搭建视觉-物理鸿沟：面向跌倒风险分析的物理对齐表征学习

视觉基跌倒分析取得了快速进展，但仍存在关键瓶颈：视觉上相似的动作可能对应截然不同的物理结果，因为小差异在接触力学和保护性反应方面难以从外观推断。在实际中，现有方法通过监督性伤害预测来处理这一问题，这需要可靠的伤害标签。然而，这些标签在实际中难以获得：视频证据常常模糊（遮挡、视点限制），且真实伤害事件稀少且无法安全模拟，导致监督信号噪声。我们提出了 PHARL (PHysics-aware Alignment RepresentationLearning)，通过学习物理有意义的跌倒表征来解决这一问题，而无需依赖临床结果标签。PHARL 通过两种互补约束对运动嵌入进行正则化：(1) 轨迹级时间一致性以实现稳定的表征学习，(2) 多类物理对齐，其中仿真导出的接触结果塑造嵌入几何。通过将视频窗口与时间对齐的仿真描述配对，PHARL 在保持推理纯粹的前馈式的同时，捕获与局部冲击相关的动态。在四个公开数据集上的实验表明，PHARL 在风险对齐的表征质量上 consistently 优于视觉单一基线，同时保持强大的跌倒检测性能。值得注意的是，PHARL 还表现出零样本有序性：一种可解释的严重程度结构（头部 > 躯干 > 支撑）在无显式有序监督的情况下自然出现。