机械臂作为一种类似人体手臂的机械装置,它能够代替人类操作一些危险操作人类受限的场所。它的出现为人类社会提供了远距离与周围环境交互的方式,在交互过程中可以做到安全且高效,甚至能够完成一些人类不可能无法完成的工作。同时,多自由度的机械臂在我们生产活动中具有越来越重要的角色,它具有精度高、速度快、机动灵活、场景受限低等特点。在工业生产领域,机械臂可以实现高效的生产和降低生产成本的目的,能够代替人类完成复杂性重复机械性的劳动。近些年,由于虚拟技术的迅速发展,人机交互技术的研究逐渐成为现在的热点,而机械臂智能人机交互在其中扮演着重要的角色。本论文选择以机械臂动作识别作为切入点,将多自由度机械臂和人体手臂进行映射,设计不同的手臂动作指令进行分类识别。当前,传统的手臂动作分类识别主要有基于计算机视觉和基于运动传感器,分类识别的方法主要有模版匹配法、隐马尔可夫模型、运动轨迹重构以及深度学习领域的神经网络法。随着MEMS运动传感器的迅速发展,基于传感器对动作识别也成为当下热点。所以,本论文则基于MEMS运动传感器灵敏度高、动态性能好、对环境适应性高等优势,对手臂指令动作进行数据采集,使用XGBoost集成学习算法实现动作分类识别。首先,本论文设计了一套基于MEMS传感器网络的手臂动作采集系统,系统包括硬件和软件两部分。其中硬件部分又包括移动终端(穿戴式设备)和接收数据终端(个人电脑)。移动终端是指用三个传感器串联而成,分别测量手臂关节的肩关节、肘关节、腕关节数据的可穿戴设备。而软件部分是指PC端上位机界面的设计,主要功能是方便数据分类存储。随后定义了常见的八种静态手臂动作和十种动态手臂动作,并由多人完成数据采集工作。然后,为了保证XGBoost集成学习算法能够识别数据,需要对手臂动作数据进行预处理。其中包括了利用三轴加速度计信息提取有效动作,利用平滑滤波算法对数据波形进行滤波处理,以及利用快速离散傅立叶变换(FFT)对数据离散采样并使数据对齐。同时为了提高模型的准确率和鲁棒性,则需要采集的动作数据进行特征工程处理。其中包括了基于N个标准差的异常数据处理,基于时域和频域特征增强,基于Min-Max标准化的特征归一化处理以及基于PCA降维的动作数据特征选择,从而总结出一套适用于MEMS数据的特征工程处理方法。最后,基于XGBoost集成学习算法,分别对静态和动态手臂动作数据进行分类识别。然后基于不同维度的性能指标,得到测试数据集的混淆矩阵,分析总结每种动作的识别率。同时对不同的输入数据再次进行动作分类识别,分析并总结不同输入数据对分类识别的影响大小。