机器人是高度复杂,强耦合的非线性系统,高精度轨迹跟踪控制一直是机器人学和自动化领域的基础关键问题。在实际工作中机器人经常需要完成具有重复性质的操作任务。利用这一特点,机器人重复学习控制为机器人系统高精度轨迹跟踪控制提供了一个简便易行的方案。重复学习控制是一种基于内模原理的控制方式,应用当前周期的误差与上一周期的误差叠加作为新的控制输入传给执行器,实现重复轨迹精确跟踪控制。利用机器人周期性运动的特性,本文提出了两种重复学习混合控制方法,具体工作如下:1、提出了一种新的近似快速终端滑模重复学习控制(FTSRC)。应用一类非线性函数设计了一个近似快速终端滑模面,利用该近似快速终端滑模面形成了机器人系统轨迹跟踪FTSRC。应用李雅普诺夫稳定性理论和巴巴拉引理证明了机器人闭环系统的全局渐近稳定性和系统的轨迹跟踪误差能够在有限的时间内收敛到零的任意小邻域内,最终全局渐近收敛到零。所提出的FTSRC不需要系统的模型信息,在工程上易于实现,具有较强的鲁棒性。与常用的重复学习控制(RC)和终端滑模重复学习控制(TSRC)相比,在控制输入力矩相当的情况下,FTSRC具有更快的响应速度和更高的稳态跟踪精度。2、提出了一种快速非奇异积分终端滑模重复学习控制(FITSRC)。应用一类非线性函数设计了一个快速非奇异积分终端滑模面,利用该终端滑模面形成了机器人系统轨迹跟踪FITSRC。应用李雅普诺夫稳定性理论证明了机器人闭环系统的全局渐近稳定性和系统轨迹跟踪误差全局有限时间内收敛到零。与TSRC相比,在控制输入力矩相当的情况下,FITSRC具有更快的响应速度和更高的稳态跟踪精度;与FTSRC相比获得了相对快一些的响应速度。这两种方法都通过滑模控制与重复学习控制相结合的方式,来达到改善系统跟踪性能的控制效果。所提两种控制方法都不需要精确已知系统的动力学模型,就能够对周期性参考信号进行有效跟踪,并且可以抑制非周期性动态干扰,使系统取得良好的轨迹跟踪效果。应用Lyapunov稳定性理论对系统的全局渐近稳定性进行了分析。三自由度机器人系统数值仿真结果验证了所提控制方法的有效性。