人机协作过程中研究人员最关心的是效率和安全性问题。运用协作人员作业意图识别的方法能够有效的提高协作效率并且在过程中保护人们不会发生潜在的安全事故。目前在人机协作领域识别人们的意图的方案有很多种,包括基于人脸表情识别,基于声音的信息或文本信息识别,基于人们身体的姿态或手势识别还有基于运动轨迹的预测进行识别。其中,基于运动轨迹预测的识别方法不仅能够更直观地提供机器人系统人们选择的目标物体的位置信息,还能够为碰撞检测提供更加精确的避障信息。然而,传统的预测轨迹模型过于依赖构建的数据集,且不能够应对更复杂的,更多样性的协作任务环境下的运动轨迹。针对这个问题,本课题提出了新的解决方法。首先,本文针对人机协作的任务,设计了人机协作系统,用于后续的实验以及意图识别模型的训练。通过分析协作机器人的位姿和运动学方程表示,并结合ROS系统构建了对机器人的控制平台。此外,本文提出了基于深度相机的人体交互模型。该模型主要以圆柱体和球体模拟人全身的骨骼点信息,并通过公式推导提出了对应的计算碰撞体积的方法。相比于常用的碰撞体积地图和扫描体积的方法,该方法的计算量更小。同时,本文还针对协作系统设计了人机协作过程,并采集相关协作人员的运动轨迹数据集,以供训练模型使用。其次,本文对当下流行的神经网络结构和方法进行研究,通过对不同连接方式的神经网络模型进行对比,以期望获得适合应用在人机协作场景内的预测模型结构。其中最主要地,是本文提出了适用于轨迹预测的补偿学习的方法。这种新的连接模式能够提高模型的参数迭代速度,同时在不增加连接层数的情况下,提高最终预测的准确度。不仅如此,本文还提出了用于估计轨迹平滑度的两种损失函数,该损失函数能够使得模型输出更为平滑的轨迹,使得输出的数据更自然。在实验中,本文不仅在新协作任务下的数据集中进行了对比试验,同时在公开数据集Human3.6M中也进行了验证。结果表明该方法具有足够的鲁棒性和泛化性。最后,针对于意图识别任务本身对于识别速度的要求,本文提出了基于长短期学习的方法。在分别分析了长期预测和短期预测的不足和长处之后,通过结合两者预测的方式,采用了新的方案。该方案能够在不增加输入轨迹的时间长度下,将输出的轨迹时长增加一倍。这解决了普通的端对端预测模型输入要和输出的采样点个数要相同或更多的硬性要求。实验表明,长短期学习的方法虽然在轨迹贴合度上不如短期预测,但在轨迹的预测趋势上与真实的数据是相同的,能够更快地提供人们的作业意图,提高协作效率。