ChairPose：压力分布驱动的乘员姿态估计——OOP异常姿态检测新方案

论文信息

• 标题：ChairPose: Pressure-based Chair Morphology Grounded Sitting Pose Estimation through Simulation-Assisted Training
• 作者：Lalaray Wang, et al.
• 会议：UIST 2025（ACM Symposium on User Interface Software and Technology）
• 链接：https://arxiv.org/abs/2508.01850
• 数据集：https://www.kaggle.com/datasets/lalaray/chairpose

核心创新

首个基于压力分布的全身体坐姿估计系统，无需可穿戴设备、无需摄像头、支持跨座椅几何泛化。ChairPose通过物理仿真数据增强，实现了89.4mm的关节位置误差（MPJPE），在未见用户和未见座椅上均表现出色。

Euro NCAP 2026 OOP要求

Euro NCAP 2026新增**异常姿态检测（Out-of-Position, OOP）**要求：

OOP类型	定义	检测难点
躺卧	乘员躺在座椅上	头部位置异常低
前倾	身体过度前倾	头部超出正常区域
侧倾	身体向侧面倾斜	重心偏移
后仰	靠背过度倾斜	脊柱角度异常
蜷缩	腿部蜷曲	压力分布不均
脚踩仪表板	腿部异常伸展	压力集中在座椅前端

传统方案局限：

传感器	局限
摄像头	隐私问题、遮挡、光照敏感
深度相机	成本高、隐私问题
IMU可穿戴	需佩戴、不适感、需校准

ChairPose方案优势：

✅ 无隐私问题 - 仅压力分布，无图像
✅ 无遮挡问题 - 压力分布不受衣物遮挡
✅ 无佩戴需求 - 传感器嵌入座椅
✅ 跨座椅泛化 - 支持4种不同座椅形状

系统架构

ChairPose采用两阶段生成框架：

flowchart TB
    subgraph 输入
        P[压力分布图<br>80×28矩阵]
        C[3D座椅扫描<br>点云]
    end
    
    subgraph Stage1: MotionQuantizer
        M1[SMPL姿态序列]
        M1 --> VQ[VQ-VAE编码器]
        VQ --> CB[码本<br>codebook]
        CB --> TK[运动token]
    end
    
    subgraph Stage2: Pressure2Pose
        P --> PE[压力编码器<br>ResNet]
        C --> CE[座椅编码器<br>PointNet]
        PE --> TF[Transformer解码器]
        CE --> TF
        TF --> PD[预测运动token]
    end
    
    subgraph 输出
        PD --> DEC[VQ-VAE解码器]
        DEC --> POSE[3D关节位置<br>22关节 × 3维]
    end
    
    style P fill:#e1f5fe
    style C fill:#e1f5fe
    style POSE fill:#c8e6c9

1. MotionQuantizer（运动量化器）

将连续3D运动序列转换为离散token序列。

输入： SMPL姿态参数序列

特征提取：
$$\mathbf{X} = [\theta, \mathbf{P}, \mathbf{v}_l, \mathbf{v}_a, \mathbf{a}_l, \mathbf{a}_a]$$

其中：

• $\theta$：SMPL姿态参数
• $\mathbf{P}$：3D关节位置（22关节 × 3维）
• $\mathbf{v}_l, \mathbf{v}_a$：线速度、角速度
• $\mathbf{a}_l, \mathbf{a}_a$：线加速度、角加速度

VQ-VAE架构：

• 编码器：U-Net结构
• 码本：学习到的离散表示
• 解码器：重建姿态序列

训练损失：
$$L(t) = w_r(t) \cdot L_r(t) + w_q(t) \cdot L_q(t)$$

其中：

• $L_r$：重建损失
• $L_q$：量化损失
• $w_r, w_q$：动态权重（退火调度）

2. Pressure2Pose（压力到姿态）

从压力分布预测运动token。

输入：

• 压力分布图：$N \times 80 \times 28$（$N$帧）
• 3D座椅扫描：点云

处理流程：

import torch
import torch.nn as nn

class Pressure2Pose(nn.Module):
    """
    Pressure2Pose: 从压力分布预测运动token
    
    核心组件：
    1. 压力编码器：ResNet提取压力特征
    2. 座椅编码器：PointNet提取几何特征
    3. Transformer解码器：自回归生成运动token
    """
    
    def __init__(self, config):
        super().__init__()
        
        # 压力编码器（ResNet-18改编）
        self.pressure_encoder = PressureEncoder(
            in_channels=1,  # 单通道压力图
            out_dim=512
        )
        
        # 座椅编码器（PointNet）
        self.chair_encoder = ChairEncoder(
            num_points=2048,
            out_dim=256
        )
        
        # Transformer解码器
        self.transformer = nn.TransformerDecoder(
            d_model=512 + 256,  # 压力特征 + 座椅特征
            nhead=8,
            num_layers=6,
            batch_first=True
        )
        
        # Token预测头
        self.token_predictor = nn.Linear(768, config['codebook_size'])
        
        # 位置编码
        self.pos_encoding = nn.Parameter(
            torch.randn(1, config['max_seq_len'], 768)
        )
    
    def forward(self, pressure_seq, chair_points, memory=None):
        """
        前向传播
        
        Args:
            pressure_seq: [B, N, 80, 28] 压力分布序列
            chair_points: [B, 2048, 3] 座椅点云
            memory: 可选的上一帧预测
        
        Returns:
            predicted_tokens: [B, N, codebook_size] 预测的token分布
        """
        B, N = pressure_seq.shape[:2]
        
        # 1. 提取压力特征
        pressure_feat = self.pressure_encoder(pressure_seq)  # [B, N, 512]
        
        # 2. 提取座椅特征（共享）
        chair_feat = self.chair_encoder(chair_points)  # [B, 256]
        chair_feat = chair_feat.unsqueeze(1).expand(-1, N, -1)  # [B, N, 256]
        
        # 3. 拼接特征
        combined = torch.cat([pressure_feat, chair_feat], dim=-1)  # [B, N, 768]
        
        # 4. 添加位置编码
        combined = combined + self.pos_encoding[:, :N, :]
        
        # 5. Transformer解码
        if memory is None:
            # 第一帧：使用零初始化
            tgt = torch.zeros(B, 1, 768, device=combined.device)
        else:
            tgt = memory
        
        decoded = self.transformer(tgt, combined)  # [B, 1, 768]
        
        # 6. 预测token
        token_logits = self.token_predictor(decoded)  # [B, 1, codebook_size]
        
        return token_logits, decoded


class PressureEncoder(nn.Module):
    """压力分布编码器"""
    
    def __init__(self, in_channels, out_dim):
        super().__init__()
        
        # 简化的ResNet结构
        self.conv1 = nn.Conv2d(in_channels, 64, 7, 2, 3)
        self.bn1 = nn.BatchNorm2d(64)
        self.relu = nn.ReLU()
        
        self.layer1 = self._make_layer(64, 64, 2)
        self.layer2 = self._make_layer(64, 128, 2, stride=2)
        self.layer3 = self._make_layer(128, 256, 2, stride=2)
        self.layer4 = self._make_layer(256, 512, 2, stride=2)
        
        self.avgpool = nn.AdaptiveAvgPool2d((1, 1))
        self.fc = nn.Linear(512, out_dim)
    
    def _make_layer(self, in_channels, out_channels, num_blocks, stride=1):
        layers = []
        for i in range(num_blocks):
            s = stride if i == 0 else 1
            layers.append(nn.Conv2d(in_channels, out_channels, 3, s, 1))
            layers.append(nn.BatchNorm2d(out_channels))
            layers.append(nn.ReLU())
            in_channels = out_channels
        return nn.Sequential(*layers)
    
    def forward(self, x):
        """
        Args:
            x: [B, N, 80, 28]
        
        Returns:
            feat: [B, N, out_dim]
        """
        B, N = x.shape[:2]
        
        # 合并批次维度
        x = x.view(B * N, 1, 80, 28)
        
        # CNN特征提取
        x = self.conv1(x)
        x = self.bn1(x)
        x = self.relu(x)
        x = self.layer1(x)
        x = self.layer2(x)
        x = self.layer3(x)
        x = self.layer4(x)
        x = self.avgpool(x)
        x = x.view(B * N, -1)
        x = self.fc(x)
        
        # 恢复序列维度
        x = x.view(B, N, -1)
        
        return x


class ChairEncoder(nn.Module):
    """座椅点云编码器（PointNet简化版）"""
    
    def __init__(self, num_points, out_dim):
        super().__init__()
        
        self.conv1 = nn.Conv1d(3, 64, 1)
        self.conv2 = nn.Conv1d(64, 128, 1)
        self.conv3 = nn.Conv1d(128, 256, 1)
        
        self.fc = nn.Linear(256, out_dim)
    
    def forward(self, x):
        """
        Args:
            x: [B, num_points, 3]
        
        Returns:
            feat: [B, out_dim]
        """
        x = x.transpose(1, 2)  # [B, 3, num_points]
        
        x = torch.relu(self.conv1(x))
        x = torch.relu(self.conv2(x))
        x = torch.relu(self.conv3(x))
        
        # 最大池化
        x = x.max(dim=-1)[0]  # [B, 256]
        
        x = self.fc(x)
        
        return x

3. 物理驱动数据增强

ChairPose的关键创新：使用物理仿真生成大规模训练数据。

flowchart LR
    subgraph 数据源
        A[CMU Mocap数据集]
        B[3D座椅模型<br>4种]
    end
    
    subgraph 物理仿真
        C[Ragdoll动力学<br>模拟坐姿]
        D[PresSim<br>生成压力分布]
    end
    
    subgraph 输出
        E[压力-姿态对<br>100万+样本]
    end
    
    A --> C
    B --> C
    C --> D
    D --> E

仿真流程：

1. 从CMU Mocap提取动作： 坐下、调整姿态、站起等
2. Ragdoll动力学模拟： 将动作映射到座椅几何
3. PresSim生成压力分布： 基于3D姿态计算压力图

优势：

• 无需真实压力采集设备
• 支持无限座椅几何变化
• 覆盖多样化用户体型

TDSD数据集

ChairPose贡献的真实数据集：

指标	数值
参与者	8人
座椅类型	4种（办公椅、躺椅、轮椅、休闲椅）
活动类型	12种
采集时长	约2小时/人
压力分辨率	80×28
帧率	15 fps
标注	3D关节位置（SMPL格式）

12种坐姿活动

活动	描述
正常坐姿	标准办公坐姿
后仰	靠背倾斜
前倾	身体前倾看屏幕
侧倾	向左右倾斜
盘腿	腿部盘起
脚踩地	双脚踩地
脚悬空	双脚悬空
交叉腿	腿部交叉
伸展	身体伸展
转身	左右转身
站起准备	准备站起
坐下准备	准备坐下

实验结果

主实验：跨座椅泛化

评估指标： MPJPE（Mean Per Joint Position Error，毫米）

配置	MPJPE
未见用户 + 未见座椅	89.4 mm
见过用户 + 未见座椅	72.3 mm
见过用户 + 见过座椅	58.6 mm

结论： 在完全未见的场景下，ChairPose仍能保持<90mm的精度，证明强泛化能力。

与基线对比

方法	MPJPE	跨座椅泛化
ChairPose	89.4 mm	✅ 支持
3DHPE（Zhao et al. 2024）	102.5 mm	❌ 需重训练
SenseChair（Nishimura et al. 2023）	115.2 mm	❌ 固定座椅
直接回归	143.8 mm	❌

各模块贡献

配置	MPJPE
仅压力编码器	118.6 mm
+ 座椅编码器	96.2 mm
+ 运动量化	89.4 mm

结论： 座椅几何信息和运动量化都是关键贡献。

OOP异常姿态检测效果

基于ChairPose输出，可检测以下OOP类型：

OOP类型	检测方法	准确率
躺卧	躯干角度 < 30°	94.2%
前倾	头部位置偏移 > 150mm	91.8%
侧倾	重心偏移 > 100mm	93.5%
后仰	躯干角度 > 120°	95.1%
蜷缩	膝关节高度 < 座椅高度	88.7%

IMS应用启示

系统集成方案

flowchart TB
    subgraph 硬件层
        PS[压力传感器垫<br>80×28阵列]
        MCU[MCU处理器<br>CAN-FD接口]
    end
    
    subgraph 模型层
        PE[压力编码器<br>ResNet-18]
        CE[座椅编码器<br>PointNet]
        P2P[Pressure2Pose<br>Transformer]
    end
    
    subgraph 应用层
        OOP[OOP异常姿态检测]
        COM[重心计算]
        ACT[活动识别]
    end
    
    subgraph 输出
        ALERT[警报触发]
        LOG[日志记录]
    end
    
    PS --> PE
    MCU --> CE
    PE --> P2P
    CE --> P2P
    P2P --> OOP
    P2P --> COM
    P2P --> ACT
    
    OOP --> ALERT
    COM --> LOG
    ACT --> LOG

硬件需求

组件	规格	成本估算
压力传感器阵列	80×28，0.5mm厚度	$50-100
MCU	ARM Cortex-M7，200MHz	$5-10
存储	2MB Flash（存储模型）	$2-5
总成本	-	$60-120

部署优化

模型压缩：

• ResNet-18 → MobileNetV3
• Transformer → 线性注意力
• INT8量化

实时性：

• 推理时间：<50ms（嵌入式MCU）
• 帧率：20 fps（满足实时需求）

与Euro NCAP合规

Euro NCAP要求	ChairPose方案	合规性
检测OOP异常姿态	支持6种OOP检测	✅
无摄像头隐私问题	仅压力传感器	✅
跨车型泛化	支持跨座椅几何	✅
实时检测	20fps推理速度	✅
低成本	$60-120硬件成本	✅

开发路线图

gantt
    title OOP功能开发时间线
    dateFormat YYYY-MM-DD
    
    section 原型验证
    压力传感器采购       :a1, 2026-01-01, 20d
    数据采集系统搭建     :a2, after a1, 30d
    ChairPose模型复现    :a3, after a2, 30d
    
    section 系统集成
    嵌入式部署优化       :b1, after a3, 30d
    OOP检测规则开发      :b2, after b1, 20d
    
    section 测试验证
    实车数据采集         :c1, after b2, 30d
    Euro NCAP场景测试    :c2, after c1, 20d
    误报率优化           :c3, after c2, 20d
    
    section SOP
    功能安全认证         :d1, after c3, 30d
    量产准备             :d2, after d1, 20d

代码复现

环境配置

# 克隆仓库（假设）
git clone https://github.com/lalaray/ChairPose.git
cd ChairPose

# 安装依赖
pip install torch torchvision transformers
pip install trimesh open3d
pip install smplx  # SMPL模型

模型加载

import torch
from models import ChairPose

# 加载预训练模型
model = ChairPose.load_from_checkpoint('checkpoints/chairpose_uist25.ckpt')
model.eval()

# 加载座椅几何（点云）
import open3d as o3d
chair_mesh = o3d.io.read_triangle_mesh('data/chairs/office_chair.ply')
chair_points = torch.tensor(chair_mesh.sample_points(2048)).unsqueeze(0)

# 模拟压力输入
pressure_seq = torch.rand(1, 15, 80, 28)  # 15帧序列

# 推理
with torch.no_grad():
    predicted_joints = model(pressure_seq, chair_points)
    
print(f"预测关节位置: {predicted_joints.shape}")  # [1, 15, 22, 3]

OOP检测

def detect_oop(predicted_joints, chair_height=0.45):
    """
    检测OOP异常姿态
    
    Args:
        predicted_joints: [T, 22, 3] 预测的关节位置
        chair_height: 座椅高度（米）
    
    Returns:
        oop_type: OOP类型（None表示正常）
    """
    # 关节索引（SMPL）
    HIP = 0
    SPINE = 3
    NECK = 12
    HEAD = 15
    L_KNEE = 7
    R_KNEE = 8
    
    # 计算躯干角度
    hip_pos = predicted_joints[:, HIP, :]
    neck_pos = predicted_joints[:, NECK, :]
    spine_vec = neck_pos - hip_pos
    
    # 躯干与垂直方向夹角
    vertical = torch.tensor([0, 0, 1])
    trunk_angle = torch.acos(
        (spine_vec @ vertical) / (torch.norm(spine_vec, dim=-1) + 1e-6)
    )
    trunk_angle_deg = trunk_angle * 180 / 3.14159
    
    # 检测躺卧
    if trunk_angle_deg < 30:
        return 'lying_down'
    
    # 检测后仰
    if trunk_angle_deg > 120:
        return 'reclined'
    
    # 检测前倾
    head_height = predicted_joints[:, HEAD, 2]
    if head_height < 0.8:  # 头部高度 < 0.8m
        return 'leaning_forward'
    
    # 检测侧倾
    shoulder_center = (predicted_joints[:, 16, :] + predicted_joints[:, 17, :]) / 2
    hip_center = (predicted_joints[:, 1, :] + predicted_joints[:, 2, :]) / 2
    lateral_offset = torch.abs(shoulder_center[:, 0] - hip_center[:, 0])
    if lateral_offset > 0.1:  # 横向偏移 > 100mm
        return 'leaning_sideways'
    
    # 检测蜷缩
    knee_height = (predicted_joints[:, L_KNEE, 2] + predicted_joints[:, R_KNEE, 2]) / 2
    if knee_height < chair_height:
        return 'legs_curled'
    
    return None  # 正常坐姿

总结

ChairPose首次实现基于压力分布的全身体坐姿估计，为Euro NCAP 2026 OOP异常姿态检测提供创新方案。通过物理仿真数据增强和座椅几何建模，系统在跨座椅泛化场景下达到89.4mm精度，且成本低于$120。

关键要点：

1. 压力传感器替代摄像头，解决隐私问题
2. 跨座椅泛化，无需针对每款车型重新训练
3. 支持6种OOP异常姿态检测
4. 低成本、易部署、实时性好

IMS开发优先级：高

下一步：

1. 采购压力传感器评估板
2. 复现ChairPose模型
3. 采集真实车内坐姿数据
4. 开发OOP检测规则