仿真训练的协同自适应外骨骼控制器与检索、微调及人工审查相比表现如何？

仿真训练的控制器何时优于传统方法？

经过仿真训练的控制器，其性能可以媲美甚至超越通过漫长人工实验调校出的控制器，但前提是仿真环境必须足够丰富，能够模拟人如何适应设备。最典型的例子是2024年发表在《自然》杂志上的一项研究：该研究完全在仿真环境中训练了一个髋部外骨骼控制器，未进行任何人体测试，随后将其部署到硬件上——结果步行时代谢能耗降低了24.3%，跑步时降低了13.1%，爬楼梯时降低了15.4%[1]。这意味着穿戴该外骨骼的人步行时消耗的能量比不穿时减少了约四分之一，其效果与传统的人机闭环调校相当，却省去了数小时的实验室时间。

另一项研究采用了分阶段训练方法，模拟人们自然适应穿戴设备的過程：首先让人类学习在无辅助下行走，然后适应设备的质量，接着外骨骼学习提供辅助，最后双方共同适应。该方法在仿真中将髋部肌肉激活降低了10.1%，并在五名受试者身上部署于实体外骨骼时，无需针对个体重新训练即可提供一致的辅助效果[3]。关键启示在于：如果仿真中包含肌肉骨骼模型以及模拟人类适应过程的训练课程，所学到的控制器可以达到甚至优于手工调校的控制器，并且无需额外调校即可在不同用户间泛化。

仿真到现实的迁移，在哪些方面仍有不足？

仿真训练的控制并不完美——在人体运动的极端情况下，它们可能会力不从心，而且随着任务难度增加，仿真与现实之间的差距也会扩大。一项训练控制器以降低生物关节力矩的研究发现，髋关节处的一致性较好（相关系数0.94–0.98），但在更高速度和更陡坡度下，差异会增大，尤其是在膝关节处[4]。通俗地说，该控制器在正常行走时能较好地预测辅助效果，但当人们走得更快或坡度更陡时，其准确性就会下降，这意味着在这些情况下，辅助的时机或力度可能不够精准。

另一项研究在仿真环境中训练控制器并部署到硬件上，发现辅助曲线迁移效果良好（相关系数0.82，误差仅为0.03 Nm/kg），但收益有限——肌肉激活仅降低3.4%，关节功率降低7.0%[2]。这一效果远小于《自然》杂志研究中观察到的24%代谢率降低，很可能是因为仿真不够全面或任务类型不同。启示在于：仿真训练的控制器在平地行走等常见活动中表现可靠，但在运动范围边缘性能会下降，且收益大小会因模型保真度的不同而差异显著。

行动不便的人怎么办？

最大的未解之谜在于，经过仿真训练的控制器是否对真正需要外骨骼的人群——即行动障碍患者——有效。目前的研究主要聚焦于健全用户，仅有一项研究明确涉及病理性步态。这项名为Exo-plore的研究利用神经力学仿真优化髋部外骨骼辅助，发现该方法可推广至病理性步态，并显示出障碍严重程度与最优辅助之间存在强烈的线性关系[5]。这意味着仿真能够预测，步态障碍越严重的人需要越多的辅助，这令人鼓舞。

但这些研究都没有在真实患者身上测试过该控制器。Exo-plore的作者指出，当前最先进的方法需要在人体实验中行走数小时，这对于行动不便的人群来说并不现实[5]。经过仿真训练的控制器或许能解决这一问题，但在临床人群中得到验证之前，我们无法确定它们能像对健全用户那样有效。因此，就目前而言，答案是：仿真训练的控制器对健全用户和日常活动而言是一种强大的工具，但对临床人群来说，它们仍是一个未经证实的承诺。

关于这些来源

本回答基于5项研究（1篇同行评审，4篇预印本），发表于2024年至2026年间，其中5篇为2024年或之后发表，1篇发表于Q1期刊，合计被引用105次——这些研究是从通过质量筛选的5项研究中选出的最相关成果，而这些研究又源自从超过5亿篇论文数据库中检索到的74篇文献。

本文引用的文献

相关研究问题