一种行人车辆碰撞损伤预测模型的构建方法及相关产品与流程

本技术涉及计算机，具体涉及一种行人车辆碰撞损伤预测模型的构建方法及相关产品。

背景技术：

1、行人保护是汽车被动安全的重要评价维度，中国新车评价规程（china-new carassessment program，c-ncap）和欧洲新车评价规程（european new car assessmentprogram，euroncap）等权威安全法规对车辆行人头部、腿部碰撞防护性能均设有明确评价指标与限值要求。传统行人碰撞性能开发流程中，技术人员需依托ls-dyna等计算机辅助工程（computer-aided engineering，cae）仿真软件完成整车与行人冲击器模型搭建、几何清理、网格划分、材料参数定义、接触关系设置等一系列复杂前处理工作后，方可提交仿真求解，整套流程不仅操作繁琐、人工依赖度高，且单次碰撞仿真计算耗时长达数小时至数天，传统cae仿真建模求解的开发方式因流程冗余复杂、仿真周期冗长，整体迭代效率极低，难以适配车辆行人保护性能快速迭代优化的开发需求。

2、因此，如何降低行人碰撞损伤性能评估的人工开销与时间开销，实现行人碰撞损伤工况的高效精准预测与快速迭代优化，是本领域技术人员急需解决的技术问题。

技术实现思路

1、基于上述问题，本技术提供了一种行人车辆碰撞损伤预测模型的构建方法及相关产品，可以降低行人碰撞损伤性能评估的人工开销与时间开销，实现行人碰撞损伤工况的高效精准预测与快速迭代优化。

2、本技术实施例公开了如下技术方案：

3、一种行人车辆碰撞损伤预测模型的构建方法，所述方法包括：

4、获取碰撞损伤类型对应的标注有损伤标签的输入特征样本；所述碰撞损伤类型包括头部碰撞损伤和腿部碰撞损伤；

5、对所述输入特征样本以及所述输入特征样本对应的损伤标签进行数据预处理得到标准化数据集，并将所述标准化数据集拆分为头部碰撞损伤样本子集和腿部碰撞损伤样本子集；

6、分别对所述头部碰撞损伤样本子集和所述腿部碰撞损伤样本子集进行划分，得到所述头部碰撞损伤和所述腿部碰撞损伤各自对应的训练集、验证集以及用于条件共形预测的校准集；

7、基于所述头部碰撞损伤子数据集的训练集和验证集训练第一代理模型得到第一初始预测模型，基于所述腿部碰撞损伤子数据集的训练集和验证集训练第二代理模型得到第二初始预测模型；

8、基于所述头部碰撞损伤子数据集的校准集对所述第一初始预测模型进行条件共形预测校准与不确定性筛选得到第一候选样本集，基于所述腿部碰撞损伤子数据集的校准集对所述第二初始预测模型进行条件共形预测校准与不确定性筛选得到第二候选样本集；

9、基于所述第一候选样本集对所述第一初始预测模型进行主动学习迭代优化得到头部碰撞损伤预测模型，基于所述第二候选样本集对所述第二初始预测模型进行主动学习迭代优化得到腿部碰撞损伤预测模型。

10、在一种可能的实现方式中，所述基于所述头部碰撞损伤子数据集的校准集对所述第一初始预测模型进行条件共形预测校准与不确定性筛选得到第一候选样本集，包括：

11、将所述头部碰撞损伤子数据集的校准集中的输入特征样本依次作为目标样本；

12、获取所述目标样本局部邻域内的邻近样本，并将所述目标样本和各个邻近样本分别输入所述第一初始预测模型得到所述目标样本和各个邻近样本对应的点预测值；

13、基于各个邻近样本对应的点预测值和条件误差分位数分别生成各个邻近样本对应的条件预测区间，并基于所述各个邻近样本对应的条件预测区间计算所述目标样本的认知不确定性；所述条件误差分位数基于所述校准集对应的所有点预测值和所有点预测值对应的损伤标签通过分位数回归模型进行训练拟合得到；所述认知不确定性由所述目标样本局部邻域内预测区间宽度的离散程度表征；所述目标样本局部邻域内预测区间宽度由各个邻近样本对应的条件预测区间计算得到；

14、对所述目标样本的输入特征进行波动正向传递分析，求解得到所述目标样本对应的随机不确定性；

15、若所述认知不确定性较高、所述随机不确定性较高和/或所述目标样本的点预测损伤值大于或等于损伤关键阈值，则标记所述目标样本对应的输入特征样本为关键候选样本；其中，当所述目标样本局部邻域内预测区间宽度的离散程度大于离散度阈值时，确定所述认知不确定性较高；当所述随机不确定性大于随机不确定性阈值时，确定所述随机不确定性较高；

16、将所有关键候选样本进行汇总得到第一候选样本集。

17、在一种可能的实现方式中，所述条件预测区间的计算公式，如下：

18、；

19、其中，为条件预测区间，在任意输入x处满足覆盖率，y为样本对应的损伤标签，α为预设显著性参数；x为样本；为样本的点预测值；为所述条件误差分位数。

20、在一种可能的实现方式中，所述基于所述第一候选样本集对所述第一初始预测模型进行主动学习迭代优化得到头部碰撞损伤预测模型，包括：

21、在所述第一候选样本集内筛选出最优补充样本点；

22、将携带有损伤标签的所述最优补充样本点并入训练样本集，得到更新后的训练样本集；

23、利用所述更新后的训练样本集对所述第一初始预测模型进行参数迭代优化，并基于每次优化后的第一初始预测模型循环执行所述基于所述头部碰撞损伤子数据集的校准集对所述第一初始预测模型进行条件共形预测校准与不确定性筛选得到第一候选样本集以及后续步骤，直至满足预设迭代停止条件则停止。

24、在一种可能的实现方式中，所述最优补充样本点的筛选公式，如下：

25、；

26、其中，为所述最优补充样本点；为所述第一候选样本集或第二候选样本集；为第一初始预测模型或第二初始预测模型对输入工况x的预测均值；为模型预测方差；为用于强化高不确定性区域采样权重的加权函数。

27、在一种可能的实现方式中，所述预设迭代停止条件为：目标样本局部邻域内预测区间宽度的离散程度小于离散度阈值且目标样本的随机不确定性小于随机不确定性阈值，或基于更新后的训练样本集优化后的第一初始预测模型的预测精度提升幅度小于精度阈值。

28、在一种可能的实现方式中，所述第一代理模型为pointnet++与多层感知机相融合的模型，所述第二代理模型为tabnet模型；代理模型的训练过程采用optuna框架开展贝叶斯超参数优化，并采用4折交叉验证评估代理模型的泛化性能。

29、在一种可能的实现方式中，所述方法还包括：

30、获取待评估碰撞输入特征；

31、若所述待评估碰撞输入特征的碰撞损伤类型为所述头部碰撞损伤，则将所述待评估碰撞输入特征输入到所述头部碰撞损伤预测模型进行头部碰撞损伤预测，得到头部点预测损伤结果，并基于所述头部点预测损伤结果对所述待评估碰撞输入特征进行共形预测计算、认知不确定性计算以及特征波动正向传递分析，得到条件预测区间、认知不确定性评级和随机不确定性评级；

32、若所述待评估碰撞输入特征的碰撞损伤类型为所述腿部碰撞损伤，则将所述待评估碰撞输入特征输入到所述腿部碰撞损伤预测模型进行腿部碰撞损伤预测，得到腿部点预测损伤结果，并基于所述腿部点预测损伤结果对所述待评估碰撞输入特征进行共形预测计算、认知不确定性计算以及特征波动正向传递分析，得到条件预测区间、认知不确定性评级和随机不确定性评级。

33、一种行人车辆碰撞损伤预测模型的构建装置，所述装置包括：

34、样本获取单元，用于获取碰撞损伤类型对应的标注有损伤标签的输入特征样本；所述碰撞损伤类型包括头部碰撞损伤和腿部碰撞损伤；

35、数据预处理单元，用于对所述输入特征样本以及所述输入特征样本对应的损伤标签进行数据预处理得到标准化数据集；

36、数据集拆分单元，用于将所述标准化数据集拆分为头部碰撞损伤样本子集和腿部碰撞损伤样本子集；

37、数据集划分单元，用于分别对所述头部碰撞损伤样本子集和所述腿部碰撞损伤样本子集进行划分，得到所述头部碰撞损伤和所述腿部碰撞损伤各自对应的训练集、验证集以及用于条件共形预测的校准集；

38、第一模型训练单元，用于基于所述头部碰撞损伤子数据集的训练集和验证集训练第一代理模型得到第一初始预测模型；

39、第二模型训练单元，用于基于所述腿部碰撞损伤子数据集的训练集和验证集训练第二代理模型得到第二初始预测模型；

40、第一候选集生成单元，用于基于所述头部碰撞损伤子数据集的校准集对所述第一初始预测模型进行条件共形预测校准与不确定性筛选得到第一候选样本集；

41、第二候选集生成单元，用于基于所述腿部碰撞损伤子数据集的校准集对所述第二初始预测模型进行条件共形预测校准与不确定性筛选得到第二候选样本集；

42、第一迭代优化单元，用于基于所述第一候选样本集对所述第一初始预测模型进行主动学习迭代优化得到头部碰撞损伤预测模型；

43、第二迭代优化单元，用于基于所述第二候选样本集对所述第二初始预测模型进行主动学习迭代优化得到腿部碰撞损伤预测模型。

44、一种行人车辆碰撞损伤预测模型的构建设备，包括：存储器，处理器，及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上所述的行人车辆碰撞损伤预测模型的构建方法。

45、相较于现有技术，本技术具有以下有益效果：

46、本技术提供了一种行人车辆碰撞损伤预测模型的构建方法及相关产品。具体地，在执行本技术实施例提供的行人车辆碰撞损伤预测模型的构建方法时，先获取带有损伤标签的输入特征样本，经数据预处理后按照头部、腿部碰撞损伤类型拆分得到对应的样本子集，再对两类样本子集分别划分出训练集、验证集以及用于条件共形预测的校准集。利用训练集与验证集分类型训练生成头部、腿部对应的初始代理模型。然后利用校准集完成条件共形预测校准，结合认知不确定性与随机不确定性开展确定性的工况筛选，得到对应的候选样本集。最后用候选样本集驱动初始预测模型完成主动学习迭代优化，分别输出头部碰撞损伤预测模型与腿部碰撞损伤预测模型。本技术不再依赖繁复的仿真建模求解流程，以数据驱动代理模型实现损伤预测，同时摒弃随机采样模式，依靠量化的双不确定性指标定向筛选高价值工况，让模型迭代聚焦预测可信度不足的样本，既降低人工成本与时间开销，又提升模型优化的可复现性与训练效率，从而更好地满足车辆行人保护性能快速迭代优化的开发需求。