传统鸡腿菇的采摘和加工主要靠人工劳作,其中不可食用的根部切削是整个加工流程最费时费力的一道流程,实现根部自动化切削是目前急需解决的关键问题,机器人的应用给解决这一问题提供了契机。因鸡腿菇自身较脆,采摘加工过程对机器人的核心-“控制器”要求较高;基于运动学位置误差控制对伺服驱动器要求较高,且机器人发生意外,不能及时做出响应,造成机器人损坏甚至对工作人员的生命安全产生威胁。基于动力学模型力矩误差控制,可以保证机器人关节高精度轨迹跟踪控制,同时也改善了机器人的动态特性,提高了误差收敛速度。本文在鸡腿菇采摘加工流程设计的基础上,对夹取机构的机器人展开基于动力学模型力矩误差控制研究,实现机器人高效、平稳、快速的抓取鸡腿菇。本文主要研究内容有:首先设计了整套鸡腿菇采摘加工的工艺流程。将整个采摘流程的机械系统分为采摘机构、传送机构、夹取机构、切削机构。通过对目前市面上主要机器人的应用分析决定利用SCARA机器人作为夹取机构的机器人。其次建立了夹取机构机器人的运动模型和动力学模型;利用机器人的D-H参数变换解出机器人的正运动学和逆运动学模型,求出机器人的雅可比矩阵实现机器人工作空间和任务空间的坐标转换;以拉格朗日法建立夹取机构的机器人动力学模型,对于机器人关节存在摩擦,利用线性函数逼近Stribeck摩擦模型。通过线性变换消去一些线性相关的动力学参数,求出了机器人动力学最小参数集。然后由于夹取机构的机器人动力学参数未知,采用理论辨识法对其动力学参数辨识。为了提高参数辨识精度,重点对辨识算法进行了优化改进,采用改进优化后的遗传算法替代传统最小二乘法。然后按照动力学参数辨识基本流程对夹取机构的机器人的参数辨识。最后通过实验验证了优化改进的遗传参数辨识的精度比最小二乘法高,可以替代最小二乘法作为参数辨识的算法,对抓取机构机器人轨迹跟踪控制提供了动力学模型。最后对夹取机构的机器人的轨迹跟踪控制展开研究。辨识的动力学参数无法与实际值完全相等,影响动力学模型精度的因素主要为建模时摩擦模型不精确和外界干扰。因此以计算力矩控制作为主控制器,然后对未建模（外界干扰和摩擦建模不精确）非线性部分采用模糊RBF神经网络自适应补偿控制策略。设计的模糊RBF神经网络是一个具有五层结构的Mamdani型,动态调整径向基函数的中心和宽度。利用模糊RBF神经网络逼近动力学未建模部分非线性部分进行反馈控制,引入滑模面抑制机器人抖动。仿真实验表明,采用了模糊RBF神经网络补偿控制策略比单纯的计算力矩控制降低了关节跟踪误差和时滞性。实现了机器人高精度轨迹跟踪控制和平面定位,为机器人抓取鸡腿菇提供了高效、平稳、快速的控制策略。