近幾年來，隨著機器人技術與控制技術的發展，機器人在日常生活和工農業生產中得到廣泛應用。機器人對象是一個非線性、強耦合的多變量系統，在運動過程中。由于存在摩擦、負載變化等不確定因素，因而它還是一個時變系統。傳統的機器人控制技術大多是基于模型的控制方法，無法得到滿意的軌跡跟蹤效果模糊控制和神經網絡等人工智能的發展為解決機器人軌跡跟蹤問題提供了新的思路。普通模糊控制的控制規則大部分是人們的經驗總結。不具備自學習、自適應的能力，往往還受到人的主觀性的影響。因此不能很好地控制時變不確定的系統。

　　在近幾十年里，基于模糊邏輯開發的模糊系統已經成為非常活躍的領域，一些算法已在復雜系統的控制器設計中顯示出相當的能力，而且模糊數學理論也對構造知識模型提供了極其優越的工具。

　　由于神經網絡具有良好的自學習、自適應、聯想等智能，能適應系統復雜多變的動態特性。模糊控制和神經網絡的結合成為學者研究的重點。這方面的研究最早起源于歐美國家，但在80年代末期卻在日本取得了相對大的發展。目前，在知識和信息處理領域，他獨立于模糊邏輯和神經網絡技術，已經達到了一個特有的研究階段。模糊和神經網絡技術的融合客服了神經網絡和模糊邏輯在知識處理方面的缺點，具有進行數據監督學習、處理經驗知識及基于語言表達的在線學習等功能。利用神經網絡非線性映射、自學習能力來調整模糊控制。使模糊控制具有一定的自適應能力，同時也使神經網絡獲得了模糊控制的推理歸納能力。本文對模糊神經網絡在機器人控制中的應用進行研究，提出了一種模糊神經網絡的機器人軌跡跟蹤控制。仿真結果表明，該控制方法能很好地對機器人軌跡進行跟蹤。

　　機器人控制系統建立

　　本系統中，立體定位系統作為主要數據輸入通道，用于精確獲取目標位置與機器人之間精確的相對位置。隨后將這些現場實時空間信息融入先前建立的空間模型。期間需要確定前模型與實際的三維空間變換關系，即配準。

　　然后，機器人根據計算機輔助系統制定的運動計劃進行運動操作。運動中，立體定位系統通過對機器人與目標空間位置的不斷采集，結合機器人多軸控制器進行視覺控制。機器人控制系統如圖1所示。框圖中輸入為機器人行走驅動伺服電機的反饋電流，輸出為機器人的行走速度，由伺服調速實現。

　　圖1 機器人控制系統

　　本文設計的機器人為六自由度機器人：三個轉動三個平動。機器人的六自由度協同完成空間運動。考慮到設計的機器人屬于小型機器人，希望盡量減輕重量。這樣一來，由于剛度下降而要求限定機構整體負載，同時還要考慮機構高速運動時的穩定性。而且，該多自由度機構的剛度設計取決于運動的速度與方向。

　　模糊神經網絡

　　2.1控制系統結構

　　結合機器人定位系統構建控制系統結構如圖2所示，將機器人位置作為被控制量。

　　圖中e和ec分別為誤差和誤差變化率，輸入r為機器人位置，輸出y為機器人實際輸出。

　　2.2 模糊神經網絡的結構

　　該模糊神經網絡為4層，如圖3所示。第l層為輸入層;第2層為模糊化層;第3層為模糊推理層;第4層為輸出層。模糊神經網絡結構為2–6–6–3。

　　其中，i=l，2;j=l，2，。。.6。cij和bij分別為高斯函數第i個輸入變量的第j個模糊集合的隸屬函數的均差和標準差。

　　（3）模糊推理層。將上層中的模糊量經過兩兩相乘，得到這一層的輸出值。因此，本層的活化函數，即輸出為：

　　2.3 魯棒控制器

　　為保證閉環系統的穩定性和良好的控制效果，實時控制器由一個模糊神經網絡控制器NNC和一個魯棒控制器RC組成。這兩個控制器的輸出信號通過加權綜合后，作為系統的控制輸入［8-10］，構成一個變魯棒控制器u（k）：

　　系統仿真研究

　　為了驗證所提出的模糊神經網絡控制算法的有效性，在MATLAB中創建模糊神經網絡，利用隸屬函數和模糊規則將抽象的模糊規則轉化為模糊神經網絡的訓練樣本，隱層采用在任意點可微的Tansig作為傳遞函數，輸出層采用常用非負的Sigmoid函數。

　　采用常規PID控制和模糊神經網絡控制時，系統階躍信號的響應曲線。圖3為常規PID控制器和模糊神經網絡控制器對正弦信號跟蹤的誤差響應曲線，通過對比可知：模糊神經網絡控制器在動態性能方面明顯優于常規PID控制器，可將正弦響應誤差從0.02 rad降至0.001 rad。

　　圖 3 系統正弦誤差響應曲線

　　結 論

　　本文將模糊控制與神經網絡相結合，設計一種基于模糊神經網絡的機器人位置控制系統，并將其運用到機器人軌跡跟蹤控制系統中。仿真結果表明，該控制系統能夠有效地克服機器人系統中存在的非線性、耦合等因素的影響，是一種很好的控制方法。