论文以一个多输入多输出的机器人系统为被控对象,其具有时变、强耦合和非线性的动力学特征。由于测量和建模的不精确,再加上负载变化以及外部扰动的影响,实际上无法得到机器人精确、完整的数学模型。针对机器人的不确定性,本论文应用了三种方法来控制机器人系统。针对不确定性机器人非线性系统,考虑存在参数不确定性和外界未知干扰的情况,运用非线性H∞状态反馈控制思想以及基于T-S模型的模糊控制理论设计了鲁棒控制器,实现了对系统不确定性的有效衰减,而且使得系统具有良好的渐近稳定性能。考虑滑模控制响应快,对系统参数和外部扰动呈不变性,可保证系统的渐进稳定性,但其缺点是控制存在很强的抖动。本文在一般滑模控制的基础上引入径向基函数神经网络(RBFNN),利用滑模控制的特点设定目标函数,将切换函数作为RBFNN的输入,切换项增益K的绝对值作为其输出。利用RBF神经网络的在线学习功能,消除了控制的抖动,同时使系统具有很强的鲁棒性。一般情况下,采用滑模控制要求控制系统的不确定性的上界值必须已知,而在实际中,不确定性的上界值是无法测量的。针对这个问题,本文采用RBF神经网络来对干扰的上界进行自适应学习,该方案既能达到高精度快速跟踪的目的,又能削弱滑模控制的抖动问题。