机器人的实际控制过程中，我们看到最多的应用还是PI、PD和PID控制。传统控制（经典控制理论和现代控制理论）的主要特征是基于模型的控制，即首先要建模——实现对实际被控物理对象的数学模型的建立。但是随着人类生产力发展水平的提高，需要被控制的对象越来越复杂。其复杂性表现为高度的非线性、高噪声干扰、动态突变性以及分散的传感元件和执行元件、分层和分散的决策机构、多时间尺度、复杂的信息结构等。这些复杂性都难以用精确的数学模型（微分方程或差分方程）来描述。然而，对这样复杂系统的控制性能的要求越来越高，使得基于精确模型的传统控制系统难以解决。因此把人工智能的方法引入控制系统，将控制理论的分析和理论的洞察力与人工智能的灵活框架结合起来，才有可能得到新的认识上的突破。智能控制系统具有拟人的智能或仿人的智能，即人工智能。这种智能主要表现在智能决策上，能够有效地解决复杂性和不确定性的控制问题。

模糊控制就是在研究人的控制行为特点的基础上发展起来的。对于无法构造数学模型的被控制对象，让计算机模仿人的思维方式，进行控制决策。人的控制可以用语言加以描述，总结成一系列的条件语句，即控制规则。运用微机的程序来实现这些控制规则，这样就很像是人的思考行为了。总之，模糊控制是基于专家经验和专业领域的知识，总结出若干条模糊控制规则，构成描述具有不确定性复杂对象的模糊关系，通过被控系统输出误差和模糊关系的推理合成来获得控制量，从而对系统进行控制。(www.daowen.com)

模拟人类大脑的机能，人们又创造出了人工神经网络（可以通过计算机软件实现或通过大规模集成化硬件电路实现），并且进一步实现了神经网络控制系统，即在控制系统中采用神经网络这一工具对难以精确描述的、复杂的、非线性对象进行建模或充当控制器，或优化计算，或进行推理、故障诊断等。神经网络控制具有很强的逼近非线性函数的能力，即非线性映射能力。神经网络还具有自学能力、自适应能力，可以实现最优化的决策控制、神经网络学习控制、自组织控制。将神经网络控制与模糊控制相结合，可以实现更加复杂高效的神经网络模糊控制系统。在人工智能的新技术不断出现及智能控制的应用不断深化的过程中，神经网络必将在和其他的新技术相融合中发挥出更大的作用。