随着机器人技术的快速发展,机器人末端简单的夹持器不能满足复杂抓取任务的要求。为了提高机器人手的灵活性,将多指灵巧手作为机器人的末端执行器,可以极大地提高机器人的抓取能力。因此,腱驱动灵巧手受到了研究人员的重点关注。考虑到腱与关节之间存在摩擦力以及外部环境存在扰动的情况,需要对灵巧手控制算法展开进一步的研究。本课题针对灵巧手与外部环境发生接触以及外部环境存在扰动的情况,设计相关控制算法,提高控制系统的抗干扰性。具体的研究内容如下:(1)针对手指与物体接触以及外部扰动的情况,设计了一个基于BP神经网络的自适应阻抗控制器,将神经网络与阻抗控制进行结合,提高了系统对灵巧手手指与外部环境接触时,接触力的自适应能力,并对该控制器进行仿真。仿真结果表明,当灵巧手处于较为复杂且存在外部扰动的环境下,控制系统具有良好的稳定性。(2)针对控制器参数无法实时调节的问题,设计了基于深度神经网络的自适应力控制器,将神经网络与传统的PID控制器相结合,设计出能够在线调节参数的力控制器,并对控制器进行仿真。仿真结果表明,当灵巧手与物体发生接触的情况下,控制系统能够根据接触力误差调节控制器参数,实现了良好的控制效果。(3)设计了基于模糊理论的力位混合控制方案,通过对灵巧手腱张力和接触力的控制,实现灵巧手与环境之间的交互作用。详细阐述了控制系统的结构,与常规的PID控制器进行比较。仿真结果表明,模糊神经网络控制器相较于常规的控制器,响应速度更快。