多自由度机械臂作为广泛使用的机器人中的一种,具有精度高、灵活性强等诸多优点,用于实现自动化工业生产装配、医疗服务、军事与太空领域需求。由于机械臂实际构造装配过程引入的质心、摩擦力等的变化,传统的动力学所建立导出模型会与实际模型存在较大偏差,如何利用已知数据建立关节模型避免动态建模误差是值得研究的问题。从控制器设计方面考虑,经典控制器设计方法在其参数整定上极大依赖于设计者的经验,由于多自由度机械臂具有多输入多输出、极度非线性等特点,经典控制器设计方法难以满足机器人高效智能控制的要求。本文拟采用基于模型学习和增广线性二次型最优控制的方法设计机械臂关节控制器,目的为通过模型学习减小建模偏差,简化控制器设计难度,提高控制精度。首先,在机械臂控制器设计方面,机械臂关节模型建模中考虑使用AR自回归模型建立模型回归矩阵方程求解出关节模型参数。随后构建了基于增广矩阵的线性二次型LQR的机械臂关节控制器,使用值迭代法优化系统二次型性能指标,对机械臂关节模型进行最优控制实验。实验表明通过该种方法设计的控制器在实际控制过程中,机械臂系统响应快,稳态时间短,控制性能与精度较好。其次,针对实际机械臂系统中由于其内部结构的复杂性与几何结构不对称性难以准确测量的问题,从七自由度机械臂臂型结构入手分析重力补偿模型。利用模型学习方法设计了一种基于数据的快速标定的重力补偿方法,解决机械臂重心相对臂杆位置未知情况下的重力补偿。同时进行了重力补偿算法的仿真验证与最优解求取。然后,对于上文基于模型的重力补偿算法提出了另一种思路,在机械臂的模型参数与动力学建模计算雅可比矩阵未知的情况下,设计了一种完全基于数据优化求解回归模型参数的机械臂重力补偿算法。该方法利用基于L1范数正则化凸优化方法筛选出机械臂重力补偿方程中的基作为重力补偿系数,简化了工作复杂程度,不受机械臂模型参数的影响。使用建模数据与测试数据计算了训练误差与测试误差,验证了方法有效性与准确性。最后,基于ROS机器人次级操作系统描述了七自由度机械臂关节配置、限位与外观信息,并搭建了模拟机械臂仿真环境。使用基于Linux与Xenomai实时操作系统并进行了内核性能对比测试。随后设计了各个关节动态模型的控制器并进行关节位置控制实验。通过完成整臂控制实验,验证前文控制器设计与重力补偿算法的正确性。结果表明机械臂控制系统能够很好地调整关节位姿并跟随目标信号,证明了重力补偿方法与增广线性二次型控制在机械臂系统中的优化有效性。