双足机器人模仿人类的行走方式,特别适合辅助或替代人类进行一些工作。双足步行机器人是工程上少有的高阶、非线性、非完整约束、强耦合性的多自由度系统,双足机器人的步行运动控制方法研究,不仅有重要的学术意义,也有显著的应用价值。要实现双足机器人稳定、灵活、高效、智能的步行运动,涉及的研究领域很广,本文主要研究其中一些热点和难点问题,主要是步行运动的能效优化策略、步行运动的自学习控制方法等。本文的行文线索如下：首先在第一章阐述本课题的研究背景及意义,然后在第二章介绍双足机器人的背景知识,第三章和第四章提出双足步行机器人能效优化的具体策略,第五章到第七章提出双足机器人步行运动的自学习控制方法。具体内容有：一、针对高能耗导致的双足机器人实用化障碍,提出了一种系统化的步行运动能效优化控制方法。基于双足机器人运动的重要能耗指标(平均功率、平均功率偏差、平均力矩损耗),提出了能耗预估策略和能效优化算法,以获取ZMP (Zero Moment Point,零力矩点)稳定区域内的能耗极小值,并通过此极小值所对应的上体轨迹对机器人步行运动实施能效优化控制,最终获得满足ZMP稳定判据的低能耗步态。最后将所提方法应用于机器人系统,并与其它智能控制方法进行了比较分析。二、提出了一种高能效的支持向量机(Energy-efficient support vector machine, EE-SVM)学习控制系统。为实现高能效双足步行,考虑了双足动态每个训练样本的能耗。首先计算双足步行样本的能耗,然后依样本能耗对样本实施加权学习。所提EE-SVM的学习目标函数中含有与能耗相关的松弛因子,目标函数的设计遵从以下规则：EE-SVM的训练过程更重视能耗较低的样本。本文通过仿真实验证明了所提方法的有效性。三、提出一种基于UKF (Unscented Kalman filter)可预测的支持向量回归(Support vector regression, SVR)学习控制器,用以提高双足机器人的步行灵活性。通过UKF估计下一刻的双足状态,SVR学习控制器利用预测到的双足状态来确保双足机器人的ZMP稳定性。预测控制器可及时调整机器人上身姿势,从而适应于机器人整体的动态位姿。仿真结果证明了所提方法的优越性。四、提出了一种基于时间序列的模糊支持向量机(Time-sequenee-based fuzzy support vector machine, TSF-SVM)学习控制系统。考虑双足步行样本的时间特性,所提方法能准确学习双足步行动态,并及时补偿时变外扰。首次提出了基于时间序列的三角模糊隶属函数和基于时间序列的高斯模糊隶属函数,并根据双足机器人不同相位的时间特性,将所设计的两种模糊隶属函数分别用于双足机器人的单脚支撑相和双脚支撑相。对所提TSF-SVM的性能与传统智能方法的性能进行了仿真比较,结果表明,所提方法更加敏感于突发外扰,因此能有效提高双足步行机器人在外扰中的稳定裕度。五、为解决双足步行机器人的高能耗问题,本章提出了一种区间二型模糊加权支持向量机(Interval type-2fuzzy weighted support vector machine, IT2FW-SVM).与传统机器学习的学习方法不同,所提IT2FW-SVM使用“选择学习”的策略获得更低的能耗和更大的ZMP稳定裕度。这与人类基于经验的选择性学习类似。为了处理经验的不确定性,使用区间二型模糊逻辑系统推导IT2FW-SVM的学习权重。仿真研究表明,与产生原始步态样本的双足步行相比,所提方法显著提高了双足机器人的能效和步行稳定裕度。