Crash Pulse Prediction applied to Frontal Crash Configurations

Abstract

En este proyecto se ha desarrollado un algoritmo de predicción de pulsos de choque en una colisión entre vehículos a partir de una configuración de choque dada. Metodologías de análisis y procesado de datos se han empleado para extraer, de simulaciones de choque frontales, la información necesaria para el modelo de Inteligencia Artificial. Esta información comprende la configuración de choque (el input del modelo) y el pulso de choque (el output del modelo). Ha sido necesario realizar un pre-procesado a ambos para poder introducir la información al modelo correctamente. Una vez se obtuvo el set de datos con todas las simulaciones, se procedió a dividir este set en entrenamiento y test. El primero se introdujo al modelo con la información tanto de input como de output, mientras que el segundo se introdujo únicamente con la información de input. Se han testeado 4 algoritmos diferentes de Inteligencia Artificial, realizando una comparativa entre ellos. Para ello, se han empleado las métricas de error RMSE y R2. Dado que el pulso de choque está formado por 3 series temporales de traslaciones y 3 series temporales de rotaciones, la evaluación y comparativa de los modelos se ha hecho respetando esta división. Tras evaluar estas dos métricas, se ha decidido que los modelos que mejor funcionamiento tienen son Support Vector Machine para traslaciones, y Random Forest para rotaciones.In this project, a crash pulse prediction algorithm has been developed to predict the crash pulses in a collision between vehicles from a given crash configuration. Data analysis and processing methodologies have been employed to extract, from frontal crash simulations, the needed information for the Artificial Intelligence model. This information comprises the crash configuration (the model input) and the crash pulse (the model output). It has been necessary to pre-process both to be able to input the information to the model correctly. Once the data set with all the simulations was obtained, this set was divided into training and test. The former was introduced to the model with both input and output information, while the latter was introduced only with the input information. Four different Artificial Intelligence algorithms have been tested, making a comparison between them. For this purpose, the error metrics RMSE and R2 have been used. Since the crash pulse is formed by 3 time series of translations and 3 time series of rotations, the evaluation and comparison of the models have been done respecting this division. After evaluating these two metrics, it has been decided that the best performing models are Support Vector Machine for translations and Random Forest for rotations.