随着现代康复医学的发展,利用康复机器人对偏瘫患者进行上肢运动功能的康复已成为国内外研究的热点之一。本文以康复医学原理和先进控制理论为基础,将医师临床经验与人体工学设计相结合、随机估计理论方法与人机交互技术相结合、离线最优规划与在线智能学习相结合,旨在综合上肢康复机器人系统的人机交互信息、提高训练方案的康复价值、改善被动训练的抗干扰能力,同时兼顾主动训练的安全性和有效性,最终形成一套较为完整的机器人上肢运动系统的控制策略。本论文的主要研究工作包括:上肢痉挛特征研究与模型建立。针对康复训练过程中最大的安全隐患-痉挛,进行基于康复医学的相关研究。将患者的痉挛力矩作为一项不可避免的扰动考虑到整个系统建模中,在人体骨骼肌系统模型的基础上,建立了脑卒中偏瘫患者的上肢痉挛模型,并指出上肢痉挛力矩是具有不确定性的随机变量。将随机估计理论与康复医学知识相结合,采用无需先验信息的经验贝叶斯估计法,给出痉挛力矩模型中的随机参数的估计值,并证明了其收敛性。人机交互作用力矩的实时估计。考虑到现有的阻抗力矩模型仅能提供单关节末端的部分信息,本文采用具有高阶动态的阻抗模型来描述人机交互作用力矩,进而建立了主动训练阶段的非线性人机交互系统模型。提出基于积分变换的人机交互力矩估计算法,并给出了估计算法收敛性条件,确保了人机交互作用力矩的实时估计,并能够以指数率达到预先指定的精度。上肢康复运动轨迹智能优化算法设计。在康复医学理论与人体工学原理的基础上,本文提出由人体工学指标、患者疼痛度指标、平滑度指标和最小功准则指标构成的综合指标体系,作为上肢运动轨迹设计依据,将上肢康复机器人运动训练轨迹优化转化为带约束的多目标优化问题,以兼顾康复训练的有效性和舒适性。采用改进的人工免疫算法求解上肢康复运动轨迹的多目标优化问题,保证了种群的多样性,并有效的防止种群过早收敛。该算法可以快速搜索到全局最优解,并给出严格满足各项康复量化要求和符合人体上肢运动特征的训练轨迹。被动训练阶段非参数不确定自适应迭代学习控制策略。针对被动训练阶段人机交互系统中的未知扰动和肌张力不确定性,本文提出非参数不确定自适应迭代学习控制策略,以保证机器人平稳地牵引患肢沿预先规划的轨迹进行运动。通过对参考轨迹和迭代误差的修正策略,解决了上肢康复机器人系统存在的变参考轨迹和初始误差不确定等非参数不确定问题。自适应迭代学习机制能够对控制器参数进行实时更新,保证了人机交互系统的全局稳定性,并确保对康复训练轨迹的高精度可靠跟踪。仿真实验验证了所提出的控制策略的有效性。主动训练阶段自适应双迭代优化控制策略。针对主动训练阶段存在的患者主动力矩和痉挛力矩,本文提出双迭代优化控制策略,实现了对参考轨迹的平稳拟合以及对患肢牵引过程的柔性化。该控制策略采用双迭代的控制结构,学习控制器和优化控制器同时迭代的控制策略,不仅可以应对康复机器人系统潜在的执行器故障,避免患者受到二次伤害,还可以提供适当的助力以优化患肢主动力矩和痉挛力矩,以平衡有效性和安全性这两个主动康复训练的基本要求,保证主动阶段的康复效果及安全实现。仿真实验证明了所提出的控制方法的有效性和实用性。