广告
基于运动学特征的车辆乘员损伤严重性实时预测
2021-05-07 00:11:32· 来源：汽车安全与轻量化 作者：王情帆
准确实时预测危险道路场景中的乘员损伤严重性，是提高道路交通智能化安全水平的关键课题。损伤预测能够为碰撞前（pre-crash）的轨迹规划系统和碰撞中（in-crash
准确实时预测危险道路场景中的乘员损伤严重性，是提高道路交通智能化安全水平的关键课题。损伤预测能够为碰撞前（pre-crash）的轨迹规划系统和碰撞中（in-crash）的自适应约束系统提供决策数据参考。清华大学周青教授课题组针对车辆前碰撞工况下的乘员损伤预测进行了深入研究（图1），基于人体冲击响应力学机理，利用序列生成式深度学习算法建立了车辆乘员损伤的高精度预测模型，结合面向卷积神经网络的可视化分析算法，提出了用于关键运动学特征提取的数据预处理模块，实现了乘员损伤严重程度高精度实时预测（预测准确率达85.4%，算法计算时间仅为1.2 ms）。这项工作近期发表于交通安全领域期刊《Accident analysis ＆ prevention》，第一作者为王情帆（2020级博士生），通讯作者为聂冰冰副教授。
图1 基于运动学特征的车辆乘员损伤严重性实时预测算法的研究框架
1 序列生成式损伤预测算法
为训练及验证深度学习算法，基于汽车碰撞和人员损伤的仿真计算平台，构建大规模乘员损伤数值数据库，共计包含28000起碰撞工况，以碰撞波形、乘员性别、安全带、气囊使用情况为输入变量，碰撞瞬间的乘员动力学响应（时间序列）为输出变量，包括头部加速度、胸部压缩量、颈部力和颈部力矩，并结合损伤生物力学经验公式，将其转化为乘员头胸颈部的损伤风险。基于上述数据库，分别训练基于双向LSTM的编解码器模型的循环神经网络算法（RNN）和基于时序卷积网络（TCN）的卷积神经网络算法（CNN），二者均为序列生成式深度学习算法（图2）。CNN在预测准确率（86.1% vs. 75.2%）和计算实时性（69 ms vs. 108 ms）均取得了更好表现。
图2 RNN和CNN乘员损伤严重性预测算法的网络架构
2 提取运动学关键特征
为提升预测实时性，该研究从高维度的序列输入信息中提取出对于人员损伤响应具有显著影响的运动学特征，以降低预测算法的模型复杂度。首先，基于CNN可视化方法来增强深度学习模型的可解释性（图3），并分析该高准确性的CNN模型是如何逐步处理信息的。在理解CNN内部机制的基础上，利用数学计算（即两层池化操作）对高复杂度CNN模型进行近似，并从高维度的初始输入中提取简化运动学特征。
图3 面向CNN预测模型的卷积核可视化结果
3 基于运动特征的高实时预测模型
在提取到运动学关键特征后，将其与复杂度较低的机器学习模型进行结合，直接预测乘员损伤严重性，以增强预测实时性。采用的机器学习算法包括逻辑斯特回归LR、决策树DT、最近邻KNN和支持向量机SVM，其中SVM模型取得了最佳预测表现。与CNN模型相比，基于运动学特征的SVM模型在不牺牲预测准确率的同时（85.4% vs. 86.1%），实现了高实时性预测（1.2 ms vs. 69 ms）。为进一步验证其泛化能力，基于NASS/CDS事故统计数据库，提取得到192起真实交通事故案例，该预测算法的预测准确率达到78.6%。
图4 预测混淆矩阵的对比：(a) CNN模型；(b) SVM模型
4 结论
本研究为乘员损伤严重性预测提供了可行的研究路径和预测算法，将运动学关键特征纳入数据驱动的乘员损伤严重性预测算法，能够有效提高预测实时性。高准确度、高实时性的安全风险预测可针对险态交通场景，为自动驾驶车辆的轨迹规划系统和自适应乘员约束系统决策提供数据参考，从而优化车辆决策配置，实现面向乘员保护的最优安全。
Wang, Q., Gan, S., Chen, W., Li, Q., Nie, B. A Data-driven, Kinematic Feature-based, Near Real-time Algorithm Improving Injury Severity Prediction of Vehicle Occupants (2021) Accident Analysis & Prevention, 156 (2021).
DOI: doi.org/10.1016/j.aap.2021.106149.
图1 基于运动学特征的车辆乘员损伤严重性实时预测算法的研究框架
1 序列生成式损伤预测算法
为训练及验证深度学习算法，基于汽车碰撞和人员损伤的仿真计算平台，构建大规模乘员损伤数值数据库，共计包含28000起碰撞工况，以碰撞波形、乘员性别、安全带、气囊使用情况为输入变量，碰撞瞬间的乘员动力学响应（时间序列）为输出变量，包括头部加速度、胸部压缩量、颈部力和颈部力矩，并结合损伤生物力学经验公式，将其转化为乘员头胸颈部的损伤风险。基于上述数据库，分别训练基于双向LSTM的编解码器模型的循环神经网络算法（RNN）和基于时序卷积网络（TCN）的卷积神经网络算法（CNN），二者均为序列生成式深度学习算法（图2）。CNN在预测准确率（86.1% vs. 75.2%）和计算实时性（69 ms vs. 108 ms）均取得了更好表现。
图2 RNN和CNN乘员损伤严重性预测算法的网络架构
2 提取运动学关键特征
为提升预测实时性，该研究从高维度的序列输入信息中提取出对于人员损伤响应具有显著影响的运动学特征，以降低预测算法的模型复杂度。首先，基于CNN可视化方法来增强深度学习模型的可解释性（图3），并分析该高准确性的CNN模型是如何逐步处理信息的。在理解CNN内部机制的基础上，利用数学计算（即两层池化操作）对高复杂度CNN模型进行近似，并从高维度的初始输入中提取简化运动学特征。
图3 面向CNN预测模型的卷积核可视化结果
3 基于运动特征的高实时预测模型
在提取到运动学关键特征后，将其与复杂度较低的机器学习模型进行结合，直接预测乘员损伤严重性，以增强预测实时性。采用的机器学习算法包括逻辑斯特回归LR、决策树DT、最近邻KNN和支持向量机SVM，其中SVM模型取得了最佳预测表现。与CNN模型相比，基于运动学特征的SVM模型在不牺牲预测准确率的同时（85.4% vs. 86.1%），实现了高实时性预测（1.2 ms vs. 69 ms）。为进一步验证其泛化能力，基于NASS/CDS事故统计数据库，提取得到192起真实交通事故案例，该预测算法的预测准确率达到78.6%。
图4 预测混淆矩阵的对比：(a) CNN模型；(b) SVM模型
4 结论
本研究为乘员损伤严重性预测提供了可行的研究路径和预测算法，将运动学关键特征纳入数据驱动的乘员损伤严重性预测算法，能够有效提高预测实时性。高准确度、高实时性的安全风险预测可针对险态交通场景，为自动驾驶车辆的轨迹规划系统和自适应乘员约束系统决策提供数据参考，从而优化车辆决策配置，实现面向乘员保护的最优安全。
Wang, Q., Gan, S., Chen, W., Li, Q., Nie, B. A Data-driven, Kinematic Feature-based, Near Real-time Algorithm Improving Injury Severity Prediction of Vehicle Occupants (2021) Accident Analysis & Prevention, 156 (2021).
DOI: doi.org/10.1016/j.aap.2021.106149.
- 下一篇：电动汽车高压连接器振动相关问题浅析
- 上一篇：面向自动驾驶的边缘计算技术研究综述
广告 
广告
最新资讯
-
智能网联公司与澳大利亚ANCAP开展技术交流
2025-02-24 16:14
-
《汽车轮胎干路面制动距离试验方法》等团体
2025-02-24 16:13
-
突然解散！又一智驾公司总部封楼！
2025-02-24 12:09
-
【直播预告】当"双碳"遇上高压快充：破局新
2025-02-24 12:08
-
直播｜车载高速以太网测试技术线上研讨会
2025-02-24 11:11
广告
广告
