16亿外骨骼市场，终于等到一个“懂肌肉”的传感器

近日，IDC首次发布《中国外骨骼机器人市场份额，2025》报告。

数据显示，2025年中国外骨骼机器人市场规模超过16亿元，全年出货约2.6万台。医疗康复稳住主要市场价值，消费助力拿下七成以上出货量，行业应用也开始进入物流仓储、汽车制造、电力能源和应急救援。

图片来源：IDC咨询

一个过去主要出现在康复科和实验室里的设备，正在真正走向规模化。

但外骨骼卖得越多，一个基础问题越绕不开：它能给人力量，却往往不知道，人自己已经出了多少力。

你只想借一点劲，它可能用力过猛；你已经累到腿软，它却还在按照预设参数工作。很多外骨骼看得见人的动作，却读不懂动作背后的发力程度。

近日，昆士兰大学团队尝试补上这块感知缺口。他们把一块超宽带雷达（UWB）贴在皮肤上，无需切开人体，也不用只靠肌电“猜”，电磁波便能穿过皮肤，读取肌肉发力时留下的“电磁指纹”。

相关研究发表于机器人领域顶级期刊《Science Robotics》，论文题为《Ultra-wideband radar to measure in vivo muscle forces》。同期，斯坦福大学团队还在《Science Robotics》发表专题评述，将这项工作放进了一个更大的研究命题中：如何在人体运动过程中测量肌肉力。

换句话说，过去主要依靠动作、肌电和模型反推的肌肉力，终于有了一个更接近直接测量的新窗口。

01.

外骨骼很有力，却不一定懂你

测量机器人的电机输出多少扭矩，并不困难。

但人的肌肉藏在皮肤下面，周围还包裹着脂肪、筋膜、血管和骨骼。想准确知道一块肌肉此刻出了多大力，最直接的方法就是将传感装置植入人体。但这显然不适合日常康复、运动训练和可穿戴设备。

因此，研究人员通常只能“算”。

一种方法，是测量人体动作、关节角度和地面反作用力，再借助肌肉骨骼模型，反推出不同肌肉可能承担了多少力量。

另一条常见路线是表面肌电。将电极贴在皮肤上，就能读取肌肉收缩时产生的电活动，再据此判断发力程度。许多假肢、外骨骼和康复设备都在使用类似信号。

但这种方式的问题在于，肌电反映的是神经系统向肌肉发出了多强的“动员指令”，并不等于肌肉最终交付了多少机械力。

尤其在疲劳状态下，两者很容易脱钩。肌肉疲劳后，即使要维持同样大小的力量，身体也需要调动更多肌纤维。此时，肌电信号会越来越强，但肌肉实际产生的力量并没有增加。

这意味着，肌电可以告诉外骨骼“人有多努力”，却未必能告诉它“人真正出了多大力”。

而外骨骼需要的，正是后一个答案。只有知道用户实际出了多少力、还剩多少力，它才能判断何时介入，以及应该补多少力。

02.

不再只看肌电，UWB雷达直接感知肌肉

昆士兰大学团队选择的是UWB，也就是超宽带雷达。实验装置通过贴近皮肤的天线，向肌肉组织发射低能量、非电离的宽频电磁信号，再记录信号如何被人体组织反射和传输。

肌肉收缩时，并不只是简单地“变硬”。它的激活程度、肌束长度、收缩速度和肌纤维排列都会发生改变，组织的电导率和介电特性也会随之变化。

这些改变会影响电磁波在肌肉中的传播方式。换句话说，肌肉每次发力，都会留下一组略有不同的“电磁指纹”。

研究团队没有寻找某个可以单独代表力量的频率，而是在100 MHz至2.9 GHz之间选取了51个频率点，共同组成一张多维电磁图谱，机器学习模型再从中寻找规律，将雷达信号转换为肌肉力或关节力矩。

所以，这里的“读取肌肉力”，并不是贴上天线后，屏幕便直接跳出一个力值。它先采集肌肉发力留下的电磁变化，再通过模型换算成力学结果。

计算依然存在，但计算的依据已经从外部动作和神经电活动，推进到了肌肉组织本身。

在挑战疲劳和动态运动之前，研究团队先回答了一个基础问题：这种方法是不是只能在某一块特定肌肉上成立？

他们测试了两种结构不同的肌肉。具体分别在16名参与者的股外侧肌和6名参与者的胫骨前肌上采集UWB信号。前者属于单羽状肌，后者属于双羽状肌，肌纤维排列和收缩形态并不相同。

实验结果显示，在10%至50%最大随意收缩的等长发力中，两种肌肉的雷达反射信号都会随力量水平发生显著变化。

这说明，UWB感知发力并非只在某一种特定肌肉结构中成立。

不过，这仍然只是最简单的场景。真整麻烦的是，当肌肉累了，或者身体真正动起来，激活程度、长度、速度和力量会同时变化。雷达还能不能把它们分清？

03.

疲劳和动态之下，雷达照样精准测力

为了证明UWB雷达并不是肌电信号的另一种表达，研究团队首先设计了一场疲劳实验。

18名参与者进行了持续20分钟的间歇性等长膝关节伸展。肌肉持续发力，但关节位置基本保持不变。

随着实验持续，参与者的肌肉逐渐疲劳——为了维持相同大小的力量，身体不得不投入更多神经激活。

实验结束时，参与者产生相同力量所需的肌肉激活程度，平均增加了26%±15%。

这里需要注意，此时的肌电与实际力量之间已经明显脱钩。假如UWB雷达只是另一种形式的肌电，它也应该随之失准。

但结果恰恰相反。UWB模型对力的估算决定系数R²达到0.988（R²越接近1，说明估算结果与实测结果越一致）。

换句话说，肌肉已经累了，神经系统越来越努力，雷达却没有把“更努力”误判成“更有力”。

随后，研究团队又让腿真正动了起来。

6名参与者进行了不同速度和发力水平的动态膝关节运动，速度覆盖每秒30度至120度，发力水平覆盖最大随意收缩的15%至60%。

这一次，肌束长度、收缩速度、肌肉激活和关节力矩都在同时变化。模型对膝关节力矩的估算仍达到0.984的R²，归一化均方根误差约为3.3%。

由此来看，两组实验检验了两种最容易出现的解释：UWB信号没有简单跟随肌电变化，也没有把肌肉伸长、缩短带来的几何变化误认为力量变化。

这意味着，此项研究进一步发现，肌肉激活、肌束长度、收缩速度和力矩，会在不同频率的UWB信号中留下相对独立的影响。雷达开始同时捕捉肌肉收缩状态的多个组成部分，而不再只依赖单一的外部替代信号。

04.

16亿元市场，开始争夺“谁更懂人”

这项研究最直观的落点，是外骨骼和智能假肢。

过去，已达到16亿元市场规模的外骨骼产品竞争更多集中在电机、减速器、结构重量、续航和助力效率。但当硬件逐渐成熟，问题开始发生变化：机器已经能够提供力量，下一步是如何在正确的时间，提供恰到好处的力量。

对医疗康复外骨骼来说，更准确的肌肉力感知，可以帮助系统区分一个动作究竟是患者主动完成的，还是机器替他完成的。

对消费助力外骨骼来说，系统可以根据用户的实际体力和疲劳程度调节助力，不必从上山到下山始终使用同一套参数。

对工业外骨骼来说，它则有机会在工人真正进入高疲劳状态前识别负荷变化，提前介入。

IDC也指出，随着硬件技术逐步成熟，外骨骼产品的竞争将进一步转向感知和算法能力。厂商需要加强IMU、肌电、压力和力矩传感器等多源信息融合，让产品由机械助力走向智能助力。

而此次研究团队提出的UWB雷达未必会取代现有传感器。它更可能与IMU、肌电、压力和力矩传感器配合，为设备建立一套更完整的人体状态模型。

IMU告诉机器身体怎样运动，肌电告诉机器神经系统多么努力，而UWB雷达尝试补上最后一个问题：肌肉最终真正出了多少力？

当然，外骨骼并不是这项技术的唯一落点。研究团队还将其潜在应用指向智能假肢、功能性电刺激康复、运动损伤监测、生物力学研究和个性化训练。凡是需要回答“人体此刻究竟出了多少力”的系统，都可能成为这种技术的应用对象。

05.

距离真正穿上身，还差三道坎

目前，这套UWB系统还不能直接装进量产外骨骼。从实验室到实际穿戴，至少还隔着三道坎。

第一道坎，是跨用户使用。

论文中的模型主要针对每名参与者分别训练。不同人的脂肪厚度、肌肉形态和组织电磁特性并不相同，换一个人之后，模型能否直接复用，仍需进一步验证。

第二道坎，是采样速度。

系统目前的采样率约为10.8 Hz，足以覆盖论文中的受控实验动作。但研究人员也指出，面对走路等更接近真实使用的任务，可能需要进一步提高采样速度。至于跑步、跳跃等高速动作，当前研究尚未验证。

第三道坎，是硬件形态。

实验装置仍然使用矢量网络分析仪、同轴电缆和体耦合天线。要从实验室雷达变成真正可穿戴的肌肉力传感器，它还需要完成小型化、无线化、低功耗和抗运动干扰。

此外，动态实验中模型估算的主要是膝关节力矩，并不意味着人体每一块肌肉的绝对力量都已经能够被单独分离。

因此，这项研究目前证明的是一种新的传感原理，而不是一款已经可以量产的标准零部件。

但对于一个已经拥有16亿元市场、年出货2.6万台的产业来说，这个变化依然值得关注。外骨骼行业过去一直在给机器增加力量，下一场竞争，或许不是谁推得更猛，而是谁先造出一个真正读懂人体的传感器。

论文链接：https://www.science.org/doi/10.1126/scirobotics.aed5865