● 摘要
如今的工业机器人，完成的任务主要有搬运、焊接、喷涂、简单装配等，这些任务相对简单，使用位置控制即可。为了能让机器人完成一些与环境接触的任务，比如机械加工、工厂协作等，有必要为传统工业机器人增加力控制功能。
力控制有两种基本的方法：力位混合控制，阻抗控制。力位混合控制将任务空间分为力控制空间和位置控制空间，分别进行力控制和位置控制，因此需要详细地对任务进行描述。阻抗控制通过调节机器人末端的阻抗，改变机器人与环境接触的动态关系，从而实现与环境接触力的控制。阻抗控制是一种统一自由运动和约束运动的方法，编程简单。本文研究的是阻抗控制。阻抗控制在实现时，为了达到较好的力控制效果，阻抗参数需要根据环境和任务进行调整。另外，机器人模型本身和环境参数也有不准确的因素。这些都可以称为阻抗控制中的不确定性。
为了消除这些不确定性的影响，本文使用神经网络对这些不确定性进行补偿，并通过仿真对比，验证了所提算法的有效性。本文首先介绍了机器人在自由空间的控制，为之后受限空间的控制做好铺垫，再从理论上引入阻抗控制和神经网络，并提出本文的神经网络算法，最后通过仿真验证了算法的有效性。仿真主要分为三大部分：（一）机器人采用位置控制，末端与环境接触，（二）机器人采用阻抗控制，末端与环境接触，（三）采用神经网络对阻抗控制中的不确定性进行补偿，末端与环境接触。仿真结果表明，阻抗控制能有效地实现机器人力控制，但受阻抗参数影响明显，通过神经网络的补偿，能很好地改善阻抗控制的力跟踪性能，不仅能显著减小力的均方根误差，还对响应特性有所改善，所提算法是有效的。