人机协作场景下工人操作意图预测与机器人轨迹实时重规划策略

人机协作（HRC）中，机器人需要提前感知工人意图以避免碰撞并主动配合。针对非标装配场景中工人动作多变、协作任务非结构化的特点，本文提出一种基于时序图卷积网络（T-GCN）的操作意图预测方法，并结合模型预测控制（MPC）实现机器人轨迹实时重规划。通过穿戴式IMU与视觉捕捉工人上肢及手部关键点，预测未来1秒内的操作类别（抓取、移动、插入、释放）及轨迹点。机器人根据预测结果动态调整自身轨迹，确保避碰且保持协作连续性。实验表明，意图预测准确率92.3%，轨迹重规划周期20ms，人机间距保持在0.15-0.3m安全范围。

1. 引言

非标装配往往需要工人进行精细操作（如线束插接、螺钉预紧），机器人作为协作伙伴负责搬运或固定。然而，非标作业中工人的动作路径具有高度可变性，预设的机器人避让轨迹要么过于保守（效率低），要么存在碰撞风险。

意图预测是实现主动协作的关键。现有方法如隐马尔可夫模型（HMM）或简单LSTM，对空间关系建模能力弱，难以预测细粒度的轨迹。此外，预测结果如何实时驱动机器人轨迹重规划，尚无统一框架。本文提出端到端的意图预测与轨迹生成联合方法：T-GCN捕获人体骨架时空依赖，输出意图类别与未来轨迹分布；机器人采用MPC优化轨迹，将预测的人体轨迹作为动态障碍物，成本函数同时包含效率与舒适性。

2. 工人操作意图预测

2.1 多模态感知

工人穿戴5个IMU（双臂、手腕、腰部）以及使用Azure Kinect捕捉25个手部关节点。数据融合后得到39维状态向量（关节角度、速度、位置）。时间窗口长度为1.5秒（30帧），预测未来0.5~1秒。

2.2 时序图卷积网络（T-GCN）结构

将人体骨架建模为图 G=(V,E)G=(V,E)，顶点为关节点，边为骨骼连接。T-GCN在时间维度上堆叠图卷积层与门控循环单元（GRU）。图卷积操作：H(l+1)=σ(D~−1/2A~D~−1/2H(l)W(l))H(l+1)=σ(D~−1/2A~D~−1/2H(l)W(l))

其中 A~=A+IA~=A+I 为邻接矩阵加自环。时间维度采用一维卷积捕捉短时序模式，再输入GRU捕捉长依赖。网络输出两个分支：

• 分类分支：4类意图（抓取、移动、插入、释放），采用交叉熵损失。
• 回归分支：输出未来手腕轨迹点序列 P^t+1:t+TP^t+1:t+T​，采用均方误差损失。

2.3 不确定性估计

采用蒙特卡洛Dropout近似贝叶斯，输出轨迹协方差，为后续MPC提供概率障碍边界。

3. 机器人轨迹实时重规划

3.1 问题建模

机器人末端在笛卡尔空间运动，考虑工人预测轨迹 Phuman(t)Phuman​(t) 为概率动态障碍。构建模型预测控制（MPC）优化问题：min⁡u0:N−1∑k=0N−1(∥xk−xref∥Q2+∥uk∥R2)+∥xN−xgoal∥P2u0:N−1​min​k=0∑N−1​(∥xk​−xref​∥Q2​+∥uk​∥R2​)+∥xN​−xgoal​∥P2​

约束条件：

• 机器人运动学与速度限幅
• 碰撞概率 Pr⁡(∥xk−Phuman(k)∥<dsafe)≤ϵPr(∥xk​−Phuman​(k)∥<dsafe​)≤ϵ

碰撞概率通过将工人轨迹协方差投影到机器人安全距离内计算，用高斯分布近似。

3.2 实时求解

采用顺序二次规划（SQP）求解，利用机器人简化模型（如单刚体）加速计算。求解频率50Hz，预测时域N=10（0.5秒）。当意图分类置信度高于0.8时，机器人提前收缩避让动作；置信度低时采用保守模式。

4. 实验

4.1 数据集与训练

采集3名工人在非标装配台上执行4种操作各200次，总时长15小时。80%训练，20%测试。T-GCN意图分类准确率92.3%（混淆矩阵显示“抓取”与“释放”易混淆，但可通过手部开闭特征区分）。轨迹预测平均端点误差（0.3秒预测）为24mm，优于LSTM（38mm）和HMM（57mm）。

4.2 人机协作实验

设置机器人辅助装配任务：机器人持工件，工人进行螺钉紧固。比较三种策略：

• 无预测：机器人固定站位，工人需主动避让。
• 反应式避碰：机器人感知距离触发紧急停止或后退。
• 本文预测+MPC。

结果表明，本文方法在保证安全前提下显著提升协作效率并降低工人认知负担。预测到工人即将“移动”时，机器人提前让出空间，避免了急停再启动的延时。

5. 结论

本文提出的工人意图预测与机器人轨迹实时重规划方法，通过T-GCN准确预测操作类别与轨迹，结合概率型MPC生成主动避让路径，实现了安全高效的人机协作。未来将引入语音指令与场景上下文进一步提升预测鲁棒性。