外骨骼机器人虽然可以帮助人行走，但通常局限于实验室环境，并且需要半小时到一小时来调整机器人的软件算法以适应每个使用者。
近日，北卡罗来纳州立大学与北卡罗来纳大学教堂山分校的苏浩教授团队在国际顶级学术期刊Nature上发表了一篇关于机器人和人工智能算法相结合服务人类的突破性研究论文，标题为“Experiment-free Exoskeleton Assistance via Learning in Simulation”。该论文展示了一种在计算机仿真环境中通过强化学习来让机器人学习控制策略的新方法。
通过这种“计算机仿真中的机器学习”(learning-in-simulation)，研究展示了这种方法可以让机器人具备智能性，特别是能适合各种人的泛化能力，不仅可以自主适应走路、跑步、爬楼梯等多种动作，还能帮助在行走中节省大量的人体能量。这项研究标志着外骨骼技术的重大突破，使机器人更加智能和实用，有望极大地提高老年人和残疾人的生活质量。
外骨骼是一种穿戴式机器人，通过提供外部动力来辅助人体运动，增强力量和稳定性。它可以改善人类的运动，恢复残疾人的行动力，显著提高人们的健康和生活质量。该论文的通讯作者、北卡罗纳州立大学&北卡罗纳大学教堂山分校教授苏浩表示：“我们的理念是科学技术要以人为本，为人服务，解决现实中的问题。现有的外骨骼控制算法通常需要长达几个小时的人体实验和调参，这一过程耗时耗力，这阻碍了外骨骼的广泛应用。
这一创新的人工智能框架突破了仿真与现实之间的鸿沟。通过纯计算机仿真，也就是数字孪生的方法，这种基于模型和数据驱动的强化学习算法，使外骨骼为步行、跑步、爬楼梯多种动作提供有效助力，减少人体能量消耗，相当于减少11.9公斤体重。”
为了探索这个技术的可行性，该论文的第一作者罗淑贞博士（曾是苏浩教授博士后，现为安柏瑞德大学助理教授）进行了长达4年的研究，她介绍说：“我们首先通过创建高保真的肌肉骨骼模型，并设计三个深度神经网络的闭环仿真训练方法。此方法集成了人类模型（包括运动模仿网络和肌肉协调网络）以及外骨骼控制器（神经网络的控制策略），实现通过交换状态信息来精准模拟人机互动过程。
通过这种“计算机仿真中的机器学习”（learning-in-simulation）的方法，训练后的控制器可实时生成适应不同运动模式的助力，无需任何人体实验或调试。”
苏浩教授团队将仿真学习得到的控制器在三种活动（步行、跑步和爬楼梯）上进行了实验，每种活动均包含8位健康受试者。实验结果显示，该控制器产生的助力曲线能够根据不同的活动类型自主进行调整，无需进行任何人工干预。
例如，随着行进速度的逐渐加快，控制器产生的助力大小也会随之增加，并且曲线形状也会发生变化以适应不同活动的助力需求。实现这一能力的关键在于控制器完全依赖于戴在受试者大腿上的惯性测量单元传感器提供的大腿运动学信息作为输入，并且控制器通过上百万轮的仿真训练掌握了通过输入的运动学信号直接输出合适的助力的能力。
“我们的控制器能够端到端地生成合适的助力，现有方法大多都需要很多额外的中间步骤，而这会带来繁琐的人工调节参数的过程，并且也会对控制器的泛化能力产生影响”，苏浩教授表示。同时，由于不同受试者的行动方式各有差异，即使是针对同一个速度的活动，控制器也会给不同受试者产生略有不同的助力曲线。“我们工作的一大亮点是控制器产生的助力在不同人身上是不一样的，它会自主调节，而不是给一个固定形状的助力。”
进一步的实验结果显示，使用该控制器后，在行走时将受试者的平均新陈代谢速率降低了24.3%，在跑步时降低了13.1%，在爬楼梯时降低了15.4%。这些降幅超过了以往研究中任何一款使用便携式下肢外骨骼所取得能量降幅，以上结果表明通过仿真学习得到的外骨骼控制器确实对人的不同活动提供了极大的帮助。无须人体实验，外骨骼开发进入快车道。该研究的核⼼在于利⽤仿真学习来弥合电脑仿真与现实应用之间的鸿沟。
研究团队通过数百万轮的仿真训练，使控制器能够在不同的活动中生成有效的助力。这种⽅法不仅提高了开发效率，还减少了对昂贵且耗时的⼈体实验的依赖，为外骨骼的快速开发与广泛应用提供了可行路径。