利用工业机器人对工件进行打磨时,机器人在约束空间内进行作业,由于机器人系统具有时变性、强耦合性和高度非线性的复杂性,同时打磨加工过程中存在环境干扰,因此通过机器人位置控制得到工件的精度通常不理想。为了获得良好的机器人加工效果,需要对机器人加工过程进行规划和对机器人与外界接触力进行控制。本文对机器人打磨理论轨迹进行了规划,以解决机器人打磨过程中理论轨迹和实际轨迹不一致的问题;针对打磨过程中力信号不稳定的问题,设计了智能恒力打磨力控制器,在打磨过程中维持机器人与加工工件的接触状态,从而提高机器人打磨加工的精度。针对机器人打磨时理论轨迹难以规划的问题,提出了机器人恒力跟踪获取打磨加工理论轨迹的方法。针对机器人恒力跟踪过程中力信号波动大的问题,对机器人末端执行器与曲面接触进行受力分析,得到了各个坐标系之间的映射关系,构建了机器人末端法向力和传感器测量力之间的关系。为了方便对跟踪过程进行恒力控制,构建刚度模型、神经网络接触模型和概率动力学模型以简化跟踪过程。为了在跟踪过程中保持恒定的接触力,设计了基于模糊迭代算法,基于概率动力学模型强化学习和基于演员-批评家算法三种不同的恒力跟踪力控制器。利用智能算法强大的非线性拟合能力和在求解最优解中的优势,以解决控制参数难以寻找的问题。针对打磨过程中力信号不稳定的问题,对机器人打磨场景中机器人的末端接触力进行了分析,并对机器人系统的刚度和磨削过程进行了研究,针对打磨过程的复杂性,利用机器人打磨模型构建了机器人末端受力与控制参数之间的关系。由于机器人打磨过程包括冲击阶段,加工阶段和离开阶段三个阶段,不同阶段内受力特征不同,在不同阶段打磨采用了不同的控制方式。针对冲击阶段容易产生超调的问题,提出了挤压释放模型和利用最速反馈系统对冲击阶段进行速度规划的方法;针对加工阶段打磨模型难以构建的问题,将刚度模型和打磨经验公式模型进行结合,同时设计了BP神经网络模型和RBF神经网络模型。根据模型最终设计了基于神经网络模型强化学习和基于打磨模型和迭代学习的两种恒力打磨控制器,分别对冲击阶段和加工阶段进行了控制,利用了强化学习、神经网络和迭代学习智能学习对控制参数进行了优化。为了验证设计算法的可行性,搭建了工业机器人跟踪和打磨实验平台,对机器人曲面恒力跟踪进行了实验,对比了设计的机器人智能恒力跟踪算法和传统的控制算法之间的效果,验证了算法的有效性和可行性,同时得到了机器人打磨理论轨迹。对机器人打磨进行了实验,对比了机器人位置控制和机器人恒力打磨算法的效果,实验结果显示在设计的机器人打磨智能力控制算法下加工精度得到了提高,验证了提出的打磨模型的准确性及上述算法的有效性。