摘 要:傳統舞蹈動作自動生成方法生成的動作角度與初始設置角度存在誤差。為此，提出基于人工智能的機器人舞蹈動作自動生成研究。采集音樂的音頻信號，提取音高、力度、旋律等特征參數，簡化機器人為七連桿結構，調控不同連桿關節角，確定運動軌跡和姿態，利用人工智能技術設定機器人基本動作，排列組合音樂特征參數識別音樂情感，擺置不同情感特征的肢體動作，形成數據文件優化主控芯片，完成機器人自動生成舞蹈動作。設計對比實驗測量機器人不同關節俯視角，結果表明，此次方法生成角度更加貼近初始角度，使機器人舞蹈動作更加穩定平滑。

　　關鍵詞:人工智能;機器人;舞蹈動作;自動生成;音樂特征

　　1 引言

　　舞蹈機器人作為一種娛樂機器人，通過對舞蹈動作的模擬，具有一定觀賞性和趣味性，在機器人市場中具有廣闊前景。國外機器人技術研究較早，要求舞蹈機器人各個關節動作銜接流暢、動作穩定，與音樂的配合中不存在不穩定因素，主要利用舵機轉動，使機器人在運動過程中產生抖動，對多個舵機運動進行控制，提高舵機的運動精度，以此確保機器人舞蹈動作的到位程度。國外學者提出一個機器人系統，采用64位RISC架構CPU，配備步行控制技術，使其更加接近人類的步行方式。裝置帶有記憶功能的交流和運動系統，通過傳感器進行導航，控制移動方向和位置的變換。

　　它可以實時追蹤音樂音頻的節拍和下拍，儲存位置信息并自動合成與所提取的音樂事件同步的舞蹈動作，能夠處理更加復雜的舞蹈。通過離線分析改進的實時拍頻預測方法，對節拍和下拍的估計有積極的作用。實驗結果表明其設計的機器人在一定程度上具有隨音樂跳舞的能力。而國內對舞蹈機器人的研究尚處于初步階段，國內學者研究機器人的運動規律，以Arduino M0作為舞蹈機器人的主控板，設計出19個自由度的小型舞蹈機器人進行簡單的舞蹈表演，基本實現人機交互功能，為后續智能機器人的研究提供技術平臺。

　　楊錦隆等人提出一種舞蹈機器人主控板，逐一調試轉動關節角度，對轉動的角度數據進行記錄，當舞蹈機器人完成一系列舞蹈動作后，將轉動關節的角度數據寫入命令程序，獲得大量關節轉動角度參數，通過步行控制技術，使舞蹈機器人完成斜向行走和原地轉身等動作，根據音樂節拍改變關節運動角度，并通過聲音識別和圖像識別模塊，對音樂進行識別[1]。

　　錢平等人提出在機器人內部安裝攝像機，將舞蹈視頻輸入機器人，主控板提取視頻中的音樂特征，包括音高和音長等，生成音樂信號，通過處理器將音樂信號轉化為數據，機器人通過PC機和控制核心，對信號數據進行讀取，構建機器人運動模型，驅動內部程序，實現機器人舞蹈動作的自動控制[2]。在以上理論的基礎上，設計基于人工智能的機器人舞蹈動作自動生成方法。結合人工智能和自動控制等技術，對舞蹈機器人進行智能控制，使機器人能夠根據外界環境變化，控制沒有重復性且變化幅度較大的各類參數，解決復雜的非線性控制問題。

　　2 基于人工智能的機器人舞蹈動作自動生成方法設計

　　2.1 提取音樂特征

　　采集音樂的音頻信號，從中提取音高、力度、旋律等特征參數。首先對音樂信號進行預處理，根據奎斯特原理，判斷音樂信號的最高頻率，設置采樣頻率為該頻率的兩倍，對音樂信號進行數據采集。截取短時的音樂信號，對信號進行加窗分幀，設置窗口幀長的范圍為30ms～50ms，重疊相鄰兩幀之間的信號，設置重疊幀移的范圍為1/3～1/2。選取海明窗函數與音樂信號相乘，得到加窗分幀后的音樂信號。

　　然后對音樂信號進行預濾波處理，將采樣頻率的 1/2 為標準，抑制采集信號中超過該標準的頻率分量，濾除音樂信號中的環境噪聲。對濾波后的音樂信號進行中心削波，使音頻信號只有-1、0、1三種值，計算音樂信號的自相關函數峰值，根據函數峰值為音樂信號周期整數倍這一特點，確定音頻基音周期和極值位置，由此計算出音頻信號音高。

　　利用小波變換方法，使用低通和高通兩個濾波器識別音樂節拍，分別獲得音樂信號的低頻分量和高頻分量，將低頻分量作為音樂信號的近似值，高頻分量作為信號修飾值，通過兩次小波分解，得到低頻分量的四個子帶頻段信號，從中提取音樂信號有用信息。對低頻信號進行波形修正，提取音樂節拍輪廓，疊加四個自帶信號，得到音樂信號的自相關包絡，根據包絡波形中的峰值距離、以及谷值峰值大小，分別識別音樂節拍速度、以及節拍重復部分。

　　2.2 編排機器人舞蹈動作

　　編排機器人基本動作，設置機器人肢體動作有5個自由度，包括雙足、頭部和雙臂，其中頭部僅為上下點頭動作，將機器人雙足和雙臂簡化為一個七連桿結構，利用廣義坐標確定機器人各桿件的位姿參數，構建機器人運動模型[6]。

　　其中動作速度取值為小于10的數字，與電機運行速度成正比。根據機器人動作結構特點和自由度，對不同連桿的幅度方向、速度時間進行總體編排，獲得多組肢體動作。至此完成機器人舞蹈動作的編排。

　　2.3 基于人工智能匹配音樂特征參數和機器人動作

　　根據四種音樂情感建立不同舞蹈動作庫，進一步匹配音樂特征參數和機器人具體動作，使機器人通過音樂信號的識別，自動生成舞蹈動作。

　　將機器人動作與音樂特征的匹配分為兩個層次，分別為音樂情感與舞蹈動作庫的匹配、以及音符和機器人具體動作的匹配。利用人工智能技術，針對提取的基本音樂特征參數，對大量參數進行排列組合，采用樹脂迭代方法，深入分析音樂信號的音高、力度、連續性和節拍，進而識別音樂所表達的情感特征[8]。

　　識別標準如表3所示。利用逆向思維方式，擺置不同情感特征的肢體動作，記錄不同動作名稱的動作參數，包括肢體幅度和速度時間，根據機器人擺置的肢體動作序列，按照時間順序排列動作參數，使其形成動作數據文件，將動作數據保存至Access數據庫中，建立不同情感的舞蹈動作庫，存放在機器人的存儲器，當機器人完成音樂情感識別后，開始調用相應的表演動作庫。

　　采用LPC1752作為主控芯片，使用Cortex-M3內核的微控制器，區分開指令總線和數據總線，采用哈佛結構的三級流水線，同時從內存中讀取指令數據，增加輸入輸出管腳數量，使主控芯片外設更加豐富，通過多個控制接口，使機器人能夠并行執行多個動作口令[9]。

　　通過優化后的外圍電路，對電源電壓進行轉換，采用脈寬調制方式，調節 I/O 管腳輸出 PWM 信號的占空比，當PWM信號占空比減小時，直流電機速度隨之減小，反之則增大。固定PWM方波周期后，輸出動作指令的數字信號，利用I/O管腳的邏輯0和邏輯1，改變PWM的輸出狀態，驅動電機轉至自由度端點位置，通過外設資源的匹配寄存器，驅動電機正反向運動，實現邊沿PWM信號的動作指令，對機器人的 5 個自由度進行控制，驅動舞蹈動作的自動生成[10-11]。最后觀察舞蹈動作與音樂的同步情況，修改機器人動作速度和延時長短，減少動作相對音樂的滯后時間，實現音樂特征參數和機器人動作的協調匹配。至此完成基于人工智能的機器人舞蹈動作自動生成方法設計。

　　3 實驗論證分析

　　進行對比實驗，記此次方法為實驗A組，兩種傳統方法分別為實驗B組和實驗C組，比較三組實驗中，機器人自動生成舞蹈動作時，雙足關節角度變化軌跡是否順暢。

　　3.1 實驗準備

　　選取一舞蹈機器人作為實驗對象，利用 matlab 編寫程序，對音樂信號進行讀取，可得實驗所用音樂的基音頻率范圍為 102HZ～400HZ，音樂信號的頻率范圍為 20HZ～20kHZ，峰值大小范圍為 2.5ms～9.8ms，控制 matlab 最大絕對值誤差為 0.6。設置采樣頻率范圍為 11kHZ、25kHZ、47kHZ，窗口長范圍取30ms～50ms。

　　3.2 實驗結果

　　實驗A組極值分別為0.29rad、0.31rad，俯仰 角 平 均 值 為 0.302rad，而 B 組 和 C 組 最 大 值 分 別 為0.33rad、0.35rad，最小值分別為 0.27rad、0.26rad，實驗 A組更加貼近初始設置角度。最后測量裸關節俯仰角，該角度設置初始值為-0.20rad。

　　實驗A組極值分別為-0.20rad、-0.21rad，俯仰角平均值為-0.203rad，而 B 組和 C 組最大值分別為-0.18rad、-0.17rad，最小值分別為-0.23rad、-0.24rad，相比實驗B組和C組，實驗A組裸關節俯仰角基本沒有發生變化，與初始值十分接近。

　　綜上所述，此次方法利用人工智能技術，對采集參數進行迭代處理，簡化了參數識別計算過程，使雙足舞蹈動作的關節角度更加貼合初始角度，角度軌跡變化十分平滑，機器人舞蹈動作穩定性要優于傳統方法。

　　4 結束語

　　此次設計方法充分發揮了人工智能技術的數據處理能力，使機器人舞蹈動作角度更加貼合初始角度。但此次研究仍存在一定不足，雙足步態較為緩慢，在今后的研究中，會適當增加機器人足底尺寸，調大雙足運動速度，模仿人類保持平衡的控制策略，使機器人生成動作更加靈活。

　　參考文獻：

　　[1] 楊錦隆,施明輝,晁飛,等.基于深度學習進行動作模仿的舞蹈機器人[J].廈門大學學報(自然科學版),2019,58(5):759-766.

　　[2] 錢平,馬建圓,李子龍,等.基于語音識別的機器人動作控制系統設計[J].電腦知識與技術,2020,16(17):170-172.

　　[3] 陳燕燕,劉文濤,姜雪松,等.基于5G網絡的遠程控制機器人應用及測試[J].移動通信,2020,44(2):45-49.

　　[4] 劉長生,單葆虹,邵思程.小型袋裝食品自動裝箱機器人設計及運動仿真[J].信息記錄材料,2019,20(12):180-181.

　　[5] 彭文耀,吳瑞琪,晁飛,等.一種基于姿態關系特征的機器人舞蹈生成方法[J].廈門大學學報(自然科學版),2019,58(5):774-780.

　　[6] 劉環,錢堃,桂博興,等.基于多演示動作基元參數化學習的機器人任務泛化[J].機器人,2019,41(5):574-582.

　　[7] 徐曉蘇,袁杰.基于改進強化學習的移動機器人路徑規劃方法[J].中國慣性技術學報,2019,27(3):314-320.

　　[8] 馬立勇,李連輝,賈雅靜,等.面向冬奧會的安保機器人動作系統設計[J].無線互聯科技,2019,16(11):53-54.

　　作者：張紅麗