模仿是人类社会中广泛存在的一种学习机制,并且具有快速高效的特点,人们通过对经验行为的模仿,可以迅速的学习运动行为,掌握技能。机器人亦是如此,尤其是近年来发展迅速的仿人机器人,因其与人体相似的结构设计,使仿人机器人模仿人类的行为运动,从而学习得到运动技能,有着良好的应用前景。但由于仿人机器人结构复杂、自由度较多、质量分布也与人体有明显不同,在进行仿人机器人模仿学习任务的同时,还要确保机器人的运动稳定性。本文围绕仿人机器人在模仿学习过程中的运动姿态平衡控制问题展开研究,论文的主要工作为:第一,实现了仿人机器人姿态模仿的静态平衡控制。鉴于人体与机器人的质量分布存在明显差异,经体感采集器获得的人体示教数据需进行稳定性调整才可用于驱动机器人,本文提出一种基于人体示教数据的仿人机器人质心预估与补偿控制的方法:通过人体示教数据预估仿人机器人在姿态模仿时的质心信息,结合质心-角度雅可比矩阵对模仿过程中的质心偏移进行补偿调整,并引入二次规划优化补偿角度。基于构建的NAO机器人模仿学习系统的实验结果表明:利用人体示教数据进行的机器人质心预估与控制方法可准确地保证仿人机器人在姿态模仿学习过程中的静态平衡,结合权值可调的二次规划可令仿人机器人的姿态模仿与人体示教保持行为保持相似。第二,实现了仿人机器人步态模仿的动态平衡控制。在静态姿态得以稳定模仿的基础上,研究仿人机器人对人体步态的模仿学习。鉴于步态模仿对机器人有着较高的动态性能要求,本文提出一种基于ZMP判据的仿人机器人步态模仿稳定性控制的方法:通过人体示教步态规划期望ZMP轨迹,结合步态模仿时机器人质心轨迹信息计算实际ZMP与期望ZMP之间的差值,并根据差值进行质心补偿控制,最后引入滞回曲线确定行走过程中支撑脚的切换。基于构建的NAO机器人模仿学习系统的实验结果表明:ZMP判据的引入有效的保证了机器人步态模仿的动态稳定,基于滞回曲线的支撑脚选取保证了支撑脚切换的平稳,进而实现了仿人机器人拟人步态的模仿,并且简化了步态规划的计算。第三,基于SVR的仿人机器人姿态平衡泛化的研究:通过人体示教数据对机器人质心进行预估,并结合ZMP判据与机器人质心雅可比矩阵对机器人进行平衡控制可确保运动姿态模仿的稳定性。但这种方式不具有泛化能力,即面对模仿任务时,都要通过解析方式进行求解,为赋予仿人机器人在运动姿态模仿时的平衡泛化能力,本文基于SVR构建了人体示教信息与机器人驱动角度之间的回归模型,利用人体示教信息与解析法得到的驱动数据训练该模型,并结合粒子群算法进行参数寻优,最终利用模型的泛化能力得到人体示教动作对应的机器人驱动角度。基于构建的NAO机器人模仿学习系统的实验结果表明:利用人体示教信息作为模型输入,泛化出的机器人驱动数据可以保证动作模仿过程的稳定性,表明本文的机器人姿态平衡回归模型具有一定的泛化能力。本文围绕仿人机器人模仿学习过程中姿态平衡控制的问题进行了研究,通过提出的控制方法可使仿人机器人在模仿学习人体示教动作的过程中保持姿态稳定,对仿人机器人模仿学习的应用与推广,以及仿人机器人运动行为控制的研究有一定的参考价值。