IEEE Transactions on Robotics

Optimizing Human–Exoskeleton Physical Interaction Through Spatial Trajectory Adaptation

作者：Mohammad Shushtari, Livia Murray, Atusa Ghorbani Siavashani, Arash Arami · 机构：Department of Mechanical and Mechatronics Engineering, University of Waterloo, Waterloo, ON, Canada; Department of Mechanical, Industrial, and Mechatronics Engineering at Toronto Metropolitan University Toronto, ON, Canada; Department of Systems Design Engineering, University of Waterloo, Waterloo, ON, Canada; KITE Institute, Toronto Rehabilitation Institute, University Health Network, Toronto, ON, Canada

会议/期刊：IEEE Transactions on Robotics · 发布日期：2026 · 页码：1485-1498

运动规划控制外骨骼康复机器人仿生机器人

精读笔记

Problem Setting

《Optimizing Human–Exoskeleton Physical Interaction Through Spatial Trajectory Adaptation》（IEEE Transactions on Robotics / 2026）处理的是一个比“步态相位控制”更后端、但在外骨骼里更实际的问题：当 temporal alignment 已经通过 gait phase estimator 基本解决后，固定参考轨迹仍会和用户当下想走的轨迹发生 spatial mismatch，进而产生 interaction torque、肌肉代偿和舒适性下降。

关键矛盾是：康复外骨骼不能完全做透明跟随，否则失去 assistance / guidance；也不能强行跟踪模板，否则用户会为了舒适而屈从设备，破坏 motor engagement。以前方法要么估计/放大用户意图，要么调阻抗，要么沿固定 path/limit cycle 做相位同步，但多数没有直接把“人机物理冲突”作为在线优化目标。本文实际想解决的是：在只用外骨骼自身传感的情况下，让设备在保持一定轨迹约束的同时，在线寻找个体化的低冲突参考轨迹。

Motivation

作者的出发点很明确：外骨骼 disagreement 有 temporal 和 spatial 两类。Temporal mismatch 已经有 path control、flow control、VER、gait phase estimator 等一整套工具；但这些工具通常把空间路径视为给定。问题在于，真实用户的步态形状随人、速度、疲劳、适应过程变化，固定模板即使相位正确也可能持续制造力学冲突。

缺口不是“没有自适应”，而是现有自适应往往没有直接管理 physical interaction，或者需要 EMG、GRF、人体动力学/意图估计等额外信号。本文的动机是把 interaction torque 当作最直接的 disagreement sensor：不问用户想施加什么 torque，也不假设某个 biological torque 是目标，而是观察用户和设备在机械接口上是否打架，然后把这种冲突用于修改轨迹形状。

Core Idea

论文真正的核心思想是：把外骨骼的期望轨迹视为一个可在线移动的相位流形，而不是固定模板。初始轨迹 r0 来自 passive exoskeleton walking，代表“用户在穿戴设备且无主动驱动时愿意走出的轨迹”；控制阶段不直接重学整条轨迹，而是在 r0 上叠加一个低维周期修正 Δ(φ)。Δ 的更新由 estimated interaction torque 驱动，并受到 deviation penalty 约束。

这个建模方式的本质变化是：控制器不再把 tracking error 视为坏事，而把 reference trajectory 当成可协商变量。固定轨迹控制中，用户偏离模板会被 P 控制器拉回；本文中，持续的交互力矩会反过来推动模板向用户偏好的轨迹形状移动。它引入的 inductive bias 是：个体差异主要是相位域中的低频空间形状差异，而不是任意时间序列扰动。这也是它比直接时域适配更容易跨速度的原因。

和 prior 的本质区别在于，它不是 intent amplification，也不是优化 assistance torque profile，而是优化 kinematic reference，使辅助力矩通过传统 impedance/P 控制自然改变。换句话说，论文把“该给多少力”的问题转化成“设备应该期望用户走到哪里”的问题。

Method

方法只需抓住几个机制层面的点。

1. interaction torque as disagreement signal：通过预训练的外骨骼被动动力学模型估计 Γ，再减去 commanded motor torque 得到交互力矩。它解决的是缺少接口力矩传感器的问题，使控制闭环只依赖外骨骼运动学和电机命令。核心变化是把不可直接测的 physical disagreement 转换成动力学残差。风险也在这里：残差里不只包含人机交互，也可能包含摩擦、模型误差、绑带变化等。

2. phase-indexed trajectory adaptation：参考轨迹是 gait phase 的函数，而不是时间函数。这样速度变化主要表现为相位推进速率变化，而不是轨迹形状变化。这个选择是 speed-invariant claim 的基础，而不是某个复杂学习模块的贡献。

3. low-dimensional Fourier correction：Δ 用低阶 Fourier basis 表示，只允许平滑、周期、低频的轨迹变形。它限制了适配自由度，防止控制器追逐噪声或每步波动。这里的低维参数化比神经网络轨迹生成更重要，因为它提供了稳定性和可解释性。

4. regularized gradient update：代价 J = 0.5(u_int^2 + βΔ^2)。第一项让设备减少冲突，第二项让设备不要为了零交互而完全透明化或偏离治疗轨迹。β 实际控制 AAN 中“让步”和“坚持”的比例，是临床意义最大的旋钮，但本文只在健康人上固定使用。

Key Insight / Why It Works

这篇论文有效的核心原因不是“用了神经网络”，而是把交互力矩的梯度方向投影到了一个合适的低维轨迹空间。对于一个 P+damping 关节控制器，参考轨迹改变会直接改变电机输出；如果用户持续在某个相位抵抗设备，那么沿相反方向移动该相位的参考角度，通常会降低机械冲突。这个局部反馈关系足够简单，因此不需要复杂人体意图模型。

最可能的实质贡献是 representation alignment：用 gait phase 对齐时间，用 Fourier basis 对齐周期结构，用 interaction torque 对齐物理冲突。三者组合后，在线适配问题变成一个低维、慢变化、可稳定收敛的参数更新问题。相比之下，动力学 NN 更像 enabling component：它让系统免装力矩传感器，但不是概念创新的主体。若有高质量交互力矩传感器，同样机制大概率仍成立。

哪些部分可能只是辅助或 engineering：预训练 time-delay NN、具体 hidden layers、step size、实验流程中的速度顺序都不是主要 insight。speed-invariant 的增益很可能主要来自相位参数化，而非模型学到了跨速度动力学泛化。膝关节效果较弱也说明，动力学残差估计一旦被静摩擦主导，适配信号质量会明显限制性能。

更深的判断：该方法本质上不是 planning，也不是长期人体状态建模；它是 test-time adaptive control with strong periodic prior。它没有推理用户目标，只是在每个相位上根据机械冲突做低频形状校正。因此它适合周期、稳定、可重复的步态，不适合直接外推到非周期 terrain negotiation 或强病理反射控制。

Relation To Prior Work

最接近的谱系有三条。第一是 gait-phase/path/flow/VER 控制，它们解决时间同步，但通常沿固定路径或 limit cycle 运行；本文在这个基础上增加了路径本身的在线形变。第二是 AAN / impedance / reference adaptation，它们也通过降低交互来个体化辅助；本文的不同点是把 adaptation 放在相位参数化轨迹上，并显式用 interaction torque + deviation penalty 形成可解释 trade-off。第三是 task-agnostic control / intent amplification / energy shaping；这些方法通常估计用户意图或重塑动力学，而本文不放大 intent，而是管理 disagreement。

看似新的地方中，低阶 Fourier 轨迹修正、梯度下降、正则化代价都不是新思想；真正新增的信息是把它们组织成一个只需 onboard sensing 的人机交互优化闭环，并在真实下肢外骨骼上证明其短时在线可用。实质创新不在算法复杂度，而在问题重构：从 torque assistance optimization 转向 spatial trajectory negotiation。

Dataset / Evaluation

评估覆盖了 16 名 able-bodied 受试者、overground preferred speed 和 treadmill 三个速度，是真机实验，且比较对象是相位同步但非自适应的固定轨迹控制。这对验证核心 claim 是合适的：如果 adaptive 版本相对 nonadaptive 在同样相位框架下减少 interaction torque，说明增益确实来自空间轨迹适配，而不是相位估计本身。

实验也不仅看交互力矩，还看 EMG、spatiotemporal metrics、interaction portrait 和主观感受，这比单纯 torque reduction 更有说服力。尤其是 adaptive controller 在降低交互的同时没有普遍降低用户参与，避免了“只是设备把人带着走”的最直接质疑。

但 evaluation 的外推边界很窄：健康年轻人、室内、短时、平地/跑台、速度范围有限。它验证的是稳定步态中的 online personalization，而不是康复疗效，也不是复杂场景鲁棒性。顺序设计中 passive → nonadaptive → adaptive 也可能引入适应/疲劳/学习效应，虽然作者补了用户感知重复条件，但对主要生物力学指标的 order confound 仍不能完全排除。增益归因总体可信，但不是完全干净。

Limitation

最重要的限制是 β。论文把 β 作为固定正则权重使用，但它实际上决定了外骨骼是让步、协同还是纠正。对健康人，降低 interaction torque 通常可视为更舒适；对 stroke/iSCI，低交互不一定等于好康复，因为病理性低努力、代偿轨迹或不稳定 intent 可能也会被控制器追随。没有自动 β tuning，方法在临床场景的核心能力仍未闭环。

第二，interaction torque estimation 是隐含瓶颈。文中用动力学残差估计交互，但残差包含模型误差、摩擦、软组织/绑带耦合和传感噪声。膝关节静摩擦已导致估计质量下降，说明该方法不是传感器无关，而是把力传感需求转移成了离线动力学辨识和稳定机械结构需求。

第三，泛化更像局部泛化。相位参数化可以处理速度变化，但对地形、转弯、起停、非周期事件、病理步态不一定成立。低阶 Fourier basis 是稳定性的来源，也是表达上限。它能适配平滑周期形状，不能表达事件驱动的快速避障、足清 clearance constraint 或 spasticity avoidance，除非额外加入约束。

第四，论文没有充分区分“用户主动参与增加”和“用户学会配合一个更舒服的设备”。Interaction Portrait 提供了有用视角，但不是因果证据。EMG 降低也可被解释为更高效协同，或更少抵抗，二者在康复意义上不同。

最后，所谓无需用户调参在当前实验中成立，但这主要是健康受试者和窄场景下的结论。临床部署时，参数、约束和安全边界必然需要个体化。

Takeaway

  • 1. 对外骨骼控制而言，相位同步只是第一步；真正影响舒适性和参与度的是参考轨迹是否可与用户在线协商。
  • 本文把 spatial trajectory adaptation 放到了核心位置，这是值得迁移的。
  • 2. interaction torque 是一个比 EMG/intent torque 更直接的 disagreement signal。
  • 它不告诉你用户“想做什么”，但告诉你设备和用户在哪里机械冲突；对于 AAN，这个信号可能比复杂意图估计更稳健。

一句话总结

这篇论文在下肢外骨骼控制谱系中把 AAN 从“估计/放大人体意图”推进到“基于交互力矩在线协商相位轨迹”，真正贡献是一个强周期先验下的空间轨迹自适应闭环，而不是复杂模型或单纯 scaling。