脑控技术在医疗康复、军事科学、科研教育、智能家居、休闲娱乐等领域具有巨大的应用价值和应用潜力。当前基于脑电信号(electroencephalograph,EEG)的机器人脑控技术在实时性、稳定性、精准性、安全性、鲁棒性和自适应性等多方面存在诸多问题。本文针对当前机器人脑控技术的不足,研究了一类复合型机器人——轮式移动双臂机器人的脑控方法。结合脑-机接口(brain-computer interface,BCI)技术与机器人控制方法,给出了物理约束下脑控冗余机械双臂(操作臂)的不对称操控、复杂环境中脑控非完整轮式移动平台(底盘)的导航避障、物理约束下脑控多个非完整轮式移动平台的并行操控等问题的解决方案,并进行了理论分析与实验验证,实现了轮式移动双臂机器人高效的人机交互。本文主要工作总结如下:1.在分析SSVEP脑电信号生理特征的基础上研究设计了多通道采集、多步骤滤波、多算法解码的SSVEP-BCI系统,并阐明了脑电信号采集转换、滤波处理、特征提取和分类识别的技术实现流程。开展的实验验证了系统的性能,并对功率谱密度分析(power spectrum density analysis,PSDA)、支持向量机(support vector machine,SVM)、典型相关分析(canonical correlation analysis,CCA)和多变量同步指数(multivariate synchronization index,MSI)四种脑电识别算法的分类识别效果进行了比较分析。2.针对物理约束下脑控冗余机械双臂的不对称操控问题,提出了操控双臂末端执行器相对运动的脑控策略。首先,利用相对雅克比矩阵把双臂的运动规划问题简化为一个机械臂的运动规划问题;然后,提出了相比常规曼哈顿网格脑控方式更安全的极坐标脑控方式来控制简化后的机械臂的末端执行器在限定平面内的运动,脑电分类结果对应末端执行器在极坐标系下的径向和转向运动以规划其在限定平面内的轨迹;由于自由度冗余,任务空间轨迹在向关节空间转化时存在着多解或无穷解,为了找到满足优化准则且考虑关节位置和关节速度限制等物理约束的最优解,将这个带有约束条件的运动优化问题转化为二次规划(quadratic programming,QP)问题;最后,采用基于线性可变不等式(linear variational inequalities,LVI)的原对偶神经网络(primal-dual neural network,PDNN)简化计算量在线求解此二次规划问题得到最优关节角速度,从而获得机械臂关节空间的最优轨迹,避免了关节偏差角现象,保障了脑控机械双臂相对运动的可重复性、实时性和安全性。3.针对复杂环境中脑控非完整轮式移动平台的导航避障问题,提出了适用于地面打滑、颜色杂乱、光线不均、多障碍物环境中的半自主脑控导航避障策略。首先,提出了多源信息融合的同步定位与构图(simultaneous localization and mapping,SLAM)方法保障了机器人在地面打滑、背景颜色杂乱、光线不均匀环境中的实时定位与精准构图;然后,提出了具有全局位姿收敛性质的人工势场(artificial potential field,APF)法进行障碍物环境下安全的路径规划,其在避障的同时可克服非完整约束实现机器人位姿的收敛;接着,为适应地面打滑干扰,运用基于微分平坦理论的鲁棒控制器来跟踪规划的瞬时轨迹,其全面地考虑机器人与地面横向、纵向、转向打滑来抵消和抑制打滑干扰。以上三者结合的导航策略在非完整轮式移动平台的每一控制周期内形成了定位更新、路径搜寻、轨迹生成、轨迹跟踪的闭环结构,使得在线导航精准、稳定而高效。最后,在上述导航策略基础上,创造性地提出了EEG信号改变人工势场的轮式移动机器人脑控方法,定义了脑电分类结果与作用于非完整轮式移动平台上人工势场分布的转换关系,从而形成了人的控制意图与机器人避障行为的直觉映射,机器人在人工势场作用下自动向目标位姿收敛,这种半自主脑控导航避障方式减少了操作者操作负担。4.针对物理约束下脑控多个非完整轮式移动平台的并行操控问题,提出了基于非线性模型预测控制(nonlinear model predictive control,NMPC)的领航-跟随型编队控制方法,通过脑-机接口控制编队系统中的领航机器人来实现对多机器人的脑控操作。首先,在受脑控的领航机器人上设置两个特征点,根据相机透视投影模型,借助图像坐标系、摄像头坐标系、跟随机器人坐标系和惯性坐标系之间的映射关系,建立起多个非完整轮式移动机器人的视觉编队运动学模型;然后,采用模型预测控制考虑系统的非完整约束、输入约束和系统状态约束等来稳定系统,把模型预测控制滚动优化过程中的最小化代价函数问题转化为二次规划问题;最后,通过基于线性可变不等式的原对偶神经网络优化方法在线快速求解编队控制二次规划问题的最优解。通过提出的领航-跟随型编队控制方法,跟随机器人可从不同的初始状态镇定到由脑控领航机器人所带领的运动状态。由于运用的模型预测控制是一种滚动时域的闭环优化控制策略具有较好的抗干扰能力,且控制过程中周全地考虑了编队系统的各物理约束,此外运用的原对偶神经网络能快速求解模型预测控制过程中的优化问题,因此提出的编队控制方法对应地保障了脑控多机器人并行操作较好的稳定性、鲁棒性、平滑性、安全性以及实时性。