提出了一种基于 “DULA” 的姿势评估工具的人类机器人交互的姿势估计、评估和优化的新框架。

Aug, 2021

基于数据驱动的人体工程学风险评估系统在手工密集制造过程中，特别关注手部和手指活动，以更好地识别和解决与此相关的人体工程问题。该系统包括一个多模态传感器试验台，用于收集和同步操作员的上半身姿势、手部姿势和施加力；Biometric Assessment of Complete Hand（BACH）配方，用于测量高保真度的手部和手指风险；以及与上半身姿势、RULA 和手部活动 HAL 相关的行业标准风险评分。研究结果表明，相比于现有的衡量指标，BACH 以更高的细度捕捉具有伤害性的活动。机器学习模型还用于自动化 RULA 和 HAL 评分，并能很好地推广至未见过的参与者。因此，我们的评估系统为研究的制造流程提供了人体工程学解释性，并可通过较小的工作场所优化和姿势修正来降低风险。

Mar, 2024

提出了一种用于 3D 姿势估计的低成本、无侵入感的多传感器算法，基于 OpenPose 2D 姿势和机器人轨迹，使用粒子滤波器，技术可应用于 PHRI 领域，性能比使用 OpenPose 或机器人轨迹的单一传感器人体姿势估计更好，以及在使用 RULA 评估工具上的姿势评估表现更好。

Aug, 2022

新方法的人机交互通过连续观察人的姿势，并调用相应的机器人动作来优化机体人工力学。利用 RGB-D 相机实时计算和监测人的关节角度以确定当前的人工力学状态，并通过 6 个普遍性机器人反应来使人回到最佳人工力学状态。经过研究证明了这种新方法对于改善人的人工力学有所帮助。

May, 2018

机器学习模型通过分析座椅背部和座位的 32 x 32 压力传感器所收集的数据进行姿势识别，实现对六个坐姿的分类，平均分类准确率在受控和逼真数据集上分别达到了 98％和 97％。

Jan, 2022

该研究提出了一个创新的计算机视觉框架，旨在通过与现有软件的无缝集成来分析工业环境中的人体运动，以增强生物力学分析。该框架利用先进的图像处理和建模技术，通过卷积神经网络（CNNs）、直接线性变换（DLT）和长短期记忆（LSTM）网络准确地检测关键身体节点，重建 3D 标记点，并生成详细的 3D 人体网格。广泛的评估验证了该框架的有效性，在各种动作下与传统基于标记点的模型展示出了可比较的结果，并在关节角度估计和体重、身高估计方面具有精确性。生物力学 - 57 关键骨骼模板的集成进一步增强了该框架的鲁棒性和可靠性。该框架显示出在工业环境中进行细致的生物力学分析的显著潜力，消除了笨重的标记物的需求，并将其用途扩展到包括研究特定外骨骼装置对促进受伤工人迅速返回工作任务的影响在内的各个研究领域。

Apr, 2024

本研究提出了一种基于不同 iable simulator 的软致动器物理可行模型的训练方法，其通过与有限元方法结合来实现闭环控制，基于该模型构建 MPC 控制器，实现对硬币的拉动并获得了低于 5％的仿真误差。

Feb, 2022

通过创建一个数据集，包含了人体模型的人工图像和真实人体照片，以及通过卷积神经网络提取所需关节角度，我们得到了在测试数据集上的均方根误差（RMSE）为 12.89、平均绝对误差（MAE）为 4.7 的结果，从而解决了二维人体姿势识别中不可见身体部位的问题。

May, 2024

通过使用中心质量状态空间，本研究探索了一种监测人类平衡能力的有前景方法，采用强化学习的肌肉骨骼模型训练平衡控制器以调查平衡能力，并研究了肌肉虚弱和神经兴奋延迟对平衡恢复的影响。

Aug, 2023

本文采用数据包络分析（DEA）对自然语言模型进行资源 - 性能交易的评估，得出了一组有效的性能和效率评估框架，并成功地应用于 14 个不同语言模型的实证结果，该方法可以平衡性能和资源消耗。

Nov, 2022