ربات ها در تعامل با انسان ها نیاز به آموزش و برنامه ریزی برای ارتباط آسان دارند. ربات ها بر اساس ظاهرشان انواع مختلفی دارند که یکی از انواع مدل های ربات، ربات انسان نما است. ربات های انسان نما می توانند با توجه به مدل یادگیری از رفتارهای انسان تقلید کنند. این تقلید می تواند در تعامل بهتر انسان و ربات موثر باشد و در انجام بسیاری از کارهای متنوع و سخت به انسان کمک کند. تا به امروز روش های متعددی در تقلید ربات پیاده سازی شده است که به دو دسته پیوسته و گسسته تقسیم می شوند. روش پیوسته بدون یادگیری قبلی صورت می گیرد که بیشتر بر روی تعادل مفاصل ربات و افزایش سرعت آن انجام می شود. در روش گسسته تقلید با آموزش شبکه به منظور یادگیری ربات از قبل صورت گرفته و تمرکز بیشتر بر روی پیش بینی حرکات توسط ربات برای کاهش زمان پیش بینی و افزایش سرعت تقلید است. با وجود نتایج خوب به دست آمده در تقلید، اما هنوز چالش هایی برای پیشرفت آن همچون افزایش دقت و سرعت ربات در تقلید، افزایش تعادل ربات در حین راه رفتن و کاهش زمان تشخیص حرکت انسان در تقلید وجود دارند. در این پژوهش به منظور تقلید ربات از حرکات انسان ابتدا ربات را با شبکه عصبی پیشنهادی، شبکه های عصبی CNN-LSTM آموزش داده می شود. برای آموزش شبکه عصبی از تصاویر ویدیویی مجموعه داده KARD استفاده شده است که در پیش پردازش به منظور بهبود در تشخیص حرکت انسان از تکنیک جریان نوری و همچنین برای جلوگیری از مشکل بیش برازش از تکنیک افزایش داده استفاده شده است. در این پژوهش از ربات نائو به منظور اجرای روش پیشنهادی استفاده شده است. حرکات جدید از حرکات مجموعه داده با استفاده از محیط رابط کاربری ربات نائو به حرکات تعریف شده بر روی ربات اضافه می شود. تقلید حرکت توسط ربات نائو پس از پیش بینی حرکت با استفاده از یادگیری شبکه، به صورت گسسته انجام می شود. ربات آموزش داده شده حرکات انجام شده توسط انسان را تقلید می کند که به این صورت ربات را به صورت گسسته برای تقلید آموزش داده شده است. نتایج پیاده سازی روش ارائه شده، دقت بالا و زمان پیش بینی کمتر و افزایش سرعت تقلید ربات را در برداشته است.
