机器人自动控制方法的研究是深入了解机器人结构性能和提高生产自动化的重要技术。其中,机器人的轨迹跟踪性能是实现机器人自动化的重要指标。然而机器人系统具有参数不确定性和模型不确定性,且其动力学特性间存在高度耦合,这些因素使得机器人控制变得困难。因此,对工业机器人轨迹跟踪控制方法的研究有着重要的理论意义和应用价值。基于此,本文针对串联工业机器人建立了机器人的动力学方程并在此基础上设计机器人的轨迹跟踪控制算法。经典控制力矩法需要知道机器人的精确数学模型来抵消系统的非线性项,且该算法需要知道系统的全部状态,这表明控制力矩法不具备鲁棒性和感知能力。为此本文设计了基于高增益观测器和RBF神经网络的轨迹跟踪控制算法。(1)在理论论证中采用李雅普诺夫法分析了存在建模误差和参数不确定的机器人系统的稳定性,并论证了调节控制器中的参数能够影响误差的变化趋势,采用仿真分析验证了理论论证的准确性。(2)采用了高增益观测器,因此只需要测量机器人的角位移就能观测出其角速度和角加速度。运用比较原理分析了参数对观测器和系统误差的影响:调整观测器的参数ε能够减少观测误差,当观测误差减少时,机器人的控制精度也随之提高;当参数ε减少到一定程度后,观测器能够摆脱对机器人模型的依赖。(3)采用RBF神经网络在线学习机器人建模误差和参数不确定,这使得控制系统具有自我学习能力。并在笛卡尔空间下实现机器人的轨迹跟踪控制。仿真分析表明机器人存在建模误差和参数不确定的情况下跟踪误差小于0.08mm;并且在相同情况下,采用笛卡尔空间的轨迹跟踪控制算法精度优于基于机器人关节空间的轨迹跟踪控制算法。