《International Journal of Industrial Ergonomics》:From comfort to feasibility: A quadruple-objective PSO framework for physiologically-plausible posture prediction in high-risk occupational tasks
编辑推荐:
•提出了一种基于生理学的多目标优化框架,用于人因工程学姿势预测,该框架整合了姿势灵活性、局部舒适度和重力能量标准。•提出了一种增强的粒子群优化算法,具有边界校正机制,确保在严格的末端执行器约束下快速收敛到生物力学合理的解。•通过与指向任务和高空作业任务的运动捕捉数据进行实验验
- •
提出了一种基于生理学的多目标优化框架,用于人因工程学姿势预测,该框架整合了姿势灵活性、局部舒适度和重力能量标准。
- •
提出了一种增强的粒子群优化算法,具有边界校正机制,确保在严格的末端执行器约束下快速收敛到生物力学合理的解。
- •
通过与指向任务和高空作业任务的运动捕捉数据进行实验验证,证明了高保真度,确认了其在复杂职业环境中的实际适用性。
引言
姿势预测是人因工程学研究中的关键组成部分,尤其是在高风险环境中,如高层建筑维护或摩天大楼玻璃清洗。在这些极端情况下,工人必须采取复杂的姿势来完成工作,这不仅导致显著的体力消耗,还带来严重的安全风险(Hsiao et al., 2009)。这些场景强调了优化工作环境以减少疲劳和防止伤害的重要性。姿势预测模型在解决这些问题中发挥着关键作用,通过提供人类运动的见解,帮助设计更安全、更符合人体工程学的工作环境。通过整合这些模型,可以定制工具和环境的_设计以减少负荷,提高效率,并改善整体工人安全。
姿势预测的重要性不仅限于高风险职业,在汽车行业等领域也尤为关键。在汽车行业中,汽车座椅和控制界面的设计需要对驾驶员姿势有详细了解,以确保长时间操作期间的舒适性和安全性(Andreoni et al., 2002, Schmidt et al., 2014)。人类姿势预测的研究重点在于优化座椅布置,以防止不适、疲劳和肌肉骨骼疾病。随着车辆演进,具有自动驾驶和自适应座椅等高级功能,对最佳座椅姿势的需求变得更加紧迫。聚焦于驾驶和其他任务中姿势预测的研究对于实现更舒适、功能更完善的驾驶体验至关重要(Li et al., 2019)。通过准确预测人体姿势,这些模型可以帮助优化座椅设计,调整控制界面的人因工程学,并改善整体车辆安全性。
数字人体建模(DHM)的进步是姿势预测演进的核心。DHM 能够模拟人体运动和关节角度,提供高度详细和动态的人体表示(Yazdani et al., 2022)。这些模型不仅能捕捉静态姿势,还能捕捉人因工程和生物力学中关键的动态运动和相互作用。在汽车设计中,DHM 帮助设计师了解不同姿势对驾驶员舒适性和性能的影响。除了汽车应用外,DHM 也被用于评估受限工业工作环境中的操作,如受限空间内装配任务的可达性评估(Wang et al., 2025)。然而,尽管 DHM 能力在不断成熟,仍然存在挑战,特别是在动态和实时应用中,人体运动高度可变并受一系列外部因素影响。
当前的姿势预测模型分为两大类:统计模型和优化模型(Tolani et al., 2000)。统计模型依赖于通过实验收集的大量真实人体姿势数据。这些数据集随后被分析,以建立姿势与任务条件之间的关系,从而在各种情况下进行姿势预测。统计模型的优势在于其依赖于真实世界数据,这确保了预测的可靠性。然而,这些模型需要大量数据收集,并且通常受样本范围限制。此外,它们可能无法考虑不同个体和任务中人类运动的广泛变异性。例如,波音公司在 1969 年开发的 BOEMAN 系统使用统计数据检查驾驶舱布局并优化飞行员座椅布置。虽然在其上下文中取得了成功,但该系统的固定样本和静态数据依赖使其在现代动态环境中适用性较低。
相比之下,优化模型专注于最小化或最大化某些物理参数,如关节角度、能量消耗或不适。这些模型通常依赖于生物力学方法和迭代技术,基于预定义目标优化姿势。优化模型的优势在于灵活性,可以应用于各种任务和条件而无需大量数据集。然而,它们也面临挑战,在考虑人类运动的全范围方面,因为每个生物力学因素的权重难以准确确定。尽管存在这些挑战,优化方法仍然是改进姿势预测的有希望的方法,尤其是在实时准确性至关重要的场景中。
尽管统计和优化方法都有进步,当前姿势预测模型仍存在重大局限性(Koh et al., 2024)。主要问题之一是实现实时准确性,特别是在人体运动复杂且不可预测的环境中。此外,现有模型通常依赖有限的数据源,可能无法捕捉人类变异性的完整谱系。这在动态环境中尤为棘手,因为姿势预测模型需要考虑快速变化的条件和外部影响。为了应对这些问题,对多传感器融合系统的兴趣日益增长,该系统结合来自多个来源的数据,如惯性测量单元(IMU)、光学传感器和深度传感器,以提高运动捕捉准确性并减少漂移效应。先前的研究表明,将 IMU 数据与基于视觉的方法融合可以显著提高运动估计的精度,尤其是在不受约束的环境中。特别是,基于视觉的无标记运动捕捉最近已被验证用于人因风险评估的参考系统(Bonakdar et al., 2025)。然而,这些系统的实际实施仍然是一个挑战,因为集成不同类型的传感器需要复杂的算法来处理每种传感器类型固有的噪声和变异性。
本文提出了一种用于数字人体模拟的基于优化的姿势预测模型。该框架整合了四个人因工程目标:姿势灵活性最大化、局部舒适度最大化、右臂重力势能最小化和关于根关节的重力矩最小化。得到的约束优化问题使用粒子群优化(PSO)求解。该模型通过约束指向任务和悬挂工作任务中获得的运动捕捉数据进行了验证。通过强调可解释的生物力学目标而非数据密集型黑箱公式,所提出的框架旨在为人因工程评估提供针对任务特定的姿势估计,适用于受限的职业环境。
章节摘要
相关工作
近年来,数字人体建模(DHM)中的姿势预测引起了越来越多的关注,特别是在人因工程和工业设计中。提出了多种方法,从统计方法到神经网络和多目标优化框架。
Mohseni et al. (2022) 开发了一种改进的人工神经网络(ANN),用于预测 3D 全身姿势并估计举升任务中的肌肉力量。他们的模型展示了高精度和
模型描述
在提出的模型中,腰部以下的下半身被约束保持在其初始位置,而预测右手伸向指定目标的姿势。该模型被制定为基于优化的姿势预测框架,特别关注躯干和右上肢。因此,总共考虑了 15 个自由度(DoFs)用于脊柱和右臂。如图 2 所示,下背部、上背部、胸部和右
设施
在本研究中,下背部节点被定义为人体的可移动基点。从该原点开始,运动链依次通过上背部、胸部、右锁骨、右肩和右肘延伸,终止于右手掌,手掌作为末端执行器。为了满足任务约束,右手掌在整个预测过程中需要保持在目标位置固定。
为了评估预测姿势的准确性,使用欧几里得
局限性
尽管本研究取得了令人鼓舞的结果,但应承认和解决一些局限性。
本研究中使用的运动捕捉设备基于惯性测量单元(IMU)。虽然基于 IMU 的系统便携、经济且适合现场任务,但由于对角速度和加速度的积分,它们固有的易受误差积累和漂移影响。这可能导致关节角度估计不准确,
结论
本研究提出了一个 3D 人体控制系统,并开发了使用粒子群优化(PSO)算法的基于优化的姿势预测模型。从人体舒适度和姿势灵活性的角度,提出了四个人因工程目标:姿势灵活性最大化、局部关节舒适度最大化、右臂重力势能最小化和关于根关节的重力矩最小化。
通过纳入
作者贡献声明
Yating Zhang: 撰写 – 审阅与编辑,撰写 – 初稿,可视化,正式分析,数据整理。 Haixiao Liu: 验证,软件,方法学,调查,正式分析,数据整理。 Jianwei Niu: 撰写 – 审阅与编辑,验证,监督,资源,项目管理,方法学,资金获取,正式分析,概念化。
利益冲突声明
作者声明他们没有已知的财务利益冲突或个人关系可能影响本文所报告的工作。
Yating Zhang|Haixiao Liu|Jianwei Niu