机器人面向人体肌肤对象进行按摩、医疗康复等工作时,操作对象力学特性的不确定性往往导致阻抗控制中力控制难以精准实现。本文提出了融合粒子群参数辨识算法的自校正阻抗控制系统,通过对肌肤动力学特性的辨识,指导自校正控制器对阻抗控制参考位置,以进行前馈预测和反馈调整,实现未知肌肤环境下精准的力位控制效果,同时针对粒子群运行参数耦合影响辨识算法运行效率的问题,提出粒子群运行参数的图知识迁移学习算法,通过历史作业任务中获取经验信息,学习、应用于目标任务中粒子群算法运行参数优化工作,从而加快了辨识算法收敛速度。研究内容主要包括:(1)通过对肌肤受力-变形数据的分析,建立了肌肤变形与受力之间的非线性肌肤动力学模型,以描述肌肤独特的生物力学特性,并基于粒子群算法辨识肌肤动力学模型参数,克服了肌肤动力学模型参数的耦合、非线性辨识难点;(2)针对粒子群运行参数优化需求,基于迁移学习思想,融合源任务筛选算法和基于迁移模型图的迁移函数学习算法,提取历史作业任务经验信息,应用于目标任务中粒子群算法运行参数的优化工作,从而降低算法迭代次数,提高了粒子群算法的辨识效率;(3)提出自适应阻抗控制系统,基于非线性肌肤动力学模型和粒子群辨识算法,对阻抗控制参考位置进行前馈预测,同时根据接触力的反馈进行参考位置的自校正调整,在实现柔顺接触的同时保证了力位控制效果。在肌肤对象上进行本文研究内容的实验验证,肌肤动力学模型拟合实验中,肌肤动力学模型对肌肤实际受力-变形数据的平均拟合误差小于0.2N;基于粒子群辨识算法的自适应阻抗控制实验中,机器人能够在按照规划作业路径运动的同时,保持力跟踪的平均绝对误差低于0.2N,接触力方差低于0.4N~2,达到了精准的力位控制效果;粒子群运行参数的迁移学习优化实验中,粒子群辨识算法在参数优化后相比未优化前,在相同辨识精度要求下所需的算法迭代次数平均降低了51.82%,辨识效率获得了明显提升。