CN114418200B - 车型特异性乘员损伤预测模型训练方法及装置 - Google Patents
车型特异性乘员损伤预测模型训练方法及装置 Download PDFInfo
- Publication number
- CN114418200B CN114418200B CN202111670547.9A CN202111670547A CN114418200B CN 114418200 B CN114418200 B CN 114418200B CN 202111670547 A CN202111670547 A CN 202111670547A CN 114418200 B CN114418200 B CN 114418200B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- vehicle type
- training
- passenger
- collision
- 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
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种车型特异性乘员损伤预测模型训练方法、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:通过预先建立的多个车型车辆对应的数值仿真模型,确定每个车型车辆在多种碰撞工况下的碰撞仿真数据;根据碰撞仿真数据确定每个车型车辆对应的乘员综合响应指标;选取满足中值条件的目标综合响应指标,将目标综合响应指标对应的车型车辆确定为标准车型车辆;基于标准车型车辆对应的训练样本数据对初始的预测模型进行训练,得到标准乘员损伤预测模型,作为训练多个车型车辆中其他车型车辆对应的乘员损伤预测模型的初始的预测模型。采用本方法能够提高训练多个车型车辆对应的、具有车型特异性的乘员损伤预测模型的训练效率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种车型特异性乘员损伤预测模型训练方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着人工智能技术的发展,自动驾驶技术逐步成熟。具体而言,通过在传统汽车上搭载传感器、控制和执行装置,实现对交通状况的感知、驾驶行为的决策、与其他车辆之间的协同控制,以辅助或取代驾驶员驾驶,实现自动驾驶。
为了提高自动驾驶的安全性,出现了事故发生前的车辆乘员损伤预测方法,即在险态交通工况(由于车辆速度过高或与障碍物间距离过小,车辆已无法避免碰撞发生的情况)下,通过车载传感装置采集乘员损伤预测需要的特征信息,并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。乘员损伤预测结果可以为车辆安全系统提供控制策略参考,如优化约束系统配置,辅助轨迹规划算法选择最小化车内乘员损伤的轨迹操作等,从而实现交通参与者(包括乘员和行人)的最优保护,提高自动驾驶的安全性。
相关技术中,乘员损伤预测模型的训练过程没有根据车型区分训练样本,因此得到的乘员损伤预测模型不具有车型特异性。然而,由于不同车型车辆的车身结构、材质、内饰等特征不同,相同的事故情况下,不同车型车辆的乘员损伤情况不同,因而不具有车型特异性的乘员损伤预测模型难以实现针对不同车型车辆的准确预测。因此,有必要对每个车型车辆单独训练乘员损伤预测模型。然而,若采用相关技术中的乘员损伤预测模型的训练方法,对每个车型车辆分别进行具有车型特异性的模型训练,则每个车型车辆的模型训练都需要大量的训练样本进行较长时间的训练,训练效率低。亟待一种高效的车型特异性乘员损伤预测模型训练方法。
发明内容
基于此,有必要针对上述技术问题,提供一种高效的车型特异性乘员损伤预测模型训练方法、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,本申请提供了一种车型特异性乘员损伤预测模型训练方法。所述方法包括:
通过预先建立的多个车型车辆对应的数值仿真模型,确定每个所述车型车辆在多种第一碰撞工况下的第一碰撞仿真数据;
根据每个所述车型车辆在多种第一碰撞工况下的第一碰撞仿真数据,确定每个所述车型车辆对应的乘员综合响应指标;
在每个所述车型车辆对应的乘员综合响应指标中,选取满足中值条件的目标综合响应指标,将所述目标综合响应指标对应的车型车辆确定为标准车型车辆;
基于所述标准车型车辆对应的训练样本数据,对初始的预测模型进行训练,得到标准乘员损伤预测模型,所述标准乘员损伤预测模型为训练所述多个车型车辆中除所述标准车型车辆之外的其他车型车辆对应的乘员损伤预测模型的初始的预测模型。
在其中一个实施例中,所述根据每个所述车型车辆在多种第一碰撞工况下的第一碰撞仿真数据,确定每个所述车型车辆对应的乘员综合响应指标,包括:
根据每个所述车型车辆在多种第一碰撞工况下的第一碰撞仿真数据,确定每个所述车型车辆对应的单项损伤指标;一个所述单项损伤指标表示所述数值仿真模型中乘员的一个身体部位的损伤情况;
根据所述单项损伤指标,确定每个所述车型车辆对应的乘员综合响应指标。
在其中一个实施例中,所述根据所述单项损伤指标,确定每个所述车型车辆对应的乘员综合响应指标,包括:
确定每个所述单项损伤指标的最大值和最小值,并根据每个所述单项损伤指标的最大值和最小值,对每个所述单项损伤指标进行归一化处理;
计算每个所述车型车辆对应的归一化处理后的单项损伤指标平均值,得到每个所述车型车辆对应的乘员综合响应指标。
在其中一个实施例中,所述在每个所述车型车辆对应的乘员综合响应指标中,选取满足中值条件的目标综合响应指标,包括:
将每个所述车型车辆对应的乘员综合响应指标进行排序,并选取处于中位数的所述乘员综合响应指标作为目标综合响应指标。
在其中一个实施例中,所述基于所述标准车型车辆对应的训练样本数据,对初始的预测模型进行训练,得到标准乘员损伤预测模型,包括:
在预先针对所述标准车型车辆建立的乘员损伤仿真数据库中,获取第一训练样本数据和测试样本数据;每个所述第一训练样本数据和每个所述测试样本数据,包括第二碰撞工况信息和第二碰撞仿真数据,所述第二碰撞工况信息包括车辆碰撞信息、安全约束信息和乘员特征信息;
将所述第一训练样本数据输入至基于循环神经网络建立的初始的预测模型进行训练,并将所述测试样本数据输入至训练后的预测模型进行测试,确定平均预测准确率;
在所述平均预测准确率达到预设阈值的情况下,将所述训练后的预测模型确定为标准乘员损伤预测模型。
在其中一个实施例中,所述方法还包括:
针对所述多个车型车辆中除所述标准车型车辆之外的其他车型车辆,获取每个所述其他车型车辆对应的第二训练样本数据;其中,每个所述第二训练样本数据,包括第三碰撞工况信息和第三碰撞仿真数据,所述第三碰撞工况信息包括车辆碰撞信息、安全约束信息和乘员特征信息,并且每个所述第二训练样本数据中的安全约束信息和乘员特征信息一致;
基于每个所述其他车型车辆对应的第二训练样本数据,对所述标准乘员损伤预测模型进行训练,得到每个所述其他车型车辆对应的乘员损伤预测模型。
第二方面,本申请还提供了一种车型特异性乘员损伤预测模型训练装置。
所述装置包括:
第一确定模块,用于通过预先建立的多个车型车辆对应的数值仿真模型,确定每个所述车型车辆在多种第一碰撞工况下的第一碰撞仿真数据;
第二确定模块,用于根据每个所述车型车辆在多种第一碰撞工况下的第一碰撞仿真数据,确定每个所述车型车辆对应的乘员综合响应指标;
选取模块,用于在每个所述车型车辆对应的乘员综合响应指标中,选取满足中值条件的目标综合响应指标,将所述目标综合响应指标对应的车型车辆确定为标准车型车辆;
第一训练模块,用于基于所述标准车型车辆对应的训练样本数据,对初始的预测模型进行训练,得到标准乘员损伤预测模型,所述标准乘员损伤预测模型为训练所述多个车型车辆中除所述标准车型车辆之外的其他车型车辆对应的乘员损伤预测模型的初始的预测模型。
在其中一个实施例中,所述第二确定模块具体用于:
根据每个所述车型车辆在多种第一碰撞工况下的第一碰撞仿真数据,确定每个所述车型车辆对应的单项损伤指标;一个所述单项损伤指标表示所述数值仿真模型中乘员的一个身体部位的损伤情况;根据所述单项损伤指标,确定每个所述车型车辆对应的乘员综合响应指标。
在其中一个实施例中,所述第二确定模块具体用于:
确定每个所述单项损伤指标的最大值和最小值,并根据每个所述单项损伤指标的最大值和最小值,对每个所述单项损伤指标进行归一化处理;计算每个所述车型车辆对应的归一化处理后的单项损伤指标平均值,得到每个所述车型车辆对应的乘员综合响应指标。
在其中一个实施例中,所述选取模块具体用于:
将每个所述车型车辆对应的乘员综合响应指标进行排序,并选取处于中位数的所述乘员综合响应指标作为目标综合响应指标。
在其中一个实施例中,所述第一训练模块具体用于:
在预先针对所述标准车型车辆建立的乘员损伤仿真数据库中,获取第一训练样本数据和测试样本数据;每个所述第一训练样本数据和每个所述测试样本数据,包括第二碰撞工况信息和第二碰撞仿真数据,所述第二碰撞工况信息包括车辆碰撞信息、安全约束信息和乘员特征信息;将所述第一训练样本数据输入至基于循环神经网络建立的初始的预测模型进行训练,并将所述测试样本数据输入至训练后的预测模型进行测试,确定平均预测准确率;在所述平均预测准确率达到预设阈值的情况下,将所述训练后的预测模型确定为标准乘员损伤预测模型。
在其中一个实施例中,所述装置还包括获取模块和第二训练模块,其中:
所述获取模块,用于针对所述多个车型车辆中除所述标准车型车辆之外的其他车型车辆,获取每个所述其他车型车辆对应的第二训练样本数据;其中,每个所述第二训练样本数据,包括第三碰撞工况信息和第三碰撞仿真数据,所述第三碰撞工况信息包括车辆碰撞信息、安全约束信息和乘员特征信息,并且每个所述第二训练样本数据中的安全约束信息和乘员特征信息一致;
所述第二训练模块,用于基于每个所述其他车型车辆对应的第二训练样本数据,对所述标准乘员损伤预测模型进行训练,得到每个所述其他车型车辆对应的乘员损伤预测模型。
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以下步骤:
通过预先建立的多个车型车辆对应的数值仿真模型,确定每个所述车型车辆在多种第一碰撞工况下的第一碰撞仿真数据;
根据每个所述车型车辆在多种第一碰撞工况下的第一碰撞仿真数据,确定每个所述车型车辆对应的乘员综合响应指标;
在每个所述车型车辆对应的乘员综合响应指标中,选取满足中值条件的目标综合响应指标,将所述目标综合响应指标对应的车型车辆确定为标准车型车辆;
基于所述标准车型车辆对应的训练样本数据,对初始的预测模型进行训练,得到标准乘员损伤预测模型,所述标准乘员损伤预测模型为训练所述多个车型车辆中除所述标准车型车辆之外的其他车型车辆对应的乘员损伤预测模型的初始的预测模型。
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以下步骤:
通过预先建立的多个车型车辆对应的数值仿真模型,确定每个所述车型车辆在多种第一碰撞工况下的第一碰撞仿真数据;
根据每个所述车型车辆在多种第一碰撞工况下的第一碰撞仿真数据,确定每个所述车型车辆对应的乘员综合响应指标;
在每个所述车型车辆对应的乘员综合响应指标中,选取满足中值条件的目标综合响应指标,将所述目标综合响应指标对应的车型车辆确定为标准车型车辆;
基于所述标准车型车辆对应的训练样本数据,对初始的预测模型进行训练,得到标准乘员损伤预测模型,所述标准乘员损伤预测模型为训练所述多个车型车辆中除所述标准车型车辆之外的其他车型车辆对应的乘员损伤预测模型的初始的预测模型。
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以下步骤:
通过预先建立的多个车型车辆对应的数值仿真模型,确定每个所述车型车辆在多种第一碰撞工况下的第一碰撞仿真数据;
根据每个所述车型车辆在多种第一碰撞工况下的第一碰撞仿真数据,确定每个所述车型车辆对应的乘员综合响应指标;
在每个所述车型车辆对应的乘员综合响应指标中,选取满足中值条件的目标综合响应指标,将所述目标综合响应指标对应的车型车辆确定为标准车型车辆;
基于所述标准车型车辆对应的训练样本数据,对初始的预测模型进行训练,得到标准乘员损伤预测模型,所述标准乘员损伤预测模型为训练所述多个车型车辆中除所述标准车型车辆之外的其他车型车辆对应的乘员损伤预测模型的初始的预测模型。
上述车型特异性乘员损伤预测模型训练方法、装置、计算机设备、存储介质和计算机程序产品,通过对多个车型车辆对应的数值仿真模型分别在多种第一碰撞工况下仿真模拟,得到每个车型车辆对应的第一碰撞仿真数据,然后根据第一碰撞仿真数据确定每个车型车辆对应的乘员综合响应指标,进而选择满足终止条件的目标乘员综合响应指标,并将目标乘员综合响应指标对应的车型车辆确定为标准车型车辆,然后基于标准车型车辆的训练样本数据对初始的预测模型进行训练,得到标准乘员损伤预测模型,标准乘员损伤预测模型为训练该多个车型车辆中其他车型车辆对应的乘员损伤预测模型的初始的预测模型。采用本方法可以训练出一个具有车型特异性且适合进行迁移训练的标准乘员损伤预测模型,从而能够基于标准乘员损伤预测模型训练其他车型车辆对应的乘员损伤预测模型,可以显著减少其他车型车辆的训练样本数据,缩短训练多个车型车辆对应的、具有车型特异性的乘员损伤预测模型的整体训练时长、提高模型训练效率、降低模型训练成本。
附图说明
图1为一个实施例中车型特异性乘员损伤预测模型训练方法的流程示意图;
图2为一个实施例中确定乘员综合响应指标的流程示意图;
图3为一个实施例中标准乘员损伤预测模型的结构示意图;
图4为另一个实施例中车型特异性乘员损伤预测模型训练方法的流程示意图;
图5为一个实施例中车型特异性乘员损伤预测模型训练装置的结构框图;
图6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。
首先,在具体介绍本申请实施例的技术方案之前,先对本申请实施例基于的技术背景或者技术演进脉络进行介绍。随着人工智能技术的发展,自动驾驶技术逐步成熟。具体而言,通过在传统汽车上搭载传感器、控制和执行装置,实现对交通状况的感知、驾驶行为的决策、与其他车辆之间的协同控制,以辅助或取代驾驶员驾驶,实现自动驾驶。为了提高自动驾驶的安全性,出现了事故发生前的车辆乘员损伤预测方法,即在险态交通工况(由于车辆速度过高或与障碍物间距离过小,车辆已无法避免碰撞发生的情况)下,通过车载传感装置采集乘员损伤预测需要的特征信息,并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。乘员损伤预测结果可以为车辆安全系统提供控制策略参考,如优化约束系统配置,辅助轨迹规划算法选择最小化车内乘员损伤的轨迹操作等,从而实现交通参与者(包括乘员和行人)的最优保护,提高自动驾驶的安全性。相关技术中,乘员损伤预测模型的训练过程没有根据车型区分训练样本,因此得到的乘员损伤预测模型不具有车型特异性。然而,由于不同车型车辆的车身结构、材质、内饰等特征不同,相同的事故情况下,不同车型车辆的乘员损伤情况不同,因而不具有车型特异性的乘员损伤预测模型难以实现针对不同车型车辆的准确预测。因此,有必要对每个车型车辆单独训练乘员损伤预测模型。然而,若采用相关技术中的乘员损伤预测模型的训练方法,对每个车型车辆分别进行模型训练,则每个车型车辆的模型训练都需要大量的训练样本进行较长时间的训练,训练效率低、成本高。基于该背景,申请人通过长期的研发以及实验验证,提出本申请的车型特异性乘员损伤预测模型训练方法,可以提高针对多个车型车辆分别训练具有车型特异性的乘员损伤预测模型的效率。另外,需要说明的是,本申请技术问题的发现以及下述实施例介绍的技术方案,申请人均付出了大量的创造性劳动。
在一个实施例中,如图1所示,提供了一种车型特异性乘员损伤预测模型训练方法,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,通过预先建立的多个车型车辆对应的数值仿真模型,确定每个车型车辆在多种第一碰撞工况下的第一碰撞仿真数据。
其中,多个车型车辆指待进行乘员损伤预测模型训练的车型车辆。多个车型车辆可以包含不同类型的车辆,比如轿车、SUV、客车、货车等,也可以只包含属于一种类型(如普通级轿车)的不同型号的车辆。第一碰撞仿真数据包括每种第一碰撞工况下、每个车型车辆的数值仿真模型内的乘员仿真模型(即假人)各身体部位(如头、胸、颈、躯干、腿部等)的动力学响应时间序列数据(如力、力矩、加速度、速度、变形量等时间序列数据,可以设置两个数据点之间的时间间隔为1ms,时长共约200ms)。
在实施中,终端可以通过预先建立的多个车型车辆对应的数值仿真模型,如有限元模型,在多种第一碰撞工况下分别进行仿真模拟,得到每个车型车辆对应的碰撞仿真数据(即第一碰撞仿真数据)。在一个示例中,第一碰撞工况的参数设置可以包括如表1所示的五种碰撞工况参数。终端可以对每个车型车辆对应的数值仿真模型分别进行表1所示的五种碰撞工况下的仿真模拟,得到五种碰撞工况下的碰撞仿真数据。
表1第一碰撞工况参数
步骤102,根据每个车型车辆在多种第一碰撞工况下的第一碰撞仿真数据,确定每个车型车辆对应的乘员综合响应指标。
在实施中,终端可以根据每个车型车辆在多种第一碰撞工况下的第一碰撞仿真数据中一种或多种动力学响应时间序列数据,计算每个车型车辆对应的乘员综合响应指标。例如,终端可以根据每个车型车辆在每种第一碰撞工况下的头部质心处的加速度计算头部损伤指标(Head Injury Criterion,HIC),然后计算每个车型车辆在多种第一碰撞工况下的头部损伤指标的平均值,终端可以将该平均值确定为该车型车辆对应的乘员综合响应指标,终端也可以根据多种动力学响应时间序列数据计算多个单项损伤指标,然后将各单项损伤指标进行组合、或进行其他运算,得到乘员综合响应指标。
步骤103,在每个车型车辆对应的乘员综合响应指标中,选取满足中值条件的目标综合响应指标,将目标综合响应指标对应的车型车辆确定为标准车型车辆。
在实施中,终端可以在每个车型车辆对应的乘员综合响应指标中,选取满足中值条件的目标综合响应指标,例如,终端可以直接选择排序在中位数的乘员综合响应指标作为目标综合响应指标。
步骤104,基于标准车型车辆对应的训练样本数据,对初始的预测模型进行训练,得到标准乘员损伤预测模型。
其中,标准乘员损伤预测模型为训练多个车型车辆中除标准车型车辆之外的其他车型车辆对应的乘员损伤预测模型的初始的预测模型。
在实施中,终端可以获取标准车型车辆对应的训练样本数据,例如,可以预先对标准车型车辆对应的数值仿真模型,在多种第二碰撞工况下仿真模拟,得到每种第二碰撞工况下的第二碰撞仿真数据,第二碰撞工况的参数信息(即第二碰撞工况信息)包括车辆碰撞信息、安全约束信息和乘员特征信息,第二碰撞仿真数据包括乘员各身体部位(如头、胸、颈、躯干、腿部等)的动力学响应时间序列数据,一个第二碰撞工况信息和对应的第二碰撞仿真数据即为一个训练样本数据。然后,终端可以基于该训练样本数据对初始的预测模型进行训练,初始的预测模型可以采用基于循环神经网络建立的预测模型,当训练后的预测模型达到预设的预测准确率时,即将该训练后的预测模型作为标准乘员损伤预测模型。训练该多个车型车辆中除标准车型车辆之外的每个其他车型车辆对应的乘员损伤预测模型时,可以将该标准乘员损伤预测模型作为初始的预测模型进行训练。
上述车型特异性乘员损伤预测模型训练方法中,通过对多个车型车辆对应的数值仿真模型分别在多种第一碰撞工况下仿真模拟,得到每个车型车辆对应的第一碰撞仿真数据,然后根据第一碰撞仿真数据确定每个车型车辆对应的乘员综合响应指标,进而选择满足终止条件的目标乘员综合响应指标,并将目标乘员综合响应指标对应的车型车辆确定为标准车型车辆,然后基于标准车型车辆的训练样本数据对初始的预测模型进行训练,得到标准乘员损伤预测模型,标准乘员损伤预测模型为训练该多个车型车辆中其他车型车辆对应的乘员损伤预测模型的初始的预测模型。采用本方法可以训练出一个具有车型特异性且适合进行迁移训练的标准乘员损伤预测模型,从而能够基于标准乘员损伤预测模型训练其他车型车辆对应的乘员损伤预测模型,可以显著减少其他车型车辆的训练样本数据,缩短训练多个车型车辆对应的、具有车型特异性的乘员损伤预测模型的整体训练时长、提高模型训练效率、降低模型训练成本。
在一个实施例中,如图2所示,步骤102中根据第一碰撞仿真数据确定乘员综合响应指标的过程具体包括如下步骤:
步骤201,根据每个车型车辆在多种第一碰撞工况下的第一碰撞仿真数据,确定每个车型车辆对应的单项损伤指标。
其中,一个单项损伤指标表示数值仿真模型中仿真乘员的一个身体部位的损伤情况。
在实施中,终端可以根据每个车型车辆在多种第一碰撞工况下的第一碰撞仿真数据,确定每个车型车辆对应的单项损伤指标。在一个示例中,第一碰撞仿真数据包括从碰撞开始时刻至碰撞终止时刻的乘员头部质心加速度时间序列数据、头部质心角速度时间序列数据、胸腔厚度时间序列数据、胸部加速度时间序列数据和胸部压缩位移时间序列数据、乘员颈部枕髁处的轴力和弯矩时间序列数据、乘员股骨承受的轴向力时间序列数据、乘员胫骨处的轴力和弯矩时间序列数据,相应的,单项损伤指标包括头部损伤指标、头部旋转损伤指标、胸部压缩量、综合胸部指数、颈部损伤指标、股骨最大轴向力、胫骨指数共7种指标,以下为每种单项损伤指标的说明和计算方法。
1、头部损伤指标(Head Injury Criterion,HIC)
HIC通过乘员头部质心处的加速度来表示颅骨骨折的损伤情况,单位为m2.5/s4。终端可以获取碰撞仿真数据中的乘员头部质心加速度时间序列数据,然后根据如下公式计算HIC值:
其中,ag(t)是碰撞时刻t时的乘员头部质心加速度,以重力加速度为单位;t0和tT分别是碰撞开始时刻和碰撞终止时刻;碰撞时刻t1和碰撞时刻t2分别为用于计算HIC的开始时刻和终止时刻,t1与t2的差值小于预设阈值,例如预设阈值可以为15ms,即t2-t1小于15ms。
2、头部旋转损伤指标(Brain Injury Criterion,BrIC)
BrIC通过乘员头部质心处的角速度来表示因头部旋转造成的脑部损伤情况。终端可以获取碰撞仿真数据中的x、y、z轴三个方向的头部质心角速度时间序列数据(x轴方向指车头向前延伸的方向,y轴方向指车辆向左延伸的方向,z轴方向指垂直车辆向上延伸的方向),并确定x、y、z轴三个方向的头部质心角速度的最大值,然后按照如下公式计算BrIC值:
其中,ωx、ωy、ωz分别为x、y、z轴方向的头部质心角速度的最大值;ωxc、ωyc、ωzc分别为x、y、z轴方向的头部质心标准角速度,基于和脑的主应变的相关性,可以预设该三个方向的头部质心标准角速度分别为66.3rad/s、53.8rad/s、41.5rad/s。
3、胸部压缩量(Chest displacement,Cdisp)
Cdisp为碰撞过程中乘员胸部的最大压缩程度。终端可以获取碰撞仿真数据中的胸腔厚度时间序列数据,并确定胸腔厚度的最小值(即碰撞过程中最大压缩后的胸腔厚度),然后计算碰撞初始时刻的胸腔厚度值(即压缩前的胸腔厚度)与胸腔厚度的最小值的差值,再计算该差值与碰撞初始时刻的胸腔厚度值的比值,由百分比表示,得到胸部压缩量Cdisp。
4、综合胸部指数(Combined Thoracic Index,CTI)
CTI通过胸部加速度和胸部压缩位移组合计算得到。终端可以获取碰撞仿真数据中的胸部加速度时间序列数据和胸部压缩位移时间序列数据,并确定胸部加速度的最大值和胸部压缩位移的最大值,然后根据如下公式计算CTI值:
其中,Amax为胸部加速度的最大值(即胸部最大加速度),Dmax为胸部压缩位移的最大值(即胸部最大压缩位移)。Aint和Dint分别指加速度和压缩位移与轴相交的截距,本实施例中使用联邦机动车安全标准FMVSS 208中规定的值,即Aint=90m/s2,Dint=103mm。
5、颈部损伤指标(Neck Injury Criterion,Nij)
Nij由碰撞过程中乘员颈部枕髁处的轴力和弯矩组合计算得到。终端可以获取碰撞仿真数据中的乘员颈部枕髁处的轴力和弯矩时间序列数据、以及每一碰撞时刻对应的颈部的载荷状况类型。其中,颈部的载荷状况分为两大类,分别为屈曲(包括拉伸屈曲和压缩屈曲)和伸展(包括拉伸伸展和压缩伸展)。然后,终端根据每一碰撞时刻对应的乘员颈部枕髁处的轴力和弯矩,按照如下公式计算,得到的最大值即为Nij值。
其中,Fz,t和My,t分别为碰撞时刻t对应的乘员颈部枕髁处的轴力和弯矩。Fint和Mint分别为轴力和弯矩与轴相交的截距,本示例中,Fint和Mint可以使用FMVSS 208中规定的值,其中,Fint=4500N,int值与颈部的载荷状况类型相关,若碰撞时刻t对应的颈部的载荷状况类型为屈曲,则Mint=310N·m,若碰撞时刻t对应的颈部的载荷状况类型为伸展,则Mint=125N·m。
6、股骨最大轴向力(Force of Femur,Ffem)
Ffem为碰撞过程中乘员股骨承受的最大轴向力。终端可以获取碰撞仿真数据中的乘员股骨承受的轴向力时间序列数据,并确定乘员股骨承受的轴向力的最大值,即得到股骨最大轴向力。
7、胫骨指数(Tibia Index,TI)
TI为碰撞过程中乘员胫骨处的轴力和弯矩组合计算得到。终端可以获取碰撞仿真数据中的乘员胫骨处的轴力和弯矩时间序列数据(弯矩包括x轴和y轴两个方向的弯矩),然后,终端将每一碰撞时刻对应的乘员胫骨处的轴力和弯矩,按照如下公式计算,得到的最大值即为TI值。
其中,Fz,t是碰撞时刻t对应的乘员胫骨处的轴力,Mx,t和My,t分别为碰撞时刻t对应的乘员胫骨处的x轴方向和y轴方向的弯矩,Mc和Fc为预设值,本示例中,Mc=225N·m,Fc=35.9kN。
在其他实施例中,单项损伤指标还可以包括指示其他身体部位损伤情况的指标,例如根据腹部的最大压力得到指示腹部损伤情况的指标,根据上肢(小臂或大臂)的最大轴向力和最大弯矩得到指示上肢损伤情况的指标,根据足部踝关节的最大弯矩得到指示足部损伤情况的指标等。
步骤202,根据单项损伤指标,确定每个车型车辆对应的乘员综合响应指标。
在实施中,终端在确定出每个车型车辆对应的单项损伤指标后,可以根据单项损伤指标,计算每个车型车辆对应的乘员综合响应指标。例如,可以将步骤201中得到的7种单项损伤指标相乘,或者分别进行归一化处理后再求平均,得到的乘积或平均值,即为每个车型车辆对应的乘员综合响应指标。
本实施例中,通过计算单项损伤指标,然后根据单项损伤指标计算乘员综合响应指标,进而可以更准确的选出合适的标准车型车辆,即基于该标准车型车辆的标准乘员损伤预测模型进行其他车型车辆的预测模型训练时,更有利于提高整体的训练效率。
在一个实施例中,步骤202中根据单项损伤指标确定乘员综合响应指标的具体过程包括如下步骤:确定每个单项损伤指标的最大值和最小值,并根据每个单项损伤指标的最大值和最小值,对每个单项损伤指标进行归一化处理;计算每个车型车辆对应的归一化处理后的单项损伤指标平均值,得到每个车型车辆对应的乘员综合响应指标。
在实施中,终端可以根据多个车型车辆在多种第一碰撞工况下的每个单项损伤指标,确定该单项损伤指标的最大值和最小值。例如,对于N个车型车辆在M种第一碰撞工况下分别计算得到的头部损伤指标HIC(即得到M*N个HIC值),终端可以在该M*N个HIC值中,确定出最大值和最小值,同理,终端可以分别确定出其他每个单项损伤指标(如头部旋转损伤指标、胸部压缩量、综合胸部指数、颈部损伤指标、股骨最大轴向力、胫骨指数)的最大值和最小值。然后,终端可以根据每个单项损伤指标的最大值和最小值,对每个车型车辆对应的每个单项损伤指标进行归一化处理,得到归一化处理后的单项损伤指标。
例如,终端可以计算HIC值的最大值和最小值的差值,然后将每个HIC值除以该差值,得到的比值即为一个归一化处理后的HIC值,终端也可以计算每个HIC值与最小值的第一差值,以及最大值和最小值的第二差值,然后计算第一差值和第二差值的比值,得到归一化处理后的HIC值,同理可以得到归一化处理后的每个单项损伤指标的值。然后,终端可以计算每个车型车辆对应的归一化处理后的单项损伤指标的平均值,该平均值即为该车型车辆对应的乘员综合响应指标。在一个示例中,对于N个车型车辆中每个车型车辆对应的乘员综合响应指标(可记为Inj),计算公式如下所示:
其中,i代表5种第一碰撞工况,j代表7种单项损伤指标,Inji,j为一个车型车辆在第i种碰撞工况下的第j种单项损伤指标,Injmax,j和Injmin,j分别表示从N个车型车辆在5种第一碰撞工况下的第j种单项损伤指标中(共N*5个第j种单项损伤指标),确定出的第j种单项损伤指标的最大值和最小值。
本实施例中,通过根据单项损伤指标的最大值和最小值对单项损伤指标进行归一化处理,然后求平均值,得到乘员综合响应指标,进而可以选出更合适的标准车型车辆,得到的标准乘员损伤预测模型作为其他车型车辆的初始的预测模型时,更有利于提高整体的训练效率。
在一个实施例中,步骤103中选取目标综合响应指标的过程具体包括如下步骤:将每个车型车辆对应的乘员综合响应指标进行排序,并选取处于中位数的乘员综合响应指标作为目标综合响应指标。
在实施中,终端在得到每个车型车辆对应的乘员综合响应指标后,可以将每个车型车辆对应的乘员综合响应指标进行排序,得到乘员综合响应指标序列。然后,终端可以选取处于乘员综合响应指标序列中间位置的乘员综合响应指标作为目标综合响应指标。
本实施例中,通过将乘员综合响应指标进行排序,选择处于序列中间位置的乘员综合响应指标作为目标综合响应指标,以此选取出的标准车型车辆,可以兼顾选取效率和准确性。
在一个实施例中,步骤104中训练标准乘员损伤预测模型的具体过程包括如下步骤:
在预先针对标准车型车辆建立的乘员损伤仿真数据库中,获取第一训练样本数据和测试样本数据;将第一训练样本数据输入至基于循环神经网络建立的初始的预测模型进行训练,并将测试样本数据输入至训练后的预测模型进行测试,确定平均预测准确率;在平均预测准确率达到预设阈值的情况下,将训练后的预测模型确定为标准乘员损伤预测模型。
其中,每个第一训练样本数据和每个测试样本数据,包括第二碰撞工况信息和第二碰撞仿真数据,第二碰撞工况信息包括车辆碰撞信息、安全约束信息和乘员特征信息。车辆碰撞信息包括碰撞速度、碰撞角度、两车重叠率等,安全约束信息包括安全带使用情况(即是否使用安全带)、安全气囊使用情况(即是否引爆安全气囊)、安全带限力情况、安全带预紧情况等,乘员特征信息包括乘员性别、乘员身高、乘员体重等。第二碰撞仿真数据包括乘员各身体部位(如头、胸、颈、躯干、腿部等)的动力学响应时间序列数据(如乘员头部质心加速度时间序列数据)。
在实施中,可以预先对标准车型车辆对应的数值仿真模型在多个第二碰撞工况下进行仿真模拟,得到多个样本数据,然后可以将样本数据存储于标准车型车辆对应的乘员损伤仿真数据库中。由于标准车型车辆的样本数据将用于标准乘员损伤预测模型的训练,因此需要保证其具有分布范围广、数据规模大的特点,在一个示例中,可以基于表2所示的仿真参数矩阵进行随机采点,得到预设数量(如5000个)的仿真参数,然后基于该仿真参数对标准车型车辆对应的数值仿真模型进行仿真模拟,建立乘员损伤数值数据库。
表2标准车型车辆的仿真参数矩阵
然后,终端可以在标准车型车辆对应的乘员损伤仿真数据库中,获取第一训练样本数据和测试样本数据,如4000个训练样本数据和1000个测试样本数据。然后,终端可以将第一训练样本数据输入至基于循环神经网络建立的初始的预测模型进行训练。在一个示例中,初始的预测模型的结构如图3所示,可以采用双向的(Bi-direction)LSTM(Long Short-Term Memory)的编解码器模型(Encoder-Decoder),为实现更好的预测准确率,可以使用嵌入层(Embedding layer)、线性层和ReLU层对输入信息(即第二碰撞工况信息)进行处理,以增强标准乘员损伤预测模型的处理能力。具体的预测模型参数如表3所示。
表3预测模型参数
在预测模型训练过程中,以预测结果(即预测模型输出的动力学响应时间序列数据,如乘员头部质心加速度时间序列数据)和目标结果(即训练样本数据中的动力学响应时间序列数据,如乘员头部质心加速度时间序列数据)之间的交叉熵损失(Cross-entropyloss)作为损失函数,并采用自适应动量估计(adaptive moment estimation,ADAM)作为预测模型训练的优化器。为了防止过拟合现象的出现,可以采用L2正则化(L2regularization)、网络节点随机丢弃(dropout)和提前停止(Early stop)等处理。然后,终端可以将测试样本数据输入至训练后的预测模型进行测试,得到预测结果(如乘员头部质心加速度时间序列数据),并判断预测结果是否准确。
例如,终端可以根据每个测试样本数据对应的预测结果中的乘员头部质心加速度时间序列数据,计算预测的HIC值,然后根据预测的HIC值确定预测的头部损伤AIS(Abbreviated Injury Scale,简明损伤等级)。以及,终端可以根据每个测试样本数据中的乘员头部质心加速度时间序列数据,确定目标头部损伤AIS。然后,终端可以判断预测的头部损伤AIS和目标头部损伤AIS是否一致,若一致,则预测准确,若不一致,则预测不准确。终端可以在每个测试样本数据对应的预测结果中统计预测准确的数量,然后计算预测准确的数量与测试总数量的比值,该比值即为平均预测准确率。然后,终端可以在平均预测准确率达到(即大于或等于)预设阈值的情况下,将该训练后的预测模型确定为标准乘员损伤预测模型。若平均预测准确率小于该预设阈值,则进一步调整预测模型的网络结构和参数,重新进行训练,直到训练后的预测模型的平均预测准确率达到预设阈值。
本实施例中训练出的标准乘员损伤预测模型,可以兼顾预测准确率和预测实时性,基于该标准乘员损伤预测模型对其他车型进行模型训练时,可以显著提高模型训练的整体效率。
在一个实施例中,如图4所示,该方法还包括训练其他车型车辆对应的乘员损伤预测模型的过程,具体包括如下步骤:
步骤401,针对多个车型车辆中除标准车型车辆之外的其他车型车辆,获取每个其他车型车辆对应的第二训练样本数据。
其中,每个第二训练样本数据,包括第三碰撞工况信息和第三碰撞仿真数据,第三碰撞工况信息包括车辆碰撞信息、安全约束信息和乘员特征信息,并且每个第二训练样本数据中的安全约束信息和乘员特征信息一致。
在实施中,针对多个车型车辆中除标准车型车辆之外的其他车型车辆,终端可以获取每个其他车型车辆对应的第二训练样本数据。例如,可以预先针对每个其他车型车辆对应的数值仿真模型,在多个第三碰撞工况下进行仿真模拟,建立每个其他车型车辆对应的乘员损伤仿真数据库。在一个示例中,可以基于表4所示的仿真参数矩阵进行随机采点,并增大采点的稀疏性,其中,每次碰撞仿真模拟的安全约束信息和乘员特征信息保持一致。然后,终端可以在其他车型车辆对应的乘员损伤仿真数据库中,获取预设数量(如500个)的训练样本数据。
表4其他车型车辆的仿真参数矩阵
步骤402,基于每个其他车型车辆对应的第二训练样本数据,对标准乘员损伤预测模型进行训练,得到每个其他车型车辆对应的乘员损伤预测模型。
在实施中,终端可以将每个其他车型车辆对应的待训练的初始的预测模型,初始化为标准乘员损伤预测模型,然后使用该其他车型车辆对应的第二训练样本数据对标准乘员损伤预测模型进行训练。在一个示例中,预测模型的结构如图3所示,在训练过程中,由于输入信息(即第三碰撞工况信息)中的安全约束信息和乘员特征信息保持一致,相应的,对安全约束信息和乘员特征信息进行处理的嵌入层、线性层和ReLU层的网络参数也保持固定不变,防止由于数据库的不完善而造成的参数偏差。训练过程中可以采用预测结果和目标结果之间的交叉熵损失为损失函数,自适应矩估计为优化器。然后,终端可以将训练后达到预设平均预测准确率的预测模型,作为该其他车型车辆对应的乘员损伤预测模型。
本实施例中,由于不同车型对于乘员损伤影响的差异性,主要体现于车辆层面,具体的,由于车身结构、力学性能不同,不同车型对于碰撞速度、碰撞角度、重叠率具有不同的响应特点,对不同车外因素极其敏感,缺乏统一的规律,而车内因素(包括安全约束和乘员等因素)对于不同车型具有一致或相似的影响规律,因此可将其忽略,故其他车型车辆对应的训练样本数据中的安全约束信息和乘员特征信息保持一致,由此可以减少训练样本量,进一步提高模型训练效率。在一个示例中,通过本方法,训练标准乘员损伤预测模型时,平均预测准确率(本示例为对于头部损伤AIS的预测准确率)达到80%时,需要约3个小时的训练时长(CPU:Intel Core i9-10900K 3.70GHz;GPU:NVIDIA RTX3090),训练其他车型车辆对应的乘员损伤预测模型时,平均预测准确率(本示例为对于头部损伤AIS的预测准确率)达到80%时仅需约14分钟的训练时长。实验结果证明,本方法用于训练多个车型车辆对应的具有车型特异性的乘员损伤预测模型时,可以显著提高模型训练的整体效率,节约开发成本。
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车型特异性乘员损伤预测模型训练方法的车型特异性乘员损伤预测模型训练装置。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车型特异性乘员损伤预测模型训练装置实施例中的具体限定可以参见上文中对于车型特异性乘员损伤预测模型训练方法的限定,在此不再赘述。
在一个实施例中,如图5所示,提供了一种车型特异性乘员损伤预测模型训练装置500,包括:第一确定模块501、第二确定模块502、选取模块503和第一训练模块504,其中:
第一确定模块501,用于通过预先建立的多个车型车辆对应的数值仿真模型,确定每个车型车辆在多种第一碰撞工况下的第一碰撞仿真数据;
第二确定模块502,用于根据每个车型车辆在多种第一碰撞工况下的第一碰撞仿真数据,确定每个车型车辆对应的乘员综合响应指标;
选取模块503,用于在每个车型车辆对应的乘员综合响应指标中,选取满足中值条件的目标综合响应指标,将目标综合响应指标对应的车型车辆确定为标准车型车辆;
第一训练模块504,用于基于标准车型车辆对应的训练样本数据,对初始的预测模型进行训练,得到标准乘员损伤预测模型,标准乘员损伤预测模型为训练多个车型车辆中除标准车型车辆之外的其他车型车辆对应的乘员损伤预测模型的初始的预测模型。
在一个实施例中,第二确定模块502具体用于:
根据每个车型车辆在多种第一碰撞工况下的第一碰撞仿真数据,确定每个车型车辆对应的单项损伤指标;一个单项损伤指标表示数值仿真模型中乘员的一个身体部位的损伤情况;根据单项损伤指标,确定每个车型车辆对应的乘员综合响应指标。
在一个实施例中,第二确定模块502具体用于:
确定每个单项损伤指标的最大值和最小值,并根据每个单项损伤指标的最大值和最小值,对每个单项损伤指标进行归一化处理;计算每个车型车辆对应的归一化处理后的单项损伤指标平均值,得到每个车型车辆对应的乘员综合响应指标。
在一个实施例中,选取模块503具体用于:
将每个车型车辆对应的乘员综合响应指标进行排序,并选取处于中位数的乘员综合响应指标作为目标综合响应指标。
在一个实施例中,第一训练模块504具体用于:
在预先针对标准车型车辆建立的乘员损伤仿真数据库中,获取第一训练样本数据和测试样本数据;每个第一训练样本数据和每个测试样本数据,包括第二碰撞工况信息和第二碰撞仿真数据,第二碰撞工况信息包括车辆碰撞信息、安全约束信息和乘员特征信息;将第一训练样本数据输入至基于循环神经网络建立的初始的预测模型进行训练,并将测试样本数据输入至训练后的预测模型进行测试,确定平均预测准确率;在平均预测准确率达到预设阈值的情况下,将训练后的预测模型确定为标准乘员损伤预测模型。
在一个实施例中,该装置还包括获取模块和第二训练模块,其中:
获取模块,用于针对多个车型车辆中除标准车型车辆之外的其他车型车辆,获取每个其他车型车辆对应的第二训练样本数据;其中,每个第二训练样本数据,包括第三碰撞工况信息和第三碰撞仿真数据,第三碰撞工况信息包括车辆碰撞信息、安全约束信息和乘员特征信息,并且每个第二训练样本数据中的安全约束信息和乘员特征信息一致。
第二训练模块,用于基于每个其他车型车辆对应的第二训练样本数据,对标准乘员损伤预测模型进行训练,得到每个其他车型车辆对应的乘员损伤预测模型。
上述车型特异性乘员损伤预测模型训练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6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车型特异性乘员损伤预测模型训练方法。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6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,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。
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)
1.一种车型特异性乘员损伤预测模型训练方法,其特征在于,所述方法包括:
通过预先建立的多个车型车辆对应的数值仿真模型,确定每个所述车型车辆在多种第一碰撞工况下的第一碰撞仿真数据;
根据每个所述车型车辆在多种第一碰撞工况下的第一碰撞仿真数据,确定每个所述车型车辆对应的乘员综合响应指标;
在每个所述车型车辆对应的乘员综合响应指标中,选取满足中值条件的目标综合响应指标,将所述目标综合响应指标对应的车型车辆确定为标准车型车辆;
基于所述标准车型车辆对应的训练样本数据,对初始的预测模型进行训练,得到标准乘员损伤预测模型,所述标准乘员损伤预测模型为训练所述多个车型车辆中除所述标准车型车辆之外的其他车型车辆对应的乘员损伤预测模型的初始的预测模型;其中,所述初始的预测模型为基于循环神经网络建立的模型;
针对所述多个车型车辆中除所述标准车型车辆之外的其他车型车辆,获取每个所述其他车型车辆对应的第二训练样本数据;其中,每个所述第二训练样本数据,包括第三碰撞工况信息和第三碰撞仿真数据,所述第三碰撞工况信息包括车辆碰撞信息、安全约束信息和乘员特征信息,并且每个所述第二训练样本数据中的安全约束信息和乘员特征信息一致;
基于每个所述其他车型车辆对应的第二训练样本数据,对所述标准乘员损伤预测模型进行训练,得到每个所述其他车型车辆对应的乘员损伤预测模型;其中,所述标准乘员损伤预测模型包括嵌入层、线性层和ReLU层,对所述标准乘员损伤预测模型进行训练的过程中,对所述安全约束信息和所述乘员特征信息进行处理的所述嵌入层、线性层和ReLU层的网络参数保持不变。
2.根据权利要求1所述的方法,其特征在于,所述根据每个所述车型车辆在多种第一碰撞工况下的第一碰撞仿真数据,确定每个所述车型车辆对应的乘员综合响应指标,包括:
根据每个所述车型车辆在多种第一碰撞工况下的第一碰撞仿真数据,确定每个所述车型车辆对应的单项损伤指标;一个所述单项损伤指标表示所述数值仿真模型中乘员的一个身体部位的损伤情况;
根据所述单项损伤指标,确定每个所述车型车辆对应的乘员综合响应指标。
3.根据权利要求2所述的方法,其特征在于,所述根据所述单项损伤指标,确定每个所述车型车辆对应的乘员综合响应指标,包括:
确定每个所述单项损伤指标的最大值和最小值,并根据每个所述单项损伤指标的最大值和最小值,对每个所述单项损伤指标进行归一化处理;
计算每个所述车型车辆对应的所述归一化处理后的单项损伤指标的平均值,得到每个所述车型车辆对应的乘员综合响应指标。
4.根据权利要求1所述的方法,其特征在于,所述在每个所述车型车辆对应的乘员综合响应指标中,选取满足中值条件的目标综合响应指标,包括:
将每个所述车型车辆对应的乘员综合响应指标进行排序,并选取处于中位数的所述乘员综合响应指标作为目标综合响应指标。
5.根据权利要求1所述的方法,其特征在于,所述基于所述标准车型车辆对应的训练样本数据,对初始的预测模型进行训练,得到标准乘员损伤预测模型,包括:
在预先针对所述标准车型车辆建立的乘员损伤仿真数据库中,获取第一训练样本数据和测试样本数据;每个所述第一训练样本数据和每个所述测试样本数据,包括第二碰撞工况信息和第二碰撞仿真数据,所述第二碰撞工况信息包括车辆碰撞信息、安全约束信息和乘员特征信息;
将所述第一训练样本数据输入至基于循环神经网络建立的初始的预测模型进行训练,并将所述测试样本数据输入至训练后的预测模型进行测试,确定平均预测准确率;
在所述平均预测准确率达到预设阈值的情况下,将所述训练后的预测模型确定为标准乘员损伤预测模型。
6.一种车型特异性乘员损伤预测模型训练装置,其特征在于,所述装置包括:
第一确定模块,用于通过预先建立的多个车型车辆对应的数值仿真模型,确定每个所述车型车辆在多种第一碰撞工况下的第一碰撞仿真数据;
第二确定模块,用于根据每个所述车型车辆在多种第一碰撞工况下的第一碰撞仿真数据,确定每个所述车型车辆对应的乘员综合响应指标;
选取模块,用于在每个所述车型车辆对应的乘员综合响应指标中,选取满足中值条件的目标综合响应指标,将所述目标综合响应指标对应的车型车辆确定为标准车型车辆;
第一训练模块,用于基于所述标准车型车辆对应的训练样本数据,对初始的预测模型进行训练,得到标准乘员损伤预测模型,所述标准乘员损伤预测模型为训练所述多个车型车辆中除所述标准车型车辆之外的其他车型车辆对应的乘员损伤预测模型的初始的预测模型;其中,所述初始的预测模型为基于循环神经网络建立的模型;
获取模块,用于针对所述多个车型车辆中除所述标准车型车辆之外的其他车型车辆,获取每个所述其他车型车辆对应的第二训练样本数据;其中,每个所述第二训练样本数据,包括第三碰撞工况信息和第三碰撞仿真数据,所述第三碰撞工况信息包括车辆碰撞信息、安全约束信息和乘员特征信息,并且每个所述第二训练样本数据中的安全约束信息和乘员特征信息一致;
第二训练模块,用于基于每个所述其他车型车辆对应的第二训练样本数据,对所述标准乘员损伤预测模型进行训练,得到每个所述其他车型车辆对应的乘员损伤预测模型;其中,所述标准乘员损伤预测模型包括嵌入层、线性层和ReLU层,对所述标准乘员损伤预测模型进行训练的过程中,对所述安全约束信息和所述乘员特征信息进行处理的所述嵌入层、线性层和ReLU层的网络参数保持不变。
7.根据权利要求6所述的装置,其特征在于,所述第二确定模块具体用于:
确定每个所述单项损伤指标的最大值和最小值,并根据每个所述单项损伤指标的最大值和最小值,对每个所述单项损伤指标进行归一化处理;计算每个所述车型车辆对应的归一化处理后的单项损伤指标平均值,得到每个所述车型车辆对应的乘员综合响应指标。
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5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5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,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111670547.9A CN114418200B (zh) | 2021-12-31 | 2021-12-31 | 车型特异性乘员损伤预测模型训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111670547.9A CN114418200B (zh) | 2021-12-31 | 2021-12-31 | 车型特异性乘员损伤预测模型训练方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114418200A CN114418200A (zh) | 2022-04-29 |
CN114418200B true CN114418200B (zh) | 2023-04-21 |
Family
ID=81272134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111670547.9A Active CN114418200B (zh) | 2021-12-31 | 2021-12-31 | 车型特异性乘员损伤预测模型训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114418200B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976423A (zh) * | 2023-06-09 | 2023-10-31 | 清华大学 | 融合事故后车辆动力学的事故前风险评估模型的训练方法 |
CN117744421A (zh) * | 2023-11-10 | 2024-03-22 | 中山大学 | 一种飞行汽车海上迫降乘员损伤评价方法、系统及设备 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310119A (zh) * | 2013-07-05 | 2013-09-18 | 湖南大学 | 基于损伤评价的车辆碰撞乘员约束系统摩擦特性的反分析方法 |
CN106056152A (zh) * | 2016-05-27 | 2016-10-26 | 大连楼兰科技股份有限公司 | 基于人工智能半监督学习birch方法建立不同车型分目标远程定损系统及方法 |
CN106055777A (zh) * | 2016-05-27 | 2016-10-26 | 大连楼兰科技股份有限公司 | 基于人工智能半监督学习自训练方法建立不同车型分零件远程定损系统及方法 |
CN106056147A (zh) * | 2016-05-27 | 2016-10-26 | 大连楼兰科技股份有限公司 | 基于人工智能径向基函数神经网络方法建立不同分车型分目标远程定损系统及方法 |
GB201704023D0 (en) * | 2017-03-14 | 2017-04-26 | Cimtek Systems Ltd | Methods and/or systems of predicting the degree of bodily harm in an accident |
CN110377988B (zh) * | 2019-07-08 | 2020-05-22 | 清华大学 | 乘员道路交通事故损伤预测方法 |
CN110766213A (zh) * | 2019-10-15 | 2020-02-07 | 清华大学 | 汽车乘员碰撞损伤预测方法及计算机设备 |
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 |
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 |
-
2021
- 2021-12-31 CN CN202111670547.9A patent/CN114418200B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114418200A (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114418200B (zh) | 车型特异性乘员损伤预测模型训练方法及装置 | |
Crandall et al. | Human surrogates for injury biomechanics research | |
US11040712B2 (en) | Information processing apparatus and information processing method | |
JP7398383B2 (ja) | テレマティクスデータに基づく車両分類 | |
Adam et al. | Identification of occupant posture using a Bayesian classification methodology to reduce the risk of injury in a collision | |
Gu et al. | Reliability-based robust assessment for multiobjective optimization design of improving occupant restraint system performance | |
Arun et al. | Evaluation of kinematics and injuries to restrained occupants in far-side crashes using full-scale vehicle and human body models | |
CN110766213A (zh) | 汽车乘员碰撞损伤预测方法及计算机设备 | |
CN115345347A (zh) | 交通风险预测方法、装置、计算机设备和存储介质 | |
CN114386691A (zh) | 基于应激姿态预测的乘员损伤预测方法和装置 | |
CN116680552A (zh) | 一种乘员损伤预测方法、装置及车辆 | |
Jiang et al. | Relevance analysis of AEB control strategy and occupant kinematics based on typical cut-in scenario | |
Ito et al. | Crash pulse optimization for occupant protection at various impact velocities | |
Zualkernan et al. | Intelligent accident detection classification using mobile phones | |
Xiao et al. | Optimal design of pre-triggering airbag system for occupant protection performance during frontal crashes | |
JP5929695B2 (ja) | 運転診断装置、運転診断方法、プログラム及び媒体 | |
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 | |
Guleyupoglu et al. | Failed rib region prediction in a human body model during crash events with precrash braking | |
CN114418203B (zh) | 基于碰撞关键特征数据的乘员损伤预测方法及装置 | |
Meijer et al. | A first step in computer modelling of the active human response in a far-side impact | |
Takahashi et al. | Prediction of probability of fatality due to brain injury in traffic accidents | |
CN115841712A (zh) | 一种基于v2x技术的驾驶数据处理方法、装置及设备 | |
Jiang et al. | Kinematics simulation and head injury analysis for rollovers using MADYMO | |
Teoh et al. | The association between data collected in IIHS side crash tests and real-world driver death risk | |
CN114371708B (zh) | 自动驾驶算法保护性能评测方法和装置 |
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 |