腰部助力外骨骼系统控制算法综述

腰部助力外骨骼系统控制算法综述

谭杨靖，李新竹，柏林，,杜沛泽，周鹏俊

（南京理工大学机械工程学院 南京 210014）

摘要：腰部助力外骨骼是一种辅助人体腰背部发力，从而减轻人体的腰部负担的机器人。腰部助力外骨骼通过处理传感器感知的人体信号，经过控制算法实现助力效果。本文首先总结了腰部助力外骨骼在国内外的研究现状，其次将腰部助力外骨骼系统的控制策略按照控制的信号不同进行了分类并分别对不同外骨骼的控制策略的定义以及优势和应用展开了详细描述，最后对腰部穿戴式助力外骨骼的发展前景与待解决的问题进行了展望与总结。希望给与研究人员在外骨骼控制领域的灵感，促进我国在外骨骼领域的发展。

关键词：腰部外骨骼，控制策略，穿戴式

0引言

现代社会，腰痛已经是人类常见的职业病之一，常表现为背部肋骨下缘以下部分的疼痛。看护人员、快递员与搬运等职业人员在工作中腰部受力频繁，负荷较大，易出现脊柱与腰椎损伤。在军事领域中，火炮装填手在装填炮弹时腰部也会受到极大的负荷[1]。腰部助力外骨骼机器人作为将人类智慧与机械装置结合的辅助人体搬运的穿戴式外骨骼机器人[2]受到了广泛关注。

腰部助力外骨骼与普通搬运机器人的区别之处就是它能够将人的运动意图和决策方案与机械结构融合，这也是外骨骼控制技术的关键之处。基于不同目的和作用对象，外骨骼机器人通过采用不同控制策略，并利用信息采集模块实时监测穿戴者运动信息及人机交互信息，以保证运动的正确性和穿戴者的适宜性。同时，通过对外骨骼进行精确控制可以有效避免对患者造成二次伤害，因此开展外骨骼机器人控制策略的研究具有重要的实际应用价值。现有的腰部助力外骨骼人机交互控制技术多采用人体躯干的运动感知技术，包括感知人体弯腰过程中的力信号、肌电信号等，通过传感器感知人的运动意图来实施助力，也可以通过大量实验，从已有的信号中利用神经网络等算法预测人的运动意图，从而追踪人体腰部运动，完成助力。未来研究的热点方向是利用脑电信号控制外骨骼，在无需人体运动的情况下就能通过大脑中的控制信号完成运动。

本文系统回顾了腰部助力外骨骼机器人在国内外的研究发展现状，并且概括归纳了该机器人系统的控制策略，特别关注了基于力信号的交互控制、基于表面肌电信号的控制以及基于位置的控制等控制方法，还对腰部助力外骨骼的未来发展进行了展望。

1背景

腰部助力外骨骼技术最早是为在军事领域进行应用，随着该技术的不断成熟发展，用于康复、助力等医疗领域的研究逐渐成为了热门的研究方向。在该领域方面美国和日本是最先展开研究的，并在该技术上积累了丰富的经验，使得该项技术成功的实现了商业化，生产出大批量的外骨骼助力穿戴设备；该技术在我国的各大高效和科研单位也得到了研究。

国外较为成熟的腰部助力外骨骼控制技术多来源于日本韩国以及美国等西方国家。他们在腰部助力外骨骼的研究方面起步较早，技术先进。例如，早在2004年日本北海道大学的Satoshi Kawai[3]等人就将腰部表面的肌电信号sEMG(urface Electromyography)作为控制信号，并且利用肌电信号进行人体的运动意图识别，从而让外骨骼可以自动跟随人体运动。2011年日本工学院大学的Nakakuki T等人[4]提出的腰椎外骨骼（Waist Power Assist Suit, WPAS）在处理腰部肌电信号时做出了改进，具有运动识别功能，并且根据不同类别的运动对外骨骼进行控制。而在2013年，Muramatsu Y[5]等人研发出的腰椎助力外骨骼可以利用腰部肌电信号来获取人体腰部运动意图，将从腰部获取的肌电信号经处理后转化为人体的运动意图信号作为腰椎外骨骼的控制输入。这种人机交互控制的方法也让腰部外骨骼的控制更加灵活。应用较多的腰部助力外骨骼控制方法还包括基于穿戴者的腰部位置进行控制。这种控制方法是基于位置的信息进行控制，这种控制方法相比于之前的肌电信号更加直接，并且信号处理更便捷。2005年，Rosales Ⅰ[6]等人研发的腰椎外骨骼利用姿态传感器感知人体弯腰的角度，根据弯腰角度的大小给与助力。2017年，德国海德堡大学的Manns P[7]等人提出的腰背部外骨骼，同样基于外骨骼穿戴过程中姿态传感器感知的人体关节的角度变化予以控制。这种基于位置的控制方法也可以用于预测人体的运动意图，例如在2018年Long Y[8]等人提出的H-WEX 腰椎外骨骼在原有的基于姿态传感器感知关节角度信号的基础上，利用了线性回归算法对传感器数据进行学习，从而达到了跟踪控制的目的。这种方法通过位置信号对人体的运动意图进行预测并控制外骨骼运动。

我国在腰部助力外骨骼研究方面起步较晚，研究相对滞后。但是，随着大家对于这一研究领域的重视程度不断增加，各大学以及研究所取得了很多成果。2013年，中国科技大学的罗自国等人[9]，为降低弯腰工作时腰背紊乱的风险，设计出了可穿戴式弯腰辅助装置（WSAD），该外骨骼利用位置信号进行控制，当该外骨骼通过设定人体弯腰到一定角度并保持不变后，通过角度传感器感知到对应的工作角度后外骨骼才能开始助力。这种控制方法虽然不够灵活，但是代表着我国的腰部外骨骼控制方面取得了突破。2014年,大连理工大学吴海帆副教授团队

[10]研发出一种气动自平衡式可穿戴搬运助力机器人，利用传感器感知气缸内的压力，并且通过台式机将目标的压力值输入从而控制助力大小，该控制系统简单便于操控。2022年南京理工大学[11]研制了一种人机运动相容的腰部助力外骨骼机器人如图1所示，提出的绳驱动超冗余混联机构使得外骨骼自适应于人体躯干变形。我国一些军事性研究所也开展了外骨骼助力装置的相关研究。例如，南京军区总医院博士后工作站曾研制过一款“单兵负重辅助外骨骼”。该外骨骼在腰部、膝盖和小腿等位置设置了传感器，通过这些位置的信息反馈来判断运动方式并控制电机提供一定的助力性能。国内的腰部外骨骼多应用于军事以及医疗领域，在腰部外骨骼控制方面的研究与国外相比还有很大的研究空间，大部分研究还在理论阶段，未能真正取得应用。

图1.南京理工大学外骨骼穿戴图

2控制方法

腰部助力外骨骼机器人要想达到预计的助力效果，就必须采用相应的控制系统来完成控制目标。穿戴外骨骼时，人也参与的控制作用，因此穿戴者与外骨骼之间的交互控制作用非常重要。根据控制参数的不同，外骨骼控制类型可分为基于位置的控制、基于力信息的人机交互控制、基于生物电信号的人机交互控制和智能控制。其中，基于位置的控制策略可分为轨迹跟踪控制、骨盆控制；基于力信息的人机交互控制策略可分为阻抗控制、力/位混合控制、灵敏度放大控制、零力矩点控制、地面反作用力控制；基于生物电信号的人机交互控制策略可分为肌电控制、脑电控制；智能控制策略分为模糊控制、神经网络控制。

考虑到目前腰部助力外骨骼控制策略的应用情况，本文重点介绍了基于力信号的交互控制中的力位混合控制以及阻抗控制、基于生物电信号的人机交互控制中的表面肌电信号的控制和脑电控制、基于位置的轨迹跟踪控制这三种控制方法。

2.1基于力信号的交互控制

在基于力信号的交互控制中，力信号具体是指由于肢体肌肉收缩而产生的作用于机械结构的力，即所谓的交互力。它可以通过巧妙地机械结构设计,由力/力矩传感器直接测量，也可以通过人机混合系统的动力学模型进行估计。将力/力矩传感器得到的力/力矩直接用于表示人机交互作用，最常见的控制方法是阻抗控制和力位混合控制。

2.1.1阻抗控制

阻抗控制本质上是通过调节外骨骼的位置与人机交互力之间的动态关系来实现外骨骼的控制[12]，这个动态关系式（1）为其阻抗模型。

      （1）

其中，f表示人与外骨骼间的交互力矢量，表示外骨骼控制参考输入位置、速度和加速度，x、、表示外骨骼输出位置、速度和加速度，分别表示刚性系数、阻尼系数和惯性系数矩阵。从上式中可以看出阻抗控制可以通过位置修正。

阻抗控制是对力与位置间的关系进行控制，并不是分别对力和位置进行控制，采用阻抗控制的腰部助力外骨骼较少。文献[13]中，基于柔性气压驱动器的可穿戴式腰部助力机器人，通过检测人体上肢肢体重力矩（包括头、上臂、上半身躯干肢体）和所提重物重力矩，采用阻抗控制，控制气动肌肉驱动器实现收缩拉伸，从而达到助力效果。文献[14]中设计的腰椎外骨骼有两种工作模式，在走路模式中为了减小腰椎外骨骼对人体的阻碍则是采用了自适应阻抗控制来实现零阻抗模式。利用阻抗控制的系统需要实时检测外骨骼位置与力的信号变化，需要多种传感器综合检测，并且对系统的响应频率有较高的要求，因此应用并不广泛。

2.1.2力位混合控制

  力位混合控制:是指对机器人的力和位置分别控制,实现对期望位置和期望力的控制，其原理如图2所示。

图2.力位混合控制原理

由原理图可知，力位混合控制中包含位置控制闭环和力控制闭环，需要实时监测机器人的力和位置的变化情况。要想知道机器人的力变化情况，需要准确了解机器人与外界环境间的动力学模型，当建模准确时才能精确检测出机器人的力信号。这种控制方法还需要大量的传感器来感知相关信号，并且对信号进行一系列的处理，才能达到预期的控制效果。

力位混合的控制方法相比于阻抗控制，应用相对较多，因为这种控制方法虽然需要大量的传感器与精准的力学模型，但这种控制方法可以直接对外骨骼的位置和助力大小进行控制，这种控制方式更加直接。文献[15]中的个人提升增强装置（PLAD）在控制过程中采用了力位混合控制方法。该装置可以实时监测PLAD的弹性带的角度，从而计算出施加在腰关节盘上的PLAD拉伸力矩。通过控制施加在腰部的力矩，来达到助力拉伸效果。同时通过检测弹性带相对角度来控制两条弹性带的拉力是否平均。文献[16]中的外骨骼助力搬运机器人采用了力位混合控制。该搬运外骨骼机器人的力控制方式，主要作用于外骨骼机器人的步态运动过程中，通过安装在外骨骼脚上的压力传感器，测量在步态运动时人体脚与外骨骼脚之间的压力变化，通过控制外骨骼脚与人体脚之间的约束力，使其可以稳定在期望值附近，以达到对外骨骼机器人控制的目的。该外骨骼机器人的位置控制目标为使外骨骼机器人的运动关节的角度与人体运动关节角度的角度差尽量较小，以达到目标关节角度。

2.2基于生物电信号的控制

基于生物电信号的控制是指通过对人体运动时或准备运动时身体产生的电信号进行特征提取，预测人体运动模式。该控制方式可以准确、迅速地驱动外骨骼跟随人体运动,解决了系统的滞后性这一问题。常用的生物电信号有肌电信号(electromyography，EMG)和脑电信号(electroenceph-alography，EEG)。相比于力信号，EMG和EEG通过传感器检测，信号的获取较为简单，安全性较高。

2.2.1基于表面肌电信号的控制

肌电信号是指由骨骼肌产生的电活动，根据不同的测量方式，它主要分为sEMG和iEMG(Intramuscular EMG)。人体表面肌电信号（sEMG）是指肌肉收缩期间，肌肉去极化以及引起肌肉去极化的神经脉冲所产生的电信号，它能够很好地反映出肌肉的运动。sEMG信号获取简便，不需要复杂的机械机构设计，并且可以细致的监测和控制特定肌肉群的活动程度。经过特征提取的sEMG信号，可以用于预测人体的运动意图。

目前在腰部外骨骼中的研究当中，选取肌电信号进行腰部运动识别的系统较多。例如，文献[17]中的腰部动力辅助服。该辅助服的运动识别基于左右竖脊肌的表面肌电图（sEMG），用于区分四种腰部运动。并通过使用四个支持向量机实现运动分类，其中每个支持向量机是四个运动中每一个的二元分类器。通过使用滤波器处理信号，估计运动的起点，计算特征向量。在文献[18]中也针对腰背部支撑外骨骼，提出了一种基于表面肌电信号的混合控制策略。穿戴者前臂的臂带中集成了八对干电极，通过表面肌电图（sEMG）记录前臂肌肉的活动，这些肌肉在牵引任务期间是活跃的。臂带本身上对sEMG信号进行预处理（滤波和整流）。然后，出于控制目的，外骨骼车载计算机将八个信号相加，以计算前臂肌肉的整体活动。该经处理的信号被认为是握力的指示，外骨骼根据该信号调节扭矩。在文献[19]中，作者将搬运过程中主要发力肌群（肱二头肌）作为主要测量部位，对其皮肤表面进行sEMG信号采集，分析搬运过程中肱二头肌的表面肌电信号变化，获取搬运过程中搬运工人肌肉疲劳变化信息。最后基于仿真实验的疲劳模型需求，依据模拟搬运获取的sEMG信号对不同负重情况下各个搬运阶段的搬运工人疲劳情况进行建模，得到搬运工人在完整搬运过程中的搬运疲劳模型。从而进行人体运动疲劳识别，在检测到人体肌肉疲劳时进行助力。

肌电信号可以灵敏地采集穿戴者的肌肉信号，并且采集到的这些信号可以直观地反应穿戴者的运动意图甚至用力的大小。这种基于肌电信号的控制方法不仅可以用于外骨骼助力过程中的信号感知输入，还可以用于检测外骨骼是否成功实现助力效果。但肌电信号没有力信号稳定，很容易受到皮肤表面出汗等因素的影响。

2.2.2脑电控制

对于肌肉萎缩严重的患者来说，肌电信号采集是比较困难的，所以运用脑电信号可能是一个比较好的替代方法。脑电信号可以直接反应患者的主观运动意图，且实时性强，可以更为快速地识别运动意图。脑电信号（EEG）是大脑神经元间离子流动造成的电压波动，利用EEG可以控制外骨骼，原理图如图3所示。

图3.脑电控制原理

利用脑电信号交互控制技术关键是设计有效的脑机接口(Brain Computer Interface,BCI)。脑机接口是指人脑神经与外部设备间建立的直接连接通路，是一种人脑神经思维信息与外部设备进行信息交互和功能整合的技术。脑机接口为开发一种利用大脑信号控制的新交流机制提供了机会，其可以不依赖于外周神经-肌肉系统来实现直接的意图表达或控制操作，这种技术对那些运动障碍的人非常有帮助[20]。根据功能,脑机接口可分为：（1）只能单向获得大脑的信息；（2）只能向大脑单向输入信息；（3）能够与大脑双向交流信息。目前，关于脑机接口技术的应用研究主要集中在只能单向获得大脑信息的脑机接口技术[21]。

当前采用脑电信号控制的外骨骼多用于康复医疗领域，且外骨骼多为上肢或下肢。例如，文献[22]中设计了多模式的下肢外骨骼机器人，并且自主开发了集脑电意图在线识别与下肢控制一体的下肢外骨骼机器人脑电控制系统。文献[23]设计了一款利用脑电信号控制的上肢外骨骼且机器人，该外骨骼将识别出的脑电信号转化为在任务空间的运动轨迹。

脑电控制的优势在于其不受限于身体的残疾程度，只要大脑可以产生控制信号就可以采取这种控制方式。但是如果患者的大脑产生损伤，这种控制方法就不能采用。并且运动控制信号的脑电信号容易受到其他生物信号的影响，采集信号的过程中需要患者精神高度集中，因此这种信号的采集和特征提取都比肌电信号困难。

目前，针对腰部助力外骨骼进行脑电信号控制的成果并不多。而近年来，基于脑电信号的机器人交互控制研究主要集中在离线的分类识别和回归分析，只是说明了基于脑电信号进行康复机器人交互控制的广泛应用前景，但是要想达到实际应用的程度，还有一定的距离。

2.3基于位置的控制

基于位置的腰椎外骨骼控制是用于控制外骨骼跟踪给定的期望运动轨迹，主要用于被动模式中。基于腰椎外骨骼系统的非线性特性，学者们基于其提出了很多非线性控制方法。比如变结构滑模控制,其鲁棒性较强,在一定程度上能够抑制参数和扰动变化，但是它的不连续性也会导致容易产生抖振。被动性助力系统目前应用于医疗领域，针对肢体行动受损的患者作为康复训练使用。如腰部康复系统训练中，患者腰部处在放松状态，机械结构带动腰部严格按照目标轨迹以恒定速度运动。为了保持设定的运动速度，电机输出力矩要超过限定的最大值时，允许机械结构停止运动，避免拉伤腰部，保证腰部的安全。即按照被控部位的既定运动规律来带动其运动。

基于位置的控制方式因其能够按照预计的轨迹进行运动，常常被用于康复训练腰部外骨骼中。文献[24]中针对严重下腰痛患者设计一种康复训练式腰椎外骨骼，即采用被动控制模式。该文中设计的并联机构腰椎外骨骼通过四根推杆的协同作用实现对腰部三个自由度的运动辅助，当给定腰部运动轨迹时，通过逆运动学得到四根推杆各自的轨迹变化，因此推杆的运动控制是进行腰椎外骨骼控制的核心，通过对推杆的长度变化控制从而跟踪腰椎外骨骼的期望轨迹。使得外骨骼可以跟踪期望的运动轨迹。文献[25]中，搬运外骨骼采用了位置控制策略，以绳索伸出长度为控制对象。该策略通过调整绳索的目标阻抗位置来动态控制外骨骼的助力程度。例如，当两侧手套输入搬起信号时，外骨骼会缩短绳索的目标阻抗长度，如果实际的绳索长度要长于目标阻抗长度,则外骨骼会根据两者的长度差异计算出相应的助力力矩，从而通过电机完成助力。文献[26]设计了一款智能腰椎外骨骼，该外骨骼可以实现在不同模式下的助力效果。在设定值为角度时，姿态传感器通过感知穿戴者在不同模式下的执行角度，将数据反馈给控制器。控制器将实际角度与目标角度比较后进一步减小误差，使外骨骼按照设定的要求运动。

上述基于位置控制的腰部助力外骨骼能够作为医疗康复器械帮助患者进行康复运动，但是这种控制方法只能按照设定的轨迹运动，不够灵活，并且需要对人体关节的运动轨迹有精确的规划。除了被动模式外，基于位置的控制方法也能够被用于追踪人体运动意图，在检测人体运动参数的同时完成意图识别，并按照人体运动意图进行控制。

3总结与展望

本文针对腰部助力外骨骼机器人的研究，介绍了国内外腰部助力外骨骼研究现状，并且总结了腰部助力外骨骼的控制策略，重点介绍了基于力信号的交互控制、基于生物电信号的控制以及基于位置的控制这三类控制方法。则三类方法各有优劣，力信号是对患者主动运动意图较为直接的反映，因此基于力信号的交互控制相对可靠稳定，但该信号的获取需要依托机械结构，所以没有生物医学信号检测灵活。基于生物电信号的交互控制方式，信号获取较为间单，可以对人体运动意图进行预判，但难以提取出可以判断人体运动意图的信号特征。并且这种控制方法受外界因素影响较大。而基于位置的控制方法多用于医疗设备，帮助腰部患者按照预定的轨迹进行康复运动。基于位置的控制方法也有很多智能控制策略，包括神经网络控制、模糊控制等等。

当前腰部助力外骨骼的控制技术关键在于人体运动意图感知与人体协同控制。合理的选取所需的感知信号，并且处理获得的控制信号，利用处理后的信号预测人体的运动意图。而传感器数据的检测与识别，数字信号处理以及意图预测算法在人机协同控制中都能产生很大的影响。

参考文献

1.陈寿齐，焦长君．单兵腰部助力装置结构设计与运动仿真分析［J］．四川兵工学报，2013．( 12) : 17-23．

2.肖恬恬,果金龙.腰部助力型外骨骼研究现状分析[J].科技风,2020(11):215.DOI:10.19392/j.cnki.1671-7341.202011185.

3.Kawai S, Naruse K, Yokoi H, et al. An analysis of human motion for control of a wearable power assist system[J]. JOURNAL OF ROBOTICS AND MECHATRONICS., 2004, 16: 237-244.

4.Kashiwagi K, Nakakuki T, Ishii C. Discrimination of waist motions based on surface EMG for waist power assist suit using support vector machine[C]//2011 50th IEEE Conference on Decision and Control and European Control Conference. IEEE, 2011: 3204-3209.

5.Muramatsu Y, Umehara H, Kobayashi H. Improvement and quantitative performance estimation of the back support muscle suit[C]//2013 35th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). IEEE, 2013: 2844-2849.

6.Rosales I, Lopez R, Aguilar H, et al. Pneumatic assistant of one degree of freedom for lifting[C]//2015 19th International Conference on System Theory, Control and Computing (ICSTCC). IEEE, 2015: 249-254.

7.Manns P, Sreenivasa M, Millard M, et al. Motion optimization and parameter identification for a human and lower back exoskeleton model[J]. IEEE Robotics and Automation Letters, 2017, 2(3): 1564-1570.

8.Long Y, Du Z, Wang W, et al. Human motion intent learning based motion assistance control for a wearable exoskeleton[J]. Robotics and Computer-Integrated Manufacturing, 2018, 49: 317-327.

9.Luo Z, Yu Y. Wearable stooping-assist device in reducing risk of low back disorders during stooped work[C]//2013 IEEE international conference on mechatronics and automation. IEEE, 2013: 230-236.

10.吴海帆,张宪,周桢,王营,郑伟昌.气动自平衡式可穿戴搬运助力机器人的开发[J].机械制造与自动化,2017,46(01):153-155.DOI:10.19344/j.cnki.issn1671-5276.2017.01.041.

11.X. Yang, P. Zhou, Y. Sun, B. Chen, H. Wu, Y. Wang, Kinematic Compatible Design and Analysis of a Back Exoskeleton via a Hyper Redundant Hybrid Mechanism, IEEE Robotics and Automation Letters, (2022), DOI: 10.1109/LRA.2022.3199035.

12.Li Z, Huang Z, He W, et al. Adaptive impedance control for an upper limb robotic exoskeleton using biological signals[J]. IEEE Transactions on Industrial Electronics, 2016, 64(2): 1664-1674.

13.李向攀,韩建海,郭冰菁,张彦斌,赵菲菲,则次俊郎.基于柔性气压驱动器的可穿戴式腰部助力机器人研究[J].自动化学报,2016,42(12):1849-1858.DOI:10.16383/j.aas.2016.c160211.

14.Li Z, Huang Z, He W, et al. Adaptive impedance control for an upper limb robotic exoskeleton using biological signals[J]. IEEE Transactions on Industrial Electronics, 2016, 64(2): 1664-1674.

15.Abdoli-Eramaki M, Stevenson J M, Reid S A, et al. Mathematical and empirical proof of principle for an on-body personal lift augmentation device (PLAD)[J]. Journal of biomechanics, 2007, 40(8): 1694-1700.

16.高坤. 外骨骼助力搬运机器人的结构设计与仿真分析[D].江苏大学,2018.

17.Kashiwagi K, Nakakuki T, Ishii C. Discrimination of waist motions based on surface EMG for waist power assist suit using support vector machine[C]//2011 50th IEEE Conference on Decision and Control and European Control Conference. IEEE, 2011: 3204-3209.

18.Lazzaroni M, Poliero T, Sposito M, et al. Back-Support Exoskeleton Control Strategy for Pulling Activities: Design and Preliminary Evaluation[J]. Designs, 2021, 5(3): 39.

19.莫佳. 外骨骼助力搬运系统的助力与移动速度控制研究[D].合肥工业大学,2021.DOI:10.27101/d.cnki.ghfgu.2021.001072.

20.范晨雨,谢鸿宇,吴毅.早期康复训练促进脑卒中神经重塑机制的研究进展[J].中国康复医学杂志,2020,35(11):1377-1380.

21.葛松,徐晶晶,赖舜男,杨娜娜,林衍旎,许胜勇.脑机接口：现状，问题与展望[J].生物化学与生物物理进展,2020,47(12):1227-1249.DOI:10.16476/j.pibb.2020.0072.

22.王金强. 下肢外骨骼机器人脑电控制系统的研究与设计[D].曲阜师范大学,2020.DOI:10.27267/d.cnki.gqfsu.2020.000158.

23.徐鹏. 外骨骼机器人运动优化与脑机控制[D].华南理工大学,2016.

24.孙玉娟. 基于并联机构可穿戴式腰椎外骨骼的系统设计与智能控制方法研究[D].南京理工大学,2019.DOI:10.27241/d.cnki.gnjgu.2019.001463.

25.崔银平. 主动式上肢搬运外骨骼系统设计[D].重庆理工大学,2022.DOI:10.27753/d.cnki.gcqgx.2022.000589.

26.汪志航,喻洪流,石萍.智能腰椎外骨骼的设计与探究[J].生物医学工程与临床,2022,26(03):259-264.DOI:10.13339/j.cnki.sglc.202204.

27.De Looze M P, Bosch T, Krause F, et al. Exoskeletons for industrial application and their potential effects on physical work load[J]. Ergonomics, 2016, 59(5): 671-681.

28.Tucker M R, Olivier J, Pagel A, et al. Control strategies for active lower extremity prosthetics and orthotics: a review[J]. Journal of neuroengineering and rehabilitation, 2015, 12(1): 1-30.

29.Hyun D J, Lim H S, Park S I, et al. Singular wire-driven series elastic actuation with force control for a waist assistive exoskeleton, H-WEXv2[J]. IEEE/ASME Transactions on Mechatronics, 2020, 25(2): 1026-1035.

30.Huamanchahua D, Taza-Aquino Y, Figueroa-Bados J, et al. Mechatronic exoskeletons for lower-limb rehabilitation: An innovative review[C]//2021 IEEE International IOT, Electronics and Mechatronics Conference (IEMTRONICS). IEEE, 2021: 1-8.

31.Jimenez-Fabian R, Verlinden O. Review of control algorithms for robotic ankle systems in lower-limb orthoses, prostheses, and exoskeletons[J]. Medical engineering & physics, 2012, 34(4): 397-408.

32.Yang C, Yu L, Xu L, et al. Current developments of robotic hip exoskeleton toward sensing, decision, and actuation: A review[J]. Wearable Technologies, 2022, 3.

33.Poliero T, Sposito M, Toxiri S, et al. Versatile and non-versatile occupational back-support exoskeletons: A comparison in laboratory and field studies[J]. Wearable Technologies, 2021, 2.

34.Marinou G, Millard M, Šarabon N, et al. Comparing the risk of low-back injury using model-based optimization: Improved technique versus exoskeleton assistance[J]. Wearable Technologies, 2021, 2.

35.Shi D, Zhang W, Zhang W, et al. A review on lower limb rehabilitation exoskeleton robots[J]. Chinese Journal of Mechanical Engineering, 2019, 32(1): 1-11.

*基金项目：南京理工大学本科生科研训练‘百千万’计划资助项目(2021110288012)；江苏省研究生科研与实践创新计划项目(SJCX22_0112)资助。