本发明涉及汽车座椅,具体涉及一种座椅舒适性评分预测模型训练方法、姿态推荐方法、系统及存储介质。
背景技术:
1、汽车座椅舒适度评估技术是一个涉及机械、材料、人体工程学、计算机等多个领域的综合性技术。目前,该技术已经得到广泛应用,很多汽车制造商都重视汽车座椅的舒适度评估。
2、然而,传统的汽车座椅舒适度评估方法主要基于受试者主观评价和经验公式,缺乏客观数据支持,评估结果可能受到测试环境、测试人员、受试者体验等因素的干扰,因此存在一定的局限性。
3、具体地,现有的评估方法一般没有考虑到人体的形态特征和不同体型的受试者对不同姿态下座椅的不同反应,因此评估结果不够准确。
4、且现有的评估方法没有考虑座椅的实际使用环境和不同用户的需求,无法满足个性化的座椅需求。
技术实现思路
1、本发明所要解决的技术问题在于,提供一种座椅舒适性评分预测模型训练方法、姿态推荐方法、系统及存储介质。可以更准确地评估座椅的舒适度,能够满足用户的个性化需求,并能降低座椅开发和制造成本。
2、为解决上述技术问题,作为本发明的一方面,提供一种车辆座椅舒适性评介方法,其至少包括如下步骤:
3、获得受试者的身体数据,不同座椅姿态下每一受试者的体压分布数据,以及受试者对每一座椅姿态的多维度评价值;
4、根据所述身体数据、体压分布数据、多维度评价值生成训练集及测试集;
5、生成采用深度学习算法的座椅的舒适度评分预测模型,并采用所述训练集进行训练;
6、采用测试集对所述训练后的舒适度评分预测模型进行测试,在测试通过后获得训练好的舒适度评分预测模型。
7、其中,所述获得受试者的身体数据,不同座椅姿态下每一受试者的体压分布数据,以及受试者对每一座椅姿态的多维度评价值,进一步包括:
8、收集受试者的身体数据,包括身高、体重、腰围、腿长和臀宽信息;
9、通过至少调整座椅的座椅前后位置、靠背角度、腰部脱位和坐垫倾斜角度,设置第一数目种不同的座椅姿态对应试验,收集受试者在座椅上的体压分布数据,并将其转换为数字化数据;
10、获取受试者对每一座椅姿态的第二数目个维度上的座椅舒适度的评价值。
11、其中,所述收集受试者在座椅上的体压分布数据,并将其转换为数字化数据,进一步包括:
12、根据分别置于座椅的座垫及靠背上的多个压力传感器,获得受试者在每一座椅姿态下的坐垫压力图像和靠背压力图像;
13、分别对所述坐垫压力图像和靠背压力图像进行网格化处理,并将每个网格中的各压力数据的平均值作为该网格点的压力值;从而结合每一压力值的方向,获得坐垫压力图像和靠背压力图像对应的二维矢量数据。
14、其中,所述生成采用深度学习算法的座椅的舒适度评分预测模型,进一步包括:
15、建立编解码器神经网络,所述编解码器神经网络用于对压力图二维矢量数据的自动特征提取;其中,构建两组不同的编解码神经网络分别对坐垫压力图像和靠背压力图像对应的二维矢量数据进行特征提取;坐垫编解码器神经网络由多个隐藏层组成;靠背编解码器神经网络的编解码器中的隐藏层数目均大于坐垫编解码器神经网的编解码器中的隐藏层数目;
16、建立舒适度评分预测模型;
17、将编解码器神经网络获得的坐垫压力特征、靠背压力特征,以及归一化的受试者的身体数据行组合,得到预定长度的一维数据;将所述预定长度的一维数据和对应于受试者在座椅和靠背参数条件下的评价值,输入至舒适度评分预测模型,以采用所述训练集对所建立的舒适度评分预测模型进行训练。
18、其中,所述多维度评价值至少包括下述中至少部分的评价值:
19、座椅下沉感、整个座椅柔软感、整个座椅反弹感、整个座椅包裹感、整个座椅凉爽感、整个座椅无风感、整个座椅舒适感、整个座椅不适感、整个座椅最终评分、垫表面硬度、垫宽度感、垫下沉感、垫压力测量感、垫大腿支撑、垫底感、垫整体评分、靠背表面硬度、靠背凹陷、靠背肩支撑、靠背腰支撑强度、靠背支撑位置、靠背侧向支撑和靠背完整性的评价值。
20、本发明的另一方面,还提供一种车辆座椅姿态推荐方法,其至少包括步骤:
21、将当前用户的身体数据输入采用如前述的方法获得的训练好的舒适度评分预测模型中;
22、采用所述训练好的舒适度评分预测模型预测出当前用户在座椅不同姿态下舒适度评分,并根据评分高低推荐座椅最优调整方案。
23、本发明的另一方面,还提供一种车辆座椅舒适性评介系统,其至少包括:
24、数据获得单元,用于获得受试者的身体数据,不同座椅姿态下每一受试者的体压分布数据,以及受试者对每一座椅姿态的多维度评价值;
25、训练测试数据获得单元,用于根据所述身体数据、体压分布数据、多维度评价值生成训练集及测试集;
26、训练处理单元,用于生成采用深度学习算法的座椅的舒适度评分预测模型,采用所述训练集进行训练;
27、测试处理单元,用于采用测试集对所述训练后的舒适度评分预测模型进行测试,在测试通过后获得训练好的舒适度评分预测模型。
28、其中,所述数据获得单元进一步包括:
29、身体数据获得单元,用于收集受试者的身体数据,包括身高、体重、腰围、腿长和臀宽信息;
30、体压分布数据获得单元,用于通过至少调整座椅的座椅前后位置、靠背角度、腰部脱位和坐垫倾斜角度,设置第一数目种不同的座椅姿态对应试验,收集受试者在座椅上的体压分布数据,并将其转换为数字化数据;
31、评价值获得单元,用于获取受试者对每一座椅姿态的第二数目个维度上的座椅舒适度的评价值。
32、其中,所述体压分布数据获得单元进一步包括:
33、压力图像获得单元,用于根据分别置于座椅的座垫及靠背上的多个压力传感器,获得受试者在每一座椅姿态下的坐垫压力图像和靠背压力图像;
34、二维矢量数据获得单元,用于分别对所述坐垫压力图像和靠背压力图像进行网格化处理,并将每个网格中的各压力数据的平均值作为该网格点的压力值;从而结合每一压力值的方向,获得坐垫压力图像和靠背压力图像对应的二维矢量数据。
35、其中,所述训练处理单元进一步包括:
36、编解码网络建立单元,用于建立编解码器神经网络,对压力图二维矢量数据进行自动特征提取;其中,分别构建两组不同的编解码神经网络分别对坐垫压力图像和靠背压力图像对应的二维矢量数据进行特征提取;坐垫编解码器神经网络由多个隐藏层组成;靠背编解码器神经网络的编解码器中的隐藏层数目均大于坐垫编解码器神经网的编解码器中的隐藏层数目;
37、评分预测模型建立单元,用于建立舒适度评分预测模型;
38、训练单元,用于将编解码器神经网络获得的坐垫压力特征、靠背压力特征,以及归一化的受试者的身体数据行组合,得到预定长度的一维数据;将所述预定长度的一维数据和对应于受试者在座椅和靠背参数条件下的评价值,输入至舒适度评分预测模型,以采用所述训练集对所建立的舒适度评分预测模型进行训练。
39、相应地,本发明的再一方面,还提供一种车辆座椅姿态推荐系统,其包括:
40、数据输入单元,用于将当前用户的身体数据输入采用如权前述的系统获得的训练好的舒适度评分预测模型中;
41、预测推荐单元,采用所述训练好的舒适度评分预测模型预测出当前用户在座椅不同姿态下舒适度评分,并根据评分高低推荐座椅最优调整方案。
42、相应地,本发明的再一方面,还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前述的方法的步骤。
43、实施本发明实施例,具有如下的有益效果:
44、本发明提供了一种座椅舒适性评分预测模型训练方法、系统、姿态推荐方法、及存储介质;通过采集座椅体压分布数据,并结合不同体型受试者在指定座椅不同姿态情况下的主观评价,使用深度学习算法实现座椅舒适度在不同姿态的客观评估。本发明中的深度学习算法能够处理复杂的座椅形态和人体形态的关系,从而更准确地评估座椅的舒适度。与现有技术相比,本发明的评估方法更加精准、全面,能够更好地提高汽车座椅的设计和制造质量。
45、具体地,本发明采用深度学习算法实现主观舒适度评价与座椅体压分布及其他客观数据相结合,更客观评估座椅的舒适度,避免了个人主观评价差异和经验公式带来的误差和不确定性,使座椅舒适度评估更加准确、客观、可靠。
46、通过本发明提供分析方法得到客观舒适度评估,汽车制造企业可以更加准确地了解受试者的需求和反馈,从而针对性地改进座椅设计和制造,可以提高座椅设计和制造的效率和质量。
47、采用本发明可以降低座椅开发成本,避免了传统的主观评价和经验公式所需的大量人力和物力资源的浪费,同时提高了座椅的竞争力和市场占有率。
48、采用本发明评估出的座椅舒适度评分可以更好地满足用户的需求,满足用户的个性化的需求,能提高用户体验。