近几年机器人技术得到了快速的发展,机器人现在具有各种能力来完成不同的任务,例如:医疗机器人,工业机器人和太空探测器。但机器人自身应对不确定环境仍存在很多挑战。当前的人工智能技术不支持机器人在没有示教编程的情况下在未知的环境下完成新任务。在传统的机器人示教方法,需要专业人员使用示教器进行编程,之后机器人才可以掌握具体的工作技能。显然,这种方法过于耗时且效率低,无法适应需要经常更新技能的任务。为提高机器人的学习能力,在机器人示教的研究领域中越来越多的人研究示范学习。通过示范学习,机器人能够通过观察人类示范者的运动行为,学习完成某一个任务的运动技能。本文围绕基于人机交互的机器人示教展开研究,主要工作为:(1)基于视觉交互和神经网络的人型机器人示教:搭建由机器人仿真软件V-REP和人体捕捉设备Kinect传感器组成的机器人示教系统,它允许人类示范者以直观的身体动作对人型机器人进行示教。具体来讲,系统通过Kinect传感器捕捉人体骨骼信息,去控制V-REP中的仿真机器人,同时记录相关的示教数据。然后基于RBF神经网络的学习算法对示教数据进行编码学习,让机器人在多次示教训练中学习技能。实验结果表明,虚拟仿真环境中和物理世界中的机器人都能够通过视觉交互学习示范者的动作技能。(2)基于混合现实的机械臂示教:针对工业机械臂搭建一种基于混合现实的机器人示教系统,它允许人类示范者对远程的机器人进行示教,并具有临场感交互体验。具体来讲,通过LEAP Motion控制捕捉示范者的手势与手掌位置信息,并转化为位置控制指令去控制远端的机械臂。通过双目视觉捕捉机器人及其工作环境的场景,和手掌的虚拟模型融合成混合现实场景传输到虚拟现实头盔中,为示范者提供实时视觉反馈。这里使用极限学习机从训练数据生成新的轨迹。实验结果表明,基于混合现实的机器人示教系统具有更加真实,自然的交互体验。(3)基于sEMG估计的疲劳度在机器人示教中的研究:针对物理人机交互过程中人类示范者产生疲劳影响机器人示教的结果问题,提出了加权高斯混合模型学习算法对疲劳因子进行补偿。首先通过周期性的动作记录人体的sEMG信号,对肌肉疲劳现象进行识别,并提出相应的疲劳度指标进行量化。然后在多次示教的过程中,通过跟踪所提出的特征随时间的变化来获取人类示范者的疲劳状态。提出了加权高斯混合模型算法,将肌肉疲劳指标作为每次示教实验的权重,对训练数据进行编码与学习。实验结果表明,机器人可以成功地完成示教任务,生成的轨迹更接近于非疲劳条件下的训练轨迹。