机器人作为一个集多种技术于一身的典型代表,其技术含量高,研发难度大,体现了国家技术实力和发展水平。由于仿人机器人与人有着高相似度,能够代替人完成很多高难度任务,激起了众多研究者的研究热情。NAO双足仿人机器人由于机构的多自由度,动作较为灵活,智能程度高,广泛受到欢迎。然而其多自由度和复杂结构的特点增加了控制难度,使得行走过程中精确跟踪轨迹成为研究的重难点。NAO机器人的复杂轨迹跟踪控制问题就是通过设计合理的控制器实现减小轨迹跟踪误差,以期完成轨迹的精确跟踪控制任务。由于NAO机器人的高复杂性结构导致难以获得其精确数学模型,因此,给基于模型的控制理论与方法的应用带来很多本质性困难。无模型自适应控制(Model-Free Adaptive Control,MFAC)方法作为数据驱动控制方法的典型代表,因其具有自适应性强、工程易实现及无需机理模型进行控制器设计等优势,已经成功应用于很多实际系统中。因此将MFAC方法应用于NAO机器人的轨迹跟踪问题具有重要意义。本文的主要研究工作有:(1)对NAO机器人的跟踪控制问题进行了数学描述,并在已知NAO机器人行走环境地图和起止点的情况下,利用A*算法获得了 NAO机器人轨迹跟踪控制问题中的期望轨迹。(2)针对MFAC方法仅利用受控过程中的在线数据,而不能充分利用历史数据的缺点,基于控制器动态线性化的MFAC方法和懒惰学习方法相结合的思想,提出了两种改进的MFAC算法,即基于控制器紧格式动态线性化和偏格式动态线性化两种等价动态线性化方法的MFAC控制系统设计方案,其中的懒惰学习方法实现了综合利用被控对象的在线和离线数据更新控制器参数。(3)首先对改进的MFAC方法进行了多个角度的数值仿真分析,突出了该方法在非线性系统跟踪控制方面的优越性。然后利用NAO机器人的动力学模型提供输入输出数据,通过4种控制方法的仿真比较验证了改进MFAC方法对NAO机器人轨迹跟踪控制问题的有效性。最后,编写了 Python程序控制NAO机器人进行轨迹跟踪控制实验,在3种实验场景下将所提方法与其他数据驱动控制方法进行了实验比较,验证了本文所提方法的有效性和优越性。