当人体的运动与受力可以被量化，机器人设计便有了新的参照。
作者丨吴思梦
编辑丨马晓宁
让我们想象两个场景。第一个场景里，一个人穿着外骨骼机器人向前行走。机械关节随着人体步态产生力矩，为髋部和踝部提供辅助。第二个场景里，一个人与人形机器人共同抬起一张桌子，双方必须在运动中持续协调发力。这两件事看起来差别很大：前者是穿戴式辅助，后者是人形机器人协作。
但它们有一个共同之处——机器人完成的运动，最终都要通过某种物理接触作用于人体。
在这样的任务中，机器人完成动作只是故事的一半。另一半发生在人的身体里：机器人在动，人的身体也在不断作出反应。哪些肌肉正在发力？哪些关节承担了负荷？一次机械结构调整，会不会改变人与机器之间的受力关系？当机器人逐渐从围栏里的独立设备，变成紧贴身体的辅助装置、与人并肩工作的协作伙伴，这些问题也越来越接近机器人设计的中心。
清华大学 Learning & Neural Systems Group在IROS 2026 论文《Embodied Human Simulation for Quantitative Design and Analysis of Interactive Robotics》中，提出了一种以具身人体仿真为基础的人机物理交互定量分析框架。研究者将人体肌肉骨骼模型、强化学习运动控制、人机耦合建模与机器人参数优化整合在同一系统中，使人体的运动交互反馈指导机器人的结构与控制设计。
项目主页：https://lnsgroup.cc/research/HRI/
论文链接： https://arxiv.org/abs/2603.09218
全身人体肌肉骨骼模型穿戴外骨骼进行步行
人形机器人与人体肌肉骨骼模型完成共同搬运任务
01
人和被忽略的不是动作，
而是动作背后的动力学交互过程
过去评价辅助机器人的表现，有很多看得见、测得到的指标。比如，穿戴外骨骼后走路是否稳定，关节动作是否符合预期，完成任务需要多长时间，或人体总体代谢消耗如何变化。这些信息非常重要，却不总能解释一个设计方案为什么有效。两套外骨骼都能帮助使用者维持相近的步态，其中一套却可能让使用者腿部的绑带承受更大的拉力；同样是向前迈步，不同的辅助方式也可能让人体动用不同的肌肉组合。
人体的运动本来就不是一组关节角度的简单叠加。抬腿时，肌肉在收缩，身体在保持平衡，手臂和躯干也在参与协调。对人机物理交互场景来说，机器人给出的力会加入这一过程，进而改变人体自身的发力需求。
要读懂这种变化，仅靠外部运动轨迹显然不够。因此，研究团队把人体肌肉骨骼系统放到仿真计算的核心位置，让过去难以直接获取的肌肉力、肌肉激活和交互接触力能够在运动仿真过程中被持续记录。这让人体仿真成为了机器人设计过程中一个“以用户为中心”的反馈来源。
02
人体仿真不仅能完成运动，
还需要对外力作出反应
研究中的数字人体使用了开源的MS-Human-700全身肌肉骨骼模型。它的控制输入是 700个肌肉-肌腱单元的激活，肌肉动力学计算也遵循相应的生物力学模型，从而产生肌肉力，驱动关节完成动作。但只有一套身体结构，还无法产生持续、协调的运动。研究团队利用深度强化学习训练运动控制策略，训练过程中，控制策略需要根据参考运动控制肌肉激励，调整关节与身体位置完成步行任务，并处理施加在身体上的随机扰动力。
在训练完成后，研究者向人体的骨盆位置施加前后方向的扰动力，观察它能否重新恢复行走。结果显示，对于持续0.2 秒、大小不超过200 N的扰动力，人体可以在 0.5 秒内恢复到接近原有参考步态的运动状态。正常行走时，模型在主要关节角度上的平均跟踪误差也低于 0.05 rad。
这项能力使人体模型从被观察的运动对象，变成了会参与物理交互的动态系统。当机器人提供助力时，它会根据新的受力条件改变运动控制。不同机器人设计方案在评估中不再只是面对一段固定物理轨迹，而是在同一个具有主动运动能力的数字人体上接受检验。
03
机器和人体的交互仿真，
需要合理的物理连接建模
在完成人体控制器的训练后，这篇文章以外骨骼辅助的步行动作为例，展示了建模-优化框架的具体能力。让数字人穿上外骨骼，听起来像是把两个三维模型组合起来，但真正涉及交互力学时，建模和仿真会更加复杂。设备通过绑带、护套与人体连接，传递支撑与助力。绑带的位置稍有改变，力作用到人体上的方式就可能随之变化。
研究团队在MuJoCo仿真器中构建了人体与OpenExo外骨骼的耦合模型。为了表达穿戴界面的柔顺特性，双方的连接使用具有弹簧—阻尼性质的弹性单元，而不是简单地把人体和机械结构完全固定。
这种连接方式让人体和机器人在受力过程中保留一定的相对运动，同时把作用力传递到人体模型上。
更重要的是，连接位置和机器人模块的相对位姿都被设计成在优化界面上可调整的参数：例如，大腿和小腿绑带可以沿连接位置移动；髋部模块可以平移；踝部或手臂模块可以改变安装朝向。不同的结构组合，将影响机械关节轴和人体关节轴的相对位置，进而影响辅助力怎样作用于身体。由此，外骨骼的结构设计不再只是工程图纸上的几何尺寸，而成为可以通过人体受力反馈进行评价和调整的变量。
外骨骼的柔顺连接、局部绑带位置与整体机械模块调整方式
04
把“人受到了什么影响”写进优化目标
机器人的结构和控制器在交互任务中表现得好不好，究竟该由什么来判断？在这项研究里，答案不是单一的速度或轨迹误差，而是来自人体的几类反馈。
第一类是运动学表现。机器人提供帮助后，人体能否继续保持期望的行走运动；第二类是肌肉负担，以仿真中的肌肉力指标衡量人体所需的发力大小；第三类是人机接触力，尤其关注外骨骼与人体连接位置的峰值作用力。三类指标合在一起，便构成机器人的优化目标。它们既关注任务表现，也关注完成任务时人体承担的物理代价。
接下来，研究团队将机器人控制增益与可调结构参数一同交给CMA-ES优化算法。优化器提出候选参数，人体—机器人耦合系统执行若干步态周期，模型计算运动和受力指标，再将结果送回优化器，寻找更合适的方案。
值得一提的是，研究采用了“先训练人体、再优化机器人”的流程。数字人体的运动策略在机器人设计搜索前已经训练完成，之后保持固定。这样，优化器面对的是一套一致的人体运动控制机制，可以高效的反复比较不同外骨骼设计带来的影响。
结构参数、控制参数与数字人体反馈之间的优化闭环
论文中的外骨骼设计空间共有21维，涵盖关节电机的控制增益和机械结构变量。评估约300组候选设计，外骨骼优化过程能够在一小时内完成。与只调整控制参数、只调整机械结构两种方式相比，联合优化获得了更低的综合目标值。
三种优化策略的综合 cost 对比，以及优化过程中的运动误差与受力指标
团队还进一步检查了髋、踝和肘部的关节轴对齐情况。优化后的设计，在人体关节轴和外骨骼关节轴之间的距离与角度偏差上，都比初始结构更小；与此同时，仿真中的交互接触力峰值也有所下降。这些结果说明：改善人体与机器人的交互，不一定只靠设计更复杂的控制器。有时，挪动一处绑带、调整一个模块的角度，并与控制参数共同优化，就能改变人体承受作用力的方式。
优化前后的关节轴距离误差和角度误差对比
05
以人类为中心的机器人优化闭环
本篇论文中的定量结果主要围绕外骨骼辅助行走的例子展开。对协作机器人而言，人与机器之间的关系同样是双向的。机器人调整施力，人会改变动作；人的动作发生变化，又会影响机器人需要作出的控制响应。把两者放进同一个物理仿真系统，意味着可以同时研究机器人的行为和人体的力学状态。
这也是这项研究最值得关注的地方。过去，人体常常出现在机器人研发的最后一段：设备完成设计后，再由实验者穿戴、操作和测试。具身人体仿真则提供了另一条路径，让人体模型从一开始就参与方案评估，用内部的生物力学信息为结构和控制参数提供反馈。它提供的是一条从人体动力学建模、运动策略学习、交互力学计算到机器人结构—控制联合设计的完整技术链路，让那些原本藏在人体内部的变化，也开始成为可用于工程决策的量化信息。对于康复辅助、可穿戴设备以及人形机器人协作等场景，这意味着一类新的设计思路：研究者可以先在数字环境中探索大量机械与控制组合，再据此形成更有针对性的设备方案。
以下为 AI科技评论与清华 LNS Group 对话实录：
▎Q1 从 ICRA 2020 的外骨骼步态优化工作，到这次引入人体肌肉骨骼模型，这两项工作分别解决了什么问题？
答： 两篇工作的出发点都是以人为中心，让机器人更关注人的反馈。ICRA 2020 通过人类偏好学习，比较外骨骼的不同步态、提出改进建议，寻找更符合个人偏好的控制参数。IROS 2026 则通过肌肉骨骼仿真，在真实设备调试前筛选有潜力的结构和控制方案。两者是互补的：仿真提高设计探索的效率，真人反馈用于验证和进一步调整。
▎Q2 相似的动作，是否意味着相同的身体内部状态？同一个运动表现，模型能不能给出多种合理的肌肉控制策略？
答： 不一定。人体运动存在很强的肌肉冗余性，相近的动作可能由不同肌肉组合完成，就像健身中常说的“代偿”。我们近期的 MS-Emulator 预印本(https://lnsgroup.cc/research/MS-Emulator/) 也在研究这一现象。这篇IROS 2026工作利用肌肉骨骼模型计算人体对物理交互的响应，综合步态跟踪、整体肌肉负担和人机接触力等指标评价设计，而不只是关注某条肌肉或外部运动表现。
▎Q3 如果人会去适应机器，为什么先把人的控制策略固定下来？如果使用者需要改变发力方式才能发挥优势，这套流程能发现吗？
答： 固定的是控制策略的参数，不是运动轨迹。经过多轨迹的参考运动学习和外力扰动训练，人体控制策略能根据外骨骼的作用力调整动作和肌肉激活。这样设计一是为了计算效率，避免每次调整外骨骼参数都重新训练人体，让优化算法对候选参数的评估更快；二是希望机器人能够适应使用者已经形成的运动习惯，一穿上就提供有效辅助，不必要求使用者花很长时间重新适应设备。
▎Q4 未来能不能为每个使用者单独设计一副外骨骼，从适配一类人走向适配一个人？最大的障碍是什么？
答： 很有可能，这也是我们希望发展的方向。我们组在人体仿真建模和优化控制算法上的基础，可以支撑根据不同使用者的身体结构和运动特征，探索更适合个人的机器人设计参数。当然，真正做到每个人都有一套定制外骨骼，还涉及硬件制造、易用性、商业化成本等诸多因素。
▎Q5 三年或者五年后再看这项工作，你希望看到哪个具体的变化？
答： 近年已经有将肌肉骨骼仿真用于外骨骼控制、并成功部署到真实设备的工作。我们希望进一步把机械结构和控制策略共同纳入优化，利用生物力学反馈解释不同设计的效果。未来三到五年，我们希望看到仿真预测能够在真实实验中得到更多评估和验证，再利用实验反馈持续改进模型和设计，逐步减小 human model 的 sim to real gap。这套框架也可以拓展到康复机器人、可穿戴设备以及人形机器人协作，让机器人从设计之初就考虑与人的物理交互需求。
CNCC 即将召开，欢迎参会的研究者、学生，以及关注计算机领域前沿进展的读者加入我们的CNCC 交流社群。
在这里，你可以认识同行、交流研究，分享招生信息、科研合作、约饭、投稿、组队参会等，寻找潜在的合作伙伴。
大会期间，我们也会持续带来现场报道速递、嘉宾演讲解读、前沿方向梳理和论坛精华。
会场见，也在群里见。
进群传送门：扫码进群或添加微信Qvv0909777，备注：CNCC + 单位/学校+姓名+方向。
上车，带你看遍全球 AI 顶会精华
可独家畅览：
专家演讲PPT
大会报告全文
热门论文解读
学术新星访谈
未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！
公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。
热门跟贴