尽管基于神经网络的机器人步态学习控制问题已经被广泛研究,然而已有的研究成果对于神经网络能否学习到系统未知动力学模型并没有进行深入探讨。这导致了在已有的控制策略中,即使是对于完全相同的跟踪控制任务,神经网络都需要重复冗余而繁琐的训练过程。尽管这些策略大都以利用神经网络的通用逼近性为出发点,然而在这些策略中通用逼近性的实现实际上并没有得到保证。因而,神经网络的学习能力是相当有限的。相比于已有的神经网络理论成果,新兴的确定学习理论对于神经网络的学习能力有着更深入的研究。 本研究基于确定学习理论提出了一种全新的机器人学习与控制策略。所提出的基于确定学习理论的机器人学习与控制策略并非无记忆式的依靠重新训练神经网络来实现跟踪控制。它能够实现对机器人闭环控制系统未知动力学模型沿机器人所经历周期轨迹在局部区域内的真正学习。本课题所提出的机械人学习与控制方法能够在稳定的动态控制过程中学习到系统动力学的有效知识,并能够将这些知识成功地应用到后续的完全相同或相似的跟踪任务当中去。也就是说,所提出的学习与控制策略能够实现知识的“学习”,“记忆”以及“运用”,具有像人类一样的学习能力。在机器人神经网络控制问题中,随着机器人系统复杂性的提高,神经网络的规模会相应的增大。神经网络的训练过程将涉及到庞大的计算量。而本课题提出的控制策略避免了由于神经网络的重复训练带来的繁琐庞大的计算过程。从这种意义上而言,所提出的学习与控制策略在机器人系统的实际应用中对于时间及能量的节约有着及其重要的意义。这里提出的学习与控制策略能够以一种确定性的方式对于机器人这个确定性的动态系统实现学习控制,这为拟人智能机器人的发展提供了强有力的支持。本文首先从机械臂的跟踪问题入手以验证所提方法的有效性,进而过度到圆规形机器人这个相对简单的机器人系统的步态跟踪问题,最后深入到5-连杆机器人系统的步态跟踪问题当中。除了理论分析,本课题也包含了仿真研究以验证所提方法的有效性。