综述：面向人类数字孪生的人类建模与仿真综述

本综述聚焦人类数字孪生（HDT）的核心技术——人类建模与仿真（HMS），系统梳理了从物理模型到双向交互HDT的演进历程，提出了功能导向的五层信息模型（物理、感知、认知、行动、社会），并详细阐述了物理、心理及社会相关元模型。文章深入探讨了HDT建模与仿真的数据采集、处理流程及支撑工具软件，结合人机协作（HRC）案例展示了应用潜力，最后指出了当前在复杂性、技术瓶颈、标准化、数据安全与伦理信任等方面的挑战及未来研究方向，为HDT技术发展提供了重要参考。

引言

人类数字孪生（HDT）作为一个新兴概念，是传统数字孪生（DT）技术在人类个体层面的延伸。它旨在创建一个高度个性化、综合反映个体物理、生理、认知、心理及社会特征的数字化身。与工业领域中用于机械设备性能评估、设计优化和寿命预测的数字孪生类似，HDT在智能制造、医疗健康、个人健身、自动驾驶等诸多以人为本的领域展现出巨大应用潜力。尽管人类建模与仿真（HMS）是推动HDT技术发展的基石，但现有的文献综述多侧重于HDT的通用定义、层次框架和应用场景，对HMS方法及工具的深入探讨尚显不足。本综述旨在填补这一空白，重点围绕HDT中的HMS方面，系统回顾数字人体仿真的演进、HDT信息模型、HDT元模型以及相关的工具与软件。

人类建模与仿真的演进

HMS的发展历程与材料科学、数字硬件、数据处理技术和计算能力的进步紧密相连。其演进大致可分为四个阶段：纯粹物理人体模型、通用虚拟人体模型、结合传感器数据的定制化虚拟人体模型（即人类数字孪影，HDS），以及具有双向数据通信的定制化虚拟人体模型（即HDT）。

在纯粹物理模型阶段，人类通过雕塑、人体骨架模型、针灸铜人乃至碰撞测试假人等实体模型来模拟人体几何结构或某些生物化学过程。这些模型依赖于经验和解剖学知识，其定制化程度取决于用途。

进入通用虚拟人体模型阶段，随着计算机图形学（CG）和数据处理技术的发展，数字人体建模（DHM）工具应运而生。例如，SAMMIE系统和Siemens Jack软件可用于评估交通工具内部空间、视野盲区以及工人的作业姿态。然而，此阶段的DHM主要基于统计学数据构建，缺乏对个体的深度定制，尚不能完全替代物理原型或真实试穿。

定制化人类数字孪影（HDS）阶段得益于可穿戴传感器、机器视觉和CG技术的融合。从监测宇航员生理指标的早期可穿戴设备，到集成多种传感器的现代智能手表，再到基于标记或无标记的运动捕捉技术，使得创建个性化的数字人体模型并预测其步态、触觉和运动成为可能。但此阶段的仿真仍较多依赖专业人员手动分析，且数据利用范围相对狭窄，未能整合更广泛的个人生物信息。

最终目标是实现人类数字孪生（HDT）。未来的HDT将采用高性价比、高度自动化、低知识密集度的方式，构建涵盖个体几何、生物物理、生化、心理及社会信息的全面数字化信息模型。它能利用多样化的个体数据，高保真地复现人类内外部的活动，并通过预测结果实时反馈给物理个体，形成双向数据流，从而在数字健康、智能制造、人本设计等领域支持实时仿真与决策。

HDT信息建模

构建统一的HDT信息模型是HDT技术的基础，其核心在于确定需要纳入哪些类型的人类数据以支持相关活动的仿真。现有研究对HDT应包含的信息属性提出了多种分类方式。例如，有研究指出HDT应包含物理、生理、感知、认知、人格、情绪、伦理和行为等信息；也有研究将其归纳为健康模型、认知模型和生物力学模型；还有研究从智能体角度提出虚拟人应由“外部身体”和“内部心智”构成。

为了更清晰地构建一个功能导向的统一模型，本综述在分析现有工作的基础上，提出了一个五层HDT信息模型：

• •
  物理层： 数字化个体的物理属性，包括生物力学、生物物理、生化和遗传数据（如身高、体重、心率、血压等），可通过传感器或仪表量化。
• •
  感知层： 表征人类如何通过触觉、视觉、听觉、嗅觉、味觉和本体感觉来感知环境并收集信息。
• •
  认知层： 表征人类如何基于个性、情绪、过往经验和已有知识，从感知信息中理解和获取知识，涉及思维、推理和决策等高级过程。
• •
  行动层： 表征个体的自愿或不自愿行动。自愿行动与个体的认知决策相关，而非自愿行动则更多关联个体的物理属性和感知能力。
• •
  社会层： 表征个体与其他人类个体及环境的社会联系和关系，强调这些外部对象如何影响个体本身。

与以往基于属性分类的模型相比，这种功能驱动的分层方法强调了属性如何影响行为，使模型更简洁，有助于更有效地解释和建模HDT中的人类互动。

HDT元模型

HDT元模型侧重于利用HDT信息模型中的数据，通过统计分析、机器学习等技术，对特定的人类功能或活动进行建模和仿真。本综述从物理、心理和社会三个维度探讨了代表性的HDT元模型。

在物理相关元模型方面，几何与运动模型是基础。几何模型（如3D网格、点云、骨骼关节点）可通过3D扫描、深度相机或基于深度学习的2D图像转3D技术获取。运动模型则常采用Denavit-Hartenberg（D-H）模型等来描述关节运动，并结合肌电（EMG）信号来反映肌肉活动。当前趋势是利用生成对抗网络（GANs）、自动编码器等AI技术，结合SMPL、STAR等预建人体模型库，快速生成高精度模型。生理模型则模拟生命有机体的功能，涉及器官组织的几何建模（通过CT、MRI等医学成像实现）和功能行为建模（通过采集生物样本和监测生理变化数据，建立统计或个性化模型）。可穿戴设备的发展使得心率、血压等外部生理参数的连续监测和建模成为可能。

在心理相关元模型方面，情绪模型旨在计算表征人类的情绪状态，主要分为离散模型（如快乐、悲伤、愤怒等）、维度模型（如愉悦度、唤醒度、优势度）和认知模型（关注情绪产生机制）。情绪检测可通过脑电图（EEG）、心电图（ECG）、皮电反应（GSR）、呼吸频率（RR）、皮肤温度（SKT）等生理传感器，或通过机器视觉分析面部表情、眼部活动来实现。心理负荷（MWL）模型评估个体在执行任务时所需的主观努力和认知资源，测量方法包括主观报告法、基于任务表现的评价法以及基于生理指标（如心率变异性、瞳孔反射、EEG）的客观测量法。意图模型则用于预测个体的行动计划，检测方法包括EMG、EEG/脑机接口（BMI）、力传感器以及运动捕捉技术，并通过机器学习、概率建模等方法来解释信号并推断意图。

在社会相关元模型方面，信任模型量化个体对他人在特定情境下可靠性、诚实性等方面的信念和期望。信任具有信任者-被信任者关系、情境依赖性、内在不确定性与风险、动态变化以及受多维因素影响等特点。数学模型可以将其表示为二元、离散或连续值，并包含信任更新和演化函数。决策模型模拟个体的选择过程，它受到心智（启发式思维）、情绪（情感启发式）、社会资源（如时间、金钱的稀缺性）和社会规范（群体道德、习惯）的共同影响。协作与竞争模型则模拟多人之间的互动。协作建模可基于计算建模、计算-算法建模、算法建模或实现建模等方法；也可采用团队动力学理论，关注团队凝聚力、团队心智模型、协调能力和集体效能等要素。竞争建模与协作类似，但更强调个体在零和博弈等情境下的策略选择。现实中常见的“竞合”关系则需要平衡合作与竞争。智能体建模（ABM）结合博弈论和经济概念（如囚徒困境），是模拟人类协作与竞争的常用方法。

HDT建模与仿真清单

构建HDT元模型需要明确数据采集方法和数据处理途径。数据采集可分为原位传感（如IMU、EMG、ECG等可穿戴传感器）、非接触式传感（如3D扫描仪、基于计算机视觉的运动捕捉）和基于调查的方法（如问卷）。数据处理则广泛采用统计建模、机器学习和各类特定算法。

支撑HDT建模与仿真的工具软件覆盖了从数据采集到仿真实现的整个流程。在建模工具方面，计算机辅助设计（CAD）软件（如SolidWorks）和CG软件（如Blender、Maya）可用于构建人体几何模型。预建的人体模型库（如SMPL、STAR）能显著减少个性化建模所需的数据量。非几何模型（如心理、社会模型）的构建则常依赖Python/C++等编程语言及相应的机器学习库。在仿真软件方面，种类繁多且各有侧重：医学仿真软件（如OpenSim、AnyBody）精度高但需专业知识；人机工程学仿真软件（如Siemens Jack）擅长工效学评估；游戏引擎（如Unity、Unreal Engine）易于使用且视觉效果丰富，但生物力学细节相对简化；专业数字孪生软件（如NVIDIA Omniverse）功能强大但对计算资源要求高；物理引擎驱动的AI工具（如MaskedMimic）轻量快捷但准确性有待验证。目前尚缺乏统一的HDT建模与仿真标准化工具链，未来需要建立一个集成数据采集、模型构建、仿真交互及验证反馈的通用框架，并制定相应的保真度、可用性、互操作性、可扩展性和实时性等评估指标。

案例研究：人机协作中的HDT应用

以智能制造中的人机协作（HRC）为例，展示了HDT与机器人数字孪生（RDT）的协同工作。在此场景下，HDT通过多模态传感（如IMU、视觉、生物传感器）收集并更新工人的物理、感知、认知、行动和社会层数据，并利用相应的元模型（如几何运动模型、意图模型、信任模型）进行实时仿真。RDT则根据HDT的仿真输出（如预测的意图、疲劳水平、姿势风险）动态调整其行为，例如进行运动轨迹规划、任务分配、工效学