基于人工智能的机器人舞蹈动作自动生成研究

　　摘 要:传统舞蹈动作自动生成方法生成的动作角度与初始设置角度存在误差。为此，提出基于人工智能的机器人舞蹈动作自动生成研究。采集音乐的音频信号，提取音高、力度、旋律等特征参数，简化机器人为七连杆结构，调控不同连杆关节角，确定运动轨迹和姿态，利用人工智能技术设定机器人基本动作，排列组合音乐特征参数识别音乐情感，摆置不同情感特征的肢体动作，形成数据文件优化主控芯片，完成机器人自动生成舞蹈动作。设计对比实验测量机器人不同关节俯视角，结果表明，此次方法生成角度更加贴近初始角度，使机器人舞蹈动作更加稳定平滑。

　　关键词:人工智能;机器人;舞蹈动作;自动生成;音乐特征

　　1 引言

　　舞蹈机器人作为一种娱乐机器人，通过对舞蹈动作的模拟，具有一定观赏性和趣味性，在机器人市场中具有广阔前景。国外机器人技术研究较早，要求舞蹈机器人各个关节动作衔接流畅、动作稳定，与音乐的配合中不存在不稳定因素，主要利用舵机转动，使机器人在运动过程中产生抖动，对多个舵机运动进行控制，提高舵机的运动精度，以此确保机器人舞蹈动作的到位程度。国外学者提出一个机器人系统，采用64位RISC架构CPU，配备步行控制技术，使其更加接近人类的步行方式。装置带有记忆功能的交流和运动系统，通过传感器进行导航，控制移动方向和位置的变换。

　　它可以实时追踪音乐音频的节拍和下拍，储存位置信息并自动合成与所提取的音乐事件同步的舞蹈动作，能够处理更加复杂的舞蹈。通过离线分析改进的实时拍频预测方法，对节拍和下拍的估计有积极的作用。实验结果表明其设计的机器人在一定程度上具有随音乐跳舞的能力。而国内对舞蹈机器人的研究尚处于初步阶段，国内学者研究机器人的运动规律，以Arduino M0作为舞蹈机器人的主控板，设计出19个自由度的小型舞蹈机器人进行简单的舞蹈表演，基本实现人机交互功能，为后续智能机器人的研究提供技术平台。

　　杨锦隆等人提出一种舞蹈机器人主控板，逐一调试转动关节角度，对转动的角度数据进行记录，当舞蹈机器人完成一系列舞蹈动作后，将转动关节的角度数据写入命令程序，获得大量关节转动角度参数，通过步行控制技术，使舞蹈机器人完成斜向行走和原地转身等动作，根据音乐节拍改变关节运动角度，并通过声音识别和图像识别模块，对音乐进行识别[1]。

　　钱平等人提出在机器人内部安装摄像机，将舞蹈视频输入机器人，主控板提取视频中的音乐特征，包括音高和音长等，生成音乐信号，通过处理器将音乐信号转化为数据，机器人通过PC机和控制核心，对信号数据进行读取，构建机器人运动模型，驱动内部程序，实现机器人舞蹈动作的自动控制[2]。在以上理论的基础上，设计基于人工智能的机器人舞蹈动作自动生成方法。结合人工智能和自动控制等技术，对舞蹈机器人进行智能控制，使机器人能够根据外界环境变化，控制没有重复性且变化幅度较大的各类参数，解决复杂的非线性控制问题。

　　2 基于人工智能的机器人舞蹈动作自动生成方法设计

　　2.1 提取音乐特征

　　采集音乐的音频信号，从中提取音高、力度、旋律等特征参数。首先对音乐信号进行预处理，根据奎斯特原理，判断音乐信号的最高频率，设置采样频率为该频率的两倍，对音乐信号进行数据采集。截取短时的音乐信号，对信号进行加窗分帧，设置窗口帧长的范围为30ms～50ms，重叠相邻两帧之间的信号，设置重叠帧移的范围为1/3～1/2。选取海明窗函数与音乐信号相乘，得到加窗分帧后的音乐信号。

　　然后对音乐信号进行预滤波处理，将采样频率的 1/2 为标准，抑制采集信号中超过该标准的频率分量，滤除音乐信号中的环境噪声。对滤波后的音乐信号进行中心削波，使音频信号只有-1、0、1三种值，计算音乐信号的自相关函数峰值，根据函数峰值为音乐信号周期整数倍这一特点，确定音频基音周期和极值位置，由此计算出音频信号音高。

　　利用小波变换方法，使用低通和高通两个滤波器识别音乐节拍，分别获得音乐信号的低频分量和高频分量，将低频分量作为音乐信号的近似值，高频分量作为信号修饰值，通过两次小波分解，得到低频分量的四个子带频段信号，从中提取音乐信号有用信息。对低频信号进行波形修正，提取音乐节拍轮廓，叠加四个自带信号，得到音乐信号的自相关包络，根据包络波形中的峰值距离、以及谷值峰值大小，分别识别音乐节拍速度、以及节拍重复部分。

　　2.2 编排机器人舞蹈动作

　　编排机器人基本动作，设置机器人肢体动作有5个自由度，包括双足、头部和双臂，其中头部仅为上下点头动作，将机器人双足和双臂简化为一个七连杆结构，利用广义坐标确定机器人各杆件的位姿参数，构建机器人运动模型[6]。

　　其中动作速度取值为小于10的数字，与电机运行速度成正比。根据机器人动作结构特点和自由度，对不同连杆的幅度方向、速度时间进行总体编排，获得多组肢体动作。至此完成机器人舞蹈动作的编排。

　　2.3 基于人工智能匹配音乐特征参数和机器人动作

　　根据四种音乐情感建立不同舞蹈动作库，进一步匹配音乐特征参数和机器人具体动作，使机器人通过音乐信号的识别，自动生成舞蹈动作。

　　将机器人动作与音乐特征的匹配分为两个层次，分别为音乐情感与舞蹈动作库的匹配、以及音符和机器人具体动作的匹配。利用人工智能技术，针对提取的基本音乐特征参数，对大量参数进行排列组合，采用树脂迭代方法，深入分析音乐信号的音高、力度、连续性和节拍，进而识别音乐所表达的情感特征[8]。

　　识别标准如表3所示。利用逆向思维方式，摆置不同情感特征的肢体动作，记录不同动作名称的动作参数，包括肢体幅度和速度时间，根据机器人摆置的肢体动作序列，按照时间顺序排列动作参数，使其形成动作数据文件，将动作数据保存至Access数据库中，建立不同情感的舞蹈动作库，存放在机器人的存储器，当机器人完成音乐情感识别后，开始调用相应的表演动作库。

　　采用LPC1752作为主控芯片，使用Cortex-M3内核的微控制器，区分开指令总线和数据总线，采用哈佛结构的三级流水线，同时从内存中读取指令数据，增加输入输出管脚数量，使主控芯片外设更加丰富，通过多个控制接口，使机器人能够并行执行多个动作口令[9]。

　　通过优化后的外围电路，对电源电压进行转换，采用脉宽调制方式，调节 I/O 管脚输出 PWM 信号的占空比，当PWM信号占空比减小时，直流电机速度随之减小，反之则增大。固定PWM方波周期后，输出动作指令的数字信号，利用I/O管脚的逻辑0和逻辑1，改变PWM的输出状态，驱动电机转至自由度端点位置，通过外设资源的匹配寄存器，驱动电机正反向运动，实现边沿PWM信号的动作指令，对机器人的 5 个自由度进行控制，驱动舞蹈动作的自动生成[10-11]。最后观察舞蹈动作与音乐的同步情况，修改机器人动作速度和延时长短，减少动作相对音乐的滞后时间，实现音乐特征参数和机器人动作的协调匹配。至此完成基于人工智能的机器人舞蹈动作自动生成方法设计。

　　3 实验论证分析

　　进行对比实验，记此次方法为实验A组，两种传统方法分别为实验B组和实验C组，比较三组实验中，机器人自动生成舞蹈动作时，双足关节角度变化轨迹是否顺畅。

　　3.1 实验准备

　　选取一舞蹈机器人作为实验对象，利用 matlab 编写程序，对音乐信号进行读取，可得实验所用音乐的基音频率范围为 102HZ～400HZ，音乐信号的频率范围为 20HZ～20kHZ，峰值大小范围为 2.5ms～9.8ms，控制 matlab 最大绝对值误差为 0.6。设置采样频率范围为 11kHZ、25kHZ、47kHZ，窗口长范围取30ms～50ms。

　　3.2 实验结果

　　实验A组极值分别为0.29rad、0.31rad，俯仰 角 平 均 值 为 0.302rad，而 B 组 和 C 组 最 大 值 分 别 为0.33rad、0.35rad，最小值分别为 0.27rad、0.26rad，实验 A组更加贴近初始设置角度。最后测量裸关节俯仰角，该角度设置初始值为-0.20rad。

　　实验A组极值分别为-0.20rad、-0.21rad，俯仰角平均值为-0.203rad，而 B 组和 C 组最大值分别为-0.18rad、-0.17rad，最小值分别为-0.23rad、-0.24rad，相比实验B组和C组，实验A组裸关节俯仰角基本没有发生变化，与初始值十分接近。

　　综上所述，此次方法利用人工智能技术，对采集参数进行迭代处理，简化了参数识别计算过程，使双足舞蹈动作的关节角度更加贴合初始角度，角度轨迹变化十分平滑，机器人舞蹈动作稳定性要优于传统方法。

　　4 结束语

　　此次设计方法充分发挥了人工智能技术的数据处理能力，使机器人舞蹈动作角度更加贴合初始角度。但此次研究仍存在一定不足，双足步态较为缓慢，在今后的研究中，会适当增加机器人足底尺寸，调大双足运动速度，模仿人类保持平衡的控制策略，使机器人生成动作更加灵活。

　　参考文献：

　　[1] 杨锦隆,施明辉,晁飞,等.基于深度学习进行动作模仿的舞蹈机器人[J].厦门大学学报(自然科学版),2019,58(5):759-766.

　　[2] 钱平,马建圆,李子龙,等.基于语音识别的机器人动作控制系统设计[J].电脑知识与技术,2020,16(17):170-172.

　　[3] 陈燕燕,刘文涛,姜雪松,等.基于5G网络的远程控制机器人应用及测试[J].移动通信,2020,44(2):45-49.

　　[4] 刘长生,单葆虹,邵思程.小型袋装食品自动装箱机器人设计及运动仿真[J].信息记录材料,2019,20(12):180-181.

　　[5] 彭文耀,吴瑞琪,晁飞,等.一种基于姿态关系特征的机器人舞蹈生成方法[J].厦门大学学报(自然科学版),2019,58(5):774-780.

　　[6] 刘环,钱堃,桂博兴,等.基于多演示动作基元参数化学习的机器人任务泛化[J].机器人,2019,41(5):574-582.

　　[7] 徐晓苏,袁杰.基于改进强化学习的移动机器人路径规划方法[J].中国惯性技术学报,2019,27(3):314-320.

　　[8] 马立勇,李连辉,贾雅静,等.面向冬奥会的安保机器人动作系统设计[J].无线互联科技,2019,16(11):53-54.

　　作者：张红丽