Based on a new robust zeroing neural network (RZNN) model, the trajectory tracking control of a wheeled mobile robot (WMR) within fixed-time in noise-polluted environment is presented in this paper. Unlike most of the previous reported works, the RZNN model approach for trajectory tracking control of the WMR reaches fixed-time convergence and noise suppression simultaneously. Besides, detailed theoretical analysis of its convergence and robustness are provided. Numerical simulation verification is also provided to demonstrate the superior robustness and accurateness of the RZNN model approach for trajectory tracking control of the WMR in noise-polluted environment. Both of the theoretical analysis and numerical simulation results verify the effectiveness and robustness of the RZNN model approach.

基于一种新的鲁棒归零神经网络（RZNN）模型，提出了在噪声污染环境下固定时间轮式移动机器人（WMR）的轨迹跟踪控制方法。与大多数先前报道的工作不同，用于WMR的轨迹跟踪控制的RZNN模型方法可同时达到固定时间收敛和噪声抑制。此外，还对其收敛性和鲁棒性进行了详细的理论分析。还提供了数值模拟验证，以证明RZNN模型方法在噪声污染环境中用于WMR的轨迹跟踪控制的卓越鲁棒性和准确性。理论分析和数值模拟结果均证明了RZNN模型方法的有效性和鲁棒性。

基于一种新的鲁棒归零神经网络（RZNN）模型，提出了在噪声污染环境下固定时间轮式移动机器人（WMR）的轨迹跟踪控制方法。与大多数先前报道的工作不同，用于WMR的轨迹跟踪控制的RZNN模型方法可同时达到固定时间收敛和噪声抑制。此外，还对其收敛性和鲁棒性进行了详细的理论分析。还提供了数值模拟验证，以证明RZNN模型方法在噪声污染环境中用于WMR的轨迹跟踪控制的卓越鲁棒性和准确性。理论分析和数值模拟结果均证明了RZNN模型方法的有效性和鲁棒性。

基于一种新的鲁棒归零神经网络（RZNN）模型，提出了在噪声污染环境下固定时间轮式移动机器人（WMR）的轨迹跟踪控制方法。与大多数先前报道的工作不同，用于WMR的轨迹跟踪控制的RZNN模型方法可同时达到固定时间收敛和噪声抑制。此外，还对其收敛性和鲁棒性进行了详细的理论分析。还提供了数值模拟验证，以证明RZNN模型方法在噪声污染环境中用于WMR的轨迹跟踪控制的卓越鲁棒性和准确性。理论分析和数值模拟结果均证明了RZNN模型方法的有效性和鲁棒性。