广告
深度学习在行人保护头碰开发中的应用
2021-04-20 22:54:04· 来源：上汽安全与CAE技术 作者：刘淼
01 行人保护的重要性根据世界卫生组织发布的数据显示，近年来全球道路交通死亡人数继续上升，每年造成约135万人死亡，而中国的道路交通伤害死亡人数和死亡率高居
01 行人保护的重要性
根据世界卫生组织发布的数据显示，近年来全球道路交通死亡人数继续上升，每年造成约135万人死亡，而中国的道路交通伤害死亡人数和死亡率高居世界前列。公安部公布的统计数字显示，近两年我国交通事故死亡人数都维持在了六万到七万之间。在发达国家的交通死亡事故中，机动车驾驶员与道路弱势使用者（行人、乘员、骑自行车人）的死亡之比是3:1。而我国则恰恰相反，这一比例为1:3，即有75%以上的死亡人数为道路弱者。在欧洲，23%的交通事故死亡者为行人，美国为11%，中国则超过25%，居所有交通事故中的首位。
中美日交通事故数对比
随着交通事故统计数据的增加、生物力学研究的深入以及车辆设计水平的提升，各个国家相继开展了汽车行人保护规范和测试方法研究，全球各地区先后颁布了汽车行人保护法规和星级评价体系。
02 深度学习在行人保护头碰开发中的应用
在各车型开发中，均会进行行人保护性能设计及评估。在前期开发时多借助于CAE仿真分析，确保所开发车型满足行人保护法规、NCAP星级及中国汽车保险安全指数要求。通常进行行人保护虚拟分析需要建立整车级模型，包括网格划分、工况设置及提交计算。以行人保护头碰分析为例，进行一轮分析的时间约为8-9天。随着车型开发周期的不断缩短和优化迭代次数的不断增多，需要寻求一种更加快速和便捷的分析手段。机器学习、深度学习等人工智能（AI）方法成为一种有效的途径。
我们进行了深度学习在行人保护头碰分析中的探索，取得了一些初步成果。有别于基于网格的有限元法，该分析方法基于图像处理。分析的输入是发盖的四张图片，通过所构建的深度学习模型，可以直接输出发盖的HIC色块图及得分。计算时间仅需1s。
卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。多应用于计算机视觉、自然语言处理等领域。本文采用卷积神经网络，以公司已开发的多款车型的行人保护头碰分析结果作为学习样本，构建深度学习模型。整体的色块区域预测准确，AI预测HIC值90%的点误差<30%。
从上表可以看出轿车的预测结果要好于SUV，可能存在多方面的原因，也是我们继续探索和提升的方向。AI技术及方法在CAE仿真分析领域的应用还处于起步阶段，相信随着更多工程技术人员的参与和研究实践，人工智能在工程技术领域的应用会越来越广泛，越来越成熟，能够更有效的提高车型开发的效率。
参考文献：
Osamu Ito, A Study of Pedestrian Protection CAE Using GAN. Honda R&D Co., Ltd.
根据世界卫生组织发布的数据显示，近年来全球道路交通死亡人数继续上升，每年造成约135万人死亡，而中国的道路交通伤害死亡人数和死亡率高居世界前列。公安部公布的统计数字显示，近两年我国交通事故死亡人数都维持在了六万到七万之间。在发达国家的交通死亡事故中，机动车驾驶员与道路弱势使用者（行人、乘员、骑自行车人）的死亡之比是3:1。而我国则恰恰相反，这一比例为1:3，即有75%以上的死亡人数为道路弱者。在欧洲，23%的交通事故死亡者为行人，美国为11%，中国则超过25%，居所有交通事故中的首位。
中美日交通事故数对比
随着交通事故统计数据的增加、生物力学研究的深入以及车辆设计水平的提升，各个国家相继开展了汽车行人保护规范和测试方法研究，全球各地区先后颁布了汽车行人保护法规和星级评价体系。
02 深度学习在行人保护头碰开发中的应用
在各车型开发中，均会进行行人保护性能设计及评估。在前期开发时多借助于CAE仿真分析，确保所开发车型满足行人保护法规、NCAP星级及中国汽车保险安全指数要求。通常进行行人保护虚拟分析需要建立整车级模型，包括网格划分、工况设置及提交计算。以行人保护头碰分析为例，进行一轮分析的时间约为8-9天。随着车型开发周期的不断缩短和优化迭代次数的不断增多，需要寻求一种更加快速和便捷的分析手段。机器学习、深度学习等人工智能（AI）方法成为一种有效的途径。
我们进行了深度学习在行人保护头碰分析中的探索，取得了一些初步成果。有别于基于网格的有限元法，该分析方法基于图像处理。分析的输入是发盖的四张图片，通过所构建的深度学习模型，可以直接输出发盖的HIC色块图及得分。计算时间仅需1s。
卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。多应用于计算机视觉、自然语言处理等领域。本文采用卷积神经网络，以公司已开发的多款车型的行人保护头碰分析结果作为学习样本，构建深度学习模型。整体的色块区域预测准确，AI预测HIC值90%的点误差<30%。
从上表可以看出轿车的预测结果要好于SUV，可能存在多方面的原因，也是我们继续探索和提升的方向。AI技术及方法在CAE仿真分析领域的应用还处于起步阶段，相信随着更多工程技术人员的参与和研究实践，人工智能在工程技术领域的应用会越来越广泛，越来越成熟，能够更有效的提高车型开发的效率。
参考文献：
Osamu Ito, A Study of Pedestrian Protection CAE Using GAN. Honda R&D Co., Ltd.
广告 
广告
最新资讯
-
ISO-SPI模拟技术：高压电池BMS测试的高效解
2024-12-24 08:24
-
西门子招聘试验售后支持工程师一名
2024-12-24 08:23
-
低温环境下燃料电池汽车冷起动解析
2024-12-24 08:20
-
新能源汽车如何破解冬季续航难题？
2024-12-24 08:18
-
“买WFT赠DAQ”震撼开启，加速电车研发迭代
2024-12-24 08:17
广告
广告
