JP7147660B2 - 歩行者保護性能評価装置 - Google Patents

Description

本発明は、車両の歩行者保護性能を評価する歩行者保護性能評価装置に関するものである。

特許文献１に記載のように、車両には衝突時における歩行者の保護のために有効な性能（以下、歩行者保護性能）の向上が求められる。そして、車両の開発に際しては、次のようにして歩行者保護性能の評価が実行される。車両開発に際して車両の意匠形状（デザイン）が決定されると、この意匠形状をもとに車両各部の図面が作成される。その後に車両各部の図面が完成すると、それら図面をもとにＦＥＭ（有限要素法）によって車両がモデル化される。そして、このモデルを用いてＣＡＥ（Computer Aided Engineering）解析を行うことにより、車両の歩行者保護性能が評価される。

特開２０１８－１４０７４２号公報

上述した車両開発では、車両の歩行者保護性能を評価する作業は、車両各部の図面をもとにＦＥＭによる車両のモデル化を行う都合上、図面作成が完了した後のタイミング、すなわち車両開発工程における後の方の工程でしか実行できない。車両の開発期間は限られていることから、歩行者保護性能を評価する工程が車両開発工程における後の方の工程になると、歩行者保護性能の向上のための車両各部の形状変更の機会の減少を招くおそれがある。

本発明は、そうした実情に鑑みてなされたものであり、その目的は、車両開発工程における早いタイミングで車両の歩行者保護性能を評価することのできる歩行者保護性能評価装置を提供することにある。

上記課題を解決するための歩行者保護性能評価装置は、車両の歩行者保護性能を評価する歩行者保護性能評価装置において、前記車両の意匠形状を示す画像を記憶する入力部と、前記車両の意匠形状を示す画像と同車両の歩行者保護性能に係る情報とが組み合わされてなる教師データによって学習された畳み込みニューラルネットワークを記憶する記憶部と、前記入力部に記憶された前記画像を入力データとして、前記記憶部に記憶された学習済みの畳み込みニューラルネットワークから、前記車両の歩行者保護性能に係る情報を取得する出力部と、を有する。

車両が歩行者に衝突する際に同歩行者は車両外面に接触するため、車両の意匠形状と同車両の歩行者保護性能とは高い相関を有すると云える。上記構成では、車両の意匠形状を示す画像と同車両の歩行者保護性能に係る情報とを組み合わせた教師データによって学習済みの畳み込みニューラルネットワークが予め用意されている。これにより、車両の意匠形状（例えば前部の外面形状や、フードの外面形状）を示す画像を入力データとすることによって、学習済みの畳み込みニューラルネットワークから、車両の歩行者保護性能に係る情報を取得することができる。そのため、車両の開発過程において、車両各部の図面の作成完了を待つことなく、車両の意匠形状が決定したタイミングで、車両の歩行者保護性
能の評価を行うことができる。このように上記構成によれば、車両開発工程における早いタイミングで車両の歩行者保護性能を評価することができる。

上記歩行者保護性能評価装置において、前記画像は、前記車両のフードの意匠形状を示す画像である。
上記構成によれば、車両のフードの意匠形状を示す画像を入力データとして、学習済みの畳み込みニューラルネットワークから、フードによる歩行者の頭部保護性能を評価することができる。

上記歩行者保護性能評価装置において、前記入力部は、前記フードの同一部位における異方向の断面を示す複数の画像を各別に記憶するものであり、前記教師データは、前記フードの同一部位における異方向の断面を示す複数の画像と前記歩行者保護性能に係る情報とが組み合わされてなるデータであることが好ましい。

フードの同一部位における異方向の断面を示す複数の画像が用意される場合には、一方向の断面を示す一つの画像のみが用意される場合と比較して、三次元形状のフードの形状を精度良く予測することが可能になる。上記構成によれば、そうした異方向の断面を示す複数の画像を畳み込みニューラルネットワークの入力データとして用いることができる。そのため、三次元形状をなすフードによる頭部保護性能を精度良く評価することができる。

上記歩行者保護性能評価装置において、前記歩行者保護性能に係る情報は、頭部傷害基準値、および、頭部インパクタの前記車両への侵入量、および、前記頭部インパクタの車両衝突初期における加速度のいずれか１つを含む。

上記構成によれば、フードの画像をもとに、頭部傷害基準値、頭部インパクタの前記車両への侵入量、および頭部インパクタの車両衝突初期における加速度の少なくとも１つを求めて、フードによる歩行者保護性能を評価することができる。

本発明によれば、車両開発工程における早いタイミングで車両の歩行者保護性能を評価することができる。

一実施形態の歩行者保護性能評価装置のハードウェア構成を示すブロック図。 歩行者保護性能評価装置の学習器の構造を示す略図。 評価対象車両のフードの平面図。 教師データのファイル名の一例を示す略図。 学習処理の実行手順を示すフローチャート。 評価処理の実行手順を示すフローチャート。

以下、歩行者保護性能評価装置の一実施形態について説明する。
本実施形態の歩行者保護性能評価装置は、車両のフードの断面形状を示す画像を入力データとして、学習済みの畳み込みニューラルネットワークから、同車両の歩行者保護性能を評価する装置である。具体的には、歩行者保護性能評価装置により、車両の歩行者保護性能（詳しくは、頭部保護性能）に係る情報としての以下の（値Ａ）～（値Ｄ）が求められる。

［値Ａ］頭部傷害基準値（以下、ＨＩＣ）。
［値Ｂ］歩行者保護試験用の頭部インパクタの車両フードへの侵入量に相当する値（以下、インパクタ侵入量）。

［値Ｃ］車両フードへの衝突初期（１ミリ秒）における頭部インパクタの平均加速度に相当する値（以下、１ミリ秒Ｇ）。
［値Ｄ］車両フードへの衝突初期（２ミリ秒）における頭部インパクタの平均加速度に相当する値（以下、２ミリ秒Ｇ）。

以下、本実施形態の歩行者保護性能評価装置のハードウェア構成について説明する。
図１に示すように、歩行者保護性能評価装置１０は、制御部１１、記憶部１２、入力装置１３および出力装置１４が電気的に接続されたコンピュータである。

制御部１１は、ハードウェアプロセッサであるＣＰＵ１５や、ＲＡＭ１６、ＲＯＭ１７等を有している。この制御部１１は、各種のプログラムやデータに基づいて各種の演算処理を実行するように構成されている。

記憶部１２は、ハードディスクドライブやソリッドステートドライブなどによって構成されている。この記憶部１２は、制御部１１によって実行される実行プログラム１８や、学習器の機械学習に利用される教師データ１９、機械学習の実行を通じて作成された学習データ２０、歩行者保護性能の評価対象車両の画像を記憶する入力部２１、歩行者保護性能の評価結果を示す評価結果データ２２等を記憶する。

実行プログラム１８は、歩行者保護性能評価装置１０に学習処理を実行させるとともに同学習処理の実行結果を示すデータである学習データ２０を生成させるためのプログラムであり、且つ、歩行者保護性能評価装置１０に評価処理を実行させるとともに同評価処理の実行結果を示す評価結果データ２２を生成させるためのプログラムである。教師データ１９は、歩行者保護性能を評価する能力を獲得するように、学習処理を通じて学習器の機械学習を行うためのデータである。なお、学習処理、評価処理、および教師データ１９の詳細については後に詳述する。

入力装置１３は、マウスやキーボードなどの入力を行うための装置である。また、出力装置１４は、ディスプレイやスピーカなどの出力を行うための装置である。これら入力装置１３および出力装置１４によって歩行者保護性能評価装置１０は操作される。

図２に示すように、歩行者保護性能評価装置１０は、歩行者保護性能を評価するための機械学習を行った学習済みの学習器として、畳み込みニューラルネットワーク（以下、ＣＮＮ３０）を利用する。

記憶部１２の入力部２１は、画像データを格納する第１入力フォルダ２１Ａおよび第２入力フォルダ２１Ｂを有している。第１入力フォルダ２１Ａには車両のフード外面の正面視断面を示す画像が保存される。第２入力フォルダ２１Ｂには車両のフード外面の側面視断面を示す画像が保存される。本実施形態では、図３に断面線の一部を破線で示すように、フード２５の正面視断面を示す画像を形成する箇所として、車両の前後方向（図３のＬ方向）において並ぶ複数箇所（例えば４０００箇所）が定められている。また、フード２５の側面視断面を示す画像を形成する箇所としては、車幅方向（図３のＷ方向）において並ぶ複数箇所（４０００箇所）が定められている。そうした第１入力フォルダ２１Ａ（図２）および第２入力フォルダ２１Ｂに保存される画像をもとに、制御部１１は実行プログラム１８を通じて歩行者保護性能の評価のための処理（学習処理や評価処理）を実行する。なお本実施形態では、正面視断面を示す画像および側面視断面を示す画像が、フード２
５の同一部位における異方向の断面を示す複数の画像に相当する。

歩行者保護性能評価装置１０は、画像データを数値化する数値化部３１Ａ，３１Ｂを２つ有している。第１数値化部３１Ａは第１入力フォルダ２１Ａに保存された画像データを数値化し、第２数値化部３１Ｂは第２入力フォルダ２１Ｂに保存される画像データを数値化する。これら数値化部３１Ａ，３１Ｂでは、画像データが二次元配列の値に変換される。

ＣＮＮ３０は、第１入力層３２Ａおよび第２入力層３２Ｂを有している。これら第１入力層３２Ａおよび第２入力層３２Ｂは画像データを数値化した値が入力される層である。第１入力層３２Ａには第１数値化部３１Ａによって数値化された二次元配列の値が入力され、第２入力層３２Ｂには第２数値化部３１Ｂによって数値化された二次元配列の値が入力される。

ＣＮＮ３０は第１中間層３３Ａおよび第２中間層３３Ｂを有している。第１中間層３３Ａおよび第２中間層３３Ｂはそれぞれ、入力されるデータに対して畳み込み処理を行う畳み込み層３４と、畳み込み層３４から出力されたデータに対してプーリング処理を行うプーリング層３５とを有している。第１中間層３３Ａおよび第２中間層３３Ｂはそれぞれ、畳み込み層３４およびプーリング層３５が交互に複数回（例えば３回）並ぶ構造になっている。

ＣＮＮ３０は結合層３６を有している。結合層３６は、第１中間層３３Ａから出力される値と第２中間層３３Ｂから出力される値とを結合する。
ＣＮＮ３０は４つの全結合層３７Ａ，３７Ｂ，３７Ｃ，３７Ｄを有している。これら全結合層３７Ａ～３７Ｄはいずれも、第１中間層３３Ａおよび第２中間層３３Ｂを通じて特徴部分が取り出されたデータを一つのノードに結合するとともに、活性化関数によって変換した値（特徴変数）を出力する。本実施形態では、第１全結合層３７Ａは「ＨＩＣ」に対応する値を出力する層であり、第２全結合層３７Ｂは「インパクタ侵入量」に対応する値を出力する層であり、第３全結合層３７Ｃは「１ミリ秒Ｇ」に対応する値を出力する層であり、第４全結合層３７Ｄは「２ミリ秒Ｇ」に対応する値を出力する層である。

ＣＮＮ３０は４つの出力層３８Ａ，３８Ｂ，３８Ｃ，３８Ｄを有している。これら出力層３８Ａ～３８ＤはＣＮＮ３０の最も出力側に配置される層である。本実施形態では、第１出力層３８Ａは第１全結合層３７Ａから出力された値をもとに「ＨＩＣ」を算出して出力する層であり、第２出力層３８Ｂは第２全結合層３７Ｂから出力された値をもとに「インパクタ侵入量」を算出して出力する層である。また、第３出力層３８Ｃは第３全結合層３７Ｃから出力された値をもとに「１ミリ秒Ｇ」を算出して出力する層であり、第４出力層３８Ｄは第４全結合層３７Ｄから出力された値をもとに「２ミリ秒Ｇ」を算出して出力する層である。なお本実施形態では、これら出力層３８Ａ～３８Ｄが出力部に相当する。

以下、前記学習処理の実行手順について説明する。
学習処理の実行に際して制御部１１は、記憶部１２に記憶されている実行プログラム１８をＲＡＭ１６に展開する。そして、制御部１１は、実行プログラム１８（詳しくは、学習処理）をＣＰＵ１５により実行して、ＣＮＮ３０の機械学習を実行する。

また学習処理を実行する際には、記憶部１２の第１入力フォルダ２１Ａおよび第２入力フォルダ２１Ｂに画像（詳しくは、教師データ１９）が記憶される。この画像をもとにＣＮＮ３０の機械学習が実行される。

教師データ１９は、開発済みの車両の歩行者保護性能を実際に測定した結果をもとに作
成される。教師データ１９としては、フード外面の正面視断面を示す画像と、同フード外面の側面視断面を示す画像と、歩行者保護性能の各値（ＨＩＣ、インパクタ侵入量、１ミリ秒Ｇ、２ミリ秒Ｇ）とを組み合わせたデータが多数用意されている。

教師データ１９は、各入力フォルダ２１Ａ，２１Ｂに保存される画像のファイル名によって、正面視断面を示す画像と側面視断面を示す画像と歩行者保護性能の各値とが関連付けられたデータセットになっている。具体的には、第１入力フォルダ２１Ａおよび第２入力フォルダ２１Ｂに記憶される多数の画像のうち、組み合わせ対象となる一対の画像には同一のファイル名が付与されている。また、このファイル名には、それら画像を組み合わせた場合における歩行者保護性能の各値についての情報が含まれている。学習処理の実行に際して、入力フォルダ２１Ａ，２１Ｂから同一のファイル名の画像を各別に抽出することにより、正面視断面を示す画像と側面視断面を示す画像と歩行者保護性能の各値とがセットになったデータを得ることができる。

そうしたファイル名の一例を図４に示す。図４に示す例では、ファイル名の「Ｌ１０００」が正面視断面のＬ方向位置を示しており、同ファイル名の「Ｗ２００」が側面視断面のＷ方向位置を示している。具体的には、ファイル名の「Ｌ１０００Ｗ２００」は、正面視断面のうちの車両前側から１０００番目の断面と、側面視断面のうちの車両左側から２００番目の断面とを組み合わせたデータであることを示している。また、上記ファイル名の「ＨＩＣ５００」は正面視断面と側面視断面との交点（打点座標）におけるＨＩＣが「５００」であることを示しており、同ファイル名の「ＳＴ９０」は上記打点座標におけるインパクタ侵入量が「９０」であることを示している。さらに、上記ファイル名の「１Ｇ２０」は上記打点座標における１ミリ秒Ｇが「２０」であることを示しており、同ファイル名の「２Ｇ１０」は上記打点座標における２ミリ秒Ｇが「１０」であることを示している。本実施形態では、教師データ１９として、上記打点座標毎に、多数組（例えば数千組）のデータが用意されている。

図５に示すように、本実施形態の歩行者保護性能評価装置１０では、学習処理の実行に合わせて、教師データ１９におけるフードの正面視断面を示す画像が第１入力フォルダ２１Ａに記憶されるとともに、同フードの側面視断面を示す画像が第２入力フォルダ２１Ｂに記憶される（ステップＳ１１）。

そして、学習処理では、各入力フォルダ２１Ａ，２１Ｂに記憶された画像をもとに、学習器としてのＣＮＮ３０の機械学習が実行される（ステップＳ１２）。詳しくは、各入力フォルダ２１Ａ，２１Ｂに記憶された画像のファイル名をもとに、正面視断面を示す画像と側面視断面を示す画像とが対をなす画像データが一組抽出される。そして、それら画像をＣＮＮ３０の入力データとした場合に、同画像のファイル名に含まれる歩行者保護性能の各値がＣＮＮ３０の出力値として得られるように、ＣＮＮ３０が構築される。本実施形態の学習処理では、こうしたＣＮＮ３０の機械学習が、正面視断面を示す画像と側面視断面を示す画像とが対をなす画像データの組毎に実行される態様で、繰り返し実行される。そして、このとき構築したＣＮＮ３０の構成（例えば、各層におけるニューロンの個数、ニューロン同士の結合関係、各ニューロンの伝達関数）や、各ニューロン間の結合の重み、並びに各ニューロンの閾値を示す情報が学習データ２０として記憶部１２に格納される。本実施形態では、こうした一連の処理が自動的に実行されるように、実行プログラム１８が構築されて記憶部１２に記憶されている。

以下、前記評価処理の実行手順について説明する。
評価処理の実行に際して制御部１１は、記憶部１２に記憶されている実行プログラム１８をＲＡＭ１６に展開する。なお、学習済みのＣＮＮ３０の構成や、各ニューロン間の結合の重み、並びに各ニューロンの閾値を示す情報は、記憶部１２に記憶されている学習デ
ータ２０に含まれている。本実施形態では、実行プログラム１８を展開する際に、そうした学習データ２０が参照されて、歩行者保護性能を評価する評価処理に用いる学習済みのＣＮＮ３０の設定が行われる。

図６に示すように、本実施形態の歩行者保護性能評価装置１０では、評価処理の実行に合わせて、入力装置１３の操作を通じて評価対象車両のフード２５の正面視断面を示す画像が第１入力フォルダ２１Ａに記憶されるとともに、同フード２５の側面視断面を示す画像が第２入力フォルダ２１Ｂに記憶される（ステップＳ２１）。

なお本実施形態では、評価対象車両の開発工程において意匠形状（デザイン）が決定されると、その意匠形状をもとにフード２５（詳しくは、その外面）の側面視断面を示す画像と正面視断面を示す画像とが形成される。そして、評価処理の実行に合わせて、それら画像が第１入力フォルダ２１Ａおよび第２入力フォルダ２１Ｂに保存される。

こうした評価用の画像としては、フード２５の正面視断面を示す画像と同フード２５の側面視断面を示す画像とを組み合わせた一対の画像データが前記打点座標毎に１組ずつ用意される。評価用の画像データは、各入力フォルダ２１Ａ，２１Ｂに保存される画像に付与されたファイル名によって、正面視断面を示す画像と側面視断面を示す画像とが関連付けられたデータセットになっている。具体的には、第１入力フォルダ２１Ａおよび第２入力フォルダ２１Ｂに記憶される多数の画像データのうち、組み合わせ対象となる一対の画像データには同一のファイル名（例えば、Ｌ１０００Ｗ２００．ｊｐｅｇ）が付与されている。そのため、評価処理の実行に際して、各入力フォルダ２１Ａ，２１Ｂから同一のファイル名の画像を抽出することにより、正面視断面を示す画像と側面視断面を示す画像とがセットになったデータを得ることができる。なお、例示したファイル名（Ｌ１０００Ｗ２００．ｊｐｅｇ）における「Ｌ１０００」は正面視断面のＬ方向位置を示しており、同ファイル名の「Ｗ２００」は側面視断面のＷ方向位置を示している。そのため、このファイル名は、正面視断面のうちの車両前側から１０００番目の断面と、側面視断面のうちの車両右側から２００番目の断面とを組み合わせたデータであることを示している。

本実施形態の評価処理では、一対の画像データをもとに、学習済みのＣＮＮ３０を利用して、正面視断面と側面視断面との交点（打点座標）における歩行者保護性能についての各出力値（ＨＩＣ、インパクタ侵入量、１ミリ秒Ｇ、２ミリ秒Ｇ）が求められる（ステップＳ２２）。本実施形態では、こうした歩行者保護性能についての各出力値の算出が、正面視断面を示す画像と側面視断面を示す画像とが対をなすデータセット毎に実行される態様で、繰り返し実行される。本実施形態では、こうした一連の処理が自動的に実行されるように実行プログラム１８が構築されて記憶部１２に記憶されている。

そして、全てのデータセットについての歩行者保護性能の出力値の算出が完了すると、それら出力値が出力される（ステップＳ２３）。具体的には、各衝撃打点と歩行者保護性能についての各出力値との関係を示すデータ（例えば、ＣＳＶデータ）が作成されるとともに、同データが評価結果データ２２として記憶部１２に記憶される。また、衝撃打点と歩行者保護性能についての各出力値との関係を示す表が作成されて、出力装置１４（詳しくはディスプレイ）に表示される。

本実施形態によれば、以下に記載する作用効果が得られる。
（１）車両前部が歩行者に衝突する際に、同歩行者の頭部が車両のフード２５の外面に接触することがある。そのため、フード２５の意匠形状と車両の歩行者保護性能とは高い相関を有すると云える。この点を踏まえて本実施形態では、フード２５の断面形状を示す画像と車両の歩行者保護性能に係る情報とを組み合わせた教師データ１９によって学習済みのＣＮＮ３０が予め用意される。そのため、評価対象車両の開発過程において車両の意
匠形状が決定したタイミングで、同車両のフード２５の断面形状を示す画像を作成してこれを入力データとすることにより、学習済みのＣＮＮ３０から、同車両の歩行者保護性能に係る情報（具体的には、ＨＩＣ、インパクタ侵入量、１ミリ秒Ｇ、２ミリ秒Ｇ）を取得することができる。したがって本実施形態によれば、評価対象車両の開発過程において、車両の意匠形状が決定した後に車両各部の図面の作成完了を待つことなく、車両の歩行者保護性能の評価を行うことができる。従来の装置では、図面をもとにＦＥＭによって車両をモデル化する作業やＣＡＥ解析によって車両を評価する作業は、長い時間を要する煩雑な作業であった。本実施形態によれば、そうしたＦＥＭやＣＡＥ解析を通じて車両の歩行者保護性能を評価する従来の装置と比較して、車両開発工程における格段に早いタイミングで簡単に車両の歩行者保護性能を評価することができるようになる。

（２）ＣＮＮ３０の入力データや教師データ１９を構成する画像データとして、フードの正面視断面を示す画像と側面視断面を示す画像との二種類の画像が用意される。ここで、三次元形状のフードの形状を予測する際には、その予測に用いる画像として一方向の断面を示す一枚の画像のみが用意される場合と比較して、異方向の断面を示す二枚の画像が用意される場合のほうが、同フードの形状を精度良く予測することが可能である。本実施形態によれば、そうした異方向の断面を示す二枚の画像をＣＮＮ３０の入力データや教師データ１９として用いることができる。そのため、三次元形状のフード２５の形状を正確に把握して考慮しつつ、同フード２５による歩行者保護性能を精度良く評価することができる。

（３）フード２５の断面形状を示す画像をもとに、ＨＩＣ、インパクタ侵入量、１ミリ秒Ｇ、および２ミリ秒Ｇを求めて、同フード２５による歩行者保護性能を評価することができる。

なお、上記実施形態は、以下のように変更して実施してもよい。
・教師データ１９を、フードの正面視断面を示す画像と、同フードの側面視断面を示す画像と、歩行者保護性能の各値を示す数値データファイルとを組み合わせたデータにしてもよい。要は、フードの正面視断面を示す画像と同フードの側面視断面を示す画像と歩行者保護性能の各値とが関連付けられたデータセットであれば、教師データ１９として用いることができる。

・ＣＮＮ３０の入力データおよび教師データ１９を、フードの正面視断面を示す画像および同フードの側面視断面を示す画像の一方のみを含むデータにしてもよい。また、ＣＮＮ３０の入力データおよび教師データ１９として、フードの断面を示す画像を含まずに同フードの外面形状を示す画像を含むデータを用いることもできる。

・ＣＮＮ３０の入力データおよび教師データ１９を構成する画像データとして、三枚以上の画像を用いるようにしてもよい。この場合には、それら画像データに各別に対応する態様で、画像データを保存する入力フォルダや、同画像データを数値化する数値化部、ＣＮＮの入力層および中間層を設定するようにすればよい。例えば、Ｌ方向位置の異なる複数枚の正面視断面を示す画像とＷ方向位置の異なる複数枚の側面視断面を示す画像とを、ＣＮＮ３０の入力データおよび教師データ１９を構成する画像データとして用いることができる。こうした構成によれば、フードにおける打点座標周辺の形状を考慮したうえで、フードによる歩行者保護性能を評価することができる。その他、ＣＮＮ３０の入力データおよび教師データ１９を構成する画像データとして、フードの正面視断面を示す画像と、側面視断面を示す画像と、それら正面視断面および側面視断面以外の断面を示す画像とを用いることなども可能である。

・ＣＮＮ３０の構成は任意に変更することができる。例えば各中間層３３Ａ，３３Ｂに
おいて畳み込み層３４およびプーリング層３５が交互に並ぶ回数を変更したり、ドロップアウト層を追加したりしてもよい。

・歩行者保護性能評価装置１０による評価対象項目を、ＨＩＣ、インパクタ侵入量、１ミリ秒Ｇ、および２ミリ秒Ｇのいずれか１つにしたり、いずれか２つにしたり、いずれか３つにしたりしてもよい。また、ＨＩＣ、インパクタ侵入量、１ミリ秒Ｇ、および２ミリ秒Ｇ以外の値を、歩行者保護性能評価装置１０の評価対象項目にすることもできる。

・歩行者保護性能の評価結果を出力する態様は、評価結果を示すデータを記憶部１２に記憶したり同データを出力装置１４に表示させたりすることに限らず、任意に変更することができる。

・ＣＮＮの入力データや教師データを構成する画像データに、フードの厚さを示す情報やフードの材質を示す情報を付与するようにしてもよい。例えばフードの厚さを示す情報は同フードの断面を示す線の太さを変えることによって付与することができ、フードの材質を示す情報は同フードの断面を示す線の表示色を変えることによって付与することができる。上記構成によれば、フードの厚さや材質を把握したうえで歩行者保護性能の各値の算出を行うことができるため、それら値をより精度良く算出することができる。

・歩行者保護性能の評価に用いるＣＮＮを車種毎に設定するようにしてもよい。同一の車種であれば、車両がモデルチェンジしたところで、フードの基本構造は大きくは変わらない。そのため、上記実施形態の歩行者保護性能評価装置のように、フードの外面の断面形状を示す画像を入力データとして学習済みのＣＮＮ３０から歩行者保護性能の各値を求めることにより、それら値を精度良く求めることができる。上記構成によれば、車種毎に設定されるＣＮＮを利用して、フードによる歩行者保護性能を精度よく評価することができる。

・上記実施形態にかかる歩行者保護性能評価装置は、車両のフードによる歩行者の頭部保護性能を評価する装置に限らず、車両のバンパーによる歩行者の脚部保護性能を評価する装置にも適用することができる。この場合には、バンパーの意匠形状を示す画像を入力データとして、学習済みのＣＮＮから、脚部保護性能を評価するようにすればよい。

１０…歩行者保護性能評価装置、１１…制御部、１２…記憶部、１３…入力装置、１４…出力装置、１５…ＣＰＵ、１６…ＲＡＭ、１７…ＲＯＭ、１８…実行プログラム、１９…教師データ、２０…学習データ、２１…入力部、２１Ａ…第１入力フォルダ、２１Ｂ…第２入力フォルダ、２２…評価結果データ、２５…フード、３０…畳み込みニューラルネットワーク（ＣＮＮ）、３１Ａ…第１数値化部、３１Ｂ…第２数値化部、３２Ａ…第１入力層、３２Ｂ…第２入力層、３３Ａ…第１中間層、３３Ｂ…第２中間層、３４…畳み込み層、３５…プーリング層、３６…結合層、３７Ａ…第１全結合層、３７Ｂ…第２全結合層、３７Ｃ…第３全結合層、３７Ｄ…第４全結合層、３８Ａ…第１出力層、３８Ｂ…第２出力層、３８Ｃ…第３出力層、３８Ｄ…第４出力層。

Claims (3)

1. 車両の歩行者保護性能を評価する歩行者保護性能評価装置において、
   前記車両の意匠形状を示す画像として、前記車両のフードの同一部位における異方向の断面を示す複数の画像を各別に記憶する入力部と、
   前記同一部位における異方向の断面を示す複数の画像と前記車両の歩行者保護性能に係る情報とが組み合わされてなる教師データによって学習された畳み込みニューラルネットワークを記憶する記憶部と、
   前記入力部に記憶された前記同一部位における異方向の断面を示す複数の画像を入力データとして、前記記憶部に記憶された学習済みの畳み込みニューラルネットワークから、前記車両の歩行者保護性能に係る情報を取得する出力部と、
   を有することを特徴とする歩行者保護性能評価装置。
2. 前記歩行者保護性能に係る情報は、頭部傷害基準値、および、頭部インパクタの前記車両への侵入量、および、前記頭部インパクタの車両衝突初期における加速度のいずれか１つを含む
   請求項１に記載の歩行者保護性能評価装置。
3. 車両の歩行者保護性能を評価する歩行者保護性能評価装置において、
   前記車両の意匠形状を示す画像として、前記車両のバンパーの同一部位における異方向の断面を示す複数の画像を各別に記憶する入力部と、
   前記同一部位における異方向の断面を示す複数の画像と前記車両の歩行者保護性能に係る情報とが組み合わされてなる教師データによって学習された畳み込みニューラルネットワークを記憶する記憶部と、
   前記入力部に記憶された前記同一部位における異方向の断面を示す複数の画像を入力データとして、前記記憶部に記憶された学習済みの畳み込みニューラルネットワークから、前記車両の歩行者保護性能に係る情報を取得する出力部と、
   を有することを特徴とする歩行者保護性能評価装置。

Images