哈佛大学研发新算法可定制柔性外骨骼的个性化控制策略

当外骨骼变得柔软时，比如哈佛大学Biodesign实验室设计的exosuit，穿戴者和机器人更需要同步。但每个人的移动方式有所不同，为个人用户定制机器人是一件非常费时费力的事情，并且效率极低。

日前， Wyss生物启发工程研究所和哈佛大学John A. Paulson工程应用与科学学院（SEAS）的研究人员开发出了一种高效的机器学习算法，该算法可以为柔性可穿戴外骨骼快速定制个性化控制策略。

该研究成果已经发表在《科学机器人》（Science Robotics）杂志上。

SEAS的博士后研究员、论文第一作者Ye Ding表示，“这种新方法可以快速有效地优化辅助可穿戴设备控制参数设置。使用这种方法，可以极大地改善髋部伸展辅助装置佩戴者的代谢性能。”

当人类行走时，我们不断调整移动方式以实现节能（也称为代谢成本）。

SEAS博士后研究员、论文的联合第一作者Myunghee Kim博士说，“之前，如果有三个不同的用户使用辅助设备行走，就需要有三种不同的辅助策略。为每个穿戴者找到合适的控制参数是一个困难的、循序渐进的过程，因为不仅所有的人走路有点不同，而且手动调整参数所需的实验也是复杂而耗时的。”

研究人员在Wyss研究所核心成员、John L. Loeb工程与应用科学副教授以及SEAS工程和计算机科学助理教授Scott Kuindersma博士领导的带领下，开发了一种算法，可以通过该变异性，快速确定最佳的控制参数，最大限度地减少用于行走的能量。

研究人员使用所谓的人体回路优化，它利用呼吸率等人体生理信号的实时测量来调节设备的控制参数。随着该算法在最佳参数上的磨砺，它指示Exosuit在何时何地提供辅助力提高伸髋。该团队使用的贝叶斯优化方法首次在PLOS ONE去年发表的一篇论文中提出。

与没有设备的步行相比，该算法与套装相结合的代谢成本降低了17.4%。与团队以前的研究相比，这个数字提高了60％以上。

Kuindersma表示，“优化和学习算法未来将对用于辅助行走的可穿戴机器人设备产生巨大影响。这些结果表明，即使是非常简单的控制器的优化，也能为用户在行走时提供显著的个性化优势。将这些想法扩展到考虑更具表达能力的控制策略和具有不同需求和能力的人将是下一个令人兴奋的事情。”

Walsh认为，“对于可穿戴机器人来说，例如柔性的exosuits，关键是在正确的时间提供恰当的辅助，这样他们就可以与穿戴者协同工作。利用这些在线优化算法，系统可以学习如何在大约二十分钟内自动完成，从而最大限度地造福穿戴者。”

未来，该团队的目标是将优化应用于更复杂的设备，同时协助多个关节，如髋关节和踝关节。

Ding表示，“在论文中，我们通过优化髋部延伸来证明代谢成本的大幅降低。这表明你可以用一个强大的大脑和优秀的硬件来完成很多事情。”

这项研究得到了美国国防高级研究计划局（DARPA）、Warrior Web Program以及哈佛大学Wyss生物启发工程研究所和哈佛大学John A. Paulson工程与应用科学学院的支持。