气动人工肌肉（PAM），一种模拟人体活动的有前景执行器，在机器人、康复与假肢领域展现广泛应用潜力。然而，由于其非线性特质，操控PAM系统的运动轨迹一直面临挑战。

近期，一群专家提出了一种创新的自适应模糊滑模控制器策略，通过模糊逻辑估算PAM系统的控制参数，显著提升了运动精度与适应性。PAM通常由橡胶构成，表面覆以编织纱线，能模仿人体肌肉行为——充气时硬化并收缩，放气则变软并伸展。尽管PAM具备独特优势，但由于其非线性与延时特性，有效调控变得复杂。

传统控制手段在应对PAM非线性及滞后问题上有限制，亟需革新解决方案。由日本芝浦理工学院工程学院副教授Ngoc-Tam BUI与河内大学Quy-Thinh Dao博士领队的研究团队，提出了自适应模糊滑模控制器（AFSMC）方法，利用Takagi-Sugeno模糊算法估计干扰并自动调整输出值，以优化运动追踪与适应性。

研究初期，团队设计了一款结合控制信号的滑模控制器，引入特殊变量以估计干扰并强化控制效能。继而，通过自适应法则构建自适应模糊算法，自动更新分量规则参数向量，以计算干扰变量。经过Lyapunov稳定性分析，证实了AFSMC算法的稳定性。实验显示，与传统滑模控制相比，AFSMC在运动跟踪精度上表现更优，负载频率为0.5赫兹时，AFSMC的均方根误差为2.68°，远低于传统滑模控制器的4.21°。AFSMC还展现出出色的适应性，能有效抵御突发外扰。

研究者认为，此创新方法有望在康复设备、辅助工具与个性化治疗领域实现应用，为康复需求的患者提供精准治疗方案。AFSMC亦将助力高级假肢设计与开发，增强其实用性与康复效果。

尽管此研究为PAM运动轨迹控制打下基础，但研究团队期待AFSMC能激励康复技术领域进一步探索与进展。Ngoc-Tam BUI副教授预测，基于PAM的商业康复系统在未来5至10年内可能问世，为脊髓损伤、中风等患者的康复带来重大利好。AFSMC的长远影响预计将促进康复技术持续创新与发展。