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，恢复残疾人的行动能力，显著提高人们的健康和生活质量。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，并且需要长时间来调整机器人的软件算法以适应每个使用者。

近日，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，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 “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，行动障碍人士和残疾人的生活质量。

Rewalk外骨骼机器人

创新人工智能“仿真中学习”框架，实现外骨骼的智能性和通用性

该论文通过纯计算机仿真，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。这种的人工智能框架突破了仿真与现实之间的鸿沟。

为了探索这个技术的可行性，该论文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。从而集成了人类模型（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。”

该研究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。

通过仿真学习对外骨骼助力进行免实验优化。从右下e图能看出通过仿真学习得到的外骨骼控制器对人的不同活动提供了极大的帮助。

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。

无需人体实验，外骨骼开发进入快车道 

仿真学习框架

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。

支持连续多动作，实现高效辅助

各种活动和运动转换期间的助力曲线

该研究的一大亮点在于外骨骼设备能够实现多动作的连续支持。在实验中，佩戴外骨骼设备的受试者可以无缝衔接多种动作。例如，用户从慢走逐渐加速到跑步，然后再迅速转变为爬楼梯，整个过程外骨骼设备都能够提供稳定而有效的辅助。通过由强化学习得到的控制策略，外骨骼能够实时调整助力大小和时机，确保每一个动作都得到合适的助力。

Rewalk外骨骼机器人

这项研究成果在外骨骼技术的发展过程中具有重要的里程碑意义。外骨骼设备不仅可以显著提高普通人的运动表现，也能帮助残疾人恢复行动能力。研究团队相信，通过进一步优化和推广这一仿真学习框架，可穿戴机器人未来将在医疗、工业和日常生活中发挥更加广泛的作用。