外骨骼机器人技术发展的核心瓶颈与解决方案 - 外骨骼机器人真正走向日常应用的最大障碍并非硬件成本或控制算法，而是获取高质量训练数据所需的高昂成本 [1] 传统数据收集方法的痛点 - 训练基于深度学习的外骨骼控制器，需要在实验室环境中使用昂贵的动作捕捉系统、测力台等设备，并让受试者穿戴外骨骼执行任务，过程耗时耗力 [2] - 每次硬件迭代或传感器调整都可能导致之前收集的数据作废，需要重新收集 [2] - 数据收集时外骨骼必须处于驱动状态，因为辅助力会显著改变使用者的生物力学特征 [2] - 传统方法收集一个完整数据集需要数百小时的专业人力，严重制约了技术发展速度 [3] 创新研究框架：深度域适应 - 研究团队提出利用深度域适应框架，将开源生物力学数据集通过模拟传感器作为“跳板域”，将无需外骨骼设备的人体运动数据转换为可用于实际设备的训练数据 [1] - 该方法能够将外骨骼专用标注数据的需求量减少95%，同时保持接近最优模型的控制性能 [1] - 框架核心是利用模拟传感器作为通用域，聚合三种不同成本级别的数据源 [4] - 最便宜的数据源是开源生物力学数据（源域），包含地面反作用力和关节力矩等标签，可通过OpenSim等软件模拟出虚拟传感器信号 [6] - 中等成本的数据源是未标注的外骨骼数据（目标域），只需受试者穿戴未驱动的外骨骼执行任务，无需昂贵实验室设备 [6] - 最昂贵的是带标签的外骨骼数据，需要在配备动捕系统和测力台的实验室中收集，但在新框架中需求被大幅减少 [7] 核心技术：双向域适应网络 - 研究团队开发了基于CycleGAN的双向域适应网络，使用U-Net作为生成器骨干，能在模拟传感器域和真实传感器域之间进行双向转换 [8] - 网络训练采用多损失函数组合优化策略，包括GAN损失、循环一致性损失，以及针对半监督情况的少量配对数据监督损失 [8] 方法性能验证结果 - 在离线测试中，使用8名新受试者执行28项任务的数据进行验证 [10] - 半监督方法（仅使用4名参与者的4项任务作为标注数据）相比最优模型，髋关节力矩估计误差仅增加11.3%，膝关节增加20.3% [10] - 不使用域适应的基线方法，髋关节和膝关节误差分别高达35.5%和45.3% [10] - 完全无监督方法（不使用任何标注的外骨骼数据），髋关节和膝关节的误差增加控制在19.9%和44.4%，远优于基线方法的49.5%和60.3% [10] - 模型成功部署在实时控制系统中，并使用一款自主研发的髋/膝外骨骼进行了实机验证 [11] 实际应用与代谢成本降低 - 在举重任务中，使用半监督模型训练的外骨骼控制器能够降低12.5%的代谢成本，接近使用完整数据集训练的最优模型（14.4%） [15] - 在举重任务中，完全无监督的模型实现了9.5%的代谢成本降低 [15] - 在5度斜坡行走任务中，半监督模型实现了14.6%的代谢成本降低，与最优模型的13.6%相当 [15] - 在5度斜坡行走任务中，无监督模型降低了13.8%的代谢成本 [15] - 这种程度的代谢成本降低已经达到了当前最先进控制器的水平 [17] - 在周期性任务（如行走、爬楼梯）、阻抗类任务（如举重、深蹲）和非结构化任务（如转弯、躲避障碍物）中，新方法都表现出了稳定的性能 [17] 技术框架的扩展应用 - 该框架不仅适用于关节力矩估计，还成功应用于地面反作用力估计和活动分类任务，都取得了显著的性能提升 [20] 行业相关企业列举 - 文章末尾列举了工业机器人、服务与特种机器人、人形机器人、具身智能、医疗机器人及上游产业链等多个领域的相关企业名单 [24][25][26][27]