康复机器人中的自主性：一个交叉点

1. 引言

用于恢复或替代丧失的人体运动功能的辅助机器，对于帮助严重运动障碍者实现独立性至关重要。动力治疗矫形器和操作装置等机器旨在康复身体，协助患者活动手臂和腿部，以恢复减弱或丧失的功能。穿戴在身体上的外骨骼提供额外的结构、支撑和动力，使患者能够使用虚弱或瘫痪的肢体，未来希望这些机器不仅能用于当前的治疗作用，还能用于日常的操作与移动。假肢是穿戴在身上的机器人肢体，用以替代缺失的肢体。电动轮椅为从肌肉无力到颈髓瘫痪等各种功能障碍人士提供非拟人化的移动能力。安装在轮椅上的机械臂则为有上肢障碍的轮椅使用者提供了增强的操作能力。这些机器各自能够扩展下肢和上肢存在运动受限者的移动与操作能力，在某些情况下甚至能为原本无能力者提供行动能力。

在临床形式中，上述每种机器都不涉及机器人自主性（即根据对外部世界的观察做出高层级决策的能力）——尽管它们确实包含了一些自动化元素，这将在第4.3.1节中进一步讨论。然而，机器人自主性对康复领域可能产生的影响是巨大的。迄今为止的少数应用领域——智能机器人轮椅（1）、固定式和移动式智能机械臂（2）以及正在兴起的自主式机器人助手领域（3）——仅仅触及了表面。自主式机器人已经能够合成感知世界、产生运动并计算认知，这些功能中的任何一项都可能被用于应对人体的感觉、运动和认知障碍。

在康复机器人研究领域，自主性很少被引入。然而，10到15年前，该领域中自主性的研究相对更为活跃，尤其是在机器人轮椅及其搭载的辅助手臂方面。此后，康复机器人社区的研究逐渐偏离了自主性方向，但目前这一趋势正开始回摆。当然，在此期间，机器人自主性领域取得了显著进展，因此有望做出新的、或许更具影响力的研究贡献。

康复与更先进的机器人自主性技术（包括人工智能和机器学习）的交叉领域已具备开发利用的条件，本文旨在探讨这一交叉领域。因此，全文对康复机器人的讨论侧重于自主性已发挥作用或未来可能发挥作用的主题。正因如此，本文并非对康复机器人领域的全面综述；如需此类综述，我们建议读者参考文中提到的特定主题的综述。

本文首先介绍用于人类康复领域以替代丧失功能的机器人类型（第2节）。接着描述了从具有运动障碍的人体中获取和解释控制信号以操作用于替代丧失功能的机器所面临的基本挑战（第3节）。随后综述了将自主性融入此类机器的研究，以帮助克服这些操作挑战，并包括未来可能产生影响的领域（第4节）。接下来是对康复机器人中自主性的社会采纳与接受的讨论（第5节），然后是我们的结论（第6节）。

我们将康复机器人领域定义为包含涉及实际临床使用中的各类机器人（假肢、外骨骼、操作装置和矫形器）的研究，和/或参与康复机器人社区（例如IEEE康复机器人会议）的研究。该社区与机器人自主性社区 largely 分离，主要区别在于前者具有强烈的生物医学工程视角，而后者则具有强烈的计算机科学视角（机械工程在这两个社区中均占重要地位）。

2. 康复：恢复丧失的功能

我们首先简要概述用于人体康复的机器。这些机器包括旨在康复身体的机器（第2.1节），以及用于替代丧失的运动功能的机器，后者可能安装在身体上（第2.2节）或不与身体连接（第2.3节）。图1展示了此分类的示意图。

2.1. 与人体

物理治疗旨在通过大脑的神经可塑性和身体的运动学习与力量训练来康复人体，以恢复丧失的运动功能，可帮助改善因中风或不完全性脊髓损伤导致的部分瘫痪等功能障碍。全球中风的发病率估计为人口的1%（4），即使经过强化康复，只有5%至20%的中风幸存者恢复完全功能（5），而25%至74%的人仍需依赖护理人员完成基本功能任务（6）。机器人设备在辅助治疗康复中发挥作用，通过与身体某部分（通常是手）接触的操作装置或触觉反馈接口，或通过附着于身体和/或支撑身体的动力矫形器和外骨骼，为身体运动提供物理引导（7）。

早期使用物理治疗机器人的工作主要采用预先录制的运动轨迹（用于下肢康复）和受限伸展动作（用于上肢康复）。如今，该领域已发展到功能性任务和共享控制策略，以促进患者更主动地参与（11）；这些方法的使用程度通常根据患者需求和治疗目标进行个性化调整。大量关于物理治疗机器人的研究探讨了自动化辅助应在何时以及以何种方式介入，以最有效地促进神经康复（7, 12）。

动力外骨骼是一种附着在身体上的机动化刚性或柔性矫形器（13）。目前，其主要应用在临床治疗环境中（14）。外骨骼在上肢和下肢运动康复训练中提供引导和支持，包括在跑步机上进行的减重步态训练。下肢外骨骼也正在被截瘫患者用于临床，以获得生理益处（而非恢复运动功能），例如减少骨质流失和改善消化。然而，一个目标是使动力外骨骼也能在临床之外广泛用作移动与操作装置（14），从而进一步替代丧失的功能。因此，动力外骨骼横跨了身体康复以及使用附着在身体上的机器来替代丧失功能这两个主题（接下来将讨论）。

有关用于康复人体的机器人领域的全面综述，我们建议读者参考关于神经康复(11)以及下肢外骨骼综述文章(13,14)的一系列文章。

2.2. 身体附着机器

在身体接受康复治疗后，某些情况下仍存在功能差距。对于这些情况，可以在日常生活中使用机器来弥补这种功能差距，并促进独立移动与操作，这与自尊、社会联系和社会参与的提升相关（15）。其中一种情况是肢体缺失。

假肢是一种附着在身体上的装置，用于替代失去的肢体。仅在美国，估计就有160万人生生活在肢体缺失的状态下（16），而使用假肢与改善生活质量、功能恢复以及提高就业可能性等积极指标相关（17）。

绝大多数假肢使用者使用的是体动式假肢，这种假肢不含电机，通过主动方式（例如使用连接到对侧肩部的肩带）或被动方式（例如悬臂式足部）进行控制。上肢体动式假肢通常以单自由度末端执行器（手或钩子）结尾，仅能实现部分丧失功能（18, 19）。作为替代缺失肢体而安装在身体上的机器人手臂和腿（电动假肢）是一项极具前景却出人意料地未被充分利用的技术。

关于机器人假肢为何未能更广泛采用，存在许多推测，原因范围从操作设备所需的能量消耗（对下肢假肢尤为关注），到硬件维护困难，再到限制功能的操作挑战（对上肢假肢尤为突出）（18, 20）。无论设备的功能如何，如果它过于沉重、消耗的能量超过其产生的能量，或接受腔连接不舒适，则不会被采用（21）。许多上肢机器人假肢（以及体外驱动假肢）仅用于美观而非功能用途，在绝大多数任务中，人体仅使用另一只手（针对单侧截肢）（18–20）。因此，上肢和下肢假肢领域的大量研究集中在物理硬件设计以及从人体获取信号以控制这些机器的信号解读上。

有关机器人假肢领域的深入综述，我们建议读者参考关于假肢使用（18）、假肢设计（21）和肌电控制（22）的综述文章。

2.3. 身体未连接机器

还存在一些旨在替代丧失功能并由人体操作的辅助机器，但与假肢不同，这些辅助机器并未安装在人体身体上。

电动轮椅是目前使用最广泛的辅助设备。有证据表明，动力移动能够提供增强的自由度、独立性以及社会参与度（25）。然而，一些功能障碍会使驾驶电动轮椅变得困难，包括上肢身体障碍（共济失调、运动迟缓、肌张力障碍、虚弱或疲劳、痉挛、震颤和瘫痪）、认知障碍（执行推理缺陷、注意力受损、激越和冲动控制问题）以及感知障碍（视力受损或失明；头部、颈部或眼部活动受限；视野缺失；以及视觉忽视）（26）。因此，尽管许多个体通过使用轮椅实现了足够的移动能力，但仍有大量个体无法实现。美国一项针对临床医生的调查数据显示，由于感觉、运动或认知功能缺陷导致无法安全驾驶，10%至40%的候选使用者无法被开具电动轮椅处方——这使得这些个体不得不依赖护理人员来实现移动。

一个主要的混淆因素是，一个人的运动功能障碍越严重，其可选的控制接口就越有限——相应地，通过这些接口传输的控制信息也越受限。工业界和学术界都在持续创新轮椅控制接口的设计（详见第3.1.2节），以及轮椅本身的设计。例如，站立式轮椅（27, 28）的研发旨在为身体提供直立状态下的健康、功能和社会效益，并使使用者达到站立成年人的高度。

辅助机器人手臂领域的发展不如电动轮椅成熟，但近年来正逐渐取得进展。在过去25年中，已推出三种主要的商用辅助机器人手臂。尽管安装在轮椅上的机器人手臂在提供辅助的时间和地点方面 arguably 具有最大的灵活性（29），但独立式移动操作器、工作站机器人以及自动喂食装置也已被提出（2）。

3. 挑战：捕捉来自运动功能障碍人体的控制信号

对于旨在弥补身体功能丧失的辅助机器（无论是否附着于身体），一个主要挑战是如何捕捉并解释来自人体的控制信号。一个重要因素是，随着运动障碍日益严重，人体生成控制指令的能力会下降，可用于捕捉这些控制指令的接口选项也更少。通常，为了满足日益严重的运动障碍患者的需求，机器在功能上变得更加复杂，同时其控制也变得更加复杂。因此，除了运动障碍本身之外，操作还受到严重功能障碍者可用的有限控制接口以及被控机器自身复杂性的制约。

3.1. 临床标准

人体运动功能障碍通常会导致个体在控制信号的产生上受到限制——无论是在带宽、持续时间、强度，还是在身体可用信号源方面。在假肢控制中，存在一个根本性的矛盾：截肢部位越高，假肢需要控制的自由度（DoF）就越多，但可用于生成控制信号的残存肌肉却越少。

许多用于操作轮椅的传统接口，例如双轴操纵杆，对于具有严重运动障碍的人群（如因损伤（例如颈椎脊髓损伤）或退行性疾病[例如肌萎缩侧索硬化症（ALS）]导致瘫痪者）而言是无法使用的。此外，那些可供严重运动障碍者使用的接口在控制电动轮椅等机器时已面临困难，而对于机械臂等更复杂的机器则几乎难以胜任。

学术界和工业界均投入了大量努力，致力于开发出既能有效操作辅助机器又能被这些机器的目标最终用户所使用的控制接口（图2）。

3.1.1. 假肢控制

用于操作假肢的控制范式和传感器因上肢和下肢而异——这是由于功能原因，例如肢体产生的运动类型，以及生理原因，例如机械肢体的安装位置以及所使用的来自人体的信号。

机器人假肢上常用的一种传感器接口是肌电接口，该接口使用放置在皮肤表面的电极来检测肌肉激活产生的肌电（EMG）信号。为了实现生理直觉，肌电信号通常从残肢肌肉中检测。

从肌电信号中区分控制命令可能具有挑战性，原因包括设备在穿戴和脱卸时每天保持传感器放置的一致性、由于出汗和肿胀等生理因素导致的传感器漂移，以及可检测到的电信号中信噪比低。这些挑战在上肢假肢中更加突出，因为其需要更高维度的控制信号——人手臂和手的可控自由度远大于腿和脚。近期创新致力于改造人体而非接口（参见3.2.1），以寻找替代方案产生这些信号的方法。例如，靶向肌肉再神经支配（30, 31）是一种外科手术，将截肢部位的神经重新定位到非生物力学功能的肌肉上（例如肩部离断术后胸肌或锯肌），这些肌肉比残肢的肌肉更大，从而有效实现肌电信号的生物放大。

上肢肌电假肢的商业标准通常为手、肘和腕各提供一个可控自由度。直接控制范式将一对肌电电极映射到单个自由度（22, 32）。例如，电极对检测肱二头肌/肱三头肌收缩的（阈值化）差异，以控制假肢肘关节屈伸。当放置在残肢臂的拮抗肌上时，具有生理直觉的优势（32）。通常使用机械或肌电开关来切换控制功能（例如，从肘部切换到手部）。

随着假肢的结构日益复杂，可控自由度的数量上限成为了一种制约因素。模式识别范式能够通过机器学习技术将电极阵列的信号映射到一系列运动类别，从而处理更多的控制类别，每个解码类别通常控制单个自由度的一半（22, 32）。每个解码类别对应一种独立的功能，最先进的解码技术（重要的是，这些技术也可被人体使用）能够区分10至12个运动类（22, 33）。例如，肘部屈曲和伸展各自为一个独立的类别。多个自由度的同时控制仍然是一个重大挑战（34）。

下肢机器人假肢的控制通常由一组有限状态机构成。每个状态机是一种预编程步态——一种由治疗师根据用户步态调节的自动控制器——而每个状态则是该步态的一种姿势（35, 36）。预编程步态包括例如平地行走、斜坡行走和上下楼梯。因此，接口解码的任务是预测何时在有限状态机之间触发切换。这些解码器的标准输入为机械传感器，如力传感器和关节编码器，而较新的发展还引入了肌电传感器（37–39）。

3.1.2. 轮椅控制

有一些轮椅控制装置和接口专门设计用于应对上述（第2.3节）提到的身体、认知和视觉障碍。通常，在为使用者适配电动轮椅时，职业治疗师需要进行大量手动调试——例如，降低增益以应对震颤，或缩小操纵杆死区以应对运动受限。这些接口的设计背后依赖于大量的专业知识和用户评估。

操纵杆迄今为止是操作电动轮椅最常用的接口，可完全覆盖轮椅的二维自由度控制空间（速度和航向）。标准操纵杆由手部操作；然而，微型限行程操纵杆被广泛使用，并可通过身体的许多其他部位进行操作（例如脚趾、下巴或舌头）。操纵杆是一种比例控制接口，能够根据用户输入的幅度（即操纵杆偏转量）生成相应比例的控制信号。

对于有严重运动障碍的人士而言，可使用的商用控制接口在能够同时发出的控制信号的维度（通常为一维，偶尔为二维）以及控制信号的连续性方面均存在局限。例如通过呼吸操作的吹吸式接口，以及嵌入轮椅头枕中的机械开关或接近开关阵列。这些接口通常提供非比例控制，即以预设量发出控制信号，且信号幅度不会随输入力度的大小而变化。

3.1.3. 机械臂控制

安装在轮椅上的机械臂目前仍是一个不断发展的商业领域。迄今为止，尚无专为机械臂控制设计的商用接口，实际使用的接口均为原本用于操作轮椅的接口。例如，Kinova JACO 配备了一个带有按钮的三轴操纵杆，通过按钮来切换控制模式。

机械臂的末端执行器位置（三维）和方向（三维）控制理论上存在于六维空间中。这高于标准操纵杆所提供的二维或三维控制维度。通常的解决方案是将控制空间划分为多个控制模式，每个模式仅在特定时间内作用于控制空间的一个子集。要操作不同的子集，需切换至不同的控制模式（例如通过按下按钮）。对于二维和三维接口而言，机械臂的模态控制本身已具挑战性。而对于存在严重运动障碍的人群所使用的功能更有限的轮椅接口（一维、离散型），控制可能变得难以实现。实际上，这类接口很少被用于操作机械臂，这就产生了一种讽刺现象——那些最需要机械臂辅助的人反而难以使用其功能。

3.2. 研究进展

尽管辅助机器在促进许多人独立性方面取得了成功，但在某些情况下，控制仍然存在挑战，甚至可能导致机器完全无法使用。为应对这一挑战，可采取以下选项：要么从人体获取更复杂的控制信号，要么通过设计更简单的机器或将部分操作负担转移给自主控制器，使机器操作对人类输入的复杂性要求降低。也就是说，解决这一挑战需要采取以下一项或多项措施：

1. 更简便的控制：设计具有高功能复杂性但低控制复杂性的机器。
2. 更丰富的控制信号：设计新型控制接口和解码范式，能够在存在严重运动障碍的情况下捕捉高复杂度的控制信号。
3. 机器人自主性：引入机器人自主性，以增强、解释或修改来自人体的低复杂度控制信号。

尽管辅助和康复机器人相关的操作挑战更为广泛，且包括能量消耗和接受腔适配等因素，但本节我们重点关注控制问题——即捕获和解读来自人体的控制信号，并将这些信号整合到机器人上的控制范式中。康复机械和机器人中的自主性问题将在第4节中讨论。

3.2.1. 假肢设计创新

假肢控制研究的重点是解码来自人体的信号，将这些信号映射到替代的控制空间，并创建新型需要更简单控制的硬件设计。所有这些方法都旨在简化或改进控制，或实现更复杂的控制。

For commercial upper-limb robotic prostheses, paradigms that control one DoF at a time are the norm. Such control paradigms are robust and straightforward to use, but they do not scale well to high-DoF systems or complex coordinated motions(22). Therefore, a large body of pattern recognition research focuses on advancing EMG-decoding paradigms—evaluating a variety, even cascades(40), of machine learning algorithms(41, 42) and different input features for these algorithms(41–43), as well as exploring different output classes(34, 44–46). Prosthesis operation also is a target application domain for cortical neural interfaces(47, 48), an extremely promising technology with the potential to capture complex control signals but with many hurdles to adoption.

Sensor-decoding research likewise features prominently in lower-limb prostheses, where superior decoding aims to better predict transitions between finite-state machines. Arguably the stakes for classification errors with this hardware are higher than they are for upper-limb prostheses—because a mismatch between the selected automated gait and the human’s intended gait can result in a fall. Lower-limb decoders take as input information from mechanical sensors(e.g., force sensors or joint encoders)(39), EMG data(37), or(as is most often the case today) a combination of both(38, 49). Recent work is beginning to explore algorithms that perceive the external world rather than just the human body, in order to anticipate environmental triggers of a state-machine switch[e.g., the detection of a staircase(50)].

在上肢假肢的同步（多自由度）控制领域，存在探索替代映射范式的研究工作。例如，此类方法可能将每个解码类别映射到一组多自由度运动（51）或每个关节的力函数（52），或者可能采用在降维空间内的直接控制（53）。这些研究有时受到肌肉协同作用概念的启发，即肌肉以协调方式激活而非单独激活。人体中存在协同作用的证据，包括协调肌群（54）、手部的姿势和力量（55, 56），以及脊髓层面的运动控制（57）。

也存在一些通过机械设计而非接口设计来简化控制的研究工作。例如，正在假肢手臂上试用的机械手设计（58, 59）通过机械方式编码上述协同作用，而可变刚度假肢踝关节则在不增加控制复杂性的情况下提升功能（60）。此外，一些设计旨在通过在假肢上添加传感器（61）或体感神经接口（62）向人体提供感觉反馈，这种反馈被广泛认为是实现高级操作所必需的。

3.2.2. 轮椅中的界面创新

关于轮椅操作接口的大量研究集中在从身体其他部位获取控制信号。控制信号可来自头部姿势（63–65）和面部动作（65–67）、肩部和身体动作（68, 69）以及视线方向（70）。生物物理信号，例如眼电图（71）、肌电图（64）和脑电图（72, 73），也被用于向轮椅提供控制输入。除了这些非侵入式神经接口外，皮层神经接口（47, 48）也可能被用来操作轮椅和安装在轮椅上的机器人手臂——例如，这对患有闭锁综合征的患者可能带来变革性的影响。所有这些接口的优势在于，用户无需适应接口本身的物理形态，而商用接口如操纵杆、吹吸系统和头部传感器阵列则要求用户进行适应。

轮椅研究领域还引入了专门设计用于与自主性范式（将在第4节进一步讨论）配对的接口。例如，有些接口采用触觉反馈来引导用户的行进轨迹或提醒他们注意障碍物（74, 75），基于触摸的图形用户界面用于获取控制命令（76）或感兴趣的位置（65, 77），控制通过闪烁的二极管和脑电图（78）进行命令选择，以及使用语音接口捕捉低层和高层控制命令（64, 79, 80）和环境标注（81）。

4. 人工操作辅助机器中的自主性

当一个人因损伤、疾病或肢体缺失而导致运动功能障碍时，首要的应对措施是康复——尽可能通过自身身体恢复功能。然而，当康复达到极限且仍存在功能差距时，辅助设备和机器便会介入以弥补这一功能差距。进一步引入机器人自主性的理念在于使这些机器变得更加易用——降低操作负担，甚至在目前尚无解决方案的场景中创造新的使用可能。

自主系统的基本组件包括用于观察外部世界的传感器，以及能够对此信息进行推理并生成可由硬件平台执行的控制信号的智能范式。因此，感知、无障路径规划和运动控制器等组件在自主系统中是标准配置——这些组件都需要额外的传感和计算基础设施。正因如此，迄今为止，在康复领域中，大多数机器人自主性已被引入到未安装在身体上的机器中。（关于将自主性引入穿戴在身体上的机器的讨论详见第4.3.1节。）

虽然完全自主是辅助机器的一种选择，但由于鲁棒性（82, 83）和用户接受度（84）的原因，目前它很少成为首选架构。辅助设备的用户普遍希望尽可能保留更多的控制权，仅将最少的控制权限让渡给机器（18, 85）。

因此，另一种选择是在人体与机器人自主性之间共享控制。在共享控制谱的一端是完全手动控制，另一端是完全自动控制；在这两个极端之间存在着一系列共享控制范式，它们整合了手动控制和自动控制器的输入。在机器人领域，共享控制范式的通常目标是在这一连续体上找到一个最佳平衡点（86–88），理想情况下，共享控制能使系统的能力超过任一极端状态。然而，当考虑到人体适应机器人局限性的能力或意愿时，辅助机器的用户可能与更传统的人机协作团队（例如用于搜救或制造业中的团队）有很大不同。

任何辅助共享控制自主系统都必须解决的基本问题包括：确定人类意图（在没有人类明确指示任务或目标的情况下，该信息必须通过推断获得），以及如何在自主系统与人类控制命令之间适当地进行控制共享。辅助机器人技术文献提出了多种实现控制共享的范式，然而令人惊讶的是，针对这些范式的比较研究却非常少（89, 90）。即使这些范式在成功率、效率和安全性等常见的机器人学指标上表现相似，这也并不意味着它们在用户接受或采用方面也会得到相近的评价。

4.1. 机器人轮椅

迄今为止，将自主性引入康复设备最常见的形式是电动轮椅。几十年来，人们已经认识到机器人轮椅在帮助运动或认知障碍者提高移动能力方面的潜力（1）。一项对流行病学数据的调查显示，估计有140万至210万人至少在部分时间内可以从机器人轮椅中受益（26）。尽管在功能、控制和接口方面取得了显著进展，但机器人轮椅技术向公众的转化成功率有限，以至于临床领域在很大程度上仍未意识到这项技术的存在。

4.1.1. 系统设计与自主行为

历史上，机器人轮椅的总体趋势是提供一个功能强大但涉及大量基础设施且部件昂贵的完整系统。许多系统是从头开始整体开发的，包括轮椅硬件和软件系统（91）。早期的机器人轮椅通常依赖对其环境的修改，例如使用基准标记（92）或视觉或磁性线路（93）。然而，随着传感器和算法的进步，其自主能力也随之提升。

许多近期的工作在硬件和软件开发上采取了更为模块化的方法。模块化软件用于兼容多种控制接口（76, 91）和传感器（94）。模块化硬件用于将系统与各种商用电动轮椅型号连接（76, 95–97）或应对不同水平的人体能力（91）。出于用户、旁观者和轮椅安全的考虑，避障是机器人轮椅系统中最常见的自主行为之一（96, 98–100）。避障可帮助应对从痉挛、运动迟缓到视野忽略等各种人体功能障碍，并有助于空间受限操作，例如在人群中行驶（25）。实现避障的方法包括停止（93, 101）、向用户发出警报[例如通过操纵杆力反馈（74）]、转向避开障碍物（102, 103），以及启动路径规划器以绕过障碍物（85, 104）。

机器人轮椅上的其他自主行为包括跟随人（105）、轮椅车队（106）、自动对接（107）、沿墙行走（95, 108–110）和通过门道（89, 99, 110–112）。自动化路线规划的方法（77, 113）可能特别适用于有认知障碍的用户（114）。生成合适的运动轨迹——例如，考虑人体舒适度（115）或社会因素（如如何超越行人）的轨迹（116）——也是一个研究热点。

4.1.2. 共享控制

考虑到用户通常会对机器接管过多控制（实际上迫使用户向机器让渡超出必要范围的控制权限）感到不满，许多方法在其共享控制方案中提供了多种、通常是分层次的自主控制模式和半自主控制模式。

在早期的机器人轮椅中，共享控制经常触发从人体控制到自主性控制的离散切换（117），或将高层控制（例如目标选择）交由人体完成，底层控制（例如轨迹规划与执行）交由自主性完成（80, 91, 108, 118）。这种后者的分工方式在近年来的研究中仍被广泛采用（67, 76, 110, 119）。少数研究将用户和自主性发出的指令进行融合（85, 111, 120），这一方法在当今正日益普及。

如今，研究工作致力于探索智能且平滑实现控制共享的方法，以使用户在保持安全性的同时保留更多控制权。用于确定控制权在人体与自主性之间分配程度的函数通常基于安全性指标，例如与障碍物的距离（96, 97, 99）或不确定性（90）。以人体为中心的指标，如舒适性或透明度（96, 121, 122），或使用机器学习技术推断（123）。

一种与控制融合有本质不同的方法是划分控制空间。例如，某些范式将航向的控制权分配给自主系统，而将线速度的控制权分配给人体（100, 111, 117, 124）。

存在一些方法将用户意图的显式估计融入其共享控制范式中，以确定人体的目标（97, 125）、应使用哪种共享控制范式（98）、自主性何时应介入（99, 126），以及如何与自主性控制平滑融合（127）并过滤噪声输入信号（128）。

近年来，人们也认识到为个体操作者定制化控制共享的重要性（97, 125, 129, 130）。一些架构致力于开发个性化的辅助模型（125, 129），并且已有初步证据表明，人类对辅助范式的偏好会随时间而变化（89）。

纵向和现场研究至关重要，但在现有文献中仍然缺失。也就是说，需要开展研究，在长时间段内以及在室内外的真实世界动态环境中，考察并比较控制共享的使用与偏好，以及意图推断性能。

4.2. 机械臂

安装在电动轮椅上的机械臂目前仍处于新兴的商业领域，尽管在学术界已有多个长期项目开发出集成了移动性和操作功能的辅助系统（68, 131, 132）。可以说，自主性的引入对于辅助机器人手臂的广泛应用将是必不可少的——因为其高维控制使得严重运动障碍者难以操作。即使出现了能够从人体捕捉更丰富控制信号的神经接口，自主性仍可能有助于简化操作。目前尚无商业化的机械臂提供自主功能，但这一领域正处于积极的研究中。

4.2.1. 潜力与挑战

机械臂中的自主性可帮助完成日常生活活动（ADL）中的操作任务，例如个人卫生、备餐和进食，以及诸如从高处和低处表面拾取物体等基本功能（133）。仅在美国，就有1230万人需要至少一项ADL任务的辅助（134）。

尽管从某种角度来看，机械臂的意图推断问题可能比轮椅更容易（因为其工作空间较小），但从另一个角度来看则更具挑战性——因为我们执行操作任务时所采用的运动类型更加多样化。机械臂的运动生成还必须解决逆运动学和奇异性等问题，而当人体引导机械臂进入控制空间中的构型不可行区域时，这些问题可能会变得更加复杂。感知、推断和运动生成方面的挑战仍然是具备自主性的辅助机械臂鲁棒性的障碍，也是运动障碍操作者在复杂的真实世界环境中利用此类系统完成日常生活活动任务的主要瓶颈。

人类信号的维度低于完整的机器人控制空间，这为系统设计者带来了多个决策。其中一个决策是人类信号映射，即人类信号应映射到哪个控制空间。例如，人体和自主性可能完全操作不同的控制器 [例如，人体的位置和自主性的夹持器力（135）]。更常见的情况是，人类信号直接映射到机器人末端执行器（或关节）的位置或速度，但仅映射到该控制的一部分，具体由当前激活的控制模式决定。

模态控制的挑战为自主性带来了额外的机遇。例如，自主系统可能不再仅仅发出控制命令，而是预测并促进控制子空间之间的切换，以减轻模式切换的负担（136）或更准确地估计人类意图（137）。这种方法类似于上肢假肢中的功能切换（即转移控制以操作不同的关节），而这也正是自主性的一个已确认的机遇（138）。

4.2.2. 共享控制

与机器人轮椅类似，安装在轮椅上的机器人手臂提出了如何设计控制共享范式的问题。早期的研究采用了类似的高层/低层控制划分方式，即用户选择任务或目标，然后由自主系统执行（29, 139）。在一些研究中，人体还可进一步介入，提供位姿校正（68, 78, 140）或协助自主系统（83）。此外，也探索了在自主性和人体之间划分控制维度的方法（141）。

近期的研究探讨了混合控制和操作者意图推断。控制分配函数应采取何种形式，以及应依赖于什么因素，仍是一个开放的研究问题（149）。意图推断通常在此控制分配中发挥作用，相关研究探索了如何改进（137, 142）甚至影响（143）这种推断。

对于目标或任务未预先定义（或由人体明确指示）的辅助机器人手臂的评估，大多局限于抓取或拾放任务。目前迫切需要对复杂的多步骤日常生活活动任务进行更多实证评估。

4.3. 未来

自主性的引入将辅助设备转变为一种共享控制机器人，使人体能够减轻部分操作负担。迄今为止，自主性主要应用于轮椅和机械臂中，且尚未在临床上部署。然而，未来我们预计会实现临床和社会采纳（详见第5节），并且有机会将自主性融入更多种类的临床设备和机器中。这些发展将带来对自主性的需求，即自主性需针对个体用户定制，并随着用户能力和偏好的变化而自适应调整。

4.3.1. 更多辅助设备中的自主性

尽管康复机器人目前包含的自主性较少，但已包含一些自动化元素——如下肢假肢（35）和外骨骼（14）中的自动步态控制器、假手中的自动抓握（144），以及安装在轮椅上的机器人手臂中的自动辅助行为（68）。另一个自动化发挥作用的领域是按需辅助控制器（145, 146），该控制器可调节在机器人辅助物理治疗过程中提供的控制辅助程度。通过附加传感器和智能，这些各项技术有望得到进一步发展。

另一个有潜力的领域是本身并非机器但可能集成自主技术以向人体用户提供建议的辅助设备。例如，学术界和工业界将传感器集成到视力受损或失明人士使用的长柄手杖和助行器中，以便为用户提供障碍物信息（147）。

机器人自主性在应对上肢假肢控制挑战方面的潜力显得尤为明显——社会期望人造肢体能够替代失去肢体的完全功能，然而对于绝大多数假肢使用者而言，这仍然远未实现。

然而，将自主性集成到假肢肢体中存在一些根本性挑战，尤其是假肢手臂——这些挑战常常被机器人自主性社区所忽视。假肢手和假肢手与机器人手在重要方面有所不同。关键在于重量是一个决定性因素——上肢假肢必须由使用者自身的肩部和残肢长时间地支撑——这带来了若干重要后果。首先是传感器的缺失；商用假肢手臂通常甚至不包含关节编码器，因此控制完全是开环的。其次是驱动功率较低；电池必须轻便、体积足够小以容纳在手臂内部，并且能够在数小时甚至数天内无需充电运行。第三是计算资源较少，这同样受到重量、尺寸和功率限制的约束。还有一些实际考虑因素，例如如何保持传感器清洁，或在需要精度进行传感器校准或运动学变换时如何正确穿戴设备。所有这些因素共同解释了为何机器人自主性的进步在临床上几乎无法应用于假肢肢体。

尽管这些因素确实带来了相当大的挑战，但它们并不一定排除所有实现自主性的机会。例如，在维持抓握力或实现力闭合（144）的反应式控制范式中使用简单的触觉传感器，将不需要广泛的感知或计算。佩戴在身体其他部位的传感器在社会大众中也正变得越来越普遍。一些学术研究工作确实以临床可行性对自主性主张进行了较大限制（138, 148）。

上述对传感器、驱动功率和计算能力的限制对于假肢腿而言不那么严格。下肢假肢体积更大，支撑身体（而不是被身体支撑），并且通常集成了关节编码器等传感器。为下肢假肢增加感知外部世界的额外传感器以提高自动化水平，甚至引入一定程度的自主性，在临床上比上肢假肢更具可行性，目前学术界正在对此进行探索（50）。

4.3.2. 定制化与自适应自主性

康复设备使用者在身体能力——运动功能、感觉功能或认知功能方面，以及个人偏好方面均具有独特性。这种独特性强烈表明需要定制化甚至个体化的辅助解决方案，尤其是在控制权分配方面（149）。在临床人群中实现可部署的定制化面临巨大挑战。尽管辅助自主性可能在临床环境中进行调整（例如职业治疗师为患者适配轮椅时），但此类方案无法响应患者不断变化的需求。

完全满足用户的需求和偏好，可能需要能够自主适应的动态的辅助水平和形式——这当然为机器学习带来了重大机遇，同时也带来了重大挑战。特别是，我们预计这种人机协作团队会随着时间推移因多种原因而发生变化：

• 改变人类能力：预计用户所需或期望的辅助量将极度不稳定——这可能是由于康复成功，也可能是由于疾病的退行性本质所致。
• 改变人类偏好：特定用户可能在不同日期或一天中的不同时段偏好不同的辅助水平，这取决于疼痛或疲劳等因素。人体自然也会学习并适应机器，随着对自主性的熟悉程度提高，其作为操作者的行为方式也会发生变化。
• 改变环境：当遇到新场景时，机器人性能和人类需求可能会发生变化。跟随人体行动的机器人将会遭遇新环境。

实现动态辅助需要回答以下问题：适应信号来自何处，何时以及针对何种情况应进行适应，以及如何实现这种适应。用户通过接口与机器人进行通信，这些接口会有效过滤（从而去除）其控制信号中的信息内容，而这些控制信号很可能具有嘈杂且稀疏的特性，并且常常因损伤或接口本身而掩盖了人体真实的运动意图。因此，合适的机器学习算法需要能够从非专家用户提供的嘈杂且稀疏的信号中提取信息，并谨慎区分暂时性变化与实际需求、能力或偏好的变化——简而言之，要适当适应用户不断变化的需求和意愿，同时避免对逐次试验的变化和噪声产生过拟合。

工程研究对于开发和设计这些算法是必要的，同时还需要与最终用户进行长期研究，以评估其有效性和迭代优化设计。最终，这些研究必须在实验室之外的社会环境中进行，这将带来一系列全新的挑战。

5. 讨论

我们以对康复机器人中自主性的采纳与接受的讨论作为结尾，并呼吁该领域研究人员打破用于身体康复的机器与填补功能缺失的机器之间的界限。

5.1. 自主性的社会采纳与接受

用户接受度始终是新技术采纳中的一个关键因素。然而，辅助设备的用户与这些机器关系密切——这些机器要么在物理上提供支持，要么直接附着于他们的身体——因此他们对创新的容忍度通常非常苛刻。任何辅助设备最终的成功衡量标准在于其在多大程度上改善了用户的生活质量和能力——无论工程设计多么精巧，如果设备从未被采用，这一指标仍将为零。因此，用户接受度在此领域显得尤为重要。

在开发辅助技术时，必须认真考虑外观、法规和成本。添加到辅助设备中的任何基础设施（例如传感器或计算机）都应评估其是否以及在多大程度上会减少对残疾外观的强化。尺寸或重量的增加需要评估其实际可行性——例如，即使加宽后的轮椅仍符合《残疾人法案》的法规，也可能显著增加通过门道的难度。成本始终是一个主导因素。至少在短期内，这些技术在大多数国家不会被保险计划覆盖，因此任何具有实际效益的系统都应具备自费负担的合理性。尽管传感器和计算能力的成本正在迅速下降，但成本考量仍将某些技术排除在可行范围之外，这引发了人们对依赖此类技术的研究实用性的质疑。

在传统上由人工操作的辅助设备中部署机器人自主性尤为及时。标准汽车中驾驶辅助技术（如紧急制动和车道辅助）的出现，创造了一个广泛应用、传统上由人工操作的机器融入机器人自主性和共享控制的领域。以一种非常具体的方式，人们现在已做好准备接受并采用来自机器人自主性的辅助。鉴于这种社会熟悉度，以及高质量传感器信息获取门槛的降低，在工业界参与的情况下，自主性技术有可能在本十年内应用于辅助机器。

5.2. 黄金标准：用于康复的辅助机器人

本文开头提出了一种分类方法，将康复机器人划分为旨在康复身体的机器和旨在替代丧失功能的机器。然而，我们可以设想这种二分法并不总是存在。相反，用于替代丧失功能的辅助设备的操作也可能被用来恢复丧失的功能。这一可能性正通过新型接口开始得到探索，这些接口在操作过程中提供康复益处（150），并用于控制计算机和轮椅。一种治疗范式可能会调整机器人提供的自主辅助的程度和类型，以促进运动功能的恢复——正如那些旨在康复身体的机器中所见到的那样（145, 146）。这种分类界限的打破，以及出现通过其操作同时提供功能能力和康复益处的机器人，可被视为康复机器人领域的黄金标准，因而也是该领域的一项重大挑战。

6. 结论

当我们在人体内康复运动功能障碍的能力达到瓶颈时，我们转而依靠辅助机器和设备来填补剩余的功能差距。尽管这些机器确实为许多人成功实现了独立移动与操作，但对于更多人而言，由于他们的运动障碍以及可用的控制接口的限制，操作这些机器变得困难甚至完全无法实现。随着运动障碍日益严重、接口愈发受限以及机器控制复杂性的增加，这一令人困扰的因素只会进一步加剧。

机器人自主性有望通过将部分操作负担从人体转移到自主系统，从而帮助解决这一难题。在学术研究中，自主性主要被引入到电动轮椅和机械臂中。将临床可行的自主解决方案引入康复设备时，需要考虑许多微妙而关键的因素，而这些因素常常被机器人自主性研究社区忽视或不了解。如果自主技术未能充分考虑这些因素，则不太可能被最终用户所接受。

如今，康复机器人领域与机器人自主性领域之间的社区交集甚少，且在人类康复的临床或研究工作中，机器人自主性领域的参与也十分有限。然而，未来这些社区之间更深入的交叉融合有助于将自主性引入各种人体操作的辅助机器，并促进对这些机器的访问。我们提出了一项重大挑战，呼吁这些社区进一步融合，设计出通过辅助机器人执行功能性任务来实现身体康复的接口和控制范式。