Abschlussbericht zum: Verbundprojekt: ATTENTION – Artificial Intelligence for real-time injury prediction; Teilvorhaben: Menschmodellpositionierung, Model-Order-Reduction Techniken

Abstract

Ein Thema des Teilarbeitspaketes 3.1 behandelte die Verwendung einer Model-Order-Reduction Methode zur Positionierung von Menschmodellen, insbesondere des THUMS AM50 Fußgängermodells. Dieses Modell wurde zunächst mit lokalen Koordinatensystemen und Referenzpunkten instrumentiert, mit dessen Hilfe eine Vorpositionierung des Modells anhand eines gegebenen Gelenkwinkelsatzes durchgeführt wurde. Diese Vorpositionierung wurde mit Hilfe von Starrkörperdrehungen der entsprechenden Gliedmaßen realisiert. Das vorpositionierte Modell wurde dann als Zielmodell sowohl für die Erzeugung der benötigten Trainingsdaten, als auch für die MOR-basierte Positionierung verwendet. Die Trainingsdaten wurden auf zwei verschiedene Weisen erzeugt, zum Einen mit Hilfe von Simulationen nach der „Marionettenmethode“, zum Anderen auf Grundlage von geometriebasiertem Morphing mit Hilfe eines Kriging oder Radiale-Basisfunktions Ansatzes, wobei sich der erste Ansatz als besser herausstellte, da zum Einen auch physikalische Randbedingungen wie Kontakte oder Materialsteifigkeitsverteilungen im Modell berücksichtigt werden, zum Anderen die Modell-Deformationen weniger lokal ausfallen und die MOR Basis damit eine bessere Kondition aufweist, was sich direkt auf die Qualität der Positionierung auswirkt. Weiterhin wurde eine globale und eine lokale Trainingsdatenerstellung untersucht, wobei der globale Ansatz die Erzeugung einer DOE über alle Gelenkwinkelparameter beinhaltete, wobei im lokalen Ansatz die DOEs lediglich per Gelenk erstellt wurden. Ersterer Ansatz beinhaltet eine Simulation am Gesamtmodell, was allerdings bedeutet, dass bei Modelländerungen der gesamte Trainingsdatensatz neu generiert werden muss. Beim lokalen Ansatz werden lediglich einzelne Gelenke positioniert und anschliessend zur MOR Matrix assembliert. Hier können einfach Trainingsdaten nach Bedarf erstellt und zum Gesamttrainingsdatensatz hinzugefügt werden. Auch hier hat sich allerdings herausgestellt, dass die Deformationen wieder eine sehr lokale Wirkung haben, was wiederum auf eine schlechte Kondition der MOR Matrix führte. Damit ist der globalen Trainingsdatenerzeugung in Verbindung mit Positionierungssimulationen der Vortritt zu geben. Datei-Upload durch TIB One topic of the TAP 3.1 includes the use of a model-order-reduction method for the positioning of human body models, especially the THUMS AM50 pedestrian model. This model war first instrumented using local coordinate systems to measure joint angles and define rotation axes to enable a prepositioning of the model based on a given set of joint angles. The prepositioning was realized using rigid body rotations of the body limbs and the resulting model was used as a target model for the generation of the required training data and for the actual MOR based positioning. The training data was generated using two options, firstly based on simulations using the so-called marionette method, on the other hand using a geometric-based morphing method using the kriging or radial basis function approach, where the first approach was superior since it reflects physical constraints like contact conditions or material stiffness distributions within the model. On the other hand, for the latter approach the deformations are very local which eventually led to a bad conditioned MOR system, which led badly positioned models and geometric artefacts. Furthermore, a global and a local training data generation method was investigated, where in the global approach a DOE over all joint angle parameters was generated, whereas in the local approach, DOEs were generated for each joint separately. The first approach required simulations on the complete model, which meant that the whole set of training data has to be regenerated in case of model changes. The local approach includes the positioning of individual joints, also on submodels. The resulting model displacements were then assembled to the global MOR matrix. In this approach, new positions can easily be added to the set of training data in a much faster way. One observation for this approach was again, that the joint deformations were very local and thus the MOR matrix was very badly conditioned again. Therefore, a global training data generation approach using positioning simulations was favored, which led to a very high effort for the generation of the required training data.