机器人系统自出现以来便得到了长足的发展与大量的研究,机器人系统由机器人和作业对象及环境共同组成,不准确的测量和建模,外界条件及测量误差或其他原因,都会使建立准确的动力学模型变得困难。本论文研究的基本出发点是基于不确定机器人系统的控制。对机器人控制而言,基本要求之一是提高机器人与环境的交互性能,使其在与各种环境进行稳定交互的同时能以灵活的方式进行。所以,为提高在不同环境下不确定机器人系统的人机交互性能,对变阻抗控制问题的研究是本文的重点。本文探讨了一种不确定机器人系统的变阻抗控制的设计和应用问题。在此基础上设计了自适应神经网络控制方案,用于估计机器人系统中的未知模型。用Lyapunov直接法证明整个闭环系统的稳定性,并在其他机械臂系统上运用这种设计方法,最后系统的有效性和可行性通过仿真软件进行了验证。首先,提出了一种变化阻抗控制方案。该控制方法有助于机器人在未知环境下完成给定的交互任务,提高了机器人-环境系统的整体性能。在相互作用任务期间,可以改变刚度、阻尼和惯性。适当选取惯性、刚度、阻尼矩阵的大小,可以使跟踪误差趋近于零,该方案的有效性可用仿真结果证明。其次,对自适应神经网络控制方案进行了设计。设计Lyapunov函数,利用迭代Backstepping设计推导出系统的理想控制器,未知部分用构造的自适应神经网络去逼近,进而得到实际可用的控制信号。进一步,构造自适应参数,闭环系统的一致有界性用Lyapunov直接方法证明,跟踪误差趋近于零,该方案的的跟踪性能用仿真结果进行说明。最后,在其他机械臂系统上应用所提出的变阻抗控制方案,以及基于此方案设计的自适应神经网络控制设计方案,将机械臂系统的控制问题转为跟踪控制问题,在设计的控制方案的前提下,使其能够完美的跟踪期望的参考轨迹。机械臂系统与环境的交互性能可通过设计的变阻抗控制方法来提高,自适应神经网络控制方法可估计机器人系统中未知的模型,机械臂系统的一致有界性能够得到保证。综上所述,针对不确定的机器人系统,设计了变阻抗控制策略。其中,系统中未知的机器人动力学模型用基于此策略设计的自适应神经网络控制方案来逼近。为验证本论文设计的方案是否可行,因此将此方案在其他机械臂上应用。