精确及时预测紧急道道场景中的乘员毁伤首要性，是抬高道道交通智能化安静水准的枢纽课题。毁伤预测不妨为碰撞前（pre-crash）的轨迹筹办体系和碰撞中（in-crash

精确及时预测紧急道道场景中的乘员毁伤首要性，是抬高道道交通智能化安静水准的枢纽课题。毁伤预测不妨为碰撞前（pre-crash）的轨迹筹办体系和碰撞中（in-crash）的自顺应束缚体系供应计划数据参考。清华大学周青教讲课题组针对车辆前碰撞工况下的乘员毁伤预测实行了长远琢磨（图1），基于人体冲锋呼应力学机理，操纵序列天生式深度进修算法设立了车辆乘员毁伤的高精度预测模子，纠合面向卷积神经搜集的可视化理解算法，提出了用于枢纽运动学特质提取的数据预管制模块，杀青了乘员毁伤首要水准高精度及时预测（预测精确率达85.4%，算法推算时分仅为1.2 ms）。这项处事近期楬橥于交通安静范畴期刊《Accident analysis ＆ prevention》，第一作家为王情帆（2020级博士生），通信作家为聂冰冰副教养。

为演练及验证深度进修算法，基于汽车碰撞和职员毁伤的仿真推算平台，构修大范围乘员毁伤数值数据库，共计蕴涵28000起碰撞工况，以碰撞波形、乘员性别、安静带、气囊行使情状为输入变量，碰撞倏得的乘员动力学呼应（时分序列）为输出变量，征求头部加快率、胸部压缩量、颈部力和颈部力矩，并纠合毁伤生物力学体味公式，将其转化为乘员头胸颈部的毁伤危险。基于上述数据库，永别演练基于双向LSTM的编解码器模子的轮回神经搜集算法（RNN）和基于时序卷积搜集（TCN）的卷积神经搜集算法（CNN），二者均为序列天生式深度进修算法（图2）。CNN正在预测精确率（86.1% vs. 75.2%）和推算及时性（69 ms vs. 108 ms）均获得了更好显示。

为提拔预测及时性，该琢磨从高维度的序列输入讯息中提取出对付职员毁伤呼应具有明显影响的运动学特质，以下降预测算法的模子庞大度。起初，基于CNN可视化伎俩来加强深度进修模子的可解说性（图3），并理解该高精确性的CNN模子是怎样渐渐管制讯息的。正在剖释CNN内部机制的本原上，操纵数学推算（即两层池化操作）对高庞大度CNN模子实行近似，并从高维度的初始输入中提取简化运动学特质。

正在提取到运动学枢纽特质后，将其与庞大度较低的机械进修模子实行纠合，直接预测乘员毁伤首要性，以加强预测及时性。采用的机械进修算法征求逻辑斯特回归LR、计划树DT、比来邻KNN和接济向量机SVM，此中SVM模子获得了最佳预测显示。与CNN模子比拟，基于运动学特质的SVM模子正在不殉难预测精确率的同时（85.4% vs. 86.1%），杀青了高及时性预测（1.2 ms vs. 69 ms）。为进一步验证其泛化才干，基于NASS/CDS变乱统计数据库，提获得到192起的确交通变乱案例，该预测算法的预测精确率抵达78.6%。

本琢磨为乘员毁伤首要性预测供应了可行的琢磨旅途和预测算法，将运动学枢纽特质纳入数据驱动的乘员毁伤首要性预测算法，不妨有用抬高预测及时性。高精确度、高及时性的安静危险预测可针对险态交通场景，为主动驾驶车辆的轨迹筹办体系和自顺应乘员束缚体系计划供应数据参考，从而优化车辆计划设备，杀青面向乘员扞卫的最优安静。

汽车测试网-创始于2008年，报道汽车测试身手与产物、趋向、动态等 接洽邮箱 marketing#auto-testing.net (把#改成@)