CN113094808A - 一种基于仿真数据和人工智能的汽车碰撞损伤等级实时预测方法 - Google Patents
一种基于仿真数据和人工智能的汽车碰撞损伤等级实时预测方法 Download PDFInfo
- Publication number
- CN113094808A CN113094808A CN202110304397.3A CN202110304397A CN113094808A CN 113094808 A CN113094808 A CN 113094808A CN 202110304397 A CN202110304397 A CN 202110304397A CN 113094808 A CN113094808 A CN 113094808A
- Authority
- CN
- China
- Prior art keywords
- neural network
- layer
- convolutional neural
- output
- deep convolutional
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004088 simulation Methods 0.000 title claims abstract description 26
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 5
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 238000003491 array Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 1
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 1
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于仿真数据和人工智能的汽车碰撞损伤等级实时预测方法，包括：收集车辆碰撞视频，记录数据，建立小汽车和大卡车车辆模型；获取深度学习神经网络需要的车辆碰撞工况的仿真数据集；建立深度卷积神经网络，并对建立的深度卷积神经网络进行初始化；基于获取的仿真数据集，对深度卷积神经网络进行训练；基于训练好的深度卷积神经网络，实时预测车辆和成员未来短时间内发生的碰撞损伤程度。本发明的技术方案能够提前预测两车碰撞后的车辆和乘员的损伤程度，使得驾驶员在得知相应的危险程度后，提前做出规避动作，从而杜绝事故的发生。
Description
技术领域
本发明涉及汽车主动安全技术领域，具体而言，尤其涉及一种基于仿真数据和人工智能的汽车碰撞损伤等级实时预测方法。
背景技术
随着自动驾驶技术的不断发展，作为制约自动驾驶技术关键因素之一的自动驾驶安全问题也引起公众的关注，尤以车辆碰撞问题为甚。因此避免发生车辆碰撞问题以提高车辆主动安全性非常重要。避撞预警ADAS算法对于保障驾驶员和周边行人的安全具有重要意义，能够高效准确的提高汽车行驶安全。在汽车行进过程中实时预测未来可能发生的碰撞结果，并给出车辆碰撞损伤等级判断，促使驾驶员提前做出准确规避行为，能够大幅度降低车祸发生的概率。
现有的避撞预警算法均基于传统的安全车距模型，不具备任何预测功能。没有车辆碰撞损伤等级的预测和判定，在车祸必然发生情况下，无法减轻车辆碰撞。随着自动驾驶等级的提升和5G的发展，基于仿真大数据的主动避撞预警算法成为主要的研究重点。
发明内容
根据上述提出的技术问题，本发明基于碰撞仿真大数据和深度学习方法，提出了一种基于仿真数据和人工智能的汽车碰撞损伤等级实时预测方法。
本发明采用的技术手段如下：
一种基于仿真数据和人工智能的汽车碰撞损伤等级实时预测方法，包括如下步骤：
S1、收集车辆碰撞视频，记录数据，建立小汽车和大卡车车辆模型；
S2、获取深度学习神经网络需要的车辆碰撞工况的仿真数据集；
S3、建立深度卷积神经网络，并对建立的深度卷积神经网络进行初始化；
S4、基于步骤S2中获取的仿真数据集，对深度卷积神经网络进行训练；
S5、基于训练好的深度卷积神经网络，实时预测车辆和成员未来短时间内发生的碰撞损伤程度。
进一步地，所述步骤S1中：
基于PC-Crash仿真软件建立小汽车和大卡车车辆模型。
进一步地，所述步骤S2具体包括：
S21、基于小汽车与小汽车、小汽车与大卡车、大卡车与大卡车三种组合类型的多种碰撞工况进行仿真，得到多种变形结果；
S22、计算在相应碰撞工况下两车碰撞后的损伤系数。
进一步地，所述步骤S3具体包括：
S31、设置深度卷积神经网络的输入为七个描述工况的数字，输出为两车的受损程度，受损程度为一个连续值；
S32、对建立的深度卷积神经网络进行权值初始化，根据输入输出矩阵确定最优的卷积层个数、各层节点数，确定最优的全连接层个数及各层的节点数；
S33、对输入的数据进行预处理，将一维数据拓展成二维数据；
S34、建立四层卷积层；
S35、建立两层全连接层，其中，将最后一层卷积层得到的输出作为输入进入到全连接层的第一层，第二层全连接层的输出结果即为深度卷积神经网络的输出值；
S36、采用平方误差损失函数对深度卷积神经网络的输出值进行优化，损失函数的表达式如下：
L＝||XW-y||2
上式中，X表示数据集的输入矩阵，W表示网络权重，y表示仿真输出损伤程度。
进一步地，所述步骤S4中，深度卷积神经网络的训练包括前向传播和反向传播两个阶段，具体如下：
S41、前向传播阶段：
S411、深度卷积神经网络初始化，根据输入输出矩阵确定最优的卷积层个数、各层节点数，确定最优的全连接层个数及各层的节点数；
S412、设定深度卷积神经网络的输入向量和目标输出；
S413、计算隐含层、输出层各层的输出；
S414、计算目标值与实际值的输出误差e；
S415、判断输出误差e是否在误差容许的范围内；
S416、若输出误差e等于或小于误差容许范围时，固定权值和阈值，结束训练；
S417、若输出误差e大于误差容许范围，则进入反向传播阶段；
S42、反向传播阶段：
S421、计算全连接层，下采样层，卷积层的误差，并更新权值，重复执行上述步骤S412至步骤S415。
进一步地，所述步骤S421中，采用随机梯度下降法来计算得到网络的权值参数，计算公式如下：
Wt+1＝Wt+Vt+1
上式中，Wt表示第t次迭代计算得到的网络权值，α表示负梯度的基础学习率，μ表示第t次迭代计算得到的权值更新值Vt的权重，用来加权之前梯度方向对现在梯度下降方向的影响，L表示损失函数。
进一步地，所述方法还包括基于单目深度学习算法，对上述汽车碰撞损伤等级实时预测方法进行实验验证的步骤。
较现有技术相比，本发明具有以下优点：
1、本发明具有较好的数据拟合能力，模型预测的准确率约90％，能够准确提前预测汽车碰撞损伤程度，为降低损伤程度，减少车祸发生，提高自动驾驶安全性打下基础。
2、本发明基于仿真数据和人工智能的汽车碰撞损伤等级实时预测方法，其能够提前预测两车碰撞后的车辆和乘员的损伤程度，使得驾驶员在得知相应的危险程度后，提前做出规避动作，从而杜绝事故的发生。
基于上述理由本发明可在汽车主动安全等领域广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明方法流程图。
图2为本发明实施例提供的部分碰撞数据和变形结果图。
图3为本发明实施例提供的二维卷积神经网络的结构示意图。
图4为本发明实施例提供的深度卷积神经网络训练过程流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示，本发明提供了一种基于仿真数据和人工智能的汽车碰撞损伤等级实时预测方法，包括如下步骤：
S1、收集各种工况下车辆碰撞视频，记录数据，本实施例中，基于PC-Crash仿真软件建立小汽车和大卡车车辆模型；
S2、如图2所示，获取深度学习神经网络需要的车辆碰撞工况的仿真数据集；
具体实施时，作为本发明优选的实施方式，所述步骤S2具体包括：
S21、基于小汽车与小汽车、小汽车与大卡车、大卡车与大卡车三种组合类型的多种碰撞工况进行仿真，得到多种变形结果；本实施例中，共得到了1160种变形结果。
S22、计算在相应碰撞工况下两车碰撞后的损伤系数，两车受损的变形范围从1到120不等，数字越大，表明损伤程度越大；
S3、建立深度卷积神经网络，并对建立的深度卷积神经网络进行初始化；
具体实施时，作为本发明优选的实施方式，人原图3所示，所述步骤S3具体包括：
S31、设置深度卷积神经网络的输入为七个描述工况的数字，输出为两车的受损程度，受损程度为一个连续值；
S32、对建立的深度卷积神经网络进行权值初始化，根据输入输出矩阵确定最优的卷积层个数、各层节点数，确定最优的全连接层个数及各层的节点数；
S33、对输入的数据进行预处理，将一维数据拓展成二维数据；本实施例中，数据集的每行有七个输入数据，原始输入为7个一行的一维文本数据，经处理后变为7×7的二维文本数据。数据集的前7个数字分别表示两车的距离、相对角度、车的质量、车的速度，即为该网络的输入。
S34、建立四层卷积层；第一层卷积层将厚度为1的7×7的矩阵变为厚度为32的厚度矩阵，第一层卷积后特征图片的数量为32。第二、三和四层卷积层均将特征图片变为64个。
S35、建立两层全连接层，其中，将最后一层卷积层得到的输出作为输入进入到全连接层的第一层，第二层全连接层的输出结果即为深度卷积神经网络的输出值；第一层全连接层将卷积层得到的64个7×7的矩阵拉成512的一维数组，第二层全连接层将512的一维数组压缩成长度为1的数组。这个长度为1的数组即为神经网络的最后输出结果。使用两层全连接层能够解决非线性问题。
S36、深度卷积神经网络的输出值是一个表示受损程度的连续值，因此采用平方误差损失函数对深度卷积神经网络的输出值进行优化，损失函数是二维卷积神经网络预测的损伤程度和仿真出的损伤程度之间的平方误差，优化目标就是使损失函数最小。损失函数的表达式如下：
L＝||XW-y||2
上式中，X表示数据集输入矩阵，W表示网络权重，y表示仿真输出损伤程度。
S4、基于步骤S2中获取的仿真数据集，对深度卷积神经网络进行训练；
具体实施时，作为本发明优选的实施方式，如图4所示，所述步骤S4中，深度卷积神经网络的训练包括前向传播和反向传播两个阶段，具体如下：
S41、前向传播阶段：
S411、深度卷积神经网络初始化，根据输入输出矩阵确定最优的卷积层个数、各层节点数，确定最优的全连接层个数及各层的节点数；
S412、设定深度卷积神经网络的输入向量和目标输出；
S413、计算隐含层、输出层各层的输出；
S414、计算目标值与实际值的输出误差e；
S415、判断输出误差e是否在误差容许的范围内；
S416、若输出误差e等于或小于误差容许范围时，固定权值和阈值，结束训练；
S417、若输出误差e大于误差容许范围，则进入反向传播阶段；
在前向传播阶段，使用平方误差损失函数作为网络训练的优化目标，优化目的是使网络预测的损伤程度和仿真出的损伤程度之间的平方误差最小。神经网络前向传播时，卷积核会在输入数据体的宽度和高度上滑动，计算与滑过的数据块之间的内积，随后进入下一层卷积层。卷积的计算过程如图每个卷积层上有不止一个卷积核，卷积核的数量即为该层卷积层产生的特征图的数量。本实施例中，第一个卷积层共有32个卷积核，因此经过第一层卷积层后会产生32个特征图。这些特征图在深度方向进行叠加，宽度和高度两个方向上排列，就形成了输出。
S42、反向传播阶段：
S421、计算全连接层，下采样层，卷积层的误差，并更新权值，重复执行上述步骤S412至步骤S415。
具体实施时，作为本发明优选的实施方式，所述步骤S421中，采用随机梯度下降法来计算得到网络的权值参数，计算公式如下：
Wt+1＝Wt+Vt+1
上式中，Wt表示第t次迭代计算得到的网络权值，α表示负梯度的基础学习率，μ表示第t次迭代计算得到的权值更新值Vt的权重，用来加权之前梯度方向对现在梯度下降方向的影响，L表示网络损失函数。本实施例中，α和μ一般根据经验设定。对于本发明所设计的神经网络，初始学习率设为0.00001，并采用Dropout正则方法。
S5、基于训练好的深度卷积神经网络，实时预测车辆和成员未来短时间内发生的碰撞损伤程度。
S6、基于单目深度学习算法，对上述的汽车碰撞损伤等级实时预测方法进行实验验证。经过实验验证，本发明具有较好的数据拟合能力，模型预测的准确率约90％，能够准确提前预测汽车碰撞损伤程度，为降低损伤程度，减少车祸发生，提高自动驾驶安全性打下基础。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种基于仿真数据和人工智能的汽车碰撞损伤等级实时预测方法，其特征在于，包括如下步骤：
S1、收集车辆碰撞视频，记录数据，建立小汽车和大卡车车辆模型；
S2、获取深度学习神经网络需要的车辆碰撞工况的仿真数据集；
S3、建立深度卷积神经网络，并对建立的深度卷积神经网络进行初始化；
S4、基于步骤S2中获取的仿真数据集，对深度卷积神经网络进行训练；
S5、基于训练好的深度卷积神经网络，实时预测车辆和成员未来短时间内发生的碰撞损伤程度。
2.根据权利要求1所述的基于仿真数据和人工智能的汽车碰撞损伤等级实时预测方法，其特征在于，所述步骤S1中：
基于PC-Crash仿真软件建立小汽车和大卡车车辆模型。
3.根据权利要求1所述的基于仿真数据驱动的汽车碰撞损伤等级实时预测方法，其特征在于，所述步骤S2具体包括：
S21、基于小汽车与小汽车、小汽车与大卡车、大卡车与大卡车三种组合类型的多种碰撞工况进行仿真，得到多种变形结果；
S22、计算在相应碰撞工况下两车碰撞后的损伤系数。
4.根据权利要求1所述的基于仿真数据和人工智能的汽车碰撞损伤等级实时预测方法，其特征在于，所述步骤S3具体包括：
S31、设置深度卷积神经网络的输入为七个描述工况的数字，输出为两车的受损程度，受损程度为一个连续值；
S32、对建立的深度卷积神经网络进行权值初始化，根据输入输出矩阵确定最优的卷积层个数、各层节点数，确定最优的全连接层个数及各层的节点数；
S33、对输入的数据进行预处理，将一维数据拓展成二维数据；
S34、建立四层卷积层；
S35、建立两层全连接层，其中，将最后一层卷积层得到的输出作为输入进入到全连接层的第一层，第二层全连接层的输出结果即为深度卷积神经网络的输出值；
S36、采用平方误差损失函数对深度卷积神经网络的输出值进行优化，损失函数的表达式如下：
L＝||XW-y||2
上式中，X表示样本构成的特征矩阵，W表示样本权重矩阵，y表示样本标签，L表示损失函数。
5.根据权利要求1所述的基于仿真数据和人工智能的汽车碰撞损伤等级实时预测方法，其特征在于，所述步骤S4中，深度卷积神经网络的训练包括前向传播和反向传播两个阶段，具体如下：
S41、前向传播阶段：
S411、深度卷积神经网络初始化，根据输入输出矩阵确定最优的卷积层个数、各层节点数，确定最优的全连接层个数及各层的节点数；
S412、设定深度卷积神经网络的输入向量和目标输出；
S413、计算隐含层、输出层各层的输出；
S414、计算目标值与实际值的输出误差e；
S415、判断输出误差e是否在误差容许的范围内；
S416、若输出误差e等于或小于误差容许范围时，固定权值和阈值，结束训练；
S417、若输出误差e大于误差容许范围，则进入反向传播阶段；
S42、反向传播阶段：
S421、计算全连接层，下采样层，卷积层的误差，并更新权值，重复执行上述步骤S412至步骤S415。
6.根据权利要求5所述的基于仿真数据和人工智能的汽车碰撞损伤等级实时预测方法，其特征在于，所述步骤S421中，采用随机梯度下降法来计算得到网络的权值参数，计算公式如下：
Wt+1＝Wt+Vt+1
上式中，Wt表示第t次迭代计算得到的网络权值，α表示负梯度的基础学习率，μ表示第t次迭代计算得到的权值更新值Vt的权重，用来加权之前梯度方向对现在梯度下降方向的影响，L表示损失函数。
7.根据权利要求1所述的基于仿真数据和人工智能的汽车碰撞损伤等级实时预测方法，其特征在于，所述方法还包括基于单目深度学习算法，对权利要求1-5中任意一项权利要求所述的汽车碰撞损伤等级实时预测方法进行实验验证的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110304397.3A CN113094808A (zh) | 2021-03-22 | 2021-03-22 | 一种基于仿真数据和人工智能的汽车碰撞损伤等级实时预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110304397.3A CN113094808A (zh) | 2021-03-22 | 2021-03-22 | 一种基于仿真数据和人工智能的汽车碰撞损伤等级实时预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113094808A true CN113094808A (zh) | 2021-07-09 |
Family
ID=76668839
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110304397.3A Pending CN113094808A (zh) | 2021-03-22 | 2021-03-22 | 一种基于仿真数据和人工智能的汽车碰撞损伤等级实时预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113094808A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN114418200A (zh) * | 2021-12-31 | 2022-04-29 | 清华大学 | 车型特异性乘员损伤预测模型训练方法及装置 |
| CN114715146A (zh) * | 2022-05-09 | 2022-07-08 | 吉林大学 | 一种潜在碰撞事故严重程度预测方法 |
| CN116822379A (zh) * | 2023-08-29 | 2023-09-29 | 中汽研汽车检验中心（天津）有限公司 | 基于生物力学仿真限值曲线的人体模型仿真度评价方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009049814A1 (de) * | 2007-10-20 | 2009-04-23 | Volkswagen Aktiengesellschaft | Verfahren zum herstellen eines kollisionsschutzsystems für ein kraftfahrzeug |
| AT518850A1 (de) * | 2016-07-13 | 2018-01-15 | Avl List Gmbh | Verfahren zur simulationsbasierten Analyse eines Kraftfahrzeugs |
| WO2019169816A1 (zh) * | 2018-03-09 | 2019-09-12 | 中山大学 | 一种用于精细化识别车辆属性的深度神经网络及训练方法 |
| CN110850444A (zh) * | 2019-12-09 | 2020-02-28 | 大连理工大学 | 一种基于北斗的触发式汽车防盗追踪系统 |
-
2021
- 2021-03-22 CN CN202110304397.3A patent/CN113094808A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009049814A1 (de) * | 2007-10-20 | 2009-04-23 | Volkswagen Aktiengesellschaft | Verfahren zum herstellen eines kollisionsschutzsystems für ein kraftfahrzeug |
| AT518850A1 (de) * | 2016-07-13 | 2018-01-15 | Avl List Gmbh | Verfahren zur simulationsbasierten Analyse eines Kraftfahrzeugs |
| WO2019169816A1 (zh) * | 2018-03-09 | 2019-09-12 | 中山大学 | 一种用于精细化识别车辆属性的深度神经网络及训练方法 |
| CN110850444A (zh) * | 2019-12-09 | 2020-02-28 | 大连理工大学 | 一种基于北斗的触发式汽车防盗追踪系统 |
Non-Patent Citations (2)
| Title |
|---|
| 郭道一: "基于深度学习和仿真的汽车碰撞损伤预测方法", 《中国优秀硕士学位论文全文数据库（电子期刊）工程科技Ⅱ辑》, 15 February 2020 (2020-02-15), pages 12 - 13 * |
| 金彦亮: "机器人端到端视觉避障方法研究", 《工业控制计算机》, vol. 32, no. 9, 25 September 2019 (2019-09-25), pages 77 - 79 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114418200A (zh) * | 2021-12-31 | 2022-04-29 | 清华大学 | 车型特异性乘员损伤预测模型训练方法及装置 |
| 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 |
| CN114715146A (zh) * | 2022-05-09 | 2022-07-08 | 吉林大学 | 一种潜在碰撞事故严重程度预测方法 |
| CN116822379A (zh) * | 2023-08-29 | 2023-09-29 | 中汽研汽车检验中心（天津）有限公司 | 基于生物力学仿真限值曲线的人体模型仿真度评价方法 |
| CN116822379B (zh) * | 2023-08-29 | 2023-11-24 | 中汽研汽车检验中心（天津）有限公司 | 基于生物力学仿真限值曲线的人体模型仿真度评价方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113094808A (zh) | 一种基于仿真数据和人工智能的汽车碰撞损伤等级实时预测方法 | |
| CN109117987B (zh) | 一种基于深度学习的个性化交通事故风险预测推荐方法 | |
| de Gelder et al. | Assessment of automated driving systems using real-life scenarios | |
| Beglerovic et al. | Testing of autonomous vehicles using surrogate models and stochastic optimization | |
| US11465650B2 (en) | Model-free reinforcement learning | |
| US11189171B2 (en) | Traffic prediction with reparameterized pushforward policy for autonomous vehicles | |
| Althoff et al. | Comparison of Markov chain abstraction and Monte Carlo simulation for the safety assessment of autonomous cars | |
| CN111079800B (zh) | 一种智能驾驶虚拟测试的加速方法及加速系统 | |
| EP3940487B1 (en) | Estimation of probability of collision with increasing severity level for autonomous vehicles | |
| Deng et al. | Prediction of human driver behaviors based on an improved HMM approach | |
| CN110490275A (zh) | 一种基于迁移学习的驾驶行为预测方法 | |
| US11100372B2 (en) | Training deep neural networks with synthetic images | |
| TWI690440B (zh) | 基於支持向量機之路口智慧駕駛方法及其系統 | |
| US20210264284A1 (en) | Dynamically routed patch discriminator | |
| CN113033902A (zh) | 一种基于改进深度学习的自动驾驶换道轨迹规划方法 | |
| US11657272B2 (en) | Apparatus for crash performance prediction and method thereof | |
| CN114418203B (zh) | 基于碰撞关键特征数据的乘员损伤预测方法及装置 | |
| CN115880654A (zh) | 车辆变道的风险评估方法、装置、计算机设备和存储介质 | |
| CN115099097A (zh) | 一种基于感知的车辆损伤预测方法、系统、电子设备及车辆 | |
| CN112396235B (zh) | 基于眼球动作追踪的交通事故发生时间预测建模方法 | |
| CN115981302A (zh) | 车辆跟驰换道行为决策方法、装置及电子设备 | |
| CN114889608A (zh) | 一种基于注意力机制的车辆换道预测方法 | |
| CN114758270A (zh) | 一种基于深度学习的跟随车驾驶辅助系统 | |
| CN115909713A (zh) | 一种用于交通预警的方法、介质及装置 | |
| CN111055849B (zh) | 基于支持向量机的路口智能驾驶方法及其系统 |
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 |