碰撞性能预测装置及方法

技术领域

本发明涉及一种用于碰撞性能预测的装置及方法，更具体地，涉及基于机器学习模型提供行人保护的用于碰撞性能预测的装置及方法。

背景技术

在欧洲和其他国家，为了确保司机和行人的安全，对新车进行了各种测试。

例如有欧洲新车评估计划(European New Car Assessment Program，NCAP)测试，该测试对正面冲击、侧面冲击和行人碰撞进行测试，并且根据车辆安全性能分配评级。

因此，车辆制造商通常设计车辆以提高车辆的安全性能，制造测试车辆并进行各种测试以确认达到目标安全等级，并且重复该过程，使得结果反映到车辆设计中。在这种情况下，需要大量的成本和时间，并且由于重复进行同样的测试，需要大量的劳动。此外，在测试车辆未准备好的早期开发阶段或初步研究阶段，不能针对新的设计信息来测试车辆的安全性能，从而不能检查已开发车辆的安全性能。因此，需要能够克服上述缺点并获得针对新车辆设计的可靠测试结果的方法。

发明内容

因此，本发明的一个方面基于设计信息生成用于行人安全性能评估的机器学习模型，并且通过使用生成的机器学习模型提供了具有高可靠性和效率的用于碰撞性能预测的装置和用于碰撞性能预测的方法。

根据本发明的一个方面，一种用于车辆的碰撞性能预测的装置包括：数据处理器和输出装置；所述数据处理器配置为通过对测试目标设计数据进行预处理生成测试目标重叠图像，所述测试目标设计数据包括车辆的现有设计数据，并且所述数据处理器进一步配置为对现有冲击量数据进行预处理；所述输出装置配置为：基于碰撞性能预测模型、通过机器学习测试目标重叠图像，输出针对测试目标重叠图像的输入的预测冲击值和预测冲击评级值的至少一个。

所述现有设计数据包括第一设计数据和第二设计数据，第一设计数据为车辆的纵截面的设计图像，第二设计数据为车辆的横截面的设计图像，其中，所述重叠图像通过将第一设计数据与第二设计数据重叠而形成。

所述现有设计数据包括车辆的材料信息，所述材料信息在设计图像中以颜色、饱和度、亮度、实线和虚线的至少一个来反映。

所述重叠图像通过以下方法提供：基于冲击点将与第一设计数据和第二设计数据的每一个对应的设计图像裁剪为相同尺寸，并且将裁剪的设计图像重叠。

所述重叠图像通过以下方法提供：扩展除了关于第一设计数据和第二设计数据中的至少一个的设计图像之外的图像空白。

所述碰撞性能预测模型包括通过机器学习经由对现有设计数据进行预处理生成的重叠图像、以及经由对现有冲击量数据进行预处理生成的冲击值和冲击评级值中的至少一个而更新的权重数据。

所述现有冲击量数据包括颜色图图像，并且通过解析颜色图图像提取冲击值和冲击评级值。

所述碰撞性能预测模型包括基于重叠图像和冲击值生成的第一碰撞性能预测模型，以及基于重叠图像和冲击评级值生成的第二碰撞性能预测模型。

所述输出装置配置为通过第一碰撞性能预测模型输出预测冲击值，通过第二碰撞性能预测模型输出预测冲击评级值。

所述碰撞性能预测模型由多层感知器(MLP)学习模型或卷积神经网络(CNN)学习模型而学习，或者基于预训练模型(pre-trained model)迁移学习。

根据本发明的另一个方面，一种用于车辆的碰撞性能预测的方法包括：通过对测试目标设计数据进行预处理生成测试目标重叠图像，所述测试目标设计数据包括车辆的现有设计数据，并且进一步对与现有设计数据对应的现有冲击量数据进行预处理；基于碰撞性能预测模型、通过机器学习测试目标重叠图像，输出针对测试目标重叠图像的输入的预测冲击值和预测冲击评级值的至少一个。

所述现有设计数据包括第一设计数据和第二设计数据，第一设计数据为车辆的纵截面的设计图像，第二设计数据为车辆的横截面的设计图像，其中，所述重叠图像通过将第一设计数据与第二设计数据重叠而形成。

所述现有设计数据包括车辆的材料信息，并且所述材料信息在设计图像中以颜色、饱和度、亮度、实线和虚线的至少一个来反映。

所述输出包括：基于冲击点将与第一设计数据和第二设计数据的每一个对应的设计图像裁剪为相同尺寸，并且将裁剪的设计图像重叠。

所述输出包括：扩展除了关于第一设计数据和第二设计数据中的至少一个的设计图像之外的图像空白。

所述碰撞性能预测模型包括通过机器学习经由对现有设计数据进行预处理生成的重叠图像、以及经由对现有冲击量数据进行预处理生成的冲击值和冲击评级值中的至少一个而更新的权重数据。

所述现有冲击量数据包括颜色图图像，并且通过解析颜色图图像提取冲击值和冲击评级值。

所述碰撞性能预测模型包括：基于重叠图像和冲击值生成的第一碰撞性能预测模型，以及基于重叠图像和冲击评级值生成的第二碰撞性能预测模型。

所述输出包括：通过第一碰撞性能预测模型输出预测冲击值，以及通过第二碰撞性能预测模型输出预测冲击评级值。

所述碰撞性能预测模型由多层感知器(MLP)学习模型或卷积神经网络(CNN)学习模型而学习，或者基于预训练模型(pre-trained model)迁移学习。

附图说明

通过随后结合附图所呈现的实施方案的描述，本发明的以上方面和/或其他方面将变得清楚和更容易理解，在附图中：

图1示出本发明中应用的整体过程的概况，

图2为根据实施方案的用于碰撞性能预测的装置的控制框图，

图3以及图4A至图4B为用于描述设计数据的示意图，

图5为用于描述冲击量数据的示意图，

图6为示出本发明中应用的预处理过程的流程图，

图7示出了根据实施方案的碰撞性能预测模型的学习过程，

图8示出了根据实施方案的通过碰撞性能预测模型得到冲击测试结果的过程。

具体实施方式

应当理解，此处所使用的术语“车辆”或“车辆的”或其它类似术语一般包括机动车辆，例如包括运动型多用途车辆(SUV)、大客车、大货车、各种商用车辆的乘用汽车，包括各种舟艇、船舶的船只，航空器等等，并且包括混合动力车辆、电动车辆、插电式混合动力电动车辆、氢动力车辆以及其它替代性燃料车辆(例如源于非化石的能源的燃料)。正如此处所提到的，混合动力车辆是具有两种或更多动力源的车辆，例如汽油动力和电力动力两者的车辆。

本文所使用的术语仅为了描述特定实施例的目的，并不旨在限制本发明。正如本文所使用的，单数形式“一”、“一个”和“所述”旨在也包括复数形式，除非上下文另有清楚的说明。还将理解，当在本说明书中使用术语“包含”和/或“包括”时，指明存在所述特征、数值、步骤、操作、元件和/或组件，但是不排除存在或添加一种或多种其他的特征、数值、步骤、操作、元件、组件和/或其群组。正如本文所使用的，术语“和/或”包括一种或多种相关列举项的任何和所有组合。在整个说明书中，除非明确地相反描述，术语“包括”和例如“包含”或“包括有”的变化形式应被理解为暗示包含所述元件，但是不排除任何其它元件。此外，在说明书中描述的术语“单元”，“器”，“装置”和“模块”意为用于执行至少一个功能和操作的单元，并且可以由硬件组件或者软件组件以及它们的组合来实现。

进一步地，本发明的控制逻辑可以实施为包含由处理器、控制器等执行的可执行程序指令的计算机可读介质上的非瞬态计算机可读介质。计算机可读介质的示例包括但不限于ROM、RAM、光碟(CD)-ROM、磁带、软盘、闪盘驱动器、智能卡和光学数据存储设备。计算机可读介质还可以分布在网络连接的计算机系统上，使得计算机可读介质例如通过远程信息处理服务器或控制器局域网(Controller Area Network，CAN)以分布方式存储和执行。

在整个说明书中，相同的附图标记指代相同的元件。将不会描述本发明的实施方案的所有元件，将省略对本领域中公知的内容或实施方案中相互重叠的内容的描述。

应当理解的是，当一个元件被称为与另一个元件“连接”时，该元件能够与该另一个元件直接或间接连结，其中，间接连接包括通过无线通信网络“连接”。

此外，当陈述为一层在另一层或底层“之上”时，该层可以直接在另一层或底层之上或者可以在这两者之间布置有第三层。

可以理解的是，虽然在本文中可以使用“第一”、“第二”、“第三”等术语来描述各种元件，但这些元件不应受这些术语的限制。这些术语仅用于区分一个元件与另一个元件。

使用附图标记是为了便于描述，但并不旨在说明每个步骤的顺序。这些步骤中的每一个都可以以不同于所示顺序的顺序来实现，除非上下文另有清楚的指示。

下面将参考所附附图对本发明的工作原理和实施方案进行描述。

图1示出本发明中应用的整体过程的概况。

本发明以重叠图像的形式处理车辆设计图，基于现有设计数据和对应的冲击量数据生成机器学习模型，并且为输入的信息提供HIC(头部伤害指标)值和HIC评级值的预测结果。

首先，将详细描述数据预处理步骤。机器学习模型通过学习预处理车辆的现有设计数据以及与现有设计数据对应的现有的冲击量数据而生成，如图1所示。在这种情况下，设计数据可以生成重叠图像，所述重叠图像是指根据基于从不同方向(诸如车辆的横截面和纵截面)获得的设计图执行预处理的结果而生成的数据。具体的预处理将参考图4和图5详细描述。

在预处理后，冲击量数据可以输出为冲击值和冲击评级值。在这里，冲击值为冲击性能的数值，冲击评级值对应于对冲击的评级进行分类的值。冲击值和冲击评级值可以为HIC值和HIC评级值。

本发明中应用的学习步骤可以基于重叠图像和冲击量数据生成具有更新的权重的新的机器学习模型。具体地，学习步骤可以通过使用损失函数和优化器(Ex-ADAM)生成具有最优参数的机器学习模型，并且可以通过计算重叠图像与冲击量数据之间的关系更新机器学习模型的神经网络。

由于上述神经网络是指形成能够执行深度学习的神经结构的机器学习，因此与神经网络配置对应的权重和偏差持续地改变以提高学习的可靠性。也就是说，重叠图像可以用于持续地更新与神经网络配置对应的权重和偏差。

换句话说，本发明中应用的机器学习基于重叠图像和对应的冲击量数据持续地更新包括在神经网络中的权重、偏差和激活函数，从而改善神经网络的推断结果。

在这种情况下，神经网络可以以计算机程序的形式存储于诸如数据库(未示出)的存储装置中。在下面的说明中，将描述由神经网络以计算机程序的代码的形式执行的操作的性能。然而，本发明不必限于存储神经网络的计算机程序。

同时，神经网络可以包括用于生成特征图并将特征图输入至神经网络的卷积神经网络(convolution neural network，CNN)，所述特征图通过对重叠图像和对应的冲击量数据进行卷积而输出。神经网络也可以实现为另一个深度学习算法，包括递归神经网络(RNN)。也就是说，对于神经网络的类型没有限制。

接下来，当通过上述学习过程生成机器学习模型时，作为将要测试的设计数据输入至机器学习模型的结果，可以输出HIC预测值和HIC评级预测值。

图2为根据实施方案的用于碰撞性能预测的装置的控制框图。

根据实施方案的用于碰撞性能预测的装置包括数据处理器100、机器学习单元110和输出装置(“输出器”)120，所述数据处理器100执行预处理操作，所述机器学习单元110将预处理过的数据应用于包括神经网络的机器学习。

数据处理器100接收冲击量数据201和设计数据202，并且对接收的数据执行预处理。冲击量数据201包括关于与通过头型冲击试验进行的安全性能评估相关的数值和/或评级的信息，设计数据202包括关于在用于设计和开发三维对象的计算机辅助设计程序中产生的设计的信息。例如，设计数据202可以为由CATIA产生的设计信息。本发明中应用的设计数据202可以使用粒状(granular)数据以执行有效预处理操作，其细节将参考图3至图5详细描述。

数据库210存储用于机器学习单元的输入数据，其中，预处理在数据处理器100中完成。例如，数据库210可以包括高速随机存取存储器、磁盘、SRAM、DRAM、ROM等。数据库210表示能够执行存储器(未示出)的功能的各种存储设备。

机器学习单元110包括冲击评级分类模型学习单元111和冲击量回归模型学习单元112。

冲击评级分类模型学习单元111可以基于作为预处理设计数据202的结果而生成的重叠图像和对应的HIC评级值，通过学习来更新与神经网络配置对应的权重。

冲击量回归模型学习单元112可以基于作为预处理设计数据202的结果而生成的重叠图像和对应的HIC值，通过学习来更新与神经网络配置对应的权重。

输出装置120可以基于由机器学习单元110生成的机器学习模型来输出针对测试目标数据的输入的HIC预测值和HIC评级预测值。具体地，当用户向机器学习单元110输入要进行行人碰撞测试的待评估车辆的测试目标数据时，输出装置120可以输出预测结果值。

图3以及图4A至图4B为用于描述设计数据的示意图。在下文中，应用于本发明的设计数据和从设计数据得到的重叠图像将参考图3和图4A至图4B详细描述。

首先，基于设计数据的图像输出可以基于车辆前部的引擎盖和发动机室的设计部划分为纵截面和横截面，或L截面和T截面。参考图4A，基于L截面的第一设计数据2021可以为反映形成了从车辆侧面观察的图像的轮廓上的冲击点的信息。基于T截面的第二设计数据2022可以为反映形成了从车辆正面观察的图像的轮廓上的冲击点的信息。

此外，设计数据可以包括车辆的材料信息。例如，基于设计数据的图像输出可以分为各种颜色。在这里，颜色可以反映车辆的材料信息。例如，玻璃材料可以为绿色，金属材料可以为蓝色，塑料材料可以为红色。车辆由各种材料制成，其抗冲击性能根据材料而不同。为了反映该信息，设计数据可以包括反映车辆的材料信息的颜色信息。除了以颜色表示外，还可以通过利用以下不同特征使车辆的材料相互区分来表示材料信息：饱和度、亮度、实线和虚线等。

接下来，第一设计数据2021和第二设计数据2022可以相互重叠以生成重叠图像2023。重叠图像2023在图4A中示出。

同时，重叠图像2023可以为第一设计数据2021与第二设计数据2022的不同图像放大和重叠的图像。在这里，为了防止输出图像的损失，可以向图像的一部分添加图像空白。换句话说，通过添加图像空白，当与第一设计数据和第二设计数据的每一个对应的设计图像共享相同的冲击点时，不会发生设计图像的图像空白，并且每个图像被裁剪到相同的尺寸并生成为重叠图像。

参考图4B，可以基于包括在第一设计数据中的冲击点LP来提取第一局部图像。在这里，第一局部图像可以与第二局部图像重叠，所述第二局部图像基于包括在第二设计数据中的冲击点TP而提取。同时，由于冲击点LP基于第一局部图像的左端，所以当第一局部图像裁剪为相同图像尺寸时，在左侧可能发生图像损失。因此，第一设计数据的整个图像的图像空白区域可以放大。因此，第一局部图像可以在不损失任何部分的情况下与相同图像尺寸的第二局部图像重叠。

根据实施方案，当确定出基于冲击点设定的局部图像的一部分超出设计数据的整个图像时，数据处理器100可以扩展整个图像的空白区域。

这样的重叠过程为用于定义与输入数据相同尺寸的单个图像，从而执行高度可靠的机器学习的过程。重叠的图像包含至少两个车辆部分的各种信息，诸如冲击点、位置、结构、材料等。上述重叠过程可以针对各种类型车辆而执行，并且存储在数据库中。

一个实施方案中涉及的设计数据可以包括第一设计数据和第二设计数据，第一设计数据为车辆的纵截面的设计图像，第二设计数据为车辆的横截面的设计图像，通过将第一设计数据与第二设计数据重叠而生成重叠图像。

图5为用于描述冲击量数据的示意图。

如图5所示，从冲击量数据输出的HIC颜色图图像2011可以基于各种颜色提供HIC评级作为可视信息。

头部伤害指标(Head Injury Criterion，HIC)指的是一种指示在车辆与行人之间的碰撞事故中发生人身伤害的指标。HIC颜色图图像2011可以基于其中包括的数据来提取HIC值和HIC评级值。提取过程可以通过解析HIC颜色图图像2011执行。在这里，HIC值和HIC评级值可以基于欧洲NCAP测试来确定。例如，其可以由图5所示的表格表示。通过该解析过程，HIC值和HIC评级值可以分别构建为回归模型DB和分类模型DB。

图6为示出本发明中应用的预处理过程的流程图。然而，该流程图仅为用于实现本发明的目的的优选实施方案，当然，可以根据需要添加或删除一些步骤。此外，如图6所示，生成重叠图像的过程和生成回归模型DB及分类模型DB的过程可以分别或同时进行。

数据处理器100由用户接收针对第一设计数据和第二设计数据的输入(601)。在这里，要输入的第一设计数据和第二设计数据如上所述。

当第一设计数据和第二设计数据的输入完成时，数据处理器100在针对每个设计数据的图像的一部分上执行重叠之前添加图像空白(602)并放大图像中包括的冲击点(603)。

数据处理器100对第一设计数据的图像的一部分与第二设计数据的图像的一部分执行重叠(604)，生成重叠图像(605)，并将重叠图像存储在数据库210中。在这种情况下，存储的数据可以包括包含各种车辆的、各种类型的重叠图像。

数据处理器100与对设计数据的预处理过程分开地执行对冲击量数据的预处理过程。可以在HIC颜色图中提供冲击量数据。

数据处理器100对与作为冲击量数据输入的设计数据对应的车辆的HIC颜色图进行解析，提取HIC值和HIC评级值并分类(607)，并且将HIC值和HIC评级值的每一个存储到回归模型DB 211和分类模型DB 212中。在这里，生成并且存储的回归模型DB 211和分类模型DB 212可以通过生成机器学习模型的学习过程更新权重数据。生成机器学习模型的学习过程将参考图7详细描述。

图7示出了根据实施方案的碰撞性能预测模型的学习过程。

本发明中涉及的机器学习模型可以分为冲击量回归模型和评级分类模型两个类型。特别地，冲击量回归模型根据HIC值的学习结果而生成，评级分类模型根据HIC评级值的学习结果而生成。

用于生成冲击量回归模型的学习过程可以由回归模型DB 211和设计数据202执行。虽然图7示出了设计数据202作为输入数据输入，但是输入数据也可以为对设计数据202执行了预处理的重叠图像。回归模型DB 211可以包括与设计数据202对应的冲击量数据。在这里，冲击量数据可以为HIC值。换句话说，回归模型DB 211可以是用于得到设计数据202或重叠图像的机器学习结果的答案。

例如，重叠图像经由输入层1131传递至特征提取层1132。特征提取层1132通过分析传递的重叠图像提取图像中的特征，并且将该特征发送至预测层1133。预测层1133生成结果并且基于回归模型DB 211更新作为输出数据的与神经网络配置对应的权重。更新的权重生成为权重数据213，其随后应用于机器学习模型以执行实际碰撞性能测试，并且当输入实际目标车辆的测试目标数据时，可以得到高性能的HIC预测值。

用于生成冲击评级分类模型的学习过程可以由分类模型DB 212和设计数据202执行。虽然图7示出了设计数据202作为输入数据输入，但是输入数据也可以为对设计数据202执行了预处理的重叠图像。分类模型DB 212可以包括与设计数据202对应的冲击量数据。在这里，冲击量数据可以为HIC评级值。换句话说，分类模型DB 212可以是用于得到设计数据202或重叠图像的机器学习结果的答案。

例如，重叠图像经由输入层1131传递至特征提取层1132。特征提取层1132通过分析传递的重叠图像提取图像中的特征，并且将该特征发送至预测层1133。预测层1133生成结果并且基于分类模型DB 212更新作为输出数据的与神经网络配置对应的权重。在这种情况下，由预测层1133生成的结果可以包括关于基于五个评级的总评级而位于预测评级的概率的数据。更新的权重生成为权重数据213，其随后应用于机器学习模型以执行实际碰撞性能测试，并且当输入实际目标车辆的测试目标数据时，可以得到高性能的HIC评级预测值。

碰撞性能预测模型可以分为第一性能预测模型和第二性能预测模型，所述第一性能预测模型基于重叠图像和冲击值生成，所述第二性能预测模型基于重叠图像和冲击评级值生成。碰撞性能预测模型可以实施为同时输出冲击值和冲击评级值，并且输出预测的冲击值和预测的冲击评级值的模型。

图8示出了根据实施方案的通过碰撞性能预测模型得到冲击测试结果的过程。

参考图8，机器学习模型113对应于应用了通过上述学习过程更新的权重的模型。机器学习模型113基于各种车辆的设计数据对详细的层的权重进行优化。

测试目标数据203指示要作为测试目标的车辆的设计数据，并且可以输入到上述的任何一侧的图像中或重叠图像格式中。预测结果值233表示测试目标数据203的输入的结果。预测结果值233可以输出为颜色图的形式的图像，并且可以包括关于实际HIC绝对值、预测HIC绝对值、实际HIC评级值、预测HIC评级值以及预测相应评级的概率的信息。

根据实施方案的用于碰撞性能预测的装置可以包括数据处理器，所述数据处理器用于接收设计数据和冲击量数据，通过对设计数据执行预处理操作而生成重叠图像，以及通过对冲击量数据执行预处理操作提取HIC绝对值和HIC评级的至少一个。根据实施方案的用于碰撞性能预测的装置将由数据处理器执行预处理操作的结果提供给机器学习单元。机器学习单元确定重叠图像、HIC绝对值和HIC评级的至少一个作为用于机器学习的输入和输出，并且基于输入和输出生成包括更新的权重数据的碰撞性能预测模型。输出装置基于碰撞性能预测模型输出测试目标数据的HIC回归预测值和HIC评级预测值的至少一个。

用于碰撞性能预测的装置所采用的碰撞性能预测模型可以基于多层感知器(multi-layer perceptron，MLP)或卷积神经网络(CNN)中的诸如ResNet、DenseNet或Inception模型的预训练模型执行迁移学习(transfer learning)。然而，除了上述网络之外，碰撞性能预测模型可以采用用于更新神经网络的权重的各种技术。

本发明不仅适用于行人碰撞测试评估，还适用于通过对设计进行分析来验证稳定性的各种测试。

根据本发明的一个方面，在不执行实际车辆的冲击测试的情况下，可以获得针对设计数据的具有高可靠性的碰撞性能预测结果，而无需现有冲击量数据。

同时，公开的实施方案可以以存储有可由计算机执行的指令的记录介质的形式实现。这些指令可以以程序代码的形式存储，并且当由处理器执行时，这些指令可以产生程序模块以执行所公开的实施方案的各个步骤。所述记录介质可以实现为计算机可读记录介质。

计算机可读记录介质可以包括存储有能够由计算机解译的指令的所有类型的记录介质。例如，计算机可读记录介质可以为ROM、RAM、磁带、磁盘、闪存、光学数据存储设备等。

至此已参考附图描述了本发明的示例性实施方案。对本领域普通技术人员来说显而易见的是，本发明可以以上述示例性实施方案以外的其他形式进行实践，而不改变本发明的技术构思或本质特征。上述示例性实施方案仅作为示例，不应以限制性的含义来解释。