纵观无人自行车自平衡控制的发展历程,虽然使用传统控制器已经实现对无人自行车的平衡控制和轨迹控制。但是,这些控制全部或部分受限于较为理想的路况和环境之中,当无人自行车处于不同的路况,或者行走于未知的动态变化环境中时,传统控制器并不能让无人自行车适应环境,需要重新调整参数,以达到稳定状态。本论文采用一种强化学习的策略--反应式认知学习系统,依靠无人自行车与环境交互,展开无人自行车自平衡运动控制研究。无人自行车结合反应式认知学习系统,可以弥补传统控制对动态环境适应能力弱这一短板,增强无人自行车的环境适应能力,在变化的环境中实现稳定的侧向平衡控制。本论文针对无人自行车反应式认知学习系统中的几个关键问题进行研究,主要研究内容如下:1)分析、选择合适的分类方法,构建研究无人自行车反应式认知学习系统中的状态分类模型。采集无人自行车平衡运动数据,构建线性判别分析状态分类模型,并对该模型进行评价分析。2)对反应式认知学习系统中不确定函数进行研究与改进。在原不确定函数随学习时间和学习次数降低,导致学习动机逐渐下降的前提下,本论文对不确定度函数进行改进,让学习动机在随时间降低的过程中,部分提高,以此提升系统的学习动机,增加系统的探索性。3)对反应式认知学习系统中评价矩阵、学习系数α、β的选取进行研究。将固定参数评价矩阵设置为可动态调整的评价矩阵;优化学习系数α函数的计算,让α值随状态改变进行调整;选择合适的β值。综合改进上述学习策略,实现无人自行车反应式认知学习系统的优化,提高学习效率和学习品质。4)利用MATLAB/Simulink搭建反应式认知学习模块框架进行运动控制仿真。对线性判别分析模型与模糊分类进行仿真对比分析,通过仿真结果证明采用线性判别分析模型分类的方法,可以让学习收敛速率更快,无人自行车横滚角学习振荡更小,且其学习至平衡状态时,收敛范围更小,验证了采用该方法的可行性;设置不同初始期望值进行仿真对比分析,通过仿真结果证明适当的调整自动机组初始期望值,可以提高学习效率,降低学习时长,为后续物理样机实验奠定了基础。5)采用改进后的反应式认知学习系统,展开物理样机自平衡学习实验。利用部分反馈线性化控制器进行物理样机实验,采集基于部分反馈线性化无人自行车自平衡状态数据,作为状态分类的基础数据,构建线性判别分析状态分类模型;参考仿真实验过程,对无人自行车物理样机展开反应式认知学习系统的实验,实验结果证明改进后的系统对无人自行车侧向平衡自学习有效学习时间更长、对无人自行车侧向平衡调整能力更优、无人自行车在平衡学习状态时,其横滚角收敛范围更接近平衡范围。本论文探索反应式认知学习系统,对无人自行车侧向平衡运动控制的应用问题。针对反应式认知学习系统中的几个关键问题,进行深度分析研究与探讨,通过MATLAB/Simulink仿真,验证改进后的反应式认知学习策略,对无人自行车侧向平衡运动控制的可行性,然后在无人自行车物理样机上进行学习实验,实现无人自行车的侧向平衡运动控制。