Science Robotics / Research Article

Estimating human joint moments unifies exoskeleton control, reducing user effort

作者：Dean D. Molinaro, Inseung Kang, Aaron J. Young · 单位：George W. Woodruff School of Mechanical Engineering, Georgia Institute of Technology, Atlanta, GA 30332, USA, Institute for Robotics and Intelligent Machines, Georgia Institute of Technology, Atlanta, GA 30332, USA, Department of Brain and Cognitive Sciences, Massachusetts Institute of Technology, Cambridge, MA 02139, USA · 来源：Science Robotics · 发布日期：2024-03-20 · DOI：10.1126/scirobotics.adi8852

移动机器人强化学习机器人

精读笔记

Problem Setting

【Estimating human joint moments unifies exoskeleton control, reducing user effort（Science Robotics / 2024）】

这篇论文真正处理的是外骨骼从实验室走向真实行走时遇到的控制可扩展性问题。传统下肢外骨骼控制依赖高层状态识别：当前是平地、上坡、下坡、上楼、下楼，速度多少，相位多少，然后调用对应的辅助轨迹或参数。但真实场景的状态不是少数离散标签，而是连续且组合爆炸的需求空间。以前方法卡在：高层状态要定义和估计，mid-level 辅助要针对每个状态调参或优化，状态估计错误还会通过闭环放大。

这篇的关键矛盾是：外骨骼真正需要知道的是“用户当前关节机械需求是多少”，但系统通常只能观测到外骨骼自身的局部运动学；如果继续用模式标签做代理，scalability 很差。如果能直接在线估计 joint moment，则可以绕过大量 mode-specific engineering。

Motivation

已有路线不够的地方在于，它们把辅助控制建立在语义状态上，而不是力学需求上。mode classifier、slope estimator、gait phase estimator 都只是间接变量；即使估计很准，仍然需要人为设计每个模式下的 torque profile。HIL optimization 可以找到好轨迹，但每个模式/设备/用户/强度都要优化，无法覆盖真实世界。

作者的核心观察是：下肢关节力矩本身随任务和强度自然变化，因此它可以作为一个连续 high-level state。缺口在于髋力矩不像踝力矩那样容易由足底力传感近似；髋关节逆动力学需要远端关节运动学和 GRF。本文要补的不是“更好的 mode classifier”，而是一个可穿戴、在线、无需用户校准的 hip moment surrogate。

Core Idea

核心思想是用 learned joint moment estimator 取代 conventional high-level state machine。TCN 从外骨骼内置传感器的时间序列中估计用户总髋屈伸力矩，然后控制器按这个估计信号生成辅助。这样，辅助不再由“当前属于哪个模式”决定，而由“当前估计出的髋关节需求”决定。

本质变化是建模对象从 task label 变成 dynamics-aligned continuous signal。这个信号比 mode label 更接近控制目标，也更自然地编码速度、坡度、楼梯高度、个体差异和 stride-to-stride variation。TCN 的 inductive bias 是利用短时历史作为缺失动力学信息的替代：虽然没有力板、没有完整下肢运动学，但过去约一个步态片段的 pelvis/thigh/encoder 运动模式足以提供当前髋力矩的可预测结构。

和 prior 的区别不是“用了 deep learning”，而是把 deep learning 放在了状态表示层：它学习一个可被简单物理控制律消费的 demand representation，而不是直接输出辅助 torque 或分类 locomotion mode。

Method

方法的关键机制可以压缩为三步。

1. 估计 total hip moment：模型输出 biological hip moment 与 exoskeleton torque 的和，而不是只估计生物力矩。这点很重要，因为闭环中外骨骼 torque 会改变用户运动学；若标签定义不包含辅助力矩，估计器会在控制介入后面对分布错位。估计 total moment 更像是在学习“关节处总机械需求”的运动学映射。

2. 用 TCN 吃短时传感器历史：它解决的是 wearable sensing 信息不完整的问题。时间上下文补偿了缺失的 GRF、远端关节状态和接触状态；TCN 相比手工特征/相位模型的优势在于可直接利用局部时序模式，并且不需要显式 mode/gait phase 输入。

3. scale-delay-filter mid-level control：scale 把估计力矩转成辅助比例；delay 不是实现细节，而是控制收益的关键机制之一，因为髋关节正功取决于 torque 与 angular velocity 的相位关系，延迟后更容易在高速度区间输出正功；filter 保证力矩平滑和执行稳定。这个 mid-level 很简单，说明主要智能被放在 representation，而不是复杂 policy 上。

Key Insight / Why It Works

这篇最重要的 insight 是：对外骨骼控制而言，joint moment 是比 locomotion mode 更好的 state abstraction。mode label 是离散、人工、任务依赖的；joint moment 是连续、力学相关、天然随任务变化的。只要估计足够准，一个简单比例控制器就能自动产生模式适配行为。

真正有效的原因大概率是 representation alignment + data coverage，而不是 TCN 架构本身有什么神奇之处。髋力矩在周期性行走、多坡度、多楼梯任务中有强低维结构；外骨骼 IMU/encoder 的时间序列和这个结构高度相关。TCN 学到的更像是覆盖良好的时序动力学回归，而不是高级推理。所谓“unified”主要来自目标变量选择得对，而非控制器复杂。

另一个关键贡献是在线闭环验证。很多 wearable moment estimation 在 offline 上好看，但闭环会改变用户-设备动力学并产生误差传播。本文至少证明：在其覆盖的任务范围内，估计器进入控制环后没有崩，并且能带来代谢和关节功收益。这比单纯离线 RMSE 更有说服力。

但需要直接指出：收益来源不是完全干净。metabolic improvement 可能来自三个因素叠加：moment-based adaptation、delay 提高 exo positive work、以及硬件/训练数据/控制幅值选择。相对 spline control 的优势尤其不能过度解释，因为 spline 是来自既有优化轨迹且设备不同；这不等价于击败了在同一硬件上重新优化的最强 mode-specific controller。

这不是 test-time planning，也不是 RL，也没有形成长期状态建模。它本质上是一个高质量 supervised regression estimator 驱动的 biomimetic/proportional controller。核心能力可能主要来自 scaling/data：34 人、多模式、多强度、同步逆动力学标签，这是很多 prior 没有的。

Relation To Prior Work

最接近的路线有三类。第一是传统 mode/gait-phase based exoskeleton control：先识别模式和相位，再调用预定义或优化的 torque spline。本文的本质差异是去掉显式 mode switch，把任务适配交给连续力矩估计。第二是 ankle proportional joint-moment control：这类工作已证明用关节力矩做代理可以自适应，但踝部更容易用足底力近似；本文把思想推进到髋部，而髋部对传感信息要求更高。第三是 energy shaping / biomimetic control：它们也试图用力学变量统一多模式，但往往依赖解析模型、小规模校准或缺少强在线收益验证。

看似新的部分中，TCN 估计 wearable joint moment 不是全新，moment-proportional assistance 也不是全新；实质创新在于把这两者闭环整合到一个无需用户校准、跨多种 ambulation intensity 的真机系统，并证明它在代谢和 joint work 上有效。它属于“learned state estimator + simple physics-informed controller”的谱系，而不是端到端 learned control。

Dataset / Evaluation

评估覆盖相对强：平地多速度、坡道多坡度、楼梯多高度、站立与起停转场，并且是在线部署在真实髋外骨骼上。对核心 claim——joint moment 可以统一多模式控制——有较直接支撑，因为模型没有显式 mode input，却能在多任务中产生合理辅助。

和 baseline 的比较有一定价值但不是决定性。Baseline 使用 mode-specific average hip moment profile，并假设有完美 mode 和 gait phase oracle；TCN 仍优于它，说明模型确实捕捉了个体、强度或 stride-level variation。但这个 baseline 不是最强可学习模型，也不是重新优化的 control policy。

代谢实验只覆盖 level walking 和 5° ramp ascent，不能完全支持“real-world broad community”的强外推。转场、楼梯、下坡等只主要验证估计准确性，没有验证 metabolic/user benefit。hold-out 评估显示插值能力尚可，但外推上限有限。总体来说，evaluation 足以支撑“在受控多模式范围内统一控制可行”，不足以支撑“真实世界泛化已经解决”。

Limitation

最大的隐含前提是：训练数据覆盖了部署时的力学分布。TCN 的泛化更像在多维任务空间内插值，而不是原则性 extrapolation。极端速度、负重、转弯、地面不平、非周期动作、病理步态、不对称步态都可能破坏传感器历史到髋力矩的映射。

第二个限制是设备特定性。模型依赖外骨骼传感器布局、动力学、接口和控制延迟；换硬件后是否还能用，文中未充分说明。作者用旧设备数据做 transform 只是初步可行，不等于解决跨设备迁移。

第三，增益归因不清。降低代谢成本到底来自 moment-estimation 的统一状态，还是来自 delay 策略带来的正功增加，或来自 torque magnitude/硬件质量/用户适应，文中没有完全分解。Spline comparison 也存在设备和优化条件不一致问题。

第四，方法把 controller design 的复杂性部分转移到 dataset construction。需要 motion capture + force plate/OpenSim 逆动力学标签来训练，这对大规模部署仍是门槛。它减少了 user-specific calibration，但没有消除 system-level supervised data dependency。

第五，只验证髋屈伸单自由度。多关节辅助时，关节间功率重分配和肌肉协同会更复杂；简单 moment proportional control 可能不再足够。

Takeaway

  • 1. 最值得迁移的不是 TCN，而是 state abstraction：把外骨骼控制变量从 task semantics 换成 dynamics-aligned continuous demand signal。
  • 2. 对真实部署，在线闭环估计比 offline biomechanics regression 更关键；估计器必须在自身输出会改变系统动力学的条件下仍稳定。
  • 3. 这篇说明很多“模式切换 + 轨迹库”的复杂性可以被一个好的连续中间表示吸收，但代价是需要大覆盖、高质量标注数据。
  • 4. 下一步真正值得做的是跨设备/跨人群/跨未结构化环境的 representation transfer，以及把 scale/delay 从固定规则变成安全可解释的在线个体化参数，而不是继续堆更大的时序网络。

一句话总结

这篇论文把下肢外骨骼控制从离散模式驱动推进到 learned joint-moment representation 驱动，是一次以监督学习力矩估计统一多场景辅助控制的实证性系统推进，而不是端到端智能控制的突破。