| Název: | Injury Assessment in Non-Standard Seating Configurations in Highly Automated Vehicles Using Digital Twin and Active Learning |
| Další názvy: | Posouzení zranění v nestandardních konfiguracích sedadel ve vysoce automatizovaných vozidlech s využitím digitálního dvojčete a aktivního učení |
| Autoři: | Hynčík, Luděk Talimian, Abbas Vychytil, Jan Kleindienst, Jan Gharbi, Slim Ziazopoulos, Pantelis |
| Citace zdrojového dokumentu: | HYNČÍK, L. TALIMIAN, A. VYCHYTIL, J. KLEINDIENST, J. GHARBI, S. ZIAZOPOULOS, P. Injury Assessment in Non-Standard Seating Configurations in Highly Automated Vehicles Using Digital Twin and Active Learning. In World Congress Experience, WCX 2023. Detroit: SAE Technical Papers, 2023. s. nestránkováno. ISBN: neuvedeno , ISSN: 0148-7191 |
| Datum vydání: | 2023 |
| Nakladatel: | SAE Technical Papers |
| Typ dokumentu: | konferenční příspěvek ConferenceObject |
| URI: | 2-s2.0-85160710470 http://hdl.handle.net/11025/54839 |
| ISSN: | 0148-7191 |
| Klíčová slova v dalším jazyce: | automated vehicle;interior safety;human body;digital twin;non-standard seating configuration |
| Abstrakt: | Jeden z budoucích trendů mobility je nahradit vozidla řízená člověkem vysoce automatizovanými vozidly. I když systémy aktivní bezpečnosti vysoce automatizovaných vozidel mohou chránit před nehodami mezi automatizovanými vozidly, dopravní mix mezi vozidly řízenými lidmi a vysoce automatizovanými vozidly je stále potenciálním zdrojem kolizí vozidel. Cestující ve vysoce automatizovaných vozidlech se již nemusí nutně zabývat řízením, takže zde bude značný počet nestandardních konfigurací sedadel. Tyto konfigurace nelze z důvodu jejich počtu, variability a složitosti posoudit z hlediska bezpečnosti hardwarovým testováním. Cílem článku je vývoj rychlého virtuálního přístupu k identifikaci rizika zranění cestujících v nestandardních konfiguracích sedadel při různých scénářích dopadu a závažnosti. Nasazujeme koncept náhradního modelování, kde představujeme digitální dvojče pro očekávané automatizované interiéry vozidel. Nestandardní konfigurace sedadel představuje zjednodušený model čtyř sedadel umístěných ve vozidle. Tato sedadla jsou obsazena již vyvinutým škálovatelným modelem lidského těla představujícím cestující s variabilní antropometrií. Díky zjednodušení interiéru vozidla a hybridnímu modelu lidského těla lze spustit tisíce simulací predikujících poranění. Na základě numerických simulací popisujících scénáře nárazu aktivně učí použitý model umělé inteligence digitální dvojče, aby rychle aproximovalo predikci rizika zranění pro velké množství možných scénářů havárie. |
| Abstrakt v dalším jazyce: | Human-driven vehicles are going to be replaced by highly automated vehicles as one of the future mobility trends. Even though highly automated vehicles’ active safety systems can protect against vehicle-to-vehicle accidents, the traffic mix between human-driven vehicles and highly automated vehicles is still a potential source of vehicle collisions. Additionally, occupants in highly automated vehicles will be passengers not necessarily dealing with driving anymore, so there will be a considerable number of non-standard seating configurations. Those configurations are not able to be assessed for safety by hardware testing due to their number, variability and complexity. The objective of the paper is the development of a fast virtual approach to identify the passengers’ injury risk in non-standard seating configurations under multi-directional impact scenarios and severity. We deploy the concept of surrogate modeling, where we introduce a digital twin for the expected automated vehicle interiors. Non-standard seating configurations are represented by a simplified model of four seats located in the vehicle. These seats are occupied by a previously developed scalable human body model representing passengers of variable anthropometry. Thanks to the vehicle interior simplification and the hybrid human body model, thousands of simulations describing the impacts identified can be run. Based on the numerical simulations describing impact scenarios, a fast and lean artificial intelligence model actively learns a digital twin to approximate injury risk predictions for a huge number of possible crash scenarios fast. |
| Práva: | Plný text není přístupný © SAE International |
| Vyskytuje se v kolekcích: | Konferenční příspěvky / Conference papers OBD |
Soubory připojené k záznamu:
| Soubor | Velikost | Formát | |
|---|---|---|---|
| Hyncik_2023_Injury_Assessment_in_Non_Standard_Seating_Configurations_2023-01-0006.pdf | 2,56 MB | Adobe PDF | Zobrazit/otevřít Vyžádat kopii |
Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam:
http://hdl.handle.net/11025/54839Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.