摘要：提出了一种针对自学习控制的稳定性判据，应用这一稳定性判据将自学习控制器的设计转化为寻找正定离散矩阵核，从而回答了两个问题，其一什么样的量可以通过自学习叠代加以控制，其二学习叠代中什么样的滤波环节的引入不会影响学习收敛性．根据这一判据设计了一种机器人参数自学习控制律，它保证跟踪轨线全程的收敛性．

摘要：对平面两关节直接驱动机器人 ,提出一种同时将闭环极点配置到满足动态响应区域内的变增益 L PV鲁棒 H∞ 控制器设计新方法。利用 L PV的凸分解方法 ,将机器人模型化为具有凸多面体结构的L PV模型 ,然后利用 L MI技术对凸多面体各顶点分别设计满足 H∞ 性能和闭环极点配置的反馈增益 ,再利用各顶点设计的反馈控制器综合得到具有凸多面体结构的 L PV控制器。仿真结果验证了该控制器可使机器人随关节位置变化始终具有良好的控制性能。

摘要：考察了移动机器人的轨迹跟踪问题 ,针对以前沿袭线性化的思路设计的控制律带来的局部稳定特性 ,基于后退 (backstepping)方法的思想设计了具有全局渐近稳定的跟踪控制器 .该方法将系统分解为低阶子系统来处理 ,利用中间虚拟控制量和部分 L yapunov函数简化了控制器的设计并具有直观的稳定性分析 .

摘要：提出了一种基于线性变参数 (LPV)H∞ 反馈的迭代学习控制器 ,用于不确定性机器人的高精度轨迹跟踪 .此控制器包括反馈部分和前馈部分 ,其中反馈部分设计为LPVH∞ 控制 ,前馈部分设计为高阶PD型迭代学习控制 .在满足一定的收敛条件下 ,证明了该控制器的跟踪误差界正比于系统初始误差界和系统输出干扰项界 .仿真结果不仅验证了此控制器随机器人关节位置变化始终具有干扰衰减、鲁棒稳定的性能 ,而且还验证了此控制器具有高精度轨迹跟踪的性能 .

摘要：针对闭环网络控制系统中普遍存在的传输延迟 ,将H∞ 和 μ综合方法引入控制器的设计 ,使得设计出的控制器对一定范围内的延迟都能保持稳定 .并且由于 μ综合方法的使用 ,使得闭环系统同时具有良好的动、静态性能和抗干扰能力 .

摘要：针对具有不确定项或干扰项的重复非线性时变系统 ,提出了一种鲁棒高阶PD型迭代学习控制器 ,给出了该控制器的收敛性条件 ,证明跟踪误差界是本次迭代学习与前次迭代学习初始值之差的界和系统输出干扰项界的线性函数 .仿真与实验均表明了该方法的有效性 .

摘要：考虑了仅有关节位置测量的机器人控制问题，首先设计滑模观测器估计速度信号，然后基于Ｂａｃｋｓｔｅｐｐｉｎｇ　的非线性控制系统综合方法，提出了一种机器人的鲁棒控制方案，可保证跟踪误差的一致最终有界．最后对所提出的鲁棒控制方案与常用的ＰＩＤ（比例积分微分）＋前馈补偿控制方案作了实验比较，结果表明，所提出的鲁棒控制方案具有更高的跟踪精度．

摘要：物理上包含快过程和慢过程的系统可以用奇异摄动方法分析和控制 .通过集中微机械手的小参数 ,提出了将宏 -微机器人的动力学模型表示为标准的奇异摄动模型的方法 .这一方法对刚体连杆机械手具有一般性 .基于奇异摄动方法设计了宏 -微机器人控制器 ,宏机械手采用计算力矩控制 ,微机械手采用非线性反馈控制 .四自由度宏

摘要：本文将滑动模设计思想转变为较弱的滑动域吸引性设计,并以此提出了一种机械手速度观测方案,证明了观测误差的一致有界性,进而将这一观测方法应用于控制器设计中,并给出了控制误差上限,这一误差限与观测噪声限有关,而与实际运动轨迹无关,所以该方法具有较高的实用性和鲁棒性,实验结果验证了它的有效性.

摘要：区别于图像的简单几何特征 ,本文利用图像的全局特征描述子 -图像矩特征作为图像特征信息 ,实现了基于图像的运动目标 3D平动的视觉跟踪 .针对任务要求 ,本文选取了一组矩特征用以完成任务 .基于所选的矩 ,本文给出了矩特征变化量与相对位姿变化量之间的关系矩阵 ,即图像雅可比矩阵 ,然后利用所推导的图像雅可比矩阵 ,设计了由图像反馈与目标运动自适应补偿组成的视觉伺服控制器 ,实现了在未知目标成 -深度及摄像机焦距的情况下对运动目标的 3D平动跟踪 .