为了达到产品尺寸和表面质量的要求，在产品精加工过程中，研磨抛光是必不可少的加工工序。传统的研磨抛光主要是依靠人工进行的，它不仅费时费力、效率低下，而且产品均一性差，精度不高。另外，工业现场环境恶劣，噪声、粉尘严重影响工人的健康。所以，研磨抛光机器人的研究得到了广泛的关注。本文的研究工作是作为中国科学院知识创新工程重大项目“数字化智能制造装备与系统技术”的一个课题展开的，其目标是以军工应用为背景，研制开发一种专用的研磨抛光机器人。　　 目前，研磨抛光机器人在理论上和应用上都面临着许多技术难题，国内外大批学者投身于该领域的研究和探索，并且取得了大量的研究成果。本文是在这些成果的基础上，对透明件研磨抛光机器人控制系统中的关键技术进行研究。主要贡献概括如下：　　 针对机器人研磨抛光的不同阶段需要完成不同的控制任务，进行了研磨抛光任务生成研究，包括数学建模、任务规划和任务执行。其中，数学建模有运动学建模、动力学建模和雅可比矩阵的求解。通过采用基于时空分解的任务生成方法，有效解决了机器人在自由空间的轨迹控制和在约束空间的力控制之间，以及粗磨、细磨和抛光的不同工艺控制之间的自动切换问题。这些为后续章节的研究构建了总体控制框架。　　 当机器人从自由空间向约束空间过渡时，为了减小机器人末端执行器与工件之间的碰撞力，本研究提出了基于二次降速的轨迹规划方法，使得机器人末端执行器以极低的速度与工件相接触。实验结果表明，此方法克服了传统的T型或S型轨迹规划方法，由于接触速度过快而产生的较大碰撞力，从而抑制了振荡现象的发生，保护了机器人、力传感器和有机玻璃工件。　　 根据项目要求，本研磨抛光机器人的三个直线传动单元具有行程长、自重大的特点，所以机器人的重力对控制精度的影响是不可忽略的因素。然而，采用基于机器人运动学模型的轨迹控制是将重力作为外部干扰来处理的，要实现高精度控制往往不能满足要求。本研究中，提出了基于机器人动力学模型的计算力矩轨迹控制方法，并证明了考虑约束力情况下的算法收敛性。由于存在建模误差时，采用基于PD反馈的计算力矩控制方法，只能实现有偏轨迹跟踪，本文提出了基于CMAC(小脑模型神经网络)补偿的计算力矩方法进行机器人的轨迹控制。仿真实验表明该方法有效。　　 在机器人研磨抛光过程中，力传感器输出的力信号包含有高频噪声和工频干扰，往往与有用信号相混叠，本文提出了小波变换的方法，对力信号进行预处理，将信号的噪声去除，提取有用信号。仿真结果表明，采用小波变换滤波，能很好地抑制工频干扰和高频噪声，并且对力信号波形的损失很小，从而提高了机器人腕力传感器输出数据的精度，为机器人力控制的实现提供了保证。　　 由于机器人研磨抛光的过程具有重复性的特点，而迭代学习适合于控制可重复性运动的被控对象，所以本文提出了基于迭代学习的力控制策略。仿真实验表明，机器人在对研磨抛光环境不完全精确了解的情况下，迭代学习利用控制系统先前的控制经验，根据系统的实际输出力信号和期望力信号之间的差值，来修正系统的输入，最终能够使研磨抛光力达到较为理想的状态。　　 最后，本文在实际的研磨抛光机器人系统上开展了应用研究。为了解决全局划痕研磨抛光的最短路径寻优问题，采用改进的遗传算法进行路径规划；为了防止局部划痕研磨抛光后的工件出现光学畸变现象，采用模糊推理的方法确定加工范围和加工步骤，并证明了方法的有效性。通过大量实验，总结了研磨抛光工艺，并采用正交试验设计的方法进行了参数优化设计。实验结果表明，该研磨抛光机器人能够满足用户的功能和指标要求。