機器人的控制方法，根據(jù)控制量、控制算法的不同分為多種類型。下面分別針對不同的類型，介紹常用的機器人控制方法。
一、根據(jù)控制量分類
按照控制量所處空間的不同，機器人控制可以分為關(guān)節(jié)空間的控制和笛卡爾空間的控制。對于串聯(lián)式多關(guān)節(jié)機器人，關(guān)節(jié)空間的控制是針對機器人各個關(guān)節(jié)的變量進行的控制，笛卡爾空間控制是針對機器人末端的變量進行的控制。按照控制量的不同，機器人控制可以分為：位置控制、速度控制、加速度控制、力控制、力位混合控制等。這些控制可以是關(guān)節(jié)空間的控制，也可以是末端笛卡爾空間的控制。
位置控制的目標是使被控機器人的關(guān)節(jié)或末端達到期望的位置。下面以關(guān)節(jié)空間位置控制為例，說明機器人的位置控制。如圖1-1所示，關(guān)節(jié)位置給定值與當前值比較得到的誤差作為位置控制器的輸入量，經(jīng)過位置控制器的運算后，其輸出作為關(guān)節(jié)速度控制的給定值。關(guān)節(jié)位置控制器常采用PID算法，也可以采用模糊控制算法。
圖1-1 關(guān)節(jié)位置控制示意圖
在圖1-1中，去掉位置外環(huán)，即為機器人的關(guān)節(jié)速度控制框圖。通常，在目標跟蹤任務(wù)中，采用機器人的速度控制。此外，對于機器人末端笛卡爾空間的位置、速度控制，其基本原理與關(guān)節(jié)空間的位置和速度控制類似。
圖1-2 加速度控制示意圖
圖1-2所示為分解加速度運動控制示意圖。首先，計算出末端工具的控制加速度。然后，根據(jù)末端的位置，速度和加速度期望值，以及當前的末端位置、關(guān)節(jié)位置與速度，分解出各關(guān)節(jié)相應(yīng)的加速度，再利用動力學(xué)方程計算出控制力矩分解加速度控制，需要針對各個關(guān)節(jié)進行力矩控制。
圖1-3 關(guān)節(jié)力/力矩控制示意圖
圖1-3為關(guān)節(jié)的力/力矩控制框圖。由于關(guān)節(jié)力/力矩不易直接測量，而關(guān)節(jié)電機的電流又能夠較好的反映關(guān)節(jié)電機的力矩，所以常采用關(guān)節(jié)電機的電流表示當前關(guān)節(jié)力/力矩的測量值。力控制器根據(jù)力/力矩的期望值與測量值之間的偏差，控制關(guān)節(jié)電機，使之表現(xiàn)出期望的力/力矩特性。
圖1-4 力位混合控制框圖
圖1-4所示為一種力位混合控制的框圖，它由位置控制和力控制兩部分組成。位置控制為PI控制，給定為機器人末端的笛卡爾空間位置，末端的笛卡爾空間位置反饋由關(guān)節(jié)空間的位置經(jīng)過運動學(xué)計算得到。圖中，T為機器人的運動學(xué)模型，J為機器人的雅克比矩陣。末端位置的給定值與當前值之差，利用雅克比矩陣的逆矩陣轉(zhuǎn)換為關(guān)節(jié)空間的位置增量，再經(jīng)過PI運算后，作為關(guān)節(jié)位置增量的一部分。
力控制同樣為PI控制，給定為機器人末端的笛卡爾空間力/力矩，反饋由力/力矩傳感器測量獲得。末端力/力矩的給定值與當前值之差，利用雅克比矩陣的轉(zhuǎn)置矩陣轉(zhuǎn)換為關(guān)節(jié)空間的力/力矩。關(guān)節(jié)空間的力/力矩經(jīng)過PI運算后，作為關(guān)節(jié)位置增量的另一部分。位置控制部分和力控制部分的輸出，相加后作為機器人關(guān)節(jié)的位置增量期望值。機器人利用增量控制，對其各個關(guān)節(jié)的位置進行控制。圖1-5所示的力位混合控制，只是力位混合控制中的一種簡單方案，是R-C（Raibert-Craig）力位混合控制的簡化形式，在實際應(yīng)用中應(yīng)針對具體環(huán)境進行一些必要的修正。
二、根據(jù)控制算法分類
按照控制算法的不同，機器人的控制方法可以分為PID控制、變結(jié)構(gòu)控制、
自適應(yīng)控制、模糊控制、神經(jīng)元網(wǎng)絡(luò)控制等方法。也有的文獻將現(xiàn)有的控制算法分為邏輯門限控制、PID控制、滑模變結(jié)構(gòu)控制、神經(jīng)網(wǎng)絡(luò)控制和模糊控制等。這些控制方法并非孤立的，在一個控制系統(tǒng)之中常常結(jié)合在一起使用。
1、PID控制
在工程實際中，應(yīng)用最為廣泛的調(diào)節(jié)器控制規(guī)律為比例、積分、微分控制，簡稱PID控制，又稱PID調(diào)節(jié)。PID控制器問世至今已有近70年歷史，它以其結(jié)構(gòu)簡單、穩(wěn)定性好、工作可靠、調(diào)整方便而成為工業(yè)控制的主要技術(shù)之一。當被控對象的結(jié)構(gòu)和參數(shù)不能完全掌握，或得不到精確的數(shù)學(xué)模型時，控制理論的其它技術(shù)難以采用時，系統(tǒng)控制器的結(jié)構(gòu)和參數(shù)必須依靠經(jīng)驗和現(xiàn)場調(diào)試來確定，這時應(yīng)用PID控制技術(shù)最為方便。
即當我們不完全了解一個系統(tǒng)和被控對象，或不能通過有效的測量手段來獲得系統(tǒng)參數(shù)時，最適合用PID控制技術(shù)。PID控制，實際中也有PI和PD控制。PID控制器就是根據(jù)系統(tǒng)的誤差，利用比例、積分、微分計算出控制量進行控制的。
2、變結(jié)構(gòu)控制
變結(jié)構(gòu)控制是20世紀50年代從蘇聯(lián)發(fā)展起來的一種控制方案。所謂變結(jié)構(gòu)控制，是指控制系統(tǒng)中具有多個控制器，根據(jù)一定的規(guī)則在不同的情況下采用不同的控制器。采用變結(jié)構(gòu)控制具有許多其他控制所沒有的優(yōu)點，可以實現(xiàn)對一類具有不確定參數(shù)的非線性系統(tǒng)的控制。
3、自適應(yīng)控制
所謂自適應(yīng)控制，是指系統(tǒng)的輸入或干擾發(fā)生大范圍的變化時，所設(shè)計的系統(tǒng)能夠自適應(yīng)調(diào)節(jié)系統(tǒng)參數(shù)或控制策略，使輸出仍能達到設(shè)計的要求，其基本結(jié)構(gòu)如圖2-1所示。自適應(yīng)控制所處理的是具有“不確定性”的系統(tǒng)，通過對隨機變量狀態(tài)的觀測和系統(tǒng)模型的辨識，設(shè)法降低這種不確定性。控制結(jié)果常常是達到一定的控制指標，即“最優(yōu)的控制”被“有效的控制”所取代。
自適應(yīng)控制系統(tǒng)按其原理的不同，可分為模型參考自適應(yīng)控制系統(tǒng)、自校正控制系統(tǒng)、自尋優(yōu)控制系統(tǒng)、變結(jié)構(gòu)控制系統(tǒng)和智能自適應(yīng)控制系統(tǒng)等。在這些類型的自適應(yīng)控制系統(tǒng)中，模型參考自適應(yīng)控制系統(tǒng)和自校正控制系統(tǒng)較成熟，也較常用。
圖2-1 自校正控制系統(tǒng)的基本結(jié)構(gòu)
4、模糊控制
在模糊控制中，輸入量經(jīng)過模糊量化成為模糊變量，有模糊變量經(jīng)過模糊規(guī)則的推理獲得模糊輸出，經(jīng)過解模糊得到清晰的輸出量用于控制。模糊控制最早
在1965年由美國加利福尼亞大學(xué)的Zadeh教授提出，1974年英國的E.H.Mamdani成功地將模糊控制應(yīng)用于鍋爐和蒸汽機控制。隨后，模糊控制在控制領(lǐng)域得到了快速發(fā)展，并獲得大量成功的應(yīng)用。
5、神經(jīng)元網(wǎng)絡(luò)控制
神經(jīng)網(wǎng)絡(luò)控制是20世紀80年代末期發(fā)展起來的自動控制領(lǐng)域的前沿學(xué)科之一。它是智能控制的一個新的分支，為解決復(fù)雜的非線性、不確定、不確知系統(tǒng)的控制問題開辟了新途徑。 神經(jīng)網(wǎng)絡(luò)控制是（人工）神經(jīng)網(wǎng)絡(luò)理論與控制理論相結(jié)合的產(chǎn)物，是發(fā)展中的學(xué)科。它匯集了包括數(shù)學(xué)、生物學(xué)、神經(jīng)生理學(xué)、腦科學(xué)、遺傳學(xué)、人工智能、計算機科學(xué)、自動控制等學(xué)科的理論、技術(shù)、方法及研究成果，其基本結(jié)構(gòu)如圖2-2所示。
在控制領(lǐng)域，將具有學(xué)習能力的控制系統(tǒng)稱為學(xué)習控制系統(tǒng)，屬于智能控制系統(tǒng)。神經(jīng)控制是有學(xué)習能力的，屬于學(xué)習控制，是智能控制的一個分支。 神經(jīng)控制發(fā)展至今，雖僅有十余年的歷史，已有了多種控制結(jié)構(gòu)。如神經(jīng)預(yù)測控制、神經(jīng)逆系統(tǒng)控制等。
圖2-2 神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)結(jié)構(gòu)
