越来越多的机器人将参与到人类的协作任务中,与人共同合作完成所需的任务,广泛地应用在老年人护理、娱乐和教育等领域。在这些应用中,当机器人与未知环境接触时,基于位置控制的刚性机器人将面临饱和、不稳定和物理故障等问题。阻抗控制被公认为是机器人与未知环境接触作用时的一种有效控制方法,但关键问题是在阻抗控制设计中,机器人的动力学通常是难以建模的。本文设计了基于迭代学习的阻抗控制和基于神经网络的阻抗控制用以解决上述问题。最后,在一个人机协作场景中,利用阻抗控制使机器人“主动”的跟随人类的运动意图。本文主要研究内容如下:1.使用阻抗误差的概念,由此明确了控制目标:阻抗误差等于零,即表明机器人动力学跟踪了目标阻抗模型。进而通过推导定义了一个包含阻抗误差的变量z,变量z在阻抗控制中的作用相当于位置误差在位置控制中的作用,因此可以将现有的位置控制方法拓展到阻抗控制中来。阻抗误差的定义使得控制目标变得更加明确,为后续的推导证明提供了便利。2.提出了一种基于迭代学习的阻抗控制方法。首先,设计了基于线性参数化特性(LIP)的阻抗控制,将迭代学习与阻抗控制相结合,由阻抗误差的定义,证明了迭代学习阻抗误差的收敛性。其次,设计了基于高增益方法的阻抗控制,同样证明了该方法收敛性。最后,简要对比了基于LIP和基于高增益方法设计的阻抗控制之间的差异,给出了选择方法。3.提出了一种基于神经网络的阻抗控制方法。首先,利用神经网络优良的非线性逼近能力估计机器人动力学未知参数,实现了无模型阻抗设计。其次,证明了阻抗误差的收敛性。最后,由实验仿真结果,得出系统的性能及稳定性,验证了所提出方法的有效性。4.建立一个人机协作的场景,将人作为未知环境,用神经网络在线估计人的运动意图。将估计的运动意图集成到自适应阻抗控制中,使机器人跟踪一个给定的目标阻抗模型,从而使机器人“主动”地跟随人的运动。