ウェアラブル外骨格システムは、身体障害を持つ人々の移動能力を回復させる可能性を秘めているが、既存のコントローラの多くは静的歩行ポリシーに依存しており、動的な実環境や個々のユーザー特性に適応する能力に欠けている。この課題に対処するため、研究者らはOLIVE（Online Low-rank Incremental Learning for Efficient Adaptive Exoskeletons）を提案した。これは、展開中に外骨格制御を継続的に個別化するパラメータ効率の高いオンライン適応フレームワークである。
OLIVEの中心的なアイデアは、制御ポリシーの適応部分を低ランク残差形式、すなわちΔW = A B^T（ランクrはmin(d,k)よりもはるかに小さい）に分解することである。この分解により、オンライン更新の計算コストはO(dk)からO(r(d+k))に削減され、同時に事前学習済みベースコントローラW0の安定性が保たれる。パラメータ更新には報酬形成型のポリシー勾配法を採用し、筋電図（EMG）、慣性計測装置（IMU）、振動センサーといった身体装着センサからのフィードバックのみで駆動されるため、オフラインの参照軌道への依存を排除している。
さらに適応能力を高めるため、OLIVEはコンテキスト状態に基づいて個別化の強度を調整するゲーティング機構を導入している。また、動的ランクスケジューラが地形の複雑さに応じて更新次元を適応的に変化させる。単純な平坦地形では最小限の容量を割り当て、要求の厳しい不整地形ではより高ランクの更新に拡張することで、平地歩行、階段昇降、斜面、不整地形といった多様な活動で堅牢な性能を実現する。
ウェアラブルプラットフォームでの実験では、OLIVEは最強のベースラインと比較して、歩行の滑らかさ、労力低減、運動安定性においてそれぞれ13、22、15パーセントポイントの改善を達成し、約1,800歩行ステップ以内に収束、エンドツーエンドの遅延はわずか7.4ミリ秒であった。この研究のコード実装はGitHubで公開されており、コミュニティによる利用と改良が可能である。