0 引言
球类陪练机器人以其机动性好、针对性强、训练数据可量化等特点已在多个体育领域有广泛的应用，目前对陪练机器人的研究大多集中于机器人控制方法[1]和机械结构的设计、优化[2-3]，以提高机器人的多功能性和可控性为主。但是对于训练内容更加复杂的运动(如篮球、足球、橄榄球等)，还需要机器人具备更高的人机交互能力以发挥出最优性能。
传统的人机交互一般依赖于遥控器、键盘鼠标等外部设备，存在一定的固有缺陷，而基于图像处理的目标识别方法可实现与机器人的实时交互，进一步提高机器人智能化水平。在基于图像处理的姿态识别研究中，主要集中于以下几个方面：(1)传感器：基于惯性传感器、FDC2214电容传感器等[4-5]；(2)机器学习：基于支持向量机(SVM)、长短期记忆神经网络(LSTM)等[6-7]；(3)深度学习模型：基于YOLO、卷积神经网络(CNN)等的方法在识别问题中也得到了广泛应用[8-9]。YOLO系列算法由Redmon等人在2015年提出[10]，后续不断发展为YOLOv2[11]、YOLOv3[12]、YOLOv4[13]和最新的YOLOv5。该算法的核心思想在于将目标检测统一为回归问题进行求解，相较于同一精确度下采用分类+回归方法的Faster R-CNN等机器学习方法，检测速度提升了约4倍。YOLOv5是YOLO系列最新的算法，是目前检测领域综合性最好的算法之一。
本文详细内容请下载：http://www.chinaaet.com/resource/share/2000003912。
作者信息：
曾杨吉，刘自红，蔡 勇，郭星辰，莫金龙
(西南科技大学 制造科学与工程学院，四川 绵阳621000)
