由于国家劳动人口短缺、人力成本持续增长,机器人逐渐加快了进入各行各业的脚步,机器人代替劳动者从事繁重枯燥的工作,不仅提升了企业的生产效率,也显著改善了生产环境。但无论是采用“机器换人”还是“人机协作”模式,都要求机器人更加拟人化与智能化,并且更易部署。机器人智能作业系统的目标是构建一个机器人学习系统,机器人从人类的知识和经验中学习任务规范和知识,抽象成机器人的动作技能、控制策略和任务模型,最终要求机器人根据学习到的知识,适应动态的环境自主智能地完成操作任务。探寻面向多任务和动态环境的人-机交互式的机器人技能学习和作业规划框架,研究面向机器人自主作业的任务理解、行为模仿、行为优化及技能增长关键技术,是机器人领域急需解决的难题之一,也是本论文的主要研究内容。小批量、定制化的生产需求促使机器人作业能力不断升级,要求机器人具备任务快速学习和技能优化能力。传统的作业编程方法较为费时费力,无法快速迁移到新环境和新任务。机器人智能作业的第一重难关是对复杂作业的快速学习和准确复现。本文首先研究了一种高效的机器人复杂示教轨迹学习和复现框架,结合无监督轨迹分割和概率运动基元,实现在小的样本容量下,对复杂轨迹进行准确建模并精确复现,能够对机器人复杂任务进行分割和识别,加以分段学习处理。该框架的整个学习过程不依赖于先验知识,不受任务特性限制。在仿真实验及之后的机器人实际应用中,证明了所提方法可以实现比传统单一的概率建模方法更精确的复杂轨迹学习,这在机器人抛光、喷涂、焊接等实际作业任务中具有重要价值,极大地扩展了机器人示教学习的应用场景。新一代智能机器人不仅需要具备强大的学习能力,还需要具备动态环境的适应能力。要求机器人不仅能够实现任务特征的提取和建模,而且能够在满足任务特征约束的同时躲避移动障碍物以适应动态环境。本文研究了如何结合概率任务模型和实时安全运动规划,以实现安全与任务双导向的动态环境智能运动规划。利用概率模型学习基于场景的任务本质特征,视觉传感器实时追踪场景中任务相关物体,根据任务特征在变化的环境场景中完成作业任务。研究整臂快速避障理论,以机器人安全域概念计算机械臂的整臂碰撞风险和规避反应,实现对环境中动态障碍物的快速避障响应。研究满足任务特征约束和安全运动约束的作业规划策略,机器人在任务约束下改变自身运动躲避障碍物以满足安全作业和任务特征双约束。与传统的闭环逆运动学算法相比,所提作业规划策略在满足机器人任务特征约束的前提下,获得了更大的避障空间。机器人不仅能够产生具备拟人行为特征的运动轨迹,而且具有较强环境适应性和安全性,解决了动态环境中机器人任务学习及泛化的问题。机器人任务约束除了任务特征约束和安全运动约束,还包括环境自然约束。与环境接触的作业任务具有与外界不断交互的特性,其作业规划需要时刻考虑动态环境约束的影响。因此本论文除了探究机器人自主作业中任务特征和安全约束的运动规划问题,同时聚焦动态环境约束下的力控作业安全控制问题,在满足机器人-环境接触作业任务约束的条件下,跟踪期望位置和力轮廓,实现抗干扰和性能优越的作业控制。利用多优先级任务管理策略将物理接触任务中的运动控制和力控制结合起来,实现机器人与环境交互过程中安全要求与作业性能的权衡。利用多约束不变控制满足任务约束,实现强干扰抑制和运行安全,以示教的方式学习编码任务期望目标,并构建误差指数收敛调节器实现跟踪误差的快速消除。实验证明,在不建立复杂动力学模型的前提下,该框架能够胜任不同类型的物理接触任务,满足动态的环境约束实现扰动抑制,并具有较好的控制效果和较快的误差收敛速度。双臂协作中的协调约束是机器人自主作业另一类重要的任务特征约束。双臂协调作业不仅指人与机器人之间的协作作业,也指双臂机器人两只作业手臂之间的协作作业。协调作业的关键在于理解另一方的运动意图并根据协调约束做出正确应对。由于机器人的作业操作包含运动和力的高维信息,本文研究了利用数据降维方法解析高维输入信息得到机器人运动意图,将高维演示数据嵌入到低维的任务流形,通过任务流形关联双臂的协作技能。提出了基于高维数据解析和协作映射的双臂协调作业理论和方法。所提作业框架可以融合动态场景的避障运动规划和力控作业多约束控制等方法,作为协调操作的运动规划器,拓展了机器人智能作业的任务边界,对人机真正共融提供技术支撑。最终,通过双臂协作实验进行集成测试和验证,证实了所提机器人运动规划、安全控制和协调作业方法的有效性。