机器人不仅是一个十分复杂的时变、强耦合、高度非线性系统,而且实际上还存在诸多不确定因素,诸如测量误差、摩擦、负载变化、随机扰动及未建模动态等,因此无法得到完整的、精确的机器人系统模型。在机器人轨迹跟踪过程中,也存在系统元件故障引起机器人结构变化及运动轨迹逆解求取的实时性等问题。对于高速、高精度、高性能机器人系统而言,这些不确定因素严重影响其控制品质,为此研究不确定机器人的控制问题具有重要的理论意义和实用价值。本文主要对参数和结构不确定机器人的轨迹跟踪控制进行了深入研究,提出了一些有效的控制策略,主要研究工作概括如下:(1)针对机器人逆运动学解的存在性以及收敛的快速性问题,利用模糊神经网络所具有的并行计算、记忆、联想、自适应学习等优点,提出采用模糊神经网络求机器人逆运动学解的方案,通过构造的三个模糊神经网络控制器,保证了机器人逆运动学解的存在,提高了收敛速度。(2)为了有效抑制非线性、时变性以及负载变化等不确定性因素对机器人轨迹跟踪控制品质的影响,提出了两种鲁棒自适应控制策略:一种是通过一系列变换将机器人系统转化为级联系统,从无源性理论出发,根据系统无源性与渐近稳定性的关系推导并设计了确保系统渐近稳定的鲁棒自适应控制器;另一种是通过在控制律中增加一个广义误差立方项,改进了对不依赖于机器人动力学模型的鲁棒自适应分散控制策略,克服了基于模型控制方法的弱点,使跟踪误差快速趋近于零。(3)针对机器人系统中普遍存在的参数不确定性和外界干扰,基于H∞控制理论,通过选择适当的干扰衰减度来抑制干扰对系统性能的影响,提高了系统的鲁棒性,避免了非线性H∞控制理论中Hamilton-Jacobi不等式的求解问题,简化了控制器的求解过程。(4)将变结构理论与神经网络的非线性映射相结合,提出了一种鲁棒自适应神经滑模控制策略,克服了常规滑模控制对系统不确定性界的要求,保证了系统的渐近稳定性。对只有位置反馈的不确定机器人系统,设计了基于模糊神经网络和H∞方法的速度观测器,有效重构了速度信号,保证了系统的稳定性,抑制了外扰的影响。