基于步态阶段的控制是步行AID机器人的热门研究主题，尤其是机器人下限假体。步态阶段估计是基于步态阶段控制的挑战。先前的研究使用了人类大腿角的整合或差异来估计步态阶段，但是累积的测量误差和噪声可能会影响估计结果。在本文中，提出了一种更健壮的步态相估计方法，使用各种运动模式的分段单调步态相位大角模型的统一形式。步态相仅根据大腿角度估算，这是一个稳定的变量，避免了相位漂移。基于卡尔曼滤波器的平滑液旨在进一步抑制估计步态阶段的突变。基于提出的步态相估计方法，基于步态阶段的关节角跟踪控制器是为跨股骨假体设计的。提出的步态估计方法，步态相和控制器通过在各种运动模式下的步行数据进行离线分析来评估。基于步态阶段的控制器的实时性能在经际假体的实验中得到了验证。

为了改善对步态辅助的可穿戴机器人技术的控制，我们提出了一种基于包括时间历史信息的人工神经网络的连续运动模式识别以及步态阶段和楼梯坡度估算的方法。输入功能仅由处理变量组成，这些变量可以通过单个柄安装的惯性测量单元进行测量。我们引入了可穿戴设备，以获取现实世界环境测试数据，以证明该方法的性能和鲁棒性。确定平均绝对误差（步态相，楼梯斜率）和准确性（运动模式），以进行稳定的步行和稳定的楼梯移动。使用来自不同传感器硬件，传感器固定，移动环境和受试者的测试数据评估鲁棒性。步态阶段稳定步态测试数据的平均绝对误差为2.0-3.5％，对于楼梯斜率估计，步态阶段的平均绝对误差为3.3-3.8 {\ deg}。在测试数据上使用时间历史记录信息的利用在98.51％和99.67％之间的测试数据上正确的运动模式的准确性。结果表明，在稳定步态期间，持续预测步态阶段，楼梯斜率和运动模式的高性能和鲁棒性。如假设的那样，时间历史信息改善了运动模式识别。但是，尽管步射阶段在运动模式之间未经训练的过渡方面表现良好，但我们的定性分析表明，将过渡数据纳入神经网络的训练以改善斜率和运动模式的预测可能是有益的。我们的结果表明，人工神经网络可用于对可穿戴下肢机器人技术的高水平控制。

为了在医疗和工业环境中广泛采用可穿戴机器人外骨骼，至关重要的是，它们可以适应性地支持大量运动。我们提出了一种新的人机界面，以同时在一系列“看不见的”步行条件和未用于建立控制界面的“看不见”步行条件和过渡期间同时驱动双侧踝部外骨骼。提出的方法使用人特异性的神经力学模型从测量的肌电图（EMG）和关节角度实时估算生物踝关节扭矩。基于干扰观察者的低级控制器将生物扭矩估计转换为外骨骼命令。我们称此“基于神经力学模型的控制”（NMBC）。 NMBC使六个人能够自愿控制六个步行条件下的双边踝部外骨骼，包括所有中间过渡，即两个步行速度，每个步行速度在三个地面高程中进行，不需要预先定义的扭矩轮廓，也不需要先验选择的神经肌肉肌肉反射规则，或国家机器在文献中很常见。在涉及月球漫步的灵活的运动任务上进行了一个单一的主题案例研究。 NMBC始终启用能够减少生物踝扭矩，以及与非辅助条件相比，在步行条件（24％扭矩； 14％EMG）之间以及步行条件（24％扭矩； 14％EMG）之间的八个踝部肌肉EMG。新型步行条件下的扭矩和EMG减少表明，外骨骼在操作员的神经肌肉系统控制的外观上进行了共生。这为系统地采用可穿戴机器人作为现场医疗和职业环境的一部分开辟了新的途径。

在本文中，我们全能地提出了一种基于混合线性倒置的方法（H唇），用于合成和稳定3D足底双模行走，重点是彻底的硬件实现。提出了H-唇缘以捕获机器人行走的欠置和致动部分的基本组成部分。然后基于H唇直接合成机器人行走步态。我们全面地表征了H唇的周期性轨道，并通过其步骤 - 步骤（S2S）动力学可证明步骤稳定，然后用于近似于质量中心的水平状态的S2S动态（COM）机器人散步。近似设施基于H唇的步进控制器，提供所需的步长，以稳定机器人行走。通过实现所需的步骤尺寸，机器人实现了动态且稳定的行走。在欠扰动的BipeDal机器人Cassie的模拟和实验中完全评估了该方法，其展示了具有高通用和鲁棒性的动态行走行为。

在机器人辅助设备上执行时产生稳定的行走GAIT，即在机器人 - 辅助设备上执行时是一个具有挑战性的任务，通常需要域专家手工调整。本文提出了一种替代方法，在那里我们提出直接进入步态生成过程的肌肉骨骼模型，以直观地塑造所产生的行为。特别是，我们构建一个多域混合系统模型，将系统动态与肌肉模型相结合，以代表自然多连接步行。然后可以通过混合零动态（HZD）方法为该模型生成可提供稳定的行走Gaits。我们通过实验应用我们的综合框架，朝着两项受试者实现了对双致动的转发假体，AMPRO3的多端运动。结果表明，强制执行肌肉模型约束产生产生自然运动的Gaits（通过与运动捕获数据和肌电图进行比较分析）。此外，与使用标称HZD方法产生的Gaits相比，不禁用假肢使用者强烈优选使用我们的框架产生的Gaits，即使使用系统调整方法也是如此。我们得出结论，将机器人行走方法（特别是HZD）与肌肉模型结合的新方法成功地产生了拟人机器人辅助运动。

我们专注于开发Quadrupedal机器人节能控制器的问题。动物可以以不同的速度积极切换Gaits以降低其能量消耗。在本文中，我们设计了一个分层学习框架，其中独特的运动遗传仪和自然步态过渡自动出现，其能量最小化的简单奖励。我们使用进化策略来培训一个高级步态政策，指定每只脚的步态图案，而低级凸MPC控制器优化电机命令，以便机器人可以使用该步态图案以所需的速度行走。我们在四足机器人上测试我们的学习框架，并展示了自动步态过渡，从步行到小跑和飞行，因为机器人增加了速度。我们表明学习的等级控制器在广泛的运动速度范围内消耗的能量要少于基线控制器。

促进辅助（AAN）控制旨在通过鼓励患者积极参与促进机器人辅助康复的治疗结果。大多数AAN控制器使用阻抗控制来在目标运动周围创建柔性的力字段，以确保在允许中等运动错误的同时进行跟踪精度。然而，由于控制力场的形状的参数通常根据关于关于对象学习能力的简单假设在线手动调整或在线调整，因此可以限制传统AAN控制器的有效性。在这项工作中，我们提出了一种新颖的自适应AAN控制器，其能够根据每个单独的电动机能力和任务要求自动重塑力场以相位相关的方式重塑力场。该拟议的控制器包括使用路径积分算法的修改策略改进，一种无模型的采样的增强学习方法，该方法实时地学习了特定于主题的阻抗景观，以及嵌入AAN PARADIGM的分层策略参数评估结构通过指定性能驱动的学习目标。通过跑步机培训课程通过具有能够在动力踝足矫形器的协助学习改变的步态模式的跑步机培训课程，通过跑步机培训课程进行实验验证，拟议的控制策略及其促进短期运动适应能力的适应性。

人类的腿部运动受人体和神经控制的自然动态的控制。假定有助于人类行走效率高的一种机制是冲动的脚踝推断，它可能为挥杆腿弹射器提供动力。然而，尚不清楚人类下腿的机制，其复杂的肌肉弯曲单元跨越了单个关节和多个关节。腿部机器人允许在实际步行步态中测试复杂的腿力学，控制和环境之间的相互作用。我们开发了一个高0.49m，2.2千克的拟人化型双足机器人，带有比目鱼和甲壳虫肌肉弯曲单元，由线性弹簧代表，在机器人的踝关节和膝关节周围充当单型和二子弹性结构。我们测试了三个比目鱼和胃弹簧螺旋形构型对踝关节功率曲线的影响，踝关节和膝关节运动的协调，总运输成本和步行速度。我们用前馈中央模式发生器控制了机器人，在1.0Hz运动频率下，步行速度在0.35m/s和0.57m/s之间，腿长为0.35m。我们发现所有三种配置之间的差异。比目鱼弹簧刺刺调节机器人的速度和能量效率可能是通过踝关节放大的，而胃刺的弹簧螺旋体在推下时改变了脚踝和膝关节之间的运动配位。

脚踝推断在很大程度上有助于人类步行的肢体能量产生，从而使运动更加顺畅，更有效。向截肢者提供这项净积极工作需要积极的假体，但有可能实现更自然的辅助运动。为此，本文将运动的多连接模型与基于力的非线性优化控制器一起使用，以实现2个受试者的动力转换假体，以实现类似人类的运动学行为，包括脚踝推断。特别是，我们利用基于模型的控制方法进行动态的双足机器人步行，以开发一种系统的方法，以实现不需要特定于主体的调整的动力假体上的人类行走。我们首先综合一个优化问题，该问题产生类似于人类联合轨迹的步态，并通过基于控制Lyapunov函数的基于lyapunov函数的非线性控制器实现这些步态，从。所提出的控制器是针对两个受试者的假体实施的，而无需在受试者之间进行调整，从而模拟了假体关节的特定主体人类运动学趋势。这些实验结果表明，与传统方法相比，我们基于力的非线性控制方法可以更好地跟踪人类运动轨迹。

用于主动假体或orthoses的控制策略使用传感器输入来识别用户的机车意图，并生成用于产生所需运动的相应控制命令。在本文中，我们提出了一种基于学习的共享模型，用于预测不同运动模式的脚踝关节运动，如Lope-Grouding，Stair Ascent，Stair Descent，Slope Ascent和Slope Descent，而无需在它们之间进行分类。从髋关节和膝关节角运动中提取的特征用于使用前馈神经网络的共享模型连续地预测脚踝角度和矩。我们表明，共享模型足以预测不同运动模式的脚踝角度和时刻，而不明确地在模式之间进行分类。所提出的策略表明，为能够适应不同运动模式的智能假肢脚踝设计高级控制器的可能性。

本文为两足机器人提供了一个步态控制器，鉴于局部斜率和摩擦锥信息，可以在各个地形上行走高度敏捷。没有这些考虑，不合时宜的影响会导致机器人绊倒，而在姿势脚下的切向反作用力不足会导致滑倒。我们通过以新颖的方式将基于角动量线性倒置的摆（ALIP）和模型预测控制（MPC）脚放置计划者组合来解决这些挑战，该模型由虚拟约束方法执行。该过程始于从Cassie 3D Bipedal机器人的完整动力学中抽象，该机器人的质量动力学中心的精确低维表示，通过角动量参数化。在分段平面地形假设和消除机器人质量中心的角动量的术语中，有关接触点的质心动力学变为线性，并具有四个尺寸。重要的是，我们在MPC公式中以均匀间隔的间隔内包含步骤的动力学，以便可以从逐步到步进机器人的演变上进行现实的工作空间约束。低维MPC控制器的输出通过虚拟约束方法直接在高维Cassie机器人上实现。在实验中，我们验证了机器人控制策略在各种表面上具有不同倾斜和质地的性能。

外部磁场可用于远程控制小尺寸的机器人，使其具有多样化的生物医学和工程应用的候选人。我们表明，我们的磁动毫罗罗布特是高度敏捷的，并且可以执行各种机车任务，例如枢轴行走和在水平面翻滚。在这里，我们专注于控制枢轴行走模式中该毫无米罗罗布特的运动效果。开发了系统的数学模型，派生了运动模型。还研究了机器人运动中扫描和倾斜角度的作用。我们提出了两个控制器来调节枢轴步行者的步态。第一个是比例几何控制器，它决定了Millobot应该使用的正确枢轴点。然后，它基于毫无槌和参考轨迹的中心之间的误差按比例地调节角速度。第二控制器基于梯度下降优化技术，其表示控制动作作为优化问题。这些控制算法使得MilliRobot能够在跟踪所需的轨迹时产生稳定的步态。我们进行一组不同的实验和模拟运行，以确定所提出的控制器在跟踪误差方面的不同扫描和倾斜角度的有效性。这两个控制器表现出适当的性能，但观察到基于梯度下降基于的控制器产生更快的收敛时间，更小的跟踪误差和更少的步数。最后，我们对扫描角度，倾斜角度和步进时间对跟踪误差的影响进行了广泛的实验参数分析。正如我们所预期的那样，基于优化的控制器优于基于几何的控制器。

在各种条件下行走期间关节阻抗的知识与临床决策以及机器人步态培训师，腿部假体，腿矫形器和可穿戴外骨骼的发展相关。虽然步行过程中的脚踝阻抗已经通过实验评估，但尚未识别步行期间的膝盖和髋关节阻抗。在这里，我们开发并评估了下肢扰动器，以识别跑步机行走期间髋关节，膝关节和踝关节阻抗。下肢扰动器（Loper）由致动器组成，致动器通过杆连接到大腿。 Loper允许将力扰动施加到自由悬挂的腿上，同时站立在对侧腿上，带宽高达39Hz。在以最小的阻抗模式下行走时，Loper和大腿之间的相互作用力低（<5N），并且对行走图案的效果小于正常行走期间的对象内变异性。使用摆动腿动力学的非线性多体动力学模型，在摆动阶段在速度为0.5米/秒的速度的九个受试者期间估计臀部，膝关节和踝关节阻抗。所识别的模型能够预测实验反应，因为分别占髋部，膝关节和踝部的平均方差为99％，96％和77％。对受试者刚度的平均分别在34-66nm / rad，0-3.5nm / rad，0-3.5nm / rad和2.5-24nm / rad的三个时间点之间变化，分别用于臀部，膝部和踝关节。阻尼分别在1.9-4.6 nms / rad，0.02-0.14 nms / rad和0.2-2.4 nms / rad的0.02-0.14 nms / rad供应到0.2-2.4nms / rad。发达的洛普勒对不受干扰的行走模式具有可忽略的影响，并且允许在摆动阶段识别臀部，膝关节和踝关节阻抗。

在本文中，提出了一种新的视觉惯性内径（VIO）的步行 - vio，采用步行运动 - 自适应腿运动约束，其提出了用身体运动改变为四足机器人的定位。四足机器人主要使用VIO，因为它们需要快速定位进行控制和路径规划。但是，由于四足功能机器主要用于室外，因此从天空或地面提取的外来特征导致跟踪故障。此外，Quadruped Robots的行走运动导致摆动，这降低了相机和惯性测量单元（IMU）引起的定位精度。为了克服这些限制，许多研究人员使用VIO与腿运动限制。然而，由于四足机器人的行走运动根据控制器，步态，四足机器人的速度等，因此在添加腿运动限制的过程中应该考虑这些因素。我们提出了通过调整腿运动约束因素来使用的VIO，无论步行运动如何。为了评估Walk-VIO，我们创建和发布二章机器人的数据集，这些机器人在仿真环境中以各种类型的行走运动移动。此外，我们通过与当前最先进的算法进行比较验证了WAWN-VIO的有效性。

人类能够以显着的敏捷性和轻松的方式谈判计划和计划外行为。本文的目的是系统地研究这种人类行为向两足步行机器人的翻译，即使形态本质上不同。具体而言，我们从计划和计划外的下台开始的人类数据开始。我们从人类减少阶层建模的角度分析了这些数据，编码质量（COM）运动学和接触力的中心，这使这些行为将这些行为转化为双皮德机器人的相应降低阶模型。我们通过基于非线性优化的控制器将所得的行为嵌入了两足机器人的全阶动力学中。最终结果是在不足的步行机器人上模拟中计划和计划外的下台。

从意外的外部扰动中恢复的能力是双模型运动的基本机动技能。有效的答复包括不仅可以恢复平衡并保持稳定性的能力，而且在平衡恢复物质不可行时，也可以保证安全的方式。对于与双式运动有关的机器人，例如人形机器人和辅助机器人设备，可帮助人类行走，设计能够提供这种稳定性和安全性的控制器可以防止机器人损坏或防止伤害相关的医疗费用。这是一个具有挑战性的任务，因为它涉及用触点产生高维，非线性和致动系统的高动态运动。尽管使用基于模型和优化方法的前进方面，但诸如广泛领域知识的要求，诸如较大的计算时间和有限的动态变化的鲁棒性仍然会使这个打开问题。在本文中，为了解决这些问题，我们开发基于学习的算法，能够为两种不同的机器人合成推送恢复控制政策：人形机器人和有助于双模型运动的辅助机器人设备。我们的工作可以分为两个密切相关的指示：1）学习人形机器人的安全下降和预防策略，2）使用机器人辅助装置学习人类的预防策略。为实现这一目标，我们介绍了一套深度加强学习（DRL）算法，以学习使用这些机器人时提高安全性的控制策略。

在腿部机器人的机车上，执行高度敏捷的动态动作，例如跳跃或跑步的踏板乐队，这仍然是一个挑战性的问题。本文提出了一个框架，该框架结合了轨迹优化和模型预测控制，以在踏脚石上执行强大的连续跳跃。在我们的方法中，我们首先利用基于机器人的全非线性动力学的轨迹优化来生成各种跳跃距离的周期性跳跃轨迹。然后，基于模型预测控制的跳跃控制器设计用于实现平滑的跳跃过渡，从而使机器人能够在步进石上实现连续跳跃。得益于将MPC作为实时反馈控制器的合并，该提议的框架也得到了验证，可以对机器人动力学上的高度扰动和模型不确定性具有不均匀的平台。

我们提出了一个框架，以使用基于适应性神经调节的线性反向摆（LIP）控制器来生成3D发导的两足机器人的周期性轨迹参考。我们使用LIP模板模型在当前步骤结束时估算机器人的质量（COM）位置和速度，并制定一个离散控制器，该控制器确定下一个脚步位置以实现所需的步行配置文件。该控制器配备了基于神经网络的自适应术语，该术语降低了模型不匹配的模型和物理机器人之间的不匹配，这特别影响了横向运动。然后，使用针对唇部模型计算的脚放置位置用于生成任务空间轨迹（COM和摇摆脚部轨迹），以使实际机器人实现稳定的步行。我们使用快速，实时的基于QP的逆运动算法，该算法从任务空间轨迹中产生联合参考，从而使配方独立于机器人动力学知识。最后，我们用数字机器人在两种情况下都获得了稳定的周期性运动，并在模拟和硬件实验中实施了建议的方法。

Just like in humans vision plays a fundamental role in guiding adaptive locomotion, when designing the control strategy for a walking assistive technology, Computer Vision may bring substantial improvements when performing an environment-based assistance modulation. In this work, we developed a hip exosuit controller able to distinguish among three different walking terrains through the use of an RGB camera and to adapt the assistance accordingly. The system was tested with seven healthy participants walking throughout an overground path comprising of staircases and level ground. Subjects performed the task with the exosuit disabled (Exo Off), constant assistance profile (Vision Off ), and with assistance modulation (Vision On). Our results showed that the controller was able to promptly classify in real-time the path in front of the user with an overall accuracy per class above the 85%, and to perform assistance modulation accordingly. Evaluation related to the effects on the user showed that Vision On was able to outperform the other two conditions: we obtained significantly higher metabolic savings than Exo Off, with a peak of about -20% when climbing up the staircase and about -16% in the overall path, and than Vision Off when ascending or descending stairs. Such advancements in the field may yield to a step forward for the exploitation of lightweight walking assistive technologies in real-life scenarios.

由于其鲁棒性和可扩展性，在使用增强学习的速度学习时，可以越来越兴趣地学习四足机器人的速度指令跟踪控制器。但是，无论命令速度如何，单个策略训练训练，通常都显示了单个步态。考虑到根据四足动物的速度，考虑到最佳步态存在的次优的解决方案。在这项工作中，我们提出了一个分层控制器，用于四足机器人，可以在跟踪速度命令的同时生成多个Gaits（即步态，小跑，绑定）。我们的控制器由两项策略组成，每个政策都作为中央图案发生器和本地反馈控制器组成，并培训了具有层次强化学习。实验结果表明1）特定速度范围的最佳步态的存在2）与由单个策略组成的控制器相比，我们的分层控制器的效率通常显示单个步态。代码公开可用。