机械臂是工业上最常用的一类机器人。根据末端执行器是否与操作对象接触,可将机械臂的工作任务分为受限和非受限两种类型。受限机械臂的工作任务受到环境约束,需要对其位置、速度等边界进行限制。面向状态受限的机械臂控制器设计是现今机器人控制领域极具挑战和热点的研究课题。本文重点研究了具有全状态约束刚性机械臂的自适应神经网络控制问题。从模型是否精确已知和是否考虑外部扰动四种情况详细地讨论了受限机械臂系统的控制方案设计问题。首先根据机械臂位置和速度的实际约束条件,提出了一种新型的状态转换函数,巧妙地将受限的机械臂系统转换为新的不受限机械臂系统,然后对转换后的机械臂系统进行了控制方案设计,具体的工作内容概述如下:首先针对机械臂模型精确已知的情况,将后推法与动态面控制相结合,提出了全状态受限刚性机械臂的控制方案,不仅避免了传统后推法对虚拟控制器求导可能造成的计算量爆炸问题,而且在安全工作区间内实现了机械臂末端位置的跟踪控制;其次在机械臂模型未知的情况下,采用RBF神经网络技术,对系统的部分未知动态进行局部准确建模。为了解决控制器增益未知对系统稳定性分析造成的困难,本章应用了机械臂系统固有的结构特点,最终成功地实现了控制目标,取得了类似于机械臂模型精确已知时的控制效果;进一步地针对机械臂系统模型精确已知但是含有未知外部扰动的情况,在每个关节控制输入的前向通道设计了扰动观测器,并结合动态面控制技术提出了面向状态约束和外部干扰的机械臂系统控制方案。所提出的控制方案不仅有效地抑制了干扰对系统控制性能的影响,而且在不违背状态约束的前提下实现了机械臂系统的高精度跟踪控制;最后考虑了结构不确定项和外部扰动同时存在的情况下,全状态受限刚性机械臂基于扰动观测器的自适应神经网络控制方案。为了解决机械臂系统惯性矩阵未知,给扰动观测器的设计造成的困难,我们创新地提出了增广系统动态的方法,然后,结合动态面与神经网络控制,设计了具有状态约束和外部干扰的刚性机械臂系统的自适应神经网络控制方案。所述方案在不违背状态约束的前提实现了机械臂系统的高精度跟踪控制。