机器人与人类进行近距离协同作业能够充分地发挥各自的优势,显著提升生产效率和工作舒适度。人机协作中人或机器人的运动生成与任务识别是实现人机自然物理交互的重点和难点。目前人机协作的推广应用依旧面临巨大的挑战,主要在于非结构化环境存在大量的不确定性,传统面向固定环境的机器人编程方法无法适应;并且传统机器人控制算法只能对简单的操作任务进行建模,缺乏复杂环境中不同任务的运动生成与识别的能力。为了提高人机协作的协调性和鲁棒性,本文主要研究在人机协作过程中的运动生成与任务识别两方面问题,一方面,以人为中心的前提下机器人如何快速准确地识别人类意图进而判断可能的交互位置,生成相互配合的运动完成前期的人机交互。另一方面,在交互完成之后机器人自身如何对复杂任务进行建模,从而完成后期的操作任务。针对上述人机协作中存在的挑战,本文采用模仿学习的方式实现机器人的快速编程,所谓模仿即是参考人类在生活中快速学习各种技能的过程,随后将该学习机制应用于机器人系统中使其能快速学习相关的运动技能,且保留与人类运动相似的运动特性。此外,人类对复杂任务的处理往往会将其分解成多步和简单的子任务或运动基元,以此为指导,机器人的复杂任务可以由序列化运动基元的方式进行描述与建模,通过基元组合生成应对环境变化的运动将有效地提高任务的多样性与泛化性。通过对人机交互的配合运动联合概率建模建立人与机器人协同任务的相关性,随后由观测人类的运动状态推测出机器人可能的运动,实现人类任务的识别和机器人运动的生成,达到人机协同作业的目标。本文对人机协作中的运动生成与任务识别进行了系统深入的理论研究和实践探索,主要的研究内容与取得的成果如下:(1)搭建了由Baxter双臂机器人运动规划、物体识别与位姿估计、人体运动捕捉和外围辅助设备等模块所组成的人机协作系统平台;为了获取人与机器人的动作的统一表达,开展了设备间的相对位姿标定方法的研究。(2)提出了结合状态机(Finite State Machine,FSM)和动态运动基元(Dynamic Movement Primitives,DMPs)对机器人复杂操作任务进行有效描述的方法;通过对“数字书写任务”中的运动轨迹样本进行表征和学习,验证了DMPs对运动描述和泛化的能力;针对机器人对多种类的物品分拣任务,分别在真实Baxter机器人和Gazebo仿真环境对复杂任务描述的方法进行了可行性验证和实验研究。(3)由于人机交互运动存在大量的不确定性,本文提出了基于贝叶斯推论的概率运动基元(Probabilistic Movement Primitives,ProMPs)对运动样本在空间和时间上的不确定性进行了表征,并通过设置运动轨迹观测点对运动概率模型进行更新达到运动泛化的效果,为人机交互提供了理论支持。(4)针对人机物理交互任务,本文基于ProMPs对人和机器人的运动进行联合概率建模,实现了由观测人的运动推测出对应的机器人运动的方法,称之为交互概率运动基元(Interaction Probabilistic Movement Primitives,IProMPs);针对人机交互中某些特定场景任务存在识别率低的问题,提出了基于动态观测窗口的预测方法进行了优化;并进行了不同观测模式下的误差分析算法;最后完成了结合机器人的运动模块DMPs和人机交互模块IProMPs模拟了动态分拣任务,并进行了实验研究与结果分析。