外骨骼机器人可用于人体运动康复、辅助以及动力提升，是人工智能及机器人技术在对抗社会老龄化、提高人民生活质量、提升国防实力等领域的新兴重要应用。人体下肢运动，如走、跑、跳等，由于涉及频繁的能量交换及补充，耗能巨大，是外骨骼机器人应用的应用的重要领域。然而，从硬、软件上实现外骨骼对人体的有效辅助无法一蹴而就，虽然与传统独立机器人同属动力机械装置，但类似外骨骼的人机物理交互系统在应用场景下与传统机器人有本质区别。在此类系统中，人体不只是用户，更是系统的一部分，而且是关键的最终执行器。而包括控制、驱动、执行子系统在内的外骨骼，整体充当了人机交互系统的驱动器。外骨骼输出的路径或行为，其实是对与之交互的人体的外力输入，而人体的反应才是包含外骨骼机器人和人体的总系统的最终输出。忽视人体本身的运动特性，而独立进行外骨骼机器人结构及控制器的设计，必然是无源之水、无本之木。

    外骨骼与人体交互作用多维度、多层次的，机械结构会被动影响人体的自然运动、控制器的跟踪性能会影响人机交互的柔顺性、辅助的模式参数会影响辅助舒适度与有效性。为深入理解人体与外骨骼的交互特性，实验室针对多种外骨骼系统、多种运动模式，探究外骨骼的辅助特性、结构参数、控制性能对人体运动的运动学、动力学、生理学的影响，分析外骨骼辅助下人体的关节力矩、肌肉收缩、代谢消耗、能量流动、平衡特征的变化，为外骨骼系统的机械结构、控制系统、辅助模式的设计提供指导。

    寻找可以辅助人体行走的有效策略是具有显著意义和挑战性的。产生此类问题的其中一个原因是控制中对于直觉、手动调试和现有硬件的过度依赖，这些来源于灵感的辅助策略确定手段过度简化了人机交互系统的特性。之前的开发流程一般是使用数年的时间设计制造只有单一的基于直觉的功能的特定模型机，再进行大量实验，此类方法大大限制了被探究的助力模式的范围。在有限的助力模式之中，人类个体之间的生理学和神经学的差异将导致不同个体对同一系统或助力模式之间的反应大相径庭，个体之间对于系统的熟悉差异巨大。

    对助力模式根据不同个体进行自动寻找，且实时进行连续调整的策略可以解决以上问题，帮助外骨骼机器人和机械假肢充分发挥潜力。在使用中系统调整控制策略以达到人体机能最大化方法就是一个这样的策略，我们称之为"人在环中"的优化(Human-in-the-loop optimization)。“人在环中”的优化方法将人体的反应加入到设备的软硬件设计环节中，根据人体的实时生理反应并以此作为反馈信息对设备的控制参数进行实时在线优化，以最小化生理指标，如代谢耗能、心率和肌肉活跃度等，根据不同个体与设备实时交互特性寻找合适的辅助策略。“人在环中”的优化理念将人的反馈信息引入到了外骨骼的结构及控制器设计之中，不但是一种提高性能的方法，更是整体认识人机交互系统之中人体与机器角色的结果，确立了外骨骼-人体交互系统“以人为本”的原则，以及人体反应在系统研制中关键、导向性的地位。实验室使用“人在环中”方法，将外骨骼的性能提升至之前领域最佳成绩的228%，并作为助力机器人领域第一篇研究性论文发表在Science主刊上[1]。

    在过去十年间，外骨骼系统已被证明能够有效提升人体的运动机能。研究人员开发了许多外骨骼测试平台或仿真平台，用以探究辅助策略的有效性与最优性。这些平台往往将驱动系统、控制系统与人体分离，仅有外骨骼的末端机械结构穿戴在人体上，驱动系统与外骨骼末端执行器通过鲍登系统连接并传输动力。通过离体式的大功率电机与高性能实时控制器，外骨骼测试平台能够提供零活的辅助配置与高精度的控制性能，从而实现对外骨骼系统性能、辅助模式效益的快速探究。实验室已通过此类型的外骨骼测试系统，对辅助下的人体生理、生物力学特性和“人在环中”的辅助优化方法，进行了大量的实验研究并取得了一定成果。

    为进一步推进外骨骼系统的实际应用，实现外骨骼机器人的社会价值，实验室同时致力于便携式外骨骼机器人系统的开发与设计。研究人员需要在机械结构、驱动系统的重量和外骨骼的辅助驱动能力之间进行权衡折中，以实现便携式外骨骼的个性化定制。运动功能障碍患者需要轻质、柔顺的辅助机器人来提供辅助，而体力劳作者更需要具有较大驱动能力的外骨骼系统来提供能量输出。通过结构重构、拓扑优化、并联驱动、模块化与微型化，实验室面向不同用户群体设计了个性化的便携式外骨骼系统，能够有效为穿戴者提供户外环境下的运动辅助，并进一步用于探索日常运动中的外骨骼辅助策略。

    脑性瘫痪和腓骨肌萎缩症均为常见的伴有运动功能障碍的神经性疾病。为了更好的评估该类人群的步态运动能力，实验室搭建了基于肌肉骨骼模型的步态分析系统。其硬件设备主要包括光学动作捕捉系统、无线表面肌电采集系统、代谢耗能采集系统和高性能测力跑台等。利用采集到的动捕数据和地反力数据，实验室通过OpenSim中的模型缩放(Scale)、逆运动学分析(Inverse Kinematics, IK)、残差减小计算(Residual Reduction Algorithm, RRA)等算法获得病人步态运动的关节运动学、动力学和肌肉激活度等。

    实验室最近的工作集中在面向运动功能障碍人群的踝关节外骨骼和膝关节外骨骼结构设计与辅助策略的研究上。脑瘫患者和腓骨肌萎缩症患者肌肉表现为无力，其中踝关节前侧背屈肌无力会导致足下垂，这使得摔倒的风险大大增加；后侧跖屈肌无力使得踝关节不稳定，且蹬地时可能力量不足。踝关节外骨骼通过跖屈和背屈辅助具有增强患者行走能力的潜力。蹲伏步态是脑瘫患者中最常见的步态障碍之一，其特征是站立时膝关节过度屈曲，并可能伴有髋部和踝部的异常。屈膝步态行走效率低于正常步态。膝关节外骨骼可以在站立相提供伸展辅助，改善患者蹲伏步态。我们使用“人在环中”优化方法使外骨骼提供个性化的有效的辅助，提升其辅助效果。

    为深入理解人体运动的表现行为与内在机理，实验室从方面环境下搭建人体的肌肉骨骼模型，并进行步态运动的仿真模拟。人的运动控制过程十分复杂，由神经系统产生控制指令，肌肉肌腱接收并执行神经控制指令，产生肌肉力带动骨骼运动，同时动作又作为信号反馈至大脑，构成闭环不断调整。在仿真环境下，肌肉骨骼模型主要包括多刚体动力学、肌肉骨骼几何学、肌肉肌腱动力学等，神经系统的控制指令通过优化控制或前向预测得到。近些年来，预测仿真（Predictive Simulation）或基于仿真的动态优化（Simulation-Based Dynamic Optimization）方法逐渐出现在病理步态和辅助设备的研究中，可以探究病理步态运动机制，探索不同运动控制或肌骨模型特征或辅助装置对特定受试者的步态影响。利用基于肌骨模型的预测仿真来研究病理步态，可以帮助了解运动背后的生物力学结构和神经肌肉控制，同时也有助于辅助设备研发设计，使研究人员能够在受控环境中进行快速、自动化和可重复的研究。

部分发表文献