본 연구는 동적 부하 도달 활동 시 딥 뉴럴 네트워크를 활용한 전신 인체 자세 예측을 탐구했다. 양방향 장단기 메모리(BLSTM) 및 트랜스포머 아키텍처를 사용하여 두 개의 시계열 모델을 훈련시켰다. 데이터셋은 20명의 정상 체중 건강한 남성이 다양한 부하 위치에서 204개의 부하 도달 작업을 수행하면서 3D 전신 플러그인 보행 동적 좌표로 구성되었다. 모델 입력은 손-부하 위치의 3D 위치, 들어 올리기(구부리기, 풀 스쿼트, 세미 스쿼트) 및 취급(한 손, 두 손) 기술, 신체 무게 및 키, 그리고 작업 기간의 처음 25%에서 신체 자세의 3D 좌표 데이터로 구성되었다. 이러한 입력은 나머지 75%의 작업 기간 동안 신체 좌표를 예측하는 데 사용되었다. 또한, 새로운 비용 함수를 최적화하여 일정하게 유지되는 신체 분절 길이를 적용함으로써 이전 및 현재의 자세 예측 네트워크의 정확도를 향상시키는 새로운 방법이 제안되었다. 결과에 따르면 새로운 비용 함수는 모델의 예측 오류를 팔 모델의 경우 약 8%, 다리 모델의 경우 약 21% 감소시켰다. 트랜스포머 아키텍처를 사용한 결과, 47.0mm의 평균 제곱근 오차(RMSE)를 나타내며, BLSTM 기반 모델보다 장기적인 성능이 약 58% 더 정확했다.
