PMM：基于人体形状参数化的生物力学仿真模型

《IEEE Access》：PMM: A Parametric Musculoskeletal Model Aligned With Human Body Shape

本研究针对构建多样化体型肌肉骨骼模型耗时费力、复杂肌肉驱动控制困难等挑战，提出了一种基于SMPL人体形状参数化的肌肉骨骼模型重定向方法。通过结合物理仿真与深度强化学习（DRL），实现了对高度、体重、体型及肌肉肌腱单元参数的连续自适应，生成具有生物力学合理性的个性化模型。该模型在多种运动任务中表现出优越的泛化能力和鲁棒性，为计算机图形学和生物力学研究提供了高效建模工具。

　　

在计算机图形学和生物力学领域，如何生成既自然又符合人体运动机理的虚拟角色运动一直是个核心难题。传统的物理仿真模型虽然能实现动态控制，但往往忽略了人体内在的肌肉骨骼系统这一生物力学基础。而真正采用肌肉驱动（muscle-actuated）的模型又面临两大瓶颈：一是构建适用于不同体型的肌肉骨骼模型需要大量专业知识和时间成本，每个模型都需手动调整众多肌肉参数；二是对多肌肉协调控制的复杂性，单个肌肉可能跨越多个关节，而单个关节又受多条肌肉控制，这使得稳定控制变得异常困难。

尽管已有研究尝试通过简化假设的二次规划（QP）或深度强化学习（DRL）等方法进行控制，但一个关键且尚未充分探索的挑战是如何将肌肉骨骼控制扩展到具有不同物理属性（如身高、体重、体型）的角色上。对刚性身体模型进行适配相对容易，但肌肉骨骼模型需要精心调整大量肌肉特异性参数，使得针对不同体型的重定向过程既耗时又昂贵，这严重阻碍了肌肉骨骼控制在研究和工业界的实际应用。

发表在《IEEE Access》上的这项研究提出了一种新颖的解决方案——PMM（Parametric Musculoskeletal Model），一个与人体形状对齐的参数化肌肉骨骼模型。该方法能够根据输入的形状参数，快速生成一个在人体测量学和生物力学上都合理的个性化肌肉骨骼模型，并利用深度强化学习训练控制策略，使其能够完成行走、奔跑、下蹲等多种运动任务，甚至在斜坡等复杂环境中也表现出色。

研究人员开展此项研究的主要技术方法包括：首先，利用参数化人体模型（SMPL）来表示身体形状变化并估算关节位置，通过拟合过程将模板SMPL模型与模板肌肉骨骼模型对齐。其次，提出了一种肌肉骨骼模型重定向方法，根据更新后的SMPL网格，通过骨骼重定向（调整关节和骨骼位置、物理属性）和肌肉重定向（调整Hill型肌肉肌腱单元的关键参数，如最优纤维长度l_m^o、最大等长力f_m^o和肌腱松弛长度l_t^sl）来适配目标身体形状。最后，在基于物理的仿真环境中，采用混合控制器（上半身使用稳定的比例-微分伺服（PD-servo）控制，下半身使用Hill型肌肉肌腱模型驱动），并利用深度强化学习（DRL）训练控制策略，以跟踪多样化的参考运动并完成挑战性任务。研究使用了Rajagopal等人的全身肌肉骨骼模型作为模板，并基于从CAESAR数据集学习得到的SMPL模型生成人体网格。

系统概述

该参数化肌肉骨骼模型的构建系统主要包括两个阶段：身体形状指定和肌肉骨骼模型重定向。第一阶段根据用户输入的性别和形状参数向量β，通过SMPL模型生成目标人体网格。第二阶段则将模板肌肉骨骼模型重定向至该网格形状，涉及骨骼重定向（调整几何变换、质量、惯性等物理属性）和肌肉重定向（缩放肌肉肌腱参数）。

人体模型：形状、结构与控制

研究采用SMPL（Skinned Multi-Person Linear Model）作为参数化人体形状表示，其基于CAESAR数据集（约3800名男女性身体扫描数据）学习得到，能根据形状参数β生成三维网格并估算准确的关节位置。模板肌肉骨骼模型则选用Rajagopal等人提出的包含92块肌肉的全身模型（OpenSim格式）。控制方面，采用混合策略：下肢和躯干平衡关节由Hill型肌肉肌腱单元驱动，其肌肉力根据激活水平a、纤维长度和速度等计算；而上肢关节则采用稳定的PD-servo进行控制。

肌肉骨骼模型重定向

重定向方法基于两个核心假设：骨骼均匀缩放；身体部位质量与体积成正比（均匀密度假设）。关键步骤包括：计算长度缩放因子S_l和体积缩放因子S_v（通过体素化和分割SMPL网格估算各部位体积，并利用预训练的二次回归器D(β)预测S_v）。骨骼重定向算法根据肢体类别应用相应的缩放因子调整骨骼的几何变换、质量和惯性。肌肉重定向则针对Hill型模型的关键参数（l_m^o, f_m^o, l_t^sl），根据其附着骨骼的平均缩放因子进行更新，确保肌肉力生成与体型匹配。

基于DRL的模型控制

为验证重定向模型的有效性，研究在物理仿真环境中对其进行控制。状态空间包含骨骼状态（如关节位置、方向、速度、质心信息）和肌肉状态（肌肉纤维长度）。动作空间包括上肢目标关节角度和下肢92块肌肉的激活水平。奖励函数设计用于跟踪参考运动，包含存活奖励、根关节奖励、关节奖励、关节线速度奖励和末端效应器奖励等项。训练采用近端策略优化（PPO）算法，并应用随机状态初始化（RSI）和早期终止（ET）技术提升学习效率。

结果

SMPL基础的肌肉骨骼模型

成功生成了针对不同体型（如高胖、矮瘦）的重定向模型，其物理属性（身高、体重）和肌肉参数（如f_m^o, l_m^o）均根据形状参数进行了合理缩放。

肌肉骨骼模型控制

训练后的模型成功学习了多种运动任务，包括行走（walking）、士兵步（soldier）、 Tong步（tong）、冲刺（sprint）以及具有挑战性的下蹲（squat）动作。此外，模型还能在斜坡环境（约10度倾斜）中稳健行走，这通过扩展状态空间（加入目标方向、距离和地形高度信息）和修改奖励函数实现。

消融实验

通过消融实验验证了肌肉参数重定向（尤其是长度相关参数缩放）的重要性。结果显示，完整方法（包含肌肉力缩放和长度参数缩放）能成功学习运动，而省略肌肉参数重定向则导致学习失败，原因是固定肌肉参数会产生异常的被动肌力，干扰学习过程。省略仅肌肉力缩放对学习影响较小。

生理合理性

将模拟肌肉激活水平与真实人体行走时采集的肌电图（EMG）信号进行比较，结果显示激活水平趋势总体相似（RMSE在0.15-0.26之间），表明模拟模型在一定程度上捕捉了人体行走的生物力学机制。

鲁棒性

通过对根关节施加不同大小和方向的外部推力进行鲁棒性测试，结果表明学习到的策略能适应未在训练中出现的扰动。与基于关节角的控制方法相比，肌肉驱动控制方法产生的运动更自然，但鲁棒性稍低。完整重定向方法（包含力和长度缩放）比仅缩放长度的方法鲁棒性略高。

对比

与先前侧重于保持功能范围一致性（ROM）的肌肉骨骼模型重定向方法相比，本研究的方法不仅重定向肌肉参数，还自适应调整角色的物理属性，实现了物理上更连贯的重定向。

结论与讨论

本研究提出的PMM模型成功解决了为多样化体型快速生成个性化、生物力学合理的肌肉骨骼模型的挑战。通过结合SMPL参数化人体模型、自动化的模型重定向流程以及基于DRL的混合控制策略，该方法能够生成适用于不同体型且能执行复杂运动任务的仿真模型。重定向过程高效（一秒内完成），确保了其实用性。

研究的局限性在于肌肉力缩放基于身体质量线性增加的简化假设，未考虑肌肉脂肪比、生理横截面积（PCSA）等生理因素。未来工作可结合医学影像（CT、MRI、超声）和表面肌电等数据，更精确地刻画生物力学因素。此外，当前模型验证主要针对下肢肌肉主导的模型，未来可扩展至包含上下肢肌肉的全身模型，并探索其他控制策略（如软演员-评论家SAC、生成模型）以增强泛化能力和鲁棒性，支持更广泛的运动技能和复杂环境交互。

该研究为计算机图形学中的角色动画和生物力学领域的人体运动分析、个性化运动模拟与预测等应用提供了有力的工具。