英文题目：A Joint-Space Humanoid Robot Torso Motion Planning Method Based on Spiking Neural Networks

中文题目：基于脉冲神经网络的仿人机器人关节空间躯干运动规划方法

作者：Fengjia Ju, Hongzhe Jin, Hong Yin, Jiaxiu Liu, Xiuli Zhang, Mingguo Zhao, Jie Zhao

作者单位：哈尔滨工业大学机电工程学院；北京交通大学机械、电子与控制工程学院；清华大学自动化系

期刊：IEEE/ASME Transactions on Mechatronics

发表时间： 2026年4月

引文格式：Ju F., Jin H., Yin H., Liu J., Zhang X., Zhao M., and Zhao J., A Joint-Space Humanoid Robot Torso Motion Planning Method Based on Spiking Neural Networks, IEEE/ASME Transactions on Mechatronics, vol. 31, no. 2, pp. 1377–1387, 2026.

01 全文速览

人类在完成搬运、支撑、转向、伸手等动作时，并不是只靠手臂完成任务。很多时候，躯干会主动前倾、侧弯或旋转，从而扩大手臂可达空间、降低用力负担，并让头部视觉系统获得更合适的观察角度。

这篇论文的核心问题正是：仿人机器人能不能像人一样，学会在双臂操作中自然地使用躯干？

作者提出了 TMPNet（Torso Motion Planning Network），通过模仿学习从人体骨架关键点中学习躯干—双臂的运动关系，再利用脉冲神经网络 SNN 在类脑芯片上实现低功耗推理。与传统逆运动学方法相比，TMPNet不仅能提高双臂操作灵活性，还能补偿头部自由度，减少突变式大角度运动和高迭代计算成本。

图1：仿人上半身机器人及其受人类躯干优势启发的结构设计。

✅ 亮点1：从人体示范中学习躯干与双臂之间的运动协同关系。

✅ 亮点2：提出几何映射模型，将人体骨架关键点转化为机器人躯干关节角。

✅ 亮点3：将SNN部署在类脑芯片上，实现低功耗边缘计算。

✅ 亮点4：结合解耦逆运动学与可变弹簧阻尼模型，兼顾柔顺性、准确性与平滑性。

02 研究内容

🎯 2.1 为什么躯干运动规划重要？

传统仿人机器人双臂操作中，躯干常被预先固定，或者只作为逆运动学中的冗余关节参与求解。这种处理方式虽然简单，但很难真正发挥躯干的作用。人类在操作时，躯干会根据手臂目标位置自然调整姿态，使手臂处于更舒适、更灵活的区域。

已有方法如DLS、KDL、Bio-IK等能够求解逆运动学，但往往存在三类问题：一是躯干运动缺少人体经验引导；二是优化迭代或随机采样可能带来计算成本；三是容易出现突然的大角度变化。本文希望用模仿学习 + 模型方法的思路解决这个问题。

🧠 2.2 机器人模型：23自由度上半身系统

论文中的仿人上半身机器人共有23个自由度，包括3自由度躯干、左右各8自由度手臂，以及4自由度头部视觉系统。其运动学可写为：

其中，( heta) 表示机器人关节角，(X) 包含左右臂末端位置姿态和头部视线点。传统速度级逆运动学为：

为了独立规划躯干，作者将关节速度分为躯干部分

这个式子的关键是：躯干运动由TMPNet单独规划，双臂和头部再通过解耦逆运动学补偿躯干带来的影响。这样既能让躯干主动参与运动，又不破坏末端轨迹跟踪。

图2：完整运动规划框架。左侧为TMPNet学习躯干运动，右侧为模型驱动解耦逆运动学，体现学习引导 + 模型保证的整体思路。

🧩 2.3 数据构建：从人体骨架关键点到机器人躯干关节

TMPNet的训练数据来自两部分：一是作者通过ZED2相机采集的60组人体搬运动作，共12988组骨架关键点；二是NTU RGB+D公开数据集中提取的10000组人体动作样本。

难点在于，人体骨架关键点是笛卡尔空间数据，而机器人需要的是躯干关节角。为此，作者建立了几何映射模型，选取人体躯干和肩部相关关键点，将人体躯干姿态映射为机器人三个躯干关节角：前屈/后伸、侧弯、旋转。

图3：人体示范采集、骨架关键点、几何映射模型及映射结果。

为了提高极限姿态下的泛化能力，论文还采用线性插值、线性外推和绕竖直轴旋转的数据增强方法。增强后的数据显著增加了躯干极限角度附近的样本，从而让TMPNet在大范围操作时更稳定。

图4：输入特征在笛卡尔空间中的分布，以及增强前后躯干关节角分布。

⚙️ 2.4 SNN如何用于连续运动规划？

SNN通常更适合事件驱动和低功耗计算，但本文将其用于回归任务：根据双臂关键点位置预测躯干关节角。作者为三个躯干关节分别设计一个SNN，每个网络独立回归一个躯干角：

其中，(S_i) 是根据双臂关键点人工提取的输入特征，

这部分的意义在于：TMPNet不是简单用神经网络替代逆运动学，而是只学习人体经验中的躯干运动策略，再由模型方法完成高精度末端跟踪。因此，它比纯模型方法更有动作经验，也比纯学习方法更容易保证精度。

🛠️ 2.5 VSDM：让SNN输出更平滑

由于相机采集的人体数据存在噪声，SNN直接输出的躯干角可能出现波动。同时，网络输出的是关节角，而解耦逆运动学需要关节速度。为此，作者引入 可变弹簧阻尼模型 VSDM：

它相当于在SNN输出后加了一个物理滤波与动态约束模块，将目标角度转换为平滑的关节角和角速度。论文还通过动态调整自然频率 (omega)，抑制启动阶段的速度超调和角度突变。

图5：不同 (omega) 取值下躯干角与角速度变化。

03 实验结果

论文将TMPNet与DLS、WDLS、KDL-RR、Bio-IK等方法进行对比。评价指标包括双臂可操作度、头部关节总位移、伪逆计算次数，以及是否出现突然大角度变化。

在极限位姿仿真中，TMPNet能够让躯干角接近关节极限，如第一躯干关节达到32°以上，第二躯干关节接近88°，第三躯干关节接近19.5°，说明其在极端动作下仍具备较好泛化能力。

图6：SNN与RNN训练损失对比，以及极限姿态下的机器人运动、躯干角、可操作度和跟踪误差。

在搬箱任务中，TMPNet能够更自然地利用第二躯干关节完成侧向搬运，同时减少头部关节运动，使视觉系统保持更宽视野。相比KDL-RR和Bio-IK，TMPNet没有依赖随机采样，因此避免了突然大角度跳变；相比DLS和WDLS，TMPNet的躯干运动更有人类经验引导，双臂灵活性更好。

图7：两组搬箱仿真任务对比，包括不同方法下的机器人姿态、躯干角、头部角、可操作度和跟踪误差。

最后，作者在真实机器人上完成了四类双臂协作实验，包括搬箱、转动方向盘、向下移动板件、将板件从前方移动到左侧。在大范围实验中，躯干第一关节和第二关节分别达到28.2°和89.5°，验证了TMPNet在真实系统中的可用性。

图8：真实机器人实验及躯干关节角变化。

04 总结与展望

这篇论文的价值在于，它没有把仿人机器人躯干当作简单冗余关节，而是将其视为一种可以从人体经验中学习的协同运动资源。TMPNet通过SNN学习躯干—双臂关系，再结合解耦逆运动学保证末端跟踪精度，最后利用VSDM提升运动平滑性，形成了一个比较完整的类脑学习 + 模型控制框架。

未来研究可进一步关注：

1. 将上半身机器人与移动底盘结合，扩展更大工作空间；

2. 在多约束场景下进一步发挥VSDM的约束处理能力；

3. 将躯干规划与全身平衡、视觉主动感知、双臂力控结合；

4. 探索SNN在更复杂仿人机器人运动控制中的低功耗优势。

声明：本文仅供学术交流，版权归原作者所有。如有错误或侵权，请联系更正或删除，欢迎留言探讨。