随着机器人应用领域的不断扩展和对机器人智能化要求的不断提高，以往以位置控制为主的机器人控制方法已不能满足某些复杂环境(装配、抛光、去毛刺、助力机器人、康复机器人)的应用要求，机器人与环境间力/位置控制方法同时实现机器人末端接触力和位置期望值跟踪控制，适应了机器人在复杂环境中运动控制的要求。本文主要针对机器人参数摄动及外界工作环境接触刚度的不确定性进行力/位置控制研究和探讨，主要研究结果概括如下：1.考虑摩擦及外界干扰的情况下，针对具有参数不确定性的机器人系统，提出三种利用神经网络来进行不确定性补偿的力/位置控制方法。方法一，通过神经网络补偿机器人模型的未建模动力学部分等参数不确定性带来的影响，同时在力控制回路中采用灰色预测模糊调节，以提高系统的动态性能和稳态精度；方法二，利用模糊CMAC神经网络设计鲁棒自适应补偿控制器，保证输出跟踪误差渐进收敛到零；方法三，使用神经网络补偿机器人本身的不确定性，并采用RLS算法对环境参数进行在线估计，进而确定合适的阻抗参数对机器人进行控制。三种控制方法的仿真结果皆表明对于模型参数摄动和变化的工作环境，可以使机器人系统具有良好的鲁棒性和适应能力。2.针对环境刚度未确知情况下的位控机器人进行力控制研究，提出四种控制方法。方法一，利用遗传算法优化模糊控制器的参数，引入灰色预测决策机制使控制器对机器人和环境之间的动态接触过程具有适应能力；方法二，利用递推最小二乘算法根据机器人对未知接触环境的动态响应来在线估计环境参数，然后选择一个合适的模糊控制规则调整因子对力控向量进行控制；方法三，利用模糊神经网络进行机器人力控制来适应未知环境的变化，根据机器人对未知环境的动态响应来对未知环境进行分类，然后选择一个合适的模糊神经网络力控制器对机器人进行控制；方法四，模糊控制器取代传统模型参考自适应控制中的反馈控制器，得到模型参考模糊自适应力控制策略。四种控制方法均采用把力控制器的输出作为机器人位置控制部分给定的修正值，通过提高位置控制的精度达到控制力的目的，保证机器人与刚度变化较大的环境接触时，获得较好的力跟踪性能。3.针对机器人力控制时所对应的受限运动控制问题，即同时满足机器人自由空间的位置跟踪能力和约束空间的力跟踪能力，提出两种智能控制方法来解决此问题。方法一，在阻抗控制器中引入滑模控制，以克服传统的阻抗控制器中由于机器人或环境的不确定性和干扰而造成的鲁棒性差的问题；方法二，采用神经网络补偿机器人位置控制时的不确定性，当机器人末端与环境接触时，通过转矩换算得到实际的接触力，无须使用力传感器就可以同时控制机器人力和位置。两种控制方法都可以使得机器人在自由空间可以做未受约束运动，具有位置跟踪能力，在面接触空间做受约束运动，具有力跟踪的能力。4.综合阻抗控制和混合力/位控制的优点，提出二种基于视觉的机器人力控制方法。方法一，利用视觉传感器的测量特点，对未知环境边缘进行估计获得位控和力控方向，根据位控和力控方向对机器人终端的运动轨迹进行规划，采用阻抗控制器使机器人获得了较好的柔顺性；方法二，通过力反馈信息对未知环境中的法线方向进行估计，基于模糊自适应Kalman滤波对动态图像雅可比矩阵进行辨识，并得到视觉/力混合控制的约束条件。