人体自然步态具有能耗低,稳定性强等优势,被视为双足步行运动的最佳方式。仿人机器人的结构设计与人体相似,通过人体示教的方式指导机器人完成步行动作,可以使其快速掌握步行运动技能,且运动姿态自然丰富,有良好的应用前景。但仿人机器人的质量分布与人体存在差异,若直接使用人体示教的关节角度驱动机器人完成步行动作,难以保证其动作的稳定性,需要与其他算法结合设计相应的运动策略以实现仿人机器人稳定的步态规划。本文围绕仿人机器人在人体示教信息指导下的步态规划问题展开研究,论文的主要工作为:第一,实现了基于SVR的仿人机器人步态平衡模型的建立。利用人体示教信息作为仿人机器人步态规划的数据基础时,由于质量分布的不同,仿人机器人在完成步行动作时需进行稳定性补偿计算,算法复杂度较高。本文提出一种基于SVR的仿人机器人步态平衡模型建立的方法:使用KINECT采集人体步行示教信息,以人体步行运动时的关节角度数据及ZMP信息为输入,稳定性补偿后的机器人步行关节角度为输出,基于支持向量回归算法构建仿人机器人步态平衡模型,利用鲸鱼优化算法对模型进行参数寻优,使模型获得了更好的泛化能力。仿真实验结果表明:建立的仿人机器人步态平衡模型可以根据人体示教数据直接得到可用于驱动机器人完成稳定步行动作的关节角度数据,且具备一定的泛化能力,在保证了机器人动作的拟人性,稳定性的同时,充分利用了人体示教数据,降低了算法复杂度。第二,实现了基于LSTM神经网络的仿人机器人循环步态规划。在现有KINECT采集数据的条件下难以采集足够的示教数据指导机器人完成长时间稳定的步态规划,本文提出一种基于LSTM神经网络的仿人机器人循环步态生成方法:基于LSTM神经网络构建仿人机器人关节角度预测模型,以预测的方式生成仿人机器人的循环步态;引入相空间重构的方法获取样本的更多特征值,提升预测精度。仿真实验结果表明:预测模型可以精确预测仿人机器人多个步态周期的关节角度,利用其泛化能力,解决了两次示教数据拼接处波动问题,预测输出的仿人机器人循环步态可以驱动机器人完成长时间稳定的步行。第三,实现了基于人体示教的仿人机器人斜坡环境步态规划。鉴于坡度的存在,仅使用人体示教数据结合步态平衡模型的方法难以保证机器人在未知斜坡环境下步行动作的稳定性。本文提出一种基于人体示教的仿人机器人斜坡环境步态规划方法:采集人体在不同倾角的斜坡环境下的步行动作信息训练坡度倾角分类模型;在未知斜坡环境下采集人体步行动作数据,并分别通过步态平衡模型和坡度倾角的分类模型完成基本运动策略的确定和坡度倾角的识别;结合斜坡环境下的仿人机器人踝关节补偿算法,完成仿人机器人在未知斜坡上的质心调整及步态规划。仿真实验结果表明:在未知斜坡环境中,仿人机器人可以根据人体在该环境下的示教信息,通过本文方法得到的运动策略完成稳定的步行动作。本文围绕基于人体示教的仿人机器人步态规划问题进行了研究,通过本文提出的规划方法可使机器人的步行动作在保有运动姿态自然丰富的特点同时提升其稳定性和智能性,对基于人体示教的仿人机器人运动规划研究有一定的应用价值。