外骨骼机器人的设计变化趋势调研

文 | 浅唱柯尔特

0 前言

外骨骼这一概念在早期的科幻小说中被提出，在现实社会中则可以追溯到19世纪30年代，随着工业革命的发展，英国人首次提出将蒸汽机穿戴在人身上来增强人体力量；19世纪末期，俄罗斯人尼古拉斯·亚根申请了一项外骨骼专利，不过并未制造出成品。直到20世纪60年代，外骨骼的研究终于取得实质性进展，1963年，美国陆军外弹道实验室的扎鲁德尼（zaroodny）发表了一份技术报告，提出已着手解决外骨骼的可携带电源、控制系统、传感系统、人机交互等难题；20世纪60年代末期，在美国海军研究办公室的资助下，通用电气研究公司和康奈尔大学合作研发了首台全身动力外骨骼模型，这台模型被命名为“Hardiman”，其质量高达680kg，有30个自由度并且覆盖全身，虽然它不具备灵活紧凑的特点，但这是可穿戴外骨骼的首个原型机。到了2000年，美国国防部高级研究计划局开始启动外骨骼项目，随后，多个国家掀起了外骨骼研究的热潮，可穿戴外骨骼领域进入飞速发展阶段。

研究外骨骼的初衷是为了增强人体力量，应用于军事领域以增强单兵作战能力，而随着技术的发展和社会需求的变化，外骨骼被开发应用于其他各种领域。按应用领域划分，目前外骨骼可分为三种类型：用于医疗康复的外骨骼、用于运动助行的外骨骼以及用于增加负重能力的外骨骼；本文所调研的外骨骼康复机器人一般指可穿戴的外骨骼机器人，是一种涵盖了生物力学、机械学、材料学、机器人学、仿生学、计算机学等诸多技术的综合体。 

自从外骨骼发展以来，国内外众多高校和研究机构开始了相关研究，如美国麻省理工学院、哈佛大学、日本中央大学、神奈川大学、韩国现代集团、汉阳大学、中国的电子科技大学、浙江大学等，在相关领域已经取得巨大成就。本文结合国内外文献，对外骨骼康复机器人的设计变化趋势、关键技术和应用的国内外现状进行调研综述，以期为该领域的研发与应用提供参考。

1 外骨骼机器人简介

上肢外骨骼大多是机电系统，他被设计用来与用户交互，以达到放大人体功率、日常辅助或替代运动功能的目的。

这些装置在本质上通常是人机交互的，因为它们与人类上肢肌肉骨骼结构在机械上相互作用。它们具有广泛的应用领域，例如，工业环境中的功率放大，神经肌肉损伤补偿或中风后康复，以及对残疾人日常生活活动的支持。

1.1 上肢康复外骨骼机器人发展情况

上肢医疗康复机器人一般可分为两种类型，在目前市场上这两种外骨骼机器人具有相当的比例。

1.1.1以MIT-MANUS为代表的末端牵引式医疗康复机器人[1-2]

这类外骨骼机器人的工作方式主要为将使用者的手腕部分与康复机器人绑定在一起，通过康复机器人引导使用者进行康复训练运动。这种类型的还包括由我国清华大学研制2-DOF ( Degree of Freedom )上肢康复机器人UECM 等[3]。末端牵引式医疗康复机器人依靠其机构以及控制要求较为简单而且价格较为低廉，基于末端牵引式医疗康复机器人在康复训练设备中仍然占据一定的市场。

  

     

1.1.2外骨骼式的医疗康复机器人

上肢外骨骼医疗康复机器人的设计与研究，西方的一些先进国家由于社会医疗等问题首先开始迈入外骨骼机器人这一领域。由于此方向的前景巨大，故在国内在此领域的研究工作在二十一世纪时开始着手，一些高校、科研院开始从事此方向的研究与设计，并且都取得了一定相当优秀的研究成果。

美国亚利桑那州立大学研发了一种名为Rupert便携穿戴式名上肢医疗康复机器人由,该外骨骼执行驱动器为气动肌肉[4]。该机器人具有5个自由度，但仅由4块气动肌肉执行器进行驱动外骨骼的运动，驱动的上肢人体关节主要为：肩关节的运动、肘关节的运动、小臂的运动，最后为控制手腕与手指的屈伸运动，基本每个关节都有多自由度的运动形式。Rupert上肢医疗康复机器人可实现例如康复训练和辅助进食等日常活动。

 日本东京电机大学设计研发了一种7-DOF的外骨骼式医疗康复机器人[5]，该机器人使用位置信号进行控制工作，具体工作方式为监测患者的位置与患者和外骨骼之间的相互作用力，患者进行康复训练运动便由该外骨骼机器人的控制信号进行。由日本佐贺大学研制的康复医疗机器人SUEFUL-7可在训练过程中及时调整中心位置[6]，这一方式可以使外骨骼机器人的相关关节与患者的相关关节尽量保证对应位置相同，但这一功能又限制了外骨骼机器人协同患者进行运动的运动形式，使患者的运动范围被限制。HAL系列的外骨骼机器人由日本筑波大学的以Sankai Y教授为首的科研团队进行研发[7]。该产品现已交由日本的Cyberdyne公司进行生产转化，并且美国市场在2017年开始使用此项发明产品，该产品的得到了有关部门的批准。HAL-SJ型号的产品为运动辅助型的单个运动关节的上肢外骨骼：肘关节的运动由一个电机对应驱动，为单自由度的外骨骼机器人,此肘部关节运动范围几乎与人体肘部日常运动范围相似，为0°~120°。电机安装在接近于人体肘部关节处，外骨骼运动传递方式为直驱传动。控制方式由上肢大臂皮肤表面上的电极检测患者表面肌电信号，该肌电信号会有一定的电位差，系统收集该肌电反馈信号给控制模块进行最终的控制康复训练。由HAL系列的外骨骼的多次测试实验的数据统计表明,该外骨骼合理的康复训练模式对于上肢的功能康复改善效果是非常明显的。

            

         

除了在上文中提到的一些在医疗外骨骼机器人领域的优秀研究成果。还有韩国研制了一种全身型6-DOF康复机器人[8]；韩国科学技术院Kyeong SK 等研发的一款基于镜像疗法的穿戴式上肢外骨骼[9]。

1.1.3用于日常生活辅助活动的可穿戴上肢外骨骼

《Design of a wearable upper-limb exoskeleton for activities assistance of daily living》[10]该文章介绍的可穿戴的上肢外骨骼，用于日常生活的活动辅助。它为每只手臂提供5个自由度(DOF)，其中肩膀和肘部分别提供3自由度和2自由度。而且，佩戴者在佩戴该设备后仍能像往常一样保持自由和移动。

该外骨骼的独特设计：

（1）设计为了克服外骨骼运动强度与重量的限制，引入了重力平衡方法来降低能量消耗；

(a)采用非零自由长度弹簧的部分重力平衡系统。(b)采用非零自由度弹簧的全重力平衡系统。(c)锁骨升高/降低伴部分重力平衡系统。(d)充分利用重力平衡系统进行肩屈伸。

弹簧重力平衡系统的引入，不仅能够减小电机的转矩，还能很好的平衡外骨骼本身的重量带给使用者的影响。

（2）提出了一种新型的电缆驱动关节机构，使其总重量降低到4.2 kg。

电缆驱动的方式进行动力传输，具有刚度大、效率高、无齿隙等优点。该文中提出了一种新颖的电缆驱动关节机构，实现了零侧隙的反向传动，克服了一般电缆驱动单向运动的缺点。

 

该电缆驱动关节可以实现双向旋转，模拟人体转动关节的运动。而且电缆驱动接头可作为第二级减速器，以降低电机减速齿轮的传动比。因此，它不仅减小了电机减速齿轮的体积，而且降低了其总重量。

1.2 下肢外骨骼机器人的发展情况

可穿戴下肢外骨骼机器人所涵盖的学科包括材料学、机器人学、生物力学、人体工程学、计算机学、仿生学等。其还涉及了传感器技术、控制理论技术、驱动技术、人机交互技术、信息处理分析技术、人工智能技术等高新技术，是一个多学科交叉的高精尖的技术产品。现今，研究人员在不断改进有动力驱动外骨骼装备的性能的同时，也开始研究无动力被动外骨骼装备以应对动力驱动领域所遇到的瓶颈。

1.2.1 有动力驱动外骨骼新技术

在有动力驱动的下肢外骨骼中，可以将外骨骼分为两种类型：刚性外骨骼，指采用刚性结构与人体下肢关节对齐的方式设计，主要为人体行走提供支撑和动力；柔性外骨骼，指采用柔性元件，例如鲍登线、布带、气动肌肉等材料制成的外骨骼，其可以避免刚性外骨骼因为人机交互而产生的干扰，提供较好的穿戴舒适性，主要为人体行走提供辅助，改善行走步态，应用于康复领域。

（1）刚性动力驱动外骨骼

2015年，韩国汉阳大学金孝坤团队采用在下肢外骨骼机器人EXO（图1.8）合适关节处加入弹性元件或者耗散元件的方法，帮助穿戴者在行走和蹲起的过程中减少能量消耗。该机器人自身质量约为 35 kg，使用电机驱动，连接半主动液压系统实现驱动外骨骼的意图。通过加入弹性和耗散元件，在 20 kg 的负载时，可使穿戴者受到的地面作用力减少 200 N[11]。但由于自身质量过重，该外骨骼在无负载时反而会增加人体下肢受力，只适用于背负重物，使用范围小。

 （2）柔性动力驱动外骨骼

     2013年，哈佛大学的Wyss实验室研发了基于鲍登线的多枢纽柔性下肢外骨骼原型样机Exosuit（图1.10）。该机器人采取新型的轻质弹性纺织带取代传统的刚性布局，使穿戴者的下肢摆脱刚性质料的束厄局面，可以让穿戴者腿部自然弯曲，并且能让穿戴者承受

更大的载荷。该外骨骼总质量为 10 kg，且续航能力达到 4h。通过对比实验，可以降低穿戴者6% 的生物代谢能量[14-15]。2016年，该实验室通过改变控制策略，搜集在行走时产生的负能量并且使之在特定的步态周期释放，可为髋关节提供约为人体自然行走时产生力矩的30%，使生物代谢能最高降低至16%[16]。

 2019 年，西北机电工程研究所制作出一种穿戴式的柔性踝关节助力服（图1.11）。该装置参考了哈佛大学的柔性外骨骼设计，其特点为沿着腿部肌肉的走向安装有织物布，可为腿部多处肌肉和肌腱起到省力的作用。通过电机、减速器、布带和轮盘的结构，将电机产生的力传递到踝关节，同时还能增加对其他腿部肌肉的辅助。通过实验，助力服可以提供的最大拉力为100 N，满足对踝关节的助力目的[17]。

2020 年，北京航空航天大学研制出一种可实现跖屈和背屈双向运动辅助的绳驱动踝关节外骨骼（图1.12）。该外骨骼机器人使用一对单电机分别实现两侧踝关节的跖屈和背屈双向运动辅助。该外骨骼在鞋跟和脚趾前端设置4根电缆，设计了基于齿轮—滑轮组件的绳索力传输系统，可有效地将动力从电机端传递至末端执行器，以此可实现踝关节跖屈和背屈。为了减少给穿戴者施加附加惯性力矩，研发者将电机、供能单元、控制单元安置在人体腰部附近，设计了基于足底压力传感器和惯性测量单元（IMU）的步态检测系统，能有效识别穿戴者的步态周期和步行状态。通过实验测试，受试者在佩戴该外骨骼时比目鱼肌的活动相比降低5. 2%[18]。

1.2.2 无动力外骨骼设计

相比有动力驱动外骨骼，无动力外骨骼省去了外部动力源，使得结构更加紧凑、质量显著减轻。

Spring Loaded Technology 公司于 2012 年开展了在膝关节处通过弹性元件进行助力的项目。Levita⁃tion无动力膝关节助力外骨骼（图1.13）为该公司的研发成果。该无动力膝关节的特点是采用液体弹簧替换传统的刚性弹簧，使得外骨骼在膝关节处产生的力矩能与穿戴者完美对齐[3]169-170。该外骨骼工作原理是：液体弹簧通过压缩硅流体分子来储存能量。当膝盖弯曲时，外骨骼储存能量；膝关节伸展时，外骨骼释放能量，对人体进行助力。该款外骨骼质量仅为 0. 9 kg。实验表明，该膝关节助力装置能够降低穿戴者的膝关节 64% 的负荷，同时增大穿戴者股四头肌的转矩、强度和力量。该装置可应用于膝关节疾病患者、运动员、沉重体力劳动者[19]。

      

2015年，澳大利亚国防部发布OX新型无动力柔性外骨骼系统（图1.14），该外骨骼系统具有质量小、轻便快捷的特点，总质量只有 3kg。该外骨骼可利用从肩部到脚部的 2 条鲍登钢缆实现负载的载荷传递，将背包负重转移至地面。根据实验结果，该外骨骼可以节省人体50%的能耗。OX新型无动力柔性外骨骼易于和穿戴者装备集成，不使用时可简单拆卸并放入背包携行，具有结构小巧、持久耐用、成本低等特点[20]。

2 运动意图采集技术

外骨骼机器人方便可穿戴的特性使得其变得热门，同时也要求其本身要对人体的运动意图进行识别判断才能满足人机一体化运动[21-22]。回顾外骨骼机器人信息采集技术发展历程，从单一的力与唯一传感器升级为角度传感器结合的多传感器以及肌电信号传感器等，设备不断升级换代，其相应的识别技术也不断发生着改变。传感器的升级换代，其目的是为解决传统的物理信号传感器在应用过程中存在的信号滞后的缺点，利用生物肌电信号的超前性特点提前预测人体的运动意图，实现外骨骼机器人的人机交互实时性[23]。同时，分析表明生物电信号在外骨骼机器人上的广泛应用提升了信号的实时性，但生物电信号所包含的信息多样化使得其在应用过程中的准确性无法满足，需要配合使用传统的物理信号传感器来进一步提升机器人本身的准确性[23-24]。

2.1 运动意图信息采集

运动意图信息可以来自于人机交互的物理信号和人体的生物信号[25]。

其中物理信号的采集通常使用传感器在外骨骼的足底和关节等处采集力与力矩信息，物理信号包括关节角度、角速度、人机交互力等[25-26]。其优点是信噪比高，缺点是信号的产生滞后于人机交互运动，导致实时性方面的不足。

可用于人体运动意图识别的生物信号包括肌电信号（EMG）、眼电信号（EOG）、脑电信号（EEG）等[27]，运用EMG、EOG、EEG等传感器从周边或中枢神经系统读取用户的意图。

2.2 肌电信号（EMG）

肌电信号作为非侵入性信号，其运用更加成熟广泛。随着对肌电控制的研发探索，形成了3种肌电控制模式[18]：第一种是ON/OFF控制模式，EMG信号只能以单一速度控制执行器的启动和停止。第二种是比例控制模式，力和速度可以根据肌电图的大小按比例控制。第三种是模式识别技术，通过多通道sEMG中提取相关的特征值并输入到不同分类器来区分不同运动，从而完成多自由度的复杂运动。

目前EMG信号主要通过sEMG（表面肌电）获取，依靠贴在皮肤表面的柔性电极片实现，表面肌电信号约超前30～150ms[28-29]。相比于基于力传感器的控制算法，sEMG信号采集方便，无需依赖机械结构，可采集指定肌肉群的运动信号，对指定肌肉进行精准采集。但sEMG信号存在几个技术难点[20]：1)由于依靠贴在目标肌群皮肤表面的柔性电极片实现数据采集，采集信号数据受到干扰大、随机性高，需依靠滤波算法去除心电、工频干扰等伪迹；2)每个电极片只能有限采集固定集群的数据，需依靠多个电极片实时同步采集才能获取用户的运动情况。

2.3  脑电信号（EEG）

脑电信号也是一种非侵入性生物信号，脑电是肌电发生的根源，大脑中的各种信号能够更加切实地反映人类的意图，具有更多的信息，但同时其解码也更加困难[21]。EEG信号通过佩戴在头部的干式或湿式电极获取，脑电信号约超前500ms，其最大优势是数据来自于患者脑部神经元间的活动状态，适用于下肢运动功能丧失等重度运动障碍患者，包括完全脊髓损伤患者。同样对脑电信号的准确获取也存在一定的难度，检测到的EEG数据是多模态脑活动数据的融合[27][32]，受环境影响大，因此完全基于EEG信号的交互控制算法实现起来存在很大挑战。

图2.2 非入侵式采集脑电信号

脑电信号既有非侵入式EEG，也有半侵入式皮层脑电[33]（ECOG）以及侵入式微电极（IEEG），其信号采取的方式分别为脑皮质电图 (electrocorticography)和颅内脑电图(intracranial EEG)，是通过外科手术将电极放置在大脑表面，以更高的精度和更低的噪声收集信号，可以更高频，更准确，更光滑的控制外部机械，并且可以完成复杂的多的动作，但是侵入式脑电信号采集无法避免地会带来一定的创伤性，普通用户不可接受。

2.4  小结

综上所述，虽然侵入式能够高频地获取准确脑电信号，但普通人难以接受，且更多处于实验室验证阶段，此外基于单一的信号获取采集技术难以准确反映客户的运动状态。随着研究人员的不断发展探索，人们对运动信息的检测不仅仅来源于sEMG和EEG。2019年，新加坡国立大学（NUS）的一组研究人员研发了一种具有更加强大的人工神经系统的皮肤——异步编码电子皮肤（Asynchronous Coded Electronic Skin, ACES），这种ACES电子皮肤由物理传感器构成，是一种神经模拟构架，能快速精确传递触觉信号。同时，文献也提供了一种新型的柔性传感器，该传感器由2个具有微结构的薄层构成，能快速检测出人感受不到的微小压力，为交互传感性能提供精确性。

3 智能控制原理分析

外骨骼是一种可以被穿戴的辅助设备，它根据穿戴者的下肢（大腿、小腿、脚）生长特点，并且结合人工智能等技术增加正常人的负重能力。研究表明外骨骼可以帮助下肢截瘫病人站立、行走、上下楼梯等，被广泛应用于医疗机构、负重搬运、单兵作战等领域。目前外骨骼主要有三种类型：用于步态康复的外骨骼，用于运动助行的外骨骼以及用于增加负重能力的外骨骼。基于不同目的和作用对象，外骨骼机器人通过采用不同控制策略，并利用信息采集模块实时监测穿戴者运动信息及人机交互信息，以保证运动的正确性和穿戴者的适宜性。同时，通过对外骨骼进行精确控制可以有效避免对患者造成二次伤害，因此开展外骨骼机人控制策略的研究具有重要的实际应用价值。

3.1 智能控制

智能控制是将力控制系统分解为多个子系统，同时输入力和位置信息，原理如图3.1所示。常用的智能控制策略包括模糊控制、神经网络控制等。

 

3.1.1模糊控制

模糊控制是通过对力和位置信息进行综合，最后输出位置控制量的控制方法。模糊逻辑控制(Fuzzy Logic Control)简称模糊控制(Fuzzy Control)，是以模糊集合论、模糊语言变量和模糊逻辑推理为基础的一种计算机数字控制技术。模糊控制实质上是一种非线性控制，从属于智能控制的范畴。模糊控制的一大特点是既有系统化的理论，又有大量的实际应用背景。模糊控制的发展最初在西方遇到了较大的阻力；然而在东方尤其是日本，得到了迅速而广泛的推广应用。

浙江大学杨灿军[35-36]课题组采用自适应模糊控制神经网络和人机耦合智能算法，开发了一种帮助中风偏瘫患者康复的外骨骼机器人。电子科技大学[37]设计一款基于模糊 PID 控制和自适应控制算法的轨迹跟踪底层控制算法。韩国西江大学[38]设计一款下肢外骨骼机器人，采用了类似肌电信号的肌纤维膨胀信号，在信号融合和处理中，采用模糊控制算法，利用模糊隶属函数和模糊规则对关节进行控制。四川理工学院的陈磊[39]等提出了一种基于模糊遗传算法的下肢康复机器人控制方法，建立了一个多输入多输出的模糊控制器，用一套模糊控制规则来控制外骨骼对不同患者行康复训练，并采用遗传算法优化模糊规则和隶属度函数，增强了模糊控制系统的适应性。哈尔滨工业大学的周海涛[40]等研发了一款下肢外骨骼机器人，该外骨骼采用自适应迭代学习控制算法进行轨迹跟踪控制的患者被动康复训练和模糊自适应阻抗控制方法的患者主动辅助步态康复训练。模糊控制具有不需要建立精确的数学模型，可直接将专家知识转化为控制信号的优点，可以较好地实时处理非线性复杂系统；并且可以实现机器人的自适应控制，智能地修改控制参数。

 

图3.2 二维模糊控制器结构

3.1.2神经网络控制

神经网络控制是一种基于神经网络算法的智能控制策略，结构如图3.3所示。神经网络控制，即基于神经网络控制或简称神经控制，是指在控制系统中采用神经网络这一工具对难以精确描述的复杂的非线性对象进行建模，或充当控制器，或优化计算，或进行推理，或故障诊断等，亦即同时兼有上述某些功能的适应组合，将这样的系统统称为神经网络的控制系统，将这种控制方式称为神经网络控制。

浙江大学杨灿军教授等人提出了基于脚底压力变化来判断人体运动意图的自适应模糊神经网络（adaptive-network-based fuzzy inference system, ANFIS）理论，开发设计了一款外骨骼机器人河北工业大学的张元春[41]等针对数学模型误差对基于位置的阻抗控制的影响这一问题，采用 RBF 神经网络，设计了 RBF 神经网络补偿控制器消除了模型误差的问题。LeeK[42] 等用于在线控制动力下肢外骨骼的脑机交互系统，并设计了一个可以控制外骨骼前行、左转和右转的二进制解码器。郭晓波等针对患者在训练时肌肉痉挛对系统稳定性的影响，提出了一种基于BP 神经网络变参数控制方法，通过检测训练中患者的力、速度、位置等的变化，采用 BP 神经网络自动调整从端控制参数，消除了系统的不稳定性，有效地克服患者因肌肉痉挛带来的干扰。河北工业大学的陈贵亮[43]等针对外骨骼机器人的灵敏度放大控制需要精确逆动力学模型的问题，利用 BP神经网络获得了外骨骼逆动力学动态数学模型。证明了该方法可以为灵敏度放大控制提高保证。神经网络可以充分逼近任何复杂的非线性关系，能够学习和实验严重不确定性系统的动态特性，是一种典型的智能化控制策略，但是在使用神经网络[44]的过程中，其隶属度函数和各层的比重选取上没有理论依据，常根据设计者的经验选择。

 

图 3.3 神经网络控制器结构示意图

 

图 3.4 神经网络机器人寻找并抓取物体

3.2 小结

总体来看智能控制策略有效地弥补了各种单一控制策略的缺点，实现了系统的自适应性。随着技术的发展和人们对产品要求的提高，运用以往单一经典控制理论不能较好地实现产品要求，一些智能化控制策略更符合发展趋势。

 

4 总结与展望

外骨骼机器人在运动辅助和康复应用中具有重要的应用价值。本文对外骨骼机器人的研究现状进行了简单的综述。此外，还简要介绍了一些外骨骼机器人，介绍了一些独特的设计思路与方法。本文还简要的介绍了使用者的运动信息采集，以及外骨骼控制系统的需求设计。

总体而言，当前外骨骼机器人的关键技术有以下方面：

（1）有动力外骨骼技术

在驱动系统方面，有动力外骨骼所采用的电机、液压和气动驱动各有优劣，电机的标准化程度较高，控制精度较高；液压和气压驱动可以归为一类驱动，具有质量轻、功率高和惯性小等优点，但成本相对较高、控制精度差、噪声大、密封性不佳。

在运动意图与步态识别系统方面，有多种类型的技术被提出，包括生理电信号的信息检测技术、关节角速度的信息感知技术、利用肌肉压力电信号的运动意图识别技术以及地面反作用力或足底压力信号感知技术等。这些技术与人体相关特性的联系越来越紧密。

在控制策略方面，除了预编程、基于力信息控制和基于生物电信号等控制方法外，智能控制的提出进一步提高了外骨骼机器人的控制精度和实时性，它不仅可以较好地处理复杂的非线性系统，还能进行自我学习和实验验证不确定系统的动态特性，是未来重要的技术发展方向。

（2）无动力外骨骼技术

值得一提的是无动力外骨骼作为一个新兴领域的技术创新和发展，其研发过程涉及人体解剖学、仿生学、人体力学、机械结构设计、材料应用等多个学科。无动力外骨骼材料向轻型化、高强度、无损害等方向发展，例如碳纤维材料、尼龙、栅格优化结构材料等。

助力性能是无动力外骨骼面临的主要难题之一，助力元件的选择既不能阻碍运动，也不能使助力过小，未来将无动力外骨骼的材料学、仿生学和结构设计经验与有动力外骨骼相结合可能是一个有前景的方向。

进入21世纪以来，外骨骼技术不断成熟和发展，也仍有许多技术有待提高。未来的有动力外骨骼技术应注重提高续航能力和人机交互协调性，且可以将无动力外骨骼和有动力外骨骼的设计经验相结合，例如在无动力外骨骼上搭载传感器等设备以提高控制精度和协调性。

 

参考文献

[1] Fasoli S E, Krebs H I, Stein J, et al. Effects of robotic therapy on motor impairment and recovery inchronic stroke[J].Archives of Physical Medicine and Rehabilitation, 2003,84(4): 477-482.

[2] Charles S K, Krebs H I, Volpe B T, et al. Wrist rehabilitation following stroke: Initial clinicalresults [C]//IEEE International Conference on Rehabilitation Robotics. Piscataway, USA: IEEE,2005: 13-16.

[3] Zhang Y B,Wang Z X, Ji L H, et al. The clinical application of the upp-er extremity compoundmovements rehabilitation training robot[C]/IEEE Intermational Conference on RehabilitationRobotics. Piscataway , USA: IEEE，2005: 91-94. 

[4] Balasubramanian s, Wei R, He J. RUPERT closed loop con-trol design[J]. Annu Int Conf IEEE Eng Med Biol Soc,2008,2008:3467-3470.

[5] Pan L, Song A, Guozheng X U, et al. Real-time safety control of upper li-mb rehabilitation robot[.].Robot,2012,34(2):452-460.

[6] KIGUCHI K, Gopura R, HAYASHI Y, etal. The Effectof Impedance Parametersin 7DOF Upper-LimbPower-Assist Exoskeleton Robot[J]. Electromyography (EMG),2016,1:6.

[7] Ka wamoto H,Taal S, Niniss H, et al. Voluntary motion sup-port control of Robot Suit HAL triggered by bioelectricalsignal for hemiplegia[J]. Annu Int Conf IEEE Eng Med Biol Soc,2010,2010: 462-466.

[8] Frisoli A,Borelli L, Montagner A, et al.Arm rehabilitation with a robotic exoskeleleton in virtualreality[C]/IEEE International Conference on Rehabilitation Robotics.Pisc ataway，USA: 2007:631-642.

[9] Kyeong SK, Na Y, Kim J. A mechatronic mirror-image mo-tion device for symmetric upper- limb rehabilitation[J]. Inter-national Journal of Precision Engineering and Manufacturing,2020,21(5): 947-956.

[10] Dongbao Sui; Jizhuang Fan; Hongzhe Jin; Xuefeng Cai; Jie Zhao; Yanhe Zhu. Design of a wearable upper-limb exoskeleton for activities assistance of daily living. [J] Sheraton Arabella Park Hotel, Munich, Germany, July 3-7, 2017

[11] KIM H G，LEE J W，JANG J H，et al. Design of an exoskeleton with minimized energy consumption based on using elastic and dissipative elements［J］. International Journal of Control Automation and Systems ，2015，13（2）：463-474.

[12] TRAN H T，CHENG H，LIN X C，et al. The relationship between physical human-exoskeleton interaction and dynamic factors：using a learning approach for control applications［J］.Science China（Information Sciences），2014，57（12）：1-13.

[13] TRAN H T，CHENG H，DUONG M K，et al. Fuzzy-based impedance regulation for control of the coupled human-exoskeleton system［C］//IEEE International Conference on Robotics and Biomimetics. Piscataway，USA：IEEE，2014：986-992.

[14] ASBECK A，ROSSI D S，GALIANA I，et al. Stronger，smarter，softer；Next-generation wearable robots［J］.IEEE Robotics and Automation Magazine，2014，21（4）：22-33.

[15] ASBECK A，DYER R J，LARUSSON A F，et al. Biologically-inspired soft exosuit［C］//2013 IEEE 13th International Conference on Rehabilitation Robotics（ICORR）.New York：IEEE，2013：1-8.

[16] 赵新刚，谈晓伟，张弼 .柔性下肢外骨骼机器人研究进展及关键技术分析［J］.机器人，2020，42（3）：365-384.

[17] 宋鹏，李睿远，莫新民，等.一种柔性踝关节助力机构研究［J］.制造业自动化，2020，42（4）：83-85.

[18] WANG T M，PEI X，HOU T G，et al. An untethered cable-driven ankle exoskeleton with plantarflexion-dorsiflexion bidirectional movement assistance［J］.Frontiers of Information Technology & Electronic Engineering，2020，21（5）：723-739.

[19] HUO W，MOHAMMED S，MORENO J C，et al.Lower limb wearable robots for assistance and rehabilitation：a state of the art［J］. IEEE Systems Journal，2016，10（3）：1068-1081.

[20] 李强，周加永，赵文彬，等.无源被动外骨骼系统研究现状与关键技术分析［J］.机床与液压，2021，49（5）：156-161.

[21] FANTI, Vasco et al. Assessment methodology for human-exoskeleton interactions: Kinetic analysis based on muscle activation. Frontiers in Neurorobotics [online]. 2022.

[22] 韩稷钰,王衍鸿,万大千.下肢外骨骼康复机器人的研究进展及发展趋势[J].上海交通大学学报(医学版),2022,42(02):241-246.

[23] 程龙,夏修泽.上肢康复外骨骼智能控制综述[J].机器人,2022,44(06):750-768.DOI:10.13973/j.cnki.robot.210450.

[24]  NAZARI, Farhad et al. Applied exoskeleton technology: A comprehensive review of physical and cognitive human-robot-interfac [online]. Ithaca: Cornell University Library, arXiv.org, 2022.

[25] 丁逸苇,涂利娟,刘怡希,张冀聪,帅梅.可穿戴式下肢外骨骼康复机器人研究进展[J].机器人,2022,44(05):522-532.DOI:10.13973/j.cnki.robot.220256.

[26]  1. HEJRATI, M. and MATTILA, J. Physical Human-Robot Interaction Control of an Upper Limb Exoskeleton with a Decentralized Neuro-Adaptive Control Scheme. Ithaca: Cornell University Library, arXiv.org, Sep 29, 2022 Publicly Available Content Database; Technology Collection.

[27]  Phan, Khue.Gravity Compensation Wearable Passive Exoskeleton[D].ProQuest Dissertations and Theses Full-text Search Platform,2021.

[28] 郭骐源,胡志刚,付东辽.上肢助力外骨骼研究综述[J/OL].机械传动:1-15[2022-10-30].http://kns.cnki.net/kcms/detail/41.1129.TH.20220719.1057.002.html

[29] Zhou, Yang.Electromyography(Emg) Signal Processing for Bionic Upper-Limb Exoskeleton Control[D].ProQuest Dissertations and Theses Full-text Search Platform,2021.

[30] 王珂,谭昕.基于外骨骼机器人的人机交互控制研究综述[J].机械工程师,2022(08):50-53+56.

[31] 颉翔宇,周利坤,司玉昌.军用动力外骨骼的发展现状及关键技术综述[J].兵工自动化,2022,41(10):14-20.

[32]  BOGUE, Robert. Exoskeletons: a review of recent progress. The Industrial Robot [online]. 2022, vol. 49, no. 5, s. 813-818. ISSN 0143991X.

[33] 张洋,谭昕.下肢外骨骼机器人的运动模式识别技术综述[J].机电工程技术,2022,51(04):20-24.

[34] KUBER, Pranav Madhav et al. A Systematic Review on Evaluation Strategies for Field Assessment of Upper-Body Industrial Exoskeletons: Current Practices and Future Trends. Annals of Biomedical Engineering [online]. 2022, vol. 50, no. 10, s. 1203-1231. ISSN 00906964.

[35] 张杰. 脑卒中瘫痪下肢外骨骼康复机器人的研究[D].浙江大学,2007.

[36] 牛彬. 可穿戴式的下肢步行外骨骼控制机理研究与实现[D].浙江大学,2006.

[37] 麻天照. 下肢外骨骼康复机器人控制系统设计与研究[D].电子科技大学,2015.

[38] Kong K, Jeon D. Fuzzy Control of a New Tendon- DrivenExoskeletal Power Assistive Device[C]. IEEE/Asme Interna-tional Conference on Advanced Intelligent Mechatronics.Proceedings. IEEE Xplore, 2005:146—151.

[39] 陈磊,黄文权,杨长牛,孙泽刚,刘郁葱.基于遗传模糊算法的康复机器人康复训练控制[J].计算机测量与控制,2013,21(11):3080-3082+3092.DOI:10.16526/j.cnki.11-4762/tp.2013.11.086.

[40] 周海涛. 下肢外骨骼康复机器人结构设计及控制方法研究[D].哈尔滨工业大学,2015.

[41] 张元春. 下肢外骨骼康复机器人助力模式控制策略研究[D].河北工业大学,2014.

[42] Lee K, Liu D, Perroud L, et al. A brain-controlled exoskel-eton with cascaded event-related desynchronization classifiers[J]. Robotics & Autonomous Systems, 2016, 90(C):15—23.

[43] 陈贵亮,李长鹏,赵月,刘更谦.下肢外骨骼康复机器人的动力学建模及神经网络辨识仿真[J].机械设计与制造,2013(11):197-200.DOI:10.19356/j.cnki.1001-3997.2013.11.059.

[44] 李根生,佀国宁,徐飞.下肢外骨骼机器人控制策略研究进展[J].中国康复医志,2018,33(12):1488-1494.