摘  要： 提出一种针对机器人跟踪控制的神经网络自适应滑模控制策略。该控制方案将神经网络的非线性映射能力与滑模变结构和自适应控制相结合。对于机器人中不确定项，通过RBF网络分别进行自适应补偿，并通过滑模变结构控制器和自适应控制器消除逼近误差。同时基于Lyapunov理论保证机器手轨迹跟踪误差渐进收敛于零。仿真结果表明了该方法的优越性和有效性。
关键词： 不确定机器人；神经网络；自适应控制

　在机器人跟踪控制研究中，由于在建模中存在误差，机器人系统不可避免地存在不确定性。由于机器人中存在的非线性和不确定性，为了解决这些问题，一些变结构方案[1]、自适应方案[2]陆续提出。近些年来神经网络在机器人智能控制中得到广泛的应用，参考文献[3]提出一种神经网络自适应学习不确定系统，但方案只能保证系统的最终一致有界。参考文献[4]提出一种神经网络学习系统的不确定性，但需要机器人动力学的准确模型。
　为了解决上述问题，本文提出一种新的神经网络自适应滑模变结构控制器。对于机器人中不确定项，分别应用神经网络进行自适应学习各种非线性，逼近误差通过变结构和自适应控制消除。这种控制器能在控制初期加快跟踪速度，且有很好的鲁棒性。
1 问题的提出
　考虑n关节机器人的动力学方程[5，8]为：

　本文提出对于不确定项，利用RBF网络进行分别逼近，并与滑模变结构和自适应控制相结合的控制策略，并构建Lyapunov函数，验证了系统对轨迹进行跟踪的稳定性。利用滑模变结构和自适应控制方案补偿神经网络的逼近误差，比常规神经网络具有更好的动态特性和鲁棒性。
参考文献
[1] DOULGERI Z. Sliding regime of a nonlinear robust controller for robot manipulators[J]. IEE Proceedings Control Theory and Application， 1999，146（6）：493-498.
[2] COLBAUGH R， GLASS K. Adaptive tracking control of rigid manipulators using only position measurements[J].Journal of Robot and System， 1997，14（1）：9-26.
[3] KIM Y H， LEWIS F L. Neural network output feedback control of robot manipulator[J]. IEEE Transactions on Robotics and Automation， 1999，15（2）：301-309.
[4] CILIZ M K. Adaptive control of robot manipulators with neural network based compensation of frictional uncertainties[J]. Robotica， 2005， 23：159–167.
[5] 张文辉，齐乃明.自适应神经变结构的机器人轨迹跟踪控制[J].控制与决策，2011，26（4）：597-601.
[6] SUN T， Pei Hailong. Neural network-based sliding mode adaptive control for robot manipulators[J]. Neurocomputing，2011，74：2377-2384.
[7] LU Y， Liu J K. Actuator nonlinearities compensation using RBF neural networks in robot control system[C]. IMACS Multiconference on Computational Engineering in Systems Application， 2006.
[8] 牛玉刚，杨成梧.基于神经网络的不确定机器人自适应滑模控制[J].控制与决策，2001，16（1）：79-83.