ウェアラブル外骨格システムは身体障害者の移動能力を回復させる有望な技術ですが、既存のコントローラーのほとんどは静的な歩行ポリシーに依存しており、動的な現実環境や個々のユーザーの特性に適応する能力を欠いています。本研究で提案されるOLIVE（Online Low-rank Incremental Learning for Efficient Adaptive Exoskeletons）は、展開時に外骨格制御を継続的にパーソナライズするパラメータ効率的なオンライン適応フレームワークです。 OLIVEの革新的な特徴は、制御ポリシーの適応成分を低ランク残差形式に分解することにあります。数学的には ΔW = A^T B^T という形式で、ランク r が d と k の最小値よりも大幅に小さいため、オンライン更新コストを O(dk) から O(r(d+k)) に削減できます。これにより、事前学習済みの基本コントローラーの安定性を保ちながら計算効率を大幅に向上させます。パラメータ更新は身体装着センサー（筋電図、IMU、振動センサー）からのフィードバックのみに基づく報酬形成ポリシー勾配によって駆動され、オフラインの参照軌跡への依存を排除しています。 さらに、ゲーティングメカニズムが文脈的状態に基づいてパーソナライズの強度を調整し、動的ランク調整器は地形の複雑さに応じてアップデート次元を適応させます。平坦地では最小限の容量を割き当て、不均な地面などの負荷の高い環境では高ランクアップデートに拡張するという戦略により、平地歩行、階段移動、斜面、不均地形を含む多様なアクティビティで堅牢な性能を実現しています。 ウェアラブルプラットフォーム上の実験では、OLIVEが歩行の滑らかさで13パーセントポイント、努力削減で22パーセントポイント、運動の安定性で15パーセントポイントの改善を達成し、約1,800歩の歩行ステップ内に収束し、エンドツーエンドレイテンシーは7.4ミリ秒と実用的です。