CN116680552A - 一种乘员损伤预测方法、装置及车辆 - Google Patents

Abstract

本发明请求保护一种乘员损伤预测方法、装置及车辆，包括：获取碰撞波形；根据所述碰撞波形预先提取波形特征值，将碰撞波形、波形特征值、车内驾乘人员信息和约束***信息输入，预测得到真实的伤害曲线Y_pre；最后计算人体不同部位的伤害值，确定驾乘人员的损伤等级。本发明通过预先提取与人体损伤显著相关的波形特征值作为先验知识，并和驾乘人员典型特征、约束***典型特征以及碰撞波形作为输入，采用基于编码器‑解码器架构的损伤预测算法，编码器将标量特征融合到矢量特征，解码器将输入隐状态映射到人体的损伤，由此通过较少的样本量，实现乘员损伤的高精度预测。

Description

一种乘员损伤预测方法、装置及车辆

技术领域

本发明属于车辆碰撞领域，尤其涉及车辆碰撞中乘员损伤预测技术领域。

背景技术

首先，自动驾驶险态场景下的路径规划，需要实时预测所规划的不同路径下发生碰撞时乘员的损伤情况，以计算路径的代价；其次，预碰撞***的触发逻辑是基于碰撞风险和人员损伤风险的，当碰撞风险和人员损伤风险都很高时，触发最高等级的预碰撞***，实现乘员安全的提前保护；最后，工程师在车辆碰撞安全开发过程中，需要根据碰撞波形进行乘员损伤的有限元仿真，实现对波形的评价，此过程非常耗时，如果给定碰撞波形，通过算法可实时得到乘员的损伤，那么以上问题将迎刃而解。

目前乘员损伤预测算法主要基于两种方法。一是基于真实交通事故数据，采用回归、支持向量机、随机森林等机器学习算法，将碰撞场景参数(相对速度、重叠率、碰撞角度、碰撞目标物质量)、驾乘人员信息(性别、年龄、尺寸、乘坐姿态等)和约束***状态信息(是否系安全带、是否点爆气囊等)作为输入，人员损伤等级作为输出，训练预测模型。该方法存在数据难收集、缺省值多等问题，例如，车辆的速度、重叠率、碰撞角度等参数依赖事故后的重建推算，工作量大且精度不高；交通事故数据绝大部分是乘员受伤等级较低事故，存在样本不均衡问题，难以采用机器学习模型进行训练；事故数据只有碰撞后乘员的损伤等级而无法给出具体的伤害值(如头部伤害指数HIC等)。二是采用仿真波形作为输入，通过数值仿真得到乘员损伤响应曲线作为输出，该方将输入的标量值(如驾乘人员信息、约束***状态信息)通过嵌入表示和波形矢量的嵌入表示相加，作为深度学习模型(如LSTM、TCN)的输入，进行预训练，实现乘员损伤的预测。该方法预测精度良好，但该方法没有融合先验知识，需要大量训练样本实现端到端的预测。

发明内容

针对以上存在的技术难题，本发明的目的在于提供一种乘员损伤预测方法、装置及车辆，基于数据驱动，利用碰撞波形，采用深度学习方法，实现对乘员损伤的预测，减少样本数据数量，降低计算复杂度，提升预测精度，利于在碰撞前得到准确的乘员受伤等级，为自动驾驶工况险态场景下的路径规划和预碰撞***的触发提供输入，为碰撞后的事故救援提供精准信息。

本发明的技术方案如下：

本发明在第一方面，提供一种乘员损伤预测方法，所述方法包括：

获取碰撞波形：所述碰撞波形是在碰撞前通过预测获得的碰撞波形，或是在车辆碰撞后实时采集的真实的碰撞波形。即如乘员损伤预测用于碰撞前，所述碰撞波形指通过波形预测模块得到的预测的碰撞波形，如果用于碰撞后，则指EDR/ADR实际采集到的真实的碰撞波形。

人体损伤预测：根据所述碰撞波形预先提取波形特征值；然后将所述碰撞波形、波形特征值、车内驾乘人员信息和约束***信息输入人体损伤预测模型，得到人体损伤运动学曲线Yˊ，并进行逆映射得到真实的伤害曲线Y_pre；

人员损伤等级确定：根据真实的伤害曲线Y_pre，计算人体不同部位的伤害值，根据伤害值确定驾乘人员的损伤等级。

具体地，在人体损伤预测时，要根据得到的碰撞波形计算波形特征值。即对得到碰撞波形预先提取对人体伤害产生显著影响的波形特征值。该波形特征值作为先验知识，作为乘员损失预测算法的输入之一。

根据本发明的一个实施例，所述波形特征值可以为：车辆碰撞速度v₀，速度改变量Δv，反弹时刻t_rebound，碰撞能量E，X、Y、Z方向加速度最大值a_{x_max}、a_{y_max}，a_{z_max}，X、Y、Z方向加速度平均值a_{x_mean}、a_{y_mean}、a_{z_mean}，绕X、Y、Z轴旋转位移最大值d_{x_max}、d_{y_max}、d_{z_max}，滑窗平均加速度SM_W，乘员载荷指标OLC，车辆速度指数VPI和加速度强化指数ASI。在具体实施中，如果无法获得Y、Z方向的加速曲线和绕Y、Z轴的旋转位移曲线，则特征值可以不包括a_{y_max}、a_{z_max}、a_{y_mean}、a_{z_mean}d_{y_max}、d_{z_max}中的一个或多个。

根据本发明的一个实施例，所述人体损伤预测模型是通过构建的人体损伤数据库，采用人体损伤预测算法计算，最后得到乘员的损伤曲线Yˊ。

根据本发明的一个实施例，所述人体损伤数据库是通过如下方式构建得到：

首先，建立高精度驾乘人员的有限元模型或多刚体约束***模型。

然后，在碰撞波形、驾乘人员信息、约束***状态信息构成的空间进行随机采样，生成仿真矩阵表。

再根据仿真矩阵表更新所述多刚体约束***模型，并完成仿真计算，即得到驾乘人员不同部位的乘员损伤曲线；

最后，当完成矩阵表中的所有仿真后，即可得到人体损伤数据库。

以上，所述人体各部位的乘员损伤曲线是指头部加速度曲线，颈部轴向力曲线、颈部弯矩曲线、颈部伤害指标曲线，胸部压缩量曲线、胸部加速度曲线，股骨轴向力曲线，胫骨轴向力曲线、胫骨剪切力曲线、胫骨绕x轴和y轴的弯矩曲线。

根据本发明的一个实施例，对输入所述人体损伤预测模型的信息即数据要进行预处理，方法是：

对于输入特征中的数值类型的数据，将所有样本的值域映射到[0,1]的区间；对于输入特征中的分类数据，采用独热编码方式表征。

对于输出标签，即乘员损伤曲线，要将所有样本的损伤曲线(例如头部加速度曲线)数据映射到[0,A]，并取整，具体地，将所有样本损伤曲线按行拼接为一个2维矩阵Y，第一个维度表示样本数量，第二个维度表示时间序列步数。对Y做如下转换得到Y′。

int表示取整，

max(Y)和min(Y)分别表示Y的最大值和最小值，样本集确定后为常量。

A的取值根据所预测的损伤类型确定，表示每个时刻损伤预测值可能的取值分布在[0,A]，如果所预测的损伤值分布区间比较小，则将A的值设置大一些，以更好的做损伤等级的分类。

根据本发明的一个实施例，所述人员损伤预测算法是采用基于编码器-解码器架构的深度学习模型搭建的。传统的处理时间序列的深度学习模型，如基于卷积神经网络的TCN、循环神经网络(RNN)、Seq2Seq等，多采用端到端的方式，没有融合先验知识，而且不擅长处理既有序列的输入同时有异质类的标量数据的输入。本发明同时采取预先提取特征值(即根据所述碰撞波形计算波形特征值，作为先验知识)和机器自动提取特征(即后面的编码器对矢量处理的过程就是机器自动提取特征的过程)，并通过转置卷积有效的将标量值融合到碰撞波形时间序列数据中，加速了模型的学习过程，提升模型稳健性的同时显著提升了模型精度。

具体地，所述编码器包括标量处理模块、矢量处理模块。

编码器的矢量处理模块将碰撞波形映射到矢量数据隐藏层H_{v_RNN}。具体地，1D卷积层通过核函数权值更新提取波形特征，之后输入给最大池化层，降低数据的冗余度同时降低卷积层对位置的敏感性，之后输入给RNN模块，将序列数据映射到隐藏层H_{v_RNN}，所述H_{v_RNN}指RNN模块最后一层的输出。所述RNN模块可以由1层或多层RNN层构成，所述RNN层可以为原始RNN层，也可以是基于门控的GRU或LSTM。RNN模块进一步提取波形关键特征(这里的关键特征是算法自动提取的，也是对人体损伤影响大的)，同时压缩整个时间序列的历史信息，表征碰撞过程对乘员造成的损伤累计效应。

编码器的标量处理模块为多层感知机1(MLP-1)，与矢量处理模块并行计算，标量数据通过多层感知机(MLP-1)将数据映射到标量数据隐藏层，记为H_{s_MLP}。所述标量数据是指所述波形特征值、车内驾乘人员信息和约束***信息。

所述解码器包括矢/标量融合模块和多层感知机2(MLP-2)。

解码器的矢/标量融合模块，首先将矢量数据隐藏层H_{v_RNN}和标量数据隐藏层H_{s_MLP}分别增加一个维度，表示矢/标量维度，至此，假设H_{v_RNN}和H_{S_MLP}的维度均变为(batch_size,num_step,1,num_channels)，batch_size表示批量大小，num_step指时间步数，1表示矢/标量维度，num_channelsnum_channels为数据的高维表示数，即通道数。将H_{v_RNN}和H_{S_MLP}按矢/标量维度拼接得到矩阵H_{VS_stack}，然后，通过2d转置卷积对H_{VS_stack}上采样，转置卷积的卷积核大小设置为(w,2)，得到的输出记为H_transpose。H_transpose最后一个维度变由2变为3(即最后一个维度由3个向量构成)，其中第一个向量表示矢量特征，第二个向量表示矢量与标量融合后的特征，第三个向量表示标量的特征，为了加速矢量和标量数据的融合，同时避免过拟合，将第三个向量裁剪，仅保留前2个向量，w为超参数，可优化。之后，为了将数据输入给MLP-2，将H_transpose的后3个维度展平，记为H_flatten。

解码器的多层感知机2(MLP-2)将H_flatten映射到乘员的损伤，MLP-2的输入层神经元个数等于H_flatten的第二个维度值，输出层的神经元个数可根据具体需求定义，一般情况下，乘员损伤输出1ms采样一个点即满足伤害值的计算，假设原始的碰撞波形时间长度为200ms，则输出层的神经元可设为200，这200个神经元的输出构成Yˊ。

根据本发明的一个实施例，对所述人体损伤预测模型还要进行初始化与训练，包括：

对模型各层的权重进行随机采样初始化。具体地，MLP和RNN层的权重从均值为0方差为1.0的高斯正态分布随机采样；卷积和转置卷积的核函数权重从[0,1]的区间随机采样初始化。所有的偏置项初始化为0。

模型的正向传播，将训练样本输入给模型，具体来讲，将预处理后的碰撞波形输入给标量处理模块，将预处理后的标量数据输入给矢量处理模块，进行正向传播。

反向传播：采用小批量梯度下降法(SGD)更新模型中的权重。

损失函数为交叉熵损失函数。本申请中，将要预测的响应曲线映射到[0，A]的区间，对输出的每一个时刻做总共A类的分类，即每个时刻的输出属于[0，A]区间的一个整数值，这样将一个回归问题转为分类问题可显著提升预测精度。

在训练时，以上的人员损伤数据库被分为两部分，80％用作训练，20％用作验证。经过调参后，如预测的损失曲线和真实的损失曲线相关度不满足要求，则再次随机增加样本点，以增加样本量并重新训练，直到精度满足要求。

本申请在实时预测中，通过人体损伤预测模型得到乘员的损伤曲线Yˊ后，需要按下式进行逆映射得到真实的伤害曲线Y_pre。

max(Y)和min(Y)分别表示训练集中Y的最大、最小值，样本集确定后为常量。

最后，根据真实的伤害曲线Y_pre可计算各部位的伤害值，根据伤害值可确定成员的损伤等级。

本发明在第二方面，还提供一种基于数据驱动的乘员损伤预测装置，其包括：

碰撞波形获取模块，用于在碰撞前通过预测获得的碰撞波形，或是在车辆碰撞后实时采集的真实的碰撞波形；

人体损伤预测模块，用于根据所述碰撞波形预先计算得到的对人体损伤有显著影响的波形特征值，并和所述碰撞波形、车内驾乘人员信息和约束***信息输入人体损伤预测模型，得到人体损伤运动学曲线Yˊ，并进行逆映射得到真实的伤害曲线Y_pre；

损伤等级确定模块，用于根据真实的伤害曲线Y_pre，计算人体不同部位的伤害值，根据伤害值确定驾乘人员的损伤等级；

所述装置通过以上模块实现本发明第一方面所述的基于数据驱动的乘员损伤预测方法。

本发明在第三方面，还提供一种车辆，所述车辆配置第二方面所述的基于数据驱动的乘员损伤预测装置。

本发明以上方法不仅可以用于碰撞前，也可用于事故发生后。，用于碰撞前，则通过波形预测模块得到预测的碰撞波形，并将预测的碰撞波形、根据预测的碰撞波形计算得到的波形特征值、车内驾乘人员信息和约束***信息作为乘员损伤预测的输入。用于事故后则从ACU/EDR读取真实的碰撞波形，并将真实的碰撞波形、根据真实的碰撞波形计算得到的波形特征值、车内驾乘人员信息和约束***信息作为乘员损伤预测的输入。乘员损伤预测模块根据输入计算得到人体损伤运动学曲线，进一步通过计算得到人体不同部位的损伤等级，最后，将驾乘人员的损伤信息通过无线网络发送至云服务器，进而通知维修、保险、救援等相关方。

本发明的技术效果如下：

本发明采取了预先提取波形特征和机器自动提取特征的方法，采取预先提取与人体损伤显著相关的波形特征值(标量特征)作为先验知识，并和驾乘人员典型特征(标量特征)、约束***典型特征(标量特征)以及碰撞原始波形作为输入，即是通过对原始波形提取特征值，将这些特征值作为神经网络的输入，显著加速了算法的收敛，同样数量的样本可得到更高的精度，可通过较少的样本量，实现乘员损伤的高精度预测，显著提升模型预测精度。

本发明的人员损伤预测算法是基于编码器-解码器架构，编码器可有效地将标量特征融合到矢量特征，解码器将输入隐状态映射到人体的损伤。一方面，其采用的人员损伤预测算法是对标量的处理通过单层MLP将所有标量映射到同一个空间，通过隐藏层的权重获得不同标量的贡献度，具有更好的可解释性。另一方面该人员损伤预测算法是通过单层CNN对矢量抽取特征，单层RNN保留时间关系，通过单层MLP对标量抽取特征，最后通转置卷积将特征隐射到矢量特征、矢量和标量的融合特征，计算复杂度低，且保留了空间和时间的位置关系，在算法复杂度较低的情况下，保证了算法的精度。

采用本发明的技术方案，在碰撞前得到乘员受伤等级后，可以为自动驾驶工况险态场景下的路径规划和预碰撞***的触发提供输入，为碰撞后的事故救援提供精准信息。

附图说明

图1是本发明的乘员损伤预测方法的流程图；

图2是构建乘员损伤预测模型的实施流程图；

图3是碰撞波形示意图；

图4是碰撞角度示意图；

图5是反弹时刻定义示意图；

图6是OLC定义示意图；

图7是人员预测算法的框架图；

图8是MLP示意图；

图9是乘员损伤预测装置的示意图。

图10是乘员损伤预测装置配置于车辆上所涉及到的车辆软硬件示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图对实施方案进行详细描述。

参见图1，如本发明的一个实施例，本实施例以车辆发生碰撞前的乘员损伤预测为例，说明预测的流程，包括如下几步：

首先，获取碰撞波形：所述碰撞波形是在碰撞前通过预测获得的碰撞波形，或是在车辆碰撞后实时采集的碰撞波形。如乘员损伤预测用于碰撞前，所述碰撞波形指通过波形预测模块得到的预测的碰撞波形，如果用于碰撞后，则指EDR/ADR实际采集到的真实的碰撞波形。。现有技术中，对于碰撞前的波形的预测已有很多技术披露，例如专利文献CN107169235A中将波形等效为二阶双台阶波形，通过线性模型预测双台阶波形的关键参数，该方法预测的波形为方波，原始波形的信息损失大，且限于标准工况。本申请人也提出过一种预测碰撞波形的方法(专利文献号：CN115099096A)，即可以根据ADAS***获得的场景参数(目标物类型、目标物质量、目标物速度、碰撞角度和两车的相对速度)输入给碰撞波形预测模块，得到预测的碰撞波形。

然后，进行人体损伤预测：根据步骤1得到的碰撞波形预先提取计算得到波形特征值，并和步骤1得到的碰撞波形、由车内乘员探测传感器探测到的驾乘人员信息和来自CAN总线的约束***信息一起输入人体损伤预测模型，得到人体损伤运动学曲线Yˊ，并进行逆映射得到真实的伤害曲线Y_pre；

最后，进行人员损伤等级确定：根据真实的伤害曲线Y_pre，计算人体不同部位的伤害值，根据伤害值确定驾乘人员的损伤等级，为预碰撞***触发和自动驾驶路径规划提供输入。

对于本发明，要实现以上乘员损伤预测方法，关键是需要实现构建人体损伤预测模型，在以下的实施例中，对模型构建流程进行详细说明。

参见图2，该人体损伤预测模型的构建流程主要包括：

S1构建碰撞波形并计算波形特征值；

S2构建乘员损伤数据库；

S3数据预处理；

S4搭建人体损伤预测算法；

S5模型初始化与训练；

S6实时预测。

以下详细对每一步进行举例说明：

S1构建碰撞波形并计算波形特征值：

在本发明中，构建碰撞波形数据库，可通过3种途径获得：1、整车有限元数值仿真获得，2、收集事故车辆加速度传感器记录的碰撞波形，3、通过波形等效公式构建。

1、整车有限元数值仿真获得，过程如下：

首先，建立高精度的自车有限元模型和碰撞目标物的有限元模型。

其次，根据目标物类型、目标物质量、目标物速度和目标物与自车发生碰撞时的碰撞角度组成的空间进行随机采样，生成仿真矩阵表，可将目标物从不同方向以不同的速度撞击自车，碰撞速度边界可根据真实事故统计分析得出，建议取值区间[0，120km/h]。

最后，根据矩阵表更新有限元模型，并进行数值计算，获得车辆的碰撞波形。所述碰撞波形指整车坐标系下X、Y、Z方向的加速度曲线和绕X、Y、Z轴旋转的旋转位移曲线。当完成矩阵表中的所有仿真后，即可得到不同的碰撞波形数据库。

2、收集事故车辆加速度传感器记录的碰撞波形，过程如下：

通过收集大量事故中自车加速度传感器采集到的车辆碰撞波形。采集方式可通过事故调查，并通过事故重建软件(如PC-Crash)进行重建，从而得到碰撞波形；也可通过云收集的方式采集，即当用户车辆发生事故后，通过无线网络自动采集车辆碰撞事件记录仪(EDR)控制器保存的碰撞波形。当收集到足够多(包含不同的碰撞目标物类型、不同的碰撞速度和不同的碰撞角度，具体数量根据算法的训练效果确定)的事故数量后，即可得到不同碰撞波形数据库。

3、通过波形等效公式构建

所述等效公式指用简化的公式近似表征车辆的碰撞波形，近似公式可以为二阶波形、半正弦波形、傅里叶波形、梯形波形。一个具体的实例，可采取傅里叶波形波形，所述傅里叶等效波形采用n个正弦波线性叠加表征真实波形，公式如下：

a₁是第i个正弦波形的幅值，ω是固有频率，t_k是波形的有效碰撞时间。更具体地，取n＝2，在a₁、a₂、ω构成的同一空间采样，a₁、a₂、ω的取值边界根据经验取值，a₁∈[0,0.5]，a₂∈[-0.1,0.5]，ω∈[0.06,0.02]。每次采样后根据/>得到a(t)。

最终的波形截取a(t)第一个大于0的周期部分。

如果构建的所有波形的最大值无法覆盖真实碰撞波形的最大值(真实波形最大值可根据碰撞速度边界进行有限元仿真获得)，则应增大a₁、a₂的边界。

得到的碰撞波形示意图如图3所示(图中仅展示了20个样本)。

在本实施例中，所述自车指需要进行乘员损失预测的研究车辆

在本实施例中，所述目标物类型包括乘用车、卡车、客车、柱状物。

在本实施例中，所述碰撞速度指目标物与自车发生碰撞时的速度。

在本实施例中，所述碰撞角度指目标物与自车发生碰撞时，目标物的速度方向，也是自车的受力方向，如图4所示。

进一步，在以上得到碰撞波形后，再计算波形特征值。

由于对于乘员损伤预测算法，无论是用于碰撞前还是碰撞后，其输入都包括4部分：碰撞波形，波形特征值、车内驾乘人员信息和约束***信息。乘员损伤预测算法如果用于碰撞前，这里的碰撞波形就是预测的碰撞波形，波形特征值则根据预测的碰撞波形计算；如果用于碰撞后，这里的碰撞波形就是真实的碰撞波形，波形特征值则根据真实的碰撞波形计算。

所述波形特征值可以为：车辆碰撞速度v₀，速度改变量Δv，反弹时刻t_rebound，碰撞能量E，X、Y、Z方向加速度最大值a_{x_max}、a_{y_max}，a_{z_max}，X、Y、Z方向加速度平均值a_{x_mean}、a_{y_mean}、a_{z_mean}，绕X、Y、Z轴旋转位移最大值d_{x_max}、d_{y_max}、d_{z_max}，滑窗平均加速度SM_W，乘员载荷指标OLC，车辆速度指数VPI和加速度强化指数ASI。在具体实施中，如果无法获得Y、Z方向的加速曲线和绕Y、Z轴的旋转位移曲线，则波形特征值可以不包括a_{y_max}、a_{z_max}、a_{y_mean}、a_{z_mean}d_{y_max}、d_{z_max}中的一个或多个。

以上波形特征值可以采用如下的计算方法获得：

所述车辆的碰撞速度v₀指碰撞时刻自车的速度v₀，可对加速度曲线求积分得到速度曲线v(t)，v₀＝v(t)_t＝0。

所述速度改变量Δv指自车碰撞开始时刻与碰撞结束时刻的速度差Δv＝v₀-v_T，v_T＝v(t)_t＝T，v_T为碰撞结束时的速度，T为碰撞持续时间。

所述反弹时刻t_rebound指自车速度反向的时刻。如图4所示，如果车辆碰撞后速度方向未反向(速度未归0)，则计算车辆速度连续10个采样点的方差(速度曲线1ms采样一个点)，得到速度方差曲线，如果速度方差曲线上连续10个点(定义这10个点对应的时间区间为[t,t+10)ms)的方差值均小于阈值θ，则反弹时刻t_rebound＝t+5ms，θ可取0.005。

所述碰撞能量

所述X方向加速度最大值，a_{x_max}＝max(abs(a_x(t))，类似地，可求解Y、Z方向的加速度最大值。

所述X方向加速度平均值，类似地，可求解Y、Z方向的加速度平均值。

所述绕X轴旋转位移最大值d_{x_max}＝max(abs(d_x(t))，d_x(t)为绕X轴的旋转位移,类似地，可求解Y、Z方向的轴旋转位移的最大值。

所述滑窗平均加速度W表示滑窗的窗口宽度，一般取3ms。

所述乘员载荷指标OLC，OLC指标由Kübler博士提出，如图6所示，在碰撞初始阶段约束约束***对人体无约束作用，乘员处于自由状态(自由飞行阶段)，乘员维持该自由状态运动的到t₁时刻，运动的距离为s。此后约束***开始起作用，人体以恒定的减速度运动直到接触到消耗完剩余的胸部空间d-s，对应的时刻为t₂，该恒定减速的值即为OLC值。通常，d取驾乘人员胸部离方向盘(仪表板的)X向距离，s取60mm。OLC按下式迭代求解得到。

v₀-OLC·(t₂-t₁)＝v(t₂)

式中v₀为碰撞初始速度，v(t)为碰撞速度曲线。

所述VPI由国际标准组织ISO提出，用于评估碰撞加速度对乘员损失的影响程度，VPI按下式迭代求解得到。

式中，M为乘员质量，y(t)为乘员位移，x(t)为车辆位移，P(t)表示约束***和乘员间的受力，s为约束***的松弛量，k约束***的刚度。通常，k取值2500N/m，s取值30mm。

所述加速度强化指数ASI，计算公式如下:

SM_50ms,x,SM_50ms,y,SM_50ms,z分别表示自车X、Y、Z方向的50ms滑窗平均加速度值。

S2构建人体损伤数据库：

首先，在碰撞波形、驾乘人员信息、约束***状态信息构成的同一空间随机采样生成样本量为n的乘员损伤矩阵表。所述碰撞波形指S1得到的碰撞波形。所述不同驾乘人员信息指人员的性别、年龄、尺寸、碰撞前的姿态等信息，所述碰撞前的姿态指碰撞时刻驾乘人员的侧倾角度、前倾角度和驾乘人员胸部至方向盘中心(驾驶员)或至仪表板(副驾驶员)或至前排座椅(后排乘员)的距离。所述约束***状态信息指驾乘人员是否系了安全带，气囊是否点爆等影响驾乘人员安全的约束***信息。

然后，构建高精度约束***模型，可以为有限元模型或多刚体模型，模型主要包括安全气囊、转向管柱、安全带、方向盘、座椅、仪表板、门内饰、顶棚、地毯等碰撞过程中人体可能接触到的部件以及白车身。

最后，将乘员损伤矩阵表的驾乘人员信息和约束***状态信息参数更新至有限元模型，将碰撞波形作为约束***模型的边界条件，进行数值仿真计算。计算结束后从计算结果中提取人体损伤曲线，构成输入(特征)为碰撞波形、驾乘人员信息、约束***状态信息，输出(标签)为人体各部位的损伤曲线的人体损伤数据库。所述人体各部位的损伤曲线指头部加速度曲线，颈部轴向力曲线、颈部弯矩曲线、颈部伤害指标曲线，胸部压缩量曲线、胸部加速度曲线，股骨轴向力曲线，胫骨轴向力曲线、胫骨剪切力曲线、胫骨绕x轴和y轴的弯矩曲线。

S3数据预处理：

对于输入特征中的碰撞波形，将其值域映射到[0,1]的区间。具体地，将所有样本的碰撞波形数据按行拼接为一个2维矩阵X，第一个维度表示样本数量，第二个维度表示时间序列步数。对X做如下转换得到X′：

max(X)和min(X)分别表示X的最大值和最小值，样本集确定后为常量。

对于输入特征中的分类数据，采用独热编码方式表征为一个长度为类别总数的向量，类别对应的分量设置为1，其他所有分量设置为0。一个具体的实例，用[1,0]和[0,1]分别表示安全气囊点爆和未点爆两个类别。

对于输入特征中的数值类数据，采用与碰撞波形相同的预处理方法。

对于输出标签，即乘员的损伤曲线，将所有样本的损伤曲线(例如头部加速度曲线)数据按行拼接为一个2维矩阵Y，第一个维度表示样本数量，第二个维度表示时间序列步数。对Y做如下转换得到Y′，将数据映射到[0,A]的区间。

int表示取整，

max(Y)和min(Y)分别表示Y的最大值和最小值，样本集确定后为常量。

A的取值根据所预测的损伤类型确定，表示每个时刻损伤预测值可能的取值分布在[0,A]，如果所预测的损伤值分布区间比较小，则将A的值设置大一些，以更好的做损伤等级的分类。根据经验，对于头部加速度曲线，可A取500；对于颈部伤害指标曲线，A取200；对于胸部压缩量曲线，A取100。

S4搭建人体损伤预测算法：

人员损伤预测算采用基于编码器-解码器架构的深度学习模型，如图7所示。传统的处理时间序列的深度学习模型，如基于卷积神经网络的TCN、循环神经网络(RNN)、Seq2Seq等，多采用端到端的方式，没有融合先验知识，而且不擅长处理既有序列的输入同时有异质类的标量数据的输入。本发明同时采取预先提取特征值和机器自动提取特征的方法，并通过转置卷积有效的将标量值融合到碰撞波形时间序列数据中，加速了模型的学习过程，提升模型稳健性的同时显著提升了模型精度。

编码器由标量处理模块、矢量处理模块构成。

编码器的矢量处理模将原始的碰撞波形(对于在车辆碰撞前，是指预测的碰撞波形，对于在车辆发生碰撞后，是指实时采集的真实的碰撞波形)映射到矢量隐状态。

具体地，对X方向加速度序列X_{v_0}输入给1D卷积层，通过核函数权值更新提取波形特征，之后输入给最大池化层，降低数据的冗余度同时降低卷积层对位置的敏感性，池化层的输出为X_{v CNN}，之后X_{v CNN}输入给RNN模块，将序列映射到矢量数据隐藏层H_{v RNN}。所述RNN模块可以由1层或多层RNN层构成，所述RNN层可以为原始RNN层，也可以是基于门控的GRU或LSTM。RNN模块进一步提取波形关键特征，同时压缩整个时间序列的历史信息，表征碰撞过程对乘员造成的损伤累计效应。所述H_{v_RNN}指RNN模块最后一层的输出，H_{v_RNN}的维度记为(batch_size,num_step,num_channels)，batch_size为批量大小，num_step为时间步数，num_channels为数据的高维表示数，即通道数。

编码器的标量处理模块为多层感知机(记为MLP-1)，多层感知机的结构示意图如图8所示。将前面计算得到的波形特征值、车内驾乘人员信息和约束***信息作为标量数据，标量数据X_{s_0}通过MLP-1将数据映射到标量数据隐藏层，记为H_{s_MLP}。MLP-1输入层的神经元个数等于标量的个数，MLP-1最后一层的神经元个数等于H_{v_RNN}的时间步长(num_step)，假设H_{s_MLP}的维度为(batch_size,num_step)，为了匹配矢量数据隐藏层H_{v_RNN}，将H_{S_MLP}增加1个维度并复制num_channels次，升维为3维矩阵，H_{S_MLP}的维度变为(batch_size,num_step,num_channels)。

进一步，解码器由矢/标量融合模块和多层感知机(记为MLP-2)构成。

解码器的矢/标量融合模块，首先将矢量数据隐藏层H_{v_RNN}和标量数据隐藏层H_{s_MLP}分别增加一个维度，表示矢/标量，至此，H_{v_RNN}和H_{S_MLP}的维度均变为(batch_size,num_step,1,num_channels)，并将H_{v_RNN}和H_{S_MLP}按该维度拼接得到矩阵H_{VS_stack}，H_{VS_stack}维度为(batch_size,num_step,2,num_channels)，为了便于进行转置卷积计算，交换H_{VS_stack}的num_step维度和num_channels维度，H_{VS_stack}维度变为(batch_size,num_channels,num_step,2)。然后，通过2d转置卷积对H_{VS_stack}上采样，转置卷积的卷积核大小设置为(w,2)，得到的输出记为H_transpose。w为超参数，可优化，H_transpose最后一个维度变由2变为3(即最后一个维度由3个向量构成)，其中第一个向量表示矢量特征，第二个向量表示矢量与标量融合后的特征，第三个向量表示标量的特征，为了加速矢量和标量数据的融合，同时避免过拟合，将第三个向量裁剪，仅保留前2个向量。之后，为了将数据输入给MLP-2，将H_transpose的后3个维度展平，记为H_flatten。

解码器的MLP-2的输入为H_flatten，MLP-2的输入层神经元个数等于H_flatten的第二个维度值，输出层的神经元个数可根据具体需求定义，一般情况下，乘员损伤输出1ms采样一个点即满足伤害值的计算，假设原始的碰撞波形时间长度为200ms，则输出层的神经元可设为200，这200个神经元的输出构成Yˊ。

多层感知机中间层的层数属于超参数，可进行优化，MLP内部隐层之后连接dropout层，dropout层的丢弃概率p值属于超参数，可进行优化，激活函数类型可选择Relu、Sigmoid等，属于超参数，可进行优化。

S5模型初始化与训练：

模型各层的权重初始化采用随机采样初始化。具体地，MLP和RNN层的权重从均值为0方差为1的高斯正态分布随机采样；卷积和转置卷积的核函数权重从[0,1]的区间随机采样初始化。所有的偏置项初始化为0。

模型的正向传播，将训练样本输入给模型，具体来讲，将预处理后的碰撞波形输入给标量处理模块，将预处理后的标量数据输入给矢量处理模块，进行正向传播。

反向传播采用小批量梯度下降法(SGD)来更新模型中的权重。

损失函数为交叉熵损失函数。本发明将要预测的响应曲线映射到[0，A]的区间，对输出的每一个时刻做总共A类的分类，即每个时刻的输出属于[0，A]区间的一个整数值，这样将一个回归问题转为分类问题可显著提升预测精度。

人员损伤数据库被分为两部分，80％用作训练，20％用作验证。经过调参后，如预测的损失曲线和真实的损失曲线相关度不满足要求，则回到S2步，再次随机增加样本点，以增加样本量并重新训练，直到精度满足要求。

S6实时预测：

获得碰撞波形后，对碰撞波形按S3做数据预处理，输入到经过S5预训练的预测模型，得到乘员的损伤曲线Yˊ，然后按下式进行逆映射得到真实的伤害曲线Y_pre。

max(Y)和min(Y)分别表示训练集中Y的最大值和最小值，样本集确定后为常量。

以下，再通过实施例对如何确定乘员损伤等级进行举例说明：

首先，在获得人体真实的伤害曲线Y_pre后，可计算人体各部位的伤害值，计算方式如下:

1、头部伤害指标HIC。通过乘员头部质心处的加速度来表示颅骨骨折的损伤情况，单位为m^2.5/s⁴。终端可以获取碰撞仿真数据中的乘员头部质心加速度时间序列数据

其中，a_g(t)是碰撞时刻t时的乘员头部质心加速度，以重力加速度g为单位；t₀和t_T分别是碰撞开始时刻和碰撞终止时刻；碰撞时刻t₁和碰撞时刻t₂分别为用于计算HIC的开始时刻和终止时刻，t₁与t₂的差值小于预设阈值，例如预设阈值可以为15ms，即t₂-t₁小于15ms。

2、颈部伤害指标Nij。Nij由碰撞过程中乘员颈部枕髁处的轴力和弯矩组合计算得到。终端可以获取碰撞仿真数据中的乘员颈部枕髁处的轴力和弯矩时间序列数据、以及每一碰撞时刻对应的颈部的载荷状况类型。终端根据每一碰撞时刻对应的乘员颈部枕髁处的轴力和弯矩，按照如下公式计算，得到的最大值即为Nij值。

其中，F_z和M_y分别为碰撞时刻t对应的乘员颈部枕髁处的轴向力和弯矩。F_int和M_int分别为轴向力和弯矩与轴相交的截距。具体地，轴向力为正(拉力)和负(压力)参考值不同，弯矩为负(拉伸)或为正(弯曲)参考值不同，具体可参考通用汽车的伤害评估参考值(IARVs)，见下表：

人体尺寸	Fz+(N)	Fz-(N)	My+(N.m)	My-(N.m)
					3岁儿童	2330	2130	67	29.3
6岁儿童	3080	2820	96	42
					10岁儿童	3710	3390	125	54.8
5th女性	4260	3900	153	66.9
					50th男性	6780	6200	305	133
95th男性	8180	7480	405	177

3、胸部伤害指标C_disp。C_disp为碰撞过程中乘员胸部的最大压缩程度。可以获取碰撞结果中胸部特征点相对于背部的位移-时间序列曲线。

4、股骨最大轴向力(F_z-femur)。F_z-femur为碰撞过程中乘员股骨承受的最大轴向力。可以获取碰撞仿真数据中的乘员股骨承受的轴向力-时间序列数据，并求其最大值，即得到股骨最大轴向力。

5、胫骨指数(TI)TI为碰撞过程中乘员胫骨处的轴力和弯矩的组合计算得到。可以获取碰撞仿真数据中的乘员胫骨处的轴向力和弯矩-时间序列数据(弯矩包括x轴和y轴两个方向的弯矩)，然后，按照如下公式计算得到TI-时间序列曲线，求其最大值即为TI值。

其中，F_z是碰撞时刻t对应的乘员胫骨处的轴力，M_x和M_y分别为碰撞时刻t对应的乘员胫骨处的x轴方向和y轴方向的弯矩，M_c和F_c为预设值，可参考FMVSS208，M_c＝225N.m，F_c＝35.9kN。

以上5项是在实践中采纳的各部位损伤指标，需要说明的是，单项损伤指标还可以是其它指标，例如根据头部旋转速度指标Bric评判头部的损伤情况，根据腹部最大压缩量评判腹部的损伤情况，根据上肢(小臂或大臂)的最大轴向力和最大弯矩评判上肢的损伤情况，根据足部踝关节的最大弯矩或最大加速度评判足部的损伤情况等。

进一步，得到各部位伤害值后，根据FMVSS208中损伤风险曲线，计算各部位的伤害等级。具体计算方式如下：

得到各部位伤害值后，将伤害值转换成乘员AIS(AbbreviatedInjury Scale，简明损伤定级标准)损伤指标信息。AIS按照组织器官的解剖损伤程度，规定每处损伤1～6分评分标准，AIS3+为严重损伤。

例如，得到乘员的头部损伤指标HIC值后，根据下式将乘员的头部损伤指标转换成不同损伤等级对应的概率，某个损失等级首次大于阈值(如25％)即发生了该等级的损伤。

一个具体的实例，假设HIC＝1000，将HIC代入上式，可以得到头部受到1、2、3、4、5、6级伤害的风险值分别为99.15％、89.19％、52.75％、16.80％、2.37％、0.11％。则头部受到了3级伤害。

其它部位的伤害指标和损伤等级概率曲线可参考美国道路交通安全法规FMVSS208。

本发明还涉及一种装置，如图9所示，该装置包括：

碰撞波形获取模块，用于在碰撞前通过预测获得的碰撞波形，或是在车辆碰撞后实时采集的真实的碰撞波形。

人体损伤预测模块，用于根据所述碰撞波形计算得到的对人体损伤有显著影响的波形特征值，并和所述碰撞波形、车内驾乘人员信息和约束***信息输入人体损伤预测模型，得到人体损伤运动学曲线Yˊ，并进行逆映射得到真实的伤害曲线Y_pre。

损伤等级确定模块，用于根据真实的伤害曲线Y_pre，计算人体不同部位的伤害值，根据伤害值确定驾乘人员的损伤等级。

所述***通过以上模块实现前面实施例所公开的基乘员损伤预测方法。

如图10所示，该装置配置于汽车上，涉及到自车的计算机、数据存储设备、ADAS环境感知传感器、车内乘员探测传感器、自车运动学参数传感器，还可以涉及无线网络和云服务器。

碰撞前，ADAS环境感知传感器和自车运动学参数传感器将场景参数(目标物类型、目标物质量、目标物的速度、碰撞角度和辆车的相对速度)输入给波形特征值预测模型，得到特征值，计算机计算得到预测的碰撞波形(例如专利文献CN115099096A)，并将预测的碰撞波形、根据预测的碰撞波形计算得到的波形特征值、车内驾乘人员信息和约束***信息作为乘员损伤预测的输入，得到人体损伤运动学曲线，进一步，计算机计算得到人体不同部位的损伤等级，为预碰撞***触发和自动驾驶路径规划提供输入，数据存储模块存储计算过程中所需要的常量和预测模型。

事故发生后，若要使用本方法，则是从ACU/EDR读取真实的碰撞波形，并将真实的碰撞波形、根据真实的碰撞波形计算得到的波形特征值、车内驾乘人员信息和约束***信息作为乘员损伤预测的输入，计算机计算得到人体损伤运动学曲线，进一步通过计算得到人体不同部位的损伤等级，最后，将驾乘人员的损伤信息通过无线网络发送至云服务器，进而通知维修、保险、救援等相关方。

Claims (14)

1.一种乘员损伤预测方法，其特征在于，所述方法包括：

获取碰撞波形：所述碰撞波形是在碰撞前通过预测获得的碰撞波形，或是在车辆碰撞后实时采集的真实的碰撞波形；

人体损伤预测：根据所述碰撞波形预先提取波形特征值；将所述碰撞波形、波形特征值、车内驾乘人员信息和约束***信息输入人体损伤预测模型，得到人体损伤运动学曲线Yˊ，并进行逆映射得到真实的伤害曲线Y_pre；

人员损伤等级确定：根据真实的伤害曲线Y_pre，计算人体不同部位的伤害值，根据伤害值确定驾乘人员的损伤等级。

2.根据权利要求1所述的基于数据驱动的乘员损伤预测方法，其特征在于，所述预先提取波形特征值是指，对碰撞波形计算对人体伤害产生显著影响的波形特征；所述波形特征值为车辆碰撞速度v₀，速度改变量Δv，反弹时刻t_rebound，碰撞能量E，X、Y、Z方向加速度最大值a_{x_max}、a_{y_max}，a_{z_max}，X、Y、Z方向加速度平均值a_{x_mean}、a_{y_mean}、a_{z_mean}，绕X、Y、Z轴旋转位移最大值d_{x_max}、d_{y_max}、d_{z_max}，滑窗平均加速度SM_W，乘员载荷指标OLC，车辆速度指数VPI和加速度强化指数ASI中的一个或多个。

3.根据权利要求2所述的基于数据驱动的乘员损伤预测方法，其特征在于，所述波形特征值中：

所述反弹时刻t_rebound指，自车速度反向的时刻，如果车辆碰撞后速度方向未反向，则计算车辆速度连续N个采样点的方差，得到速度方差曲线，如果速度方差曲线上连续N个点的方差值均小于阈值θ，则反弹时刻t_rebound＝t+5ms，θ取0.005；以上定义这N个点对应的时间区间为[t,t+10)ms，所述N为正整数；

所述X方向加速度最大值，a_{x_max}＝max(abs(a_x(t))，式中a_x(t)为车辆X方向的碰撞波形，abs()表示取绝对值，max()表示取最大值；Y、Z方向的加速度最大值求解与X方向相同；所述X方向加速度平均值，式中，a_x(t)为车辆X方向的碰撞波形，T表示碰撞结束时刻；Y、Z方向的加速度平均值求解与X方向相同；

所述绕X轴旋转位移最大值d_{x_max}＝max(abs(d_x(t))，式中d_x(t)为绕X轴的旋转位移，abs()表示取绝对值，max()表示取最大值；Y、Z方向的轴旋转位移的最大值求解与X方向相同；

所述滑窗平均加速度式中a_x(t)为车辆X方向的碰撞波形，W表示滑窗的窗口宽度，T表示碰撞结束时刻；

所述加速度强化指数ASI，计算公式如下:

SM_50ms,x,SM_50ms,y,SM_50ms,z分别表示自车X、Y、Z方向的50ms滑窗平均加速度值。

4.根据权利要求1、2或3所述的基于数据驱动的乘员损伤预测方法，其特征在于，所述人体损伤预测模型是通过构建的人体损伤数据库，采用人体损伤预测算法计算，最后得到乘员的损伤曲线Yˊ。

5.根据权利要求4所述的基于数据驱动的乘员损伤预测方法，其特征在于，所述人体损伤数据库是通过如下方式构建：

建立高精度驾乘人员的有限元模型或多刚体约束***模型；

在碰撞波形、不同驾乘人员信息、约束***状态信息构成的空间进行随机采样，生成乘员损伤矩阵表；

根据乘员损伤矩阵表更新所述多刚体约束***模型，将碰撞波形作为约束***模型的边界条件，进行数值仿真计算，从计算结果中提取人体损伤曲线，得到驾乘人员不同部位的乘员损伤曲线；

完成矩阵表中的所有仿真后，即输入特征为碰撞波形、驾乘人员信息、约束***状态信息，输出标签为人体各部位的损伤曲线的人体损伤数据库。

6.根据权利要求5所述的基于数据驱动的乘员损伤预测方法，其特征在于，

所述不同驾乘人员信息指人员的性别、年龄、尺寸、碰撞前的姿态信息；所述碰撞前的姿态指碰撞时刻驾乘人员的侧倾角度、前倾角度和驾乘人员胸部至方向盘中心或至仪表板或至前排座椅的距离；所述约束***状态信息指驾乘人员是否系了安全带，气囊是否点爆等影响驾乘人员安全的约束***信息。

7.根据权利要求5所述的基于数据驱动的乘员损伤预测方法，其特征在于，

所述高精度驾乘人员的有限元模型或多刚体约束***模型包括安全气囊、转向管柱、安全带、方向盘、座椅、仪表板、门内饰、顶棚、地毯等碰撞过程中人体可能接触到的部件以及白车身。

8.根据权利要求5所述的基于数据驱动的乘员损伤预测方法，其特征在于，

所述人体各部位的损伤曲线指头部加速度曲线，颈部轴向力曲线、颈部弯矩曲线、颈部伤害指标曲线，胸部压缩量曲线、胸部加速度曲线，股骨轴向力曲线，胫骨轴向力曲线、胫骨剪切力曲线、胫骨绕x轴和y轴的弯矩曲线。

9.根据权利要求4所述的基于数据驱动的乘员损伤预测方法，其特征在于，对输入所述人体损伤预测模型的数据需进行预处理，方法是：对于输入特征中的数值类型的数据，将所有样本的值域映射到[0,1]的区间，对于输入特征中的分类数据，采用独热编码方式表征；

对于输出标签，即乘员损伤曲线，将所有样本的损伤曲线数据映射到[0,A]，并取整，A的取值根据所预测的损伤类型确定，表示每个时刻损伤预测值可能的取值分布在[0,A]。

10.根据权利要求4所述的基于数据驱动的乘员损伤预测方法，其特征在于，所述人员损伤预测算法采用基于编码器-解码器架构的深度学习模型构建；

所述编码器包括标量处理模块、矢量处理模块；

所述矢量处理模块是将碰撞波形映射到矢量数据隐藏层H_{v_RNN}；

所述标量处理模块为多层感知机1(MLP-1)，与矢量处理模块并行计算，标量数据通过多层感知机(MLP-1)将数据映射到标量数据隐藏层，记为H_{s_MLP}；所述标量数据是指所述波形特征值、车内驾乘人员信息和约束***信息；

所述解码器包括矢/标量融合模块和多层感知机2(MLP-2)；所述矢/标量融合模块首先将矢量数据隐藏层H_{v_RNN}和标量数据隐藏层H_{s_MLP}分别增加一个维度，表示矢/标量维度，将H_{v_RNN}和H_{S_MLP}按矢/标量维度拼接得到矩阵H_{VS_stack}，然后，通过转置卷积对H_{VS_stack}上采样，得到的输出记为H_transpose，将H_transpose的后维度展平，记为H_flatten；

解码器的多层感知机2(MLP-2)将H_flatten映射到乘员的损伤，多层感知机2(MLP-2)的输入层神经元个数等于H_flatten的第二个维度值，输出层的神经元个数根据具体需求定义，神经元的输出构成乘员的损伤曲线Yˊ。

11.根据权利要求4所述的基于数据驱动的乘员损伤预测方法，其特征在于，在得到乘员的损伤曲线Yˊ后，按下式进行逆映射得到真实的伤害曲线Y_pre

max(Y)和min(Y)分别表示训练集中Y的最大、最小值，样本集确定后为常量。

12.根据权利要求4所述的基于数据驱动的乘员损伤预测方法，其特征在于，还包括，对所述人体损伤预测模型进行初始化与训练，包括：

对模型各层的权重进行随机采样初始化；

模型的正向传播：将预处理后的碰撞波形输入给标量处理模块，将预处理后的标量数据输入给矢量处理模块，进行正向传播。

反向传播：采用小批量梯度下降法(SGD)更新模型中的权重。

损失函数为交叉熵损失函数。

13.一种基于数据驱动的乘员损伤预测装置，其特征在于，包括

碰撞波形获取模块，用于在碰撞前通过预测获得的碰撞波形，或是在车辆碰撞后实时采集的真实的碰撞波形；

人体损伤预测模块，用于根据所述碰撞波形计算得到的对人体损伤有显著影响的波形特征值，并和所述碰撞波形、车内驾乘人员信息和约束***信息输入人体损伤预测模型，得到人体损伤运动学曲线Yˊ，并进行逆映射得到真实的伤害曲线Y_pre；

损伤等级确定模块，用于根据真实的伤害曲线Y_pre，计算人体不同部位的伤害值，根据伤害值确定驾乘人员的损伤等级；

所述***通过以上模块实现权利要求1-12任一项所述的基于数据驱动的乘员损伤预测方法。

14.一种车辆，其特征在于，所述车辆配置有权利要求10所述的基于数据驱动的乘员损伤预测装置。