CN114386691A - 基于应激姿态预测的乘员损伤预测方法和装置 - Google Patents

基于应激姿态预测的乘员损伤预测方法和装置 Download PDF

Info

Publication number
CN114386691A
CN114386691A CN202210021361.9A CN202210021361A CN114386691A CN 114386691 A CN114386691 A CN 114386691A CN 202210021361 A CN202210021361 A CN 202210021361A CN 114386691 A CN114386691 A CN 114386691A
Authority
CN
China
Prior art keywords
sample
information
collision
prediction
stress
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
Application number
CN202210021361.9A
Other languages
English (en)
Inventor
聂冰冰
王情帆
裴希哲
秦德通
李泉
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 CN202210021361.9A priority Critical patent/CN114386691A/zh
Publication of CN114386691A publication Critical patent/CN114386691A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及一种基于应激姿态预测的乘员损伤预测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：当满足预设的触发条件时，获取目标车辆的行驶信息；根据所述行驶信息，确定所述目标车辆碰撞时的预测信息；所述预测信息至少包括应激姿态预测信息；根据所述碰撞时的预测信息和预先训练的乘员损伤预测模型，确定乘员损伤预测结果。采用本方法能够提高对汽车乘员损伤预测的准确性。

Description

基于应激姿态预测的乘员损伤预测方法和装置
技术领域
本申请涉及智能车辆安全防护技术领域，特别是涉及一种基于应激姿态预测的乘员损伤预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着汽车自动驾驶技术的发展，针对车辆安全的技术越来越成熟。乘员安全决策方法是在面对不可避免的碰撞事故时，通过为自动驾驶车辆选择最优安全决策，改变驾驶轨迹，减轻乘员损伤的方法。如今乘员安全决策方法为当目标车辆所处行驶状态为即将发生碰撞时，遍历安全策略数据库中的每一安全策略，根据每一安全策略确定目标车辆在行车环境中的潜在碰撞形式，再根据潜在碰撞形式以及乘员损伤预测方法，得到车辆的预估乘员损伤值，并将对应预估乘员损伤值最低的安全策略确定为目标安全决策。由此可见，如今乘员安全决策方法的准确性受乘员损伤预测方法的准确性严重影响。
然而，相关的乘员损伤预测方法仅将乘员作为标准坐姿下、具有标准生理特征(身高、体重等)的人体模型来对待，与真实情况差异较大。因此，相关的事故前乘员损伤预测方法并不切合实际，对汽车乘员损伤预测的准确性低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高准确性的基于应激姿态预测的乘员损伤预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种基于应激姿态预测的乘员损伤预测方法。所述方法包括：
当满足预设的触发条件时，获取目标车辆的行驶信息；
根据所述行驶信息，确定所述目标车辆碰撞时的预测信息；所述预测信息至少包括应激姿态预测信息；
根据所述碰撞时的预测信息和预先训练的乘员损伤预测模型，确定乘员损伤预测结果。
在其中一个实施例中，所述预测信息还包括车辆碰撞预测信息；
所述根据所述行驶信息，确定所述目标车辆碰撞时的预测信息包括：
将所述行驶信息和预设的安全策略输入至预先训练的乘员应激姿态预测模型，得到碰撞时的应激姿态预测信息；
根据所述行驶信息和预设的安全策略，确定所述安全策略对应的车辆碰撞预测信息。
在其中一个实施例中，所述乘员损伤预测模型包括嵌入层、核心信息处理层和全连接层；
所述根据所述碰撞时的预测信息和预先训练的乘员损伤预测模型，确定乘员损伤预测结果包括：
将所述碰撞时的预测信息输入至所述嵌入层，得到碰撞高维表示信息；
将所述碰撞高维表示信息输入至所述核心信息处理层，得到乘员隐式损伤信息；
将所述乘员隐式损伤信息输入至所述全连接层，得到乘员损伤预测结果。
在其中一个实施例中，所述乘员损伤预测模型的训练过程包括：
获取样本碰撞信息数据集；所述样本碰撞信息数据集包括多个样本碰撞工况对应的样本碰撞信息；所述样本碰撞信息包括样本应激姿态信息；
针对每一个样本碰撞工况，根据所述样本碰撞工况对应的样本碰撞信息和预先建立的车辆碰撞仿真模型，确定所述样本碰撞工况对应的样本碰撞瞬间信息；
根据所述样本碰撞工况对应的样本碰撞瞬间信息和预先建立的乘员损伤仿真模型，确定所述样本碰撞工况对应的样本乘员损伤结果；
根据各所述样本碰撞工况对应的样本碰撞信息和样本乘员损伤结果，确定所述乘员损伤预测模型的损伤训练数据集；
根据所述损伤训练数据集，对所述乘员损伤预测模型进行训练，得到所述乘员损伤预测模型。
在其中一个实施例中，所述乘员应激姿态预测模型的训练过程包括：
获取样本险态工况数据集；所述样本险态工况数据集包括多个样本险态工况对应的样本险态工况信息；所述样本险态工况信息包括样本应激姿态图像信息、碰撞前的样本行驶信息和安全策略；
针对每一个样本险态工况，根据所述样本险态工况对应的样本险态工况信息和预先训练的乘员姿态识别模型，确定所述样本险态工况对应的样本应激姿态向量信息；
将各所述样本险态工况对应的样本应激姿态向量信息进行聚类，得到各所述样本险态工况对应的样本应激姿态类型；
根据各所述样本险态工况对应的样本险态工况信息和样本应激姿态类型，确定所述乘员应激姿态预测模型的姿态训练数据集；
根据所述姿态训练数据集，对所述乘员应激姿态预测模型进行训练，得到所述乘员应激姿态预测模型。
在其中一个实施例中，所述将各所述样本险态工况对应的样本应激姿态向量信息进行聚类，得到各所述样本险态工况对应的样本应激姿态类型包括：
根据预设的乘员应激姿态类型数量，在各所述样本险态工况对应的样本应激姿态向量信息中，随机选择各应激姿态类型对应的中心向量信息；
针对每一种样本险态工况，确定所述样本险态工况对应的应激姿态类型；
针对每一种应激姿态类型，根据所述应激姿态类型对应的样本应激姿态向量信息，迭代更新所述应激姿态类型对应的中心向量信息；
当各所述应激姿态类型对应的中心向量信息满足预设的中止条件时，停止迭代更新各所述应激姿态类型对应的中心向量信息，得到各所述样本险态工况对应的样本应激姿态类型。
第二方面，本申请还提供了一种基于应激姿态预测的乘员损伤预测装置。
所述装置包括：
第一获取模块，用于当满足预设的触发条件时，获取目标车辆的行驶信息；
碰撞预测模块，用于根据所述行驶信息，确定所述目标车辆碰撞时的预测信息；所述预测信息至少包括应激姿态预测信息；
损伤预测模块，用于根据所述碰撞时的预测信息和预先训练的乘员损伤预测模型，确定乘员损伤预测结果。
在其中一个实施例中，所述预测信息还包括车辆碰撞预测信息；
所述碰撞预测模块，具体用于：
将所述行驶信息和预设的安全策略输入至预先训练的乘员应激姿态预测模型，得到碰撞时的应激姿态预测信息；
根据所述行驶信息和预设的安全策略，确定所述安全策略对应的车辆碰撞预测信息。
在其中一个实施例中，所述乘员损伤预测模型包括嵌入层、核心信息处理层和全连接层；
所述损伤预测模块，具体用于：
将所述碰撞时的预测信息输入至所述嵌入层，得到碰撞高维表示信息；
将所述碰撞高维表示信息输入至所述核心信息处理层，得到乘员隐式损伤信息；
将所述乘员隐式损伤信息输入至所述全连接层，得到乘员损伤预测结果。
在其中一个实施例中，所述装置还包括：
第二获取模块，用于获取样本碰撞信息数据集；所述样本碰撞信息数据集包括多个样本碰撞工况对应的样本碰撞信息；所述样本碰撞信息包括样本应激姿态信息；
碰撞仿真模块，用于针对每一个样本碰撞工况，根据所述样本碰撞工况对应的样本碰撞信息和预先建立的车辆碰撞仿真模型，确定所述样本碰撞工况对应的样本碰撞瞬间信息；
损伤仿真模块，用于根据所述样本碰撞工况对应的样本碰撞瞬间信息和预先建立的乘员损伤仿真模型，确定所述样本碰撞工况对应的样本乘员损伤结果；
第一确定模块，用于根据各所述样本碰撞工况对应的样本碰撞信息和样本乘员损伤结果，确定所述乘员损伤预测模型的损伤训练数据集；
第一训练模块，用于根据所述损伤训练数据集，对所述乘员损伤预测模型进行训练，得到所述乘员损伤预测模型。
在其中一个实施例中，所述装置还包括：
第三获取模块，用于获取样本险态工况数据集；所述样本险态工况数据集包括多个样本险态工况对应的样本险态工况信息；所述样本险态工况信息包括样本应激姿态图像信息、碰撞前的样本行驶信息和安全策略；
姿态识别模块，用于针对每一个样本险态工况，根据所述样本险态工况对应的样本险态工况信息和预先训练的乘员姿态识别模型，确定所述样本险态工况对应的样本应激姿态向量信息；
聚类模块，用于将各所述样本险态工况对应的样本应激姿态向量信息进行聚类，得到各所述样本险态工况对应的样本应激姿态类型；
第二确定模块，用于根据各所述样本险态工况对应的样本险态工况信息和样本应激姿态类型，确定所述乘员应激姿态预测模型的姿态训练数据集；
第二训练模块，用于根据所述姿态训练数据集，对所述乘员应激姿态预测模型进行训练，得到所述乘员应激姿态预测模型。
在其中一个实施例中，所述聚类模块，具体用于：
根据预设的乘员应激姿态类型数量，在各所述样本险态工况对应的样本应激姿态向量信息中，随机选择各应激姿态类型对应的中心向量信息；
针对每一种样本险态工况，确定所述样本险态工况对应的应激姿态类型；
针对每一种应激姿态类型，根据所述应激姿态类型对应的样本应激姿态向量信息，迭代更新所述应激姿态类型对应的中心向量信息；
当各所述应激姿态类型对应的中心向量信息满足预设的中止条件时，停止迭代更新各所述应激姿态类型对应的中心向量信息，得到各所述样本险态工况对应的样本应激姿态类型。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的步骤。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面所述的步骤。
上述基于应激姿态预测的乘员损伤预测方法、装置、计算机设备、存储介质和计算机程序产品，当满足预测触发条件时，获取目标车辆碰撞前的行驶信息；根据所述行驶信息，确定所述目标车辆碰撞时的预测信息；所述预测信息至少包括应激姿态预测信息；根据所述碰撞时的预测信息和预先训练的乘员损伤预测模型，确定乘员损伤预测结果。这样通过在汽车碰撞前采集汽车的行驶信息，根据碰撞前的行驶信息预测在碰撞时乘员的应激姿态，并根据预测的在碰撞时乘员的应激姿态，预测碰撞后的乘员损伤，在对汽车乘员损伤进行事故前预测的同时，考虑在碰撞时乘员为了应对碰撞而进行的主动应激姿态，考虑乘员在面对危险时的主动性，符合真实情况，更加切合实际，提高了对汽车乘员损伤预测的准确性。
附图说明
图1为一个实施例中基于应激姿态预测的乘员损伤预测方法的流程示意图；
图2为一个实施例中确定目标车辆碰撞时的预测信息步骤的流程示意图；
图3为一个实施例中乘员损伤预测模型的结构示意图；
图4为一个实施例中确定乘员损伤预测结果步骤的流程示意图；
图5为一个实施例中乘员损伤预测模型的结构示意图；
图6为一个实施例中乘员损伤预测模型的训练过程步骤的流程示意图；
图7为一个实施例中乘员应激姿态预测模型的训练过程步骤的流程示意图；
图8为一个实施例中乘员姿态表示形式示意图；
图9为一个实施例中将各样本险态工况对应的样本应激姿态向量信息进行聚类步骤的流程示意图；
图10为一个实施例中基于应激姿态预测的乘员损伤预测装置的结构框图；
图11为一个实施例中计算机设备的内部结构图。
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。
在一个实施例中，如图1所示，提供了一种基于应激姿态预测的乘员损伤预测方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中，该方法包括以下步骤：
步骤101，当满足预设的触发条件时，获取目标车辆的行驶信息。
在本申请实施例中，终端可以判断是否满足预设的触发条件。其中，预设的触发条件可以为目标车辆所处行驶状态为即将发生碰撞的行驶状态。目标车辆的行驶状态包括：正常行驶状态和险态交通工况行驶状态，险态交通工况行驶状态即为即将发生碰撞的行驶状态。目标车辆中集成有多种传感器，用于采集行驶过程中的行驶数据以及行车环境信息。终端可以根据各传感器采集的行驶数据预估自身车辆轨迹，并结合行车环境信息，确定目标车辆在行车环境中的行驶状态。
当目标车辆满足预设的触发条件时，终端可以获取目标车辆的行驶信息。其中，行驶信息可以为影响车辆行驶状态的信息。行驶信息可以包括：路况信息、危险源信息和己方信息。路况信息可以包括：道路类型(高速、快速路、城市、乡村道路等)、车道信息(第几车道)和环境信息(周围有无其他交通参与者、障碍物等)。危险源信息可以包括：危险源类型(普通轿车、大型货车、公交车、摩托车、电动车、自行车、行人等)、危险源位置(正前方、左侧、右侧、远处、近处等)、危险源速度和危险源是否注意到自车。己方信息可以包括：自车速度、自车驾驶员是否察觉到危险源、自车驾驶员性别、自车驾驶员身高、自车驾驶员体重和自车驾驶员驾驶风格。
步骤102，根据行驶信息，确定目标车辆碰撞时的预测信息。
其中，预测信息至少包括应激姿态预测信息。
在本申请实施例中，终端可以根据当前目标车辆的行驶信息和预设的安全策略，对该安全策略对应的目标车辆碰撞时的情况进行预测，得到该安全策略对应的目标车辆碰撞时的预测信息。其中，安全策略中包含方向盘转向操作和加减速操作，即可以表征目标车辆在险态交通工况下的具体处理操作。
具体的，终端可以根据当前目标车辆的行驶信息、预设的安全策略和预先训练的乘员应激姿态预测模型，确定该安全策略对应的目标车辆碰撞时的应激姿态预测信息。其中，乘员应激姿态预测模型可以为贝叶斯网络。碰撞时的预测信息可以包括：车辆预测信息、约束预测信息、乘员身份信息和应激姿态预测信息。车辆预测信息可以包括：碰撞速度、碰撞角度和两车重叠率。约束预测信息可以包括：安全带使用情况和安全气囊使用情况。乘员身份信息可以包括：乘员性别、身高和体重。
其中，应激姿态预测信息可以表示在碰撞时乘员的主动应激姿态。乘员的主动应激姿态为乘员在险态工况下，对危险源进行感知并做出判断后，而产生的避撞行为姿态(包括转动方向盘姿态和紧急制动姿态)，或由于驾驶员自身本能的条件反射，而产生的应激行为姿态(包括撑紧手臂，躯干后仰和绷紧全身肌肉)。其中，乘员的避撞行为姿态仅为做出转动方向盘等避撞行为的姿态，且该避撞行为并不会影响目标车辆的行驶状态。目标车辆的行驶状态由预设的安全决策决定。乘员的主动应激姿态在宏观上表现为驾驶员姿态特征的改变(即由正常驾驶姿态，转变为应激行为的姿态)，在微观上则表现为驾驶员生理特征参数的改变(如肌肉状态由松弛变为绷紧，视觉注释区域聚焦和脑电信号波动)。在一个示例中，应激姿态预测信息为应激姿态类型。例如，应激姿态类型可以包括双臂绷直紧握方向盘且脚部紧踩方向盘类型、双手向左/右猛打方向盘且脚部紧踩方向盘类型和无应激反应现象(肌肉松弛)类型。
步骤103，根据碰撞时的预测信息和预先训练的乘员损伤预测模型，确定乘员损伤预测结果。
在本申请实施例中，终端可以将目标车辆碰撞时的预测信息输入至预先训练的乘员损伤预测模型，得到乘员损伤预测结果。其中，乘员损伤预测模型可以为神经网络。乘员损伤预测结果包括：乘员动力学响应结果和乘员损伤结果。乘员动力学响应结果可以包括乘员各部位对应的动力学响应序列(如力、力矩、加速度、速度、变形量等)。例如，乘员动力学响应结果可以包括头、胸、颈、躯干、腿部的动力学响应序列。乘员损伤结果可以包括乘员各部位对应的损伤结果和乘员综合损伤结果。乘员各部位对应的损伤结果可以用简明损伤等级(Abbreviated Injury Scale，AIS)进行表示。简明损伤等级用于衡量交通事故中的乘员某身体部位的损伤严重性，包括头颈、脸部、胸部、腹部、四肢、皮肤共六个部位，分为6级，如表1所示。乘员综合损伤结果可以用综合损伤严重性评分(Injury Severity Score，ISS)进行表示。综合损伤严重性评分用于衡量交通事故中的乘员全身的综合损伤严重性，由三处不同部位AIS最大值的平方和计算得到，但不能超过75，因此取值范围为0-75的整数。
表1 AIS等级与损伤严重性的对应关系
AIS等级 损伤严重性
1 轻微创伤
2 中度创伤
3 严重创伤(无生命危险)
4 严重创伤(有生命危险)
5 最严重创伤(可能死亡)
6 致死性创伤(24h内死亡)
上述基于应激姿态预测的乘员损伤预测方法中，当满足预设的触发条件时，获取目标车辆的行驶信息，并根据行驶信息，确定目标车辆碰撞时的预测信息；其中，预测信息至少包括应激姿态预测信息；再根据碰撞时的预测信息和预先训练的乘员损伤预测模型，确定乘员损伤预测结果。这样，通过在汽车碰撞前采集汽车的行驶信息，根据碰撞前的行驶信息预测在碰撞时乘员的应激姿态，并根据预测的在碰撞时乘员的应激姿态，预测碰撞后的乘员损伤，在对汽车乘员损伤进行事故前预测的同时，考虑在碰撞时乘员为了应对碰撞而进行的主动应激姿态，考虑乘员在面对危险时的主动性，符合真实情况，更加切合实际，提高了对汽车乘员损伤预测的准确性。
在一个实施例中，预测信息还包括车辆碰撞预测信息。
如图2所示，根据行驶信息，确定目标车辆碰撞时的预测信息的具体过程包括以下步骤：
步骤201，将行驶信息和预设的安全策略输入至预先训练的乘员应激姿态预测模型，得到碰撞时的应激姿态预测信息。
在本申请实施例中，终端可以将目标车辆当前的行驶信息和预设的安全策略输入至预先训练的乘员应激姿态预测模型，得到目标车辆碰撞时的应激姿态预测信息。
步骤202，根据行驶信息和预设的安全策略，确定该安全策略对应的车辆碰撞预测信息。
在本申请实施例中，安全策略中包含方向盘转向操作和加减速操作，即可以表征目标车辆在险态交通工况下的具体处理操作。终端可以根据目标车辆的行驶信息，确定该安全策略对应的车辆碰撞预测信息。其中，车辆碰撞预测信息包括：车辆预测信息、约束预测信息和乘员身份信息。具体的，终端可以将行驶信息中与乘员身份有关的信息，作为乘员身份信息。在一个示例中，终端可以将行驶信息中的自车驾驶员性别、自车驾驶员身高和自车驾驶员体重，作为乘员身份信息。同时，终端可以根据行驶信息和安全策略，计算该安全策略对应的车辆预测信息。在一个示例中，安全策略为减速，终端可以根据行驶信息和安全策略，计算该安全策略对应的车辆碰撞速度、碰撞角度和两车重叠率。并且，终端可以根据该安全策略对应的车辆预测信息和安全约束规则，确定该安全策略对应的约束预测信息。其中，安全约束规则包括安全气囊触发规则。安全气囊触发规则可以为当车辆碰撞速度或碰撞角度满足安全气囊触发条件时，安全气囊触发。
上述基于应激姿态预测的乘员损伤预测方法中，终端将行驶信息和预设的安全策略输入至预先训练的乘员应激姿态预测模型，得到碰撞时的应激姿态预测信息，并根据行驶信息，确定该安全策略对应的车辆碰撞预测信息。这样，通过预先训练的乘员应激姿态预测模型，可以根据目标车辆当前的行驶信息，预测在碰撞时乘员的应激姿态，进而根据预测的在碰撞时乘员的应激姿态，预测碰撞后的乘员损伤，在对汽车乘员损伤进行事故前预测的同时，考虑在碰撞时乘员为了应对碰撞而进行的主动应激姿态，考虑乘员在面对危险时的主动性，符合真实情况，更加切合实际，提高了对汽车乘员损伤预测的准确性。
在一个实施例中，如图3所示，乘员损伤预测模型包括嵌入层、核心信息处理层和全连接层。
如图4所示，根据碰撞时的预测信息和预先训练的乘员损伤预测模型，确定乘员损伤预测结果的具体过程包括以下步骤：
步骤401，将碰撞时的预测信息输入至嵌入层，得到碰撞高维表示信息。
在本申请实施例中，乘员损伤预测模型为神经网络。终端可以将目标车辆碰撞时的预测信息输入至嵌入层，得到碰撞高维表示信息。其中，嵌入层对预测信息进行处理，将其嵌入到高维空间，并直接相加，以增强深度学习模型的处理能力。这样乘员损伤预测模型能够实现更好的预测准确率。
步骤402，将碰撞高维表示信息输入至核心信息处理层，得到乘员隐式损伤信息。
在本申请实施例中，终端可以将碰撞高维表示信息输入至核心信息处理层，得到乘员隐式损伤信息。其中，核心信息处理层为堆叠长短期记忆(Long Short-Term Memory，LSTM)单元。
在一个实施例中，核心信息处理层为双层堆叠LSTM单元，如图5所示，乘员损伤预测模型的信息处理过程可以表示为：
Figure BDA0003462502610000111
Figure BDA0003462502610000112
Figure BDA0003462502610000113
其中，xi和o分别为LSTM单元的输入和输出信息；
Figure BDA0003462502610000114
和
Figure BDA0003462502610000115
分别表示第1层和第2层的LSTM的单元状态信息(cell states)；
Figure BDA0003462502610000116
和
Figure BDA0003462502610000117
分别表示第1层和第2层的LSTM的隐藏状态信息(hidden states)；
Figure BDA0003462502610000118
和
Figure BDA0003462502610000119
分别表示第1层和第2层的LSTM的输出信息；LSTM(1)(·)和LSTM(2)(·)分别表示第1层和第2层的LSTM单元函数；N＝9是乘员损伤预测模型的输入信息的个数，乘员损伤预测模型的输入信息为碰撞速度、碰撞角度、两车重叠率、安全带使用、安全气囊使用、乘员性别、乘员体重、乘员身高和应激姿态类型；乘员损伤预测模型的输出信息为乘员损伤预测结果。
步骤403，将乘员隐式损伤信息输入至全连接层，得到乘员损伤预测结果。
在本申请实施例中，终端可以将乘员隐式损伤信息输入至全连接层，得到乘员损伤预测结果。
上述基于应激姿态预测的乘员损伤预测方法中，终端将碰撞时的预测信息输入至嵌入层，得到碰撞高维表示信息，再将碰撞高维表示信息输入至核心信息处理层，得到乘员隐式损伤信息，再将乘员隐式损伤信息输入至全连接层，得到乘员损伤预测结果。这样，通过在乘员损伤预测模型中设置嵌入层、核心信息处理层和全连接层，增强深度学习模型的处理能力，能够实现更好的预测准确率，即提高了对汽车乘员损伤预测的准确性。
在一个实施例中，如图6所示，乘员损伤预测模型的训练过程的具体过程包括以下步骤：
步骤601，获取样本碰撞信息数据集。
其中，样本碰撞信息数据集包括多个样本碰撞工况对应的样本碰撞信息。样本碰撞信息包括样本应激姿态信息。
在本申请实施例中，终端可以先将多个碰撞工况作为样本碰撞工况。然后，终端可以采集各样本碰撞工况对应的样本碰撞信息。其中，样本碰撞信息可以包括：样本车辆信息、样本约束信息、样本乘员身份信息和样本应激姿态信息。样本车辆信息可以包括：样本碰撞速度、样本碰撞角度和样本两车重叠率。样本约束信息可以包括：样本安全带使用情况和样本安全气囊使用情况。样本乘员身份信息可以包括：样本乘员性别、身高和体重。样本应激姿态信息可以包括样本应激姿态类型。接着，终端可以根据采集到的样本碰撞工况对应的样本碰撞信息，得到样本碰撞信息数据集。
步骤602，针对每一个样本碰撞工况，根据该样本碰撞工况对应的样本碰撞信息和预先建立的车辆碰撞仿真模型，确定该样本碰撞工况对应的样本碰撞瞬间信息。
在本申请实施例中，针对每一个样本碰撞工况，终端可以将样本车辆信息输入至预先建立的车辆碰撞仿真模型，得到样本碰撞工况对应的样本碰撞瞬间加速度。其中，车辆碰撞仿真模型用于模拟车辆碰撞过程，可以根据车辆的初始碰撞工况，得到车辆碰撞瞬间(约200ms)的信息。例如，车辆碰撞仿真模型可以为有限元模型和多刚体模型。然后，终端可以将样本碰撞工况对应的样本碰撞瞬间加速度、样本约束信息、样本乘员身份信息和样本应激姿态信息，构成样本碰撞工况对应的样本碰撞瞬间信息。
步骤603，根据该样本碰撞工况对应的样本碰撞瞬间信息和预先建立的乘员损伤仿真模型，确定该样本碰撞工况对应的样本乘员损伤结果。
在本申请实施例中，终端可以将样本碰撞工况对应的样本碰撞瞬间信息输入至预先建立的乘员损伤仿真模型，得到该样本碰撞工况对应的样本乘员损伤结果。其中，乘员损伤仿真模型用于模拟车辆碰撞时乘员损伤生成过程，可以根据车辆的碰撞瞬间工况，得到碰撞后乘员损伤预测结果。样本乘员损伤结果与乘员损伤预测结果包括相同类型的信息。样本乘员损伤结果包括：样本乘员动力学响应结果和样本乘员损伤结果。样本乘员动力学响应结果可以包括乘员各部位对应的样本动力学响应序列(如力、力矩、加速度、速度、变形量等)。例如，乘员动力学响应结果可以包括头、胸、颈、躯干、腿部的样本动力学响应序列。样本乘员损伤结果可以包括乘员各部位对应的样本损伤结果和样本乘员综合损伤结果。乘员各部位对应的样本损伤结果可以用简明损伤等级(Abbreviated Injury Scale，AIS)进行表示。样本乘员综合损伤结果可以用综合损伤严重性评分(Injury Severity Score，ISS)进行表示。
步骤604，根据各样本碰撞工况对应的样本碰撞信息和样本乘员损伤结果，确定乘员损伤预测模型的损伤训练数据集。
在本申请实施例中，终端可以将各样本碰撞工况对应的样本碰撞信息和样本乘员损伤结果，构成乘员损伤预测模型的损伤训练数据集。
步骤605，根据损伤训练数据集，对乘员损伤预测模型进行训练，得到乘员损伤预测模型。
在本申请实施例中，终端可以根据损伤训练数据集，对乘员损伤预测模型进行训练，得到乘员损伤预测模型。在对乘员损伤预测模型进行训练的过程中，将交叉熵损失(Cross-entropy loss)作为损失函数，采用自适应动量估计(adaptive momentestimation，ADAM)作为模型训练的优化器。为了防止过拟合现象的出现，终端采用L2正则化(L2 regularization)、网络节点随机丢弃(dropout)和提前停止(Early stop)。
上述基于应激姿态预测的乘员损伤预测方法中，终端获取样本碰撞信息数据集，并针对每一个样本碰撞工况，依次通过预先建立的车辆碰撞仿真模型和乘员损伤仿真模型，确定该样本碰撞工况对应的样本乘员损伤结果，再根据各样本碰撞工况对应的样本碰撞信息和样本乘员损伤结果，确定乘员损伤预测模型的损伤训练数据集，对乘员损伤预测模型进行训练。这样，通过预先建立的车辆碰撞仿真模型和乘员损伤仿真模型获取损伤训练数据集，能够获取丰富的训练样本库，使乘员损伤预测模型得到充分训练，能够提高预测准确率，即提高了对汽车乘员损伤预测的准确性。
在一个实施例中，如图7所示，乘员应激姿态预测模型的训练过程的具体过程包括以下步骤：
步骤701，获取样本险态工况数据集。
其中，样本险态工况数据集包括多个样本险态工况对应的样本险态工况信息。样本险态工况信息包括样本应激姿态图像信息、碰撞前的样本行驶信息和安全策略。
在本申请实施例中，终端可以将多个险态工况作为样本险态工况。其中，险态工况包括：碰撞(crash)工况和近碰撞(near-crash)工况。近碰撞工况为当前的交通场景十分危险，驾驶员采取的驾驶操作至少满足一个剧烈操作条件才使碰撞得以避免。剧烈操作条件包括：减速度超过4m/s2的紧急制动操作和前轮转角的绝对值大于5°且角速度大于8度每秒的转向操作。由于碰撞事故在自然驾驶数据中出现的频率较低，属于小概率事件，如果只将险态工况限定为碰撞事故的话，那么数据量将十分有限，很难满足数据量的要求。这样将近碰撞工况也作为险态工况，进而作为样本险态工况，能够保证姿态训练数据集的数据体量足够大同时数据分布合理，进而保证聚类的准确性，保证能够提取到具有典型性的驾驶员姿态数据。当数据体量小时，很可能受到姿态识别算法精度或者个别驾驶员行为不具有一般性的影响，影响聚类得到驾驶员姿态的典型性。
然后，终端可以采集各样本险态工况对应的样本险态工况信息。其中，样本险态工况信息包括样本应激姿态图像信息、碰撞前的样本行驶信息和安全策略。样本行驶信息可以包括：样本路况信息、样本危险源信息和样本己方信息。样本路况信息可以包括：样本道路类型(高速、快速路、城市、乡村道路等)、样本车道信息(第几车道)和样本环境信息(周围有无其他交通参与者、障碍物等)。样本危险源信息可以包括：样本危险源类型(普通轿车、大型货车、公交车、摩托车、电动车、自行车、行人等)、样本危险源位置(正前方、左侧、右侧、远处、近处等)、样本危险源速度和样本危险源是否注意到自车。样本己方信息可以包括：样本自车速度、样本自车驾驶员是否察觉到危险源、样本自车驾驶员性别、样本自车驾驶员身高、样本自车驾驶员体重和样本自车驾驶员驾驶风格。接着，终端可以根据采集到的样本险态工况对应的样本险态工况信息，得到样本险态工况数据集。
步骤702，针对每一个样本险态工况，根据该样本险态工况对应的样本险态工况信息和预先训练的乘员姿态识别模型，确定该样本险态工况对应的样本应激姿态向量信息。
在本申请实施例中，针对每一个样本险态工况，终端可以将该样本险态工况对应的样本应激姿态图像信息输入至预先训练的乘员姿态识别模型，得到该样本险态工况对应的样本应激姿态向量信息。其中，终端可以根据车辆内的摄像设备采集样本险态工况对应的样本应激姿态图像信息。乘员姿态识别模型为能够对包含乘员的图像中的乘员姿态进行识别的模型。乘员姿态识别模型可以为神经网络。例如，乘员姿态识别模型可以为DeepCut、DeeperCut、OpenPose、姿势建议网络(Pose Proposal Network，PPN)、部分强度场和部分关联场(Part intensity field&Part association field，PifPaf)。其中，OpenPose是美国卡耐基梅隆大学基于卷积神经网络和监督学习并以caffe为框架开发的开源人体姿态识别项目，可以实现人的面部表情、躯干和四肢甚至手指的跟踪，具有较好的鲁棒性。乘员姿态识别模型识别得到的乘员姿态可以通过平面内的18个点来表示，如图8所示。由于每个点具有横纵两个坐标，因此，样本应激姿态向量信息可以为一个18×2维的向量信息。
步骤703，将各样本险态工况对应的样本应激姿态向量信息进行聚类，得到各样本险态工况对应的样本应激姿态类型。
在本申请实施例中，终端可以将各样本险态工况对应的样本应激姿态向量信息进行聚类，确定各样本险态工况对应的样本应激姿态类型。在一个示例中，终端可以采用K均值(K-Means)算法，将各样本险态工况对应的样本应激姿态向量信息进行聚类。
步骤704，根据各样本险态工况对应的样本险态工况信息和样本应激姿态类型，确定乘员应激姿态预测模型的姿态训练数据集。
在本申请实施例中，终端可以将各样本险态工况对应的碰撞前的样本行驶信息、安全策略和样本应激姿态类型，构成乘员应激姿态预测模型的姿态训练数据集。
步骤705，根据姿态训练数据集，对乘员应激姿态预测模型进行训练，得到乘员应激姿态预测模型。
在本申请实施例中，终端可以根据姿态训练数据集，对乘员应激姿态预测模型进行训练，得到训练完成的乘员应激姿态预测模型。其中，乘员应激姿态预测模型可以为贝叶斯网络。
在一个实施例中，乘员应激姿态预测模型为贝叶斯网络，可以表示为：
Figure BDA0003462502610000161
其中，y指输出变量(应激姿态类型)，x指输入变量(样本行驶信息和安全策略)，
Figure BDA0003462502610000162
为乘员的应激姿态类型的后验概率，
Figure BDA0003462502610000163
为乘员的应激姿态类型的先验概率，P(x|y)为输入变量与应激姿态类型间的条件概率。假设输入变量与应激姿态类型间的条件概率服从高斯分布，可以表示为：
Figure BDA0003462502610000164
其中，yi指第i类乘员应激姿态类型；xi为第i类乘员应激姿态类型的均值和σi为第i类乘员应激姿态类型的标准差，终端可以基于姿态训练数据集，根据最大似然估计得到。
上述基于应激姿态预测的乘员损伤预测方法中，终端通过乘员姿态识别模型和聚类算法获取姿态训练数据集，再根据姿态训练数据集，对乘员应激姿态预测模型进行训练，得到乘员应激姿态预测模型。这样能够获取包含应激姿态类型的姿态训练数据集，进而得到乘员应激姿态预测模型，预测在碰撞时乘员的应激姿态，并根据预测的在碰撞时乘员的应激姿态，预测碰撞后的乘员损伤，在对汽车乘员损伤进行事故前预测的同时，考虑在碰撞时乘员为了应对碰撞而进行的主动应激姿态，考虑乘员在面对危险时的主动性，符合真实情况，更加切合实际，提高了对汽车乘员损伤预测的准确性。并且，这样获取姿态训练数据集，不受限于实际数据，能够获取丰富的训练样本库，使乘员应激姿态预测模型得到充分训练，能够提高乘员应激姿态预测准确率，进一步提高对汽车乘员损伤预测的准确性。
在一个实施例中，如图9所示，将各样本险态工况对应的样本应激姿态向量信息进行聚类，得到各样本险态工况对应的样本应激姿态类型的具体过程包括以下步骤：
步骤901，根据预设的乘员应激姿态类型数量，在各样本险态工况对应的样本应激姿态向量信息中，随机选择各应激姿态类型对应的中心向量信息。
在本申请实施例中，终端可以预先设定乘员应激姿态类型数量。例如，终端可以预先设定乘员应激姿态类型数量为K。然后，终端可以根据乘员应激姿态类型数量，在各样本险态工况对应的样本应激姿态向量信息中，随机选择各应激姿态类型对应的中心向量信息。
步骤902，针对每一种样本险态工况，确定该样本险态工况对应的应激姿态类型。
在本申请实施例中，针对每一种样本险态工况，终端可以先分别计算该样本险态工况对应的样本应激姿态向量信息与各应激姿态类型对应的中心向量信息之间的距离，得到在该样本险态工况下各应激姿态类型对应的样本距离。其中，样本距离可以为欧式距离和余弦距离。然后，终端可以比较在该样本险态工况下各应激姿态类型对应的样本距离，确定最小的样本距离和该最小的样本距离对应的应激姿态类型。接着，终端可以将该最小的样本距离对应的应激姿态类型，作为该样本险态工况对应的应激姿态类型。
步骤903，针对每一种应激姿态类型，根据该应激姿态类型对应的样本应激姿态向量信息，迭代更新该应激姿态类型对应的中心向量信息。
在本申请实施例中，针对每一种应激姿态类型，终端可以先根据该应激姿态类型对应的各样本应激姿态向量信息，计算该应激姿态类型对应的各样本应激姿态向量信息的平均值，得到该应激姿态类型对应的平均向量信息。然后，终端可以将该应激姿态类型对应的中心向量信息迭代更新为该平均向量信息。然后，终端可以重复执行步骤902和步骤903。
步骤904，当各应激姿态类型对应的中心向量信息满足预设的中止条件时，停止迭代更新各应激姿态类型对应的中心向量信息，得到各样本险态工况对应的样本应激姿态类型。
在本申请实施例中，终端可以预先设定中止条件。其中，中止条件可以为在迭代更新时，该应激姿态类型对应的中心向量信息的变化满足预设的中止阈值。当各应激姿态类型对应的中心向量信息满足预设的中止条件时，终端可以停止迭代更新各应激姿态类型对应的中心向量信息，并将当前的各样本险态工况对应的应激姿态类型，作为各样本险态工况对应的样本应激姿态类型。
上述基于应激姿态预测的乘员损伤预测方法中，终端根据预设的乘员应激姿态类型数量，在各样本险态工况对应的样本应激姿态向量信息中，随机选择各应激姿态类型对应的中心向量信息，再针对每一种样本险态工况，确定该样本险态工况对应的应激姿态类型，再针对每一种应激姿态类型，根据该应激姿态类型对应的样本应激姿态向量信息，迭代更新该应激姿态类型对应的中心向量信息，当各应激姿态类型对应的中心向量信息满足预设的中止条件时，停止迭代更新各应激姿态类型对应的中心向量信息，得到各样本险态工况对应的样本应激姿态类型。这样将各样本险态工况对应的样本应激姿态向量信息进行聚类实现容易，收敛速度快，处理大数据集时，依旧能够保持可伸缩性和高效性。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的基于应激姿态预测的乘员损伤预测方法的基于应激姿态预测的乘员损伤预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个基于应激姿态预测的乘员损伤预测装置实施例中的具体限定可以参见上文中对于基于应激姿态预测的乘员损伤预测方法的限定，在此不再赘述。
在一个实施例中，如图10所示，提供了一种基于应激姿态预测的乘员损伤预测装置1000，包括：第一获取模块1010、碰撞预测模块1020和损伤预测模块1030，其中：
第一获取模块1010，用于当满足预设的触发条件时，获取目标车辆的行驶信息；
碰撞预测模块1020，用于根据所述行驶信息，确定所述目标车辆碰撞时的预测信息；所述预测信息至少包括应激姿态预测信息；
损伤预测模块1030，用于根据所述碰撞时的预测信息和预先训练的乘员损伤预测模型，确定乘员损伤预测结果。
可选的，所述预测信息还包括车辆碰撞预测信息；
所述碰撞预测模块，具体用于：
将所述行驶信息和预设的安全策略输入至预先训练的乘员应激姿态预测模型，得到碰撞时的应激姿态预测信息；
根据所述行驶信息和预设的安全策略，确定所述安全策略对应的车辆碰撞预测信息。
可选的，所述乘员损伤预测模型包括嵌入层、核心信息处理层和全连接层；
所述损伤预测模块，具体用于：
将所述碰撞时的预测信息输入至所述嵌入层，得到碰撞高维表示信息；
将所述碰撞高维表示信息输入至所述核心信息处理层，得到乘员隐式损伤信息；
将所述乘员隐式损伤信息输入至所述全连接层，得到乘员损伤预测结果。
可选的，所述装置还包括：
第二获取模块，用于获取样本碰撞信息数据集；所述样本碰撞信息数据集包括多个样本碰撞工况对应的样本碰撞信息；所述样本碰撞信息包括样本应激姿态信息；
碰撞仿真模块，用于针对每一个样本碰撞工况，根据所述样本碰撞工况对应的样本碰撞信息和预先建立的车辆碰撞仿真模型，确定所述样本碰撞工况对应的样本碰撞瞬间信息；
损伤仿真模块，用于根据所述样本碰撞工况对应的样本碰撞瞬间信息和预先建立的乘员损伤仿真模型，确定所述样本碰撞工况对应的样本乘员损伤结果；
第一确定模块，用于根据各所述样本碰撞工况对应的样本碰撞信息和样本乘员损伤结果，确定所述乘员损伤预测模型的损伤训练数据集；
第一训练模块，用于根据所述损伤训练数据集，对所述乘员损伤预测模型进行训练，得到所述乘员损伤预测模型。
可选的，所述装置还包括：
第三获取模块，用于获取样本险态工况数据集；所述样本险态工况数据集包括多个样本险态工况对应的样本险态工况信息；所述样本险态工况信息包括样本应激姿态图像信息、碰撞前的样本行驶信息和安全策略；
姿态识别模块，用于针对每一个样本险态工况，根据所述样本险态工况对应的样本险态工况信息和预先训练的乘员姿态识别模型，确定所述样本险态工况对应的样本应激姿态向量信息；
聚类模块，用于将各所述样本险态工况对应的样本应激姿态向量信息进行聚类，得到各所述样本险态工况对应的样本应激姿态类型；
第二确定模块，用于根据各所述样本险态工况对应的样本险态工况信息和样本应激姿态类型，确定所述乘员应激姿态预测模型的姿态训练数据集；
第二训练模块，用于根据所述姿态训练数据集，对所述乘员应激姿态预测模型进行训练，得到所述乘员应激姿态预测模型。
可选的，所述聚类模块，具体用于：
根据预设的乘员应激姿态类型数量，在各所述样本险态工况对应的样本应激姿态向量信息中，随机选择各应激姿态类型对应的中心向量信息；
针对每一种样本险态工况，确定所述样本险态工况对应的应激姿态类型；
针对每一种应激姿态类型，根据所述应激姿态类型对应的样本应激姿态向量信息，迭代更新所述应激姿态类型对应的中心向量信息；
当各所述应激姿态类型对应的中心向量信息满足预设的中止条件时，停止迭代更新各所述应激姿态类型对应的中心向量信息，得到各所述样本险态工况对应的样本应激姿态类型。
上述基于应激姿态预测的乘员损伤预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于应激姿态预测的乘员损伤预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上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 (10)

1.一种基于应激姿态预测的乘员损伤预测方法，其特征在于，所述方法包括：
当满足预设的触发条件时，获取目标车辆的行驶信息；
根据所述行驶信息，确定所述目标车辆碰撞时的预测信息；所述预测信息至少包括应激姿态预测信息；
根据所述碰撞时的预测信息和预先训练的乘员损伤预测模型，确定乘员损伤预测结果。
2.根据权利要求1所述的方法，其特征在于，所述预测信息还包括车辆碰撞预测信息；
所述根据所述行驶信息，确定所述目标车辆碰撞时的预测信息包括：
将所述行驶信息和预设的安全策略输入至预先训练的乘员应激姿态预测模型，得到碰撞时的应激姿态预测信息；
根据所述行驶信息和预设的安全策略，确定所述安全策略对应的车辆碰撞预测信息。
3.根据权利要求1所述的方法，其特征在于，所述乘员损伤预测模型包括嵌入层、核心信息处理层和全连接层；
所述根据所述碰撞时的预测信息和预先训练的乘员损伤预测模型，确定乘员损伤预测结果包括：
将所述碰撞时的预测信息输入至所述嵌入层，得到碰撞高维表示信息；
将所述碰撞高维表示信息输入至所述核心信息处理层，得到乘员隐式损伤信息；
将所述乘员隐式损伤信息输入至所述全连接层，得到乘员损伤预测结果。
4.根据权利要求1所述的方法，其特征在于，所述乘员损伤预测模型的训练过程包括：
获取样本碰撞信息数据集；所述样本碰撞信息数据集包括多个样本碰撞工况对应的样本碰撞信息；所述样本碰撞信息包括样本应激姿态信息；
针对每一个样本碰撞工况，根据所述样本碰撞工况对应的样本碰撞信息和预先建立的车辆碰撞仿真模型，确定所述样本碰撞工况对应的样本碰撞瞬间信息；
根据所述样本碰撞工况对应的样本碰撞瞬间信息和预先建立的乘员损伤仿真模型，确定所述样本碰撞工况对应的样本乘员损伤结果；
根据各所述样本碰撞工况对应的样本碰撞信息和样本乘员损伤结果，确定所述乘员损伤预测模型的损伤训练数据集；
根据所述损伤训练数据集，对所述乘员损伤预测模型进行训练，得到所述乘员损伤预测模型。
5.根据权利要求2所述的方法，其特征在于，所述乘员应激姿态预测模型的训练过程包括：
获取样本险态工况数据集；所述样本险态工况数据集包括多个样本险态工况对应的样本险态工况信息；所述样本险态工况信息包括样本应激姿态图像信息、碰撞前的样本行驶信息和安全策略；
针对每一个样本险态工况，根据所述样本险态工况对应的样本应激姿态信息和预先训练的乘员姿态识别模型，确定所述样本险态工况对应的样本应激姿态向量信息；
将各所述样本险态工况对应的样本应激姿态向量信息进行聚类，得到各所述样本险态工况对应的样本应激姿态类型；
根据各所述样本险态工况对应的样本险态工况信息和样本应激姿态类型，确定所述乘员应激姿态预测模型的姿态训练数据集；
根据所述姿态训练数据集，对所述乘员应激姿态预测模型进行训练，得到所述乘员应激姿态预测模型。
6.根据权利要求5所述的方法，其特征在于，所述将各所述样本险态工况对应的样本应激姿态向量信息进行聚类，得到各所述样本险态工况对应的样本应激姿态类型包括：
根据预设的乘员应激姿态类型数量，在各所述样本险态工况对应的样本应激姿态向量信息中，随机选择各应激姿态类型对应的中心向量信息；
针对每一种样本险态工况，确定所述样本险态工况对应的应激姿态类型；
针对每一种应激姿态类型，根据所述应激姿态类型对应的样本应激姿态向量信息，迭代更新所述应激姿态类型对应的中心向量信息；
当各所述应激姿态类型对应的中心向量信息满足预设的中止条件时，停止迭代更新各所述应激姿态类型对应的中心向量信息，得到各所述样本险态工况对应的样本应激姿态类型。
7.一种基于应激姿态预测的乘员损伤预测装置，其特征在于，所述装置包括：
第一获取模块，用于当满足预设的触发条件时，获取目标车辆的行驶信息；
碰撞预测模块，用于根据所述行驶信息，确定所述目标车辆碰撞时的预测信息；所述预测信息至少包括应激姿态预测信息；
损伤预测模块，用于根据所述碰撞时的预测信息和预先训练的乘员损伤预测模型，确定乘员损伤预测结果。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202210021361.9A 2022-01-10 2022-01-10 基于应激姿态预测的乘员损伤预测方法和装置 Pending CN114386691A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210021361.9A CN114386691A (zh) 2022-01-10 2022-01-10 基于应激姿态预测的乘员损伤预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210021361.9A CN114386691A (zh) 2022-01-10 2022-01-10 基于应激姿态预测的乘员损伤预测方法和装置

Publications (1)

Publication Number Publication Date
CN114386691A true CN114386691A (zh) 2022-04-22

Family

ID=81199459

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210021361.9A Pending CN114386691A (zh) 2022-01-10 2022-01-10 基于应激姿态预测的乘员损伤预测方法和装置

Country Status (1)

Country Link
CN (1) CN114386691A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115345347A (zh) * 2022-07-11 2022-11-15 清华大学 交通风险预测方法、装置、计算机设备和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110851958A (zh) * 2019-10-16 2020-02-28 清华大学 碰撞严重性的预测方法
CN111753810A (zh) * 2020-07-13 2020-10-09 清华大学 驾驶行为数据测试系统与采集方法
CN112308330A (zh) * 2020-11-09 2021-02-02 清华大学 数字化事故数据库构建方法、装置和计算机设备
CN112829742A (zh) * 2020-12-30 2021-05-25 清华大学 乘员安全决策方法和装置
CN113094808A (zh) * 2021-03-22 2021-07-09 大连理工大学 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
CN113487075A (zh) * 2021-06-29 2021-10-08 东风汽车集团股份有限公司 一种车辆事故乘员伤害预测方法、系统及电子设备
CN113616192A (zh) * 2021-07-01 2021-11-09 中南大学 列车乘员碰撞应激行为测试系统及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110851958A (zh) * 2019-10-16 2020-02-28 清华大学 碰撞严重性的预测方法
CN111753810A (zh) * 2020-07-13 2020-10-09 清华大学 驾驶行为数据测试系统与采集方法
CN112308330A (zh) * 2020-11-09 2021-02-02 清华大学 数字化事故数据库构建方法、装置和计算机设备
CN112829742A (zh) * 2020-12-30 2021-05-25 清华大学 乘员安全决策方法和装置
CN113094808A (zh) * 2021-03-22 2021-07-09 大连理工大学 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
CN113487075A (zh) * 2021-06-29 2021-10-08 东风汽车集团股份有限公司 一种车辆事故乘员伤害预测方法、系统及电子设备
CN113616192A (zh) * 2021-07-01 2021-11-09 中南大学 列车乘员碰撞应激行为测试系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
赵治国 等: "驾驶员避撞转向行为的改进K-means 聚类与识别", 《汽车工程》 *
陈飞: "《管理决策模拟实验》", 31 October 2008, 东北财经大学出版社 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115345347A (zh) * 2022-07-11 2022-11-15 清华大学 交通风险预测方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
Eraqi et al. Driver distraction identification with an ensemble of convolutional neural networks
Alkinani et al. Detecting human driver inattentive and aggressive driving behavior using deep learning: Recent advances, requirements and open challenges
Liu et al. Driver distraction detection using semi-supervised machine learning
Tang et al. A hierarchical prediction model for lane-changes based on combination of fuzzy C-means and adaptive neural network
Liang et al. A hybrid Bayesian Network approach to detect driver cognitive distraction
Jin et al. Driver cognitive distraction detection using driving performance measures
US20190019068A1 (en) Integrated system for detection of driver condition
Xia et al. A human-like model to understand surrounding vehicles’ lane changing intentions for autonomous driving
CN105354986A (zh) 汽车司机驾驶状态监测系统及方法
Li et al. Driver identification in intelligent vehicle systems using machine learning algorithms
CN205230272U (zh) 汽车司机驾驶状态监测系统
CN111666307A (zh) 根据场景观察进行直觉推断的无人驾驶安全判断系统
CN115082698A (zh) 一种基于多尺度注意力模块的分心驾驶行为检测方法
Chen et al. Fine-grained detection of driver distraction based on neural architecture search
Zhao et al. An abnormal driving behavior recognition algorithm based on the temporal convolutional network and soft thresholding
CN114386691A (zh) 基于应激姿态预测的乘员损伤预测方法和装置
CN115345347A (zh) 交通风险预测方法、装置、计算机设备和存储介质
Mou et al. Driver emotion recognition with a hybrid attentional multimodal fusion framework
Zhao et al. Vision-based classification of driving postures by efficient feature extraction and bayesian approach
Han et al. Monitoring driving in a monotonous environment: classification and recognition of driving fatigue based on long short-term memory network
Devi et al. Logistic Multilayer Perceptron Neural Network Classification based Driving Behavior Prediction through Vehicle Motion Data
Sankarasubramanian et al. Optimisation study on multibody vehicle-front model for pedestrian safety
Zhao et al. A driver stress detection model via data augmentation based on deep convolutional recurrent neural network
Billah et al. Tracking-based detection of driving distraction from vehicular interior video
Poon et al. Driver distracted behavior detection technology with YOLO-based deep learning networks

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220422

RJ01 Rejection of invention patent application after publication