Whole-Body Motion Guided Reference Generation for Uncertainty-Aware Compliant Assistance
作者: Muyuan Ma, Long Cheng, Lijun Han, Haotian Zhai, Xinpan Meng, Xiuze Xia, Houcheng Li, Zeyu Liu
分类: cs.RO
发布日期: 2026-10-22
💡 一句话要点
提出双环路辅助策略以解决外骨骼可靠性问题
🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 外骨骼 运动轨迹生成 可变阻抗控制 人机协作 康复机器人 多模态融合 预测可靠性
📋 核心要点
- 现有外骨骼辅助技术在生成可靠的运动轨迹时面临人类运动模式多样性和交互需求变化的挑战。
- 论文提出的双环路辅助策略通过结合轨迹生成与可变阻抗控制，优化了外骨骼的运动辅助效果。
- 实验结果显示，该方法相比标准基线显著降低了肌肉激活水平和用户的代谢能量消耗。
📝 摘要（中文）
外骨骼在增强人类身体能力方面展现出巨大潜力，但由于人类运动模式和交互需求的多样性，生成可靠的辅助方案仍然具有挑战性。为此，本文提出了一种双环路辅助策略，将多模态外骨骼轨迹生成与可变阻抗控制相结合。该策略通过去噪生成未来的外骨骼轨迹，并利用全身人类运动和外骨骼本体感知作为主要输入，任务描述作为辅助语义线索。实验结果表明，该方法显著降低了肌肉激活水平，并减少了用户的代谢能量消耗。
🔬 方法详解
问题定义：本文旨在解决外骨骼在实际应用中生成可靠运动轨迹的难题，现有方法难以适应人类运动模式的多样性和交互需求的变化。
核心思路：提出一种双环路辅助策略，将多模态外骨骼轨迹生成与可变阻抗控制相结合，通过轨迹方差连接外环生成器和内环控制器，以提高辅助的可靠性和适应性。
技术框架：整体架构包括外环轨迹生成器和内环控制器。外环生成器通过去噪处理生成未来轨迹，内环控制器则根据生成的轨迹均值和方差进行控制。
关键创新：引入了三阶段训练管道，逐步优化人类运动编码器、外骨骼本体感知编码器和轨迹生成器，显著减少了跨模态表示的不匹配问题。
关键设计：在内环中，从生成器中采样多个未来轨迹以估计轨迹均值和方差，均值作为控制参考，方差用于预测可靠性的度量，并纳入刚度调节法则中。实验中采用了特定的损失函数和网络结构，以确保模型的稳定性和有效性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的方法在降低肌肉激活水平方面显著优于标准基线，用户的代谢能量消耗也相较于无辅助状态显著减少，验证了方法的有效性和实用性。
🎯 应用场景
该研究具有广泛的应用潜力，尤其在康复机器人、助力外骨骼和人机协作等领域。通过提高外骨骼的适应性和可靠性，可以显著改善用户的使用体验，推动智能辅助设备的普及与发展。
📄 摘要（原文）
Exoskeletons have shown great potential for augmenting human physical capabilities, yet generating reliable assistance remains challenging because human motion patterns and interaction requirements vary substantially in practice. To address this problem, a dual-loop assistance strategy is proposed to couple multimodal exoskeleton trajectory generation with variable admittance control, where trajectory variance links the outer-loop generator and the inner-loop controller. The generator synthesizes future exoskeleton trajectories through denoising, primarily using whole-body human motion and exoskeleton proprioception, with task descriptions as auxiliary semantic cues. To reduce cross-modal representation mismatch, a three-stage training pipeline is introduced to progressively optimize the human motion encoder, the exoskeleton proprioception encoder, and the trajectory generator. In the inner loop, multiple future trajectories are sampled from the generator to estimate the trajectory mean and variance. The mean is used as the control reference, while the variance provides an uncertainty measure for prediction reliability. This measure is further incorporated into a stiffness regulation law, enabling compliant assistance with input-to-state stability under bounded lumped interaction input. Experimental results demonstrate that the proposed method significantly reduces muscle activation levels compared with standard baselines, while also decreasing users' metabolic energy expenditure relative to the unassisted condition.