Prevedere il Comportamento dei Passeggeri nelle Auto a Guida Autonoma
Nuovi metodi puntano a migliorare la sicurezza e il comfort nei veicoli autonomi.
Niklas Fahse, Monika Harant, Marius Obentheuer, Joachim Linn, Jörg Fehr
― 7 leggere min
Indice
- La Necessità di Prevedere il Movimento degli Occupanti
- Sviluppo di un Nuovo Metodo di Previsione
- Utilizzo di Modelli del Corpo Umano
- Panoramica del Progetto: EMMA4Drive
- Il Ruolo delle Interazioni Complesse
- Approccio di Apprendimento Attivo
- Prova di Concetto
- Modelli Multibody e agli Elementi Finiti
- Addestramento del Modello Predittivo
- Implementazione del Ciclo di Apprendimento Attivo
- Risultati dell'Approccio di Apprendimento Attivo
- Conclusione
- Fonte originale
- Link di riferimento
Mentre pensiamo a come cambieranno le auto in futuro, soprattutto con i veicoli a guida autonoma, è super importante garantire che i passeggeri siano al sicuro e comodi. Un nuovo approccio ci permette di prevedere come le persone si muoveranno in questi veicoli, il che aiuta a progettare posti a sedere e layout migliori.
La Necessità di Prevedere il Movimento degli Occupanti
Quando si progettano nuovi veicoli, specialmente quelli che si guidano da soli, dobbiamo pensare a come si comporteranno e si muoveranno le persone all'interno. Questo è cruciale per la sicurezza e il comfort. Prevedendo come le persone si sposteranno nei loro posti durante le varie situazioni di guida, possiamo creare ambienti che si adattano ai loro movimenti.
Sviluppo di un Nuovo Metodo di Previsione
Questo studio introduce un metodo che usa i dati delle simulazioni per prevedere come le persone si comportano nei veicoli. Studiando le interazioni tra una persona e il sedile, possiamo raccogliere dati su come le forze agiscono su di loro durante situazioni come curve o fermate.
Per raccogliere questi dati, simulazioni informatiche di alta qualità creano informazioni dettagliate su come le diverse posizioni del corpo e velocità influenzano le forze di interazione. Il processo coinvolge un miglioramento continuo della nostra comprensione attraverso un metodo chiamato Apprendimento Attivo, che aiuta ad automatizzare come generiamo dati per addestrare i nostri modelli predittivi.
Modelli del Corpo Umano
Utilizzo diNella progettazione dei veicoli, usiamo modelli virtuali del corpo umano per capire come si comportano le persone in diverse situazioni. Questi modelli sono cruciali in tutte le fasi dello sviluppo. Uno strumento specifico usato è chiamato RAMSIS, che aiuta a prevedere le posizioni del corpo e i livelli di comfort.
Le simulazioni, specialmente i metodi agli Elementi Finiti, sono ora parte dei test di sicurezza per le nuove auto. Aiutano a valutare quanto bene il veicolo protegge pedoni e passeggeri durante gli incidenti.
Panoramica del Progetto: EMMA4Drive
Il progetto EMMA4Drive ha come obiettivo prevedere come le persone si comporteranno mentre guidano veicoli che funzionano autonomamente. Lo scopo è migliorare la sicurezza e il comfort utilizzando un modello del corpo umano che può mimare i movimenti della vita reale.
Applicando il controllo ottimale-fondamentalmente capire il modo migliore di muoversi entro certi limiti-possiamo far sì che il modello virtuale copi le azioni umane, come allungarsi per prendere qualcosa o spostarsi nel sedile. Questi movimenti comportano un contatto continuo con il sedile del veicolo, che deve essere rappresentato accuratamente nei nostri modelli.
Il Ruolo delle Interazioni Complesse
Quando studiamo come le persone si muovono all'interno dei veicoli, dobbiamo riconoscere le interazioni complesse tra il corpo umano e il sedile. Qualsiasi modello predittivo deve considerare come queste interazioni influenzano i movimenti e il comfort. Per realizzarlo, abbiamo sviluppato un nuovo modello che cattura efficacemente queste interazioni.
Utilizziamo dati da simulazioni di alta qualità per comprendere le forze tra il corpo umano e il sedile, il che ci aiuta a creare previsioni più accurate.
Approccio di Apprendimento Attivo
L'apprendimento attivo è una tecnica in cui il modello può decidere quali nuovi dati richiedere per un miglior addestramento. Invece di fare affidamento su un insieme fisso di dati, il modello può cercare attivamente nuove e utili informazioni da cui apprendere.
Nel nostro caso, l'apprendimento attivo genera movimenti significativi del corpo umano in relazione al sedile e utilizza questi movimenti per raccogliere dati sulle forze di interazione. Questo metodo automatizza ciò che di solito richiederebbe una raccolta di dati manuale e aiuta ad addestrare i nostri modelli predittivi in modo efficiente.
Prova di Concetto
Per dimostrare che questo approccio funziona, lo abbiamo testato con un modello semplice di una testa che si muove verso un poggiatesta. Il compito di muovere la testa è qualcosa che facciamo tutti, e comprendere questa azione semplice può rivelare importanti intuizioni sul comfort e lo sforzo.
Anche se sembra semplice, ci sono vari fattori da considerare, come quanto forte la testa tocca il poggiatesta e quanto si muove. Questi fattori devono essere bilanciati per garantire comfort senza forzature eccessive.
Il nostro obiettivo era dimostrare l'efficacia dell'approccio di apprendimento attivo in uno scenario semplice, mantenendo i nostri calcoli semplici ed efficienti.
Modelli Multibody e agli Elementi Finiti
Il modello multibody che abbiamo usato è basilare ma efficace per il nostro scopo. Mostra come la testa si muove usando un meccanismo articolato che collega testa e collo. Questo movimento è controllato con un attuatore di coppia che simula come naturalmente giriamo la testa.
Per le simulazioni agli elementi finiti (FE), abbiamo creato un modello dettagliato della testa e del poggiatesta. L'obiettivo era calcolare le forze quando la testa entra in contatto con il poggiatesta. I modelli FE forniscono un modo accurato per simulare come si comportano i diversi materiali in varie condizioni, cruciale per capire la sicurezza nei veicoli.
I dati della simulazione ci permettono di raccogliere intuizioni sulle forze e i momenti di interazione che agiscono sulla testa mentre si muove verso il poggiatesta.
Addestramento del Modello Predittivo
Per prevedere come si comportano queste interazioni, abbiamo addestrato un percettrone multilayer (MLP), un tipo di modello di apprendimento automatico. Questo modello utilizza vari ingressi, come la posizione, la velocità e l'angolo della testa e del poggiatesta, per prevedere le forze totali subite.
Abbiamo accuratamente diviso i nostri dati di simulazione in set di addestramento e test per valutare l'accuratezza del modello. Mentre lo addestriamo, monitoriamo le sue prestazioni e aggiustiamo come necessario per garantire che apprenda in modo efficace.
Implementazione del Ciclo di Apprendimento Attivo
Il setup di apprendimento attivo ci permette di affinare continuamente il nostro modello. Partendo da un set di dati di base, abbiamo addestrato il nostro modello iniziale, poi generato nuovi dati basati sulle sue previsioni. Questi nuovi dati ci hanno aiutato a riaddestrare il modello e migliorare iterativamente l'accuratezza.
Il set di dati iniziale è stato creato utilizzando un semplice modello di contatto e perfezionato attraverso diverse iterazioni. Ogni volta, il modello ha affinato le sue previsioni basandosi su nuovi dati, portando a prestazioni migliori nel tempo.
Risultati dell'Approccio di Apprendimento Attivo
I risultati del nostro ciclo di apprendimento attivo mostrano che la capacità del modello di prevedere le forze di interazione migliora con ogni iterazione. Sebbene ci siano state fluttuazioni nell'accuratezza durante il processo, la tendenza generale indica un aumento dell'affidabilità nella capacità del modello di replicare interazioni reali viste nelle simulazioni.
Il modello è diventato esperto nel prevedere le forze di contatto e i momenti durante il movimento della testa, specialmente nelle posizioni di riposo. Tuttavia, ha mostrato alcune inclinazioni, a volte sottovalutando le forze quando la testa esercitava maggiore pressione contro il poggiatesta.
Conclusione
Questo studio mette in evidenza un nuovo metodo per generare dati di addestramento per modelli che simulano come le persone interagiscono con i sedili dei loro veicoli. Combinando apprendimento attivo con simulazioni di alta qualità, possiamo migliorare la nostra comprensione del comportamento dei passeggeri nei veicoli autonomi.
Anche se ci sono limitazioni, come la necessità di dati iniziali per avviare il processo, i vantaggi dell'automazione nella generazione dei dati sono chiari. Lavori futuri si concentreranno sul perfezionamento di questo metodo e sulla sua applicazione a modelli più complessi, migliorando la nostra capacità di prevedere il comportamento degli occupanti in modo efficace.
In generale, questo rappresenta un passo significativo verso il miglioramento della progettazione dei veicoli e del comfort degli occupanti nel panorama in evoluzione della tecnologia di guida autonoma.
Titolo: Towards Using Active Learning Methods for Human-Seat Interactions To Generate Realistic Occupant Motion
Estratto: 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.
Autori: Niklas Fahse, Monika Harant, Marius Obentheuer, Joachim Linn, Jörg Fehr
Ultimo aggiornamento: 2024-09-11 00:00:00
Lingua: English
URL di origine: https://arxiv.org/abs/2409.17163
Fonte PDF: https://arxiv.org/pdf/2409.17163
Licenza: https://creativecommons.org/licenses/by-sa/4.0/
Modifiche: Questa sintesi è stata creata con l'assistenza di AI e potrebbe presentare delle imprecisioni. Per informazioni accurate, consultare i documenti originali collegati qui.
Si ringrazia arxiv per l'utilizzo della sua interoperabilità ad accesso aperto.