迭代学习控制(IterativeLearningControl-ILC)是智能控制理论的一个重要分支。迭代学习控制用于那些具有重复运动特性的被控对象，它利用控制系统先前的控制经验，根据系统的实际输出信号和期望输出信号来寻找一个理想的控制输入信号，经过若干次迭代，以期达到在给定的时间区间上实现被控对象以较高精度跟踪给定目标轨迹。迭代学习控制，结构简单，跟踪效果好，对模型的先验知识要求不高，对诸如机器人等有着非线性、强耦合、难建模且对运动控制有着高速、高精度要求的对象，迭代学习控制的研究有着重要的意义，因而深受控制界瞩目。 本文着重研究了迭代学习控制的算法、鲁棒收敛性、优化设计、收敛速度以及在机器人控制中的应用问题。重点采用前馈与反馈相结合的开闭环学习控制结构，讨论了高阶、低阶学习控制方案，旨在提供鲁棒的、收敛的和快速的迭代学习控制律的设计方法，避免常规学习算法的学习增益选择的盲目性，扩展迭代学习控制的实用性。针对确定的线性系统，主要研究了学习系统克服扰动、初始状态误差、加快收敛速度和参数优化设计的学习控制方法；针对具有不确定性的非线性系统，研究了干扰、不确定性和初始状态误差等对学习控制收敛的影响。针对机器人系统，主要研究了结合机器人自身特点的鲁棒、快速的、整定方便的迭代学习控制技术，以及结合单关节操作手、两关节机械手和PUMA560机器人对迭代学习控制方法在机器人控制中的应用进行了研究，结果表明了算法对克服摩擦、未建模动态的不良影响具有很好的控制效果。针对每个具体的算法，本文分析了收敛应满足的充分条件。研究包括三大部分：线性系统迭代学习控制方法、非线性系统迭代学习控制方法和迭代学习控制方法在机器人控制中的应用，具体的研究成果如下： 本文针对线性系统研究了学习控制的参数优化方法、克服初始状态误差影响的开闭环迭代学习控制算法和影响迭代学习控制收敛速度的因素。首先，对一类具有脉冲响应的线性离散系统，提出了迭代学习控制器PID参数的优化设计方法。这种参数优化设计方法是基于系统本身的特点来设计，具有一定的范化能力，即使在期望轨迹发生变化时，迭代学习控制器的参数也无需另行设计。可将这种参数优化方法推广到闭环迭代学习控制中，通过选择合适的闭环参数，使得迭代学习控制的收敛速度大大加快。同时，解决了当单独使用开环参数设计时不稳定系统学习收敛速度慢的问题，改善了迭代学习过程的暂态行为。这种开闭环迭代学习控制算法对于不稳定系统提高了收敛速度，当存在未建模动态、非线性环节也能取得很好的收敛效果。其次，对有扰线性模型的初始误差估计问题进行了研究，通过调整一个设计因子R来改善系统的鲁棒性能，减小因初始误差所引起的跟踪误差的界限，讨论了这一算法的收敛性以及克服初始状态误差等扰动的鲁棒性。参数R的设计主要是基于收敛速度、跟踪性能和初始误差界来考虑。理论分析和仿真充分说明了此迭代学习控制算法能够利用学习算法中的误差项来改善系统的性能，对变初始条件具有一定的鲁棒性。最后，针对线性时不变系统提出了一种PID型开、闭环相结合的迭代学习控制律，并给出了算法的收敛性证明。结合此学习控制方案，从开闭环学习结构、学习律和学习参数三个方面探讨了迭代学习控制算法的收敛速度问题，给出了影响其收敛速度的理论依据、提高收敛速度的有效途径和仿真结论。 本文针对一类非线性系统，提出了高阶开闭环迭代学习控制算法。这种高阶算法不但应用了本次迭代过程中所产生的跟踪误差信息，还应用了前几次迭代过程中所产生的信息，以期望提高系统的学习性能。另外，针对一类非线性系统研究了具有初始状态学习的高阶开闭环迭代学习控制算法。这种算法通过迭代来辨识系统的期望初始状态，有效地消除了重新初始化误差对最终跟踪误差的影响，使系统一致收敛于仅与系统不确定性和扰动有关而与初始状态误差无关的界限，并且算法的性能优于同类低阶算法。由于具有闭环，通过选择合理的闭环参数使系统的性能得以改善；通过加大闭环微分增益，有助于系统收敛速度的提高。本文证明了算法的收敛性，仿真结果也体现了这种方法的有效性。 对迭代学习控制在机器人控制中的应用研究，首先基于关节空间提出了机器人的一种快速收敛和参数易于整定的离散学习控制算法。此算法仅仅利用了部分机器人动力学模型知识和基于关节空间的加速度信号来构成迭代学习律，消除了对控制器参数选择和调整的需要，在惯性矩阵未知的情况下，学习增益亦可方便整定，并给出了算法的收敛性证明。理论分析表明，降低采样周期可提高收敛速度。仿真表明了算法的有效性，并且性能优于著名的PD、PI型学习算法。其次，针对迭代学习控制律的参数选择比较盲目和算法抗干扰能力不强的缺点，本文根据内模控制的概念，设计一个扰动控制器，使机器人系统表现为固定参数的解耦线性化系统。基于此线性系统，提出了一种迭代学习控制律，给出了算法收敛的充分条件。算法的参数选择非常简单，易于满足收敛条件，并对收敛速度的调整具有明确的指导意义。由于扰动控制器的存在，使系统具有一定的鲁棒性和抗干扰性。仿真结果表明了算法的有效性。最后，研究了线性和非线性系统的主要迭代学习控制算法在机器人控制中的应用。 最后，在总结全文的基础上，提出了有待进一步深入研究和探索的问题。