席万强，宋 莹，宋长坡，王尧尧

(1.南京信息工程大学滨江学院自动化学院，江苏 无锡 214105；2.南京航空航天大学机电学院，南京 210016)

0 引言

随着工业技术的发展，工厂生产车间从半自动化逐步向全自动化发展，机器代人成为趋势[1-2]。由于多数操作都是重复性的工作，这就需要机器人在面对重复运动的作业任务具有较好的控制性能。迭代学习控制(ILC)对执行周期性任务的系统具有不错的控制效果[3-4]。

迭代学习控制是Arimoto S等[5]在1984年正式提出的一种学习控制的重要分支。经过30年的发展，已经在理论和应用方面取得了丰硕的成果。按照其学习率的不同，又可分为PID学习率[6](包括P型，PD型，PID型)、高阶学习率[7]、最优学习率[8]、前馈-反馈学习律[9]、动态学习律[10]、滤波器型学习律[11]以及与其他算法相结合的学习律(自适应、模糊控制、神经网络)等。PID学习率因其简单形式广泛应用于控制领域。Luo A等[12]提出一种前馈-反馈PI型迭代学习控制律，在PI型控制器的基础上加入D型迭代学习控制器作为其前馈环节，并将其应用到注入式混合型有源电力滤波器中，结果表明该方法不仅计算和使用方便，而且可以有效地提高滤波器的性能。为了提高阀控非对称缸(VCAC)的控制精度，Wang S K等[13]提出了一种PD型迭代学习控制方法，并应用于液压驱动的6自由度并联平台。Simba K R等[14]提出了一种由经典PD控制器和扰动观测器组成的迭代学习轮廓控制器，可以提高跟踪能力。然而，在实际工业作业环境中，机器人的负载通常是未知可变的，这将会对系统造成较大的非线性扰动，影响机器人的控制性能。……