CN117725690A - 用于汽车座椅的人体体型类别预测方法及目标座椅姿态获取方法 - Google Patents
用于汽车座椅的人体体型类别预测方法及目标座椅姿态获取方法 Download PDFInfo
- Publication number
- CN117725690A CN117725690A CN202311102119.5A CN202311102119A CN117725690A CN 117725690 A CN117725690 A CN 117725690A CN 202311102119 A CN202311102119 A CN 202311102119A CN 117725690 A CN117725690 A CN 117725690A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- data
- seat
- value
- body type
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000001514 detection method Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 23
- 210000003205 muscle Anatomy 0.000 claims description 84
- 230000036544 posture Effects 0.000 claims description 51
- 230000004913 activation Effects 0.000 claims description 34
- 238000001994 activation Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 27
- 238000007405 data analysis Methods 0.000 claims description 20
- 230000008439 repair process Effects 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000005422 blasting Methods 0.000 claims description 14
- 238000004088 simulation Methods 0.000 claims description 12
- 230000008878 coupling Effects 0.000 claims description 11
- 238000010168 coupling process Methods 0.000 claims description 11
- 238000005859 coupling reaction Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 11
- 210000000689 upper leg Anatomy 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 244000309466 calf Species 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000010008 shearing Methods 0.000 claims description 5
- 230000037396 body weight Effects 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 3
- 230000037237 body shape Effects 0.000 claims description 2
- 238000009826 distribution Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000013210 evaluation model Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000003475 lamination Methods 0.000 description 2
- 210000002027 skeletal muscle Anatomy 0.000 description 2
- 206010049565 Muscle fatigue Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000002414 leg Anatomy 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Seats For Vehicles (AREA)
Abstract
本发明公开了用于汽车座椅的人体体型类别预测方法及目标座椅姿态获取方法,涉及汽车座椅调整领域,本发明基于座椅上布设的压力检测点,获取同一种人体体型下的多位用户处于预设座椅位置时,座椅上的原始压力点云数据,并对其进行预处理得到压力点云特征数据即样本数据;在样本数据上绑定其对应的体型类别标签得到训练样本;通过训练样本训练SVM模型,得到SVM目标模型;通过SVM目标模型预测出当前用户对应的体型类别,从而得出用户的身高范围与体重范围,即本发明基于压力传感器实现了对用户身高与体重的预测,解决了目前通过压力传感器无法获取人体身高的问题。
Description
技术领域
本发明涉及汽车座椅调整领域,尤其涉及一种用于汽车座椅的人体体型类别预测方法及目标座椅姿态获取方法。
背景技术
目前在汽车座椅领域上对人体体型的识别,大部分是通过摄像头和雷达来检测乘车人体型数据,或者基于压力传感器来进行体型(仅包含体重信息)识别,但是人体身高方面并没有得到一个精准的预测。
另外,当前座椅的设计需要兼顾安全性、舒适性、装配便利性等要求。座椅的舒适性设计通常考虑舒适性断面、人与骨架硬点间距等设计参数。一般不同乘客上车后需要自主调节座椅至满足自己最合适的位置,或者通过记忆功能调节至想要的位置,但是该位置是否是最优的状态无法判断,也无法从人体生物学端判断最优的舒适性。目前基于生物力学的疲劳度评价模型也较为简单,一般是从关节力和肌肉力角度出发,评价指标较为单一,尤其是研究对象非驾驶环境,而驾驶场景中,人和驾驶室具有多接触的特征,且驾驶疲劳是多方面因素所引起的,因此目前疲劳度评价模型的评价精度不够准确。
本发明一方面实现了人体体型(同时包含体重及身高,下文中相关的内容无特殊说明均是包含体重及身高)的预测,另一方面基于准确预测的人体身高与体重模拟出驾驶场景,从而计算出了准确的且疲劳度为最优的座椅姿态,解决了上述技术问题。
发明内容
为了实现人体体型的精准预测,本发明提出了一种用于汽车座椅的人体体型类别预测方法,包括:
设定各种人体体型对应的体型类别标签;
基于座椅上布设的压力检测点,依次获取各人体体型对应的样本数据,具体为:获取同一种人体体型下的多位用户处于预设座椅位置时,座椅上的原始压力点云数据,并对其进行预处理得到压力点云特征数据即样本数据;在样本数据上绑定其对应的体型类别标签得到训练样本;所述预处理包括:对原始压力点云数据进行数据分析处理,基于处理前原始压力点云数据的点云数值平均值与处理后压力点云数据的点云数值平均值修复处理后压力点云数据中的点云数值得到压力点云初始修复数据,并基于原始压力点云数据中的点云数值调整压力点云初始修复数据中的点云数值得到压力点云特征数据;所述压力点云特征数据包括每一个压力检测点上对应整体压力点云的形态信息及点云数值;
通过训练样本训练SVM模型,得到SVM目标模型;
获取当前用户处于预设座椅位置时座椅上的压力点云数据,并输入SVM目标模型,通过SVM目标模型预测出当前用户对应的体型类别。
进一步地,所述体型类别标签包含体型类别对应的身高范围与体重范围;
所述压力点云特征数据中还包括:
座椅坐垫信息,具体包括:臀宽、大腿长、坐骨结节间距、总压力值、平均压力值以及各点云数值范围对应的有效受力点数;
座椅靠背信息,具体包括:背宽、背高、总压力值、平均压力值以及各点云数值范围对应的有效受力点数。
进一步地,所述有效受力点数的获取方法为:
设定多个百分比,基于百分比与压力点云特征数据中最大点云数值的乘积,以及预设阈值设定多个点云数值范围,获取各点云数值范围内的有效受力点数量;所述有效受力点数量为去噪以后的受力点数量。
进一步地,所述数据分析处理包括:对原始压力点云数据去初值处理;对去除初值后的压力点云数据进行滤波处理。
进一步地,所述预处理中,具体包括:
获取原始压力点云数据的点云数值平均值为处理前平均值、数据分析处理后压力点云数据的点云数值平均值为处理后平均值;
获取处理前平均值与处理后平均值的比值为调整系数;
基于调整系数修复数据分析处理后的压力点云数据中每一个检测点对应的点云数值得到压力点云初始修复数据;
获取原始压力点云数据中检测点对应点云数值大小排名在前预设范围内的点云数值,对前预设范围内各检测点对应的点云数值与数据分析处理后对应检测点的点云数值进行比较,将较大的点云数值保留为或设置为压力点云初始修复数据中对应检测点的点云数值,得到压力点云特征数据。
进一步地,所述压力点云初始修复数据的获取公式为:
数据分析处理后检测点对应的点云数值*调整系数=压力点云初始修复数据中对应检测点的点云数值。
为了解决目前的疲劳度评价模型评价指标单一且未考虑人和驾驶室接触特征,而导致评价精度不够准确的问题,本发明还提出了通过如上文所述的人体体型类别预测方法预测当前用户对应的体型类别;
基于预测的体型类别计算当前用户对应的最优疲劳度,基于最优疲劳度设定当前用户对应的目标座椅姿态。
进一步地,设定当前用户对应的目标座椅姿态,具体包括:
S1:获取预测得到的体型类别对应身高范围的中间值与体重范围的中间值为当前用户的人体尺寸数据,根据人体尺寸数据构建人体骨骼肌肉模型,基于生物力学仿真软件,利用人体骨骼肌肉模型与座椅模型进行运动学约束,以构建人椅耦合仿真模型;
S2:初始化座椅姿态对应的变量值,并写入中间文件,设定座椅姿态为优化变量,设定最小综合疲劳度为优化目标;
S3:通过生物力学仿真软件读取中间文件,并加载至人椅耦合仿真模型,基于中间文件调整座椅姿态;
S4:基于调整后的座椅姿态,通过生物力学仿真软件利用运动学约束与动力学条件计算当前用户对应的腰椎力、肌肉作用力与人椅接触力;
S5:利用当前用户对应的腰椎力、肌肉作用力与人椅接触力计算综合疲劳度并存储至数据表,更新中间文件中的变量值,并返回S3步骤,直至获得最小综合疲劳度,设定最小综合疲劳度对应的座椅姿态为当前用户对应的目标座椅姿态。
进一步地,所述S5步骤中,具体通过梯度下降法、遗传算法或枚举法更新中间文件中的变量值;
所述腰椎力包括腰椎L4-L5节段对应的前后向分力与左右向分力;所述肌肉作用力包括肩部肌肉群、脊柱肌肉群、大腿肌肉群与小腿肌肉群中各根细分肌肉对应的激活度;所述人椅接触力包括坐垫上的法向力和剪切力以及靠背上的法向力和剪切力;
所述运动学约束包括H点约束、背部侵入点约束、脚与踏板之间的约束以及手与方向盘之间的约束;
所述座椅姿态对应的变量值包括:坐垫前后调节量、高低调节量以及靠背与坐垫之间的角度。
进一步地,所述S5步骤中,计算综合疲劳度的公式为:
式中,表示肌肉激活度评价指标,/>表示人椅接触力评价指标,/>表示腰椎力评价指标,/>分别表示/>对应的权重,/>表示综合疲劳度,/>为包含肩部肌肉群中各根细分肌肉对应的激活度的数组,/>为包含脊柱肌肉群中各根细分肌肉对应的激活度的数组,/>为包含大腿肌肉群中各根细分肌肉对应的激活度的数组,/>为包含小腿肌肉群中各根细分肌肉对应的激活度的数组,/>表示当前肌肉群中的最大激活度,/>表示当前肌肉群对应的平均激活度,/>表示最大激活度对应的权重,/>表示平均激活度对应的权重;/>分别表示坐垫上的法向力和剪切力,/>分别表示靠背上的法向力和剪切力,/>分别表示坐垫上的最大法向力与平均法向力,/>分别表示坐垫上的最大剪切力与平均剪切力,分别表示靠背上的最大法向力与平均法向力,分别表示靠背上的最大剪切力与平均剪切力,/>分别表示最大接触力对应的权重与平均接触力对应的权重;/>分别表示腰椎L4-L5节段对应的前后向分力与左右向分力。
本发明还提出了一种基于人体体型类别控制气囊爆破量的方法,包括:
在汽车安全控制系统内设定各体型类别对应的最优气囊爆破量;
通过如上文所述的人体体型类别预测方法预测当前用户对应的体型类别;
在发生碰撞时,基于预测得到的体型类别对应的最优气囊爆破量实施爆破。
与现有技术相比,本发明至少含有以下有益效果:
(1)本发明基于座椅上布设的压力检测点,获取同一种人体体型下的多位用户处于预设座椅位置时,座椅上的原始压力点云数据,并对其进行预处理得到压力点云特征数据即样本数据;在样本数据上绑定其对应的体型类别标签得到训练样本;通过训练样本训练SVM模型,得到SVM目标模型;通过SVM目标模型预测出当前用户对应的体型类别,从而得出用户的身高范围与体重范围,并设定身高范围与体重范围的中间值为当前用户的身高预测值与体重预测值,即本发明基于压力传感器实现了对用户身高与体重的精准预测,解决了目前通过压力传感器无法获取人体身高的问题;
(2)本发明通过预处理压力点云特征数据:对原始压力点云数据进行数据分析处理,基于处理前原始压力点云数据的点云数值平均值与处理后压力点云数据的点云数值平均值修复处理后压力点云数据中的点云数值得到压力点云初始修复数据,并基于原始压力点云数据中的点云数值调整压力点云初始修复数据中的点云数值得到压力点云特征数据,通过对原始数据初步处理后,进行双重修复,通过双重修复后的数据作为训练样本,极大的提升了SVM模型的预测精度;
(3)本发明根据人体尺寸数据构建人体骨骼肌肉模型,基于生物力学仿真软件,利用人体骨骼肌肉模型与座椅模型进行运动学约束,以构建人椅耦合仿真模型;初始化座椅姿态对应的变量值,并写入中间文件,通过生物力学仿真软件读取中间文件,基于中间文件中的变量值调整座椅姿态,基于调整后的座椅姿态计算当前驾驶员对应的腰椎力、肌肉作用力与人椅接触力以获取综合疲劳度,更新中间文件中的变量值,并基于更新的变量值调整座椅姿态,直至获得最小综合疲劳度,本发明通过更新座椅姿态对应的变量值,实现了对不同驾驶场景的模拟,并在此基础上计算当前驾驶员对应的腰椎力、肌肉作用力与人椅接触力提高了综合疲劳度计算的精准性、可靠性,本发明将腰椎力、肌肉作用力与人椅接触力作为综合疲劳度的计算数据,充实了疲劳度评价指标,进一步地提高了综合疲劳度计算的精准性;
(4)本发明通过人体体型类别预测方法预测当前用户对应的体型类别,根据体型类别得到人体尺寸数据,基于准确预测的人体身高与体重模拟出驾驶场景,从而计算出了准确的且疲劳度为最优的座椅姿态,实现了最优座椅姿态的调整。
附图说明
图1为一种用于汽车座椅的人体体型类别预测方法流程图;
图2为一种目标座椅姿态获取方法流程图;
图3为人椅耦合仿真模型图;
图4为座椅对应的第一种结构示意图;
图5为座椅对应的第二种结构示意图;
图6为座椅压力检测点分布示意图。
具体实施方式
以下是本发明的具体实施例并结合附图,对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
实施例一
为了实现对用户体型类别的预测,如图1所示,本发明提出了一种用于汽车座椅的人体体型类别预测方法,包括:
设定各种人体体型对应的体型类别标签;所述体型类别标签包含体型类别对应的身高范围与体重范围;
本实施例中的人体体型种类(参照GB中国成年人人体尺寸)包括:17种标准人体体型,及6种非标人体体型,以满足座椅针对不同体型人群的体型预测需求。
基于座椅上布设的压力检测点,依次获取各人体体型对应的样本数据,具体为:获取同一种人体体型下的多位用户处于预设座椅位置(迎宾位置)时,座椅上的原始压力点云数据,并对其进行预处理得到压力点云特征数据即样本数据;在样本数据上绑定其对应的体型类别标签得到训练样本;所述预处理包括:对原始压力点云数据进行数据分析处理,基于处理前原始压力点云数据的点云数值平均值与处理后压力点云数据的点云数值平均值修复处理后压力点云数据中的点云数值得到压力点云初始修复数据,并基于原始压力点云数据中的点云数值调整压力点云初始修复数据中的点云数值得到压力点云特征数据;
需要说明的是,由于有效检测区域并不是会完整均匀的覆盖到座椅所有型面上,所以在进行座椅压力传感器点位设计的时候,可以根据压力分布区域的不同,设置疏密度不一致的压力检测点,比如我们可以在坐骨结节区域设置较为密集的压力点位,在双腿内侧无明显压力的区域减少压力检测点的布置。
本实施例展示了如图4与图5所示的两种座椅结构,但本发明并不限于这两种座椅结构。
图4中:
1表示座椅组件;
2表示含传感器的靠背面套,其包括子零件,子零件中:2.1表示覆合层、2.2 表示靠背传感器、2.3表示 PU层;
3表示含传感器的座垫面套,其包括子零件,子零件中:3.1表示覆合层、3.2 表示座垫传感器、3.3 表示PU层;
图5中:
1表示座椅组件、2表示靠背面套、3表示座垫面套、4表示座垫传感器、5表示靠背传感器;
图6展示出了座椅上压力检测点的分布情况,图中的方块均表示压力检测点,图中的圆圈与椭圆圈表示通风。
另外,用户处于迎宾位置时,获取座椅上的原始压力点云数据,并对其进行预处理后得到的压力点云特征数据为一个样本数据。
所述数据分析处理包括:对原始压力点云数据去初值处理;对去除初值后的压力点云数据进行滤波处理。
需要说明的是, 因为压力传感器在装配过程中因为C形环拉紧,座椅皮面拉紧等因素引起的初始压力需要进行去除。因此需要通过压力传感器采集没有乘坐人员状态下靠背和坐垫的点云数据(初始值),并在后续获取各人体体型对应的样本数据时,将对应检测点位的原始压力点云数字做减法处理(减去初始值)。
真实环境中压力传感器的压力薄膜受压数据的差异变化应该是连续的,差异较小的,但是设计制造的薄膜传感器因像素点密度远低于实际情况中的受力点的分布情况,所以在处理过程中,如果发现两个像素间的差距很大,那么大概率这些片区是受到噪声数据的影响。所以本发明通过滤波算法(包括但不限于高斯滤波、均值滤波、中值滤波等算法),对压力点云数据进行滤波处理。
所述预处理中,具体包括:
获取原始压力点云数据的点云数值平均值为处理前平均值、数据分析处理后压力点云数据的点云数值平均值为处理后平均值;
获取处理前平均值与处理后平均值的比值为调整系数;
调整系数=处理前平均值/处理后平均值;
基于调整系数修复数据分析处理后的压力点云数据中每一个检测点对应的点云数值得到压力点云初始修复数据;
所述压力点云初始修复数据的获取公式为:
数据分析处理后检测点对应的点云数值*调整系数=压力点云初始修复数据中对应检测点的点云数值。
获取原始压力点云数据中检测点对应点云数值大小排名在前10%范围内的点云数值,对前10%范围内各检测点对应的点云数值与数据分析处理后对应检测点的点云数值进行比较,将较大的点云数值保留为或设置为压力点云初始修复数据中对应检测点的点云数值得到二次修复数据,并对二次修复数据进行特征提取得到压力点云特征数据。
即比较修复后的点云数据和滤波前的点云数据中大小排名在前10%范围的检测点位上的数据大小,保留比较高的那个值。
这里需要说明的是,滤波会使原始压力点云数据的压力幅度整体降低,会使得原本相对准确的高值信息变得不明显。此时可以通过平均值或中位数来计算滤波带来的影响系数(即调整系数),然后再将该影响系数倍乘至算法中,尽可能保留原有数据的整体特征,并通过比较滤波后数据与原始数据的大小来保留原有的高值信息,提高了压力点云特征数据的完整性与真实性。
本发明基于去初值、滤波、双重修复后得到的二次修复数据,相比原始数据更容易稳定的提取到特征信息。
本发明通过预处理压力点云特征数据:对原始压力点云数据进行数据分析处理,基于处理前原始压力点云数据的点云数值平均值与处理后压力点云数据的点云数值平均值修复处理后压力点云数据中的点云数值得到压力点云初始修复数据,并基于原始压力点云数据中的点云数值调整压力点云初始修复数据中的点云数值得到压力点云特征数据,通过对原始数据初步处理后,进行双重修复,通过双重修复后的数据作为训练样本,极大的提升了SVM模型的预测精度。
所述压力点云特征数据包括每一个压力检测点上对应整体压力点云的形态信息及点云数值;
所述压力点云特征数据中还包括多项与体型相关的数据:
座椅坐垫信息,具体包括:臀宽、大腿长、坐骨结节间距、总压力值、平均压力值以及各点云数值范围对应的有效受力点数;
座椅靠背信息,具体包括:背宽、背高、总压力值、平均压力值以及各点云数值范围对应的有效受力点数。
所述有效受力点数的获取方法为:
设定多个百分比,基于百分比与压力点云特征数据中最大点云数值的乘积,以及预设阈值设定多个点云数值范围,获取各点云数值范围内的有效受力点数量;所述有效受力点数量为去噪以后的受力点数量。
本实施例中,每个检测点位实际能够测量的数据范围为0~255,将其划分为4个点云数值范围(实际可根据需求增减):压力点云特征数据中点云数值最大值的80%到255为第一档,最大值的40%到80%为第二档,最大值的20%到40%为第三档,剩下的是第四档,共计4个点云数值范围。
通过提取出以上多项与体型相关的数据来训练SVM模型,极大的提高了模型的预测精准度。
通过随机打散的方式将部分训练样本划分为训练集,剩余训练样本划分为测试集;
通过训练集训练SVM模型,通过测试集测试训练后的SVM模型,并计算预测准确度及精度信息,具体包括:
准确度Precision=TP/(TP+FP);
召回率Recall=TP/(TP+FN);
精度Accuracy=(TP+TN)/(TP+TN+FP+FN);
式中,TP、FP、TN、FN分别为真阳性、假阳性、真阴性和假阴性的数量;
判断准确度是否小于预设门限值,若是则基于准确度、召回率及精度自适应更新SVM模型参数,使得预测值的准确度趋近于真实值,若否,则结束模型优化过程,导出当前SVM模型为SVM目标模型;
获取当前用户处于预设座椅位置时座椅上的压力点云数据,并输入SVM目标模型,通过SVM目标模型预测出当前用户对应的体型类别,根据预测得到的体型类别得到该用户对应的身高范围与体重范围。
本发明基于座椅上布设的压力检测点,获取同一种人体体型下的多位用户处于预设座椅位置时,座椅上的原始压力点云数据,并对其进行预处理得到压力点云特征数据即样本数据;在样本数据上绑定其对应的体型类别标签得到训练样本;通过训练样本训练SVM模型,得到SVM目标模型;通过SVM目标模型预测出当前用户对应的体型类别,从而得出用户的身高范围与体重范围,并设定身高范围与体重范围的中间值为当前用户的身高预测值与体重预测值,即本发明基于压力传感器实现了对用户身高与体重的精准预测,解决了目前通过压力传感器无法获取人体身高的问题。
实施例二
为了解决目前的疲劳度评价模型评价指标单一且未考虑人和驾驶室接触特征,而导致评价精度不够准确的问题,如图2所示,本发明提出了一种目标座椅姿态获取方法,包括:
S0:通过上文所述的人体体型类别预测方法预测当前用户对应的体型类别;
S1:获取预测得到的体型类别对应身高范围的中间值与体重范围的中间值为当前用户的人体尺寸数据,根据人体尺寸数据构建人体骨骼肌肉模型,基于生物力学仿真软件,利用人体骨骼肌肉模型与座椅模型(具体为座椅三维模型)进行运动学约束,以构建如图3所示的人椅耦合仿真模型;
所述人体尺寸数据包含:身高与体重。
本实施例中,所述生物力学仿真软件为Anybody、Opensim或Mujoco等。具体地,将人体骨骼肌肉模型与座椅三维模型导入生物力学仿真软件来构建人椅耦合仿真模型。
S2:初始化座椅姿态对应的变量值,并写入中间文件,设定座椅姿态为优化变量,设定最小综合疲劳度为优化目标;
所述座椅姿态对应的变量值包括:坐垫前后调节量、高低调节量以及靠背与坐垫之间的角度。
S3:通过生物力学仿真软件读取中间文件,并加载至人椅耦合仿真模型,基于中间文件调整座椅姿态;
S4:基于调整后的座椅姿态,通过生物力学仿真软件利用运动学约束与动力学条件计算当前驾驶员对应的腰椎力、肌肉作用力与人椅接触力;
所述运动学约束包括H点约束、背部侵入点约束、脚与踏板之间的约束以及手与方向盘之间的约束。
需要说明的是,动力学条件用来设定人椅耦合仿真模型中的肌肉作用力和外部作用力,即通过肌肉作用力和外部作用力共同作用实现设定的人体姿态。其中,外部作用力包括座椅、脚踏和方向盘对人体骨骼肌肉模型的支持力。
所述腰椎力包括腰椎L4-L5节段对应的前后向分力与左右向分力;所述肌肉作用力包括肩部肌肉群、脊柱肌肉群、大腿肌肉群与小腿肌肉群中各根细分肌肉对应的激活度;所述人椅接触力包括坐垫上的法向力和剪切力以及靠背上的法向力和剪切力。
S5:利用当前驾驶员对应的腰椎力、肌肉作用力与人椅接触力计算综合疲劳度并存储至数据表,更新中间文件中的变量值,并返回S3步骤,直至获得最小综合疲劳度,设定最小综合疲劳度对应的座椅姿态为当前驾驶员对应的目标座椅姿态。
计算综合疲劳度的公式模型由三个细分指标构成,分别用于评价肌肉激活度、人椅接触力以及腰椎力,所述公式模型的表达式为:
Lfatigue=ω1·F+ω2·H+ω3·G;
本实施例中,权重ω1、ω2和ω3可根据实际应用需求来进行调节;
其中:
式中,0.045为肌肉常用的肌肉激活度,用于无量纲化;肌肉激活度越低,该肌肉产生肌肉疲劳的可能性越低,即F越小,舒适性越高;
式中600为常用值,用于无量纲化;接触力分布越均匀,最大接触力越低,产生疲劳的可能性越低,即H越小,舒适性越高;
腰椎L4-L5节段在不正确的坐姿下易产生酸痛等疲劳,所以用腰椎L4-L5节段之间的作用力力描述腰部疲劳度;对于整体指标G,作用力越低,产生疲劳的可能性越低,即G越小,舒适性越高;
以上细分指标中都有细分的计算权重,每个指标中的权重可根据实际应用场景的不同进行调整;
式中,F表示肌肉激活度评价指标,H表示人椅接触力评价指标,G表示腰椎力评价指标,ω1、ω2、ω3分别表示F、H、G对应的权重,Lfatigue表示综合疲劳度,a1为包含肩部肌肉群中各根细分肌肉对应的激活度的数组,a2为包含脊柱肌肉群中各根细分肌肉对应的激活度的数组,a3为包含大腿肌肉群中各根细分肌肉对应的激活度的数组,a4为包含小腿肌肉群中各根细分肌肉对应的激活度的数组,Max(ai)表示当前肌肉群中的最大激活度,Average(ai)表示当前肌肉群对应的平均激活度,m1表示最大激活度对应的权重,m2表示平均激活度对应的权重;h1和h2分别表示坐垫上的法向力和剪切力,h3和h4分别表示靠背上的法向力和剪切力,Max(h1)与Average(h1)分别表示坐垫上的最大法向力与平均法向力,Max(h2)与Average(h2)分别表示坐垫上的最大剪切力与平均剪切力,Max(h3)与Average(h3)分别表示靠背上的最大法向力与平均法向力,Max(h4)与Average(h4)分别表示靠背上的最大剪切力与平均剪切力,n1、n2分别表示最大接触力对应的权重与平均接触力对应的权重;g1、g2分别表示腰椎L4-L5节段对应的前后向分力与左右向分力。
需要说明的是,各根细分肌肉对应的激活度由生物力学仿真软件直接给出。
所述S5步骤中,具体通过梯度下降法、遗传算法或枚举法更新中间文件中的变量值。若采用枚举计算法,座椅姿态(变量值)的更新按照线性增加的方式进行更新;当使用枚举法更新中间文件中的变量值时,直接通过对比各个座椅姿态下(或者说每一次更新下)的综合疲劳度,选取最小值,并设定最小综合疲劳度对应的座椅姿态为当前驾驶员对应的目标座椅姿态。
本发明可对不同体型的人体模型进行仿真计算,以获得不同体型特征用户对应的目标座椅姿态(最适座椅姿态)。
本发明根据人体尺寸数据构建人体骨骼肌肉模型,基于生物力学仿真软件,利用人体骨骼肌肉模型与座椅模型进行运动学约束,以构建人椅耦合仿真模型;初始化座椅姿态对应的变量值,并写入中间文件,通过生物力学仿真软件读取中间文件,基于中间文件中的变量值调整座椅姿态,基于调整后的座椅姿态计算当前驾驶员对应的腰椎力、肌肉作用力与人椅接触力以获取综合疲劳度,更新中间文件中的变量值,并基于更新的变量值调整座椅姿态,直至获得最小综合疲劳度,本发明通过更新座椅姿态对应的变量值,实现了对不同驾驶场景的模拟,并在此基础上计算当前驾驶员对应的腰椎力、肌肉作用力与人椅接触力提高了综合疲劳度计算的精准性、可靠性,本发明将腰椎力、肌肉作用力与人椅接触力作为综合疲劳度的计算数据,充实了疲劳度评价指标,进一步地提高了综合疲劳度计算的精准性。
实施例三
本实施例用于描述本发明人体体型类别预测方法的另一用途。
应用背景:一般乘员入座在汽车座椅上时,身材较小的乘员会将座椅位置调节至靠前位置,身材较大的乘员会将座椅调节至较后位置,以获得最佳舒适的位置。通常,当车辆发生碰撞时,侧面气囊会及时展开,来保护乘员的安全。然而,当乘客的位置靠前时,乘客与气囊较近,当发生车辆碰撞时,由于气囊爆破,身材较小乘客会由于气囊爆破产生二次伤害。
对此,本实施例提出了一种基于人体体型类别控制气囊爆破量的方法,包括:
在汽车安全控制系统内设定各体型类别对应的最优气囊爆破量;
通过如上文所述的人体体型类别预测方法预测当前用户对应的体型类别;
在发生碰撞时,基于预测得到的体型类别对应的最优气囊爆破量实施爆破。
需要说明的是,当在汽车安全控制系统内设定各体型类别对应的最优气囊爆破量,在利用本发明的人体体型类别预测方法预测出当前用户的体型类别后,在发生碰撞时,基于最优气囊爆破量实施爆破, 从而可更安全的保护乘员,避免因气囊点爆能量差异与用户不匹配而造成的二次伤害。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,在本发明中如涉及“第一”、“第二”、“一”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“连接”、“固定”等应做广义理解,例如,“固定”可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
另外,本发明各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
Claims (11)
1.一种用于汽车座椅的人体体型类别预测方法,其特征在于,包括:
设定各种人体体型对应的体型类别标签;
基于座椅上布设的压力检测点,依次获取各人体体型对应的样本数据,具体为:获取同一种人体体型下的多位用户处于预设座椅位置时,座椅上的原始压力点云数据,并对其进行预处理得到压力点云特征数据即样本数据;在样本数据上绑定其对应的体型类别标签得到训练样本;所述预处理包括:对原始压力点云数据进行数据分析处理,基于处理前原始压力点云数据的点云数值平均值与处理后压力点云数据的点云数值平均值修复处理后压力点云数据中的点云数值得到压力点云初始修复数据,并基于原始压力点云数据中的点云数值调整压力点云初始修复数据中的点云数值得到压力点云特征数据;所述压力点云特征数据包括每一个压力检测点上对应整体压力点云的形态信息及点云数值;
通过训练样本训练SVM模型,得到SVM目标模型;
获取当前用户处于预设座椅位置时座椅上的压力点云数据,并输入SVM目标模型,通过SVM目标模型预测出当前用户对应的体型类别。
2.根据权利要求1所述的一种用于汽车座椅的人体体型类别预测方法,其特征在于,所述体型类别标签包含体型类别对应的身高范围与体重范围;
所述压力点云特征数据中还包括:
座椅坐垫信息,具体包括:臀宽、大腿长、坐骨结节间距、总压力值、平均压力值以及各点云数值范围对应的有效受力点数;
座椅靠背信息,具体包括:背宽、背高、总压力值、平均压力值以及各点云数值范围对应的有效受力点数。
3.根据权利要求2所述的一种用于汽车座椅的人体体型类别预测方法,其特征在于,所述有效受力点数的获取方法为:
设定多个百分比,基于百分比与压力点云特征数据中最大点云数值的乘积,以及预设阈值设定多个点云数值范围,获取各点云数值范围内的有效受力点数量;所述有效受力点数量为去噪以后的受力点数量。
4.根据权利要求3所述的一种用于汽车座椅的人体体型类别预测方法,其特征在于,所述数据分析处理包括:对原始压力点云数据去初值处理;对去除初值后的压力点云数据进行滤波处理。
5.根据权利要求4所述的一种用于汽车座椅的人体体型类别预测方法,其特征在于,所述预处理中,具体包括:
获取原始压力点云数据的点云数值平均值为处理前平均值、数据分析处理后压力点云数据的点云数值平均值为处理后平均值;
获取处理前平均值与处理后平均值的比值为调整系数;
基于调整系数修复数据分析处理后的压力点云数据中每一个检测点对应的点云数值得到压力点云初始修复数据;
获取原始压力点云数据中检测点对应点云数值大小排名在前预设范围内的点云数值,对前预设范围内各检测点对应的点云数值与数据分析处理后对应检测点的点云数值进行比较,将较大的点云数值保留为或设置为压力点云初始修复数据中对应检测点的点云数值,得到压力点云特征数据。
6.根据权利要求5所述的一种用于汽车座椅的人体体型类别预测方法,其特征在于,所述压力点云初始修复数据的获取公式为:
数据分析处理后检测点对应的点云数值*调整系数=压力点云初始修复数据中对应检测点的点云数值。
7.一种目标座椅姿态获取方法,其特征在于,包括:
通过如权利要求1至6任一项所述的人体体型类别预测方法预测当前用户对应的体型类别;
基于预测的体型类别计算当前用户对应的最优疲劳度,基于最优疲劳度设定当前用户对应的目标座椅姿态。
8.根据权利要求7所述的一种目标座椅姿态获取方法,其特征在于,设定当前用户对应的目标座椅姿态,具体包括:
S1:获取预测得到的体型类别对应身高范围的中间值与体重范围的中间值为当前用户的人体尺寸数据,根据人体尺寸数据构建人体骨骼肌肉模型,基于生物力学仿真软件,利用人体骨骼肌肉模型与座椅模型进行运动学约束,以构建人椅耦合仿真模型;
S2:初始化座椅姿态对应的变量值,并写入中间文件,设定座椅姿态为优化变量,设定最小综合疲劳度为优化目标;
S3:通过生物力学仿真软件读取中间文件,并加载至人椅耦合仿真模型,基于中间文件调整座椅姿态;
S4:基于调整后的座椅姿态,通过生物力学仿真软件利用运动学约束与动力学条件计算当前用户对应的腰椎力、肌肉作用力与人椅接触力;
S5:利用当前用户对应的腰椎力、肌肉作用力与人椅接触力计算综合疲劳度并存储至数据表,更新中间文件中的变量值,并返回S3步骤,直至获得最小综合疲劳度,设定最小综合疲劳度对应的座椅姿态为当前用户对应的目标座椅姿态。
9.根据权利要求8所述的一种目标座椅姿态获取方法,其特征在于,所述S5步骤中,具体通过梯度下降法、遗传算法或枚举法更新中间文件中的变量值;
所述腰椎力包括腰椎L4-L5节段对应的前后向分力与左右向分力;所述肌肉作用力包括肩部肌肉群、脊柱肌肉群、大腿肌肉群与小腿肌肉群中各根细分肌肉对应的激活度;所述人椅接触力包括坐垫上的法向力和剪切力以及靠背上的法向力和剪切力;
所述运动学约束包括H点约束、背部侵入点约束、脚与踏板之间的约束以及手与方向盘之间的约束;
所述座椅姿态对应的变量值包括:坐垫前后调节量、高低调节量以及靠背与坐垫之间的角度;
所述S5步骤中,计算综合疲劳度的公式为:
10.式中,表示肌肉激活度评价指标,/>表示人椅接触力评价指标,/>表示腰椎力评价指标,/>分别表示/>对应的权重,/>表示综合疲劳度,/>为包含肩部肌肉群中各根细分肌肉对应的激活度的数组,/>为包含脊柱肌肉群中各根细分肌肉对应的激活度的数组,/>为包含大腿肌肉群中各根细分肌肉对应的激活度的数组,/>为包含小腿肌肉群中各根细分肌肉对应的激活度的数组,/>表示当前肌肉群中的最大激活度,表示当前肌肉群对应的平均激活度,/>表示最大激活度对应的权重,/>表示平均激活度对应的权重;/>分别表示坐垫上的法向力和剪切力,/>分别表示靠背上的法向力和剪切力,/>分别表示坐垫上的最大法向力与平均法向力,分别表示坐垫上的最大剪切力与平均剪切力,分别表示靠背上的最大法向力与平均法向力,分别表示靠背上的最大剪切力与平均剪切力,/>分别表示最大接触力对应的权重与平均接触力对应的权重;/>分别表示腰椎L4-L5节段对应的前后向分力与左右向分力。
11.一种基于人体体型类别控制气囊爆破量的方法,其特征在于,包括:
在汽车安全控制系统内设定各体型类别对应的最优气囊爆破量;
通过如权利要求1至6任一项所述的人体体型类别预测方法预测当前用户对应的体型类别;
在发生碰撞时,基于预测得到的体型类别对应的最优气囊爆破量实施爆破。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311102119.5A CN117725690A (zh) | 2023-08-30 | 2023-08-30 | 用于汽车座椅的人体体型类别预测方法及目标座椅姿态获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311102119.5A CN117725690A (zh) | 2023-08-30 | 2023-08-30 | 用于汽车座椅的人体体型类别预测方法及目标座椅姿态获取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117725690A true CN117725690A (zh) | 2024-03-19 |
Family
ID=90200438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311102119.5A Pending CN117725690A (zh) | 2023-08-30 | 2023-08-30 | 用于汽车座椅的人体体型类别预测方法及目标座椅姿态获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117725690A (zh) |
-
2023
- 2023-08-30 CN CN202311102119.5A patent/CN117725690A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111251950B (zh) | 乘员分类保护方法、系统、设备及计算机可读存储介质 | |
JP2004522932A (ja) | 車両内の物体の存在及び姿勢を識別するシステムを開発する方法 | |
CN113335146A (zh) | 自动调节驾驶员相关车载设备的调节方法、装置和系统 | |
Iraeus et al. | Development and validation of a generic finite element vehicle buck model for the analysis of driver rib fractures in real life nearside oblique frontal crashes | |
Arun et al. | Evaluation of kinematics and injuries to restrained occupants in far-side crashes using full-scale vehicle and human body models | |
CN114030436A (zh) | 一种汽车座舱调节方法 | |
CN115062511A (zh) | 一种aeb工况下基于体征的人体颈部损伤预测方法 | |
CN116680552A (zh) | 一种乘员损伤预测方法、装置及车辆 | |
US20220169151A1 (en) | Method for determining an occupancy status of a seat and corresponding determination system | |
CN117725690A (zh) | 用于汽车座椅的人体体型类别预测方法及目标座椅姿态获取方法 | |
Jones et al. | A semi-automated approach to real world motor vehicle crash reconstruction using a generic simplified vehicle buck model | |
US20020096868A1 (en) | Method for occupant classification in a motor vehicle | |
Carlsson et al. | Design and Evaluation of the Initial 50th Percentile Female Prototype Rear Impact Dummy, BioRID P50F–Indications for the need of an additional dummy size | |
Lemmen et al. | Development of an advanced frontal dummy thorax demonstrator | |
CN111204301A (zh) | 乘坐安全控制方法及电子设备 | |
Petitjean et al. | Thoracic injury criterion for frontal crash applicable to all restraint systems | |
Turkovich | The effects of obesity on occupant injury risk in frontal impact: a computer modeling approach | |
Choi et al. | Occupant injury risk analysis at NASS/CDS database | |
CN115099087A (zh) | 一种通过有限元方法预测驾乘人员颈部舒适度的方法 | |
Yates | Protection of Rear Seat Occupants Using Finite Element Analysis | |
US11850972B2 (en) | Systems and methods for occupant classification | |
Moreau et al. | Development of an injury risk function for the anterior pelvis under frontal lap belt loading conditions | |
Reynolds et al. | Driver comfort and gender inequality measured with DHMs | |
GALER FLYTE et al. | The prediction of car driver size and position to enhance safety in crashes | |
CN117268798B (zh) | 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 |
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 |