近日，哈尔滨工业大学（深圳）医工学院冷雨泉教授团队在机器人领域国际期刊 Biomimetic Intelligence and Robotics 上发表题为 “Joint Moment Estimation for Hip Exoskeleton Control: A Generalized Moment Feature Generation Method” 的研究论文，提出了一种具备个体泛化能力的髋关节力矩估计方法。该研究基于编码器采集的关节运动数据，构建了广义力矩特征生成与估计框架，实现了对新用户髋关节力矩的实时、精确估计，为穿戴式外骨骼提供更高效的助力控制方式，助力其向个性化、自适应方向发展。

    髋关节在行走中提供了下肢40%以上的正功输出，是实现步态助力的关键部位。外骨骼设备可有效降低能耗、减轻肌肉负担，尤其适用于负重作业人员、老年人以及步态障碍患者。然而，在不同用户间，由于体型、生理结构及行走习惯差异，传统基于通用模型的力矩估计方法难以兼顾准确性与适应性，影响助力控制的效果和稳定性。

    尤其是在无需复杂测量设备的实际应用中，仅依赖编码器等轻量级传感器进行即刻力矩估计，既需考虑预测精度，也需保证系统响应的实时性与通用性，成为当前外骨骼控制系统设计中的关键挑战。

针对上述问题，该研究提出了一种基于广义力矩特征（Generalized Moment Feature, GMF）的力矩估计框架，结合神经网络表示学习、序列建模与个体特征融合，实现了多用户、多步速条件下的力矩高效估计与自适应控制。

该方法包括三大模块：

• 广义力矩特征生成器：以用户身高、体重与真实力矩为输入，生成具备个体无关性的隐空间特征，用于增强估计模型的泛化能力；

• GRU快速估计器：利用编码器采集的关节角、角速度等运动学数据，预测当前时刻的广义力矩特征；

• 特征解码器：将预测出的GMF结合个体参数解码为实际力矩值，实现对髋关节即刻力矩的个性化还原。

    研究在包含20名健康个体、覆盖28种行走速度的大规模公开数据集上进行了验证。结果表明，该方法在新用户上的平均估计误差为 0.1180 Nm/kg，相比无个体参数输入模型降低了 6.5%。

    进一步，将该方法部署于自主研发的髋关节外骨骼系统，并开展实地助力实验。实验结果显示，相较于未助力状态，使用该方法的控制器可使使用者的净代谢率降低 10.5%，展现出明显的生理助力效果与实用性。

    本研究首次系统提出了广义力矩特征生成与解码机制，在保持模型结构轻量、输入传感简单的前提下，实现了对个体差异的建模与消融，为多用户下髋关节力矩估计提供了全新思路。该方法不仅在估计精度与计算效率上达成良好平衡，更具备在编码器等嵌入式系统上的可部署性，适配多种穿戴式设备的控制需求。

    研究成果为实现更加智能、高效的个性化外骨骼助力控制奠定了理论与工程基础，也为未来多场景、多群体的人机协同系统提供了重要技术支撑。