针对传统机器人关节控制算法跟踪精度低、鲁棒性差的缺点,基于自适应神经网络提出了一种机器人关节轨迹跟踪算法。算法由自适应神经网络和在线学习反馈模块组成,自适应神经网络将自适应函数同神经网络结合,提高了神经网络训练准确性。同时通过在线学习反馈模块实时更新非线性基函数的内部权值,以进一步减小跟踪误差。再采用时间尺度分离减少了神经网络和在线学习的耦合误差,使得内部权重低于输出层权重的更新速度,从而使模型结构能够迅速适应未知的动态变化与干扰。仿真实验表明,所提算法与对比算法相比误差值要低约60%,说明了该算法可以提高机器人轨迹跟踪精度,降低误差。

基于卷积神经网络设计了一款柔性关节机械臂的控制率方案。针对机械臂执行器动力学、关节柔性的特点,采用滑模控制法设计了一套控制率算法,克服了干扰与设备中的不确定性问题。为了满足滑模控制对输入控制量的要求,应用卷积神经网络原理设计了基于视觉的机械臂控制优化方法。由仿真与实际系统实验测试结果可知,该系统的联合预测精度与跟踪控制精度较高、误检概率低,具有良好的工程应用前景。