Simple Science

La science de pointe expliquée simplement

# Mathématiques# Robotique# Systèmes dynamiques

Prédire le Comportement des Passagers dans les Voitures Autonomes

De nouvelles méthodes visent à améliorer la sécurité et le confort dans les véhicules autonomes.

Niklas Fahse, Monika Harant, Marius Obentheuer, Joachim Linn, Jörg Fehr

― 8 min lire


Comportement desComportement despassagers dans lesvéhicules autonomesmouvements des voitures autonomes.Méthodes innovantes pour prédire les
Table des matières

Alors qu'on pense à comment les voitures vont évoluer dans le futur, surtout avec les véhicules autonomes, assurer la sécurité et le confort des passagers est super important. Une nouvelle approche nous permet de prévoir comment les gens vont bouger dans ces véhicules, ce qui aide à concevoir de meilleurs sièges et aménagements.

La nécessité de prédire le mouvement des occupants

En concevant de nouveaux véhicules, surtout ceux qui se conduisent tout seuls, on doit réfléchir à comment les gens à l'intérieur vont agir et se déplacer. C'est essentiel pour la sécurité et le confort. En prédisant comment les gens vont bouger dans leurs sièges selon les situations de conduite, on peut créer des environnements qui répondent à leurs mouvements.

Développer une nouvelle méthode de prédiction

Cette étude présente une méthode qui utilise des données de simulations pour prédire comment les gens se comportent dans les véhicules. En étudiant les interactions entre une personne et le siège, on peut collecter des données sur les forces qui agissent sur eux durant des scénarios comme tourner ou freiner.

Pour collecter ces données, des simulations informatiques de haute qualité créent des infos détaillées sur comment différentes positions du corps et vitesses affectent les forces d'interaction. Le processus implique d'améliorer continuellement notre compréhension grâce à une méthode appelée Apprentissage Actif, qui aide à automatiser la génération de données pour entraîner nos modèles prédictifs.

Utilisation de modèles du corps humain

Dans la conception des véhicules, on utilise des modèles virtuels du corps humain pour comprendre comment les gens se comportent dans différentes situations. Ces modèles sont cruciaux à toutes les étapes du développement. Un outil spécifique utilisé s'appelle RAMSIS, qui aide à prédire les positions du corps et les niveaux de confort.

Les simulations, surtout les méthodes des éléments finis, font maintenant partie des tests de sécurité pour les nouvelles voitures. Elles aident à évaluer comment bien le véhicule protège les piétons et les passagers lors des accidents.

Aperçu du projet : EMMA4Drive

Le projet EMMA4Drive vise à prévoir comment les gens vont se comporter en conduisant dans des véhicules fonctionnant de manière autonome. L'objectif est d'améliorer la sécurité et le confort en utilisant un modèle du corps humain qui peut imiter les mouvements réels.

En appliquant un contrôle optimal-essentiellement trouver la meilleure façon de bouger dans les limites-on peut faire en sorte que le modèle virtuel reproduise des actions humaines, comme tendre la main ou se décaler dans le siège. Ces mouvements impliquent un contact constant avec le siège du véhicule, qui doit être représenté de manière précise dans nos modèles.

Le rôle des interactions complexes

Lorsqu'on étudie comment les gens bougent à l'intérieur des véhicules, on doit reconnaître les interactions complexes entre le corps humain et le siège. Tout modèle de prédiction doit tenir compte de comment ces interactions affectent les mouvements et le confort. Pour y parvenir, on a développé un nouveau modèle qui capture ces interactions efficacement.

On utilise des données de simulations de haute qualité pour comprendre les forces entre le corps humain et le siège, ce qui nous aide à créer des prédictions plus précises.

Approche d'apprentissage actif

L'apprentissage actif est une technique où le modèle peut décider quelles nouvelles données demander pour mieux s'entraîner. Plutôt que de se fier à un ensemble de données fixe, le modèle peut activement chercher de nouvelles informations utiles à apprendre.

Dans notre cas, l'apprentissage actif génère des mouvements significatifs du corps humain par rapport au siège et utilise ces mouvements pour collecter des données sur les forces d'interaction. Cette méthode automatise ce qui nécessiterait normalement une collecte manuelle des données et aide à entraîner efficacement nos modèles prédictifs.

Preuve de concept

Pour montrer que cette approche fonctionne, on l'a testée avec un modèle simple d'une tête se déplaçant vers un appui-tête. Le mouvement de la tête est quelque chose que tout le monde fait, et comprendre cette action simple peut révéler des insights importants sur le confort et l'effort.

Même si ça a l'air simple, divers facteurs doivent être pris en compte, comme la force avec laquelle la tête touche l'appui-tête et l'amplitude du mouvement. Ces facteurs doivent être équilibrés pour garantir le confort sans trop de force.

Notre objectif était de démontrer l'efficacité de l'approche d'apprentissage actif dans un scénario simple tout en gardant nos calculs simples et efficaces.

Modèles multibody et éléments finis

Le modèle multibody qu'on a utilisé est basique mais efficace pour notre objectif. Il montre comment la tête bouge à l'aide d'un mécanisme d'articulation qui relie la tête et le cou. Ce mouvement est contrôlé par un actionneur de couple qui simule comment on tourne naturellement la tête.

Pour les simulations par éléments finis (FE), on a créé un modèle détaillé de la tête et de l'appui-tête. L'objectif était de calculer les forces lorsque la tête entre en contact avec l'appui-tête. Les modèles FE offrent un moyen précis de simuler comment différents matériaux se comportent dans diverses conditions, essentiel pour comprendre la sécurité dans les véhicules.

Les données de simulation nous permettent de recueillir des informations sur les forces d'interaction et les moments agissant sur la tête lorsqu'elle se rapproche de l'appui-tête.

Entraînement du modèle prédictif

Pour prédire comment ces interactions fonctionnent, on a formé un perceptron multicouche (MLP), un type de modèle d'apprentissage automatique. Ce modèle utilise divers inputs, comme la position, la vitesse et l'angle de la tête et de l'appui-tête, pour prédire les forces totales ressenties.

On a soigneusement divisé nos données de simulation en ensembles d'entraînement et de test pour évaluer la précision du modèle. Pendant qu'on l'entraîne, on surveille sa performance et on ajuste si nécessaire pour s'assurer qu'il apprend efficacement.

Mise en œuvre de la boucle d'apprentissage actif

La configuration d'apprentissage actif nous permet de raffiner continuellement notre modèle. En commençant avec un ensemble de données de base, on a formé notre modèle initial, puis généré de nouvelles données basées sur ses prédictions. Ces nouvelles données ont aidé à réentraîner le modèle et à améliorer la précision de manière itérative.

L'ensemble de données initial a été créé en utilisant un modèle de contact simple et raffiné au fil de plusieurs itérations. Chaque fois, le modèle a affiné ses prédictions en fonction des nouvelles données, conduisant à une meilleure performance avec le temps.

Résultats de l'approche d'apprentissage actif

Nos résultats de la boucle d'apprentissage actif montrent que la capacité du modèle à prédire les forces d'interaction s'améliore à chaque itération. Bien qu'il y ait eu des fluctuations dans la précision pendant le processus, la tendance générale indiquait une fiabilité accrue dans la capacité du modèle à reproduire les véritables interactions observées dans les simulations.

Le modèle est devenu adroit à prédire les forces de contact et les moments lors du mouvement de la tête, surtout dans les positions de repos. Cependant, il a montré un certain biais, sous-estimant parfois les forces lorsque la tête exerçait une pression plus forte contre l'appui-tête.

Conclusion

Cette étude met en lumière une nouvelle méthode pour générer des données d'entraînement pour des modèles qui simulent comment les gens interagissent avec les sièges de leur véhicule. En combinant l'apprentissage actif avec des simulations de haute qualité, on peut améliorer notre compréhension du comportement des passagers dans les véhicules autonomes.

Bien qu'il y ait des limitations, comme la nécessité de données initiales pour commencer le processus, les avantages de l'automatisation de la génération de données sont clairs. Les travaux futurs se concentreront sur le raffinement de cette méthode et son application à des modèles plus complexes, améliorant ainsi notre capacité à prédire efficacement le comportement des occupants.

Dans l'ensemble, cela représente un pas significatif vers l'amélioration de la conception des véhicules et du confort des occupants dans le paysage en évolution de la technologie de conduite autonome.

Source originale

Titre: Towards Using Active Learning Methods for Human-Seat Interactions To Generate Realistic Occupant Motion

Résumé: In the context of developing new vehicle concepts, especially autonomous vehicles with novel seating arrangements and occupant activities, predicting occupant motion can be a tool for ensuring safety and comfort. In this study, a data-driven surrogate contact model integrated into an optimal control framework to predict human occupant behavior during driving maneuvers is presented. High-fidelity finite element simulations are utilized to generate a dataset of interaction forces and moments for various human body configurations and velocities. To automate the generation of training data, an active learning approach is introduced, which iteratively queries the high-fidelity finite element simulation for an additional dataset. The feasibility and effectiveness of the proposed method are demonstrated through a case study of a head interaction with an automotive headrest, showing promising results in accurately replicating contact forces and moments while reducing manual effort.

Auteurs: Niklas Fahse, Monika Harant, Marius Obentheuer, Joachim Linn, Jörg Fehr

Dernière mise à jour: 2024-09-11 00:00:00

Langue: English

Source URL: https://arxiv.org/abs/2409.17163

Source PDF: https://arxiv.org/pdf/2409.17163

Licence: https://creativecommons.org/licenses/by-sa/4.0/

Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.

Merci à arxiv pour l'utilisation de son interopérabilité en libre accès.

Articles similaires

Apprentissage automatiqueAméliorer les réseaux de neurones informés par la physique avec des fonctions d'influence

Recherche mettant en avant l'utilisation des fonctions d'influence pour améliorer la performance des PINN dans les problèmes de physique.

Jonas R. Naujoks, Aleksander Krasowski, Moritz Weckbecker

― 8 min lire