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。

身体机器人的合作需要严格的安全保证，因为机器人和人类在共享工作区中工作。这封信提出了一个新颖的控制框架，以处理针对人类机器人互动的基于安全至关重要的位置的约束。所提出的方法基于入学控制，指数控制屏障功能（ECBF）和二次计划（QP），以在人与机器人之间的力相互作用期间达到合规性，同时保证安全约束。特别是，入学控制的配方被重写为二阶非线性控制系统，并且人与机器人之间的相互作用力被视为控制输入。通过使用欧洲央行-QP框架作为外部人类力量的补偿器，实时提供了用于入学控制的虚拟力反馈。因此，安全轨迹是从建议的低级控制器进行跟踪的建议的自适应入学控制方案中得出的。拟议方法的创新是，拟议的控制器将使机器人能够自然流动性遵守人类力量，而无需违反任何安全限制，即使在人类外部力量偶然迫使机器人违反约束的情况下。在对两链平面机器人操纵器的仿真研究中，我们的方法的有效性得到了证明。

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。

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。

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。

对控制框架的兴趣越来越大，能够将机器人从工业笼子转移到非结构化环境并与人类共存。尽管某些特定应用（例如，医学机器人技术）有了显着改善，但仍然需要一个一般控制框架来改善鲁棒性和运动动力学。被动控制者在这个方向上显示出令人鼓舞的结果。但是，他们通常依靠虚拟能源储罐，只要它们不耗尽能量，就可以保证被动性。在本文中，提出了一个分形吸引子来实施可变的阻抗控制器，该控制器可以保留不依赖能箱的无源性。控制器使用渐近稳定电位场在所需状态周围生成一个分形吸引子，从而使控制器稳健地对离散化和数值集成误差。结果证明它可以在相互作用过程中准确跟踪轨迹和最终效应力。因此，这些属性使控制器非常适合需要在最终效应器上进行鲁棒动态相互作用的应用。

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。

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。

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.

本文提出了一种基于匹配不确定性的非线性系统的收缩指标和干扰估计的轨迹中心学习控制方法。该方法允许使用广泛的模型学习工具，包括深神经网络，以学习不确定的动态，同时仍然在整个学习阶段提供瞬态跟踪性能的保证，包括没有学习的特殊情况。在所提出的方法中，提出了一种扰动估计法，以估计不确定性的点值，具有预计估计误差限制（EEB）。学习的动态，估计的紊乱和EEB在强大的黎曼能量条件下并入，以计算控制法，即使学习模型较差，也能保证在整个学习阶段的所需轨迹对所需轨迹的指数趋同。另一方面，具有改进的精度，学习的模型可以在高级计划器中结合，以规划更好的性能，例如降低能耗和更短的旅行时间。建议的框架在平面Quadrotor导航示例上验证。

为了实现机器人操作中影响的剥削，提出了一个新框架，以控制机器人操纵器，该机器人操纵器的任务是名义上同时执行的影响。在此框架中，我们采用了对应于前后运动和影响后运动的时间不变的参考矢量场的跟踪，从而在相似的常规跟踪控制方法上增加了其适用性。前后的引用和后影响引用是通过刚性冲击图耦合的，并扩展到预期发生冲击的区域重叠，以便始终遵循与机器人实际接触状态相对应的参考。由于通常会发生在不同接触点处的一系列冲击，从而导致接触模式和不可靠的速度测量值的不确定性，因此制定了针对时间不变参考的新的临时控制模式。在此模式下，位置反馈信号来自静电速度参考，该参考用于在所有接触点中强制执行持续的接触，而无需使用速度反馈。为了注重实际实现，该方法是使用QP控制框架制定的，并使用具有硬弹性接触模型的刚性机器人和具有柔性关节和合规性弹性触点模型的逼真的机器人模型上的数值模拟进行了验证。

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。

旨在进一步实现对机器人操纵中的影响的影响，提出了一种控制框架，其直接解决了通过跟踪机器人操纵器的控制所构成的挑战，该机器人操纵器的控制被任务执行与多个接触点相关联的名义上同时冲击。为此，我们扩展了参考展示框架，该框架利用刚性冲击图采用刚性冲击地图的扩展前和冲击后参考，在非弹性同时撞击的假设下确定。在实践中，机器人不会在冲击力矩的参考上居住;结果通常会发生不同接触点处的一系列冲击。我们的新方法通过引入额外的中间控制模式，在此上下文中扩展了参考传播。在该模式中，扭矩命令仍然基于达到撞击参考，目的是达到目标接触状态，但是禁用速度反馈，因为这可能由于快速的速度而可能是有害的。随着真实的实现，该方法是使用QP控制框架制定的，并在刚性机器人模型和具有柔性接头的现实机器人模型上使用数值模拟进行验证。

跟踪控制一直是机器人技术的重要研究主题。本文为基于生物启发的神经动力学模型提供了一种新型的混合控制策略（UUV）。首先开发了增强的反向运动控制策略，以避免急速速度跳跃，并提供相对于常规方法的光滑速度命令。然后，提出了一种新颖的滑动模式控制，该控制能够提供平滑而连续的扭矩命令，没有颤动。在比较研究中，提出的合并混合控制策略确保了控制信号的平滑度，这在现实世界中至关重要，尤其是对于需要在复杂的水下环境中运行的无人水下车辆。

在本文中，建议基于MPC的准滑动模式控制（QSMC），用于具有外部干扰的约束连续时间非线性系统。MPC问题与QSMC的设计有关，以生成控制输入，该输入可以模仿QSMC的控制过程并保证状态和输入约束的满意度。同时，重建了MPC问题的成本函数，其中基于MPC的QSMC可以通过调整权重参数来显示更好的收敛速率。最后，提供了一个模拟案例，以降级拟议方法的有效性。

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。

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。

缺乏稳定性可以强烈限制在安全临界机器人应用中使用加固学习（RL）。在这里，我们提出了一个控制系统体系结构，用于连续RL控制并通过收缩分析得出相应的稳定性定理，从而对网络权重产生约束，以确保稳定性。可以以一般的RL算法实现控制体系结构，并提高其稳定性，鲁棒性和样本效率。我们在两个标准示例中证明了此类保证对RL的重要性和好处，PPO对2D问题进行了学习以及对迷宫任务的Hiro学习。

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。