4.1人类意圆估计方法 在人与人之间的协作任务中，人通常会估计对方的运动意图并做出配合，以提高协作的流畅程 度和效率。在人与机器人的协作任务中，如果机器人可以像人一样估计对方的运动意图，就可以实 现提前对人的运动做出响应，实现更高效的协作，这也是人-机器人协作的研究重点之一。 文献[71]提出了一种应用于快速点到点人机协作任务中的人类运动意图估计方法。文献[72]未使 用力传感器，仅依据控制器的变化量来估计人类运动意图，通过获取的运动意图，提出一种转换方 法使系统在阻抗控制和随动控制间任意转换。文献73]提出了一个面向人形机器人执行复杂任务的 人机合作搬运控制架构，其中机器人可以有效估计人类的运动意图。在文献[门4]中，人类步态估计 方法被应用在移动手杖机器人中。文献[75]设计了人机多模态接口，用来实时反馈人类运动意图， 完成人机协作任务。文献[76]提出了一种基于示教的人类运动意图估计方法，提出了一种基于迭代 学习的控制策略并应用于人在回路的人机交互实验中。文献[77)提出了一种逆最优控制和目标集迭 代重规划策略来预测人的运动。李亚楠等提出采用神经网络处理人的肢使模型的非线性和时变性， 并基于此开发了一种人类运动意图在线估计方法，估计的运动意图被整合到伯适应阻抗控制中，使 机器人遵循理想的阻抗目标，能够与人类伙伴积极协作。文献[79]提出利博弈论描述人-机协作系 统，并采用策略迭代来提供纳什均衡的解决方案。人的控制目标是根据测量的交互力来估计的，并 用于调整机器人的目标，从而实现人与机器人的协调。 由于人在同一协作任务中通常采取具有相似轨迹特点的运动路径，利用概率建模的方法能够对 人类运动意图进行建模和估计[o。概率建模的一种有效方法是利用隐马尔可夫模型(Hidden Markov Model,HMM)等图形模型建模。马尔可夫模型可以同时编码时闯和空间特征。国内外学者目前已提 出了几种可以根据新获得的数据自适应修正模型的办法，虽然MM可以随机编码空间和时间特征， 但由于轨迹是离散和抽象的，因此要详细解码时间特延是很困难的。为了明确地将时间特征纳入到 模型中，国内外学者提出了使用显性时间HMM和种自归HMM2的建模方法。但将它们扩展到在 线算法是困难的，因为模型参数的学习并不能很好地收敛，除非事先设置好图形模型的结构。另一 种有效的概率方法是非线性回归方法，如高斯过程▣归(Gaussian Process Regression,GPR)和高斯 混合回归(Gaussian Process Regression,.GMR)s84。同样，作为一种利用概率分布的模型，高斯过 程动力学模型(Gaussian Process Dynamic Model,GPDM)是一种对人类动力系统进行随机建模的有 效方法。除此之外，自回归综合移动平均(Autoregressive Integrated Moving Average,ARIMA)模型 I&I、递归神经网络(Recurrent Neural Network,RNN)Is7等也被用于人类意图估计。 4.2机疆人技能传递学习方法人 近年来，技能传递兴即将人类技能传递给机器人，已成为协作机器人和人-机器人协作的 研究热点之一。技能传递学习具有以下显著优势：技能传递学习使得机器人能够在复杂动态的环 境中学习和习得操作狡能，可以克服传统编程等传统方法的不足，并且极大地提高了机器人对复杂 环境的适应性头并且在技能传递过程中，可以采集到丰富人体生理信号从而提取出所需的多个维度 的技能特征。 机器人技能传递学习受到人类学习操作技能过程的启发，与人类行为类似，机器人通常需要与 环境或人类进行物理交互，同时执行具有信息丰富的神经生理学感官信号的协作任务，这些信号都 与协作行为同时发生。对于协作机器人和人-机器人协作，技能传递学习使机器人能够保留或利用观 察到的人类行为作为技能，通过实践加以改进，然后将其应用到新的任务环境中。技能传递学习的 主要思想是通过模仿和开发自然模型、系统和过程来形成技术解决方案。 (1)技能示教 对于技能传递学习过程，通常需要人类导师对机器人进行技能示教，机器人收集并提取所需的 运动信息，包括位置、速度、力/力矩，和一些协作任务中的人的肢体刚度，从而获得了技能信息的 数据集，数据集的构建应进一步考虑运动表示、演示对齐、运动分割和生成。示教学习通常有如表3 所示的三种方法。4.1 人类意图估计方法 在人与人之间的协作任务中，人通常会估计对方的运动意图并做出配合，以提高协作的流畅程 度和效率。在人与机器人的协作任务中，如果机器人可以像人一样估计对方的运动意图，就可以实 现提前对人的运动做出响应，实现更高效的协作，这也是人-机器人协作的研究重点之一。 文献[71]提出了一种应用于快速点到点人机协作任务中的人类运动意图估计方法。文献[72]未使 用力传感器，仅依据控制器的变化量来估计人类运动意图，通过获取的运动意图，提出一种转换方 法使系统在阻抗控制和随动控制间任意转换。文献[73]提出了一个面向人形机器人执行复杂任务的 人机合作搬运控制架构，其中机器人可以有效估计人类的运动意图。在文献[74]中，人类步态估计 方法被应用在移动手杖机器人中。文献[75]设计了人机多模态接口，用来实时反馈人类运动意图， 完成人机协作任务。文献[76]提出了一种基于示教的人类运动意图估计方法，提出了一种基于迭代 学习的控制策略并应用于人在回路的人机交互实验中。文献[77]提出了一种逆最优控制和目标集迭 代重规划策略来预测人的运动。李亚楠等[78]提出采用神经网络处理人的肢体模型的非线性和时变性， 并基于此开发了一种人类运动意图在线估计方法，估计的运动意图被整合到自适应阻抗控制中，使 机器人遵循理想的阻抗目标，能够与人类伙伴积极协作。文献[79]提出利用博弈论描述人-机协作系 统，并采用策略迭代来提供纳什均衡的解决方案。人的控制目标是根据测量的交互力来估计的，并 用于调整机器人的目标，从而实现人与机器人的协调。 由于人在同一协作任务中通常采取具有相似轨迹特点的运动路径，利用概率建模的方法能够对 人类运动意图进行建模和估计[80]。概率建模的一种有效方法是利用隐马尔可夫模型（Hidden Markov Model, HMM）等图形模型建模。马尔可夫模型可以同时编码时间和空间特征。国内外学者目前已提 出了几种可以根据新获得的数据自适应修正模型的方法。虽然 HMM 可以随机编码空间和时间特征， 但由于轨迹是离散和抽象的，因此要详细解码时间特征是很困难的。为了明确地将时间特征纳入到 模型中，国内外学者提出了使用显性时间 HMM[81]和自回归 HMM[82]的建模方法。但将它们扩展到在 线算法是困难的，因为模型参数的学习并不能很好地收敛，除非事先设置好图形模型的结构。另一 种有效的概率方法是非线性回归方法，如高斯过程回归（Gaussian Process Regression, GPR）和高斯 混合回归（Gaussian Process Regression, GMR）[83][84]。同样，作为一种利用概率分布的模型，高斯过 程动力学模型（Gaussian Process Dynamic Model, GPDM）是一种对人类动力系统进行随机建模的有 效方法[85]。除此之外，自回归综合移动平均(Autoregressive Integrated Moving Average, ARIMA)模型 [86]、递归神经网络(Recurrent Neural Network, RNN)[87]等也被用于人类意图估计。 4.2 机器人技能传递学习方法 近年来，技能传递学习，即将人类技能传递给机器人，已成为协作机器人和人-机器人协作的 研究热点之一[88]。技能传递学习具有以下显著优势：技能传递学习使得机器人能够在复杂动态的环 境中学习和习得操作技能，可以克服传统编程等传统方法的不足，并且极大地提高了机器人对复杂 环境的适应性；并且在技能传递过程中，可以采集到丰富人体生理信号从而提取出所需的多个维度 的技能特征。 机器人技能传递学习受到人类学习操作技能过程的启发，与人类行为类似，机器人通常需要与 环境或人类进行物理交互，同时执行具有信息丰富的神经生理学感官信号的协作任务，这些信号都 与协作行为同时发生。对于协作机器人和人-机器人协作，技能传递学习使机器人能够保留或利用观 察到的人类行为作为技能，通过实践加以改进，然后将其应用到新的任务环境中。技能传递学习的 主要思想是通过模仿和开发自然模型、系统和过程来形成技术解决方案。 （1）技能示教 对于技能传递学习过程，通常需要人类导师对机器人进行技能示教，机器人收集并提取所需的 运动信息，包括位置、速度、力/力矩，和一些协作任务中的人的肢体刚度，从而获得了技能信息的 数据集，数据集的构建应进一步考虑运动表示、演示对齐、运动分割和生成。示教学习通常有如表 3 所示的三种方法。 录用稿件，非最终出版稿