本课题研究了面向环境和输入约束的机器人控制系统中常见的问题,例如:不安全、不稳定、低精度、交互效果差、输入饱和。针对这些问题,本文采用自适应控制并结合视觉技术以及神经网络理论,引入力观测器,在基于导纳控制方法下提出相应的控制系统的设计。视觉技术的引入解决了在复杂工作环境下操作机器人带来的安全问题。导纳控制是一种应用于机器人与环境外力的交互控制方法,它通过改变机器人运动的参考轨迹达到很好的交互效果。引入力观测器用来估计机器人受到外部环境力的大小。为了解决实际系统中的模型不确定性问题,本文引入神经网络理论,可以估计并补偿系统中的不确定项。为了满足控制系统的精度问题,本文引入误差转换技术并加入到自适应神经网络控制器中,可以使得控制器同时满足稳态以及暂态要求。为了使得控制系统更具有实际意义,考虑当系统出现输入约束的情况下,通过状态反馈系统解决输入饱和问题。本文的主要研究内容可以总结为:(1)基于视觉的人体运动捕捉技术,设计自适应控制器,研究Baxter机器人在复杂环境下进行摇操作控制问题;(2)考虑机械臂与环境外力碰撞情况下,基于导纳控制的方法设计无需力传感器的机器人摇操作控制系统,在自适应神经网络控制器融入误差转换技术使得控制器同时满足稳态与暂态的控制精度要求;(3)考虑机械臂与环境外力碰撞的情况下,提出自适应最优控制方法,解决机械臂与环境外力最优交互控制问题;(4)考虑环境力和输入饱和同时存在的情况下,设计带状态反馈的自适应神经网络控制器,使系统在输入饱和的影响下以一定的精度跟踪参考轨迹,同时基于导纳控制,使得机器人与环境外力达到较好交互控制效果。