文献综述（或调研报告）：
经过了半个多世纪的发展，用于机器人轨迹跟踪的控制算法有很多，且各种控制策略侧重点不同，也各有优缺点。
机器人控制理论的发展大抵经历了传统控制、现代控制和智能控制三个阶段。传统的控制方法主要包括PID控制、前馈控制、计算力矩法等；现代控制理论主要包括鲁棒控制、变结构控制等；智能控制主要包括模糊控制、神经网络控制、遗传算法控制、自适应控制等等。
PID控制是机器人领域最先发展起来的控制方法，它不需要知道被控对象的模型，控制律简单，易于实现。但由于机器人模型的不确定性，它难以保证受控机器人有良好的动静态性能，并且机器人能够承受的最大力矩有限，而控制系统需要较大的控制能量。为了解决这些问题，很多学者将其他控制方法与传统的PID控制相结合，提出了一系列新的控制策略。例如，焦晓红等提出了一种自适应鲁棒控制策略。该控制器的设计由非线性PD控制和自适应反馈控制构成，避免了单纯线性PD控制导致的初始输出力矩过大问题 ,针对有界扰动的上确界为已知和未知两种情况分别设计了控制器，并通过仿真与理论推导证明了方法的有效性。[1]
现代控制理论方面主要的控制算法是以鲁棒控制算法、滑模变结构控制算等为代表，将现代控制理论的思想引入机器人控制领域，经过多年的发展，已经取得了极大的进展。变结构控制是一种特殊的非线性控制[2]，其主要思想是基于非线性机器人的模型表达式，通过设计一个适应的状态空间曲面，该表面称为滑动或开关面，在此基础上使用高速的开关控制率，驱动非线性系统的状态轨迹渐近地到达并且在此后的时间里保持在滑动表面上。这种控制算法对于系统的模型不确定性和外部扰动具有很好的鲁棒性，同时也存在问题，由于控制率中的不连续性会直接转移到输出项，导致系统在不同的控制逻辑间高速切换，引起系统出现不可避免的“抖振”现象。
自适应控制：当受控系统参数发生变化时，自适应控制通过及时地辨识、学习和调整控制率，可以达到一定的性能指标。该方法不需要机器人的动力学模型信息，只根据系统性能来调整控制器增益，具有计算简单和鲁棒性好的有点。其缺点是在线辨识参数所需的庞大计算，对实时性要求严格、实现复杂，当存在参数不确定性时，难以保证系统稳定性和性能指标。
近年来，人工智能技术有了较大的进步，并应用于机器人领域。智能控制在系统设计过程中不再依赖于数学模型，摆脱非线性的的束缚，同进也为解决不确定性机器人轨迹控制问题提供了新的手段，具有巨大的理论价值和应用前景。在轨迹跟踪控制问题上，主要应用的是模糊控制和神经网络控制。模糊控制是利用专家的控制经验来弥补机器人动态特性中非线性和不确定等不利因素，无需依赖对象的数学模型，具备很强的鲁棒性。模糊控制自身也有些许不足之处，如综合定量知识的能力不好，控制规则和隶属函数一旦确定了，就无法进行修正，故限制了它的自适应能力，且模糊规则的建立是一个十分棘手的问题，控制效果通常情况下很不理想。神经网络控制方法的在线学习功能，使其在面对各种干扰和模型误差上都具有良好的鲁棒性，在非线性系统控制应用中越来越受重视。但也是因为此控制策略需要在线或离线学习，占据很多系统的资源，会使运动控制的实时性严重降低。在一些文献中[4][5]，通常将这两种控制方法结合起来应用于非线性系统的控制，其指导思想是通过神经网络的学习能力来完成调整模糊控制的目的，这样不仅使得模糊控制具有一定的自适应能力，而且也使神经网络获得了推理归纳能力。
[1]焦晓红.一种机器人鲁棒自适应控制法.机器人技术与应用.2002年第三期.40-42
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
