是否在处于自由锥内，从而快速判断工具的可接近性；
[0043] 2)提出虚拟人动作混合驱动：结合实时捕捉数据驱动与模型驱动优点，通过实时 捕捉数据驱动降低模型驱动对虚拟人关节自由度空间冗余处理所面临的难题；通过多层次 功能约束模型驱动操作者感知才能完成的精细维修动作，从而有效解决维修动作驱动的效 率与精度问题；
[0044] 3)提出虚拟人实时驱动精度优化：通过对驱动误差因素分析与量化定义，实现硬 件噪声的过滤和基于灰色预测模型的在线补偿，优化虚拟人与操作者尺寸匹配。
【附图说明】
[0045] 图1是本发明提供的虚拟人维修动作混合驱动方法的总体技术方案框图；
[0046] 图2是本发明提供的虚拟人维修动作混合驱动方法提供的虚拟人实时驱动精度 控制流程图；
[0047] 图3是本发明提供的虚拟人维修动作混合驱动方法提供的维修工具最优匹配流 程。
[0048] 图4本发明提供的虚拟人维修动作混合驱动方法提供的虚拟人运动混合驱动机 制流程图。
【具体实施方式】
[0049] 以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实 施例仅仅用以解释本发明，并不限定本发明。
[0050] 本发明针对维修指令人机工效评估的效率与准确性问题，提出了虚拟维修环境下 虚拟人维修动作混合驱动及人机工效自动量化评估方法，将在复杂装备设计阶段从人机工 程领域评估维修指令、有效避免装备由于维修性设计问题而造成的维修困难、维修方案不 合理等问题，实现以人为中心的维修性设计，降低装备研制与维护成本。本发明对促进虚拟 维修技术在维修性设计领域的普及与工程化具有重要的意义。可以应用到装配指令的人机 工效评估，三维装配/维修电子手册的生成、维修操作训练等方面，全面提升装备维修性设 计的水平。
[0051] 为了提高维修指令人机工效评估的效率，满足复杂装备并行维修性设计的需求， 虚拟人驱动的自动化与智能化是关键。本项目研究将在及时了解掌握国内外研究工作进展 动态，充分利用课题组现有研究工作基础上，采用理论研究与应用开发、实验验证相结合的 方法展开研究。
[0052] 拟定的技术方案如图1所示。总体技术方案上，虚拟人动作由实时运动捕捉数据 与模型算法混合驱动，局部维修动作与过渡维修动作由实时运动捕捉数据驱动，当虚拟手 或者维修工具进行精细维修动作约束识别与匹配时，自动转换为模型算法驱动，并由拆装 环境约束，身体结构约束、人体运动机能约束以及生理机能约束构建姿态约束机，提高虚拟 人动作驱动的效率与精度。同时通过自动提取维修过程关键帧的人机工效信息，采用自定 义的量化准则进行评估，并设计实验对量化结果进行可信性评价。
[0053] 1)基于功能约束的精细维修动作建模技术
[0054] 维修指令蕴含的操作动作信息挖掘需要处理大量的维修指令数据，采用智能挖掘 方法提炼典型维修指令动作元素，建立标准拆装动作的结构化表达和解析方法；为了便于 计算机的识别与处理，对维修指令动作进行层次编码；同时把每条指令当成一个族，通过数 据矩阵表述的维修动作集合，采用曼哈坦距离公式计算族间距离，对动作集合进行聚类分 析，获得标准的精细维修动作。建立精细维修拆装动作信息描述模型，包含零件间、零件与 工具间的约束类型和个数，约束顺序，以及工程约束（零件或部件）等信息，同时建立拆卸 \装配规则、拆卸\装配动作集、工具约束匹配规则等。
[0055] 本发明拟在这些研究的基础上，建立基于功能约束的虚拟人动作驱动的层次约束 模型：由拆装环境约束，身体结构约束、人体运动机能约束以及生理机能约束构成的多层次 的姿态约束机。针对标准的精细维修动作，一方面基于运动学反解的方法生成各关节、躯 干和头部的目标位置，另外一方面基于实证统计建模的方法构建运动学及动力学的约束模 型。本发明申请者采用NDI Pdaris?红外线跟踪设备，已测量与拟合了旋入、旋出等基本 维修动作。以螺钉旋入为例，拟建立的虚拟人精细维修动作自动推理过程建模如下：首先根 据虚拟人站姿近身作业空间范围和人体视野范围划分若干维修空间，根据虚拟人上肢反求 算法、干涉检测算法及舒适度评估方法，逐次建立各个维修空间虚拟人维修姿态的推理法 贝1J，进而计算维修动作中的若干关键姿态；关键姿态之间虚拟人关节运动采用球面四元素 SLERP算法进行驱动，最终生成完整的维修动作序列。例如拧紧螺钉动作驱动模型可表达 为：
[0056] MList = TightenScrew (Operator, VH&T, Object, Ra, Tp, As, v)
[0057] 式中=Operator为操作者；VH&T表示虚拟手抓取或采用拧紧工具；Object为拧紧 对象，此处为螺钉；R A为每次拧紧操作的角度；Tp为螺距；AS为螺钉与其配合螺纹孔的轴线； V为维修环境的仿真速率;MList为生成的维修动作关键帧。
[0058] 以此类推，螺栓、螺母、销钉等其它紧固件的旋入、旋出、拧松、敲打等精细维修动 作的驱动模型亦可建立。根据精细动作模型参数计算每次操作零件、工具的位姿矩阵：以拧 紧螺钉操作为例，根据拧过的角度R a、螺距Tp和配合轴线A s，可计算出每次操作螺钉和拧紧 工具位置；再根据虚拟手与工具之间的固联关系，通过虚拟人维修姿态推理模型求解当前 最适合的维修操作姿态。
[0059] 2)基于遗传算法的虚拟人运动精度优化控制技术
[0060] 影响虚拟人实时驱动精度主要包括两个环节：运动数据的输入环节和处理环节。 前者跟硬件本身性能相关，本发明拟将这类由于硬件本身性能导致驱动精度下降的因素称 之为硬件因素；后者与虚拟人的实时驱动模型相关，将其归类为软件因素。
[0061] 常见的硬件因素主要包括连续性噪声和突发性噪声两大类。第一类主要指设备的 跟踪误差，其影响主要表现在驱动过程中虚拟人持续"颤抖"，跟踪误差累积会加剧"颤抖" 的剧烈程度以至严重失真。第二类指运动跟踪过程的鲁棒性，运动捕捉系统在实时驱动过 程中受到外界干扰会产生噪声数据，导致关节运动信息突然缺失或者位姿状态突变，使得 虚拟人动作突然失真。针对硬件噪声，首先对采集到的旋转数据建立对应的过滤准则；对实 时驱动过程中产生的噪声，按照人体关节极限角度和前后关键帧关节角度变化幅度进行滤 波；对于合理的跟踪数据，采用递推平均滤波法，对跟踪数据进行光滑处理，以消除虚拟人 驱动过程中的"颤抖"现象；对于过滤掉的突发性噪声，采用灰色系统理论进行在线的位姿 补偿，以防止维修操作过程中虚拟人动作的突然变形。如图2虚拟人实时驱动精度控制所 不。
[0062] 软件因素主要包括虚拟人模型简化和人体部件匹配精度。目前虚拟人建模广泛采 用Hanavan人体骨架结构具有良好的运动学和动力学计算精度，因此操作者与虚拟人骨骼 部件尺寸的匹配精度是影响虚拟人实时驱动精度的主要因素。本发明拟提出相应的虚拟人 实时驱动精度的优化方法：首先在获取虚拟环境中各关节空间位姿的基础上，提出虚拟人 实时驱动误差的量化方法，根据误差量化函数建立驱动误差模型；其次通过采集拆装过程 频繁操作域的空间点，计算若干采样点的累计误差，以该累计误差最小为优化目标，建立优 化模型；然后以操作者身高对应的虚拟人部件尺寸作为初始参数，引入部件尺寸收缩系数 来扩大寻优范围；最后采用遗传算法对优化模型进行求解，计算操作者与虚拟人的最佳匹 配尺寸。
[0063] 3)基于全局可接近性锥GAC的维修工具最优匹配方法
[0064] 维修工具的种类繁多，不同的维修工具在几何外形、应用场合和使用方法等存在 很大的差异，为提高维修指令评估的效率，需要自动、准确选择合适的维修工具。由于拆卸 与安装紧固件是维修工作最为常见的指令。本发明考虑虚拟人手持工具进行维修操作，增 加工具重量、虚拟人抓取位置、旋转操作位置等参数，建立维修工具信息描述模型。对维修 工具进分类，并采用关系数据库，建立紧固件拆装工具库，包含多种类型的手动工具与半自 动工具，同时建立其与可以拆卸紧固件的约束映射关系。
[0065] 采用分层优化的方法进行拆卸工具的初始匹配，流