悬吊式上肢康复训练机器人的主体由连杆及绳索机构所构成，患儿的前臂可通过线缆驱动的末端执行机构进行辅助康复训练，患儿的上肢在减重的情况下可针对性的进行各种位置、角度的主、被动训练 [ 4 ] 。意大利帕多瓦大学研发了一款悬吊式上肢康复机器人NeRebot，除了用于治疗中风后上肢损伤的成人款外，针对儿童患者，也能够进行上肢功能障碍的辅助治疗 [ 5 ] 。该机器人采用悬吊式线驱动，可执行前臂的屈伸，肩关节旋前和旋后、内收和外展，以及旋转运动。在控制系统方面，该机器人基于模块化的设计理念，分别由滑台模块、悬吊系统模块、支撑模块、以及安全功能模块构成，在主要的悬吊系统模块中，则集成了步进电机与驱动绳。NeRebot通过线驱动带动患儿手臂进行连续路径作业模式，步进电机的位置输出则依靠PWM波进行角度定位及调速，运动精度很高，但人机交互依赖悬吊系统，只能进行完全被动的训练。日本大阪大学研发的悬吊式上肢机器人PLEMO采用了关节的制动扭簧来进行驱动，并借助电流变液制动器改变训练阻力 [ 6 ] 。在控制系统方面，PLEMO采用主动和被动训练模式结合的控制策略，具有自适应迭代学习能力，并与虚拟现实技术相结合，大大提高患儿在进行康复训练时的积极性。为解决主动训练过程相较于被动训练模式存在的人机交互力响应速度慢，运动控制精度较低的问题，PLEMO还搭载了基于力的阻抗控制算法的力控制器，这种技术的应用关键在于如何处理好运动过程中力、速度及位置的误差，需要非常精确的动力学模型作为理论基础。

牵引式上肢康复训练机器人的主体由连杆或串联机构所构成，对上肢功能障碍患儿的前臂提供一定程度的引导支撑，使患儿按照预先制定的运动轨迹进行主、被动训练 [ 7 ] 。ArmeoSpring Pediatric是由瑞士Hocoma公司研制的一款牵引式上肢康复训练机器人，专门用于治疗儿童上肢功能障碍 [ 8 ] 。该机器人可提供实时的运动反馈与评估，可对从肩关节到手掌部位的完整运动链进行治疗，并可以根据患儿的运动情况自动提供辅助。ArmeoSpring Pediatric拥有一整套的主动式人机交互模式，可实时跟踪定位患儿手臂并进行坐标转换，再由正、逆解及轨迹规划计算出机械臂各个关节的运动参数，这也是目前绝大多数上肢康复训练机器人轨迹规划研究的重点。早期的有源康复机器人，在运动控制的选择上几乎都采用路径规划，这种控制方式仅考虑起始点与目标点之间的路径，并不考虑患者使用过程中运动参数的变化，因而对身体机能的恢复效果非常有限，大多只能归类为辅助设备，而脱胎于工业机器人的轨迹规划控制方式能够对运动中参数变化、时序均给予反馈，对于不同病症阶段的患者都能起到很好的训练效果。因此，由于不同康复阶段的患儿运动特性的不同，一套完整的轨迹规划更具针对性和精确性。比利时AXINESIS公司研制了一款牵引式上肢康复训练机器人REAplan [ 9 ] ，该机器人的整体控制系统设计是基于力反馈与位置反馈，因此在控制方式上能够同时结合力控制与位置控制的特点，通过检测末端交互力来调整电机输出力矩，实现精确的力控制。在实际应用中，REAplan将多轴力矩传感器布置在机械臂末端，能够直接检测到作用力信息，然而由于驱动端远离机械臂末端，两者之间机械本体的惯性影响无法避免，力控制的动态性能受到限制，响应速度也较慢。

外骨骼式上肢康复训练机器人的设计依据是人体上肢关节独特的运动机制，符合人体仿生学。在康复训练过程中，其特殊的机械结构可以贴合患儿的上肢，带动患儿进行上肢的主、被动训练 [ 10 ] 。RUPERT是美国亚利桑那大学研制的一款外骨骼式上肢康复机器人 [ 11 ] ，其采用表面肌电信号传感器采集人体上肢各关节肌电信号，并将采集到的肌电信号进行处理使机器人将患儿的手臂动作识别为预先设定的上肢运动分类器中的运动，从而带动患儿手臂进行康复训练，并保留单次训练中上肢运动的特征值，从而在后续的训练中通过神经网络逐步改善患儿上肢运动功能。目前绝大多数外骨骼式康复训练机器人的研究也逐渐引入神经网络，这是一种模仿生物神经网络行为特征，采用分布式的方法对各种输入信息进行处理的算法数学模型，与大多数儿童康复机器人所应用的单一位置或力交互算法相比，神经网络具有自学习、自适应的特点，使外骨骼与人体运动的肢体控制信号相匹配，提高运动性能的同时，也能增强对不同类型患儿的适应性，而应用单一算法仅能提升单一场景下的某种性能。苏黎世大学针对儿童手神经障碍患者研制了一款外骨骼式上肢康复机器人PEXO [ 12 ] ，这是一款手部外骨骼机器人，针对患儿群体的独特需求对成人款进行了设计修改。PEXO由手持模块和背部模块构成，其中背部模块上集成了电子元件、电机以及电池，整体的硬件集成度很高。PEXO通过线缆驱动手部执行模块进行运动，预先对患儿手部功能进行评估后，可实时反馈检测患儿手部各关节运动参数，同时结合虚拟现实技术搭建符合儿童患者的康复训练场景，虚拟现实技术是目前很多儿童康复机器人研究的另一大热点，这种技术原本用于训练飞行员，但虚拟现实技术提供的逼真的三维多感官虚拟世界使其同样适用于康复阶段的患儿，与常规的现实康复环境相比，虚拟现实技术能够提供各种感官信息，同时对人体头、眼、肢体的运动跟踪系统能极大地增强参与感，引导患儿自主参与康复训练，提高康复训练效果。

固定式下肢康复训练机器人专注于引导患儿肢体运动，以便从治疗和功能角度获得最佳的康复训练效果。这种康复设备的训练目标是使患儿肌肉得到有效强化，以及恢复关节的灵活性和运动协调性 [ 13 ] 。Lokomat是一款由瑞士Hocoma公司研制的固定式下肢康复训练机器人 [ 14 ] ，其结合了静态减重系统、弹簧式被动动态减重系统以及主动动态减重系统，在患儿进行康复训练时能有效较少因体重对患儿下肢的压迫，同时也能随着步态运动的推进自适应调整减重程度。步态控制策略上Lokomat采用的是参考轨迹自适应控制，控制台采集患儿穿戴Lokomat进行康复训练的下肢关节运动参数，并进行反馈处理，将实际的步态运动轨迹与参考系中根据运动功能分级而生成的标准步态轨迹进行对照，对患儿的下肢运动轨迹进行自适应修正，从而实现完整可控的康复训练模式。加拿大Trexo Robotics公司研制了一款固定式下肢康复训练机器人Trexo用于对脑瘫患儿进行一致、精确和重复的强化步态训练 [ 15 ] 。Trexo采用了基于位置的控制策略，可进行步态轨迹控制和骨盆控制，布置在关节部位的传感器能够准确获取患儿的主动运动意图，在避免患儿肢体因痉挛与机器产生对抗，造成二次伤害的前提下，矫正患儿的步态运动轨迹，提供辅助行走力矩，实现可控的主动式交互控制。LokoHelp作为一款由德国LokoHelp公司研制的固定式下肢康复训练机器人 [ 16 ] ，本体高度模块化，由悬吊减重系统、跑步机以及腿部矫形器组成，功能上除了基础的步态康复训练，LokoHelp还为患儿提供了上下坡训练，控制策略上采用基于位置的控制模式，训练前能够预先设定特定的步幅、步速、离地距离等参数，从而在训练过程中输出固定的步态运动轨迹，同时不同于其他产品，LokoHelp还能针对患儿踝关节进行固定轨迹的运动，形成模式化的感觉输入。上述三种固定式下肢康复训练机器人均采用了基于位置的导纳控制模式，对于患儿的步态轨迹能够进行很好的纠正，然而缺乏力控制也使得患儿的主动运动意图无法得到有效的利用，因此目前儿童康复机器人的控制系统研究重点大多集中于如何实现力位混合控制。

移动式下肢康复训练机器人的特点在于，在进行患儿下肢的主、被动康复训练的同时，还可以辅助患儿自由行走，这类机器人体积及结构较为轻巧 [ 17 ] 。艾动AiLegs是一款由北京大艾机器人科技有限公司研制的下肢外骨骼康复训练机器人 [ 18 ] ，其融合多种传感器，实时监测并采集穿戴者的关节运动角度、角速度、加速度等姿态信息，信号反馈并进行融合处理后反馈给控制器进行不同训练场景下的步态规划，在这种控制模式下，穿戴者主动的运动信息作为输入量输入到AiLegs的处理器中进行融合解析处理，随后个性化的步态轨迹作为输出量反映到机器人的关节驱动单元，这种自适应控制器解决了单纯靠位置控制或力控制的实际轨迹精确性不足问题，并且患儿的步态参数能够通过机器学习来改善后续的步态训练，提高了康复训练效果。日本筑波大学针对患有下肢功能障碍的儿童群体研制了一款穿戴式下肢外骨骼康复机器人HAL [ 19 ] ，作为成人款产品的小尺寸版本，HAL搭载了针对儿童患者群体的安全功能检测装置。在控制策略方面，HAL实时采集穿戴者的表面肌电信号，分析穿戴者的主动运动意图，经过处理和判断后，发出控制指令，使得机器关节位置产生一定的辅助力矩，而不会压迫穿戴者的患肢，增加舒适度，此外HAL还采集并分析穿戴者的足底压力信号，调整电机输出力矩，降低足部落地冲击力，增加康复训练过程中的行走稳定性。日本Honda公司推出了一款髋关节外骨骼机器人HWA [ 20 ] ，用于步态训练，辅助髋关节屈伸运动，在步态训练过程中引导髋关节运动。HWA采用小型化的驱动系统，运用柔性控制来确保穿戴者步态训练时的稳定性。在步态训练过程中，HWA通过采集穿戴者髋关节的角度、角速度信息，确定穿戴者的运动状态，再发出运动指令，使髋关节电机提供一定的辅助力矩，同时控制髋关节的运动角度，引导穿戴者按照正常的步态轨迹行走，并且HWA还能准确识别多种包括起立、坐下、上下坡等不同的下肢运动任务，应用的场景丰富。可以看出，目前移动式下肢康复训练机器人的控制策略研究发展出智能化学习与传感器实时监测两种路线，智能化学习的优势在于其自适应的特点，能够在训练过程中不断进行预测学习，目前研究中的智能化学习主要包括神经网络、机器学习和深度学习，其中神经网络通过识别处理人工预先设置的训练特征，建立特征之间的系统关系从而在训练过程中处理运动信息；机器学习的自适应特点来源于对多次训练效果的不断积累，通过对预先设置的训练特征不断监测与处理以达到最佳的训练效果；而深度学习则是一种由机器人控制系统自行对训练过程中的运动特征进行提取与优化的方法，结合数据库能够做到对训练过程中细微的运动特征产生反馈，拥有能够处理大量运动数据的高扩展性。传感器的实时监测面对复杂的运动训练时更具实时性的优势，但在患儿长期的康复训练中，难以处理不同阶段运动特性的变化。