1.1 前言
隨著高科技化時代的來臨，工業不斷進步，精密技術的重視使得加工與 代工業必須仰賴機械手臂與機械化設備。根據經濟部工業局統計，截至去年 底，國內機器人總產值已達 505 億元，今年整體景氣較弱，但仍有機會上看 550 億元，年增約 10% [1]。在工業上時常利用機械手臂來進行已規劃路徑 的動作，大至利用機械手臂焊接汽機車的主要鋼骨架構，小至吸取晶粒之細 微動作，今年太空火星探索中的好奇號也會利用機械手臂裝載多項重要儀器 設備，包括有鑽頭、光譜儀及相機，可以用來收集泥土及岩石內的粉末，篩 選過後將樣本置於分析的實驗儀器中，有助於發現岩石內是否有微生命的火 星生物存在[2]。此外，機械手臂的應用更為廣泛在醫學方面，如可協助行動 不便人士改善生活也可輔助醫師在從事醫療相關工作；產業自動化方面則可 協助 IC 產業及精密工業提高製造產能，凡此種種都需要更精準地控制機械 手臂的運動軌跡，因此，精確的控制機械手臂，並且準確的執行各項任務，
顯得極為重要。
本文中的所採用的機械手臂為自行架設機構，以鋁製連桿及伺服馬達架 構而成。有別於一般利用傳動皮條帶動各軸，文中系統為直接使用馬達對各 軸驅動形成一直接驅動（direct drive）的機械手臂。而控制器部份主要是由 TI TMS320C6713 DSK 模板，以 C 語言來撰寫控制器程式，以及可程式邏輯 閘陣列(FPGA)透過硬體描述語言 VHDL 實現 AD/DA 等 IC 週邊界面電路，
針對機械手臂系統的不確定性與外部干擾下，提出有效的控制法則來增強系 統之強健性，以提升循軌性能，達到降低循軌誤差。
1.2 文獻回顧
機械手臂的模型及姿態行為方面相關研究，早在二十世紀初已略具雛 形，至今二十一世紀，機械手臂在工業應用中，所佔地位非常重要。機械手 臂是可仿人類手臂功能，可進行各式各樣可能具危險性或者高度精密行為。
通常機械手臂具有機械機構控制器、伺服機構、感測器等，由電腦進行控制 手臂位置，依照感測器回授訊號校準機械手臂位置，以達成較為精密的動作 與操縱者所下達之指令。現今許多工業危險之組裝、噴漆、焊接技術較易發 生工安意外，且為了節省人力資本，大多工廠引進機械手臂取代人力，並且 可以延長工作時數，提升產業競爭力。另外必須在精密控制環境之下的醫療 體系、太空探索、生醫研究等，必須仰賴精準無誤差的機械手臂進行手術開 刀與太空站維修，否則有稍微閃失，是關乎人命與重要資產。因此機器手臂 在表現上性能的優劣與否，與設計者的控制法則有極大關係，而設計控制法 則的難易性，則取決於對系統動態模型參數的精確性及型態的複雜度。在大 部分的控制法則中都會應用在假設系統參數為已知的情況下，透過前饋補償 或回授線性化的概念，使得機械手臂的動態模型達到解耦的目的，然而此類 控制法則要達準確的控制目的，則需要精確的求出系統動態模型的參數[3]。
在傳統控制中，對於高度非線性且不易以數學模型表示的控制系統，大 多以系統鑑別方式來估測系統參數以便控制，然而大部分的控制系統中，包 含了許多參數不確定性與時變性，無法完整呈現系統模型，導致在控制上表 現不盡理想，1957 年康乃爾航空實驗室的羅森布拉特(Frank Rosenblatt)，將 他所提出的感知器神經網路模擬於當時 IBM 704 計算機。他的想法來自於癲 癇患者因神經元損傷，但大腦可以卻可以利用其他領域取代修復其功能，於 是利用各種模擬與電子電路建模所謂的神經元。1962 年羅森布拉特出版一
去，科學家又對這股熱忱慢慢減少[4]。1969 年 Marvin Minsky 與 Seymour Papert 出版了一本利用數學證明三層前饋感知器的特性，並且提出在某些情 形使他們證明上擁有的優勢，同時也提出一些必須使用本地神經元的一些限 制。1971 年羅森布拉特發生意外而去世，神經網路卻在 1980 年代後成為科 學家研究的主流，新一代學者開始研究他的作品[5]。至今發展許多關於神經 網路的應用包含範圍極廣，如影像辨識、資料統計與機械控制等，為了處理 大量複雜資料，訓練與資料擬和在資料龐大時方便許多。
1985 年，Powell 提出多變量插值的徑向基底函數(Radial basis function, RBF)方法。1988 年，Broomhead 和 Lowe 首先將 RBF 應用於神經網路設計，
於是構成了徑向基底函數神經網路，即 RBF 神經網路[6]。RBF 神經網路是 一種三層網路，第一層為「輸入層」，由輸入信號源構成之輸入向量，之後 輸入至第二層「隱藏層」，隱藏層為一種局部分布之非負非線性函數，其單 元函數為對稱且從中心點向外衰減。由隱藏層函數輸出後經權重值加總，即 為第三層「輸出層」。一般徑向基底函數隱藏層大多為高斯函數，使用高斯 函數有下列優點：
1. 表示形式簡單，即使多變量輸入也不會增加太多複雜性 2. 徑向對稱
3. 函數分布光滑，任意階導數均存在 4. 該函數表示簡單解析度高，便於分析
在文獻[7]中為兩個自由度的機器手臂定位控制，採用切換函數做為神經 網路滑動模式控制的輸入變數，來改善神經網路控制強健性與擾動問題，但 基底函數的設計需隨著不同的負載干擾而有所更動；在文獻[8]中為三個自由 度的機器手臂定位控制，運用神經網路滑動模式以輸出位置誤差及誤差之變 化量為輸入變數，來調整滑動面斜率的方式，用以縮短暫態響應時間，但其 暫態響應有振盪過大的問題；在文獻[9]中為二個自由度的機器手臂循軌控制 運用 T-S 模型以參考模式適應神經網路控制器(model reference adaptive fuzzy control)，來調整模內部參數達到追軌目的，但此法運算方式較為複雜；在文 獻[10]中為兩個自由度的機器手臂軌跡控制運用神經網路推論系統與類神經 網路兩種演算法結合技術(ANFIS)，以分數維方式調整參數達到強健性與穩 定性目的，也就是將神經網路推論系統架構於類神經網路上，使其充分發揮 對於系統不確定性與不精確性的處理能力，因此其系統運算時間較長；在文 獻[11]中為兩個自由度的機器手臂軌跡控制，以可變結構神經網路方式控 制，其輸入變數除了原本的位置誤差及誤差之變化量外，還增加位置誤差積 分量的切換來消除系統的穩態誤差，但在不同負載運作下時，需要加入位置 誤差積分量的作用是不易求得的，此外文獻[12]中提及未使用切換增益也可 以達到同樣的控制目標，但系統暫態時間可能也會隨之拉長，而本文所提出 之方法要改善上面文獻所提及之相關缺點，並且使系統更具強健性與穩定 性。
1.3 論文架構
本論文針對兩軸機械手臂之循軌控制，設計性能優越的控制器，並以實 驗室自製系統作實際驗證。以下是本文各章節的安排與簡述，共分五章，並 包含列舉之參考文獻：
第一章 緒論：簡介機械手臂起源及遠景、參考文獻回顧及論文架構。