利用数字人体模型:一种基于运动捕获的灵活方法,用于模拟高风险环境中的操作员动作

《Safety Science》:Feeding digital human models: a motion capture-based flexible methodology for simulating operator actions in high-risk environments

【字体: 大 中 小 】 时间:2026年08月03日 来源:Safety Science 6.2

编辑推荐:

  摘要 操作人员在关键工业环境(如石油与天然气设施、化工厂或受限空间)中工作,经常暴露于危险条件下,尤其是在紧急干预或由技术故障和网络攻击导致的故障期间。在此类场景中,通常需要人类干预来检测异常并执行纠正措施。然而,由于环境风险、进入限制和严格的安全法规,操

  
摘要
操作人员在关键工业环境(如石油与天然气设施、化工厂或受限空间)中工作,经常暴露于危险条件下,尤其是在紧急干预或由技术故障和网络攻击导致的故障期间。在此类场景中,通常需要人类干预来检测异常并执行纠正措施。然而,由于环境风险、进入限制和严格的安全法规,操作人员直接参与可能极其危险。传统的培训方法要求人员在危险区域中实际存在,可能不切实际或不安全。本文提出了一种模块化方法,利用真实运动捕获数据来驱动数字人体模型,从而能够模拟高风险环境中的操作员行为。该方法包括:在安全实验室环境中,使用运动捕获技术记录操作员在现场工作时可以执行的基本动作,然后对这些动作进行处理并连接,以构建完全数字化的操作场景。这种模块化方法允许创建一个灵活且可扩展的基本动作数据库,据此构建数字化操作场景,支持培训、安全验证和人机交互分析,而无需将人员暴露于风险中。该方法在石油与天然气工厂的实验室原型中进行了测试,复制了操作异常,并将数字模拟场景与物理记录场景进行了比较。结果显示行为模式和时间具有可比性,证明系统能够再现真实操作。该方法为传统培训与评估方法提供了一种有前景的替代方案,有助于在高风险工业环境中实现更安全、更有效和主动的风险管理。
论文解读文章

**研究背景**
在关键工业环境(如石油与天然气设施、受限空间和高风险基础设施)中,保障操作员安全与操作有效性面临巨大挑战。这些环境常涉及需要人类干预的异常检测、诊断和纠正任务,但直接进入往往因危险物质、极端物理条件或严格安全法规而不可行或极其危险。传统培训方法依赖实际现场暴露,存在严重安全隐患,且受法规和操作限制。新兴技术如虚拟现实(VR)和运动捕获(MoCap)提供了替代方案,可通过虚拟环境模拟人类动作,避免物理暴露。然而,这些技术在工业关键场景中的应用尚不充分,尤其是模拟复杂操作流程而非孤立动作。数字人体模型(DHM)结合高保真运动数据,可用于规划、培训和安全验证,但缺乏基于真实数据生成完整场景模拟的结构化方法。因此,本研究旨在提出一种灵活、可扩展的方法,利用MoCap数据驱动DHM,重建高风险环境中的操作员行为。

**研究内容与结论**
研究人员提出了一种模块化方法,将操作员任务分解为基本动作(BAs),在安全实验室中通过MoCap记录,经处理后存入“运动库”(Motion Bank),再通过脚本来连接BAs,生成完全数字化的操作场景。该方法在马尔凯理工大学(意大利安科纳)的实验室规模石油与天然气工厂中进行了测试,通过复制由网络攻击引起的异常操作流程,并将数字模拟场景与物理记录场景进行对比。结果显示,两者在时间序列和活动模式上具有可比性,证明了该方法的可靠性和实际应用性。这项研究的重要意义在于,它提供了一种安全、可扩展的培训、安全验证和人机交互(HMI)分析工具,促进了从被动安全协议向主动系统设计的转变。论文发表在《Safety Science》。

**主要关键技术方法**
研究人员采用的关键技术方法包括:基于预定动作时间系统(PMTS)中的梅纳德操作序列技术(MOST)对操作任务进行运动分解,定义基本动作(BAs);使用惯性MoCap系统(Perception Neuron Studio?)在安全实验室中记录BAs;通过Hampel滤波去除数据异常值,构建运动库(MB);利用MATLAB脚本计算BAs之间的相对位置变化(delta)和旋转矩阵,实现BAs的时空调配与连接,生成完全数字化操作场景数据集(DOSD)。样本队列来源为马尔凯理工大学实验室工厂及其操作流程。

**研究结果**
**4.1 运动分解与BAs识别**
通过MOST技术的General Move类别,将操作员在异常检测与恢复阶段的活动分解为14种BAs(如起步、行走、转身、坐下、站立、跪姿、拆装传感器等),并建立对应关系。
**4.2 运动捕获技术与实验室记录**
使用惯性MoCap系统在博洛尼亚大学工业工程系力学实验室记录BAs,执行标准化校准(磁校准、稳态校准、T-pose等),每个BA记录5次以增强鲁棒性。
**4.3 数据处理与运动库构建**
将FBX格式数据通过Autodesk Motionbuilder转换为TRC制表文件,再经Hampel滤波(窗口60帧,阈值<3)去除约3%的异常值,最终以.xlsx文件按BA类型分文件夹存储,形成运动库。
**4.4 运动连接与完全数字化场景重建**
开发MATLAB脚本,随机选取BA的5次记录之一,计算各传感器每帧之间的位置变化(delta),通过肩膀数据计算旋转矩阵对齐方向,并在BA末尾为站立姿势时进行A-pose修正,最终生成DOSD文件。共构建了5个不同的完全数字化操作场景。
**4.5 测试:现场MoCap采集与场景分析**
在马尔凯理工大学实验工厂内进行物理场景的连续MoCap记录,与数字化场景对比。通过控制体积(CVs)定义关键区域(控制室、喷射器、水箱、工作台、传感器S5),基于脚部和骨盆传感器判断操作员是否处于CV内,计算累计时间、访问序列和距离。
**4.6 基准测试与结果**
对异常检测阶段和恢复阶段的5次记录取中位数,对比数字化与物理场景在CV中的停留时间。结果显示,异常检测阶段5个步骤的绝对时间差总和为3.97秒,恢复阶段17个步骤的绝对时间差总和为4.38秒,表明时序和活动模式高度一致。

**讨论与结论**
讨论部分指出,该方法整合MoCap与DHM具有显著优势:增强安全性(避免物理暴露)、提高HMI分析精度、支持预防性安全规划与风险评估。从管理角度看,可实现更安全、可扩展、成本效益高的培训,支持数据驱动的决策,促进安全文化。研究结论部分翻译如下:**结论与未来研究**:本研究提出了一种新颖方法,用于构建和管理运动捕获数据作为数字人体模型的模块化输入,旨在模拟高风险工业环境中的人类操作。该方法允许创建可移植、模块化的运动库,由安全实验室记录的基本动作组成,可灵活重建完全数字化操作场景,支持培训、安全验证和决策,而无需人员暴露于危险情况。通过马尔凯理工大学实验室工厂的测试,数字化与物理场景产生可比的时间框架和活动模式,证明了方法的可靠性和实用性。主要局限性包括数据收集耗时、依赖MoCap记录质量、需要多学科技能和专用基础设施。未来研究可改进连接过程,如集成自动错误校正算法,或增强系统智能以自主生成复杂操作场景。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号