Nature解锁未来智能外骨骼，可穿戴医疗器械重塑行动自由？

来源：智慧医械，未经授权不得转载

01

引言

智能外骨骼技术正在以惊人的速度推动着现代医疗技术的进步，为需要行动辅助的人群带来了新的希望和可能性。这种先进的技术不仅可以提供实时的辅助，还能够根据用户的动作需求自适应调整，极大地改善了日常生活中的行动能力和舒适度。

近日，来自北卡罗来纳州立大学与北卡罗来纳大学教堂山分校的苏浩教授团队在顶级学术期刊“Nature”上发表了题为“Experiment-free Exoskeleton Assistance via Learning in Simulation”的突破性研究论文，他们利用仿真模型和数据驱动的强化学习技术，尝试在不进行人体实验的情况下，通过仿真学习一个通用且适应多种运动活动的控制策略。这种方法旨在通过仿真模拟人体肌肉骨骼系统和外骨骼的动态特性，实现控制器的高效学习和优化，从而弥合仿真与实际应用之间的差距。

具体来说，本研究通过开发一种名为“学习在仿真中”的框架，成功实现了在仿真环境中学习多功能控制策略。这一框架利用神经网络和强化学习算法，通过在仿真中对控制器进行8小时的训练，然后直接将学习到的控制器部署到无线联动的外骨骼上，无需进一步的现实世界训练。结果显示，这种自适应学习控制器能够显著降低步行、奔跑和爬楼时的代谢率，分别降低了24.3%、13.1%和15.4%。

02

无需实验即可优化控制策略

传统上，开发外骨骼设备通常需要大量的人体实验和复杂的手工调试，这不仅费时费力，还成本高昂。然而，本次智慧机械的创新之处在于，它通过计算机模拟人体运动来训练控制器，避免了大量的实验测试。

具体来说，作者的方法首先利用运动捕捉数据集中的人体运动轨迹信息，如步行、跑步和上楼的动作数据，然后进行学习。这些数据提供了在仿真中训练神经网络的基础，这些网络负责模仿人体的运动方式、协调肌肉活动以及控制外骨骼的输出扭矩。

这种学习方法的好处在于它不仅仅可以节省时间和成本，还能够快速适应不同用户和多种运动模式的需求。例如，在作者的研究中，仅仅通过一个简单的大腿传感器（九轴惯性测量单元IMU）就可以实时获取必要的运动学数据，无需复杂的设备和繁琐的调试过程。这使得作者开发的控制器能够自动适应步行、跑步和上楼等不同活动，并且能够顺畅地处理活动之间的过渡，而无需事先定义复杂的控制规则。

03

控制器适应不同运动活动的能力

为了进一步展示了控制器的适应能力，作者在实验中演示了参与者从慢步行到奔跑，再到攀爬楼梯的平稳过渡过程。这一过程中，控制器能够根据不同活动的特征自动调整辅助力度和模式，确保用户在过渡中始终保持舒适和稳定。通过多种运动模式的顺畅切换，智能外骨骼为用户提供了全方位的行动支持，使得日常生活中的活动更加轻松和自如。

实验结果显示，学习控制器能够根据每位参与者的个体运动模式自适应地调整辅助扭矩。在步行和跑步的不同速度下，控制器生成的辅助扭矩曲线略有不同，但都能有效地与用户的运动同步，提供理想的支持。这种个性化的辅助使得外骨骼在不同活动中能够更加灵活地应对用户的需求，而无需每次针对不同活动进行复杂的手动调整。

学习控制器的关键在于其背后的智能算法。通过在仿真环境中进行大量训练，控制器能够学习和优化辅助策略，使其在现实世界中表现更为稳定和有效。这种方法避免了传统上依赖于人工调整和实验测试的复杂过程，大大提高了外骨骼控制技术的发展速度和普适性。

04

智能外骨骼的平稳过渡与协调辅助

通过“学习在仿真中”的方法，我们不仅成功地将控制策略从仿真环境转移到了物理外骨骼中，还实现了对多种复杂运动活动的智能化辅助。这一技术突破有效地克服了传统开发过程中的实验周期长、成本高的问题，为未来智能外骨骼技术的发展奠定了坚实的基础。

05

智能外骨骼是提升运动效率的科技助力

研究还详细分析了智能外骨骼在步行、奔跑和攀爬楼梯过程中对用户代谢率的影响。结果显示，辅助开启状态下，与无外骨骼条件相比，代谢率分别降低了24.3%、13.1%和15.4%。这意味着智能外骨骼不仅可以显著减少用户在运动中的能量消耗，还能提升运动的效率和持久力，为用户带来更长时间的舒适体验。

智能外骨骼技术的快速发展不仅为用户带来了更优越的运动体验，也为未来智慧医疗领域的进步奠定了坚实基础。通过结合先进科技和深入实验验证，智能外骨骼正在成为现代生活中不可或缺的健康助力器。

06

小编有话说

这一研究为未来可穿戴机器人技术的快速发展和应用提供了新的方法和思路。通过仿真学习的方法，我们不仅可以在更短的时间内开发出高效的控制策略，还能够在面对不同用户和多种运动需求时实现快速适配。这种基于数据驱动的仿真学习方法不仅对可穿戴机器人领域具有革命性意义，还为其他领域的智能系统设计和优化提供了有价值的借鉴。

相关论文信息：

Luo, S., Jiang, M., Zhang, S. et al. Experiment-free exoskeleton assistance via learning in simulation. Nature 630, 353–359(2024). https://doi.org/10.1038/s41586-024-07382-4