● 摘要
迭代学习控制是上世纪80年代提出的一门新兴学科，它在非线性、未知模型等系统的控制方面有着独到的优势。在工业机器人、数控机床等具有重复运行特性的领域有着广泛的应用。当然，作为一门年轻的学科，迭代学习控制在很多方面还有待进一步的研究与完善。 迭代学习控制方法主要应用于在不同时间内反复执行同一任务的系统。其基本思想就是从上一次运行的过程中获取信息，用以修正下一次运行的控制输入，以改善控制效果。 通常每一次运行的控制输入是通过所获得的上一次的跟踪误差来修正。随着迭代的进行，控制系统最终完成对任务的学习，并以很小或零误差跟踪期望轨迹。由于迭代学习的简单控制策略和良好的控制效果，迭代学习控制在现实中有着广泛的应用。 与优点相比，迭代学习控制的不足之处一样明显。尤其是它要求被控对象的模型结构、参数在每次运行时都保持高度的重复性。为增强系统对于非重复不确定性的鲁棒性，本文针对迭代学习控制应用较好的刚性不确定机器人系统，将神经网络控制和迭代学习控制相结合，得到了基于神经网络的鲁棒迭代学习控制策略。学习控制用于学习周期性的系统不确定性，自适应控制用于抑制非周期的系统不确定性，并且利用RBF神经网络学习系统不确定性未知上界以使用,对于不确定性系统动态和有界输入扰动具有鲁棒性。利用Lypunove函数直接方法,确保了每次迭代系统是一致有界的。并且随着迭代次数的增加,跟踪误差渐进收敛于零,仿真结果表明了该方案的有效性。为了尽可能利用好能够获取的系统信息，在控制策略中还考虑了系统的标称模型，减轻系统的学习负担。 在现有的迭代学习控制方法中，控制输入初值（第一次迭代的控制输入）的迭代完全是主观的，一般将其定为零或一有界随机量。本文针对一类带有遗忘因子的迭代学习控制算法，具体来说明如何利用控制系统对以往诸多任务的控制经验来确定控制输入的初值。从而使得系统在首次迭代时便能以较小误差跟踪新的期望轨迹，从而在相同跟踪精度要求下减少了迭代次数。