虽然仿生重建领域取得了一定进展，但机器人肢体的控制仍然存在局限，且用户体验不自然。本文提出了一种新的控制方法，结合了基于姿势协同作用的机器人设计和脊髓运动神经元（MN）协同行为的神经解码。同时研究者还开发了一款具有两个驱动度的软假肢手，能够实现由两种姿势协同作用生成的二维线性流形中的姿势。该假肢可以完成多指协调以及手内操作等复杂动作。
每个脊髓MN接收来自皮质脊髓、其他脊髓区域和传入通路的输入，通常通过运动前中间神经元传递。这些神经元的输出反映了兴奋性输入，这些输入在多个神经元间相关联，形成协同作用。协同作用通过降低中枢神经系统的控制复杂度，帮助实现更灵活的运动控制。MN 激活的协同组织可以通过MN 活动的输出脉冲序列的分解算法来识别，进而实现复杂的手内操作控制。
研究者开发了 SoftHand Pro-2，这是一款具有两种协同行为的欠驱动软假手。多种软运动协同作用的组合提供了一个连续的工作空间，可以重现多种手势和手部操作。同时也可以进行强力抓握和精确抓握。此外，它还能够通过自主适应物体形状来稳定地操控物体。通过合理的假手设计与材料，智能控制消除了对单一控制架构的依赖。设计的假手可以通过仅结合两个具有柔软性和协同行为的 DoA 来执行更多种类的抓握和操纵任务。
实验招募了16 名没有身体障碍的受试者，在与假手运动学相关的不同手部运动过程中施加等长力来支配手部的 MN 活动。实验分别对比MN 协同方法和肌肉协同方法。在两种控制方法中，统计每个参与者的可用工作空间。在MN协同方法中，16 名受试者中有 8 名能触及 85.9% 的目标，包括靠近轴的目标，这些目标与手部最明显的模式（如捏和食指点）相对应。他们能够在力量抓握和这些不同模式之间的空间中导航，有效地进行手部操作。相反，肌肉协同作用显示出更受限制的工作空间，仅覆盖第一象限的 61.8%。
当实验分析不限于每种控制方法的特定工作空间并且包括所有目标时，肌肉协同的成功目标命中率（54.5%）明显低于 MN 协同（79.6%）。两个控制器在两个轴上的光标轨迹变化相似。然而，MN 协同控制表现出较低的光标误差变化率变化（x 轴低 15.7%，y 轴低 20.7%），表明轨迹更平滑。参与者还回答了一份针对每种控制方法的多个问题的调查。结果表明参与者都更认可 MN 协同方法。
实验还招募了3 名假肢使用者参与了这项研究。结果表明实验人员都可以使用 MN 探索比肌肉协同作用更大的工作空间。尽管肌肉协同作用决定了从光标移动到目标位置的中位距离较短，但 MN 协同作用通常只用更短的时间就能到达目标。问卷调查结果表明，假肢使用者明显偏爱 MN 协同，结果与没有身体障碍的参与者的偏好相对应。
总的来说，本文展示了一种自然仿生设计和接口方法，该方法通过脊髓 MN 的神经协同作用来控制假肢的姿势协同作用。实验证明了机械手的协同设计和神经信息提取算法可以为用户提供自然的模块化控制，该控制实现了跨越 2D空间的无限姿势，同时也降低了物理机器人设备和控制算法的复杂性。
内容来源：
https://www.science.org/doi/10.1126/scirobotics.ado9509
参考文献：
Capsi-Morales P, Barsakcioglu D Y, Catalano M G, et al. Merging motoneuron and postural synergies in prosthetic hand design for natural bionic interfacing[J]. Science Robotics, 2025, 10(98): eado9509.
