可穿戴外骨骼系统在帮助行动不便者恢复运动能力方面具有广阔前景，但现有大多数控制器依赖静态步态策略，难以适应动态的真实环境或不同用户的个体特征。针对这一问题，研究人员提出了OLIVE（Online Low-rank Incremental Learning for Efficient Adaptive Exoskeletons，面向高效自适应外骨骼的在线低秩增量学习）框架，这是一种参数高效的在线自适应方法，能够在部署过程中持续个性化外骨骼控制策略。该论文于2026年6月3日提交至arXiv，编号为2606.05234，作者为Dong Liu等五人，研究属于机器人学（cs.RO）与机器学习（cs.LG）交叉领域。
OLIVE的核心创新在于将控制策略中的自适应部分分解为低秩残差形式：ΔW = A B^⊤，其中秩r远小于min(d,k)。这种分解将在线更新成本从O(dk)降低到O(r(d+k))，同时保持预训练基础控制器W₀的稳定性。参数更新采用奖励塑形的策略梯度方法，完全由体上传感器反馈（肌电EMG、惯性测量单元IMU、振动传感器）驱动，从而消除了对离线参考轨迹的依赖。这一设计使得外骨骼能够在实际使用中根据用户的身体信号实时调整，而无需预先采集大量标注数据。
为了平衡个性化与通用性，OLIVE引入了门控机制，根据上下文状态调节个性化强度。此外，动态秩调度器能够根据地形复杂度自适应调整更新维度：在简单的平坦地形上分配最小的更新容量，而在 demanding 的不平整表面上扩展为更高秩的更新。这种按需分配计算资源的方式，使得系统能够在不同活动中保持稳健性能，包括平地行走、上下楼梯、坡道以及不平整地形。
在可穿戴平台上的实验表明，OLIVE在步态平滑度、努力减少和运动稳定性方面分别比最强基线提升了13、22和15个百分点，并在约1800步行走内收敛，端到端延迟仅为7.4毫秒。研究团队已公开代码实现，地址为https://github.com/FastLM/OLIVE。该工作展示了在线低秩增量学习在实时外骨骼控制中的潜力，为个性化、自适应可穿戴机器人系统提供了新的技术路径。