前  言

机器人控制是控制理论和应用领域的一个热门话题，主要的理论贡献是利用线性和非线性方法，使机器人能够执行一些特定的任务。机器人交互控制是科学研究和工程应用领域的一个热门课题。机器人交互控制方案的主要目标是实现机器人与环境之间的预期性能，并能够安全、精确地运动。环境可以是机器人外部的任何材料或系统，如操作人员。机器人交互控制器可以根据位置、受力或两者结合进行设计。

最近，通过利用动态规划理论，强化学习技术被应用于最优控制和鲁棒控制。它们不需要具有系统动力学基础并且能够进行内部和外部更改。

从2013年开始，作者及其团队开始使用神经网络和模糊系统等智能技术研究人机交互控制。2016年，作者将更多注意力放在如何利用强化学习解决人机交互问题上。经过四年的工作，他们在关节空间和任务空间中提出了基于模型和无模型的阻抗和导纳控制的结果，还分析了闭环系统，并且讨论了无模型最优机器人交互控制和基于强化学习的位置/受力控制设计。他们研究了庞大的离散时间空间和连续时间空间中的强化学习方法。对于冗余机器人的控制，他们使用多智能体强化学习来解决，并分析强化学习的收敛性。将最坏情况下不确定性的鲁棒人机交互控制转化为“ 问题”，采用强化学习和神经网络设计并实现最优控制器。

本书假设读者熟悉基于经典和高级控制器进行机器人交互控制的一些应用，将进一步对系统识别、基于模型和无模型的机器人交互控制器进行系统性分析。本书适用于研究生以及执业工程师。阅读本书需要掌握的先决知识是：机器人控制、非线性系统分析，特别是Lyapunov方法、神经网络、优化技术和机器学习。本书还适用于许多对机器人和控制感兴趣的研究人员和工程师。

许多人对本书做出了贡献。第一作者要感谢CONACYT基金项目 CONACYT-A1-S-8216、CINVESTAV基金项目SEP-CINVESTAV-62和CNR-CINVESTAV基金项目提供的财政支持；他还要感谢妻子Xiaoou，她为本书投入了大量的时间和精力，没有她的帮助本书不可能完成。第二作者要衷心感谢他的导师Prof. Wen Yu对其博士研究的不断支持，感谢他给予的耐心、积极、热情和渊博的知识，在他的悉心帮助指导下才得以完成本书。此外，他还要感谢Prof. Alberto Soria、Prof. Rubén Garrido、Ing. José de Jesús Meza。最后，第二作者还要感谢他的父母Adolfo 和Graciela，他们为本书花费了许多时间和心血，没有他们，本书不可能顺利出版。

在此要说明的是，本书各章正文在涉及参考文献时，采用的是中括号内加数字的形式，如[3]、[3,8]、[3-10]这三种形式分别表示该章中的第3个参考文献、第3个和第8个参考文献、第3个到第10个参考文献。本书各章中的参考文献我们采用线上形式提供，读者可通过扫描封底二维码下载得到。