深度学习与汽车安全

深度学习(Deep Learning)是机器学习的一个分支，通过模拟人脑的神经网络来解释数据，其前身是人工神经网络。在2012年底的ImageNet图像识别比赛中，Geoffrey Hinton团队利用卷积神经网络（CNN）击败Google，一举夺得冠军。自此，深度学习进入爆发期。深度学习在图像识别和语音识别方面的突破尤为显著，解决了诸多复杂的模式识别难题。近年来，随着研究边界的拓展，深度学习已深入到汽车安全领域，并逐渐成为辅助汽车安全行驶的关键技术之一。

深度学习

1  深度学习与汽车主动安全

深度学习的爆发式发展极大地促进了图像识别技术的提高，进而使汽车主动安全系统对复杂路况的视觉感知能力大幅提升。汽车主动安全系统带来的操控方便性和行驶安全性将有效缓解驾驶员的驾驶疲劳。深度学习的引入让消费者真正感受到了汽车主动安全系统的实用性、准确性、便捷性，使得汽车主动安全越来越受到消费者的青睐。因此，深度学习对于汽车主动安全的发展意义重大。


图2 汽车主动安全系统

近年来，关于深度学习在汽车主动安全领域的研究，多家企业及高校均有深入探索。如Nvidia公司采用end2end的方法，并将CNN与end2end的深度框架集成，可以实时地进行路况检测和识别[1]。Mobileye公司开发了拥有良好环境感知能力的IQ3系统，可精确检测交通指示牌、车辆、行人及可行驶区域等[2]。Comma.ai 的Geo Hot系统可通过深度学习拟合出最优驾驶策略[3]。高军构建了一种基于分组卷积神经网络(MTS-GCNN)的变道行为预测模型，可在变道事件发生前准确预测出驾驶员的变道意图[4]。霍星等提出了一种基于深度学习的驾驶员安全带检测系统，其检测正确率可达92%左右[5]。郭道一基于碰撞仿真大数据和深度学习方法，提出了一种能够预测两车碰撞后车辆和乘员的损伤程度的算法[6]。


图3 Nvidia路况检测识别系统

2  深度学习与CAE仿真

深度学习的前身人工神经网络与有限元曾有过多种结合方式，并取得了很好的效果，如有限元神经网络模型。随着深度学习浪潮的兴起，探求深度学习与CAE的良好结合方式成为近年来行业的研究热点。目前，深度学习已在力学领域有了初步探索，结果显示深度学习将大幅缩短仿真计算时间。


图4 常规部件设计流程[7]

Osamu Ito 等[7]将深度学习与CAE相结合，进行了行人保护头碰模拟分析，取得了良好的效果。该团队选取了29款车的发动机罩，利用发动机罩2D结构图和CAE仿真结果对卷积神经网络（CNN）的LeNet-5网络模型进行训练，最后用训练后的学习模型分别对另外三款Mini-van、SUV、Seddan车型进行分析。结果如图6所示，与CAE分析相比，AI（Artificial intelligence）分析的头碰得分误差小于5%，其得分云图精度达76%-81%。论文[7]中还指出，学习模型的训练时间仅140秒，用学习模型计算每款车的得分云图仅需10秒，而CAE分析则需要40小时。由此可见，采用深度学习算法后分析效率大幅提升，且基于目前的训练样本，其分析精度也处于较高水平。


图5 引入AI的部件设计流程[7]

传统的CAE分析对3D数据的依赖较大，且对有限元网格的要求很高。因此，在数据成熟度不高的情况下（如设计前期），传统的CAE分析无法给出精确结果。而深度学习模型不依赖传统的网格数据，其可为概念设计阶段提供有力支持。从公布的论文内容看，该团队在研究过程中尚未考虑零件厚度、零件材料、头碰空间、周边约束等因素，且训练样本偏小，待上述内容完善后，其分析精度会进一步提高。

图6 验证结果[7]

Shouhei Kunitomi等[8]利用行人碰撞姿态图和深度学习算法构建了一种新的行人头部伤害预测方法（如图7所示）。该方法首先建立人车碰撞模型并开展CAE分析，其次将仿真所得的行人碰撞姿态图和HIC值整理成图片数据集，再次利用上述图片数据集对深度学习网络模型进行训练以建立行人碰撞图和HIC值之间的关系，最后用另外一张行人碰撞图对学习模型进行验证。该方法在仿真层面取得了较好结果，但对真实碰撞情形的预测能力尚需进一步提升。


图7 深度学习预测方法总览[8]

3  结语

深度学习的应用越来越普及，其对汽车安全领域的影响将是颠覆性的。其影响不仅表现在主动安全领域，而且逐渐渗透进CAE仿真领域。随着研究的不断深入，未来会有更完善的深度学习模型问世，并为汽车安全开发提供更好的支持。





参考文献：
[1] Bojarski M, Del Testa D, Dworakowski D, et al. End to end learning for self-driving cars[DB]. 2016.
https://arxiv.org/abs/1604.07316.
[2] Shalev-Shwartz S, Ben-Zrihem N, Cohen A, et al. Long-term planning by short-term prediction[DB]. 2016.
https://arxiv.org/abs/1602.01580.
[3] Santana E, Hotz G. Learning a driving simulator[DB].2016.
https://arxiv.org/abs/1608.01230.
[4] 高军. 基于计算机视觉与深度学习的汽车主动安全系统关键技术研究[D]. 武汉理工大学，2018.
[5] 霍星, 费志伟, 赵峰, et al. 深度学习在驾驶员安全带检测中的应用[J]. 计算机科学, 2019(B06):182-187.
[6] 郭道一. 基于深度学习和仿真的汽车碰撞损伤预测方法[D]. 大连理工大学，2019.
[7] Osamu Ito, Jun Shiraishi, Kazuo Imura, et al. Prediction of pedestrian protection performance using machine learning[C]. Proceedings of the 26th International Technical Conference on the Enhanced Safety of Vehicles (ESV). 2019.
[8] Shouhei Kunitomi, Atsuhiro Konosu. Prediction of Head Injury Severity for Pedestrians in Car‐Pedestrian Accidentsusing Deep Learning Methodology[C]. IRCOBI conference 2018. 2018.