人机交互是一个广泛的研究领域,具有很高的经济影响。机器人已经开始从实验室和制造环境进入更复杂的人类生活。这对人与机器人之间的交互提出了新的要求。本文以人机交互为背景,基于模仿学习、意图识别策略及任务切换等展开了研究。本文主要工作如下:（1）基于动力学系统的模仿学习研究。人机交互中的模仿学习方法主要有动态运动基元和概率运动基元。以上两种模型是典型的基于时间索引的模型。时间依赖性使得这些模型对空间和时间扰动都非常敏感。动态运动基元模型还有另外一个不足,它只能对单个演示进行建模,对于多组示范轨迹就不适用。本文引入了基于状态索引的动力学系统（Dynamical System,DS）模型,该模型能很好克服前面两种模型的缺陷。文中动力学系统是基于高斯混合模型得到的,通过SEDS算法可以得到非线性动力学系统的参数,并且这个非线性动力学系统在目标点处是全局渐进稳定的。最后,文中机器人所有需要完成的任务都是基于DS编码的。（2）基于视觉与隐马尔可夫模型的意图识别策略研究以及视觉/力多通道融合策略研究。本文利用隐马尔科夫模型对人类用户的手部动作序列进行建模,从而识别人类意图。视觉方面,利用实验室的Kinect V1深度摄像头,在ROS平台下运行openni＿tracker功能包跟踪人类手部并获得手的三维空间位置。接着本文提出了人手动作序列识别算法。该算法使用了角度编码方法对手空间位置进行编码,通过Baum-Welch算法从序列化数据中学习隐马尔科夫模型参数。当人做出手部动作时,利用前向后向算法可以计算出在各个模型下该观测出现的概率。此外,文中还引入了阈值模型,通过它可以区分未定义动作和已定义动作。另外DS模型对环境变化的鲁棒性允许当目标位置发生改变时,机器人能够立即适应新目标的位置。本文通过将惯性传感器绑定在手上可以得到新的目标（手掌心）位置。若人做出已定义动作后手部发生了移动,那么机器人会到达这个新的目标位置。最后,为了能灵活地根据实时场景选择合适的交互方式,文中提出了一种简洁有效的视觉/力多通道融合方法,该方法可以将多种交互方式结合起来。（3）基于运动的意图识别策略的研究。人类用户给Sawyer机器人施加力使机器人产生运动,通过识别力产生的真实速度,机器人能够识别人类用户的意图,完成任务的自适应切换。即给定机器人的当前位置和当前速度,它们可以评估任意任务和当前速度之间的相似性度量。本文采用了一组参数化的动力学系统,每个动力学系统编码一个任务。通过将这些动力学系统线性组合,可以允许编码任务之间的平滑和自适应切换。为了符合人类的意图,本文引入了一种自适应机制,该机制使生成的运动（期望的速度）适应人类用户的意图（真实的速度）,从而切换到最相似的任务。（4）人机交互和任务切换的实验验证。本文模拟人与机器人的日常交互,首先设计了抬手与挥手动作,通过实验验证了基于视觉与隐马尔可夫模型的意图识别策略的有效性。然后通过人类用户施加力作用在Sawyer机器人上完成了多任务之间平滑且自适应的切换,验证了基于运动的意图识别策略的有效性与任务间切换的可能性。最后,集成多模态感知的人机交互实验验证了所提视觉/力多通道融合策略的可行性。