一个轻量级的事故前乘客伤害预测模型从事故后的对应模型中提炼了知识

科学领域:

• 汽车安全工程 汽车安全工程
• 交通运输中的人工智能
• 生物机械伤害分析

背景情况:

• 在接近碰撞的场景中,准确的乘客伤害预测对于智能汽车安全系统至关重要.
• 深度学习模型提供高预测准确性,但面临着计算挑战.
• 在伤害预测中,平衡预测准确性和计算效率是一个关键的挑战.

研究的目的:

• 提出和验证基于知识蒸 (KD) 的培训方法,用于事故前乘客伤害预测模型.
• 在接近碰撞的场景中,提高预测乘客头部伤害 (简称AIS) 的准确性.
• 提高智能汽车安全系统的计算效率.

主要方法:

• 实施了一个知识蒸框架,具有复杂的"老师"模型和轻量级的"学生"模型.
• "学生"模型从地面真相数据和"老师"模型的中间层学习.
• 利用车辆撞车后的撞车脉冲数据作为"老师"模型的输入.

主要成果:

• 基于KD的培训显著提高了头部缩略伤害量表 (AIS) 预测准确度,从77.2%提高到83.2%.
• 轻量级的"学生"模型在不牺牲计算效率的情况下实现了高精度.
• 验证实验证实了拟议的基于KD的培训框架的有效性.

结论:

• 提出的基于KD的培训方法有效地平衡了预测准确性和事故前伤害模型的计算效率.
• 这种方法为增强下一代智能汽车安全提供了可行的解决方案.
• 该研究为开发高效准确的汽车安全人工智能模型提供了宝贵的参考.