IEEE Transactions on Robotics

Hybrid Long Short-Term Motor Optimization and Control of a Walking Exoskeleton

作者：Pengbo Huang, Zhijun Li, Mengchu Zhou, Guoxin Li, Yang Song, Rongxin Cui · 机构：School of Mechanical Engineering, Translational Research Center, Shanghai Yangzhi Rehabilitation Hospital (Shanghai Sunshine Rehabilitation Center), Tongji University, Shanghai, China; Shanghai Key Laboratory of Wearable Robotics and Human-Machine Interaction, Shanghai, China; School of Information and Electronic Engineering, Zhejiang Gongshang University, Hangzhou, China; Helen and John C. Hartman Department of Electrical and Computer Engineering, New Jersey Institute of Technology, Newark, NJ, USA; School of Electronic and Information Engineering, Tongji University, Shanghai, China; School of Marine Science and Technology, Northwestern Polytechnical University, Xi’an, China

会议/期刊：IEEE Transactions on Robotics · 发布日期：2025 · 页码：3820-3840

路径规划运动规划控制优化外骨骼

精读笔记

Problem Setting

论文标题：Hybrid Long Short-Term Motor Optimization and Control of a Walking Exoskeleton（IEEE Transactions on Robotics / 2025）。

这篇论文实际解决的不是单纯路径规划，也不是单纯外骨骼控制，而是“室内环境中外骨骼辅助行走的完整运动生成与控制闭环”：给定室内障碍、起终点和穿戴者，系统需要生成全局可行路线、局部落脚点序列、遇到突发障碍时可调整的步态，并在不精确人机动力学下稳定执行。

真正困难点在于任务跨了三个层级：全局导航是移动机器人问题，落脚点是足式机器人接触规划问题，人机耦合又引入外骨骼特有的不确定性和安全约束。以前方法通常只覆盖其中一段：A*/RRT 给路径但不给外骨骼可执行步序；周期步态生成器能走但不能处理复杂障碍；humanoid footstep planning 可借鉴但没有人体安全与人体意图；自适应控制能补偿动力学但不能解决规划层可行性。

关键矛盾是：外骨骼必须足够保守以保证人安全，但又必须足够在线自适应以应对室内障碍和人机交互。论文的 HLSM 框架本质上是在把“全局最优性、局部反应性、低层鲁棒性”拆给不同时间尺度处理。

Motivation

已有路线不够的原因很直接：移动机器人规划忽略双足接触和人体约束；外骨骼步态控制多依赖预设步态或简单场景；NN 控制虽能处理不确定性，但在线计算负担对穿戴设备不友好。作者的核心观察是，外骨骼室内行走不是一个单尺度优化问题，而是一个长时间尺度路径选择、短时间尺度落脚调整、毫秒级控制补偿同时存在的问题。

关键缺口不是“缺一个更强 planner”，而是缺少一种把全局路径、footstep schedule、human-in-the-loop adaptation 和 uncertain dynamics control 接起来的信息流。尤其是突发障碍出现时，如果完全依赖全局重规划，会破坏步态连续性并增加延迟；如果只靠局部避障，又容易偏离全局目标。因此论文选择了一个折中：全局路线作为长期 anchor，局部人体 COM 偏移作为短期修正信号，控制器负责吸收实际动力学误差。

Core Idea

论文真正的核心思想是分层时间尺度上的责任分配。长期层把环境地图编码成一条全局路径，短期层只在全局路径附近决定下一步落脚点，意图适应层只在局部偏离时调节 COM 和足步，控制层只处理跟踪误差和未建模动力学。这样做的价值在于避免把所有问题塞进一个大规模在线优化里，也避免把外骨骼行走退化成固定周期步态。

从 inductive bias 看，SNN/encoder-decoder 路径网络引入的是 occupancy-grid 到 path-mask 的空间结构先验；footstep cost 引入的是“沿全局路径走但保持落脚安全”的几何先验；虚拟阻抗引入的是“人体 COM 偏差可作为局部意图”的交互先验；HCMAC 引入的是“未知动力学可由低维预处理后的局部基函数近似”的控制先验。和 prior 的本质区别不在于每个模块都新，而在于它把移动机器人导航、足步选择、人机交互和自适应控制组织成一个可部署 pipeline。

Method

1. 全局路径生成：解决在线全局搜索慢、路径可能不平滑的问题。方法将起点、终点、障碍分别编码为 0-1 栅格矩阵，网络输出 path probability map，再阈值化与连通性检查得到路径。它带来的变化是把在线搜索转成一次前向推理；但监督标签来自 A*，因此更像“学习 A* 解分布并通过损失重塑路径形状”。

2. 局部足步选择：解决全局路径无法直接变成外骨骼接触序列的问题。它在每一步构造候选落脚点，用路径偏差、到目标距离、步长/摆脚代价、姿态偏差、障碍斥力等组成启发式代价。核心变化是将连续路径转为满足外骨骼几何约束的离散左右脚序列。这部分是工程上必要的桥接层，不是强优化意义上的 footstep planning。

3. Human-in-the-loop 局部适应：解决突发障碍或环境变化下全局路径失效的问题。论文通过人体 COM 与外骨骼 COM 的虚拟阻抗，让外骨骼 COM 跟随人体 COM 的偏移，再插值生成新的局部 footstep，使系统绕障后回到原全局轨迹。它本质上是反应式局部修正，而不是对人意图的长期预测。

4. HCMAC 控制：解决人机系统动力学不准、外扰和非线性不确定性。HONN 先把高维输入映射到较低维表征，再由 CMAC 近似非线性项；重力项用线性参数化补偿；积分 Lyapunov 函数证明误差最终有界。核心变化是降低传统 CMAC 的权重空间并保留在线自适应结构。

Key Insight / Why It Works

这篇论文有效的主要原因不是 SNN 本身，也不是 Lyapunov 推导本身，而是分层后每一层只解决一个“局部可控”的子问题。全局层只需要给出粗路径，不需要处理足式动力学；足步层只需要在路径附近选点，不需要全局搜索；阻抗层只需要处理短期偏移，不需要理解完整意图；控制层只需要跟踪已生成轨迹，不需要做规划。这种 decomposition 是最核心的 engineering insight。

最可能的核心贡献是“把室内外骨骼行走的全局导航和 footstep execution 接起来，并在真机上验证”。相比之下，SNN 路径规划的理论新意较弱：网络结构描述更接近 CNN encoder-decoder，而所谓 spiking/synaptic plasticity 的实际机制、能耗收益和 test-time 权重更新细节文中未充分说明。由于训练标签由 A* 生成，路径规划能力很可能主要来自 supervised imitation + data coverage + loss shaping，而非真正超越搜索式规划的推理。声称比 A* 路径更短也需要谨慎，因为如果 A* 的邻域、分辨率、后处理和平滑策略不同，比较容易偏。

footstep planner 的价值在于引入外骨骼可执行性的 inductive bias。它不是最优控制，也不是 MPC，而是候选枚举+手工代价。其成功依赖室内平地、障碍相对简单、候选集合覆盖合理、步长/足间距范围合适。这里的增益更多来自 domain prior，而不是算法复杂度。

HCMAC 部分的机制是降低 CMAC 输入维度并在线拟合不确定项。它为什么可能有效：外骨骼实验轨迹相对低速、周期性强、状态分布窄，局部基函数和自适应律足以吸收残差。若换到高速、大扰动、多用户、不同体型，HCMAC 的泛化和收敛速度未被充分验证。积分 Lyapunov 给的是 boundedness，不是强性能保证；实际效果可能主要来自保守增益、低速轨迹和任务分布有限。

Relation To Prior Work

最接近的技术谱系有三条：学习式 grid path planning、humanoid/legged footstep planning、NN-based adaptive control。论文把这些路线组合到外骨骼系统中。

相对 A*/RRT/D* 等传统全局规划，差异是用网络前向推理替代在线搜索，并通过损失函数显式约束路径长度、合法性和相似性。但因为标签来自 A*，它更像 amortized planning 或 learned planner，不是从原理上替代最短路搜索。真正新增的信息是“给外骨骼实时系统预计算/摊销路径搜索成本”，不是发现新的路径规划范式。

相对 humanoid footstep planning，论文没有引入更强的动态可行性模型，而是引入人机安全和辅助行走约束，把 footstep planning 限定在可穿戴外骨骼的候选步幅、足间距和姿态范围内。实质创新在应用约束重组，而不是 footstep optimization 数学本身。

相对 conventional human-in-the-loop exoskeleton optimization，本文不是优化代谢成本或控制参数，而是把人体 COM 偏移作为局部规划输入。这是比较有意义的视角转移：human-in-the-loop 从 controller tuning 进入 trajectory adaptation。但其意图模型仍很浅。

相对 RBFNN/BP/CMAC 自适应控制，HCMAC 的新增点是 HONN preprocessor 降低 CMAC 权重空间。这个想法合理，但属于已有神经自适应控制思想的结构重组；是否显著优于 disturbance observer 或 simpler adaptive robust controller，文中证据不足。

Dataset / Evaluation

评估覆盖了真实外骨骼平台、室内静态障碍场景、局部障碍变化、轨迹跟踪、关节力矩、EMG 和足底压力。这比纯仿真强，能证明系统确实可部署，并且在一个受控室内环境中能闭环完成行走。

但 evaluation 对核心 claim 的支持是不均衡的。它较好支持“该 pipeline 可以跑通”和“在该平台/受试者/场景下有效”；较弱支持“SNN 全局规划更优”“方法跨环境泛化”“对不同人群有效”“突发障碍适应可靠”。实验对象只有一名健康受试者，且场景规模有限；没有系统性多用户、多地图、多动态障碍、多速度、多地形验证。EMG/足底压力下降能说明外骨骼提供了辅助，但不能单独证明 HLSM planner 或 HCMAC controller 是下降的主要原因。

A*/RRT 比较只看路径长度、时间、转弯数，缺少对规划成功率、碰撞裕度、路径平滑后处理公平性、地图分布泛化的深入分析。尤其是网络 planner 的训练数据由 A* 生成，却声称路径比 A* 更短，这里增益来源不清，可能与损失、阈值、连通性后处理、分辨率设置或比较实现有关。

Limitation

1. 泛化依赖训练地图分布。SNN planner 本质是 supervised path-mask prediction，若室内布局、障碍形态、分辨率或可通行空间分布偏离训练集，泛化能力未被充分说明。所谓 synaptic plasticity 在推理期如何具体更新、是否真的避免重训练，文中未充分说明。

2. 全局规划可能只是 amortized retrieval。由于标签来自 A*，网络可能学习的是训练分布上的路径模板和局部障碍绕行模式，而非真正执行 search。若出现拓扑复杂、窄通道、需要长程绕行的场景，path mask 预测很容易出现断裂或伪连通，论文虽有 feasibility check，但失败后如何恢复并不清楚。

3. 局部足步规划的上限由候选集合和手工权重决定。候选集合太小会找不到可行步，太大则计算和安全验证增加；代价权重对路径贴合、安全裕度和步态自然性的 trade-off 很敏感。文中没有充分做 sensitivity analysis。

4. Human-in-the-loop 意图建模较弱。IMU/COM 偏移只能反映当前运动趋势，不能提前预测用户意图。对完全瘫痪或主动能力弱的用户，人体 COM 作为意图源的假设不一定成立。论文自己也承认早期意图预测不足，但这其实触及方法核心前提。

5. 控制理论保证较保守。HCMAC 证明依赖函数可逼近、有界权重、名义惯性模型、Jacobian 可逆/任务维度匹配、增益可选等假设。实际部署中这些条件是否始终成立，尤其在人机交互力变化时，文中未充分说明。

6. 增益归因不清。路径改进、跟踪误差降低、EMG 下降分别可能来自网络规划、footstep smoothing、低速轨迹、机械支撑、控制增益、受试者适应等多因素。论文没有足够 ablation 来区分 HLSM、阻抗适应和 HCMAC 各自贡献。

Takeaway

  • 1. 最值得迁移的不是具体 SNN 或 HCMAC，而是时间尺度分解：长期路径作为 anchor，短期足步做可执行化，交互信号只做局部修正，低层控制吸收动力学残差。
  • 这种组织方式适合很多 wearable/assistive robot。
  • 2. 对外骨骼而言，planner 的输出不应停在路径，而必须尽早转成 contact-aware representation。
  • 把全局路径直接接控制器是不够的，中间的 footstep abstraction 是必要层。

一句话总结

这篇论文的位置是一个面向真实外骨骼部署的分层规划-控制系统集成工作，真正贡献在于把全局导航、足步可执行化、人机局部适应和自适应控制串成闭环，而不是提出了单一意义上突破性的路径规划或控制算法。