肌肉骨骼疾病（MSD）是许多工业国家中最常见的职业病,对人的生活质量产生重大影响。由于工人身体关节超负荷,行业中的搬运任务大大增加了工人患MSD的可能性。因此,越来越多的研究机构和公司开始研究相关技术产品,最具代表性的产品是腰部外骨骼机器人。虽然腰部外骨骼机器人能够减轻腰部负担,但是其也存在着技术限制。例如,腰部外骨骼机器人无法自动切换搬运任务,也无法稳定执行辅助任务。本文提出一种基于运动识别的腰部外骨骼机器人智能控制策略,分别以长短时记忆神经网络为任务分类器自动切换搬运任务,基于自适应轨迹规划的线性自抗扰控制作为搬起任务的规划控制方法,以自适应迭代学习作为行走运输任务的控制器。主要研究工作如下:（1）以中国科学院深圳先进技术研究院LAEXO腰部外骨骼机器人为实验样机,设计腰部外骨骼机器人多传感器数据采集平台,包括LAEXO关节信息采集系统、多IMU组合平台信息采集系统和足底压力信息采集系统。（2）分析了人体腰部结构以及腰部骨骼、肌肉等组织病变的原理,建立人体搬起的运动学模型,并对搬起时人体腰部受力进行计算分析。分析了人体行走时髋关节结构及其行走步态的运动机理,并通过Opensim软件导出正常行走运动的相关数据,将其用于行走运输任务轨迹跟踪的期望目标。（3）以搬运物体重量和穿戴者动作为分类依据,以IMU、足底压力传感器和髋关节电机编码器融合的多模态数据为机器学习模型训练和测试的数据集。选择长短时记忆神经网络模型对腰部外骨骼机器人辅助搬运任务进行分类。结果表明,多任务分类的准确率可达到97%,其中,行走、弯腰搬起2 kg物体、弯腰搬起10 kg物体、弯腿搬起2 kg物体、弯腿搬起10 kg物体的任务分类精度分别为:95%、94%、96%、95%和97%;（4）根据穿戴者弯腰或弯腿的最大角度,自适应生成搬起轨迹。采用线性扰动观测器估计搬起过程中系统的总扰动量,利用多目标粒子群优化线性自抗扰控制器的可调参数,有效地补偿了搬起时物体重量变化的扰动。另外,辅助行走运输任务的运动轨迹具有周期性,选择迭代学习控制方法来跟踪穿戴者的轨迹,采用自适应项来补偿非周期的不确定性以解决迭代次数问题。结果表明,自适应迭代学习控制算法仅仅迭代10次,就能够快速准确地跟踪辅助行走运输轨迹,而PD闭环型迭代学习算法迭代50次,也未能准确跟踪行走运输轨迹。（5）设计两个任务的实验:基于PSO-ADRC的搬起任务与基于自适应迭代学习的行走运输任务;2kg和10kg搬起任务实验的最大轨迹跟踪误差均在0.8°附近;行走运输任务的迭代学习次数为3次,其轨迹跟踪误差低于1°;设计五组肌电验证实验,经数据预处理后,对比分析PSO-ADRC控制和PID控制方法搬起过程、自适应迭代学习控制方法和PD闭环型迭代学习算法行走运输过程以及整个搬运过程的肌电信号。最终,通过分析整个搬运过程的肌电评价数据可知,基于运动识别的腰部外骨骼机器人智能控制策略与有限状态机的多任务分类控制策略的左右股直肌和左右腰部竖直肌的辅助相对变化率分别为59.25%、75.86%、25.88%和11.30%,且基于运动识别的腰部外骨骼机器人智能控制策略的i EMG值比有限状态机控制策略低。