基于碰撞关键特征数据的乘员损伤预测方法及装置

1.本技术涉及计算机技术领域，特别是涉及一种基于碰撞关键特征数据的乘员损伤预测方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.随着人工智能技术的发展，自动驾驶技术逐步成熟。具体而言，通过在传统汽车上搭载传感器、控制和执行装置，实现对交通状况的感知、驾驶行为的决策、与其他车辆之间的协同控制，以辅助或取代驾驶员驾驶，实现自动驾驶。
3.为了提高自动驾驶的安全性，出现了事故前的车辆乘员损伤预测方法，即在险态交通工况(由于车辆速度过高或与障碍物间距离过小，车辆已无法避免碰撞发生的情况)实时预测乘员可能的损伤情况，进而可以依据乘员损伤预测结果优化安全约束系统配置，同时辅助轨迹规划算法从车辆可能达到的不同碰撞形式中，选择最小化车内乘员损伤的轨迹操作，从而实现交通参与者(包括乘员和行人)的最优保护，提高自动驾驶的安全性。
4.为保障乘员损伤预测的准确性，车辆乘员损伤预测需要考虑多方面信息，包括车辆层面、安全约束层面和乘员层面的特征信息，特别是信息量丰富的序列信息，然而，由于输入信息的维度较多，故乘员损伤预测模型往往需要采用结构复杂的神经网络，预测效率较低，无法满足事故前乘员损伤预测的实时性要求。亟待一种兼顾预测准确性和预测效率的乘员损伤预测方法。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种兼顾预测准确性和预测效率的基于碰撞关键特征数据的乘员损伤预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
6.第一方面，本技术提供了一种基于碰撞关键特征数据的乘员损伤预测方法。所述方法包括：
7.获取待预测车辆的当前碰撞工况特征数据和安全约束特征数据；
8.在碰撞工况特征数据与碰撞预测数据的对应关系中，确定所述当前碰撞工况特征数据对应的目标碰撞预测数据；所述目标碰撞预测数据为所述待预测车辆在当前碰撞工况下碰撞后的车辆运动参数的预测数据；
9.对所述目标碰撞预测数据进行池化处理，得到碰撞关键特征数据；
10.将所述碰撞关键特征数据和所述安全约束特征数据进行拼接处理，并将所述拼接处理后的数据输入预先训练的乘员损伤预测模型，得到所述待预测车辆中乘员的损伤预测结果。
11.在其中一个实施例中，所述在碰撞工况特征数据与碰撞预测数据的对应关系中，确定所述当前碰撞工况特征数据对应的目标碰撞预测数据之前，还包括：
12.将所述待预测车辆对应的数值仿真模型在多个仿真碰撞工况下进行仿真模拟，得
到每个所述仿真碰撞工况对应的仿真碰撞预测数据；
13.将所述仿真碰撞工况对应的碰撞工况特征数据与所述仿真碰撞预测数据进行对应存储，得到所述碰撞工况特征数据与碰撞预测数据的对应关系。
14.在其中一个实施例中，所述池化处理的滚动步长小于或等于感受野大小。
15.在其中一个实施例中，所述对所述目标碰撞预测数据进行池化处理，得到碰撞关键特征数据，包括：
16.对所述目标碰撞预测数据进行第一平均值池化处理，得到第一池化数据；
17.将所述第一池化数据进行最大值池化处理，得到第二池化数据；
18.将所述第二池化数据进行第二平均值池化处理，得到碰撞关键特征数据。
19.在其中一个实施例中，所述将所述拼接处理后的数据输入预先训练的乘员损伤预测模型，得到所述待预测车辆中乘员的损伤预测结果，包括：
20.将所述拼接处理后的数据输入预先训练的贝叶斯网络，得到所述待预测车辆中乘员的损伤预测结果。
21.在其中一个实施例中，所述当前碰撞工况特征数据包括碰撞速度、碰撞角度和两车重叠率；所述目标碰撞预测数据包括车辆速度时间序列数据和车辆加速度时间序列数据。
22.第二方面，本技术还提供了一种基于碰撞关键特征数据的乘员损伤预测装置。所述装置包括：
23.获取模型，用于获取待预测车辆的当前碰撞工况特征数据和安全约束特征数据；
24.确定模块，用于在碰撞工况特征数据与碰撞预测数据的对应关系中，确定所述当前碰撞工况特征数据对应的目标碰撞预测数据；所述目标碰撞预测数据为所述待预测车辆在当前碰撞工况下碰撞后的车辆运动参数的预测数据；
25.池化模块，用于对所述目标碰撞预测数据进行池化处理，得到碰撞关键特征数据；
26.预测模块，用于将所述碰撞关键特征数据和所述安全约束特征数据进行拼接处理，并将所述拼接处理后的数据输入预先训练的乘员损伤预测模型，得到所述待预测车辆中乘员的损伤预测结果。
27.在其中一个实施例中，所述装置还包括：
28.仿真模块，用于将所述待预测车辆对应的数值仿真模型在多个仿真碰撞工况下进行仿真模拟，得到每个所述仿真碰撞工况对应的仿真碰撞预测数据；
29.存储模块，用于将所述仿真碰撞工况对应的碰撞工况特征数据与所述仿真碰撞预测数据进行对应存储，得到所述碰撞工况特征数据与碰撞预测数据的对应关系。
30.在其中一个实施例中，所述池化处理的滚动步长小于或等于感受野大小。
31.在其中一个实施例中，所述池化模块具体用于：
32.对所述目标碰撞预测数据进行第一平均值池化处理，得到第一池化数据；将所述第一池化数据进行最大值池化处理，得到第二池化数据；将所述第二池化数据进行第二平均值池化处理，得到碰撞关键特征数据。
33.在其中一个实施例中，所述预测模块具体用于：
34.将所述拼接处理后的数据输入预先训练的贝叶斯网络，得到所述待预测车辆中乘员的损伤预测结果。
35.在其中一个实施例中，所述当前碰撞工况特征数据包括碰撞速度、碰撞角度和两车重叠率；所述目标碰撞预测数据包括车辆速度时间序列数据和车辆加速度时间序列数据。
36.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面所述的方法的步骤。
37.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的方法的步骤。
38.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面所述的方法的步骤。
39.上述基于碰撞关键特征数据的乘员损伤预测方法中，通过获取待预测车辆的当前碰撞工况特征数据和安全约束特征数据，然后确定当前碰撞工况特征数据对应的目标碰撞预测数据，目标碰撞预测数据为待预测车辆在当前碰撞工况下碰撞后的车辆运动参数的预测数据(如速度、加速度等)，是维度较高的复杂序列数据，然后对目标碰撞预测数据进行池化处理，可以得到维度较低、且保留了目标碰撞预测数据的关键信息的碰撞关键特征数据，之后将碰撞关键特征数据和安全约束特征数据进行拼接处理，并将拼接处理后的数据输入预先训练的、结构较简单的乘员损伤预测模型，即可得到乘员损伤预测结果。本方法通过将较高维度的目标碰撞预测数据，经过池化处理后，得到较低维度的碰撞关键特征数据，一方面，碰撞关键特征数据保留了目标碰撞预测数据的关键信息，可用于准确地预测乘员损伤情况，另一方面，碰撞关键特征数据的维度较低，而安全约束特征数据为数量有限的标量(数量一般为个位数)，因而将二者拼接后的数据的维度仍然较低，可以使用结构相对简单的乘员损伤预测模型进行乘员损伤预测，因此，本方法可以兼顾预测准确性和预测效率，满足事故发生前乘员损伤预测的实时性要求，并且本方法对计算性能的要求较低，有利于实车应用推广和普及。
附图说明
40.图1为一个实施例中基于碰撞关键特征数据的乘员损伤预测方法的流程示意图；
41.图2为一个基于神经网络的预测模型的结构示意图；
42.图3为一个基于神经网络的预测模型的预测结果示意图；
43.图4a为一个神经网络单元最大激活状态下的输入输出结果示意图；
44.图4b为一个神经网络单元最大激活状态下的另一输入输出结果示意图；
45.图4c为一个神经网络单元最大激活状态下的另一输入输出结果示意图；
46.图5为一个实施例中基于碰撞关键特征数据的乘员损伤预测装置的结构框图；
47.图6为一个实施例中计算机设备的内部结构图。
具体实施方式
48.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不
用于限定本技术。
49.首先，在具体介绍本技术实施例的技术方案之前，先对本技术实施例基于的技术背景或者技术演进脉络进行介绍。随着人工智能技术的发展，自动驾驶技术逐步成熟。具体而言，通过在传统汽车上搭载传感器、控制和执行装置，实现对交通状况的感知、驾驶行为的决策、与其他车辆之间的协同控制，以辅助或取代驾驶员驾驶，实现自动驾驶。为了提高自动驾驶的安全性，出现了事故前的车辆乘员损伤预测方法，即在险态交通工况(由于车辆速度过高或与障碍物间距离过小，车辆已无法避免碰撞发生的情况)实时预测乘员可能的损伤情况，进而可以依据乘员损伤预测结果优化安全约束系统配置，还可以辅助轨迹规划算法从车辆可能达到的不同碰撞形式中，选择最小化车内乘员损伤的轨迹操作，从而实现交通参与者(包括乘员和行人)的最优保护，提高自动驾驶的安全性。为保障乘员损伤预测的准确性，车辆乘员损伤预测需要考虑多方面信息，包括车辆层面、安全约束层面和乘员层面的特征信息，特别是信息量丰富的序列信息，然而，由于输入信息的维度较多，故乘员损伤预测模型往往需要采用结构复杂度较高的神经网络，如全连接网络、循环神经网络、卷积神经网络等，因而预测效率较低，无法满足事故前乘员损伤预测的实时性要求，并且对车载计算性能的要求较高，不利于该技术的实车应用和普及。基于该背景，申请人通过长期的研发以及实验验证，提出本技术的基于碰撞关键特征数据的乘员损伤预测方法，可以兼顾预测准确性和预测效率，并且对计算性能的要求较低。另外，需要说明的是，本技术技术问题的发现以及下述实施例介绍的技术方案，申请人均付出了大量的创造性劳动。
50.在一个实施例中，如图1所示，提供了一种基于碰撞关键特征数据的乘员损伤预测方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。其中，终端可以但不限于是各种个人计算机、智能车载设备等，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。终端和/或服务器可以是独立的设备，也可以集成于车载计算系统中。
51.该方法包括以下步骤：
52.步骤101，获取待预测车辆的当前碰撞工况特征数据和安全约束特征数据。
53.其中，当前碰撞工况特征数据包括碰撞速度、碰撞角度、两车重叠率等中的一种或多种。安全约束特征数据包括是否使用安全带、是否引爆安全气囊、有无安全带限力、有无安全带预紧等中的一种或多种。
54.在实施中，当待预测车辆处于险态交通工况时，车载计算系统可以通过搭载在汽车上的传感器、汽车雷达等设备采集待预测车辆内乘员的图像、车辆安全约束系统的使用情况、以及待预测车辆与障碍物(即将与待预测车辆发生碰撞的车辆)的行驶速度、相对距离、相对位置等信息，然后根据当前险态交通工况对应的前述信息，计算出待预测车辆与障碍物发生碰撞时的碰撞速度、碰撞角度、两车重叠率等当前碰撞工况特征数据、以及安全约束特征数据。然后，终端可以从车载计算系统获取当前碰撞工况特征数据和安全约束特征数据。
55.步骤102，在碰撞工况特征数据与碰撞预测数据的对应关系中，确定当前碰撞工况特征数据对应的目标碰撞预测数据。
56.其中，目标碰撞预测数据为待预测车辆在当前碰撞工况下碰撞后的车辆运动参数
的预测数据，如车辆速度时间序列数据、车辆加速度时间序列数据等。
57.在实施中，终端可以在预先存储的碰撞工况特征数据与碰撞预测数据的对应关系中，确定当前碰撞工况特征数据对应的目标碰撞预测数据。例如，可以预先将待预测车辆对应的数值仿真模型在多个仿真碰撞工况下进行仿真模拟，得到每个仿真碰撞工况对应的碰撞仿真数据(包括碰撞后的车辆速度时间序列数据和车辆加速度时间序列数据)，然后将仿真碰撞工况的参数(即碰撞工况特征数据)与对应的碰撞仿真数据(即碰撞预测数据)对应存储为表格数据，并将该表格数据存储在车载计算系统中。终端可以通过查表等方式，在车载计算系统中的前述表格数据中，查找与当前碰撞工况特征数据对应的碰撞预测数据，即为目标碰撞预测数据。可以理解的，若前述表格数据中没有与当前碰撞工况特征数据完全一致的碰撞工况特征数据，则可以将相近的碰撞工况特征数据对应的碰撞预测数据确定为目标碰撞预测数据。
58.步骤103，对目标碰撞预测数据进行池化处理，得到碰撞关键特征数据。
59.在实施中，终端在确定出目标碰撞预测数据后，可以采用预设的池化处理参数对目标碰撞预测数据进行池化处理，以对目标碰撞预测数据进行压缩，同时保持目标碰撞预测数据的特征的平移不变性，保留目标碰撞预测数据在空间尺度上的关键信息，得到维度较低的碰撞关键特征数据。池化处理参数包括三方面：池化类型(包括平均值池化和最大值池化)、感受野大小(即接受输入信息的尺寸)、滚动步长(即不同池化操作在输入信息上滚动更新的间距)。本实施例对池化处理参数的设置不做限制。可以理解的，若目标碰撞预测数据包括多个序列数据(如速度和加速度两个序列数据)，则分别对每个序列数据进行池化处理，得到每个序列数据对应的碰撞关键特征数据。
60.步骤104，将碰撞关键特征数据和安全约束特征数据进行拼接处理，并将拼接处理后的数据输入预先训练的乘员损伤预测模型，得到待预测车辆中乘员的损伤预测结果。
61.其中，预先训练的乘员损伤预测模型为处理较低维度数据的、结构较简单的预测模型，例如贝叶斯网络、向量机、决策树等。
62.在实施中，终端可以将步骤103中得到的碰撞关键特征数据、和步骤101中获取的安全约束特征数据进行拼接处理。例如，若目标碰撞预测数据为200维的加速度时间序列数据，即为一个200维向量，经过池化处理后，得到10维的碰撞关键特征数据，即为一个10维向量，安全约束特征数据为表示是否使用安全带和是否使用安全气囊的2个标量(例如使用为1，未使用为0)，终端可以将碰撞关键特征数据的10维向量与安全约束特征数据的2个标量进行依次拼接，得到一个12维向量。然后，终端可以将该拼接处理后的数据(例如前述示例中拼接得到的12维向量)输入至预先训练的乘员损伤预测模型中，得到待预测车辆乘员的损伤预测结果，损伤预测结果包括乘员某个身体部位的损伤等级，例如头部损伤ais等级(abbreviated injury scale，简明损伤等级)。
63.上述基于碰撞关键特征数据的乘员损伤预测方法中，通过获取待预测车辆的当前碰撞工况特征数据和安全约束特征数据，然后确定当前碰撞工况特征数据对应的目标碰撞预测数据，目标碰撞预测数据为待预测车辆在当前碰撞工况下碰撞后的车辆运动参数的预测数据(如速度、加速度等)，是维度较高的复杂序列数据，然后对目标碰撞预测数据进行池化处理，可以得到维度较低、且保留了目标碰撞预测数据的关键信息的碰撞关键特征数据，之后将碰撞关键特征数据和安全约束特征数据进行拼接处理，并将拼接处理后的数据输入
预先训练的、结构较简单的乘员损伤预测模型，即可得到乘员损伤预测结果。本方法通过将较高维度的目标碰撞预测数据，经过池化处理后，得到较低维度的碰撞关键特征数据，一方面，碰撞关键特征数据保留了目标碰撞预测数据的关键信息，可用于准确地预测乘员损伤情况，另一方面，碰撞关键特征数据的维度较低，而安全约束特征数据为数量有限的标量(数量一般为个位数)，因而将二者拼接后的数据的维度仍然较低，可以使用结构相对简单的乘员损伤预测模型进行乘员损伤预测，因此，本方法可以兼顾预测准确性和预测效率，满足事故发生前乘员损伤预测的实时性要求，并且本方法对计算性能的要求较低，有利于实车应用推广和普及。
64.在一个实施例中，步骤102确定目标碰撞预测数据之前还包括如下步骤：将待预测车辆对应的数值仿真模型在多个仿真碰撞工况下进行仿真模拟，得到每个仿真碰撞工况对应的仿真碰撞预测数据；将仿真碰撞工况对应的碰撞工况特征数据与仿真碰撞预测数据进行对应存储，得到碰撞工况特征数据与碰撞预测数据的对应关系。
65.在实施中，可以根据历史碰撞事故经验数据或仿真统计数据，设置仿真碰撞工况参数矩阵(包括碰撞速度取值范围、碰撞角度取值范围、两车重叠率取值范围)，然后，终端可以基于该参数矩阵进行均匀采点，得到全面、均匀的多个仿真碰撞工况的参数，并基于每个仿真碰撞工况的参数(即仿真碰撞工况对应的碰撞工况特征数据)对待预测车辆对应的数值仿真模型进行仿真模拟，得到每个仿真碰撞工况对应的仿真碰撞预测数据(仿真碰撞预测数据包括仿真碰撞后的车辆速度时间序列数据和车辆加速度时间序列数据，可以设置时间序列数据中两个数据点之间的时间间隔为1ms，时长共约200ms)，然后，终端可以将仿真碰撞工况对应的碰撞工况特征数据与仿真碰撞预测数据进行对应存储，例如可以将两者对应存储为表格数据，并将该表格数据存储在车载计算系统中。
66.本实施例中，通过对待预测车辆在多个仿真碰撞工况下进行仿真模拟，得到仿真碰撞预测数据，进而将仿真碰撞工况对应的碰撞工况特征数据与仿真碰撞预测数据进行对应存储，由此，可以建立数据全面、数据点间隔均匀的碰撞工况特征数据与碰撞预测数据的对应关系，并且，基于该对应关系，可以快速查找目标碰撞预测数据，进一步保障预测准确性和预测效率。
67.在一个实施例中，步骤103中的池化处理的滚动步长小于或等于感受野大小。
68.在实施中，可以设置池化处理的滚动步长小于或等于感受野大小，例如，滚动步长设为5，感受野大小设为10。基于该参数设置对目标碰撞预测数据进行的池化处理，可以更多的保留目标碰撞预测数据的有效信息，在提高预测效率的同时，进一步保障预测准确性。
69.在一个实施例中，步骤103中得到碰撞关键特征数据的具体过程包括如下步骤：对目标碰撞预测数据进行第一平均值池化处理，得到第一池化数据；将第一池化数据进行最大值池化处理，得到第二池化数据；将第二池化数据进行第二平均值池化处理，得到碰撞关键特征数据。
70.在实施中，终端可以对目标碰撞预测数据进行预设次数的池化处理，每次池化处理的参数可以有不同设置。具体的，终端可以将目标碰撞预测数据输入第一池化层进行第一平均值池化处理，得到第一池化数据，然后，终端可以将第一池化数据输入第二池化层进行最大值池化处理，得到第二池化数据，之后，终端可以将第二池化数据输入第三池化层进行第二平均值池化处理，得到碰撞关键特征数据。在一个示例中，可以设置第一池化层、第
二池化层、第三池化层的感受野大小分别为10、8、6，滚动步长分别为5、4、4。
71.本实施例中，通过对目标碰撞预测数据进行3次池化处理，且3次池化处理的类型分别为平均值池化、最大值池化和平均值池化，由此得到的碰撞关键特征数据可以兼顾数据维度和关键信息保留程度，进而保障预测准确率和预测效率，满足事故发生前乘员损伤预测的实时性要求。
72.在一个实施例中，步骤104中得到损伤预测结果的具体过程包括如下步骤：将拼接处理后的数据输入预先训练的贝叶斯网络，得到待预测车辆中乘员的损伤预测结果。
73.其中，贝叶斯网络为经过预先训练的、可用于预测乘员损伤情况(如预测乘员头部损伤ais等级)的网络。例如，可以先建立样本数据集，具体的，可以将待预测车辆对应的数值仿真模型在多个仿真碰撞工况下进行仿真模拟，得到每个仿真碰撞工况对应的车辆运动参数数据(车辆运动参数数据包括碰撞后的车辆速度时间序列数据和车辆加速度时间序列数据)和乘员动力学响应数据(如乘员头部质心处加速度时间序列数据)。然后，根据每个仿真碰撞工况对应的乘员动力学响应数据，确定乘员损伤情况，例如，可以根据乘员头部质心处加速度时间序列数据计算hic值(head injury criterion，头部损伤标准)，然后根据hic值确定头部损伤ais等级。以及，对每个仿真碰撞工况对应的车辆运动参数数据进行池化处理，得到每个仿真碰撞工况对应的碰撞仿真关键特征数据。然后将每个仿真碰撞工况对应的碰撞仿真关键特征数据和乘员损伤情况(如头部损伤ais等级)对应存储，得到样本数据集。然后，可以将该样本数据集划分为训练样本集和测试样本集，并使用训练样本集对贝叶斯网络进行训练，使用测试样本集对训练后的贝叶斯网络进行测试，在测试过程中，若网络输出的乘员损伤预测情况(如预测的头部损伤ais等级是否大于或等于2的结果)与测试样本中的乘员损伤情况(如头部损伤ais等级是否大于或等于2的结果)一致，则预测准确，当预测准确率达到预设阈值时，则可将该训练后的贝叶斯网络作为乘员损伤预测模型，用于预测乘员损伤情况。
74.在实施中，终端在将碰撞关键特征数据和安全约束特征数据进行拼接处理后，可以将该拼接处理后的数据输入预先训练的贝叶斯网络，即可得到待预测车辆中乘员的损伤预测结果(如乘员头部损伤ais等级)。
75.本实施例中，使用结构简单的贝叶斯网络作为乘员损伤预测模型，预测准确率和预测效率都较高，可以满足事故发生前乘员损伤预测的实时性要求。
76.在一个实施例中，当前碰撞工况特征数据包括碰撞速度、碰撞角度和两车重叠率，目标碰撞预测数据包括车辆速度时间序列数据和车辆加速度时间序列数据。
77.在实施中，终端可以根据碰撞速度、碰撞角度和两车重叠率，确定对应的目标碰撞预测数据，然后分别将目标碰撞预测数据中的车辆速度时间序列数据和车辆加速度时间序列数据进行池化处理，得到速度对应的碰撞关键特征数据和加速度对应的碰撞关键特征数据。在一个示例中，目标碰撞预测数据包括200维的车辆速度时间序列数据和200维的车辆加速度时间序列数据，然后分别进行3次池化处理后，前述两个200维的数据逐渐被压缩为41维、11维、4维，最终得到2个4维的碰撞关键特征数据。然后，终端将该2个4维的碰撞关键特征数据、以及安全约束特征数据(2个标量)进行拼接，得到10维向量数据，然后将该10维向量数据输入至预先训练的贝叶斯网络，得到乘员损伤预测结果。经过实验，本方法(采用贝叶斯网络)的预测准确率可以达到77.2％，预测时间仅为2.3
±
0.7ms，而基于神经网络的
预测模型的预测时间为54.8
±
11.5ms，可见，本方法可以兼顾预测准确率和预测效率。
78.以下为本技术对目标碰撞预测数据进行池化处理后仍能保障预测准确性的理论论证，主要是根据对基于神经网络的乘员损伤预测模型进行可解释性分析得出的结论。
79.1、训练基于神经网络的预测模型
80.可以根据预先建立的待预测车辆的乘员损伤数值数据库，对基于深层神经网络(deep neural networks,dnn)搭建的预测模型进行训练。
81.乘员损伤数值数据库的建立是通过对待预测车辆对应的数值仿真模型进行多个仿真碰撞工况下的仿真模拟，记录每次仿真碰撞的车辆速度时间序列数据、车辆加速度时间序列数据、以及乘员各身体部位的动力学响应时间序列数据(如头、胸、颈部的加速度、变形量、受力情况等时间序列数据)，可以记录碰撞开始时刻至碰撞结束时刻共约200ms的时间序列数据，每1ms一个数据点，则每个时间序列数据为200维的向量数据。仿真碰撞参数可以基于表1所示的仿真碰撞参数矩阵进行随机采点，仿真碰撞参数包括碰撞工况特征数据(碰撞速度、碰撞角度、两车重叠率)和安全约束特征数据(安全带和安全气囊使用情况)。然后，可以根据乘员各身体部位的动力学响应时间序列数据，基于损伤生物力学知识，计算乘员各身体部位的损伤情况，例如，根据乘员头部质心处加速度时间序列数据计算hic值(head injury criterion，头部损伤标准)，然后根据hic值确定乘员头部损伤ais等级。之后，将仿真碰撞参数和对应的车辆速度时间序列数据、车辆加速度时间序列数据、乘员损伤情况对应存储，建立待预测车辆对应的乘员损伤数值数据库。
82.表1仿真碰撞参数矩阵
[0083][0084]
基于深层神经网络(deep neural networks,dnn)搭建的预测模型的结构采用编解码器(encoder-decoder)结构，如图2所示，输入信息包括车辆速度时间序列数据、车辆加速度时间序列数据、安全约束特征数据(包括安全带和安全气囊的使用情况)，在编码器中，通过卷积层将输入信息逐层降维，具体为：初始输入信息为200维，经过三次卷积，依次降为65维、26维、9维。在瓶颈层中，最终被降至4维。此时，该4维信息为编码器提取到的对于初始输入信息的简化特征，也称为编码信息。然后，该编码信息在解码器中被逐层升维，依次为8维、18维、36维、86维、200维，最终输出乘员动力学响应时间序列数据(如乘员头部质心处加速度时间序列数据等)。然后可以根据损伤生物力学知识，将乘员动力学响应时间序列数据转化为乘员损伤情况(如头部损伤ais等级)。
[0085]
在训练上述基于深层神经网络的预测模型的过程中，以预测结果(即预测模型输出的乘员动力学响应时间序列数据)和目标结果(即训练样本中的乘员动力学响应时间序列数据)之间的均方差损失(mean square error loss)作为损失函数，采用自适应动量估计(adaptive moment estimation，adam)作为模型训练的优化器。为了防止过拟合现象的出现，采用了l2正则化(l2 regularization)、网络节点随机丢弃(dropout)和提前停止(early stop)处理。
[0086]
在训练完成后，经过测试，该基于深层神经网络的预测模型对于乘员动力学响应时间序列数据(以乘员头部质心处加速度时间序列数据为例)的预测结果示例如图3所示，其中，虚线为预测结果，实线为目标结果，横轴为时间(单位为s)。根据乘员头部质心处加速度时间序列数据进一步计算乘员损伤情况，该基于深层神经网络的预测模型对于乘员头部损伤ais等级是否大于或等于2的预测任务上，准确率达到81.4％。
[0087]
2、对基于神经网络的预测模型的可解释性分析
[0088]
本技术中，我们主要研究编码器模型对于输入信息(包括车辆速度时间序列数据、车辆加速度时间序列数据、安全约束特征数据)的非线性处理过程。在随机给定初始输入量的情况下，计算某神经网络单元的输出值，并基于梯度上升法(gradient ascent)，不断更新输入量，以获得使特定神经网络单元实现最大程度激活的输入量。对该输入量，可理解为该神经网络单元对此类输入最为敏感，从而实现了部分可视化该神经网络单元的目的。具体可描述为四个步骤：
[0089]
1)随机值初始化某层神经网络的输入x＝x
ini
；
[0090]
2)基于反向梯度传播算法，计算梯度
[0091]
3)基于梯度上升算法，更新该层神经网络的输入其中，η是更新率；
[0092]
4)当优化过程最终收敛时，得到最终的理想输入x
*
，即使特定神经网络单元实现最大程度激活的输入。
[0093]
图4a、图4b、图4c给出了在神经网络单元最大激活状态下的三组输入输出结果示意图，其中，(a1)、(b1)、(c1)为输入图像，(a2)、(b2)、(c2)为对应的输出图像。
[0094]
根据神经网络可解释性分析的定义，可以理解为，当训练集中大量的输入信息(即车辆速度时间序列数据、车辆加速度时间序列数据和安全约束特征数据)叠加在一起时，会形成输入图像(a1)、(b1)、(c1)所示的波动效果。叠加而成的极大值处形成波峰，叠加而成的极小值处形成波谷。为进一步理解其机理，对输入信息进行频谱分析后发现，所有输入曲线的峰值数目都是一定的。同时发现，输入信息通过神经网络计算处理后得到输出信息时，如输出图像(a2)、(b2)、(c2)所示，周期波动现象消失，即神经网络的运算过程中存在平滑效果。重复该神经网络可解释性分析方法，编码器模型中的神经网络单元都表现出了相似的平滑效果，仅在输入维度与波动周期数量上有所差别。
[0095]
综合上述分析，以及实验验证，证明可以将输入信息(即车辆速度时间序列数据和车辆加速度时间序列数据)进行池化处理，以简化上述结构复杂的乘员损伤预测模型的编码器模块，同时可以保留输入信息的有效信息，保障预测准确性。
[0096]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0097]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的基于碰撞关键特征数据的乘员损伤预测方法的基于碰撞关键特征数据的乘员损伤预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个基于碰撞关键特征数据的乘员损伤预测装置实施例中的具体限定可以参见上文中对于乘员损伤预测方法的限定，在此不再赘述。
[0098]
在一个实施例中，如图5所示，提供了一种基于碰撞关键特征数据的乘员损伤预测装置500，包括：获取模块501、确定模块502、池化模块503和预测模块504，其中：
[0099]
获取模型501，用于获取待预测车辆的当前碰撞工况特征数据和安全约束特征数据。
[0100]
确定模块502，用于在碰撞工况特征数据与碰撞预测数据的对应关系中，确定当前碰撞工况特征数据对应的目标碰撞预测数据；目标碰撞预测数据为待预测车辆在当前碰撞工况下碰撞后的车辆运动参数的预测数据。
[0101]
池化模块503，用于对目标碰撞预测数据进行池化处理，得到碰撞关键特征数据。
[0102]
预测模块504，用于将碰撞关键特征数据和安全约束特征数据进行拼接处理，并将拼接处理后的数据输入预先训练的乘员损伤预测模型，得到待预测车辆中乘员的损伤预测结果。
[0103]
在其中一个实施例中，该装置还包括仿真模块和存储模块，其中：
[0104]
仿真模块，用于将待预测车辆对应的数值仿真模型在多个仿真碰撞工况下进行仿真模拟，得到每个仿真碰撞工况对应的仿真碰撞预测数据。
[0105]
存储模块，用于将仿真碰撞工况对应的碰撞工况特征数据与仿真碰撞预测数据进行对应存储，得到碰撞工况特征数据与碰撞预测数据的对应关系。
[0106]
在其中一个实施例中，池化处理的滚动步长小于或等于感受野大小。
[0107]
在其中一个实施例中，池化模块503具体用于：
[0108]
对目标碰撞预测数据进行第一平均值池化处理，得到第一池化数据；将第一池化数据进行最大值池化处理，得到第二池化数据；将第二池化数据进行第二平均值池化处理，得到碰撞关键特征数据。
[0109]
在其中一个实施例中，预测模块504具体用于：
[0110]
将拼接处理后的数据输入预先训练的贝叶斯网络，得到待预测车辆中乘员的损伤预测结果。
[0111]
在其中一个实施例中，当前碰撞工况特征数据包括碰撞速度、碰撞角度和两车重叠率；目标碰撞预测数据包括车辆速度时间序列数据和车辆加速度时间序列数据。
[0112]
上述基于碰撞关键特征数据的乘员损伤预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0113]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和通信接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为
非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种乘员损伤预测方法。
[0114]
本领域技术人员可以理解，图6中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0115]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
[0116]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0117]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0118]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
[0119]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0120]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0121]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。