在分析几种微创手术机器人控制系统架构的基础上，提出了基于Ethercat总线和TwinCAT运动控制器的控制系统架构，该系统架构采用集中式控制和分布式I/O(输入和输出)．基于该控制系统提出了主从控制映射算法，编写了相应的程序，并设计了相关实验对该控制系统和控制算法的有效性进行了验证．实验结果表明：该控制系统稳定可靠，实时性强，灵活易扩展，应用于微创手术机器人系统中极具优势．

为检测踝关节机械阻抗，提出了一种简易的踝关节机械阻抗检测装置，通过两个弹性模块和一个扰动电机的配合实现了踝关节机械阻抗的测量．弹性模块为踝关节提供静态支撑力矩，大幅降低装置刚度，减小了提供随机激振所需的力矩负担，弹性模块的形变反映了轴上的转矩．弹性模块与扰动电机配合，将电机的位置控制间接转化为转矩控制，实现了随机激振和随动两种电机控制模式．通过验证性实验检验证明该装置可估计踝关节的阻抗参数，将该装置用于人体踝关节机械阻抗的测量，获取了一组实验者踝关节阻抗数据．

针对缺少在社区与家庭中使用的康复机器人的现状，提出一种新型下肢康复机器人设计方案．首先，根据患者康复训练需求完成了机器人的机构设计，建立了机器人的三维模型并介绍了其具体结构；其次，在矢状面内建立人-机模型并对机构进行运动学分析，对精确实现踝关节规划轨迹的控制规律进行了仿真分析；最后，基于样机进行了多位姿试验.试验结果表明：机器人能够实现“坐-卧-站”多位姿康复训练，该机器人设计方案具有可行性，能够为不同康复期的下肢偏瘫患者提供针对性的康复训练轨迹，有助于偏瘫患者康复训练．

为提高机器人对家庭环境的语义认知能力，提出了一种环境语义认知模型．基于卷积神经网络提取场景类别和物品语义信息，实现环境的上下文语义理解；采用语义解析器解析语义信息，进而以结构化的方法表征知识，并将其存入本体知识库.同时基于语义网规则语言(SWRL)推理规则挖掘出其隐藏知识，实现知识库的扩展；以服务任务为驱动，实现家庭环境下机器人快速、准确地从知识库获取所需语义信息，从而智能化地执行服务任务.实验结果表明：所提出的模型能够准确提取环境语义信息，并能使机器人快速检索到服务所需知识．

针对环视鱼眼图像中目标几何畸变大导致建模难的问题，提出一种基于可变形卷积网络的实例分割方法，主要是在Mask R-CNN框架的基础上引入可变形卷积和可变形RoI Pooling(候选区域池化)来提升网络对几何畸变的建模能力．针对深度神经网络训练数据缺乏、易过拟合的问题，提出了基于多任务学习的训练方法．首先将现有的大规模普通图像数据集转换为鱼眼数据集来弥补训练数据不足的问题，然后采用多任务学习的训练方法将转换的图像和真实图像放在同一个框架中训练以提高网络的泛化能力．用该方法在真实的环视鱼眼图像上做测试，结果表明：相对于原始Mask R-CNN的方法平均精度提升了3.1%，证明了该方法在真实交通环境中的有效性．

针对无约束环境下人手的跟踪问题，提出了一个基于实例化的鲁棒人手跟踪算法．该算法将多个基于相关滤波的跟踪器组合成跟踪器集合，每个跟踪器对应的相关滤波器由一个特定的跟踪结果训练而来，在后续的跟踪过程中不会更新．此外，为避免模型漂移，该算法结合基于颜色模型的分割对跟踪结果进行调整．对比实验表明：在复杂场景中提出的算法相较于单一的相关滤波跟踪或基于颜色模型的跟踪算法有明显的提升，相较于其他一些跟踪算法跟踪效果也更好．

针对基于卷积神经网络(CNNs)的人体动作识别方法通常采用空域或时域局部特征的不足，提出一种融合人体动作全局时域和空间特征的双通道CNNs动作识别模型．空间通道对动作图像进行深度学习，采用多帧融合的方式提升准确率，全局时域通道对能量运动历史图(EMHI)进行深度学习，最后融合两个通道信息识别人体动作．利用现有的大型数据集进行预训练，以解决学习过程中训练样本不足问题．在UCF101数据集和该项目小样本数据集上进行实验，结果证明了该方法的有效性．

针对基于体感控制器(leap Motion)的手势识别方法通常无法识别复杂的动态手势问题，提出一种基于多特征隐马尔科夫模型(HMM)融合的动态手势识别方法．首先，根据手的移动速率，从连续数据中分割出有效手势，均匀采样得到数据帧；然后提取手掌姿态、手指弯曲度、手指分开度和运动轨迹四类特征；最后用K-means聚类后的特征序列建立四类单特征HMM．在手势识别阶段，计算并融合未知手势序列在四个单特征HMM下的发生概率，选择概率最大手势为识别结果．实验结果表明：所设计的特征能充分表达动态手势，提出的方法能有效识别复杂动态手势，且识别实时性良好．

针对凸非负矩阵分解(CNMF)人脸识别方法的运行时间长且识别率不高的问题，提出一种可收敛的易于计算的新目标函数，并引入阈值稀疏约束，得到新的迭代规则，可有效提高识别率和减少计算时间．首先，图像经预处理后得到低频训练样本，经由新迭代规则的稀疏凸非负矩阵方法分解，得到特征的稀疏基矩阵和权值系数矩阵；然后，基于稀疏特征基矩阵对测试样本进行分解，得到测试集的特征权值系数矩阵；最后，使用一对一支持向量机对该特征权值系数矩阵进行识别分类．基于新规则的稀疏化基矩阵数据更为集中，因此相应系数矩阵中特征的权值也更为集中，易于进行分类识别．实验结果表明：基于新迭代规则的稀疏CNMF方法的识别率可达到100%，比凸非负矩阵分解、稀疏非负矩阵分解、多层非负矩阵分解方法分别提高了33.0%，10.0%和5.5%，并且识别时间更短，图像重构误差更小．

基于深度学习的方法，运用Faster R-CNN目标检测架构和ResNet50卷积神经网络，针对配电线路维护机器人系统作业目标的特点对网络进行了训练．在此基础上结合双目视觉测距原理测得作业目标在相机坐标系中的坐标，通过手眼标定将该坐标转换到机器人基座坐标系中，从而完成作业目标的空间定位．实验结果表明：该方法能很好地适应作业场景背景复杂、光照变化以及目标部分遮挡等情况，所提出的手眼标定算法能够满足配电线路维护机器人对目标空间测量定位的要求．

为了解决采集的脑电信号中常含有工频、心电、肌电和眼电等多源干扰问题，提出一种基于降噪源分离的脑电信号消噪方法．首先，该方法经过小波分解重构，消除高斯噪声完成预处理；然后，根据脑电信号的非高斯性，用正切函数进行降噪源分离，将含干扰的脑电信号逐次迭代提取得到分离信号作为消噪结果；最后，引入相关系数检测消噪效果．实验结果表明：经过降噪源分离提取得到的分离信号之间呈现弱相关性，而目标分离信号与源信号具有强相关性，可有效去除脑电信号中的心电和眼电伪迹．

提出了一种基于强化学习的机器人路径规划算法，该算法将激光雷达所获取的移动机器人周围障碍物信息与目标点所在方位信息离散成有限个状态，进而合理地设计环境模型与状态空间数目；设计了一种连续的报酬函数，使得机器人采取的每一个动作都能获得相应的报酬，提高了算法训练效率．最后在Gazebo中建立仿真环境，对该智能体进行学习训练，训练结果验证了算法的有效性；同时在实际机器人上进行导航实验，实验结果表明该算法在实际环境中也能够完成导航任务．

针对多机器人路径规划算法多采用集中式规划，生成的机器人路径之间高度耦合，机器人发生故障时或者路径的时间序列被打乱时须要重新规划，导致执行效率较低的问题，提出了一种基于保留区域的分布式多机器人路径规划算法．采用分布式的规划架构，单个机器人在强连通有向图的环境中单独规划路径，中央模块采用保留区域的方法协调机器人之间的路径．该算法解决了规划路径之间高度耦合的问题，并且实验证明该算法还具有求解快速、规划成功率高、执行过程鲁棒性好等优点．

为了提高未知环境下移动机器人的探索能力，基于深度强化学习训练提出一种基于最小深度信息有选择的训练模式，通过运动学方程约束，优化了状态空间的搜索与采集，提高了训练速率．在仿真未知环境中通过将RGB-D传感器的深度图像作为机器人的状态输入，学习模型将直接输出机器人的速度与角度并进行运动决策，验证了机器人路径规划控制策略．研究结果表明：在相同的训练时间下，所提出的训练模式对未知环境有更好的探索能力．

针对移动机器人在非结构化环境下的导航任务，根据哺乳动物海马体空间细胞的认知机理，提出了一种仿鼠脑海马的机器人情景认知地图构建及路径规划方法．在机器人情景记忆建模过程中集成位置细胞与网格细胞神经元活动机制，建立机器人空间环境情景认知地图，采取状态神经元集合序列全局路径规划策略，在记忆空间以自我为参考，通过事件再配置预测并规划最优情景轨迹．实验结果表明：该方法能够生成精确的情景认知地图，并且基于目标导航能够规划一条最佳路径．

为了研制一种新型的具有高续航力和高机动性的水下滑翔蛇形机器人，提出一种适应其细长体外形、多模块特点的运动调节机构．基于动量定理、动量矩定理以及递推牛顿-欧拉法，分别建立滑翔运动和蛇形游动的动力学模型，模型充分考虑了附加质量力、流体力和流体力矩等影响因素．最后对建立的模型进行闭环控制仿真分析，结果证明了机械系统的有效性以及动力学模型的有效性．

设计了一种新型的中继循环残差神经网络，用于增强超分辨率重建图像的重建效果，提出了一种双层深度网络，其中重建网络负责初步图像重建，由中继网络进一步提示图像细节．所提出的中继网络架构同样也适用于具有不同类型的超分辨率深度学习网络，在CAS-PEAL-R1和CASIA-Webface数据库上的实验结果表明：中继网络模型提升了传统深度网络的图像重建性能，主客观重建质量均优于现有的卷积神经网络超分辨率算法．

针对人工特征对于多样性的变化没有很好鲁棒性，并且主成分分析网络提取的特征维数过高导致分类效率低且对内存消耗大的问题，提出了一种主成分分析网络和压缩感知结合的手写数字识别方法．首先，利用改进的主成分分析网络对图像进行特征提取；然后，用一个非常稀疏且符合压缩感知RIP条件的随机测量矩阵对抽取的特征空间投影，得到一个低维压缩子空间，该子空间可以保留高维图像特征空间的信息；最后，采用支持向量机对降维后特征进行训练和识别．实验结果表明：该方法识别率高、训练时间短；同时，该方法在加入池化层并进行压缩感知后，特征维数更低，模型内存占用更小，分类识别的速度更快．

为满足配电线路维护机器人更换避雷器的作业需求，提出了一种基于全卷积神经网络的横担姿态测量方法．通过分析三维几何特征建立了横担姿态模型；采用基于全卷积神经网络的图像分割方法获得横担区域，并以此作为掩膜进行边缘检测，去除环境干扰；采用基于投票法和霍夫空间约束的直线检测提取横担主体区域轮廓直线，并给出了求解横担姿态向量的算法．实验结果表明：所提出方法能较为精确地测得横担姿态，为机器人自主更换避雷器奠定了良好基础．

为研究人体踝关节平衡策略，实时观察踝关节的运动状态，搭建了基于OpenSim开源仿真软件的人体肌肉骨骼仿真平台，并验证踝关节肌肉反射控制在直立抗扰时的作用．首先，调整人体模型参数，使其可保持静态直立；然后，施加扰动，对踝关节采用肌肉反射调节，使其重新达到平衡．仿真环境下可得到踝关节力矩、角度和角速度等数据，通过对比人体实验结果，验证了仿真的有效性．

提出了一种基于环境评价的惯性测量单元(IMU)与相关性扫描匹配(CSM)融合定位算法．通过IMU估计机器人的初始位姿，根据当前激光扫描数据构建环境评价函数，将环境评价函数的输出与环境差异度阈值进行比较，实时更新CSM定位结果的置信度，通过置信度动态选择机器人位姿更新策略，解决了CSM在环境差异度较小的情况下易发生误匹配的问题．实验结果表明：所提方法的平移绝对误差及旋转绝对误差分别是CSM定位方法的10.1%和9.4%，是IMU辅助CSM定位方法的85.1%和93.3%，且计算效率相对CSM定位方法和IMU辅助CSM定位方法分别提高了12.6%和33.4%，从而验证了该方法环境适应性更强，且精度和效率更高．

针对水下航行器垂直面定深控制问题，提出一种将深度误差和纵倾误差同时分配给艏舵和艉舵的艏艉联合操舵控制策略.该操舵策略克服了用单舵控制水下航行器垂直面深度运动存在的不足，并兼顾了航行器在同时进行深度控制和纵倾控制时存在的耦合作用，满足工程实际应用需求．基于李雅普诺夫稳定性原理设计了艏艉联合操舵滑模控制算法，该算法通过引入幂次趋近律加边界层的方法消除了控制过程中的“抖振”现象．最后通过仿真试验表明：所提出的艏艉联合操舵策略能够在小范围纵倾变化下实现快速的深度跟踪，验证了该操舵策略的有效性和优越性．

为避免电力线通信网的广播特性所带来的信息泄露风险，提出一种基于异步迭代算法的联合收发结构的物理层安全传输策略．在确保窃听者对秘密信号解码的均方误差高于所设定门限值以及发射功率约束的前提下，基于总体均方误差最小化准则，设计了采用异步迭代算法的联合收发机，从而求解出预编码矩阵和解码矩阵．仿真实验表明：在电力线信道环境下，所提出的联合收发方法可恶化窃听者的均方误差性能，使得窃听者安全速率为零，并且保证合法收发对安全速率为正，防止秘密信息被窃听．