Computational Design of Wiring Layout on Tight Suits with Minimal Motion Resistance

一句话总结

把智能紧身衣上的连线布线问题建模为紧身衣网格上的”形变加权 Steiner 树”，自动生成一套在人体运动时受拉最小、对运动干扰最小的走线方案。

研究背景

• 领域现状：越来越多的电子元件（IMU、柔性/压力传感器、触觉执行器）被直接嵌入紧身智能衣物，用来监测人体状态或提供反馈。为保证与皮肤贴合、避免传感器位移，这类产品多为紧身设计（如 Tesla Suit、Athos），且出于抗干扰和多设备时间同步的考虑普遍采用有线连接。
• 核心痛点：布线会干扰人体运动，而运动带来的织物形变又会拉扯、损伤线路。以往做法要么给电路加”波浪”“交错”等冗余来换取可拉伸性（额外工艺与成本，且与”热压把线封进面料”的主流工艺相矛盾），要么用最小生成树式的走线——但这类方法不允许走线分叉，解空间受限、结果次优。至今缺少一个直接、自动、不引入冗余的布线方案，也缺少量化运动影响的可靠方法。
• 本文 idea：把布线看成拓扑优化问题，形式化为紧身衣 3D 网格上的一个 Steiner 树问题：电子元件是必须连接的终端顶点，走线是树的边；边权由”运动引起的织物形变应变能”决定，并用走线总长度做正则。之所以选 Steiner 树而非 TSP/MST，是因为它只连接终端、允许在网格上任意分叉（经典例子：连接等边三角形三顶点，从中心分叉比走两条边更短），解空间更大、结果更优。

方法

整体框架：输入一组运动序列和紧身衣版型模型，先用布料仿真算出每一帧、每个面片的形变应变能，据此给网格每条边赋一个”形变加权”权重，然后在网格上求解 Steiner 树把用户指定的终端连起来，最后把折线走线光顺成样条曲线得到可制造的布线图。

flowchart LR
  A["运动序列 + 紧身衣版型"] --> B["布料仿真:逐帧形变应变能"]
  B --> C["形变加权边权 w(e)"]
  C --> D["求解 Steiner 树连接终端"]
  D --> E["曲线光顺 + 走线图输出"]

关键设计：

• 问题定义与离散化。在连续曲面上，目标是构造一棵 Steiner 树 \(T^\ast\)，使其在一组运动 \(M=\lbrace m_1,\dots,m_L\rbrace\) 下的应变能（即边权之和）\(E_T\) 最小。由于任意曲面上的 Steiner 树问题没有高效解法，作者把曲面离散成多边形网格 \(S=(V,E)\)，把终端集合 \(P\subset V\) 之间的走线离散成图上的边子集 \(E'\subset E\)，从而在网格上可解。

• 形变启发的边权。核心是给每条边 \(e\) 算一个应变能权重 \[\omega(e)=\sum_{f\cap\delta(e)\neq\varnothing}(\epsilon(f,M)+\eta)\cdot \mathrm{area}(f\cap\delta(e))\] 其中 \(\delta(e)\) 是以 \(e\) 为中线的矩形邻域，用来模拟真实走线条带的宽度；\(\eta\) 是走线长度正则项，抑制冗余。面片应变能 \(\epsilon(f,M)\) 取所有运动序列里逐帧应变能的按帧平均后的最大值，单帧应变能采用 St. Venant-Kirchhoff 模型 \(\epsilon(f,m_i)=\mu\lVert G_{f,i}\rVert^2+\tfrac{\lambda}{2}\mathrm{tr}(G_{f,i})\)，其中 Green 应变张量 \(G_{f,i}=\tfrac12(F_{f,i}^{T}F_{f,i}-I)\) 由面片在参考态与运动态之间的形变矩阵得到（杨氏模量取 5.4 MPa、泊松比 0.33）。直觉是：越容易被拉伸的区域（如肘、膝）边权越高，走线会自动绕开。

• 布料仿真取形变。把 SMPL 标准人体的运动序列导入 Marvelous Designer 做布料仿真，得到紧身衣在各动作下的表面形变；用 2D 平展版型作为无形变的参考态来度量应变。作者还用真实布料上的应变传感系统验证了仿真的一致性。

• Steiner 树求解与光顺。边权定好后用一个针对”终端数较少”高度优化的精确 Steiner 树求解器（动态规划 + 剪枝）求解。得到的折线在端点处会出现尖锐弯折，于是在 2D 版型上用圆弧样条迭代光顺，直到曲率满足 \(\kappa<\tfrac{2}{w_d}\)（\(w_d\) 为走线条带宽度），保证走线局部不自交、可制造。

实验结果

在专家设计对比实验（仿真）中，作者把本文方法与两位资深专家（23 年经验的工业设计师、服装设计系副教授兼院长，各花约 3 天设计）以及最小长度基线做对比。本文方法在形变能、最大拉伸率、平均拉伸率三项上均优于专家设计，且算法用时远少于人工。

方法	形变能 ↓	最大拉伸率(%) ↓	平均拉伸率(%) ↓
Ours	20,753.09	5.63	3.22
Expert	25,404.92	6.39	3.92
Min-Len(基线)	31,986.91	12.72	8.45

其余实验以文字补充：在 Tesla Suit、Xsens、Tesla 触觉反馈三种商业电子布局下、覆盖 248 个动作序列，本文走线相比最小长度基线在能量和上分别减少约 43%、35% 以及触觉配置下的可观降幅，最大/平均拉伸率普遍下降 55%~77%（摘要给出 248 个动作平均减少 77% 应变能、较专家设计减少 18%）。真实穿戴实验用 24 个电容应变传感器测得本文布局的电容变化显著低于基线；10 名参与者的主观打分显示本文在”阻力”和”舒适度”上显著优于最小长度基线（单因素 ANOVA，p 值分别为 0.047、0.026），与专家设计无显著差异但数值略优。网格分辨率对精度影响极小（< 1‰）但对求解时间影响达一个数量级。

亮点与局限

• 亮点：
  • 首次把智能衣物自动布线明确形式化为网格上的形变加权 Steiner 树问题，允许走线分叉，解空间比 MST 更大、结果更优。
  • 提出结合面片应变能与走线宽度/长度正则的边权方案，能真实反映运动对走线的拉伸影响；仿真、真实传感、主观打分三条证据链闭合。
  • 预处理（形变能、边权）只依赖运动、可复用，最终 Steiner 树求解在交互级时间内完成（36 个终端约 1.8 秒）。
• 局限：
  • 用网格上的 Steiner 树近似曲面上的真实解，走线是折线边而非光滑曲线，后处理前后形变能仍有约 4.78±2.36% 差异。
  • 应变计算与布线优化解耦：算得快，但没建模”布线本身如何反过来改变织物应变”。
  • 只考虑走线的拉伸，未处理弯折等同样影响耐久与舒适的因素。

延伸思考

• 把曲线生成与 Steiner 树优化耦合成一步端到端优化，或直接在曲面（而非离散网格）上求解 Steiner 树，是提升精度的自然方向；同理，把布线对应变的反馈纳入闭环能更贴合真实穿戴体验。
• 边权目前用”最坏/平均应变能”聚合多动作，是否可以按使用场景对动作加权（如某款运动衣主要用于特定项目），得到面向应用的定制走线，值得探索。
• 该”形变加权 Steiner 树”框架不限于走线，也可能迁移到贴片式加热丝、导电织物走向、可穿戴天线等需要在形变表面上做拓扑布局并最小化受拉的任务。