1、隨著移動機器人技術(shù)的不斷發(fā)展，利用機器人代替人工在野外探險、海底勘測、外星球探測、危險場所救援、家庭服務(wù)等領(lǐng)域的應(yīng)用日益廣泛，移動機器人已在社會生產(chǎn)、生活的各個方面顯示出越來越重要的地位和作用。與傳統(tǒng)的輪式機器人相比，全向移動機器人可以在不改變當前姿態(tài)的情況下，實現(xiàn)向任意方向的運動，同時能夠完成零半徑轉(zhuǎn)向，因其運動靈活性高、機動性強的優(yōu)點得到越來越多的關(guān)注和發(fā)展。由于全向移動機器人的運動控制研究可以更大限度的挖掘它的運動潛能，發(fā)揮它的運

2、動優(yōu)勢，因此具有很大的學術(shù)研究意義和實際應(yīng)用價值。
　　本文在分析、借鑒國內(nèi)外現(xiàn)有的相關(guān)資料和研究成果的基礎(chǔ)上，以四輪全向移動機器人（在本文中簡稱為“全向機器人”）為研究對象，結(jié)合自適應(yīng)控制、反步設(shè)計法、神經(jīng)網(wǎng)絡(luò)、滑模變結(jié)構(gòu)控制、大腦情感學習計算模型、多變量系統(tǒng)解耦原理、和聲搜索智能算法以及李雅普諾夫穩(wěn)定性理論等對運動控制中存在的一些問題進行了深入研究，主要研究內(nèi)容如下:
　　(1)基于NDAP的全向機器人軌跡跟蹤控制

3、>　　針對使用傳統(tǒng)的反步軌跡跟蹤控制器容易產(chǎn)生速度突變的問題，提出一種基于NDAP（參數(shù)自適應(yīng)神經(jīng)動力學）的全向機器人軌跡跟蹤控制方法。該方法首先通過運動學分析建立了全向機器人的位姿誤差模型，接著采用神經(jīng)動力學設(shè)計了軌跡跟蹤控制器;然后研究了參數(shù)的取值與控制量之間的關(guān)系，并設(shè)計了一種參數(shù)自適應(yīng)律以進一步提高系統(tǒng)的控制性能;最后對提出的方法進行了仿真實驗。實驗結(jié)果表明，相對于傳統(tǒng)的反步法和固定參數(shù)的神經(jīng)動力學方法，所提出的方法沒有速度突變

4、，具有更快的誤差收斂速度和更高的軌跡跟蹤精度。
　　(2)基于改進BEL的全向機器人速度跟蹤控制
　　針對由不確定的運動學參數(shù)和未知的外部擾動量等因素的影響而導致的機器人速度跟蹤控制效果不理想的問題，提出了一種基于改進BEL（大腦情感學習）的全向機器人速度跟蹤控制方法。該方法首先采用大腦情感學習模型設(shè)計了全向機器人的自適應(yīng)速度誤差校正控制器，為機器人四個電機提供附加的校正量;然后在分析權(quán)值調(diào)節(jié)律作用的基礎(chǔ)上，采用模糊方法在線

5、調(diào)整權(quán)值的學習率，通過學習率的不斷調(diào)整可進一步提高機器人的速度跟蹤精度;最后對提出的方法進行了仿真實驗。實驗結(jié)果表明，相對于沒有速度校正的控制方法和傳統(tǒng)的大腦情感學習方法，所提出的方法在全向機器人的速度跟蹤控制中具有更快的響應(yīng)速度和更高的跟蹤精度，可以有效地減小參數(shù)不確定和外界擾動對系統(tǒng)控制性能的影響。
　　(3)基于ASMCFR的全向機器人軌跡跟蹤控制
　　針對因動力學參數(shù)不確定及外部干擾的影響而導致的全向機器人軌跡跟蹤控

6、制性能變差的問題，提出一種基于ASMCFR（濾波器與神經(jīng)網(wǎng)絡(luò)的自適應(yīng)滑模）的軌跡跟蹤控制方法。該方法首先建立了含驅(qū)動電機信息的全向機器人的動力學模型，接著在此基礎(chǔ)上設(shè)計了機器人的滑模軌跡跟蹤控制器，通過在滑?？刂破鞯妮敵龆艘胍粋€低通濾波器來濾除滑?？刂破鬏敵鲋械母哳l信號;然后設(shè)計了一個參數(shù)自適應(yīng)律來在線估計動力學參數(shù)的變化，并利用RBF神經(jīng)網(wǎng)絡(luò)來實時調(diào)整滑?？刂破鞯那袚Q項增益值，以進一步削弱系統(tǒng)的抖振，最后對提出的方法進行了仿真實驗。

7、實驗結(jié)果表明，相對于不含濾波器的滑?？刂品椒ê凸潭ㄇ袚Q項增益的滑?？刂品椒ǎ岢龅姆椒ㄔ诮档蛥?shù)發(fā)生變化帶來的負面影響方面具有顯著的作用，具有更好的削弱抖振的能力和更強的抗干擾能力。
　　(4)基于RMSCD的全向機器人多電機解耦控制
　　針對傳統(tǒng)的電機控制方法因忽略全向機器人的動力學特性而對擾動非常敏感的問題，提出一種基于RMSCD（控制與解耦分離的參考模型）的多電機解耦控制方法。該方法首先通過對全向機器人的運動學和動力

8、學分析推導出多電機控制系統(tǒng)的狀態(tài)方程，然后在此基礎(chǔ)上依據(jù)參考模型解耦原理設(shè)計了具有解耦與控制功能分離的解耦控制器;最后對提出的方法進行了仿真實驗。實驗結(jié)果表明，相對于傳統(tǒng)的參考模型解耦方法，所提出的方法更好地削弱了四個電機間的耦合作用，使得各個電機都能夠很好地跟蹤各自的期望輸入，解耦控制器的設(shè)計更加簡單，在很小的誤差范圍內(nèi)（一般數(shù)量級為10-5），實現(xiàn)了全向機器人多電機控制系統(tǒng)的解耦。
　　(5)基于IHS的全向機器人最小能耗運動

9、規(guī)劃
　　針對已有的最小能耗運動規(guī)劃方法過度依賴初值的選擇、求解精度差的問題，提出了一種基于IHS（改進和聲搜索）的全向機器人最小能耗運動規(guī)劃方法。該方法首先根據(jù)含有電機動力學信息的機器人動力學方程構(gòu)造出關(guān)于機器人運動過程中能耗的優(yōu)化目標函數(shù)，接著在此基礎(chǔ)上建立了全向機器人的最小能耗運動規(guī)劃模型，并采用IHS算法來完成最小能耗運動規(guī)劃;最后對提出的方法進行了仿真實驗。實驗結(jié)果表明，相對于Kim提出的最小能耗運動規(guī)劃方法，所提出的方