精读笔记

Problem Setting

论文标题：AI in therapeutic and assistive exoskeletons and exosuits: Influences on performance and autonomy（Science Robotics / 2025）。

这篇文章表面是在综述 AI 在治疗/辅助外骨骼和 exosuit 中的应用，实际问题更深：如何把一个由人类治疗师、用户和照护者大量补偿的半自动医疗机器人系统，重构为在合理监管下具备条件自治的闭环系统。这里的困难不是“识别步态模式”或“预测关节力矩”本身，而是人-机耦合系统中存在多层不可观测变量：用户意图、身体状态、环境约束、疲劳、参与度、病理反射、长期神经肌肉适应，以及治疗师隐性决策。

以前方法主要卡在有限状态机、固定轨迹库、手工规则、人工调参和治疗师经验上。它们在结构化实验室任务中可用，但进入真实生活和异质患者后，会遇到组合爆炸：地形、任务、速度、疲劳、病理程度、设备佩戴状态都会改变最优控制。关键矛盾是：外骨骼需要更自主才能真正可用，但又不能像普通移动机器人那样追求完全自主，因为它和人体共用动力学、共享安全风险，并且治疗目标本身需要人类临床监督。

Motivation

作者的动机不是证明 AI 一定优于传统控制，而是指出现有外骨骼自治性瓶颈并不主要在硬件，而在软件决策链。治疗外骨骼仍依赖治疗师做计划、选择训练、调参数、评估患者状态；辅助外骨骼仍依赖用户手动模式切换、照护者安全监督，或者只能在受限场景下提供部分辅助。换言之，很多系统“能动”，但还不能独立、流畅、长期地嵌入患者生活。

已有 AI 研究的问题是碎片化：一个论文做地形识别，一个做步态相位，一个做 EMG 力矩估计，一个做 HILO，一个做 RL 仿真控制，但很少说明这些模块如何减少哪类人类负担、如何组成自治闭环、如何从算法准确率转化为临床或日常使用收益。作者真正强调的缺口是：缺患者特异数据，缺长期适应数据，缺可验证数字孪生，缺统一 benchmark，也缺把治疗师决策映射到机器人命令和患者 outcome 的框架。

Core Idea

核心思想是把“AI for exoskeletons”从算法目录改写成 autonomy architecture。作者将系统拆成多个本来由人类承担的决策功能：治疗规划、互动/动机维持、场景和意图识别、相位同步、辅助力矩/轨迹生成、状态评估、长期适应预测。这个框架的价值不在模块本身，而在重新定义信息流：外骨骼传感器不只是用于底层控制，也成为评估、预测和治疗决策的数据入口；控制器不只是跟踪轨迹，也成为调节人体短期表现和长期适应的干预器。

它引入的关键 inductive bias 是时间尺度分解和人-机-环境隐变量建模。短时间尺度上，DL 从多传感器数据中恢复意图、地形、相位和生物力矩；中等时间尺度上，HILO / preference learning / task-agnostic control 个体化辅助；长时间尺度上，AI 预测神经肌肉适应并可能反向设计治疗刺激。和 prior 的本质区别在于，传统外骨骼控制通常围绕“当前动作如何辅助”，而这里把问题扩展为“系统如何持续估计用户状态并调整干预策略”。这比单一 FSM 或模板库更 scalable，因为它允许用数据覆盖和仿真扩展处理条件组合；但泛化是否真实成立仍取决于数据和模型质量。

Method

1）自治等级约束：作者借用医疗机器人自治等级，明确治疗外骨骼和辅助外骨骼的合理目标不是 full autonomy。这个机制重要，因为它避免把外骨骼错误类比为完全自主机器人；实际设计目标应是监督下决策或条件自治。

2）功能块框架：论文将控制软件从高层到中层再到评估/预测重新组织。它解决的是领域内 AI 工作难以比较的问题：不同论文虽然都叫 AI，但替代的是完全不同的人类功能。这个框架带来的核心变化是把算法贡献和自治性贡献对齐。

3）显式识别路线 vs 端到端 task-agnostic 路线：显式路线先识别意图、场景、相位，再选择或调节控制器；端到端路线直接从传感器映射到生物力矩或期望辅助。前者更可解释、易监管，后者更可能跨任务扩展，但对数据覆盖和 OOD 安全更敏感。

4）HILO / preference learning / data-driven personalization：这类方法解决的是“辅助目标无法纯靠生物力矩定义”的问题。它们把用户代谢、偏好、舒适性等外部目标纳入优化，使控制从模仿人体转向优化交互结果。

5）RL + digital twin：它试图解决真实人体试错昂贵且危险的问题。机制上，通过仿真人-机耦合系统搜索策略，再做 sim-to-real。核心变化是从监督预测转向目标驱动策略学习，但同时把难点转移到数字人体和接口建模。

6）GenAI/LLM 用于治疗规划和交互：这里不是底层控制创新，而是把治疗师语言、患者目标和机器人参数之间的翻译过程自动化。当前更像方向性设想，文中未充分证明其临床有效性。

Key Insight / Why It Works

最重要的 insight 是：外骨骼自治性的瓶颈不是某个控制环，而是缺少对人体隐状态和环境上下文的连续估计。AI 有用的地方主要在于它能从高维、多模态、非线性、患者特异的数据中恢复传统规则难以显式编码的 latent structure：例如步态相位、地形类别、运动意图、关节生物力矩、认知负荷、痉挛触发条件、个体偏好。

真正可能构成核心贡献的是“自治功能框架 + 时间尺度分解”，而不是综述中列举的任何单一 DL/RL 方法。它让领域内很多看似不相关的 AI 工作被放到一个统一问题下：哪些人类决策可被数据驱动模型替代，哪些仍必须由临床监督保留。

端到端 biological moment estimation 的有效性主要来自 representation alignment：用人体关节力矩作为中间目标，比直接分类任务或手写控制参数更接近控制所需变量，因此跨 cyclic / non-cyclic movement 更有可能泛化。但它的上限也很明显：预测生物力矩不等于生成最优辅助。实际还要缩放、延迟、调参才能降低代谢成本，说明核心增益不完全来自模型预测，部分仍来自 engineering insight 和经验调节。

HILO 和 preference learning 的有效性来自 test-time personalization，而不是离线泛化。它承认不同用户的 utility landscape 不同，用在线或半在线反馈搜索局部最优。这比“训练一个通用控制器”更可靠，但成本是实验时间、反馈噪声和安全约束。

RL + digital twin 的吸引力在于可以引入控制目标、扰动、极端场景和长期策略搜索，理论上比监督学习更接近机器人控制本质。但目前 exoskeleton 的 sim-to-real 证据仍很薄，尤其对病理人群。这里的所谓泛化很可能主要来自仿真 domain randomization 和任务覆盖，而不是模型真的理解人类神经肌肉控制。

GenAI 在治疗规划中的作用目前更像 retrieval / translation：把高层目标转成计划、把临床语言转成机器人参数。它是否具备真正治疗推理，文中未充分说明；如果没有治疗师决策—干预—结局的大规模数据，LLM 很可能只是复用指南和文本先验，而不是学习患者特异康复策略。

Relation To Prior Work

这篇文章最接近两条 prior：一是外骨骼控制综述，尤其是按 high/mid/low-level control、意图识别、地形识别、相位同步来组织的传统控制 taxonomy；二是医疗机器人自治性讨论，包括 Yang 等对 medical robotics autonomy levels 的定义。它的不同点是把 AI 作为贯穿整个自治链的机制，而不是只讨论底层控制或硬件。

许多看似新的部分其实是已有思想的重组：地形识别、步态相位估计、EMG 控制、HILO、learning from demonstration、RL、严肃游戏、临床预后预测都不是新方向。实质创新在于将这些方向按“替代哪些人类操作/决策”和“提升哪个自治等级”重新归类，并且明确指出治疗外骨骼和辅助外骨骼的 autonomy target 不同。

它属于“AI-enabled human-robot symbiosis”而不是纯机器人学习谱系。与 legged robotics 中 RL locomotion 的区别是，外骨骼策略不能只优化机器人状态，还必须考虑人体生物力学、主观偏好、病理反应和长期适应。与 prosthetics 的相似点在于都需要意图/地形/相位识别和条件控制；区别在于外骨骼通常和保留运动功能的人体并联工作，因此“过度辅助导致依赖或 maladaptation”是 prosthetics 中不完全相同的问题。

Dataset / Evaluation

论文不是原始实验研究，evaluation 主要是对已有文献证据强度的判断。任务覆盖很广，从实验室地形识别、活动识别、相位估计，到真实世界 HILO、端到端力矩预测、sim-to-real RL、认知负荷估计、临床预后预测。但这种覆盖广度不等于核心 claim 已被充分验证。

支持较强的是局部算法 claim：DL 在多条件感知/估计上通常优于简单模型，HILO 能个体化改善代谢或偏好，部分 task-agnostic 控制在健康人多任务中有效。支持较弱的是系统自治 claim：很少有研究证明整套 AI 组件集成后能显著减少治疗师/照护者负担、降低风险、提升长期康复结局或支持无监督日常使用。

真实世界证据不均衡。部分 assistive exoskeleton/exosuit 已有户外或日常步行优化结果，但治疗场景的 AI 证据更多停留在概念或局部模块。患者数据明显不足，多数模型仍在健康受试者、短时试验、受控环境中训练和验证。benchmark 也不够统一，AI 方法常与较弱 non-AI baseline 比较，导致增益来源不清。对于临床应用，缺少跨医院、跨设备、跨病种、跨时间尺度的数据和验证。

Limitation

最核心的前提是：外骨骼可采集到足够丰富、可靠、患者特异、跨场景的数据，并且这些数据中的模式能泛化到未见用户、未见环境和长期状态变化。这个前提目前远未满足。很多模型在健康人数据上表现好，但病理步态不是健康步态的噪声版本，而是动力学、控制策略、反射和代偿机制都不同的分布。

第二个限制是目标错配。许多 AI 控制器学习的是生物力矩、步态相位或任务类别，但最终用户关心的是跌倒风险、疼痛、疲劳、独立性、舒适性、长期恢复。中间变量准确不保证最终目标改善。文中多次承认预测 biological moment 后仍需 delay/scale 才有效，这说明模型学到的表示并不直接等于最优策略。

第三个限制是数字孪生路线把问题转移了。RL 可以减少真实试错，但需要足够准确的人体神经肌肉模型、接口模型和适应模型。对软 exosuit、病理肌肉、痉挛、疲劳、疼痛、恐惧跌倒等因素，当前数字孪生很难可信建模。sim-to-real 在健康人代谢优化上的成功不能直接外推到临床人群。

第四个限制是可解释性和监管。DNN 在安全关键医疗设备中很难证明 OOD 行为安全，尤其当输出直接影响关节力矩。可解释 AI 目前更多是需求而非已解决问题。GenAI 用于治疗规划尤其危险：如果没有严格约束和临床验证，所谓建议可能只是语言上合理，不一定因果有效。

第五个限制是 scaling 上限。更大模型、更复杂传感器、更长训练数据可能提升指标，但 wearable devices 面临功耗、重量、延迟和可靠性限制。很多增益可能主要来自 scaling / data，而非机制创新；如果没有标准化 benchmark，领域很难判断 AI 是否真正超过强传统控制。

Takeaway

1）这篇文章最值得记住的是 autonomy-first 的问题重构：不要再问“AI 能不能识别某个状态”，而要问“这个 AI 模块替代了哪个人类决策，提升了哪个自治等级，是否闭合了哪个时间尺度的反馈环”。
2）外骨骼未来的关键不只是 task-agnostic 控制，而是 patient-adaptive 和 adaptation-aware 控制：系统需要同时优化短期辅助和长期神经肌肉改变，避免只追求即时效率。
3）最可迁移的 insight 是时间尺度分解：毫秒级同步可用传感器估计，分钟级个体化可用 HILO/preference learning，周/月级康复需要预测模型和临床数据。
这种分解也适用于假肢、康复机器人、智能矫形器和闭环神经调控。

一句话总结

这篇 Science Robotics 综述的真正贡献不是提出新算法，而是把外骨骼中的 AI 从零散模块性能提升重新组织为面向条件自治的人-机-环境闭环架构，标志着该方向从“辅助控制”走向“患者特异、长期适应感知的自治医疗机器人系统”这一方法演化。