CN109789543B - 用于可穿戴系统的控制优化 - Google Patents

Abstract

可穿戴系统，包括：机械护甲或外骨骼；至少一个致动器，其在机械护甲或外骨骼中产生力；至少一个传感器，其测量用于评估与下列内容相关联的对象函数的信息：向穿戴者提供身体辅助、穿戴者跟机械护甲或外骨骼之间的相互作用、和/或机械护甲或外骨骼的操作；以及至少一个控制器，其被配置成：根据至少一个致动曲线致动至少一个致动器，基于由至少一个传感器测量的信息评估对象函数以确定对象函数的所得变化，基于对象函数的所得变化调整至少一个致动曲线的至少一个参数，并且继续致动、评估和调整以优化用于使对象函数最大化或最小化的至少一个致动参数。可穿戴系统被配置为帮助或促进穿戴者步态的改善，并使用梯度下降或贝叶斯方法进行优化。

Description

用于可穿戴系统的控制优化

相关申请的交叉引用

本申请要求2016年7月22日提交的美国临时专利申请第62/365,494号和2017年6月20日提交的美国临时专利申请第62/522,617号的优先权，因此将所有这些申请的全部内容以引用的方式并入本文中以用于所有目的。

政府支持

本发明是在美国国防部高级研究计划局(DARPA)授予的基金W911NF-14-C-0051和美国国家科学基金会(NSF)授予的奖项1446464的政府支持下做出的。政府拥有本发明中的某些权利。

背景技术

软的机械护甲(exosuit)具有许多可能的应用。例如，健康的个体可以利用软的机械护甲来降低行走的能量成本，从而提高耐力并允许它们承载更重的负荷。作为另一示例，步态受损的个体(例如，中风患者、具有肌肉或神经发育问题或有障碍症的人)可以利用软的机械护甲来帮助恢复或改善病理步态模式。我们实验室在过去两年中进行的人体对象实验已经表明，软的机械护甲能够实现有负荷和无负荷行走的代谢值(metabolic cost)的显著降低，以及它们如何能够提高中风后个体的行走能力。

这些研究不仅表明机械护甲对大量实验对象有效，而且还表明不同个体的机械护甲效力具有很大程度的可变性。这种可变性主要源于下列事实：每个个体(无论是健康的还是受损的步态)都需要来自个性化的辅助模式以使机械护甲的效果最大化。一刀切的方法当然会导致结果的大程度可变性。例如，如图1所示，虽然对于实验对象A，使行走代谢值最小化的最佳致动时机是AA，但是另一个实验对象B可能具有完全不同的代谢格局和在BB处的完全不同的最佳时机。在类似这样的情况下，本公开中呈现的控制器可以通过在与穿戴者一起行走的同时实时解决优化问题来自动地找到每个实验对象的最佳控制参数，从而使机械护甲的效果最大化。

实验数据进一步说明了软机械护甲在不同实验对象上的有效性的可变性。例如，图2A和图2B显示了呈现出7个不同实验对象的代谢率变化的实验结果。在该研究中，对具有不同负功率辅助时机的四种不同控制器条件进行了测试，并在这两个图的X轴上给出了这四种不同控制器条件。图2A描绘了平均变化(灰色条)和相应的s.e.m.(误差条)。图2B描绘了单个实验对象数据(彩色线)和相应的框形图。如图2A所示，在该研究中，我们的软机械护甲使得在最佳状态下行走的净代谢值平均减少-15％(Max-Neg)。然而，如图2B所示，当考虑单个实验对象时，在相同的控制器条件下，代谢效益在-5％～-23％之间变化很大，与此同时，机械护甲是由相同的精确控制算法来控制的，并且所有实验对象以统一的方式得到辅助。可以看出，代谢节省过程中实验对象间的可变性非常显著，并且最重要的是，所有实验对象的最佳条件并不相同。

实验对象间的可变性不仅是软机械护甲的问题，而且还在许多其他涉及使用外骨骼的研究中确实得到了证实。图3A和图3B示出了呈现出9个不同实验对象的代谢率变化的实验结果。对无动力外骨骼的5种不同弹簧条件进行了测试，并在这两个图的X轴上给出了这5种不同弹簧条件。图3A描绘了平均变化(灰色条)和相应的s.e.m.(误差条)。图3B描绘了单个实验对象数据(彩色线)和相应的框形图。如图3A所示，无动力外骨骼在最佳刚度条件下(182N m rad^-1)使平均代谢减少了-7％。然而，在相同条件下，个体减少量从+4％变化到-23％，并且对于所有的实验条件，实验对象间的可变性非常显著。

因此，需要针对单个穿戴者来优化机械护甲控制参数，从而针对每个实验对象使所得的可变性最小化且使机械护甲的功效最大化。

发明内容

本发明提出了用于优化机械护甲或外骨骼的控制、以便将功效最大化并且使得其在不同穿戴者上的效果的可变性降低的系统和方法。在各种实施例中，可以调整辅助曲线的一个或多个致动参数(例如，与致动时机、致动幅度、致动速率、致动曲线形状或其组合相关联的那些参数)，以便最大化或最小化与下列中的一者或组合相关联的对象函数：(i)向穿戴者提供身体辅助，(ii)穿戴者跟机械护甲或外骨骼之间的相互作用，以及(iii)机械护甲或外骨骼的操作。本公开的系统和方法可以广泛应用于可穿戴系统，该可穿戴系统旨在既帮助健康的穿戴者也帮助身体/神经损伤的穿戴者。

例如，可以根据本文描述的优化方法来调整致动时机(例如，起始、峰值、截止)、致动幅度(例如，最大值、最小值)、致动速率(例如，慢速、快速)、和/或致动曲线形状(例如，能够影响多项式形状、线性形状、指数形状、正弦形状或花键形状的致动曲线的函数系数)，以便优化与向穿戴者提供身体辅助相关联的对象函数，例如，机动经济性(例如，最小化机动的能量消耗)、机动输出(例如，最大化推进)、机动形式(例如，最大化步态对称性，最大化离地间隙)和稳定性(无论是静止的还是移动的)。同样地，可以调节各种致动参数，以便最大化或最小化与机械护甲或外骨骼跟穿戴者之间的相互作用相关联的对象函数，例如，机械护甲或外骨骼在穿戴者上的位移(例如，最小化位移)和穿戴者的舒适度(例如，最小化剪切力和/或压力点)。更进一步地，本公开的系统和方法还能用于优化一个或多个致动参数，以便最大化或最小化与机械护甲或外骨骼本身相关联的对象函数，例如电力消耗(例如，最小化电池功率消耗)、机械功率传输效率(例如，最大化通过致动器传递到机械护甲的力)、以及温度(例如，最小化机械护甲或外骨骼的一个或多个部件的温度)。在各种实施例中，对象函数可以用来：通过至少两个变量的加权平均或其他方法，组合期望优化的多个变量。

在各种实施例中，可以使用一个或多个可穿戴传感器来评估对象函数，从而便于在实验室环境之外使用。在一些这样的实施例中，可穿戴传感器可以直接测量对象函数，而在其他实施例中，控制器可以使用来自可穿戴传感器的测量结果来计算或以其他方式估算对象函数(例如，测量得到力和旋转速度，以计算传递到穿戴者的功率)。示例性可穿戴传感器包括下列中的一者或组合：惯性测量单元(IMU：inertial measurement unit)、关节角度传感器、力或压力传感器、扭矩传感器、代谢能量测量装置、肌肉活动测量装置、地面反作用力传感器、心率传感器和鞋垫式(insole)力或压力传感器等。

附加地或可选择地，本公开的系统和方法可以监视与对象函数具有相关关系的代理(proxy)，以便评估对象函数。例如，实验数据表明，机械护甲或外骨骼传递到穿戴者的平均正功率往往与穿戴者的机动效率和机动输出相关联；因此，平均正功率是作为对象函数的用于评估机动效率和机动输出的有用代理。

在各种实施例中，优化方法通常可以包括：根据至少一个致动曲线致动机械护甲或外骨骼；基于由至少一个传感器测量的信息评估对象函数；基于对象函数的所得变化调整致动曲线的至少一个参数；以及继续致动、评估和调整以优化用于使所述对象函数最大化或最小化的致动参数。

更具体地，在一些实施例中，可以使用梯度下降方法来优化用于使所述对象函数最大化或最小化的致动参数。梯度下降方法通常会导致收敛，并且它通常简单且计算负担低，因此非常适合在廉价处理器上运行或在共享硬件上运行其他计算繁重的进程时。在一个这样的实施例中，控制器可以被配置成判定对象函数是否从对象函数的先前评估的一个值或平均值增大或减小，并且作为响应，根据是想要使对象函数最大化还是最小化，在相同的方向上或不同的方向上调整致动参数。同样地，当在进行调整之前对多个致动曲线进行测试时，控制器可以被配置成比较每个致动曲线的对象函数的评估，以确定哪个曲线产生对象函数的最高或最低评估，并且作为响应，产生另一组致动曲线，在该另一组致动曲线中，正被优化的致动参数的值已根据与前一组致动曲线相关联的对象函数评估的导数来予以调整。梯度下降方法可以取决于对象函数格局(即，对象函数与被优化的参数之间的关系)来将致动参数优化为局部最大值/最小值或者全局最大值/最小值。例如，在对象函数格局大体上是凸形形状的情况下，梯度下降方法可以将致动参数优化为对象函数的全局最大值/最小值。在其他情况下，例如对象函数格局包括多个峰值或谷值的情况，梯度下降方法可以取决于优化开始位置以及其他相关因素将致动参数优化为局部最大值/最小值或全局最大值/最小值。

在其他实施例中，可以使用贝叶斯(Bayesian)方法来优化用于使所述对象函数最大化或最小化的致动参数。贝叶斯方法通常具有样本效率，从而使其能够相对快速地探索对象函数格局。该特征能够使贝叶斯方法非常适合在更复杂的对象函数格局中找到致动参数并将致动参数优化为全局最大值/最小值，并且往往会使贝叶斯方法在对象函数的评估中比一些其他方法相对更能容忍噪声。在一个这样的实施例中，致动参数与对象函数之间的数学相关性可以通过根据若干个致动曲线致动机械护甲或外骨骼来定义，所述若干个致动曲线具有被优化的致动参数的不同基线值，并且对于每个基线值映射对象函数的相应评估。由此，控制器可以确定用于使所述对象函数最大化或最小化的致动参数的候选值。可以对候选值进行测试和评估，并且更新数学相关性，直到控制器收敛于致动参数的优化值，或者直到满足一些其他合适的终止标准。在一些实施例中，用于定义数学相关性并识别致动参数的候选值的过程可能涉及生成后验分布(posterior distribution)(例如，在一个实施例中，通过高斯过程)并且利用概率模型(例如，贝叶斯方法)来基于后验分布识别致动参数的候选值。像梯度下降方法一样，贝叶斯方法可以取决于对象函数格局和优化开始位置以及其他相关因素来将致动参数优化为局部最大值/最小值或全局最大值/最小值。

附图说明

将参考附图进一步说明当前公开的实施例，其中在某些附图中，相同的结构用相同的数字表示。所示的附图不一定按比例绘制，而是通常将重点放在说明当前公开的实施例的原理上。

图1示出了各个实验对象的机械护甲功效的可变性；

图2A和图2B示出了说明7个不同实验对象的代谢率变化的实验结果；

图3A和图3B示出了说明9个不同实验对象的代谢率变化的实验结果；

图4示出了根据本公开的另一实施例的两个不同实验对象的致动优化，每个实验对象产生了不同的最佳致动起始时机；

图5A、图5B和图5C示出了根据本公开的又一实施例的代表性致动曲线和相关联的致动参数；

图6示出了根据本公开的实施例的使用多个对象的加权和的患者优化方法；

图7示出了根据本公开的实施例的通过使用可穿戴传感器测量的由机械护甲传递的正功率与使用者在通过气体交换系统测量时已经具有的代谢效益之间的相关性；

图8A示出了在步态周期的站立阶段期间的典型踝关节功率分布；

图8B示出了根据本公开的实施例的用于辅助脚踝跖屈(ankle plantarflexion)的机械护甲的典型致动曲线；

图8C示意性地示出了用于优化致动起始时机以使传递到踝关节的平均正功率最大化的代表性梯度下降方法；

图9A和图9B示出了说明根据本公开的实施例的代谢率和平均正功率与致动起始时机的变动之间的关系的测试结果；

图10A、图10B和图10C示出了根据本公开的实施例的在不同致动起始时机传递给使用者的致动器位置、所得的力以及所得的功率；

图11A、图11B、图11C、图11D和图11E示出了根据本公开的实施例的在对健康男性实验对象的起始时机的示例性优化期间传递给使用者的平均正功率、致动器位置、所得的力和所得的功率；

图12示出了根据本公开的实施例的用于验证将脚踝致动起始时机优化从而使脚踝正功率最大化的方法的实验方案；

图13示出了根据本公开的实施例的实验对象A在优化过程中的正功率变化；

图14示出了根据本公开的实施例的实验对象B在优化过程中的正功率变化；

图15示出了根据本公开的实施例的实验对象A在优化过程中代谢率的变化；

图16示出了根据本公开的实施例的实验对象B在优化过程中代谢率的变化；

图17A、图17B和图17C示出了根据本公开的实施例的在各种致动起始时机和致动峰值时机产生的辅助力曲线、代谢值和平均的所传递的功率；

图18示出了根据本公开的实施例的对代表性辅助力曲线的各种参数的调整；

图19是示出根据本公开的实施例的代表性多参数优化方法的流程图；

图20A和图20B示出了根据本公开的实施例的用于最初探索最佳参数候选的对象函数格局的采样和相关方法；

图21A、图21B、图21C、图21D、图21E和图21F示出了根据本公开的实施例的使用贝叶斯优化方法的一维优化过程；

图22A、图22B、图22C和图22D示出了根据本公开的实施例的起始时机的变化、峰值时机的变化、截止时机的变化和移位时机的变化对辅助力曲线的影响；

图23A、图23B和图23C示出了根据本公开的实施例的用于组合致动参数的对象函数格局；

图24示出了根据本公开的实施例的定义每个步态周期的辅助曲线的控制变量(峰值时机和截止时机)的示例；

图25A、图25B和图25C示出了根据本公开的实施例的定义对象函数格局并识别用于优化致动参数以使对象函数最大化的候选值的过程；

图26是示出根据本公开的实施例的控制系统的流程图，该控制系统配置有用于优化致动参数以使对象函数最大化/最小化的外部优化回路和用于提供快速控制自适应的内部反应回路；

图27A、图27B和图27C示出了用于验证作为代谢效益的代理的、传递到踝关节的平均正功率的实验数据；

图28A、图28B和图28C示出了根据本公开的实施例的两步优化过程，其中，冻结一个控制变量，而修改另一个控制变量直到找到最佳值；

图29示出了根据本公开的实施例的致动器位置曲线和辅助力曲线，所述辅助力曲线描绘了在优化过程中指示失败点的力传递的不一致性；

图30A、图30B、图30C、图30D和图30E示出了根据本公开的实施例的当实验对象以1.5m/s的速度在跑步机上行走时，优化如何在不同步骤之间起作用的示例；

图31示出了根据本公开的实施例的6个实验对象获得的正脚踝功率、代谢效益和最佳时机；

图32示出了根据本公开的实施例的原始和优化的辅助力和功率曲线；以及

图33A、图33B、图33C、图33D和图33E示出了根据本公开的实施例的用于优化致动时机以使功率消耗最小化的方法。

虽然上述附图阐述了目前公开的实施例，但是如在讨论中所指出的，也考虑了其他实施例。本公开通过代表而非限制的方式呈现说明性实施例。本领域技术人员可以设计出许多其他变形例和实施例，这些变形例和实施例落入目前公开的实施例的原理的范围和精神内。

具体实施方式

如上所述，虽然利用外骨骼和机械护甲进行的研究表明，当对多个实验对象进行平均处理时，其结果是非常有希望的，但是不同实验对象的结果仍然存在很大差异。到目前为止，这类可穿戴装置的辅助曲线是按照下列方法设计的：i)基于来自涉及多个参与者的研究中的生物力学知识来命令预定义的辅助曲线，ii)从平均或规范的生物力学角度给出穿戴者的典型运动，对不同的辅助曲线进行离线模拟，iii)通过遵循耗时的生物力学研究和选择平均而言提供更高平均效益的曲线，来对多个实验对象的不同概况进行实验评估。所有这些方法都可能对它们所设计的条件产生良好的平均效果，但可能导致较高的实验对象间可变性，并且非常依赖于它们被设计用于的任务(例如，跑步机速度或执行给定任务的方式)。

在利用可穿戴装置帮助健康人时，我们必须记住：i)不同的人可能会不同地进行给定的活动(例如，两个不同的健康实验对象走路的方式的细微差异、以不同的方式影响患者的可能出现于步态中的神经系统状况，等等)，ii)不同的人可能以不同的方式对给定的辅助作出反应，iii)任务可能改变(例如，以不同的速度、在不同的地形上行走等)。作为示例，图4示出了两个不同的健康个体如何取决于所选的致动参数(在这种情况下，为致动时机)而具有不同的结果，在行走的代谢值最低的情况下，系统的最大性能是利用对于每个实验对象而言非常不同的致动参数来实现的。这突出了针对不同个体而将机械护甲或外骨骼控制器个性化的需求。一种在线优化算法通过使用可穿戴传感器来测量或估计对象函数，并在给定用户执行任务时调整辅助曲线的不同参数以使所述对象函数最大化或最小化，该在线优化算法将允许更高的个性化辅助。

优化方法可以用来使当在行走期间穿着下肢外骨骼或机械护甲时的效益最大化或最小化。所提出的系统可以在行走期间辅助下肢中的不同关节，例如脚踝、膝盖或髋部，以便增强健康个体在行走期间的表现(例如，减轻疲劳)或矫正步态缺陷并提高障碍症个体的行走效率。在这两种情况下，行走都是一项周期任务，其中，优化算法可能能够在多个步骤上测量或估计对象，修改参数化的辅助曲线，重新评估对象并且迭代直到找到使所期望对象最大化或最小化的参数。

除了例如能够辅助穿戴者的步态的、涉及身体下肢的优化方法之外，还能够与机械护甲或外骨骼一起结合地使用优化方法来影响并优化穿戴者身体的各种其他类型的运动和活动。例如，本质上是周期的、涉及多次重复的其他非行走任务，或者随时间的推移而持续进行的其他非行走任务，能够利用优化算法来使在每次重复期间或随着时间被评估的对象函数最大化或最小化。示例性的周期性上身运动可以包括康复的锻炼或重复性工作任务。

能够通过穿戴辅助式可穿戴装置(例如，机械护甲或外骨骼)来增强涉及上身(包括但不限于手臂、颈部、手部、手腕、肩部和/或背部)的活动，从而能够减轻疲劳、拉伤和/或受伤。例如，当抬起物体或进行头顶工作时，能够向下背部、肩部、肘部、手臂和/或手提供支撑件，或者抓握辅助装置能够在手腕和/或手中提供额外的力量，以便抓住工具或按下工具的扳机，从而避免肌肉拉伤或腕管症状反复出现。在所有这些情况下，可穿戴装置能够应用于穿戴者以减轻疲劳，改善人体工程学，防止受伤或在完成这些任务时提高舒适度。可穿戴装置能够被优化并被用于穿戴者的各种关节上或穿过穿戴者的各种关节，所述各种关节包括但不限于脚踝、膝盖、髋部、背部、颈部、肩部、肘部、手、或上述关节的组合。由于这些任务的特征在于具有多次重复或在一段时间内持续，因此能够使用各种优化方法分别测量和/或估计多次重复或随时间变化的对象函数，并更新参数化的辅助曲线以优化所期望的对象。

在机械护甲或外骨骼控制系统的背景下，优化方法通常可能需要：

1.选择对象函数；

2.选择用于评估对象函数的途径(例如，直接测量；基于相关信息的测量结果或通过代理而执行的计算)；

3.选择要被优化的一个或多个致动参数，以使对象函数最大化或最小化；以及

4.优化方法的选择和应用。

致动曲线和参数

本公开的系统和方法旨在优化与致动机械护甲或外骨骼相关联的一个或多个参数，以便使所选择的对象函数最大化或最小化。一般而言，根据用于限定特定时段内的时机、速率、幅度和整体形状的致动曲线来致动外骨骼或机械护甲。通常，如图5B所示，在特定时段内以被命令的致动器位置(例如，当一个或多个Bowden电缆将一个或多个电机连接到机械护甲或外骨骼的一个或多个部分时的电缆位置)的形式呈现出致动曲线，其确定了如图5A所示的辅助力曲线的形状。致动曲线也可以基于如图5C所示的力控制。这里，特定时段是穿戴者步态的周期，这可以是在机动期间辅助穿戴者下肢的有用时间范围。当然，可以根据穿戴者的生物力学和正在由机械护甲或外骨骼辅助的穿戴者身体的一个或多个部位来指定任何合适的时段。

仍然参考图5A，可以根据规定的时机、速率、幅度和致动的整体形状来分解致动曲线。更具体地，可以将致动曲线进一步简化为有线维(finite-dimensional)数值变量组，其表示关键的致动参数，例如：(i)致动的初始时机、其峰值时机、以及其终止时机，(ii)致动的速率，(iii)致动的幅度，以及(iv)用于定义致动形状的函数的系数，例如多项式函数、线性函数、指数函数、正弦函数或其他的用于限定致动曲线形状的函数的系数。

机械护甲或外骨骼的致动与穿戴者的自然运动相结合，使机械护甲或外骨骼向穿戴者的身体传递力和力矩。像致动曲线一样，所产生的力和力矩的时机和幅度可以通过位置辅助曲线来表征，如图5B所示。这里，根据图5A的致动曲线的机械护甲或外骨骼的致动将力和力矩传递到穿戴者的髋部，如图5B的辅助曲线所示。在其他情况下，辅助曲线可以直接在力或扭矩空间中被参数化，以被力控制器控制，如图5C所示。在该示例中，致动被配置为在行走时辅助穿戴者的髋关节的伸展运动。

对象函数和代理的一般综述

本文公开的优化方法的共同目标是最大化由机械护甲或外骨骼赋予穿戴者的效益。这些效益可以根据给定的应用例而变化，但一般而言，所述应用例涉及向穿戴者提供身体辅助。例如，这可以包括：协助穿戴者的自然运动(例如，减少能量消耗，增加力度)、帮助在静止或运动时的穿戴者处于稳定状态、或促进穿戴者的周期性或重复性运动中的改善(例如，重新训练中风患者的步态)、以及在许多其他合适的用途。取决于穿戴者和机械护甲或外骨骼的作用，人们可以识别许多度量，如果这些度量被最大化或最小化，则所述度量可以使机械护甲或外骨骼对穿戴者更有益。本公开的优化方法旨在优化关于机械护甲或外骨骼如何致动以使这些度量最大化或最小化的一个或多个参数或对象函数。

在各种实施例中，本公开的系统和方法利用来自可穿戴系统的一个或多个传感器的反馈来评估致动调节对给定的对象函数的影响。该反馈有助于可穿戴系统确保这些致动调节以使对象函数最大化或最小化的方式收敛。这样，在各种实施例中，控制器可以被配置为响应于机械护甲或外骨骼的给定致动来评估对象函数。如本文所用的，评估对象函数广泛地包括量化对象函数的任何合适方式。例如，在一个实施例中，评估对象函数可以是：从包括在可穿戴系统中的一个或多个传感器获得对象函数的直接测量。在另一实施例中，评估对象函数可以包括：使用由可穿戴系统的一个或多个传感器提供的一个或多个测量结果来计算或估算对象函数。例如，如果对象函数是由机械护甲或外骨骼向穿戴者传递的功率，则控制器可以被配置为通过把由测力计(load cell)和IMU测得的力和旋转速度的测量结果相乘来计算功率，从而计算出该度量。在另一实施例中，评估对象函数可以包括：使用由可穿戴系统的一个或多个传感器测量的信息来测量、计算或估算与对象函数相关联的代理，以通过该相关关系来估计对象函数。

在评估对象函数时使用代理可能特别适合于下列情况：其中，不能或难以直接测量对象函数，或不能或难以使用可穿戴传感器的相关测量结果进行计算来估计对象函数。例如，难以直接测量代谢消耗，并且通常需要昂贵的设备或需要使用者穿戴面罩来测量气体交换。然而，已经发现，机械护甲或外骨骼在跖屈期间向踝关节传递的正功率的量与代谢值的降低有关。因此，优化算法可以使用传递到生物关节的正功率作为用于评估代谢值、机动效率和其他相关联的对象函数的代理。当然，应该指出的是，平均正功率自身可以与本公开中认定的任何其他代理一起用作本框架范围内的对象函数。换言之，如本文中所使用的术语，对象函数不必总是描述最终期望的效果(例如，最大化机动效率)，而是可以是旨在通过一个或多个致动参数的优化而得到最大化或最小化(包括于一组范围约束内)的任何度量。

作为另一示例，在一些应用中，还发现心率与穿戴者的运动水平相关，因此在一个实施例中，心率可以用作代谢努力(metabolic effort)的代理。在又一个示例中，估计人类在地上行走的整体稳定性可能是非常具有挑战性的；然而，如下面进一步详细描述的，存在一些与穿戴者稳定性相关联的低维量，例如推测的质心和最大Lyapunov指数(MLE，maximumLyapunov exponent)，因此，在一个实施例中，可以用作用于评估稳定性的代理。

一般而言，如下面更详细地描述的，与机械护甲或外骨骼相关联的对象函数可以分为三类：(i)与向穿戴者提供身体辅助有关的那些对象函数，(ii)与穿戴者跟机械护甲或外骨骼之间的相互作用有关的那些对象函数，以及(iii)与机械护甲或外骨骼的操作有关的那些对象函数。当然，应该理解的是，这些类别是为了便于说明而呈现的，并且本文所述的优化方法还可以与优化致动结合使用，以使任何其他合适的可能超出这三个一般类别之一的范围之外的对象函数最大化或最小化。

与向穿戴者提供身体辅助相关联的对象函数和代理

如上所述，与机械护甲或外骨骼性能相关联的许多对象函数涉及可穿戴系统在向穿戴者提供身体辅助方面的有效性。下面，提供了几个这样的对象函数的代表性示例，以及各个对象函数如何被最大化或最小化以使穿戴者受益的生物力学背景。

能量消耗：对执行任务时的能耗或努力水平进行量化。测量该变量的系统可以将其用作算法的对象函数，以减少给定任务的代谢努力(例如，行走、跑步、抬起物体等)。该指标可以用于各种各样的应用，例如健康人执行艰苦任务或行走效率降低的受损个体。该对象函数在本文中也可称为代谢努力，或者在机动的情况下，称为机动效率。

离地间隙：脚与地面之间的最短距离的测量结果。示例性优化方法可以旨在优化致动参数以使脚与地面之间的距离最大化，以便尽量减少足下垂患者或负重时的抓趾情况。基于该测量的相关对象函数，以及地面间隙和步态对称性的混合方面，是两腿之间的离地间隙的比率或对称性指数，这对于诸如一条腿主要受影响的中风等应用可能是有用的。

关节运动学与规范数据的相似性：示例性优化方法可以评估穿戴者的运动学与一组正常健康用户的年龄、性别、体重和/或速度匹配数据的相似性，并优化致动参数，以驱动穿戴者的运动学使其匹配所需的标准化曲线(即，使相似性最大化或使方差最小化)。可能的度量包括与健康数据的相关性或关键点或度量的百分比差异(例如，在离地间隙期间的踝关节运动学)。

肌肉活动的时间积分：这是与肌肉活动的时间有关的积分。示例性优化方法可以旨在优化致动参数，以减少或最小化活动期间肌肉的整体活动。例如，人们可能希望减少或最小化在行走期间小腿肌肉或在抬起物体时背部肌肉的整体努力。

峰值肌肉活动：类似于肌肉活动的时间积分，但以峰值肌肉活动作为目标。在一些应用中，这可以选择在肌肉活动的时间积分上，或者与肌肉活动的时间积分相结合，例如，对于峰值肌肉活动可能造成伤害风险的活动或者峰值肌肉活动高于人能够长时间执行的活动。

向前推进的时间积分(推进冲量)：这是与指向机动方向的地面反作用力分量的时间积分。示例性优化方法可以旨在最大化该对象函数以便提高推进效率。这种优化可以仅用于一条腿(如在中风中，其对象可以用于增强麻痹推进冲量)或两条腿。

峰值推进力：这是指向行走方向的地面反作用力的最大值。示例性优化方法可以旨在最大化该对象函数以便增加推进或机动输出。这种优化可以仅用于一条腿(如在中风中，其对象可以用于增强麻痹推进冲量)或两条腿。

推进冲量与制动冲量的比率：如上所述测量出推进冲量，而制动冲量是指向与行走方向相反的方向的地面反作用力分量的时间积分。对于健康人群中的稳态行走，每个腿的该比率约为1。示例性优化方法可以旨在优化致动参数，以将每个腿的该比率提高到1(即，使给定腿的推进冲量和制动冲量之间的相似性最大化)。

推进冲量对称性：这表示为两条腿的推进冲量之间的比率，或"对称指数"，其中值为1表示"类健康"机动。示例性优化方法可以旨在优化致动参数，以将腿之间的该比率或对称指数提高到1(即，使腿的推进冲量之间的相似性最大化)。

峰值推进对称性：这是两条腿的峰值推进之间的比率，或者是"对称指数"，其中值为1表示"类健康"机动。示例性优化方法可以旨在优化致动参数，以将腿之间的该比率或对称指数提高到1(即，使腿的峰值推动之间的相似性最大化)。

从制动到推进的过渡时机：在步态周期中，每只脚在制动(指向与行走方向相反的方向的力)和推进(指向行走方向的力)之间切换。在健康机动中，这种过渡时机在任何一只脚的步态周期中是相同的。示例性优化方法可以旨在优化致动参数，以在机动期间使每只脚相对于另一只脚的过渡时机差异最小化。附加地或可选择地，另一示例性优化方法可以识别用于使相关对象函数(例如，机动效率、机动输出)最大化或最小化的最佳过渡时机，并旨在使与最佳时机的差异最小化。

地面反作用力与规范数据的相似性：示例性优化方法可以评估穿戴者的地面反作用力与标准健康用户组的年龄、性别、体重和/或速度匹配数据的相似度，并优化致动参数，以驱动穿戴者的运动学使其匹配所需的标准化曲线(即，使相似性最大化或使方差最小化)。可能的指标包括与健康数据的相关性或关键点或指标的百分比差异(例如，如上面定义的峰值推进和推进冲量)。

机动期间的稳定性：示例性优化方法可以旨在优化致动参数，以在机动过程中最大限度地提高关节稳定性或全身稳定性。评估一个人在机动过程中的整体稳定性是很有挑战性的。然而，一些测量结果可能与稳定性有充分的关联，从而起到该稳定性的代理的作用，例如，低维量、推测的质心(CP)和最大Lyapunov指数(MLE)。这些指标可用作优化策略的一部分，以提高患者或执行复杂或艰苦任务的健康个体在行走期间的稳定性。

关节活动度：示例性优化方法可以旨在使致动参数最优化，以使特定关节的活动度最大化。活动度通常被定义为给定关节在给定运动平面中的最大角度和最小角度之间的差，而最大角度和最小角度也可以用于优化。例如，踝关节在矢状平面上的活动度是峰值跖屈角减去峰值背屈角，而算法可以旨在仅优化最大背屈角。

脚着落方式、步长和步宽：这测量一只脚相对于另一只脚的定位。平衡性或稳定性受损的用户可以以比健康人更宽的步宽和更短的步长行走，因此，示例性优化方法可以旨在使致动参数最优化，以最小化步宽和/或最大化步长。附加地或可选择地，另一示例性优化方法可以旨在使致动参数最优化，以使两腿的步宽之间的对称性最大化(或使方差最小化)。脚着落方式可以通过运动捕获或力场所上的地面反作用力(通过观察脚的压力中心的位置)来予以直接测量，或使用IMU来予以估算。

执行重复任务的时间：示例性优化方法可以旨在优化致动参数，以使执行重复任务(例如抬起负荷、在工厂环境中将包裹从一个地方移到另一个地方等)所需的时间最小化。

站立末期时的后肢角度：这是全局垂直轴与由骨盆上的一个点(通常是较大转节(trochanter)或髋关节中心)和站立脚上的一个点(通常是第五跖骨头或压力中心)所定义的线之间的角度。与健康行走相比，步态受损的人在站立末期时可能具有较低的后肢角度。随着后肢角度增大，越多的地面反作用力进入向前推进力；随着后肢角度减小，越多的地面反作用力进入垂直分量。示例性优化方法可以旨在优化致动参数，以在需要增加向前推进情况下使后肢角度最大化。附加地或可选择地，另一示例性优化方法可以旨在优化致动参数，以在例如需要提高稳定性的情况下使后肢角度最小化。

垂直质心行程：穿戴者的质心在垂直方向上的运动可以通过运动捕获或测力板直接测量。然而，也可以使用躯干或骨盆安装的IMU来估算穿戴者的质心加速度，并且相对于时间积分两次，可以评估穿戴者的质心位置。质心在垂直方向上的总行程可以与行走的代谢值正相关，因此该度量可以用作评估相关对象函数(例如，机动效率)的代理。示例性优化方法可以旨在优化致动参数，以便例如在期望最大化机动效率的情况下使垂直质心行程最小化。

质心功率：质心功率是质心速度和总的地面反作用力的矢量乘积。它可以使用测力板和/或运动捕获来直接测量，或通过可穿戴传感器来估算，即如上所述，通过估算穿戴者的质心加速度，然后使用该加速度和整体身体质量来估算总的地面反作用力。质心功率可以与行走的代谢值正相关，因此该度量可以用作评估相关对象函数(例如，机动效率)的代理。示例性优化方法可以旨在优化致动参数，以便例如在期望最大化机动效率的情况下使质心功率最小化。

脚的压力中心位置与标准数据的相似性：在健康行走中，压力中心遵循通过脚的众所周知的轨迹。示例性优化方法可以旨在优化致动参数，以使穿戴者的压力中心轨迹与所期望标准轨迹的轨迹之间的相似性最大化(或使方差最小化)。压力中心可以使用测力板来测量，或使用可穿戴传感器(例如仪表式鞋垫等)来估算。

蹬离地面时脚的总压力：与压力中心一样，脚施加的总压力可以使用测力板来测量，或通过可穿戴传感器(例如仪表式鞋垫等)来估算。总压力往往与总的地面反作用力(GRF)相关，该总的地面反作用力又与在机动的蹬离地面期间进行评估时的向前推进力相关。因此，总压力可以用作用于评估向前推进力的代理。示例性优化方法可以旨在优化致动参数，以便例如在期望增加向前推进力的情况下在机动的蹬离地面期间使脚的总压力最大化。

肌肉中的血液氧合：与临床实践中常用的脉搏血氧仪相关，近红外光谱(NIRS,near-infrared spectroscopy)是一种估计肌肉中血含氧量的方法。该测量值与该肌肉的代谢需求直接相关，因此该度量可以用作评估相关对象函数(例如，能量消耗、机动效率)的代理。示例性优化方法可以旨在优化致动参数，以便例如在期望最小化能量消耗或最大化机动效率的情况下使血氧浓度最大化。

肌肉收缩/应变和肌腱应变：可穿戴机械护甲和外骨骼可以影响肌肉收缩和肌肉/肌腱在负荷下的应变。示例性优化方法可以旨在优化致动参数，以使这些生理参数最大化或最小化，或将它们限制在某些值或范围内。另外，收缩/应变通常与相应肌肉的能量代谢需求相关，因此该度量可以是用于评估相关对象函数(例如，能量消耗、机动效率)的合适代理。示例性优化方法可以旨在优化致动参数，以便例如在期望最小化能量消耗或最大化机动效率的情况下使肌肉收缩/应变和肌腱应变最小化。在一些实施例中，超声或声学成像可以用作无创测量组织运动的方式。

示例性优化方法可以利用与向穿戴者提供身体辅助相关联的信息来评估这些对象函数。例如，在一些实施例中，控制器可以使用对象函数本身的直接测量结果来评估这些对象函数，而在其他实施例中，控制器可以通过使用一个或多个可穿戴传感器或其他测量设备的相关度量的各种测量结果计算或估算对象函数来评估这些对象函数。在各种实施例中，与这些对象函数相关联的代表信息可以包括上述任何此类信息，以及下列中的一者或其组合：一个或多个关节的角度、速度或加速度；机械护甲或外骨骼施加的力、扭矩或功率；穿戴者参与的一种身体活动；穿戴者的姿势；穿戴者的能量消耗；以及穿戴者的身体与周围的物理环境的相互作用。

在各种实施例中，测量用于评估对象函数的所述信息的代表性传感器可以包括：惯性测量单元(IMU：inertial measurement unit)、加速计、陀螺仪、编码器、旋转变压器、应变传感器、心率监测器、肺部气体交换系统、肌电图、压力传感器(例如，在用于测量GRF的鞋垫中)、以及仪表化的跑步机、以及其他合适的传感器。

与机械护甲或外骨骼跟穿戴者之间的相互作用相关联的对象函数和代理

如上所述，与机械护甲或外骨骼性能相关联的许多对象函数涉及机械护甲或外骨骼跟穿戴者之间的相互作用。如下面进一步描述的，这种相互作用可能涉及诸如穿戴者舒适性和可穿戴系统将负荷传递给穿戴者的有效性以及其他等的问题。下面提供几个这样的对象函数的代表性示例，以及如何最大化或最小化每个对象函数以使穿戴者受益的生物力学背景。

机械护甲或外骨骼的位移：示例性优化方法可以旨在优化致动参数，以使机械护甲或外骨骼(包括其各个组成部分，例如锚定构件)在穿戴者身体上的位移最小化(或使对齐最大化)。可以通过使用可穿戴传感器(例如IMU)来测量套装部件相对于身体的位移。例如，通过使用两个IMU，其中一个IMU集成在套装组件中，另一个传感器附接到身上并对诸如相对速度或加速度等测量结果进行积分。对于有电缆锚固在关节两侧的电缆驱动系统，可以通过使用可穿戴传感器(例如IMU)组合暴露的电缆(例如，通过编码器)和测量关节位置来估计相对位移；暴露的电缆的量是在追踪关节运动、套装刚度和界面顺应性时所需的电缆的函数。如果在对人没有施加主动力(仅预拉伸或跟踪而不施加力)的步态周期的点处测量位移，则套装的刚度将对电缆行程没有影响，因此，可以通过组合由于关节角度引起的电缆运动(通过乘以距关节旋转中心和电缆的距离，而被转换为位移，这可能是常数或对设备的输入)和总的暴露电缆测量结果来计算位移。最后，对于有电缆锚定在关节两侧的电缆驱动系统，可以通过使用电机编码器并将步态周期中可重复点处的裸露电缆在多个步骤中进行比较(例如站立中期给出了套装组件在不同步骤中相对于身体移位了多少的估计)来估算相对位移。

舒适度：示例性优化方法可以旨在优化致动参数，以使穿戴者的舒适度最大化(或者将穿戴者所经历的特殊不适最小化)。在各种实施例中，控制器可以通过下列方法自动检测潜在的不适：例如，监测机械护甲或外骨骼中的力，或监测机械护甲或外骨骼与穿戴者之间的压力，并将这些力和/或压力与已知会给个体穿戴者造成不适的每个力和/或压力水平进行比较，或者通过代表性的穿戴者抽样来比较这些力和/或压力。例如，在机械护甲或外骨骼产生了超过舒适水平的力(或时机不当导致不适)的情况下，代表性的优化方法可以旨在优化致动参数，以将这些力降到可接受的范围内(同时，也许仍然最大限度地提高在可接受的范围内产生的力的水平)。类似地，在机械护甲或外骨骼跟穿戴者之间的相互作用产生过多的剪切力(这会导致皮肤摩擦和其他不适)的情况下，代表性的优化方法可以旨在优化致动参数，以将这些剪切力降到可接受的范围内(同时，也许仍然最大限度地提高在可接受的范围内产生的力的水平)。在实践中，这可能涉及降低由机械护甲或外骨骼产生的力水平，或者可能增加机械护甲或外骨骼内的压缩力以将麻烦的锚固构件更好地锚固到下面的身体部位。可以采用类似的方法来优化致动参数，以减少由机械护甲或外骨骼和穿戴者的相互作用产生的压力点，如下面进一步描述的。附加地或可选择地，可以通过GUI、手持设备、语音、压力测量等自我报告舒适度。

在界面处的压力：示例性优化方法可以旨在优化致动参数，以使施加到穿戴者身体的某些区域的压力最小化，所述压力可能对由织物或与机械护甲或外骨骼的刚性界面引起的不适敏感。这可以最大限度地提高舒适度(或最大限度地减少不适)，同时例如，仍然在舒适水平内最大限度地提供辅助。这种压力可能受到致动参数(例如，时机、速率、曲线的急动或辅助的幅度)的影响。

沿着穿戴者身体的负荷传递：在一些情况下，利用机械护甲或外骨骼帮助将负荷从穿戴者身体的一个区域转移到另一个区域(例如，以帮助减轻伤害)可能是有利的。示例性优化方法可以旨在优化致动参数，以最大限度地从所讨论的身体区域转移负荷。这可能在穿戴者抬起重物并因此易受背伤的情况下特别有用。在这样的实施例中，控制器可以旨在优化致动参数，以最大限度地减少穿戴者脊柱上的负荷。在实施例中，这可以通过优化致动参数来实现，以最大限度地将力传递到身体的其他区域，例如髋部、躯干或腿部。

致动器力：示例性优化方法监测机械护甲或外骨骼之间的相互作用，并在检测到由相互作用产生的大的力时，优化致动参数以将由致动器产生的力最小化，以便不传递可能引起不适或伤害的额外力。在一个实施例中，控制器可以在优化致动参数时还旨在保持其他生物力学约束不变。

示例性优化方法可以利用与机械护甲或外骨骼跟穿戴者之间的相互作用相关联的信息来评估这些对象函数。例如，在一些实施例中，控制器可以使用对象函数本身的直接测量来评估这些对象函数，而在其他实施例中，控制器可以通过使用来自一个或多个可穿戴传感器或其他测量设备的相关度量的各种测量结果来计算或估算对象函数，从而评估这些对象函数。在各种实施例中，与这些对象函数相关联的代表性信息可以包括上述任何此类信息，以及在穿戴者和机械护甲或外骨骼之间产生的剪切力或压缩力中的一者或组合，以及机械护甲或外骨骼在穿戴者身上的位置。

在各种实施例中，测量用于评估对象函数的所述信息的代表性传感器可以包括测力计、力传感器、扭矩传感器和压力传感器，以及其他合适的传感器。

与机械护甲或外骨骼的操作相关联的对象函数和代理

如上所述，与机械护甲或外骨骼性能相关联的许多对象函数涉及机械护甲或外骨骼本身的操作。如下面进一步描述的，这种相互作用可以涉及诸如电力消耗、过热和致动器/致动系统功能的一致性以及其他等事物。下面提供了几个这样的对象函数的代表性示例。

电力消耗：示例性优化方法可以旨在优化致动参数，以将电力消耗最小化。电力消耗可以通过把电流消耗测量(通过集成电流传感器)和电压(通过集成电压传感器)相结合来测量，通过将这些测量结果相乘，可以计算出电力，一个步骤的平均功率消耗将给出每个步骤消耗的电力的估计值。另一个实施例可以使用剩余电池电压来估计系统中剩余多少电池或者到目前为止消耗了多少电池。

辅助力的一致性：示例性优化方法可以旨在优化致动参数，以最大限度地提高机械护甲或外骨骼中产生的辅助力之间的一致性(或将方差最小化)。如果机械护甲或外骨骼旨在提供在多个步骤的峰值力方面一致的力，则一致性的测量可以是在多个步骤中必须保持一致的力分布中的峰值力或其他特征的变化。可以使用可穿戴传感器(例如，力传感器或负荷单元)来测量力。另一个实施例可以将辅助力的一致性定义为所测量的力和所期望的力曲线的均方根差，在多个步骤中最大限度地保持该差值的一致性可以用作这些系统的目标。

最大和平均致动器位置、速度、加速度或加加速度(jerk)：受到如上所述测量的运动学或动力学约束(例如，峰值背屈角度不低于预设阈值，或推进冲量保持不变)，将与拉动套装的难度相关联的这些度量最小化可能是令人感兴趣的。例如，示例性优化方法可以在不影响推进冲量的情况下找到将最大电缆加速度最小化的最佳参数或参数组。

温度：示例性优化方法可以旨在优化致动参数，以将机械护甲或外骨骼的一个或多个部件的温度最小化。与在此描述的其他对象函数一样，在实施例中，将温度最小化可能意味着确保温度不超过预定范围的上阈值。

示例性优化方法可以利用与机械护甲或外骨骼的操作有关的信息来评估这些对象函数。例如，在一些实施例中，控制器可以使用对象函数本身的直接测量来评估这些对象函数，而在其他实施例中，控制器可以通过使用来自一个或多个可穿戴传感器或其他测量设备的相关度量的各种测量结果来计算或估算对象函数，从而评估这些对象函数。在各种实施例中，与这些对象函数相关联的代表性信息可以包括上述任何此类信息以及下列中的一者或组合：在机械护甲或外骨骼的致动过程中使用的电流或电压；机械护甲或外骨骼的一个或多个部件的温度；由至少一个致动器产生的力；传递到机械护甲或外骨骼的力；以及传递到穿戴着机械护甲或外骨骼的穿戴者的力、扭矩或功率。

在各种实施例中，测量用于评估对象函数的所述信息的代表性传感器可以包括电流传感器、电压传感器、热敏电阻、编码器和旋转变压器(例如，用于测量致动器位置、速度和加速度)、以及其他合适的传感器。

加权对象函数和代理

如在以上几个示例中所提到的，对象函数(或代理函数)并非必须表示与穿戴者的运动或生物力学相关联的单个变量，而是可以组合多个优化目标。可以通过不同的方法将多个单变量对象函数组合成单个对象函数，该方法例如是加权平均，其允许校准对象函数的每个分量的相对重要性。下面的方程式l示出了多个对象函数的加权和的示例实现：

F＝α1x1+α2x2+…+αnxn其中

(方程式l)

可以遵循该方法将与向穿戴者提供身体辅助相关联的变量的优化(例如，行走的代谢值)和与系统的效率相关联的变量(例如，电池寿命)组合。在一个对象函数中，两个或多个目标的一些示例权重包括：

·优化与运动相关联的变量(行走的代谢值)和与设备性能相关联的变量(例如，设备的电池寿命)。

·通过求出加权和来优化多个变量，例如峰值肌肉活动、向前推进、设备的电池寿命和舒适度。

·优化与运动相关联的多个变量(例如，向前推进)和与套装跟穿戴者的相互作用相关联的变量(例如，用户舒适度)。

·优化行走的代谢值和目标肌肉的峰值肌肉活动。

·优化与运动相关联的多个变量(例如，向前推进和稳定性)。

·优化向前推进和离地间隙。

·优化完成任务的时间和目标肌肉的峰值肌电(EMG)活动。

每个度量的重要性可能根据应用程序的不同而不同。例如，对于取决于每种病理学、个体患者或治疗期的目标的医学应用，系统的临床医生或操作者可能能够在测试期间修改这些增益。图6示出了使用针对受损个体的对象加权和的这一概念的示例。对于健康人群，个体用户能够手动更改这些设置。

优化方法的一般综述

本公开的系统和方法为这些致动参数中的一者或组合提供优化，以使所选的对象函数最大化或最小化。旨在优化单个致动参数(例如，找到最佳致动起始时机)的方法在本文中可以被称为单参数优化，而旨在优化致动参数的组合(例如，找到致动起始时机和致动峰值时机的最佳组合)的方法在本文中可以被称为多参数优化。如下面将进一步描述的，许多因素可能影响是否使用单参数优化方法或多参数优化方法，所述因素包括但不限于穿戴者的生物力学、穿着机械护甲或外骨骼的人群、每个致动参数对对象函数的相对影响、所需的优化时间、测量噪声、穿戴者适应性和可用的计算能力，如下面进一步描述的那些。

在各种实施例中，可以使用或以其他方式修改用于优化变量的已知(或修改)方法(例如，梯度下降、贝叶斯、强力方法、和模拟退火)，以优化作为目标的致动参数，从而使所选的对象函数最大化或最小化。当然，用于优化致动参数的最佳数学方法可以根据许多因素而变化，所述因素包括但不限于：对象函数格局相对于待优化的致动参数的性质、穿戴者的生物力学、穿着机械护甲或外骨骼的人群、每个致动参数对对象函数的相对影响、所需的优化时间、测量噪声、穿戴者适用和可用的计算能力，如下面将进一步描述的那些。

在一个实施例中，可以采用简化的梯度下降方法来优化致动参数，以使对象函数最大化或最小化。梯度下降方法通常会导致收敛，并且通常简单且计算负担低，因此非常适合在廉价处理器上运行或在共享硬件上运行其他计算繁重的进程时。在一个这样的实施例中，控制器可以被配置为判定对象函数是否从对象函数的先前评估的一个值或平均值增大或减小，并且作为响应，根据是寻求最大化还是最小化的对象函数，在相同或不同的方向上调整致动参数。同样地，当在进行调整之前测试多个致动曲线时，控制器被配置为比较每个致动曲线的对象函数的评估，来确定哪个致动曲线产生了对象函数的最高或最低评估，并且作为响应，产生另一组致动曲线，在该另一组致动曲线中，正被优化的致动参数的值已经根据与前一组致动曲线相关联的对象函数评估的导数进行了调整。梯度下降方法可以根据对象函数格局(即，对象函数与被优化的参数之间的关系)来将致动参数优化为局部最大值/最小值或全局最大值/最小值。例如，在对象函数格局基本上是凸形的并且格局的差异是可微分和有界的情况下，可以实现对全局解的收敛。由于对象函数的格局是凸的，所有局部最小值也是全局最小值，因此在这种情况下，梯度下降能够收敛到全局解。梯度下降方法可以将致动参数优化为对象函数的全局最大值/最小值。在其他情况下，例如对象函数格局包括多个峰值或谷值的情况下，梯度下降方法可以将致动参数优化为局部最大值/最小值或优化为全局最大值/最小值，这取决于优化开始的位置、以及其他相关因素。在格局为非凸的情况下，梯度下降更可能找到局部最佳值，因为梯度下降执行局部搜索，比较彼此相对接近的点，执行格局的全局搜索的其他方法(例如，下述的贝叶斯方法)在这些情况下更可能找到全局最佳值。然而，梯度下降和保证收敛的低计算要求可能使该方法具有吸引力，即使该方法在某些情况下具有局限性。例如，在某些应用中，找到针对特定的人或活动的设备的初始设置而改进的局部最优值可能是有吸引力的。梯度下降法特别适用于信噪比非常低且以重复的方式测量目标的情况，如果测量的噪声很高，即使有凸起的格局，梯度下降也可能会收敛到格局中由于测量中的噪声或不可重复性而非最佳的点。

在其他实施例中，贝叶斯方法可以用于优化用于使所述对象函数最大化或最小化的致动参数。贝叶斯方法通常具有样本效率，从而使其能够相对快速地探索对象函数格局。该特征能够使贝叶斯方法非常适合在更复杂的对象函数格局中查找致动参数并将致动参数优化为全局最大值/最小值，并且倾向于使贝叶斯方法在对象函数的评估中比一些其他方法相对更能容忍噪声。在一个这样的实施例中，致动参数与对象函数之间的数学相关性可以通过根据几个致动曲线致动机械护甲或外骨骼来定义，所述致动曲线具有要被优化的致动参数的不同基线值，并且映射每个对象函数的相应评估。由此，控制器可以确定用于使对象函数最大化或最小化的致动参数的候选值。可以对候选值进行测试和评估，并且更新数学相关性，直到控制器收敛于致动参数的优化值，或者直到满足一些其他合适的终止条件。在一个实施例中，定义数学相关性并识别致动参数的候选值的过程可能涉及生成后验分布(例如，在一个实施例中，通过高斯过程)和利用概率模型(例如，贝叶斯方法)基于该后验分布来确定致动参数的候选值。像梯度下降方法一样，贝叶斯方法可以根据对象函数格局和优化开始的位置以及其他相关因素将致动参数优化为局部最大值/最小值或全局最大值/最小值。然而，贝叶斯优化更可能找到全局最优值，因为它基于后验分布对格局执行全局搜索，而不是像梯度下降那样仅局部地寻找和比较彼此相对接近的点。因此，贝叶斯优化方法在下列情况下特别有用：对象函数的格局复杂，当有多个参数需要优化并因此搜索效率很重要或者当对象函数的测量有噪声时(例如，代谢测量)。

当然，应当认识到，这些仅仅是说明性示例，并且可以使用任何合适的数学方法来优化任何数量的致动参数，以使受所选参数影响的对象函数最大化或最小化。

在一些实施例中，优化可以运行，直到对象函数被真正最大化或最小化为止；然而，在其他实施例中，优化过程可以进一步受制于附加的或替代的终止条件。在各种实施例中，优化算法可以被配置为在下列预定义终止条件之一发生时终止：(i)用于对至少一个致动曲线的至少一个参数的依次调整的对象函数的评估之间的差低于预定阈值，(ii)对至少一个致动曲线的至少一个参数的依次调整之间的差低于预定阈值，(iii)已经超出了自优化开始以来的预定义时间量，(iv)穿戴者超过了自优化开始以来的预定义步数，以及(v)穿戴者发出的终止命令。

代表性实例#1：单参数，梯度下降优化

上述临时专利申请提出了用于控制软机械护甲的代表性单参数和多参数优化方法，并提供了用于辅助不同关节的若干代表性实例，以及若干代表性对象函数的优化。特别地，如在该代表性实例中进一步描述的，这些参考文献提供了一种用于确定对踝关节提供辅助的机械护甲的最佳致动起始时机的代表性算法，其通过使用简化的梯度下降方法、对在穿戴者的踝关节处传递的平均正功率的优化而被驱动。

对象函数：踝关节处传递的平均正功率

传统上通过使用气体交换测量系统来测量代谢消耗，然而该测量需要用户在行走过程中穿戴面罩。行走的动能学受到关节肌肉所做的功的影响。在行走过程中，如果机械护甲在晚期姿势时向踝关节传递正功率，则穿戴者的向前推进力将得到协助，从而有助于降低行走的代谢值。该原理也适用于其他关节和其他类型的辅助。

多项生物力学研究表明，踝关节辅助装置的代谢效益与系统向生物关节传递的平均正功率相关。此外，图7示出了使用可穿戴传感器测量的机械护甲所传递的正功率和用户在通过气体交换系统测量时所具有的代谢效益之间的相关性，这表明可穿戴机器人传递的平均正功率可以用作优化代谢努力的代理。通过下面显示的结果进一步验证了这一点，其通过以传递到关节的平均正功率作为目标，来改善多个用户的代谢性能。

A)在踝关节处传递的正关节功(图8A中用红色标记的踝关节功率曲线下的正区域除以步幅时间)。

B)该函数是代理对象测量，可实时获得，代替代谢效益的直接测量。

C)在踝关节处传递的平均正功率和其代谢减少之间存在正相关关系。在踝关节处传递的正功率的变化与代谢值的变化相关，从而使其能够用作代理。

控制变量：致动起始时机

选择致动起始时机作为优化过程的参数，因为当评估踝关节辅助过程中的代谢减少时它是关键变量，并且其时间影响传递到踝关节的正功率的量。当踝关节角速度变为正时，在蹬离阶段期间，对踝关节正功率的贡献开始；在该时间之前，开始对关节施加力可以使平均正功率最大化，因为在关节开始执行正功率时，在电缆处将存在额外的力。然而，太早开始可能会导致踝关节的速度降低，这将对蹬离阶段期间系统传递的正功率量产生负面影响。因此，当使机械护甲的代谢效益最大化并难以建模时，致动起始的时间对于机械护甲的性能是至关重要的，因为优化的结果将取决于用户的步态以及他们如何对不同的辅助曲线作出反应。在该研究过程中，通过在扫描致动起始时向用户提供帮助来进行测试，如图9A和图9B所示，这些结果表明，致动的开始对传递到踝关节的平均正功率有很大的影响。这些图表明(1)对象函数格局是凸的以及(2)致动的开始对平均正功率和不同辅助曲线的代谢减少有很大影响。图10A、图10B和图10C示出了针对不同的Tl值的电机/电缆位置、产生的力和传递给用户的动力，在该图中可以看出，Tl对传递给人体关节的功率量具有很大的影响。

在该实施例中要优化的变量是控制器开始有源电缆缩回的时机---图8B中予以标记。

优化算法：简化的梯度下降法

为了找到用于以踝关节作为目标的单关节辅助的致动起始时机，并旨在降低行走的代谢值，简单的梯度下降法被证明是有效的选择。梯度下降法是一阶迭代优化算法，其通过迭代地估计当前点处的函数梯度并以与梯度幅度成比例的步长扰动自变量来找到局部最佳值。在该应用中，可以通过在测量/估计对象函数及其局部格局的同时、将多个相邻的控制参数设置应用于穿戴者来估计梯度。

虽然该算法不能保证全局最优性，但是它确实保证了扰动参数的逐渐变化。

如图7所示，根据我们实验室进行的内部参数扫描实验，已经表明，所传递的平均正功率通常相对于Tl(致动起始)显示出凸形。取决于在优化过程中对起始时机进行的调整范围，梯度下降过程可以收敛于局部最大值(例如，整个凸形格局中的局部峰值)或全局最大值(例如，整个凸形格局中的峰值)。

由于该优化的格局是凸的，因此梯度下降可能是使传递到关节的平均正功率最大化的良好策略。提出了一种简化的梯度下降算法，并将其用于该实施例。简而言之，在本简化的梯度下降算法中，该优化的不同步骤是：

1.)在每个优化周期中应用具有三个不同Tl值(Tl_高、T1_中以及Tl_低)的三个不同电机位置曲线，以及

2.)针对三个Tl值的每一个，测量并计算平均正功率(PP_高、PP_中和PP_低)，并且然后

3.)通过比较三个平均正功率值，该算法：(a)沿着对象函数的上升方向移动到下一组Tl值，或者(b)减小步长。注意，三个T1值以步长w间隔开，因此Tl_高＝T1_中+w且Tl_低＝Ti_中-w。该过程在图8C中概念性地示出。

图11A、图11B、图11C、图11D和图11E示出了对健康男性实验对象进行本算法的示例。穿着由上述算法控制的多关节软机械护甲的实验对象以1.25m/s的速度在跑步机上行走8分钟。如这些图所示，控制变量T1成功地收敛到特定值(44.75％)，在收敛过程中，所识别的最佳值的对象函数得到的是7W，约为本算法开始时的初始值的1.8倍。

终止策略

当平均正功率的变化下降到某个阈值之下，和/或所估计的梯度矢量的幅度下降到某个阈值以下时，迭代优化停止。如果代理函数开始再次变化，则可以在稍后阶段恢复优化。

在下列的说明部分中，给出了该实施例的若干验证结果，证明了该优化算法的有效性。

优化方法的实验验证

为了更好地验证所开发的用于软机械护甲(特别是在踝关节处)的优化控制方法的实施，已经进行了人类实验对象实验，其中，实验对象穿着辅助踝关节跖屈的机械护甲背着15Kg的背包以1.5m/s的速度在跑步机上行走。如图12所示，实验包括13分钟的连续行走试验，包括初始状态(4min)、优化时段(5min)和最终状态(4min)。在初始状态期间，控制器将致动起始时机(Tl)保持在给定的初始值，即步态周期的30％或45％，这是相对早或晚的致动起始时机。在优化时段，控制器运行所开发的优化控制器以找到最佳致动起始时机，所述最佳致动起始时机在保持峰值力水平恒定的同时使踝关节处传递的平均正功率最大化。然后，在最终状态期间，控制器再次将致动起始时机保持恒定，处于在优化时段找到的最佳值处。

图13示出了实验对象(实验对象A)的实验的代表性结果。如图所示，实验开始时，致动起始时机为步态周期的30％。在优化时段，控制器通过向实验对象施加不同的致动起始时机来运行优化控制器。结果，致动起始时机(控制变量)从步态周期的30％开始收敛到44％，并且通过比较初始状态和最终状态，在踝关节处传递的平均正功率(对象函数)显著增加。

图14示出了不同实验对象(实验对象B)的实验的另一代表性结果。类似地，致动起始时机(控制变量)从步态周期的30％开始收敛到43％，并且通过比较初始状态和最终状态，在踝关节处传递的平均正功率(对象函数)大大增加。

这些结果表明，在给定的控制变量和对象函数的情况下，踝关节处的优化控制方法的实现效果良好。

此外，对于两个实验对象，从不同的初始值(30％和45％步态周期)开始的两个独立试验发现的两个最佳致动起始时机几乎相同。这表明对象函数格局的凸性假设是合理的，从而进一步提高了踝关节处实施的有效性。

表1.实验中发现的最佳致动起始时机。

图15示出了在上述相同实验中实验对象背着15kg的背包行走的代谢率。如图所示，在经过优化时段，代谢值逐渐下降。比较初始状态和最终状态，相对于基线条件(穿着断电的机械护甲行走)的代谢减少百分率从14.4％大幅增加到22.9％。

图16示出了实验对象B的代谢率结果。类似地，代谢值逐渐下降，并且比较初始状态和最终状态，代谢减少百分率从10.7％大幅增加到19.6％。

这些结果表明，在踝关节处实施优化控制方法可以通过找到最佳致动起始时机来潜在地增加代谢效益，所述最佳致动起始时机使踝关节处传递的平均正功率最大化。

代表性实例#2：多参数，梯度下降优化

贝叶斯优化是一种非常有效的在线优化控制参数的方法；然而，在某些情况下，可能优选通过保证以渐进的方式探索参数空间来牺牲效率。梯度下降方法通过从一个点变化到另一个近端点来逐渐探索参数空间。当参数空间的大的变化可能导致套装向用户传递力的方式突然变化并且可能使得用户更难以适应那些过渡的学习体验时，梯度下降的这种特性可能特别有用，这可能特别适用于未经训练使用可穿戴装置的用户或某些患者人群。在这些情况下，设计者可能会选择实施梯度下降方法，最有可能牺牲非凸空间的收敛时间和局部最小点处的性能。

作为示例，下面的多维优化实施方案的目标是使从机械护甲传递到踝关节的平均正功率最大化。

本研究所选择的优化变量的特征在于，辅助曲线的开始(当电缆开始拉动时，其应该与蹬离的起始时机有关)和辅助的斜度或持续时间(电缆拉动的速度或电缆拉动的速率，其应该与蹬离期间的踝关节速度有关)。

梯度下降算法将具有从参数空间中的特定点(Tl,Dl)开始的初始化。

然后，该算法将迭代地估计当前点处的对象函数的梯度并以与梯度的幅度成比例的步长扰动自变量。对于这种离散应用，可以通过在参数空间中应用多个相邻点并按照单个参数实现中所说明的那样在每个相邻点中评估对象函数，从而来估计梯度。

当平均正功率的变化落在某个阈值之下和/或梯度的幅度下降到某个阈值以下时，迭代优化停止。

代表性实例#3：多参数，贝叶斯优化

虽然与通用的致动曲线相比，单参数优化方法肯定会导致控制系统的性能大大提高，但是在几种情况下，它对于获得显著增益来说通常不是最佳的。在很多情况下，对象函数(例如代谢值的直接测量或间接代理)将强烈依赖于提供给穿戴者的一个或多个关节的整个辅助曲线，并且保持任何其他曲线参数恒定的一维简化(例如，其起始时机)可能不足以探索可能导致改进的性能的所有可能的曲线变化。

作为示例，上述临时专利申请研究了由下身软机械护甲传递的髋部伸展辅助的开始和峰值时机如何影响在负重行走期间传递的正机械功率和代谢值。该研究表明，两个控制变量(曲线开始和峰值时机)能够显著和独立地影响所传递的机械功率和代谢减少的量。该研究的主要结果在图17A、图17B和图17C中示出。

图17A示出了在图右侧上显示的最终辅助力曲线(来自8个实验对象的平均值)。早期-开始-早期-峰值(ESEP)、早期-开始-晚期-峰值(ESLP)、晚期-开始-早期-峰值(LSEP)、晚期-开始-晚期-峰值(LSLP)分别用红色、黄色、绿色和蓝色表示。图17B(M)示出了处于无动力状态(U PD)和动力状态下报告的净代谢值。所有数据均为平均值±SEM。右下角的小面板显示相应的辅助曲线。早期-开始-早期-峰值(ESEP)、早期-开始-晚期-峰值(ESLP)、晚期-开始-早期-峰值(LSEP)、晚期-开始-晚期-峰值(LSLP)分别用红色、黄色、绿色和蓝色表示。带*的大括号表示与无动力状态的统计学显著差异(p<0.05)。图17C示出了由软机械护甲传递到两个肢体的正机械功。所有数据均为平均值±SEM。带*的大括号表示与两种状态的统计学显著差异(p<0.05).

在早期起始时机和晚期峰值时机的曲线中报告了具有传递的最高正机械功率的最高代谢减少曲线(图17A中的ESLP)。总体而言，这些结果表明，起始时机和峰值时机对降低行走的代谢值是独立的关键，并且一维优化可能不足以同时优化两个控制变量。

在这种情况下，使用一维优化算法的唯一可行方法是在优化另一个参数的同时固定两个参数中的一个，然后对第一个参数的任何值重复相同的方法，以便有效地探索曲线的整个格局。这将通过开放控制变量的数量和辅助关节的数量以指数的方式增加所需的优化时间量。

更一般地说，起始时机和峰值时机并不是决定实验对象如何从软机械护甲获得辅助以及减少行走的代谢值的唯一变量。辅助曲线的整个形状和时间需要被定义，以最大限度地减少代谢，这意味着优化曲线的整个形状。如果使用n个变量来定义辅助曲线，则这会导致优化成为n维优化问题。作为示例，可以使用三个控制变量来定义单个自由度(DOF：degree of freedom)的正弦辅助曲线，如图18所示(幅度、频率、相位或时间截止)。在这种情况下，三维优化方法将能够找到最佳曲线。在多关节辅助曲线优化方案中，利用由n个控制变量定义的曲线辅助m个关节，将需要m×n维优化。

多维优化技术不仅在调整机械护甲中的控制变量时是优选的，而且在调整刚性外骨骼和动力假体的控制系统方面也是有利的。作为示例，BiOM动力踝关节假体有控制其刚度、致动蹬离的动力和时间、以及其他功能的11个参数。尽管大量参数使设备具有高度适应性，但它们也使得选择合适的参数值更加困难。通过实验手动选择这些参数对于达到最佳状态具有挑战性。

由于离线模型和模拟不能完全捕获实验对象的可变性以及实验对象与不同参数设置相互作用的方式，因此需要优化多个机械护甲控制变量以达到个体穿戴者的最佳配置，以使机械护甲的功效的可变性最小化，并使每个实验对象的代谢效益最大化。

开发了一种用于优化机械护甲的辅助致动曲线的多个控制参数的方法，以便(i)为每个实验对象找到用于软机械护甲的最佳控制变量组，从而(ii)使每个实验对象的代谢效益最小化或最大化。

该方法的目标是使对象函数最小化或最大化，所述对象函数表示或就是使用机械护甲的所期望结果的间接测量。这里公开的多维优化方法的目标是找到最佳控制变量值组(在预定义的变量组内)以使每个实验对象的对象函数最小化或最大化。

使用代谢值作为对象函数可以用于优化健康个体的运动经济性。

利用该优化将其他对象函数用于不同目的也是可行的。例如，在调整机械护甲控制变量以改善中风后个体的步态质量时，使用向前推进冲量对称性或步态对称性(受损与健全的腿)作为目标函数。或者，使用间接测量(例如传递的正功率)作为代理来测量行走的代谢值，从而使优化方法对于带有身体穿戴传感器的便携式软机械护甲系统是可行的。此外，髋部角度的最大范围乘以步进频率的结果也可以是对象函数，从而利用该优化方法通过优化那些控制变量来使实验对象的行走速度最大化。

用于多维优化的控制变量可以是影响对象函数值的任何独立的控制参数组。

示例控制变量包括但不限于辅助峰值幅度、辅助起始时机、峰值时机、截止时机和多关节辅助相关性。

实时优化算法将试图在控制变量的n维空间中(在预定边界内)找到最佳点，以使成本函数最小化或最大化。

本文描述了一种基于贝叶斯优化方法的优化算法，包括初始化和迭代执行的两个步骤：

1.在控制变量的空间中选择n维起始点集，然后，迭代地

2.评估集合中每个点的对象函数，并估计对象函数的后验分布，

3.使用预定义的度量计算控制变量空间中的下一组最佳点。

更详细地，参考图19的流程图，该算法的工作原理如下：

1.初始化：基于预定义的度量选择一组初始评估点

2.评估：对于集合中的每个点，通过下列方法评估对象函数：

生成该点的辅助曲线；

基于所生成的辅助曲线测量或估计对象函数。这通常对应于穿着机械护甲行走预定时间量的个体以及所采用的代理函数或直接测量。

3.更新分布：使用上次迭代中计算/测量的对象函数更新对象函数的后验分布

4.生成新的控制变量集：基于更新的后验分布和预定义的度量来计算一组新的评估点

5.终止或迭代：评估预定义的终止标准。如果结果不符合标准，则使用更新的候选值重复2至4)。

初始化

可以通过几种采样方法从控制变量的n-scape中选择初始评估点。一般而言，该方法是对控制参数的n维空间进行采样以便对对象函数格局进行合理的初始估计的方法。

存在几种采样方法。一些实例是：

A.在可行区域内的均匀随机采样(例如，拉丁超立方采样)，所述可行区域由控制变量上定义的任何边界界定

B.结构内的随机抽样。

在图20A和图20B中举例说明该方法。可行区域(图20A-彩色部分)可以分成3个不同的控制参数区域(图20B)。然后，针对每个区域，可以随机选择一个点(图20B)。

图20A和图20B示出了初始探索点选择方法。以峰值和截止时机为例。在图20A中，彩色空间是可行的空间，并且不同的颜色对应于不同的成本，由右栏所示。图20B示出了采样方法。

迭代优化

迭代地，该算法可以执行下列操作：

1.在候选点集上评估成本函数。

2.基于每个采样点的对象函数评估，更新成本函数后验分布。

3.基于预定义的度量(度量函数)，生成新的控制空间点作为新的候选点集。

成本函数(cost function)可以是针对机械护甲的期望结果(即，对象函数)的直接测量或代理测量。这样的示例可以是代谢值(metabolic cost)的直接测量、步态对称性的直接测量、踝关节处的积分正功率(代谢值的代理测量)等。任何组合测量也是可用的，只要它可以用可用的传感器实时计算。

然后，使用更新的成本和当前评估点集来更新后验分布。这是通过用于找到先验分布的最佳拟合的参数优化来完成。先验分布由一组自由参数(通常定义高斯过程)来定义，然后利用在当前评估点处观察到的对象函数值的对数似然最大化来优化。

最后，使用预定义的度量(度量函数)，例如高斯概率分布的组合，使用更新的后验分布为算法的下一次迭代选择新的最佳候选点集。

贝叶斯优化

贝叶斯优化是一种全局、样本有效和非参数优化的方法。该优化使用先验信息找到未知对象函数的后验分布。然后使用后验分布来对下一个候选者进行有效地采样。目前公开的贝叶斯优化使用高斯过程作为先验。高斯过程的超参数可以改变后验分布的格局、幅度和噪声水平。

下面的示例描述了该方法如何在简单的一维示例上工作。在下一节中，将相同的算法应用于多变量优化。

使用单参数示例的优化方法说明

图21示出了使用贝叶斯优化方法的一维优化过程的示例。贝叶斯优化易于扩展以优化任意数量的致动参数，因为用于定义数学模型和确定合适的候选参数或候选参数集的过程是以相同的方式执行的，而不管被优化的致动参数的数量如何。

A.在评估初始数据点(两个红点)之后，该算法通过使观察到的对象函数在候选点上的对数似然性最大化来优化先验分布的参数。

B.先验用于计算后验分布，后验分布可以改变格局(绿线的曲率)、幅度(绿线的最小和最大差异)和噪声水平(灰色区域)。

C.使用拟合信息(顶部)，该算法使用度量(底部，红色※)来计算下一个可能的最佳数据点。

D.评估候选点(顶部，参数20).

E.该算法找到更新的后验分布(顶部)。使用该信息，计算新的候选点(底部)。

F.评估新的候选点(顶部，参数接近-5)

G.该算法拟合数据(顶部)并计算新的候选点(f)。

重复该过程直至收敛或终止。

在图21中，上栏图中的红点是评估的数据点。绿色曲线表示拟合的格局，并且灰色区域表示噪声水平。底部图表示最小概率。红星表示最佳点。

终止

在每个迭代周期结束时，评估一些终止标准以确定是停止还是继续优化。这些标准是预定义的，并且涉及分析成本函数、候选点和从第一次迭代经过的时间的任何组合。

可用的终止标准包括：a)具有非常接近的连续候选点，b)测量候选集合中的成本函数的小变化，c)时间阈值已经过去，d)特定点的高后验概率是最优的。

代表性实例#4：髋部辅助，双参数，贝叶斯优化

本节介绍上述算法在下列情况下的实现：

1.一种机械护甲，用于在行走过程中辅助髋部伸展，目的是降低代谢值

2.直接测量作为对象函数的代谢值

3.用于致动曲线的二维参数优化

4.采用高斯过程先验的贝叶斯优化方法

对象函数：使行走经济最大化(使代谢最小化)

在该实施例中，代谢值可实时地直接测量，这要归功于便携式血氧计/CO₂机器，它能提供行走期间的真实代谢值的非常准确的代理。

控制变量：峰值和截止时机致动

由机械护甲在一个步态周期期间提供的髋部伸展辅助被简化为类似正弦的曲线。由机械护甲在该算法中赋予的致动曲线由两条简单的正弦曲线组成，它提供一小部分生物髋部力矩的近似值。

该方法使系统能够通过改变两条正弦曲线的参数来快速地改变到辅助曲线的不同幅度、形状和时间，如(等式1)所示。

其中，

和

分别定义步态周期(GC)内的辅助曲线的所需的开始、峰值和结束时间，而F_d、

和x分别定义所需的辅助力、峰值力幅度和当前GC。

因此，

和

的控制变量可用于调节辅助曲线的形状。使用低水平力控制，可以实现不同的辅助曲线跟踪，如图22A、图22B、图22C和图22D所示。

图22A、图22B、图22C和图22D示出了当改变起始时机(图22A)、峰值时机(图22B)、截止时机(图22C)和整个曲线时间(图22D)时在不同辅助曲线上的力跟踪的示例。

对于髋关节，选择峰值和截止时机致动以作为优化的控制变量。

图23A、图23B和图23C示出了代表性实验对象的控制参数的不同组合的格局。

内部测试发现，峰值和截止时机的组合可以使代谢物变化超过20％(图23A)，而其他组合似乎已经处于最佳范围(图23B和图23C)中。图23B和图23C表明几乎整个可行区域的代谢物大大减少，而图23A示出了依赖于参数的代谢物的差异。

该算法在一些预定义约束中选择峰值和截止时机变量：

1.5％GC<＝峰值时机<＝25％GC

2.30％GC<＝截止时机<＝40％GC

3.截止时机–峰值时机>＝15％GC

选择这些约束是为了遵守力跟踪上的整体机械护甲控制系统带宽并产生与髋部生物扭矩一致的力矩。

力的幅度和起始时机参数是固定的。在使用所公开的系统时，峰值力的幅度被选择为实验对象体重的30％以使实验对象舒适。选择最大髋屈曲点作为辅助曲线的起始时机，因为髋部研究显示，起始时机越早，代谢减少越大。候选力曲线的示例如图24所示。

图24示出了定义每个步态周期的辅助曲线的控制变量的示例(峰值时机和起始时机)。起始时机是检测当前步态周期的最大髋屈曲，并且峰值力的幅度为实验对象体重的30％。

成本函数：代谢值

使用呼吸数据来直接实时计算代谢值。可以使用氧气摄入量或氧气和二氧化碳组合(y＝0.278×V(O₂)+0.075×V(CO₂))来计算估计值。通过低通过滤两分钟的代谢数据来估算成本。

优化方法：贝叶斯优化

在下面的伪代码中描述了基于高斯过程先验所得的贝叶斯优化方法。

执行的伪代码：

优化方法的实验验证

本节介绍了所提出的算法的执行示例。受益于样品效率和非参数性质，贝叶斯优化在实验对象的30分钟内找到了最佳峰值和截止时机(N＝3,1.25m/s，髋部机械护甲)。平均代谢减少为19％(表2)。

图25A、图25B和图25C示出了示例性实验对象的算法的一般过程。

如伪代码中所述：

(a)图25A示出了评估初始峰值和截止时机点的算法。

(b)图25B(左)示出了通过估计格局、噪声和振幅的算法拟合数据。

(c)图25B(右)示出了使用贝叶斯优化来计算下一个可能的最佳候选点。

(d)图25C示出了通过测量参数集的代谢、拟合数据(左)以及选择可能的最佳候选点直至算法收敛(右)来评估候选点。

表2示出了使用上述算法的初始试验结果(N＝3,4次试验)。目前的试验结果表明，与现有方法相比，可以在30分钟内找到最佳点，与没有辅助条件相比，降低幅度更大。

表2

其他代表性示例

本公开的优化方法可具有各种医学应用，如下文进一步详述。

背屈辅助

现在提供用于优化背屈辅助的代表性系统和方法。该应用对于在步态的摆动阶段和脚跟着地(例如，中分、足下垂、MS)期间需要辅助的步态受损的人可能特别有用。作为示例，中风患者可能已经减少了对踝关节背屈的控制，从而导致在摆动阶段抬起脚的能力降低，这对于保证足够的离地间隙存在困难，并且可能导致患者在行走期间脚趾被抓，从而可能导致绊倒，或制定髋关节的补偿策略，以影响他们的行走效率、稳定性和他们的整体肌肉骨骼健康的髋关节。此外，在脚后跟撞击之后，需要具有受控的背屈来避免诸如"脚掌拍打地面"等现象，在这种情况下，背屈辅助可以帮助患者在脚后跟着地后具有更加可控的背屈速度，从而改善他们的整体行走动态。

可穿戴系统可以被配置为在背屈(单边)时提供主动辅助。合适的对象函数可以以脚后跟着地时的典型生物着陆角作为目标。着陆角是健康行走的重要特征，在平坦地形上行走时，健康个体通常用脚后跟(正的脚到地板角度)着地。一些患者人群(例如，中风患者或具有背屈缺陷的患者)可能中间着地或用脚趾着地(负的脚到地板角度)，因为他们在摆动阶段不能充分地背屈他们的踝关节；这对离地间隙和整体行走动态有影响。利用健康的踝关节角度着地可以改善患者的行走效率和稳定性。

作为对象函数的代理，控制方法可以旨在使脚跟着地的麻痹"脚对地"(下文称为"FtF")角度和从前一步的脚跟着地的非麻痹FtF角度之间的误差最小化。脚对地角度可以用于表征患者是否以脚跟着地、中间着地或脚趾着地。具有健康状态或对称的脚对地角度可能对整体稳定性和行走效率有影响。如果患者用脚趾着地，则他们更可能绊倒，因为这可能意味着他们在摆动时没有足够的背屈。

在一个实施例中，可穿戴系统可以包括能够测量麻痹脚的旋转角度和速度的至少一个传感器以及能够通过使用传感器(例如，IMU)来测量非麻痹脚的旋转角度和速度的至少一个传感器。当检测到脚与地面的撞击时，可以计算脚与地板的角度(该定时事件可以通过例如观察脚接触地面时脚的速度或加速度的突然变化来确定)。根据患者人群和可用的传感器，可能无法稳健地检测到与地面接触的脚，在那些情况下，如在上面的伪代码中所描述的，峰值脚与地板的角度可以用作对象函数。

用于优化的合适致动参数可以包括下列中的一者或组合：致动期间电缆行程的幅度、致动的最大振幅的持续时间、致动的起始时机、致动的开始速率、致动的截止时机、以及致动的释放速率。通过在背屈期间控制不同幅度的电缆行程，系统为踝关节提供有针对性的辅助，这导致不同的背屈角度，所述背屈角度对脚与地板的角度有直接影响。先前的研究和生物力学直觉表明，控制更多的拉索通常会导致更高的踝关节背屈角度(在用户的活动度内)，生物力学上这种效果类似于下层肌肉收缩将产生的效果。

下面是该实施例的伪代码实现，其中，对象函数是着地角度(error_ftf_hs(误差_ftf_hs))，所述着地角度通过调制预定边界内的背屈致动幅度(df_actuation_magnitude(df_致动幅度))而被最小化(max_allowed_df_actuation_magnitude(最大允许_df_致动幅度)和min_allowed_df_actuation_magnitude(最小允许_df_致动幅度))，这些边界已经被定义，使得辅助不会高于我们的最大致动行程，从而保证舒适度和安全性，辅助幅度的下限被定义为安全参数，并且可以由用户将其定义为阈值或逐个患者地进行定义，以保证用户获得辅助他们行走的最小辅助量。在该实施例中，如果着地误差角度在阈值内，则致动参数不会受到任何干扰。这作为该算法的终止策略。

在用于优化背屈辅助的相关实施例中，不是驱动麻痹的FtF来匹配非麻痹脚的FtF，优化方法可以被配置为将麻痹的FtF角度驱动到从文献或研究经验确定的目标值(例如，大约20°)。可穿戴系统可以被配置为在背屈时提供主动辅助(可以是单边或双边)，其中至少一个传感器能够测量辅助脚的旋转角度(或者如果两只脚都被辅助，则需要两个传感器)。

跖屈辅助优化

现在，提供用于优化跖屈辅助的代表性系统和方法。该应用对于在行走的蹬离阶段期间需要辅助的步态受损(例如，中风、MS)的人可能特别有用。这些患者人群可能具有降低的向前推进能力，这可能导致行走缺陷(例如行走的代谢值降低或行走速度减小)，并且可受益于踝关节跖屈辅助。

可穿戴系统可以被配置为在跖屈时提供主动辅助(单边)。合适的对象函数可以使麻痹的肢体和非麻痹的肢体之间的步态对称性最大化，非对称行走通常与低行走效率和/或降低的稳定性相关联。

作为对象函数的代理，控制方法可以旨在使前-后地面反作用力(APGRF)峰值之间的误差最小化，或者作为从脚后跟着地到脚趾离地限定的两个APGRF曲线之间的均方根误差。APGRF是指向行走方向的地面反作用力的最大值，因此APGRF是与向前推进力相关联的测量结果。

在一个实施例中，可穿戴系统可以包括至少一个传感器，所述传感器能够测量地面反作用力，例如前-后地面反作用力，其是来自用户将自身向前推进的地面反作用力的测量结果。也可以使用替代误差测量。

用于优化的合适致动参数可以包括下列中的一者或组合：致动的幅度、致动的最大振幅的持续时间、致动的起始时机、致动的开始速率、致动的截止时机、以及致动的释放速率。

为清楚起见，可以利用代表性示例#1中描述的系统和方法通过提供跖屈辅助以类似的方式优化健康人的向前推进力。该应用对于在行走的蹬离阶段期间需要辅助的步态受损的人(例如，中风、MS)可能特别有用。可穿戴系统可以被配置为在跖屈时提供主动辅助，其中传感器能够测量踝关节速度和辅助力。用于估计关节对向前推进力的增加贡献的可能对象函数代理可以是最大化传递到关节的正功率。用于优化的合适致动参数可以包括下列中的一者或组合：致动的幅度、致动的最大振幅的持续时间、致动的起始时机、致动的开始速率、致动的截止时机、以及致动的释放速率。

髋关节辅助优化

现在，提供用于优化髋关节伸展辅助的代表性系统和方法。该应用对于髋关节功能受损的人可能特别有用，这可能导致行走缺陷，例如向前推进力减小。这些患者可能受益于髋关节伸展辅助。在健康行走过程中，髋关节伸展和后肢角度是向前推进力和步态的其他重要特征的贡献者。在典型的健康蹬离期间，髋部、膝盖和脚被定位成使得在脚的第5跖骨和髋部的大转子之间绘制的线将在个体的质心处在垂直轴线后面形成一定角度。该角度通常被称为后肢角度。当肢体处于该位置时，在跖屈期间产生的推进力将具有前后向量，并将有助于推动身体向前。在髋关节功能受损的人群中，常见的结果是后肢角度减小或不存在。随着该角度减小，在蹬离地面期间产生的推进力的前-后向量将减小，这可导致这些人群中的向前推进力显著减小。这些人对髋关节伸展的致动参数变化很敏感，使得髋关节伸展辅助优化对这一人群特别有用。髋关节辅助(伸展和屈曲)也可以有助于在迈步时稳定身体，并且当穿戴者向前摆动他们的腿时，髋关节屈曲辅助在蹬离地面时也是重要的。不同的参数将用于髋关节屈曲辅助。

可穿戴系统可以被配置为在髋关节伸展(单边或双边)中提供主动辅助。合适的对象函数可以以在站立末期时的典型生物后肢角度作为目标。这是全局垂直轴与由骨盆上的点(通常是大转子或髋关节中心)和站立脚上的点(通常是第五跖骨头或压力中心)定义的线之间的角度。与健康行走相比，步态受损的人在站立末期时可能具有较低的后肢角度。随着后肢角度增大，更多的地面反作用力进入向前推进力；随着后肢角度减小，更多的地面反作用力进入垂直分量。因此，在站立末期时(当出现大部分向前推进力时)增加的后肢角度可能与增加的向前推进力有关。

使用用于增加蹬离期间的前-后推进矢量的对象函数的代理，控制方法可以旨在使蹬离时的后肢角度与从文献或研究中凭经验确定的目标值之间的误差最小化。

在一个实施例中，可穿戴系统可以包括能够测量髋关节伸展的至少一个传感器。传感器或传感器组合可以通过一个或多个惯性测量单元(IMU)或者能够测量例如大腿角位置、小腿脚位置和辅助肢的脚角位置的替代传感器来实现。通过同时测量大腿、小腿和脚的角度位置，我们能够计算下肢运动学、大腿、小腿和脚相对于彼此的方向。将所有三个方向结合在一起允许我们如上所述逼近后肢角度。可选择地，独立地采取大腿、小腿和脚的角度位置对于在步态周期期间检测事件也是有用的。例如，脚的角度位置可以允许控制器确定何时发生特定的步态事件，例如蹬离和脚与地面的初始接触。

用于优化的合适致动参数可以包括下列中的一个或组合：致动的幅度、致动的最大幅度的持续时间、致动的起始时机、致动的起始速率、致动的截止时机和致动的释放速率。

取决于应用，可以期望通过使用非麻痹腿作为参考，而不是使用来自文献或先前研究的数据，来优化髋关节伸展。这种方法可能更适合一条腿的单边缺陷且未对其非麻痹腿制定显著补偿策略的患者。这样做的主要好处是非麻痹腿将适应不同的速度，并且与使用参考平均数据相比，将更加个性化。为此，用于优化髋关节伸展辅助的另一实施例可以包括可穿戴系统，所述可穿戴系统被配置为在髋关节伸展(单边)中提供主动辅助，其中至少一个传感器能够测量躯干角度位置，至少一个传感器能够测量大腿角位置，至少一个传感器能够测量辅助肢的脚角位置。合适的对象函数可以以蹬离时的典型生物后肢角度作为目标，而且，作为对象函数的代理，控制方法可以旨在使脚跟上升时麻痹的髋关节伸展角度与前一步脚跟着地时非麻痹的伸展角度之间的误差最小化。用于优化的合适致动参数可以包括下列中的一个或组合：致动的幅度、致动的最大幅度的持续时间、致动的起始时机、致动的起始速率、致动的截止时机和致动的释放速率。

通用的单边辅助优化

现在，提供代表性的系统和方法用于通用单边辅助优化。该应用对于身体一侧(偏瘫)需要帮助的步态受损(例如，中风、MS)的人可能特别有用。

举例来说，考虑个体从中风中恢复的具体情况。中风后偏瘫步态的特征可以包括受影响(麻痹)侧的运动受损，其中可以包括(除其他外)：

a.受影响侧的腓肠肌和比目鱼肌(脚底屈肌)肌肉无力，导致俯卧撑期间产生的向前推进力减小；

b.受影响侧的胫骨前肌(背屈肌)肌肉无力，导致摆动时的离地间隙减小，以及可能采取补偿策略以实现离地间隙，例如髋关节提高或髋关节环行；以及

c.在承重和受影响的腿的推动期间稳定性降低，这可能限制个体在受影响侧的单肢支撑期间承受负重的能力，并且可能需要使用辅助装置，例如助行器或手杖以获得额外的支撑。

上述单边缺陷和弱点导致了一种不对称的行走模式，其包括时间、空间运动和每条腿产生的力。

可穿戴系统可以被配置为提供主动辅助以解决该人群中的一个或多个特定损伤，例如，通过在跖屈期间向穿戴者的患肢提供单边辅助来解决上述a)点。在这种情况下，合适的对象函数可以是在步态周期的各个部分期间最大化每个腿之间的整体对称性。完美对称的目标将表明，正如在健康个体中所预期的那样，双腿(麻痹和非麻痹)在行走期间对向前的贡献是一样的。可穿戴系统可以被配置为在跖屈(单边)中提供主动辅助。合适的对象函数可以使麻痹和非麻痹肢体之间的步态对称性最大化。

作为对象函数的代理，控制方法可以旨在使麻痹的单肢支撑时间和先前非麻痹的单肢支撑时间之间的误差(时间对称性)最小化。时间对称性是整体行走对称性的合适代理，因为a)两个对称性都受到上述针对该人群的相同缺陷的影响，以及b)使用系统中可用的传感器测量时间对称性是准确且可行的。作为对象函数的代理，控制方法可以旨在使麻痹的迈步时间和先前非麻痹的迈步时间之间的误差(时间对称性)最小化。

在一个实施例中，可穿戴系统可以包括能够测量每只脚的旋转速度的至少一个传感器。使用传感器测量每只脚的旋转速度，我们能分析这些数据以确定步态周期中的特定事件，例如麻痹和非麻痹的脚趾离地或脚跟着地。通过检测特定的步态事件，我们能将步态周期划分为用于我们的优化算法的离散阶段。例如，麻痹的单肢支撑时间将被定义为非麻痹的脚趾离地事件与非麻痹的脚跟着地事件之间的持续时间。当将其与先前非麻痹的单肢支撑的持续时间进行比较时，我们能评估这两个值之间的差(误差)，并将此输入合并到我们的优化回路中。

用于优化的合适致动参数可以包括下列中的一个或组合：致动的幅度、致动的最大幅度的持续时间、致动的起始时机、致动的起始速率、致动的截止时机和致动的释放速率。

使用套装-身体相互作用进行优化

可以应用控制器来优化如下的对象函数：所述对象函数表征护甲套装跟穿戴者之间的相互作用。

对于健康患者人群在行走过程中的应用，算法可以优化用户在穿着机械护甲行走时自我报告的舒适度。实施例可以包括作为穿戴者的舒适度的输入的手持装置。穿戴者可以通过按手持装置中的某个按钮来评估当前设置对系统的辅助的舒适度或感知。示例评级将是(1-5)，其中1比先前时间条件的辅助性小得多，3与先前条件的辅助性一样，并且5比先前的条件明显更具辅助性。

要优化的参数可以包括致动的开始，因为如前所述，该参数对辅助的个体化具有很大的影响。

当用户行走时，系统将改变起始时机并等待用户通过装置提供输入，基于评级，系统然后将使用等同于上述梯度下降方法的方法将起始参数移动到邻近的不同值，并且与先前条件相比，修改用户感觉系统更舒适的方向上的时刻。还可以使用穿戴者与装置之间的压力传感器数据来衡量穿戴者的舒适性。例如，如果压力非常高且局部化，那将是不适的衡量标准。

使用系统的性能进行优化

控制器可以具有优化与装置的性能相关联的对象函数的目标。作为示例，可以设置实施例和算法来优化在行走期间传递到生物关节的平均正功率，同时使系统的功耗最小化。

示例对象函数将根据系统的优先级对这两个目标进行加权。例如，对象函数可以定义如下：F＝α正功率+β电池消耗。加权系数可以是恒定的，并由系统设计者定义，由用户通过输入装置(手持遥控器等)定义的变量或由算法根据系统的条件自动变化，例如当系统电池电量充足时，与电池消耗相关联的重要性可能为0，而当电池电量非常低时，与电池消耗相关联的重要性可能为0.8。出于该示例的目的，系数将是恒定的。

算法可以优化时刻或幅度变量，例如致动的开始，来使所提出的对象函数最大化。致动的开始对平均正功率和电池消耗都有影响，这使其成为合适的控制参数。

控制包括外部优化回路和内部反应回路的架构

在各种实施例中，本公开的系统和方法可以包括控制系统架构，所述控制系统架构配置有与上述优化方法一致的外部“优化相关”回路以及用于响应于突然的变化(例如，在不平坦的地形上行走，避开障碍物，或者改变推动力速度)而提供快速控制适应的内部“反应”回路。如所配置的，可穿戴系统可以自由地对突发情况作出动态反应，而不受在较长时间内运行的优化工作的限制或影响。

更具体地，所提出的方法总结在图26中，并在下面进一步详细描述。控制算法分为两个回路：

1)外部优化回路利用板载传感器来检测用户如何行走并调整辅助参数以使测量穿戴系统的结果的对象函数最大化，优化过程通常需要几个迭代回路以收敛到最佳值。示例对象函数可以最大限度地降低健康个体行走的代谢值，改善受损患者的行走对称性等。

2)内部反应回路连续运行，检测当前步骤内的事件，以便对地形进行高频适应或检测活动，如果在步骤中检测到某些特定事件，则可能不希望在外部回路找到的最佳时机驱动该事件。这种情况的示例实施例将是一种算法，所述算法总是根据外部优化回路决定的最佳时机而触发，但是如果它检测到用户正在越过障碍物或沿着陡峭的斜坡下行，则该算法将会偏离障碍而根本无法提供辅助。另一示例将是一种算法，所述算法使用最佳致动参数，但如果在特定步骤中检测到地面上的岩石或隆起，当踩到不同类型的凸起时，则所述算法将基于关节动力学变化的生物力学知识将该最佳时机移动特定步态％。

下面的多维优化实施的目标是使不同个体行走的代谢值最小化。直接测量代谢值需要具有入侵性且不适合日常穿戴的传感器，例如，用于测量肺部气体交换的面罩。然而，对于踝关节，使传递到关节的正功率最大化可以用作代谢效益的代理；系统向关节传递的正功率越大，系统将产生的代谢减少越多。如图27A、图27B和图27C所示，该假设已经在我们的协议和其他文献中得到了证实。

本研究所选择的优化控制变量的特征在于，辅助曲线的开始(Tl；当电缆开始拉动时，应该与蹬离的起始时机有关)以及辅助的斜率或持续时间(D；电缆拉动的速度，应该与蹬离过程中的踝关节速度有关)。为了简化问题，我们定义了2步优化过程，其中，算法将会冻结一个控制变量，同时修改另一个控制变量，然后切换此过程直到找到最佳值，如图28A、图28B和图28C所示。

这两个变量(Tl,D)的参数空间可以在不同的实验对象、不同的行走条件(行走速度、步长等)、不同的系统(机械的能力、套装-人界面的刚度等)或这些的组合之间变化。为了缓解这个问题，已经实现了定义搜索空间中的当前点是否“可行”的算法。当系统能够在连续步骤之间一致地传递力分布时，实现了这种情况下的可行性；如果所得到的峰值力中有太大的变化，则算法将其定义为失败点，并且在优化过程中不会考虑这一点。

图29中示出了参数空间中不可行的点的示例。所述点不会导致一致的力传递。即使在应用相同的电机曲线时，峰值辅助力也会从期望值(400N)显著下降。因此，算法不将此点视为搜索空间的一部分。可以添加以约束可用参数空间的另一个条件是每个条件的最大电力消耗，因此，算法将只考虑消耗电能少于定义阈值的点；当系统必须能够在长距离内辅助以确保电池可以使用时，这可能是有意义的。

多级、多参数交替优化，在旋转中搜索两个参数(T1,D)的最佳值，并随着搜索的进行减小步长，以改善优化的粒度。

此优化的示例步骤如下：

i)开始点(给定的，或初始猜测的)→T10,D0

ii)在5％的解中进行一级T1搜索(在固定D0的同时)→T11

iii)在5％的解中进行一级D搜索(在固定T11的同时)→D1

iv)在2.5％的解中进行二级T1搜索(在固定D1的同时)→T12

v)在2.5％的解中进行二级D搜索(在固定T12的同时)→D2

vi)…

图30A、图30B、图30C、图30D和图30E示出了当实验对象以1.5m/s的速度在跑步机上行走时优化如何在不同步伐之间起作用的示例。该算法表明，通过优化致动的开始和持续时间，可以将输出功率从8.0W增加到12.5W；这种增加非常显著，并大大提高了系统的性能。下图还示出了算法如何通过丢弃无法一致传递力的点来动态定义可行的搜索空间；标记为"失败"的条件和下图中的蓝色区域是此实验对象和行走条件无法实现的搜索空间。

图31总结了在以1.5m/s的速度行走的6个实验对象上测试该算法时的结果，比较两种不同的算法，一种对每个人使用相同的时刻的算法，以及一种使向踝关节传递的正功率最大化的优化算法。这表明，i)通过使用这种优化方法，每个实验对象的正踝关节功率增加，ii)因此，通过穿戴COSMED气体交换测量系统的实验对象的代谢效益也得到改善。这也表明，选择作为代理的正功率是有效的，并且iii)每个实验对象的最佳时机是不同的，这突出了优化的需要。

图32示出了在最佳与原始时刻条件之间的辅助曲线是不同的，并且功率图清楚地示出最佳曲线能够向踝关节传递明显更多的正功率。右图表明，在使用具有恒定时序的控制器与采取使用优化算法的时序之间，每个实验对象都能够将代谢降低改善为：从恒定时序的代谢降低11.97％变到平均优化的代谢降低18.8％；这种差别是非常有希望的。

对于某些应用，该算法的补充是在优化过程中探索搜索空间时设置功耗阈值。图33A、图33B、图33C、图33D和图33E示出了此算法如何工作的示例。这些图表是实验对象在跑步机上行走时实时创建的。如下图所示，该算法将排除消耗过多功率的条件。如最后一幅图所示，该算法选择的条件是产生7.74W的正功率，而不是全局最优值7.59W，但是在这些测试中它会消耗低于指定阈值的电力。

优化过程的示例实施例可以是：

1)用户以恒定速度在跑步机上行走，以使正功率最大化，并运行优化算法直到系统基于该实验对象找到最佳时机。在此过程期间，如上所述运行算法以基于步态(％)找到最佳时机。

2)一旦算法找到最佳时机，该算法可以提供生物力学事件的相对值，当实验对象改变速度或不同的事件时，已知该生物力学事件的变化，以便系统将基于用户正在进行的活动来调整时间。例如，在上述优化过程之后，算法可以提供关节速度的阈值，该关节速度应当用于触发在跑步机上以特定速度发现的致动，而不是固定的步态百分比，如果认为这会给不同的速度提供更具适应性的结果。

该优化过程的另一个实施例将在行走期间连续运行并通过在用户行走时或当用户进行所需活动时优化对象函数来适应步态的任何变化。

下面的伪代码代表这样的实施例：

尽管已经参考本发明的某些实施例描述了目前公开的实施例，但是本领域技术人员应该理解，在不脱离目前公开的实施例的实质精神和范围的情况下，可以进行各种改变并且可以替换等同物。此外，在不脱离目前公开的实施例的精神和范围的情况下，可以进行许多修改，以适应特定情况、指示、物质的材料和组成、工艺步骤或步骤。所有这些修改都在所附权利要求的范围内。

Claims (25)

1.一种可穿戴系统，包括：

机械护甲或外骨骼，其被配置成跨越穿戴者的一个或多个关节；

至少一个致动器，其被配置成在所述机械护甲或所述外骨骼中产生力；

至少一个传感器，其被配置成测量用于评估与下列内容中的至少一者相关联的对象函数的信息：向所述穿戴者提供身体辅助，所述穿戴者跟所述机械护甲或所述外骨骼之间的相互作用，以及所述机械护甲或所述外骨骼的操作；和

至少一个控制器，其被配置成：

根据至少一个致动曲线来致动所述至少一个致动器，

基于由所述至少一个传感器测量的信息来评估所述对象函数，以确定所述对象函数的所得变化，

基于所述对象函数的所得变化来调整要被优化的用于使所述对象函数最大化或最小化的至少一个致动参数，所述至少一个致动参数是所述至少一个致动曲线的参数，并且

继续致动、评估和调整，以优化用于使所述对象函数最大化或最小化的所述至少一个致动参数；

其中，在致动步骤、评估步骤和调整步骤的至少初始迭代中：

所述致动步骤包括：识别要被优化的用于使所述对象函数最大化或最小化的所述至少一个致动参数，并且根据两个以上致动曲线来致动所述至少一个致动器，所述两个以上致动曲线具有要被优化的所述至少一个致动参数的不同基线值或基线值组，并且

所述调整步骤包括：基于来自所述至少一个传感器的所述对象函数的相应评估，定义所述至少一个致动参数与所述对象函数的相应评估之间的数学相关性，并且评估基线数学相关性以确定用于使所述对象函数最大化或最小化的所述至少一个致动参数的候选值或候选值组；

而且其中，在致动步骤、评估步骤和调整步骤的至少随后迭代中：

所述致动步骤包括：根据与所述候选值或候选值组相关联的致动曲线来致动所述至少一个致动器，并且

更新步骤包括：基于来自所述至少一个传感器的所述对象函数的相应评估来更新所述数学相关性。

2.根据权利要求1所述的可穿戴系统，

其中，所述至少一个致动参数选自由下列组成的群组：致动的起始时机、致动的截止时机、致动速率、达到致动的最大幅度的时机、致动的最大幅度、致动的最小幅度和所述致动曲线的整体形状。

3.根据权利要求1所述的可穿戴系统，

其中，与向所述穿戴者提供身体辅助相关联的所述对象函数包括下列中的一者或组合：能量消耗、机动效率、机动输出、离地间隙、步态对称性、关节运动学与规范数据的相似性、肌肉活动的时间积分、推进冲量、峰值推进力、推进冲量与制动冲量的比率、推进冲量对称性、峰值推进对称性、从制动到推进的过渡时机、地面反作用力与规范数据的相似性、机动期间的稳定性、关节活动度、脚着落方式、步长、步宽、执行重复任务的时间、站立末期时的后肢角度、垂直质心行程、质心功率、脚的压力位置中心与规范数据的相似性、蹬离地面时脚的总压力、肌肉中的血液氧合、以及肌肉收缩或应变。

4.根据权利要求1所述的可穿戴系统，

其中，与所述穿戴者跟所述机械护甲或所述外骨骼之间的相互作用相关联的所述对象函数包括下列中的一者或组合：所述机械护甲或所述外骨骼的位移、所述穿戴者的舒适性、在所述穿戴者跟所述机械护甲或所述外骨骼之间的界面处的压力、沿着所述穿戴者的负荷传递、以及致动器力。

5.根据权利要求1所述的可穿戴系统，

其中，与所述机械护甲或所述外骨骼的操作相关联的所述对象函数包括下列中的一者或组合：电力消耗；辅助力的一致性；最大和平均致动器位置、速度、加速度或加加速度；以及温度。

6.根据权利要求1所述的可穿戴系统，

其中，评估所述对象函数包括下列步骤中的一者或组合：使用一个或多个所述传感器来获得所述对象函数的直接测量；使用由一个或多个所述传感器测量的信息来计算或估算所述对象函数；以及使用由一个或多个所述传感器测量的信息来测量、计算或估算与所述对象函数相关联的代理。

7.根据权利要求1所述的可穿戴系统，

其中，用于评估与向所述穿戴者提供身体辅助相关联的对象函数的所述信息包括下列中的一者或组合：一个或多个关节的角度、速度或加速度；由所述机械护甲或所述外骨骼施加的力、扭矩或功率；所述穿戴者参与的某类身体活动；所述穿戴者的姿势；所述穿戴者的能量消耗；以及所述穿戴者身体与周围物理环境的相互作用。

8.根据权利要求1所述的可穿戴系统，

其中，用于评估与所述穿戴者跟所述机械护甲或所述外骨骼之间的相互作用相关联的对象函数的所述信息包括下列中的一者或组合：所述穿戴者与所述机械护甲或所述外骨骼之间产生的剪切力或压缩力；以及所述机械护甲或所述外骨骼在所述穿戴者上的位置。

9.根据权利要求1所述的可穿戴系统，

其中，用于评估与所述机械护甲或所述外骨骼的操作相关联的对象函数的所述信息包括下列中的一者或组合：在所述机械护甲或所述外骨骼的致动期间使用的电流或电压；所述机械护甲或所述外骨骼的一个或多个部件的温度；所述至少一个致动器产生的力；传递到所述机械护甲或所述外骨骼的力；以及传递到穿戴着所述机械护甲或所述外骨骼的所述穿戴者的力、扭矩或功率。

10.根据权利要求1所述的可穿戴系统，

其中，所述至少一个传感器包括下列中的一者或组合：惯性测量单元、关节角度传感器、力或压力传感器、扭矩传感器、代谢能量测量装置、肌肉活动测量装置、地面反作用力传感器、心率传感器、以及鞋垫力或压力传感器。

11.根据权利要求1所述的可穿戴系统，

其中，所述至少一个控制器被配置成优化所述至少一个致动参数，直到所述对象函数达到最大值或最小值时，或者直到满足预定义的终止标准。

12.根据权利要求11所述的可穿戴系统，

其中，所述预定义的终止标准选自由下列组成的群组：(i)用于对所述至少一个致动参数的依次调整的所述对象函数的评估之间的差低于预定阈值，(ii)对所述至少一个致动参数的依次调整之间的差低于预定阈值，(iii)已经超出了自优化开始以来的预定义时间量，(iv)所述穿戴者超过了自优化开始以来的预定义步数，以及(v)所述穿戴者发出的终止命令。

13.根据权利要求1所述的可穿戴系统，

其中，所述控制器被配置成：在致动、评估和调整以优化用于使所述对象函数最大化或最小化的所述至少一个致动参数时，使用梯度下降过程。

14.根据权利要求1所述的可穿戴系统，

其中，在评估所述对象函数时，所述控制器被配置成判定该评估是否从所述对象函数的先前评估的一个值或平均值增大或减小，

而且其中，在调整所述至少一个致动参数时，所述控制器被配置成：如果所述对象函数从先前评估的一个值或平均值增大，则继续在相同方向上调整所述至少一个致动参数，并且如果所述对象函数从先前评估的一个值或平均值减小，则在相反方向上调整所述至少一个致动参数。

15.根据权利要求1所述的可穿戴系统，

其中，致动步骤包括：根据第一组致动曲线致动所述至少一个致动器一个相应时段，所述第一组致动曲线具有至少一个致动参数的值的变化，

其中，评估步骤包括：比较在每个所述相应时段期间由所述至少一个传感器获取的所述对象函数的评估，以确定哪个致动曲线与所述对象函数的最高或最低评估相关联，这取决于所述对象函数是要被最大化还是最小化，

而且其中，调整步骤包括：基于与所述第一组致动曲线相关联的所述对象函数的评估的导数，产生第二组致动曲线，所述第二组致动曲线具有所述至少一个致动参数的值的变化。

16.根据权利要求15所述的可穿戴系统，

其中，所述第二组致动曲线中的至少一个致动参数的值被计算出来，其是所述第一组致动曲线中的相应的致动参数的值加上与所述第一组致动曲线相关联的所述对象函数的评估的导数。

17.根据权利要求1所述的可穿戴系统，

其中，所述控制器被配置成使用高斯过程来定义所述数学相关性，

而且其中，在评估所述数学相关性时，所述控制器被配置为使用贝叶斯过程来确定所述至少一个致动参数的候选值或候选值组。

18.根据权利要求1所述的可穿戴系统，

其中，所述穿戴者的一个或多个关节包括髋关节，

其中，所述至少一个致动参数包括致动峰值时机和致动截止时机，

而且其中，所述对象函数是所述穿戴者的机动效率。

19.根据权利要求1所述的可穿戴系统，

其中，所述至少一个传感器被配置成测量所述穿戴者的关节的旋转速度和在所述机械护甲或所述外骨骼中产生的力，

而且其中，所述至少一个控制器被配置成基于来自所述至少一个传感器的测量结果来计算由所述机械护甲或所述外骨骼传递给所述穿戴者的平均正功率。

20.根据权利要求1所述的可穿戴系统，

其中，所述至少一个传感器被配置成测量所述穿戴者的脚与所述穿戴者的物理环境中的表面之间的力或压力，

而且其中，所述至少一个控制器被配置成基于来自所述至少一个传感器的测量结果来计算所述穿戴者的向前推进力。

21.根据权利要求1所述的可穿戴系统，

其中，所述至少一个传感器被配置成在机动摆动阶段期间测量踝关节的背屈角度，

而且其中，所述至少一个控制器被配置成基于来自所述至少一个传感器的测量结果来计算在机动摆动阶段期间脚的离地间隙。

22.根据权利要求1所述的可穿戴系统，

其中，所述至少一个传感器被配置成测量所述穿戴者的麻痹脚的着地角度和所述穿戴者的非麻痹脚的着地角度，

其中，所述至少一个控制器被配置成基于来自所述至少一个传感器的测量结果来计算所述麻痹脚的着地角度与所述非麻痹脚的着地角度之间的差，

而且其中，所述对象函数是非麻痹腿的步态与麻痹腿的步态之间的对称性。

23.根据权利要求1所述的可穿戴系统，

其中，所述至少一个控制器还被配置成：

实时监测来自所述至少一个传感器的测量结果以检测所述穿戴者的预定运动，

响应于对所述预定运动的检测，实时调整所述致动曲线，并且

当优化用于使所述对象函数最大化或最小化的所述至少一个致动参数时，忽略在预定步态事件期间由所述至少一个传感器测量的信息。

24.一种可穿戴系统，包括：

机械护甲或外骨骼，其被配置成跨越穿戴者的腿的一个或多个关节；

至少一个致动器，其被配置成在所述机械护甲或所述外骨骼中产生力，用于辅助或促进所述穿戴者步态的改善；

至少一个传感器，其被配置成测量用于评估与下列中的至少一者相关联的对象函数的信息：向所述穿戴者提供身体辅助，所述机械护甲或所述外骨骼跟所述穿戴者之间的相互作用，以及所述机械护甲或所述外骨骼的操作；以及

至少一个控制器，其被配置成：

在所述穿戴者的步态周期期间根据至少一个致动曲线来致动所述至少一个致动器，

基于由所述至少一个传感器测量的信息来评估所述对象函数，以判定所述对象函数的评估是否从来自先前步态周期的对象函数的评估的一个值或平均值增大或减小，

基于所述对象函数的评估是增大还是减小的判定，来调整要被优化的用于使所述对象函数最大化或最小化的至少一个致动参数，所述至少一个致动参数是所述至少一个致动曲线的参数，并且

继续致动、评估和调整，直到所述对象函数的评估达到局部最大值或局部最小值，或者直到满足预定的终止标准；

其中，在致动步骤、评估步骤和调整步骤的至少初始迭代中：

所述致动步骤包括：识别要被优化的用于使所述对象函数最大化或最小化的所述至少一个致动参数，并且根据两个以上致动曲线来致动所述至少一个致动器，所述两个以上致动曲线具有要被优化的所述至少一个致动参数的不同基线值或基线值组，并且

所述调整步骤包括：基于来自所述至少一个传感器的所述对象函数的相应评估，定义所述至少一个致动参数与所述对象函数的相应评估之间的数学相关性，并且评估基线数学相关性以确定用于使所述对象函数最大化或最小化的所述至少一个致动参数的候选值或候选值组；

而且其中，在致动步骤、评估步骤和调整步骤的至少随后迭代中：

所述致动步骤包括：根据与所述候选值或候选值组相关联的致动曲线来致动所述至少一个致动器，并且

更新步骤包括：基于来自所述至少一个传感器的所述对象函数的相应评估来更新所述数学相关性。

25.一种可穿戴系统，包括：

机械护甲或外骨骼，其被配置成跨越穿戴者的腿的一个或多个关节；

至少一个致动器，其被配置成在所述机械护甲或所述外骨骼中产生力，用于辅助或促进所述穿戴者步态的改善；

至少一个传感器，其被配置成测量用于评估与下列中的至少一者相关联的对象函数的信息：向所述穿戴者提供身体辅助，所述机械护甲或所述外骨骼跟所述穿戴者之间的相互作用，以及所述机械护甲或所述外骨骼的操作；和

至少一个控制器，其被配置成：

识别要被优化的用于使所述对象函数最大化或最小化的两个以上致动参数；

根据两个以上致动曲线来致动所述至少一个致动器，所述两个以上致动曲线具有所述要被优化的两个以上致动参数的不同基线值组；

基于由所述至少一个传感器测量的信息，针对所述两个以上致动曲线中的每一致动曲线评估所述对象函数；

基于所述对象函数的相应评估，定义所述两个以上致动参数与所述对象函数的相应评估之间的数学相关性；

评估基线数学相关性，以确定用于使所述对象函数最大化或最小化的所述两个以上致动参数的候选值组；

基于所述对象函数的相应评估来更新所述数学相关性，以根据与所述两个以上致动参数的候选值组相关联的致动曲线来致动所述至少一个致动器；以及

继续更新所述数学相关性，直到所述对象函数的评估达到全局最大值或全局最小值，或者直到满足预定的终止标准。

Images