《Electronics》：Digital-Twin-Enabled Human–Machine Collaboration Systems in Sustainable Smart Manufacturing: System Architecture, Development Methods, Applications, and Future Trends
编辑推荐：
数字孪生使能的人机协作（HMC）日益被视为一种系统级方法，用于连接操作员、机器人、传感器、人工智能（AI）模块和制造资源。然而，现有文献在所谓数字孪生（DT）的定义、物理与虚拟模型的耦合方式、模型是否根据物理数据更新以及系统在仿真或受控实验室演示之外的进展程度
数字孪生使能的人机协作（HMC）日益被视为一种系统级方法，用于连接操作员、机器人、传感器、人工智能（AI）模块和制造资源。然而，现有文献在所谓数字孪生（DT）的定义、物理与虚拟模型的耦合方式、模型是否根据物理数据更新以及系统在仿真或受控实验室演示之外的进展程度等方面存在显著差异。本结构化整合综述考察了数字孪生在可持续智能制造中作为HMC集成层的适用条件，而非假定这种集成已是既定的工业实践。文献语料库通过检索Web of Science核心合集、Scopus和IEEE Xplore构建，辅以基于Google Scholar的引文追踪以及前向和后向引文追溯。核心检索聚焦于2020年1月1日至2026年8月5日期间发表的研究，同时保留早期开创性研究以支持定义和历史背景。研究采用明确标准进行筛选，考量制造相关性、物理-虚拟耦合、状态同步或模型更新、反馈能力以及验证环境，并依据模型类型、集成机制、部署成熟度和可持续性证据进行批判性编码。该综述比较了多模态感知与人状态建模、意图理解与增强交互、任务分配与共享规划、数字孪生架构、自适应控制与安全验证以及人-AI决策。证据表明，数字孪生作为协调和验证层具有广阔前景，但许多已报道的系统仍停留在概念阶段、基于仿真或仅限于受控物理原型。关键障碍包括模型保真度、在线模型更新、实时同步、跨平台互操作性、安全保障、人数据治理以及直接测量的可持续性结果有限。未来工作应优先关注经验证的混合模型、可追溯的模型更新机制、分阶段虚拟到物理部署、可互操作的数据契约，以及对技术、人、经济和环境绩效的纵向评估。
- 1.
引言
制造业正围绕更短的产品生命周期、更高的产品多样性、更严格的质量要求、碳减排压力以及弹性供应链需求进行重新设计。向工业5.0（Industry 5.0）的转变为人本和可持续性导向的重新设计提供了框架。传统智能制造通过隔离机器人与操作员、稳定工艺参数和重复预定义轨迹来支持大规模生产，但在产品配置频繁变更、工件不确定或局部干扰需要即时解释时效率降低。人机协作（HMC）旨在结合人类工人的情境知识、触觉判断和灵活问题解决能力与机器的优势，而非将二者视为互斥资源。本文献中HMC术语用于广义制造意义，包括人类工人与机器人系统的物理合作、人类专家与AI决策支持系统的认知合作，以及操作员、机器、传感器和管理资源间的生产级协调。数字孪生（DT）不被视为默认独立协作智能体，而是提供虚拟表示和集成层，支持状态同步、模型更新、仿真、验证和协调。HMC与从工业4.0（Industry 4.0）向工业5.0的转型一致，通过保持工人在决策回路中、减少体力要求高的重复操作、支持数据驱动培训和使生产系统适应干扰而不牺牲人类控制来 operationalize 这些原则。可持续性价值需谨慎解释，协作可减少人体工学风险、最小化返工、缩短移动距离、优化资源利用并避免不必要的能耗，但同时也可能引入额外的传感设备、计算基础设施和数据存储复杂性。因此，本文献将可持续性视为多维目标，需综合考量环境绩效、经济效率、操作员福祉、安全、灵活性和长期可维护性。
- 2.
综述方法论与分析框架
本研究采用结构化整合综述设计，目标并非计算合并效应量，而是使文献发现、资格判定、批判性比较和证据分类透明化。报告结构遵循PRISMA 2020和PRISMA-S的透明度原则，并适应跨学科整合综述。五个研究问题指导综合：RQ1）数字孪生在制造HMC中如何定义和实现；RQ2）使用哪些基于物理、数据驱动和混合模型来表示物理人、机器、产品和过程；RQ3）如何利用物理数据更新孪生状态和模型参数；RQ4）感知、交互、规划、控制、安全验证和人-AI决策如何连接到孪生；RQ5）报告了何种水平的验证、工业部署和可持续性证据。主要检索源为Web of Science核心合集、Scopus和IEEE Xplore，Google Scholar仅用于补充引文追踪。核心检索窗口为2020年1月1日至2026年8月5日，早期研究仅保留用于基础定义。检索结合三个概念组：数字孪生术语、协作术语和制造术语。合格性筛选要求研究满足制造或生产相关HMC上下文、可识别物理实体或过程及相应虚拟表示、明确物理到虚拟数据连接，以及状态同步、模型更新、虚拟验证、决策支持或物理反馈机制。关键编码维度包括虚拟表示分类、物理-虚拟耦合编码、验证成熟度分级（1级概念架构、2级仿真或离线验证、3级受控物理原型、4级试点或持续工业部署）和可持续性证据分类（直接测量结果、具有合理可持续性路径的间接操作结果或无相应测量的期望主张）。方法论局限性包括语料库迭代开发和纳入研究间术语及任务设计的异质性，因此综合强调可追溯证据类别、明确部署成熟度和研究层面局限性而非荟萃分析。
- 3.
概念基础、系统边界与数字孪生使能HMC系统分类
在讨论概念架构前，需区分HMC功能与用于连接它们的数字孪生机制。数字孪生使能HMC是更窄的子集：物理工作系统必须具有可识别虚拟表示和支持同步、模型更新、虚拟验证、决策支持或反馈的明确数据连接。多模态感知、增强现实/混合现实（AR/MR）、任务分配、自适应控制或基于大语言模型（LLM）的规划本身不自动归类为数字孪生组件，仅当其输入、模型或输出明确与孪生耦合时才成为核心证据。系统边界区分了部署成熟度（受控实验室细胞与工业可部署架构）、状态更新与模型更新（状态同步改变当前状态变量，模型更新改变模型参数、结构或不确定性界限），以及物理-虚拟耦合程度（数字模型无自动物理数据连接，数字阴影以物理到虚拟为主，数字孪生需维持物理-虚拟关联并支持闭环或双向能力）。HMC可理解为具有四层的交互技术控制系统：物理执行层、感知与通信层、决策与规划层、评估与治理层。自动化与协作的区别在于不确定性和权限分配，HMC旨在根据各智能体的能力分布动态协调互补能力。有用分类法包括协作对象、协作级别、任务耦合、自治分布、交互渠道和可持续性贡献。架构还应包括四个反馈回路：机器执行与人类观察、人类行为与机器适应、物理生产与虚拟模型、绩效评估与系统重新设计。最重要设计原则为互补性，任务分配应基于任务需求、人类技能、人体工学风险、机器能力、安全约束、质量敏感性和可持续性目标。
3.1 操作定义与纳入边界
操作定义强调区分部署成熟度，受控实验室细胞在稳定条件下展示可行性，不等同于工业可部署架构，后者还需持续同步、接口维护、网络安全、故障恢复、操作员培训和安全认证。状态更新与模型更新不同，前者更新机器人关节角度、操作员位置等工作状态，后者更新模型参数、结构或不确定性界限，涉及参数辨识、数据同化、在线校准或增量学习。许多系统展示状态同步但缺乏模型更新证据。物理-虚拟耦合程度区分数字模型（手动或离线更新，无自动物理数据连接）、数字阴影（自动或事件驱动信息从物理系统到虚拟，单向为主）和数字孪生（维持物理-虚拟关联，利用同步数据进行分析、预测、验证或决策支持，虚拟输出影响物理执行时形成闭环或双向能力）。
3.2 以人为本的设计逻辑
以人为本设计是HMC的基础，要求系统围绕人类工人的能力、局限和责任设计。早期工业机器人安全主要通过隔离实现，HMC允许近距离、共享任务和动态适应，但近距离不等于以人为本。协作需要相互意识、可理解交互、安全行为和适当的控制权限分配。设计应减少身体和认知负担，提供清晰状态信息、可预测机器人运动、直观干预机制和培训支持。可解释性不仅是AI要求，也是制造要求。技能发展方面，HMC可能将工人角色从手动执行者转变为监督者、培训师、质量判断者或维护协作者，可持续HMC应包括培训工作流程、反馈机制和适应操作员经验的灵活接口。
3.3 协作机制与可持续性联系
HMC通过多种机制贡献可持续性：工作站层面机器人减少重复劳损和危险暴露；过程层面协作感知和决策减少缺陷和废品；系统层面数字孪生和任务规划缩短调试时间、提高资源利用率；产品生命周期层面协作拆卸和再制造更有效回收材料和部件。但可持续性效应必须测量而非假定，需包括设备利用率、能耗、材料节约、缺陷减少、培训成本、维护工作量和工人福祉等生命周期考虑。链接还取决于部署规模，单工作站效益有限，但全生产线减少返工或提高回收可产生显著系统级效益。HMC在产品不确定性、变化性、人体工学风险和质量敏感性高的场景最具价值，如协作装配、检测、维护、物流、拆卸和再制造。批判性综合指出，现有HMC分类法在描述协作对象、自治、任务耦合和交互渠道方面有用，但大多未指定数字孪生所需的物理-虚拟耦合。概念框架可能过度陈述集成，若每个模块仅独立验证。可部署架构必须结合以人为本和数字孪生分类法，并明确哪些链接已实现、哪些从相邻研究推断、哪些仍属期望。
- 4.
使能技术及其与数字孪生的连接
使能技术提供感知、解释、交互、规划和决策功能，可能连接到数字孪生，但本身不证明数字孪生集成。感知模型仅当其输出更新已识别虚拟状态或模型时才成为孪生一部分；规划或LLM模块仅当其提议针对同步孪生数据验证时才进入循环；AR/MR接口仅当其可视化或修改可追踪物理-虚拟信息时才为孪生使能。技术堆栈分为三类：传感与解释（相机、深度传感器、LiDAR、力/扭矩传感器、触觉传感器、麦克风、可穿戴设备、眼动追踪、肌电图、人体骨骼估计）、交互与协调（语音接口、手势控制、示教、AR、MR、触觉反馈、任务分配、共享规划）、集成与保障（数字孪生、边缘计算、安全控制器、自适应运动控制、可解释AI、标准、性能评估）。关键趋势是从基于规则系统转向数据驱动和基于模型的混合系统，但数据驱动智能不能消除工程约束，实际HMC架构应结合基于学习的感知和推理与确定性安全逻辑和形式化过程约束。
4.1 多模态感知与工作空间理解
多模态感知是HMC的入口，因为协作需要机器理解人、物体、工具和环境状态。视觉传感器提供物体识别、位姿估计、工件定位、人体骨骼跟踪和空间映射；深度相机和LiDAR重建三维关系并支持避碰；力/扭矩传感器捕获接触状态和装配条件；麦克风与自然语言处理捕获语音命令和反馈；可穿戴传感器和生理信号提供姿势、疲劳、工作量和压力信息。数据融合是技术核心，包括早期融合、中间融合和晚期融合，注意力机制和Transformer架构改善跨模态对齐，但工业领域需适应有限数据和安全后果，混合架构（深度模型提供灵活识别，基于规则约束和过程模型验证可行性）最可靠。
4.2 意图理解与人机交互
感知转化为协作需意图理解，即从手部轨迹、注视方向、物体状态、任务序列、语音命令、交互力和历史行为推断操作员可能目标、下一步动作或期望协助。建模方法包括概率模型、序列模型（RNN、TCN）、图模型、知识图谱、大语言模型（LLM）和视觉-语言模型（VLM），但工业应用应保守，保持置信度估计并在高不确定性时请求人类确认。交互技术提供通信渠道，包括传统接口（按钮、示教器、脚踏开关）和新型接口（语音、手势、注视、触觉反馈、可穿戴显示器、AR、VR、MR）。AR适用于现场指导，VR适用于培训和模拟，MR更紧密组合物理和虚拟对象。交互应支持双向适应，避免欠沟通和过度沟通，自适应接口可根据任务复杂性、操作员技能、风险水平和当前工作量调整细节级别。信任取决于可靠性、可预测性、透明度和操作员经验，解释应简洁、特定于任务并链接到可观察证据。
4.3 任务分配与共享规划
任务分配确定哪个智能体执行哪个子任务、何时执行及约束条件，必须考虑人类技能、人体工学负载、安全风险、任务复杂性、零件可用性、机器能力、质量要求和生产目标。分配通常始于任务分解，将制造操作分为取件、定位、对齐、紧固、检测和转移等子任务，每个子任务具有属性描述。分配成为约束优化或决策问题，目标可最小化周期时间、平衡工作量、减少人体工学风险或提高能源效率。优化方法包括整数规划、约束规划、启发式搜索、遗传算法和调度算法；学习方法（强化学习、模仿学习）可适应不确定性但需可解释和安全验证。共享规划通过协调智能体的时空动作扩展任务分配，必须处理优先约束、互斥区、同步点和恢复动作，并考虑通信延迟和感知不确定性。大语言模型（LLM）可解析自然语言指令并生成高级计划，但工业HMC中不应直接控制机器人，安全架构应使用LLM进行语义解释和计划提议，而由确定性规划器、数字孪生和安全控制器验证可行性，关键操作仍需人类批准。评估应超越任务时间，包括人类空闲时间、机器人空闲时间、工作量平衡、人体工学评分、干预频率、计划稳定性、恢复时间、质量缺陷和能耗等多目标。
- 5.
数字孪生使能系统架构与集成
本节将数字孪生视为HMC的潜在系统级集成和验证层，评估依据为维持的物理-虚拟关联、模型构建、状态和模型更新、同步延迟、互操作性、反馈路径和验证成熟度。
5.1 数字孪生定义、模型构建与更新
HMC中数字孪生模型分为基于物理、数据驱动和混合方法。基于物理和运动学模型提供可解释性并强制几何或过程约束，但构建成本高且可能忽略人类变异；数据驱动模型可捕获复杂相关性，但依赖代表性数据且外推性差；混合模型结合机制约束与学习残差或自适应组件，在可追溯性和适应性方面最具前景。物理到虚拟更新机制决定虚拟表示是否保持决策相关性，定期采样适合慢过程，事件驱动可减少通信，连续或近实时流对动态安全必需，但高更新频率不保证保真度，需管理时间戳对齐、坐标帧一致性、数据缺失、传感器漂移和通信延迟。模型更新比普通状态演化更苛刻，状态同步改变位置、力等工作变量，模型更新根据观察到的物理行为修订参数、不确定性或结构。数字孪生在HMC中的作用分三个级别：工作站级（建模布局、机器人、工具、夹具、工件和人体位置，检测可达性、碰撞风险）、线级（建模任务流、资源可用性、缓冲区和调度约束，评估动态分配）和生命周期级（链接产品设计、过程规划、操作、维护、拆卸和再制造，支持可持续性评估）。架构通常包含物理实体、数据采集、通信、虚拟模型、决策模块和反馈控制。数字孪生还提供工程设计到生产运营的桥梁，在设计阶段模拟协作布局和安全区，在调试阶段验证机器人路径，在操作阶段监控进度并更新状态，在维护阶段诊断异常。数字孪生可作为AI生成决策的虚拟验证层，检查任务序列、机器人路径和调度资源冲突。主要障碍包括建模成本、数据一致性、接口互操作性和实时性能，许多研究停留在演示水平而非全面工业部署。
5.2 人类数字孪生与人状态表示
人类数字孪生（HDT）表示操作员的状态、能力和与生产系统的交互，包括人体测量数据、姿势、运动、工作量、疲劳、技能水平、任务历史和交互偏好。可用于人体工学评估、任务分配、培训、安全监控和自适应接口设计。但HDT面临技术和伦理挑战：人类行为变异大、生理信号噪声和个体差异、持续监控引发隐私担忧。因此HDT设计应遵循数据最小化、透明和同意原则，仅收集安全、人体工学和过程改进所需数据。HDT准确性应根据目的评估：人体工学风险筛查不需要毫米级运动精度，碰撞避免需要低延迟和保守安全裕度，疲劳估计需要纵向校准和不确定性报告。目的驱动建模避免过度建模成本并提高可部署性。
5.3 数据架构、互操作性与可追溯性
HMC依赖跨异构设备和软件系统的数据流，数据架构应定义公共标识符、时间戳、坐标帧、数据质量指标和访问规则。可追溯性在HMC中尤为重要，因为决策涉及人和机器贡献，发生缺陷或安全事件时需重建可用信息、决策和权限。互操作性困难源于遗留设备、专有控制器和定制数据库，数字孪生若提供公共信息模型可减少碎片化，否则可能成为另一个孤立平台。实际部署应优先考虑接口定义、数据治理和可维护性。边缘计算对HMC日益重要，安全关键感知和控制应在本地运行，而长期优化和模型改进可利用云端或服务器资源，分层计算架构应在数字孪生设计中体现。
- 6.
数字孪生使能HMC系统中的自适应控制、安全保障与人-AI决策
自适应控制、安全保障和人-AI决策可由数字孪生支持，但仅当同步虚拟信息用于可行性检查、风险评估、预测、适应或反馈时才视为数字孪生使能。安全应视为分层系统：安全布局设计、基于传感的监控、控制适应和治理（标准、风险评估、培训、维护）。自适应运动控制包括路径规划、轨迹修改、阻抗控制、导纳控制、力控制和碰撞处理。人-AI协作决策在更高认知层面，AI推荐任务分配、预测质量风险或生成过程计划，人类提供领域知识、伦理判断和最终权限。可解释性对信任至关重要，解释应链接到任务上下文，如安全警告标识风险区，质量推荐指向缺陷特征。权限管理需定义谁可批准任务变更、谁可覆盖机器决策、何时需自动停止，权限随风险级别变化。
6.1 安全标准与工程验证
安全工程应在算法开发前开始，风险评估识别危险并定义降低措施。协作操作需考虑机器人速度、有效载荷、工具形状、接触力、工作空间布局和人类访问模式。算法安全需在多个层面验证：感知模型在不同光照、遮挡、服装变化下测试；运动规划在动态障碍下测试碰撞自由；控制系统测试稳定性、力限制和响应时间；接口系统测试警告传递和操作员理解。数字孪生应针对物理测量验证，AI生成计划应检查任务约束和安全规则。模拟有用但不足，虚拟验证后应跟随分阶段物理测试，从离线仿真到监督空运行、限速操作、监控生产试验，每阶段收集安全、任务性能、人类工作量和恢复行为证据。
6.2 基于学习的适应性与可靠性约束
基于学习的方法可通过适应人类行为、产品变化和环境变化改善HMC，包括强化学习、模仿学习和在线学习。但可靠性问题包括训练外性能下降和罕见安全事件风险。可靠性约束应嵌入：安全约束尽可能独立于学习策略执行；不确定性估计触发保守行为；部署后监控模型性能。混合架构结合学习用于感知、预测和推荐，过程规则、数字孪生和安全逻辑用于验证和执行，既支持适应又不牺牲可解释性和责任。数字孪生模拟可减少物理试验成本，但模拟有效性依赖模型保真度，不能替代分阶段物理测试。LLM和多模态基础模型最适合语义解释和计划提议模块，可执行决策仍由确定性规划器、安全控制器和人类批准负责。
- 7.
工业应用、部署成熟度与可持续性证据
数字孪生使能HMC的工业价值应由部署成熟度和测量结果判断，而非仅架构完整性。应用涵盖装配、检测、物流、维护、拆卸、再制造和高端设备生产，但证据范围从概念提案、仿真到受控物理原型和少量试点或工业实施。检测应用中，视觉系统和AI检测候选缺陷，人类检查员处理模糊案例和根本原因解释，HMC结合机器速度和一致性及人类专业知识，减少废品和返工。物流中，移动机器人与人类工人协作运输材料，挑战包括共享空间导航、工人接受度、交通协调和生产计划集成。维护和维修适合HMC，因为任务复杂且知识密集，数字孪生提供设备历史、故障诊断和拆卸指示，AR指导技术人员，机器人支持定位和危险访问。拆卸和再制造对循环经济重要，处理不确定产品条件，HMC允许机器人执行重复或危险操作，人类做灵活决策，数字孪生和感知系统识别组件并支持材料回收。高端设备制造（如航空航天）中，HMC支持大型工件对齐、钻孔、紧固和检测，数字孪生支持的离线验证特别有用。评估是许多HMC文献的薄弱点，应综合技术性能、安全性能、人因、经济价值和可持续性影响。经济指标包括劳动生产率、机器人利用率、空闲时间、返工成本、调试时间、维护成本和投资回报率。可持续性指标包括能耗、材料浪费、缺陷减少、设备寿命延长、人体工学风险降低和循环贡献。纵向评估尤为重要，因为短期实验仅显示可行性，工业价值依赖持续运行，传感器漂移、工具磨损、操作员学习、产品变体和AI模型分布变化都会影响长期性能。可持续性证据分为三级：直接测量结果、具有合理路径的间接操作结果、无测量的期望主张。未来研究应优先进行纵向评估和多维指标报告。
