一种基于数据驱动的车辆碰撞波形预测方法、电子设备及可读存储介质与流程

1.本发明涉及车辆碰撞领域，尤其涉及一种基于数据驱动的车辆碰撞波形预测方法。


背景技术：

2.自动驾驶路径规划，尤其险态场景下的路径规划，需要考虑实时场景下如果发生碰撞，乘员的损伤情况，换言之，需要对乘员损伤进行预测，同时，预碰撞系统的触发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系统，实现乘员安全的提前保护。目前乘员损伤预测算法主要分为两种，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)和乘员的特征参数(性别、年龄、尺寸、乘坐姿态等)作为输入，人员损伤等级作为输出，该方法存在数据难收集，而且收集到的数据难以获得不同维度的详细数据，例如车辆的速度只能依靠事故后的重建来推算，工作量大且进度不高，同时，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；二是先预测发生碰撞后车辆的波形(碰撞过程中车辆减速度的时间历程曲线)作为输入，采用深度学习算法，预测整个碰撞过程中乘员的动力学响应，从动力学响应曲线获得乘员的损伤等级，该方法比前者预测精度高，模型泛化能力强，且避免了样本不均衡问题。
3.如何从场景参数获得车辆的碰撞波形是必须解决的一个难题，传统的方法是采用集中参数模型(lump parameter model，lpm)，将车身刚度等效为简单的几个或多个弹簧-阻尼模型，从而进行波形的预测。但是，不同场景因力的传递方向不同，车身刚度也不同，无法采用同一套lpm模型，同时lpm模型的精度低，因此只适用于单一标准工况的辅助开发。
4.综上，需要寻求一种方法来实现从碰撞场景参数(若干个标量)到碰撞波形(矢量)的预测方法，得到高精度的碰撞波形，作为人员损伤预测的输入，进而评估自动驾驶规划的路径下乘员的受伤风险，同时也可作为预碰撞系统的触发条件。


技术实现要素：

5.针对以上存在的技术难题，本发明的目的在于提供一种基于数据驱动的车辆碰撞波形预测方法、计算机设备及可读存储介质，以用较少的样本集，快速得到不同场景下车辆的碰撞波形，降低成本的同时，保证预测的精度。
6.本发明通过以下技术方案实现：
7.本发明一方面提出一种基于数据驱动的车辆碰撞波形预测方法，主要包括：
8.s1构建碰撞波形数据库：
9.根据碰撞场景参数及其边界，搭建整车有限元模型，构建场景参数和真实碰撞波形一一对应的碰撞波形数据库。
10.进一步，所述构建数据库包括，建立高精度整车碰撞有限元模型，分析交通事故数
据库，确定场景参数的边界，根据场景参数及其边界随机采样，生成仿真矩阵表，根据矩阵表更新有限元模型，进行仿真计算，获得车辆的真实碰撞波形。所述真实碰撞波形指整车坐标系下x、y、z方向的真实加速度曲线和绕x、y、z轴旋转的真实旋转位移曲线。当完成矩阵表中的所有仿真后，便构成场景参数与真实碰撞波形一一对应的碰撞波形数据库。
11.所述有限元模型包含自车和目标物的高精度模型，所述自车指需要进行波形预测的车辆，所述目标物指与自车发生碰撞的目标对象。
12.所述场景参数包括碰撞速度、碰撞角度、重叠率和目标物类型。其中，碰撞角度指碰撞0时刻自车与目标车航向角的差值；碰撞速度指自车与目标车的速度差；重叠率指自车与前车在碰撞0时刻自车与目标车重叠长度占自车宽度的百分比；目标物的类型指目标车的分类。
13.本步骤中，通过对交通事故数据的深度分析，以对乘员损伤产生显著影响的原则对场景参数离散化。
14.所述随机采样指的是，在所有场景参数组成的同一空间中随机采样，生成样本量为n的矩阵表。
15.s2获取波形的特征值：分别对每一个样本的真实加速度曲线和真实旋转位移曲线进行特征值的提取，得到真实加速度曲线的特征值f1
true
和真实旋转位移曲线的特征值f2
true
。
16.进一步，s2在获取波形特的征值包括：
17.(1)x、y、z方向的真实加速度曲线的特征值提取：
18.由于加速度曲线小的波峰/波谷多，根据傅里叶理论可知，任何一个波形均可通过多个正弦波的叠加得到，而且这多个正弦波是唯一的，为了更好的拟合加速度曲线的趋势，采用傅里叶等效法。传统方法将波形等效为方波/梯形波/半正弦波，波/梯形波会丢失原始波形所有波峰/波谷等关键信息，半正弦波只有一个波峰无法反映波形在时间历程中的变化趋势，所述傅里叶等效法可保留原始波形的主要特征。
19.具体如下，采用n阶正弦波的叠加近似替代原始波形，
[0020][0021][0022][0023]
其中：
[0024]
a(t)是近似的加速度曲线，a(t)是x、y、z方向的真实加速度曲线；k是a(t)所包含的离散点的总数；ai是待求解的特征值；tk是碰撞有效持续时间(加速度曲线在0时刻之后归零对应的时刻)；tj是a(t)的第j个点对应的时刻；ω是自车的固有角频率；mj是a(t)中第j-1和第j个点构成的直线的斜率。
[0025]
采用如上所述的方法，可分别求解x、y、z方向的真实加速度曲线的特征值，分别记为a
x1
,a
x2
,...,a
xn
、a
y1
,a
y2
,...,a
yn
和a
z1
,a
z2
,...,a
zn
，为方便描述，我们将这些特征值构成
的向量[a
x1
,a
x2
,...,a
xn
,a
y1
,a
y2
,...,a
yn
,a
z1
,a
z2
,...,a
zn
]记为f1
true
。
[0026]
(2)绕x、y、z轴的旋转位移曲线的特征值提取：
[0027]
碰撞过程中，旋转位移曲线随要么是单调递增的，要么只存在单个波峰，不存在类似加速度波形有很多波峰，这是因为有效的碰撞时间通常很短(约150ms)，这么短的时间车辆一般都是绕着某个轴做单向运动。因此，对于旋转位移曲线直接取原始曲线上的点即可很好表征原始曲线。以绕x轴的真实转位移曲线为例，取n个点表征原始曲线，第一个点和最后一个点分别取原始曲线t0和tk时刻对应的旋转位移值，其余n-2个点取等时间间隔原始曲线上对应的点，特征值为r
x1
,r
x2
,...,r
xn
，同理可分别得到y和z方向的特征值r
y1
,r
y2
,...,r
yn
和r
z1
,r
z2
,...,r
zn
，由这些特征值构成的向量[r
x1
,r
x2
,...,r
xn
,r
y1
,r
y2
,...,r
yn
,r
z1
,r
z2
,...,r
zn
]记为f2
true
。
[0028]
s3构建机器学习模型：
[0029]
所述机器学习模型包含预测模型1和预测模型2。预测模型1和预测模型2的训练样本的输入(特征)均为场景参数，输出(标签)分别为f1
true
和f2
true
；训练模型1和模型2直到满足预测精度要求。模型1用于预测x、y、z方向加速度的特征值f1
pre
。模型2用于预测绕x、y、z的旋转位移曲线的特征值f2
pre
。
[0030]
为了保证模型更好的理解数据，在将特征输入到模型训练之前，对特征值做数据预处理。
[0031]
进一步，所述2个预测模型均采用多层感知机(mlp)，隐藏层的输入的激活函数采用relu函数，mlp的结构(层数、每层神经元的个数)属于超参数，可进行优化。
[0032]
为了解决小样本导致的过拟合问题，采用丢弃法(drop)将隐藏层输出中的一部分元素以p的概率置为0，同时保证drop作用后隐藏层的输出的方差不变，其中
[0033]
x是输入样本构成的一维向量，x是x的第i个值，p是丢弃概率，0《p《1。是一个超参数，根据模型在验证集上是否过拟合优化p值。
[0034]
反向传播采用小批量梯度下降法(sgd)来更新权重w1,w2,w3和b1,b2,b3。
[0035]
数据库随机分为2部分，一部分用作训练，其余部分用作验证。经调参后，如果验证精度未达到要求，则回到s1步，再次随机增加样本点，以增加样本量n，并重新训练，直到精度满足要求。
[0036]
s4波形预测：
[0037]
模型精度满足要求后，再实际应用中，将场景参数分别输入给模型1和模型2，得到x、y、z方向加速度曲线的预测特的征值f1
pre
和绕x、y、z的旋转位移曲线的预测的特征值f2
pre
，并由f1
pre
和f2
pre
分别重构x、y、z方向的预测加速度曲线和绕x、y、z的预测旋转位移曲线，即可用于预测人员损伤。
[0038]
具体是，根据模型1得到特征值f1
pre
，f1
pre
前n个特征值为x方向加速度的特征值，根据：
[0039]
[0040]
得到加速度波形，进一步，对加速度波形双重积分：
[0041]dtranslation
(t)＝∫∫a(t)dt
[0042]
得到x方向预测的位移曲线。
[0043]
同理，可得到y、z方向的位移曲线。
[0044]
这里，将加速度曲线转换为位移曲线是为了和旋转位移曲线都统一为位移曲线，以更好的作为人员损伤预测的输入。
[0045]
根据模型2得到特征值f2
pre
，前n个特征值构成绕x轴的旋转位移曲线的纵坐标。
[0046]
同理，可得到y、z方向的旋转位移曲线。
[0047]
得到x、y、z方向的位移曲线和绕x、y、z的旋转位移曲线后，即可进行人员损伤的预测。
[0048]
至此，碰撞波形的预测结束。
[0049]
本发明另一方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以上所述基于数据驱动的车辆碰撞波形预测方法。
[0050]
本发明再一方面提出一种计算机可读存储介质，所述计算机可读存储介质存储有执行以上所述的基于数据驱动的车辆碰撞波形预测方法。
[0051]
本发明的有益效果如下：
[0052]
本发明通过提取波形特征值的方法，通过小样本量和多层感知机模型即可实现从场景参数到预测波形的特征值，由波形的特征值再重构波形，取得良好的效果。本发明避免了由场景参数直接预测波形每个时刻的值，直接预测需要预测的值太多，样本量需求量巨大，也没有好的算法实现的问题。
[0053]
本发明通过手动提取波形的特征，单方向只需要预测n个特征值，一般来讲n取2-5，即可取得良好的效果，实现最终波形的预测。通过本发明获得的波形预测结果，可以作为后续乘员损伤预测的输入，最终为自动驾驶工况险态场景下的路径规划和预碰撞系统的触发提供输入，成本低，精度高，工程可行性高。
附图说明
[0054]
图1碰撞波形预测流程图；
[0055]
图2波形特征值的获取流程图；
[0056]
图3碰撞角度示意图；
[0057]
图4重叠率示意图；
[0058]
图5计算mj示意图
[0059]
图6多层感知机示意图；
[0060]
图7x向加速度特征值提取效果示意图；
[0061]
图8绕x的旋转位移曲线特征值提取效果示意图。
具体实施方式
[0062]
为使本发明的目的、技术方案和优点更加清楚，下面结合附图和实施例对本发明方案进行详细描述。本领域技术人员可由本说明书中所揭露的内容轻易地了解本发明的其
他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。
[0063]
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
[0064]
在本发明的一个实施例中，给出碰撞波形预测的主要步骤，参见图1碰撞波形预测流程图，预测过程主要由4步完成，分别为包括：s1构建碰撞波形数据库：根据碰撞场景参数及其边界，采用有限元方法建立碰撞波形数据库；s2获取波形的特征值：对碰撞波形数据库中每一个仿真样本的波形进行特征值的提取，包括x、y、z方向的真实加速度曲线和绕x、y、z轴的真实旋转位移曲线；s3构建机器学习模型：用于预测加速度曲线特征值的预测模型1和旋转位移曲线特征值的预测模型2；s4波形预测：将场景的具体参数分别输入预测模型1和预测模型2，分别得到x、y、z方向加速度曲线的特征值和绕x、y、z轴的旋转位移曲线的特征值，进而得到x、y、z方向的预测加速度曲线和绕x、y、z轴的预测旋转位移曲线。
[0065]
下面对上述各步骤做详细说明：
[0066]
所述s1，构建碰撞波形数据库样本。
[0067]
主要是根据碰撞场景参数及其边界，采用有限元方法建立仿真数据集。
[0068]
本步骤中，首先确定影响碰撞波形的场景参数，及这些参数的边界。场景参数的确定可通过分析交通事故数据库的分析确定，一个具体的实施例是采用交通事故数据库，场景参数作为自变量(输入特征)，乘员损伤结果作为响应变量(标签)，训练随机森林模型，根据输入特征的重要性确定选取的场景参数。一个具体的实施例为，碰撞速度、重叠率、碰撞角度和目标物类型作为碰撞场景的参数。
[0069]
场景参数边界的确定，以对乘员损伤产生显著影响的原则对场景参数离散化，例如碰撞速度可离散为间隔为2km/h的离散点，碰撞角度离散为间隔为5
°
的离散点，可降低s1中有限元计算的成本。
[0070]
一个具体的实例为：
[0071]
碰撞速度：区间范围[10km/h，120km/h]，采样间隔2km/h。
[0072]
碰撞角度：正面碰撞角度范围[0
°
，30
°
]，[330
°
，0
°
](车头方向为0
°
，顺时针方向为正)，侧面碰撞为(30
°
，150
°
)，(210
°
，330
°
)，尾部碰撞为[150
°
，180
°
]，[180
°
，210
°
]，采样间隔5
°
，见图3。
[0073]
正面重叠率：左侧和右侧25％、左侧和右侧50％，100％，侧面重叠率为目标车物宽度边界线的延长线如果覆盖到自车b柱分界线则定义为中部，如果未覆盖到b柱分界线且偏向车头，则定义为前部，否则定义为后部，尾部重叠率同正面重叠率的定义，如图4所示。
[0074]
目标物类型：分为轿车、suv、小型卡车、大卡车、客车、柱状物。
[0075]
这里，所述随机采样指的是在所有场景参数组成的同一空间中随机采样，生成样本量为n的矩阵表。
[0076]
本步骤中，所述有限元方法是建立自车与目标物的高精度有限元模型，将矩阵表的每一个样本参数更新到有限元模型，进行仿真计算，并提取车辆左侧b柱下端的x、y、z方
向的真实加速度曲线，以及车身(取车身未变形的前后两个点)绕x、y、z轴的真实的旋转位移曲线。完成矩阵表中所有的样本的仿真、提取结果后并存储，形成碰撞波形数据库。
[0077]
所述s2，获取波形的特征值，参见图2：
[0078]
主要分为两部分，一部分是提取x、y、z方向的真实加速度曲线的特征值，二是提取绕x、y、z轴的真实旋转位移曲线的特征值。
[0079]
x、y、z方向的真实加速度曲线特征值的提取：
[0080]
以x方向为例，从有限元计算结果中得到真实加速度曲线a(t)，计算相邻点(t
j-1
,a
t＝j-1
)和(tj,a
t＝j
)的斜率mj，
[0081][0082]
计算碰撞有效持续时间tk，
[0083]
tk＝t
a(t)＝0
，
[0084]
即加速度曲线在0时刻之后归零对应的时刻，可参见图5。
[0085]
由mj和tk计算第i个特征值ai，
[0086][0087]
其中k是原始波形曲线所包含的离散点的总数，计算固有角频率
[0088]
最后，重构加速度曲线，将ai和ω代入：
[0089][0090]
即可得到近似的碰撞波形a(t)，对a(t)进行双重积分得到x方向的近似位移曲线：
[0091]dtranslation
(t)＝∫∫a(t)dt。
[0092]
y、z方向特征值的提取与x方向类似。
[0093]
x、y、z方向的真实旋转位移曲线特征值的提取：
[0094]
以x方向为例，d(t)是x向真实旋转位移曲线，其特征值直接取原始曲线上的点。取n个点表征原始曲线，分别为r1、r2、
…
、rn，第一个点r1和最后一个点rn分别取原始曲线t0和tk时刻对应的纵坐标，r2、r3、
…rn-1
取等时间间隔原始曲线上对应的点，r1、r2、
…
、rn这n个点的代入函数f()即可重构旋转位移曲线，f通常取一元线性模型。
[0095]
y、z方向特征值的提取与x方向类似。
[0096]
所述s3，构建机器学习模型。
[0097]
所述机器学习模型由2个模型构成，分别记为模型1和模型2，模型1完成x、y、z方向加速度曲线特征值f1
pre
的预测，模型2完成绕x、y、z的旋转位移曲线特征值f2
pre
的预测。预测模型1和预测模型2的训练样本的输入(特征)均为场景参数，输出(标签)分别为f1
true
和f2
true
。
[0098]
在将特征输入到模型训练之前，对特征值做数据预处理。一个具体的实例为，将碰撞角度转换为直角坐标系下单位圆上的向量坐标，例如，0
°
、30
°
、90
°
分别对应坐标(0，1)、(0.87，0.50)、(1，0)，碰撞角度特征将变为2个特征；重叠率和目标物的类型用独热编码表示，分别得到16和6个特征；碰撞速度归一化映射到[0，1]的区间，1个特征，至此，输入共有
25个特征构成。
[0099]
所述2个预测模型均采用多层感知机(mlp)，所述mlp如图6所示，构成如下：
[0100]
由1个输入层(x)、2个隐藏层(h1、h2)和1个输出层(o)构成，x由g个(输入特征的维度)神经元组成，h1由u个神经元组成，h2由v个神经元组成，o由m个(需要预测的特征值的个数)神经元组成。
[0101]
其正向传播计算过程如下：
[0102]
h1＝σ(w1*x+b1)
[0103]h′1＝drop(h1)
[0104]
h2＝σ(w2*h
′1+b2)
[0105]h′2＝drop(h2)
[0106]
o＝w3*h
′2+b3[0107]
其中，x∈g
×
1,o∈m
×
1,w1∈u
×
n,w2∈v
×
u,w3∈m
×
v,b1∈n
×
1,b2∈v
×
1,b3∈m
×
1，σ表示激活函数，σ(x)＝max(x,0)，即relu函数。
[0108]
采用丢弃法(drop)将隐藏层输出中的一部分元素以p的概率置为0，同时保证dro
p
作用后隐藏层的输出的方差不变，其中
[0109]
其中，x是输入样本构成的一维向量，xi是x的第i个值，p是丢弃概率，0《p《1。是一个超参数，根据模型在验证集上是否过拟合优化p值。
[0110]
反向传播采用小批量梯度下降法(sgd)来更新权重w1,w2,w3和b1,b2,b3，损失函数采用均方根误差法。
[0111]
数据库被分为2部分，80％用作训练，20％用作验证。经调参后，如果验证精度(r
2-adjusted)未达到要求(≥85％)，则回到s1步，再次随机增加样本点，以增加样本量n，并重新训练，直到精度满足要求。
[0112]
所述r
2-adjusted计算如下：
[0113][0114][0115]
n为样本的数量，p为输入特征的数量，为y的平均值，为预测值，yi为第i个样本标签值。
[0116]
一个具体的实例为(模型1)，g＝25，p＝0.05，u＝128，v＝64，m＝15，样本个数n＝500，r
2-adjusted＝87.5％。
[0117]
所述s4，预测波形。
[0118]
模型精度满足要求后，即可实时将场景的具体参数分别输入给预测模型1和预测模型2，用于实际预测。
[0119]
一个具体的实例为，取n＝5，则预测模型1和预测模型2分别得到f1
pre
和f2
pre
。
[0120]
f1
pre
前5个特征值为x方向加速度的特征值，根据：
[0121][0122]
得到x方向预测的加速度曲线，进一步，对x方向预测的加速度曲线积分：
[0123]dtranslation
(t)＝∫∫a(t)dt
[0124]
得到x方向预测的位移曲线，如图7所示。
[0125]
类似的可以得到y、z方向预测的位移曲线。
[0126]
根据f2
pre
前5个特征值构成绕x轴旋转位移曲线的纵坐标。一个具体的实例为，预测150ms(tk＝150ms)的旋转位移曲线，则横坐标分别为0ms、37.5ms、75ms、112.5ms、150ms，对应的纵坐标分别为，r1、r2、r3、r4、r5，横纵坐标一一对应构成5个坐标对(0，r1)，(37.5，r2)，(75，r3)，(112.5，r4)，(150，r5)，这5个坐标对的连线构成x轴预测的旋转位移曲线，如图8所示。
[0127]
类似的可以得到y、z轴预测的旋转位移曲线。
[0128]
经过以上处理，在得到x、y、z预测的位移曲线和绕x、y、z轴预测的旋转位移曲线后，可作为后续的人员损伤预测算法的输入。
[0129]
在本发明另一实施例中，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以上实施例所述基于数据驱动的车辆碰撞波形预测方法。
[0130]
本发明再一个实施例中，提出一种计算机可读存储介质，所述计算机可读存储介质存储有执行以上实施例所述的基于数据驱动的车辆碰撞波形预测方法。
[0131]
通过本发明获得的波形预测结果，拥有广泛的应用。具体的实例：
[0132]
1、在整车开发中，可通过本方法快速得到车辆参数改变时对应碰撞波形的改变，以快速迭代整车开发。
[0133]
2、将波形作为人体损伤预测模型的输入，可在碰撞前得到人体的损伤风险，当损伤风险高时，触发预碰撞安全系统，如调整零重力座椅靠背角度，减小人体腰椎受伤的风险。
[0134]
3、在自动驾驶险态场景下，可得到不同规划路径的人体损伤风险，选择损伤风险最小的路径。
[0135]
应该理解，本技术可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本技术中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本技术公开的技术方案所期望的结果，在此不进行限制。
[0136]
上述具体实施方式，并不构成对本技术保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本技术的精神和原则之内所作的修改、等同替换和改进等，均应包含在本技术保护范围之内。