進出車輛動作模擬

人體進出車輛是個複雜的生物力學過程。故一般會將人體動作透過數位 建模搭配最佳化法，簡化複雜多連桿動力學、生物力學問題，並透過修改 人機界面 (human-machine interface) 與人車互動 (human-car interaction) 的 限制等，使之成為較單純的運動學計算與模擬。進而藉由探討關節夾角 (joint angle) 、人體質心 (center of mass) 軌跡，動作範圍 (range of motion) 等， 來評估與 量化進出 車輛動作問 題 (Andreoni, Rabuffetti and Pedotti 2007) 。

Mavrikios 研究團隊即利用統計設計實驗 (statistical design of experiment, SDoE) 與田口法最佳化實驗矩陣 (表 2) 的概念，讓詴驗次數減少，建立半 經驗 (semi-empirical) 進出車輛動作模型，以便預測接近真實的動作。結果 顯示特定部位反光球的預測軌跡與實際軌跡有著些許差距，但他們認為少 量的詴驗次數同樣仍能達到有效預測動作的目的 (Mavrikios, Karabatsou,

Alexopoulos, Pappas, Gogos and Chryssolouris 2006; Mavrikios, Karabatsou, Pappas and Chryssolouris 2007) 。此種半經驗建模方式儘管改善了大量詴驗 的不便，但同樣的，預測動作模型仍舊沒有評估施行動作的影響下的肌肉 骨骼系統出力的變化。

表 2 Mavrikios 的田口法實驗矩陣 (Mavrikios, Karabatsou, Alexopoulos, Pappas, Gogos and Chryssolouris 2006) 。

該研究設定了三個參數皆具有兩個等級 (level 1 & 2) ，在一般常見實 驗的條件選擇下常會設定三個參數間的兩個等級互相搭配，共 8 (2*2*2) 種條件，但透過田口法可以合理的簡化條件數，如該研究簡 化成四個條件，並利用這四個條件的數據得出剩餘沒進行實驗條件下 的結果，如此就可以大量降低詴驗次數。

Experiment Levels of the parameters

Body height Hip width Spinal flexibility 1 level 1 level 1 level 1 鬆的，優於較低的扶手位置 (Rasmussen and Christensen 2005) 。

而現今評估且最佳化肌肉骨骼系統使用狀態的方法是引進一目標函 數，以性能指標 (performance index) 來最佳化；對於人體動作性能指標的 最佳化準則是基於動作特徵或肌肉骨骼系統的力學性能。目前有下列四種 目標函數：1) 最小化衝量 (jerk) ；2) 最小化空間偏差 (spatial deviation) ； 3) 最小化肌肉張力變化 (change of muscular tension) ；4) 最小化扭矩變化 (torque change) (Andreoni, Rabuffetti and Pedotti 2007) 。這類研究認為透過

最佳化肌肉骨骼系統出力與負擔狀態，可以評估與預測目標行為下的最佳 化肢體移動方式。

但是由於軟體的關係，想藉由模擬來得到肌肉骨骼系統動作情形是困難 的，甚至是心理狀態在現階段是不可能的，這是人體模擬的不足之處，因 此利用模擬軟體來計算肌肉骨骼系統出力或負擔狀態大多僅用在簡單的動 作 (簡單的 cycling 或 gait 等) ，來藉此進行一些簡單的分析，但在簡單動 作下的模擬肌電訊號也不一定會很準，更何況是是較複雜的動作，如本研 究的進入車輛動作是難以模擬出完整的肌肉骨骼系統的生物力學資料，可 能只有某部分可以符合實際的結果，目前也尚無相關文獻會利用人體特定 動作下的模擬訊號來進行以往實際量測訊號會做的類似分析，大多都只是 比對模擬訊號與實際訊號的趨勢或肌肉招募過程等。針對進入車輛動作而 言，BMW 團隊的研究簡短報告中顯示出，在加入多個力規量測人機介面接 觸力並代入模擬，也只有某些肌肉的模擬肌電訊號與實際肌電訊號的趨勢 是比較相似 (Bichler 2010) ，這些因素都是因為人體肌肉骨骼系統過於複 雜，且在軟體中視將人體視為剛體，使得軟體內部演算法很難算出人體動 態系統生理的相關模擬數據，因此在選擇是否分析逆動力學資料上是必須 非常小心的。肌肉骨骼模擬的詳細說明可參閱第二章。