Name: 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 (Vidéo) | JoVE Journal
Uploaded: 2024-12-06T12:00:00.000+00:00
Duration: 6 min 20 s
Description: Découvrez une méthode automatisée pour générer des modèles virtuels de soldats à partir d'enregistrements caméra. Cette approche par apprentissage automatique estime la pose 3D et prédit l'exposition aux surpressions lors des entraînements militaires.

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

Les images et les vidéos utilisées dans cette étude n’ont pas été obtenues directement par les auteurs auprès de sujets humains. Une image provient de ressources gratuites sur Wikimedia Commons, qui est disponible sous une licence du domaine public. L’autre image a été fournie par des collaborateurs de l’Institut de recherche de l’armée Walter Reed (WRAIR). Les données obtenues de WRAIR n’ont pas été identifiées et ont été partagées conformément à leurs directives institutionnelles. Pour les images fournies par WRAIR, le protocole a suivi les directives du comité d’éthique de la recherche humaine de WRAIR, y compris l’obtention de toutes les approbations et consentements nécessaires.
1. Accès au module SCENE de l’outil BOP
<ol><li>Ouvrez le module SCENE de l’outil BOP à partir de l’interface de l’outil BOP en cliquant sur le bouton du module SCENE de l’outil BOP .</li>
	<li>Cliquez sur Définition du scénario , puis sur l’onglet Détails du scénario .</li>
</ol>2. Lecture et traitement des données d’image
<ol><li>Cliquez sur le bouton IMPORTATION DE L’OUTIL POSETOOL dans le module SCENE de l’outil BOP. Une fenêtre contextuelle s’ouvre, demandant à l’utilisateur de sélectionner l’image ou la vidéo appropriée.</li>
	<li>Accédez au dossier et sélectionnez l’image/vidéo appropriée à l’aide des opérations de la souris.</li>
	<li>Cliquez sur Ouvrir dans la fenêtre contextuelle une fois qu’une image est sélectionnée. REMARQUE : Cette opération lit l’image ou le fichier vidéo, génère une image si une vidéo est sélectionnée, exécute l’algorithme d’estimation de la pose en arrière-plan, génère les modèles de membres du service virtuel impliqués dans la scène d’entraînement aux armes et les charge dans le module BOP Tool SCENE dans leurs positions respectives.</li>
</ol>3. Configuration de l’arme et du tireur
<ol><li>Choisissez un nom pour le scénario à l’aide de la zone de texte sous Nom du scénario. Il s’agit d’un choix de l’utilisateur. Pour le scénario discuté ici, les développeurs ont choisi le nom de scénario BlastDemo1.</li>
	<li>Choisissez un nom personnalisé dans le champ Nom sous la définition de l’arme. Il s’agit, encore une fois, d’un choix de l’utilisateur. Pour le scénario discuté ici, les développeurs ont choisi le nom d’arme 120Mortar.</li>
	<li>Sélectionnez la classe d’arme appropriée, par exemple MORTIER LOURD, dans la liste des options du menu déroulant.</li>
	<li>Sélectionnez l’arme (M120 dans ce cas) dans la liste des choix de la liste déroulante. Lors de la sélection du système d’arme, le noyau d’explosion correspondant sera automatiquement chargé dans l’interface graphique sous le sous-onglet Charges. REMARQUE : La liste déroulante regroupera les différents systèmes d’armes possibles spécifiques à la classe d’arme choisie ci-dessus.</li>
	<li>Sélectionnez l’obus de munitions (balle d’entraînement à portée complète) pour le système d’arme choisi à l’aide des options déroulantes.</li>
	<li>Sélectionnez Aucun tireur dans les champs Anthropométrie, Posture, Casque et Armure de protection sous la définition du tireur dans les options déroulantes. Reportez-vous à la Figure 3 pour connaître la configuration du dispositif de tir et des membres du service. REMARQUE : Étant donné que le tireur sera inclus dans la scène importée à l’étape 4, aucun tireur n’a été sélectionné sous la définition du tireur.</li>
</ol><img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/66575/66575fig03.jpg"> Figure 3 : Scène d’explosion importée à partir des données de l’image. La scène de l’explosion est visible dans la fenêtre de visualisation sur le côté droit de l’outil GUI. <a href="https://www.jove.com/files/ftp_upload/66575/66575fig03large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>
4. Configuration des membres du service
<ol><li>Cliquez sur l’onglet Membres du service . Cet onglet contrôle la position et l’orientation des membres du service importés à partir des données d’image. utilisez les options X, Y, Z et de rotation pour ce faire. Pour l’avatar correspondant à l’assistant mitrailleur, les auteurs ont ajusté la position Y de 2,456 à 2 pour une position d’assistant mitrailleur plus raisonnable.</li>
	<li>Choisissez des noms personnalisés pour tous les modèles de membres de service virtuels importés dans l’interface graphique à l’aide du champ Nom sous l’onglet Membres de service. S1, S2, S3, S4 et S5 sont choisis ici pour tous les modèles de membres de service importés automatiquement. REMARQUE : Pour le scénario décrit ici, ils ont été nommés S1 et S2. Les autres champs sont automatiquement remplis. Les utilisateurs peuvent les modifier pour affiner la position/postures automatiquement estimées.</li>
	<li>Utilisez le bouton Supprimer pour supprimer S2, S4 et S5. Dans le scénario présenté ici, seuls le tireur et l’assistant mitrailleur sont présents au moment du tir. REMARQUE : Cette opération a été effectuée pour démontrer les options utilisateur personnalisées permettant de supprimer ou d’ajouter des modèles de membres du service selon les besoins à une scène existante.</li>
</ol>5. Configuration des capteurs virtuels
<ol><li>Accédez à l’onglet Capteurs . Ajoutez un nouveau capteur virtuel en cliquant sur Ajouter un capteur.</li>
	<li>Choisissez un nom personnalisé dans le champ Nom. Les développeurs ont choisi la V1 pour la démonstration dans ce document.</li>
	<li>Sélectionnez le type Virtuel en cliquant sur le menu déroulant sous le champ Type de capteur.</li>
	<li>Choisissez l’emplacement du capteur (-0,5, 2, 0,545) en modifiant les zones de texte sous les champs X, Y et Z. Pour le scénario discuté ici, les développeurs ont créé quatre capteurs différents à quatre endroits différents à des fins de démonstration. Les développeurs ont choisi V2, V3 et V4 comme noms de capteur pour les capteurs supplémentaires.</li>
	<li>Répétez les étapes de la version 5.1 à la version 5.4 pour créer des capteurs supplémentaires à (-0.5, 1, 0.545), (-0.5, 0.5, 0.545) et (-0.5, 0, 0.545). Laissez la valeur de rotation sur zéro. REMARQUE : L’utilisateur peut également choisir des capteurs planaires au cours desquels la rotation peut être utilisée pour ajuster l’orientation du capteur par rapport à la charge de souffle.</li>
</ol>6. Enregistrement et exécution du programme
<ol><li>Enregistrez la scène d’entraînement au maniement des armes en cliquant sur le bouton Enregistrer le scénario dans l’interface graphique en haut.</li>
	<li>Exécutez la simulation de surpression d’explosion pour la scène d’entraînement au tir du M120 en cliquant sur le bouton Exécuter le scénario en bas. La progression de la simulation est affichée à l’aide de la barre de progression en bas.</li>
</ol>7. Visualiser les résultats
<ol><li>Accédez à l’onglet Vue du modèle pour examiner la simulation d’exposition à la surpression de souffle.</li>
	<li>Cliquez sur le bouton Actuel pour charger la simulation terminée dans la fenêtre de visualisation.</li>
	<li>Une fois la simulation chargée, visualisez-la à l’aide du bouton Lecture en bas de l’écran.<ol><li>L’utilisateur peut choisir entre les différentes options de la barre de navigation pour lire et mettre en pause la simulation à différentes vitesses. La capture d’écran des commandes de lecture ci-dessous montre plus d’options. L’utilisateur peut contrôler la fenêtre interactive à l’aide de la souris. Cliquez avec le bouton droit de la souris et faites glisser le curseur pour faire pivoter le mode, le bouton gauche pour traduire le modèle et le bouton central pour faire défiler vers l’avant/l’arrière.</li>
	</ol></li>
	<li>Après avoir examiné la simulation, accédez à l’onglet Blast Load Metrics en cliquant dessus.</li>
	<li>Cliquez sur le bouton Actuel pour charger les graphiques de surpression aux emplacements des capteurs virtuels. REMARQUE : Cela chargera les informations de surpression aux différents emplacements du capteur dans différents tracés.</li>
	<li>Accédez à la liste déroulante Série à afficher et sélectionnez en cochant la case du capteur correspondant pour tracer la surpression enregistrée au niveau de ce capteur virtuel (voir Figure 4).</li>
</ol><img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/66575/66575fig04.jpg"> Figure 4 : Tracé des contrôles des surpressions sur différents capteurs virtuels au fil du temps. L’utilisateur peut choisir la série à afficher en cochant ou décochant les différents capteurs. <a href="https://www.jove.com/files/ftp_upload/66575/66575fig04large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>

<meta charset="utf8"></head><body>Génération de scènes virtuelles pour les simulations d’ondes de choc dans l’entraînement aux armes militaires

<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>

Au cours de l’entraînement militaire, les militaires et les instructeurs sont fréquemment exposés à des explosions de faible intensité avec des armes lourdes et légères. Des études récentes ont montré que l’exposition à l’explosion pourrait entraîner une diminution des performances neurocognitives 1,2 et des altérations des biomarqueurs sanguins 3,4,5,6. L’exposition répétée à des explosions de faible intensité pose des défis pour maintenir des performances optimales et minimiser le risque de blessure 7,8. L’approche conventionnelle utilisant des capteurs de pression portables présente des inconvénients, notamment lorsqu’il s’agit de déterminer avec précision les pressions de souffle sur la tête9. Les effets néfastes connus de l’exposition répétée à des explosions de faible intensité sur la performance humaine (p. ex. pendant l’entraînement et dans les rôles opérationnels) exacerbent ce problème. Les mandats du Congrès (articles 734 et 717) ont stipulé l’exigence de surveillance de l’exposition à l’explosion à l’entraînement et au combat et son inclusion dans le dossier médical du militaire10.
Des capteurs portables peuvent être utilisés pour surveiller la surpression de l’explosion pendant ces opérations d’entraînement au combat. Cependant, ces capteurs sont influencés par des variables telles que la posture du corps, l’orientation et la distance par rapport à la source de l’explosion en raison de la nature complexe des interactions des ondes de choc avec le corps humain9. Les facteurs suivants affectent la répartition de la pression et les mesures du capteur9 :
Distance de la source de l’explosion : L’intensité de la pression varie avec la distance à mesure que l’onde de souffle se disperse et s’atténue. Les capteurs plus proches de l’explosion enregistrent des pressions plus élevées, ce qui a un impact sur la précision et la cohérence des données.
Posture corporelle : Différentes postures exposent diverses surfaces corporelles à l’explosion, modifiant la répartition de la pression. Par exemple, la position debout ou accroupie donne des lectures de pression différentes 9,11.
Orientation : L’angle du corps par rapport à la source de l’explosion affecte la façon dont l’onde de pression interagit avec le corps, ce qui entraîne des divergences dans les lectures9. Les simulations numériques basées sur la physique fournissent des évaluations plus précises en tenant systématiquement compte de ces variables, offrant une analyse contrôlée et complète par rapport aux capteurs portables, qui sont intrinsèquement influencés par ces facteurs.
En réponse à ces défis, un effort concerté a été déployé pour mettre au point des outils plus sophistiqués. Dans cette direction, l’outil de surpression explosive (BOP) est développé. Cet outil est développé pour estimer l’exposition à la surpression dans différentes postures et positions des militaires autour des systèmes d’armes. Il y a deux modules différents sous l’outil BOP11. Il s’agit (a) du module SCENE de l’outil BOP et (b) du module SITE de l’outil BOP. Ces modules sont utilisés pour estimer la surpression de l’explosion pendant le tir de l’arme12. Le module BOP SCENE est conçu pour estimer les surpressions dues au souffle subies par les militaires ou les instructeurs participant à un scénario de formation, tandis que le module BOP SITE reconstitue une vue d’ensemble du cours de formation, décrivant les zones de surpression du souffle générées par plusieurs postes de tir. La figure 1 montre un instantané des deux modules. À l’heure actuelle, les modules de l’outil BOP comprennent des caractéristiques de surpression d’explosion d’arme (terme de source d’explosion équivalente) pour quatre systèmes d’armes de niveau 1 définis par le DoD, y compris le fusil de sniper à application spéciale (SASR) M107 de calibre .50, l’arme d’assaut montée sur l’épaule M136, le mortier à tir indirect M120 et les charges de brèche. Le terme noyau d’explosion d’arme fait référence à un terme de source d’explosion équivalent développé pour reproduire le même champ d’explosion entourant un système d’arme que celui de l’arme réelle. Une description plus détaillée du cadre de calcul utilisé pour le développement de l’outil BOP est disponible à titre de référence11. Les simulations de surpression sont exécutées à l’aide du moteur de résolution CoBi-Blast. Il s’agit d’un outil multi-échelle et multiphysique permettant de simuler des surpressions d’explosion. Les capacités de modélisation de l’explosion du moteur sont validées par rapport aux données expérimentales de la littérature12. Cet outil BOP est actuellement en cours d’intégration dans la boîte à outils des gestionnaires de champs de tir (RMTK) pour être utilisé sur différents champs de tir d’entraînement aux armes. RMTK est une suite multi-services d’outils de bureau conçue pour répondre aux besoins des gestionnaires de champs de tir de l’Armée, du Corps des Marines, de l’Armée de l’air et de la Marine en automatisant les opérations de tir, la sécurité et les processus de modernisation.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/66575/66575fig01.jpg"> Figure 1 : Interface utilisateur graphique (GUI) pour le module SCENE de l’outil BOP et le module SITE de l’outil BOP. Le module BOP SCENE est conçu pour estimer les surpressions de souffle sur les modèles de corps de militaire et d’instructeur, tandis que le module BOP SITE est destiné à fournir une estimation des contours de surpression sur un plan qui représente le terrain de formation. L’utilisateur a la possibilité de choisir la hauteur à laquelle l’avion se trouve par rapport au sol. <a href="https://www.jove.com/files/ftp_upload/66575/66575fig01large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>
L’une des limites du module SCENE de l’outil BOP existant est son utilisation de données estimées manuellement pour construire des modèles corporels de membres du service virtuel, y compris leur anthropométrie, leur posture et leur position. La génération manuelle des membres du service virtuel dans la posture appropriée demande beaucoup de travail et de temps 11,12. L’ancien outil BOP (approche héritée) utilise une base de données de postures préconfigurées pour construire la scène d’entraînement au maniement des armes sur la base des données d’image (si disponibles). De plus, étant donné que les postures sont approximées manuellement par l’évaluation visuelle, les postures correctes peuvent ne pas être capturées pour un cadre postural complexe. Par conséquent, cette approche introduit des inexactitudes dans l’estimation de l’exposition à la surpression pour chaque membre du service (car un changement de posture peut modifier l’exposition à la surpression dans les régions plus vulnérables). L’article présente les améliorations qui ont été apportées au cadre de calcul existant pour permettre la génération rapide et automatique de modèles de membres du service à l’aide d’outils d’estimation de pose de pointe existants. Cet article traite de l’amélioration de l’outil BOP, en mettant particulièrement l’accent sur le développement d’un pipeline de calcul nouveau et rapide pour reconstruire des scènes d’explosion à l’aide de données vidéo et d’image. L’outil amélioré peut également reconstruire des modèles corporels détaillés des membres du service et des instructeurs au moment du tir de l’arme, en utilisant des données vidéo pour créer des avatars personnalisés par rapport à l’approche héritée. Ces avatars reflètent fidèlement la posture des militaires. Ce travail simplifie le processus de génération de scènes d’explosion et facilite l’inclusion plus rapide des scènes d’explosion pour des systèmes d’armes supplémentaires, réduisant ainsi considérablement le temps et les efforts nécessaires à la création de scènes d’entraînement au maniement des armes. La figure 2 montre un schéma du cadre de calcul amélioré dont il est question dans le présent document.
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/66575/66575fig02.jpg"> Figure 2 : Schéma montrant l’organigramme global du processus dans le cadre de calcul. Les différentes étapes comprennent le traitement des données image/vidéo, la génération de combattants virtuels, la reconstitution de scènes d’explosion et les simulations de surpression d’explosion. <a href="https://www.jove.com/files/ftp_upload/66575/66575fig02large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>
L’article présente l’approche automatisée mise en œuvre dans l’outil BOP, qui représente une amélioration significative des outils de calcul disponibles pour estimer l’exposition à la surpression pendant la formation et les opérations. Cet outil se distingue par sa génération rapide d’avatars personnalisés et de scénarios d’entraînement, permettant des simulations immersives de surpression de souffle. Cela marque un changement significatif par rapport à la dépendance traditionnelle à l’égard des modèles de corps humain moyennés par la population, offrant une approche plus précise et individualisée.
Outils de calcul utilisés dans le processus d’automatisation L’automatisation de la génération de modèles de membres de service virtuel est un processus en plusieurs étapes qui s’appuie sur des outils de calcul avancés pour transformer des images ou des données vidéo brutes en représentations 3D détaillées. L’ensemble du processus est automatisé mais peut être adapté pour permettre la saisie manuelle de mesures connues si nécessaire.
Outils d’estimation de pose 3D : Au cœur du pipeline d’automatisation se trouvent les outils d’estimation de pose 3D. Ces outils analysent les données d’image pour identifier la position et l’orientation de chaque articulation du corps du militaire, créant ainsi un squelette numérique. Le pipeline prend actuellement en charge Mediapipe et MMPose, qui offrent des API Python. Cependant, le système est conçu dans un souci de flexibilité, permettant l’incorporation d’autres outils, tels que des caméras de profondeur, à condition qu’ils puissent produire les données 3D nécessaires sur les articulations et les os.
Générateur de modèles anthropométriques (AMG) : Une fois la pose 3D estimée, l’AMG entre en jeu. Cet outil utilise les données de pose pour créer un modèle de surface de peau 3D qui correspond aux dimensions uniques du corps du militaire. L’outil AMG permet la saisie automatisée ou manuelle de mesures anthropométriques, qui sont ensuite liées aux principaux composants de l’outil pour transformer le maillage 3D du corps en conséquence.
Modélisation squelettique OpenSim : L’étape suivante implique la plate-forme open-source OpenSim13, où un modèle squelettique est ajusté pour s’aligner sur les données de pose 3D. Les outils d’estimation de pose n’imposent pas de longueurs osseuses cohérentes dans le squelette, ce qui peut entraîner une asymétrie irréaliste dans le corps. L’utilisation d’un squelette OpenSim anatomiquement correct produit une structure osseuse plus réaliste. Des marqueurs sont placés sur le squelette OpenSim pour correspondre aux centres articulaires identifiés par l’outil d’estimation de pose. Ce modèle squelettique est ensuite fixé au maillage 3D de la peau à l’aide de techniques d’animation standard.
Cinématique inverse et scripts Python : Pour finaliser la pose du membre du service virtuel, un algorithme de cinématique inverse est utilisé. Cet algorithme ajuste le modèle squelette OpenSim pour qu’il corresponde au mieux à la pose 3D estimée. L’ensemble du pipeline de pose est entièrement automatisé et implémenté dans Python 3. Grâce à l’intégration de ces outils, le processus de génération de modèles de membres de service virtuel a été considérablement accéléré, réduisant le temps nécessaire de plusieurs jours à quelques secondes ou minutes. Cette avancée représente un bond en avant dans la simulation et l’analyse de scénarios d’entraînement au maniement des armes, fournissant des reconstitutions rapides de scénarios spécifiques documentés à l’aide d’images ou de vidéos.

<table><tbody><tr><td>Générateur de modèles anthropométriques (AMG)</td><td>Recherche CFD</td><td>N/A</td><td>Pour générer des modèles 3D de corps humain avec différentes caractéristiques anthropométriques. L’outil est DoD Open Source.</td></tr><tr><td>BOP Tool</td><td>CFD Research</td><td>N/A</td><td>Pour la mise en place de scènes d’explosion et de simulations de surpression. L’outil est open source DoD.</td></tr><tr><td>BOP Tool SCENE Module</td><td>CFD Research</td><td>N/A</td><td>Pour la mise en place de scènes d’explosion et de simulations de surpression. L’outil est open source DoD.</td></tr><tr><td>Mediapipe</td><td>Google</td><td>Version 0.9</td><td>Bibliothèque open-source d’estimation de pose.</td></tr><tr><td>MMPose</td><td>OpenMMLab</td><td>Version 1.2</td><td>Bibliothèque open-source d’estimation de pose.</td></tr><tr><td>OpenSim</td><td>Université de Stanford</td><td>Version 4.4</td><td>Plateforme open-source de modélisation et de simulation musculo-squelettique.</td></tr><tr><td>Python 3</td><td>Anaconda Inc</td><td>Version 3.8</td><td>L’édition individuelle open source contenant Python 3.8 et des packages préinstallés pour effectuer le traitement vidéo et connecter les outils d’estimation de pose.</td></tr></tbody></table>

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

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

Reconstitution automatisée des membres du service virtuel et des scènes d’explosion La génération automatisée de modèles de corps de membres de membres du service virtuel et de modèles de scènes d’entraînement aux armes a été réalisée grâce aux capacités d’automatisation de l’outil BOP. La figure 5 montre la scène d’entraînement virtuelle générée à partir des données d’image. Comme on peut l’observer ici, la scène résultante était une bonne représentation des données de l’image. L’image utilisée pour la démonstration de la figure 5 a été obtenue sur Wikimedia Commons.
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/66575/66575fig05.jpg"> Figure 5 : Scène virtuelle d’entraînement au maniement des armes à partir des données de l’image. L’image de gauche montre les données d’image correspondant au tir d’une arme AT4, et celle de droite montre la scène virtuelle d’entraînement aux armes générée automatiquement. Ce chiffre a été obtenu sur Wikimedia Commons. <a href="https://www.jove.com/files/ftp_upload/66575/66575fig05large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>
De plus, l’approche a été appliquée pour reconstituer la scène de tir de l’arme M120. L’image a été collectée par WRAIR dans le cadre d’un effort de collecte de données de pression pour l’arme de mortier M120. La figure 6 ci-dessous illustre la scène virtuelle reconstituée de tir d’arme à côté de l’image originale. Une anomalie a été observée dans la position de l’assistant mitrailleur dans la reconstitution virtuelle. Cela peut être corrigé en ajustant la position de l’assistant tireur à l’aide des options utilisateur de l’interface utilisateur de l’interface graphique BOP. De plus, la posture pelvienne de l’instructeur semblait imprécise, probablement en raison de l’obstruction des piquets dans les images. L’intégration de cette approche à d’autres modalités d’imagerie en profondeur serait bénéfique pour remédier à ces divergences.
<img alt="Figure 6" class="xfigimg" src="/files/ftp_upload/66575/66575fig06.jpg"> Figure 6 : Scène virtuelle d’entraînement aux armes à partir des données d’image. L’image de gauche montre les données d’image correspondant au tir d’une arme M120 et celle de droite montre la scène virtuelle d’entraînement aux armes générée automatiquement. <a href="https://www.jove.com/files/ftp_upload/66575/66575fig06large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>
Validation de l’approche de génération automatisée de scènes Le générateur de modèles de corps humain utilisé dans cette étude a été validé à l’aide de la base de données de balayage du corps humainANSUR II 14, qui comprenait des mesures anthropométriques à partir de données d’imagerie médicale. Une méthode de reconstruction automatisée, qui a utilisé ce générateur de modèles de corps humain, a fait l’objet d’une validation qualitative avec les données disponibles. Ce processus de validation a consisté à comparer les modèles reconstruits avec des données expérimentales (images) en les superposant. La figure 7 présente une comparaison entre les modèles d’avatars 3D et les données expérimentales. Cependant, une validation plus approfondie de cette méthode est nécessaire, ce qui nécessiterait des données expérimentales supplémentaires sur les lieux, y compris des positions précises, des postures et des orientations des différents membres du service impliqués dans une scène d’entraînement.
<img alt="Figure 7" class="xfigimg" src="/files/ftp_upload/66575/66575fig07.jpg"> Figure 7 : Comparaison qualitative du modèle de corps humain virtuel généré avec l’image. Le panneau de gauche affiche l’image d’origine, le panneau du milieu montre le modèle de corps virtuel généré et le panneau de droite montre le modèle virtuel superposé à l’image d’origine. <a href="https://www.jove.com/files/ftp_upload/66575/66575fig07large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>
Simulations représentatives de surpression de souffle Après avoir mis en place la scène d’explosion, les auteurs ont pu passer à la phase critique de l’exécution des simulations de surpression d’explosion (BOP). Cela nous permettra de comprendre la répartition des charges d’explosion sur les différents membres du service impliqués dans une scène de tir d’arme. La figure 8 présente les résultats de ces simulations BOP lors de l’événement de tir de l’arme AT4. Les simulations fournissent une visualisation détaillée des charges de surpression sur le militaire virtuel sur la scène à différents instants au fil du temps. En conclusion, les résultats démontrent non seulement la faisabilité, mais aussi l’efficacité du protocole dans la création de reconstitutions précises et analytiquement utiles de scénarios d’entraînement au maniement des armes, ouvrant ainsi la voie à des études plus avancées sur la sécurité et l’efficacité de l’entraînement militaire.
<img alt="Figure 8" class="xfigimg" src="/files/ftp_upload/66575/66575fig08.jpg"> Figure 8 : Exposition à la surpression de l’explosion sur le tireur. (A, B, C et D) Les quatre panneaux montrent que le modèle a prédit la surpression de l’explosion sur les membres du service virtuel impliqués dans le tir de mortier M120 à différents instants. Les panneaux (C) et (D) montrent la propagation de la surpression due à la réflexion du sol. <a href="https://www.jove.com/files/ftp_upload/66575/66575fig08large.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>

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

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

Recherche

JoVE Journal

Engineering

Ingénierie

Cette appliqué paradigme expérimental reproduit circonstances dans lesquelles un témoin oculaire à un véritable crime peut créer un composite du visage holistique du coupable de la mémoire, et ensuite tenter d'identifier le coupable d'une vidéo line-up contenant le coupable ou celui dans lequel il ou elle est pas présent.

Création Composite visage holistique et ultérieur vidéo Ligne-up identification par témoin oculaire Paradigm

Ici, nous décrivons virtuelle à la main et les paradigmes d'illusion virtuelle-face qui peuvent être utilisés pour étudier liés à corps auto-perception / -représentation. Ils ont déjà été utilisés dans diverses études pour démontrer que, dans des conditions spécifiques, une main virtuelle ou du visage peuvent être incorporés dans sa représentation du corps, ce qui suggère que les représentations du corps sont plutôt souples.

Création Illusions Virtual-main et Virtual-face d&#39;enquêter sur les auto-représentation

Comprendre comment les cellules sont modulés par l’exposition aux ondes de choc peut aider à identifier les mécanismes derrière les blessures déclenchés des événements de l’explosion. Ce protocole utilise le matériel de tube de choc sur mesure pour appliquer des ondes de choc à une gamme de pressions aux monocouches de cellules et d’identifier les effets ultérieurs sur la viabilité des cellules.

Évaluation primaire Blast effets In Vitro

Nous présentons ici un protocole d’un modèle d’ondes blastiques pour les rongeurs afin d’étudier les effets neurobiologiques et physiopathologiques des lésions cérébrales traumatiques légères à modérées. Nous avons mis en place une configuration de paillasse à gaz équipée de capteurs de pression permettant une génération fiable et reproductible de lésions cérébrales traumatiques légères à modérées induites par les explosions.

Modèle d’ondes de souffle de faible intensité pour l’évaluation préclinique d’une lésion cérébrale traumatique légère à tête fermée chez les rongeurs

Cet article détaille la méthodologie d’émulation de la production de force musculaire in vivo lors d’expériences de boucle de travail ex vivo à l’aide d’un muscle « avatar » d’un rongeur de laboratoire pour évaluer les contributions des transitoires de tension et de l’activation à la réponse de la force musculaire.

« Avatar », une boucle de travail ex vivo modifiée utilisant une déformation et une activation in vivo

On présente ici des méthodes pour produire des expositions répétées à des explosions de faible intensité à l’aide de souris.

Modélisation de l’exposition hautement répétitive à des explosions de faible intensité chez la souris

L’imagerie motrice dans un environnement de réalité virtuelle a de nombreuses applications dans les systèmes d’interface cerveau-ordinateur. Ce manuscrit décrit l’utilisation d’avatars numériques personnalisés qui ressemblent aux participants exécutant des mouvements imaginés par le participant dans un environnement de réalité virtuelle afin de renforcer l’immersion et le sentiment d’appartenance corporelle.

Performance d’imagerie motrice à travers des jumeaux numériques incarnés dans un environnement d’interface cerveau-ordinateur basé sur la réalité virtuelle

Cet article présente un système de reconstruction 3D photoréaliste à l’aide d’images à 360 degrés, de projections gaussiennes et d’intégration de la réalité virtuelle. L’approche peut être appliquée à différentes applications telles que l’éducation, la simulation d’environnements d’apprentissage ; la construction, pour simuler des travaux hors site et récupérer des métriques ; ou la santé, pour former les personnes autistes aux tâches de la vie quotidienne.

Paysages savants photoréalistes pour la réalité augmentée

Une méthode généralisée, conforme à FAIR, est présentée aux chercheurs experts du domaine souhaitant intégrer des outils de simulation et de traitement de données dans des flux de travail automatisés pour des expériences virtuelles 3D. Un exemple de neutronique montre la configuration d’une instance Galaxy locale, l’enveloppement d’OpenMC et des outils de conversion de fichiers, le lancement de flux de travail depuis Omniverse et la visualisation des sorties 3D converties.

Intégration des flux de travail automatisés de simulation avec la visualisation 3D pour des expériences virtuelles dans le métavers

In-situ dégressifs de fibre chalcogénure pour la mi-infrarouge génération de supercontinuum

Découvrez une méthode automatisée pour générer des modèles virtuels de soldats à partir d'enregistrements caméra. Cette approche par apprentissage automatique estime la pose 3D et prédit l'exposition aux surpressions lors des entraînements militaires.

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 (Vidéo) | JoVE Journal

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

Explorer plus de vidéos