机器人的力/位置控制问题是机器人控制中的研究热点。本文主要针对机器人参数摄动及外界工作环境接触刚度的不确定性进行研究和探讨,主要研究工作概括如下: 首先本文在力/位置混合控制的基础上提出三种控制方案: 1. 在鲁棒自适应控制的基础上,采用 PD+前馈的控制结构,简化了控制器的成本和结构,用 RBF 神经网络对机器人的不确定性上界的函数进行辨识,使控制系统具有较强的自适应能力。在机器人力/位置混合控制的基础上,提出了一种在力控制回路中采用神经网络控制方法,有利于提高系统接触刚度不确定的自适应能力,同时避免了求解回归矩阵。 2. 由于模糊技术与神经网络的结合能弥补彼此的不足,因此本文提出了一种模糊神经网络控制器与比例控制器相结合的控制方案,采用模糊神经网络在线学习不确定函数的上界,比例控制器增强模糊神经网络控制策略的完备性。模糊 RBF 神经网络利用模糊推理机产生的分目标学习误差进行训练,避免了采用直接反馈误差进行训练可能造成的过饱和调整问题,并能有效抑制测量噪声的影响,提高系统的控制品质。 3. 针对实际应用中对不确定的不同要求,又提出了一种具有混合 H₂/ H_∞性能指标的神经网络控制方法,对机器人不确定性（包括参数不确定性和外部扰动）分别进行补偿,混合 H₂ /H_∞控制的性能指标保证了系统对外界干扰在给定的干扰衰减度下具有鲁棒稳定性的同时,满足一定的 H₂的最优性能指标。神经网络的加入使得系统在满足 H₂ /H_∞性能指标的同时,还用来学习机器人的参数不确定部分。 其次由于力/位置混合控制理论明确,但付诸实施难。机器人阻抗控制将力控制和位置控制纳于一个框架之内,用相同的策略去实现它们,因而具有较少的任务规划工作量。机器人阻抗控制问题的研究主要有两点,一是针对机器人动力学和环境的不确定性,本文提出一种具有鲁棒性的阻抗控制结构,使用模糊神经网络补偿力控制中的不确定性;二是针对阻抗控制对期望力的跟踪能力,