Crash Pulse Prediction applied to Lateral Crash Configurations

Abstract

Proyecto centrado en la predicción de los pulsos de choque producidos en la colisión lateral. Utilizando metodologías de extracción y procesamiento de datos se ha obtenido una configuración inicial que describa el posicionamiento de ambos vehículos. Se ha desarrollado un método de Machine Learning para realizar la predicción del pulso de choque, y una posterior evaluación de la predicción realizada comparándola con los resultados que se obtuvieron en las simulaciones de estas colisiones.

Para ello se han implementado distintos métodos de obtención de las distintas variables para el algoritmo de Machine Learning: tres ángulos posicionales, ambas velocidades de los vehículos y sus masas. estas variables describen la configuración del choque. Posteriormente se han obtenido los pulsos de choque procedentes de las simulaciones ya realizadas por la compañía.

Se han desarrollado cuatro modelos de predicción, utilizando: Redes neuronales, Random Forest, Support Vector Machine y Gradient Boost. Estos modelos se han aplicado para predecir los mencionados pulsos de choque. Se ha diferenciado entre modelos de predicción de la traslación del vehículo y modelos de predicción de la rotación del vehículo. Tras su comparación, se ha elegido el modelo que utiliza Random Forest como el que mejores resultados ha alcanzado tanto para predecir las traslaciones como para las rotaciones.

Project focused on the prediction of crash pulses produced in the lateral collision. Using methodologies to extract and process data to obtain an initial configuration that describes the positioning of both vehicles, a Machine Learning method has been developed to make the prediction of the crash pulse and a subsequent evaluation of the prediction made comparing with the results that were obtained in the simulations of these collisions.

For this purpose, different methods have been implemented to obtain the different variables for the Machine Learning algorithm: three positional angles, both vehicle speeds, and the masses of the vehicles. These variables describe the crash configuration. Subsequently, the crash pulses have been obtained from the simulations already given by the company.

Four prediction models have been developed, using: Neural Networks, Random Forest, Support Vector Machine, and Gradient Boost. These models have been applied to predict the mentioned crash pulses. A distinction has been made between the models predicting the vehicle translation and the models predicting the vehicle rotation. After their comparison, the model using Random Forest has been chosen as the one that has achieved the best results both for predicting translations and rotations.