机器人集机械、电子、计算机、材料学、控制论和人工智能等多学科于一体,是一个国家科技实力的重要标志。近年来,机器人在全世界范围内的快速发展被认为触发了第三次工业革命。作为机器人领域的前沿研究课题之一,仿人机器人也正在蓬勃发展。由于仿人机器人从外貌、行为、视觉等方面全方位模仿人类,成为与人类共存并辅助人类完成日常工作的理想对象。与其他移动机器人类似,运动功能也是仿人机器人最重要和基本的功能之一,也是实现其他复杂功能的基础。与其他机器人不同,仿人机器人没有固定的基座,支撑面积相对较小,同时包含离散和连续运动,控制难度比较大。本文对影响机器人行走运动的以下几个重要问题进行了研究：1、液压驱动器控制由于机器人行走过程中,存在驱动器负载的波动、模型参数的不确定性以及系统的非线性等因素,使用常规的固定控制方法如PD(Proportional Derivative)控制或LQR(Linear-Quadratic Regulator)控制不能取得满意效果。所以本文引入神经网络自适应控制方法,应用顺序扩展卡尔曼滤波器对增广的状态/参数变量进行在线估计,并计算出依赖于系统状态和未知参数的敏感系数,并设计相应的最优控制器。使用RBF(Radial Basis Function)神经网络学习敏感系数和控制器之间的映射关系,训练好的神经网络可以预测整个状态空间任意状态的控制器增益。有效处理了模型不确定性和非线性的问题。2、逆运动学改进求解逆运动学的数值迭代方法存在奇异姿态问题,即在某些姿态时雅可比矩阵不可逆。在奇异姿态附近,虽然雅可比矩阵可逆,但是条件数很大,迭代时间和精度都受到很大影响。此外,数值迭代法由于采用上一个时间点的角度作为当前迭代初值,容易造成误差累积。作为另一种数值方法,神经网络不存在奇异姿态问题和误差累积问题,但是精度相对数值迭代法低。所以本文将神经网络和数值迭代方法相结合,根据姿态奇异性,决定哪一种方法占主导。该方法取长补短：在非奇异姿态时,神经网络为数值迭代提供初值,数值迭代对神经网络预测结果进行进一步优化,在奇异姿态时,神经网络方法可保证解的收敛性。3、复杂路面步态规划仿人机器人要想走出实验室并进入人类的生存环境进行服务,必须能够在复杂的路面或环境中自由行走。目前在运动规划方面存在如下问题：广泛使用的机器人稳定性判定指标ZMP(Zero Moment Point)只能用在水平路面；ZMP的小车-桌子模型(Cart-Table Model)限制了质心在竖直方向的运动。所以本文提出了EZMP(Extended Zero Moment Point)概念,将ZMP的概念推广到非水平路面,通过分析EZMP和ZMP之间的关系,发现在忽略绕质心角动量微分的情况下,EZMP和ZMP的运动学方程相同。不同于ZMP,EZMP在双脚位于不同接触面时也有明确定义。通过施加线性微分方程作为竖直方向质心运动的约束,将EZMP运动方程在三个方向上解耦为独立的线性微分方程。解耦后的运动方程包含了小车-桌子模型,并将质心运动从平面扩展到三维空间。4、拟人行走步态规划由于仿人机器人的定位是与人在一起生活和工作,光稳定行走是不够的,还必须考虑社会因素和心理因素即机器人的运动是不是“看起来”像人。传统的拟人运动规划主要是通过运动捕捉,并没有考虑物理因素即动力学上对人的模仿,往往导致人的运动在机器人上无法实现。脚底压力CoP (Center of Pressure),作为正常行走过程中唯一可控的外力,对人／机器人的动力学有很大影响。所以本文提出了将肢体运动和ZMP(等价于脚底压力中心)的拟人特征融合在一起的方法,来生成可行的拟人运动。通过惯性模块测量人肢体运动的姿态,通过人足底肌电信号(Electromyogrphy)来捕捉ZMP特征。足底肌电信号比ZMP信号超前一段时间,这个性质对提高机器人行走运动的实时性和稳定性很重要。由于生物电信号的复杂性,需要使用压力板对肌电信号进行标定,在线测量的肌电信号需要进行平滑滤波处理。根据ZMP信号的预测值,使用预观控制生成质心坐标,最后通过最优化的方式和测量的人体位姿进行融合。5、高能效行走步态规划目前最先进的(主动控制)机器人能效最高也只有人类的20到10分之一。机器人的能耗包括驱动器本身的摩擦、电热损耗以及机器人运动的机械能损失。解决能效问题的一个有效方案是开发摩擦和热损耗较小的驱动器。但是在新材料和相关技术成熟之前,这个方案很难实施。另一种方案是为现有的主动行走机器人规划适当的步态,提高行走过程中的机械能的利用率,进而提高整体能效。最直接的方式是使机器人模拟人的自然行走,但是由于机器人和人的结构和质量分布差异很大,该方法难以实施。作为替代方法,被动行走不存在这样的问题,而且机械能的利用率很高。所以本文研究了模拟被动行走对机器人行走能效的影响。首先为了减小膝关节转矩,针对竖直方向的质心运动方程设计了最优控制器,将其与水平方向的预观控制进行结合,实现了膝关节伸直的行走步态。然后,基于机器人的被动动力学模型,根据虚拟重力场原理生成了被动步态。将两种步态按不同比例进行融合。最后,考虑到驱动器摩擦等因素对能耗最优性的影响,应用强化学习对混合步态进行了能量在线优化。为保证稳定性,优化指标中加入了稳定性优化因子。通过观察不同比例混合步态以及在线学习对能效的影响,得出了非常实用的结论,为提高机器人续航能力提供了参考。本文对仿人机器人领域几个重要问题的研究,有助于提高仿人机器人复杂运动的控制性能和整体协调性能,并提高机器人运动的美观性和改善行走的能耗。在理论和应用上都有一定的借鉴作用和参考价值。