下肢外骨骼机器人是一种可穿戴的助力机械装置,在下肢外骨骼机器人系统中,外骨骼通过绑带等形式进行安装,与人体保持同步运动。作为一个典型的人机交互系统,穿戴者通过自主移动对外骨骼进行控制,然而这种人机一体化结构对控制系统提出了极高的要求。外骨骼机器人不仅要提供良好的助力效果,还需要时刻保障穿戴者的安全,因此外骨骼机器人在检测穿戴者运动姿态的同时还需要实时获取控制者的运动意图。运动意图预测技术已成为外骨骼机器人系统控制的关键一环,高精度的运动意图预测还有助于提高外骨骼机器人系统的助力效果。随着外骨骼机器人朝着更加灵活智能的方向发展,传统的运动意图预测算法已经无法满足预测精度的要求,针对该问题,本文结合人工智能领域相关技术,使用长短时记忆神经网络通过监督学习的方式,对高精度的运动意图预测开展了研究,具体研究内容包括:在步态分析的基础上,对现阶段使用传感器获取人体运动意图的研究进行了比较,选择使用多个惯性传感器和简易外骨骼平台构建外骨骼机器人的运动数据采集系统。在此基础上进行了平地行走、上楼梯、下楼梯、上坡和下坡五种场景下的运动数据采集实验,构建了下肢外骨骼机器人的步态运动数据集。在数据集上采用BP神经网络和时间序列预测模型,对下肢外骨骼机器人中的关键算法进行了实验验证,为后续的运动意图预测算法研究提供了数据基础。在运动意图预测算法的研究方面,本文采用目前使用范围较广、在运动意图预测任务中表现优异的长短时记忆网络作为基准的运动意图预测模型。研究分析了现有的基于长短时记忆网络的优化算法,使用序列到序列模型和基于自编码的长短时记忆模型进行了对比实验。实验结果显示,直接使用基础长短时记忆网络进行运动意图预测的方法存在缺陷,需要对其进行优化。在长短时记忆网络的优化工作中,本文从时空数据优化的角度对长短时记忆网络的预测结构进行了分析,设计实验证明了基础长短时记忆网络难以对外骨骼机器人运动时的空间位置关系进行建模。因此本文结合下肢外骨骼机器人移动任务中所表现出的运动对称性以及短期预测的特点,对长短时记忆网络结构进行了优化,提出了两种长短时记忆网络的优化结构,并在本文所构建的数据集上对提出算法的性能进行评估。通过实验对比验证,本文所提出的优化结构可以有效地提高长短时记忆网络在运动意图预测任务中的预测精度。