機器人具有高度非線性，強時變以及強耦合等動力學(xué)特性，為了提高機器人控制的性能，研究人員提出了基于模型的控制（Model Based Control）方法。

在機器人研究領(lǐng)域，多種常見的高性能機器人控制器如計算力矩控制（Compute Torque Control）和阻抗控制（ImpedanceControl）等均需要使用機器人動力學(xué)模型。

機器人系統(tǒng)模型包括機器人動力學(xué)模型和機器人運動學(xué)模型，不精確動力學(xué)模型可能會導(dǎo)致控制性能的降低，甚至?xí)鹣到y(tǒng)的不穩(wěn)定。

常用的機器人動力學(xué)建模方法包括拉格朗日動力學(xué)建模方法和牛頓 - 歐拉動力學(xué)建模方法等。通過 “虛位移” 和 “ 虛功” 的概念，引入廣義坐標來減少運動方程和約束方程的數(shù)量，在動力學(xué)普遍方程的基礎(chǔ)上建立了拉格朗日方程。

漢密爾頓基于著名的漢密爾頓原理，在動量和動能關(guān)系的基礎(chǔ)上建立了哈密爾頓運動方程，為拉格朗日方程提供了另一種推導(dǎo)方法。

設(shè)計基于模型的控制器要求建立的模型具有足夠高的計算效率，可以使用黎曼幾何和李群李代數(shù)的相關(guān)概念描述開環(huán)和閉環(huán)機器人系統(tǒng)的運動學(xué)方程，推導(dǎo)出遞推形式的動力學(xué)方程。在建立動力學(xué)模型過程中，獲取精確的機器人模型參數(shù)具有重要作用。

需要引入機器人動力學(xué)模型參數(shù)辨識的原因：動力學(xué)參數(shù)因為受到測量手段以及機械結(jié)構(gòu)的限制，通過參數(shù)估計來獲得相對準確的動力學(xué)參數(shù)：基于最小二乘法，神經(jīng)網(wǎng)絡(luò)控制逼近模型中的未建模動態(tài)。

無法確保估計參數(shù)的收斂性，而重要的是消除非線性系統(tǒng)中建模誤差帶來的影響。

阻抗/導(dǎo)納控制是希望機器人呈現(xiàn)質(zhì)量-阻尼-彈簧的二階系統(tǒng)的動態(tài)特性，機器人阻抗控制是間接地控制機器人和環(huán)境間的作用力，其設(shè)計思想是建立機器人末端作用力與其位置偏差之間的動態(tài)關(guān)系通過控制機器人位移而達到控制末端作用力的目的保證機器人在受約束方向保持期望的接觸力。

而傳統(tǒng)的機器人力位置控制研究難點：提高系統(tǒng)對干擾系統(tǒng)模型誤差、外界千擾以及測量噪聲影響的魯棒性，阻抗控制方法受系統(tǒng)動力學(xué)模型、外界干擾、力測量影響小。

目的：阻抗控制旨在在不確定的環(huán)境下實現(xiàn)預(yù)期的機械相互作用。

阻抗控制目前研究的問題：耦合穩(wěn)定性分析、力跟蹤阻抗控制、混合阻抗控制、魯棒阻抗控制、自適應(yīng)阻抗控制、學(xué)習(xí)阻抗控制等。

阻抗控制和導(dǎo)納控制的主要區(qū)別為如下因果關(guān)系：阻抗控制是基于測量的位置（差值）來控制外力，而導(dǎo)納控制則是基于測量的外力（差值）來控制位置。