机器人学科是一门迅速发展的前沿性学科,其核心是控制系统。近几十年来,对机器人控制问题进行了大量的研究,特别是柔顺性控制问题。许多学者应用新的方法和理论,对柔顺性控制从理论和实际应用中都做了各种尝试。然而,机器人是一种非线性、强耦合的系统,有很多不确定性的因素。机器人与环境接触时,环境的不确定性也对控制性能产生了较大的影响。因此,极大地制约了机器人的应用范围。基于上述问题,本文在机器人柔顺性控制的基础上,主要针对机器人模型不确定性及环境不确定性进行研究。本文首先介绍了目前柔顺性控制的基本策略及特点,通过分析选择采用阻抗控制策略。其次介绍了机器人运动学和动力学模型并建立了机器人与环境接触的仿真模型。再次,在阻抗控制思想下推导了一种基于力矩的阻抗算法并通过仿真分析得出了阻抗参数选取的基本原则。然后,针对环境位置不确定性,采用了轨迹修正模块,它根据力误差修正参考位置,不需要知道环境位置和刚度的先验知识；针对模型不确定性,采用了惯性矩阵估计和延迟模块,大大减小了跟踪误差,但该算法要求采样时间足够小。最后,在此基础上,针对机器人动力学模型所存在的建模不确定性,设计RBF神经网络补偿不确定项,在采样时间较大的情况下,跟踪速度快,误差小,能够达到较好的控制效果。