研究核心成果与框架 - 北京邮电大学、清华大学、武汉科技大学联合团队在SCI 1区期刊（影响因子18.1）发表论文，提出了一种用于工具操作的多模态肌电假肢控制框架 [1] - 该研究聚焦于高度复杂的工具交互场景，旨在通过基于人类技能迁移的框架，降低外部冲击导致的抓握不稳定性，提高工具操作效率，从而提升截肢患者生活独立性与重返职场能力 [2] 技术背景与挑战 - 研究核心是从“静态抓取”迈向“动态操作”，解决肌电假肢在如锤击、锯切等连续工具操作中，因负载变化和不可预测交互导致的抓握失稳问题 [3] - 传统假肢控制方法在应对动态冲击或跟踪延迟时表现不佳，而人类依靠生物感觉运动闭环实现稳定，本研究旨在让假肢具备类似的动态操作技能 [3] 核心技术：TKE-BGC控制器 - 受人类神经肌肉调节机制启发，团队设计了融合触觉(T)、运动学(K)和肌电(E)信号的多模态仿生抓取控制器(TKE-BGC) [6] - 通过数据手套和肌电传感器采集健全人操作工具时的多模态数据（触觉、关节角度、肌电），使模型能从人类真实物理演示中学习技能 [6] - 控制器利用当前物理状态主动检索匹配用户历史运动意图，用真实物理反馈动态加权并过滤含噪肌电信号，在剧烈动态干扰下维持稳健的感知-动作关系 [7] - 当检测到抓取不稳定风险时，控制器能利用患者实时触觉、关节角度和肌电信号及时调整关节运动，闭环系统以10-15 Hz稳定频率运行，响应优于人类标准感知运动反应时间 [7] 实验验证与性能表现 - 实验招募了7名健全者和3名经桡骨截肢者，设计了四类工具操作任务：敲钉子、锯木头（已知任务）以及削皮切削、桌面整理（未知任务） [10][11] - 对比基线为业界主流的固定力策略(FiF)与力跟随策略(FoF) [11] - **操作稳定性**：在线测试中，面对锤击等强烈动态干扰，TKE-BGC框架的工具掉落次数降至最低水平，远优于FiF和FoF方法 [14] - **操作效率**：在所有测试任务中，TKE-BGC的任务完成时间均最短，且与对比方法有显著统计学差异(p < 0.05) [14][17] - **力控水平**：在敲钉和锯木任务中，TKE-BGC施加的平均接触力分布与人类真实演示数据高度重合，而FiF和FoF常因反馈迟钝出现受力过载或不足 [15][17] - **降低用户负担**：以敲钉子任务为例，TKE-BGC的平均肌电振幅仅为0.0023，远低于FiF的0.0083和FoF的0.0124，意味着患者用极少肌肉发力即可完成任务 [18] - **多模态融合价值**：消融实验证实触觉反馈在工具操作中起关键作用，当触觉、运动学和肌电三模态完全融合时，控制器达到最佳预测性能 [19] 行业相关企业列举 - 文章末尾列举了包括工业机器人、服务与特种机器人、人形机器人、具身智能企业、医疗机器人及上游产业链在内的大量相关科技企业 [26][27][28][29][30][31]