1.一种移动机器人的智能轨迹跟踪控制方法，其特征在于，所述方法包括以下步骤：

1)建立一个非线性移动机器人动力系统：其中 xe表示机器人x坐标的姿态误差，ye表示y坐标的姿态误差，φe表示方向n n n*m

角的误差且x(t)∈R ,f(x(t))∈R，g(x(t))∈R ；

f(x)+g(x)u在Ω上满足Lipschitz连续，该移动机器人动力系统在Ω上是可以稳定的，即存在一个连续的控制函数u(t)∈U使得系统在Ω上渐近稳定；

2)，初始化系统的状态，并给定初始策略u0：

3)利用强化学习策略迭代的方法更新权值，求取最优策略，过程如下：

3.1)策略评估：

策略评估是在当前策略下计算出下一时刻的状态值。每一次策略评估都是一个迭代计算过程，即每次进行策略评估时，需要基于前一个策略的价值函数开始计算。这通常会显著提高策略评估的收敛速度；

定义价值函数：

其中x(τ)表示在初始条件x(t)对式(1)解；

r(x,u)表示一个积分强化项：T

r(x,u)＝Q(x)+uRu              (4)其中Q(x)是一个正定矩阵， 并且只有在x＝0时，Q(x)＝0与控制策略相关联的成本函数看成：

其中u(i)是第i次迭代的控制策略，x(t)是t时刻下的状态；

3.2)策略改进：

u

根据已经求解了与控制策略i相关联的成本函数V L，执行策略更新步骤，因此，策略更新方法是：

最后得到：

4)，引入神经网络算法并利用最小二乘的收敛性计算权值，过程如下：u

在最小二乘意义下，确定逼近成本函数VL的神经网络的参数；

定义：

T

Φ＝<[φL(x(t+T))‑φL(x(t))],[φL(x(t+T))‑φL(x(t))]>         (9)其中L是神经网络结构的神经元参数，φL(x)是a‑c结构中的激活函数；

神经网络结构逼近下的价值函数：u(i) u(i)

VL (x)＝(ωL )φL(x)                                  (10)调整价值函数逼近的参数WL，使目标最小化，得到：

5)停止策略更新

策略迭代(9)和(11)具有一致的收敛性，最终收敛于初始轨迹上的收敛解.当两个连续步骤中的价值函数误差小于给定的阈值，需要再次调整神经网络的参数；