针对两栖**除了受到路基环境下车体易振动的因素影响外，还会受到海洋环境下载体本身摇摆等因素的影响，导致两栖**发射装置的发射角度出现偏差的情况,利用自构建小波神经网络的自适应和自学习的能力，提出一种基于自构建小波神经网络的内模控制方法来进行两栖**随动系统研究。由小波基函数的激励强度和衰减程度来决定增加神经元节点或者修剪、删除神经元节点，达到优化隐含层结构的目的，然后采用LM算法来提高学习速率。通过自构建小波神经网络对内模控制系统的正、逆模型进行辨识，来改进控制技术。最后的实验仿真结果表明，该方法可以有效提高系统的抗干扰能力、发射精度以及调节的快速性。

两栖机器人的水下路径最优规划是目前机器人运动控制研究领域的热点和难点。本文针对两种基于视觉伺服的广义约束优化(GCOP)和序列二次规划(SQP)的机器人运动控制算法进行对比分析, 结合视觉伺服传感器, 实现了两栖机器人最佳路径的规划、监测动态目标标定、移动目标监测、水下障碍物识别和目标跟踪。利用球形机器人的结构对称特性及阿基米德浮力原理, 并结合模糊控制算法对水舱水位进行实时控制, 使球形两栖机器人在水下能实现水下多自由度运动。最后, 进行了算法的仿真和水下运动实验。实验结果表明, GCOP算法和SQP算法在相对障碍物的有限距离内, SQP算法规划的路径更加合理; 而在达到目标坐标位置上, 两种算法的误差为167.5 mm, SQP算法在水下路径规划上更加有效。

球形两栖机器人具有对称的结构和多自由度的运动状态特性, 在环境适应性和运动稳定性上具有优势。本文介绍一种可以用于深海水下探测与救援的新型水陆两栖机器人控制系统的结构和建模方法, 根据机器人的运动控制模式, 推导出具有6个自由度的动态数学模型, 并在动态模型的基础上, 建立并评估了两种控制模型。第一种是基于二次型调节器(LQR)的控制器模型, 第二种是基于非线性状态反馈(FL)的控制器模型。最后对两种控制模型进行水下实验验证及评估, 从而证明两种控制器的有效性和优劣性。实验表明: 非线性状态反馈系统在响应时间(LQR=67.5 s, FL=46.5 s)方面都优于有限时域LQR控制器, 而LQR控制器在上升时间(LQR=24.5 s, FL=39.8 s)方面更加具有优势。