编辑推荐：
为解决下肢外骨骼机器人（LLEs）与步行辅助机器人协调控制难题，研究人员开展自适应协同运动规划（ACMP）研究。结果显示该方法在 0 - 0.8m/s 速度范围实现协同运动控制，误差小于 0.01m，提升了跟踪精度，对康复训练意义重大。
在康复医学领域，步态训练对于众多患有步态障碍的患者来说，是恢复身体机能的关键一环。想象一下，那些因脊髓损伤、中风或脑瘫而行动不便的患者，他们渴望重新自由行走，重拾正常生活。下肢外骨骼机器人（Lower Limb Exoskeletons，LLEs）的出现，就像是黑暗中的一丝曙光，为这些患者带来了希望。临床研究发现，借助 LLEs 进行重复性的步态训练，能够有效改善患者的多项身体机能，比如延长连续行走时间、提高行走速度、增强心肺功能、改善平衡能力以及促进步态恢复等。
然而，在康复训练的早期阶段，问题出现了。对于那些肌肉力量减弱的患者而言，仅仅依靠 LLEs 是不够的，他们在训练过程中很难保持平衡。这就好比一个摇摇欲坠的积木塔，少了关键的支撑就难以稳定。于是，移动步行辅助机器人登场了，它可以支撑患者的体重，帮助他们在训练时保持平衡。但新的挑战又接踵而至，由于 LLEs 和步行辅助机器人连接在一起，两者的协同控制变得极为困难。一旦两者运动不协调，患者就会受到拉扯或推力，导致行走姿势异常，这不仅影响训练效果，还可能对患者造成伤害。就像两个人一起跳舞，如果舞步不一致，就会乱了节奏，无法展现优美的舞姿。因此，如何让 LLEs 和步行辅助机器人协同工作，成为了亟待解决的难题。
为了攻克这一难题，来自 [未知研究机构] 的研究人员展开了深入研究。他们提出了一种全新的自适应协同运动规划（Adaptive Coordinated Motion Planning，ACMP）方法。经过一系列研究，他们发现该方法能够在较宽的速度范围（0 - 0.8m/s）内实现对 LLEs 和步行辅助机器人的协同运动控制，并且将重心（Center Of Mass，COM）的平均位移跟踪误差控制在 0.01m 以内。这一成果意义非凡，它意味着患者在使用 LLEs 进行康复训练时，能够更精准地模拟自然行走姿势，大大提高了康复训练的效果和安全性。该研究成果发表在《Engineering Applications of Artificial Intelligence》上，为康复医学领域带来了新的突破。
研究人员在开展这项研究时，主要运用了以下关键技术方法：首先，基于余弦定律提出了一种针对 LLEs 的步态模式生成方法，能够在空间域中根据期望的脚部位置生成膝盖伸展的关节角度。其次，利用小车 - 摆锤模型来描述人 - 外骨骼系统的动力学特性，并构建优化框架，将关节角度从空间域转换到时间域，从而实现不同步行速度下的自适应步态同步。最后，通过该方法可以控制步行辅助机器人，协调地辅助人 - 外骨骼系统进行垂直和水平位移。
下面来看具体的研究结果：
- 步态模式生成：研究人员提出的基于余弦定律的方法，成功为 LLEs 生成了具有期望脚部位置的膝盖伸展关节角度，满足了不同康复阶段患者对步态模式的特殊要求。这就像是为患者量身定制了一套个性化的行走方案，让他们的每一步都更加自然和舒适。
- 速度自适应优化：借助小车 - 摆锤模型和优化框架，研究人员实现了将关节角度从空间域到时间域的转换，使系统能够自适应不同的行走速度。无论患者是想慢慢行走，还是尝试加快步伐，系统都能迅速调整，保持稳定的运动状态。
- 协同控制：通过 ACMP 方法，步行辅助机器人能够有效地协助人 - 外骨骼系统进行垂直和水平位移，实现了两者的协同控制。这就好比是两个默契十足的伙伴，在患者的康复之路上携手同行，为患者提供最稳定的支持。
在研究结论和讨论部分，研究人员指出，ACMP 方法成功地解决了 LLEs 与步行辅助机器人的协同控制问题。与传统的非自适应辅助方式相比，该方法在跟踪精度上有了显著提升，提高幅度超过 92%。这一成果为下肢外骨骼机器人与步行辅助机器人的协同控制提供了有效的解决方案，为未来的康复训练设备研发和临床应用奠定了坚实的基础。它不仅有助于提高康复训练的效果，还可能推动整个康复医学领域的发展，让更多患者受益于先进的科技成果，重新拥抱自由行走的生活。
