水下机器人在水下工程领域正发挥着越来越重要的作用。但是，水下机器人的作业环境非常复杂，导致其水下运动状态呈现出很强的非线性。同时，由于水下机器人需要完成多种使命，不同的作业使命需要搭载不同的模块，这也势必导致水下机器人系统的模型发生较大的变化。为了克服这些问题，必须设计相应的控制器，使水下机器人对于这些未建模的干扰和模型误差具有一定的适应能力。

　　神经网络由于其本身所具有的学习、非线性映射以及并行处理能力，使得其在飞机飞行控制、机器人控制以及化工过程控制等领域获得了广泛的应用。在水下机器人控制中，美国夏威夷大学的。Yuh教授提出了一种基于自回归自适应算法的水下机器人神经网络控制系统，该控制算法不需要获得系统的任何先验信息，直接进行在线自适应控制，控制输入如所示。

　　2）系统鲁棒性仿真为了测试微分项系数Kd对系统鲁棒性的影响，令Kd= 0，同时，在t =200s时（采样时间为100ms）在系统的输入端加入阶跃干扰Au=200Nm（相当于水下机器人航行过程中受到平稳海流的干扰），控制的目标是使水下机器人的航向保持恒定，系统输出如所示，相应控制信号如所示。由图中可以看出，由于干扰的作用，系统的航向产生持续震荡无法达到稳态，当Au> m时，系统发散。如果自适应过程的评价函数采用式（6），并令Kd=0.15，系统的输入信号仍为阶跃输入，在t =200s下机器人的航向1跟踪给定的轨迹为了得到kbli时在系充的输入端加入阶跃扰动hAwmmnet m，系统输出如所示，相应控制信号如所示，可以看出，在干扰的环境下，由于微分项的引入，控制器的参数经过平稳的自适应过程，终使系统达到稳态，在干扰的情况下，仍能够维持系统的航向保持不变。显然，由于微分项的引入，改善了系统对于外扰的鲁棒性，这与上一节的理论分析结果一致。

　　本文将基于神经网络的自适应逆控制与水下机器人的控制问题结合起来，构建了水下机器人的间接神经网络自适应逆控制系统，在自适应过程中，由于微分项的引入，增强了系统的抗干扰能力。

　　扰动情况系统的输出响应