外骨骼运动控制：从步态意图识别到人机协同伺服落地

1. 外骨骼运动控制到底在控制什么

聊外骨骼运动控制之前，先把一个常见误解掰开：很多人默认外骨骼就是"一个会自己动的架子，穿上它腿就被带着走"。真做过这套东西的人都知道，最难的部分从来不是让它动，而是让它在人想动的时候、以人想要的力度、沿着人想要的轨迹动。这三个条件里任何一个不满足，穿戴者立刻会觉得别扭——轻则像拖着沙袋，重则像被人硬掰着腿走。外骨骼运动控制的核心，本质上是解决"机器输出"与"人体意图"之间的对齐问题，而这个对齐过程，远比实验室里跑通一条正弦曲线要复杂。

我接触的第一个膝关节助力样机，控制逻辑非常简单：检测到膝盖开始弯曲就给电机一个固定的助力曲线。刚装上跑直线还行，一旦走曲线或者变速，人就开始跟机器"打架"。后来复盘发现，问题出在我们把它当成一个轨迹跟踪问题在解，而人体行走其实是一个意图协同问题。这个认知转变，是我在做外骨骼时最大的一次思路调整，也是这篇文章想重点讲清楚的东西。

从工程视角拆开，外骨骼运动控制大致可以分成三层。最底层是关节级伺服控制，负责让电机快速、稳定、准确地跟踪指令力矩或位置；中间层是步态与意图识别，负责判断人现在处于行走周期哪个阶段、想加速还是想停；最上层是人机协同策略，决定在什么相位给多少助力、用位置控制还是力控、灵敏度放大多少倍。这三层如果各自都没问题，但层与层之间的接口没对齐，整体体验依然会崩。我见过不少项目，电机电流环调得非常漂亮，步态识别准确率也高，最后败在相位延迟上——识别出来的意图已经过去了 150 毫秒，机器才回应，人自然会觉得"这东西抢拍"。

标题里提到"简单解读"，我理解不是要把算法讲得浅，而是把那些绕在论文里的公式，翻译成能落地的判断依据。外骨骼适合谁看这部分内容：如果你在做康复训练机器人、工业负重助力、下肢助行器，或者只是对人机协同控制感兴趣，这套"感知—识别—协同—伺服"的拆解方式都能直接套用。它解决的不是某个具体参数怎么调，而是让你面对一堆传感器和电机时，知道先想清楚哪件事，再动手调哪件事。

2. 整体方案选型：为什么外骨骼控制链路是这么搭的

2.1 感知层：别把传感器堆成"数据垃圾场"

新手最容易犯的错，是把能买到的传感器全装上——IMU、编码器、力矩传感器、足底压力、肌电，一样不落。结果数据量爆炸，融合逻辑写不出来，系统里到处是互相矛盾的信号。我的经验是：感知层要围绕控制目标来选，不是围绕"信息全"来选。

一个判断标准很实用：问自己"这个传感器的数据，直接进入哪一层控制？"。进入伺服内环的信号，要求高采样率、低延迟、低噪声，比如关节编码器；进入意图识别的信号，可以容忍几十毫秒延迟，但要稳定、不漂移，比如 IMU 的关节倾角；进入安全逻辑的信号，要求绝对可靠，比如机械限位开关。按这个分类去筛，你会发现肌电信号（sEMG）通常只有资格当"辅助触发"——它响应确实快，但受汗液、电极贴合、肌肉疲劳影响太大，单靠它做连续控制，穿戴十分钟就会开始漂。

具体到硬件，常见的组合是这样：

这张表里我要特别说一下编码器和电流采样的配合。很多低成本方案不装力矩传感器，靠电机电流乘扭矩常数来估算输出力矩。这招能用，但误差来源很多：减速器的摩擦、传动效率随温度变化、齿槽转矩。我实测过同一台电机在不同温度下，电流—力矩系数能差 8% 到 12%。如果助力精度要求高，还是得上力矩传感器，哪怕只在关节处装一个。

2.2 执行层：电机、绳驱、气动到底怎么选

执行器选型直接决定控制方法的可用范围。这个决策一旦定下来，后面算法基本被锁死。

电机加谐波减速器是目前最主流的选择。谐波减速器零背隙、扭矩密度高，配上无刷电机，可以做到位置和力矩双向可控。缺点是反向驱动性差——一旦断电或者控制失效，关节会"锁死"，这在穿戴设备上是安全隐患。所以我的做法是：失电时让驱动器主动进入阻尼模式，而不是靠机械自由，也不是硬锁。减速比的选择有个粗略算法：先估峰值力矩需求，再除以电机峰值扭矩。比如某膝关节峰值需要 30 N·m，电机峰值 0.6 N·m，理论减速比 50。但考虑到冲击载荷和效率，我一般取理论值的 1.3 到 1.6 倍，所以会选 80:1 左右。

**绳驱（鲍登线）**的好处是把电机从腿上挪到腰背，减轻远端惯量，穿戴者摆动腿时更轻快。代价是绳的弹性、摩擦和迟滞——控制上相当于引入了一个非线性弹簧，位置控制精度会打折，做力控更难。我建议绳驱方案一定要在关节端加速度反馈，不然迟滞会毁掉整个内环。

气动人工肌肉柔顺性极好，天然适合康复场景，但带宽低、非线性强，还得拖一根气管和气源。如果你的控制目标是"柔和地带动人做慢速康复动作"，它很合适；如果想做快速助行，别碰。

选型时还有个隐性指标：你能不能接受反向驱动。外骨骼不是工业机械臂，人是要穿在里面的。我个人的底线是，任何工况下穿戴者都要能凭自身力量克服阻力，哪怕很小。这一点会反过来影响减速比、摩擦补偿和控制模式的选择。

2.3 控制器架构：上位机加实时 MCU 的分工

架构上我强烈推荐分层：上位机（Linux 或工控机）负责高层决策、状态机、数据记录、人机界面；实时 MCU（STM32F4/H7 一类）负责 1 kHz 的伺服环和安全逻辑。两者用 CAN 或 EtherCAT 通信，控制指令以 1 ms 周期下发。

这个架构其实借鉴了开源运动控制框架的思路。像 3D 打印机领域的 Klipper，就是把轨迹规划这种重计算放在上位机做，MCU 只负责精确生成脉冲，从而在廉价 MCU 上也能跑出很高精度。外骨骼完全可以照搬这个思想：把步态相位预测、协同策略、日志这些"重活"放到上位机，把力控环、限幅、看门狗这些"急活"留在 MCU。这样既省算力，又保证了实时性。

有个细节要注意：上位机和 MCU 之间不要传力矩原始指令这种要求高实时的量，而是传"期望关节角+阻抗参数"这类缓变量。真正的力矩计算尽量在 MCU 本地完成，减少通信延迟的影响。

3. 核心控制算法：从步态相位到关节力矩

3.1 步态相位识别：一切助力的时间基准

步态相位识别做不准，后面所有控制都是空中楼阁。它的本质是给"人现在走到哪一步"打一个实时标签。

工程上常用两种做法。第一种是有限状态机加阈值：用足底压力判断支撑/摆动，用髋关节角速度过零点判断摆动中期，简单可靠，延迟低。缺点是阈值对不同人、不同速度敏感，需要个体标定。第二种是连续相位估计，比如把髋关节角度归一化映射成一个 0 到 1 的相位变量，配合自适应振荡器（Adaptive Oscillator）做相位锁定。它输出平滑，适合做连续助力曲线，但稳态收敛需要几个步态周期。

我在样机上最后用的是混合方案：状态机负责"粗定位"和异常检测，振荡器负责"细连续"输出。这样既保证了起步阶段快速响应，又保证了稳态下的平滑。判断好坏的核心指标只有一个——相位延迟。我实测下来，延迟超过 100 ms，穿戴者就开始明显感觉"滞后"；控制在 50 ms 以内，才会有"它跟我一起动"的感觉。这个数字受采样率、滤波窗口、通信周期共同影响，调滤波时一定要盯着它看。

3.2 位置、阻抗、导纳：三种模式别用混了

这是外骨骼控制里最容易搞混的部分。我用一句话区分：位置控制是"你听我的"，阻抗控制是"我们商量着来"，导纳控制是"我听你的"。

位置控制在康复被动训练里很常见，机器带动腿完成固定轨迹，力量由机器出。它的好处是简单、可预测、轨迹可复现。缺点是遇到阻力不会退让，如果人不配合，容易出现对抗甚至拉伤风险。

阻抗控制是把关节当成一个"虚拟弹簧阻尼器"，输出力矩按位置偏差和速度偏差计算：

# 单关节阻抗控制，1 kHz 控制周期内执行 tau_ff = gravity_compensation(q) # 重力补偿前馈 tau_fb = K * (q_ref - q) + D * (dq_ref - dq) # 阻抗反馈项 tau_cmd = tau_ff + tau_fb - tau_friction # 摩擦补偿后输出 tau_cmd = clamp(tau_cmd, -TAU_MAX, TAU_MAX) # 硬限幅，安全底线

这里 K 是虚拟刚度，D 是虚拟阻尼。K 挑大，关节就"硬"，跟位置控制接近；K 调小，关节就"软"，人推得动。调试时的经验是：K 从 20 N·m/rad 附近起试，D 大致取 K 的 1/30 到 1/50（按临界阻尼估算再打个折），然后根据实际"软硬手感"微调。

导纳控制反过来：传感器测到人施加的力矩，再决定让关节往哪走。它适合人主导的场景，比如助行器里人要控制方向，机器只负责放大。但导纳控制对力信号的噪声很敏感，力矩传感器没做好的话，关节会出现低频晃动。

实际项目里很少只用一种，多是分相位切换：摆动期用阻抗控制保证腿部轻快跟随，支撑期切换到助力力矩控制把体重分担掉。切换瞬间最容易出问题，必须做输出力矩的连续过渡，不能硬切，否则穿戴者会感到一下"顿挫"。

3.3 灵敏度放大与助力曲线：让人感觉"我还是我"

外骨骼有个很微妙的心理点：助力太弱没感觉，助力太强人会失去对自己身体的控制感，反而更紧张。所以助力策略上我倾向灵敏度放大而不是"全程托着"。简单说就是机器提供的力矩是人自身力矩的某个倍数，人出力多机器帮得多，人放松机器也跟着松。

落地做法是设计一条助力曲线，横轴是步态相位，纵轴是助力系数。比如支撑中期系数最大，摆动期系数减小，避免摆动腿被"甩"出去。曲线要根据使用者的身高体重、行走速度做参数化，不能一套曲线打天下。我踩过的坑是：早期用固定曲线，同一个使用者走快了以后，助力时机全部错位，反而变成了阻力。后来改成按步态周期长度做时间归一化，问题才解决。

4. 实操过程：从零搭一套能跑的控制链路

4.1 力矩需求估算与执行器匹配

动手之前先算账，这一步跳过后面全是返工。我以膝关节助力为例走一遍计算。

假设穿戴者大腿加小腿加足部质量约 10 kg，质心到膝关节距离约 0.3 m。当屈膝 30 度时，重力矩约为：

10 kg × 9.8 m/s² × 0.3 m × sin(30°) ≈ 14.7 N·m

再算外骨骼自身杆件：约 3 kg，质心距关节 0.35 m，同样角度下约 5.1 N·m。两项合计约 19.8 N·m。这还只是静态重力矩，行走时还要叠加惯性项和地面反力冲击，所以我一般乘 1.5 倍安全系数，得到峰值需求约 30 N·m。

接下来匹配电机：选峰值扭矩 0.6 N·m 的无刷电机，配 80:1 谐波减速器，理论输出 48 N·m，留出余量合理。再核对速度：步态周期约 1.1 s，摆动期约 0.4 s，膝关节摆动范围约 60 度，换算峰值角速度大致 3 rad/s。电机侧角速度就是 3 × 80 = 240 rad/s，约 2300 rpm，在无刷电机能力范围内。这一算，执行器就定下来了。

控制带宽方面，步态基频约 1 Hz，考虑到需要跟踪的谐波到 5 次，带宽做到 10 Hz 足够，所以 1 kHz 的伺服环绰绰有余。真正卡脖子的不是内环带宽，而是意图识别的延迟。

4.2 通信链路与实时性配置

硬件搭好后，通信链路是第二个坑区。我用的方案是：MCU 和电机驱动器之间走 CAN，波特率 1 Mbps；MCU 和上位机之间也走 CAN 或以太网。

CAN 总线上要算负载率。每个 1 ms 周期下发力矩指令给两个关节，加上驱动器回传状态，大概 6 到 8 帧，每帧约 110 位（含开销），1 ms 内总共约 900 位，1 Mbps 下占用率不到 10%，很安全。但如果你还在同一个总线上挂 IMU、力矩传感器的高频数据，占用率会飙升。我的做法是把实时控制流和非实时数据流分到不同总线，或者把高频感知数据在下位机预处理后再上传。

还有个隐藏问题：上位机如果不是实时内核，1 ms 周期的指令下发会有抖动，最坏情况可能几十毫秒。所以我绝不让上位机的时序影响内环——力矩计算和限幅全在 MCU 本地跑，上位机只负责给"目标参数"。MCU 里加上看门狗，一旦通信超时，立刻切入安全模式。

4.3 参数整定：从重力补偿到阻抗参数的调试顺序

调试顺序错了，会浪费大量时间。我的固定顺序是：先补偿，再位置，再阻尼，最后阻抗。

第一步，做重力补偿。把外骨骼空载挂在支架上，或者让穿戴者完全放松，用关节角度反查重力矩模型，实测修正系数。目标是让人在被动状态下感觉不到外骨骼自重。这一步没做好，后面所有参数都是在错误基线上调的。

第二步，调位置环。先只加 P，Kp 从很小的值开始（比如 0.5 N·m/deg），逐步加大直到出现轻微振荡，再回退 30%。然后加 D 抑制振荡。这一步要在关节悬空、人不在里面的状态下做，安全。

第三步，加阻尼和摩擦补偿。低速爬行是摩擦死区的典型表现，可以用库仑摩擦加 Stribeck 模型做前馈补偿。如果补偿过强，会出现低速抖动，这时要减小补偿系数或加滤波。

第四步，上阻抗控制。把 K、D 调到能让人轻松推动关节，同时松手后能稳定回位、不振荡。我常用一个土办法判断：穿戴者用力推关节再突然松手，如果关节在 1 到 2 个来回内稳定下来，参数就差不多；如果来回晃三下以上，说明 D 不够或者 K 太小。

4.4 相位对齐与穿戴标定

最后一步是最容易被忽视、却最影响体验的：穿戴标定。每个人的腿长、关节轴位置、绑带松紧都不同，机器识别出来的关节角和人体的实际关节角可能差好几度。穿好之后，让使用者做几次标准屈伸，记录编码器角度和 IMU 倾角的关系，做一次线性或二阶标定，把映射关系固定下来。绑带松动会直接改变人机轴的相对位置，所以我一般要求先固定好绑带再做标定，而且每次穿戴都重新做一次，花不了两分钟，但能省掉大量"为什么今天助力怪怪的"的排查。

5. 跨界借鉴：开源运动控制框架能教给外骨骼什么

5.1 RepRap 的思路：把运动学抽象干净

很多做 3D 打印机的朋友对 RepRap 的开源生态不陌生。它给外骨骼的第一个启发是运动学抽象要彻底。RepRap 用 G 代码描述目标位置，机器内部统一做逆运动学解算，把"我想去哪"和"电机怎么转"彻底分开。外骨骼其实也应该这样：上层只说"期望人机交互力矩"或者"期望关节轨迹"，下层驱动器只认"位置/速度/力矩"。中间的解算逻辑单独成模块，方便替换和调试。

第二个启发是低成本硬件的快速迭代。RepRap 生态把步进电机驱动、控制板、固件的成本压得很低，几十块钱就能换一个模块。外骨骼如果一上来就用最贵的方案，调试成本会高得离谱。我的做法是先在低成本平台上把控制逻辑跑通，确认算法没问题，再换高性能执行器。很多逻辑问题跟硬件贵不贵无关。

5.2 Klipper 的架构：主机加 MCU 的分工哲学

Klipper 最值得外骨骼借鉴的是它的分层哲学：重计算放主机，精确定时放 MCU，两者通过简单的命令流同步。它的核心洞察是——高位计算不需要严格实时，低位执行必须严格实时，把两者拆开，各自做擅长的事。

外骨骼完全适用。步态预测、协同策略、数据记录这些任务，跑在 Linux 上，延迟几十毫秒无所谓；力控内环、安全限幅、急停响应，跑在 MCU 上，必须是微秒级确定性。我现在的架构就是这么分的，上位机甚至会跑一个简化版的状态机界面，实时显示相位、力矩曲线，方便现场调试。这个架构还有一个好处：上位机可以随时重启调试，不会影响下位机的安全逻辑。

5.3 加减速规划：S 曲线对人是"礼貌"的

运动控制领域通用的梯形加减速，在外骨骼上要慎用。因为梯形速度曲线的加速度是阶跃的，对应的加加速度（jerk）在切换点是无穷大，人感受到的就是一下"冲击"。S 曲线把加速度的导数也做了限制，力的变化平滑，穿在身上舒服很多。

我一般把关节的加加速度限制在 100 到 500 rad/s³ 这个量级起步，具体看关节惯量和使用者耐受度。调这个参数的时候不用太理论化，让使用者评价"有没有顿挫感"，比看曲线更直接。规划层还可以加上前瞻（look-ahead）：提前几个控制周期预测轨迹变化，把速度提前降下来，避免到了拐点才急刹。这个思路和打印机运动控制在拐角处的处理是同一套逻辑。

6. 常见问题与排查技巧实录

6.1 抖动、啸叫、延迟的速查表

调试期间最常见的三类问题，我整理了一张排查表，基本能覆盖八成现场情况。

这里我要补充一个反直觉的经验：抖动不一定是控制参数问题。我遇到过一次持续高频抖动，查了两天参数都没用，最后发现是编码器磁铁的固定螺丝松了，磁铁在微小摆动，反馈信号里带了机械噪声。所以排查顺序应该是先机械、再电气、最后算法。机械问题用算法永远压不住。

6.2 穿戴舒适性带来的控制问题

绑带松紧会直接影响控制效果，这一点很多纯控制背景的人意识不到。绑带太松，人机之间会有相对位移，编码器读到的关节角和人体实际关节角对不上，位置和阻抗控制的参考就错了；绑带太紧，压迫软组织，走几分钟就会因为血液循环问题产生不适，人会下意识改变步态，识别逻辑又跟着乱。

我的处理办法是：一是在绑带处加压力分布检测（哪怕只是几片压力传感器），把压力作为穿戴是否合格的判断；二是做在线自适应，把人机耦合刚度当成一个可估计的参数，缓慢调整标定映射。这套东西听着复杂，但实现起来其实就是在标定基础上加一个慢速修正项。

6.3 安全边界：必须假设"控制一定会失效"

外骨骼是穿戴在人体上的，安全逻辑不能建立在"控制系统不出错"的假设上。我给自己定的几条底线：所有力矩指令必须硬限幅，限幅值写在 MCU 里而不是上位机；关节必须有机械限位，软限位和机械限位双保险；失电时进入阻尼模式而不是锁死或自由；急停响应必须在 10 ms 内切断动力。

还有一条容易被忽略：异常状态要有明确的退出路径。比如系统检测到相位识别置信度太低，不应继续硬算，而应该平滑切换到透明度模式（只做重力补偿，不给助力），让人自己走。突然切断助力和突然加大助力都危险，平滑过渡才是正解。

6.4 我个人踩过的几个坑

第一个坑是过分追求算法复杂度。我早期用了一套比较重的模型预测控制，跑在样机上效果不错，但每次改一个参数就要重新整定一堆东西，迭代速度极慢。后来换回分层结构加简单阻抗控制，效果没差多少，但迭代快了好几倍。复杂算法留给确实需要它的场景，大部分助力场景，好的相位识别加合适的前馈就已经够用。

第二个坑是忽视数据记录。调试期如果没把关键信号（相位、力矩指令、实际力矩、延迟）同步记录下来，出问题只能靠猜。后来我加了一个 1 kHz 的环形缓冲，出问题时一键导出，排查效率完全不同。

第三个坑是过早穿到人身上测。控制逻辑没在悬空台架上稳定之前，不要让人穿。我见过为了赶进度提前上人的团队，结果一次参数失误就让测试者受了伤，项目直接延期三个月。安全永远排在进度前面。

最后分享一个我自己一直在用的小方法：给每个穿戴者都建一份"人机档案"，记录他的标定参数、助力曲线、每次测试的主观感受评分。下一次调试时直接调用历史参数做起点，能省掉大量重复劳动。外骨骼这类设备，个体差异带来的影响比想象中大得多，把人的因素当成系统的一部分来管理，比单纯优化算法更能提升最终体验。