动力学与控制器学习是机器人领域主要的研究热点。现有方法大多是针对目标机器人采用小规模神经网络进行专有训练，通常具有泛化性差、精度不高等缺点。随着预训练技术的提出与发展，其在相关下游任务具有优异的表现，那么是否可以借助预训练技术以提高机器人建模和控制的泛化性、降低研究门槛？为此，本文将预训练引入机器人连续控制领域，研究串联机器人动力学和控制器预训练模型。

本文主要研究内容总结如下：

1.串联机器人动力学预训练。通过从模型维数、拓扑结构和动力学参数三个方面进行随机以产生大量异构串联机器人模型，再通过motor babbling随机若干运动轨迹，从而形成大规模的动力学轨迹数据集；利用Generative Pre-trained Transformer（GPT）结构学习大量机器人动力学以及三种目的不同的逆动力学模型。实验结果表明该方法在大规模轨迹测试集上具有较高的精度、较强的抗扰性以及泛化性，迁移到实际机器人时可以达到了与模型辨识相同的精度，并大幅降低了辨识过程的复杂度。

2.串联机器人控制器预训练。在上述大量异构串联机器人模型基础上，面向随机任务，优化全状态反馈控制器，并加入随机扰动以获得机器人的控制轨迹，从而构建大规模的运动控制轨迹数据集；利用GPT结构，以机器人随机动力学轨迹和运动控制轨迹为输入，学习大规模异构串联机器人的控制器预训练模型。实验结果表明该模型可以在仅给定动力学轨迹的先验下实现未辨识机器人和未知任务的闭环控制，具有较高的控制精度、鲁棒性和泛化性。

综上所述，本文将预训练引入机器人连续控制领域，构建了动力学和控制器的预训练模型，既展现了较高的精度、鲁棒性和泛化性，又能够降低相关领域研究门槛。