Génération d’avatars de combattants à partir d’images de scènes d’entraînement au maniement des armes pour des simulations d’exposition à l’explosion
6 décembre 2024
Un cadre informatique a été développé pour reconstruire automatiquement des scènes virtuelles composées d’avatars 3D de soldats à l’aide d’images et/ou de données vidéo. Les scènes virtuelles aident à estimer l’exposition à la surpression d’explosion pendant l’entraînement au maniement des armes. L’outil facilite une représentation réaliste de la posture humaine dans les simulations d’exposition aux explosions dans divers scénarios.
À l’aide d’enregistrements de caméras, les travaux actuels visent à développer une méthode automatisée pour générer des modèles virtuels de combattants afin de prédire l’exposition à l’explosion dans des scénarios d’entraînement au maniement des armes. La question clé est de savoir si nous pouvons accélérer le processus de création de ces modèles de membres de services virtuels pour l’estimation rapide de l’exposition. Ce travail utilise les derniers outils basés sur l’apprentissage automatique pour l’estimation 3D de la pose humaine à partir d’une seule caméra.
Ces outils nous permettent d’extraire la position et la posture de chaque personne dans une image, rationalisant ainsi le processus de simulation d’une exposition à une explosion. L’utilisation d’autres capteurs est difficile car les militaires en formation n’ont pas le temps d’installer de nombreux capteurs différents. Cependant, une caméra peut facilement enregistrer une séance d’entraînement militaire, de sorte que notre travail exploite cette modalité pour surmonter les limites d’autres types de capteurs.
Notre outil BOP est le premier outil de calcul permettant de prédire l’explosion de notre pression sur les membres du service à l’aide de modèles à exécution rapide optimisés avec la pression sur le terrain et les données des capteurs. Il reproduit systématiquement la posture et la position des militaires pendant le tir de l’arme, dans le but d’estimer avec précision la surpression sur différentes régions anatomiques du militaire. Notre objectif est d’améliorer et de transformer l’outil de sablage ou de pression actuel en un produit de surveillance de la surpression en temps réel pour l’exposition à l’accumulateur.
Nous nous efforcerons également d’établir une corrélation entre cette dose et l’intervention de l’ATB pour l’évaluation des risques de blessures.
Aperçu
Cette étude présente un cadre computationnel conçu pour reconstruire automatiquement des scènes virtuelles de soldats à l'aide de données d'images et de vidéos. Le cadre vise à estimer l'exposition à la surpression de l'onde de choc pendant l'entraînement aux armes en simulant avec précision la posture humaine dans divers scénarios.
Composantes clés de l'étude
Domaine scientifique
- Modélisation computationnelle
- Simulations de réalité virtuelle
- Évaluation de l'exposition à l'onde de choc
Contexte
- Les méthodes existantes pour mesurer l'exposition à l'onde de choc sont limitées par la nécessité de capteurs physiques.
- Les enregistrements de caméra offrent une alternative pratique pour capturer les scénarios d'entraînement.
- Les outils d'apprentissage automatique peuvent améliorer la précision de l'estimation de la posture humaine en 3D.
- Des simulations réalistes sont cruciales pour évaluer les risques de blessures dans l'entraînement militaire.
Objectif de l'étude
- Développer une méthode automatisée pour générer des modèles virtuels de combattants.
- Prédire efficacement l'exposition à l'onde de choc dans les scénarios d'entraînement aux armes.
- Transformer l'outil de surpression de l'onde de choc en un produit de surveillance en temps réel.
Méthodes utilisées
- Utilisation d'enregistrements de caméra pour la collecte de données.
- Application de l'apprentissage automatique pour l'estimation de la posture humaine en 3D.
- Développement de l'outil BOP pour simuler l'exposition à l'onde de choc.
- Intégration d'une interface utilisateur conviviale pour la configuration des scénarios et l'exécution des simulations.
Résultats principaux
- L'outil BOP prédit avec succès la surpression de l'onde de choc sur les membres des forces armées virtuels.
- Les simulations fournissent des visualisations détaillées des charges de surpression au fil du temps.
- Le cadre permet une définition rapide des scénarios et l'exécution des simulations.
- Les résultats peuvent être utilisés pour l'évaluation des risques de blessures dans l'entraînement militaire.
Conclusions
- La méthode automatisée améliore l'efficacité de la création de modèles virtuels.
- Les simulations réalistes peuvent améliorer les mesures de sécurité dans l'entraînement militaire.
- Les travaux futurs se concentreront sur la corrélation des données d'exposition à l'onde de choc avec les résultats en termes de blessures.
Questions fréquemment posées
Executive Industry Relevance
Automated generation of anatomically accurate warfighter avatars from training scene images enables rapid, posture-specific blast exposure simulations. This capability addresses a critical gap in exposure estimation by integrating image-derived anthropometry with computational modeling, supporting predictive confidence in risk assessment. The approach enhances translational continuity from field data capture to simulation-driven safety evaluation, informing portfolio-level decisions in defense health R&D.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables mechanistic de-risking by reconstructing posture-specific exposure scenarios from real-world imagery.
- Supports functional validation of exposure-response hypotheses using anatomically accurate virtual models.
- Facilitates predictive confidence in injury risk assessment by integrating field-derived data with simulation outputs.
Screening & Assay Development
- Prepares validated virtual systems for downstream computational exposure modeling workflows.
- Standardizes avatar generation and scenario setup, improving reproducibility and scalability of blast simulations.
- Enables quantitative comparison of exposure metrics across diverse weapon systems and postures.
Translational & Preclinical Research
- Aligns simulated blast loads with translational biomarkers of injury risk when correlating exposure to biological response.
- Maintains continuity from field data acquisition through preclinical simulation and risk modeling.
- Supports risk-adjusted advancement of protective strategies based on exposure simulation outputs.
Pipeline & Workflow Integration
This protocol integrates image-based data capture with computational modeling, spanning early discovery through translational risk assessment in defense health research.
- Discovery Biology: Provides posture-specific exposure data to clarify mechanistic pathways of blast injury.
- Screening: Delivers standardized, reproducible virtual scenarios for comparative exposure analysis.
- Analytics: Outputs quantitative overpressure metrics at anatomically relevant locations for robust condition comparison.
- Translational Research: Bridges field-derived exposure data with preclinical simulation for biomarker alignment.
- Enterprise Reuse: Establishes a reusable computational platform for diverse weapon and posture scenarios.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in blast exposure estimation.
- Operational Value: Streamlines scenario setup, standardizes avatar generation, and enables scalable simulation workflows.
- Strategic Value: Informs go/no-go decisions for protective interventions and exposure mitigation strategies.
- Portfolio Impact: Supports risk-adjusted prioritization of research investments in defense health and injury prevention.
Implementation Considerations
- Requires expertise in computational modeling, image analysis, and anthropometric data extraction.
- Depends on access to camera recordings and compatible analytical infrastructure for 3D pose estimation.
- Necessitates cross-team standardization of scenario definitions and avatar segmentation protocols.
- Adaptation may be needed for different weapon systems, postures, and environmental conditions.
- Accuracy is contingent on image quality and the fidelity of machine learning-based pose estimation tools.
