轨迹跟踪控制

在轨迹跟踪控制方面，Ahmed等人[56]为3自由度机器人设计了基于监督模糊机制的自适应模糊滑模控制器， 其中滑模面为PID滑模面， 且模糊滑模控制的输出增益由一个监督模糊系统在线调节。 Zafer[57]和Mohammad等人[58]分别采用基于粒子群优化的模糊控制算法和神经网络算法设计轨迹跟踪控制器， 其中用粒子群算法去优化模糊隶属度参数、 规则和神经网络权值。Eddie[59]和Hongbin Wang等人[60]针对机器人的轨迹跟踪问题提出了一种自适应模糊控制方法， 应用模糊系统去逼近系统的非线性函数项， 控制器参数自适应进行调节。

近年来， 分散控制以其控制结构简单、 鲁棒性强等特点迅速发展。Yi-Shao Huang等人[61]针对一类不确定非线性大系统，提出了一种分散混合自适应模糊控制方法。 其所提出的控制器将控制器和自适应模糊控制器混合使用， 充分利用了二者在控制上的优势； 为提高控制性能，附加了一个误差补偿项。Yan-Jun Liu等人[62]为不确定非线性MIMO系统设计了基于状态观测器的自适应模糊轨迹控制器。 其用模糊系统去逼近非线性函数， 且针对控制增益符号 (即控制方向) 未知的情况， 提出将Nussbaum增益方法引入到自适应模糊输出反馈控制中。Fernando等人[63]利用回归神经网络辨识系统模型， 将辨识结果作为控制器输入之一， 调整神经网络权值时采用扩展卡尔曼滤波器， 离散控制律基于滑模控制进行设计。陈国栋[64]设计了基于扩张状态观测器 (ESO) 的分散鲁棒控制器去解决多关节机器人的轨迹跟踪问题。 其利用多个并联的ESO分别对各关节的未知模态与外扰进行实时的估计和补偿， 使得各关节的控制完全独立。