توجيه الرأس هو مشكلة صعبة في مجال رؤية الحاسوب وقد تم بحثها بشكل واسع نظرًا لتنوع تطبيقاتها. ومع ذلك، فإن الأنظمة المتقدمة حاليًا لا تزال تحقق أداءً ضعيفًا في وجود العوائق وتكون غير موثوقة للكثير من التطبيقات العملية في مثل هذه السيناريوهات. يقترح هذا البحث نهجًا جديدًا يستند إلى التعلم العميق لمشكلة تقدير وضعية الرأس في وجود العوائق. تعتمد الاستراتيجية على الانحدار في الفضاء الكامن كمفتاح أساسي لتحسين هيكلة المشكلة للسيناريوهات المعيقة. يتفوق نموذجنا على العديد من الأساليب المتقدمة الأخرى لتقدير وضعية الرأس تحت العوائق، ويحقق دقة مماثلة للسيناريوهات غير المعيقة. نوضح فائدة النهج المقترح من خلال: (i) إصدارات معيقة اصطناعيًا من قاعدة بيانات BIWI و AFLW2000، (ii) عوائق حقيقية في قاعدة بيانات Pandora، و (iii) تطبيق عملي على سيناريوهات التفاعل بين الإنسان والروبوت حيث غالبًا ما تحدث عوائق الوجه. وبشكل خاص، التغذية الآلية باستخدام ذراع الروبوت.