动力假肢目前普遍依赖阻抗控制器，这类方法通常需要大量人工调参，并依赖显式的运动模式分类来决定何时切换控制策略。来自 arXiv 的一篇新论文提出并实时部署了一种端到端假肢控制器，试图绕开这两个长期存在的工程负担。该控制器直接利用假肢上的机载传感器估计连续的执行器信号，因此不再需要独立的意图分类器，也不需要为每位使用者单独进行参数整定。
研究团队采用时间卷积网络（Temporal Convolutional Networks）作为控制策略的核心模型。训练数据来自 18 名股骨截肢者的多地形行走数据集，覆盖五种运动模式。随后，系统被部署到实时环境进行验证。测试共有四名参与者，其中三名身体健全、一名为股骨截肢者，他们在平地、上坡、下坡以及上楼梯和下楼梯等场景中行走。
在平地行走方面，部署后的控制器重现了训练数据中峰值踝关节力矩随行走速度变化的缩放关系。排除一例因假肢负载异常导致的离群数据后，部署系统的斜率为每米每秒 0.85 牛米每公斤（p = 0.001），训练数据对应的斜率为每米每秒 0.96 牛米每公斤（95% 置信区间为 0.42 至 1.50，p = 0.002）。这表明实时系统在速度自适应方面保持了与训练阶段一致的规律。
在上坡场景中，控制器能够根据坡度调整膝关节预屈曲程度。部署系统的缩放比例为每度坡度 2.92 度（p = 0.027），训练数据为每度坡度 3.30 度（95% 置信区间为 1.83 至 4.77，p < 0.001）。在下坡场景中，控制器相对于平地行走增加了膝关节的阻力矩，部署系统增加 0.16 牛米每公斤（p < 0.001），训练数据同样增加 0.16 牛米每公斤（p = 0.008）。这些结果说明控制器在坡道条件下能够产生与训练数据相符的模式自适应行为。
楼梯场景尤为值得注意。尽管训练数据只包含一种肢体领行的上下楼序列，部署后的控制器仍能为健侧领行和假肢侧领行两种顺序生成无缝的楼梯过渡，覆盖上楼和下楼两个方向。作者认为，这些结果为端到端控制能够提供统一、模式自适应且无需受试者专属调参的假肢辅助提供了初步证据。
需要指出的是，这项研究仍处于早期验证阶段，测试参与者数量有限，且包含身体健全受试者，因此结论的普适性尚待更大规模、更多截肢者参与的研究确认。论文于 2026 年 6 月 5 日提交，作者为 John Shim 等六人。