科创中国

行业领域

电子信息技术

需求背景

  C-NCAP及中保研安全指数C-IASI均对车辆的行人保护提出了明确的测试方法和等级评定规则，即汽车制造商提供头部保护性能得分图谱，检测机构从大概200个试验点（大多数分布在机罩上）中随机抽取少量的试验点进行测试，以评估整个车辆的头部得分并评定等级。

     车辆制造商在行人保护性能开发中，一个项目要达成C-NCAP行人保护五星或中保研“G”,需要消耗机罩70个，头型试验200次左右，验证用时1个半月以上。虽有CAE仿真分析和试验验证手段，但受制于CAE分析精度、试验样件资源、项目开发周期等原因，不可能对所有试验点都进行试验，能做重复性验证的试验点更是极少。即便是投入了如此大的人力和样件资源，最终向检测机构提供的得分图谱仍存在未知的不确定性（是否会出现跳色？），增加目标达成的风险。

      因此，希望从大数据分析、试验方法创新等方向进行攻关，达到如下期望：

      机罩头型试验点的数量控制在60个以内，机罩消耗量小于25个；

      预测单个试验点结果HIC的波动范围，精度90%以上；

      计算头部得分图谱中罩板点的跳色概率。

需解决的主要技术难题

基于大数据车外行人头部碰撞伤害预测算法开发需要解决以下技术难题：

1. 数据采集和处理：需要收集大量的车外行人头部碰撞伤害相关数据，包括事故发生时的车速、行人的位置、速度、行走方向等信息。同时，需要对数据进行清洗、去噪和特征提取等预处理工作。

2. 特征选择和提取：需要确定哪些特征对于头部碰撞伤害的预测具有重要影响。可能需要考虑行人的身高、体重、年龄、性别等个人特征，以及车辆的速度、撞击角度等环境特征。

3. 模型选择和训练：需要选择合适的机器学习或深度学习算法来构建预测模型。可能需要尝试不同的算法，如决策树、支持向量机、神经网络等，并进行模型训练和参数调优。

4. 数据不平衡问题：由于车外行人头部碰撞伤害的发生相对较少，数据可能存在不平衡问题。需要采用合适的采样方法或模型调整技术来解决数据不平衡问题，以提高预测模型的准确性。

5. 模型评估和验证：需要对开发的预测模型进行评估和验证，以确保其准确性和可靠性。可能需要使用交叉验证、ROC曲线、精确度、召回率等指标来评估模型的性能。

6. 实时性和效率：对于车外行人头部碰撞伤害预测算法的应用，需要考虑实时性和效率的要求。算法需要在短时间内进行预测，并能够在实时环境中高效运行。

7. 隐私和安全性：在数据采集和处理过程中，需要保护个人隐私和数据安全。需要采取合适的数据加密、权限控制和安全传输等措施，确保数据的安全性和隐私性。

解决这些技术难题需要综合运用数据科学、机器学习、深度学习、数据挖掘等相关领域的知识和技术。同时，需要与行业专家、数据科学家和工程师进行合作，共同解决问题。

期望实现的主要技术目标

本项目完成后，单个项目预期成果及效益如下：

      对于汽车制造商：大幅降低行人保护头型试验验证成本，缩减140次头型试验，节创价值112万元；缩短行人保护试验验证时间20天以上；提高得分图谱的精确性，降低了性能目标达成风险。

      对于检测机构：新技术的出现将促进检测机构重新评估当前的行人保护头型检测规则，推动检测技术的进步。

      推动汽车安全检测技术向低耗、高效、智能化方向发展。

处理进度