Bài báo phân tích khó khăn trong điều khiển robot nhiều bậc tự do (MDOF) do động lực học phi tuyến mạnh, ghép nối nghiêm trọng, nhiều yếu tố bất định (tải, ma sát, nhiễu…). Để tránh phụ thuộc mô hình chính xác, nhóm tác giả phát triển:

• ASMC (Adaptive Sliding Mode Control): dùng tuyến tính hóa dữ liệu toàn phần và học sâu (DAE) để ước lượng ma trận Jacobi giả khối, kết hợp điều khiển thích nghi và điều khiển trượt rời rạc; ưu điểm: nhanh, hiệu suất cao; nhược điểm: độ chính xác và chống nhiễu chưa tối ưu.
• - FNNC (Fuzzy Neural Network Control): gồm bộ điều khiển tối ưu, bộ điều khiển mạng nơ‑ron mờ học hàm phi tuyến và bộ điều khiển bền vững bù sai số xấp xỉ; ưu điểm: chính xác, chống nhiễu tốt; nhược điểm: tính toán nặng, chậm hơn.
• - ASM‑FNNC: bộ điều khiển phối hợp, ưu tiên ASMC khi sai số nhỏ hơn ngưỡng đặt; khi sai số vượt ngưỡng, chuyển sang FNNC. Nhờ đó đạt độ chính xác và độ ổn định cao, đồng thời tiết kiệm tài nguyên.

Thử nghiệm trên robot KUKA KR 210 R2700 extra, quỹ đạo XY tròn, Z cố định, so sánh với PID truyền thống trong hai trường hợp: không nhiễu và có nhiễu ngẫu nhiên (búa xung). Kết quả: ASMC nhanh hơn FNNC nhưng kém chính xác và chống nhiễu hơn; FNNC ngược lại; ASM‑FNNC kết hợp ưu điểm, giữ sai số trong ngưỡng đặt (0,08–0,1 mm), thời gian điều chỉnh ngắn, tiêu tốn thời gian thấp hơn FNNC, ổn định dao động tốt.

Ngoài ra, phân tích đáp ứng tần số cho thấy tần số riêng hệ thống phụ thuộc cả thông số cơ cấu và thông số điều khiển, gợi ý khả năng tối ưu tham số điều khiển để tăng ổn định dao động.