张拉整体结构是由一组离散受压构件包含于连续的受拉构件而组成的稳定自平衡系统。张拉整体结构最初兴起在雕塑领域,后因为其造型新颖,构思奇特,质量轻并具备一定的刚度在许多大跨度的结构工程中被采用。近年来因其高强度质量比、可分散内力、低成本的特性,成为机器人研究中比较活跃的一个领域。球形张拉整体机器人被用作太空探索机器人而展开研究。然而,由于其非常规的结构以及高耦合动力学,张拉整体结构的高效运动控制问题仍然是项难题。使用传统的控制算法难以实现有效的运动控制。深度强化学习算法由于其强大的感知和决策能力,已被用于许多机器人任务。然而,其通常需要收集大量的样本,这限制了它的应用。基于模型的算法可以用较少的样本学习,但由于模型误差累积而具有次优结果。本文以球形张拉整体机器人为主要研究对象,首先对其建立动力学模型,提出一种将无模型强化学习与有模型强化学习混合的算法,来实现对张拉整体机器人的高效运动控制,最后结合人工势场法实现不同障碍情况下的避障控制。具体研究工作如下:首先基于位置坐标有限元方法,定义了张拉整体结构中杆单元及绳索单元,推导了结构受到的广义力以及其切线刚度矩阵和切线阻尼矩阵具体形式,根据动能表达式得到质量矩阵,然后依据拉格朗日运动方程得到系统的动力学方程。随后介绍了非线性微分方程的数值求解方法。采用Newmark方法对动力学方程进行数值求解。在数值算例中采用动力松弛法完成对张拉整体机器人的找形分析。对比了本文的动力学仿真与商用物理引擎MUJOCO结果。之后,针对张拉整体机器人滚动控制问题设计了密集型的奖励函数,基于深度确定性策略梯度（DDPG）算法提出了改进方法。具体时限为通过随机采样的数据建立神经网络动力学模型,采用模型预测控制得到初步的控制效果。利用受控轨迹来初始化DDPG的参数和记忆库,通过训练DDPG算法参数,得到高性能的控制策略。试验证明了混合算法的采样效率远优于DDPG算法。以不同的地面条件的控制效果证明了算法的高效控制能力。最后针对避障问题提出了将人工势场法与DDPG结合的避障算法。分析对比了人工势场法采取不同探索步长下强化学习算法对张拉整体机器人的控制结果,得到了适应不同障碍情况的避障策略。