汽车人机工程设计中人体数据应用方法的研究*

任金东，陈景辉，陆善彬，杜晓明

(1.吉林大学汽车工程学院，长春 130025; 2.一汽技术中心，长春 130022)

前言

微观人机工程学是人机工程学科的重要分支，其研究对象主要是各种产品和工作场所的设计问题。人们在工作和生活中不可避免地会与各种产品和工作场所打交道，如果它们的设计没有充分考虑人的因素，就会给人带来不便。然而，在从事产品或工作场所设计时，其设计过程通常是和最终的用户分开的，因此充分考虑用户特点和需求、以用户为中心进行人机工程学设计显得尤为重要［1］。

在运用微观人机工程学原理进行设计时，首先要明确目标人群的人体数据分布特点，以此作为布局和尺寸设计的依据，以保证设计方案能适合人群中的绝大多数个体，即具有足够的适应度。传统的设计方法主要以人体数据的百分位数为依据。这种方法对于一维设计问题很有效，能够准确地保证适应度。但设计中面临的许多设计问题都不是一维的，须同时考虑多项人体尺度，若简单地根据人体数据的百分位数来确定产品尺寸，势必造成设计上的浪费和人机工效的不合理。因此，必须研究多维设计时科学地运用人体数据的方法。

数字人体模型是进行人机工程设计和分析的有力工具，但应用中的一个主要问题还是所采用的人体数据;如果数据不合适，所生成的人体模型就不能很好地反映人群的分布特点，设计和分析就不能得出准确和客观的结果。

本文中探讨在多维设计问题中如何正确、有效地运用人体数据，通过研究，建立了基于主成分分析(principal components analysis，PCA)的驾驶员人群关键人体数据生成方法，用于乘用车人机工程的设计和分析。

1 多变量设计问题

1.1 人体测量数据及其分布

在与人体尺度相关的设计中，为达到足够的设计适应度，须根据目标人群的相关人体尺度来确定产品尺寸。由于多维人体尺度呈现一定的分布，是多维随机变量，必须根据其分布特点来选取用于确定产品尺寸的人体数据，这里称为设计参考值。使用设计参考值的意义就在于，使设计结果从统计学角度满足所要求的适应度。

设矢量x表示人体的n个测量数据项。对于单一性别人群，大多数一维静态人体测量数据近似符合正态分布，则总体x的联合分布概率密度函数为

式中:μ为x的均值;B为x的协方差矩阵。

1.2 一维设计问题及其适应度

人机工程设计领域，很多设计问题与人的某项一维人体尺度有关，或者同时与几个一维人体尺度有关。对于后者，应该考虑人体尺度的联合分布来确定产品尺寸;但在空间要求不太严格的情况下，可视这些人体尺度为各自独立的变量，分别对这些一维方向的产品尺寸进行设计，从而最终完成整个设计任务。于是，产品设计就简化为一系列的一维设计问题。

一般地说，对于一维设计问题，首先要确定与设计问题相关的人体尺度;然后根据这些人体尺度的分布和设计问题的特点来选择合适的人体数据百分位数，作为设计参考值。产品的最终尺寸由设计参考值和修正量两部分组成。根据设计问题的特点，在根据适应度要求确定人体数据百分位数时，通常有Ⅰ型、ⅡA型、ⅡB型和Ⅲ型设计类型［1-2］。例如:要确定轿车顶盖内部高度，这是一个典型的ⅡA型设计问题，要满足95%的目标乘员的乘坐空间要求，须以目标人群中95th百分位男子坐姿头顶高度为依据，再考虑必要的修正量(戴帽子、间隙和颠簸等所需的空间)称为功能修正量;有时还要考虑心理修正量，来确定最终的高度。

1.3 多维设计问题及其适应度

如果设计问题与多项人体尺度相关，且须同时考虑这些尺度时，问题就非常复杂。因为多维随机变量不具有单调性，不能根据适应度要求直观地选取设计参考值。根据多维人体尺度的分布，可将其置信空间(一维置信区间的推广)边界做出，该边界为多维空间的封闭超曲面。理论上，若要达到适应度，必须使设计结果适合该置信边界内(含边界上)的任何一个个体;但置信边界内分布着无数个体，不可能对他们逐一检查，通常从中抽取一定数量的个体组成样本，只对他们进行检查。只要样本抽取得当，就有理由认为样本的检查结果以一定的概率反映设计对人群的适应度。一般情况下，多维人体尺度分布中心附近的个体对产品设计要求容易得到满足;处于分布边缘的个体则是设计中需要重点考虑的，因此，应在置信边界上选取用于检查的个体。在多维人体尺度分布置信边界上按照某种规律选取的个体所建立的人体模型称为边缘人体模型(Boundary Manikins)。

2 多变量设计的关键人体数据

2.1 人群分布的描述

设m为与设计相关的人体尺度矢量集，其中存在k个主成分，它们是原m中各分量的线性组合，且相互正交。第一主成分所在方位描述的人群中个体离散程度最大;第二主成分方位垂直于第一主成分，在该方向数据离散程度次之;依此类推。很多时候，前3个主成分描述的个体离散程度累积占85%以上，根据它们的联合分布能将原人体尺度分布的置信边界做出。当只取3个主成分时，人体尺度分布的置信边界由式(2)确定:

式中:Fi为第i个主成分;μFi为第i个主成分的均值;σFi为第i个主成分的标准差;～χ2(3)表示人体尺度集m的卡方服从自由度为3的卡方分布。如果所采用的人体尺度之间的相关性很小，则可以直接利用它们将分布的置信边界做出。图1为置信度为95%的部分国家人群的两项人体尺寸联合分布边界。由此可见，不同国家和地区的人体尺寸分布可能存在较大的差异，设计中必须准确地运用人体数据。

2.2 多变量设计的关键人体数据

多变量设计问题的关键人体数据是由人群人体尺度分布置信边界上的个体组成的样本。样本容量越大、在置信边界上的分布越均匀，它们所描述的空间边界与原来的置信边界越接近。为减小设计和分析的工作量，在满足精度的条件下，希望尽可能减少关键人体数据中个体的数目。

当主成分数目等于 2 时［3］，置信边界为椭圆［1］，如图2所示。可选取椭圆轴的4个端点作为关键人体数据，见图2(a)，所建立的人体模型称为PCA人体模型。也可按照图2(b)的方式选取，4个个体中的某一人体尺度分别是置信边界的极值。要使关键人体数据所描述的人体尺度分布范围和原置信边界描述的分布范围尽可能接近，还可在上述所选个体之间再增加一些新的个体［4］。

当主成分数目等于3时，置信边界为椭球，如图3所示。可在椭球的轴线端点选取6个个体(PCA人体模型)，见图3(a)，以及在8个象限的椭球表面中心处再各选取一点，见图3(b)，以这14个个体作为关键人体数据。将图3中个体人体尺寸特点列于表1，从中可见，每个个体都具有独特的身材、胖瘦和体型特点。

表1 关键人体数据中的个体

2.3 基于任务的关键人体数据

采用上述目标人群关键人体数据的选取方法，对于人机工程设计领域的各种问题，能够生成完备的一系列个体，称作原人群的设计样本或测试样本。但是，有的设计场合并不需要所有的这些个体，而只需要分布在边界上的某些个体，这时可只将这部分个体找出来，称为基于任务的个体，由它们建立的边缘人体模型称为基于任务的边缘人体模型［5］。

3 乘用车人机设计关键人体数据

汽车人机工程设计从时间上分为方案设计和详细设计两个阶段。方案设计阶段处于总体布置设计前期，主要确定与驾驶员操作、乘坐、视野和空间有关的布局，所建立的方案称为基本设计方案［1］。基本设计方案确定了设计的基调，对于后续的详细方案设计至关重要;并且决定了驾驶员的视野、操作和乘坐性能的优劣。为说明问题的方便和限于篇幅，这里暂时考虑驾驶员乘坐位置和顶盖高度来确定用于基本设计方案设计和分析的关键人体数据，其基本设计要求是满足目标驾驶员群体中绝大多数人的使用要求。

3.1 目标人群的统计描述

通过分析，选取一系列与汽车驾驶室人机工程设计有关的人体尺度［1］，如图4所示。对若干国家的上述人体尺度进行主成分分析发现，前3个主成分对方差的累积贡献率大于85%，因此，选取前3个主成分来描述人群人体数据的分布。根据对1988年美国军方人体数据［6］分析的结果，得出男性身高S、坐高H和体质量W的因子模型为

式中:F1、F2、F3分别为所选人体尺度的前3阶主成分。同样可得出其他人体尺度的因子模型。

3.2 目标人群的关键人体数据

利用前3阶主成分F1、F2、F3的联合分布做出人体尺度分布的置信边界。因为主成分是经过标准化的正态分布变量，且互不相关，分布边界是圆球面，其半径取决于置信度。本文中的计算所选置信度皆为85%。

在边界上选取沿F1、F2、F3方向轴的端点，以及8个象限中心方向与边界圆的交点作为关键人体数据点。男性和女性各有14个个体。对于男性和女性，这些个体的选取具有统一的格式，即在F1、F2、F3空间内采用球坐标来计算个体坐标，见图5和表2。采用1988年美国军方人体数据，根据式(3)计算出男性14个个体的坐高、身高和体质量的数值和百分位，见表3。坐高和身高百分位的分布参见图6。

表2 个体的主成分坐标

表3 男性关键人体数据个体

3.3 乘用车人机工程设计的关键人体数据

通过前面的计算，已经建立了关键人体数据，总共包括28个个体。但利用这28个个体来设计驾驶员乘坐位置和顶盖内高的工作量很大。研究得知，驾驶员乘坐位置主要取决于驾驶员下肢长度;而顶盖内高则取决于乘坐位置、坐姿和人体坐高的分布。虽然转向盘位置对于驾驶员乘坐位置分布具有重要影响［7］，但在基本方案设计时应首先考虑人的舒适性来确定乘坐位置。综上所述，影响乘坐位置和顶盖内高的人体因素主要是下肢长度和坐高。下肢长度的差异主要取决于身高与坐高差值的差异。针对乘坐位置和顶盖高度的设计要求，根据身高和坐高的分布对关键人体数据中的个体进行筛选，结果见表4。表中个体8对应于女子关键数据中序号8的个体，具有最短的下肢;个体6为具有最长下肢的男性;个体2具有最大的坐高尺寸。

表4 用于设计乘坐位置和顶盖内高的关键人体数据

4 结论

研究了在人机工程设计和分析中根据目标人群的人体数据，利用主成分法描述人群人体尺度分布，建立分布置信边界和选取关键人体数据。利用该方法能够建立适合汽车、乃至一般工业设计和分析的目标人群的设计和分析样本。

采用主成分方法可能出现的一个问题是采用许多阶主成分仍达不到所需的置信度。另外，对于汽车布置设计和分析，设计适应度的保证不但要考虑人体尺度，还必须考虑人体姿势的影响。

这种多变量设计中的人体数据应用方法对于设计适应度的改善有时会受到其它因素的影响，因为某些设计问题所包含的若干因素可能相互矛盾，顾此则失彼，设计时应该分清主次、寻求一个良好的平衡。同时，设计通常包括很多内容，不同的设计内容须依据合适的人体尺度，并且总体上应尽量减少设计样本中的个体数，以减少设计和分析的工作量，因此，应采用基于任务的关键人体数据方法。

［1］任金东.汽车人机工程学［M］.北京:北京大学出版社，2010.

［2］周一鸣，毛恩荣.车辆人机工程学［M］.北京:北京理工大学出版社，1999.

［3］Wirsching Hans-Joachim，Premkumar Sandeep.Statistical Representations of Human Populations in Ergonomic Design［C］.SAE Paper 2007-01-2451.

［4］任金东，范子杰，黄金陵.数字人体模型技术及其在汽车人机工程设计中的应用综述［J］.汽车工程，2006，28(7):647-651.

［5］Reddi Sarath，Sen Dibakar.Task Dependent Boundary Manikins in Statistical DHM［C］.SAE Paper 2008-01-1890.

［6］Gordon Claire C，Churchill Thomas，Clauser Charles E，et al.1988 Anthropometric Survey of U.S.Army Personnel:Methods and Summary Statistics［M］.Anthropology Research Project，INC.Yellow Springs，Ohio 45387.1989.

［7］Reed Matthew R，Manary Miriam A，Flannagan Carol A C，et al.A Statistical Method for Predicting Automobile Driving Posture［J］.Human Factors，2002，44(4).