AI仿真学习突破外骨骼控制瓶颈 轻量化设备适配多场景运动

2026年2月6日，《自然》（Nature）期刊发表北卡罗来纳州立大学与北卡罗来纳大学教堂山分校苏浩团队的最新研究成果，其提出的“仿真中学习”（learning-in-simulation）方法，成功重构外骨骼控制逻辑，无需真人实验即可让外骨骼自主适配多种连续动作，同时推出当前最轻动力型可穿戴外骨骼设备，标志着该领域向具身智能与泛化应用迈出关键一步。

据悉，传统外骨骼控制器开发需经过大量耗时耗力的人体实验，且难以灵活适配不同使用者的生物力学特征，无法无缝衔接走路、跑步、爬楼梯等多种动作，严重限制其普及应用。苏浩团队研发的创新框架，通过创建高保真肌肉骨骼模型，设计三个互联的深度神经网络，在计算机仿真环境中完成数百万轮强化学习，成功弥合仿真与现实之间的技术鸿沟。

该团队自研的动力型外骨骼为目前同类产品中最轻，无需额外调试即可通过大腿惯性测量单元传感器，实时捕捉使用者运动意图，自主调整助力大小与时机。实验显示，佩戴该设备的受试者可流畅衔接多种动作，行走时新陈代谢速率平均降低24.3%，跑步时降低13.1%，爬楼梯时降低15.4%，节能效果远超以往便携式下肢外骨骼，相当于为使用者减少11.9公斤体重的负担。

“我们的核心目标是让外骨骼真正服务于人，解决传统技术耗时调参、适配性差的痛点。”苏浩教授表示，该技术不仅可显著提升老年群体及行动障碍者的生活质量，未来还可拓展至康复训练、户外出行等多个场景，为外骨骼的快速开发与广泛应用提供可行路径。研究团队后续将进一步优化算法，拓宽控制器应用范围，推动技术向定制化辅助方向升级。