与一般的机器人运动控制不同,人类(或者其它生物)的运动是高度耦合的,并且极善于利用这些运动耦合完成运动能量的传递。同时,人类也很善于利用筋腱、关节的限制和弹性来实现运动控制和能量的传递。和机器人相比,人的运动有高得多的运动效率。通过研究,我们把人的这种运动传递关系简化为驱动关节(Actuated joints)和非驱动关节(Unactuated joints / Passive joints / Free joints)的运动耦合关系,由驱动关节通过动力学耦合关系带动非驱动关节完成所需的动作,从而模仿人类的运动传递过程。我们把这样含有非驱动关节的运动系统称为欠驱动系统,对欠驱动系统的控制研究不仅是对于仿生机构的研究有重要意义,在其它方面如空间机器人、低成本机器人等,包括现有类型的机器人的控制性能改进等均有重要的应用前景。在欠驱动系统里,由于非驱动关节的存在,运动控制比一般的机器人要困难得多。因为非驱动关节不能直接控制,系统属于非完全可控系统,一般的光滑反馈控制方法对这样的系统是无效的。基于同样的理由,欠驱动系统的运动规划比一般机器人要困难得多。因为非驱动关节是由动力学耦合关系驱动的,所生成的运动轨道不仅要满足运动学关系,还必须满足动力学耦合关系。这里还牵涉到另一个问题,就是运动轨道能否实现的问题,由于运动轨道高度依赖于动力学模型而且难以靠反馈控制补偿,模型的误差将造成轨道最终无法实现。除了轨道能否实现的问题,还有优化的问题。我们希望通过非线性优化的方法得到针对某种评价条件最优的轨道,比如能量最省、峰值力矩最小、速度最大等。非线性优化的方法虽然有很多,但由于非线性系统的复杂性和多样性,对不同类型的非线性特征,难以找到一种通用的,效果较好的优化方法。尤其是对一个实际系统,难以取得很好的效果。针对欠驱动系统运动控制中存在的以上问题,本文提出了一种学习控制的方法。基本思想是用经典动力学与神经网络联合建模的方法来获得系统的学习