在制造业向大规模定制化转型的浪潮中，小型企业面临着提升灵活性同时保持竞争力的双重压力。传统刚性自动化系统难以适应动态变化的生产需求，而单纯依赖人力又会导致效率波动。人机协作(HRC)系统通过结合人类的认知灵活性与机器人的精准耐力，为实现柔性制造提供了新思路。然而，人类行为的固有变异性——包括生理限制、情境因素和个体差异——给人机协作流程注入了随机复杂性，这使得机器人的建模与优化变得异常困难。
为解决这一核心矛盾，自适应机器人系统应运而生。这类系统能够通过机器学习、强化学习和实时传感器融合等技术，动态调整行为以响应人类伙伴的状态变化。但当前研究存在显著碎片化现象：各学科领域各自为政，缺乏统一框架；多数系统针对特定场景设计，泛化能力不足；安全约束与运行效率的平衡机制尚未完善。正是为了厘清这一领域的发展脉络，来自柏林工业大学及弗劳恩霍夫IPK的研究团队开展了系统性文献综述，对2018-2024年间发表的124篇核心文献进行了深度剖析。
研究人员采用系统文献综述(SLR)方法，基于预定义的协议在Scopus和IEEE Xplore数据库中进行多阶段筛选。通过严格的纳入排除标准，最终形成分析样本集。为降低偏倚风险，研究团队设计了二元资格编码方案，并由三名评审员独立完成文献筛选，最终通过讨论达成共识，弗莱斯κ系数达0.635，保证了编码可靠性。
研究团队创新性地提出了三维分类体系：运动参数（如何调整轨迹、速度、末端执行器位姿）、任务相关参数（何时行动、如何排序、角色分配）和控制系统参数（如何通过变量阻抗、优化约束等实现闭环控制）。分析显示，51%的研究集中于运动参数调整，其中轨迹适配占49%，速度/力调制占29%；任务级参数研究仅占21%，控制系统参数占28%。这种分布揭示了当前研究更关注“如何运动”而非“何时协作”的现状。
从时间演进角度看，运动层研究持续占据主导地位，控制层研究稳步增长，而任务层研究在后期才呈现上升趋势。这种阶段性特征表明领域发展遵循从基础运动安全到交互控制，再到高级协作组织的成熟路径。
使能机制方面，研究识别出三大类技术路径：数据驱动学习方法（如模仿学习、强化学习）主要用于运动规划和时序同步；模型估计与控制方法（如模型预测控制MPC、控制屏障函数CBF）重点解决安全约束和物理交互问题；知识结构化混合方法（如行为树、本体推理）则擅长处理任务层的高层决策。热力图分析进一步揭示了不同技术路径与参数类型的适配规律：数据驱动方法集中应用于运动轨迹和时序同步，模型控制方法主导控制系统参数调整，而知识方法在任务序列和角色分配中发挥关键作用。
运动参数适配机制
在运动层面，机器人通过三种核心方式实现自适应：轨迹重规划、速度/力调制和末端执行器位姿调整。例如CWP-net网络通过动态高斯混合模型(DPGMM)实时生成避障路径；深度神经网络则通过模仿非线性模型预测控制(NMPC)规则来调节关节速度。在力控制方面，自适应PD控制结合卡尔曼刚度估计器能在未知工件轮廓上实现恒力磨削。这些技术显著提升了协作的安全性和流畅性，但多数方案仍缺乏对任务层协调的综合考虑。
任务级协调策略
任务层自适应主要解决时序同步、动作排序和角色分配三大问题。研究表明，动态神经场(DNF)模型能通过记忆/误差场动力学调整动作时机，实现流畅的工具传递；隐半马尔可夫模型(HSMM)能预测人类装配节奏，使机器人主动调整行动时机；而多目标优化算法则能在保证工期(makespan)的同时平衡操作员能耗与心理负荷。这些方法虽然提升了协作效率，但尚未形成标准化接口，导致系统间互操作性较差。
控制系统参数优化
控制层自适应通过调节变量阻抗/导纳(VIC/VAC)、交互力目标和优化约束等参数，确保物理人机交互(pHRI)的安全稳定。典型案例如基于能量箱的能量坦克机制能保证可变导纳控制的被动性；分层二次规划(HQP)框架可通过任务权重在线调整实现自适应柔顺控制；而混合物理信息神经网络(H-PINN)能在线识别关节动力学参数，提升模型控制精度。这些技术为安全协作提供了底层保障，但感知不确定性下的控制稳定性仍是挑战。
研究进一步识别出三大类开放性挑战：技术层面，安全约束在自适应过程中的硬保障、感知不确定性下的决策延迟、多目标（安全-效率-人因工程）权衡等问题突出；方法学层面，标准化人因评估指标缺失、仿真到实景(sim-to-real)迁移困难制约着系统落地；人因层面，机器人运动可读性与预测性、信任校准机制、认知负荷管理等心理因素尚未得到充分重视。特别值得注意的是，当前系统普遍缺乏对操作员技能差异的自适应能力，这导致部署效果高度依赖专家经验。
这项发表于《IEEE Access》的综述研究的意义在于：首次建立了工业HRC领域自适应行为的系统化分类体系，揭示了技术发展的阶段性规律与内在联系。通过量化分析各类方法的分布特征与演进趋势，为研究者提供了清晰的领域地图。所识别的技术缺口（如可解释AI框架、跨任务泛化能力等）为未来研究指明了突破方向。更重要的是，研究强调的人-机-环境协同设计理念，将推动自适应机器人系统从孤立的技术方案向整体解决方案演进，最终实现真正智能、安全、高效的人机协作新模式。
