针对机械臂轨迹跟踪控制中存在建模误差以及外界干扰造成的控制性能下降问题，提出一种改进的自适应神经滑模控制方法。分别选取状态反馈和改进的神经网络滑模方法来控制系统的确定部分和不确定部分。利用神经网络的非线性 映射能力自适应地学习系统不确定性的未知上界，其输出作为滑模控制器的动态补偿项，Ｌｙａｐｕｎｏｖ函数法推导得到神经网络权值更新律。为保证神经网络映射的有效性，提高收敛速度，采用遗传算法对神经网络结构参数进行优化。双关节机械臂系统的仿真结果表明了该方案的有效性。

AUV 轨迹跟踪 PID控制 Simulink

通过Matlab/simulink完成控制系统搭建，由于网上都是基于动力学的LQR控制，所以基于运动学的LQR控制需要自己搭建。适合学习无人驾驶车辆控制的朋友。在本人博客中已展示详细控制器函数，如仅对控制算法感兴趣可以阅读对应博客。本资源提供路径，控制算法，车辆模型和可视化界面，模型由simulink搭建。

采用matlab---simulink,两种控制算法，算法简单明了。仿真中加入了不确定干扰。典型的欠驱动控制问题。

基于labelme版本“4.5.6”开发的，原版本在标注多边形（polygon）时，需要鼠标左键点点点，数据量大或者说物体或颗粒轮廓崎岖时，不断点鼠标不断效率低且标注的物体或颗粒轮廓误差大，所以开发了这款在标注多变型物体时只需要选中起点，然后移动鼠标，当移动到起点时，自动弹出标签输入框，大大提升了标注效率； 使用平台：Win10

PI控制器智能车的避障算法设计的工作并没有完成，智能车能否按照所规划的路径运动则是避障算法设计的另一项重要任务。 路径跟踪算法一般来说是利用目标路径和当前路径的偏差，通过各种控制器进行调整，依据某些参数的变化来调整当前路径。而调整路径的参数一般要对智能车的运动状态进行分析，分析的内容包括智能车的运动速度和智能车的运动方向，用物理学知识建立智能车运动的模型后，对模型进行数学分析，得到可控制智能车运动轨迹的相关参数。

lqr轨迹跟踪的matlab编程，是通过lqr控制器控制，走出一条直线或者圆轨迹

利用simuliink中的S函数编写倒立摆轨迹跟踪控制的实例,控制倒立摆角度到5°的情况

基于backstepping的轨迹跟踪控制器的设计，利用matlab进行仿真，对于轨迹跟踪有参考价值

Delta机器人RBE595高级并行机器人项目代码，包括其运动学正逆解，工作空间和轨迹跟踪的程序，对研究并联机器人的小伙伴很有意义。