1.一种基于神经网络的5‑DOF机械臂力位跟踪算法，其特征在于，该算法基于5‑DOF机械臂末端执行器固定连接力传感器，末端执行器夹持物体与环境接触时，力传感器输出力信息并与各关节状态信息一起反馈给控制器；

该算法通过定义机械臂中各个关节点、连杆长度，建立连杆坐标系，然后通过力传感器得到末端接触力，计算得出末端接触力在机械臂参考坐标系下的力信息；然后建立了带有约束力的动力学方程；最后，利用估计惯性矩阵估计惯性矩阵，并利用RBF神经网络拟合其他项，在此前提下，给出了具有时变输出约束状态的神经网络自适应力位控制方法，达到同时跟踪力位的效果。

2.如权利要求1所述的一种基于神经网络的5‑DOF机械臂力位跟踪算法，其特征在于，所述控制算法的具体步骤如下：第一步：建立坐标系；

第二步：求解机械臂末端执行器接触力在参考坐标系下的力信息；

第三步：给出机械臂的一般动力学方程，并建立带有约束力的动力学方程；

第四步：选取估计惯性矩阵估计惯性矩阵，并利用RBF神经网络拟合动力学方程中的其他项；

第五步：通过所设计的控制器使接触力和关节状态达到期望值。

3.如权利要求2所述的一种基于神经网络的5‑DOF机械臂力位跟踪算法，其特征在于，所述第一步中坐标系的建立过程为：机械臂的基座上建立参考坐标系{H}，在末端执行器的舵机上建立接触力测量坐标系{e}使其与末端执行器坐标系重合，末端夹持物体与环境的接触方向为测量坐标系的Z轴。

4.如权利要求2所述的一种基于神经网络的5‑DOF机械臂力位跟踪算法，其特征在于，所述第二步中的求解过程为：机械臂末端与环境接触时，其接触力在测量坐标系{e}中为fe，接触力在参考坐标系下的表达式为：

其中，θ为机械臂的关节角，fH为变换成参考坐标系下的接触力， 为坐标系{e}相对于参考坐标系的齐次变换矩阵：则式(1)可变为：

其中，n＝[nx，ny，nz]，o＝[ox，oy，oz]，a＝[ax，ay，az]，通过求解式(3)方程组可得到在参考坐标系下的接触力fH。

5.如权利要求2所述的一种基于神经网络的5‑DOF机械臂力位跟踪算法，其特征在于，所述第三步中的带有约束力的动力学方程的求解过程为：给出一般的机械臂动力学方程表达式为；

其中，W(θ)为5×5的正定惯性矩阵，为关节角加速度，为关节角加速度， 为科里奥利力和向心力的5×5的矩阵，G(θ)表示5×1的重力矩阵，τd为未知外加扰动，τf为约束力矩，τ为输入力矩；τf，可表示为：T

τf＝J(θ)λ    (5)其中，λ为fH在约束方向上的力，J(θ)为约束条件雅克比矩阵，表达式如下：其中，φ(h(θ))＝φ(x)＝0为位置约束方程；

由于5‑DOF机械臂受到一个力的约束，故机械臂由五个自由度变为四个自由度，此时可以取θm＝[θ1,θ2,θ3,θ4]为约束运动的变量，θ5为剩余的冗余变量，则θ5可由θm来表示：则：

其中，L(θm)为约束雅克比矩阵的正交向量，可通过式(7)求出；

则：

T T

由于J(θ)L(θm)＝L(θm)J(θ)＝0，式(4)转化，可得：T T

其中，WL(θ)＝L (θm)W(θ)L(θm)， GL(θ)＝L (θm)G(θ)，通过此式可以求出在相应的输入力矩τ下的关节输出状态。

6.如权利要求2所述的一种基于神经网络的5‑DOF机械臂力位跟踪算法，其特征在于，所述第四步中的拟合动力学方程的求解过程为：根据多次观察、记录动力学方程中的惯性矩阵W(θ)，以便选取估计惯性矩阵 从而式(4)可变为：

其中， 为RBF神经网络拟合项，ε为拟合项误差。

7.如权利要求2所述的一种基于神经网络的5‑DOF机械臂力位跟踪算法，其特征在于，所述第五步的实现过程为：

设计假设机械臂输出状态约束为：其中， 为约束上边界，km(t)＝[km1(t)；...；kmn(t)]为约束下界，n＝5；

假设分段函数 同时定义误差变量转换：其中，e1＝[e11；e12；...；e1n]＝θ‑θd，ka(t)＝θd(t)‑km(t)， θd为期望关节角度；

设计Lyapunov方程：其中， α为虚拟控制器，可定义为：T

其中，eλ＝Jλd‑λ，λd为期望力， 为期望关节角速度；

结合权利要求5中的式(10)，可得V2导数为：其中，

设计控制器如下：

其中，所输入的τ与权利要求4中的式(9)相结合，可以得到关节输出状态，从而进行闭环反馈，K2，k3为控制器增益；

通过(14)和(15)相联合，可得：*

其中，k2i‑0.5＞0，易观察得：易得， 从而‑1＜ξ＜1，‑kai＜e1i＜kbi，即角位移误差收敛；

T T

由于 且e1i收敛，L (θm)J (θ)＝0，所以L(θm)e2收敛，由此可得 收敛，则角速度误差收敛，通过式(17)易得 因此，输出约束力误差eλ收敛，易得α收敛；

综上通过选取合适的K2，k3矩阵，可以使得整个闭环系统渐近稳定。