可穿戴式下肢外骨骼能够辅助人体行走,增强人的运动能力,减少人体运动能量的消耗,扩展人体负重能力。可穿戴式外骨骼是典型的人机高度耦合系统,需要人体与外骨骼高度协调运动,从而改善穿戴舒适性和增强人机功效。下肢外骨骼系统研究中,主要的技术难点包括:人体运动相位估计、人体运动模式辨识、人体运动步态预测、人机交互信息获取和人机协调控制技术等。本文针对以上关键技术难点与挑战,围绕人体运动相位与运动模式辨识,人体运动步态预测,人机协调控制策略设计与人机功效评价等多个方面展开研究。首先,基于人体运动解剖学的分析,构建下肢外骨骼系统,基于Langrage方程,对下肢动力学进行建模,基于人机耦合特性,建立了人机交互模型。搭建Matlab与Adams联合仿真平台,完成遗传算法优化与CMAC神经网络补偿的滑模控制策略仿真,该方法能够实现对步态轨迹的精确跟踪。基于人体解剖学与人体运动学,解析人体运动的特点,基于步态分析系统F-scan对步态压力的测量,设计可穿戴式鞋,分析典型步态中的足底压力分析特征,对人体运动步态相位进行划分,采用粒子群优化的模糊逻辑系统,对四个步态相位进行在线辨识,平均辨识精度可达95%以上,并开展实验验证算法的有效性。基于粒子群优化算法与支持向量机,结合足底压力传感器信息与足部、小腿的姿态信息,对几种典型步态模式(水平行走、上楼梯、下楼梯、上斜坡、下斜坡)进行在线辨识,使用多数投票法进行后处理,辨识精度可达98.35%±1.65%。基于物理式人机交互信息,估计与预测人体肢体关节运动轨迹,使用Kalman滤波器对物理式交互信息进行处理,消除噪声的同时,弥补意图延时。由于物理式人机交互信息与人体目标步态之间的关系呈高度非线性,难以通过数学模型的方法获取,基于典型步态数据测量与分析,引入灰色相关度分析处理数据,降低计算复杂度。设计在线稀疏化Gaussian过程回归算法,实现基于人机交互信息的运动步态预测,对算法进行了实验验证,验证提出方法的有效性。从不基于模型的角度开展了自适应最小化人机交互力的控制策略研究,通过设定的罚函数来调整控制器参数,并加入重力补偿,减小重力对人体腿部的影响。在站立相中,使用静态平衡控制策略,调整控制器输出,进行了水平地面上实际的穿戴实验,通过几组对比实验,验证算法的有效性。为了更好的实现人机协调运动控制,从基于模型的角度研究了自适应阻抗控制在外骨骼机器人中的应用,根据目标状态信息以及步态跟随误差调整阻抗参数,实现了阻抗参数的在线自适应调节。基于外骨骼系统的状态反馈,使用RBF神经网络在线学习系统的动力学方程,为了消除系统中的外在干扰以及系统不确定性,使用扩张观测器估计系统的干扰,然后在控制律中消除干扰,从而改善控制器的综合性能。开展自适应阻抗控制的实验验证研究,实验结果表明,所提出的自适应阻抗控制策略能够实现人与机械结构的协调运动。性能评价指标是外骨骼研究的主要方面,本文建立了人机功效的评价体系,基于主体指标与客体指标的综合评价,比较穿戴者的人机功效体验以及测试指标的变化。在各种路面对外骨骼进行实验,路面包括上下楼梯,草地行走以及复杂地形,每个测试人员对穿戴舒适性、助力效果、穿戴便捷性以及运动流畅性进行打分,使用调查问卷的方式,获得主观评价指标。客观性能指标包括足底反作用力、肩部压力与心率变化,在跑步机上对客观性能指标进行测量,设定跑步机速度为5km/h,每次测试时间为5分钟。穿戴负重与不穿戴负重的足底压力均值差别不大,差在5N之内,穿戴外骨骼负重30kg重物时,肩部压力增加了10.85N。相比于完全由人体承担负载,穿戴外骨骼承担负载的心率平均值下降了9.6%,而穿戴负重比穿戴外骨骼不负重,心率仅仅增加了3.45%。这反映出,穿戴外骨骼后,负载通过机构传递到了地面,穿戴者没有受到重物的压迫,外骨骼机器人能够帮助人体承担很大一部分负载,减轻人体的负担,起到了助力作用。