由于过去几十年中获得的大量技术改进，因此可以使用机器人车进行水下勘探。这项工作描述了用于基于水下车辆的动态定位系统的开发。采用的方法是使用Lyapunov稳定性理论开发的，并通过基于神经网络的算法增强了不确定性和干扰补偿。通过数值模拟评估所提出的控制方案的性能。

在非线性和不确定动态的情况下，多种自动水下车辆（AUV）的共识形成跟踪是机器人技术的一个挑战性问题。为了应对这一挑战，本文提出了分布式生物启发的滑动模式控制器。首先，提出了常规的滑动模式控制器（SMC），并根据图理论解决共识问题。接下来，为了解决SMC方案中的高频聊天问题并同时提高噪声的鲁棒性，引入了生物启发的方法，其中采用神经动态模型来替换传统滑动模式合成的非线性符号或饱和功能控制器。此外，在Lyapunov稳定性理论的存在下，在存在有界的集体干扰的情况下证明了所得闭环系统的输入到状态稳定性。最后，进行了仿真实验以证明所提出的分布式形成控制方案的有效性。

A reduced order model of a generic submarine is presented. Computational fluid dynamics (CFD) results are used to create and validate a model that includes depth dependence and the effect of waves on the craft. The model and the procedure to obtain its coefficients are discussed, and examples of the data used to obtain the model coefficients are presented. An example of operation following a complex path is presented and results from the reduced order model are compared to those from an equivalent CFD calculation. The controller implemented to complete these maneuvers is also presented.

In this paper, we propose an effective unified control law for accurately tracking agile trajectories for lifting-wing quadcopters with different installation angles, which have the capability of vertical takeoff and landing (VTOL) as well as high-speed cruise flight. First, we derive a differential flatness transform for the lifting-wing dynamics with a nonlinear model under coordinated turn condition. To increase the tracking performance on agile trajectories, the proposed controller incorporates the state and input variables calculated from differential flatness as feedforward. In particular, the jerk, the 3-order derivative of the trajectory, is converted into angular velocity as a feedforward item, which significantly improves the system bandwidth. At the same time, feedback and feedforward outputs are combined to deal with external disturbances and model mismatch. The control algorithm has been thoroughly evaluated in the outdoor flight tests, which show that it can achieve accurate trajectory tracking.

本文介绍了在外部应用力和时刻的6自由度刚体动态系统的二阶非线性模型的自适应识别（AID）的质量识别（AID）可观察性的长期开放问题。虽然已经报道了这种系统的植物参数的稳定方法，但据报道，稳定模型的直接自适应轨迹跟踪控制的稳定模型的直接自适应轨迹跟踪控制，这些研究已经无法分析自适应参数估计收敛到真正的工厂参数值。本文向这类系统稳定的自适应标识符报告了6-DOF植物惯性参数的均匀完全可观察性（UCO）的必要和充分条件。当满足UCO条件时，Adaptive参数估计被显示为True工厂参数值会聚。据我们所知，这是第一个据报道的植物参数UCO系统和适应性参数估算到真正参数值的融合。 We also report a numerical simulation study of this AID approach which shows that (a) the UCO condition can be met for fully-actuated plants as well as underactuated plants with the proper choice of control input and (b) convergence of adaptive parameter estimates to真正的参数值。我们猜想这种方法可以扩展到包括出现刚体植物模型的其他参数，包括用于阻力，浮力，增加质量，偏置和执行器的参数。

在本文中，提出了一个稳定稳定的轨迹跟踪控制器，用于多uav有效载荷运输。多uav有效负载系统在无人机和有效负载框架的垂直刚性链接之间具有2DOF磁球接头，因此无人机可以自由滚动或自由投球。这些垂直链接紧密地连接到有效载荷上，无法移动。为完整的有效载体 - uav系统得出了输入输出反馈线性化模型以及有效载荷轨迹跟踪的推力矢量控制。关于跟踪控制定律的理论分析表明，控制定律是指数稳定的，从而确保了沿期望轨迹的安全运输。为了验证拟议的控制定律的性能，提供了数值模拟以及高保真凉亭实时仿真的结果。接下来，针对两种实际情况分析了提议的控制器的鲁棒性：有效载荷和有效载荷质量不确定性的外部干扰。结果清楚地表明，所提出的控制器在实现指数稳定的轨迹跟踪的同时具有稳健性和计算效率。

该论文提出了两种控制方法，用于用微型四轮驱动器进行反弹式操纵。首先，对专门为反转设计设计的现有前馈控制策略进行了修订和改进。使用替代高斯工艺模型的贝叶斯优化通过在模拟环境中反复执行翻转操作来找到最佳运动原语序列。第二种方法基于闭环控制，它由两个主要步骤组成：首先，即使在模型不确定性的情况下，自适应控制器也旨在提供可靠的参考跟踪。控制器是通过通过测量数据调整的高斯过程来增强无人机的标称模型来构建的。其次，提出了一种有效的轨迹计划算法，该算法仅使用二次编程来设计可行的轨迹为反弹操作设计。在模拟和使用BitCraze Crazyflie 2.1四肢旋转器中对两种方法进行了分析。

使用自适应机器学习解决了在不准确运动学模型的情况下，在存在不正确的运动学模型的情况下形成封闭运动链的合作操纵器的自我调整控制问题。两个级联估计器在线更新了与互连操纵器的相对位置/方向不确定性有关的运动学参数，以调整合作控制器，以通过最小值驱动力来实现准确的运动跟踪。该技术允许对所涉及的操纵器的相对运动学进行准确的校准，而无需高精度的终点传感或力测量，因此在经济上是合理的。研究整个实时估计器/控制器系统的稳定性表明，可以确保自适应控制过程的收敛性和稳定性，如果i）角速度向量的方向不会随着时间的推移而保持恒定；参数误差是由一些已知参数的缩放器函数上限。自适应控制器被证明是无奇异性的，即使控制定律涉及在估计参数下计算的矩阵的近似。实验结果证明了传统的反向动态控制方案对运动不准确的跟踪性能的敏感性，而自我调整合作控制器的跟踪误差显着降低。

在本文中，提出了针对动力学不确定性的机器人操纵器提出的人工延迟阻抗控制器。控制定律将超级扭曲算法（STA）类型的二阶切换控制器通过新颖的广义过滤跟踪误差（GFTE）统一延迟估计（TDE）框架。虽然时间延迟的估计框架可以通过估算不确定的机器人动力学和相互作用力来从状态和控制工作的近期数据中估算不确定的机器人动力学和相互作用力来准确建模机器人动力学，但外部循环中的第二阶切换控制法可以在时间延迟估计的情况下提供稳健性（TDE）由于操纵器动力学的近似而引起的误差。因此，拟议的控制定律试图在机器人最终效应变量之间建立所需的阻抗模型，即在存在不确定性的情况下，在遇到平滑接触力和自由运动期间的力和运动。使用拟议的控制器以及收敛分析的两个链接操纵器的仿真结果显示出验证命题。

微空中车辆（MAVS）在户外操作的限制靠近障碍物，通过他们承受风阵风的能力。目前广泛的位置控制方法，例如比例整体衍生物控制在阵风的影响下不会均匀。增量非线性动态反转（INDI）是一种基于传感器的控制技术，可以控制受扰动的非线性系统。它是为载人飞机或MAVS的态度控制而开发的。在本文中，我们将这种方法概括为严重燃烧负载下MAV的外环控制。在一个实验中对传统的比例积分衍生物（PID）控制器的显着改进进行了说明，其中四轮电机在10米/秒的吹风机排气进出中。控制方法不依赖于频繁的位置更新，如使用标准GPS模块的外部实验中所示。最后，我们研究了使用线性化来计算推力向量增量的效果，与非线性计算相比。该方法需要很少的建模并且是计算效率。

拟议的控制方法使用基于自适应的馈电控制器来为CDPR建立一个被动输入输出映射，该映射与线性不变的严格阳性真实反馈控制器一起使用，以确保稳健的闭环输入输出稳定性和渐进式姿势轨迹通过消极定理跟踪。所提出的控制器的新颖性是其配方用于一系列有效载荷态度参数化，包括任何无约束的态度参数化，四元组或方向余弦矩阵（DCM）。通过用刚性和柔性电缆的CDPR进行数值模拟，证明了所提出的控制器的性能和鲁棒性。结果证明了仔细定义CDPR的姿势误差的重要性，CDPR的姿势误差是在使用Quaternion和dcm时以乘法方式执行的，并且在使用不受约束的态度参数时（例如Euler-andle-angle序列）时以特定的添加剂方式执行。

本文提出了一种新型的固定时间积分滑动模式控制器，以用于增强物理人类机器人协作。所提出的方法结合了遵守入学控制的外部力量和对整体滑动模式控制（ISMC）不确定性的高度鲁棒性的好处，从而使系统可以在不确定的环境中与人类伴侣合作。首先，在ISMC中应用固定时间滑动表面，以使系统的跟踪误差在固定时间内收敛，无论初始条件如何。然后，将固定的后台控制器（BSP）集成到ISMC中，作为标称控制器，以实现全局固定时间收敛。此外，为了克服奇异性问题，设计并集成到控制器中，这对于实际应用很有用。最后，提出的控制器已被验证，用于具有不确定性和外部力量的两连锁机器人操纵器。结果表明，在跟踪误差和收敛时间的意义上，所提出的控制器是优越的，同时，可以在共享工作区中遵守人类运动。

现代机器人系统具有卓越的移动性和机械技能，使其适合在现实世界场景中使用，其中需要与重物和精确的操纵能力进行互动。例如，具有高有效载荷容量的腿机器人可用于灾害场景，以清除危险物质或携带受伤的人。因此，可以开发能够使复杂机器人能够准确地执行运动和操作任务的规划算法。此外，需要在线适应机制，需要新的未知环境。在这项工作中，我们强加了模型预测控制（MPC）产生的最佳状态输入轨迹满足机器人系统自适应控制中的Lyapunov函数标准。因此，我们将控制Lyapunov函数（CLF）提供的稳定性保证以及MPC在统一的自适应框架中提供的最优性，在机器人与未知对象的交互过程中产生改进的性能。我们验证了携带未建模有效载荷和拉重盒子的四足机器人的仿真和硬件测试中提出的方法。

我们提出了一种能够跟踪高度侵略性轨迹的新的四轮电路几何控制方案。我们的几何控制器使用所以（3）的对数图来表达Lie代数中的旋转误差，并且我们表明它是全球有吸引力的，而无需复杂的混合切换方案。我们展示了我们的控制器在模拟实验中对高侵袭性轨迹的表现。另外，我们介绍了该控制器的适应，该控制器允许我们在板载飞行控制单元上有效地接口角速率控制器，并显示这种适当的控制方案在四轮硬件平台上跟踪激发轨迹的能力。

软机器均由柔顺性和可变形的材料制成，可以对传统的刚性机器人进行具有挑战性的任务。软机器人的固有依从性使其更适合和适应与人类和环境的相互作用。然而，这种优势以成本为准：他们的连续性性质使得强大地发展基于稳健的基于模型的控制策略。具体地，解决这一挑战的自适应控制方法尚未应用于物理软机械臂。这项工作介绍了使用Euler-Lagrange方法对软连续式机械手进行动态的重新装配。该模型消除了先前作品中的简化假设，并提供了更准确的机器人惯性描述。基于我们的模型，我们介绍了任务空间自适应控制方案。该控制器对模型参数不确定性和未知输入干扰具有稳健。控制器在物理软连续臂上实现。进行了一系列实验以验证控制器在不同有效载荷下的任务空间轨迹跟踪中的有效性。在准确性和稳健性方面，控制器均优于最先进的方法。此外，所提出的基于模型的控制设计是柔性的，并且可以广泛地推广到具有任意数量的连续段的任何连续型机器人臂。

随着垂直起飞和着陆和长航时的特点，倾转旋翼吸引了相当多的关注近几十年来其在民用和科研应用潜力。然而，强耦合，非线性特性和不匹配的干扰的问题，不可避免地存在于倾转旋翼机，它带来的过渡模式控制器的设计极大的挑战。在本文中，我们结合一个超扭曲扩张状态观测器（STESO）具有自适应递归滑模控制（ARSMC）一起使用STESO-ARSMC（SAC）来设计以过渡模式倾转旋翼飞行器姿态系统控制器。首先，六个自由度的倾转旋翼的（DOF）的非线性数学模型被建立。其次，美国和干扰是由STES观察者估计。第三，ARSM控制器旨在实现有限时间内收敛。 Lyapunov函数用来作证的倾转旋翼无人机系统的融合。新的方面是，状态的评估被并入控制规则来调整中断。相较于先前技术，控制系统，这项工作可以大大提高抗干扰性能提出。最后，模拟试验，是要证明建议的技术的有效性。

近二十年来，软机器人技术一直是机器人社区中的一个热门话题。但是，对于软机器人进行建模和分析的可用工具仍然有限。本文介绍了一个用户友好的MATLAB工具箱Soft Robot Simulator（Sorosim），该工具集合了Cosserat杆的几何变量应变（GVS）模型，以促进对软，刚性或混合机器人系统的静态和动力分析。我们简要概述了工具箱的设计和结构，并通过将其结果与文献中发布的结果进行比较。为了突出该工具箱有效建模，模拟，优化和控制各种机器人系统的潜力，我们演示了四个示例应用程序。所示的应用探索了单，分支，开放式和闭合链机器人系统的不同执行器和外部加载条件。我们认为，软机器人研究社区将从Sorosim工具箱中大大受益，用于多种应用。

对于较高的自由度机器人，质量基质，科里奥利和离心力和重力矩阵在计算上很重，需要长时间执行。由于程序的顺序结构，多层处理器无法提高性能。需要高处理能力来维持更高的采样率。基于神经网络的控制是开发顺序模型的平行等效模型的绝佳方法。在本文中，基于深度学习算法的控制器设计为7度的自由外骨骼机器人。总共49个密集连接的神经元分为四层，以估计跟踪轨迹的关节扭矩要求。为了培训，提出了基于深度神经网络分析模型的数据生成技术。添加了PD控制器来处理预测错误。由于深度学习网络具有并行结构，因此使用多核CPU/GPU可以显着提高控制器的性能。仿真结果显示出非常高的轨迹跟踪精度。

在本文中，我们分析了具有基于视觉导航的无人机（UAV）的时间延迟动力学对控制器设计的影响。时间延迟是网络物理系统中不可避免的现象，并且对无人机的控制器设计和轨迹产生具有重要意义。时间延迟对无人机动态的影响随着基于视力较慢的导航堆栈的使用而增加。我们表明，文献中的现有模型不包括时间延迟，不适合控制器调整，因为一个微不足道的解决方案始终存在错误的解决方案。我们确定的微不足道的解决方案表明，使用无限控制器的利益来实现最佳性能，这与实际发现相矛盾。我们通过引入无人机的新型非线性时间延迟模型来避免这种缺点，然后获得与每个UAV控制回路相对应的一组线性解耦模型。分析了角度和高度动力学的线性时间延迟模型的成本函数，与无延迟模型相反，我们显示了有限的最佳控制器参数的存在。由于使用了时间延迟模型，我们在实验上表明，所提出的模型准确地表示系统稳定性限制。由于时间延迟的考虑，我们使用基于视觉探视的无人机（VO）导航，在跟踪峰值速度为2.09 m/s的lemsistate轨迹时，我们实现了RMSE 5.01 cm的跟踪结果，这与最新-艺术。

本文示出了一般类空中机械手的动态，包括具有任意K型铰接式操纵器的废隔多转子底座，差异平坦。在破裂对称下的拉格朗日减少方法产生了缩小的运动方程，其关键变量：质量线性线性动量，车辆偏航角，操纵子相对接头角度成为扁平输出。利用平坦度理论和推力输入的二阶动态延伸，我们通过有效的相对程度将空中机械手的机制转变为其等效的微观形式。使用这种平坦度变换，在控制Lyapunov函数（CLF-QP）框架内提出了一种二次编程的控制器，并且在仿真中验证了其性能。