pid, LQR(LQG),鲁棒控制(H无穷),自适应控制(包含滑膜,反步法,mrac模型参考,L1自适应),模糊控制,mpc(模型预测),强化学习等。
PID控制:随处可见的控制方法,优点就是控制律简单,易于实现,不用建模;缺点是难以保证机器人具有良好的动态和静态品质,并且需要较大的控制量;
PID控制详解_tingfenghanlei的博客-CSDN博客_pid
自适应控制:根据要求的性能指标与实际系统的性能指标相比较所获得的信息来修正控制规律或控制器参数,使系统能保持最优或次优的工作状态的控制方法。简单的说,就是控制器能及时修正自己的特性以适应控制对象和外部扰动的动态特性变化。
鲁棒控制:仅需知道限制不确定性的最大可能性的边界即可,鲁棒控制可同时补偿结构和非结构的不确定性影响。而且鲁棒控制相比自适应控制实现简单,没有自适应律,对时变参数及非结构非线性不确定性的影响有更好的补偿效果,更易于保证稳定性。
神经网络和模糊控制:具有高度的非线性逼近映射能力,神经网络和模糊系统可解决复杂的非线性,不确定性及不确知系统的控制,而且可实现对机器人动力学方程中未知部分精确逼近,从而可通过在线建模和前馈补偿,实现机器人的高精度跟踪。
模糊控制与神经网络部分知识点复习_真挚而纯真的博客-CSDN博客_模糊控制和神经网络控制
迭代学习控制:具有严格的数学描述,适合于解决非线性,强耦合,建模难,运动具有重复性的对象的高精度控制问题。不依赖于系统的精确数学模型,算法简单,机器人轨迹跟踪是其典型代表。
迭代学习控制笔记_luomazhimeng的博客-CSDN博客_迭代学习控制
变结构控制:通过控制量的切换使变系统状态沿滑模面滑动,本质上是一类特殊的非线性控制,非线性表现为不连续性。滑动模态可以进行设计且与对象参数及扰动无关,所以变结构控制具有快速响应,对参数变化及扰动不领命。