[发明专利]一种面向乘员损伤风险的碰撞严重性预测方法有效

专利信息
申请号: 201910982338.4 申请日: 2019-10-16
公开(公告)号: CN110851958B 公开(公告)日: 2021-04-20
发明(设计)人: 聂冰冰;杜仰森;陈文韬;周青;李升波 申请(专利权)人: 清华大学
主分类号: G06F30/20 分类号: G06F30/20;G06F119/14
代理公司: 北京华进京联知识产权代理有限公司 11606 代理人: 魏朋
地址: 100084*** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 面向 乘员 损伤 风险 碰撞 严重性 预测 方法
【权利要求书】:

1.一种碰撞严重性的预测方法,其特征在于,包括:

S100,构建第一学习模型,将整车数据和碰撞事故场景特征数据输入至所述第一学习模型,所述第一学习模型为机器学习模型;

S200,获取所述第一学习模型输出的预测碰撞加速度曲线,所述预测碰撞加速度曲线基于平面直角坐标系构建,所述预测碰撞加速度曲线的横坐标为碰撞时间,所述预测碰撞加速度曲线的纵坐标为碰撞加速度;

S300,构建第二学习模型,将所述预测碰撞加速度曲线、乘员特征数据和约束系统特征数据输入至所述第二学习模型,所述第二学习模型为深度学习模型;

S400,获取所述第二学习模型输出的多条人体部位碰撞运动学与动力学预测曲线;

所述人体部位碰撞运动学与动力学预测曲线基于平面直角坐标系构建,所述人体部位碰撞运动学与动力学预测曲线的横坐标为碰撞时间,所述人体部位碰撞运动学与动力学预测曲线的纵坐标为人体部位碰撞运动学与动力学参数;

S500,依据所述多条人体部位碰撞运动学与动力学预测曲线,生成碰撞严重性参数,所述碰撞严重性参数用于评价碰撞严重性。

2.根据权利要求1所述的碰撞严重性的预测方法,其特征在于,所述步骤S100包括:

S110,获取整车数据和碰撞事故场景特征数据;

S120,依据所述整车数据和所述碰撞事故场景特征数据构建第一学习模型,并将所述整车数据和所述碰撞事故场景特征数据输入至所述第一学习模型。

3.根据权利要求2所述的碰撞严重性的预测方法,其特征在于,所述步骤S120包括:

S121,依据所述整车数据和所述碰撞事故场景特征数据,基于动力学仿真算法,构建第一仿真数据库;

S122,创建训练前的第一学习模型,依据所述第一仿真数据库,对所述训练前的第一学习模型进行训练,不断调整所述训练前的第一学习模型中的模型参数,使得所述训练前的第一学习模型的损失函数最小化,得到训练后的第一学习模型;

S123,对训练后的第一学习模型进行准确度验证,若所述训练后的第一学习模型的准确度大于第一预设准确度,则确定训练后的第一学习模型合格;

S124,将所述整车数据和所述碰撞事故场景特征数据输入至所述训练后的第一学习模型。

4.根据权利要求3所述的碰撞严重性的预测方法,其特征在于,所述步骤S300包括:

S310,获取乘员特征数据和约束系统特征数据;

S320,依据所述预测碰撞加速度曲线、乘员特征数据和约束系统特征数据创建第二学习模型,并将所述预测碰撞加速度曲线、所述乘员特征数据和所述约束系统特征数据输入至所述第二学习模型。

5.根据权利要求4所述的碰撞严重性的预测方法,其特征在于,所述步骤S320包括:

S321,依据所述预测碰撞加速度曲线、所述乘员特征数据和所述约束系统特征数据,基于动力学仿真算法,构建第二仿真数据库;

S322,创建训练前的第二学习模型,依据所述第二仿真数据库,对所述训练前的第二学习模型进行训练,不断调整所述训练前的第二学习模型中的模型参数,使得所述训练前的第二学习模型的损失函数最小化,得到训练后的第二学习模型;

S323,对训练后的第二学习模型进行准确度验证,若所述训练后的第二学习模型的准确度大于第二预设准确度,则确定训练后的第二学习模型合格;

S324,将所述预测碰撞加速度曲线、所述乘员特征数据和所述约束系统特征数据输入至所述训练后的第二学习模型。

6.根据权利要求5所述的碰撞严重性的预测方法,其特征在于,所述步骤S500包括:

S510,将每一条人体部位碰撞运动学与动力学预测曲线转化为所述人体特定部位对应的损伤等级分数。

7.根据权利要求6所述的碰撞严重性的预测方法,其特征在于,所述步骤S500还包括:

S520,依据不同人体特定部位的损伤等级分数,对碰撞严重性进行整体评价,生成所述碰撞严重性参数。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于清华大学,未经清华大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201910982338.4/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top