在无人自行车的平衡控制中,侧向平衡控制研究是实现无人自行车自平衡控制的基础。传统控制器在无人自行车的平衡控制中,已经展示出良好的控制效果,但是,当无人自行车处于多变、复杂的环境中时,传统控制器所展现出的稳定性和鲁棒性并不能很好的满足实际需求。受仿生学中内在动机的启发,在无人自行车中引入反应式认知学习系统,以便无人自行车能够与环境展开持续的交互,并通过学习机制激发无人自行车内在动机,使系统达到平衡稳定状态,确定系统输出动作与系统状态特征之间的非线性映射关系。为通过反应式认知学习,让高无人自行车在与环境进行交互的过程中激发其内在动机,提高其自学习能力和环境适应能力,主要研究内容如下:1)分析无人自行车动力学模型。采用查普雷金方程,建立可表征无人自行车动态的非线性二阶响应力学模型,并对该模型展开线性化,获取线性模型,再引入无人自行车线性变参数（Linear Variable Parameter--LPV）模型。分析、对比三种动力学模型的优缺点及适用条件,选择无人自行车LPV模型作为本研究用动力学模型。2)针对本研究所使用的物理样机,对其LPV模型中特征参数的获取展开分析与研究,采用离线计算和在线识别两种方式分别获取无人自行车LPV模型的特征参数,并代入模型中得到两个确定模型,对比、分析两个模型的动态响应,挑选与研究用物理样机动态响应最接近的模型,作为无人自行车反应式认知学习系统的模型。3)介绍无人自行车反应式认知学习系统。基于一种反应式认知学习系统,构建依概率学习的认知学习机制,实现无人自行车侧向平衡控制的自学习。依托无人自行车动力学模型,利用matlab/simulink模块搭建学习系统模型,通过学习机制进行无人自行车自平衡仿真学习。结果表明:采用反应式认知学习系统,可以实现无人自行车侧向平衡自学习,并且通过学习获取得到的“状态--动作”规则,可以对无人自行车进行良好的侧向平衡控制。4)开展无人自行车反应式认知学习物理样机实验。简介研究用的无人自行车物理样机及其测控系统,对物理样机开展基于反应式认知学习的实验,在认知学习的驱动下,实现物理样机与环境持续交互,进行自主动作选择与动作学习。分析实验结果,发现无人自行车物理样机在与环境交互的学习过程中,可以激发无人自行车的内在学习动机,使其涌现出自学习能力。