传统的机械臂,如果环境不发生改变,那么可以根据任务内容来对机械臂参数进行调整,从而完成所规定的任务目标。由于传统机械臂构形上的局限性,机械臂构形不变的前提下完成诸多任务是十分困难的,而针对不同任务设计不同构形又会增加成本。寻找一种既可以满足不同任务需求,又能改变自身构形来适应环境变化的机械臂是人们所迫切需要的,可重构机械臂由此诞生。可重构机械臂在很多应用领域如工业制造、月球探测、医疗产业等具有巨大的发展前景。除此之外,它还具有高柔性、低成本、适应性强等诸多优点,并且对可重构机械臂精度的增强、控制器结构的优化以及降低能耗等方面都具有重要的研究价值。因此,着眼于可重构机械臂的研究,有着深远的理论意义。本文首先介绍了课题的选题背景及意义,对可重构机械臂的国内外研究现状和研究内容进行了综述,并对自适应动态规划(Adaptive dynamic programming,ADP)方法进行了综述,然后阐述了全文章节安排和主要研究内容。其次,在物体坐标系下,分析出了刚体的Newton-Euler方程,根据Newton-Euler迭代算法,对连杆的广义速度和广义加速度在模块间进行正向迭代、对广义力在模块间进行反向迭代,最终推导出可重构机械臂的动力学模型。再次,考虑到模块化和可重构的特性,分散控制方法更适合于可重构机械臂系统,推导出了可重构机械臂子系统的动力学模型,提出一种基于自适应动态规划方法的可重构机械臂分散跟踪控制方法。利用神经网络思想,采用单网络评价结构作为智能体的结构,并且通过在线策略迭代算法来推导出哈密顿-雅可比-贝尔曼(Hamilton-Jacobi-Bellman,HJB)方程的解,进而得到最优反馈控制策略和分散最优控制策略,并且对其进行了稳定性分析和仿真验证。然后,建立基于关节力矩感知的可重构机械臂子系统的动力学模型,提出了一种基于学习的分散最优控制方法。通过反馈控制策略,使系统的分散最优控制问题转化为模型不确定项的最优补偿问题,从而处理模型中的耦合交联项。通过策略迭代方法来求解HJB方程,构建评价网络来逼近最优反馈控制策略,并且仿真验证了所提控制方法的有效性。最后,对全文所做的工作进行了总结与展望。