无需实验的人体外骨骼辅助学习并非尚未解决的问题

我们提出了三种定量方法：（1）基于已发表数据估算外骨骼机械功率和能量比；（2）系统回顾外骨骼文献中报告的能量比；（3）对复现实验进行时序校正分析，以回应 Collins 等（2026）对 Luo 等（2024）提出的质疑。综合这些分析结果，它们支持了所报告的代谢降低效果，并支持了通过仿真学习实现外骨骼控制的有效性。 该评论建立在一个缺乏依据的前提之上：即外骨骼能量比高于 4 在生理上是不合理的。Collins 等（2026）的这一前提并未得到其所引用证据的支持，而且这一错误源自他们自己所引用的文献。Sawicki 和 Ferris（2009）——即他们援引为“4 这一上限”权威依据的论文——明确指出：“已报告的肌肉效率值范围为 0.10 至 0.34，且许多来源假定其平均值约为 0.25。” 数值 4 对应于这一平均值，而非生理学上的上限。将平均值视为生理上限是一个根本性错误。 已发表的外骨骼文献进一步反驳了这一论断，其中包括评论作者本人发表的工作（Collins 等，2015：4.3；Young 等，2017：5.0）以及独立研究工作（Malcolm 等，2013：4.8；Seo 等，2017：6.7）。相比之下，我们的步行能量比为 2.4，该数值直接根据我们论文中的图 4 计算得到。我们的装置能够提供更高的峰值扭矩（14.1 Nm，相比之下 Lim 等，2019 为 10.9 Nm），并实现了略高的代谢降低幅度（24.3% 对比 21%）。 此后，独立研究团队已通过仿真学习框架证明了显著的代谢降低效果，包括 Barati 等（2026，平均 15.2%，最大 22.5%）以及 Zhou 等（2025，在跑步过程中约 20%）。Collins 等（2026）声称这一问题“仍未解决”，而这一说法已被这些独立结果直接否定。

本网站正在使用一项安全服务来保护自身免受在线攻击。您刚刚执行的操作触发了该安全防护机制。可能触发此拦截的行为包括提交某些特定词语或短语、SQL 命令或格式错误的数据。

您可以向网站所有者发送电子邮件，告知您被拦截的情况。请在邮件中说明当该页面出现时您正在进行的操作，并附上位于本页底部的 Cloudflare Ray ID。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.16.731058v1?rss=1

🏷️ 外骨骼控制 仿真学习 代谢降低 机械功率分析 系统综述