準(zhǔn)確實(shí)時(shí)預(yù)測危險(xiǎn)道路場景中的乘員損傷嚴(yán)重性，是提高道路交通智能化安全水平的關(guān)鍵課題。損傷預(yù)測能夠?yàn)榕鲎睬埃╬re-crash）的軌跡規(guī)劃系統(tǒng)和碰撞中（in-crash）的自適應(yīng)約束系統(tǒng)提供決策數(shù)據(jù)參考。清華大學(xué)周青教授課題組針對車輛前碰撞工況下的乘員損傷預(yù)測進(jìn)行了深入研究（圖1），基于人體沖擊響應(yīng)力學(xué)機(jī)理，利用序列生成式深度學(xué)習(xí)算法建立了車輛乘員損傷的高精度預(yù)測模型，結(jié)合面向卷積神經(jīng)網(wǎng)絡(luò)的可視化分析算法，提出了用于關(guān)鍵運(yùn)動(dòng)學(xué)特征提取的數(shù)據(jù)預(yù)處理模塊，實(shí)現(xiàn)了乘員損傷嚴(yán)重程度高精度實(shí)時(shí)預(yù)測（預(yù)測準(zhǔn)確率達(dá)85.4%，算法計(jì)算時(shí)間僅為1.2 ms）。這項(xiàng)工作近期發(fā)表于交通安全領(lǐng)域期刊《Accident analysis ＆ prevention》，第一作者為王情帆（2020級博士生），通訊作者為聶冰冰副教授。


圖1 基于運(yùn)動(dòng)學(xué)特征的車輛乘員損傷嚴(yán)重性實(shí)時(shí)預(yù)測算法的研究框架

1  序列生成式損傷預(yù)測算法

為訓(xùn)練及驗(yàn)證深度學(xué)習(xí)算法，基于汽車碰撞和人員損傷的仿真計(jì)算平臺，構(gòu)建大規(guī)模乘員損傷數(shù)值數(shù)據(jù)庫，共計(jì)包含28000起碰撞工況，以碰撞波形、乘員性別、安全帶、氣囊使用情況為輸入變量，碰撞瞬間的乘員動(dòng)力學(xué)響應(yīng)（時(shí)間序列）為輸出變量，包括頭部加速度、胸部壓縮量、頸部力和頸部力矩，并結(jié)合損傷生物力學(xué)經(jīng)驗(yàn)公式，將其轉(zhuǎn)化為乘員頭胸頸部的損傷風(fēng)險(xiǎn)。基于上述數(shù)據(jù)庫，分別訓(xùn)練基于雙向LSTM的編解碼器模型的循環(huán)神經(jīng)網(wǎng)絡(luò)算法（RNN）和基于時(shí)序卷積網(wǎng)絡(luò)（TCN）的卷積神經(jīng)網(wǎng)絡(luò)算法（CNN），二者均為序列生成式深度學(xué)習(xí)算法（圖2）。CNN在預(yù)測準(zhǔn)確率（86.1% vs. 75.2%）和計(jì)算實(shí)時(shí)性（69 ms vs. 108 ms）均取得了更好表現(xiàn)。


圖2 RNN和CNN乘員損傷嚴(yán)重性預(yù)測算法的網(wǎng)絡(luò)架構(gòu)

2  提取運(yùn)動(dòng)學(xué)關(guān)鍵特征

為提升預(yù)測實(shí)時(shí)性，該研究從高維度的序列輸入信息中提取出對于人員損傷響應(yīng)具有顯著影響的運(yùn)動(dòng)學(xué)特征，以降低預(yù)測算法的模型復(fù)雜度。首先，基于CNN可視化方法來增強(qiáng)深度學(xué)習(xí)模型的可解釋性（圖3），并分析該高準(zhǔn)確性的CNN模型是如何逐步處理信息的。在理解CNN內(nèi)部機(jī)制的基礎(chǔ)上，利用數(shù)學(xué)計(jì)算（即兩層池化操作）對高復(fù)雜度CNN模型進(jìn)行近似，并從高維度的初始輸入中提取簡化運(yùn)動(dòng)學(xué)特征。


圖3 面向CNN預(yù)測模型的卷積核可視化結(jié)果

3  基于運(yùn)動(dòng)特征的高實(shí)時(shí)預(yù)測模型

在提取到運(yùn)動(dòng)學(xué)關(guān)鍵特征后，將其與復(fù)雜度較低的機(jī)器學(xué)習(xí)模型進(jìn)行結(jié)合，直接預(yù)測乘員損傷嚴(yán)重性，以增強(qiáng)預(yù)測實(shí)時(shí)性。采用的機(jī)器學(xué)習(xí)算法包括邏輯斯特回歸LR、決策樹DT、最近鄰KNN和支持向量機(jī)SVM，其中SVM模型取得了最佳預(yù)測表現(xiàn)。與CNN模型相比，基于運(yùn)動(dòng)學(xué)特征的SVM模型在不犧牲預(yù)測準(zhǔn)確率的同時(shí)（85.4% vs. 86.1%），實(shí)現(xiàn)了高實(shí)時(shí)性預(yù)測（1.2 ms vs. 69 ms）。為進(jìn)一步驗(yàn)證其泛化能力，基于NASS/CDS事故統(tǒng)計(jì)數(shù)據(jù)庫，提取得到192起真實(shí)交通事故案例，該預(yù)測算法的預(yù)測準(zhǔn)確率達(dá)到78.6%。


圖4 預(yù)測混淆矩陣的對比：(a) CNN模型；(b) SVM模型

4  結(jié)論

本研究為乘員損傷嚴(yán)重性預(yù)測提供了可行的研究路徑和預(yù)測算法，將運(yùn)動(dòng)學(xué)關(guān)鍵特征納入數(shù)據(jù)驅(qū)動(dòng)的乘員損傷嚴(yán)重性預(yù)測算法，能夠有效提高預(yù)測實(shí)時(shí)性。高準(zhǔn)確度、高實(shí)時(shí)性的安全風(fēng)險(xiǎn)預(yù)測可針對險(xiǎn)態(tài)交通場景，為自動(dòng)駕駛車輛的軌跡規(guī)劃系統(tǒng)和自適應(yīng)乘員約束系統(tǒng)決策提供數(shù)據(jù)參考，從而優(yōu)化車輛決策配置，實(shí)現(xiàn)面向乘員保護(hù)的最優(yōu)安全。




Wang, Q., Gan, S., Chen, W., Li, Q., Nie, B. A Data-driven, Kinematic Feature-based, Near Real-time Algorithm Improving Injury Severity Prediction of Vehicle Occupants (2021) Accident Analysis & Prevention, 156 (2021).
DOI: doi.org/10.1016/j.aap.2021.106149.