目前,六自由度机器人已广泛应用于实际生产,并逐步将人类从繁重枯燥的重复性作业中解放出来。但是在一些需要机器人与人类协作的工作场合,机器人需要作为一种拓展和延伸人类能力的工具,与人类共同完成一项工作,这对机器人运动轨迹的安全性提出了很高的要求。本文的目的是根据一组腕关节运动轨迹数据的特征进行未知轨迹预测,通过学习已知的腕关节运动轨迹数据的特征建立类人运动轨迹的求解方法,当输入未知的轨迹终点坐标时,规划出整条轨迹的坐标。本文首先系统介绍了机器人运动学理论和与机器人结构相对应的人体手臂模型,然后通过Kinect获取模特进行抓取动作时腕关节的运动轨迹。在此基础上提出了基于K近邻的轨迹规划算法,当给定目标点的数据作为输入信息后,算法可以直接输出规划后的类人轨迹。经过机器人逆解算法求解后,可以得到机器人按照规划轨迹运动的控制方法。实验表明,该算法可以实现在线学习,适用于处理小规模数据集,算法运行结果与腕关节运动轨迹具有较高的一致性。但是当训练数据集的轨迹数量较多时,其运行时间会显著增加。针对K近邻算法处理大规模数据的不足,本文提出了基于超限学习机的轨迹规划算法。该算法首先对腕关节的运动轨迹进行学习,训练出符合腕关节运动轨迹的模型,在轨迹规划过程中不需要调用训练集,可根据模型直接求解。实验表明,该算法在处理训练集轨迹数量较多的情况时具有更快的响应速度。此外,由于机器人执行机构对于同一目标点的抓取路径并不是唯一的,本文利用条件偏好网(CP-nets)求解最优轨迹。根据CP-nets求解的腕关节运动偏好模型,对人类运动偏好特征进行分析,即使最优轨迹没有被采集到,也可以通过偏好模型求解出来。实验表明,利用CP-nets可以求得最符合人类运动偏好的轨迹,机器人按该轨迹运动可以减小机械磨损,降低能耗。综上,基于K近邻的轨迹规划算法和基于超限学习机的轨迹规划算法对于处理不同规模的数据集具有各自的优势。基于CP-nets的最优轨迹规划方法,实现了类人运动轨迹的优化。上述的方法可实现机器人末端执行机构运动轨迹的类人化,提高机器人的人机交互能力。