机器人具有时变、强耦合、非线性等复杂的动力学特性,还存在各种不确定因素,如未建模动态、参数测量误差、负载变化、外部扰动以及关节之间的摩擦等等,从而无法获得机器人精确的动力学模型。这些不确定性因素将严重影响系统的控制性能和动态品质,尤其是对于高精度、高性能以及高速的机器人系统,研究具有建模误差和外部扰动等不确定性的系统的控制问题尤为重要和迫切。本文主要针对具有建模误差和外部扰动等不确定性的机器人鲁棒轨迹跟踪控制进行了研究,提出一些有效的控制理论和方法。论文主要研究工作如下:1.介绍了刚性机器人的动力学模型和基本性质,并给出了后续研究所需的数学预备基础。然后研究刚性机器人系统的轨迹跟踪控制问题。为了有效抑制非线性、时变性以及外部扰动等不确定因素对机器人轨迹跟踪控制品质的影响,提出了两种基于神经网络的机器人鲁棒控制策略。首先设计了一种基于RBF神经网络的机器人鲁棒轨迹跟踪控制算法,由计算转矩法用于标称模型的控制,鲁棒控制用于消除系统未建模动态以及外部扰动等不确定的影响,再利用神经网络的万能逼近特性来学习鲁棒控制器的未知上界,并给出了机器人闭环误差系统渐近稳定的相关结果,最终得到理想的轨迹跟踪效果;另一种是基于模糊神经网络的鲁棒跟踪控制策略,模糊神经网络鲁棒控制器用于机器人系统的不确定性和外界干扰的处理,神经网络用于学习系统不确定性的未知上界,模糊逻辑控制器则用于调节鲁棒控制器有界层的宽度。仿真结果表明控制方案具有较好的跟踪性能和抗干扰性。2.提出了两种基于自适应模糊控制的鲁棒跟踪控制算法。为了控制算法适用的一般性,首先针对不确定的多输入多输出非线性系统,提出了一种自适应模糊H∞鲁棒跟踪控制算法。利用间接自适应模糊控制构造系统未知的非线性函数,然后附加H∞鲁棒控制器消除模糊系统逼近误差和外部扰动的影响,保证系统稳定并取得理想的跟踪效果。其次,提出了一种基于模糊补偿的机器人自适应模糊滑模鲁棒跟踪控制算法,间接自适应模糊控制系统用于逼近未知不确定项,并基于Lyapunov法设计参数的自适应律,鲁棒控制项则用于增强系统对模糊系统逼近误差和外界干扰的鲁棒性,保证系统稳定。最后将两种算法通过对二自由度刚性机械臂的仿真实验证明控制算法的有效性。3.提出了两种基于自适应鲁棒控制的刚性机器人跟踪控制算法。第一种自适应鲁棒控制器,计算转矩法用于系统标称模型控制,使标称系统渐近跟踪期望轨迹,再由鲁棒控制消除系统不确定的影响,利用自适应律来自动调节鲁棒控制器的不确定上界,并给出了机器人闭环误差系统渐近稳定的相关结果;另一种是基于神经网络自适应鲁棒轨迹跟踪控制算法,针对机器人系统的不确定性和外界干扰,设计了神经网络控制器对其进行补偿,而鲁棒控制器则用于消除神经网络控制的逼近误差,再由自适应律调节鲁棒控制器的未知参数值,保证了系统具有良好的鲁棒性以及动态性能。4.针对柔性臂杆机器人,在实现精确轨迹跟踪的同时还要对柔性杆的弹性振动进行抑制,提出了基于奇异摄动理论的柔性机械臂分解控制方法。应用奇异摄动理论将柔性机械臂控制系统分解为代表刚体运动的慢变子系统以及代表柔性振动的快变子系统,然后对两个不同时间尺度的子系统分别设计控制律,综合成为总的控制输入。文中分别采用滑模变结构控制和简单的PD控制用于代表刚体运动的慢变子系统,实现轨迹跟踪;采用最优控制用于代表柔性振动的快变子系统,实现弹性振动抑制。并对关节惯量对控制系统性能的影响进行了分析和比较。最后对论文的主要研究内容和创新点进行了归纳总结,并对后续需要进一步进行研究的问题进行了展望。