【摘要】：迭代学习控制的目标是实现有限区间上任务的精确跟踪。迭代学习控制理论算法的研究可分为迭代学习理论控制律、 学习算法的收敛性、 初值问题、 鲁棒性、 学习速度、 迭代学习控制的分析方法等。
1978年日本学者Uchiyama[115]提出了一个控制高速运动机械手的方法， 即通过尝试重复控制， 利用每次输出的偏差信号来修正控制轨线， 形成新的控制轨线， 如此循环， 以达到对期望输出的跟踪， 这是迭代学习控制首次被用于解决某种具有重复运动特征控制的问题。 1984年Arimoto等[116]针对机器人系统的特点，模拟人类学习技能的过程，提出了迭代学习控制 (Iterative Learning Control，ILC) 的概念， 并在以后的几年中利用范数理论对迭代学习控制的D型、 PD型算法进行了收敛性讨论和证明。
迭代学习控制的目标是实现有限区间上任务的精确跟踪。 它通过对被控系统进行控制尝试， 以输出信号与给定目标信号的偏差不断修正控制信号， 使得系统的跟踪性能不断提高。 迭代学习控制对具有较强的非线性耦合、 较高的位置重复精度、 难以建模和高精度轨迹跟踪控制要求的动力学系统有着非常重要的研究意义， 吸引了众多自动控制领域的专家和学者的关注，许多专家学者对这些理论和方法进行了系统的梳理与总结[117˜122]。迭代学习控制理论算法的研究可分为迭代学习理论控制律、 学习算法的收敛性、 初值问题、 鲁棒性、 学习速度、 迭代学习控制的分析方法等。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
