人工智能（Artificial Intelligence，簡(jiǎn)稱(chēng)AI）已經(jīng)在汽車(chē)自動(dòng)駕駛、智能互聯(lián)、輔助駕駛、自動(dòng)泊車(chē)等技術(shù)上已經(jīng)取得了廣泛成熟的應用。在車(chē)型開(kāi)發(fā)時(shí)，隨著(zhù)C-NCAP在國內外的影響力不斷提升，高安全性能已成為新研發(fā)車(chē)型的關(guān)鍵核心要求,同時(shí)，為了快速響應市場(chǎng)需求，縮短新車(chē)型開(kāi)發(fā)周期不僅是一項至關(guān)重要的目標，更是一項緊迫而艱巨的挑戰。在傳統的車(chē)型被動(dòng)安全開(kāi)發(fā)過(guò)程中，CAE仿真開(kāi)發(fā)階段整體耗時(shí)較長(cháng)，計算需要耗數十小時(shí)。由于仿真模型非常復雜以及數據獲取較為困難，AI在被動(dòng)安全領(lǐng)域的應用進(jìn)展相對緩慢。

圖1：人工智能在汽車(chē)行業(yè)的應用

工程院基于十余年來(lái)已積累的上百款車(chē)型模型數據以及海量仿真研發(fā)數據，將AI算法預測引入行人頭部碰撞預測，構建行人頭部碰撞數據集，使用深度學(xué)習算法，訓練高效的AI預測模型，為極大縮短整車(chē)被動(dòng)安全開(kāi)發(fā)周期，進(jìn)一步推動(dòng)汽車(chē)被動(dòng)安全性能的提升提供了可能。

圖2：AI引入被動(dòng)安全開(kāi)發(fā)

和CAE仿真使用高精度模型進(jìn)行數值計算求解的過(guò)程不同，深度學(xué)習使用深度神經(jīng)網(wǎng)絡(luò )，建立多個(gè)神經(jīng)元，而多個(gè)神經(jīng)元通過(guò)加權連接形成層次化的結構，即隱藏層。每個(gè)隱藏層本質(zhì)上是對前一個(gè)隱藏層的輸出進(jìn)行非線(xiàn)性變換。在模型訓練和預測的過(guò)程中，這種深度神經(jīng)網(wǎng)絡(luò )能夠來(lái)從大量輸入數據中自動(dòng)提取特征，最后映射成結果輸出。

圖3：CAE仿真與AI預測過(guò)程對比

圖4：深度神經(jīng)網(wǎng)絡(luò )結構示意圖

從時(shí)間效率上分析，AI模型的訓練時(shí)間僅幾十秒，用模型預測總得分和云圖僅需幾秒，實(shí)現了效率從小時(shí)至秒級的提升。

AI模型在新版車(chē)型測試集中的擬合優(yōu)度（R-squared）達到87%以上。對比行人頭部的碰撞點(diǎn)的HIC值的CAE仿真結果和AI預測結果，可以看出，AI模型的預測精度處于較高水平，預測的得分云圖精度達到85%以上，總得分精度達到96%以上。

圖5：云圖對比

CAE模型本身涉及復雜的幾何、物理和工程原理，其數據維度和復雜性遠超常規的數據集，人工智能與仿真的結合仍然是一個(gè)不小的技術(shù)挑戰。相信隨著(zhù)技術(shù)的不斷進(jìn)步，人工智能將在汽車(chē)被動(dòng)安全開(kāi)發(fā)領(lǐng)域取得更大發(fā)展。

商務(wù)聯(lián)絡(luò )：高明武 18632283172 gaomingwu@catarc.ac.cn