基于QAOA的在线隶属度优化用于下肢康复机器人的自适应智能控制器

帮助人们重拾行走能力

对于中风、脊髓损伤或其他运动障碍康复的人来说，动力腿支架——即下肢康复机器人——可能决定他们是坐着还是能走路。然而，使这些设备与脆弱且不断变化的人体同步运动非常困难。本研究提出了一种新方法，通过借鉴新兴量子计算的思想来实时微调机器人反应，使其更智能、更安全。

为什么控制康复机器人如此困难

康复机器人必须在引导患者髋、膝和踝关节完成自然行走动作的同时，对患者自身的努力做出柔性配合。关节之间相互影响复杂，患者状态日复一日变化，外界推力或传感器噪声不断扰动系统。传统控制器，例如简单的PID方案，在这种混乱环境下常常表现不佳：需要大量人工调参，并且在动作快速变化时可能不稳定或产生抖动。模糊逻辑控制器通过模拟“若误差小，则温和响应”等专家规则更善于处理不确定性，但前提是其内部设置——称为隶属函数——被精心选择。在实践中，这些设置通常在离线手工调整，导致性能可能远非最佳。

将模糊规则与类量子调优相结合

作者提出了一种混合的“类量子”控制器，应用于三关节腿部外骨骼。其核心是一个模糊逻辑控制器，输入为每个关节与期望角度的偏差及该偏差的变化速度，输出为引导腿部所需的电机力矩。在此之外，他们包裹了一层基于量子近似优化算法（QAOA）的优化层——该方法最初为量子计算机设计，但这里以经典仿真的形式实现。QAOA将模糊隶属设置视为一个大的搜索空间，利用抽象的量子模型并行探索多种组合。其目标很明确：最小化误差平方积分，这一指标奖励对期望步态的精确、平滑跟踪。

新的控制器如何在线学习

系统不再把模糊设置固定不变，而是在机器人“行走”通过模拟的治疗会话时在线更新这些设置。参考的髋、膝、踝运动来自详尽的人体肌肉骨骼步态模型，因此测试信号类似真实临床练习。每隔若干控制周期，QAOA层评估机器人跟踪这些轨迹的表现，将候选的模糊设置编码为二进制形式，并搜索能降低跟踪误差的组合。当找到更优集合时，它会移动定义“低”“中”“高”误差的三角形隶属函数，从而改变各模糊规则触发的强度。通过能量方法和Lyapunov理论进行的稳态分析表明，即便在持续调整下，整体系统仍在数学上保持稳定，其总机械能随时间衰减。

在受扰和真实硬件环路下的性能

为验证这些理论收益在实践中的作用，研究团队将他们经QAOA调优的控制器与标准模糊控制器在大量测试中进行了比较。在理想条件下，新方法将跟踪误差降低约96–99%，将超调量大约减少四分之三，并将三关节的稳态时间缩短超过一半。当在正常关节负载的20%和40%施加突发额外力矩——模拟患者意外推力或重量转移——时，经优化的控制器能更快地将腿部拉回轨迹且振荡更小。它对传感器噪声也表现出高度鲁棒性，即便测量被严重污染也能保持较小误差。最后，在与微控制器板连接到详细机器人模型的硬件在环测试中，作者表明该方法在包括延迟、量化和电子纹波的实时条件下仍然可行。

这对未来康复设备意味着什么

从非专业视角看，结论很直接：通过让控制器利用类量子搜索持续自我重调，机器人能更平滑地引导腿部、减少能量消耗并更好地应对突发情况，同时保持稳定。这可能转化为更安全、更舒适的康复训练，运动感受更接近自然步态，对康复中的肌肉和关节负担更小。尽管该工作仍处于仿真及硬件在环阶段，但它为下一代将人类式规则系统与强大优化工具相结合的康复机器人指明了方向，并为在更复杂的全身外骨骼以及最终在真实患者身上测试类似想法奠定了基础。

引用: Abd-Elhaleem, S., El-Garawany, A.H. & El-Brawany, M. Adaptive intelligent controller for a lower limb rehabilitation robot using QAOA-based online membership optimization. Sci Rep 16, 10400 (2026). https://doi.org/10.1038/s41598-026-41647-4

关键词: 康复机器人学, 下肢外骨骼, 模糊控制, 类量子优化, 步态治疗