具身智能不只在机器人身体里：软体可穿戴设备正在变成人机耦合系统
谈具身智能时，人们常把“身体”理解为机器人的金属骨架。但对软体可穿戴机器人，身体不是设备单方面拥有的：人的骨骼、肌肉、疲劳、意图，纺织材料的弹性，传感器漂移和执行器输出共同构成一个实时变化的系统。
2026 年 8 月发布的一篇综述提出 Human-Centric Embodied Intelligence，并用 PCAA——感知、认知、驱动、增强——重排软体可穿戴机器人的设计顺序。它最重要的提醒是：不要先做一个执行器，再补传感和使用场景；应先定义要理解谁、帮助什么、如何证明有效，最后才决定用什么驱动。
从“设备给人加力”转向“人机共同适应”
传统外骨骼往往围绕关节力矩和轨迹控制设计。软体外骨骼通过织物、缆索、气动结构或柔性材料把力传到人体，减轻了刚性框架的体积和关节错位，却引入了另一组难题：
- 同一件设备穿在不同人身上，力的路径完全不同；
- 穿戴松紧、出汗、材料蠕变会改变传感与控制；
- 人会主动补偿设备，今天和两周后的动作模式不一样；
- “输出了力”不代表降低疲劳，也可能把负担转移到别的关节。
因此系统目标不能只是追踪轨迹，而要优化长期的人体结果：代谢成本是否下降、疼痛是否减少、动作是否更自然、穿戴时间是否足够、用户是否愿意持续使用。
PCAA：把依赖关系排对顺序
| 层 | 核心问题 | 典型工件 |
|---|---|---|
| Perception 感知 | 人现在想做什么、承受什么、是否疲劳 | IMU、压力、应变、EMG、生理信号 |
| Cognition 认知 | 何时、以多大强度、用什么模式辅助 | 意图估计、状态估计、共享控制 |
| Actuation 驱动 | 怎样安全、舒适地把力送到身体 | 缆索、气动、织物肌肉、软硬混合结构 |
| Augmentation 增强 | 人的功能是否真的变好 | 步态、代谢、力量、舒适、依从性 |
这四层不是流水线，而是闭环。增强结果回到感知层，更新个体状态；认知层据此调整辅助；材料和驱动限制又决定哪些动作可行。
最关键的工程变化，是把 Actuation 从起点移到后面。要先知道目标用户、活动场景、可测信号和成功指标，才能选择正确的力、带宽、重量和能耗。
感知不是多装几个传感器，而是建立“人体数字签名”
可穿戴系统需要融合至少五类信号：
- 运动学：关节角、步态相位、身体姿态。
- 交互力学：织物张力、足底压力、接口载荷。
- 神经肌肉：EMG 与肌肉激活时序。
- 生理状态：心率、呼吸、体温、疲劳和恢复。
- 环境与行为：地面、坡度、任务、日常活动习惯。
综述将这些长期融合后的个体表示称为 Human Digital Signature。它不是一次校准得到的静态参数，而是持续更新的个人基线：这个人怎样运动、何时疲劳、怎样恢复、设备在什么场景下真正有帮助。
难点也在这里。柔性传感器有迟滞、蠕变和漂移，织物电极受汗液和重新穿戴影响。实验室里一次准确的标定，无法证明全天可靠。生产系统必须能检测信号质量下降、自动再校准，并在状态估计不可信时降级到安全模式。
认知层应该分级，不能让学习控制越过安全底线
软体可穿戴机器人的控制可以分为三层：
- 安全反射层：限制最大力、速度、压力和关节范围，独立于学习模型。
- 实时辅助层：依据步态相位、意图和当前负荷，在毫秒到百毫秒尺度调节输出。
- 个体适应层：跨分钟、天和周更新参数，优化舒适度、代谢或康复目标。
学习算法最适合做参数选择和残差补偿，不应绕过确定性安全控制直接驱动设备。人在回路优化也不是让用户反复试到“感觉不错”，而是结合生理指标、任务表现和主观反馈，在受限空间内搜索。
当信号丢失、模型置信度下降或人体反应异常时，系统必须平滑减力，而不是保持上一条高增益命令。
形态本身就是计算
软材料并非只为舒适。弹性、几何、刚度和力传递路径可以承担一部分控制工作。合适的弹簧和离合结构能利用步态自然动力学储能、释能，减少执行器和控制器需要主动补偿的部分。
这就是 morphological computation 的工程含义：
- 用结构被动吸收高频扰动；
- 用材料顺应性降低接触峰值；
- 用力路由把辅助对准肌肉和肌腱工作方向；
- 用机械设计减少模型必须学习的自由度。
更大的模型不能修复错误的绑带位置，更多算力也不能消除材料疲劳。身体设计和控制模型必须共同优化。
数字孪生让个性化跨会话，但也把隐私风险提升为核心约束
一次个性化并不难，难的是设备在数周内跟随康复、疲劳和生活场景变化。人体数字孪生可以把运动学、肌肉状态、任务暴露、恢复和设备参数放进一个持续更新的预测模型，帮助系统回答：今天该提供多少辅助，偏差来自佩戴变化还是身体变化，某种调整是否会增加风险。
但这种能力会形成极其敏感的长期身体画像。数据治理必须覆盖：
- 原始信号和推断特征分别保存多久；
- 用户能否查看、导出和删除自己的模型；
- 模型更新是否会把个体数据泄漏到群体模型；
- 医疗、雇主和保险方分别可以看到什么；
- 设备转让或退役时如何销毁数字孪生。
同意不能只发生在首次采集，还要覆盖持续推断、模型更新和跨机构共享。
从样机到产品，需要新的验收矩阵
软体可穿戴设备不能只报告峰值力和单次实验效果。至少需要四类长期证据：
| 类别 | 关键指标 |
|---|---|
| 人体结果 | 代谢成本、疼痛、动作质量、康复进展 |
| 穿戴性 | 穿脱时间、压力热点、热舒适、连续使用时长 |
| 控制可靠性 | 信号丢失、漂移、误触发、降级与急停 |
| 生命周期 | 洗涤、材料疲劳、电池、维护、模型更新后回归 |
临床和工业场景还要分别验证。实验室步行改善不代表家庭复杂地面安全，短时搬举减负也不代表一个班次后不会出现负荷转移。
具身智能的单位，在这里是“人 + 设备 + 环境”
软体可穿戴机器人揭示了一个容易被大模型叙事遮住的事实：智能不只位于神经网络参数里，也分布在材料、身体、控制、环境和长期适应中。
PCAA 的价值不是创造新缩写，而是把产品团队的提问顺序纠正过来：先感知真实的人，形成可解释的状态，再决定怎样辅助，最后用人体结果证明增强。只有这一闭环成立，柔软才不只是材料特征，个性化也不只是一次 demo。