Human-Exoskeleton Interaction Portrait

这项研究介绍了一种新的方法来通过分析肌肉活动和交互扭矩作为二维随机变量来评估下肢外骨骼中人机共适应性。我们引入了交互画像（IP），它在极坐标下可视化了这个变量的分布。我们将该指标应用于比较一种基于运动状态反馈的最新扭矩控制器（HTC）和一种新的前馈控制器（AMTC）与在线学习，后者在此提出，与一种基于时间的控制器（TBC）在不同速度下的跑步机行走中进行比较。与TBC相比，HTC和AMTC都显著降低了用户的标准氧气摄取量，表明增强了用户-外骨骼的协调。IP分析揭示了这种改进源于两种不同的共适应策略，仅通过传统的肌肉活动或交互扭矩分析无法识别。HTC鼓励用户将控制权交给外骨骼，减少肌肉力量的使用，但增加了交互扭矩，因为外骨骼补偿了用户的动态。相反，AMTC通过增加肌肉力量和减少交互扭矩来促进用户参与，使其更符合康复和步态训练应用。IP相位演变提供了每个用户交互策略发展的见解，展示了IP分析在比较和设计新控制器以优化穿戴式机器人中的人机交互方面的潜力。

本论文旨在通过分析肌肉活动和交互力矩作为二维随机变量来评估下肢外骨骼的人机协同适应性。研究旨在比较三种不同的控制器在不同速度下的跑步时的效果，以提高用户与外骨骼的协调性。

论文提出了交互画像（IP）的概念，将肌肉活动和交互力矩作为二维随机变量可视化。研究发现，HTC和AMTC控制器相比于传统的TBC控制器可以显著降低用户的氧气摄取量，从而提高用户与外骨骼的协调性。IP分析揭示了这种改进源于两种不同的协同适应策略，这些策略无法仅通过传统的肌肉活动或交互力矩分析来确定。

论文设计了实验来比较不同控制器的效果，并使用交互画像（IP）对协同适应策略进行了可视化。研究发现，HTC和AMTC控制器可以显著降低用户的氧气摄取量，从而提高用户与外骨骼的协调性。此外，HTC和AMTC控制器采用不同的协同适应策略，这些策略可以通过IP分析进行可视化。

近期的相关研究主要关注外骨骼的控制和人机协同适应性。其中一些研究包括：《基于虚拟现实的下肢外骨骼康复训练系统》、《基于人机协同的下肢外骨骼控制策略研究》、《基于神经网络的下肢外骨骼控制方法研究》等。