随着机器人技术的不断发展,机器人的应用场景不再局限于传统工业领域中,越来越多的协作机器人被应用于与人类在同一共享空间中共同完成指定任务。这些任务通常是传统机器人做不到的、精确度高且需要与人类高度配合的任务,这种人类与机器人在共享空间中一起作业的场景被称之为人机协作。人机协作能够顺利进行的前提是保证人类的安全,机器人需要根据复杂多变的作业环境及时调整自己的路径,避免与人类发生碰撞。人类上肢作为人类与机器人交互的主要人体关节部位,能够很好的反映人类的作业意图,因此有必要对人机协作中人类上肢的运动轨迹进行预测。人类与机器人彼此理解对方的运动意图可以使机器人在保证人类安全的同时,有效提高工作效率。本文对人机协作中的人类上肢运动轨迹预测算法进行研究,研究内容如下:（1）根据人体上肢的运动学结构特点,分析各关节之间的关系,使用Kinect视觉传感器获取人类运动信息及特征提取,构建人机协作数据集,并分析人体上肢运动特点。（2）针对单一预测算法精度较低的问题,提出了基于多算法融合的人体上肢轨迹预测框架,通过融合策略结合了不同的预测算法。该框架分为在线阶段和离线阶段,离线阶段直接从任务数据中学习预测模型所需的参数;在线阶段,基于部分轨迹分类、多项式拟合算法和典型轨迹预测给定时间节点内的轨迹。该算法不仅能够对人类意图进行理解,而且提高了长期预测的精度。（3）针对人类运动具有不确定性的问题,提出了一种基于鲁棒的高斯混合回归预测模型。首先使用改进的高斯混合模型对人体上肢运动轨迹进行聚类,然后结合高斯混合回归得到未来轨迹的统计值。该算法的优点是预测结果不仅是位置的预测值,而且是上肢未来所有可能的运动轨迹的概率分布,提供了对人体运动不确定性的估计。（4）为验证本文所提的预测算法的有效性,在医学实验室中搭建了人机协作实验平台,记录人类在进行病理试剂检测任务中的上肢运动轨迹并制作人机协作数据集,通过仿真实验验证了所提算法的预测性能,对实验结果分析可得本文提出的人体上肢运动轨迹的预测算法可行有效,能在人机协作场景中保证人类的安全并提高工作效率。