Name: Generazione di avatar di combattenti da immagini di scene di addestramento con armi per simulazioni di esposizione allesplosione (Video) | JoVE Journal
Uploaded: 2024-12-06T12:00:00.000+00:00
Duration: 6 min 20 s
Description: Scopri un metodo computazionale per generare avatar di combattenti da immagini di addestramento militare. Utilizza machine learning per la stima della posa 3D e simula l'esposizione alle esplosioni con il BOP Tool.

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

Le immagini e i video utilizzati in questo studio non sono stati ottenuti direttamente dagli autori da soggetti umani. Un'immagine è stata tratta da risorse gratuite su Wikimedia Commons, che è disponibile con una licenza di pubblico dominio. L'altra immagine è stata fornita dai collaboratori del Walter Reed Army Institute of Research (WRAIR). I dati ottenuti da WRAIR non sono stati identificati e sono stati condivisi in conformità con le loro linee guida istituzionali. Per le immagini fornite da WRAIR, il protocollo ha seguito le linee guida del comitato etico per la ricerca umana di WRAIR, incluso l'ottenimento di tutte le approvazioni e i consensi necessari.
1. Accesso al modulo BOP Tool SCENE
<ol><li>Aprire il BOP Tool SCENE Module dall'interfaccia dello strumento BOP facendo clic sul pulsante BOP Tool SCENE Module .</li>
	<li>Fare clic su Definizione scenario , quindi fare clic sulla scheda Dettagli scenario .</li>
</ol>2. Lettura ed elaborazione dei dati dell'immagine
<ol><li>Fare clic sul pulsante POSETOOL IMPORT nel modulo SCENE dello strumento BOP. Si apre una finestra pop-up che chiede all'utente di selezionare l'immagine o il video pertinente.</li>
	<li>Passare alla cartella e selezionare l'immagine/video pertinente utilizzando le operazioni del mouse.</li>
	<li>Fare clic su Apri nel pop-up della finestra una volta selezionata un'immagine. NOTA: Questa operazione legge l'immagine o il file video, genera un'immagine se è selezionato un video, esegue l'algoritmo di stima della posa in background, genera i modelli dei membri del servizio virtuale coinvolti nella scena di addestramento con le armi e li carica nel modulo BOP Tool SCENE nelle rispettive posizioni.</li>
</ol>3. Configurazione dell'arma e del tiratore
<ol><li>Scegliere un nome per lo scenario utilizzando la casella di testo in Nome scenario. Si tratta di una scelta dell'utente. Per lo scenario descritto qui, gli sviluppatori hanno scelto il nome dello scenario BlastDemo1.</li>
	<li>Scegli un nome personalizzato nel campo Nome sotto la definizione dell'arma. Si tratta, ancora una volta, di una scelta dell'utente. Per lo scenario qui discusso, gli sviluppatori hanno scelto il nome dell'arma 120Mortar.</li>
	<li>Seleziona la classe di arma appropriata, ad esempio MORTAIO PESANTE, dall'elenco delle opzioni nel menu a discesa.</li>
	<li>Seleziona l'arma (M120 in questo caso) dall'elenco delle scelte nel menu a discesa. Dopo aver selezionato il sistema d'arma, il kernel dell'esplosione corrispondente verrà caricato automaticamente nell'interfaccia grafica nella sottoscheda Cariche. NOTA: Il menu a tendina conterrà i diversi possibili sistemi d'arma specifici per la classe di armi scelta sopra.</li>
	<li>Seleziona il proiettile per munizioni (round di addestramento a raggio completo) per il sistema d'arma scelto utilizzando le opzioni a discesa.</li>
	<li>Seleziona Nessun tiratore nei campi Antropometria, Postura, Elmetto e Armatura protettiva sotto Definizione tiratore dalle opzioni a discesa. Vedere la Figura 3 per il tiratore configurato e i membri del servizio. NOTA: Poiché lo sparatutto sarà incluso nella scena importata tramite il passaggio 4, non è stato selezionato alcun sparatutto nella definizione dello sparatutto.</li>
</ol><img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/66575/66575fig03.jpg"> Figura 3: Scena dell'esplosione importata dai dati dell'immagine. La scena dell'esplosione è visibile nella finestra di visualizzazione sul lato destro dello strumento GUI. <a href="https://www.jove.com/files/ftp_upload/66575/66575fig03large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
4. Configurazione dei membri del servizio
<ol><li>Fare clic sulla scheda Membri del servizio . Questa scheda controlla la posizione e l'orientamento dei membri del servizio importati dai dati dell'immagine; A tale scopo, utilizzare le opzioni X, Y, Z e di rotazione. Per l'avatar corrispondente all'assistente artigliere, gli autori hanno regolato la posizione Y da 2,456 a 2 per una posizione più ragionevole dell'assistente artigliere.</li>
	<li>Scegliere nomi personalizzati per tutti i modelli di membri del servizio virtuali importati nella GUI utilizzando il campo Nome nella scheda Membri del servizio. S1, S2, S3, S4 e S5 vengono scelti qui per tutti i modelli di membri del servizio importati automaticamente. NOTA: per lo scenario descritto qui, sono stati denominati S1 e S2. Gli altri campi vengono compilati automaticamente. Gli utenti possono modificarli per perfezionare la posizione/posture stimate automaticamente.</li>
	<li>Utilizzare il pulsante Elimina per rimuovere S2, S4 e S5. Nello scenario qui dimostrato, solo il tiratore e l'assistente mitragliere sono presenti al momento dello sparo. NOTA: questa operazione è stata eseguita per dimostrare le opzioni utente personalizzate per eliminare o aggiungere modelli di membri del servizio in base alle esigenze a una scena esistente.</li>
</ol>5. Configurazione dei sensori virtuali
<ol><li>Vai alla scheda Sensori . Aggiungi un nuovo sensore virtuale facendo clic su Aggiungi sensore.</li>
	<li>Scegli un nome personalizzato nel campo Nome. Gli sviluppatori hanno scelto V1 per la dimostrazione in questo documento.</li>
	<li>Selezionare il tipo come Virtuale facendo clic sul menu a discesa sotto il campo Tipo di sensore.</li>
	<li>Scegliere la posizione del sensore (-0,5, 2, 0,545) modificando le caselle di testo nei campi X, Y e Z. Per lo scenario qui discusso, gli sviluppatori hanno creato quattro diversi sensori in quattro diverse posizioni a scopo dimostrativo. Gli sviluppatori hanno scelto V2, V3 e V4 come nomi dei sensori aggiuntivi.</li>
	<li>Ripetere i passaggi da 5.1 a 5.4 per creare sensori aggiuntivi a (-0.5, 1, 0.545), (-0.5, 0.5, 0.545) e (-0.5, 0, 0.545). Lasciate il valore Rotazione (Rotation) su zero. NOTA: L'utente può anche scegliere sensori planari durante i quali la rotazione può essere utilizzata per regolare l'orientamento del sensore rispetto alla carica di sabbiatura.</li>
</ol>6. Salvataggio ed esecuzione del programma
<ol><li>Salva la scena di addestramento con le armi facendo clic sul pulsante Salva scenario nella GUI in alto.</li>
	<li>Esegui la simulazione della sovrapressione dell'esplosione per la scena di addestramento dell'arma M120 facendo clic sul pulsante Esegui scenario in basso. L'avanzamento della simulazione viene visualizzato utilizzando la barra di avanzamento in basso.</li>
</ol>7. Visualizzazione dei risultati
<ol><li>Passare alla scheda Vista modello per esaminare la simulazione dell'esposizione alla sovrapressione dell'esplosione.</li>
	<li>Fare clic sul pulsante Corrente per caricare la simulazione completata nella finestra di visualizzazione.</li>
	<li>Una volta caricata la simulazione, visualizzala utilizzando il pulsante Riproduci nella parte inferiore dello schermo.<ol><li>L'utente può scegliere tra le diverse opzioni nella barra di navigazione per riprodurre e mettere in pausa la simulazione a velocità diverse. Lo screenshot dei controlli di riproduzione qui sotto mostra più opzioni. L'utente può controllare la finestra interattiva utilizzando il mouse. Fare clic con il pulsante destro del mouse e trascinare per ruotare la modalità, il pulsante sinistro per traslare il modello e il pulsante centrale per scorrere avanti/indietro.</li>
	</ol></li>
	<li>Dopo aver esaminato la simulazione, accedere alla scheda Metriche del carico di esplosione facendo clic su di essa.</li>
	<li>Fare clic sul pulsante Corrente per caricare i grafici di sovrapressione nelle posizioni dei sensori virtuali. NOTA: Questo caricherà le informazioni sulla sovrapressione nelle diverse posizioni dei sensori in diversi grafici.</li>
	<li>Passare al menu a discesa Serie da visualizzare e selezionare selezionando la casella per il sensore corrispondente per tracciare la sovrapressione registrata su quel sensore virtuale (vedere la Figura 4).</li>
</ol><img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/66575/66575fig04.jpg"> Figura 4: Tracciare i controlli per le sovrapressioni in diversi sensori virtuali nel tempo. Gli utenti possono scegliere la serie da visualizzare selezionando o deselezionando i diversi sensori. <a href="https://www.jove.com/files/ftp_upload/66575/66575fig04large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>

<meta charset="utf8"></head><body>Generazione di scene virtuali per simulazioni di onde d'urto nell'addestramento alle armi militari

<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>

Durante l'addestramento militare, i membri del servizio e gli istruttori sono spesso esposti a esplosioni di basso livello con armi pesanti e leggere. Studi recenti hanno dimostrato che l'esposizione alle esplosioni potrebbe portare a una diminuzione delle prestazioni neurocognitive 1,2 e ad alterazioni dei biomarcatori ematici 3,4,5,6. L'esposizione ripetuta a basse esplosioni comporta difficoltà nel mantenere prestazioni ottimali e ridurre al minimo il rischio di lesioni 7,8. L'approccio convenzionale che utilizza sensori di pressione indossabili presenta degli svantaggi, in particolare quando si tratta di determinare con precisione le pressioni di granigliatura sulla testa9. Gli effetti negativi noti dell'esposizione ripetuta a basse esplosioni sulle prestazioni umane (ad esempio, durante l'addestramento e nei ruoli operativi) aggravano questo problema. I mandati del Congresso (Sezioni 734 e 717) hanno stabilito l'obbligo di monitorare l'esposizione alle esplosioni durante l'addestramento e il combattimento e la sua inclusionenella cartella clinica del membro del servizio.
I sensori indossabili possono essere utilizzati per monitorare la sovrapressione dell'esplosione durante queste operazioni di addestramento al combattimento. Tuttavia, questi sensori sono influenzati da variabili come la postura del corpo, l'orientamento e la distanza dalla sorgente di esplosione a causa della natura complessa delle interazioni delle onde d'urto con il corpo umano9. I seguenti fattori influenzano la distribuzione della pressione e le misurazioni del sensore9:
Distanza dalla sorgente di esplosione: l'intensità della pressione varia con la distanza man mano che l'onda d'urto si disperde e si attenua. I sensori più vicini alla granigliatura registrano pressioni più elevate, compromettendo l'accuratezza e la coerenza dei dati.
Postura del corpo: diverse posture espongono varie superfici del corpo all'esplosione, alterando la distribuzione della pressione. Ad esempio, stare in piedi rispetto a accovacciarsi comporta letture di pressione diverse 9,11.
Orientamento: l'angolo del corpo rispetto alla sorgente di esplosione influisce sul modo in cui l'onda di pressione interagisce con il corpo, portando a discrepanze nelle letture9. Le simulazioni numeriche basate sulla fisica forniscono valutazioni più accurate tenendo sistematicamente conto di queste variabili, offrendo un'analisi controllata e completa rispetto ai sensori indossabili, che sono intrinsecamente influenzati da questi fattori.
In risposta a queste sfide, c'è stato uno sforzo concertato per sviluppare strumenti più sofisticati. In questa direzione, viene sviluppato l'utensile di sovrapressione di granigliatura (BOP). Questo strumento è stato sviluppato per stimare l'esposizione alla sovrapressione in presenza di diverse posture e posizioni dei membri del servizio intorno ai sistemi d'arma. Ci sono due diversi moduli sotto lo strumento BOP11. Si tratta di (a) il modulo BOP tool SCENE e (b) il modulo BOP tool SITE. Questi moduli vengono utilizzati per stimare la sovrapressione dell'esplosione durante il fuoco dell'arma12. Il modulo BOP SCENE è sviluppato per stimare le sovrapressioni di esplosione sperimentate dai singoli membri del servizio o dagli istruttori che partecipano a uno scenario di addestramento, mentre il modulo BOP SITE ricostruisce una vista a volo d'uccello del corso di addestramento, raffigurando le zone di sovrapressione di esplosione generate da più stazioni di sparo. La Figura 1 mostra un'istantanea di entrambi i moduli. Attualmente, i moduli BOP Tool comprendono le caratteristiche di sovrapressione dell'esplosione dell'arma (termine equivalente della sorgente di esplosione) per quattro sistemi d'arma Tier-1 definiti dal DoD, tra cui il fucile da cecchino per applicazioni speciali (SASR) calibro .50 M107, l'arma d'assalto a spalla M136, il mortaio a fuoco indiretto M120 e le cariche da sfondamento. Il termine nucleo di esplosione dell'arma si riferisce a un termine equivalente della sorgente di esplosione sviluppato per replicare lo stesso campo di esplosione che circonda un sistema d'arma come quello dell'arma reale. Una descrizione più dettagliata del framework computazionale utilizzato per lo sviluppo dello strumento BOP è disponibile per ulteriori riferimenti11. Le simulazioni di sovrapressione vengono eseguite utilizzando il motore del solutore CoBi-Blast. Si tratta di uno strumento multiscala e multifisico per la simulazione delle sovrapressioni di esplosione. Le capacità di modellazione dell'esplosione del motore sono convalidate rispetto ai dati sperimentali della letteratura12. Questo strumento BOP è attualmente in fase di integrazione nel Range Managers Toolkit (RMTK) per l'uso su diversi poligoni di addestramento con le armi. RMTK è una suite multiservizio di strumenti desktop progettata per soddisfare le esigenze dei gestori di poligono in tutto l'esercito, il corpo dei marines, l'aeronautica e la marina automatizzando le operazioni di poligono, la sicurezza e i processi di modernizzazione.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/66575/66575fig01.jpg"> Figura 1: Interfaccia utente grafica (GUI) per il modulo BOP tool SCENE e il modulo BOP tool SITE. Il modulo BOP SCENE è progettato per stimare le sovrapressioni di esplosione sui modelli del corpo dei membri del servizio e dell'istruttore, mentre il modulo BOP SITE ha lo scopo di fornire una stima dei contorni di sovrapressione su un piano che rappresenta il campo di addestramento. L'utente ha la possibilità di scegliere l'altezza alla quale si trova l'aereo rispetto al suolo. <a href="https://www.jove.com/files/ftp_upload/66575/66575fig01large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
Una limitazione dell'attuale modulo SCENE dello strumento BOP è l'uso di dati stimati manualmente per la creazione di modelli corporei virtuali dei membri del servizio, tra cui l'antropometria, la postura e la posizione. La generazione manuale dei membri del servizio virtuale nella postura appropriata è laboriosa e richiede molto tempo11,12. Lo strumento BOP legacy (approccio legacy) utilizza un database di posture preconfigurate per costruire la scena di addestramento con le armi in base ai dati dell'immagine (se disponibili). Inoltre, poiché le posture vengono approssimate manualmente attraverso la valutazione visiva, le posture corrette potrebbero non essere catturate per un contesto posturale complesso. Di conseguenza, questo approccio introduce imprecisioni nella stima dell'esposizione alla sovrapressione per i singoli membri del servizio (poiché un cambiamento di postura può modificare l'esposizione alla sovrapressione nelle regioni più vulnerabili). Il documento presenta i miglioramenti apportati al framework computazionale esistente per consentire la generazione rapida e automatica di modelli di membri del servizio utilizzando gli strumenti di stima della posa all'avanguardia esistenti. Questo articolo discute il miglioramento dello strumento BOP, sottolineando in particolare lo sviluppo di una nuova e rapida pipeline computazionale per la ricostruzione di scene di esplosione utilizzando dati video e immagini. Lo strumento migliorato può anche ricostruire modelli corporei dettagliati dei membri del servizio e degli istruttori al momento dello sparo con l'arma, utilizzando i dati video per creare avatar personalizzati rispetto all'approccio legacy. Questi avatar riflettono accuratamente la postura dei membri del servizio. Questo lavoro semplifica il processo di generazione delle scene di esplosione e facilita un'inclusione più rapida delle scene di esplosione per sistemi d'arma aggiuntivi, riducendo significativamente il tempo e lo sforzo necessari per la creazione di scene di addestramento alle armi. La Figura 2 mostra uno schema del framework computazionale avanzato discusso in questo articolo.
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/66575/66575fig02.jpg"> Figura 2: Schema che mostra il diagramma di flusso complessivo del processo nel framework computazionale. Le diverse fasi includono l'elaborazione dei dati di immagini/video, la generazione di combattenti virtuali, la ricostruzione della scena dell'esplosione e le simulazioni di sovrapressione dell'esplosione. <a href="https://www.jove.com/files/ftp_upload/66575/66575fig02large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
Il documento presenta l'approccio automatizzato implementato nello strumento BOP, che rappresenta un miglioramento significativo degli strumenti computazionali disponibili per stimare l'esposizione alla sovrapressione durante l'addestramento e le operazioni. Questo strumento si distingue per la sua rapida generazione di avatar personalizzati e scenari di addestramento, che consentono simulazioni immersive di sovrapressione dell'esplosione. Ciò segna un allontanamento significativo dalla tradizionale dipendenza da modelli di corpo umano mediati dalla popolazione, offrendo un approccio più preciso e individualizzato.
Strumenti computazionali utilizzati nel processo di automazione L'automazione della generazione di modelli di membri del servizio virtuale è un processo in più fasi che sfrutta strumenti computazionali avanzati per trasformare i dati grezzi di immagini o video in rappresentazioni 3D dettagliate. L'intero processo è automatizzato, ma può essere adattato per consentire l'inserimento manuale di misure note, se necessario.
Strumenti di stima della posa 3D: Al centro della pipeline di automazione ci sono gli strumenti di stima della posa 3D. Questi strumenti analizzano i dati dell'immagine per identificare la posizione e l'orientamento di ciascuna articolazione nel corpo del membro del servizio, creando efficacemente uno scheletro digitale. La pipeline supporta attualmente Mediapipe e MMPose, che offrono API Python. Tuttavia, il sistema è stato progettato pensando alla flessibilità, consentendo l'incorporazione di altri strumenti, come le telecamere di profondità, a condizione che siano in grado di produrre i dati 3D necessari per le articolazioni e le ossa.
Generatore di modelli antropometrici (AMG): Una volta stimata la posa 3D, entra in gioco l'AMG. Questo strumento utilizza i dati di posa per creare un modello 3D della superficie della pelle che corrisponda alle dimensioni uniche del corpo del membro del servizio. Lo strumento AMG consente l'inserimento automatico o manuale di misurazioni antropometriche, che vengono poi collegate ai componenti principali all'interno dello strumento per trasformare di conseguenza la mesh 3D del corpo.
Modellazione scheletrica OpenSim: Il passo successivo riguarda la piattaforma open-source OpenSim13, in cui un modello scheletrico viene regolato per allinearsi con i dati di posa 3D. Gli strumenti di stima della posa non impongono lunghezze costanti delle ossa nello scheletro, il che può portare a un'asimmetria irrealistica nel corpo. L'uso di uno scheletro OpenSim anatomicamente corretto produce una struttura ossea più realistica. I marker vengono posizionati sullo scheletro di OpenSim in modo che corrispondano ai centri articolari identificati dallo strumento di stima della posa. Questo modello scheletrico viene quindi montato sulla mesh 3D della pelle utilizzando tecniche di animazione standard.
Cinematica inversa e scripting Python: Per finalizzare la posa del membro del servizio virtuale, viene utilizzato un algoritmo di cinematica inversa. Questo algoritmo regola il modello di scheletro di OpenSim in modo che corrisponda al meglio alla posa 3D stimata. L'intera pipeline di posa è completamente automatizzata e implementata in Python 3. Grazie all'integrazione di questi strumenti, il processo di generazione di modelli virtuali per i membri del servizio è stato notevolmente accelerato, riducendo il tempo necessario da giorni a secondi o minuti. Questo progresso rappresenta un passo avanti nella simulazione e nell'analisi di scenari di addestramento alle armi, fornendo rapide ricostruzioni di scenari specifici documentati tramite immagini o video.

<table><tbody><tr><td>Generatore di Modelli Antropometrici (AMG)</td><td>CFD Research</td><td>N/A</td><td>Per la generazione di modelli 3D del corpo umano con diverse caratteristiche antropometriche. Lo strumento è DoD Open Source.</td></tr><tr><td>Strumento BOP</td><td>CFD Research</td><td>N/A</td><td>Per l'impostazione di scene di esplosione e simulazioni di sovrapressione. Lo strumento è open source del DoD.</td></tr><tr><td>BOP Tool SCENE Module</td><td>CFD Research</td><td>N/A</td><td>Per l'impostazione di scene di esplosione e simulazioni di sovrapressione. Lo strumento è open source del DoD.</td></tr><tr><td>Mediapipe</td><td>Google</td><td>versione 0.9</td><td>Libreria di stima delle pose open source.</td></tr><tr><td>MMPose</td><td>OpenMMLab</td><td>Versione 1.2</td><td>Libreria di stima delle pose open source.</td></tr><tr><td>OpenSim</td><td>Stanford University</td><td>Versione 4.4</td><td>Piattaforma open source di modellazione e simulazione muscoloscheletrica.</td></tr><tr><td>Python 3</td><td>Anaconda Inc</td><td>Versione 3.8</td><td>L'edizione individuale open source contenente Python 3.8 e pacchetti preinstallati per eseguire l'elaborazione video e collegare gli strumenti di stima della posa.</td></tr></tbody></table>

generazione di avatar di combattenti da immagini di scene di addestramento con armi per simulazioni di esposizione all'esplosione

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

Ricostruzione automatizzata dei membri del servizio virtuale e delle scene di esplosione La generazione automatizzata di modelli corporei virtuali per membri del servizio e di scene di addestramento con armi è stata ottenuta attraverso le funzionalità di automazione dello strumento BOP. La Figura 5 mostra la scena di addestramento virtuale generata dai dati dell'immagine. Come si può osservare qui, la scena risultante era una buona rappresentazione dei dati dell'immagine. L'immagine utilizzata per la dimostrazione nella Figura 5 è stata ottenuta da Wikimedia Commons.
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/66575/66575fig05.jpg"> Figura 5: Scena virtuale di addestramento con le armi dai dati dell'immagine. L'immagine sul lato sinistro mostra i dati dell'immagine corrispondenti allo sparo di un'arma AT4 e il lato destro mostra la scena virtuale di addestramento con l'arma generata automaticamente. Questa cifra è stata ottenuta da Wikimedia Commons. <a href="https://www.jove.com/files/ftp_upload/66575/66575fig05large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
Inoltre, l'approccio è stato applicato per ricostruire la scena di sparo dell'arma M120. L'immagine è stata raccolta da WRAIR come parte di uno sforzo di raccolta dei dati sulla pressione per l'arma da mortaio M120. La Figura 6 qui sotto illustra la scena di sparo virtuale ricostruita con l'arma accanto all'immagine originale. È stata osservata una discrepanza nella posizione dell'assistente artigliere nella ricostruzione virtuale. Questo può essere corretto regolando la posizione dell'assistente mitragliere utilizzando le opzioni utente della GUI BOP. Inoltre, la postura pelvica dell'istruttore appariva imprecisa, probabilmente a causa dell'ostruzione dei paletti nelle immagini. L'integrazione di questo approccio con altre modalità di imaging di profondità sarebbe utile per affrontare queste discrepanze.
<img alt="Figure 6" class="xfigimg" src="/files/ftp_upload/66575/66575fig06.jpg"> Figura 6: Scena virtuale di addestramento con le armi dai dati dell'immagine. L'immagine sul lato sinistro mostra i dati dell'immagine corrispondenti allo sparo di un'arma M120 e il lato destro mostra la scena virtuale di addestramento dell'arma generata automaticamente. <a href="https://www.jove.com/files/ftp_upload/66575/66575fig06large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
Convalida dell'approccio di generazione automatizzata delle scene Il generatore di modelli di corpo umano utilizzato in questo studio è stato sottoposto a convalida utilizzando il database di scansione del corpo umano ANSUR II14, che includeva misurazioni antropometriche da dati di imaging medico. Un metodo di ricostruzione automatizzato, che utilizzava questo generatore di modelli di corpo umano, è stato sottoposto a convalida qualitativa con i dati a disposizione. Questo processo di convalida ha comportato il confronto dei modelli ricostruiti con i dati sperimentali (immagini) sovrapponendoli. La Figura 7 presenta un confronto tra i modelli di avatar 3D e i dati sperimentali. Tuttavia, è necessaria una convalida più approfondita di questo metodo, che richiederebbe ulteriori dati sperimentali dalla scena, comprese le posizioni, le posture e gli orientamenti precisi dei diversi membri del servizio coinvolti in una scena di addestramento.
<img alt="Figure 7" class="xfigimg" src="/files/ftp_upload/66575/66575fig07.jpg"> Figura 7: Confronto qualitativo del modello virtuale del corpo umano generato con l'immagine. Il pannello di sinistra mostra l'immagine originale, il pannello centrale mostra il modello del corpo virtuale generato e il pannello di destra mostra il modello virtuale sovrapposto all'immagine originale. <a href="https://www.jove.com/files/ftp_upload/66575/66575fig07large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
Simulazioni rappresentative della sovrapressione di esplosione Dopo aver impostato la scena dell'esplosione, gli autori sono stati in grado di procedere alla fase critica dell'esecuzione delle simulazioni di sovrapressione dell'esplosione (BOP). Questo ci permetterà di capire la distribuzione dei carichi di esplosione sui diversi membri del servizio coinvolti in una scena di sparo con un'arma. La Figura 8 presenta i risultati di queste simulazioni BOP durante l'evento di sparo dell'arma AT4. Le simulazioni forniscono una visualizzazione dettagliata dei carichi di sovrapressione sul membro del servizio virtuale nella scena in diversi istanti nel tempo. In conclusione, i risultati dimostrano non solo la fattibilità, ma anche l'efficacia del protocollo nel creare ricostruzioni accurate e analiticamente utili di scenari di addestramento alle armi, aprendo così la strada a studi più avanzati sulla sicurezza e l'efficienza dell'addestramento militare.
<img alt="Figure 8" class="xfigimg" src="/files/ftp_upload/66575/66575fig08.jpg"> Figura 8: Esposizione alla sovrapressione dell'esplosione sul tiratore. (A, B, C e D) I quattro pannelli mostrano la sovrapressione dell'esplosione prevista dal modello sui membri del servizio virtuale coinvolti nel lancio del mortaio M120 in diversi istanti di tempo. I pannelli (C) e (D) mostrano la propagazione della sovrapressione dovuta alla riflessione del terreno. <a href="https://www.jove.com/files/ftp_upload/66575/66575fig08large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>

Generazione di avatar di combattenti da immagini di scene di addestramento con armi per simulazioni di esposizione all'esplosione

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

Ricerca

JoVE Journal

Engineering

Ingegneria

Questo valeva paradigma sperimentale replica circostanze che un testimone oculare di un vero e proprio crimine può creare un identikit olistica del colpevole dalla memoria, e poi tentare di identificare il colpevole da un video line-up che contiene il colpevole o quella in cui lui o lei è non presente.

Olistico Creazione identikit e successiva Line Video-up Eyewitness Identificazione Paradigm

Qui, descriviamo virtuale a mano e paradigmi illusione virtuale faccia che possono essere utilizzati per lo studio del corpo legati percezione di sé / -Rappresentazione. Sono già stati utilizzati in vari studi per dimostrare che, in particolari condizioni, una mano virtuale o faccia possono essere incorporati in uno di rappresentazione del corpo, suggerendo che le rappresentazioni del corpo sono piuttosto flessibili.

Creazione virtuale a mano e Virtual-face Illusions per Indagare Autorappresentazione

Comprendere come le cellule sono modulate dall'esposizione a onde d'urto può aiutare a identificare i meccanismi dietro lesioni attivate da eventi di esplosione. Questo protocollo utilizza attrezzature di tubo su misura shock di applicare onde d'urto in una gamma di pressioni di monostrati di cellule umane e di identificare i conseguenti effetti sulla vitalità cellulare.

Valutazione primaria Blast effetti In Vitro

Presentiamo qui un protocollo di un modello di onda d'urto per i roditori per studiare gli effetti neurobiologici e fisiopatologici di lesioni cerebrali traumatiche da lievi a moderate. Abbiamo stabilito una configurazione da banco a gas dotata di sensori di pressione che consentono una generazione affidabile e riproducibile di lesioni cerebrali traumatiche da lievi a moderate indotte da esplosioni.

Modello di onda d'esplosione a bassa intensità per la valutazione preclinica della lesione cerebrale traumatica lieve a testa chiusa nei roditori

Questo articolo descrive in dettaglio la metodologia per emulare la produzione di forza muscolare in vivo durante esperimenti di ciclo di lavoro ex vivo utilizzando un muscolo "avatar" di un roditore di laboratorio per valutare i contributi dei transitori di deformazione e l'attivazione alla risposta della forza muscolare.

"Avatar", un ciclo di lavoro ex vivo modificato che utilizza la tensione e l'attivazione in vivo

Qui vengono presentati i metodi per produrre esposizioni ripetute a esplosioni a bassa intensità utilizzando i topi.

Modellazione dell'esposizione altamente ripetitiva a basse esplosioni nei topi

L'immaginazione motoria in un ambiente di realtà virtuale ha ampie applicazioni nei sistemi di interfaccia cervello-computer. Questo manoscritto delinea l'uso di avatar digitali personalizzati che assomigliano ai partecipanti che eseguono movimenti immaginati dal partecipante in un ambiente di realtà virtuale per migliorare l'immersione e il senso di proprietà del corpo.

Prestazioni delle immagini motorie attraverso gemelli digitali incorporati in un ambiente di interfaccia cervello-computer abilitato alla realtà virtuale

Questo articolo presenta un sistema per la ricostruzione 3D fotorealistica utilizzando immagini a 360 gradi, Gaussian Splatting e integrazione della realtà virtuale. L'approccio può essere applicato a diverse applicazioni come l'istruzione, la simulazione di ambienti di apprendimento; costruzione, per simulare le opere fuori sede e recuperare le metriche; o l'assistenza sanitaria, per formare le persone autistiche nelle attività della vita quotidiana.

Paesaggi appresi fotorealistici per la realtà aumentata

Un metodo generalizzato e conforme a FAIR è presentato per ricercatori esperti di dominio che desiderano integrare strumenti di simulazione e elaborazione dati in flussi di lavoro automatizzati per esperimenti virtuali 3D. Un esempio di neutronica dimostra come configurare un'istanza Galaxy locale, incapsulare OpenMC e strumenti di conversione file, avviare flussi di lavoro da Omniverse e visualizzare gli output 3D convertiti.

Integrazione di flussi di lavoro di simulazione automatizzati con visualizzazione 3D per esperimenti virtuali nel Metaverso

In-situ assottiglia di fibra chalcogenide per Generazione Supercontinuum medio infrarosso

Scopri un metodo computazionale per generare avatar di combattenti da immagini di addestramento militare. Utilizza machine learning per la stima della posa 3D e simula l'esposizione alle esplosioni con il BOP Tool.

Generazione di avatar di combattenti da immagini di scene di addestramento con armi per simulazioni di esposizione allesplosione (Video) | JoVE Journal

Generazione di avatar di combattenti da immagini di scene di addestramento con armi per simulazioni di esposizione all'esplosione

Esplora altri video