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IEEE Transactions on Cognitive and Developmental Systems发表题为 “AJaP: An Adaptive Network for Hip Joint Angle Prediction in Assistive Walking with Continual Learning” 的研究论文，首次提出仅依赖电机编码器的关节角度自适应预测框架。该研究通过神经网络及持续学习技术，实现了穿戴式机器人对使用者髋关节运动轨迹的高精度实时预测，为外骨骼设备的自然交互与稳定性控制提供了新范式。

    随着下肢外骨骼机器人在康复训练与运动辅助领域的广泛应用，精准预测人体关节运动意图成为提升人机协同性能的关键。传统方法主要依赖表面肌电信号（sEMG），但存在三大局限：

    1. 信号处理复杂：sEMG需繁琐预处理且易受皮肤状态干扰；

    2. 穿戴负担重：传感器贴附位置需精准定位，易引发使用者不适；

    3. 泛化能力弱：难以适应个体步态差异、地形变化及传感器漂移。

现有预测方法在真实场景部署时面临计算效率低、自适应能力不足等挑战，制约了可穿戴设备的实用化进程。

针对上述挑战，团队提出自适应关节角度预测器（AJaP），其创新框架包含两大核心技术：

    1. 多尺度-多跨度特征提取网络：提出MSS-Sampling算法，将历史关节角度序列分解为微观尺度（关节角速度/加速度）与宏观尺度（步态周期/运动模式）双层次特征；构建轻量化GRU融合模型，通过门控循环单元整合多尺度信息，实现未来50-200ms关节角度的高效预测

    2. 持续学习自适应机制（AJap）：引入抗遗忘优化策略，基于弹性权重固化（EWC）技术，在适配新用户时保留已有知识，避免模型灾难性遗忘；实现在线实时优化，在 1 分钟以内即可完成模型更新，在个体差异、地形切换场景下预测精度提升59.76%-64.77%。

    研究通过离线场景与真实世界实验来验证方法有效性：

    1. 离线数据集测试：在22名受试者跨速度行走数据中，所提出的角度预测神经网络在50ms/100ms/200ms预测的均方误差仅0.78°、1.58°、2.59°；

    2. 穿戴外骨骼实测：8名受试者在平地、斜坡、楼梯行走时，AJAaP将预测误差分别降低了59.76%、60.21%、64.77%，同时灾难性遗忘程度相较于重训练模型降低了70.18%、80.44%、115.49%。

本研究首次实现无肌电传感器的关节角度精准预测，突破传统方法对复杂生物信号的依赖，将：

    1. 推动人机自然交互：通过预测运动意图，使外骨骼主动适配使用者步态，提升助力平滑性；

    2. 增强场景适应性：融合持续学习机制，有效应对用户差异、地形突变等动态场景；

该方法已应用于团队研发的髋关节外骨骼系统，未来将拓展至全身协同控制与康复医疗领域，助力我国智能康复装备自主创新。