哈佛大学约翰·A·保尔森工程与应用科学学院(Harvard John A。 Paulson School of Engineering and Applied and Sciences，SEAS)和威斯研究所(Wyss Institute for Biologically Inspired Engineering)的研究人员开发出来一种有效的机器学习算法能够快速设计定制化控制方案来制造柔性可穿的动力服。

提到柔性辅助可穿戴设备，比如像哈佛大学生物设计实验室(Havard Biodesign Lab)设计的动力服，人们不免想到人和机器“合为一体”了。但是每个人走路的方式都略有不同，为每个需要穿着动力服的人设计机器参数是一件费时又低效的事情。

但现在，哈佛大学约翰·A·保尔森工程与应用科学学院和威斯研究所的研究人员开发出了一种高效的机器学习算法，可以快速设计定制化控制方案来制造柔性可穿的动力服。

“这种新的方式高效快速地优化了辅助可穿戴设备的控制参数设置，“在SEAS攻读博士后的Ye Ding介绍到，他是该项研究的共同第一作者，”这种方式能够优化穿着髋部延展辅助设备的用户的代谢性能。“

当人们走路的时候，会不断微调自己的身体来节约能量(即代谢消耗)。

”之前，如果说有三个人使用辅助可穿戴设备，那么你需要设计三套不同的辅助方案，“在SEAS攻读博士后的Myunghee Kim解释道，他也是该项研究的共同第一作者，“在过去，为每个使用者找到合适的控制参数是一件很困难的事情，必须一步一步地来，因为不仅每个人的行动方式略有不同，进行人工调整参数的实验也是一件复杂耗时的事情。”

该项研究由来自SEAS的副教授Conor Walsh和SEAS工程与计算机科学学院的助理教授Scott Kuindersma共同领导完成。他们开发的这种算法可以切断变化并快速找到能够尽可能减少行动消耗的最佳控制参数。

研究人员使用所谓的”人机回圈“(Human-in-the-loop)优化，通过实时测量人的生理信号，例如呼吸速率来调整设备的控制变量。算法会在寻找最优参数中不断优化，最终指示动力服在合适的时间和地点提供协力来帮助髋部延展。该研究团队使用的贝叶斯优化方法去年已经发表在《公共科学图书馆期刊》(PLOSone)上。

和不穿动力服的情况相比，穿上使用该算法优化的动力服能够帮助用户减少17.4%的代谢消耗。比起团队之前的成果，这种动力服性能提升了60%以上。

“优化学习算法对未来用于协助运动的可穿戴机械装置将产生很大影响，”Kuindersma说到，“这些结果表明哪怕是最简单的控制器优化都能在用户行走时提供重要的个性化帮助。接下来我们重要的一步就是根据这些想法来研究更多更有效的控制方案，并把这些想法应用在需求不同的用户身上。“

”穿着可穿戴机器人就像穿着柔性动力服，最关键的是要在合适的时候为用户提供合适的协力，让可穿戴机器人和用户协调一致，“Walsh说到，”有了这些在线优化算法，系统可以学习如何在二十分钟内自动达成这一目标，并给用户提供最大的帮助。“

接下来，该团队决定将这一优化算法应用在一个更为复杂的设备上，这个设备能同时为不同关节，比如髋部和踝部，提供协力。

”这篇论文里表明仅仅一个髋关节延展优化就能大量减少代谢消耗，“Ding说，”这篇论文会告诉你一个厉害的大脑配上一个厉害的硬件设备究竟能做成什么事情。“

该项研究由国防高级研究计划局(the Defense Advanced Research Projects Agency)下属Warrior Web Program项目，威斯研究所和哈佛大学约翰·A·保尔森工程与应用科学学院合作进行。