Injury Assessment in Non-Standard Seating Configurations in Highly Automated Vehicles Using Digital Twin and Active Learning

Abstract

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.