ExoLaN: Physics-Consistent Context-Aware Dynamics Learning for Exoskeletons
作者: Lucas Schulze, Maximilian Schwarz, Jona Hoppe, Jan Peters, Oleg Arenz
分类: cs.RO, eess.SY
发布日期: 2026-09-25
💡 一句话要点
提出ExoLaN以解决外骨骼控制中的人机交互问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)
关键词: 外骨骼 人机交互 动态学习 物理一致性 任务无关控制 深度学习 康复技术
📋 核心要点
- 现有方法无法在不重新训练的情况下适应特定用户，并且未考虑运动过程中的间歇性接触，限制了外骨骼的灵活性。
- ExoLaN通过结合时间上下文和接触力测量，学习人机交互的完整耦合动力学，提供任务无关的辅助控制。
- 在七个未见用户和21个未见任务的实验中，ExoLaN显著降低了扭矩估计和加速度的均方误差，展示了其优越性能。
📝 摘要（中文）
基于人类意图的任务无关辅助外骨骼控制相比于依赖预定义任务或运动模式的传统方法提供了更大的灵活性。人类关节扭矩估计能够通过表征用户动作实现任务无关的辅助。现有的物理一致性方法如深度拉格朗日网络（DeLaN）在多用户设置中应用，但无法在不重新训练的情况下适应特定用户，并且未考虑在运动过程中的间歇性接触。我们提出了ExoLaN，一种上下文感知的DeLaN，用于人机外骨骼交互，能够学习完整的耦合系统动力学并适应交互上下文的变化。ExoLaN结合了时间上下文和来自力敏感鞋垫的部分接触力测量，以推断潜在的动力学嵌入并估计广义接触扭矩。在七个未见用户执行21个未见任务的实验中，ExoLaN相比于黑箱基线降低了扭矩估计均方误差（MSE）7%。
🔬 方法详解
问题定义：本论文旨在解决现有外骨骼控制方法在用户适应性和运动接触处理方面的不足。现有方法无法在不重新训练的情况下适应特定用户，并且未考虑运动过程中的间歇性接触，导致控制灵活性不足。
核心思路：论文提出的ExoLaN通过结合时间上下文信息和来自力敏感鞋垫的接触力测量，能够学习人机交互的完整耦合动力学，从而实现任务无关的辅助控制。该方法能够适应不同用户的动态变化，提升了外骨骼的适应性和灵活性。
技术框架：ExoLaN的整体架构包括数据采集模块（使用力敏感鞋垫）、动态学习模块（基于Deep Lagrangian Networks）和预测模块（用于加速度和位置预测）。通过这些模块的协同工作，ExoLaN能够实时推断用户的意图并进行相应的控制。
关键创新：ExoLaN的主要创新在于其上下文感知能力，能够在没有明确任务标签的情况下捕捉任务信息，并通过学习潜在的动力学嵌入来提高控制精度。这一方法与传统的黑箱模型相比，具有更好的适应性和准确性。
关键设计：在模型训练中，ExoLaN采用了多步预测损失函数，以减少加速度的均方误差（MSE）和长时间位置、速度的预测误差。此外，模型结构设计上考虑了时间序列数据的处理，确保了对动态变化的有效捕捉。
🖼️ 关键图片
📊 实验亮点
在实验中，ExoLaN在七个未见用户执行21个未见任务时，扭矩估计的均方误差（MSE）降低了7%。此外，采用多步预测损失的训练方法，使得加速度的MSE降低了59%，长时间位置和速度的预测误差分别降低了60%和93%。
🎯 应用场景
ExoLaN的研究成果在辅助外骨骼控制领域具有广泛的应用潜力，能够为不同用户提供个性化的运动辅助，提升康复训练和日常生活中的辅助效果。未来，该技术还可能扩展到其他人机交互系统中，推动智能穿戴设备的发展。
📄 摘要（原文）
Task-agnostic assistive exoskeleton control based on human intention offers greater flexibility than conventional approaches that rely on predefined tasks or motion patterns. Human joint torque estimation enables task-agnostic assistance by characterizing user actions. Physics-consistent methods such as Deep Lagrangian Networks (DeLaN) have been applied to estimate the human torques in multi-user settings, but existing approaches cannot adapt to a specific user without retraining, and do not account for intermittent contacts during locomotion. We propose ExoLaN, a Context-Aware DeLaN for human-exoskeleton interaction that learns the full coupled system dynamics while adapting to changes in interaction context. ExoLaN combines temporal context with partial contact-force measurements from force-sensitive insoles to infer latent dynamics embeddings and estimate generalized contact torques. On seven unseen users performing 21 unseen tasks, ExoLaN reduces torque estimation MSE by 7% compared to a black-box baseline. Beyond inverse dynamics, ExoLaN serves as a unified model that also enables accurate forward prediction: training with a multi-step prediction loss reduces acceleration MSE by 59% and long-horizon position and velocity errors by 60% and 93%, respectively, compared with a single-step loss. Moreover, the learned latent context captures task information without explicit task labels, making it a promising signal for task-aware assistive control.