CN116484627A - 乘员损伤预测模型的生成方法、乘员损伤预测方法及装置 - Google Patents

乘员损伤预测模型的生成方法、乘员损伤预测方法及装置 Download PDF

Info

Publication number
CN116484627A
CN116484627A CN202310479320.9A CN202310479320A CN116484627A CN 116484627 A CN116484627 A CN 116484627A CN 202310479320 A CN202310479320 A CN 202310479320A CN 116484627 A CN116484627 A CN 116484627A
Authority
CN
China
Prior art keywords
collision
occupant
passenger
prediction model
automatic driving
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
CN202310479320.9A
Other languages
English (en)
Inventor
杨娜
刘起
王剑锋
王楚晴
郑豪
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.)
Hart Robotics Industry Technology Research Institute In Yangtze River Delta
Harbin Institute of Technology Weihai
Original Assignee
Hart Robotics Industry Technology Research Institute In Yangtze River Delta
Harbin Institute of Technology Weihai
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 Hart Robotics Industry Technology Research Institute In Yangtze River Delta, Harbin Institute of Technology Weihai filed Critical Hart Robotics Industry Technology Research Institute In Yangtze River Delta
Priority to CN202310479320.9A priority Critical patent/CN116484627A/zh
Publication of CN116484627A publication Critical patent/CN116484627A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • 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]
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供乘员损伤预测模型的生成方法、乘员损伤预测方法及装置，所述生成方法包括以下步骤：生成多个自动驾驶汽车乘员碰撞仿真模型；基于真实的车辆碰撞特性曲线生成多条参数化仿真碰撞特性曲线；使用参数化仿真碰撞特性曲线对自动驾驶汽车乘员碰撞仿真模型进行碰撞过程仿真，建立自动驾驶汽车乘员损伤数据库；使用现有的传统汽车乘员损伤数据库对预训练模型进行预训练；使用自动驾驶汽车乘员损伤数据库对预训练模型进行正式训练，得到乘员损伤预测模型。本申请的技术方案在传统汽车乘员损伤预测模型的基础上融入自动驾驶汽车特有乘坐方案的碰撞特性，能够对自动驾驶汽车的乘员损伤情况进行精确预测。

Description

乘员损伤预测模型的生成方法、乘员损伤预测方法及装置
技术领域
本申请属于汽车安全性能预测及优化技术领域，具体地，提供一种面向自动驾驶汽车的乘员损伤预测模型的生成方法、乘员损伤预测方法及装置。
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，自动驾驶汽车已初步具备在实际道路网中行驶的能力。但是，由于自动驾驶系统复杂程度的增加以及其设计运行区域的扩大，即便是配备包括传感器、控制器等众多智能设备的自动驾驶汽车依然存在碰撞的风险。为了增强乘员的安全，通过乘员损伤预测算法近实时预测出乘员的损伤情况，用以控制车辆进行后续决策或者使用主动性防护措施显得尤为重要。
目前为了提高汽车安全性能，已经出现了事故前乘员损伤预测方法，其技术方案具体为在险态交通工况(由于车辆速度过高或者与障碍物之间的距离过小，车辆已经无法避免碰撞发生的情况)下，通过车载传感器装置采集到包括车辆特性、乘员特性等乘员损伤预测所需要的信息，并输入至预先训练好的汽车乘员损伤模型中，用以预测出乘员损伤情况及损伤等级，进而可以指导车辆决策控制系统在临近碰撞下选择最优紧急路径或自适应约束系统进行及时调整，以最小化乘员损伤。
然而，现有的方法大多是基于传统汽车的车辆特性、乘员特性以及约束配置情况，使用深度学习或者机器学习方法建立乘员损伤预测模型，但是对于未来的自动驾驶汽车，汽车座椅布置将会更加多样化以及乘员在车内的姿态会具有更多可能性，且上述多样化信息使得发生事故后自动驾驶汽车中乘员的损伤情况与传统汽车具有显著区别，因此，亟待一种针对自动驾驶汽车的、包含座椅朝向信息以及座椅靠背倾角信息的乘员损伤预测模型及预测方法。
发明内容
为解决上述现有技术中存在的问题，本申请提供一种面向自动驾驶汽车的乘员损伤预测模型的生成方法，所述乘员损伤预测模型用于对自动驾驶汽车发生碰撞时的乘员损伤情况进行预测，包括以下步骤：
S1，构建多个自动驾驶汽车乘坐方案并生成多个自动驾驶汽车乘员碰撞仿真模型；
S2，基于真实的车辆碰撞特性曲线生成多条参数化仿真碰撞特性曲线；
S3，使用各条所述参数化仿真碰撞特性曲线对各个所述自动驾驶汽车乘员碰撞仿真模型进行碰撞过程仿真，基于仿真结果建立自动驾驶汽车乘员损伤数据库；
S4，构建预训练模型并使用现有的传统汽车乘员损伤数据库进行预训练；
S5，使用所述自动驾驶汽车乘员损伤数据库对经过预训练的所述预训练模型进行正式训练，得到所述乘员损伤预测模型。
进一步地，步骤S1包括以下步骤：
基于座椅朝向、座椅靠背倾角、乘员特性及乘员约束配置，通过正交设计构建多个自动驾驶汽车乘坐方案；基于每个自动驾驶汽车乘坐方案生成对应的自动驾驶汽车乘员碰撞仿真模型。
优选地，所述座椅朝向包括前方朝向、侧方朝向、后方朝向；所述座椅靠背倾角包括正常姿态倾角、放松姿态倾角；所述乘员特性包括乘员性别；所述乘员约束配置包括系安全带且配有安全气囊、系安全带且未配有安全气囊、未系安全带且配有安全气囊、未系安全带且未配有安全气囊。
优选地，所述乘员损伤预测模型的生成方法，还包括基于座椅朝向对乘员约束配置的影响筛选所述自动驾驶汽车乘坐方案的步骤。
优选地，所述乘员损伤预测模型的生成方法，还包括基于座椅靠背倾角对乘员约束配置的影响筛选所述自动驾驶汽车乘坐方案的步骤。
进一步地，步骤S2进一步包括以下步骤：
S21，获取至少一条真实的车辆碰撞特性曲线；
S22，对每一条真实的车辆碰撞特性曲线，依次执行以下步骤：
S221，基于特定身体部位的动力学响应特性判据确定用于替换该条真实的车辆碰撞特性曲线的参数化近似碰撞特性曲线，
S222，对所述参数化近似碰撞特性曲线进行正交化设计，得到与该条真实的车辆碰撞特性曲线对应的多条参数化仿真碰撞特性曲线。
进一步地，所述特定身体部位的动力学响应特性判据，具体为：分别使用该条真实的车辆碰撞特性曲线及备选的参数化近似碰撞特性曲线对所述自动驾驶汽车乘员碰撞仿真模型进行碰撞过程仿真，如果两者仿真得到的特定身体部位的动力学响应曲线的差异小于预设的阈值，则将该条备选的参数化近似碰撞特性曲线确定为用于替换该条真实的车辆碰撞特性曲线的参数化近似碰撞特性曲线。
进一步地，步骤S3进一步包括以下步骤：
S31，获取任意一条参数化仿真碰撞特性曲线及任意一个自动驾驶汽车乘员碰撞仿真模型；
S32，使用该条参数化仿真碰撞特性曲线对该自动驾驶汽车乘员碰撞仿真模型进行碰撞过程仿真，获取乘员身体各个部位的损伤数据；
S33，基于乘员身体各个部位的损伤数据计算对应部位的单项损伤指标；
S34，将乘员身体各个部位的单项损伤指标转换为不同损伤等级对应的概率，基于预设的概率阈值确定乘员身体各个部位的损伤等级；
S35，返回执行步骤S31，直到遍历每一条参数化仿真碰撞特性曲线及每一个自动驾驶汽车乘员碰撞仿真模型，最终得到所述自动驾驶汽车乘员损伤数据库。
优选地，步骤S3还包括基于座椅朝向和/或座椅靠背倾角对乘员约束配置的影响调整乘员身体各个部位的损伤等级的步骤。
优选地，所述预训练模型包括利用不同的深度学习网络模型构建的第一预训练模型与第二预训练模型；所述乘员损伤预测模型包括第一乘员损伤预测模型与第二乘员损伤预测模型。
本申请还提供一种乘员损伤预测方法，用于对自动驾驶汽车发生碰撞时的乘员损伤情况进行预测，包括以下步骤：
第一步，获取自动驾驶汽车的车辆特征数据、当前碰撞工况特征数据、乘员特征数据以及约束配置特征数据；
第二步，将自动驾驶汽车的车辆特征数据、当前碰撞工况特征数据、乘员特征数据以及约束配置特征数据转换为乘员损伤预测模型的输入数据，其中所述乘员损伤预测模型使用前述的乘员损伤预测模型的生成方法生成；
第三步，将所述输入数据输入到所述乘员损伤预测模型中，得到自动驾驶汽车中乘员的损伤等级的预测结果。
本申请还提供一种乘员损伤预测装置，用于对自动驾驶汽车发生碰撞时的乘员损伤情况进行预测，包括：
获取模块，用于获取自动驾驶汽车的车辆特征数据、当前碰撞工况特征数据、乘员特征数据以及约束配置特征数据；
转换模块，用于将自动驾驶汽车的车辆特征数据、当前碰撞工况特征数据、乘员特征数据以及约束配置特征数据转换为乘员损伤预测模型的输入数据，其中所述乘员损伤预测模型使用前述的乘员损伤预测模型的生成方法生成；
预测模块，用于将所述输入数据输入到所述乘员损伤预测模型中，得到自动驾驶汽车中乘员的损伤等级的预测结果。
本申请还提供一种计算机可读存储介质，存储有可执行程序，所述可执行程序能够被用于执行前述的乘员损伤预测模型的生成方法。
本申请还提供一种计算机可读存储介质，存储有可执行程序，所述可执行程序能够被用于执行前述的乘员损伤预测方法。
本申请的技术方案，借助目前能够获取的海量的传统汽车乘员损伤数据库对预测模型进行预训练，使预测模型具备基本的乘员损伤预测精度，同时利用实测碰撞数据，结合自动驾驶汽车特有的座椅朝向及靠背倾角布设方式，拓展得到小数据量的面向自动驾驶汽车的汽车乘员损伤数据库，将其用于损伤预测模型的训练，从而使基于常规数据训练得到的模型进一步具备对自动驾驶汽车特有的乘坐方案条件下乘员损伤情况进行预测的能力。
附图说明
图1为根据本申请实施例的乘员损伤预测模型的生成方法的实施流程图；
图2a为在一些优选的实施例中，按照前方朝向的多个自动驾驶汽车乘坐方案所建立的自动驾驶汽车乘员碰撞仿真模型的示意图；
图2b为在一些优选的实施例中，按照侧方朝向的多个自动驾驶汽车乘坐方案所建立的自动驾驶汽车乘员碰撞仿真模型的示意图；
图2c为在一些优选的实施例中，按照后方朝向的多个自动驾驶汽车乘坐方案所建立的自动驾驶汽车乘员碰撞仿真模型的示意图；
图3为在一些实施例中利用乘员头部的动力学响应曲线作为判据确定参数化近似碰撞特性曲线的参数的示意图；
图4为在一些实施例中生成的参数化近似碰撞特性曲线及其与真实的车辆碰撞特性曲线的对比情况；
图5为在一些实施例中生成的多条参数化仿真碰撞特性曲线的示意图；
图6为在一些优选的实施例中训练乘员损伤预测模型的实施流程图；
图7为根据本申请实施例的乘员损伤预测装置的框架示意图。
具体实施方式
以下，基于优选的实施方式并参照附图对本申请进行进一步说明。
此外，为了方便理解，放大或者缩小了图纸上的各种构件，但这种做法不是为了限制本申请的保护范围。在本申请实施例中的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是本申请实施例的产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，本申请的描述中，为了区分不同的单元，本说明书上用了第一、第二等词汇，但这些不会受到制造的顺序限制，也不能理解为指示或暗示相对重要性。
本申请通过实施例提供一种乘员损伤预测模型的生成方法，使用该方法生成的乘员损伤预测模型能够对险态交通工况下自动驾驶汽车上乘员的损伤状况进行预测。图1示出了在一些实施例中，该生成方法的流程图，如图1所示，该生成方法包括以下步骤：
S1，构建多个自动驾驶汽车乘坐方案并生成多个自动驾驶汽车乘员碰撞仿真模型；
S2，基于真实的车辆碰撞特性曲线生成多条参数化仿真碰撞特性曲线；
S3，使用各条所述参数化仿真碰撞特性曲线对各个所述自动驾驶汽车乘员碰撞仿真模型进行碰撞过程仿真，基于仿真结果建立自动驾驶汽车乘员损伤数据库；
S4，构建预训练模型并使用现有的传统汽车乘员损伤数据库进行预训练；
S5，使用所述自动驾驶汽车乘员损伤数据库对经过预训练的所述预训练模型进行正式训练，得到所述乘员损伤预测模型。
以下结合附图及具体实施例对步骤S1至步骤S5进行详细说明。
在本申请的实施例中，步骤S1用于构建适配于自动驾驶汽车的车辆特点的乘坐方案，并分别针对各个乘坐方案生成对应的自动驾驶汽车乘员碰撞仿真模型。
相对于传统汽车，自动驾驶汽车由于无需驾驶员始终面向汽车行驶方向操作，因此其汽车座椅的布置方式更具多样化，并进而使行驶过程中乘员的姿态具有更多可能性，例如，在一些具体的实施例中，车内会配备可旋转的座椅使得乘员在车内可以随意操控座椅的朝向，以便与其他乘员交流，此外，乘员在行驶过程中可能采用与传统汽车中相同的坐姿，也可以通过调节座椅靠背倾角而形成接近仰卧的放松姿态。
不同性别的乘员在不同的座椅朝向及座椅靠背倾角下，采用不同的乘员约束配置(在本申请的实施例中，乘员约束配置指对乘员进行安全约束的配置，包括乘员是否系安全带，以及车辆是否配备安全气囊)，即形成了不同的自动驾驶汽车乘坐方案，进而针对各个自动驾驶汽车乘坐方案，分别建立有限元-多刚体耦合模型(其中乘员采用有限元模型，汽车采用多刚体模型)，并在建立模型后定义各部分的材料属性及不同部分之间的接触情况，即可得到与各个自动驾驶汽车乘员碰撞仿真模型。
在一些优选的实施例中，座椅朝向包括前方朝向(0°朝向)、侧方朝向(90°朝向)、后方朝向(180°朝向)；座椅靠背倾角包括正常姿态倾角(座椅靠背相对于竖直方向夹角为21°)、放松姿态倾角(座椅靠背相对于竖直方向夹角为48°)；乘员特性包括乘员性别(男性、女性)；乘员约束配置包括：系安全带且配有安全气囊、系安全带且未配有安全气囊、未系安全带且配有安全气囊、未系安全带且未配有安全气囊四种约束配置。基于上述各项因素通过正交设计，即可构建多个自动驾驶汽车乘坐方案。
通过上述正交设计，能够完备地生成覆盖上述因素的全部取值的乘坐方案，然而，通过对各个方案中座椅朝向和/或座椅靠背倾角对乘员约束配置的影响进行分析可知，上述步骤生成的乘坐方案中，存在无需进行碰撞过程仿真的乘坐方案，因此，在一些优选的实施例中，上述正交设计完成后，还包括基于座椅朝向对乘员约束配置的影响筛选所述自动驾驶汽车乘坐方案的步骤，以及基于座椅靠背倾角对乘员约束配置的影响筛选所述自动驾驶汽车乘坐方案的步骤，从而有效地降低后续建模及碰撞过程仿真的工作量。
例如，当座椅朝向为向后(即180°朝向)时，乘员以及座椅的朝向都与汽车前进方向相反，当自动驾驶汽车发生正面碰撞时，乘员并不会与传统的安全气囊发生接触，安全气囊是否使用并不会对仿真结果造成影响，因此可以应该剔除掉座椅向后时使用安全气囊的8个乘坐方案，最终得到40个自动驾驶汽车乘坐方案。图2a至图2c分别按照前方朝向、侧方朝向和后方朝向示出了基于筛选后的40个自动驾驶汽车乘坐方案所建立的自动驾驶汽车乘员碰撞仿真模型，及对其进行碰撞过程仿真的示意图。
在本申请的实施例中，步骤S2基于真实的车辆碰撞数据进行扩展，构建多条参数化的仿真碰撞特性曲线，以用于对步骤S1中建立的自动驾驶汽车乘员碰撞仿真模型进行碰撞过程仿真。在一些优选的实施例中，步骤S2进一步包括以下步骤：
S21，获取至少一条真实的车辆碰撞特性曲线；
S22，对每一条真实的车辆碰撞特性曲线，依次执行以下步骤：
S221，基于特定身体部位的动力学响应特性判据确定用于替换该条真实的车辆碰撞特性曲线的参数化近似碰撞特性曲线，
S222，对所述参数化近似碰撞特性曲线进行正交化设计，得到与该条真实的车辆碰撞特性曲线对应的多条参数化仿真碰撞特性曲线。
其中，在步骤S21中，可以通过网络或其他渠道获取真实汽车碰撞实验数据，基于实验数据生成真实的车辆碰撞特性曲线。
真实的车辆碰撞特性曲线能够精确地刻画真实的车辆发生碰撞时其碰撞减速度(g)随时间变化的情况，然而，一方面，该曲线的变化往往包含剧烈的波动，曲线形状较为复杂，导致将其施加到自动驾驶汽车乘员碰撞仿真模型上以进行碰撞过程仿真时，计算量过大，甚至超出可接受的程度；另一方面，出于实验成本考虑，一般只能对真实车辆进行有限次的碰撞实验，很难得到能够大范围覆盖各种碰撞情况的数据，因此，在本申请的实施例中，需要通过步骤S22对真实的车辆碰撞特性曲线进行参数化及正交化拓展，以简化曲线形状并覆盖更多的车辆碰撞情况，从而有效地增加车辆碰撞过程仿真数据，以丰富用于训练乘员损伤预测模型的数据集。
具体地，步骤S221用于确定替代真实的车辆碰撞特性曲线的参数化近似碰撞特性曲线。在一些优选的实施例中，参数化近似碰撞特性曲线可以通过碰撞脉冲峰值(即碰撞减速度)和碰撞脉冲持续时间这两个参数，表示为如下形式：
其中，aveh(t)表示车辆碰撞脉冲，Aamp表示车辆碰撞脉冲的大小(单位为重力加速度g)，θdur车辆碰撞脉冲持续时间(单位为ms)。
在本申请的实施例中，参数化近似碰撞特性曲线的参数Aamp和θdur基于特定身体部位的动力学响应特性判据确定，具体地，可以选取特定的身体部位，如头部、颈部等，分别使用真实的车辆碰撞特性曲线和备选的参数化近似碰撞特性曲线计算该身体部位的动力学响应曲线，如两者差别小于预设的阈值，则将该备选的参数化近似碰撞特性曲线代替真实的车辆碰撞特性曲线，否则更换参数重新生成备选的参数化近似碰撞特性曲线，并重复上述步骤。
在一个具体的实施例中，真实的车辆碰撞特性曲线通过Toyota Yaris以56km/h车速进行实车正面碰撞的实验数据生成，图3示出了利用乘员头部的动力学响应曲线作为判据，以确定参数的示意图，图4示出了通过上述方式所确定的参数化近似碰撞特性曲线及其与真实的车辆碰撞特性曲线的对比情况。
进一步地，在步骤S222中，以上述参数化近似碰撞特性曲线为基准，分别按照一定的取值间隔对其参数进行拓展，从而得到多条参数化仿真碰撞特性曲线。图5示出了以图4中的参数化近似碰撞特性曲线为基准，对碰撞脉冲峰值自10g至60g进行取值(取值间隔为10g)，对持续时间自60ms至160ms进行取值(取值间隔为20ms)，正交设计生成的多条参数化仿真碰撞特性曲线的示意图。
分别通过步骤S1和步骤S2构建用于对自动驾驶车辆的碰撞过程进行仿真的模型库及碰撞特性曲线库后，即可在步骤S3中进行碰撞过程的仿真。在本申请的实施例中，步骤S3包括以下步骤：
S31，获取任意一条参数化仿真碰撞特性曲线及任意一个自动驾驶汽车乘员碰撞仿真模型；
S32，使用该条参数化仿真碰撞特性曲线对该自动驾驶汽车乘员碰撞仿真模型进行碰撞过程仿真，获取乘员身体各个部位的损伤数据；
S33，基于乘员身体各个部位的损伤数据计算对应部位的单项损伤指标；
S34，将乘员身体各个部位的单项损伤指标转换为不同损伤等级对应的概率，基于预设的概率阈值确定乘员身体各个部位的损伤等级；
S35，返回执行步骤S31，直到遍历每一条参数化仿真碰撞特性曲线及每一个自动驾驶汽车乘员碰撞仿真模型，最终得到所述自动驾驶汽车乘员损伤数据库。
以下结合具体实施例对上述仿真过程进行说明。
在一些具体的实施例中，可以对乘员的头部、颈部及胸部在碰撞过程中的损伤情况进行仿真，使用本领域技术人员以知晓的实施方式将任意一条参数化仿真碰撞特性曲线对任意一个自动驾驶汽车乘员碰撞仿真模型进行碰撞过程仿真，可以得到上述各个部位的损伤数据，例如：从碰撞开始时刻至碰撞终止时刻的乘员头部之心加速度时间序列数据、乘员颈部轴向力和弯曲力矩时间序列数据、乘员胸部压缩量时间序列数据、胸部加速度时间序列数据等。
在一些具体的实施例中，上述身体各个部位的单项损伤指标可以通过以下方式确定：
(1)头部损伤指标(Head Injury Criterion,HIC)
HIC通过计算乘员头部质心处的加速度来表示颅骨受损情况，可以通过碰撞仿真数据中的乘员头部质心加速度时间序列数据，根据如下公式计算HIC值：
其中，a(t)表示头部质心合成加速度(g)，t1和t2分别是碰撞加速度曲线中的任意两个时间点，用于计算HIC的开始时刻和终止时刻，t1和t2的差值小于预设阈值，常用的预设阈值为15ms，即t1-t2≤15ms。
(2)颈部损伤指标(Neck Injury Criterion,Nij)
Nij由碰撞过程中乘员颈部轴向力和弯曲力矩组合计算得到，首先获取碰撞仿真数据中的乘员颈部轴向力和弯曲力矩时间序列数据、以及每一碰撞时刻对应的颈部载荷状况类型，其中，颈部的载荷状况分为两大类，分别为屈曲载荷和伸展载荷；然后，根据每一碰撞时刻对应的乘员颈部轴向力和弯曲力矩，按照如下公式计算，得到的最大值即为Nij值：
其中，Fz表示颈部轴向力，My表示弯曲力矩，Fint表示颈部轴向力对应的截距值，当轴向力表现为拉伸力时，Fint取值为6806N，当轴向力表现为压缩力时，Fint取值为6160N，Mint表示弯曲力矩对应的截距值，当颈部载荷状况类型表现为屈曲时，Mint取值为310N·m，当颈部在和状况类型表现为伸展时，Mint取值为135N·m。
(3)胸部压缩量(Chest compressions,Ccomp)
Ccomp为碰撞过程中乘员胸部的最大压缩程度,首先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，然后计算碰撞初始时刻的胸腔厚度值与胸腔厚度的最小值的差值，得到胸部压缩量Ccomp。
在一些其他的实施例中，单项损伤指标还可以包括除以上指标外的其他身体部位的损伤指标，例如：根据乘员股骨处的轴向力和弯曲力矩时间序列数据得到股骨损伤情况的指标，根据胫骨处的轴向力和弯曲力矩时间序列数据得到胫骨处损伤情况的指标，根据腹部的压力时间序列数据得到腹部损伤情况的指标等。
在本申请的实施例中，获取上述HIC、Nij及Ccomp后，进一步将其转换为不同损伤等级对应的概率，当一个损伤等级对应的概率大于一定的概率阈值(例如25％)，即确定发生了该等级的损伤。
具体地，可以通过以下公式将HIC转换为不同损伤等级对应的概率：
具体地，可以通过以下公式将Nij转换成不同损伤等级对应的概率：
具体地，可以通过以下公式将Ccomp转换成不同损伤等级对应的概率：
上述基于各个单项损伤指标确定乘员身体各个部位的损伤等级的方法已在传统汽车的碰撞损伤评估得到广泛的应用，在本申请的实施例中，由于在部分乘坐方案中，乘员的乘坐方式与常规汽车不同，因此，在一些优选的实施例中，步骤S3还包括基于座椅朝向和/或座椅靠背倾角对乘员约束配置的影响调整乘员身体各个部位的损伤等级的步骤。例如，当座椅朝向为后方朝向且座椅靠背倾角为放松姿态倾角时，头部及颈部所受伤害较同样加速度情况下座椅为前方朝向且座椅靠背倾角为正常姿态倾角的情况为轻，因此，可以降低在该乘坐方案下对头部及颈部的损伤等级的评估，以使得损伤评估结果更加符合自动驾驶汽车的车辆特性。
对每条参数化仿真碰撞特性曲线及每一个自动驾驶汽车乘员碰撞仿真模型依次实时上述步骤后，即可得到自动驾驶汽车乘员损伤数据库。
上述自动驾驶汽车乘员损伤数据库虽然能够准确地反映自动驾驶汽车发生碰撞时的乘员损伤情况，然而，由于其仅是通过有限的实测碰撞数据拓展得到，将其用于损伤预测模型的训练时，存在数据量偏小的问题，为此，在本申请的实施例中，首先借助目前能够获取的海量的传统汽车乘员损伤数据库对预测模型进行预训练，使预测模型具备基本的乘员损伤预测精度，然后利用步骤S3获取的反映自动驾驶汽车乘员损伤特性的数据继续进行正式训练，从而进一步使预测模型具备对自动驾驶汽车特有的乘坐方案条件下乘员损伤情况进行预测的能力。
在一些优选的实施例中，预训练模型包括预训练模型1和预训练模型2，其中预训练模型1采用RNN模型架构，预训练模型2采用CNN模型架构，模型架构及训练流程如图6所示。预训练模型1和预训练模型2的训练样本的输入为车辆碰撞特性、乘员特性和约束配置情况，输出为乘员身体部位损伤等级。
可以通过网络或专业数据库获取大量现有的传统汽车乘员损伤数据库，并使用其对预训练模型预训练，在本申请的实施例中，训练集和测试集的比例为8：2，预训练模型1采用基于Bi-LSTM单元的RNN模型架构，引入attention机制用以提升预训练模型1的性能，预训练模型2采用基于TCN的CNN模型架构。预训练模型1和预训练模型2在训练时，使用ADAM优化器以及交叉熵损失函数，引入了L2正则化以防止模型过拟合，使用Dropout层以及提前终止的回调函数。
在具体的实施过程中，可以将车辆碰撞脉冲曲线离散为1×100的向量数据，乘员性别和约束配置情况使用标量代替(例如男性为0，女性为1)，所有的输入变量通过Embedding层形成了新的张量，即按照映射关系将原本的输入信息转换到了新的高维矩阵中，有效的放大输入特征。
输出的乘员损伤等级采用字符级one-hot编码转换为二进制向量，将不同的AIS等级与唯一的一个整数索引相关联。预训练模型1采用基于Bi-LSTM单元的RNN模型架构，使其能够提取到时间序列数据中上下文的所有信息。引入attention机制，其通过保留Bi-LSTM编码器对输入序列的中间输出结果，然后在训练时对这些输入进行选择性的学习并且再输出时将输入序列与中间结果相关联，可以很好的提升模型的性能。预训练模型2采用基于TCN的CNN模型架构，使用3个TCN block，每个包含两个扩张的因果卷积层，3个TCN block的扩张因子d相同，在每个TCN block中，扩张因子d随着网络的深度而指数增长，在每次卷积层后加入批归一化层，提高模型训练效率并且防止过拟合。
进一步地，采用基于参数的迁移学习方法，使用步骤S3得到的自动驾驶汽车乘员损伤数据库对预训练模型1和预训练模型2进行正式训练，最终得到面向自动驾驶汽车的乘员损伤预测模型1和乘员损伤预测模型2。其中，训练集和测试集的比例为8：2，乘员损伤预测模型1和乘员损伤预测模型2的输入为车辆碰撞脉冲曲线、乘员特性、约束配置、座椅朝向以及座椅靠背倾角，输出为乘员身体部位损伤等级。
最终生成的面向自动驾驶汽车的乘员损伤预测模型相比于预训练模型，输入参数增加了座椅靠背倾角和座椅朝向这两个影响因素，座椅靠背倾角和座椅朝向也使用标量代替(例如座椅0°朝向表示为0，座椅90°朝向表示为1，座椅180°朝向表示为2)。
在具体的实施过程中，主要考虑自动驾驶汽车正面碰撞过程中对乘员损伤影响较大的几个因素，包括车辆碰撞特性(碰撞相对速度和相对角度)、车辆特性(包括座椅朝向和座椅靠背倾角)、乘员特性(乘员性别)、约束配置使用情况(安全带和安全气囊的使用情况)，至于一些例如乘员身高、体重等细致因素，很难将其以一定方法统一表示并且对乘员损伤影响相对来说较小，因此可以将其忽略。在一个具体实施例中，使用本方法，基于传统乘员损伤数据库对预训练模型进行预训练，然后使用自建的小型自动驾驶汽车乘员损伤数据库基于迁移学习的方法对预训练模型进行正式训练，仅依靠1440例训练数据便得到的70％左右的模型准确率，且训练时间仅需要12分钟的训练时长(CPU：Ryzenthreadripper 3990x 64-core processor×128，GPU：NVIDIA Corporation)。实验结果证明，本方法可以用于训练地得到面向自动驾驶汽车的乘员损伤预测模型，且模型训练准确率和效率都较为理想。
本申请通过实施例还提供一种乘员损伤预测方法，用于对自动驾驶汽车发生碰撞时的乘员损伤情况进行预测，该预测方法包括以下步骤：
第一步，获取自动驾驶汽车的车辆特征数据、当前碰撞工况特征数据、乘员特征数据以及约束配置特征数据；
第二步，将自动驾驶汽车的车辆特征数据、当前碰撞工况特征数据、乘员特征数据以及约束配置特征数据转换为乘员损伤预测模型的输入数据，其中所述乘员损伤预测模型使用前述的乘员损伤预测模型的生成方法生成；
第三步，将所述输入数据输入到所述乘员损伤预测模型中，得到自动驾驶汽车中乘员的损伤等级的预测结果。
本申请通过实施例还提供一种乘员损伤预测装置，如图7所示，该预测装置包括：
获取模块，用于获取自动驾驶汽车的车辆特征数据、当前碰撞工况特征数据、乘员特征数据以及约束配置特征数据；
转换模块，用于将自动驾驶汽车的车辆特征数据、当前碰撞工况特征数据、乘员特征数据以及约束配置特征数据转换为乘员损伤预测模型的输入数据，其中所述乘员损伤预测模型使用前述的乘员损伤预测模型的生成方法生成；
预测模块，用于将所述输入数据输入到所述乘员损伤预测模型中，得到自动驾驶汽车中乘员的损伤等级的预测结果。
具体地，该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。
本申请通过实施例还提供一种计算机可读存储介质，该计算机可读存储介质存储有可执行程序，该可执行程序能够被用于执行前述的乘员损伤预测模型的生成方法。具体地，该计算机可读存储介质可以是非暂态计算机可读存储介质，例如高速随机存取存储器，其上存储有计算机可执行程序，该计算机可执行程序能够被一个处理器或控制器执行，以实施前述的乘员损伤预测模型的生成方法的全部或部分步骤。
本申请通过实施例还提供一种计算机可读存储介质，该计算机可读存储介质存储有可执行程序，该可执行程序能够被用于执行前述的乘员损伤预测方法。具体地，该计算机可读存储介质可以是非暂态计算机可读存储介质，例如高速随机存取存储器，其上存储有计算机可执行程序，该计算机可执行程序能够被一个处理器或控制器执行，以实施前述的乘员损伤预测方法的全部或部分步骤。
以上对本申请的具体实施方式作了详细介绍，对于本技术领域的技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也属于本申请权利要求的保护范围。

Claims (14)

1.一种乘员损伤预测模型的生成方法，所述乘员损伤预测模型用于对自动驾驶汽车发生碰撞时的乘员损伤情况进行预测，其特征在于，包括以下步骤：
S1，构建多个自动驾驶汽车乘坐方案并生成多个自动驾驶汽车乘员碰撞仿真模型；
S2，基于真实的车辆碰撞特性曲线生成多条参数化仿真碰撞特性曲线；
S3，使用各条所述参数化仿真碰撞特性曲线对各个所述自动驾驶汽车乘员碰撞仿真模型进行碰撞过程仿真，基于仿真结果建立自动驾驶汽车乘员损伤数据库；
S4，构建预训练模型并使用现有的传统汽车乘员损伤数据库进行预训练；
S5，使用所述自动驾驶汽车乘员损伤数据库对经过预训练的所述预训练模型进行正式训练，得到所述乘员损伤预测模型。
2.根据权利要求1所述的乘员损伤预测模型的生成方法，其特征在于，步骤S1进一步包括以下步骤：
基于座椅朝向、座椅靠背倾角、乘员特性及乘员约束配置，通过正交设计构建多个自动驾驶汽车乘坐方案；
基于每个自动驾驶汽车乘坐方案生成对应的自动驾驶汽车乘员碰撞仿真模型。
3.根据权利要求2所述的乘员损伤预测模型的生成方法，其特征在于：
所述座椅朝向包括前方朝向、侧方朝向、后方朝向；
所述座椅靠背倾角包括正常姿态倾角、放松姿态倾角；
所述乘员特性包括乘员性别；
所述乘员约束配置包括系安全带且配有安全气囊、系安全带且未配有安全气囊、未系安全带且配有安全气囊、未系安全带且未配有安全气囊。
4.根据权利要求3所述的乘员损伤预测模型的生成方法，其特征在于：
还包括基于座椅朝向对乘员约束配置的影响筛选所述自动驾驶汽车乘坐方案的步骤。
5.根据权利要求3所述的乘员损伤预测模型的生成方法，其特征在于：
还包括基于座椅靠背倾角对乘员约束配置的影响筛选所述自动驾驶汽车乘坐方案的步骤。
6.根据权利要求1所述的乘员损伤预测模型的生成方法，其特征在于，步骤S2进一步包括以下步骤：
S21，获取至少一条真实的车辆碰撞特性曲线；
S22，对每一条真实的车辆碰撞特性曲线，依次执行以下步骤：
S221，基于特定身体部位的动力学响应特性判据确定用于替换该条真实的车辆碰撞特性曲线的参数化近似碰撞特性曲线，
S222，对所述参数化近似碰撞特性曲线进行正交化设计，得到与该条真实的车辆碰撞特性曲线对应的多条参数化仿真碰撞特性曲线。
7.根据权利要求1所述的乘员损伤预测模型的生成方法，其特征在于，所述特定身体部位的动力学响应特性判据，具体为：
分别使用该条真实的车辆碰撞特性曲线及备选的参数化近似碰撞特性曲线对所述自动驾驶汽车乘员碰撞仿真模型进行碰撞过程仿真，如果两者仿真得到的特定身体部位的动力学响应曲线的差异小于预设的阈值，则将该条备选的参数化近似碰撞特性曲线确定为用于替换该条真实的车辆碰撞特性曲线的参数化近似碰撞特性曲线。
8.根据权利要求1所述的乘员损伤预测模型的生成方法，其特征在于，步骤S3进一步包括以下步骤：
S31，获取任意一条参数化仿真碰撞特性曲线及任意一个自动驾驶汽车乘员碰撞仿真模型；
S32，使用该条参数化仿真碰撞特性曲线对该自动驾驶汽车乘员碰撞仿真模型进行碰撞过程仿真，获取乘员身体各个部位的损伤数据；
S33，基于乘员身体各个部位的损伤数据计算对应部位的单项损伤指标；
S34，将乘员身体各个部位的单项损伤指标转换为不同损伤等级对应的概率，基于预设的概率阈值确定乘员身体各个部位的损伤等级；
S35，返回执行步骤S31，直到遍历每一条参数化仿真碰撞特性曲线及每一个自动驾驶汽车乘员碰撞仿真模型，最终得到所述自动驾驶汽车乘员损伤数据库。
9.根据权利要求8所述的乘员损伤预测模型的生成方法，其特征在于：
步骤S3还包括基于座椅朝向和/或座椅靠背倾角对乘员约束配置的影响调整乘员身体各个部位的损伤等级的步骤。
10.根据权利要求1所述的乘员损伤预测模型的生成方法，其特征在于：
所述预训练模型包括利用不同的深度学习网络模型构建的第一预训练模型与第二预训练模型；
所述乘员损伤预测模型包括第一乘员损伤预测模型与第二乘员损伤预测模型。
11.一种乘员损伤预测方法，用于对自动驾驶汽车发生碰撞时的乘员损伤情况进行预测，其特征在于，包括以下步骤：
第一步，获取自动驾驶汽车的车辆特征数据、当前碰撞工况特征数据、乘员特征数据以及约束配置特征数据；
第二步，将自动驾驶汽车的车辆特征数据、当前碰撞工况特征数据、乘员特征数据以及约束配置特征数据转换为乘员损伤预测模型的输入数据，其中所述乘员损伤预测模型使用如权利要求1所述的乘员损伤预测模型的生成方法生成；
第三步，将所述输入数据输入到所述乘员损伤预测模型中，得到自动驾驶汽车中乘员的损伤等级的预测结果。
12.一种乘员损伤预测装置，用于对自动驾驶汽车发生碰撞时的乘员损伤情况进行预测，其特征在于，包括：
获取模块，用于获取自动驾驶汽车的车辆特征数据、当前碰撞工况特征数据、乘员特征数据以及约束配置特征数据；
转换模块，用于将自动驾驶汽车的车辆特征数据、当前碰撞工况特征数据、乘员特征数据以及约束配置特征数据转换为乘员损伤预测模型的输入数据，其中所述乘员损伤预测模型使用如权利要求1所述的乘员损伤预测模型的生成方法生成；
预测模块，用于将所述输入数据输入到所述乘员损伤预测模型中，得到自动驾驶汽车中乘员的损伤等级的预测结果。
13.一种计算机可读存储介质，存储有可执行程序，其特征在于：所述可执行程序能够被用于执行如权利要求1所述的乘员损伤预测模型的生成方法。
14.一种计算机可读存储介质，存储有可执行程序，其特征在于：所述可执行程序能够被用于执行如权利要求11所述的乘员损伤预测方法。
CN202310479320.9A 2023-04-25 2023-04-25 乘员损伤预测模型的生成方法、乘员损伤预测方法及装置 Pending CN116484627A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310479320.9A CN116484627A (zh) 2023-04-25 2023-04-25 乘员损伤预测模型的生成方法、乘员损伤预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310479320.9A CN116484627A (zh) 2023-04-25 2023-04-25 乘员损伤预测模型的生成方法、乘员损伤预测方法及装置

Publications (1)

Publication Number Publication Date
CN116484627A true CN116484627A (zh) 2023-07-25

Family

ID=87226635

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310479320.9A Pending CN116484627A (zh) 2023-04-25 2023-04-25 乘员损伤预测模型的生成方法、乘员损伤预测方法及装置

Country Status (1)

Country Link
CN (1) CN116484627A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117268798A (zh) * 2023-11-23 2023-12-22 中国汽车技术研究中心有限公司 降低汽车碰撞假人头颈部损伤的驾驶姿态确定方法及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117268798A (zh) * 2023-11-23 2023-12-22 中国汽车技术研究中心有限公司 降低汽车碰撞假人头颈部损伤的驾驶姿态确定方法及介质
CN117268798B (zh) * 2023-11-23 2024-04-09 中国汽车技术研究中心有限公司 降低汽车碰撞假人头颈部损伤的驾驶姿态确定方法及介质

Similar Documents

Publication Publication Date Title
EP0695668B1 (en) Supplemental inflatable restraint system
CN103303237B (zh) 一种基于遗传神经网络的安全气囊起爆控制方法
CN110851958B (zh) 一种面向乘员损伤风险的碰撞严重性预测方法
Adam et al. Identification of occupant posture using a Bayesian classification methodology to reduce the risk of injury in a collision
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
CN110766213A (zh) 汽车乘员碰撞损伤预测方法及计算机设备
CN107804264B (zh) 用于控制车辆乘客保护系统的方法、控制器和存储介质
US20020103549A1 (en) Biomechanical system development of a restraint system
Untaroiu et al. Performance-based classification of occupant posture to reduce the risk of injury in a collision
CN114418200B (zh) 车型特异性乘员损伤预测模型训练方法及装置
CN115062511A (zh) 一种aeb工况下基于体征的人体颈部损伤预测方法
CN109738205B (zh) 一种集成车辆自动紧急制动与安全气囊系统的乘员防护方法
Jones et al. A semi-automated approach to real world motor vehicle crash reconstruction using a generic simplified vehicle buck model
CN112208541A (zh) 智慧乘员舱的参数化确定方法、装置和计算机设备
Bance et al. A framework for rapid on-board deterministic estimation of occupant injury risk in motor vehicle crashes with quantitative uncertainty evaluation
CN116680552A (zh) 一种乘员损伤预测方法、装置及车辆
US20230113821A1 (en) Seat adjustment
Petitjean et al. Thoracic injury criterion for frontal crash applicable to all restraint systems
US20210097219A1 (en) Apparatus and method of optimizing a restraint specification based on a particle swarm optimization algorithm using impact analysis
Ye et al. Automated analysis of driver response in a finite element crash test reconstruction
Breed A smart airbag system
Zhang et al. A two degrees of freedom model–based optimization method for occupant restraint systems in vehicle crash
Xu et al. An Analytical Study of BMI Effects on Obese Senior Females in Vehicle Frontal Impact
Loftis et al. A similarity scoring technique to analyse comparisons of real-world crashes to crash tests: initial results from a 12-point system
Kent et al. A hybrid technique for determining optimal restraint system characteristics

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