CN115099097A - 一种基于感知的车辆损伤预测方法、系统、电子设备及车辆 - Google Patents

一种基于感知的车辆损伤预测方法、系统、电子设备及车辆 Download PDF

Info

Publication number
CN115099097A
CN115099097A CN202210736832.4A CN202210736832A CN115099097A CN 115099097 A CN115099097 A CN 115099097A CN 202210736832 A CN202210736832 A CN 202210736832A CN 115099097 A CN115099097 A CN 115099097A
Authority
CN
China
Prior art keywords
collision
vehicle
module
perception
deformation
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
CN202210736832.4A
Other languages
English (en)
Inventor
李锐阳
崔泰松
张彬
杜斌
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.)
Chongqing Changan Automobile Co Ltd
Original Assignee
Chongqing Changan Automobile Co Ltd
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 Chongqing Changan Automobile Co Ltd filed Critical Chongqing Changan Automobile Co Ltd
Priority to CN202210736832.4A priority Critical patent/CN115099097A/zh
Publication of CN115099097A publication Critical patent/CN115099097A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明的提供一种基于感知的车辆损伤预测方法、系统、电子设备及车辆，预测步骤包括S1确定碰撞方向，S2确定碰撞位置，S3预测关键点的变形量，S4确定受损部件。系统从感知模块、整车信息模块和加速度传感器模块获得碰撞前和碰撞后的相关信息，通过车载计算模块计算车辆的变形区域和事故严重程度，并根据存储器模块中存储的部件坐标信息，确定受损部件清单，最终实现车辆碰撞方向、严重度以及受损部件的预测。本发明结合现在的感知系统，实现在发生碰撞后可及时预测车辆损伤详情，预测精度高，无需增加成本，方便后续将信息通过云平台分享给相关的救援方。

Description

一种基于感知的车辆损伤预测方法、系统、电子设备及车辆
技术领域
本发明涉及车辆碰撞损伤领域，尤其涉及基于感知的车辆损伤预测方法。
背景技术
车辆发生事故后，如果能远程及时获取车辆的损伤情况，相关救援方可为发生严重事故的客户提供救援、拖车服务，4S店可及时联系车主为其提供车辆维修服务，保险公司可根据车辆损伤情况远程审核、定损，主机厂可及时告知客户车辆的详细受损部件清单，提升用户的感知度。然而，目前判断车辆的损伤情况主要是依赖于车主提供的现场的照片，这种方式存在很多问题，一方面，对于严重事故，车主因昏厥、惊吓等原因失去了提供照片的能力，另一方面，现场照片只能看到车损表面，内部受损部件需要去维修点拆解确定。有技术采取有限元仿真来重现车辆的损伤详情，其预测精度高，但是耗时久，成本高，无法及时获得车损详情。保险公司有采用深度学习算法对碰撞后的照片进行定损的尝试，但仅对轻微事故有较好的精度，对于严重事故，仍然难以预测车辆内部的受损部件。
随着ADAS技术的迅速发展，毫米波雷达、超声波雷达、摄像头等感知系统已被广泛应用，感知系统为AEB、ACC、BSD等辅助驾驶功能提供车外环境信息及目标车的运动信息，同时，也为预测车辆的碰撞位置提供了可能。
发明内容
针对以上存在的技术问题，本发明的目的在于提供一种基于感知的车辆损伤预测方法、系统、电子设备及车辆，结合现在的感知系统，预测车辆发生碰撞后碰撞方向、事故的严重度以及具体的受损部件清单，达到在发生碰撞后可及时预测车辆损伤详情的目的。
本发明通过以下技术方案实现本发明的价值：
本发明在第一方面，提供一种基于感知的车辆损伤预测方法，实现的主要步骤如下，
S1确定碰撞方向。
所述碰撞方向指确定自车的主要受力方向，可分为正面碰撞、尾部碰撞、左侧碰撞和右侧碰撞。碰撞方向的确定可通过加速度传感器、压力传感器等确定。加速度传感器可利用气囊点爆系统的传感器，无需增加成本，也可在车身周围布置压力传感器，可靠性更高，但也会增加额外成本。
S2确定碰撞位置(重叠率)。
碰撞位置由感知模块确定，具体是根据碰撞前0.5s以内ADAS感知模块的信息确定自车与目标物的重叠率，得到的感知模块的信息越接近碰撞0时刻，其信息越准确，因此选取的时刻不易超过0.5s。实现正面碰撞和尾部碰撞重叠率25％、50％、75％、100％的区分、对侧面碰撞重叠率实现前段碰撞、中段碰撞和尾段碰撞的区分。
碰撞位置的确定依赖ADAS感知系统，如停车用超声波雷达，也可以通过前毫米波雷达和超声波雷达综合确定，也可以通过摄像头确定碰撞目标物的位置。
S3预测关键点的变形量。
由计算模块完成变形量的预测，对于不同方向的碰撞，各选取一系列关键点，通过仿真构造样本，寻求不同碰撞场景下，场景参数与关键点变形量的关系，这种关系即为预测模型。
所述场景参数，指碰撞目标物的类型(object)、相对速度(Δv)、重叠率(overlap)、碰撞角度(angle)、目标物质量(mass)。
所述关键点一般选取前后保险杆、门槛侧围等覆盖件上的点，得到这些关键点的最大变形量可预估车辆的损伤区域。
所述仿真构造样本指在由场景参数构成的同一空间中随机采样，构成仿真样本矩阵，通过构建有限元模型，利用有限元求解方法，得到每个样本的变形量及碰撞加速度曲线，构成样本集。所述样本集的特征包括两部分，一是场景参数，二是碰撞加速度的特征值，所述特征值指加速度曲线的均值和最大值，所述样本集的标签指变形量。
预测模型采用回归类机器学习模型，取样本集中的一部分作为训练样本，确定模型参数，余下的部分作为验证样本，用于评价模型精度。如精度不满足预设要求，则再次增加样本集的容量，并重新训练，直到满足精度要求。所述精度指标为评价回归模型的指标，如均方误差(MSE)、平均绝对误差(MAE)，要求可根据实际情况定义，要求越高，预测精度越高，所需要的样本量也越多。
S4确定受损部件。
根据关键点变形量，绘制由关键点连接而成的包络线，包络线向车外方向与车辆外轮廓构成的区域即为损伤区域。通过查表确认受损部件清单，所述表存储车辆各个部件在整车坐标系下的坐标值。车载计算模块检测车辆所有部件的坐标点是否被损伤区域包围，如果被包围，则该部件受损，最终得到部件的受损清单。
进一步，本方法还可以包括
S5计算事故的严重度：
具体是由计算机模块计算事故的严重度，并将严重度分为3个等级，1级轻微事故，2级严重事故，3级极严重事故。
事故严重度的划分标准以该起事故驾驶员的损伤等级为标准，事故严重度的预测是为了更好的实施救援。所述驾驶员损伤等级，运用有限元仿真确定，将每个样本的车体加速度曲线加载到台车模型进行人体损伤的仿真，并确定损伤等级，所述台车模型指的是包含有气囊、安全带、方向盘、座椅、仪表板总成、假人模型等约束系统部件的有限元模型。得到所有样本的事故严重度后，采用机器学习分类模型对整个样本集进行事故严重度的分类，并评价分类精度，如不满足要求，则增加样本量，直到精度满足要求。所述精度指分类模型的评价指标满足预设要求，如正确率、召回率、精确率等。
计算模块完成计算后，将碰撞方向、事故严重度等级和具体的受损部件，通过云平台，反馈给主机厂、4s店、医院和保险公司，可分别实施关怀、维修、救援、理赔定损等服务。
本发明在第二方面，还提供一种基于感知的车辆损伤预测系统，其包括：感知模块、整车信息模块、加速度传感器模块、车载计算模块和存储器模块。
从感知模块、整车信息模块和加速度传感器模块获得碰撞前和碰撞后的相关信息，包括，通过加速度传感器模块确定碰撞方向，即确定自车在碰撞中的受力方向，判断是纵向碰撞还是横向碰撞，并进一步判断是正面碰撞、尾部碰撞、左侧碰撞还是右侧碰撞；通过感知模块确定碰撞位置，即确定自车与目标物的重叠率。
通过车载计算模块计算车辆的变形区域和事故严重程度，并根据存储器模块中存储的部件坐标信息，确定受损部件清单，最终实现车辆碰撞方向、严重度以及受损部件的预测。
包括，预测关键点的变形量：
对于不同方向的碰撞，各选取一系列关键点，通过仿真构造样本，建立不同碰撞场景下，场景参数与关键点变形量的关系，即预测模型，通过所述预测模型预测关键点的变形量。
确定受损部件：
根据关键点变形量，绘制由关键点连接而成的包络线，包络线向车外方向与车辆外轮廓构成的区域即为损伤区域，通过查表得到受损部件清单；所述表存储在存储器模块中，存储的是车辆各个部件在整车坐标系下的坐标值，当车辆部件的坐标点被损伤区域包围，则该部件受损。
本发明在第三方面，还提供一种电子设备，其包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现以上所述的基于感知的车辆损伤预测方法。
本发明在第四方面，还提供一种车辆，其包括以上所述的电子设备。
本发明的有益效果如下：
本发明通过现有的ADAS感知系统，确定碰撞重叠率、碰撞角度，并运用数值仿真的方法预测车辆的变形量，根据变形包络线确定受损部件，可预测事故严重度，并方便后续将信息通过云平台分享给相关的救援方。本发明的预测精度高，无需增加成本，工程可实施性高。
附图说明
图1车辆损伤预测流程图；
图2系统框图示意图；
图3加速度传感模块分布图；
图4感知系统示意图；
图5关键点变形量预测流程图；
图6损伤区域示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合附图并通过特定的具体实例说明本申请的实施方式实施方案进行详细描述。本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本申请的基本构想，遂图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
在本发明一实施例中，车辆损伤预测流程参见图1，预测步骤主要由5步完成，分别是S1确定碰撞方向，S2确定碰撞位置，S3预测关键点的变形量，S4确定受损部件，S5事故的严重度分级。
实现以上流程的系统框架参见图2，从ADAS感知模块、整车信息模块和加速度传感器模块获得碰撞前和碰撞后的相关信息，通过车载计算模块计算车辆的变形区域和事故严重程度，并根据存储器模块中存储的部件位置信息，确定受损部件清单，最终实现车辆碰撞方向、严重度以及受损部件的预测，并将预测信息通过云平台，反馈给相关救援方，实施相关服务。各模块具体被配置为执行以下功能：
从感知模块、整车信息模块和加速度传感器模块获得碰撞前和碰撞后的相关信息，包括，通过加速度传感器模块确定碰撞方向，即确定自车在碰撞中的受力方向，判断是纵向碰撞还是横向碰撞，并进一步判断是正面碰撞、尾部碰撞、左侧碰撞还是右侧碰撞；通过感知模块确定碰撞位置，即确定自车与目标物的重叠率。
通过车载计算模块计算车辆的变形区域和事故严重程度，并根据存储器模块中存储的部件坐标信息，确定受损部件清单，最终实现车辆碰撞方向、严重度以及受损部件的预测。
包括，预测关键点的变形量：
对于不同方向的碰撞，各选取一系列关键点，通过仿真构造样本，建立不同碰撞场景下，场景参数与关键点变形量的关系，即预测模型，通过所述预测模型预测关键点的变形量。
确定受损部件：
根据关键点变形量，绘制由关键点连接而成的包络线，包络线向车外方向与车辆外轮廓构成的区域即为损伤区域，通过查表得到受损部件清单；所述表存储在存储器模块中，存储的是车辆各个部件在整车坐标系下的坐标值，当车辆部件的坐标点被损伤区域包围，则该部件受损。
以下通过另一实施例，结合图1和图2，对各步骤的具体实施方式进行详细说明：
S1确定碰撞方向：
本步骤是在车辆发生碰撞时，通过ADAS感知模块确定车辆主要受到来自哪个方向的碰撞受力。
一个具体的实施例为，通过气囊点爆系统的加速度传感器来确定，对安装在中控台附近的加速度传感器ACC1(见图3)采集到的x向和y向加速度进行两次积分，规定加速度传感器坐标方向与整车坐标系方向相同，即X向指向车尾方向，Y方向指向车辆右侧，并做如下判断：
如abs(∫∫ax)＞abs(∫∫ay)，则判断属于纵向碰撞；
进一步，如∫∫ax＞0，则判断属于尾部碰撞，如∫∫ax＜0，则判断属于正面碰撞。
如abs(∫∫ax)≤abs(∫∫ay)，则判断属于横向碰撞；
进一步，如∫∫ay＞0，则判断属于右侧碰撞，如∫∫ay＜0，则属于左侧碰撞。
S2确定碰撞位置：
在本步骤中，将前部碰撞和尾部碰撞的重叠率分为25％、50％、75％、100％，可以将重叠率分得更细，但是不能少于4个分区。侧面碰撞重叠率分为前段重叠率、中段重叠率和尾段重叠率。根据ADAS感知系统确定自车与目标车发生碰撞的0时刻两车的重叠率。
如图4，为一个确定重叠率的具体实例，通过在车辆前保险杆安装前向的4个超速波传感器，分别为U1、U2、U3、U4，均匀分布于前保险杆宽度的1/8、3/8、5/8、7/8位置处；在车辆后保险杆安装后向的4个超速波传感器，分别为U11、U12、U13、U14，均匀分布于后保险杆宽度的1/8、3/8、5/8、7/8位置处；在车辆左侧门槛侧围安装向左的3个超速波传感器，分别为U5、U6、U7，均匀分布于中段区域，并在与U5、U6、U7关于车辆纵轴线中线对称的位置安装朝向右侧的3个超速波传感器，U8、U9、U10。
在一个实施例中，根据碰撞前0.5s以内传感器的信号确定是否有障碍物目标，对于正面碰撞，如目标物为车辆，且仅有U1可见障碍物，则为左侧25％重叠率碰撞，如U1、U2同时可见障碍物，则为左侧50％重叠率，如U1、U2、U3可见障碍物，则为左侧75％重叠率，如U1、U2、U3、U4均可见，则为100％重叠率；对于尾部碰撞与正面碰撞的判断方法类似；对于左侧碰撞，如U5、U6、U7中至少有2个可见障碍物，则定义为中段重叠率，如仅U5可见则定义为前段重叠率，如仅U7可见，则定义为尾段重叠率，如U5、U6、U7均不可见，则一定不属于中段重叠率，进一步通过加速度传感器判断∫∫aACC2＞∫∫aACC3，则属于前段重叠率，否则属于尾段重叠率；对于右侧碰撞重叠率的判断与左侧类似。
需要说明的是，不限于通过超声波雷达传感器实现区分，也可通过雷达、摄像头或不同传感器的组合对最终碰撞位置的重叠率进行区分。
S3预测关键点变形量。
本步骤是由计算模块完成变形量的预测，预测是基于机器学习方法，机器学习所需样本的输入特征定义如下：
根据自车航向角及目标物(如果目标物为车辆)的航向角，计算车辆的碰撞角度(angle)，所述自车航向角从整车信息模块获取，所述目标物的航向角从感知模块获取；从整车信息模块获取自车的速度vego，并从感知模块获得目标物的速度vobj，相对速度Δv＝vego-vobj；通过ADAS感知模块确定碰撞目标物的类型(object)；根据加速度传感器模块得到的加速度曲线，提取合成加速度的峰值和加速度的均值，分别记为amax、amean，所述合成加速度aresult为x和y向加速度的平方和，
Figure BDA0003716205340000061
通过ADAS感知模块确定碰撞目标物的尺寸参数，所述尺寸参数指目标物的长L和高H(侧面视角)或目标物的宽W和高H(尾部或正面视角)，根据目标物的尺寸参数预估目标物的质量(mass):
Figure BDA0003716205340000062
系数a1、a2、b1、b2、c1、c2为待求解系数，可通过统计市场上不同车辆的长、宽、高及质量参数，求得回归系数。
至此，得到预测变形量需要的7个输入特征：目标物的类型(object)、碰撞角度(angle)、重叠率(overlap)、相对速度Δv、目标物的质量(mass)、加速度的峰值(amax)和加速度的均值(amean)。
所述关键点如图4所示，对于正面碰撞，取0％、25％，50％，75％，100％前保险杆宽度的位置点作为关键点，对于尾部碰撞取0％、25％，50％，75％，100％后保险杆宽度的位置点作为关键点，对于侧面碰撞，将车身侧面分为3段区域，前段、中段和尾段，所述前段区域指A柱下沿到车辆前部的区域，中段区域指A柱下沿至B柱下沿区域，尾段区域指C柱下沿至车辆尾部区域，中段区域取3个关键点，这3个关键点将中段区域平均分为4段，前、后段区域均取区域的中间位置点为关键点。
所述预测模型指通过回归类机器学习，如线性回归、随机森林、多层感知机模型等。该模型的训练样本和验证样本通过有限元仿真获得，所述有限元仿真指，在所述的场景参数构成的空间中，随机采样n个，构成仿真样本矩阵，根据样本矩阵更新有限元模型，得到n个有限元模型，并进行数值计算，提取样本的加速度最大值、均值和关键点的最大变形量，完成n次仿真后，得到样本容量为n，特征为场景参数和加速度特征值，标签为关键点变形量的样本集。其中80％的样本集用于模型训练，以确定模型参数，20％用于模型验证。如果模型验证精度不满足要求，则可再次随机采样，增加样本集，并重新训练，直到精度满足要求，如图6所示。所述精度要求指的是回归模型的评价指标，如：
Figure BDA0003716205340000071
其中，yi为第i个样本的关键点变形量、
Figure BDA0003716205340000072
指所有样本关键点的均值、
Figure BDA0003716205340000073
为第i个样本的关键点变形量的预测值。
Figure BDA0003716205340000074
例如要求
Figure BDA0003716205340000075
S4确定受损部件。
如图6所示，为正面碰撞的一个具体场景示意图，将关键点1、2、3、4、5的坐标连接构成一条样条曲线，即损伤包络线，所述关键点的坐标由S3确定的最大变形量确定，图中关键点1和关键点2的变形量为0，关键点3的变形量最大。碰撞前关键点的连线和碰撞后的包络线构成损伤区域。
根据车辆总布置的情况，将正面碰撞、尾部碰撞、左侧碰撞和右侧碰撞可能导致部件损伤的每个部件的坐标值存储至存储器模块，部件的坐标取部件的质心位置。当发生正面碰撞时，检测正面每一个部件的坐标值是否处于损伤区域，如果是，则该部件已受损，当发生尾部碰撞时，则检测尾部的每一个部件是否处于尾部损伤区域，如果是，则定义为该部件已受损，当发生左侧碰撞时，检测左侧每一个部件是否处于左侧损伤区域，如果是，则定义为该部件受损，右侧与左侧做类似判断。
S5事故的严重度分级：
计算机模块计算事故的严重度，并将严重度分为3个等级，1级轻微事故，2级严重事故，3级极严重事故。一个具体的实例，严重度按如下公式计算：
z＝f(a1Δvβ1+a2Aβ2+a3massβ3+a4amean β4+a5amax β5)
Figure BDA0003716205340000076
其中，A为损伤区域的面积，a1、a2、a3、a4、a5，β1、β2、β3、β4、β5为待求解的系数，ξ＝1，2，3，其确定方式如下：
对于每个样本，通过数值仿真计算在该场景下，驾驶员的损伤响应，并确定假人伤害等级，根据简明受伤等级规则，规定，驾驶员伤害等级(ISS)，ISS≤8，ξ＝1，ISS≤24，ξ＝2，ISS＞24，ξ＝3。如此，样本集被分为3个类，采用逻辑模型对事故进行分类，确定回归系数。
在得到碰撞方向、事故严重度等级和具体的受损部件，信息自动上传至云平台，并反馈给主机厂、4s店、医院和保险公司，可分别实施关怀、维修、救援、理赔定损等服务。
本发明结合现在的感知系统，实现了在发生碰撞后可及时预测车辆损伤详情，预测精度高，无需增加成本，方便后续将信息通过云平台分享给相关的救援方。
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本发明所公开的内容。

Claims (20)

1.一种基于感知的车辆损伤预测方法，其特征在于，包括如下步骤：
S1确定碰撞方向
通过加速度传感器确定自车在碰撞中的受力方向，判断是纵向碰撞还是横向碰撞，并进一步判断是正面碰撞、尾部碰撞、左侧碰撞还是右侧碰撞；
S2确定碰撞位置
通过感知模块确定自车与目标物的重叠率；
S3预测关键点的变形量
对于不同方向的碰撞，各选取一系列关键点，通过仿真构造样本，建立不同碰撞场景下，场景参数与关键点变形量的关系，即预测模型，通过所述预测模型预测关键点的变形量；
S4确定受损部件
根据关键点变形量，绘制由关键点连接而成的包络线，包络线向车外方向与车辆外轮廓构成的区域即为损伤区域，通过查表得到受损部件清单；所述表存储车辆各个部件在整车坐标系下的坐标值，当车辆部件的坐标点被损伤区域包围，则该部件受损。
2.根据权利要求1所述的基于感知的车辆损伤预测方法，其特征在于，S2中，是根据碰撞前0.5s以内感知模块的信息确定自车与目标物的重叠率。
3.根据权利要求1所述的基于感知的车辆损伤预测方法，其特征在于，S2中，所述重叠率包括正面碰撞、尾部碰撞和侧面碰撞重叠率；所述正面碰撞和尾部碰撞重叠率从0-100％至少分为四个区间，所述侧面碰撞重叠率分为前段重叠率、中段重叠率和尾段重叠率。
4.根据权利要求1所述的基于感知的车辆损伤预测方法，其特征在于，S2中，所述感知模块是ADAS感知模块，具体可以是超声波雷达和/或前毫米波雷达，或者是摄像头。
5.根据权利要求1所述的基于感知的车辆损伤预测方法，其特征在于，S3中，所述场景参数，包括碰撞目标物的类型、相对速度、重叠率、碰撞角度、目标物质量。
6.根据权利要求1所述的基于感知的车辆损伤预测方法，其特征在于，S3中，所述关键点选取前后保险杆、门槛侧围等覆盖件上的点。
7.根据权利要求1所述的基于感知的车辆损伤预测方法，其特征在于，S3中，所述仿真构造样本是指在由场景参数构成的空间中随机采样，构成仿真样本矩阵，通过构建有限元模型，求解得到每个样本的变形量，构成样本集；所述样本集的特征为场景参数，标签为关键点的变形量。
8.根据权利要求7所述的基于感知的车辆损伤预测方法，其特征在于，进一步，通过构建有限元模型，求解得到每个样本的碰撞加速度曲线，所述样本集的输特征还包括碰撞加速度的特征值，所述碰撞加速度的特征值指加速度曲线的均值和最大值。
9.根据权利要求1所述的基于感知的车辆损伤预测方法，其特征在于，所述预测模型采用回归类机器学习模型，所述预测模型的训练样本的特征为场景参数和碰撞加速度的特征值，标签为关键点的变形量。
10.根据权利要求1所述的基于感知的车辆损伤预测方法，其特征在于，所述S1确定碰撞方向，是通过对加速度传感器采集到的x向和y向加速度进行两次积分，规定加速度传感器坐标方向与整车坐标系方向相同，即X向指向车尾方向，Y方向指向车辆右侧，并做如下判断：
如abs(∫∫ax)＞abs(∫∫ay)，则判断属于纵向碰撞；如∫∫ax＞0，则判断属于尾部碰撞，如∫∫ax＜0，则判断属于正面碰撞。
如abs(∫∫ax)≤abs(∫∫ay)，则判断属于横向碰撞；如∫∫ay＞0，则判断属于右侧碰撞，如∫∫ay＜0，则属于左侧碰撞。
11.根据权利要求1所述的基于感知的车辆损伤预测方法，其特征在于，还包括S5，计算事故的严重度：
严重度按如下公式计算：
z＝f(a1Δvβ1+a2Aβ2+a3massβ3+a4amean β4+a5amax β5)
Figure FDA0003716205330000021
其中，A为损伤区域的面积，a1、a2、a3、a4、a5，β1、β2、β3、β4、β5为待求解的系数，ξ＝1，2，3，ξ的确定方式如下：
对于每起样本，通过数值仿真计算在该场景下，驾驶员的损伤响应，并确定假人伤害等级，根据简明受伤等级规则规定：驾驶员伤害等级(ISS)，ISS≤8，ξ＝1，ISS≤24，ξ＝2，ISS＞24，ξ＝3，如此，样本集被分为3个类，采用逻辑回归模型对事故进行分类，确定回归系数。
12.基于感知的车辆损伤预测系统，其特征在于，包括：感知模块、整车信息模块、加速度传感器模块、车载计算模块和存储器模块；
从感知模块、整车信息模块和加速度传感器模块获得碰撞前和碰撞后的相关信息，包括，通过加速度传感器模块确定碰撞方向，即确定自车在碰撞中的受力方向，判断是纵向碰撞还是横向碰撞，并进一步判断是正面碰撞、尾部碰撞、左侧碰撞还是右侧碰撞；通过感知模块确定碰撞位置，即确定自车与目标物的重叠率；
通过车载计算模块计算车辆的变形区域和事故严重程度，并根据存储器模块中存储的部件坐标信息，确定受损部件清单，最终实现车辆碰撞方向、严重度以及受损部件的预测；包括：
预测关键点的变形量：
对于不同方向的碰撞，各选取一系列关键点，通过仿真构造样本，建立不同碰撞场景下，场景参数与关键点变形量的关系，即预测模型，通过所述预测模型预测关键点的变形量；
确定受损部件：
根据关键点变形量，绘制由关键点连接而成的包络线，包络线向车外方向与车辆外轮廓构成的区域即为损伤区域，通过查表得到受损部件清单；所述表存储在存储器模块中，存储的是车辆各个部件在整车坐标系下的坐标值，当车辆部件的坐标点被损伤区域包围，则该部件受损。
13.根据权利要求12所述的基于感知的车辆损伤预测系统，其特征在于，所述重叠率是根据碰撞前0.5s以内感知模块的信息确定的自车与目标物的重叠率；所述重叠率包括正面碰撞、尾部碰撞和侧面碰撞重叠率；所述正面碰撞和尾部碰撞重叠率从0-100％至少分为四个区间，所述侧面碰撞重叠率分为前段重叠率、中段重叠率和尾段重叠率。
14.根据权利要求12所述的基于感知的车辆损伤预测系统，其特征在于，所述场景参数，包括碰撞目标物的类型、相对速度、重叠率、碰撞角度、目标物质量。
15.根据权利要求12所述的基于感知的车辆损伤预测系统，其特征在于，所述关键点选取前后保险杆、门槛侧围等覆盖件上的点。
16.根据权利要求12所述的基于感知的车辆损伤预测系统，其特征在于，所述仿真构造样本是指在由场景参数构成的空间中随机采样，构成仿真样本矩阵，所述车载计算模块通过构建有限元模型，求解得到每个样本的变形量，构成样本集；所述样本集的特征为场景参数，标签为关键点的变形量。
17.根据权利要求16所述的基于感知的车辆损伤预测系统，其特征在于，所述车载计算模块还通过构建有限元模型，求解得到每个样本的碰撞加速度曲线，所述样本集的输特征还包括碰撞加速度的特征值，所述碰撞加速度的特征值指加速度曲线的均值和最大值。
18.根据权利要求12所述的基于感知的车辆损伤预测系统，其特征在于，所述预测模型采用回归类机器学习模型，所述预测模型的训练样本的特征为场景参数和碰撞加速度的特征值，标签为关键点的变形量。
19.一种电子设备，其特征在于，包括：
一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现权利要求1至11中任一项所述的方法。
20.一种车辆，其特征在于，包括权利要求19所述的电子设备。
CN202210736832.4A 2022-06-27 2022-06-27 一种基于感知的车辆损伤预测方法、系统、电子设备及车辆 Pending CN115099097A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210736832.4A CN115099097A (zh) 2022-06-27 2022-06-27 一种基于感知的车辆损伤预测方法、系统、电子设备及车辆

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210736832.4A CN115099097A (zh) 2022-06-27 2022-06-27 一种基于感知的车辆损伤预测方法、系统、电子设备及车辆

Publications (1)

Publication Number Publication Date
CN115099097A true CN115099097A (zh) 2022-09-23

Family

ID=83295663

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210736832.4A Pending CN115099097A (zh) 2022-06-27 2022-06-27 一种基于感知的车辆损伤预测方法、系统、电子设备及车辆

Country Status (1)

Country Link
CN (1) CN115099097A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117710118A (zh) * 2023-12-28 2024-03-15 中保金服(深圳)科技有限公司 一种智能理赔分析方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117710118A (zh) * 2023-12-28 2024-03-15 中保金服(深圳)科技有限公司 一种智能理赔分析方法及系统

Similar Documents

Publication Publication Date Title
CN106553655B (zh) 危险车辆检测方法和系统以及包括该系统的车辆
CN107972662A (zh) 一种基于深度学习的车辆前向碰撞预警方法
EP2990290B1 (en) Method and system for post-collision manoeuvre planning and vehicle equipped with such system
EP2473388B1 (en) Vehicle or traffic control method and system
CN110884490B (zh) 一种车辆侵入判断及辅助行驶的方法、系统、车辆及存储介质
CN110588623B (zh) 一种基于神经网络的大型汽车安全驾驶方法及系统
JP5691237B2 (ja) 運転支援装置
US11560108B2 (en) Vehicle safety system and method implementing weighted active-passive crash mode classification
CN112373467A (zh) 无人驾驶汽车的智能避障系统
CN112084232A (zh) 基于目标他车视野信息的车辆行驶风险评估方法及装置
CN112406857A (zh) 车辆防碰撞控制装置及方法
CN116390879A (zh) 用于避免即将发生的碰撞的系统和方法
CN114518574A (zh) 用于传感器融合系统的基于峰度的修剪
CN110758244B (zh) 一种电动汽车自动防被追尾的方法及其系统
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
CN115931030A (zh) 车辆光学传感器运动校正
CN113442852B (zh) 车辆事故告警方法、装置、电子设备及作业机械
Xu et al. Roadside estimation of a vehicle’s center of gravity height based on an improved single-stage detection algorithm and regression prediction technology
CN214450902U (zh) 车辆防碰撞控制装置
Gonter et al. Integrated automotive safety handbook
Pack et al. Pre-crash sensing countermeasures and benefits
CN115158210B (zh) 一种物体伸出车窗的监测方法、装置、设备及存储介质
CN117746397A (zh) 一种新能源汽车的视觉预警管理系统
CN116008993A (zh) 利用车辆雷达数据判断碰撞程度的方法
CN118280116A (zh) 交通环境安全态势的评估方法、装置、车辆及存储介质

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