数字人体建模（Digital Human Modeling, DHM）研究综述与展望

作者及机构
本文由H. Onan Demirel（美国俄勒冈州立大学机械、工业与制造工程学院）、Salman Ahmed（同前）及Vincent G. Duffy（美国普渡大学工业工程学院、农业与生物工程学院及Regenstrief医疗工程中心）共同撰写，发表于2022年的《International Journal of Human–Computer Interaction》第38卷第10期（897-937页），DOI: 10.¹⁰⁸⁰⁄_10447318.2021.1976507。

研究背景与目标

数字人体建模（DHM）作为计算设计与虚拟环境中的关键工具，旨在通过计算机辅助设计（CAD）模拟人类的生理与认知属性，优化产品开发流程。随着计算机、传感器及可视化技术的快速发展，DHM已成为人因工程（Human Factors Engineering, HFE）领域的核心方法，但其理论框架与实践应用尚未成熟。本文综述了DHM的起源、现状及未来趋势，为设计者提供指南，并为跨学科研究提供路线图。

主要观点与论据

1. DHM的定义与研究范畴

传统定义将DHM视为基于计算机的人体尺寸、姿势及行为的仿真工具（如Chaffin, 2008; Reed et al., 2019），但其应用范围因学科差异而碎片化。本文提出更全面的定义：
> DHM是一个跨学科研究领域，整合理论与技术，通过计算可视化、建模与仿真预测人机系统交互中的健康与性能优化。

论据支撑：
- 工程视角：DHM结合了CAD与虚拟环境（VE）技术，支持“假设分析”设计场景（Demirel & Duffy, 2007a）。
- 认知扩展：Backs等（2009）指出需纳入情感行为模型以增强虚拟代理的真实性。

2. DHM在人因工程中的必要性

传统人因设计方法（如以人为中心设计HCD、人因工程设计DFHF）依赖物理原型，成本高且迭代困难。DHM的并发设计方法可通过数字样机提前评估人机交互问题，节省成本与时间。

案例支撑：
- 虚拟构建（VB）方法：福特汽车公司（Brazier, 2003）与Demirel（2009）将DHM与动作捕捉（Mocap）结合，实现姿势与工效学参数的早期量化。
- 局限性：DHM无法完全替代物理原型，需验证姿势预测的准确性（如图3所示洗衣任务中不同用户姿势的变异性）。

3. DHM的历史演进

北美发展线索：

• 1960s：航空领域先驱（如Hanavan的惯性模型、Fetter的“Boeman”驾驶员可达性分析）。
  
• 1970s后：汽车工业应用（如Chrysler的Cyberman、Univ. Penn的Bubbleman）。
  
• 现代工具：Jack（宾夕法尼亚大学）、Santos（爱荷华大学虚拟士兵计划）提供高自由度生物力学仿真。
  

欧洲发展线索：

• 早期模型：SAMMIE（诺丁汉大学）用于人机交互评估，ERGOman（法国）整合国际人体数据库Ergodata。
  
• 工业应用：德国RAMSIS（汽车内饰设计）、瑞典IPS IMMA（人机协作规划）。
  

4. DHM分类与技术整合

科学型DHM的两大分支：

• 物理建模：涵盖人体测量学（如ANSUR、CAESAR数据库）、生物力学（静态/动态分析）及工效学评估工具（NIOSH举升指数、RULA）。
  
• 认知建模：集成心理学模型（如MIDAS的任务饱和度分析），但发展滞后于物理建模。
  

关键技术整合：

• 动作捕捉（Mocap）：光学与非光学系统（如惯性传感器）用于动态姿势采集。
  
• 虚拟/增强现实（VR/AR）：提升沉浸式设计验证（Ahmed & Demirel, 2020b）。
  
• 眼动追踪：量化用户注意力分布（如驾驶视野研究）。
  

5. 商业软件与未来挑战

主流DHM软件包括：
- Jack（西门子）：工效学分析与动作预测。
- AnyBody：逆向动力学肌肉骨骼仿真。
- ESI Virthuman：基于有限元（FEM）的碰撞模拟。

未来方向：
- 精度提升：个性化人体建模（3D扫描技术）。
- 认知整合：开发情感与行为耦合的混合模型。
- 技术标准化：建立多模态传感器数据的统一评估框架。

学术价值与应用意义

本文系统梳理了DHM半世纪的发展脉络，提出融合设计与系统思维的跨学科定义，填补了理论空白。其应用价值体现于：
1. 工业优化：减少物理原型依赖，降低汽车、航空等领域的设计返工成本。
2. 研究导向：为新兴技术（如VR/AR、柔性传感器）与DHM的整合提供路线图。

亮点总结

• 全面性：首次将DHM定义为涵盖物理与认知维度的系统科学。
  
• 历史深度：对比欧美发展路径，揭示技术演化与产业需求的关联。
  
• 批判视角：指出现有工具在姿势预测、人群多样性方面的局限性。
  

此综述为研究者与从业者提供了DHM领域的“知识地图”，尤其助力非HFE专业人员理解其潜力与边界。