Generowanie awatarów wojowników na podstawie obrazów scen treningu z bronią do symulacji ekspozycji na wybuchy
December 6th, 2024
Ramy obliczeniowe zostały opracowane do automatycznej rekonstrukcji wirtualnych scen zawierających 3D awatary żołnierzy przy użyciu danych graficznych i/lub wideo. Wirtualne sceny pomagają oszacować narażenie na nadciśnienie wybuchu podczas treningu z bronią. Narzędzie ułatwia realistyczne odwzorowanie postawy człowieka w symulacjach narażenia na wybuchy w różnych scenariuszach.
Wykorzystując nagrania z kamer, obecne prace mają na celu opracowanie zautomatyzowanej metody generowania wirtualnych modeli myśliwców w celu przewidywania narażenia na wybuch w scenariuszach szkolenia z użyciem broni. Kluczowym pytaniem jest to, czy możemy przyspieszyć proces tworzenia tych wirtualnych modeli członków usług w celu szybkiego szacowania narażenia. W tej pracy wykorzystano najnowsze narzędzia oparte na uczeniu maszynowym do szacowania pozycji 3D człowieka za pomocą jednej kamery.
Narzędzia te pozwalają nam wyodrębnić pozycję i postawę każdej osoby na obrazie, usprawniając proces symulacji ekspozycji na wybuch. Korzystanie z innych czujników jest trudne, ponieważ członkowie służby w trakcie szkolenia nie mają czasu na zakładanie wielu różnych czujników. Jednak kamera może z łatwością nagrywać sesję szkolenia wojskowego, więc nasza praca wykorzystuje tę modalność, aby przezwyciężyć ograniczenia innych typów czujników.
Nasze narzędzie BOP Tool jest pierwszym narzędziem obliczeniowym do przewidywania nadciśnienia podczas wybuchu u członków serwisu przy użyciu szybko działających modeli zoptymalizowanych pod kątem ciśnienia w terenie i danych z czujników. Systematycznie odtwarza postawę i pozycję żołnierzy podczas strzelania z broni, mając na celu dokładne oszacowanie nadciśnienia na różnych silnikach anatomicznych żołnierza. Naszym celem jest ulepszenie i przekształcenie obecnego narzędzia do monitorowania nadciśnienia w produkt do monitorowania nadciśnienia w czasie rzeczywistym w celu narażenia na akumulatory.
Będziemy również pracować nad skorelacją tej dawki z odpowiedzią TBA w celu oceny ryzyka urazu. Zacznij od kliknięcia przycisku modułu Scena narzędzia BOP, aby otworzyć moduł sceny narzędzia BOP z interfejsu narzędzia BOP. Kliknij definicję scenariusza, a następnie kliknij zakładkę szczegółów scenariusza.
Aby rozpocząć odczytywanie i przetwarzanie danych obrazu, kliknij przycisk importu narzędzia do ułożenia w module sceny BOP Tool, na ekranie pojawi się wyskakujące okienko z prośbą o wybranie odpowiedniego obrazu lub filmu. Za pomocą myszy przejdź do folderu i wybierz odpowiedni obraz lub film. Po wybraniu obrazu kliknij otwórz w wyskakującym okienku, Użyj pola tekstowego pod nazwą scenariusza, aby wybrać nazwę scenariusza.
W polu nazwy w definicji broni wybierz nazwę niestandardową. Wybierz odpowiednią klasę broni, taką jak ciężki moździerz, z listy opcji w menu rozwijanym. Następnie wybierz broń z listy opcji w menu rozwijanym.
Korzystając z rozwijanych opcji, wybierz rundę treningową pełnego zasięgu pocisków amunicyjnych dla wybranego systemu broni. Wybierz opcję Brak strzelca w polach antropometrii, postawy, hełmu i pancerza ochronnego pod definicją strzelca z opcji rozwijanych. Po wybraniu tych opcji, odpowiednie jądro blast zostanie automatycznie załadowane do GUI w podzakładce opłat.
Teraz kliknij zakładkę członków usługi, aby kontrolować pozycję i orientację członków usługi zaimportowanych z danych obrazu. Użyj opcji X, Y, Z i obrotu, aby dostosować położenie i orientację. Użyj pola nazwy, aby przypisać nazwy niestandardowe do modeli elementów członkowskich usługi wirtualnej zaimportowanych do graficznego interfejsu użytkownika.
Domyślne nazwy automatycznie importowanych modeli to S1, S2, S3, S4 i S5. Następnie użyj przycisku usuwania, aby usunąć S2, S4 i S5. Przejdź do zakładki czujniki. Kliknij pozycję Dodaj czujnik, aby dodać nowy czujnik wirtualny, a następnie wybierz nazwę niestandardową w polu nazwy. Wybierz typ jako wirtualny, klikając listę rozwijaną w polu typu czujnika.
Edytuj pola tekstowe w polach X, Y i Z, aby wybrać lokalizację czujnika. W przypadku omówionego tutaj scenariusza utwórz cztery różne czujniki w czterech różnych lokalizacjach. Wybierz V2, V3 i V4 jako nazwy dodatkowych czujników.
Pozostaw wartość obrotu równą zero. Aby zapisać scenę treningu z bronią, kliknij przycisk zapisz scenariusz w graficznym interfejsie użytkownika u góry. Następnie kliknij przycisk uruchom scenariusz na dole, aby uruchomić symulację nadciśnienia wybuchu dla sceny treningu z bronią M120.
Pasek postępu u dołu pokazuje postęp symulacji. Przejdź do zakładki widoku modelu, aby sprawdzić symulację narażenia na nadciśnienie podczas wybuchu. Kliknij bieżący przycisk, aby załadować ukończoną symulację do okna wizualizacji.
Po załadowaniu symulacji zwizualizuj ją za pomocą przycisku odtwarzania u dołu ekranu. Po zapoznaniu się z symulacją kliknij zakładkę metryki obciążenia strumieniem, a następnie kliknij bieżący przycisk, aby załadować wykresy nadciśnienia w lokalizacjach wirtualnych czujników. Na koniec przejdź do serii rozwijanej do wyświetlenia i wybierz, zaznaczając pole odpowiedniego czujnika, aby wykreślić nadciśnienie zarejestrowane na tym czujniku wirtualnym.
Wirtualna scena treningowa utworzona na podstawie danych obrazu dokładnie reprezentowała dane obrazu. Symulacje BOP dostarczyły szczegółowej wizualizacji obciążeń nadciśnieniowych na wirtualnym elemencie serwisowym w scenie w różnych przypadkach w czasie.
Przegląd
Niniejsza rozprawa przedstawia ramy obliczeniowe zaprojektowane do automatycznej rekonstrukcji wirtualnych scen żołnierzy przy użyciu danych z obrazów i filmów. Ramy te mają na celu oszacowanie narażenia na przetłoczenie wybuchowe podczas treningu z bronią poprzez dokładne symulowanie postawy człowieka w różnych scenariuszach.
Kluczowe elementy badania
Obszar nauki
- Modelowanie obliczeniowe
- Symulacje wirtualnej rzeczywistości
- Ocena narażenia na wybuch
Tło
- Istniejące metody pomiaru narażenia na wybuch ograniczają się do potrzeby fizycznych czujników.
- Nagrania z kamer stanowią praktyczną alternatywę dla rejestrowania scenariuszy szkoleniowych.
- Narzędzia uczenia maszynowego mogą poprawić dokładność szacowania trójwymiarowej postawy człowieka.
- Realistyczne symulacje są kluczowe dla oceny ryzyka obrażeń podczas szkolenia wojskowego.
Cel badania
- Opracowanie automatycznej metody generowania wirtualnych modeli żołnierzy.
- Przewidywanie narażenia na wybuch w scenariuszach treningowych z bronią w sposób efektywny.
- Przejście narzędzia do pomiaru przetłoczenia wybuchowego w produkt do monitorowania w czasie rzeczywistym.
Wykorzystane metody
- Wykorzystanie nagrań z kamer do gromadzenia danych.
- Zastosowanie uczenia maszynowego do szacowania trójwymiarowej postawy człowieka.
- Opracowanie narzędzia BOP do symulacji narażenia na wybuch.
- Integracja przyjaznego dla użytkownika interfejsu graficznego (GUI) do konfiguracji scenariusza i wykonywania symulacji.
Główne wyniki
- Narzędzie BOP z powodzeniem przewiduje przetłoczenie wybuchowe działające na wirtualnych żołnierzy.
- Symulacje zapewniają szczegółowe wizualizacje obciążeń przez przetłoczenie w czasie.
- Ramy te umożliwiają szybkie definiowanie scenariuszy i wykonywanie symulacji.
- Wyniki można wykorzystać do oceny ryzyka obrażeń podczas szkolenia wojskowego.
Wnioski
- Automatyczna metoda zwiększa efektywność tworzenia wirtualnych modeli.
- Realistyczne symulacje mogą poprawić środki bezpieczeństwa podczas szkolenia wojskowego.
- Przyszła praca będzie koncentrować się na powiązaniu danych dotyczących narażenia na wybuch z wynikami obrażeń.
Często zadawane pytania
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.
