研究人員開發了一種名為“重放約束模擬”的新型框架，旨在個性化動力膝踝假肢的阻抗控制器，從而更好地適應個體步態生物力學。該框架基於MuJoCo物理引擎，能夠精確重現假肢的膝踝動力學，同時從個體步行資料中回放記錄的髖部運動學和基於反饋的地面反作用力。這一方法巧妙地繞過了對複雜人類神經肌肉控制機制進行建模的需求，而這正是傳統方法的主要瓶頸。
傳統個性化方法要麼依賴耗時的人類在環探索，要麼將最佳化限制在低維、單關節的引數子空間。相比之下，新框架利用深度強化學習策略，同時個性化兩個關節的相依賴性剛度、阻尼和平衡角，以最大化基於仿生學的獎勵函式。該獎勵僅使用假肢上的感測器測量值計算，無需任何外部裝置。
在水平地面以0.8米/秒行走的三名經股截肢者參與者的實驗中，該框架表現出強大的模擬到硬體預測有效性，皮爾遜相關係數r在0.96到0.997之間。對於所有參與者，硬體上表現最佳的策略始終在模擬中排名前五。與未個性化的基線相比，學習到的控制器將整體仿生學獎勵提高了42%到59%。
該框架不僅支援動力假肢的可擴充套件高維個性化，還可以擴充套件到更高維度的控制器引數化，例如神經網路控制器。這項研究為改善假肢使用者的步態舒適性和自然性提供了有前景的途徑，有望在未來實現更廣泛的應用。