对话清华 LNS Group：把人体肌肉骨骼纳入机器人设计，探索人机交互的具身仿真 | IROS 2026

AI科技评论

2026-10-21

导读：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。

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

设想两个场景：一是人穿戴外骨骼行走，机械关节提供力矩辅助；二是人与机器人协作搬运，双方需持续协调发力。尽管前者为穿戴式辅助，后者为人机协作，但二者核心共性在于：机器人的运动最终通过物理接触作用于人体。

在此类任务中，机器人完成动作仅是故事的一半，另一半发生在人体内部：机器人在动，人的身体也在不断作出反应。哪些肌肉在发力？哪些关节承担负荷？机械结构的调整如何改变人机受力关系？随着机器人从独立设备转变为贴身辅助或协作伙伴，这些问题成为设计的核心。

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，提出了一种基于具身人体仿真的人机物理交互定量分析框架。该框架整合了人体肌肉骨骼模型、强化学习运动控制、人机耦合建模与机器人参数优化，利用人体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

被忽略的不是动作，而是动作背后的动力学交互过程

传统评估辅助机器人表现的指标（如步态稳定性、任务耗时、代谢消耗等）虽重要，但往往无法解释设计方案有效的深层原因。例如，两套外骨骼可能产生相似的步态，但对人体腿部绑带的拉力或肌肉组合的动用却截然不同。

人体运动并非关节角度的简单叠加，而是涉及肌肉收缩、平衡保持及多部位协调的系统工程。机器人施加的力会介入这一过程，改变人体的发力需求。仅靠外部运动轨迹不足以解读这种变化。因此，研究团队将人体肌肉骨骼系统置于仿真核心，持续记录难以直接获取的肌肉力、肌肉激活度及交互接触力，使人体仿真成为机器人设计中“以用户为中心”的关键反馈源。

人体仿真不仅能完成运动，还需要对外力作出反应

研究采用开源的 MS-Human-700 全身肌肉骨骼模型，其控制输入为 700 个肌肉-肌腱单元的激活，遵循生物力学模型产生肌肉力驱动关节。为实现持续协调的运动，团队利用深度强化学习训练运动控制策略，使其能根据参考运动控制肌肉激励，调整关节与身体位置，并处理随机扰动力。

测试显示，面对持续 0.2 秒、大小不超过 200 N 的前后方向扰动力，人体模型可在 0.5 秒内恢复至接近原有参考步态的状态。正常行走时，主要关节角度的平均跟踪误差低于 0.05 rad。这一能力使数字人体从被观察对象转变为参与物理交互的动态系统，能够根据机器人提供的助力调整运动控制，从而在统一的标准下检验不同机器人设计方案。

机器和人体的交互仿真，需要合理的物理连接建模

以外骨骼辅助步行为例，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。为体现穿戴界面的柔顺特性，连接处采用具有弹簧—阻尼性质的弹性单元，而非刚性固定。这种方式保留了受力过程中的相对运动，同时将作用力准确传递至人体模型。

关键创新在于，连接位置和机器人模块的相对位姿被设计为可调整参数。例如，大腿和小腿绑带位置、髋部模块平移量、踝部或手臂模块安装朝向等均可优化。不同的结构组合直接影响机械关节轴与人体关节轴的相对位置，进而改变辅助力的作用方式。这使得外结构设计不再局限于几何尺寸，而是成为可通过人体受力反馈进行评价和调整变量。

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

把“人受到了什么影响”写进优化目标

研究确立了三维度的优化目标：一是运动学表现，即人体能否保持期望行走运动；二是肌肉负担，通过仿真肌肉力指标衡量；三是人机接触力，重点关注连接位置的峰值作用力。这三类指标兼顾了任务表现与人体承担的物理代价。

团队采用“先训练人体、再优化机器人”的流程。数字人体的运动策略在优化前已训练完成并保持固定，以确保评估的一致性。随后，将机器人控制增益与可调结构参数输入 CMA-ES 优化算法，通过迭代寻找最优方案。

结构参数、控制参数与数字人体反馈之间的优化闭环

在涵盖21维设计空间（包括关节电机控制增益和机械结构变量）的测试中，联合优化约300组候选设计仅需一小时，且综合目标值优于单独调整控制参数或机械结构的方式。优化后的设计在髋、踝和肘部的关节轴对齐度上显著改善，交互接触力峰值下降。结果表明，通过调整绑带位置、模块角度并与控制参数共同优化，可有效改善人机交互体验。

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

优化前后的关节轴距离误差和角度误差对比

以人类为中心的机器人优化闭环

该研究构建了从人体动力学建模、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。具身人体仿真让人体模型从一开始就参与方案评估，将原本隐藏在人体内部的生物力学信息转化为可量化的工程决策依据。这为康复辅助、可穿戴设备及人形机器人协作提供了新的设计思路：先在数字环境中探索大量机械与控制组合，再形成针对性设备方案。

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：两篇工作均以人为中心。ICRA 2020 通过人类偏好学习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。两者互补：仿真提高设计探索效率，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。人体运动存在肌肉冗余性，相近动作可能由不同肌肉组合完成（即“代偿”）。本研究利用肌肉骨骼模型综合步态跟踪、整体肌肉负担和人机接触力等指标评价设计，而非仅关注外部运动表现或单条肌肉。

▎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：固定的是控制策略参数，而非运动轨迹。经过多轨迹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作用力自动调整动作和肌肉激活。此举既提高了计算效率，避免每次调整都重新训练人体，也旨在让机器人适应使用者已有的运动习惯，无需长时间重新适应。

▎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。基于现有的人体仿真建模和优化控制算法基础，可探索适合个人的机器人设计参数。但实现定制化外骨骼还面临硬件制造、易用性及商业化成本等挑战。

▎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：希望看到仿真预测在真实实验中得到更多评估和验证，利用实验反馈持续改进模型和设计，逐步缩小 sim to real gap。同时，将该框架拓展至康复机器人、可穿戴设备及人形机器人协作领域，让机器人从设计之初就充分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。