人機(jī)協(xié)作中人體運(yùn)動(dòng)預(yù)測方法研究綜述

王憲倫，王天宇

(青島科技大學(xué)機(jī)電工程學(xué)院,山東青島 266061)

0 前言

在工業(yè)4.0的大環(huán)境驅(qū)動(dòng)下，我國機(jī)器人行業(yè)發(fā)展迅速，協(xié)作機(jī)器人和人機(jī)協(xié)作技術(shù)應(yīng)用日益廣泛。自工業(yè)機(jī)器人商用化以來，機(jī)器人與人類的關(guān)系可劃分為競爭、共存、協(xié)作和共事4個(gè)階段，隨著協(xié)作機(jī)器人相關(guān)技術(shù)的發(fā)展應(yīng)用，人與機(jī)器人已經(jīng)進(jìn)入?yún)f(xié)作的新階段。

人機(jī)協(xié)作(Human-Robot Collaboration，HRC)指的是人和機(jī)器人共享工作空間或時(shí)間并共同進(jìn)行作業(yè)的工作場景。這種模式下人類和機(jī)器人在共享空間任務(wù)過程中的協(xié)作越來越多，機(jī)器人和工人的個(gè)體任務(wù)績效可以分別優(yōu)化，實(shí)現(xiàn)高生產(chǎn)力的生產(chǎn)過程。

在機(jī)器人方面，協(xié)作機(jī)器人相比傳統(tǒng)工業(yè)機(jī)器人更注重協(xié)作性技術(shù)的運(yùn)用，凸顯機(jī)器人的主動(dòng)性和智能化。機(jī)器人擺脫以往分離囚籠式的工作環(huán)境，在保證操作人員安全的前提下，協(xié)作完成分配的各項(xiàng)工作，實(shí)現(xiàn)人與機(jī)器人的優(yōu)勢互補(bǔ)，機(jī)器人與工作環(huán)境的相互統(tǒng)一。

在人機(jī)共融的開放環(huán)境中，存在各類動(dòng)態(tài)的未知風(fēng)險(xiǎn)，尤其是人體運(yùn)動(dòng)的時(shí)變性和不確定性更對人機(jī)協(xié)作系統(tǒng)的安全性提出考驗(yàn)。為保證人機(jī)協(xié)作過程的人員安全和作業(yè)的流暢性，實(shí)現(xiàn)協(xié)作效率的最大化，眾多學(xué)者就人機(jī)協(xié)作下的人體運(yùn)動(dòng)預(yù)測方法開展大量研究，以使機(jī)器人具備早期預(yù)測人體運(yùn)動(dòng)的能力，避碰的同時(shí)能夠快速響應(yīng)操作人員的協(xié)作需求?；谝陨险J(rèn)識，本文作者介紹了近年來人機(jī)協(xié)作中人體運(yùn)動(dòng)預(yù)測方法的研究進(jìn)展，并對其發(fā)展趨勢作探討展望。

1 人機(jī)協(xié)作安全策略描述

人機(jī)協(xié)作的安全策略目前主要針對碰撞前和碰撞后兩種情形。碰撞后策略是通過機(jī)械設(shè)計(jì)和控制等措施來降低風(fēng)險(xiǎn)，減少碰撞造成的影響。設(shè)計(jì)階段的風(fēng)險(xiǎn)管理流程如圖1所示。文獻(xiàn)[8-13]介紹了各學(xué)者探索使用柔性材料、設(shè)計(jì)變剛性關(guān)節(jié)或采取減小碰撞沖擊策略等方法以保障人機(jī)協(xié)作安全的研究。

圖1 機(jī)械設(shè)計(jì)階段的風(fēng)險(xiǎn)管理流程

碰撞前策略是通過如機(jī)器人與人之間的距離和相對速度等來預(yù)測人體運(yùn)動(dòng)軌跡等相關(guān)參數(shù)，提高機(jī)器人避碰的能力及與人協(xié)作效率。

由于針對碰撞后情形的安全策略具有滯后性，碰撞不可避免，因此近年來圍繞碰撞前進(jìn)行預(yù)測方法的研究更為廣泛。

國際標(biāo)準(zhǔn)化組織制定了工業(yè)制造中人機(jī)協(xié)作的安全要求。其中ISO/TS 15066標(biāo)準(zhǔn)對協(xié)作機(jī)器人的安全設(shè)計(jì)與使用作出了明確規(guī)定。為了保證操作人員的安全，各類外部傳感器(相機(jī)、激光、結(jié)構(gòu)光等)被引入并用于機(jī)器人應(yīng)用中，以防止機(jī)器人與人發(fā)生碰撞，其中視覺傳感器在人類感知方面應(yīng)用最為普遍。

圖2為基于視覺傳感器的人體運(yùn)動(dòng)預(yù)測與機(jī)器人運(yùn)動(dòng)規(guī)劃流程。相機(jī)實(shí)時(shí)采集人體運(yùn)動(dòng)時(shí)的位置信息，通過人體運(yùn)動(dòng)的預(yù)測框架來預(yù)測工人運(yùn)動(dòng)，機(jī)器人根據(jù)工人的運(yùn)動(dòng)進(jìn)行運(yùn)動(dòng)規(guī)劃。

圖2 人體運(yùn)動(dòng)預(yù)測與機(jī)器人運(yùn)動(dòng)規(guī)劃流程

2 人機(jī)協(xié)作運(yùn)動(dòng)預(yù)測方法

2.1 基于運(yùn)動(dòng)模型的預(yù)測方法

基于運(yùn)動(dòng)模型對人體運(yùn)動(dòng)進(jìn)行預(yù)測是較為傳統(tǒng)的預(yù)測方法。該方法一般通過采集人體運(yùn)動(dòng)數(shù)據(jù)實(shí)現(xiàn)對人體運(yùn)動(dòng)跟蹤，結(jié)合目標(biāo)狀態(tài)預(yù)測算法的方式，達(dá)到對人體運(yùn)動(dòng)預(yù)測的目的。目前國內(nèi)外常用的目標(biāo)預(yù)測算法主要有：最小二乘擬合預(yù)測算法、粒子濾波算法和卡爾曼濾波算法等。眾多學(xué)者在此基礎(chǔ)上，通過改進(jìn)或提出新算法進(jìn)行人體預(yù)測的有關(guān)研究。DINH等基于一種被實(shí)驗(yàn)證實(shí)的人手臂點(diǎn)對點(diǎn)運(yùn)動(dòng)數(shù)學(xué)模型，對人手臂運(yùn)動(dòng)軌跡進(jìn)行早期預(yù)測，并將其融入對機(jī)器人的順應(yīng)性控制中，以改善機(jī)器人的局部避障情況。

胡路遙提出一種速度自適應(yīng)調(diào)整參數(shù)的預(yù)測方法。對視覺傳感器采集的人體運(yùn)動(dòng)數(shù)據(jù)進(jìn)行預(yù)處理，并基于人體關(guān)節(jié)約束及人體運(yùn)動(dòng)速度，采用插值的方式對預(yù)測算法的相關(guān)參數(shù)進(jìn)行自適應(yīng)調(diào)整，以解決人體運(yùn)動(dòng)突變引起的數(shù)據(jù)抖動(dòng)和因人體各關(guān)節(jié)運(yùn)動(dòng)速度不同導(dǎo)致的預(yù)測結(jié)果不穩(wěn)定問題。結(jié)果表明：提出的運(yùn)動(dòng)預(yù)測算法在預(yù)測速度及位置誤差方面比現(xiàn)有幾種算法效果更好。

MAEDA等通過估計(jì)人的運(yùn)動(dòng)過程來實(shí)現(xiàn)快速流暢的人機(jī)交互。該方法在人體位置被遮擋或信息采集缺失的情況下，也可以估計(jì)運(yùn)動(dòng)的進(jìn)展。利用交互概率運(yùn)動(dòng)原語的框架，基于計(jì)算不同相位候選的概率來找到與當(dāng)前觀測最匹配的交互概率運(yùn)動(dòng)原語的相位。相位估計(jì)可以對人的動(dòng)作進(jìn)行分類，并在人完成動(dòng)作之前生成相應(yīng)的機(jī)器人軌跡。該方法適用于充當(dāng)助手的半自主機(jī)器人。

2.2 基于機(jī)器學(xué)習(xí)的預(yù)測方法

2.2.1 監(jiān)督學(xué)習(xí)方式

隨著機(jī)器學(xué)習(xí)方法的普及應(yīng)用，對人體運(yùn)動(dòng)預(yù)測采用機(jī)器學(xué)習(xí)方法的研究愈來愈多。監(jiān)督學(xué)習(xí)作為目前最成功的機(jī)器學(xué)習(xí)方式，在預(yù)測方面也得到廣泛應(yīng)用。其策略一般是將人體動(dòng)作序列進(jìn)行數(shù)據(jù)庫建模，基于識別的工人動(dòng)作來預(yù)測人體的運(yùn)動(dòng)。隱馬爾可夫作為眾所周知的概率建模方法，在動(dòng)作識別方面最為常用。

目前，人機(jī)協(xié)作的應(yīng)用場景在裝配作業(yè)中最為常見。與人工裝配相比，人機(jī)協(xié)同系統(tǒng)要求更強(qiáng)的定制性和靈活性。LIU、WANG就此提出一種新的人機(jī)協(xié)同系統(tǒng)，將產(chǎn)品裝配任務(wù)建模為一系列人體運(yùn)動(dòng)，用現(xiàn)有的人體運(yùn)動(dòng)識別技術(shù)識別人體運(yùn)動(dòng)，在運(yùn)動(dòng)序列中采用隱馬爾可夫模型生成運(yùn)動(dòng)轉(zhuǎn)移概率矩陣；基于此結(jié)果預(yù)測人體運(yùn)動(dòng)，并將其應(yīng)用于人機(jī)協(xié)同裝配中，其研究證明了人體運(yùn)動(dòng)預(yù)測在人機(jī)協(xié)作中應(yīng)用于實(shí)際任務(wù)的潛在可能性。CHENG等集成一個(gè)典型的包含動(dòng)作識別和軌跡預(yù)測模塊的人機(jī)協(xié)作框架，如圖3所示。他提出一種基于深度學(xué)習(xí)和貝葉斯推理的預(yù)測算法，利用前饋神經(jīng)網(wǎng)絡(luò)和遞推最小二乘參數(shù)自適應(yīng)算法對人體過渡模型進(jìn)行逼近及輸出層自適應(yīng)。裝配實(shí)驗(yàn)結(jié)果表明：在其算法加持下，人機(jī)最小距離在安全閾值內(nèi)的同時(shí)，平均任務(wù)完成時(shí)間為(64.6±10.6)s，任務(wù)用時(shí)減少29.1%。該方法顯著提高了人機(jī)協(xié)作的效率，特別是其目標(biāo)行為識別校正方法，較好解決了因人體行為多樣性及軌跡時(shí)變特性導(dǎo)致的預(yù)測精度降低的問題。

圖3 HRC集成框架體系結(jié)構(gòu)

CALLENS等在提出的運(yùn)動(dòng)識別和預(yù)測框架中構(gòu)建了一個(gè)運(yùn)動(dòng)模型數(shù)據(jù)庫，該數(shù)據(jù)庫包含了多個(gè)使用概率主成分分析方法學(xué)習(xí)的運(yùn)動(dòng)模型，能實(shí)現(xiàn)對短期內(nèi)的人體運(yùn)動(dòng)進(jìn)行預(yù)測。但是此算法只對運(yùn)動(dòng)的終點(diǎn)進(jìn)行預(yù)測，而不能預(yù)測運(yùn)動(dòng)過程中的完整軌跡。此外，此算法目前未對適用的“短期預(yù)測”范圍給出明確時(shí)間界限。

LI等針對人體手臂的運(yùn)動(dòng)軌跡，構(gòu)建了一個(gè)預(yù)測框架。提出一種包含有代表性的軌跡計(jì)算、時(shí)間序列分類和人體運(yùn)動(dòng)回歸的方法。在離線階段，訓(xùn)練了具有優(yōu)化超參數(shù)的人體運(yùn)動(dòng)概率模型，并計(jì)算了每個(gè)任務(wù)的代表軌跡。在學(xué)習(xí)模型和新測量值的基礎(chǔ)上，采用時(shí)間序列分類和稀疏探地雷達(dá)在線多步超前預(yù)測。此方法能夠提取和理解人體意圖，具有較好的人體運(yùn)動(dòng)預(yù)測性能。但是該算法在預(yù)測初期誤差較大。由于其代表性軌跡是多個(gè)運(yùn)動(dòng)的統(tǒng)計(jì)均值，在人體關(guān)節(jié)的位置或速度受到噪聲影響或肢體運(yùn)動(dòng)方向突然變化時(shí)，模型參數(shù)的改變會(huì)導(dǎo)致方差增大，代表性軌跡易產(chǎn)生較大的誤差。因此該方法適合長期的人體運(yùn)動(dòng)預(yù)測。與LI等研究對象類似，劉格根據(jù)人體上肢的運(yùn)動(dòng)學(xué)結(jié)構(gòu)特性以及人體上肢在觸點(diǎn)運(yùn)動(dòng)過程中的運(yùn)動(dòng)特性，提出了基于誤差反向傳播人工神經(jīng)網(wǎng)絡(luò)的人上肢運(yùn)動(dòng)軌跡預(yù)測方法。將上肢觸點(diǎn)運(yùn)動(dòng)軌跡分段作為樣本，待神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)完成后，根據(jù)部分手臂運(yùn)動(dòng)軌跡預(yù)測手臂之后的運(yùn)動(dòng)軌跡。該方法能對人體上肢運(yùn)動(dòng)意圖進(jìn)行識別預(yù)測，準(zhǔn)確率達(dá)90%，但是該方法下機(jī)器人學(xué)習(xí)效率較低。

ZHANG等基于循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)對人體運(yùn)動(dòng)軌跡進(jìn)行預(yù)測，該方法的一個(gè)新特點(diǎn)是在RNN結(jié)構(gòu)中引入兩類功能單元來解析人體各部分的運(yùn)動(dòng)模式以及它們之間的協(xié)調(diào)以提高預(yù)測精度。此外，他們還研究了基于蒙特卡羅法的概率推理，以減少不確定性因素導(dǎo)致機(jī)器人誤觸發(fā)問題。改進(jìn)后的RNN結(jié)構(gòu)與標(biāo)準(zhǔn)RNN相比，預(yù)測誤差降低了40%，提高了預(yù)測人體運(yùn)動(dòng)的可靠性。

為了在智能制造中實(shí)現(xiàn)安全有效的人機(jī)協(xié)作，將傳感、認(rèn)知和預(yù)測無縫集成到機(jī)器人控制器中對于異構(gòu)環(huán)境(機(jī)器人、人類和設(shè)備)中的實(shí)時(shí)感知、響應(yīng)和通信至關(guān)重要。NICORA等集成了一個(gè)為機(jī)器人提供主動(dòng)自適應(yīng)協(xié)作智能系統(tǒng)和切換邏輯及其控制體系結(jié)構(gòu)，使機(jī)器人能夠在給定先驗(yàn)知識和預(yù)定義的任務(wù)執(zhí)行計(jì)劃的情況下，以最優(yōu)姿態(tài)動(dòng)態(tài)地規(guī)劃運(yùn)動(dòng)，并能檢測模擬的人類動(dòng)作，同時(shí)降低對生產(chǎn)率的影響。ZHOU、WACHS提出一種適合人體機(jī)器人協(xié)作場景的早期輪轉(zhuǎn)預(yù)測算法，具體是一種能夠理解人類多模態(tài)通信信號并進(jìn)行輪詢預(yù)測的機(jī)器人作業(yè)系統(tǒng)。結(jié)果表明：當(dāng)給出少量的部分輸入，機(jī)器人作業(yè)軌跡比人更好；隨著動(dòng)作的進(jìn)行，此算法下機(jī)器人可以達(dá)到與人類相當(dāng)?shù)乃?。以上二位學(xué)者聚焦于環(huán)境感知和對人類行為的預(yù)測模擬，探究了人機(jī)協(xié)作中機(jī)器人智能化的發(fā)展方向，所提算法得到很好的驗(yàn)證。但是由于人體運(yùn)動(dòng)具有不確定性，系統(tǒng)的適應(yīng)性和穩(wěn)定性仍可進(jìn)一步加強(qiáng)，以防數(shù)據(jù)集外的未知障礙引起機(jī)器人失控影響人員安全。

利用視覺傳感器捕捉采集工人運(yùn)動(dòng)的信息，WANG等建立了準(zhǔn)確可靠的上下文意識算法來預(yù)測人體運(yùn)動(dòng)，以深度學(xué)習(xí)作為一種數(shù)據(jù)驅(qū)動(dòng)技術(shù)，通過從AlexNet改編的深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)實(shí)現(xiàn)對人體運(yùn)動(dòng)和未來任務(wù)的識別預(yù)測，識別準(zhǔn)確率在96%以上。LIU等基于上下文感知的時(shí)間處理方法，在動(dòng)作完成之前對動(dòng)作進(jìn)行評估，以節(jié)省時(shí)間識別人的意圖，具體通過一種卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)相結(jié)合的基于視覺信號的深度學(xué)習(xí)系統(tǒng)實(shí)現(xiàn)。該方法可在獲取片段數(shù)據(jù)情況下達(dá)到較高的預(yù)測準(zhǔn)確率，為流暢的人機(jī)協(xié)作提供了可靠的依據(jù)。這種基于上下文意識算法得來的高準(zhǔn)確率的識別信息可作為輸入，使機(jī)器人更好地了解人體的運(yùn)動(dòng)意圖，但是其缺乏對運(yùn)動(dòng)過程中的軌跡的預(yù)測。

對于服務(wù)機(jī)器人而言，在室內(nèi)場景中，人們的運(yùn)動(dòng)通常與他們之前接觸過的物體有關(guān)。BRUCKSCHEN等提出一種預(yù)測室內(nèi)環(huán)境中移動(dòng)的人的方法，將關(guān)于人類活動(dòng)區(qū)域之間過渡的先驗(yàn)知識與機(jī)器人對人類當(dāng)前姿態(tài)和最后一個(gè)目標(biāo)交互的信息結(jié)合起來，將近距離的對象分組為活動(dòng)區(qū)域?qū)崿F(xiàn)泛化，通過貝葉斯推理來預(yù)測運(yùn)動(dòng)目標(biāo)，結(jié)果表明：其框架可靠地預(yù)測了人移動(dòng)的目標(biāo)。該方法利用活動(dòng)區(qū)域之間的轉(zhuǎn)換，而不是單個(gè)對象的轉(zhuǎn)換，可以有效提高預(yù)測的精度。此外其預(yù)測算法不依賴于先前學(xué)習(xí)的固定目標(biāo)之間的軌跡，相比基于軌跡的預(yù)測方法表現(xiàn)更好。

2.2.2 無監(jiān)督學(xué)習(xí)方式

監(jiān)督學(xué)習(xí)方法在以往的人體運(yùn)動(dòng)識別預(yù)測工作中被廣泛應(yīng)用，但是監(jiān)督學(xué)習(xí)依賴于數(shù)據(jù)集中的數(shù)據(jù)，無法對數(shù)據(jù)集外的人員或動(dòng)作等識別預(yù)測，而且大型數(shù)據(jù)集的標(biāo)注需要耗費(fèi)大量的人力物力。無監(jiān)督學(xué)習(xí)是近年提出的一種機(jī)器學(xué)習(xí)方式，相較于監(jiān)督學(xué)習(xí)，對數(shù)據(jù)集的依賴性更小，可以根據(jù)類別未知的訓(xùn)練樣本解決模式識別中的各種問題，因此吸引不少學(xué)者采用這種方式對人體運(yùn)動(dòng)進(jìn)行預(yù)測。

LUO等提出了一種雙層混合高斯模型框架和一種無監(jiān)督在線學(xué)習(xí)算法框架(如圖4所示)，用新的觀測軌跡更新這些模型。結(jié)果表明：該框架可以實(shí)時(shí)生成模型，能適應(yīng)新的人和新的動(dòng)作風(fēng)格，并在機(jī)器人避開人類運(yùn)動(dòng)的實(shí)時(shí)應(yīng)用中得到驗(yàn)證，具有較高的可靠性。

圖4 數(shù)據(jù)流的無監(jiān)督在線學(xué)習(xí)算法

VINANZI等提出了一種可擴(kuò)展的人工認(rèn)知架構(gòu)，該架構(gòu)集成了無監(jiān)督學(xué)習(xí)和概率模型，賦予機(jī)器人對人類意圖識別和信任的能力。其意圖識別模型能對目標(biāo)進(jìn)行正確的目標(biāo)預(yù)測，信任模塊則提高了較好實(shí)現(xiàn)任務(wù)的可能性。SINGH等結(jié)合人的視線和人工智能規(guī)劃的方式對人的意圖進(jìn)行識別，基于一種無監(jiān)督學(xué)習(xí)方法，重點(diǎn)研究了在預(yù)測對象表現(xiàn)出欺騙性的表象的情況下，如何有效提高人的意圖識別的準(zhǔn)確性。

康杰等人以人手部和肘部運(yùn)動(dòng)為研究對象，基于無監(jiān)督學(xué)習(xí)方法構(gòu)建了分層軌跡預(yù)測框架，解決了多關(guān)節(jié)的實(shí)時(shí)預(yù)測問題。針對多目標(biāo)環(huán)境和特殊異常行為，采用了基于minimum-jerk的軌跡預(yù)測方法。實(shí)驗(yàn)結(jié)果表明：在人體運(yùn)動(dòng)執(zhí)行至40%和50%時(shí)，識別準(zhǔn)確率分別達(dá)到90%和92%以上，其算法在協(xié)同作業(yè)方面也具有較高的魯棒性和有效性。以上學(xué)者基于無監(jiān)督學(xué)習(xí)的方式對人體運(yùn)動(dòng)預(yù)測方法進(jìn)行了研究，此方式雖不依賴大型監(jiān)督型數(shù)據(jù)集，不需要正規(guī)訓(xùn)練或手工標(biāo)注即可建立人體運(yùn)動(dòng)模型并可進(jìn)行更新拓展，應(yīng)用性更強(qiáng)，但相比于監(jiān)督學(xué)習(xí)下訓(xùn)練模型有對應(yīng)標(biāo)簽的優(yōu)勢，無監(jiān)督學(xué)習(xí)模型的表現(xiàn)要差一些，其準(zhǔn)確性和效率都有待進(jìn)一步提高。

3 總結(jié)與展望

機(jī)器人技術(shù)領(lǐng)域關(guān)于人機(jī)協(xié)作方向的研究逐年增多，眾多學(xué)者圍繞人機(jī)協(xié)作、安全、意圖識別及運(yùn)動(dòng)預(yù)測方面進(jìn)行相關(guān)研究，特別是近年來提出的人體運(yùn)動(dòng)預(yù)測算法。無論是依賴于機(jī)器學(xué)習(xí)的方式，還是通過運(yùn)動(dòng)建模預(yù)測的方法，在實(shí)驗(yàn)場景中，算法的性能都得到較好的驗(yàn)證，顯示了機(jī)器人與人類主動(dòng)、安全協(xié)作的潛力和可行性。

但當(dāng)前關(guān)于人體運(yùn)動(dòng)預(yù)測方法仍存在一些不足，總結(jié)有以下幾處：

(1)目前人體運(yùn)動(dòng)預(yù)測方法還是以通過標(biāo)記動(dòng)作類型的監(jiān)督學(xué)習(xí)的方式為主，但人機(jī)共融的發(fā)展趨勢下要求更多種類和規(guī)模的數(shù)據(jù)被處理和學(xué)習(xí)，并要求更高的預(yù)測準(zhǔn)確率，監(jiān)督學(xué)習(xí)下的數(shù)據(jù)集大小成為制約應(yīng)用場景的一大因素。無監(jiān)督學(xué)習(xí)方式對數(shù)據(jù)集依賴小，但效率和準(zhǔn)確率有待提高。

(2)目前對人體運(yùn)動(dòng)數(shù)據(jù)的感知大多基于視覺等單一傳感器采集的人體模態(tài)信息，但在人機(jī)交互過程中，往往伴隨手勢、語音、表觀信息等多模態(tài)信息的產(chǎn)生，單一模態(tài)信息不完整或丟失情況下必然影響對人體運(yùn)動(dòng)預(yù)測的準(zhǔn)確性。目前隨著技術(shù)進(jìn)步和新式感知設(shè)備的應(yīng)用，有學(xué)者基于腦電信號、肌電信號、視覺觸覺結(jié)合等方式進(jìn)行人體意圖的研究，但相關(guān)研究目前還不足以在實(shí)際復(fù)雜的工業(yè)場景中應(yīng)用。

針對以上問題，未來可進(jìn)行更全面的人的狀態(tài)定義的工作，給出更豐富的時(shí)空特征構(gòu)建方法，以獲取更多的信息，可采用半監(jiān)督學(xué)習(xí)的方式。特別是，可進(jìn)一步研究提高無監(jiān)督學(xué)習(xí)方法的預(yù)測精度，減小數(shù)據(jù)集的束縛，實(shí)現(xiàn)對不同環(huán)境下不同人員運(yùn)動(dòng)進(jìn)行預(yù)測，在更復(fù)雜、更全面的人機(jī)協(xié)作場景中得以應(yīng)用。

未來除采用視覺傳感器感知人的動(dòng)作信息，還可進(jìn)一步對人類表觀信息如視線、表情等進(jìn)行研究。另外可采用骨骼傳感器、基于可穿戴設(shè)備等多傳感器來獲取人體運(yùn)動(dòng)的位置信息，并探索多模態(tài)信息的融合方法，提高預(yù)測算法的魯棒性和準(zhǔn)確性，既保證人機(jī)安全又提高協(xié)同作業(yè)效率。

人機(jī)協(xié)作是一個(gè)新興的、快速擴(kuò)展的機(jī)器人研究領(lǐng)域，還有很多問題值得進(jìn)一步探索和研究。隨著人體意圖識別和行為預(yù)測理論和方法研究的不斷深入，可以預(yù)見，智能化機(jī)器人與人完美協(xié)同進(jìn)行工作的場景終將會(huì)實(shí)現(xiàn)。