外骨骼機器人要真正走進日常生活，最大的攔路虎是什么？

不是硬件成本，也不是控制算法，而是獲取高質量訓練數(shù)據(jù)的高昂成本。

一項佐治亞理工學院的研究團隊發(fā)表在國際頂級期刊《Science Robotics》的研究，試圖利用深度域適應框架解決這個痛點。據(jù)悉，他們提出的方法能夠將外骨骼專用標注數(shù)據(jù)的需求量減少95%，同時保持接近最優(yōu)模型的控制性能。

這項研究的核心創(chuàng)新在于：利用開源生物力學數(shù)據(jù)集，通過模擬傳感器作為"跳板域"，將無需外骨骼設備的人體運動數(shù)據(jù)轉換為可用于實際設備的訓練數(shù)據(jù)。

01.

數(shù)據(jù)獲取成本：外骨骼研發(fā)的最大痛點

要訓練一個基于深度學習的外骨骼控制器，研究人員通常需要在實驗室環(huán)境中收集大量數(shù)據(jù)。這個過程需要昂貴的動作捕捉系統(tǒng)、測力臺等專業(yè)設備，還需要受試者穿戴外骨骼執(zhí)行各種任務。

每次硬件迭代或傳感器調整，之前收集的數(shù)據(jù)容易作廢，需要重新收集。更麻煩的是，外骨骼必須在數(shù)據(jù)收集時就處于驅動狀態(tài)，因為輔助力會顯著改變使用者的生物力學特征。

研究團隊認為，傳統(tǒng)方法收集一個完整數(shù)據(jù)集需要數(shù)百小時的專業(yè)人力，這嚴重制約了外骨骼技術的發(fā)展速度。

為了解決這個問題，團隊提出了一個創(chuàng)新的框架：將人體生物力學建模領域的模擬傳感器作為通用域，用于聚合各種數(shù)據(jù)源。

這個框架的核心思路是利用三種不同成本級別的數(shù)據(jù)源：

最便宜的是開源生物力學數(shù)據(jù)（源域），這些數(shù)據(jù)不需要外骨骼設備，但包含了地面反作用力和關節(jié)力矩等標簽信息。通過OpenSim等生物力學建模軟件，可以模擬出虛擬的傳感器信號。

中等成本的是未標注的外骨骼數(shù)據(jù)（目標域），只需要讓受試者穿戴未驅動的外骨骼執(zhí)行各種任務，無需昂貴的實驗室設備。這些數(shù)據(jù)可以在任何環(huán)境中收集。

最昂貴的是帶標簽的外骨骼數(shù)據(jù)，需要在配備動捕系統(tǒng)和測力臺的實驗室中收集，但在新框架中，這類數(shù)據(jù)的需求被大幅減少。

02.

雙向域適應：讓模擬與現(xiàn)實無縫對接

研究團隊開發(fā)的核心技術是一個基于CycleGAN的雙向域適應網(wǎng)絡。這個網(wǎng)絡使用U-Net作為生成器骨干，能夠在模擬傳感器域和真實傳感器域之間進行雙向轉換。

網(wǎng)絡訓練采用了多個損失函數(shù)的組合優(yōu)化策略。除了標準的GAN損失確保生成數(shù)據(jù)的真實性，還引入了循環(huán)一致性損失，確保數(shù)據(jù)在兩個域之間轉換后能夠還原。對于半監(jiān)督情況，還加入了少量配對數(shù)據(jù)的監(jiān)督損失。

在離線測試中，研究團隊在8名新受試者執(zhí)行28項任務的數(shù)據(jù)上進行了驗證。結果顯示：

半監(jiān)督方法（僅使用4名參與者的4項任務作為標注數(shù)據(jù)）相比最優(yōu)模型，髖關節(jié)力矩估計誤差僅增加11.3%，膝關節(jié)增加20.3%。而不使用域適應的基線方法，誤差分別高達35.5%和45.3%。

完全無監(jiān)督方法（不使用任何標注的外骨骼數(shù)據(jù)）的表現(xiàn)同樣顯著，髖關節(jié)和膝關節(jié)的誤差增加控制在19.9%和44.4%，遠優(yōu)于基線方法的49.5%和60.3%。

這些模型能夠成功部署在實時控制系統(tǒng)中。研究團隊使用了一款自主研發(fā)的髖/膝外骨骼進行實機驗證，該設備配備了髖膝編碼器和大腿小腿IMU傳感器。

03.

實際應用驗證：代謝成本降低超10%

理論性能固然重要，但外骨骼的最終價值在于能否真正幫助使用者。研究團隊通過代謝成本測試驗證了新方法的實用性。

在舉重任務中，使用半監(jiān)督模型訓練的外骨骼控制器能夠降低12.5%的代謝成本，接近使用完整數(shù)據(jù)集訓練的最優(yōu)模型（14.4%）。即使是完全無監(jiān)督的模型，也實現(xiàn)了9.5%的代謝成本降低。

在5度斜坡行走任務中，半監(jiān)督模型實現(xiàn)了14.6%的代謝成本降低，與最優(yōu)模型的13.6%相當。無監(jiān)督模型同樣表現(xiàn)出色，降低了13.8%的代謝成本。

這些結果表明，即使大幅減少標注數(shù)據(jù)的使用，通過域適應技術訓練的控制器仍能提供有效的運動輔助。這種程度的代謝成本降低已經(jīng)達到了當前最先進控制器的水平。

研究團隊還對不同類型的任務進行了細分分析。在周期性任務（如行走、爬樓梯）、阻抗類任務（如舉重、深蹲）和非結構化任務（如轉彎、躲避障礙物）中，新方法都表現(xiàn)出了穩(wěn)定的性能。

此外，該框架不僅適用于關節(jié)力矩估計，研究團隊還成功將其應用于地面反作用力估計和活動分類任務，都取得了顯著的性能提升。

這項突破性研究展示了深度域適應技術在外骨骼控制領域的潛力。通過巧妙利用生物力學仿真作為"橋梁域"，研究團隊成功地將開源生物力學數(shù)據(jù)轉換為可用于特定設備的訓練數(shù)據(jù)。這不僅意味著研究人員可以大幅減少昂貴的實驗室數(shù)據(jù)采集工作，還為將外骨骼技術推向更廣泛研究人群提供了新思路。

論文鏈接：

https://www.science.org/doi/10.1126/scirobotics.ads8652