机器人具有时变、强耦合、非线性等复杂的动力学特性,且存在各种不确定因素,如未建模动态、参数测量误差、负载变化、外部扰动以及关节之间的摩擦等,从而无法获得机器人精确的动力学模型。这些不确定性因素将严重影响系统的控制性能和动态品质,尤其是对于高精度、高性能的机器人系统,研究具有建模误差和外部扰动等不确定性的系统控制问题显得尤为重要。本文主要针对具有建模误差和外部扰动等不确定性的机器人轨迹跟踪控制进行研究,提出一些有效的控制理论和方法。论文主要研究工作如下:首先,分析了刚性机器人的动力学模型和基本性质,并给出了后续研究所需的数学预备基础。其次,关于刚性机器人系统的轨迹跟踪控制问题。设计了三种有效的控制策略,(1)提出了一种双自适应的滑模鲁棒控制策略,用自适应模糊控制对机器人自身的非线性摩擦量进行模糊逼近,用自修正的模型参数的办法在线调整系统的建模误差,再引入鲁棒控制项消除逼近误差造成的影响,保证系统的稳定跟踪能力,仿真验证其算法的有效性。(2)提出了基于自适应神经网络的滑模控制策略。其中,计算转矩控制用于机械臂标称模型,使标称系统渐进跟踪期望轨迹;神经网络用于补偿滑模控制的集中不确定项,再采用自适应算法对神经网络的权值参数进行辨识,既保证了系统的鲁棒性能,又能避免采用估计的不确定上界值使控制器过于保守以及执行器发生饱和现象。自适应控制算法调节参数较少,结构简单,保证了系统在外部扰动和未建模动态作用下的全局渐进收敛,仿真结果证明了算法的良好跟踪能力。(3)提出了基于模糊切换增益调节的滑模控制策略。利用模糊逻辑较强的容错能力和适应被控对象动力学特征的变化、环境条件变化能力,克服神经网络主要有隐藏基函数的中心决定其映射性能的不足,采用模糊积分的方法逼近机械臂非标称部分滑模控制中的集中不确定项,用全局滑模函数实现了系统的全局稳定性,给出了具体的控制算法和仿真分析。最后对论文的主要研究内容和创新点进行了归纳总结,并对后续需要进一步进行研究的问题进行了展望。