基于深度潜变量模型的行走姿态手部负荷估计：融合辅助信息

机器学习方法正逐渐应用于人为材料搬运中的人体工程学风险评估，尤其是从可穿戴传感器收集的行走姿态数据中估计搬运负荷。然而，现有方法常依赖于从加载行走姿态直接映射到手部负荷的关系，限制了其泛化能力和预测准确性。本研究提出了一种增强的负荷估计框架，融合辅助信息，包括未加载行走时的基线行走模式以及搬运姿势。虽然基线行走模式可通过可穿戴传感器自动捕获，因而在推断阶段随时可用，但搬运姿势通常需要手动标注，且在实际部署时往往不可得。本文的模型将深度潜变量建模与时间卷积网络和双向交叉注意力机制相结合，以捕捉行走动力学并融合加载和未加载的行走模式。依据领域知识，模型被设计为在给定搬运姿势条件下估计负荷大小，而无需在推断阶段获取搬运姿势标签。实验采用实物数据进行，数据来源于附着在受试者身上的惯性测量单元，结果表明，融合辅助信息可显著提升估计精度，并凸显显式融合机制相对于简单特征拼接的重要性。