CN110851958B - 一种面向乘员损伤风险的碰撞严重性预测方法 - Google Patents

一种面向乘员损伤风险的碰撞严重性预测方法 Download PDF

Info

Publication number
CN110851958B
CN110851958B CN201910982338.4A CN201910982338A CN110851958B CN 110851958 B CN110851958 B CN 110851958B CN 201910982338 A CN201910982338 A CN 201910982338A CN 110851958 B CN110851958 B CN 110851958B
Authority
CN
China
Prior art keywords
collision
learning model
severity
characteristic data
human body
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910982338.4A
Other languages
English (en)
Other versions
CN110851958A (zh
Inventor
聂冰冰
杜仰森
陈文韬
周青
李升波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN201910982338.4A priority Critical patent/CN110851958B/zh
Priority to PCT/CN2019/121460 priority patent/WO2021072923A1/zh
Publication of CN110851958A publication Critical patent/CN110851958A/zh
Application granted granted Critical
Publication of CN110851958B publication Critical patent/CN110851958B/zh
Priority to US17/705,355 priority patent/US20220212618A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/013—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over
    • B60R21/0132—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over responsive to vehicle motion parameters, e.g. to vehicle longitudinal or transversal deceleration or speed value
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
    • B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
    • B60R16/023—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements for transmission of signals between vehicle parts or subsystems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/085—Taking automatic action to adjust vehicle attitude in preparation for collision, e.g. braking for nose dropping
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/013—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over
    • B60R2021/01315—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over monitoring occupant displacement
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/013—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over
    • B60R21/0132—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over responsive to vehicle motion parameters, e.g. to vehicle longitudinal or transversal deceleration or speed value
    • B60R2021/01322—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over responsive to vehicle motion parameters, e.g. to vehicle longitudinal or transversal deceleration or speed value comprising variable thresholds, e.g. depending from other collision parameters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/227—Position in the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Transportation (AREA)
  • Automation & Control Theory (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及一种碰撞严重性的预测方法，通过构建第一学习模型，并将整车数据和碰撞事故场景特征数据输入第一学习模型得出碰撞加速曲线，能够充分利用路段的道路交通情况和车辆自身数据，对车辆碰撞加速度进行实际计算。通过构建第二学习模型，并将乘员特征数据、约束系统特征数据和碰撞加速曲线输入至第二学习模型，得出不同人体部位的碰撞动力学曲线，可以综合考虑乘员特征和约束系统特征等实际碰撞场景特征，大大提升乘员碰撞严重性预测的可靠性。最终，通过不同人体部位的碰撞动力学曲线进行标量转化，实现碰撞严重性的量化。本申请涉及的碰撞严重性的预测方法，可以在考虑综合因素的前提下实现快速、准确的乘员碰撞严重性预测。

Description

一种面向乘员损伤风险的碰撞严重性预测方法
技术领域
本申请涉及车辆事故分析技术领域，特别是涉及一种面向乘员损伤风险的碰撞严重性预测方法。
背景技术
目前对车辆行驶的路径规划算法，在路径搜索与选择问题上已经较为成熟。常用的路径搜索算法包括Dijkstra算法和A*算法等等。通常规划选择出的路径应当满足可行性与安全性两个基本要求，以保证所选择路径不但在控制上可以实现，而且可以保证行驶安全。当备选路径中存在安全路径时，该路径碰撞概率为零，无论是否进行碰撞严重性计算，其碰撞严重性都为零，此时计算碰撞严重性是没有意义的。然而，当备选路径中不存在安全路径时，即交通事故不可避免时，选择碰撞严重性最小的路径对于降低事故伤害是至关重要的。
传统的碰撞严重性的预测方法，一般基于等效能量速度(简称EES)进行计算。等效能量速度是考虑到自车和环境车如果相撞，依据自车整备质量、环境车整备质量、以及自车与环境车的相对速度，并基于能量和动量守恒定律推导的物理量。具体地，通过下述公式推导计算等效能量速度：
Figure GDA0002293846880000011
其中，Msur为环境车整备质量，Mego为自车整备质量，ΔV为自车与环境车的相对速度。进一步地，通过进行多个实车试验，建立等效能量速度与不同程度损伤风险之间的经验关系，从而得到碰撞严重性。
然而，传统的碰撞严重性的预测方法存在一个严重的问题：乘员碰撞过程被过度简化，准确度较低。这是因为，碰撞严重性实际上不仅仅由等效能量速度一个物理量决定，还与初始碰撞车速、汽车构型、道路情况、约束系统使用情况、乘员坐姿、乘员乘坐位置、乘员年龄、乘员性别等多个因素相关，这些因素都会影响到最终的碰撞严重性预测结果。因此，传统方案仅通过等效能量速度一个物理量预测碰撞严重性是不准确的，如果基于传统的碰撞严重性的预测方法预测碰撞严重性并规划路径，当交通事故不可避免时难以做出正确决策，甚至会将乘员置于危险状况之中。
发明内容
基于此，有必要针对传统的碰撞严重性的预测方法中乘员碰撞过程被过度简化，准确度较低的问题，提供一种碰撞严重性的预测方法。
本申请提供一种碰撞严重性的预测方法，包括：
构建第一学习模型，将整车数据和碰撞事故场景特征数据输入至所述第一学习模型；
获取所述第一学习模型输出的预测碰撞加速度曲线，所述预测碰撞加速度曲线基于平面直角坐标系构建，所述预测碰撞加速度曲线的横坐标为碰撞时间，所述预测碰撞加速度曲线的纵坐标为碰撞加速度；
构建第二学习模型，将所述预测碰撞加速度曲线、所述乘员特征数据和所述约束系统特征数据输入至所述第二学习模型；
获取所述第二学习模型输出的多条人体部位碰撞运动学与动力学预测曲线；
所述人体部位碰撞运动学与动力学预测曲线基于平面直角坐标系构建，所述人体部位碰撞运动学与动力学预测曲线的横坐标为碰撞时间，所述人体部位碰撞运动学与动力学预测曲线的纵坐标为人体部位碰撞运动学与动力学参数；
依据所述多条人体部位碰撞运动学与动力学预测曲线，生成碰撞严重性参数，所述碰撞严重性参数用于评价碰撞严重性。
本申请涉及一种碰撞严重性的预测方法，通过构建第一学习模型，并将整车数据和碰撞事故场景特征数据输入第一学习模型得出预测碰撞加速曲线，能够充分利用路段的道路交通情况和车辆自身数据，对车辆碰撞加速度进行实际计算。通过构建第二学习模型，并将乘员特征数据、约束系统特征数据和预测碰撞加速曲线输入至第二学习模型，得出不同人体部位的碰撞运动学与动力学预测曲线，可以综合考虑乘员特征和约束系统特征等实际碰撞场景特征，大大提升乘员碰撞严重性预测的可靠性。最终，通过不同人体部位的碰撞动力学和运动学曲线计算各部位的损伤等级分数，实现碰撞严重性的量化。本申请涉及的碰撞严重性的预测方法，可以在考虑综合因素的前提下实现快速、准确的乘员碰撞严重性预测。此外，本申请涉及的碰撞严重性的预测方法能够应用于现有的智能车辆路径规划算法，以提高碰撞风险预测精度，进而提升道路交通安全性。
附图说明
图1为本申请一实施例提供的碰撞严重性的预测方法的流程示意图；
图2为本申请一实施例提供的碰撞严重性的预测方法中涉及的预测碰撞加速度曲线的示意图；
图3为本申请一实施例提供的碰撞严重性的预测方法中涉及的人体部位碰撞运动学与动力学预测曲线，且具体为头部碰撞动力学曲线的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供一种碰撞严重性的预测方法。
需要说明的是，本申请提供的碰撞严重性的预测方法不限制其应用领域与应用场景。可选地，本申请提供的碰撞严重性的预测方法应用于自动驾驶的路径规划，以保障自动驾驶的路径规划的安全性。
本申请提供的碰撞严重性的预测方法并不限制其执行主体。可选地，所述碰撞严重性的预测方法的执行主体可以为一种碰撞严重性预测装置。所述碰撞严重性预测装置可以设置于待预测车辆的内部。所述碰撞严重性预测装置也可以不必设置于所述待预测车辆的内部，而是独立设置。可选地，所述的执行主体可以为所述碰撞严重性预测装置中的处理器。
如图1所示，在本申请的一实施例中，所述碰撞严重性的预测方法包括如下步骤S100至步骤S500：
S100，构建第一学习模型，将整车数据和碰撞事故场景特征数据输入至所述第一学习模型。
具体地，本申请提供的碰撞严重性的预测方法是为了预测所述待预测车辆在不同规划的备选路径中的碰撞严重性。在本实施例中，所述碰撞严重性预测装置可以每隔预设时间段执行步骤S100至步骤S500，对所述待预测车辆进行碰撞严重性的预测。具体地，所述预设时间段的时间长度可以设置为较短，以使得所述碰撞严重性预测装置可以实时对所述待预测车辆进行预测。可选地，所述预设时间段可以设置为1秒。
本申请中，路径规划方案中存在多条备选路径。当多条备选路径中存在安全路径时，该路径碰撞概率为零，无论是否进行碰撞严重性计算，其碰撞严重性都为零，此时计算碰撞严重性是没有意义的。然而，当备多条选路径中不存在安全路径时，即交通事故不可避免时，选择碰撞严重性最小的路径对于降低事故伤害是至关重要的。因此，本申请计算的备选路径的碰撞严重性，默认所述备选路径是必然存在所述待预测车辆和环境车相撞的现象出现的。
所述整车数据为所述待预测车辆自身的车辆数据。具体地，所述整车数据至少包括车型和车辆结构数据。所述事故场景特征数据来源于备选路径中的道路工况。具体地，所述事故场景特征数据包括碰撞角度、相对碰撞车速、行驶路面状况、行驶天气状况和环境车车型、碰撞重叠率中的一种或多种。
S200，获取所述第一学习模型输出的预测碰撞加速度曲线。所述预测碰撞加速度曲线基于平面直角坐标系构建。所述预测碰撞加速度曲线的横坐标为碰撞时间。所述预测碰撞加速度曲线的纵坐标为碰撞加速度。
具体地，如图2所示，所述预测碰撞加速度曲线的横坐标为碰撞时间。由于所述预设时间段的时间长度设置为较短，可以认为所述待预测车辆只与一辆环境车相互碰撞。所述碰撞时间即所述待预测车辆与环境车相撞的开始时间，直至所述待预测车辆与环境车相撞的结束时间，二者之间的时间长度。所述预测碰撞加速度曲线的纵坐标为所述待预测车辆与所述环境车相撞过程中，所述待预测车辆的碰撞加速度。
S300，构建第二学习模型。进一步地，将所述预测碰撞加速度曲线、所述乘员特征数据和所述约束系统特征数据输入至所述第二学习模型。
具体地，所述预测碰撞加速度曲线为所述步骤S200中所述第一学习模型输出的数据结果。所述乘员特征数据为所述待预测车辆的乘员数据。所述乘员特征数据包括乘员性别、乘员年龄、乘员体重和乘员坐姿中的一种或多种。所述约束系统特征数据包括安全带配置状态、座椅配置状态、挡风玻璃配置状态和安全气囊配置状态中的一种或多种。
S400，获取所述第二学习模型输出的多条人体部位碰撞运动学与动力学预测曲线。所述人体部位碰撞运动学与动力学预测曲线基于平面直角坐标系构建。所述人体部位碰撞运动学与动力学预测曲线的横坐标为碰撞时间。所述人体部位碰撞运动学与动力学预测曲线的纵坐标为人体部位碰撞运动学与动力学参数。
具体地，所述人体部位碰撞运动学与动力学预测曲线可以为多条。每一条人体部位碰撞运动学与动力学预测曲线对应一个人体特定部位。所述人体部位碰撞运动学与动力学预测曲线类型为两种，一种为碰撞运动学预测曲线，另一种为碰撞动力学预测曲线。举例说明，所述碰撞运动学预测曲线可以为头部碰撞运动学曲线、胸部碰撞运动学曲线。所述碰撞动力学预测曲线可以为腿部碰撞动力学曲线。因此，所述多条人体部位碰撞运动学与动力学预测曲线可以包括头部碰撞运动学曲线、胸部碰撞运动学曲线和腿部碰撞动力学曲线。
其中，所述头部碰撞动力学曲线的横坐标为碰撞时间，所述头部碰撞动力学的纵坐标为头部碰撞加速度。所述胸部碰撞动力学曲线的横坐标为碰撞时间，所述胸部碰撞动力学曲线的纵坐标为胸部碰撞加速度。所述腿部碰撞动力学曲线的横坐标为碰撞时间，所述腿部碰撞动力学曲线的纵坐标为腿部轴向力。可以理解，执行所述步骤S100至所述步骤S400后，可以获取多条人体部位碰撞运动学与动力学预测曲线，每一条碰撞动力学曲线对应一个人体部位。
图3为本申请一实施例提供的碰撞严重性的评价方法中涉及的人体部位碰撞动力学曲线，且具体为头部碰撞动力学曲线的示意图。如图3所示，图3中的人体碰撞动力学曲线的横坐标为碰撞时间，纵坐标为头部碰撞加速度。
S500，依据所述多条人体部位碰撞运动学与动力学预测曲线，生成碰撞严重性参数。所述碰撞严重性参数用于评价碰撞严重性。
具体地，所述碰撞严重性参数由所述多条人体部位碰撞运动学与动力学预测曲线转化而成。可以理解，所述碰撞严重性的参数是由多个人体部位在碰撞行为中的碰撞动力学预测曲线或碰撞运动学预测曲线而决定的。所述碰撞严重性参数即用于评价所述待预测车辆规划路径中的碰撞严重性。
本实施例中，通过构建第一学习模型，并将整车数据和碰撞事故场景特征数据输入第一学习模型得出碰撞加速曲线，能够充分利用路段的道路交通情况和车辆自身数据，对车辆碰撞加速度进行实际计算。通过构建第二学习模型，并将乘员特征数据、约束系统特征数据和碰撞加速曲线输入至第二学习模型，得出不同人体部位的碰撞动力学曲线，可以综合考虑乘员特征和约束系统特征等实际碰撞场景特征，大大提升乘员碰撞严重性预测的可靠性。最终，通过不同人体部位的碰撞动力学和运动学曲线计算各部位的损伤等级分数，实现碰撞严重性的量化。本申请涉及的碰撞严重性的预测方法，可以在考虑综合因素的前提下实现快速、准确的乘员碰撞严重性预测。此外，本申请涉及的碰撞严重性的预测方法能够应用于现有的智能车辆路径规划算法，以提高碰撞风险预测精度，进而提升道路交通安全性。
在本申请的一实施例中，所述步骤S100包括如下步骤S110至步骤S120：
S110，获取整车数据和碰撞事故场景特征数据。
具体地，所述整车数据可以在所述待预测车辆出厂时存储于所述待预测车辆本地的存储器。当执行所述步骤S110时，所述碰撞严重性预测装置中的处理器自动调取所述待预测车辆本地存储的整车数据。当选定一个备选路径，并基于所述备选路径和所述待预测车辆进行碰撞严重性的预测时，首先要获取所述待预测车辆的整车数据。其次，需要获取所述备选路径的碰撞事故场景特征数据。所述事故场景特征数据包括碰撞角度、相对碰撞车速、行驶路面状况、环境车车型、碰撞重叠率中的一种或多种。所述事故场景特征数据的获取形式可以为多种。例如，行驶路面状况就可以通过备选路径的道路设置的摄像头获取。所述相对碰撞车速可以由车载雷达获取。
S120，依据所述整车数据和所述碰撞事故场景特征数据构建第一学习模型。进一步地，将所述整车数据和所述碰撞事故场景特征数据输入至所述第一学习模型。
具体地，所述第一学习模型为一种机器学习模型。模型需要输入原始数据进行预先训练。可以理解，需要依据所述整车数据和所述碰撞事故场景特征数据构建第一学习模型。在训练结束后，对所述第一学习模型进行验证，若验证通过，则所述第一学习模型可以正式使用。进一步地，使用时将所述整车数据和所述碰撞事故场景特征数据输入至所述第一学习模型，由于所述第一学习模型已经过训练，此时输出的预测碰撞加速度曲线相对于实际事故发生时的预测碰撞加速度曲线的误差最小。
本实施例中，通过依据所述整车数据和所述碰撞事故场景特征数据构建第一学习模型，可以实现预测碰撞加速度曲线的输出，使得输出的预测碰撞加速度曲线包含了路段的道路交通情况和车辆自身数据，输出结果可靠性强。
在本申请的一实施例中，所述步骤S120包括如下步骤S121至步骤S124:
S121，依据所述整车数据和所述碰撞事故场景特征数据，基于动力学仿真算法，构建第一仿真数据库。
具体地，所述步骤S121至所述步骤S124主要包括两部分，一部分是步骤S121至步骤S123，这部分是所述第一学习模型的训练与验证过程。另一部分是步骤S124，这部分是所述第一学习模型的实际使用过程。
S122，创建训练前的第一学习模型。进一步地，依据所述第一仿真数据库，对所述训练前的第一学习模型进行训练。不断调整所述训练前的第一学习模型中的模型参数，使得所述训练前的第一学习模型的损失函数最小化，得到训练后的第一学习模型。
具体地，为了使得所述第一学习模型输出的预测碰撞加速度曲线误差减小，更符合真实情况，需要对所述第一学习模型进行训练。训练具体的方式，就是不断调整所述训练前的第一学习模型中的模型参数，使得所述训练前的第一学习模型的损失函数最小化。
S123，对训练后的第一学习模型进行准确度验证。若所述训练后的第一学习模型的准确度大于第一预设准确度，则确定训练后的第一学习模型合格。
具体地，所述预设准确度可以由人为设定。所述预设准确度的量度可以为百分比。若所述训练后的第一学习模型的准确度小于或等于所述第一预设准确度，则反馈所述步骤S122，对所述训练后的第一学习模型继续训练，直至所述训练后的第一学习模型的准确度大于所述第一预设准确度为止，再执行后续步骤S124。
S124，将所述整车数据和所述碰撞事故场景特征数据输入至所述训练后的第一学习模型。
具体地，所述训练后的第一学习模型的准确度大于第一预设准确度，其输出的预测碰撞加速度曲线相对于实际事故发生时的预测碰撞加速度曲线已经可以达到误差最小。此时，将所述训练后的第一学习模型正式采用，将所述整车数据和所述碰撞事故场景特征数据输入至所述训练后的第一学习模型。
本实施例中，通过对所述第一学习模型进行训练与准确度验证，使得所述第一学习模型输出的预测碰撞加速度曲线相对于实际事故发生时的预测碰撞加速度曲线可以达到误差最小，从而为后续得出的碰撞严重性参数的准确度提供保障。
在本申请的一实施例中，所述步骤S300包括如下步骤S310至步骤S320：
S310，获取乘员特征数据和约束系统特征数据。
具体地，所述乘员特征数据为驾驶所述待预测车辆的乘员的自身特征数据。所述乘员特征数据可以预先存储于所述碰撞严重性预测装置的存储器中。当执行所述步骤S310时，所述碰撞严重性预测装置的处理器可以直接调取所述乘员特征数据，进行后续的处理步骤。所述乘员特征数据可以为乘员性别、乘员年龄、乘员体重和乘员坐姿中的一种或多种。
所述约束系统特征数据为所述待预测车辆中的约束系统的配置情况。所述约束系统包括安全带、座椅、挡风玻璃和安全气囊等等。所述约束系统是否正确配置，所述约束系统的配置方式，均对碰撞严重性参数产生影响。与所述乘员特征数据同理，所述约束系统特征数据也可以预先存储于所述碰撞严重性预测装置的存储器中。当执行所述步骤S310时，所述碰撞严重性预测装置的处理器可以直接调取所述约束系统特征数据。
S320，依据所述乘员特征数据和约束系统特征数据创建第二学习模型。进一步地，将所述预测碰撞加速度曲线、所述乘员特征数据和所述约束系统特征数据输入至所述第二学习模型。
具体地，所述第二学习模型与所述第一学习模型类似，也是一种训练模型。可以理解，所述步骤S320与所述步骤S120的原理类似，此处不再赘述。
本实施例中，通过依据所述乘员特征数据和约束系统特征数据构建第二学习模型，可以实现人体部位碰撞运动学与动力学预测曲线的输出，使得输出的人体部位碰撞运动学与动力学预测曲线包含了所述乘员特征数据和约束系统特征数据，输出结果可靠性强。
在本申请的一实施例中，所述步骤S320包括如下步骤S321至步骤S324：
S321，依据所述预测碰撞加速度曲线、所述乘员特征数据和所述约束系统特征数据，基于动力学仿真算法，构建第二仿真数据库。
具体地，所述步骤S321与所述步骤S121的原理类似，此处不再赘述。
S322，创建训练前的第二学习模型。进一步地，依据所述第二仿真数据库，对所述训练前的第二学习模型进行训练。不断调整所述训练前的第二学习模型中的模型参数，使得所述训练前的第二学习模型的损失函数最小化，得到训练后的第二学习模型。
具体地，所述步骤S322与所述步骤S122的原理类似，此处不再赘述。
S323，对训练后的第二学习模型进行准确度验证。若所述训练后的第二学习模型的准确度大于第二预设准确度，则确定训练后的第二学习模型合格。
具体地，所述步骤S323与所述步骤S123的原理类似，此处不再赘述。
S324，将所述预测碰撞加速度曲线、所述乘员特征数据和所述约束系统特征数据输入至所述训练后的第二学习模型。
具体地，所述步骤S324与所述步骤S124的原理类似，此处不再赘述。
本实施例中，通过对所述训练前的第二学习模型进行训练与准确度验证，使得所述第二学习模型输出的人体部位碰撞运动学与动力学预测曲线已经可以相对于实际事故发生时的人体部位碰撞运动学与动力学预测曲线达到误差最小，从而为后续得出的碰撞严重性参数的准确度提供保障。
在本申请的一实施例中，所述第一学习模型为机器学习模型。所述第二学习模型为深度学习模型。
具体地，所述第一学习模型和所述第二学习模型的模型类型可以不做限定。可选地，所述第一学习模型为机器学习模型。所述第二学习模型为深度学习模型。
本实施例中，通过设置所述第一学习模型为机器学习模型。所述第二学习模型为深度学习模型，可以实现碰撞严重性的快速、准确的量化预测，且相对于动力学计算方法，计算量低，操作简便。
在本申请的一实施例中，所述步骤S500包括：
S510，将每一条人体部位碰撞运动学与动力学预测曲线转化为所述人体特定部位对应的损伤等级分数。
具体地，所述损伤等级分数的划分原则可以由受测者制定。每一个人体特定部位可以存在多个损伤等级，且每一个损伤等级可以定义一个损伤等级分数。可选地，可以依照从损伤的严重性，从轻到重将损伤等级分数叠加。例如，头部损伤可以划分为6个等级，第1等级为1分，第2等级为2分，第3等级为3分……直至第6等级为6分。损伤等级分数越高，可以认为所述受测者受伤越重。
本实施例中，所述人体部位碰撞运动学与动力学预测曲线为一个矢量，即每一个碰撞时间节点均有一个对应的人体部位碰撞运动学与动力学参数。然而，人体部位碰撞运动学与动力学参数过多，无法从整体上对所述受测者某个人体部位的碰撞严重性进行预测。因此，需要将所述人体部位碰撞运动学与动力学预测曲线转化为一个标量。所述损伤等级分数就是转化后的标量。具体的转化方式可以不做限定。
本实施例中，通过不同人体部位的碰撞动力学曲线进行标量转化，实现受测者不同人体部位碰撞严重性的量化，便于后续整体碰撞严重性的预测与计算。
在本申请的一实施例中，所述步骤S500还包括：
S520，依据不同人体特定部位的损伤等级分数，对碰撞严重性进行整体评价，生成所述碰撞严重性参数。
具体地，通过执行所述步骤S510,仅仅得出了多个不同部位的碰撞严重性评价的标量-即不同人体特定部位对应的损伤等级分数。然而，并没有得出受测者整体的碰撞严重性评价的标量。因此，需要将多个人体特定部位对应的损伤等级分数，进行处理，生成所述碰撞严重性参数，从而实现对碰撞严重性进行整体评价。
本实施例中，通过依据不同人体特定部位的损伤等级分数，生成所述碰撞严重性参数，实现对碰撞严重性进行整体评价，实现碰撞严重性的预测结果唯一，准确。
在本申请的一实施例中，所述步骤S520包括：
S521，选取不同人体特定部位对应的损伤等级分数中的最大值，作为所述碰撞严重性参数。
具体地，步骤S521介绍了一种依据不同人体特定部位的损伤等级分数，生成所述碰撞严重性参数的方式。该方式为，选取不同人体特定部位对应的损伤等级分数中的最大值，作为所述碰撞严重性参数。
本实施例中，通过将不同人体特定部位对应的损伤等级分数中的最大值，作为所述碰撞严重性参数，计算方式较为简单，具有代表性。此外，所述碰撞严重性参数，是基于多条人体部位碰撞运动学与动力学预测曲线转化而成的，其中包含了整车数据、碰撞事故场景特征数据、乘员特征数据和所述约束系统特征数据等多种实际车辆碰撞中产生的因素，其结果可靠性更高，更符合实际车辆碰撞情况。
在本申请的一实施例中，所述步骤S520包括如下步骤S522至步骤S524：
S522，将所述不同人体特定部位的损伤等级分数依照从大到小的顺序进行排序，将损伤等级分数大的损伤等级分数排前。
具体地，步骤S522至步骤S526介绍了另一种依据不同人体特定部位的损伤等级分数，生成所述碰撞严重性参数的方式。举例说明，在执行所述步骤S510后，可以得到多个人体部位的损伤等级分数。进一步地，将所述不同人体特定部位的损伤等级分数依照从大到小的顺序进行排序，将损伤等级分数大的损伤等级分数排前。
S524，选取前3个损伤等级分数，分别计算所述前3个损伤等级分数的平方和，得到第一损伤等级分数平方和、第二损伤等级分数平方和、以及第三损伤等级分数平方和。
举例说明，在排序之后，损伤等级分数最大的3个，分别是头部损伤等级分数6分，腿部损伤等级分数5分，胸部损伤等级分数4分。在本步骤中，分别计算3个损伤等级分数的平方和，得到头部损伤等级分数平方和36，腿部损伤等级分数25和胸部损伤等级分数平方和16。
S526，计算所述第一损伤等级分数平方和、所述第二损伤等级分数平方和、以及所述第三损伤等级分数平方和的总和，得出所述碰撞严重性参数。
具体地，承接上述步骤S524中的例子，计算头部损伤等级分数平方和36，腿部损伤等级分数平方和25和胸部损伤等级分数平方和16的总和，可以得出碰撞严重性参数77。至此，通过本申请提供的碰撞严重性的预测方法，得出了可以评价碰撞严重性的标量—碰撞严重性参数。
本实施例中，通过计算多个损伤程度最严重的人体特定部位对应的损伤等级分数的平方和的总和，并将该总和作为所述碰撞严重性参数，使得所述碰撞严重性参数充分覆盖了损伤严重性较高的数个人体部位，评价全面性高。此外，所述碰撞严重性参数，是基于多条人体部位碰撞运动学与动力学预测曲线转化而成的，其中包含了整车数据、碰撞事故场景特征数据、乘员特征数据和所述约束系统特征数据等多种实际车辆碰撞中产生的因素，其结果可靠性更高，更符合实际车辆碰撞情况。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (9)

1.一种碰撞严重性的预测方法，其特征在于，包括：
S100，构建第一学习模型，将整车数据和碰撞事故场景特征数据输入至所述第一学习模型，所述第一学习模型为机器学习模型；
S200，获取所述第一学习模型输出的预测碰撞加速度曲线，所述预测碰撞加速度曲线基于平面直角坐标系构建，所述预测碰撞加速度曲线的横坐标为碰撞时间，所述预测碰撞加速度曲线的纵坐标为碰撞加速度；
S300，构建第二学习模型，将所述预测碰撞加速度曲线、乘员特征数据和约束系统特征数据输入至所述第二学习模型，所述第二学习模型为深度学习模型；
S400，获取所述第二学习模型输出的多条人体部位碰撞运动学与动力学预测曲线；
所述人体部位碰撞运动学与动力学预测曲线基于平面直角坐标系构建，所述人体部位碰撞运动学与动力学预测曲线的横坐标为碰撞时间，所述人体部位碰撞运动学与动力学预测曲线的纵坐标为人体部位碰撞运动学与动力学参数；
S500，依据所述多条人体部位碰撞运动学与动力学预测曲线，生成碰撞严重性参数，所述碰撞严重性参数用于评价碰撞严重性。
2.根据权利要求1所述的碰撞严重性的预测方法，其特征在于，所述步骤S100包括：
S110，获取整车数据和碰撞事故场景特征数据；
S120，依据所述整车数据和所述碰撞事故场景特征数据构建第一学习模型，并将所述整车数据和所述碰撞事故场景特征数据输入至所述第一学习模型。
3.根据权利要求2所述的碰撞严重性的预测方法，其特征在于，所述步骤S120包括：
S121，依据所述整车数据和所述碰撞事故场景特征数据，基于动力学仿真算法，构建第一仿真数据库；
S122，创建训练前的第一学习模型，依据所述第一仿真数据库，对所述训练前的第一学习模型进行训练，不断调整所述训练前的第一学习模型中的模型参数，使得所述训练前的第一学习模型的损失函数最小化，得到训练后的第一学习模型；
S123，对训练后的第一学习模型进行准确度验证，若所述训练后的第一学习模型的准确度大于第一预设准确度，则确定训练后的第一学习模型合格；
S124，将所述整车数据和所述碰撞事故场景特征数据输入至所述训练后的第一学习模型。
4.根据权利要求3所述的碰撞严重性的预测方法，其特征在于，所述步骤S300包括：
S310，获取乘员特征数据和约束系统特征数据；
S320，依据所述预测碰撞加速度曲线、乘员特征数据和约束系统特征数据创建第二学习模型，并将所述预测碰撞加速度曲线、所述乘员特征数据和所述约束系统特征数据输入至所述第二学习模型。
5.根据权利要求4所述的碰撞严重性的预测方法，其特征在于，所述步骤S320包括：
S321，依据所述预测碰撞加速度曲线、所述乘员特征数据和所述约束系统特征数据，基于动力学仿真算法，构建第二仿真数据库；
S322，创建训练前的第二学习模型，依据所述第二仿真数据库，对所述训练前的第二学习模型进行训练，不断调整所述训练前的第二学习模型中的模型参数，使得所述训练前的第二学习模型的损失函数最小化，得到训练后的第二学习模型；
S323，对训练后的第二学习模型进行准确度验证，若所述训练后的第二学习模型的准确度大于第二预设准确度，则确定训练后的第二学习模型合格；
S324，将所述预测碰撞加速度曲线、所述乘员特征数据和所述约束系统特征数据输入至所述训练后的第二学习模型。
6.根据权利要求5所述的碰撞严重性的预测方法，其特征在于，所述步骤S500包括：
S510，将每一条人体部位碰撞运动学与动力学预测曲线转化为所述人体特定部位对应的损伤等级分数。
7.根据权利要求6所述的碰撞严重性的预测方法，其特征在于，所述步骤S500还包括：
S520，依据不同人体特定部位的损伤等级分数，对碰撞严重性进行整体评价，生成所述碰撞严重性参数。
8.根据权利要求7所述的碰撞严重性的预测方法，其特征在于，所述步骤S520包括：
S521，选取所述不同人体特定部位对应的损伤等级分数中的最大值，作为所述碰撞严重性参数。
9.根据权利要求8所述的碰撞严重性的预测方法，其特征在于，所述步骤S520包括：
S522，将所述不同人体特定部位的损伤等级分数依照从大到小的顺序进行排序，将损伤等级分数大的损伤等级分数排前；
S524，选取前3个损伤等级分数，分别计算所述前3个损伤等级分数的平方和，得到第一损伤等级分数平方和、第二损伤等级分数平方和、以及第三损伤等级分数平方和；
S526，计算所述第一损伤等级分数平方和、所述第二损伤等级分数平方和、以及所述第三损伤等级分数平方和的总和，得出所述碰撞严重性参数。
CN201910982338.4A 2019-10-16 2019-10-16 一种面向乘员损伤风险的碰撞严重性预测方法 Active CN110851958B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910982338.4A CN110851958B (zh) 2019-10-16 2019-10-16 一种面向乘员损伤风险的碰撞严重性预测方法
PCT/CN2019/121460 WO2021072923A1 (zh) 2019-10-16 2019-11-28 一种面向乘员损伤风险的碰撞严重性预测方法
US17/705,355 US20220212618A1 (en) 2019-10-16 2022-03-27 Collision severity prediction method for occupant injury risk

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910982338.4A CN110851958B (zh) 2019-10-16 2019-10-16 一种面向乘员损伤风险的碰撞严重性预测方法

Publications (2)

Publication Number Publication Date
CN110851958A CN110851958A (zh) 2020-02-28
CN110851958B true CN110851958B (zh) 2021-04-20

Family

ID=69596434

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910982338.4A Active CN110851958B (zh) 2019-10-16 2019-10-16 一种面向乘员损伤风险的碰撞严重性预测方法

Country Status (3)

Country Link
US (1) US20220212618A1 (zh)
CN (1) CN110851958B (zh)
WO (1) WO2021072923A1 (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111750887B (zh) * 2020-06-11 2023-11-21 上海交通大学 降低事故严重程度的无人驾驶车辆轨迹规划方法及系统
CN112308330B (zh) * 2020-11-09 2021-07-09 清华大学 数字化事故数据库构建方法、装置和计算机设备
JP2022109023A (ja) * 2021-01-14 2022-07-27 トヨタ自動車株式会社 情報処理装置、情報処理方法及び情報処理プログラム
CN114371708B (zh) * 2021-12-31 2023-05-02 清华大学 自动驾驶算法保护性能评测方法和装置
CN114386691A (zh) * 2022-01-10 2022-04-22 清华大学 基于应激姿态预测的乘员损伤预测方法和装置
CN114566031A (zh) * 2022-02-24 2022-05-31 中国人民解放军陆军特色医学中心 交通事故车辆伤员伤情评估和报警系统
CN114595834A (zh) * 2022-03-15 2022-06-07 北京宾理信息科技有限公司 机器学习模型的训练方法、针对车辆乘员的损伤预测方法
CN115099097B (zh) * 2022-06-27 2024-08-02 重庆长安汽车股份有限公司 一种基于感知的车辆损伤预测方法、系统、电子设备及车辆
CN115169001B (zh) * 2022-07-08 2023-04-04 中南大学 一种轨道车辆简化模型的构建方法、碰撞模拟方法及系统
CN116186468B (zh) * 2023-04-23 2023-07-28 中汽研汽车检验中心（天津）有限公司 假人姿态设置方法、电子设备和存储介质
CN117113663A (zh) * 2023-08-16 2023-11-24 中国汽车工程研究院股份有限公司 智能车辆典型非标准坐姿乘员正面碰撞损伤仿真方法
CN117574532B (zh) * 2023-11-07 2024-10-18 中国汽车工程研究院股份有限公司 一种基于aeb技术的性能评估方法
CN117828310B (zh) * 2024-03-04 2024-05-31 中汽研汽车检验中心（天津）有限公司 基于传递函数矩阵的胸部冲击损伤预测方法、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279795A (zh) * 2013-06-13 2013-09-04 中南大学 一种乘员碰撞损伤的预测方法
CN106740864A (zh) * 2017-01-12 2017-05-31 北京交通大学 一种驾驶行为意图判断与预测方法
CN107291972A (zh) * 2017-03-10 2017-10-24 清华大学 基于多源数据挖掘的汽车智能驾驶系统有效性评价方法
CN110210090A (zh) * 2019-05-22 2019-09-06 淮阴工学院 基于不确定度理论与遗传算法的机动车事故分析方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19724101A1 (de) * 1997-06-07 1998-12-10 Bayerische Motoren Werke Ag Verfahren zur bedarfsgerechten Steuerung von Insassen-Sicherheitseinrichtungen
DE10330954A1 (de) * 2003-07-08 2005-02-17 Daimlerchrysler Ag Verfahren und Vorrichtung zur Abschätzung der Schwere von Unfallereignissen
US20100209890A1 (en) * 2009-02-18 2010-08-19 Gm Global Technology Operations, Inc. Vehicle stability enhancement control adaptation to driving skill with integrated driving skill recognition
DE102011012081B4 (de) * 2011-02-23 2014-11-06 Audi Ag Kraftfahrzeug
CN103303237B (zh) * 2013-06-21 2015-06-17 湖南大学 一种基于遗传神经网络的安全气囊起爆控制方法
US20220089063A1 (en) * 2018-02-02 2022-03-24 State Farm Mutual Automobile Insurance Company Dynamic limiting of interior vehicle configurations
KR20190109850A (ko) * 2018-03-19 2019-09-27 현대자동차주식회사 차량 및 그 제어 방법
CN109738205B (zh) * 2019-01-09 2020-06-30 清华大学 一种集成车辆自动紧急制动与安全气囊系统的乘员防护方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279795A (zh) * 2013-06-13 2013-09-04 中南大学 一种乘员碰撞损伤的预测方法
CN106740864A (zh) * 2017-01-12 2017-05-31 北京交通大学 一种驾驶行为意图判断与预测方法
CN107291972A (zh) * 2017-03-10 2017-10-24 清华大学 基于多源数据挖掘的汽车智能驾驶系统有效性评价方法
CN110210090A (zh) * 2019-05-22 2019-09-06 淮阴工学院 基于不确定度理论与遗传算法的机动车事故分析方法

Also Published As

Publication number Publication date
WO2021072923A1 (zh) 2021-04-22
US20220212618A1 (en) 2022-07-07
CN110851958A (zh) 2020-02-28

Similar Documents

Publication Publication Date Title
CN110851958B (zh) 一种面向乘员损伤风险的碰撞严重性预测方法
KR20160084836A (ko) 운전자 지원 시스템 최적화를 위한 방법 및 장치
Hyeon et al. Short-term speed forecasting using vehicle wireless communications
Untaroiu et al. Assessment of a dummy model in crash simulations using rating methods
CN103279795A (zh) 一种乘员碰撞损伤的预测方法
CN109738205B (zh) 一种集成车辆自动紧急制动与安全气囊系统的乘员防护方法
CN115062511A (zh) 一种aeb工况下基于体征的人体颈部损伤预测方法
Jones et al. A semi-automated approach to real world motor vehicle crash reconstruction using a generic simplified vehicle buck model
Koga et al. Autonomous lane tracking reflecting skilled/un-skilled driving characteristics
CN116484627A (zh) 乘员损伤预测模型的生成方法、乘员损伤预测方法及装置
US20210097219A1 (en) Apparatus and method of optimizing a restraint specification based on a particle swarm optimization algorithm using impact analysis
Brumbelow et al. Real-world injury patterns associated with Hybrid III sternal deflections in frontal crash tests
US6301535B1 (en) Optimization of a single-point frontal airbag fire threshold
Brumbelow Can front crash rating programs using Hybrid III predict real-world thoracic injuries?
Hynd et al. Restraint system safety diversity in frontal impact accidents
CN113859392B (zh) 一种车辆减振器调校方法及系统
CN114896688A (zh) 一种车身结构吸能盒的设计方法
Woitsch et al. Influence of pitching and yawing during frontal passenger vehicle crash tests on driver occupant's kinematics and injury
Bareiss et al. Preliminary Estimates of Near Side Crash Injury Risk in Best Performing Passenger Vehicles
Zhang et al. Objective evaluation for the driving comfort of vehicles based on BP neural network
Horii Vehicle occupant restraint system design under uncertainty by using multi-objective robust design optimization
Reichert et al. Effect of Impact Configuration Variance in Oblique Frontal Offset Tests on Driver and Passenger Injury Risk
CN115700569A (zh) 用于乘客约束装置的参数自动标定的方法和设备
Blum et al. Vehicle related factors that influence injury outcome in head-on collisions
Sequeira et al. Investigation of Different Classification Algorithms for Predicting Occupant Injury Criterion to Decide the Required Restraint Strategy

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant