机器人是由机械本体、控制器、伺服驱动系统和检测传感器装置构成的，一种能仿人操作、可自动控制、并能在三维空间完成各种作业的机电一体化设备[1]。由于机器人参数测量与建模的不精确，加上机器人负载以及工业外部干扰的不确定性，在研究机器人控制问题时，实际上无法获取到机器人精确的对象模型。另一方面，现代工业的飞速发展迫切需要高品质的机器人为之服务，而高品质的机器人控制就不得不综合考虑各种不确定因素的影响。
2 传统的机器人控制方法及缺陷
传统的机器人控制方法有PID 控制，计算力矩控制，自适应控制，鲁棒控制，滑模变结构控制。传统控制方法都是基于被控对象的数学模型来设计的，因此，面对具有建模误差和不确定干扰的机器人控制时，这些控制方法都无法保证机器人在复杂的环境下的稳定性、鲁棒性以及动态性能。
3 智能算法与 PID 控制相结合的机器人控制系统
PID 算法简单、快捷，至今仍然在工业中得到广泛的应用。为进一步提高 PID 的控制特性，将其与智能控制相结合，实现智能算法与 PID 控制的优势互补， 常见的智能 PID 控制主要有：
3.1 模糊 PID 控制系统
模糊逻辑模仿人类的知识推理能力，基于专家经验和领域知识总结出若干条模糊控制规则，对知识进行定性的表达，构造描述具有不确定性复杂对象的模糊关系，模糊 PID 控制的常见的控制结构如图1所示。
利用模糊逻辑根据被控系统输出的误差及误差变化和模糊关系的推理合成获得控制量，从而对系统进行控制。文献针对特定的被控对象特点，总结工程经验，建立模糊控制规则表，利用模糊策略在线自适应整定 PID 参数，构建模糊 PID 控制器，提高了控制系统的静、动态特性。曾祥进等建立了基于改进的 Smith预估器的模糊自适应 PID 控制的视觉伺服系统，Smith预估器用于补偿视觉传感的延迟问题，PID 参数根据模糊推理得出，提高控制器特性，并将控制器用于微操作机械手的控制，提高其定位精度。模糊 PID 控制实质上是对人类的经验总结，故需要繁琐的经验积累过程，且当被控对象发生的变动超出已有的经验范围时，控制器的效果将大为下降。
3.2 神经网络 PID 控制系统
人工神经网络是对人脑的模拟，神经网络控制，是指在控制系统中采用神经网络这一工具对难以精确描述的复杂的非线性对象进行建模，或充当控制器，或优化计算，或进行推理，或故障诊断，以及同时兼有上述某些功能的适当组合，将其与 PID 控制相结合，常见的系统结构如图 2 所示。
图中的神经网络 NNI 作为辨识器，辨识的目的是根据系统所提供的测量信息，在某种准则意义下估计出对象模型的结构和参数。NNC 作为 PID 参数调节器，根据被控对象反馈的偏差大小，自适应地调节自身的网络权值，输出最优的 PID 参数，以提高 PID 控制器效果。昝鹏等设计了一种基于 BP 神经网络 PID 控制策略，构建了两级神经网络，其中第一级网络为一个三输入单输出的神经网络，用于 PID 参数的整定，PID 的三个增益作为权重，通过极小化相应的性能函数，使控制器的输出较快地跟踪输入；第二级网络采用了三层结构，用于对被控非线性模型的辨识，使所设计的神经网络结构最大程度的逼近被控对象的非线性模型。在忽略被控对象本身变化的条件下，也可去除第二级的辨识器网络，仅保留第一级网络，利用神经网络调节 PID 参数。
3.3 基于遗传算法的 PID 控制系统
遗传算法简称 GA 是由美国 Michigan 大学的Holland 教授提出的一种并行随机搜索优化算法，它是对自然界遗传机制与生物进化论的模拟。其中，基因变异、杂交、繁殖构成了遗传算法的遗传操作。它尤其适用于处理传统搜索方法难以解决的复杂的和非线性的问题。遗传算法将自然界“优胜劣汰，适者生存”的生物进化原理引入参数的优化过程中，其在 PID 控制参数整定中的应用如图3 所示。
4 结束语
对于模糊 PID 与专家系统 PID 控制，针对特定的控制对象，对人类的经验进行了总结与归纳，通过制定一系列的规则根据不同的情况选定相应的 PID 增益。该智能 PID 控制需要一个漫长的规则的制定过程，且所设计的 PID 控制器难以反映被控对象的整个过程，自适应能力差。如何应对工业机器人干扰的不确定性，以进一步提高控制器的自适应能力是模糊 PID 与专家系统 PID需要解决的关键问题。
