目前建模方法主要为机理建模、知识模型和数据驱动建模方法,机理建模的模型准确度较高,但是建模的周期特别长,难度较大,并且模型内的参数比较难辨识。知识模型建模方法的模型形式简单,容易实现,但是精度较低,对于知识比较难获取。而且这两种建模方法对于自由度较多、动力系统本身或环境发生改变,现有运动方式无法满足运动的情况是难以建模的。对于一个机器人系统,不需要过程结构信息、利用输入输出数据建立的模型,能够更好的描述动态系统的数据驱动建模方法具有更高的研究价值。主要研究工作如下:由于深度神经网络具有对任意精度函数的逼近能力,提出了基于深度神经网络的直接建模法和间接数值积分法两种建模方法,前者直接将当前状态/输入映射到新状态。后者则近似建立当前状态/输入映射与状态导数之间的函数关系,再利用数值积分方法获得新状态。对于动力系统,后者中所需逼近的函数形式更为简洁。深度神经网络严重依赖于训练样本,样本数据的好坏直接决定了建立模型的精度,课题对三种采样方法开展研究:随机采样、网格化采样和权重网格化采样。为了方便研究,基于Gym平台建立了单摆和灵长类仿生机器人仿真环境,在仿真平台上对所提出的方法开展实验工作,对所建立的两个模型的精确度以及泛化能力进行评估,结果表明,虽然此类方法可以建立有效的数据驱动机器人模型,但需要大量的样本,难以在实物系统中应用。针对深度神经网络建模方法时间长、容易出现过拟合,网络参数需要反复调试等缺点,提出了基于高斯过程回归非参数建模方法,这种方法几乎不需要先验过程知识,而且能得到模型不确定性的度量。但是高斯过程回归的计算复杂度会随着数据集的增大而呈现几何指数增大。对于某些高维、海量数据集而言,计算量的增加会严重影响算法的性能,影响控制系统的实时性。针对此问题,研究了基于KD-Tree、核插值可伸缩的结构化高斯过程和兰索斯方差估计等算法来提高高斯过程建模的效率。基于灵长类仿生机器人和单摆仿真实验平台,对基于高斯过程回归建模方法进行测试,结果表明具有很强的准确度和泛化能力。采用改进的高斯过程回归建模方法,可以在几乎不影响精度的同时,极大提高计算效率。建模的目的是为了实时控制,课题采用模型预测控制算法进行控制研究,首先针对单摆系统,研究了基于高斯过程回归模型的预测控制策略,使其倒立在竖直位置。对灵长类仿生机器人,针对竖直位置起摆需要大量的时间为系统泵入能量,研究了基于窗口搜索的快速能量算法,但是此种算法只能使系统快速增加能量,不能周期到达目标位置进行悬臂抓取,所以把能量和角度加入到模型预测算法的目标函数中,结果在仿真平台上得到了验证。搭建了灵长类仿生机器人半实物实验平台,对实物样本数据进行高斯过程回归建模,并基于这个模型进行了灵长类仿生机器人悬臂运动实物实验,实验结果表明算法的有效性。最后针对机器人在环境突变、出现故障情况下,传统建模方法难以进行建模控制的问题,研究了基于数据驱动的高斯过程回归建模结合模型预测控制算法,并在V-REP仿真平台上,针对全向轮小车的某轮出现故障的情况下进行紧急控制,结果表明了算法的有效性。