仿人机器人是指具有四肢、头部和躯干等类人外形特征,并具有与之相对应的类人动作特征的机器人。比较其它类型的机器人,仿人机器人更易于模仿人类的行为,即动作“像人”。动作像人使其能适应人类环境、使用无需改装的人类工具,能以与人相似的动作完成各种复杂任务,从情感上更容易为人类所接受。因此,对人类动作的模仿学习一直是仿人机器人运动规划领域的研究热点。但由于人类动作种类繁多、表征复杂,且不同类型仿人机器人的身体结构都存在差异,仿人机器人对人体动作的模仿学习方法面临着巨大的挑战。本文研究小型仿人机器人(NAO)对人体动作的模仿学习方法。以人体动作公开数据集(MSR Action3D)中的动作作为模仿对象,建立了仿人机器人对人体动作的模仿学习框架。对人体动作数据处理、动作数据建模、动作识别、仿人机器人动作轨迹生成以及动作模型存储等问题展开了研究。具体工作如下:首先,参照仿人机器人NAO的机构参数和自由度配置,提出人体右臂简化模型中4个关节角度的计算方法,将数据集中关节位置笛卡尔坐标的变化序列转化为关节角度的变化序列。进一步根据得到的角度变化序列和NAO机器人的运动学约束,计算出上述关节角速度和角加速度的变化序列,组合成为动作数据。其次,应用混合高斯隐马尔可夫模型(GMM-HMM)对动作数据进行建模的方法,建立动作模型。根据所建立的动作模型,提出动作数据的识别方法。根据模型参数,提出从连续的动作数据中提取离散运动元素的方法。根据提取出的运动元素,提出动作序列生成、序列长度归一化和序列平均化的方法,实现仿人机器人动作轨迹的生成。根据动作模型之间的关系,提出将动作模型组织为二叉树存储结构的动作模型存储方法。最后,基于MSR Action3D数据集中的人体动作数据以及小型机器人NAO实验平台,设计了关节角度计算验证实验、动作建模与动作识别实验、运动元素提取与仿人机器人动作轨迹生成实验以及动作模型存储实验。实验结果证明了本文所提出的仿人机器人动作模仿学习框架及方法的有效性。