随着社会的不断发展,机器人被期望走进人类生活之中,为人类提供更多、更好的服务。但是传统机器人缺乏对外界环境的感知和顺应能力,因此很难安全地与人类进行带有物理接触的交互行为。提高人机交互效果的关键在于,选择合适的传感器捕捉人体的运动信息,再从中分析和提取出人类的运动意图,并将其反馈到机器人控制程序中。通过这种方法,机器人根据人类的运动意图调整自己的行为模式,从而做到对人类运动的顺应。表面肌电信号中蕴含了丰富的人体运动信息,而且其采集设备具有无创、易穿戴的优点,适合用于人机交互。因此,本文基于表面肌电信号,建立了人体手臂的动作类别、关节角度、速度和力矩的预估模型,并建立了对应的人机顺应协作框架。本文的主要研究内容包括:首先,本文设计了基于阈值迭代的线性判别分类器(LDA)。分类器能够从表面肌电信号中对做连续运动的人手进行动作分类。在设定的人机交互实验中分类器获得了89%的识别正确率。进一步地,本文建立了基于小波变换和反向传播神经网络(BPNN)的拟合模型。模型能够从表面肌电信号中拟合出人手肘关节的角度和速度信息。为了验证模型的拟合能力,本文在不同运动条件下进行了实验。实验结果表面,预估关节角度的均方根误差为0.15rad;预估关节速度的均方根误差为0.21rad/s,这说明模型能够有效地预估关节的角度和速度。然后,本文对关节力矩信息的预估方法展开了研究。为了提高关节力矩信息的预估准确度,本文引入了视觉捕捉系统,搭建了基于表面肌电信号-视觉(s EMG-Vision)的力矩预估模型。模型混合了自编码器和BPNN,实现从表面肌电信号和视觉系统中预估人手肩、肘关节的力矩信息。通过实验来评价关节力矩预估模型的性能。实验结果表明,模型在拟合肩、肘关节力矩的均方根误差分别为2.43?8)和0.34?8)。相比于不引入视觉捕捉系统的预估模型,均方根误差分别下降了25%和55%,表现更加稳定。最后,本文建立了基于肘关节力矩信息反馈的人机顺应协作框架。通过将力矩预估模型预估得到的肘关节力矩信息,反馈到机器人的控制程序中使机器人能够感知人手的运动状态,并以此调整自己的对外输出的力值,从而做到对人手的顺应。本文在UR5机器人上测试了所提出方法的有效性。实验结果表明,加入肘关节力矩信息反馈,能够有效提高机器人的顺应性。