机器人演示学习技术的出现改变了机器人行为策略的生成方式,即由人工设计转为使用机器学习算法逼近,可以大幅提升学习效率与使用效果。视觉信号作为环境信息输入具有直观、高效和便于与人类交互等优点,是机器人进行环境感知的理想信息来源。Kinect摄像机具有成本低、使用简便和数据丰富等优点,因此将Kinect应用于机器人演示学习具有重要的研究意义。根据以上原因,本文开展基于Kinect的类人机械臂演示学习研究,主要包括以下几个方面:首先,进行了基于肘部约束的人机关节运动传递研究。文中建立了人臂和机械臂7-DOF的关节映射关系,提出并推导了一种基于肘部约束的冗余七自由度逆运动学解析解法,分析了机械臂颤抖问题并应用消抖滤波算法予以解决,最后实现了基于人-机关节映射的机械臂实时关节运动控制。然后,进行了基于卷积神经网络的手部TIM姿态学习算法研究。针对手部图像获取问题,文中提出了一种基于手臂姿态归一化的手部图像获取方法,随后完成了手部TIM姿态定义与参数求解,并基于Caffe平台搭建了卷积神经网络以建立人手深度图像与姿态参数的映射关系,给出了基于指尖检测和参数直接估计两种手部TIM姿态获取方法,最终实现了对手部TIM的实时姿态估计和机械臂姿态模仿运动。再次,进行了基于SAE-LSTM的机械臂自主绘画研究。文中分析绘画过程后定义了绘画角度序列,并结合几何图形制作了神经网络训练数据集,基于Caffe平台搭建了SAE-LSTM组合神经网络,应用SAE对几何图形图像进行特征提取,应用LSTM对绘图角度序列进行存储,并利用自制的训练集对组合网络完成训练与测试。最后通过仿真实验验证了方案的可行性。最后,针对不同的演示学习任务搭建了相应的实验平台;设计了关节传递实验验证了逆运动学解算的正确性并从中分析了方案的实时性;设计了手部TIM姿态学习实验,使用NDI数据作为标准值对本文所提方法进行了评估,确定了姿态估计方法的精度;设计了机械臂绘制几何图形的实验,随着训练阶段的不断推进,机械臂绘制几何图形的误差具有不断降低的趋势。