摘 要:傳統(tǒng)舞蹈動(dòng)作自動(dòng)生成方法生成的動(dòng)作角度與初始設(shè)置角度存在誤差。為此，提出基于人工智能的機(jī)器人舞蹈動(dòng)作自動(dòng)生成研究。采集音樂(lè)的音頻信號(hào)，提取音高、力度、旋律等特征參數(shù)，簡(jiǎn)化機(jī)器人為七連桿結(jié)構(gòu)，調(diào)控不同連桿關(guān)節(jié)角，確定運(yùn)動(dòng)軌跡和姿態(tài)，利用人工智能技術(shù)設(shè)定機(jī)器人基本動(dòng)作，排列組合音樂(lè)特征參數(shù)識(shí)別音樂(lè)情感，擺置不同情感特征的肢體動(dòng)作，形成數(shù)據(jù)文件優(yōu)化主控芯片，完成機(jī)器人自動(dòng)生成舞蹈動(dòng)作。設(shè)計(jì)對(duì)比實(shí)驗(yàn)測(cè)量機(jī)器人不同關(guān)節(jié)俯視角，結(jié)果表明，此次方法生成角度更加貼近初始角度，使機(jī)器人舞蹈動(dòng)作更加穩(wěn)定平滑。

　　關(guān)鍵詞:人工智能;機(jī)器人;舞蹈動(dòng)作;自動(dòng)生成;音樂(lè)特征

　　1 引言

　　舞蹈機(jī)器人作為一種娛樂(lè)機(jī)器人，通過(guò)對(duì)舞蹈動(dòng)作的模擬，具有一定觀賞性和趣味性，在機(jī)器人市場(chǎng)中具有廣闊前景。國(guó)外機(jī)器人技術(shù)研究較早，要求舞蹈機(jī)器人各個(gè)關(guān)節(jié)動(dòng)作銜接流暢、動(dòng)作穩(wěn)定，與音樂(lè)的配合中不存在不穩(wěn)定因素，主要利用舵機(jī)轉(zhuǎn)動(dòng)，使機(jī)器人在運(yùn)動(dòng)過(guò)程中產(chǎn)生抖動(dòng)，對(duì)多個(gè)舵機(jī)運(yùn)動(dòng)進(jìn)行控制，提高舵機(jī)的運(yùn)動(dòng)精度，以此確保機(jī)器人舞蹈動(dòng)作的到位程度。國(guó)外學(xué)者提出一個(gè)機(jī)器人系統(tǒng)，采用64位RISC架構(gòu)CPU，配備步行控制技術(shù)，使其更加接近人類(lèi)的步行方式。裝置帶有記憶功能的交流和運(yùn)動(dòng)系統(tǒng)，通過(guò)傳感器進(jìn)行導(dǎo)航，控制移動(dòng)方向和位置的變換。

　　它可以實(shí)時(shí)追蹤音樂(lè)音頻的節(jié)拍和下拍，儲(chǔ)存位置信息并自動(dòng)合成與所提取的音樂(lè)事件同步的舞蹈動(dòng)作，能夠處理更加復(fù)雜的舞蹈。通過(guò)離線分析改進(jìn)的實(shí)時(shí)拍頻預(yù)測(cè)方法，對(duì)節(jié)拍和下拍的估計(jì)有積極的作用。實(shí)驗(yàn)結(jié)果表明其設(shè)計(jì)的機(jī)器人在一定程度上具有隨音樂(lè)跳舞的能力。而國(guó)內(nèi)對(duì)舞蹈機(jī)器人的研究尚處于初步階段，國(guó)內(nèi)學(xué)者研究機(jī)器人的運(yùn)動(dòng)規(guī)律，以Arduino M0作為舞蹈機(jī)器人的主控板，設(shè)計(jì)出19個(gè)自由度的小型舞蹈機(jī)器人進(jìn)行簡(jiǎn)單的舞蹈表演，基本實(shí)現(xiàn)人機(jī)交互功能，為后續(xù)智能機(jī)器人的研究提供技術(shù)平臺(tái)。

　　楊錦隆等人提出一種舞蹈機(jī)器人主控板，逐一調(diào)試轉(zhuǎn)動(dòng)關(guān)節(jié)角度，對(duì)轉(zhuǎn)動(dòng)的角度數(shù)據(jù)進(jìn)行記錄，當(dāng)舞蹈機(jī)器人完成一系列舞蹈動(dòng)作后，將轉(zhuǎn)動(dòng)關(guān)節(jié)的角度數(shù)據(jù)寫(xiě)入命令程序，獲得大量關(guān)節(jié)轉(zhuǎn)動(dòng)角度參數(shù)，通過(guò)步行控制技術(shù)，使舞蹈機(jī)器人完成斜向行走和原地轉(zhuǎn)身等動(dòng)作，根據(jù)音樂(lè)節(jié)拍改變關(guān)節(jié)運(yùn)動(dòng)角度，并通過(guò)聲音識(shí)別和圖像識(shí)別模塊，對(duì)音樂(lè)進(jìn)行識(shí)別[1]。

　　錢(qián)平等人提出在機(jī)器人內(nèi)部安裝攝像機(jī)，將舞蹈視頻輸入機(jī)器人，主控板提取視頻中的音樂(lè)特征，包括音高和音長(zhǎng)等，生成音樂(lè)信號(hào)，通過(guò)處理器將音樂(lè)信號(hào)轉(zhuǎn)化為數(shù)據(jù)，機(jī)器人通過(guò)PC機(jī)和控制核心，對(duì)信號(hào)數(shù)據(jù)進(jìn)行讀取，構(gòu)建機(jī)器人運(yùn)動(dòng)模型，驅(qū)動(dòng)內(nèi)部程序，實(shí)現(xiàn)機(jī)器人舞蹈動(dòng)作的自動(dòng)控制[2]。在以上理論的基礎(chǔ)上，設(shè)計(jì)基于人工智能的機(jī)器人舞蹈動(dòng)作自動(dòng)生成方法。結(jié)合人工智能和自動(dòng)控制等技術(shù)，對(duì)舞蹈機(jī)器人進(jìn)行智能控制，使機(jī)器人能夠根據(jù)外界環(huán)境變化，控制沒(méi)有重復(fù)性且變化幅度較大的各類(lèi)參數(shù)，解決復(fù)雜的非線性控制問(wèn)題。

　　2 基于人工智能的機(jī)器人舞蹈動(dòng)作自動(dòng)生成方法設(shè)計(jì)

　　2.1 提取音樂(lè)特征

　　采集音樂(lè)的音頻信號(hào)，從中提取音高、力度、旋律等特征參數(shù)。首先對(duì)音樂(lè)信號(hào)進(jìn)行預(yù)處理，根據(jù)奎斯特原理，判斷音樂(lè)信號(hào)的最高頻率，設(shè)置采樣頻率為該頻率的兩倍，對(duì)音樂(lè)信號(hào)進(jìn)行數(shù)據(jù)采集。截取短時(shí)的音樂(lè)信號(hào)，對(duì)信號(hào)進(jìn)行加窗分幀，設(shè)置窗口幀長(zhǎng)的范圍為30ms～50ms，重疊相鄰兩幀之間的信號(hào)，設(shè)置重疊幀移的范圍為1/3～1/2。選取海明窗函數(shù)與音樂(lè)信號(hào)相乘，得到加窗分幀后的音樂(lè)信號(hào)。

　　然后對(duì)音樂(lè)信號(hào)進(jìn)行預(yù)濾波處理，將采樣頻率的 1/2 為標(biāo)準(zhǔn)，抑制采集信號(hào)中超過(guò)該標(biāo)準(zhǔn)的頻率分量，濾除音樂(lè)信號(hào)中的環(huán)境噪聲。對(duì)濾波后的音樂(lè)信號(hào)進(jìn)行中心削波，使音頻信號(hào)只有-1、0、1三種值，計(jì)算音樂(lè)信號(hào)的自相關(guān)函數(shù)峰值，根據(jù)函數(shù)峰值為音樂(lè)信號(hào)周期整數(shù)倍這一特點(diǎn)，確定音頻基音周期和極值位置，由此計(jì)算出音頻信號(hào)音高。

　　利用小波變換方法，使用低通和高通兩個(gè)濾波器識(shí)別音樂(lè)節(jié)拍，分別獲得音樂(lè)信號(hào)的低頻分量和高頻分量，將低頻分量作為音樂(lè)信號(hào)的近似值，高頻分量作為信號(hào)修飾值，通過(guò)兩次小波分解，得到低頻分量的四個(gè)子帶頻段信號(hào)，從中提取音樂(lè)信號(hào)有用信息。對(duì)低頻信號(hào)進(jìn)行波形修正，提取音樂(lè)節(jié)拍輪廓，疊加四個(gè)自帶信號(hào)，得到音樂(lè)信號(hào)的自相關(guān)包絡(luò)，根據(jù)包絡(luò)波形中的峰值距離、以及谷值峰值大小，分別識(shí)別音樂(lè)節(jié)拍速度、以及節(jié)拍重復(fù)部分。

　　2.2 編排機(jī)器人舞蹈動(dòng)作

　　編排機(jī)器人基本動(dòng)作，設(shè)置機(jī)器人肢體動(dòng)作有5個(gè)自由度，包括雙足、頭部和雙臂，其中頭部?jī)H為上下點(diǎn)頭動(dòng)作，將機(jī)器人雙足和雙臂簡(jiǎn)化為一個(gè)七連桿結(jié)構(gòu)，利用廣義坐標(biāo)確定機(jī)器人各桿件的位姿參數(shù)，構(gòu)建機(jī)器人運(yùn)動(dòng)模型[6]。

　　其中動(dòng)作速度取值為小于10的數(shù)字，與電機(jī)運(yùn)行速度成正比。根據(jù)機(jī)器人動(dòng)作結(jié)構(gòu)特點(diǎn)和自由度，對(duì)不同連桿的幅度方向、速度時(shí)間進(jìn)行總體編排，獲得多組肢體動(dòng)作。至此完成機(jī)器人舞蹈動(dòng)作的編排。

　　2.3 基于人工智能匹配音樂(lè)特征參數(shù)和機(jī)器人動(dòng)作

　　根據(jù)四種音樂(lè)情感建立不同舞蹈動(dòng)作庫(kù)，進(jìn)一步匹配音樂(lè)特征參數(shù)和機(jī)器人具體動(dòng)作，使機(jī)器人通過(guò)音樂(lè)信號(hào)的識(shí)別，自動(dòng)生成舞蹈動(dòng)作。

　　將機(jī)器人動(dòng)作與音樂(lè)特征的匹配分為兩個(gè)層次，分別為音樂(lè)情感與舞蹈動(dòng)作庫(kù)的匹配、以及音符和機(jī)器人具體動(dòng)作的匹配。利用人工智能技術(shù)，針對(duì)提取的基本音樂(lè)特征參數(shù)，對(duì)大量參數(shù)進(jìn)行排列組合，采用樹(shù)脂迭代方法，深入分析音樂(lè)信號(hào)的音高、力度、連續(xù)性和節(jié)拍，進(jìn)而識(shí)別音樂(lè)所表達(dá)的情感特征[8]。

　　識(shí)別標(biāo)準(zhǔn)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(dòng)作，記錄不同動(dòng)作名稱(chēng)的動(dòng)作參數(shù)，包括肢體幅度和速度時(shí)間，根據(jù)機(jī)器人擺置的肢體動(dòng)作序列，按照時(shí)間順序排列動(dòng)作參數(shù)，使其形成動(dòng)作數(shù)據(jù)文件，將動(dòng)作數(shù)據(jù)保存至Access數(shù)據(jù)庫(kù)中，建立不同情感的舞蹈動(dòng)作庫(kù)，存放在機(jī)器人的存儲(chǔ)器，當(dāng)機(jī)器人完成音樂(lè)情感識(shí)別后，開(kāi)始調(diào)用相應(yīng)的表演動(dòng)作庫(kù)。

　　采用LPC1752作為主控芯片，使用Cortex-M3內(nèi)核的微控制器，區(qū)分開(kāi)指令總線和數(shù)據(jù)總線，采用哈佛結(jié)構(gòu)的三級(jí)流水線，同時(shí)從內(nèi)存中讀取指令數(shù)據(jù)，增加輸入輸出管腳數(shù)量，使主控芯片外設(shè)更加豐富，通過(guò)多個(gè)控制接口，使機(jī)器人能夠并行執(zhí)行多個(gè)動(dòng)作口令[9]。

　　通過(guò)優(yōu)化后的外圍電路，對(duì)電源電壓進(jìn)行轉(zhuǎn)換，采用脈寬調(diào)制方式，調(diào)節(jié) I/O 管腳輸出 PWM 信號(hào)的占空比，當(dāng)PWM信號(hào)占空比減小時(shí)，直流電機(jī)速度隨之減小，反之則增大。固定PWM方波周期后，輸出動(dòng)作指令的數(shù)字信號(hào)，利用I/O管腳的邏輯0和邏輯1，改變PWM的輸出狀態(tài)，驅(qū)動(dòng)電機(jī)轉(zhuǎn)至自由度端點(diǎn)位置，通過(guò)外設(shè)資源的匹配寄存器，驅(qū)動(dòng)電機(jī)正反向運(yùn)動(dòng)，實(shí)現(xiàn)邊沿PWM信號(hào)的動(dòng)作指令，對(duì)機(jī)器人的 5 個(gè)自由度進(jìn)行控制，驅(qū)動(dòng)舞蹈動(dòng)作的自動(dòng)生成[10-11]。最后觀察舞蹈動(dòng)作與音樂(lè)的同步情況，修改機(jī)器人動(dòng)作速度和延時(shí)長(zhǎng)短，減少動(dòng)作相對(duì)音樂(lè)的滯后時(shí)間，實(shí)現(xiàn)音樂(lè)特征參數(shù)和機(jī)器人動(dòng)作的協(xié)調(diào)匹配。至此完成基于人工智能的機(jī)器人舞蹈動(dòng)作自動(dòng)生成方法設(shè)計(jì)。

　　3 實(shí)驗(yàn)論證分析

　　進(jìn)行對(duì)比實(shí)驗(yàn)，記此次方法為實(shí)驗(yàn)A組，兩種傳統(tǒng)方法分別為實(shí)驗(yàn)B組和實(shí)驗(yàn)C組，比較三組實(shí)驗(yàn)中，機(jī)器人自動(dòng)生成舞蹈動(dòng)作時(shí)，雙足關(guān)節(jié)角度變化軌跡是否順暢。

　　3.1 實(shí)驗(yàn)準(zhǔn)備

　　選取一舞蹈機(jī)器人作為實(shí)驗(yàn)對(duì)象，利用 matlab 編寫(xiě)程序，對(duì)音樂(lè)信號(hào)進(jìn)行讀取，可得實(shí)驗(yàn)所用音樂(lè)的基音頻率范圍為 102HZ～400HZ，音樂(lè)信號(hào)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(duì)值誤差為 0.6。設(shè)置采樣頻率范圍為 11kHZ、25kHZ、47kHZ，窗口長(zhǎng)范圍取30ms～50ms。

　　3.2 實(shí)驗(yàn)結(jié)果

　　實(shí)驗(yàn)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(shí)驗(yàn) A組更加貼近初始設(shè)置角度。最后測(cè)量裸關(guān)節(jié)俯仰角，該角度設(shè)置初始值為-0.20rad。

　　實(shí)驗(yàn)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(shí)驗(yàn)B組和C組，實(shí)驗(yàn)A組裸關(guān)節(jié)俯仰角基本沒(méi)有發(fā)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(shù)，對(duì)采集參數(shù)進(jìn)行迭代處理，簡(jiǎn)化了參數(shù)識(shí)別計(jì)算過(guò)程，使雙足舞蹈動(dòng)作的關(guān)節(jié)角度更加貼合初始角度，角度軌跡變化十分平滑，機(jī)器人舞蹈動(dòng)作穩(wěn)定性要優(yōu)于傳統(tǒng)方法。

　　4 結(jié)束語(yǔ)

　　此次設(shè)計(jì)方法充分發(fā)揮了人工智能技術(shù)的數(shù)據(jù)處理能力，使機(jī)器人舞蹈動(dòng)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(tài)較為緩慢，在今后的研究中，會(huì)適當(dāng)增加機(jī)器人足底尺寸，調(diào)大雙足運(yùn)動(dòng)速度，模仿人類(lèi)保持平衡的控制策略，使機(jī)器人生成動(dòng)作更加靈活。

　　參考文獻(xiàn)：

　　[1] 楊錦隆,施明輝,晁飛,等.基于深度學(xué)習(xí)進(jìn)行動(dòng)作模仿的舞蹈機(jī)器人[J].廈門(mén)大學(xué)學(xué)報(bào)(自然科學(xué)版),2019,58(5):759-766.

　　[2] 錢(qián)平,馬建圓,李子龍,等.基于語(yǔ)音識(shí)別的機(jī)器人動(dòng)作控制系統(tǒng)設(shè)計(jì)[J].電腦知識(shí)與技術(shù),2020,16(17):170-172.

　　[3] 陳燕燕,劉文濤,姜雪松,等.基于5G網(wǎng)絡(luò)的遠(yuǎn)程控制機(jī)器人應(yīng)用及測(cè)試[J].移動(dòng)通信,2020,44(2):45-49.

　　[4] 劉長(zhǎng)生,單葆虹,邵思程.小型袋裝食品自動(dòng)裝箱機(jī)器人設(shè)計(jì)及運(yùn)動(dòng)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(tài)關(guān)系特征的機(jī)器人舞蹈生成方法[J].廈門(mén)大學(xué)學(xué)報(bào)(自然科學(xué)版),2019,58(5):774-780.

　　[6] 劉環(huán),錢(qián)堃,桂博興,等.基于多演示動(dòng)作基元參數(shù)化學(xué)習(xí)的機(jī)器人任務(wù)泛化[J].機(jī)器人,2019,41(5):574-582.

　　[7] 徐曉蘇,袁杰.基于改進(jìn)強(qiáng)化學(xué)習(xí)的移動(dòng)機(jī)器人路徑規(guī)劃方法[J].中國(guó)慣性技術(shù)學(xué)報(bào),2019,27(3):314-320.

　　[8] 馬立勇,李連輝,賈雅靜,等.面向冬奧會(huì)的安保機(jī)器人動(dòng)作系統(tǒng)設(shè)計(jì)[J].無(wú)線互聯(lián)科技,2019,16(11):53-54.

　　作者：張紅麗