLFNs的不同。将ELM网络应用于非线性动态系统的在线辨识中,仿真结果验证了ELM网络对非线性系统具有良好的辨识能力。(2)研究不确定性刚性臂机器人系统,提出基于ELM的自适应神经控制方法。采用Lyapunov综合法,所提出的ELM控制器通过输出权值的自适应调整能够逼近系统的模型不确定性部分,从而保证整个闭环控制系统的稳定性。将该自适应神经控制器应用于二自由度平面机械臂控制中,在同等条件下,与现有的RBFNNs(Radial Basis Function Neural Networks,径向基函数神经网络)自适应控制方法进行比较,实验结果表明,ELM神经控制器取得了较好的跟踪控制性能,表明了所提出控制方法的有效性。(3)研究不确定性刚性臂机器人系统,提出基于ELM的两种自适应神经控制方法,实现了机器人任务空间的自适应跟踪控制。在所提出的自适应控制方法中,ELM逼近系统的未知非线性函数,附加的鲁棒控制项补偿系统的逼近误差。ELM神经控制器的参数自适应调整律及鲁棒控制项均由Lyapunov稳定性理论分析得出,所设计的两种控制方法均不依赖于初始条件的约束且放松对参数有界的要求,同时保证闭环系统所有信号满足全局稳定且跟踪误差渐近收敛于零。将所提出的ELM控制器应用于二连杆刚性臂机器人跟踪控制实例中,在同等条件下,与现有的RBFNNs自适应控制算法进行比较,实验结果表明,ELM控制器具有良好的跟踪控制性能,显示出其有效性和应用潜力。(4)研究一类不确定性连续MIMO(Multiple Input Multiple Output,多输入多输出)仿射非线性动态系统,提出基于ELM的鲁棒自适应神经控制方法。在所提出的方法中,ELM逼近未知控制系数矩阵的非奇异性假设可消除,基于Lyapunov稳定性分析,ELM网络的输出权值,逼近误差及外界扰动的未知上界值通过参数自适应律进行在线估计,这可保证闭环系统所有信号满足半全局最终一致有界。所提出方法通过两个仿真实例进行验证,在同等条件下,与已有的RBFNNs自适应控制方法进行比较,仿真结果表明了所提出的鲁棒自适应控制方法的有效性。