认知在运动神经技能(包括运动神经控制和运动神经学习)中扮演着重要角色。理解和模拟生物系统运动技能认知行为,并将这种行为赋予机器人主体,是课题的基本出发点。运动控制中的人体姿态平衡问题是自主移动式机器主体的一个首要问题。小脑模型的研究对于机器主体模拟自然生命体的运动平衡控制意义重大。针对机器主体的运动平衡控制问题,本文提出小脑内部预测模型(IPM)。IPM在文中的两种表现形式:依照运动神经生物学中的卡尔曼滤波理论,创建基于卡尔曼滤波器的小脑内模;依据运动神经中的史密斯预估理论,提出基于史密斯预估器的小脑内模。取得的主要研究成果有:1)人体姿态平衡动力学模型本文从人体姿态平衡问题出发,进行模型力学分析将其简化抽象为倒立摆模型。针对控制倒立摆问题,通过分别采用比例积分(PD)和神经网络比例积分(NNPD)进行对比仿真实验,认为在实现运动控制的运动学习中,设计一种自适应小脑内部预测模型,帮助机器主体获得运动平衡技能是有意义的。2)基于Kalman预估器的小脑模型本文在建立的IPM概念上提出一种基于Kalman预估器的小脑模型,当它用于解决肢体平衡问题时可以保证系统的在运动控制过程中的精确性和稳定性。这种前馈模型由神经网络构成,训练信号由预估器和反馈控制器的输出提供,同时反馈控制器采用PD控制器以确保全局稳定性。通过对倒立摆的仿真实验验证了这一模型对机器主体运动平衡控制的有效性。3)基于Smith预估器的小脑模型本文提出另一种IPM,即一种基于Smith预估器的小脑模型,目的是解决生理学上反馈控制系统的高增益长延迟引起的问题。有效的控制效果可以通过提高机械和神经反馈的增益实现。同时,源于生物过程的传输延迟是不能忽略的。所以,提出的新模型在概念上是合理的。这一机制中的两个前向模型可以通过神经网络的运动神经学习得到。受近期小脑研究启发的训练信号用于学习动态模型,倒立摆实验证明这一思想在机器主体的运动平衡控制上是有效的。由于本模型中的预测模型要求是被控对象的动态模型和延迟模型的精确表达,对参数十分敏感,而倒立摆系统又是典型的非线性不稳定系统,因此在这一模型的应用上作了探索性研究。论文中的仿真实验结果表明:内部预测模型可用于机器主体的运动平衡控制。也说明:本文提出的模型从功能上可以用真实的神经生物系统被理解和解释。本课题得到了国家自然科学基金(60375017)、北京市人才强教计划项目、高等学校博士学科点专项科研基金(20050005002)的支持。相关研究成果已被国际刊物Lecture Notes in Computer Science (SCI检索),国际会议论文集the Proceeding of 6th World Congress on Intelligent Control and Automation (EI检索),以及国内核心期刊《清华大学学报(自然科学版)》(EI刊源)录用。研究生期间,本人代表课题组参加ISNN2006国际会议并做口头报告。本文的研究工作对于促进运动学习在控制系统中的应用有积极的意义,可以广泛应用于机器学习、自动控制、机器人学等领域。