脑卒中是导致下肢运动功能障碍的主要病因之一，其中踝关节控制能力的丧失直接影响到患者的站立、行走与日常生活。康复机器人技术为踝关节功能重建提供了新的可能，但如何在人机交互中既保证运动精度，又保持舒适性与安全性，仍是一项工程难题。

北京工业大学李剑锋团队与南方科技大学张明明团队，联合香港理工大学、英国贝尔法斯特女王大学研究团队在中国工程院Engineering集群分刊ENGINEERING Health and Rehabilitation Engineering上发表题为“Active Ankle Rehabilitation Training Based on Extended State Observer with Autotomy Mechanism to Enhance Interaction”的研究论文。该研究从生物“自割”行为中获取灵感，设计了一种新型扩张状态观测器（ESO），在无需牺牲噪声抑制能力的前提下，显著提升了踝关节康复机器人的扰动响应性能。

康复机器人控制中的“快”与“准”难题

在主动式康复训练中，导纳控制被广泛用于将受试者施加的力矩映射为机器人的柔顺运动。然而，当系统受到诸如肌肉痉挛、非自主抖动或传感器噪声等突发扰动时，控制器的跟踪精度和交互一致性会迅速下降。ESO能够在线估计这些扰动并进行补偿，但其核心参数观测器带宽面临着“快”与“准”的固有矛盾：带宽越高，响应越快，但测量噪声会被放大；带宽越低，噪声抑制越好，但扰动估计会滞后。固定带宽难以兼顾不同训练阶段和扰动类型，而现有自适应方法大多依赖阈值切换或误差驱动缩放，容易引入额外瞬态振荡或响应延迟。

从生物“自割”行为中获得控制灵感

研究团队从蜥蜴等生物在面临威胁时通过“自割”尾部来紧急避险、且过程平滑可控的行为中获得启发，提出了一种具有自割机制的扩展状态观测器（AESO）。他们将“外部威胁”映射为系统总扰动，“正常状态”和“紧急状态”分别对应低带宽和高带宽，将自割的有限时间过渡过程映射为带宽的连续变化函数。与传统的硬性切换或线性缩放不同，该设计采用双曲正切函数实现带宽在预设时间区间内的光滑过渡，既保证了突发扰动下的快速响应，又避免了带宽突变引发的估计振荡。

图1.基于AESO的主动式康复训练框架信号流

图1展示了基于AESO的主动式踝关节康复训练控制信号流。该框架将AESO、比例-微分（PD）控制器与导纳模型紧密结合到并联踝关节康复机器人的控制系统中，利用连续带宽过渡机制，在确保对突发扰动快速响应的同时，有效规避了因带宽突变引发的额外瞬态冲击。

图2.生物体在受到威胁时的自割行为（区间[t1,t2]）

图2将生物的自割行为概括为从正常状态到紧急状态的有限时间过渡，以此作为AESO连续带宽切换的生物学隐喻，为观测器设计提供了直观的决策逻辑。

仿真与人体实验验证控制性能提升

理论分析表明，在带宽过渡期间估计误差保持有界，且终端估计误差随高带宽的增加而单调衰减。结合仿真分析与8名健康受试者实验，研究团队系统评估了AESO的性能，并将其与固定带宽ESO、双带宽阶跃切换ESO及误差依赖型可变带宽ESO进行了对比。结果显示，在动态跟踪任务中，AESO的平均跟踪误差为1.047°，较固定带宽ESO降低45.67%，较双带宽ESO降低24.89%；同时其轨迹抖动指数和归一化交互力矩均为最低。虽然双带宽ESO在仿真和静态任务中获得了略小的数值误差，但其代价是明显的重复阶跃切换和更高的交互力矩波动。图3展示了静态与动态跟踪任务中四种观测器的轨迹跟踪误差对比，可见AESO在动态任务中误差离散度最小，且受试者间差异较低，表现最为均衡。

图3.静态（a）与动态（b）任务的轨迹跟踪结果

为智能康复机器人提供新的工程路径

该研究并非追求某个单一指标的“最优”，而在于提供了一种工程上可实现的折中方案——在响应速度、噪声抑制、轨迹平滑度和交互舒适性之间取得平衡。对于康复训练而言，反复的突然修正和过大的交互力矩不仅影响训练效率，更可能降低患者的依从性和心理接受度。AESO通过连续的、可预期的带宽变化，使机器人的行为更加“平滑”，这在重复性训练场景中更具有实际意义。需要指出的是，该研究目前仅验证于健康成年人，且未测量疼痛、疲劳、舒适度等临床指标。其真正的康复疗效，仍需在脑卒中患者群体和长期干预研究中加以证实。（来源：EngineeringJournals微信公众号）

相关论文信息：https://journal.hep.com.cn/ehre/EN/10.2738/ENGHRE.2026.0005