Optimalizační metodika kalibrace algoritmů detekce nárazu využívající umělou inteligenci

Abstract

Vývoj algoritmů, které jsou schopny detekovat a klasifikovat havárii vozidla, je složitý proces. V zásadě zahrnuje záznam chování vozidla při zpomalení v různých scénářích nehody a identifikaci optimálních a jedinečných ukazatelů, které se použijí pro detekci a klasifikaci. Proces kalibrace proto přímo závisí na přesných výsledcích crash testů, které jsou nezbytné pro doplnění souboru dat a zdokonalení logiky algoritmu. Je zřejmé, že takový kalibrační proces nutně vyžaduje širokou škálu crash testů, aby bylo dosaženo plně funkčního algoritmu detekce nehod. Každý nový vývojový cyklus vozidla vyžaduje nový kalibrační proces, což je velmi nákladné a časově náročné. Logickým přístupem by bylo použití simulací nárazů jako alternativy k fyzickým crash testům. Vysoce přesný vývoj modelů vozidel z konečných prvků, které by dokázaly přesně napodobit chování při nárazu v reálném světě, by však byl nesmírně náročný, ne-li téměř nemožný úkol. Navíc vzhledem k tomu, že simulace se provádějí v předvýrobních fázích vývojových etap, odhad přesnosti všech předpovídaných chování při nárazu bez návaznosti na výsledky fyzických crash testů zůstává mimořádně náročný. Hypoteticky i v případě, že jsou klíčové odchylky identifikovány prostřednictvím vzorových crash testů, je obtížné modely vozidel metodou konečných prvků (MKP) zdokonalovat, znovu simulovat a extrapolovat výsledky, aby byla spolehlivě zajištěna přesnost všech předpovědí chování při nárazu.<br>V rámci tohoto výzkumu se primárně zaměřujeme na vývoj potenciálních analytických modelů zaměřených na řešení cirkulární povahy tohoto problému. Toho je dosaženo transformací složitých, vysokodimenzionálních modelů konečných prvků do zjednodušeného náhradního modelu, který zachovává především odvozené parametry ze základních mechanických a strukturálních vlastností ovlivňujících dynamiku nárazu. Tento model zjednodušuje soudržné oblasti v konstrukci vozidla tím, že je představuje jako diskrétní buňky. Jeho záměrem je efektivně agregovat mechanické chování těchto oblastí během nárazu. Toto zjednodušení však nevyhnutelně ovlivňuje přesnost modelu. Proto jsou modely navrženy tak, aby se přizpůsobily rámci posilovaného učení (Reinforcement Learning - RL) pro jemné doladění pomocí simulací nárazů a výsledků crash testů, čímž se zvýší jejich přesnost předpovědi.<br>V této studii je představena nová metoda pro přizpůsobení standardního rámce RL k trénování agentů pro jemné doladění náhradních modelů vozidel pomocí učení z výsledků simulací nehod a crash testů. Tento přístup zahrnuje modelování modelu konstrukce vozidla kompatibilního s RL, definování konzistentního stimulu pro model odvozený ze scénářů nehod a implementaci agenta pro hluboké učení s posilováním s kompatibilním prostorem stavů, odměn a akcí. Dále je vyvinutá metodika plně realizována prostřednictvím kompletní softwarové implementace, testována pomocí simulací nehod a výsledků crash testů a zjištění jsou podrobně ilustrována a diskutována.