力控

智能力控

机器人经典力控制方法和先进力控制方法都是建立在机器人动力学模型基础上的，所以存在一个共同的建模难题，就机器人系统本身来讲，时变、强耦合以及环境的不确定性给机器人控制带来困难，再加上力反馈的输入，更增加了建模的难度。近年来，以模糊、神经网络等智能控制方法及其综合集成为解决具有不确定性（包括结构不确定性和参数不确定性）的机器人力控制问题提供了有效途径。

模糊控制因不需要被控对象的jingque数学模型，仅通过被控对象输入量、输出量的检测，进行有针对性的各种可能状态的推理和判断，做出适应性调整，因而在机器人控制应用中取得了一定的效果。但是，单纯的模糊控制缺乏自学习、自适应能力，当对象参数变化或负载变化时往往不能获得满意的控制效果，在机器人力控制中的应用范围受到了限制。

近年来，将神经网络应用于机器人力控制的研究引起了极大的关注，这是由于神经网络具有自适应性和自学习性的特点，与传统控制方法相比具有很大的优越性。这方面的研究大体可分为两类：一类是假定机器人动力学模型完全未知，神经网络通过学习来逼近系统的动力学或逆动力学模型，以实现反馈控制或逆动力学控制；另一类是假定机器人动力学模型为部分已知的，神经网络被用来学习模型中的未知参数，以减少在线计算的负担。

将机器人力控制系统作为大系统进行研究，具有代表性的研究成果就是基于大系统理论、模糊理论和神经网络提出的“智能力/位并环控制策略”。智能力/位置并环控制的基本原理是将力和位置并行输入，利用模糊神经网络进行综合，输出为位置量，不改变机器人本身的位置伺服系统，充分利用原来机器人位置控制的高精度。

力控

视觉/力觉混合控制

随着机器人技术的不断发展，机器人应用领域和功能得到了极大的拓展和提高，智能化已成为机器人技术的发展趋势，实现机器人智能化的基础则是传感器技术。一般来说，单一传感器获得信息有限，而且易受到自身品质和性能的影响，因此智能机器人通常配有不同类型的传感器，而且数量众多，以满足数据采集的需要。一个灵活的机器人系统应该具有随工作任务或工作环境的改变而自动调整位置并能准确跟踪的能力，使机器人能自主实现与周围环境协调工作，视觉传感器就是一种比较重要的外部传感器。如同人类，视觉是人类最主要的获取信息的感觉器官，可提供多达70%以上的外部信息，视觉也被认为是机器人系统中最重要的感知能力，使得在未知环境中控制机器人的操作成为可能。机器人系统中引入视觉伺服控制，提高了机器人系统对环境的适应能力和控制精度。随着人类对视觉伺服控制方法进行不断深入的研究，视觉伺服在工业机器人控制系统中逐渐显露出其应用价值，应用场合覆盖机器人焊接、轨线跟踪、装配等。

在机器人的各种力控制方法中，经典力控制方法是必需的，它是最简单也是应用最成功的方法。智能控制方法和经典力控制方法的结合，在保证机器人控制系统稳定的前提下能取得更好的控制性能，但此类控制方法的选取到目前为止还没有比较规范的标准，还处于研究开发的阶段，大量的计算影响了其实用性，目前智能力控制方法大多还停留在仿真实验阶段。

从以上现存机器人力控制成果来看，目前存在的主要问题有：

（1）机器人力控制的研究工作多集中在机器人末端与环境保持接触时的控制，不能同时快速满足机器人自由空间的位置跟踪能力和接触空间的力跟踪能力，而机器人实际操作时都会经历一个从自由、碰撞到沿曲面运动的过程。

（2）接触作业的环境一般是非结构化的，且存在大量的不确定性，有的接触环境还存在显著的非线性特性，对接触环境不能再按简单的弹簧阻尼模型来处理，对各种未知特性的环境要想建立完善的模型比较困难，需要对未知环境进行自适应估计，并且需要对控制器作进一步改进。

（3）绝大部分力跟踪都在平面或二维工件的边缘进行，没有在曲面上或三维空间中进行，原因在于视觉本身特定的弱点以及力觉对柔性的高要求。