随着人工智能技术的快速发展,网络化移动机器人广泛的应用于工农业生产、航空航天、无人作战、排险救援、家居服务等各个领域。由于轨迹跟踪控制是一个融合了运动学、智能控制、信息处理等方面的综合性问题,使得其一直作为网络化移动机器人研究工作的重点。无论是主从式移动机器人轨迹跟踪控制还是远程轨迹跟踪控制,通信网络的引入打破了传统控制系统在空间位置上的局限,使控制系统的灵活性显著提高。与此同时不可避免的出现网络数据丢包现象,并且在一定程度上使得系统性能下降甚至失稳。因此,对存在数据丢包的网络化移动机器人轨迹跟踪控制问题进行研究具有重要的理论价值和实际意义。本文主要研究了网络化移动机器人轨迹跟踪过程中数据丢包的预测补偿问题,主要研究工作包括以下几个方面:1.在未考虑移动机器人非完整约束条件的情况下给定其轨迹跟踪的参考轨迹,会出现部分采样时刻机器人无法达到给定输入的情况,导致无法完成轨迹跟踪任务。针对该问题,本文采用三阶贝塞尔曲线对不满足机器人加速度约束条件的部分曲线进行重构,使路径上各点均能满足移动机器人非完整约束。之后通过对机器人时间曲线的规划,得到其满足约束条件下的时间最优轨迹。最后基于反步控制法设计出合适的轨迹跟踪控制律。2.研究了网络化移动机器人轨迹跟踪控制问题,针对远程控制中可能出现网络数据丢包现象,基于LSTM单元适合于处理与时间序列高度相关的问题的特点,以及其目前在语音、图像等领域展现的对序列数据预测的强大能力,提出了一种基于深度LSTM神经网络的数据丢包预测补偿方法。基于移动机器人一段时间内的历史位姿状态偏差数据,利用深度LSTM神经网络实现对部分丢包时刻数据的预测和补偿,保证移动机器人在数据丢包时刻仍能利用其预测值发出实时的控制命令,从而完成有效的网络化移动机器人轨迹跟踪任务。最终本文通过仿真试验,首先证明了采用三阶贝塞尔曲线对不满足移动机器人加速度约束条件的部分路径进行重构的可行性和有效性,实验结果表明采用该方法重构后的轨迹曲线上各点均满足移动机器人加速度约束,继而通过轨迹跟踪实验证明了对部分无效路径进行重构的必要性。其次对传统丢包补偿算法、人工神经网络算法及本文提出的深度LSTM神经网络预测模型下的移动机器人轨迹跟踪进行仿真研究和比较,分别设计了随机丢包和连续丢包实验,实验结果验证了本文提出算法的正确性和有效性,并且在丢包预测补偿方面深度LSTM神经网络具有比传统人工神经网络更强的优越性,跟踪轨迹精确度更高,误差收敛速度也更快。另外在存在系统噪声的情况下,由于深度神经网络具有一定的滤除噪声的作用,使得本文提出的预测补偿算法轨迹跟踪效果更好。