机器人操作的应用场景广泛、潜力巨大。但就现阶段而言大部分机器人部署在结构化环境中按照人工预定义的规则从事单一、重复和具有规律性的工作。如何结合人工智能与机器人技术,实现机器人对操作技能的理解、学习,而无需繁琐的手工编程与调试是提高机器人智能化水平、降低机器人使用门槛和部署周期、促进产业升级的重要途径。当前,随着人工智能技术的快速发展,机器人操作学习技术已成为机器人前沿领域的研究热点。基于上述研究背景,本学位论文主要研究如何让机器人理解学习任务操作中的基本运动,包括点到点运动、轨迹追踪运动、柔顺运动以及手眼协调运动等,有效解决了点到点运动学习快速性、精度与鲁棒性的权衡问题,轨迹追踪运动学习的泛化问题,柔顺运动中力位混合学习与模型参数递归更新问题等。总体而言,本论文主要研究内容与贡献如下:(1)提出了一种基于前馈神经网络的点对点运动学习框架,该方法采用了超限学习机对人类示教动作进行建模和学习,并通过将李雅普诺夫稳定性判据融入到神经网络最优化过程的约束条件中,以确保到点运动稳定收敛到期望位置。所提出的方法不仅能够提高学习的速度,还在复现中展示出较高的鲁棒性和精度,相比于其他方法具有结构简单、计算效率高等特点。(2)在实现点到点动作的学习控制后,进一步地将学习策略扩展至复杂轨迹的准确追踪问题。针对这个问题,通过直接对轨迹追踪示教数据中的位置误差收敛策略进行学习,获得使运动轨迹收敛至期望轨迹的机器人速度控制律;然后利用李雅普诺夫理论,推导出了控制算法中相关参数的稳定性约束,并证明了所设计的速度控制律可以保证位置误差及速度误差最终均收敛于零。正是由于采用了误差收敛行为的学习,该方法展现了较好的学习和泛化能力,即学习了某一固定形状轨迹的追踪策略后,可随意应用至其他期望跟踪的轨迹上,而无需对控制器进行任何调整。(3)柔顺运动不仅包含动作轨迹也包含力觉的柔顺信息,本文提出一种联合运动轨迹与柔顺力行为的序贯学习控制框架。该学习框架通过一个低成本的示教接口在线收集示教者示范的力、位移、速度、加速度等信号,然后设计了序贯神经网络对机器人运动进行编码,并提出了基于示教力的可变阻抗学习算法来估计三个方向上的变阻尼和刚度矩阵。运动轨迹与柔顺力行为学习均采用了基于递归形式的在线更新策略,与传统的先收集后离线训练的模式相比,该更新方法不仅提高了示教学习的效率,还可避免离线收集数据不足或过多的问题。(4)提出了一种手眼协调运动学习框架。该框架可以在无事先手眼标定的情况下,根据人类示教数据,自动的学习基于图像的手眼协调抓取操作。通过采用像平面中可抓取位置学习、智能函数逼近器解决了传统伺服中期望像素位置需人为设定和手眼协调需事先标定的问题。此外,通过设计基于模糊逻辑规则的自适应调整模型参数,克服了由示教数据不同,而引起数据驱动型控制器收敛速度各异的问题,有效提高了手眼协调运动的收敛速度。