为克服这些挑战，论文通讯作者、美国北卡罗来纳州立大学苏浩和同事及合作者一起，共同开发出一个能从人类-装置交互中学习的框架，该框架不需要漫长的人体实验和人力资源。他们开发了能在模拟中生成人体运动、肌肉协调和外骨骼控制的3个互联神经网络控制器，随后用他们的模型开展了数百万次模拟试验，该模型能从人体移动数据中学习。

为测试本次研发控制器在现实世界场景中的成功率，论文作者对一名佩戴髋关节外骨骼的使用者进行了实验，并在使用者进行跑步、走路和爬楼梯这类运动任务时进行监测，最后得到的数据(测量力矩)会显示使用者不同运动形式下的形状变化以及辅助程度。研究发现，该控制器让使用者的代谢率在行走时降低24.3%，跑步时降低13.1%，爬楼梯时降低15.4%，表明整体上控制器能在不同活动中成功协助使用者。

dqd官网据论文介绍，外骨骼能显著提升人类运动，恢复残障人士的运动能力。不过，当前的控制器在匹配不同个体需求和任务涉及的复杂人体运动时仍面临挑战。它们通常需要开展大量的人体测试，依赖手工制作的规则，这限制了它们的广泛应用。之前的模拟研究并不包含控制器设计，也未考虑人类-机器人交互，这给从模拟到现实世界应用的过渡带来了挑战。