髋关节外骨骼控制的关节力矩估计：基于广义力矩特征生成的新型个性化辅助策略

为解决髋关节外骨骼控制中因个体差异导致的力矩估计精度下降问题，南方科技大学的研究团队提出了一种基于广义力矩特征（GMF）生成的神经网络方法。通过构建GMF生成器和解码器，结合GRU网络实时预测力矩，模型在28种步速条件下将均方根误差降低至0.1180±0.0021 Nm/kg，较传统方法提升6.5%-8.3%。实际应用显示，该方法仅需编码器传感器即可实现20.5%的代谢降低（p<0.01），为个性化外骨骼控制提供了新范式。

　　

在助力行走的科技前沿，髋关节外骨骼正成为减轻关节负荷、提升运动效率的革命性工具。然而现有控制系统面临两大困境：依赖复杂传感器网络增加系统负担，以及缺乏个性化适配导致新用户体验骤降。更棘手的是，传统基于步态相位估计的扭矩生成方法存在响应延迟，难以适应变速行走场景。这些瓶颈严重制约了外骨骼技术在医疗康复和工业助力的普及应用。

南方科技大学的研究团队独辟蹊径，从生物力学本质出发，提出"广义力矩特征"（Generalized Moment Feature, GMF）这一创新概念。该特征通过神经网络自动学习个体不变的力矩表达，既保留了动力学本质，又可通过专用解码器还原为个性化关节力矩。这种双重特性使其成为连接用户运动学与动力学的理想桥梁。

研究采用多模块协同的架构设计：GMF生成器由5层全连接网络构成，将用户体重、身高与真实力矩融合为32维特征；GRU估计器以100帧历史关节角度（含角速度、角加速度）为输入，通过16神经元门控单元实现毫秒级预测；解码器则逆向重构力矩值。训练中创新性采用双损失函数（权重w₁
=1，w₂
=0.05），同步优化特征生成与力矩解码精度。

关键实验验证呈现三大突破：

1. 跨用户泛化能力
   在最大差异划分的测试集（10名未见用户）上，模型RMSE达0.1180 Nm/kg，较无身体参数模型提升6.5%。特别在1.15m/s步速时误差最低，形成典型的"V"形精度曲线。

2. 架构普适性
   对比实验显示，GMF框架使FCNN、CNN、TCN等网络的估计误差平均降低7.96-11.44%，证实其特征表达的通用性。

3. 实际助行效益
   搭载该算法的外骨骼在1.25m/s行走时，峰值扭矩达7.81Nm（支撑相）和4.29Nm（摆动相），符合生物力学规律。代谢测试显示，5名受试者净代谢率平均降低20.5%（p<0.01），其中适配良好的用户降幅可达28.3%。

这项研究的核心价值在于突破了"传感器依赖"与"个体差异"的双重枷锁。通过GMF的抽象表达，首次实现仅用编码器数据的高精度力矩估计，使外骨骼控制系统更轻量化、普适化。值得注意的是，解码器0.0016 Nm/kg的极低误差印证了特征的可逆性，为后续可解释AI研究提供范本。

未来改进可聚焦三个方向：采用可逆神经网络（Reversible NN）进一步降低解码复杂度，探索SEA（Series Elastic Actuator）解决运动耦合问题，以及通过贝叶斯优化（Bayesian Optimization）提升超参数效率。这项发表于《Biomimetic Intelligence and Robotics》的成果，标志着外骨骼控制从"经验辅助"迈向"智能适配"的新纪元。