In this work the adaptive neuro-fuzzy inference system (ANFIS) controller is designed for the dynamic control (continuous path control) of the three-link selective compliant assembly robot arm (SCARA) manipulator. This ANFIS controller is designed to overcome the unmodeled dynamics and in the presence of structured and unstructured uncertainties of SCARA. The proposed controller-building technique combines artificial neural networks with fuzzy logic. The ANFIS control combines the advantages of neural networks (learning and adaptability) with the advantages of fuzzy logic (use of expert knowledge) to achieve the goal of robust control of robot dynamic systems. The fuzzy sets are used to formalize the level of human perception of the physical system. The neural network on the other hand performs all the necessary computations and regarding their learning capabilities, they enable an adaptation of the existing controller through its learning to the changes in the system behavior. The experimental ANFIS simulation results show very good SCARA tracking performance

کنترل دقیق ربات برای ردیابی مسیر مورد نظر کار بسیار خسته کننده ­ای است و تقریبا با استفاده از کنترلرهای تطبیقی به دلیل محدودیت­ های خاصی، نامیسر است. این کار با استفاده از کنترل تطبیقی تا حد خاصی دست یافتنی است، اما این کنترلرها نیز محدودیت­ های خودشان را با فرض آنکه پارامترهای سیستمی کنترل شونده دارای تغییرات آرامی هستند، دارند. با توجه به وظایف محول شده به ربات­های صنعتی، یک مساله مهم تعیین حرکت مفاصل و اثرات انتهایی آن است. بنابراین، هدف از کنترل بازوی ربات ، همانطور که Fu و همکاران در [1] اشاره کردند، حفظ پاسخ دینامیکی کنترل مطابق با برخی معیارهای عملکرد می­باشد. درمیان نسل اولیه روبات­ها، تکنیک­های غیر قابل بازخورد یا فیدبک (non-servo)، همانند کنترل bang-bang و کنترل توالی استفاده می­شده است...