1.基于数据驱动的Franka‑Panda机械臂容错跟踪控制方法，包括以下步骤：

1）采集系统历史输入输出信息，构建包含故障信息的动态数据模型；

2）建立基于径向基函数神经网络的故障补偿机制；

3）构建基于动态数据模型的传感器数据包丢失的补偿算法；

4）推导基于数据驱动的容错控制器；

所述步骤1）具体包括：

采用如下机器人系统：

        (1)

其中 表示机械臂关节空间的角度， 表示控制输入力矩， 为未知的函数，表示故障函数， 和 是未知的参数；

为设计关节空间柔性机械臂控制器，经过推导将式（1）转化成如下形式：             （2）其中 ， 是系统的伪偏导参数， 为未知的向量；

所述步骤2）具体包括：

从公式(2)中发现，机器人控制器的控制性能会受到故障函数 的影响；由于径向基函数的非线性性质，径向基函数神经网络的训练输出能够补偿非线性故障函数；

定义网络输入： ，其中 ，得到以下神经网络的补偿值：

                          （3）其中 为期望权重， 为高斯向量， 为逼近误差；

设计如下在线权值估计方式：

                      （4）其中 是自由选择的参数；

因此，确定如下网络输出方程：                            （5）所述步骤3具体包括：

将式（5）代入式（2），得到新的系统动态数据模型：                  （6）定义变量 和 ：

                           （7）                           （8）其中， 是系统输出角度 的预测值；

因此，在传感器数据 丢失时候，利用式（8）‑式（9）进行有效估计：                （9）所述步骤4）具体包括：在每个时间步骤，以最小化预定义的成本函数估计关键参数，进而设计数据驱动控制器，包括以下步骤：

41.构建基于输入输出数据的参数估计算法：定义如下包含跟踪误差的准则函数：（10）

将（2）代入（10），进行 得到如下最优估计算法：           （11）其中 能够增加控制器的灵活性；

42.求解容错控制器：

引入如下输入准则函数：

                （12）其中 为人为选择的参数；

对准则函数极小化，得到如下控制输入：           （13）。

2.如权利要求1所述的基于数据驱动的Franka‑Panda机械臂容错跟踪控制方法，其特征在于：构建基于动态数据模型的传感器数据丢失补偿算法，包括：控制周期T设为 ，即使用每 从系统获得的数据进行构建动态数据模型；设置参数 ，对于每次迭代，考虑沿轨迹测量数据，进行更新所需要的权值 ，神经网络参数设置如下：在每个控制周期中，使用临近数据点求解 ，即在每个时间间隔内 。

3.基于数据驱动的Franka‑Panda机械臂容错跟踪控制装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1‑2中任一项所述的基于数据驱动的Franka‑Panda机械臂容错跟踪控制方法。

4.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1‑2中任一项所述的基于数据驱动的Franka‑Panda机械臂容错跟踪控制方法。