第2期 于建均，等：基于Kinect的Nao机器人动作模仿系统的研究与实现 ·185. 基于模仿系统的灵活性和稳定性，该系统可用 于实际操作任务，如图13所示，控制机器人将彩笔 放入笔筒中，其中A~C是左手抓取动作，对应的细 节图是a~c:D~E是将彩笔从左手交换到右手，细 节对于d~e:F~H是右手将彩笔放入到右边透明笔 筒中，细节对应f~h,整个过程较灵活稳定。基于模 图11低头及手的状态模仿 仿学习的框架，将Kinect与Nao机器人相结合实现 Fig.11 Head drop and imitation of the state of hands 的动作模仿系统，在上肢的动作模仿中效果较好，如 图9~13所示，运动平滑稳定，能够用于执行实际任 务。在线模式下，示教过程中，实时更新数据，动作 的模仿是实时的。本系统还可以实现离线模式下的 行为动作模仿，离线模式下，数据是在示教完成后， 进行数据的更新。离线模式下，可以通过记录动作 执行过程中各自由度角度的变化，实现动作学习的 记忆，在环境和任务不变的情况下，实现学习到的动 图12复合动作 作（技能）重复执行，可将其应用于生产线上的重复 Fig.12 Composite actions 性行为动作，通过示教-模仿的机制，可有效避免机 器人底层的复杂编程。 B (C) (D) (HD 图13基于实时模仿的抓-放任务的实现 Fig.13 The implementation of catch-put task based on real-time imitation 此外，可通过重采样不同数目的泛化输出点，实 虑引入内部传感实现闭环的控制。 现对运动速度的控制，对于图6中的一套动作，经反 5结论 复试验，采样500个数据，点映射到机器人中时，运动 轨迹较平滑自然，若采样200个点动作较快，而800 本文将体态感知与仿人机器人相结合，研究机 个点，则动作较慢，更多的点则显得动作迟钝。 器人的模仿学习，并以该框架为指导，开发实现了基 但是，目前该系统在下肢的动作模仿中实际效 于Kinect的Nao机器人动作模仿系统。该系统在 果不太理想，其原因在于下肢存在平衡问题，而该系 Nao机器人上肢的动作模仿中效果较好，运动平滑 统本质上是一开环系统，为解决下肢模仿的平衡考 而自然，实验结果表明：图 １１ 低头及手的状态模仿 Ｆｉｇ．１１ Ｈｅａｄ ｄｒｏｐ ａｎｄ ｉｍｉｔａｔｉｏｎ ｏｆ ｔｈｅ ｓｔａｔｅ ｏｆ ｈａｎｄｓ 图 １２ 复合动作 Ｆｉｇ．１２ Ｃｏｍｐｏｓｉｔｅ ａｃｔｉｏｎｓ 基于模仿系统的灵活性和稳定性，该系统可用 于实际操作任务，如图 １３ 所示，控制机器人将彩笔 放入笔筒中，其中 Ａ ～ Ｃ 是左手抓取动作，对应的细 节图是 ａ ～ ｃ；Ｄ ～ Ｅ 是将彩笔从左手交换到右手，细 节对于 ｄ～ ｅ；Ｆ～ Ｈ 是右手将彩笔放入到右边透明笔 筒中，细节对应 ｆ～ ｈ，整个过程较灵活稳定。 基于模 仿学习的框架，将 Ｋｉｎｅｃｔ 与 Ｎａｏ 机器人相结合实现 的动作模仿系统，在上肢的动作模仿中效果较好，如 图 ９～１３ 所示，运动平滑稳定，能够用于执行实际任 务。 在线模式下，示教过程中，实时更新数据，动作 的模仿是实时的。 本系统还可以实现离线模式下的 行为动作模仿，离线模式下，数据是在示教完成后， 进行数据的更新。 离线模式下，可以通过记录动作 执行过程中各自由度角度的变化，实现动作学习的 记忆，在环境和任务不变的情况下，实现学习到的动 作（技能）重复执行，可将其应用于生产线上的重复 性行为动作，通过示教－模仿的机制，可有效避免机 器人底层的复杂编程。 图 １３ 基于实时模仿的抓－放任务的实现 Ｆｉｇ．１３ Ｔｈｅ ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｏｆ ｃａｔｃｈ⁃ｐｕｔ ｔａｓｋ ｂａｓｅｄ ｏｎ ｒｅａｌ⁃ｔｉｍｅ ｉｍｉｔａｔｉｏｎ 此外，可通过重采样不同数目的泛化输出点，实 现对运动速度的控制，对于图 ６ 中的一套动作，经反 复试验，采样 ５００ 个数据点映射到机器人中时，运动 轨迹较平滑自然，若采样 ２００ 个点动作较快，而 ８００ 个点，则动作较慢，更多的点则显得动作迟钝。 但是，目前该系统在下肢的动作模仿中实际效 果不太理想，其原因在于下肢存在平衡问题，而该系 统本质上是一开环系统，为解决下肢模仿的平衡考 虑引入内部传感实现闭环的控制。 ５ 结论 本文将体态感知与仿人机器人相结合，研究机 器人的模仿学习，并以该框架为指导，开发实现了基 于 Ｋｉｎｅｃｔ 的 Ｎａｏ 机器人动作模仿系统。 该系统在 Ｎａｏ 机器人上肢的动作模仿中效果较好，运动平滑 而自然，实验结果表明： 第 ２ 期 于建均，等：基于 Ｋｉｎｅｃｔ 的 Ｎａｏ 机器人动作模仿系统的研究与实现 ·１８５·