两轮轮式机器人所有的运动都是由一系列的基本运动集合而成，而机器人的基本运动控制与机器人的硬件结构有关。对于两轮轮式机器人而言到定点的运动控制是其运动控制中最为重要最为基础的问题，即点镇定控制问题。　　因为两轮轮式机器人的特定硬件结构，即有两个驱动轮，使得其存在非完整约束。非完整运动约束，即任意时刻机器人的运动方向只能与机器人的当前朝向相一致。具有非完整约束的系统也称为非完整系统，是一种特殊的非线性系统。非完整系统不满足Brockett光滑连续镇定的必要条件，即不存在连续的时不变状态反馈控制律以实现两轮轮式机器人的点镇定控制，但通过设计时变控制律或混合控制律可以来实现其点镇定控制。　　而通常的控制器系统设计都是在离线情况下进行的，按照精确的被控对象模型设计控制算法，运用一系列的优化算法离线优化控制器的参数，使得控制系统得到较好的控制效果。模型对于控制器有很大的影响，通常建模都是在被控对象模型不变的情况下进行，控制器参数都是离线整定。但控制器参数的离线优化会耗费掉大量的时间，尤其当控制目标改变或者被控对象改变的时候控制效果会变差。　　在实际的运动控制过程中，会因为机器人电池电量下降、碰撞、摩擦、运动执行系统老化等因素造成被控对象模型的变化。从而使被控对象不能得到很好的控制，使控制效果变差。　　基于以上背景，本文提出一种利用BP神经网络在线整定参数的多模态点镇定仿人智能控制方法，可以实现控制器参数的在线整定并且在被控对象模型变化的一定范围内具有良好的控制效果。这种在线自学习点镇定仿人智能控制方法，构建了具有三层控制结构的控制器，底层为多模态仿人智能控制器；控制参数优化层采用了多个BP神经网络，通过Specialized Learning方法进行控制参数的自学习；上层采用了一个与模态划分相一致的多模态仿人智能控制模态切换控制器实现各模态及其参数优化神经网的切换。　　为验证方法的有效性，我们在实验室前期建立的两轮轮式机器人系统仿真平台上及实际机器人平台上进行测试。仿真中，在左电机及驱动模型不变以及模型朝两个方向变化的情况下，分别进行验证，并与其他方法相对比。仿真与实际的控制效果表明了本文所提出方法的有效性。