摘要
本文提出了一种针对不确定多输入多输出（MIMO）机器人操作臂的新型神经自适应渐近跟踪控制方法。首先，构建了一种由内在可塑性驱动的循环回声状态网络。这种内在可塑性机制能够自适应地调整神经元兴奋性，从而提升网络捕捉复杂时变动态的能力。同时，循环储备结构大幅减少了神经连接的数量，进而提高了计算效率。其次，将这种由内在可塑性驱动的循环ESN与误差符号的鲁棒积分框架相结合，形成了一种神经自适应控制器。该循环ESN用于动态逼近机器人系统中固有的未知非线性特性，而RISE项则用于补偿近似误差和外部干扰，以确保系统具备良好的鲁棒性能。随后，通过严格的稳定性分析证明，所提出的控制器能够实现跟踪误差的渐近收敛。最后，在两种典型的双关节操作臂上进行了仿真实验，以评估该方法的性能。对比结果表明，与基于径向基函数神经网络的传统PI控制方法相比，所提出的方法具有更快的误差收敛速度、更高的跟踪精度以及更平滑的控制输入。这些结果充分体现了将基于内在可塑性的循环ESN的逼近能力与RISE框架的鲁棒补偿能力相结合，对于实现不确定非线性机器人系统的高精度控制具有重要作用。
