CN111703393A - 一种基于驾驶员姿态实时3d建模的安全气囊自适应控制方法 - Google Patents

Abstract

本发明提供了一种基于驾驶员姿态实时3D建模的安全气囊自适应控制方法，获取驾驶员身体表面原始三维成像数据点云，建立驾驶员三角网格模型，并对所述模型进行三维点云的空间变换；利用驾驶员身体表面原始三维成像数据点云，建立驾驶员身体表面3D模型，并对模型进行位置和姿态的特征提取；采用支持向量机SVM对驾驶员位置和姿态进行识别，基于车载服务器识别的位置和姿态，对安全气囊进行自适应控制。本发明能够对驾驶员的位置和姿态进行准确分类，根据识别的驾驶员姿态，估计驾驶员性别、体重，控制安全气囊弹出强度，在发生事故时使得安全气囊准确、实时响应，极大提高安全气囊利用率。

Description

一种基于驾驶员姿态实时3D建模的安全气囊自适应控制方法

技术领域

本发明属于汽车被动安全技术领域，特别涉及了一种基于驾驶员姿态实时3D建模的安全气囊自适应控制方法。

背景技术

随着国内交通运输的蓬勃发展和居民收入水平的提高，汽车保有量迅速增加，道路交通愈加拥挤的状况使得汽车事故频繁发生，汽车的安全性成为当今汽车设计和生产的一个重要课题。汽车的安全性可分为主动安全和被动安全，由于汽车事故难以避免，因此被动安全显得非常重要，安全气囊作为被动安全的研究成果，它与座椅安全带配合使用，可以为乘员提供有效的防撞保护，由于使用方便、效果显著、造价不高，近年来得到迅速发展和普及。

安全气囊系统工作原理是指在乘员产生二次碰撞前，安全气囊在短时间内迅速弹出，使驾驶员和乘员的胸部等部位压在充满气体的气囊上，从而缓存碰撞对驾驶员和乘客的冲击，随后将气囊中的气体放出。

现代车辆上的安全气囊系统响应是通过碰撞传感器感应实现的，当汽车发生剧烈碰撞时，碰撞传感器检测到足够大力的作用时，电控单元会控制安全气囊响应。但这种通过碰撞传感器控制的被动控制方法灵敏度不高且响应较慢，而且由于没有考虑到车内人员的姿态，一方面，安全气囊弹出的强度和角度也没有得到控制，会出现安全气囊弹出力度过大造成人员的二次伤害等安全隐患，例如对于人体叫脆弱的部位如头部、颈部，若安全气囊弹出的角度、力度稍有差错，将对人体造成重大伤害；另一方面，安全气囊的利用率也无法得到保证，会造成安全气囊漏响应或过响应等问题，例如当发生事故时，车内人员身体侧偏，原本只需侧气囊响应就可避免受伤，但前气囊和侧气囊同时响应。

发明内容

针对现有技术中存在不足，本发明提供了一种基于驾驶员姿态实时3D建模的安全气囊自适应控制方法，通过实时检测驾驶员的姿态可以主动控制安全气囊，在发生事故时使得安全气囊准确、实时响应，能够在有效降低驾驶员受伤程度的前提下又能够提高安全气囊的利用率。

本发明是通过以下技术手段实现上述技术目的的。

一种基于驾驶员姿态实时3D建模的安全气囊自适应控制方法，利用扫描型激光三维成像雷达获取驾驶员身体表面原始三维成像数据点云，并传输至车载服务器；在车载服务器中建立驾驶员三角网格模型，并对所述模型进行三维点云的空间变换；利用驾驶员身体表面原始三维成像数据点云，在车载服务器中建立驾驶员身体表面3D模型，并对模型进行位置和姿态的特征提取；采用支持向量机SVM对驾驶员位置和姿态进行识别，车载控制器基于车载服务器识别的位置和姿态，对安全气囊进行自适应控制。

进一步，所述三维点云的空间变换包括：通过三维平移变换、三维尺度变换，将驾驶员三角网格模型变换至成像系统视场范围内，根据驾驶员的运动信息对驾驶员三角网格模型进行动态变换。

进一步，所述建立驾驶员身体表面3D模型之前，还采用Laplacian曲面光顺法对驾驶员身体表面每一顶点光顺处理进行滤波。

进一步，所述驾驶员身体表面3D模型的建立过程为：

1)对驾驶员三角网格模型进行特征边、特征点检测，根据检测结果对目标表面特征点的邻域三角面片进行K-means聚类，依次基于目标顶点各类邻域三角面片法向量面积加权计算，对目标顶点法向量进行估计，生成目标顶点法向量集；

2)以目标顶点空间坐标和法向量集为边界条件，分片构造目标顶点三角面片二次参数插值曲面模型，进行分片曲面插值；

3)采样三角网格模型将插值点云组织起来，实现驾驶员整个表面3D模型重建。

5.根据权利要求1所述的基于驾驶员姿态实时3D建模的安全气囊自适应控制方法，其特征在于，所述识别的驾驶员位置具体为：碰撞时驾驶员在车内偏向的位置。

进一步，所述识别的驾驶员姿态特征，用于估计驾驶员性别和体重。

更进一步，所述支持向量机SVM对驾驶员位置和姿态进行识别的过程为：

1)建立位置和姿态的数据集；

2)将位置和姿态的数据集再各自分为训练集和测试集，然后训练集建立对应的SVM分类器模型，找到最合适的分割超平面；

3)SVM分类模型建立好之后，用相应的测试集验证所训练的模型分类识别的准确性，如果识别效果不佳，继续进行采样进行模型训练。

进一步，所述对安全气囊进行自适应控制，具体为：根据驾驶员碰撞时在车内偏向的位置，控制器控制对应位置的安全气囊响应；根据驾驶员的性别和体重，控制器对安全气囊弹出的强度进行控制。

更进一步，所述对应位置的安全气囊响应，具体为：当驾驶员位置侧偏时，侧气囊响应；当发生前倾时，前气囊响应；当驾驶员所处位置需要前、侧气囊共同响应时，前、侧气囊同时响应；当驾驶员与正常驾驶状态差别不大时，安全气囊不响应。

更进一步，所述安全气囊弹出的强度和角度的控制，具体为：当驾驶员为女性或者体重偏轻时，降低安全气囊弹出的强度；当驾驶员为男性或体重偏重时，增大安全气囊弹出的强度所述安全气囊弹出的强度通过控制器控制气囊充气时间实现。

本发明的有益效果为：利用微型激光雷达对驾驶员身体表面成像数据进行实时获取，通过机器学习分类算法将驾驶员的位置和姿态识别为不同结果，根据不同的识别结果对安全气囊系统进行控制，有效的降低了驾驶员的受伤程度和提高安全气囊的利用率。

1、激光雷达3D建模精度高、时间短，为实时获取驾驶员身体表面成像数据提供了技术支持。

2、采用支持向量机SVM分类识别算法，能够对驾驶员的位置和姿态进行准确分类，高效且可靠。

3、通过识别驾驶员所处的位置，决定侧气囊、前气囊的响应，极大提高安全气囊利用率。

4、根据识别的驾驶员姿态，估计驾驶员性别、体重，控制安全气囊弹出强度，有效减低了受伤程度。

附图说明

图1为本发明基于驾驶员姿态实时3D建模的安全气囊自适应控制方法流程图；

图2为本发明扫描型激光三维成像雷达的结构框图；

图3为本发明对驾驶员成像数据采集示意图；

图4为本发明三维点云平移示意图；

图5为本发明SVM算法流程图；

图6为本发明驾驶员侧倾侧气囊响应示意图；

图7为本发明驾驶员前倾前气囊响应示意图。

具体实施方式

下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。

如图1所示，本发明基于驾驶员姿态实时3D建模的安全气囊自适应控制方法，具体包括以下步骤：

Step1：驾驶员原始三维成像数据采集

激光雷达三维成像是在激光测距的基础上发展起来的一项主动成像雷达技术，激光雷达向目标表面发射多束激光光束形成多个激光采样点，接收并且分析目标表面漫反射形成的激光回波，从而获取目标表面激光采样点的深度信息和三维坐标。本发明采用基于单元探测器的扫描型激光三维成像雷达(微型激光雷达的一种，其利用激光脉冲持续时间短、峰值功率大的特点，可适用于中远程测距)通过脉冲激光测距对驾驶员身体表面信息进行采样，脉冲激光测距不需对激光光源进行调制，扫描型激光三维成像雷达直接向目标发射ns宽的激光窄脉冲(ns为脉冲波长)，通过时刻鉴别激光脉冲往返时间间隔τ，获取驾驶员和所述雷达之间的距离

其中c为光速。

扫描型激光三维成像雷达的结构框图如图2所示，由发射模块、接收模块、控制和处理模块三个部分组成。发射模块包括激光器及其驱动电路、发射光学系统，激光器在驱动电路的控制下发射激光脉冲，经发射光学系统准直后照射至目标表面(驾驶员身体表面)，与此同时时刻鉴别单元记录激光脉冲起始时刻t_start。接收模块包含接收光学系统、探测器、光电转换器、时刻鉴别单元，目标表面反射的激光回波经接收光学系统汇聚至探测器上，经过光电转换生成电脉冲信号，时刻鉴别单元记录激光脉冲终止时刻t_stop；控制和处理模块计算出激光脉冲往返时间间隔τ＝t_stop-t_start，然后根据

求得驾驶员和所述雷达之间的距离。

图3为对驾驶员成像数据采集示意图，并建立如图3所示的空间坐标系，x轴垂直向里，z轴垂直底座向上，y轴垂直x轴、z轴向左，坐标原点O₁为激光发射脉冲在转镜镜面的照射位置。于是根据空间几何关系得到关系式：

P_ij(x，y，z)＝R_ij·D_ij(x，y，z) (1)

即：

其中：P_ij(x，y，z)为激光脉冲在驾驶员身体表面的任一采样点，R_ij为采样点P_ij(x，y，z)与所述雷达之间的距离，D_ij(x，y，z)为方向矢量，是激光发射脉冲经转镜反射后形成的激光偏脉冲方向，它是由所述雷达的设计参数、控制参数及组装方式决定的。

由式(2)可知，当得到采样点的距离，结合激光脉冲的发射方向矢量(图3中加粗部分)，得到采样点的空间坐标，对其它采样点采用上述方法获取其空间坐标，从而获得实现驾驶员三维成像的所有采样点，即原始三维成像数据点云，并传输至车载服务器。

Step2：三维点云的空间变换

为让原始三维成像数据点云的某个平面与XOY平面平行，便于后续利用点云对驾驶员身体表面重建，需进行点云的空间变换。在车载服务器中建立驾驶员三角网格模型，其建立过程为：可以不充分挖掘采样点云可能蕴含的空间拓扑关系，直接采用Delaunay等三角化算法建立点云全局几何拓扑关系，从而实现针对所有采样点云进行驾驶员三角网格建模。本发明中需要对驾驶员三角网格模型进行三维平移变换、三维尺度变换至成像系统(车载服务器自带)视场范围内，然后根据驾驶员的运动方向、速度、加速度等运动信息对驾驶员三角网格模型进行动态变换，运动信息由采样点坐标获取。

(1)三维平移变换

如图4所示，三维空间中某点P＝(x，y，z)沿着平移向量T＝(t_x，t_y，t_z)进行三维平移至P′＝{x′，y′，z′），则有：

x′＝x+t_x，y′＝y+t_y，z′＝z+t_z (3)

将点P和P′以4元列向量齐次坐标表示、平移操作T用4×4矩阵表示，则式(3)可整理成：

通过上述操作可以对驾驶员三角网格模型进行平移变换。

(2)三维尺度变换

与三维平移变换相似，三维空间任意点P＝(x，y，z)根据缩放参数s_x、s_y、s_z进行三维缩放变换，则有：

x′＝x·s_x，y′＝y·s_y，z′＝z·s_z (5)

利用三维尺度变换对三维空间对象进行缩放变换，会使得其尺寸大小以及其相对坐标原点的位置发生变化。

(3)三维动态平移变换

匀变速直线运动物体位移S与运动初始速度v₀、运动加速度a、运动时间t之间的关系为：

由此可知，三维空间内点P＝(x，y，z)以初始速度v₀、加速度a沿着方向T＝(t_x，t_y，t_z)做匀变速直线运动时间t以后到达位置P′＝(x′，y′，z′)的运动模型，可采用如下三维动态平移模型进行变换：

对于三维空间中处于运动状态的驾驶员进行几何建模(建立驾驶员三角网格模型)，通过对驾驶员身体表面各点进行运动建模(三维动态平移模型)，实现在新位置重建模型。

Step3：光顺处理进行滤波

测量过程中，由于驾驶员身体表面存在波纹、局部缺陷、粗糙程度等表面特性，使得被测表面实际空间坐标测量值与目标表面实际空间坐标值存在一定的数值偏差。为了保证后续表面3D重建、特征提取等三维数据处理算法顺利工作，希望最大限度地消除各种误差因素对测量结果造成地不良影响，使得测量值趋近于实际值，从而减小确定性误差，通常采用系统标定的方法实现。对于三维数据预处理集中在研究合适的曲面光顺算法，尽力消除随机误差对测量值的影响，发明采用Laplacian曲面光顺法。

Laplacian法是一种基于卷积的简单光顺算法，它是二维图像Laplacian滤波向三维空间扩展，其核心思想是对目标表面每一顶点进行迭代Laplacian滤波运算，逐渐调整目标表面顶点位置，直至其邻域顶点的权值重心，实现曲面光顺。

(1)三维Laplacian算子

二维图像Laplacian滤波向三维几何空间进行扩展，得到曲面光顺法-Laplacian法。与二维图像Laplacian算子类似，三维空间某曲面S＝{P_i；i＝1，2...n}在任意一点P_i处的三维Laplacian算子定义如下：

同样，更为一般的三维Laplacian算子可表达为：

其中n为P_i邻域内顶点数目；Q_j为P_i邻域顶点；w_j为P_i邻域顶点的权重值，可采取不同方法对其进行赋值，最简单的权重设置方法如式(7)所示，即对所有顶点赋予相同的权值1，即w_j＝1；另一种更合适权值设置方法是根据邻域顶点Q_j与P_i的间距进行设置，考虑到邻域点对邻域顶点贡献的大小通常与距离成负相关，常设置w_j＝|P_iQ_j|^α，α＜0，α＝-1。本发明利用如下方式设置权重值：

(2)Laplacian曲面光顺变换

在曲面每一顶点上应用Laplacian算子进行迭代运算，逐步将顶点位置调整至该顶点邻域顶点的权值重心处，实现曲面光顺，是Laplacian曲面光顺的核心思想。其光顺变换与图像Laplacian滤波变换本质上相通，具体形式如下：

P←P+λΔ (10)

其中权重参数λ∈(0，1)，符号为正。λ取值越大，光顺强度越大，也越容易引起曲面收缩效应，实际应用中应合理选择λ，以使得在尽可能不引起曲面明显收缩效应的同时取得最好的曲面光顺效果。

(3)Laplacian曲面光顺处理

基于Laplacian曲面光顺理论，对空间曲面S＝{P_i；i＝1，2...n}上任意顶点P进行光顺处理，包括以下步骤：

1)求顶点P邻域顶点集合{Q_i}

根据曲面顶点空间拓扑关系，求取待光顺顶点P的邻域顶点集合{Q_i}；

2)计算Laplacian算子

基于邻域顶点集合{Q_i}，根据式(8)计算待光顺顶点P的三维Laplacian算子ΔP；

3)Laplacian光顺

将待光顺顶点P及其三维Laplacian算子值ΔP代入式(10)右侧，估计并更新待光顺顶点位置；

4)重复2)、3)，迭代光顺。

Step4：驾驶员身体表面3D模型重建

虽然对驾驶员身体表面采样的点云在很大程度上描述驾驶员身体表面几何形貌，但它本身不包含任何空间拓扑信息。因此，基于所述雷达采集的驾驶员身体表面点云数据，在车载服务器中建立满足能够被准确识别的驾驶员身体表面三维网格模型，是驾驶员姿态3D重建的核心内容。本发明从扫描型激光三维成像雷达输出的驾驶员身体表面M×N阵列采样点云{P(i，j)＝(x_p，y_p，z_p)，i＝1，2...M；j＝1，2...N}出发，基于特征检测实现对驾驶员身体表面重建，包括以下步骤：

1)对驾驶员三角网格模型进行特征边、特征点检测，根据检测结果对目标表面特征点的邻域三角面片进行K-means聚类，依次基于目标顶点各类邻域三角面片法向量面积加权计算，对目标顶点法向量进行估计，生成目标顶点法向量集；

2)以目标顶点空间坐标和法向量集为边界条件，分片构造目标顶点三角面片二次参数插值曲面模型，进行分片曲面插值；

3)采样三角网格模型将插值点云组织起来，实现驾驶员整个表面3D模型重建。

Step5：驾驶员3D模型特征提取

通过对驾驶员身体表面进行3D模型重建之后，本发明采用基于目标点云三维方向包围盒的识别算法，得到目标三维特征描述子，对模型进行特征提取；根据提取的特征对安全气囊系统进行对应的控制，对于所提取的特征，本发明包括位置和姿态：

(1)碰撞时驾驶员在车内偏向的位置，如侧偏、前倾等。

(2)驾驶员姿态，根据该特征可以估计驾驶员性别、体重。由于不同性别的驾驶员姿态存在差别，因此可以预先收集不同性别驾驶员驾驶姿态的数据并进行性别标定，在车载服务器中建立此数据库，将实时检测的驾驶员姿态在数据库中进行比对，来估计驾驶员性别；根据驾驶员三维特征描述子，可以得到驾驶员身体表面几何特征，根据几何特征进行换算可以估计驾驶员的体重。

Step6：SVM算法实时分类

对驾驶员的特征进行提取之后，需要用分类器训练位置模型和姿态模型。本发明采用的分类器为支持向量机SVM(Support Vector Machine)，支持向量机是一种基于结构风险最小化的机器学习算法，用以处理样本数据二元分类识别问题。该算法通过训练出一个特殊的正负样本分割超平面，在保证正负样本分开的同时，还使超平面到正负样本的距离尽可能大，使得该分割平面对输入样本预测具有最高可信度、最低风险，而且该算法在解决非线性、小样本及高维问题中表现出卓越的优势，因而本发明采用支持向量机算法对驾驶员姿态进行分类；如图5所示，运用该算法对驾驶员位置和姿态进行识别的具体步骤如下：

1)建立位置和姿态的数据集。

2)将位置和姿态的数据集再各自分为训练集和测试集，然后训练集建立对应的SVM分类器模型，找到最合适的分割超平面。

3)SVM分类模型建立好之后，用相应的测试集验证所训练的模型分类识别的准确性，如果识别效果不佳，需要继续进行采样进行模型训练。

Step7：根据识别结果自适应安全气囊

位置模型和姿态模型训练之后，车载服务器将实时识别的结果发送给车载控制器，车载控制器对安全气囊进行自适应控制，具体为：

1)根据驾驶员碰撞时在车内偏向的位置，响应对应位置的安全气囊。

当驾驶员位置侧偏时，控制侧气囊响应，如图6所示；当发生前倾时，控制前气囊响应，如图7所示；当驾驶员所处位置需要前、侧气囊共同响应时，控制器对前、侧气囊同时发出控制指令；当驾驶员与正常驾驶状态差别不大时，控制安全气囊不响应。

2)通过驾驶员姿态估计其性别和体重，根据该信息对安全气囊弹出的强度和角度进行控制。当识别到驾驶员为女性或者体重偏轻时，控制器发出信号降低安全气囊弹出的强度；当识别到驾驶员为男性或体重偏重时，控制器发出信号，增大安全气囊弹出的强度。安全气囊弹出的强度可以通过控制器控制气囊充气时间来实现的。

所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。

Claims (10)

1.一种基于驾驶员姿态实时3D建模的安全气囊自适应控制方法，其特征在于，利用扫描型激光三维成像雷达获取驾驶员身体表面原始三维成像数据点云，并传输至车载服务器；在车载服务器中建立驾驶员三角网格模型，并对所述模型进行三维点云的空间变换；利用驾驶员身体表面原始三维成像数据点云，在车载服务器中建立驾驶员身体表面3D模型，并对模型进行位置和姿态的特征提取；采用支持向量机SVM对驾驶员位置和姿态进行识别，车载控制器基于车载服务器识别的位置和姿态，对安全气囊进行自适应控制。

2.根据权利要求1所述的基于驾驶员姿态实时3D建模的安全气囊自适应控制方法，其特征在于，所述三维点云的空间变换包括：通过三维平移变换、三维尺度变换，将驾驶员三角网格模型变换至成像系统视场范围内，根据驾驶员的运动信息对驾驶员三角网格模型进行动态变换。

3.根据权利要求1所述的基于驾驶员姿态实时3D建模的安全气囊自适应控制方法，其特征在于，所述建立驾驶员身体表面3D模型之前，还采用Laplacian曲面光顺法对驾驶员身体表面每一顶点光顺处理进行滤波。

4.根据权利要求1所述的基于驾驶员姿态实时3D建模的安全气囊自适应控制方法，其特征在于，所述驾驶员身体表面3D模型的建立过程为：

1)对驾驶员三角网格模型进行特征边、特征点检测，根据检测结果对目标表面特征点的邻域三角面片进行K-means聚类，依次基于目标顶点各类邻域三角面片法向量面积加权计算，对目标顶点法向量进行估计，生成目标顶点法向量集；

2)以目标顶点空间坐标和法向量集为边界条件，分片构造目标顶点三角面片二次参数插值曲面模型，进行分片曲面插值；

3)采样三角网格模型将插值点云组织起来，实现驾驶员整个表面3D模型重建。

5.根据权利要求1所述的基于驾驶员姿态实时3D建模的安全气囊自适应控制方法，其特征在于，所述识别的驾驶员位置具体为：碰撞时驾驶员在车内偏向的位置。

6.根据权利要求1所述的基于驾驶员姿态实时3D建模的安全气囊自适应控制方法，其特征在于，所述识别的驾驶员姿态特征，用于估计驾驶员性别和体重。

7.根据权利要求5-6任一项所述的基于驾驶员姿态实时3D建模的安全气囊自适应控制方法，其特征在于，所述支持向量机SVM对驾驶员位置和姿态进行识别的过程为：

1)建立位置和姿态的数据集；

2)将位置和姿态的数据集再各自分为训练集和测试集，然后训练集建立对应的SVM分类器模型，找到最合适的分割超平面；

3)SVM分类模型建立好之后，用相应的测试集验证所训练的模型分类识别的准确性，如果识别效果不佳，继续进行采样进行模型训练。

8.根据权利要求1所述的基于驾驶员姿态实时3D建模的安全气囊自适应控制方法，其特征在于，所述对安全气囊进行自适应控制，具体为：根据驾驶员碰撞时在车内偏向的位置，控制器控制对应位置的安全气囊响应；根据驾驶员的性别和体重，控制器对安全气囊弹出的强度进行控制。

9.根据权利要求8所述的基于驾驶员姿态实时3D建模的安全气囊自适应控制方法，其特征在于，所述对应位置的安全气囊响应，具体为：当驾驶员位置侧偏时，侧气囊响应；当发生前倾时，前气囊响应；当驾驶员所处位置需要前、侧气囊共同响应时，前、侧气囊同时响应；当驾驶员与正常驾驶状态差别不大时，安全气囊不响应。

10.根据权利要求8所述的基于驾驶员姿态实时3D建模的安全气囊自适应控制方法，其特征在于，所述安全气囊弹出的强度和角度的控制，具体为：当驾驶员为女性或者体重偏轻时，降低安全气囊弹出的强度；当驾驶员为男性或体重偏重时，增大安全气囊弹出的强度所述安全气囊弹出的强度通过控制器控制气囊充气时间实现。

Images