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。

深度学习在行人保护头碰开发中的应用
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。

深度学习在行人保护头碰开发中的应用1

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。

深度学习在行人保护头碰开发中的应用2

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%。

深度学习在行人保护头碰开发中的应用3

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. 
分享到:
 
反对 0 举报 0 收藏 0 评论 0
沪ICP备11026917号-25