外骨骼机器人与穿戴者之间智能的融合,尤其是与云平台结合是外骨骼机器人未来发展的方向。本论文对机器人云脑架构及云机器学习算法进行了综述,提出了适用于外骨骼机器人的云脑架构以及云机器学习算法,并对外骨骼机器人的实际运行状态进行了云学习,同时应用在外骨骼机器人的人机安全状态检测与分析方法中。主要创新工作如下:针对在智能康复应用中需要将医患数据和外骨骼机器人实时传感器数据接入云端的问题,本论文从数据信息传输速度的维度设计并实现了基于阿里ECS服务的类Lambda架构的三层外骨骼机器人云脑架构。其主要包括:连接医患数据的批处理层,连接外骨骼机器人传感器数据在云端形成实时虚拟克隆体的快速处理层,以及用于监控、验证和智能性扩展的服务层。在批处理层利用数据库技术将PC端用户数据和APP端用户数据进行互联,在快速处理层利用物联网技术、实时消息中间件技术将每一个用户在使用康复医疗外骨骼机器人进行康复训练时候的人机状态在云端形成实时的虚拟克隆体。这样的架构不但解决了场景中用户数据的互联,而且解决了机器人数据的实时克隆,为延展外骨骼机器人在康复医疗领域的智能性和社会性提供了技术保证。针对在实际应用中外骨骼机器人的人机安全状态检测问题,本论文基于上述提出的外骨骼机器人云脑架构,利用云端虚拟克隆体的不同维度传感器数据进行了云机器学习,从穿戴者的角度为其建立了个性化的机器学习模块。该模块主要包括:基于穿戴者左右鞋底压力数据和孤立森林算法建立的人机状态异常检测模型;基于左右鞋底压力传感数据、姿态仪数据和自编码器、Seq2seq网络建立的人机状态预测模型;基于左右鞋底压力传感数据、姿态仪数据、左右髋关节角度数据和随机森林算法建立人机状态分类模型。针对在实际应用中外骨骼机器人的人机安全状态分析问题,本论文从医生和康复师的角度设计并实现了人机安全状态分析单元。该单元主要包括:基于人机状态分类模型和套索算法建立的状态可解释性模型,以及结合Apriori算法建立的关联规则分析模型。因此,该单元为外骨骼机器人的人机安全状态分析问题做出了探索,具有实际生产应用价值。