机械臂凭借其生产效率高、耐用性强、生产成本低等优点,在工业生产、太空探索、服务业等领域都得到了广泛应用。随着应用场景和任务日渐复杂多样化,人们对机械臂的自主控制能力提出了更高的要求。模式识别与智能控制的有机融合,有望提升机械臂的智能自主控制能力。目前,基于模式的机械臂智能控制问题已成为一个前沿和具有挑战性的热点研究课题。本文将以确定学习为理论基础,开展位置受限下基于参考模式的刚性机械臂智能控制研究。在线阶段,针对一类含有未知动力学和位置约束的刚性机械臂系统,通过对其闭环内部未知动态的学习和参考动态模型的建模,获取并存储不同跟踪任务下的经验知识和参考模式。离线阶段,机械臂能够调用经验知识,实现无人干预的智能自主控制。本论文的主要工作如下:首先,针对具有未知动力学和位置约束的刚性机械臂,本文提出满足预设性能的神经网络跟踪控制方案。通过状态转换,本文将位置受限机械臂系统转换为不受限等效系统,并针对等效系统中的未知动力学设计自适应神经网络控制器。根据确定学习机制,神经网络将学习该跟踪任务下的机械臂闭环未知动态的经验,并能以常值矩阵的形式对经验进行保存和利用,从而构造该跟踪任务下的学习控制器。在此基础上,分别对不同跟踪任务下的机械臂闭环动态进行学习,继而构造一组对应不同跟踪任务的学习控制器。其次,针对参考轨迹的辨识和识别问题,本文根据动态模式识别方法,定义参考轨迹为动态模式,通过在线构造神经网络辨识器来辨识参考模型,并将辨识结果以常值神经网络形式存储为一种参考模式。通过对不同参考轨迹的辨识,可以建立一个对应的参考模式库。在离线阶段,考虑当前执行任务未知,利用存储的常值神经网络构造动态估计器,由此得到状态同步估计误差。基于估计误差,采用阈值判断与最小残差相结合的识别策略,可以快速识别模式的变化情况。在此基础上,提出了基于候选学习控制器组的控制器平滑切换策略,从而减轻参考模式切换过程中的控制信号抖振程度。最后,本文联合V-REP和MATLAB软件搭建了位置受限下基于参考动态模式的刚性机械臂智能控制平台。通过开源平台下的动力学实验,验证本文所设计的基于模式的控制方案的有效性和实用性。该方法在参考轨迹动态发生变化的多任务环境中,具备良好的跟踪性能,而且能实现无人干预下的机械臂智能自主控制。