一种利用深度学习和车辆建模技术开发的行人头部损伤评估预测方法

《Engineering Applications of Artificial Intelligence》：A development of prediction method for pedestrian head injury criterion using deep learning and vehicle drawing

　　金贤硕 | 朴明宇 | 朴成坤
韩国SK宽带公司研发团队

**摘要**
本文提出了一种基于人工智能（AI）的深度学习框架，用于估算行人-车辆碰撞场景中的头部损伤标准（Head Injury Criterion, HIC）。在传统的车辆开发过程中，HIC值通常通过使用原型车头部的物理碰撞测试或计算密集型的分析方法（如有限元分析）来评估。然而，这些方法耗时、资源密集，并且在车辆设计的早期阶段往往不切实际，因为此时既没有物理原型也没有高保真度的模拟可用。为了解决这些限制，我们提出了一种基于卷积神经网络（CNN）的HIC预测方法，该方法直接利用车辆设计图纸，从而无需动态模拟或物理测试。为了弥补真实世界碰撞测试数据的稀缺性，所提出的AI模型首先使用通过数值模拟生成的合成数据集进行预训练，然后使用真实的行人碰撞测试数据进行微调，以构建最终的预测模型。

本研究的主要目标是从初始车辆设计阶段就开始预测行人安全性能，包括欧洲新车评估计划（Euro NCAP）的行人保护评级，而在这一阶段无法进行传统的实验或分析评估。通过将人工智能应用于早期车辆设计数据，所提出的方法能够在详细设计完成之前提供可靠的HIC估计值，从而支持主动的设计优化和基于数据的决策制定，以提升行人安全。

**引言**
随着汽车行业的快速发展，交通事故及相关死亡人数持续增加。作为回应，汽车制造商开发了多种技术来提高驾驶便利性和安全性。在这些努力中，旨在保护行人和乘客的安全系统一直是重点，这些系统大致分为被动安全系统和主动安全系统（Andréasson和B?ckstr?m, 2000；Gandhi和Trivedi, 2007；Heo, 2009；Yun等人, 2014）。

被动安全系统旨在在碰撞发生后最小化伤害。自1936年引入两点式安全带以来（Andréasson和B?ckstr?m, 2000），已经开发并实施了多种被动安全技术，如气囊、头枕、防抱死制动系统（ABS）和主动式车头（Yun等人, 2014）。相比之下，主动安全系统（也称为高级驾驶辅助系统ADAS）旨在预防事故的发生，包括自动紧急制动（AEB）和车道保持辅助（LKA）等系统（Heo, 2009）。

配备这些安全功能的车辆会在新车评估计划（NCAP）下进行评估，该计划旨在鼓励制造商生产更安全的车辆。NCAP在全球范围内运作，具有针对当地道路和交通条件的特定标准及测试程序。例如，表1概述了Euro NCAP的评估项目（“评级说明 | Euro”）。

尽管安全技术有所进步，但根据世界卫生组织（WHO）的数据（日内瓦：世界卫生组织, 2018），每年仍有超过135万人在交通事故中丧生。在这些死亡人数中，行人死亡约占26%，其中严重的头部损伤是主要原因。例如，在韩国，近70%的行人死亡是由于碰撞造成的头部损伤（Yao等人, 2008）。为了提高行人保护，NCAP包括针对车辆车头与行人碰撞的评估。制造商通过修改车辆前端结构或增加车头与发动机部件之间的间隙来减轻此类伤害的严重程度（“评级说明 | Euro”）。在NCAP进行的行人安全评估中，使用儿童和成人头模进行头部损伤评估。测试参考点基于车辆车头的横向边界，并围绕这些点重复进行头部碰撞测试，以确保全面覆盖（Euro, 2010）。随着测试的进行，即使进行了微小的设计修改，也必须不断更换车头以保持一致性和性能准确性。这一重复过程会带来显著的时间和成本负担。为了解决这些问题，采用了各种分析方法，如基于模拟的预测技术，以减少对全尺寸物理测试的依赖（Shojaeefard等人, 2014；Teng和Ngo, 2011；Untaroiu等人, 2007；Lee等人, 2013）。

特别是，许多研究专注于重新设计车辆车头以改善行人头部保护，其结果通过有限元分析（FEA）进行评估。Shojaeefard等人（2014）研究了各种内部车头结构，包括波浪形、半球形和圆锥形配置，并使用FEA评估了行人的HIC性能。Teng等人（Teng和Ngo, 2011）分析了车头的法向和切向矢量分量对头模测试结果的影响。Costin等人（Untaroiu等人, 2007）提出了一个基于FEA预测的头模冲击结果的最优设计框架。Lee等人（2013）利用计算机辅助工程（CAE）工具设计了符合目标HIC值的车内部结构。

**最新研究**
最近的研究应用深度学习技术高效预测车辆碰撞场景中的头部损伤标准（HIC）。Zhang等人利用基于有限元（FE）的车头数据和卷积神经网络（CNN）来优化行人保护设计（Zhang等人, 2025）。Kim等人使用深度神经网络（DNN）模型根据车辆车头的频率响应特性预测HIC值（Kim等人, 2025a）。Wang等人采用基于注意力的多模态网络来预测碰撞事件中的乘员头部加速度曲线（Wang等人, 2025）。其他方法探索了使用传感器信号（Bracali和Baldanzini, 2022）或碰撞模拟视频（Hasija和Takhounts, 2022）来估计头部运动学，而无需直接进行物理测试。

虽然这些研究在AI驱动的碰撞安全评估方面取得了显著进展，但大多数现有方法要么依赖于数值或基于信号的输入特征，这需要领域专业知识并进行大量预处理，要么依赖于高保真度模拟和动态数据，这些在车辆设计的早期阶段往往不可用。此外，许多先前的方法并未明确符合标准化的监管测试协议，限制了它们在实际车辆评估工作流程中的直接应用。

在本文中，我们提出了一种基于CNN的新头部损伤估计框架，专门设计用于支持Euro NCAP行人头模碰撞协议下的早期行人安全评估。与一般的事故重建或完全动态的碰撞建模不同，Euro NCAP测试环境的特点是固定和标准化的物理条件，包括撞击物类型、速度和角度。在这种设置下，行人损伤结果的变化主要由车辆前端几何形状和结构设计的差异决定，而不是由运动学变化决定。因此，所提出的方法有意排除了显式的物理或运动学输入，而是仅关注基于图纸的车辆前端结构表示。使用横截面设计图像（L型截面、T型截面及其重叠视图）作为多输入CNN架构的输入，使模型能够直接从早期CAD图纸中学习空间和结构特征。这种设计选择反映了现实世界车辆开发的实际限制，因为在这些阶段可能还没有详细的材料属性、动态模拟或完整的组件。

为进一步解决真实世界碰撞测试中的数据稀缺问题，所提出的框架结合了从基于FEA的合成数据到真实碰撞测试数据的迁移学习，提高了泛化能力，同时保持了物理相关性。此外，考虑到Euro NCAP定义的HIC严重程度本质上是序数的，我们引入了一个称为“成本得分”的评估指标，不仅评估分类准确性，还评估不同损伤级别的误分类严重程度。

最后，我们强调本研究的目标不是开发一个能够解释任意CAD格式或动态碰撞场景的通用基础模型。相反，所提出的方法旨在在公司特定的、标准化的CAD环境中部署，其中图纸约定和预处理流程是内部一致的。在这个范围内，该方法展示了数据驱动的、基于图纸的方法在早期预测和比较行人头部损伤风险水平方面的可行性和实际价值，作为高保真度模拟和物理碰撞测试的补充决策支持工具。

**结论**
最近的研究越来越多地应用人工智能（AI）和机器学习（ML）技术来预测车辆碰撞场景中的损伤相关指标和碰撞结果，旨在减少对昂贵物理测试和高保真度数值模拟的依赖。在行人安全领域，一些工作专注于使用数据驱动的方法估计头部损伤标准（HIC）和相关的头部运动学响应。Zhang等人（2025）使用基于有限元（FE）的车头结构数据和卷积神经网络（CNN）来估计行人HIC，展示了AI辅助的行人保护设计优化的可行性。Kim等人（2025a）进一步通过使用深度神经网络（DNN）预测车辆车头的频率响应特性来探索频域表示，强调了紧凑动态特征在损伤预测中的有效性。Wang等人（2025）扩展了这一研究方向，提出了一种基于注意力的多模态时间网络来预测碰撞中的乘员头部加速度时间历史，强调了在重建动态响应曲线时时间建模的重要性，而不仅仅是标量损伤指标。

除了头部损伤预测之外，基于AI的方法还应用于其他损伤指标和替代数据源。例如，Bracali和Baldanzini（2022）使用嵌入在防护头盔中的神经网络和传感器信号来估计头部加速度，展示了传感器驱动方法在冲击损伤评估中的潜力。Hasija和Takhounts（2022）提出了一种深度学习框架，直接从模拟碰撞视频中预测头部角运动学的时间历史，表明视觉信息本身可以编码碰撞动态的有意义线索。除了头部相关指标外，最近的研究还使用机器学习模型研究了胸部和下肢损伤。Lee等人（Lee和Lim, 2023）使用在碰撞测试结果上训练的深度学习模型预测正面碰撞场景中的胸部变形，表明数据驱动的方法可以有效估计传统上通过物理测试获得的生物力学损伤响应。类似地，高保真度FE数据结合TabNet架构被用来预测行人腿部损伤的严重程度，提供了可解释的特征重要性，同时保持了高预测性能（Ko等人, 2025）。

在更广泛的范围内，AI技术还被用于分析碰撞频率、严重程度和行人参与度，利用大规模交通和事故数据集。深度神经网络被应用于根据交通事故记录和交通流量数据预测车辆碰撞频率，支持数据驱动的交通安全评估和政策规划（Al-Ani等人, 2023）。其他研究专注于使用在多因素事故数据库上训练的深度学习模型预测致命碰撞中的行人参与度，识别导致严重行人结果的关键因素（Zhong等人, 2024）。最近，基于TabNet的方法被用来分析影响行人碰撞严重程度的因素，与传统的黑盒模型相比，提供了更强的预测能力和模型可解释性（Rafe和Singleton, 2023）。

总体而言，这些研究表明AI和ML在碰撞分析、损伤预测和交通安全评估中的作用日益重要，涵盖了组件级别的损伤指标、乘员和行人生物力学以及大规模事故数据。然而，大多数现有方法依赖于高保真度FE模拟、详细的传感器测量、时间响应数据或大规模事故数据库，这些在车辆设计的早期阶段往往不可用或不切实际。相比之下，本研究从早期设计角度出发，旨在直接从简化的设计表示中估计与头部损伤相关的性能。通过解决这一差距，所提出的方法补充了现有的基于AI的碰撞安全研究，同时针对车辆开发过程中的一个独特且实际相关的阶段。

**机械分析问题**
机械分析问题，特别是涉及车辆碰撞性能预测的问题，传统上依赖于基于有限元分析（FEA）的模拟。虽然这些方法提供了高精度，但它们需要大量的模型构建工作并产生显著的计算成本，使得它们不太适合在早期设计阶段快速反馈。因此，对于能够在设计早期阶段提供快速且实用的事故性能预测的数据驱动方法的需求日益增长。在这项工作中，我们旨在提出一种新的方法论，该方法论利用基于CAD的设计表示来实现基于深度学习的碰撞性能预测。所提出的方法并不是为了取代传统的基于仿真的分析，而是作为一种补充工具，可以在详细仿真模型开发之前支持设计决策。为了解决这个问题，我们对输入表示和模型架构进行了广泛的方法探索。在早期阶段，我们研究了各种方法，包括基于3D的表示（例如体素、点云和基于图的结构）以及从CAD数据中提取的多视图配置。然而，将CAD模型转换为适合3D深度学习的形式非常复杂，更重要的是，数据结构本身限制了样本数量，因为每辆车只对应一个实例。这导致了严重的数据稀缺问题，使得有效训练3D模型变得困难。我们还通过提取撞击区域周围的多个截面表示来探索多视图方法，但这些方法并没有带来一致的性能提升。这些发现表明，在这个问题上，输入表示的设计不仅应考虑信息的丰富性，还应考虑数据效率和可学习性。基于这些观察结果，我们提出了一种以撞击区域为中心的2D截面表示方法。这种表示在数据效率和模型性能之间提供了实际的折中，同时保持了足够的学习所需的结构信息。通过广泛的实验验证了这种方法的有效性。需要指出的是，所提出的方法并不是对所有可能的输入配置和模型架构进行彻底比较的结果，而是通过广泛的实证探索确定的最有效方法。从这个意义上说，这项工作的主要贡献不在于优化某个特定模型，而在于为将深度学习应用于基于CAD的机械分析问题提供了一个实用且可扩展的方向。

本文的其余部分组织如下：第2节描述了从车辆设计图纸和HIC测量数据构建数据集的预处理流程。第3节介绍了基于深度学习的预测模型，包括输入结构、网络架构和训练方法。第4节详细介绍了实验设置、评估指标以及与基线方法的性能比较。最后，第5节总结了本文并概述了旨在提高模型泛化能力和实际应用性的未来研究方向。

**数据处理**
在本文中，我们构建了一个数据库，用于训练基于深度学习的系统来预测行人头部受伤严重程度等级。输入数据包括使用CATIA创建的车辆结构图纸，而输出数据则包括从行人碰撞测试和有限元分析（FEA）中获得的HIC（头部受伤标准）值。整个数据流程如图1所示。车辆设计图纸和相应的HIC值被预处理成适合深度学习的格式。

**基于深度学习的HIC预测模型**
在本节中，我们介绍了使用卷积神经网络（CNN）预测头部受伤标准（HIC）值的方法论。CNN是一类特别适用于基于图像任务的深度学习模型，因为它们可以通过卷积和池化操作自动学习层次化的特征表示。典型的CNN架构由两个主要部分组成：特征提取模块，该模块使用...

**实验环境**
本文中使用的硬件和软件环境总结在表4中。所有实验都在运行Ubuntu 16.04和Python 3.6的系统上进行。对于深度学习模型的开发和训练，我们使用了Keras 2.2.2作为主要框架。我们采用了Adam优化器，它结合了自适应学习率调整（Kingma和Ba，2014）和基于动量的更新（Duchi等人，2011）。超参数和训练参数的详细信息见附录B。

**评估指标**
...

**结论**
在本文中，我们提出了一个基于深度学习的框架，用于使用车辆结构图纸预测行人头部受伤严重程度等级。输入数据包括从CATIA创建的21份车辆设计图纸的L视图和T视图中提取的截面图像，重点关注行人撞击点周围的区域。伤害严重程度标签根据Euro NCAP行人保护协议进行定义，并使用独热向量进行编码以进行分类...

**CRediT作者贡献声明**
Hyeonseok Kim：写作——审阅与编辑、撰写初稿、可视化、验证、软件、方法论、形式分析、数据管理。
Mingyu Park：写作——审阅与编辑、撰写初稿、可视化、验证、软件、方法论、形式分析、数据管理。
Seongkeun Park：写作——审阅与编辑、撰写初稿、可视化、验证、监督、软件、项目管理、方法论、资金获取、形式分析。

**资金声明**
本研究得到了韩国国家研究基金会（NRF）通过基础科学研究计划的支持，该计划由教育部资助（RS-2023-00245084），以及由韩国政府（MOTIE）资助的韩国技术研究院（KIAT）的拨款（RS-2024-00415938，工业创新人力资源发展计划）。

**利益冲突声明**
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：所有作者拥有 Soonchunhyang大学、现代汽车公司和起亚汽车公司颁发的“用于碰撞性能预测的装置及其方法”的专利。作者声明他们没有其他已知的财务利益或个人关系可能影响本文报告的工作。

**致谢**
作者衷心感谢现代汽车公司的工程师们提供用于本研究的碰撞测试数据和车辆设计信息，以及他们在整个研究过程中提供的宝贵技术见解和专业知识。