移动操作机器人指的是具有移动平台的机械臂系统,其具有灵活度高、适应性广、操作范围大等特点,被广泛应用于家庭服务、灾难搜救、医疗防疫、城市反恐、宇宙空间探索、工业物流等领域,已成为二十一世纪机器人发展的重点方向。然而,移动操作机器人在执行任务时,往往面临有各种动态环境,这些复杂环境使机器人作业空间严重受限,使得机器人面临作业过程不精细、操作技能不全面等诸多挑战。因此,机器人如何协调操作和自主规划,是亟待突破的关键技术瓶颈。另一方面,机器人任务规划与控制层面临先验任务领域知识难以覆盖所有应用情况、环境动态变化引起任务执行失败、复杂任务执行效率低下等难题,导致机器人自主性差和智能程度低,因此亟需自主化、智能化的科学手段和方法提高机器人的规划与控制能力。本论文面向移动操作机器人系统,针对移动操作过程中的运动控制与人机技能传递展开深入研究,其工作包括以下四个方面:1)移动操作机器人模型构建与运动控制问题。针对不确定模型参数的移动操作机器人,从运动学和动力学模型出发,在系统控制输入与状态输出受限下,研究了不确定非完整移动操作机器人的轨迹跟踪问题,建立从轮子输出的严格不确定动力学模型,提出具有模型不确定的移动操作机器人自适应神经网络跟踪控制器。针对执行器可能出现的故障,输入不对称饱和等问题,通过直接采用双曲正切函数来得到有界控制,将移动操作机器人的模型不确定问题通过径向基神经网络在线逼近,设计基于李雅普诺夫（Lyapunov）函数的自适应控制器,并进行稳定性分析与证明,确保控制器的稳定性与收敛性。一个主要特点是所设计控制器的边界是非对称的。因此,所设计的控制器的结构可能在一定程度上更加简单,有利于控制器的实现和实时控制,最后,在室内环境下进行移动操作机器人轨迹跟踪的实验验证。2)针对具有串联弹性驱动器（Series Elastic Actuator,SEA）的移动操作机器人在任务执行中的被动柔顺控制问题,建立包含SEA驱动的移动操作机器人整体动力学模型。考虑SEA驱动的机器人是一个高阶系统,传统方法通过多次求导增大了控制算法的复杂度,为了解决这个问题,提出一种基于SEA驱动的机械臂移动操作的整体控制框架。该框架通过引入高维矢量积分的Lyapunov函数,在反馈控制中加入扰动观测器,采用神经网络算法估计动力学模型中的未知项,解决运动控制中的动态目标、外界扰动与柔性关节中电机加速度等不确定问题;同时可补偿自适应模型的逼近误差,实现鲁棒自适应跟踪控制。最后,通过实验验证所提方法的有效性。3)针对机器人与未知环境之间的动态交互控制问题,提出一种基于迭代学习的变阻抗控制框架。利用阻抗控制模型,设计基于迭代学习控制的自适应阻抗学习方案。首先,将机器人的位置、速度、外界交互的力等状态与环境动力学建立状态方程表达式,通过定义代价函数,设计在线更新率,利用输出信号和期望信号之间的误差迭代更新输入信号的时间序列,在不涉及未知环境模型参数情况下,实现下一次迭代时的输出信号向期望信号的逼近,获得自适应变刚度阻抗学习模型。此外,为了保证实际物理设备的输出约束、系统性能和安全要求,提出一种自适应神经网络的屏障Lyapunov控制器,保证输出的跟踪误差在预设范围之内,最后通过一组仿真实验验证该方法的有效性。4)针对移动操作机器人与人交互决策与规划问题,利用深度学习的方法对人和机器人的运动观测进行联合建模,从而得到人机协作中人机运动相关性模型,研究人机技能传递学习与协同移动操作自适应模糊控制方案。为避免人工手动进行特征提取与分析,设计了一种基于深度学习的规划框架用于移动操作机器人的人-机协同操作,通过人体的动作生成机器人序列规划轨迹。深度学习方法采用了卷积神经网络结合长短时记忆网络（Convolutional Neural Networks–Long Short-term Memory,CNN-LSTM）学习人类动作行为,然后使用时间相干性预测机器人动作,根据人类手臂和机器人关节动作的位置,从人-机器人示教中产生一个运动轨迹。为了使机器人能在未知非线性动力学模型情况下精确地跟随人的行为,设计了自适应模糊控制器,以保证机器人能够跟踪生成的轨迹。最后,通过一个辅助移动操作机器人的协同操作任务实验验证了该方法的有效性。