Name: Generierung von Avataren von Soldaten aus Bildern von Waffentrainingsszenen für Explosionssimulationen (Video) | JoVE Journal
Uploaded: 2024-12-06T12:00:00.000+00:00
Duration: 6 min 20 s
Description: Erfahren Sie die automatisierte Generierung virtueller Soldatenmodelle aus Kameraaufnahmen für Explosionssimulationen. Diese computergestützte Methode nutzt maschinelles Lernen zur 3D-Pose-Schätzung und ermöglicht präzise Druckwellen-Expositionsanalysen.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Die in dieser Studie verwendeten Bilder und Videos wurden von den Autoren nicht direkt von menschlichen Probanden gewonnen. Ein Bild stammt aus freien Quellen auf Wikimedia Commons, die unter einer Public-Domain-Lizenz verfügbar sind. Das andere Bild wurde von Mitarbeitern des Walter Reed Army Institute of Research (WRAIR) zur Verfügung gestellt. Die von WRAIR erhaltenen Daten waren nicht identifiziert und wurden in Übereinstimmung mit den institutionellen Richtlinien weitergegeben. Für die von WRAIR bereitgestellten Bilder folgte das Protokoll den Richtlinien der Ethikkommission von WRAIR für die Humanforschung, einschließlich der Einholung aller erforderlichen Genehmigungen und Zustimmungen.
1. Zugriff auf das BOP Tool SCENE-Modul
<ol><li>Öffnen Sie das BOP Tool SCENE Module über die BOP Tool Interface, indem Sie auf die Schaltfläche BOP Tool SCENE Module klicken.</li>
	<li>Klicken Sie auf Szenariodefinition und dann auf die Registerkarte Szenariodetail .</li>
</ol>2. Auslesen und Verarbeiten der Bilddaten
<ol><li>Klicken Sie auf die Schaltfläche POSETOOL IMPORT im Modul SCENE des BOP-Tools. Es öffnet sich ein Pop-up-Fenster, in dem der Benutzer aufgefordert wird, das entsprechende Bild oder Video auszuwählen.</li>
	<li>Navigieren Sie zu dem Ordner und wählen Sie das entsprechende Bild/Video mit der Maus aus.</li>
	<li>Klicken Sie im Fenster-Popup auf Öffnen , sobald ein Bild ausgewählt ist. HINWEIS: Dieser Vorgang liest die Bild- oder Videodatei, generiert ein Bild, wenn ein Video ausgewählt ist, führt den Posenschätzungsalgorithmus im Hintergrund aus, generiert die Modelle der virtuellen Soldaten, die an der Waffentrainingsszene beteiligt sind, und lädt sie an ihren jeweiligen Positionen in das BOP Tool SCENE-Modul.</li>
</ol>3. Konfiguration der Waffe und des Shooters
<ol><li>Wählen Sie einen Namen für das Szenario aus, indem Sie das Textfeld unter Szenarioname verwenden. Dies ist eine Entscheidung des Benutzers. Für das hier besprochene Szenario haben die Entwickler den Szenarionamen BlastDemo1 gewählt.</li>
	<li>Wählen Sie einen benutzerdefinierten Namen im Feld Name unter der Waffendefinition. Auch dies ist eine Entscheidung des Benutzers. Für das hier besprochene Szenario haben die Entwickler den Waffennamen 120Mortar gewählt.</li>
	<li>Wählen Sie die entsprechende Waffenklasse, z.B. SCHWERER MÖRSER, aus der Liste der Optionen im Dropdown-Menü aus.</li>
	<li>Wähle die Waffe (in diesem Fall M120) aus der Liste der Auswahlmöglichkeiten in der Dropdown-Liste aus. Bei der Auswahl des Waffensystems wird der entsprechende Explosionskern automatisch in die GUI unter dem Unterreiter "Ladungen" geladen. HINWEIS: Das Dropdown-Menü enthält die verschiedenen möglichen Waffensysteme, die für die oben ausgewählte Waffenklasse spezifisch sind.</li>
	<li>Wählen Sie die Munitionsgranate (Full Range Training Round) für das gewählte Waffensystem mithilfe der Dropdown-Optionen aus.</li>
	<li>Wählen Sie in den Dropdown-Optionen in den Feldern Anthropometrie, Haltung, Helm und Schutzrüstung unter der Schützendefinition die Option Kein Schütze aus. In Abbildung 3 finden Sie konfigurierte Shooter- und Service-Member. HINWEIS: Da der Shooter in die Szene aufgenommen wird, die durch Schritt 4 importiert wurde, wurde kein Shooter unter der Shooter-Definition ausgewählt.</li>
</ol><img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/66575/66575fig03.jpg"> Abbildung 3: Importierte Explosionsszene aus den Bilddaten. Die Explosionsszene ist im Visualisierungsfenster auf der rechten Seite des GUI-Tools sichtbar. <a href="https://www.jove.com/files/ftp_upload/66575/66575fig03large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
4. Konfigurieren der Servicemitglieder
<ol><li>Klicken Sie auf die Registerkarte "Servicemitglieder ". Diese Registerkarte steuert die Position und Ausrichtung der Service-Mitglieder, die aus den Bilddaten importiert werden. Verwenden Sie dazu die Optionen X, Y, Z und ROTATION. Für den Avatar, der dem Hilfsschützen entspricht, haben die Autoren die Y-Position von 2,456 auf 2 angepasst, um eine vernünftigere Position des Hilfsschützen zu erhalten.</li>
	<li>Wählen Sie benutzerdefinierte Namen für alle Modelle virtueller Servicemitglieder aus, die in die GUI importiert wurden, indem Sie das Feld Name auf der Registerkarte Servicemitglieder verwenden. S1, S2, S3, S4 und S5 werden hier für alle automatisch importierten Modelle von Servicemitgliedern ausgewählt. HINWEIS: Für das hier beschriebene Szenario wurden sie als S1 und S2 bezeichnet. Die anderen Felder werden automatisch ausgefüllt. Benutzer können sie ändern, um die automatisch geschätzte Position/Haltung zu verfeinern.</li>
	<li>Verwenden Sie die Schaltfläche Löschen , um S2, S4 und S5 zu entfernen. In dem hier gezeigten Szenario sind zum Zeitpunkt des Schusses nur der Schütze und der Hilfsschütze anwesend. HINWEIS: Dies wurde durchgeführt, um die benutzerdefinierten Benutzeroptionen zum Löschen oder Hinzufügen von Service-Member-Modellen nach Bedarf zu einer vorhandenen Szene zu veranschaulichen.</li>
</ol>5. Konfigurieren der virtuellen Sensoren
<ol><li>Navigieren Sie zur Registerkarte Sensoren . Fügen Sie einen neuen virtuellen Sensor hinzu, indem Sie auf Sensor hinzufügen klicken.</li>
	<li>Wählen Sie im Feld Name einen benutzerdefinierten Namen aus. Die Entwickler haben V1 für die Demonstration in diesem Artikel ausgewählt.</li>
	<li>Wählen Sie den Typ als Virtuell aus, indem Sie auf das Dropdown-Menü unter dem Feld Sensortyp klicken.</li>
	<li>Wählen Sie die Position des Sensors (-0,5, 2, 0,545) aus, indem Sie die Textfelder unter den Feldern X, Y und Z bearbeiten. Für das hier besprochene Szenario haben die Entwickler zu Demonstrationszwecken vier verschiedene Sensoren an vier verschiedenen Standorten erstellt. Als Sensornamen für die zusätzlichen Sensoren haben die Entwickler V2, V3 und V4 gewählt.</li>
	<li>Wiederholen Sie die Schritte von 5.1 bis 5.4, um zusätzliche Sensoren bei (-0,5, 1, 0,545), (-0,5, 0,5, 0,545) und (-0,5, 0, 0,545) zu erstellen. Belassen Sie den Rotationswert auf Null. HINWEIS: Der Benutzer kann auch planare Sensoren wählen, bei denen die Drehung verwendet werden kann, um die Ausrichtung des Sensors in Bezug auf die Explosionscharge anzupassen.</li>
</ol>6. Speichern und Ausführen des Programms
<ol><li>Speichere die Waffentrainingsszene, indem du oben in der GUI auf die Schaltfläche "Szenario speichern" klickst.</li>
	<li>Führen Sie die Explosionsüberdrucksimulation für die M120-Waffentrainingsszene aus, indem Sie unten auf die Schaltfläche "Szenario ausführen " klicken. Der Fortschritt der Simulation wird über den Fortschrittsbalken am unteren Rand angezeigt.</li>
</ol>7. Visualisierung der Ergebnisse
<ol><li>Navigieren Sie zur Registerkarte Modellansicht, um die Simulation der Explosionsüberdruckexposition zu untersuchen.</li>
	<li>Klicken Sie auf die Schaltfläche Aktuell , um die abgeschlossene Simulation in das Visualisierungsfenster zu laden.</li>
	<li>Nachdem die Simulation geladen ist, visualisieren Sie die Simulation mit der Schaltfläche Abspielen am unteren Bildschirmrand.<ol><li>Der Benutzer kann zwischen den verschiedenen Optionen in der Navigationsleiste wählen, um die Simulation in unterschiedlichen Geschwindigkeiten abzuspielen und zu pausieren. Der Screenshot der Wiedergabesteuerung unten zeigt weitere Optionen. Der Benutzer kann das interaktive Fenster mit der Maus steuern. Klicken und ziehen Sie mit der rechten Maustaste, um den Modus zu drehen, mit der linken Taste zum Verschieben des Modells und mit der mittleren Taste zum Ein- und Ausscrollen.</li>
	</ol></li>
	<li>Nachdem Sie die Simulation überprüft haben, navigieren Sie zur Registerkarte "Blast-Load-Metriken ", indem Sie darauf klicken.</li>
	<li>Klicken Sie auf die Schaltfläche Aktuell , um die Überdruckdiagramme an den virtuellen Sensorstandorten zu laden. HINWEIS: Dadurch werden die Überdruckinformationen an den verschiedenen Sensorstandorten in verschiedenen Diagrammen geladen.</li>
	<li>Navigieren Sie zur Dropdown-Liste Anzuzeigende Reihe, und aktivieren Sie das Kontrollkästchen für den entsprechenden Sensor , um den an diesem virtuellen Sensor aufgezeichneten Überdruck darzustellen (siehe Abbildung 4).</li>
</ol><img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/66575/66575fig04.jpg"> Abbildung 4: Diagramm der Kontrollen für Überdrücke an verschiedenen virtuellen Sensoren im Zeitverlauf. Der Benutzer kann die anzuzeigende Serie auswählen, indem er die verschiedenen Sensoren aktiviert oder deaktiviert. <a href="https://www.jove.com/files/ftp_upload/66575/66575fig04large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>

<meta charset="utf8"></head><body>Virtuelle Szenengenerierung für Druckwellensimulationen in der militärischen Waffenausbildung

<ol><li>LaValle, C. R., et al. Neurocognitive performance deficits related to immediate and acute blast overpressure exposure. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aLaValle%2C+CR+%22Front+Neurol%22">Front Neurol</a>. 10, (2019).</li>
<li>Kamimori, G. H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Longitudinal+investigation+of+neurotrauma+serum+biomarkers%2C+behavioral+characterization%2C+and+brain+imaging+in+soldiers+following+repeated+low-level+blast+exposure+%28New+Zealand+Breacher+Study%29%5BTitle%5D)+AND+%22Military+Med%22%5BJournal%5D)">Longitudinal investigation of neurotrauma serum biomarkers, behavioral characterization, and brain imaging in soldiers following repeated low-level blast exposure (New Zealand Breacher Study).</a> Military Med. 183 (suppl_1), 28-33 (2018).</li>
<li>Wang, Z., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Acute+and+chronic+molecular+signatures+and+associated+symptoms+of+blast+exposure+in+military+breachers%5BTitle%5D)+AND+%22J+Neurotrauma%22%5BJournal%5D)">Acute and chronic molecular signatures and associated symptoms of blast exposure in military breachers.</a> J Neurotrauma. 37 (10), 1221-1232 (2020).</li>
<li>Gill, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Moderate+blast+exposure+results+in+increased+IL-6+and+TNF%CE%B1+in+peripheral+blood%5BTitle%5D)+AND+%22Brain+Behavior+Immunity%22%5BJournal%5D)">Moderate blast exposure results in increased IL-6 and TNFα in peripheral blood.</a> Brain Behavior Immunity. 65, 90-94 (2017).</li>
<li>Carr, W., et al. Ubiquitin carboxy-terminal hydrolase-L1 as a serum neurotrauma biomarker for exposure to occupational low-Level blast. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aCarr%2C+W+%22Front+Neurol%22">Front Neurol</a>. 6, (2015).</li>
<li>Boutté, A. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Brain-related+proteins+as+serum+biomarkers+of+acute%2C+subconcussive+blast+overpressure+exposure%3A+A+cohort+study+of+military+personnel%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">Brain-related proteins as serum biomarkers of acute, subconcussive blast overpressure exposure: A cohort study of military personnel.</a> PLoS One. 14 (8), e0221036(2019).</li>
<li>Skotak, M., et al. Occupational blast wave exposure during multiday 0.50 caliber rifle course. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aSkotak%2C+M+%22Front+Neurol%22">Front Neurol</a>. 10, (2019).</li>
<li>Kamimori, G. H., Reilly, L. A., LaValle, C. R., Silva, U. B. O. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Occupational+overpressure+exposure+of+breachers+and+military+personnel%5BTitle%5D)+AND+%22Shock+Waves%22%5BJournal%5D)">Occupational overpressure exposure of breachers and military personnel.</a> Shock Waves. 27 (6), 837-847 (2017).</li>
<li>Misistia, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Sensor+orientation+and+other+factors+which+increase+the+blast+overpressure+reporting+errors%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">Sensor orientation and other factors which increase the blast overpressure reporting errors.</a> PLoS One. 15 (10), e0240262(2020).</li>
<li>National Defense Authorization Act for Fiscal Year 2020. Wikipedia. , https://en.wikipedia.org/w/index.php?title=National_Defense_Authorization_Act_for_Fiscal_Year_2020&oldid=1183832580 (2023).</li>
<li>Przekwas, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fast-running+tools+for+personalized+monitoring+of+blast+exposure+in+military+training+and+operations%5BTitle%5D)+AND+%22Military+Med%22%5BJournal%5D)">Fast-running tools for personalized monitoring of blast exposure in military training and operations.</a> Military Med. 186 (Supplement_1), 529-536 (2021).</li>
<li>Spencer, R. W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fiscal+year+2018+National+Defense+Authorization+Act%2C+Section+734%2C+Weapon+systems+line+of+inquiry%3A+Overview+and+blast+overpressure+tool-A+module+for+human+body+blast+wave+exposure+for+safer+weapons+training%5BTitle%5D)+AND+%22Military+Med%22%5BJournal%5D)">Fiscal year 2018 National Defense Authorization Act, Section 734, Weapon systems line of inquiry: Overview and blast overpressure tool-A module for human body blast wave exposure for safer weapons training.</a> Military Med. 188 (Supplement_6), 536-544 (2023).</li>
<li>Delp, S. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((OpenSim%3A+open-source+software+to+create+and+analyze+dynamic+simulations+of+movement%5BTitle%5D)+AND+%22IEEE+Trans+Biomed+Eng%22%5BJournal%5D)">OpenSim: open-source software to create and analyze dynamic simulations of movement.</a> IEEE Trans Biomed Eng. 54 (11), 1940-1950 (2007).</li>
<li>Zhou, X., Sun, K., Roos, P. E., Li, P., Corner, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Anthropometry+model+generation+based+on+ANSUR+II+database%5BTitle%5D)+AND+%22Int+J+Digital+Human%22%5BJournal%5D)">Anthropometry model generation based on ANSUR II database.</a> Int J Digital Human. 1 (4), 321(2016).</li>
<li>Zhou, X., Przekwas, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+fast+and+robust+whole-body+control+algorithm+for+running%5BTitle%5D)+AND+%22Int+J+Human+Factors+Modell+Simulat%22%5BJournal%5D)">A fast and robust whole-body control algorithm for running.</a> Int J Human Factors Modell Simulat. 2 (1-2), 127-148 (2011).</li>
<li>Zhou, X., Whitley, P., Przekwas, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+musculoskeletal+fatigue+model+for+prediction+of+aviator+neck+manoeuvring+loadings%5BTitle%5D)+AND+%22Int+J+Human+Factors+Modell+Simulat%22%5BJournal%5D)">A musculoskeletal fatigue model for prediction of aviator neck manoeuvring loadings.</a> Int J Human Factors Modell Simulat. 4 (3-4), 191-219 (2014).</li>
<li>Roos, P. E., Vasavada, A., Zheng, L., Zhou, X. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neck+musculoskeletal+model+generation+through+anthropometric+scaling%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">Neck musculoskeletal model generation through anthropometric scaling.</a> PLoS One. 15 (1), e0219954(2020).</li>
<li>Garimella, H. T., Kraft, R. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Modeling+the+mechanics+of+axonal+fiber+tracts+using+the+embedded+finite+element+method%5BTitle%5D)+AND+%22Int+J+Numer+Method+Biomed+Eng%22%5BJournal%5D)">Modeling the mechanics of axonal fiber tracts using the embedded finite element method.</a> Int J Numer Method Biomed Eng. 33 (5), (2017).</li>
<li>Garimella, H. T., Kraft, R. H., Przekwas, A. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Do+blast+induced+skull+flexures+result+in+axonal+deformation%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">Do blast induced skull flexures result in axonal deformation.</a> PLoS One. 13 (3), e0190881(2018).</li>
<li>Przekwas, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Biomechanics+of+blast+TBI+with+time-resolved+consecutive+primary%2C+secondary%2C+and+tertiary+loads%5BTitle%5D)+AND+%22Military+Med%22%5BJournal%5D)">Biomechanics of blast TBI with time-resolved consecutive primary, secondary, and tertiary loads.</a> Military Med. 184 (Suppl 1), 195-205 (2019).</li>
<li>Gharahi, H., Garimella, H. T., Chen, Z. J., Gupta, R. K., Przekwas, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Mathematical+model+of+mechanobiology+of+acute+and+repeated+synaptic+injury+and+systemic+biomarker+kinetics%5BTitle%5D)+AND+%22Front+Cell+Neurosci%22%5BJournal%5D)">Mathematical model of mechanobiology of acute and repeated synaptic injury and systemic biomarker kinetics.</a> Front Cell Neurosci. 17, 1007062(2023).</li>
<li>Przekwas, A., Somayaji, M. R., Gupta, R. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Synaptic+mechanisms+of+blast-induced+brain+injury%5BTitle%5D)+AND+%22Front+Neurol%22%5BJournal%5D)">Synaptic mechanisms of blast-induced brain injury.</a> Front Neurol. 7, 2(2016).</li>
<li>Liu, Y., Wang, C., Zhou, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Camouflaged+people+detection+based+on+a+semi-supervised+search+identification+network%5BTitle%5D)+AND+%22Def+Technol%22%5BJournal%5D)">Camouflaged people detection based on a semi-supervised search identification network.</a> Def Technol. 21, 176-183 (2023).</li>
<li>Batpurev, T. Real time 3D body pose estimation using MediaPipe. , Available from: 
 <a target="_blank" href="https://temugeb.github.io/python/computer_vision/2021/09/14/bodypose3d.html">https://temugeb.github.io/python/computer_vision/2021/09/14/bodypose3d.html</a> (2021).</li>
</ol>

Während der militärischen Ausbildung sind Militärangehörige und Ausbilder häufig Explosionen aus geringer Höhe mit schweren und leichten Waffen ausgesetzt. Neuere Studien haben gezeigt, dass die Exposition gegenüber Blasten zu einer verminderten neurokognitiven Leistungsfähigkeit führen kann 1,2 und zu Veränderungen der Blutbiomarker 3,4,5,6. Wiederholte Exposition gegenüber schwachen Strahlen führt zu Herausforderungen bei der Aufrechterhaltung einer optimalen Leistung und der Minimierung des Verletzungsrisikos 7,8. Der herkömmliche Ansatz mit tragbaren Drucksensoren hat Nachteile, insbesondere wenn es darum geht, den Strahldruck am Kopf genau zu bestimmen9. Die bekannten nachteiligen Auswirkungen einer wiederholten Exposition gegenüber schwachen Explosionen auf die menschliche Leistungsfähigkeit (z. B. während der Ausbildung und in operativen Rollen) verschärfen dieses Problem. Mandate des Kongresses (Abschnitte 734 und 717) haben die Anforderung zur Überwachung der Explosionsexposition in Ausbildung und Kampf und deren Aufnahme in die Krankenakte des Soldaten festgelegt10.
Tragbare Sensoren können verwendet werden, um den Explosionsüberdruck während dieser Gefechtsübungsoperationen zu überwachen. Diese Sensoren werden jedoch aufgrund der komplexen Natur der Druckwellenwechselwirkungen mit dem menschlichen Körper von Variablen wie Körperhaltung, Ausrichtung und Entfernung von der Druckquelle beeinflusst9. Folgende Faktoren beeinflussen die Druckverteilung und die Sensormessungen9:
Entfernung von der Druckquelle: Die Druckintensität variiert mit der Entfernung, da sich die Druckwelle ausbreitet und abschwächt. Sensoren, die näher an der Explosion liegen, zeichnen höhere Drücke auf, was sich auf die Genauigkeit und Konsistenz der Daten auswirkt.
Körperhaltung: Unterschiedliche Körperhaltungen setzen verschiedene Körperoberflächen der Explosion aus, wodurch sich die Druckverteilung verändert. Zum Beispiel führt das Stehen im Vergleich zum Hocken zu unterschiedlichen Druckwerten 9,11.
Ausrichtung: Der Winkel des Körpers relativ zur Explosionsquelle beeinflusst, wie die Druckwelle mit dem Körper interagiert, was zu Diskrepanzen bei den Messwertenführt 9. Physikbasierte numerische Simulationen ermöglichen genauere Bewertungen, indem sie diese Variablen systematisch berücksichtigen und eine kontrollierte und umfassende Analyse im Vergleich zu tragbaren Sensoren bieten, die von Natur aus von diesen Faktoren beeinflusst werden.
Als Reaktion auf diese Herausforderungen wurden konzertierte Anstrengungen unternommen, um ausgefeiltere Instrumente zu entwickeln. In diese Richtung wird das Tool Blast Overpressure (BOP) entwickelt. Dieses Tool wurde entwickelt, um die Überdruckbelastung unter unterschiedlichen Haltungen und Positionen von Militärangehörigen um die Waffensysteme herum abzuschätzen. Unter dem BOP-Tool11 gibt es zwei verschiedene Module. Es handelt sich um (a) das BOP-Tool SCENE und (b) das BOP Tool SITE Modul. Diese Module werden verwendet, um den Explosionsüberdruck während des Waffenabfeuernsabzuschätzen 12. Das BOP SCENE-Modul wurde entwickelt, um den Explosionsüberdruck abzuschätzen, dem einzelne Militärangehörige oder Ausbilder, die an einem Trainingsszenario teilnehmen, ausgesetzt sind, während das BOP SITE-Modul eine Vogelperspektive des Trainingskurses rekonstruiert und die von mehreren Feuerstationen erzeugten Explosionsüberdruckzonen darstellt. Abbildung 1 zeigt einen Snapshot der beiden Module. Derzeit umfassen die BOP-Tool-Module Waffenüberdruckeigenschaften (äquivalenter Begriff der Explosionsquelle) für vier vom Verteidigungsministerium definierte Tier-1-Waffensysteme, darunter das M107 .50 cal Special Application Sniper Rifle (SASR), die M136 Shoulder-Mounted Assault Weapon, der M120 Indirect Fire Mortar und Durchbruchsladungen. Der Begriff Waffenexplosionskern bezieht sich auf einen äquivalenten Begriff der Explosionsquelle, der entwickelt wurde, um das gleiche Explosionsfeld zu replizieren, das ein Waffensystem umgibt wie das der eigentlichen Waffe. Eine detailliertere Beschreibung des Berechnungsrahmens, der für die Entwicklung des BOP-Tools verwendet wurde, ist für weitere Referenz11 verfügbar. Die Überdrucksimulationen werden mit der CoBi-Blast-Solver-Engine ausgeführt. Hierbei handelt es sich um ein Multiskalen-Multiphysik-Tool zur Simulation von Explosionsüberdrücken. Die Explosionsmodellierungsfähigkeiten des Motors werden anhand experimenteller Daten aus der Literaturvalidiert 12. Dieses BOP-Tool wird derzeit in das Range Managers Toolkit (RMTK) integriert und kann auf verschiedenen Waffenübungsplätzen eingesetzt werden. RMTK ist eine Multi-Service-Suite von Desktop-Tools, die entwickelt wurde, um die Anforderungen von Range-Managern in der gesamten Armee, dem Marine Corps, der Luftwaffe und der Navy zu erfüllen, indem sie den Range-Betrieb, die Sicherheit und die Modernisierungsprozesse automatisieren.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/66575/66575fig01.jpg"> Abbildung 1: Grafische Benutzeroberfläche (GUI) für das BOP-Tool SCENE Module und das BOP Tool SITE Module. Das BOP SCENE-Modul dient zur Schätzung des Explosionsüberdrucks an Körpermodellen von Soldaten und Ausbildern, während das BOP SITE-Modul eine Schätzung der Überdruckkonturen auf einer Ebene ermöglichen soll, die das Trainingsfeld darstellt. Der Benutzer hat die Möglichkeit, die Höhe zu wählen, in der sich die Ebene relativ zum Boden befindet. <a href="https://www.jove.com/files/ftp_upload/66575/66575fig01large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
Eine Einschränkung des vorhandenen BOP-Tools SCENE-Modul besteht in der Verwendung manuell geschätzter Daten für die Erstellung virtueller Modelle von Servicemitgliedern, einschließlich ihrer Anthropometrie, Haltung und Position. Die manuelle Generierung der virtuellen Servicemitglieder in der entsprechenden Haltung ist arbeits- und zeitintensiv11,12. Das Legacy-BOP-Tool (Legacy-Ansatz) verwendet eine Datenbank mit vorkonfigurierten Haltungen, um die Waffentrainingsszene auf der Grundlage der Bilddaten (falls verfügbar) zu erstellen. Da die Körperhaltungen manuell durch visuelle Beurteilung angenähert werden, können korrekte Körperhaltungen für eine komplexe Haltungseinstellung möglicherweise nicht erfasst werden. Infolgedessen führt dieser Ansatz zu Ungenauigkeiten in der geschätzten Überdruckexposition für einzelne Militärangehörige (da eine Änderung der Körperhaltung die Überdruckbelastung in anfälligeren Regionen verändern kann). Das Papier stellt Verbesserungen vor, die am bestehenden Berechnungsrahmen vorgenommen wurden, um eine schnelle und automatische Generierung von Modellen für Servicemitglieder unter Verwendung vorhandener State-of-the-Art-Tools zur Posenschätzung zu ermöglichen. In diesem Beitrag wird die Verbesserung des BOP-Tools diskutiert, wobei insbesondere die Entwicklung einer neuartigen und schnellen Rechenpipeline zur Rekonstruktion von Explosionsszenen anhand von Video- und Bilddaten im Vordergrund steht. Das verbesserte Tool kann auch detaillierte Körpermodelle von Militärangehörigen und Ausbildern zum Zeitpunkt des Waffenabschusses rekonstruieren und dabei Videodaten verwenden, um personalisierte Avatare im Vergleich zum alten Ansatz zu erstellen. Diese Avatare spiegeln die Haltung der Militärangehörigen genau wider. Diese Arbeit rationalisiert den Prozess der Generierung von Explosionsszenen und ermöglicht eine schnellere Einbeziehung von Explosionsszenen für zusätzliche Waffensysteme, wodurch der Zeit- und Arbeitsaufwand für die Erstellung von Waffentrainingsszenen erheblich reduziert wird. Abbildung 2 zeigt ein Schema des erweiterten Berechnungsrahmens, der in diesem Artikel diskutiert wird.
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/66575/66575fig02.jpg"> Abbildung 2: Schematische Darstellung des gesamten Prozessflussdiagramms im Computational Framework. Zu den verschiedenen Schritten gehören die Verarbeitung von Bild-/Videodaten, die Generierung virtueller Soldaten, die Rekonstruktion von Explosionsszenen und Simulationen von Explosionsüberdruck. <a href="https://www.jove.com/files/ftp_upload/66575/66575fig02large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
Das Papier stellt den automatisierten Ansatz vor, der in das BOP-Tool implementiert wird, was eine signifikante Verbesserung der verfügbaren Berechnungswerkzeuge zur Abschätzung der Überdruckbelastung während des Trainings und des Betriebs darstellt. Dieses Tool zeichnet sich durch die schnelle Generierung personalisierter Avatare und Trainingsszenarien aus, die immersive Explosionsüberdrucksimulationen ermöglichen. Dies stellt eine deutliche Abkehr von der traditionellen Abhängigkeit von bevölkerungsgemittelten menschlichen Körpermodellen dar und bietet einen präziseren und individuelleren Ansatz.
Rechenwerkzeuge, die im Automatisierungsprozess verwendet werden Die Automatisierung der Generierung von Modellen für virtuelle Servicemitglieder ist ein mehrstufiger Prozess, der fortschrittliche Berechnungstools nutzt, um rohe Bild- oder Videodaten in detaillierte 3D-Darstellungen umzuwandeln. Der gesamte Prozess ist automatisiert, kann aber bei Bedarf so angepasst werden, dass die manuelle Eingabe bekannter Messungen möglich ist.
Tools zur Schätzung von 3D-Posen: Das Herzstück der Automatisierungspipeline sind die 3D-Tools zur Posenschätzung. Diese Tools analysieren die Bilddaten, um die Position und Ausrichtung jedes Gelenks im Körper des Soldaten zu identifizieren und so effektiv ein digitales Skelett zu erstellen. Die Pipeline unterstützt derzeit Mediapipe und MMPose, die Python-APIs anbieten. Das System ist jedoch auf Flexibilität ausgelegt und ermöglicht die Integration anderer Werkzeuge, wie z. B. Tiefenkameras, sofern diese die erforderlichen 3D-Gelenk- und Knochendaten ausgeben können.
Anthropometrischer Modellgenerator (AMG): Sobald die 3D-Pose geschätzt ist, kommt der AMG ins Spiel. Dieses Werkzeug verwendet Posendaten, um ein 3D-Hautoberflächenmodell zu erstellen, das den einzigartigen Körperabmessungen des Service-Mitglieds entspricht. Das AMG-Tool ermöglicht die automatische oder manuelle Eingabe von anthropometrischen Messungen, die dann mit den Hauptkomponenten innerhalb des Tools verknüpft werden, um das 3D-Körpernetz entsprechend zu morphen.
OpenSim-Skelettmodellierung: Der nächste Schritt betrifft die Open-Source-OpenSim-Plattform13, bei der ein Skelettmodell angepasst wird, um es an den 3D-Posendaten auszurichten. Tools zur Posenschätzung erzwingen keine konsistenten Knochenlängen im Skelett, was zu einer unrealistischen Asymmetrie im Körper führen kann. Durch die Verwendung eines anatomisch korrekten OpenSim-Skeletts entsteht eine realistischere Knochenstruktur. Markierungen werden auf dem OpenSim-Skelett platziert, die den Gelenkzentren entsprechen, die vom Posenschätzungstool identifiziert wurden. Dieses Skelettmodell wird dann mit Hilfe von Standardanimationstechniken an das 3D-Hautnetz geriggt.
Inverse Kinematik und Python-Scripting: Um die Pose des virtuellen Servicemitglieds zu finalisieren, wird ein inverser Kinematikalgorithmus verwendet. Dieser Algorithmus passt das OpenSim-Skelettmodell so an, dass es der geschätzten 3D-Pose am besten entspricht. Die gesamte Posing-Pipeline ist vollständig automatisiert und in Python 3 implementiert. Durch die Integration dieser Tools wurde der Prozess der Generierung virtueller Servicemitgliedermodelle erheblich beschleunigt, wodurch der Zeitaufwand von Tagen auf Sekunden oder Minuten reduziert wurde. Dieser Fortschritt stellt einen Sprung nach vorne in der Simulation und Analyse von Waffentrainingsszenarien dar und ermöglicht eine schnelle Rekonstruktion spezifischer Szenarien, die mit Bildern oder Videos dokumentiert sind.

<table><tbody><tr><td>Anthropometric Model Generator (AMG)</td><td>CFD Research</td><td>N/A</td><td>Zur Generierung von 3D-Modellen des menschlichen Körpers mit unterschiedlichen anthropometrischen Eigenschaften. Das Tool ist DoD Open Source.</td></tr><tr><td>BOP Tool</td><td>CFD Research</td><td>N/A</td><td>Zum Einrichten von Strahlszenen und Überdrucksimulationen. Das Tool ist DoD Open Source.</td></tr><tr><td>BOP Tool SCENE Modul</td><td>CFD Research</td><td>N/A</td><td>Zum Einrichten von Explosionsszenen und Überdrucksimulationen. Das Tool ist DoD Open Source.</td></tr><tr><td>Mediapipe</td><td>Google</td><td>Version 0.9</td><td>Open-Source-Bibliothek zur Schätzung der Pose.</td></tr><tr><td>MMPose</td><td>OpenMMLab</td><td>Version 1.2</td><td>Open-Source-Bibliothek zur Schätzung der Pose.</td></tr><tr><td>OpenSim</td><td>Stanford University</td><td>Version 4.4</td><td>Open-Source-Plattform für die Modellierung und Simulation des Bewegungsapparates.</td></tr><tr><td>Python 3</td><td>Anaconda Inc</td><td>Version 3.8</td><td>Die Open Source Individual Edition mit Python 3.8 und vorinstallierten Paketen zur Videoverarbeitung und Anbindung der Tools zur Posenschätzung.</td></tr></tbody></table>

generierung von avataren von soldaten aus bildern von waffentrainingsszenen für explosionssimulationen

Generation of Warfighter Avatars from Weapon Training Scene Images for Blast Exposure Simulations

Automatisierte Rekonstruktion von virtuellen Soldaten und Explosionsszenen Die automatisierte Generierung von Modellen für virtuelle Militärangehörige und Waffentrainingsszenen wurde durch die Automatisierungsfunktionen des BOP-Tools erreicht. Abbildung 5 zeigt die aus den Bilddaten generierte virtuelle Trainingsszene. Wie hier zu sehen ist, war die resultierende Szene eine gute Darstellung der Bilddaten. Das Bild, das zur Demonstration in Abbildung 5 verwendet wird, stammt von Wikimedia Commons.
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/66575/66575fig05.jpg"> Abbildung 5: Virtuelle Waffentrainingsszene aus den Bilddaten. Das linke Bild zeigt die Bilddaten, die dem Abschuss einer AT4-Waffe entsprechen, und die rechte Seite zeigt die virtuelle, automatisch generierte Waffentrainingsszene. Diese Zahl stammt von Wikimedia Commons. <a href="https://www.jove.com/files/ftp_upload/66575/66575fig05large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
Zusätzlich wurde der Ansatz angewendet, um die Schussszene der M120-Waffe zu rekonstruieren. Das Bild wurde von WRAIR im Rahmen einer Druckdatenerfassung für die Mörserwaffe M120 gesammelt. Abbildung 6 unten zeigt die rekonstruierte Szene mit dem Abschuss einer virtuellen Waffe neben dem Originalbild. Eine Diskrepanz wurde in der Position des Hilfsschützen in der virtuellen Rekonstruktion festgestellt. Dies kann korrigiert werden, indem die Position des Hilfsschützen mit den Benutzeroptionen der BOP-GUI angepasst wird. Darüber hinaus schien die Beckenhaltung des Instruktors ungenau zu sein, wahrscheinlich aufgrund einer Obstruktion durch die Pfähle auf den Bildern. Die Integration dieses Ansatzes mit anderen Tiefenbildgebungsmodalitäten wäre von Vorteil, um diese Diskrepanzen zu beheben.
<img alt="Figure 6" class="xfigimg" src="/files/ftp_upload/66575/66575fig06.jpg"> Abbildung 6: Virtuelle Waffentrainingsszene aus den Bilddaten. Das linke Bild zeigt die Bilddaten, die dem Abschuss einer M120-Waffe entsprechen, und die rechte Seite zeigt die virtuelle, automatisch generierte Waffentrainingsszene. <a href="https://www.jove.com/files/ftp_upload/66575/66575fig06large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
Validierung des Ansatzes der automatisierten Szenengenerierung Der in dieser Studie verwendete Modellgenerator für den menschlichen Körper wurde mit der ANSUR II-Datenbank14 für menschliche Körperscans validiert, die anthropometrische Messungen aus medizinischen Bildgebungsdaten enthielt. Eine automatisierte Rekonstruktionsmethode, die diesen Modellgenerator des menschlichen Körpers verwendete, wurde mit den vorliegenden Daten einer qualitativen Validierung unterzogen. Bei diesem Validierungsprozess wurden die rekonstruierten Modelle mit experimentellen Daten (Bildern) verglichen, indem diese überlagert wurden. Abbildung 7 zeigt einen Vergleich zwischen den 3D-Avatarmodellen und den experimentellen Daten. Eine gründlichere Validierung dieser Methode ist jedoch erforderlich, was zusätzliche experimentelle Daten aus der Szene erfordern würde, einschließlich präziser Positionen, Haltungen und Orientierungen der verschiedenen Soldaten, die an einer Übungsszene beteiligt sind.
<img alt="Figure 7" class="xfigimg" src="/files/ftp_upload/66575/66575fig07.jpg"> Abbildung 7: Qualitativer Vergleich des generierten virtuellen menschlichen Körpermodells mit dem Bild. Der linke Bereich zeigt das Originalbild, der mittlere Bereich das generierte virtuelle Körpermodell und der rechte Bereich das virtuelle Modell, das sich mit dem Originalbild überlappt. <a href="https://www.jove.com/files/ftp_upload/66575/66575fig07large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
Repräsentative Strahlüberdrucksimulationen Nach dem Einrichten der Explosionsszene konnten die Autoren mit der kritischen Phase der Durchführung von Explosionsüberdrucksimulationen (BOP) fortfahren. Dies wird es uns ermöglichen, die Verteilung der Explosionslasten auf verschiedene Militärangehörige zu verstehen, die an einer Waffenschussszene beteiligt sind. Abbildung 8 zeigt die Ergebnisse dieser BOP-Simulationen während des AT4-Waffenfeuerereignisses. Die Simulationen bieten eine detaillierte Visualisierung der Überdruckbelastungen des virtuellen Soldaten in der Szene zu verschiedenen Zeitpunkten im Zeitverlauf. Zusammenfassend lässt sich sagen, dass die Ergebnisse nicht nur die Machbarkeit, sondern auch die Wirksamkeit des Protokolls bei der Erstellung genauer und analytisch nützlicher Rekonstruktionen von Waffentrainingsszenarien belegen und damit den Weg für weiterführende Studien zur Sicherheit und Effizienz der militärischen Ausbildung ebnen.
<img alt="Figure 8" class="xfigimg" src="/files/ftp_upload/66575/66575fig08.jpg"> Abbildung 8: Explosionsüberdruckbelastung des Schützen. (A, B, C und D) Die vier Felder zeigen den vom Modell vorhergesagten Explosionsüberdruck auf die virtuellen Soldaten, die zu verschiedenen Zeitpunkten am M120-Mörserabschuss beteiligt waren. Die Paneele (C) und (D) zeigen die Überdruckausbreitung aufgrund der Bodenreflexion. <a href="https://www.jove.com/files/ftp_upload/66575/66575fig08large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>

Generierung von Avataren von Soldaten aus Bildern von Waffentrainingsszenen für Explosionssimulationen

Military personnel involved in weapon training are subjected to repeated low-level blasts. The prevailing method of estimating blast loads involves ...

generation-warfighter-avatars-from-weapon-training-scene-images-for

Research

Forschung

JoVE Journal

Engineering

Ingenieurwesen

Dies galt experimentelle Paradigma repliziert Umstände, unter denen ein Augenzeuge zu einem echten Verbrechen kann einen ganzheitlichen Gesichtsverbund des Täters aus dem Speicher zu erstellen, und dann versuchen, den Täter von einer Video Line-up, das die Täter oder eines, in dem er oder sie zu identifizieren nicht anwesend.

Ganzheitliche Gesichts Composite-Erstellung und nachfolgenden Video Aufstellung Eyewitness Identification Paradigm

Hier beschreiben wir virtuelle Hand und virtuellen Gesicht Illusion Paradigmen, die verwendet werden können, körperbezogene Selbstwahrnehmung / -Darstellung zu studieren. Sie wurden bereits in verschiedenen Studien verwendet wurde, das zu demonstrieren, unter bestimmten Bedingungen eine virtuelle Hand oder das Gesicht kann in eines der Körperdarstellung eingearbeitet werden, was darauf hindeutet, dass Körper Darstellungen sind ziemlich flexibel.

Virtuelle Hand und Virtual-face Illusions Erstellen zur Untersuchung der Selbstdarstellung

Verstehen, wie Zellen durch die Einwirkung von Stoßwellen moduliert werden kann helfen, die Mechanismen hinter Verletzungen von Blast-Ereignisse ausgelöst. Dieses Protokoll verwendet speziell angefertigten Schock Röhre Ausrüstung Zelle Monolagen Stoßwellen bei einer Reihe von Belastungen zuweisen und die Folgewirkungen im Zellviabilität zu identifizieren.

Bewertende primäre Explosion Effekte In Vitro

Wir stellen hier ein Protokoll eines Blastwellenmodells für Nagetiere vor, um neurobiologische und pathophysiologische Wirkungen von leichten bis mittelschweren traumatischen Hirnverletzungen zu untersuchen. Wir haben ein gasbetriebenes Tisch-Setup etabliert, das mit Drucksensoren ausgestattet ist, die eine zuverlässige und reproduzierbare Erzeugung von blastinduzierten leichten bis mittelschweren traumatischen Hirnverletzungen ermöglichen.

Low-Intensity Blast Wave Model for Preclinical Assessment of Closed-Head Mild Traumatic Brain Injury bei Nagetieren

Dieser Artikel beschreibt die Methodik zur Emulation der in vivo Muskelkraftproduktion während ex vivo Arbeitsschleifenexperimenten mit einem "Avatar"-Muskel von einem Labornagetier, um die Beiträge von Dehnungstransienten und Aktivierung zur Muskelkraftreaktion zu bewerten.

"Avatar", ein modifiziertes ex vivo Work Loop Experimente mit in vivo Stamm und Aktivierung

Hier werden Verfahren zur Erzeugung wiederholter Blast-Expositionen geringer Intensität mit Hilfe von Mäusen vorgestellt.

Modellierung einer hochrepetitiven Explosionsexposition auf niedrigem Niveau bei Mäusen

Motorische Bilder in einer Virtual-Reality-Umgebung haben breite Anwendungen in Gehirn-Computer-Schnittstellensystemen. Dieses Manuskript beschreibt die Verwendung personalisierter digitaler Avatare, die den Teilnehmern ähneln, die Bewegungen ausführen, die sich der Teilnehmer in einer Virtual-Reality-Umgebung vorstellt, um die Immersion und das Gefühl der Körperverantwortung zu verbessern.

Leistung der motorischen Bildgebung durch verkörperte digitale Zwillinge in einer Virtual-Reality-fähigen Gehirn-Computer-Schnittstellenumgebung

In diesem Beitrag wird ein System für die fotorealistische 3D-Rekonstruktion unter Verwendung von 360-Grad-Bildern, Gaußscher Splatting und Virtual-Reality-Integration vorgestellt. Der Ansatz kann auf verschiedene Anwendungen angewendet werden, z. B. in der Bildung, bei der Simulation von Lernumgebungen; Bauwesen, um Arbeiten außerhalb der Baustellen zu simulieren und Metriken abzurufen; oder im Gesundheitswesen, um autistische Menschen in Aufgaben des täglichen Lebens zu schulen.

Fotorealistische Lernlandschaften für Augmented Reality

Eine verallgemeinerte, FAIR-konforme Methode wird für Fachexperten vorgestellt, die Simulations- und Datenverarbeitungswerkzeuge in automatisierte Arbeitsabläufe für 3D-virtuelle Experimente integrieren möchten. Ein Beispiel für Neutronics zeigt, wie man eine lokale Galaxy-Instanz einrichtet, OpenMC und Dateikonvertierungstools umpackt, Workflows aus Omniverse startet und die konvertierten 3D-Ausgaben visualisiert.

Integration automatisierter Simulations-Workflows mit 3D-Visualisierung für virtuelle Experimente im Metaverse

In-situ Verjüngung Chalcogenide Fiber für Mid-infrared Supercontinuum-Generation

Erfahren Sie die automatisierte Generierung virtueller Soldatenmodelle aus Kameraaufnahmen für Explosionssimulationen. Diese computergestützte Methode nutzt maschinelles Lernen zur 3D-Pose-Schätzung und ermöglicht präzise Druckwellen-Expositionsanalysen.

Generierung von Avataren von Soldaten aus Bildern von Waffentrainingsszenen für Explosionssimulationen

Weitere Videos entdecken