最有力的证明：一个经仿真训练的控制系统将真实人类的代谢成本降低了19.7%
针对您的问题，最直接的答案来自一项2026年的研究：该研究将一个完全在仿真环境中训练的控制器，应用于八名穿戴髋部外骨骼的健康成年人身上进行测试。与被动装置相比，主动辅助将净代谢率降低了19.7%（p < 0.001）——这是在能量消耗方面具有统计学意义的显著降低，而能量消耗正是辅助行走评估的金标准指标[1]。这是最清晰的一项单一实验，因为它采用了全身代谢测量，而非仅依赖生物力学替代指标，并且控制器在部署时无需针对受试者进行任何重新训练，这意味着它能在真实人群中“开箱即用”。
同一项研究还报告称，该控制器主要产生正向髋关节机械功率（正向功率比为0.98）——这意味着该设备始终在帮助而非阻碍佩戴者的运动。此外，它还能在不同步行速度和地形条件下泛化，这是其在训练条件之外具备稳健性的关键标志[1]。这类证据正是医疗机器人团队所看重的：一个在仿真环境中训练出的策略，能够为真实用户带来切实、可衡量的益处。
支持性证据：控制器能应对多样化用户并适应他们，但可靠性存在限度
2023年，同一研究团队的一项研究进一步印证了经仿真训练的控制器在不同用户条件下均具备稳健性。他们利用解耦离线仿真结合肌肉骨骼模型，训练了一个用于下肢康复外骨骼的深度强化学习控制器，并在模拟患者身上进行了虚拟测试，这些患者分别具有肌肉被动（四肢瘫痪）、肌无力及偏瘫等情况——全程未进行任何控制参数调整[2]。该控制器保持了稳定的行走表现（通过关节跟踪误差、压力中心稳定性及步态对称性衡量），表明单一策略即可应对多种残疾状况，而非仅针对某一特定情形。
然而，2024年一项关于踝关节外骨骼的研究揭示了一个关键警示：即使在受控的实验室环境中，外骨骼也可能因测量状态与实际状态之间的错位，在扭矩辅助方面出现误差。当误差反复发生时，用户可能会预判到这些误差并对设备产生抵抗，从而削弱人机协作的效果[4]。该研究开发了一种共适应控制器，可根据肌肉活动和关节运动学调整扭矩，成功实现了对流畅与非流畅行为的辅助调节[4]。这表明，尽管基于仿真训练的控制器在许多任务中表现可靠，但在不可预测的真实环境中实现真正的“可靠性”，可能仍需引入额外的共适应机制，以维持人机互动的流畅性。
那么，什么时候可以信赖它？
综合各项证据来看，答案颇为微妙。对于行走于不同速度和地形这类定义明确的任务，经过仿真训练的控制器足以可靠地带来显著的代谢效益，正如2026年研究中19.7%的降幅[1]以及2023年研究中跨模拟残疾状态的稳健表现[2]所示。这两项研究从不同角度得出了相同结论——一项基于真实人类，另一项基于模拟患者——这进一步强化了仿真训练控制器并非仅停留在理论层面的观点。
但2024年的研究[4]提醒我们，可靠性不仅仅关乎平均性能，更在于系统如何处理错误并维持用户信任。如果控制器对辅助时机的把握出现偏差，用户可能会以降低收益甚至产生抵触的方式进行调整。因此，对于医疗机器人团队而言，实际的答案是：在动力学特性已被充分理解、且训练中包含了现实变异性（如肌肉力量随机化[2]）的任务中，你可以信赖基于仿真训练的控制器；但你也需要规划协同适应机制，以应对真实环境中不可避免的错误。该领域已接近这一目标，但尚未达到能在所有条件下“设置后便放手不管”控制器的阶段。
关于这些资料来源
这个回答基于4项研究（2项经同行评审，2项为预印本）——发表于2023年至2026年间，其中3项为2024年或之后发表，2项发表于Q1期刊，合计被引用74次——这些研究是从4项通过质量筛选的研究中选出的最相关者，而这些研究又源自从超过5亿篇论文数据库中检索到的47篇文献。
本文引用的文献
髋关节外骨骼的分阶段多智能体训练（SMAT）：一种仿真训练的自适应协同控制器的代谢与生物力学验证
在一项涉及八名健康成人的研究中，经仿真训练的髋部外骨骼控制器（SMAT）相较于被动模式将净代谢率降低了19.7%（p < 0.001），正功率比为0.98，并且无需针对受试者进行重新训练即可在不同速度和地形下泛化应用。
基于深度强化学习的下肢康复外骨骼与肌肉骨骼模型耦合的稳健行走控制
一款针对下肢康复外骨骼的深度强化学习控制器，在仿真环境中通过肌肉力量域随机化进行训练，并在模拟的四肢瘫痪、肌力虚弱和偏瘫患者身上进行了虚拟测试，无需参数调整即可保持稳定行走。
机器人外骨骼通过模拟训练适应穿戴者
2024年《自然》杂志的一篇评论文章指出，基于模拟的训练能够生成多功能且适应性强的外骨骼控制器，从而减少对大量人体数据的依赖，并表明这一方法为日常应用铺平了道路。
表征人-外骨骼流畅性以实现踝关节外骨骼的协同自适应控制
2024年一篇关于踝关节外骨骼的论文发现，扭矩误差可能导致用户抵抗设备，并开发了一种协同自适应控制器，该控制器根据肌肉活动和关节运动学调整辅助力，以提升人机外骨骼的流畅性。