自适应控制可以应用于具有参数不确定性的机器人系统，但是提高其性能通常很困难，尤其是在不连续的摩擦下。受到人类运动学习控制机制的启发，针对具有不连续摩擦的广泛机器人系统提出了一种自适应学习控制方法，其中采用了利用数据记忆来增强参数估计的复合误差学习技术。与经典的反馈误差学习控制相比，所提出的方法可以实现出色的瞬态和稳态跟踪，而无需高增益反馈和持续的激发，而持续的激发则以额外的计算负担和记忆使用费用。基于Denso工业机器人的实验验证了所提出方法的性能改善。

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。

系列弹性执行器（SEA）具有固有的合规性，可为机器人提供安全的扭矩来源，这些源是与各种环境相互作用的机器人，包括人类。这些应用对海体扭矩控制器有很高的要求，扭矩响应以及与其环境的相互作用行为。为了区分现有技术的扭矩控制器，这项工作正在引入统一的理论和实验框架，其基于它们的扭矩传递行为，表观阻抗行为，特别是表观阻抗的钝化性，即它们的相互作用稳定性，也是如此作为对传感器噪声的敏感性。我们比较经典的海上控制方法，如级联PID控制器和全状态反馈控制器，使用干扰观察者，加速反馈和适应规则，具有先进的控制器。仿真和实验证明了稳定的相互作用，高带宽和低噪声水平之间的折衷。基于这些权衡，可以基于与各个环境的所需交互来设计和调整特定于应用程序特定控制器。

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。

稳定性和安全性是成功部署自动控制系统的关键特性。作为一个激励示例，请考虑在复杂的环境中自动移动机器人导航。概括到不同操作条件的控制设计需要系统动力学模型，鲁棒性建模错误以及对安全\ newzl {约束}的满意度，例如避免碰撞。本文开发了一个神经普通微分方程网络，以从轨迹数据中学习哈密顿系统的动态。学识渊博的哈密顿模型用于合成基于能量的被动性控制器，并分析其\ emph {鲁棒性}，以在学习模型及其\ emph {Safety}中对环境施加的约束。考虑到系统的所需参考路径，我们使用虚拟参考调查员扩展了设计，以实现跟踪控制。州长国家是一个调节点，沿参考路径移动，平衡系统能级，模型不确定性界限以及违反安全性的距离，以确保稳健性和安全性。我们的哈密顿动力学学习和跟踪控制技术在\修订后的{模拟的己谐和四型机器人}在混乱的3D环境中导航。

Most impedance control schemes in robotics implement a desired passive impedance, allowing for stable interaction between the controlled robot and the environment. However, there is little guidance on the selection of the desired impedance. In general, finding the best stiffness and damping parameters is a challenging task. This paper contributes to this problem by connecting impedance control to robust control, with the goal of shaping the robot performances via feedback. We provide a method based on linear matrix inequalities with sparsity constraints to derive impedance controllers that satisfy a H-infinity performance criterion. Our controller guarantees passivity of the controlled robot and local performances near key poses.

精确和高保真力控制对于与人类和未知环境相互作用的新一代机器人至关重要。移动机器人（例如可穿戴设备和腿部机器人）也必须轻巧才能完成其功能。已经提出了静液压传输，作为满足这两个具有挑战性要求的有前途的策略。在以前的出版物中，结果表明，使用磁性执行器（MR）执行器与静水透射率相结合，可提供高功率密度和出色的开环人类机器人相互作用。尽管如此，传输动力学和非线性摩擦仍会降低低频和高频下的开环力保真度。这封信比较了MR-Hydrstortic执行器系统的控制策略，以增加其扭矩保真度，该扭矩屈服于带宽（测量得出的扭矩参考）和透明度（最小化在机器人背后反射到最终效应器的不需要的力）。开发了四种控制方法并通过实验进行比较：（1）具有摩擦补偿的开环控制； （2）非集中压力反馈； （3）压力反馈； （4）LQGI状态反馈。还实施了抖动策略来平滑球螺钉摩擦。结果表明，方法（1），（2）和（3）可以提高性能，但面临妥协，而方法（4）可以同时改善所有指标。这些结果表明，使用控制方案使用束缚架构来改善机器人的力控制性能的潜力，从而解决了传输动力学和摩擦等问题。

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。

最近的四型车辆超越了常规设计，更加强调可折叠和可重构的身体。但是，最新的状态仍然着重于此类设计的机械可行性，在配置切换过程中有关车辆的跟踪性能的讨论有限。在本文中，我们提出了一个完整的控制和计划框架，用于在配置切换过程中进行态度跟踪并遏制任何基于开关的干扰，这可能导致违反安全限制并导致崩溃。控制框架包括一个具有估计器的形态感知自适应控制器，以说明参数变化和最小值轨迹计划器，以在切换时实现稳定的飞行。态度跟踪的稳定性分析是通过采用开关系统理论和仿真结果来验证了拟议的框架，该框架是通过通道通过通道的可折叠四极管飞行的框架。

在康复任务期间，实施了现有混合中风康复方案的线性模型的比例迭代学习控制（P-ILC）。由于P-ILC的瞬时误差生长问题，包括学习派生的约束控制器，以确保每个试验中受控系统不会超过预定义的速度极限。为此，开发了机器人最终效应器相互作用与中风受试者（植物）的线性传递函数模型以及对刺激控制器的肌肉反应。 0-0.3 m范围的直线点点轨迹是工厂，进料和反馈刺激控制器的参考任务空间轨迹。在每个试验中，基于SAT的有界误差导数ILC算法是学习约束控制器。开发并模拟了三个控制配置。使用根均值平方误差（RMSE）和归一化的RMSE评估系统性能。在不同的ILC增益超过16次迭代时，当组合对照构型时，将获得0.0060 m的位移误差。

在本文中，我们提出了一种新颖的，通用的数据驱动方法，用于伺服控制连续机器人的3-D形状，并嵌入了纤维bragg光栅（FBG）传感器。 3D形状感知和控制技术的发展对于连续机器人在手术干预中自主执行任务至关重要。但是，由于连续机器人的非线性特性，主要难度在于它们的建模，尤其是对于具有可变刚度的软机器人。为了解决这个问题，我们通过利用FBG形状反馈和神经网络（NNS）提出了一个新的健壮自适应控制器，该反馈和神经网络（NNS）可以在线估算连续机器人的未知模型，并说明了意外的干扰以及NN近似错误，该错误表现出适应性行为对适应性行为呈现没有先验数据探索的未建模系统。基于新的复合适应算法，Lyapunov理论证明了具有NNS学习参数的闭环系统的渐近收敛。为了验证所提出的方法，我们通过使用两个连续机器人进行了一项全面的实验研究，这些连续机器人都与多核FBG集成，包括机器人辅助结肠镜和多部分可扩展的软操纵剂。结果表明，在各种非结构化环境以及幻影实验中，我们的控制器的可行性，适应性和优越性。

Accurate path following is challenging for autonomous robots operating in uncertain environments. Adaptive and predictive control strategies are crucial for a nonlinear robotic system to achieve high-performance path following control. In this paper, we propose a novel learning-based predictive control scheme that couples a high-level model predictive path following controller (MPFC) with a low-level learning-based feedback linearization controller (LB-FBLC) for nonlinear systems under uncertain disturbances. The low-level LB-FBLC utilizes Gaussian Processes to learn the uncertain environmental disturbances online and tracks the reference state accurately with a probabilistic stability guarantee. Meanwhile, the high-level MPFC exploits the linearized system model augmented with a virtual linear path dynamics model to optimize the evolution of path reference targets, and provides the reference states and controls for the low-level LB-FBLC. Simulation results illustrate the effectiveness of the proposed control strategy on a quadrotor path following task under unknown wind disturbances.

对于不确定的多个输入多输出（MIMO）非线性系统，实现渐近跟踪是不平凡的，并且大多数现有方法通常需要某些可控性条件，如果涉及意外的执行器故障，这些条件是相当限制性的，甚至是不切实际的。在本说明中，我们提出了一种能够实现具有较不保守（更实用）可控性条件的零误差稳态跟踪的方法。通过将新颖的Nussbaum增益技术和一些积极的集成函数纳入控制设计，我们为系统开发了强大的自适应渐近跟踪控制方案，随着时变的控制增益未知其幅度和方向。通过诉诸某些可行的辅助矩阵的存在，进一步放松了当前的最新可控性条件，从而扩大了可以在拟议的控制方案中考虑的系统类别。所有闭环信号均被确保在全球范围内最终均匀界定。此外，这种控制方法进一步扩展到涉及间歇性执行器断层以及适用于机器人系统的情况。最后，进行了模拟研究以证明该方法的有效性和灵活性。

通常用于从时间序列数据学习模型的在线高斯流程（GPS）比离线GPS更灵活，更健壮。 GPS的本地和稀疏近似都可以在线有效地学习复杂的模型。但是，这些方法假定所有信号都是相对准确的，并且所有数据都可以学习而无需误导数据。此外，在实践中，GP的在线学习能力受到高维问题和长期任务的限制。本文提出了一个稀疏的在线GP（SOGP），其遗忘机制以特定速度忘记了遥远的模型信息。所提出的方法结合了SOGP基础向量集的两个常规数据删除方案：基于位置信息的方案和最古老的基于点的方案。我们采用我们的方法来学习在任务切换的两部分轨迹跟踪问题下具有7度自由度的协作机器人的逆动力学。模拟和实验都表明，与两种常规数据删除方案相比，所提出的方法可实现更好的跟踪准确性和预测平滑度。

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。

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。

自适应控制可以解决控制系统中的模型不确定性。但是，它是专为跟踪控制而设计的。近期机器人控制的最新进步表明，力控制可以有效地实现敏捷和强大的运动。在本文中，我们提出了一种用于腿机器人的新型自适应力控制框架。我们以我们提出的方法介绍了一种新的架构，将自适应控制纳入二次编程（QP）力控制。由于我们的方法是基于力控制，它还保留了基线框架的优势，例如对不均匀地形，可控摩擦约束或软撞击的鲁棒性。我们的方法在模拟和硬件实验中成功验证。虽然基线QP控制在具有小负载的身体跟踪误差中显示出显着的降级，但我们所提出的基于自适应力的控制可以使12千克Unitree A1机器人能够在粗糙的地形上行走，同时承载最多6次kg（50％的机器人重量）。当站在四条腿时，我们所提出的自适应控制甚至可以允许机器人在机器人高度中携带多达11kg的负载（机器人重量的92％），并且在机器人高度中具有小于5cm的跟踪误差。

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。

“无限”软机械臂自由度的自由度使他们的控制尤其具有挑战性。在本文中，我们利用了先前开发的模型，将软臂的等效绘制到一系列通用接头，设计两个闭环控制器：用于轨迹跟踪的配置空间控制器和用于位置控制的任务空间控制器末端效应。在四段软手臂上的广泛实验和模拟证明了以下方面的大量改进：a）配置空间控制器的卓越的跟踪精度和B）减少了任务空间控制器的稳定时间和稳态误差。还验证了任务空间控制器在软臂和环境之间存在相互作用的情况下有效。

二次运动的准确轨迹跟踪控制对于在混乱环境中的安全导航至关重要。但是，由于非线性动态，复杂的空气动力学效应和驱动约束，这在敏捷飞行中具有挑战性。在本文中，我们通过经验比较两个最先进的控制框架：非线性模型预测控制器（NMPC）和基于差异的控制器（DFBC），通过以速度跟踪各种敏捷轨迹，最多20 m/s（即72 km/h）。比较在模拟和现实世界环境中进行，以系统地评估这两种方法从跟踪准确性，鲁棒性和计算效率的方面。我们以更高的计算时间和数值收敛问题的风险来表明NMPC在跟踪动态不可行的轨迹方面的优势。对于这两种方法，我们还定量研究了使用增量非线性动态反演（INDI）方法添加内环控制器的效果，以及添加空气动力学阻力模型的效果。我们在世界上最大的运动捕获系统之一中进行的真实实验表明，NMPC和DFBC的跟踪误差降低了78％以上，这表明有必要使用内环控制器和用于敏捷轨迹轨迹跟踪的空气动力学阻力模型。