Simple Science

Ciência de ponta explicada de forma simples

# Matemática# Robótica# Sistemas Dinâmicos

Previsão do Comportamento dos Passageiros em Carros Autônomos

Novos métodos visam aumentar a segurança e o conforto em veículos autônomos.

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

― 7 min ler


Comportamento dosComportamento dosPassageiros em VeículosAutônomosmovimentos em carros autônomos.Métodos inovadores para prever
Índice

Enquanto pensamos sobre como os carros vão mudar no futuro, especialmente com os veículos autônomos, garantir que os passageiros estejam seguros e confortáveis é super importante. Uma nova abordagem nos permite prever como as pessoas vão se mover nesses veículos, ajudando a criar melhores assentos e layouts.

A Necessidade de Prever o Movimento dos Ocupantes

Quando estamos criando novos veículos, especialmente os que dirigem sozinhos, precisamos pensar em como as pessoas dentro vão agir e se mover. Isso é crucial para a segurança e o conforto. Ao prever como as pessoas vão se ajeitar nos assentos durante diferentes situações de direção, podemos criar ambientes que se adaptam aos movimentos delas.

Desenvolvendo um Novo Método de Previsão

Esse estudo apresenta um método que usa dados de simulações para prever como as pessoas se comportam em veículos. Estudando as interações entre uma pessoa e o assento, conseguimos juntar dados sobre como as forças atuam durante situações como fazer curva ou parar.

Para coletar esses dados, simulações de computador de alta qualidade criam informações detalhadas sobre como diferentes posições e velocidades corporais afetam as forças de interação. O processo envolve melhorar continuamente nosso entendimento por meio de um método chamado Aprendizado Ativo, que ajuda a automatizar como geramos dados para treinar nossos modelos preditivos.

Usando Modelos do Corpo Humano

Na hora de desenhar veículos, usamos modelos virtuais do corpo humano para entender como as pessoas se comportam em diferentes situações. Esses modelos são fundamentais em todas as fases do desenvolvimento. Uma ferramenta específica usada é o RAMSIS, que ajuda a prever as posições do corpo e os níveis de conforto.

Simulações, especialmente métodos de Elementos Finitos, agora fazem parte dos testes de segurança para novos carros. Elas ajudam a avaliar o quão bem o veículo protege pedestres e passageiros durante acidentes.

Visão Geral do Projeto: EMMA4Drive

O projeto EMMA4Drive busca prever como as pessoas vão se comportar enquanto dirigem em veículos que funcionam autonomamente. O objetivo é aumentar a segurança e o conforto usando um modelo do corpo humano que possa imitar movimentos da vida real.

Aplicando controle ótimo-basicamente descobrir a melhor forma de se mover dentro das limitações-podemos fazer o modelo virtual copiar ações humanas, como alcançar algo ou se ajeitar no assento. Esses movimentos envolvem contato constante com o assento do veículo, que deve ser representado com precisão em nossos modelos.

O Papel das Interações Complexas

Quando estudamos como as pessoas se movem dentro dos veículos, precisamos reconhecer as interações complexas entre o corpo humano e o assento. Qualquer modelo preditivo deve considerar como essas interações afetam os movimentos e o conforto. Para isso, desenvolvemos um novo modelo que captura essas interações de forma eficaz.

Usamos dados de simulações de alta qualidade para entender as forças entre o corpo humano e o assento, o que nos ajuda a criar previsões mais precisas.

Abordagem de Aprendizado Ativo

Aprendizado ativo é uma técnica onde o modelo pode decidir quais novos dados pedir para melhorar o treinamento. Em vez de contar apenas com um conjunto fixo de dados, o modelo pode buscar ativamente novas informações úteis para aprender.

No nosso caso, o aprendizado ativo gera movimentos significativos do corpo humano em relação ao assento e usa esses movimentos para coletar dados sobre as forças de interação. Esse método automatiza o que normalmente exigiria coleta manual de dados e ajuda a treinar nossos modelos preditivos de forma eficiente.

Prova de Conceito

Para mostrar que essa abordagem funciona, testamos com um modelo simples de uma cabeça se movendo em direção a um apoio de cabeça. O ato de mover a cabeça é algo que todos fazemos, e entender essa ação simples pode revelar insights importantes sobre conforto e esforço.

Embora isso pareça simples, vários fatores precisam de atenção, como o quão forte a cabeça toca no apoio de cabeça e quanto a cabeça se move. Esses fatores precisam ser equilibrados para garantir conforto sem força excessiva.

Nosso objetivo era demonstrar a eficácia da abordagem de aprendizado ativo em um cenário direto enquanto mantivemos nossos cálculos simples e eficientes.

Modelos Multicorpo e de Elementos Finitos

O modelo multicorpo que usamos é básico, mas eficaz para nosso propósito. Ele mostra como a cabeça se move usando um mecanismo de junta que conecta a cabeça e o pescoço. Esse movimento é controlado com um atuador de torque que simula como naturalmente giramos a cabeça.

Para as simulações de elementos finitos (FE), criamos um modelo detalhado da cabeça e do apoio de cabeça. O objetivo era calcular as forças quando a cabeça faz contato com o apoio de cabeça. Modelos FE fornecem uma maneira precisa de simular como diferentes materiais se comportam sob várias condições, crucial para entender a segurança nos veículos.

Os dados da simulação permitem que a gente colete insights sobre as forças de interação e momentos que atuam na cabeça enquanto ela se move em direção ao apoio de cabeça.

Treinando o Modelo Preditivo

Para prever como essas interações se comportam, treinamos um perceptron de múltiplas camadas (MLP), um tipo de modelo de aprendizado de máquina. Esse modelo usa várias entradas, como a posição, velocidade e ângulo da cabeça e do apoio de cabeça, para prever as forças totais sentidas.

Dividimos cuidadosamente nossos dados de simulação em conjuntos de treinamento e teste para avaliar a precisão do modelo. Enquanto o treinamos, monitoramos seu desempenho e ajustamos conforme necessário para garantir que ele aprenda de forma eficaz.

Implementando o Ciclo de Aprendizado Ativo

A configuração de aprendizado ativo nos permite refinar nosso modelo continuamente. Começando com um conjunto de dados básico, treinamos nosso modelo inicial, depois geramos novos dados com base em suas previsões. Esses novos dados ajudaram a retreinar o modelo e aumentar a precisão de forma iterativa.

O conjunto de dados inicial foi criado usando um modelo de contato simples e refinado ao longo de várias iterações. Cada vez, o modelo aprimorou suas previsões com base em novos dados, levando a um desempenho melhor com o tempo.

Resultados da Abordagem de Aprendizado Ativo

Nossos resultados do ciclo de aprendizado ativo mostram que a capacidade do modelo de prever forças de interação melhora a cada iteração. Embora tenha havido flutuações na precisão durante o processo, a tendência geral indicou um aumento na confiabilidade da capacidade do modelo de replicar interações reais vistas em simulações.

O modelo se tornou hábil em prever forças de contato e momentos durante o movimento da cabeça, especialmente em posições de descanso. No entanto, ele mostrou algum viés, às vezes subestimando forças quando a cabeça aplicava uma pressão maior contra o apoio de cabeça.

Conclusão

Esse estudo destaca um novo método para gerar dados de treinamento para modelos que simulam como as pessoas interagem com os assentos dos veículos. Ao combinar aprendizado ativo com simulações de alta qualidade, podemos melhorar nosso entendimento do comportamento dos passageiros em veículos autônomos.

Embora existam limitações, como a necessidade de dados iniciais para começar o processo, os benefícios de automatizar a geração de dados são claros. Trabalhos futuros vão se concentrar em refinar esse método e aplicá-lo a modelos mais complexos, aprimorando nossa capacidade de prever o comportamento dos ocupantes de forma eficaz.

No geral, isso representa um grande passo para melhorar o design dos veículos e o conforto dos ocupantes no cenário em evolução da tecnologia de direção autônoma.

Fonte original

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

Resumo: 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.

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

Última atualização: 2024-09-11 00:00:00

Idioma: English

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

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

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

Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.

Obrigado ao arxiv pela utilização da sua interoperabilidade de acesso aberto.

Artigos semelhantes