本发明涉及车辆碰撞安全，具体涉及一种乘员损伤预测模型训练方法、预测方法、装置和电子设备。
背景技术：
1、乘员损伤预测是一种评估交通事故中乘员可能受到的伤害程度的技术，广泛应用于汽车安全研究和车辆设计中，例如，应用于车辆被动安全性能的开发和自动驾驶所规划的不同路径下发生碰撞时的损伤情况，以计算路径等。乘员损伤预测包含身体多个部位的损伤预测，如头部、颈部、胸部、腹部、上肢、下肢等，其中头部、颈部和胸部一般是事故导致人员伤亡的重要部位，故乘员损伤预测一般包含这3个身体部位。
2、近年来，诸多研究将ai技术应用到乘员损伤预测，相关技术中，一般采用独立的模型对每个身体部位的损伤进行预测，然后分别输出每个身体部分的损伤程度，针对单个身体部位的损伤预测，模型精度高，但同时也存在局限性，例如每个身体部位对应一个预测模型，模型间参数不共享，导致模型占用存储空间大，增加成本。
技术实现思路
1、本发明的目的之一在于提供一种乘员损伤预测模型训练方法，以解决现有技术中采用独立的模型对每个身体部位的损伤进行预测，导致模型占用存储空间大、需要训练多个模型、成本高的问题；目的之二在于提供一种乘员损伤预测方法；目的之三在于提供一种乘员损伤预测装置；目的之四在于提供一种电子设备。
2、为了实现上述目的，本发明采用的技术方案如下：
3、一种乘员损伤预测模型的训练方法，包括：
4、获取训练样本，所述训练样本包含样本数据和所述样本数据对应的实际损伤数据，所述样本数据包括样本碰撞参数、样本约束系统参数和样本乘员状态参数中的至少一类；
5、将所述样本数据输入乘员损伤预测模型进行乘员损伤预测，得到所述样本数据对应的预测损伤数据，其中，所述乘员损伤预测模型用于预测多个身体部位分别对应的损伤数据；
6、通过总损失函数，确定所述预测损伤数据相对所述实际损伤数据的总损失值，所述总损失函数可反映不同身体部位的损失函数的损失权重的不同；
7、基于所述总损失值，调整所述乘员损伤预测模型的模型参数。
8、根据上述技术手段，通过总损失函数反映不同身体部位的损失函数的损失权重不同，平衡各个身体部位的学习效率，使得学习难易程度不同的各个身体部位的学习效率同步，确保对每个身体部位的学习精度。如此，不同身体部位可以采用同一个乘员损伤预测模型进行损伤预测，无需根据需要预测的身体部位设置多个预测模型，且模型参数可共享，简化预测模型，预测模型占用空间小，降低成本。
9、作为一种可能的实现方式，训练方法还包括：
10、通过每个身体部位的损失函数，确定每个身体部位的所述预测损伤数据相对所述实际损伤数据的损失值；
11、根据所述损失值确定每个身体部位的损失函数的损失权重，所述损失值越大，所述损失权重越大；
12、基于所述损失权重更新所述总损失函数，所述总损失函数为各个身体部位的损失函数总和。
13、根据上述技术手段，可以调整每个身体部位的损失函数的权重，进而调整不同身体部位的学习效率，平衡每个身体部位的学习性能，使得各个身体部位能够同时或接近同时收敛。
14、作为一种可能的实现方式，所述总损失函数为：
15、
16、其中，为第i个身体部位在第t个时间步的损失函数；wi(t)是第i个身体部位在第t个时间步的损失权重。
17、作为一种可能的实现方式，通过损失权重调整各个身体部位的损失在总损失函数中的权重，在学习过程中，更多考虑损失权重大的身体部位的损失，进而使得难学习的身体部位在模型训练过程中，权重更大，提高其学习效率，使得各个身体部位的学习率达到平衡。
18、所述损失权重通过以下公式获得：
19、
20、其中，β是一个控制敏感性的超参数；ki(t-1)是第i个身体部位在第t-1个时间步的损失函数的导数。
21、根据上述技术手段，实现动态获取各个身体部位的损失权重，实现动态调整各个身体部位的损失在总损失函数中的权重。
22、作为一种可能的实现方式，所述方法，还包括：
23、根据预测加速度和真实加速度，构建各个身体部位的第一损失函数，其中，所述训练样本还包括所述样本数据对应的真实加速度；
24、根据预测损伤数据和实际损伤数据，构建各个身体部位的第二损失函数；
25、根据各个身体部位的所第一损失函数总和以及第二损失函数总和构建所述总损失函数。
26、作为一种可能的实现方式，所述将所述样本数据输入乘员损伤预测模型进行乘员损伤预测，得到所述样本数据对应的预测损伤数据，包括：
27、将所述样本数据输入所述乘员损伤预测模型的编码器，通过所述编码器进行特征提取，得到特征数据；
28、将所述特征数据输入所述乘员损伤预测模型的解码器，在所述解码器中，采用多层感知机层，对所述特征数据分别进行解码，以获得各个身体部位的预测加速度的表征；
29、在解码器中，采用线性投射层对各个身体部位的预测加速度分别进行解码，得到各个身体部位对应的预测损伤数据；
30、所述通过总损失函数，确定所述预测损伤数据相对所述实际损伤数据的总损失值，包括：
31、通过所述第一损失函数总和，确定所述预测加速度相对所述实际加速度的第一损失值；
32、通过所述第二损失函数总和，确定所述预测损伤数据相对所述实际损伤数据的第二损失值；
33、基于所述第一损失值和所述第二损失值确定所述总损失值。
34、根据上述技术手段，总损失函数通过第一损失函数和第二损失函数构建，第一损失函数用于训练模型学习表征伤害机理的加速度/力的语义，之后通过注意力权重层将不同部位的伤害机理语义进行滤波和汇聚，在再经过线性投射层，将语义转换到不同部位、具有不同量纲的损伤数据，学习到损伤数据，基于加速度/力的特征和第二损失函数的设计，可以快速学习到有效的语义空间，提高学习效率，减少学习样本数量，且各个身体部位的加速度/力的语义特征汇聚学习，考虑各个身体部位之间的关联影响，提高预测损伤数据的准确度。
35、作为一种可能的实现方法，所述在解码器中，采用线性投射层各个身体部位的预测加速度分别进行解码，得到各个身体部位对应的预测损伤数据，包括：
36、在解码器中，采用注意力权重层对身体部位的预测加速度和其他身体部位的相关预测加速度进行加权汇聚，以更新各个身体部位的预测加速度；
37、采用线性投射层对各个身体部位更新后的预测加速度分别进行解码，得到各个身体部位对应的预测损伤数据。
38、根据上述技术手段，通过关联各个身体部位的预测加速度，基于该预测加速度预测损伤数据，实现考虑各个身体部位之间的相互影响，进而提高预测损伤数据的准确度。
39、作为一种可能的实现方法，所述总损失函数为：
40、totalloss＝α*totallossaux+(1-α)totallossmain；
41、其中：totallossaux为多个所述身体部位的第一损失函数总和，totallossmain(t)为多个所述身体部位第二损失函数总和，α为超参数。
42、作为一种可能的实现方法，所述第一损失函数总和通过以下方式表示：
43、
44、其中，为第i个身体部位在第t个时间步的第一损失函数；num_task为身体部位的总数量。
45、和/或，所述第二损失函数总和通过以下方式表示：
46、
47、其中，为第i个身体部位在第t个时间步的损失函数；wi(t)是第i个身体部位在第t个时间步的损失权重。
48、本技术实施例还提供一种乘员损伤预测方法，包括：
49、获取碰撞场景下的碰撞参数、交通工具的约束系统参数以及所述交通工具内乘员状态参数的一类或多；
50、将所述碰撞参数、所述约束系统参数以及所述乘员状态参数的一类或多输入乘员损伤预测模型，得到所述碰撞场景下乘员的预测损伤数据，所述乘员损伤预测模型是通过上述所述的训练方法获得的。
51、根据上述技术手段，乘员损伤预测模型对碰撞场景下的乘员损伤预测的准确度高。
52、作为一种可能的实现方式，所述乘员损伤预测模型包含编码器和解码器，所述将所述碰撞参数、所述约束系统参数以及所述乘员状态参数的一类或多输入乘员损伤预测模型，得到所述碰撞场景下乘员的预测损伤数据，包括：
53、将所述碰撞参数、所述约束系统参数以及所述乘员状态参数的一类或多输入乘员损伤预测模型，通过所述编码器进行特征提取得到特征数据；
54、将所述特征数据输入所述乘员损伤预测模型的解码器，在所述解码器中，采用多层感知机层，对所述特征数据分别进行解码和计算，以获得各个身体部位的预测加速度；
55、在解码器中，采用线性投射层对各个身体部位的预测加速度分别进行解码和计算，得到所述碰撞场景下乘员的预测损伤数据。
56、作为一种可能的实现方式，所述在解码器中，采用线性投射层对各个身体部位的预测加速度分别进行解码和计算，得到所述碰撞场景下乘员的预测损伤数据，包括：
57、在解码器中，采用注意力权重层对各个身体部位的预测加速度进行滤波，并对身体部位的预测加速度和其他身体部位的相关预测加速度进行加权汇聚，以更新各个身体部位的预测加速度；
58、采用线性投射层对更新后的预测加速度进行解码，得到所述碰撞场景下乘员的预测损伤数据。
59、本技术实施例还提供一种乘员损伤预测模型训练装置，包括：
60、第一获取模块，获取训练样本，所述训练样本包含样本数据和所述样本数据对应的实际损伤数据，所述样本数据包括样本碰撞参数、样本约束系统参数和样本乘员状态参数中的至少一类；
61、预测模型，用于根据输入的所述样本数据进行乘员损伤预测，得到所述样本数据对应的预测损伤数据，其中，所述乘员损伤预测模型用于预测多个身体部位分别对应的损伤数据；
62、训练模块，用于通过总损失函数，确定所述预测损伤数据相对所述实际损伤数据的总损失值，所述总损失函数可反映不同身体部位的损失函数的损失权重的不同；并基于所述总损失值，调整所述乘员损伤预测模型的模型参数，以获得乘员损伤预测模型。
63、本技术实施例还提供一种乘员损伤预测装置，包括：
64、第二获取模块，用于获取当前碰撞场景下的碰撞参数、交通工具的约束系统参数以及所述交通工具内乘员状态参数的一类或多；
65、乘员损伤预测模型，用于根据输入的所述碰撞参数、所述约束系统参数的一类或多以及所述乘员状态参数进行乘员损伤预测，得到所述碰撞场景下乘员的预测损伤数据。
66、本技术实施例还提供一种电子设备，包括处理器以及与所述处理器通信连接的存储器；
67、所述存储器用于存储计算机执行指令；
68、所述处理器执行所述存储器存储的计算机执行指令，实现如上所述的方法。
69、本技术实施例还提供一种计算机可读存储介质/计算机程序产品，所述计算机可读存储介质中存储有计算机执行指令/所述计算机程序产品包括计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上所述的方法。
70、本发明的有益效果：
71、(1)、通过设置乘员损伤预测模型为多任务(每个身体部位对应一个任务)模型，可以实现对乘员的不同身体部位的损伤进行预测。而对于多任务预测模型，基于不同任务的学习难度不同，预测模型难以训练完成，且预测模型训练完成后，预测结果准确度不高，基于此，本技术通过总损失函数中，动态分配每个身体部位的损失函数的损失权重，平衡模型在各个任务学习效率，避免出现容易学习的任务收敛后，难学习的任务的损失值大而导致准确度低，实现了不同身体部位采用同一个乘员损伤预测模型进行损伤预测，模型参数实现共享，减少预测模型的设置，减少占用内存，降低成本。
72、(2)、进一步实施例中，总损失函数通过第一损失函数和第二损失函数构建，第一损失函数用于训练模型学习表征伤害机理的加速度/力的语义，之后通过注意力权重层将不同部位的伤害机理语义进行滤波和汇聚，在再经过线性投射层，将语义转换到不同部位、具有不同量纲的损伤数据，学习到损伤数据，基于加速度/力的特征和第二损失函数的设计训练模型，可以快速学习到损伤数据，提高学习效率，减少学习样本数量，且各个身体部位的加速度/力的语义特征汇聚学习，考虑各个身体部位之间的关联影响，提高预测损伤数据的准确度。
73、(3)、结合本技术实施例乘员损伤预测模型架构和训练方法，在训练过程中，可以减小乘员损伤预测模型过拟合的风险，提升乘员损伤预测模型泛化能力，同时单个乘员损伤预测模型覆盖所有损伤部位的预测，显著提升了模型的推理速度。
1.一种乘员损伤预测模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的训练方法，其特征在于，所述训练方法，还包括：
3.根据权利要求1或2所述的训练方法，其特征在于，所述总损失函数为：
4.根据权利要求3所述的训练方法，其特征在于，所述损失权重通过以下公式获得：
5.根据权利要求1所述的训练方法，其特征在于，所述方法，还包括：
6.根据权利要求5所述的训练方法，其特征在于，所述将所述样本数据输入乘员损伤预测模型进行乘员损伤预测，得到所述样本数据对应的预测损伤数据，包括：
7.根据权利要求6所述的训练方法，其特征在于，所述在解码器中，采用线性投射层对各个身体部位的预测加速度分别进行解码，得到各个身体部位对应的预测损伤数据，包括：
8.根据权利要求5至7任一项所述的训练方法，其特征在于，所述总损失函数为：
9.根据权利要求8所述的训练方法，其特征在于，所述第一损失函数总和通过以下方式表示：
10.一种乘员损伤预测方法，其特征在于，包括：
11.根据权利要求10所述的方法，其特征在于，所述乘员损伤预测模型包含编码器和解码器，所述将所述碰撞参数、所述约束系统参数以及所述乘员状态参数的一类或多类输入乘员损伤预测模型，得到所述碰撞场景下乘员的预测损伤数据，包括：
12.根据权利要求11所述的方法，其特征在于，所述在解码器中，采用线性投射层对各个身体部位的预测加速度分别进行解码和计算，得到所述碰撞场景下乘员的预测损伤数据，包括：
13.一种乘员损伤预测模型训练装置，其特征在于，包括：
14.一种乘员损伤预测装置，其特征在于，包括：
15.一种电子设备，其特征在于，包括处理器以及与所述处理器通信连接的存储器；
16.一种计算机可读存储介质/计算机程序产品，其特征在于，所述计算机可读存储介质中存储有计算机执行指令/所述计算机程序产品包括计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至12任一项所述的方法。
