迭代学习控制针对具有重复运行性质的被控对象,利用对象以前运行的信息,通过迭代方式修正控制信号,实现在有限时间区间上的高精度跟踪任务。经典PID(Propo-rtional Integration Differential)型迭代学习控制以其简单的算法形式和精确的跟踪效果引人注目,但也存在着学习增益选择盲目和算法收敛速度慢的缺陷。而对于实际的控制系统而言,这两个问题都必须很好地解决。在本文中,主要对迭代学习控制算法进行研究,并将研究成果应用于机器人控制中。论文的主要内容如下:　　(1)介绍了迭代学习控制和机器人的基本知识以及一些常用的迭代学习控制算法,并分析了各类算法中存在的问题。　　(2)重点研究了迭代学习算法的收敛速度。1)针对线性连续系统,引入2-D(2-dimensions)系统理论,运用D(Differential)型开闭环迭代学习控制算法进行控制,并以谱半径形式给出了保证算法收敛的充分必要条件。通过与D型开环迭代学习控制算法的仿真比较,证明了算法在提高控制系统收敛速度上有明显优势。2)结合模糊控制技术用于学习控制,提出一种改进的模糊增益PD(Proportional Differential)型迭代学习控制算法,并针对一个单臂机械手模型,分别采用普通PD型迭代学习算法和模糊增益PD型迭代学习算法进行控制,仿真结果表明采用本文提出的算法收敛速度更快。　　(3)迭代学习控制在机器人中的应用。针对一个2自由度刚性机器人,分别运用普通PD型迭代学习算法与本文提出的模糊增益PD型迭代学习算法进行控制,仿真结果表明本文提出的算法在提高控制系统收敛速度和抗干扰能力上具有更好的效果。