近年来，非线性系统的控制得到了极大的发展，在算法和软件上都有了迅猛的突破。而机器人动力学系统是一个高度复杂的非线性模型，在控制界，对机器人系统的研究始终是个难点，也是个热点。神经网络和机器人系统似乎有着不解的缘分，非线性则是联系的基础。神经网络的变体各种各样，从BP网，自适应神经网络，到各种智能神经网络，模糊神经网络，小波神经网络等等。但随着算法和系统复杂性的不断提高，对硬件的要求也必将提高到一个新的层次。神经网络并行多机系统可以提高计算速度，但每个CPU的运算仍是串行的，而且需要采用总线结构，当处理单元增多时，存储冲突愈益突出，系统性能也将随之下降，且要求有较高的带宽。这使得对神经网络的应用大部分仍停留在实验室的水平。 随着集成电路的日新月异，高密度现场可编程逻辑器件，包括CPLD和FPGA，能够将大量逻辑功能集成于一个单片IC之中。虽然半定制和全定制的专用集成电路（ASIC）也能够实现将大量数字逻辑功能集成于单片之中，但CPLD和FPGA具有更多的灵活性：既适用于短研制周期、小批量产品开发，也可用于大批量产品的样品研制。而且集成度更高，更有着诱人的应用前景。 本文着重于利用FPGA技术和通信编码的特性，通过神经网络计算机器人动力学模型，这将对机器人的控制产生巨大的影响：我们无须对复杂的机器人动力学方程进行各种耗力的分解和转换，从而集中精力来设计机器人的行为。神经元系统能够逼近任何非线性这一点早已被证明，但神经元系统的每个权值所包含的信息量在当前还无法用精确的数学工具来估计的。本文采用离线学习的方式，依托XILINX的硅编译技术，对每个神经元节点的权W，输入X，输出Y及它们之间的关系用数字逻辑进行描述，输出的结果达到了较高的精度。 下世纪机器人技术将得到更广的应用，不仅在国防、医疗、海洋开发、宇宙开发等高技术领域，而且在日常生活也有巨大的作用。本文着手于机器人动力学方程的神经元高速计算，对机器人系统的描述及应用给出了一种新的实用的计算方法，有非常重大的意义。