Görüntü ve/veya video verilerini kullanarak askerlerin 3D avatarlarından oluşan sanal sahneleri otomatik olarak yeniden oluşturmak için bir hesaplama çerçevesi geliştirilmiştir. Sanal sahneler, silah eğitimi sırasında patlama aşırı basıncına maruz kalmayı tahmin etmeye yardımcı olur. Araç, çeşitli senaryolarda patlamaya maruz kalma simülasyonlarında insan duruşunun gerçekçi bir temsilini kolaylaştırır.
Yöntem makalesi
Patlama Pozlama Simülasyonları için Silah Eğitimi Sahnesi Görüntülerinden Savaşçı Avatarlarının Oluşturulması
Bu makalede
Özet
Özet
Silah eğitiminde yer alan askeri personel, tekrarlanan düşük seviyeli patlamalara maruz kalmaktadır. Patlama yüklerini tahmin etmek için geçerli olan yöntem, giyilebilir patlama göstergelerini içerir. Bununla birlikte, giyilebilir sensör verileri kullanılarak, servis üyesinin vücut duruşu hakkında bilgi sahibi olmadan başa veya diğer organlara giden patlama yükleri doğru bir şekilde tahmin edilemez. Daha güvenli silah eğitimi vermek için görüntü/video ile güçlendirilmiş tamamlayıcı deneysel-hesaplamalı bir platform geliştirildi. Bu çalışma, patlamaya maruz kalma simülasyonları için video verilerinden silah eğitim sahnelerinin otomatik olarak oluşturulmasına ilişkin protokolü açıklamaktadır. Silahın ateşlendiği anda video verilerinden çıkarılan patlama sahnesi, hizmet üyesinin vücut avatarlarını, silahları, zemini ve diğer yapıları içerir. Hesaplama protokolü, bu verileri kullanarak hizmet üyelerinin konumlarını ve duruşlarını yeniden oluşturmak için kullanılır. Hizmet üyesi vücut silüetlerinden çıkarılan görüntü veya video verileri, anatomik bir iskelet ve temel antropometrik veriler oluşturmak için kullanılır. Bu veriler, tek tek vücut parçalarına bölünmüş ve çıkarılan servis üyesi duruşlarına uyacak şekilde geometrik olarak dönüştürülmüş 3B vücut yüzeyi avatarlarını oluşturmak için kullanılır. Son sanal silah eğitim sahnesi, hizmet üyelerine silah patlama dalgası yüklemesinin 3D hesaplamalı simülasyonları için kullanılır. Silah eğitimi sahnesi oluşturucu, çeşitli yönlerde ve duruşlarda görüntülerden veya videolardan bireysel hizmet üyesi bedenlerinin 3D anatomik avatarlarını oluşturmak için kullanılmıştır. Omuza takılan taarruz silah sistemi ve havan silah sistemi görüntü verilerinden bir eğitim sahnesi oluşturmanın sonuçları sunulmuştur. Blast Overpressure (BOP) aracı, hizmet üyesi avatar gövdelerine patlama dalgası yüklemesinin 3D simülasyonları için sanal silah eğitim sahnesini kullanır. Bu makale, silah ateşlemesinden kaynaklanan patlama dalgası yayılımının ve eğitimdeki hizmet üyelerine karşılık gelen patlama yüklerinin 3D hesaplamalı simülasyonlarını sunmaktadır.
Giriş
Askeri eğitim sırasında, hizmet üyeleri ve eğitmenler sık sık ağır ve hafif silahlarla düşük seviyeli patlamalara maruz kalırlar. Son çalışmalar, patlamaya maruz kalmanın nörobilişsel performansınazalmasına 1,2 ve kan biyobelirteçlerinde 3,4,5,6 değişikliklere yol açabileceğini göstermiştir. Tekrarlanan düşük seviyeli patlamaya maruz kalma, optimum performansın korunmasında ve yaralanma riskinin en aza indirilmesinde zorluklara neden olur 7,8. Giyilebilir basınç sensörlerini kullanan geleneksel yaklaşımın, özellikle kafa9 üzerindeki patlama basınçlarının hassas bir şekilde belirlenmesi söz konusu olduğunda dezavantajları vardır. Tekrarlanan düşük seviyeli patlamaya maruz kalmanın insan performansı üzerindeki bilinen olumsuz etkileri (örneğin, eğitim sırasında ve operasyonel rollerde) bu sorunu daha da kötüleştirir. Kongre yetkileri (Bölüm 734 ve 717), eğitim ve muharebede patlamaya maruz kalmanın izlenmesi ve bunun hizmet üyesinin tıbbi kaydına dahil edilmesi gerekliliğini şart koşmuştur10.
Giyilebilir sensörler, bu muharebe eğitimi operasyonları sırasında patlama aşırı basıncını izlemek için kullanılabilir. Bununla birlikte, bu sensörler, insan vücudu ile patlama dalgası etkileşimlerinin karmaşık doğası nedeniyle vücut duruşu, yönelim ve patlama kaynağından uzaklık gibi değişkenlerden etkilenir9. Aşağıdaki faktörler basınç dağılımını ve sensör ölçümlerini etkiler9:
Patlama kaynağından uzaklık: Basınç yoğunluğu, patlama dalgası dağıldıkça ve zayıfladıkça mesafeye göre değişir. Patlamaya daha yakın olan sensörler daha yüksek basınçlar kaydederek veri doğruluğunu ve tutarlılığını etkiler.
Vücut duruşu: Farklı duruşlar, çeşitli vücut yüzeylerini patlamaya maruz bırakarak basınç dağılımını değiştirir. Örneğin, ayakta durmak ve çömelmek, farklı basınç okumalarınaneden olur 9,11.
Oryantasyon: Vücudun patlama kaynağına göre açısı, basınç dalgasının vücutla nasıl etkileşime girdiğini etkiler ve bu da okumalardatutarsızlıklara yol açar 9. Fizik tabanlı sayısal simülasyonlar, bu değişkenleri sistematik olarak hesaba katarak daha doğru değerlendirmeler sağlar ve doğası gereği bu faktörlerden etkilenen giyilebilir sensörlere kıyasla kontrollü ve kapsamlı bir analiz sunar.
Bu zorluklara yanıt olarak, daha sofistike araçlar geliştirmek için ortak bir çaba sarf edilmiştir. Bu doğrultuda Blast Overpressure (BOP) aracı geliştirilmektedir. Bu araç, silah sistemleri etrafındaki değişen hizmet üyesi duruşları ve pozisyonları altında aşırı basınç maruziyetini tahmin etmek için geliştirilmiştir. BOP aracı11 altında iki farklı modül bulunmaktadır. Bunlar (a) BOP aracı SCENE modülü ve (b) BOP aracı SITE modülüdür. Bu modüller, silah ateşlemesi12 sırasında patlama aşırı basıncını tahmin etmek için kullanılır. BOP SCENE modülü, bir eğitim senaryosuna katılan bireysel servis üyeleri veya eğitmenler tarafından yaşanan patlama aşırı basınçlarını tahmin etmek için geliştirilirken, BOP SITE modülü, birden fazla ateşleme istasyonu tarafından oluşturulan patlama aşırı basınç bölgelerini tasvir ederek eğitim kursunun kuşbakışı görünümünü yeniden oluşturur. Şekil 1 , her iki modülün de anlık görüntüsünü göstermektedir. Şu anda, BOP Aracı modülleri, M107 .50 cal Özel Uygulama Keskin Nişancı Tüfeği (SASR), M136 Omuza Takılan Taarruz Silahı, M120 Dolaylı Ateş Harcı ve İhlal yükleri dahil olmak üzere Savunma Bakanlığı tarafından tanımlanan dört Tier-1 silah sistemi için silah patlama aşırı basınç özelliklerini (eşdeğer patlama kaynağı terimi) içermektedir. Silah patlama çekirdeği terimi, bir silah sistemini çevreleyen aynı patlama alanını gerçek silahınkiyle çoğaltmak için geliştirilen eşdeğer bir patlama kaynağı terimini ifade eder. BOP aracının geliştirilmesi için kullanılan hesaplama çerçevesinin daha ayrıntılı bir açıklaması daha fazla referansiçin mevcuttur 11. Aşırı basınç simülasyonları, CoBi-Blast çözücü motoru kullanılarak çalıştırılır. Bu, patlama aşırı basınçlarını simüle etmek için çok ölçekli bir çoklu fizik aracıdır. Motorun patlama modelleme yetenekleri, literatür12'den elde edilen deneysel verilere göre doğrulanmıştır. Bu BOP Aracı şu anda farklı silah eğitim poligonlarında kullanılmak üzere Menzil Yöneticileri Araç Seti'ne (RMTK) entegre edilmektedir. RMTK, menzil operasyonlarını, güvenliği ve modernizasyon süreçlerini otomatikleştirerek Ordu, Deniz Piyadeleri, Hava Kuvvetleri ve Deniz Kuvvetleri genelindeki menzil yöneticilerinin ihtiyaçlarını karşılamak için tasarlanmış çok hizmetli bir masaüstü araçları paketidir.
Şekil 1: BOP aracı SCENE modülü ve BOP aracı SITE modülü için grafik kullanıcı arayüzü (GUI). BOP SCENE modülü, servis üyesi ve eğitmen vücut modelleri üzerindeki patlama aşırı basınçlarını tahmin etmek için tasarlanırken, BOP SITE modülü, eğitim alanını temsil eden bir düzlem üzerindeki aşırı basınç konturlarının bir tahminini sağlamak için tasarlanmıştır. Kullanıcı, uçağın yere göre yerleştirildiği yüksekliği seçme seçeneğine sahiptir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Mevcut BOP aracı SCENE modülünün bir sınırlaması, antropometri, duruş ve pozisyon dahil olmak üzere sanal hizmet üyesi vücut modelleri oluşturmak için manuel olarak tahmin edilen verileri kullanmasıdır. Sanal hizmet üyelerinin uygun duruşta manuel olarak oluşturulması emek yoğun ve zaman alıcıdır11,12. Eski BOP aracı (eski yaklaşım), görüntü verilerine (varsa) dayalı olarak silah eğitim sahnesini oluşturmak için önceden yapılandırılmış duruşlardan oluşan bir veritabanı kullanır. Ayrıca, duruşlar görsel değerlendirme yoluyla manuel olarak yaklaştırıldığından, karmaşık bir duruş ortamı için doğru duruşlar yakalanamayabilir. Sonuç olarak, bu yaklaşım, bireysel hizmet üyeleri için tahmini aşırı basınç maruziyetinde yanlışlıklar ortaya çıkarmaktadır (duruştaki bir değişiklik, daha savunmasız bölgelerde aşırı basınç maruziyetini değiştirebileceğinden). Makale, mevcut son teknoloji poz tahmin araçlarını kullanarak hizmet üyesi modellerinin hızlı ve otomatik olarak oluşturulmasını sağlamak için mevcut hesaplama çerçevesinde yapılan iyileştirmeleri sunmaktadır. Bu makale, özellikle video ve görüntü verilerini kullanarak patlama sahnelerini yeniden oluşturmak için yeni ve hızlı bir hesaplama hattının geliştirilmesini vurgulayarak, BOP aracının geliştirilmesini tartışmaktadır. Geliştirilmiş araç ayrıca, eski yaklaşıma kıyasla kişiselleştirilmiş avatarlar oluşturmak için video verilerini kullanarak, silah ateşleme anında hizmet üyelerinin ve eğitmenlerin ayrıntılı vücut modellerini yeniden oluşturabilir. Bu avatarlar, servis üyelerinin duruşunu doğru bir şekilde yansıtır. Bu çalışma, patlama sahneleri oluşturma sürecini kolaylaştırır ve ek silah sistemleri için patlama sahnelerinin daha hızlı bir şekilde dahil edilmesini kolaylaştırarak, silah eğitim sahnesi oluşturmak için gereken zamanı ve çabayı önemli ölçüde azaltır. Şekil 2'de, bu yazıda ele alınan gelişmiş hesaplama çerçevesinin bir şeması gösterilmektedir.
Şekil 2: Hesaplama çerçevesinde genel süreç akış şemasını gösteren şematik. Farklı adımlar arasında görüntü/video veri işleme, sanal savaşçı oluşturma, patlama sahnesi yeniden yapılandırması ve patlama aşırı basınç simülasyonları yer alıyor. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Makale, eğitim ve operasyonlar sırasında aşırı basınca maruz kalmayı tahmin etmek için mevcut hesaplama araçlarında önemli bir gelişmeyi temsil eden BOP Aracına uygulanan otomatik yaklaşımı sunmaktadır. Bu araç, hızlı bir şekilde kişiselleştirilmiş avatarlar ve eğitim senaryoları oluşturmasıyla kendini farklı kılar ve sürükleyici patlama aşırı basınç simülasyonlarına olanak tanır. Bu, daha kesin ve kişiselleştirilmiş bir yaklaşım sunan, nüfus ortalamalı insan vücudu modellerine olan geleneksel bağımlılıktan önemli bir sapmaya işaret ediyor.
Otomasyon sürecinde kullanılan hesaplama araçları
Sanal hizmet üyesi modeli oluşturmanın otomasyonu, ham görüntü veya video verilerini ayrıntılı 3B temsillere dönüştürmek için gelişmiş hesaplama araçlarından yararlanan çok adımlı bir süreçtir. Tüm süreç otomatiktir, ancak gerekirse bilinen ölçümlerin manuel olarak girilmesine izin verecek şekilde uyarlanabilir.
3D poz tahmin araçları: Otomasyon boru hattının merkezinde 3B poz tahmin araçları bulunur. Bu araçlar, servis üyesinin vücudundaki her bir eklemin konumunu ve yönünü belirlemek için görüntü verilerini analiz ederek etkili bir şekilde dijital bir iskelet oluşturur. İşlem hattı şu anda Python API'leri sunan Mediapipe ve MMPose'u desteklemektedir. Bununla birlikte, sistem esneklik göz önünde bulundurularak tasarlanmıştır ve gerekli 3D eklem ve kemik verilerini çıkarabilmeleri koşuluyla derinlik kameraları gibi diğer araçların dahil edilmesine izin verir.
Antropometrik model üreteci (AMG): 3D poz tahmin edildikten sonra AMG devreye giriyor. Bu araç, servis üyesinin benzersiz vücut boyutlarıyla eşleşen bir 3B dış yüzey modeli oluşturmak için poz verilerini kullanır. AMG aracı, antropometrik ölçümlerin otomatik veya manuel olarak girilmesine izin verir ve bunlar daha sonra 3D gövde ağını uygun şekilde dönüştürmek için araç içindeki ana bileşenlere bağlanır.
OpenSim iskelet modellemesi: Bir sonraki adım, bir iskelet modelinin 3B poz verileriyle hizalanacak şekilde ayarlandığı açık kaynaklı OpenSim platformu13'ü içerir. Poz tahmin araçları, iskelette tutarlı kemik uzunluklarını zorlamaz, bu da vücutta gerçekçi olmayan asimetriye yol açabilir. Anatomik olarak doğru bir OpenSim iskeletinin kullanılması daha gerçekçi bir kemik yapısı üretir. İşaretleyiciler, poz tahmin aracı tarafından tanımlanan eklem merkezlerine karşılık gelecek şekilde OpenSim iskeletine yerleştirilir. Bu iskelet modeli daha sonra standart animasyon teknikleri kullanılarak 3B cilt ağına sabitlenir.
Ters kinematik ve Python komut dosyası oluşturma: Sanal hizmet üyesinin pozunu sonlandırmak için bir ters kinematik algoritması kullanılır. Bu algoritma, OpenSim iskelet modelini tahmini 3B pozla en iyi şekilde eşleşecek şekilde ayarlar. Tüm oluşturma işlem hattı tamamen otomatiktir ve Python 3'te uygulanır. Bu araçların entegrasyonu sayesinde, sanal hizmet üyesi modelleri oluşturma süreci önemli ölçüde hızlandırıldı ve gereken süre günlerden saniyelere veya dakikalara indirildi. Bu ilerleme, silah eğitimi senaryolarının simülasyonu ve analizinde ileriye doğru bir sıçramayı temsil ediyor ve görüntüler veya videolar kullanılarak belgelenen belirli senaryoların hızlı bir şekilde yeniden yapılandırılmasını sağlıyor.
Protokol
Bu çalışmada kullanılan görüntü ve videolar, yazarlar tarafından doğrudan insan deneklerden elde edilmemiştir. Bir resim, kamuya açık bir lisans altında bulunan Wikimedia Commons'taki ücretsiz kaynaklardan alınmıştır. Diğer görüntü, Walter Reed Ordu Araştırma Enstitüsü'ndeki (WRAIR) işbirlikçiler tarafından sağlandı. WRAIR'den elde edilen veriler tanımlanamadı ve kurumsal yönergelerine uygun olarak paylaşıldı. WRAIR tarafından sağlanan görüntüler için protokol, gerekli tüm onayların ve izinlerin alınması da dahil olmak üzere WRAIR'in insan araştırmaları etik komitesinin yönergelerini takip etti.
1. BOP Aracı SCENE modülüne erişim
- BOP Tool SCENE Module (BOP Aracı) Interface (BOP Aracı) Arayüzünden BOP Tool SCENE Module (BOP Aracı) SCENE Module (BOP Aracı ) düğmesini tıklayarak açınız.
- Senaryo Tanımı'na tıklayın ve ardından Senaryo Detayı sekmesine tıklayın.
2. Görüntü verilerinin okunması ve işlenmesi
- BOP aracı SCENE modülündeki POSETOOL IMPORT düğmesine tıklayın. Kullanıcıdan ilgili görseli veya videoyu seçmesini isteyen bir açılır pencere açılır.
- Klasöre gidin ve fare işlemlerini kullanarak ilgili görüntüyü/videoyu seçin.
- Bir görüntü seçildikten sonra pencere açılır penceresinde Aç'a tıklayın.
NOT: Bu işlem, görüntüyü veya video dosyasını okur, bir video seçiliyse bir görüntü oluşturur, arka planda poz tahmin algoritmasını çalıştırır, silah eğitim sahnesinde yer alan sanal hizmet üyesi modellerini oluşturur ve bunları ilgili konumlarında BOP Tool SCENE modülüne yükler.
3. Silahı ve atıcıyı yapılandırma
- Senaryo Adı'nın altındaki metin kutusunu kullanarak senaryo için bir ad seçin. Bu bir kullanıcı seçimidir. Burada tartışılan senaryo için geliştiriciler BlastDemo1 senaryo adını seçtiler.
- Silah Tanımı altındaki Ad alanı altında özel bir ad seçin. Bu yine bir kullanıcı seçimidir. Burada tartışılan senaryo için geliştiriciler 120Mortar silah adını seçtiler.
- Açılır menüdeki seçenekler listesinden uygun silah sınıfını seçin, örneğin AĞIR HAVAN.
- Açılır menüdeki seçenekler listesinden silahı (bu durumda M120) seçin. Silah sistemi seçildikten sonra, ilgili patlama çekirdeği otomatik olarak Şarjlar alt sekmesi altındaki GUI'ye yüklenecektir.
NOT: Açılır menü, yukarıda seçilen silah sınıfına özgü farklı olası silah sistemlerine sahip olacaktır. - Açılır seçenekleri kullanarak seçilen silah sistemi için Mühimmat Kabuğunu (Tam Kapsamlı Eğitim Turu) seçin.
- Açılır seçeneklerden Nişancı Tanımı altındaki Antropometri, Duruş, Kask ve Koruyucu zırh alanlarının altında Atıcı Yok'u seçin. Yapılandırılmış atıcı ve servis üyeleri için Şekil 3'e bakın.
NOT: Atıcı, 4. adımda içe aktarılan sahneye dahil edileceğinden, Atıcı Tanımı altında hiçbir atıcı seçilmedi.
Şekil 3: Görüntü verilerinden içe aktarılan patlama sahnesi. Patlama sahnesi, GUI aracının sağ tarafındaki görselleştirme penceresinde görülebilir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
4. Hizmet üyelerini yapılandırma
- Hizmet Üyeleri sekmesine tıklayın. Bu sekme, görüntü verilerinden içe aktarılan hizmet üyelerinin konumunu ve yönünü kontrol eder; bunu yapmak için X, Y, Z ve döndürme seçeneklerini kullanın. Yardımcı nişancıya karşılık gelen avatar için yazarlar, daha makul bir yardımcı nişancı pozisyonu için Y konumunu 2.456'dan 2'ye ayarladılar.
- Hizmet Üyeleri sekmesi altındaki Ad alanını kullanarak GUI'ye aktarılan tüm sanal hizmet üyesi modelleri için özel adlar seçin. S1, S2, S3, S4 ve S5, otomatik olarak içe aktarılan tüm hizmet üyesi modelleri için burada seçilir.
NOT: Burada tartışılan senaryo için S1 ve S2 olarak adlandırılmıştır. Diğer alanlar otomatik olarak doldurulur. Kullanıcılar, otomatik olarak tahmin edilen pozisyonu/duruşları iyileştirmek için bunları değiştirebilir. - S2, S4 ve S5'i kaldırmak için Sil düğmesini kullanın. Burada gösterilen senaryoda, atış sırasında sadece atıcı ve yardımcı nişancı bulunur.
NOT: Bu, mevcut bir sahneye gerektiği gibi hizmet üyesi modellerini silmek veya eklemek için özel kullanıcı seçeneklerini göstermek için gerçekleştirilmiştir.
5. Sanal sensörlerin yapılandırılması
- Sensörler sekmesine gidin. Sensör Ekle'ye tıklayarak yeni bir sanal sensör ekleyin.
- Ad alanının altında özel bir ad seçin. Geliştiriciler, bu yazıda gösterim için V1'i seçtiler.
- Sensor Type (Sensör Türü) alanının altındaki Drop-down (Açılır Menü) seçeneğine tıklayarak türü Virtual (Virtual) olarak seçin.
- X, Y ve Z alanlarının altındaki metin kutularını düzenleyerek sensörün konumunu (-0,5, 2, 0,545) olarak seçin. Burada tartışılan senaryo için, geliştiriciler gösteri amacıyla dört farklı konumda dört farklı sensör oluşturdular. Geliştiriciler, ek sensörler için sensör adları olarak V2, V3 ve V4'ü seçtiler.
- (-0,5, 1, 0,545), (-0,5, 0,5, 0,545) ve (-0,5, 0,0,545) seviyelerinde ek sensörler oluşturmak için 5,1'den 5,4'e kadar olan adımları tekrarlayın. Rotation (Döndürme) değerini sıfır olarak bırakın.
NOT: Kullanıcı ayrıca, sensörün püskürtme yüküne göre yönünü ayarlamak için dönüşün kullanılabileceği düzlemsel sensörleri de seçebilir.
6. Programın kaydedilmesi ve çalıştırılması
- Üst kısımdaki GUI'de bulunan Senaryoyu Kaydet düğmesine tıklayarak silah eğitim sahnesini kaydedin.
- Alt kısımdaki Senaryoyu Çalıştır düğmesine tıklayarak M120 silah eğitim sahnesi için patlama aşırı basınç simülasyonunu çalıştırın. Simülasyon ilerlemesi, alttaki ilerleme çubuğu kullanılarak gösterilir.
7. Sonuçları görselleştirme
- Patlama aşırı basıncına maruz kalma simülasyonunu incelemek için Model Görünümü sekmesine gidin.
- Tamamlanan simülasyonu görselleştirme penceresine yüklemek için Geçerli düğmesine tıklayın.
- Simülasyon yüklendikten sonra, ekranın altındaki Oynat düğmesini kullanarak simülasyonu görselleştirin.
- Kullanıcı, simülasyonu farklı hızlarda oynatmak ve duraklatmak için gezinme çubuğundaki farklı seçenekler arasından seçim yapabilir. Aşağıdaki oynatma kontrollerinin ekran görüntüsü daha fazla seçenek gösterir. Kullanıcı, fareyi kullanarak etkileşimli pencereyi kontrol edebilir. Modu döndürmek için sağ tıklayın ve sürükleyin, modeli çevirmek için sol düğmeye ve içeri/dışarı kaydırmak için orta düğmeye tıklayın.
- Simülasyonu inceledikten sonra, üzerine tıklayarak Blast Load Metrics sekmesine gidin.
- Sanal sensör konumlarına aşırı basınç grafiklerini yüklemek için Geçerli düğmesine tıklayın.
NOT: Bu, aşırı basınç bilgilerini farklı grafiklerdeki farklı sensör konumlarına yükleyecektir. - Görüntülenecek Seri açılır menüsüne gidin ve söz konusu sanal sensörde kaydedilen aşırı basıncı çizmek için İlgili Sensörün Kutusunu İşaretleyerek seçin (bkz. Şekil 4).
Şekil 4: Zaman içinde farklı sanal sensörlerdeki aşırı basınçlar için kontrollerin grafiği. Kullanıcılar, farklı sensörleri işaretleyerek veya işaretini kaldırarak görüntülenecek seriyi seçebilir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Sonuçlar
Sanal hizmet üyelerinin ve patlama sahnelerinin otomatik olarak yeniden yapılandırılması
Otomatik sanal hizmet üyesi gövde modeli ve silah eğitim sahnesi modeli oluşturma, BOP Aracı otomasyon yetenekleri aracılığıyla sağlandı. Şekil 5 , görüntü verilerinden oluşturulan sanal eğitim sahnesini göstermektedir. Burada görülebileceği gibi, ortaya çıkan sahne, görüntü verilerinin iyi bir temsiliydi. Şekil 5'te gösterim için kullanılan görüntü Wikimedia Commons'tan alınmıştır.
Şekil 5: Görüntü verilerinden sanal silah eğitim sahnesi. Sol taraftaki resim, bir AT4 silahının ateşlenmesine karşılık gelen görüntü verilerini gösterir ve sağ taraf, otomatik olarak oluşturulan sanal silah eğitim sahnesini gösterir. Bu rakam Wikimedia Commons'tan alınmıştır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Ek olarak, M120 silah ateşleme sahnesini yeniden yapılandırmak için yaklaşım uygulandı. Görüntü, M120 havan topu silahı için basınç verisi toplama çabasının bir parçası olarak WRAIR tarafından toplandı. Aşağıdaki Şekil 6 , orijinal görüntünün yanında yeniden yapılandırılmış sanal silah ateşleme sahnesini göstermektedir. Sanal rekonstrüksiyonda yardımcı topçunun pozisyonunda bir tutarsızlık gözlendi. Bu, BOP GUI kullanıcı seçenekleri kullanılarak yardımcı nişancının konumu ayarlanarak düzeltilebilir. Ayrıca, eğitmenin pelvik duruşu, muhtemelen görüntülerdeki risklerden kaynaklanan tıkanıklık nedeniyle yanlış görünüyordu. Bu yaklaşımı diğer derinlik görüntüleme modaliteleri ile entegre etmek, bu tutarsızlıkların giderilmesinde faydalı olacaktır.
Şekil 6: Görüntü verilerinden sanal silah eğitim sahnesi. Sol taraftaki resim, bir M120 silahının ateşlenmesine karşılık gelen görüntü verilerini ve sağ taraftaki resim, otomatik olarak oluşturulan sanal silah eğitim sahnesini göstermektedir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Otomatik sahne oluşturma yaklaşımının doğrulanması
Bu çalışmada kullanılan insan vücudu modeli üreteci, tıbbi görüntüleme verilerinden antropometrik ölçümleri içeren ANSUR II insan vücudu tarama veritabanı14 kullanılarak doğrulanmaya tabi tutulmuştur. Bu insan vücudu model üretecini kullanan otomatik bir yeniden yapılandırma yöntemi, eldeki verilerle nitel doğrulamaya tabi tutuldu. Bu doğrulama süreci, yeniden yapılandırılmış modellerin deneysel verilerle (görüntüler) üst üste bindirilerek karşılaştırılmasını içeriyordu. Şekil 7 , 3B avatar modelleri ile deneysel veriler arasında bir karşılaştırma sunmaktadır. Bununla birlikte, bu yöntemin daha kapsamlı bir şekilde doğrulanması gereklidir, bu da bir eğitim sahnesinde yer alan farklı hizmet üyelerinin kesin konumları, duruşları ve yönelimleri dahil olmak üzere olay yerinden ek deneysel veriler gerektirecektir.
Şekil 7: Görüntü ile oluşturulan sanal insan vücudu modelinin nitel karşılaştırması. Sol panel orijinal görüntüyü, orta panel oluşturulan sanal gövde modelini ve sağ panel orijinal görüntüyle örtüşen sanal modeli gösterir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Temsili patlama aşırı basınç simülasyonları
Patlama sahnesini kurduktan sonra, yazarlar patlama aşırı basınç (BOP) simülasyonlarının kritik aşamasına geçebildiler. Bu, bir silah ateşleme sahnesinde yer alan farklı hizmet üyeleri üzerindeki patlama yüklerinin dağılımını anlamamızı sağlayacaktır. Şekil 8 , AT4 silah ateşleme olayı sırasında bu BOP simülasyonlarının sonuçlarını göstermektedir. Simülasyonlar, zaman içinde farklı anlarda sahnedeki sanal servis üyesi üzerindeki aşırı basınç yüklerinin ayrıntılı bir görselleştirmesini sağlar. Sonuç olarak, sonuçlar sadece fizibiliteyi değil, aynı zamanda protokolün silah eğitim senaryolarının doğru ve analitik olarak faydalı rekonstrüksiyonlarını oluşturmadaki etkinliğini de göstermekte ve böylece askeri eğitim güvenliği ve verimliliği konusunda daha ileri çalışmaların önünü açmaktadır.
Şekil 8: Atıcı üzerinde patlama aşırı basınç maruziyeti. (A, B, C ve D) Dört panel, modelin, M120 havan topu ateşlemesinde yer alan sanal hizmet üyeleri üzerinde farklı zaman anlarında tahmin edilen patlama aşırı basıncını göstermektedir. Paneller (C) ve (D), zemin yansıması nedeniyle aşırı basınç yayılımını gösterir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Tartışma
Bu yazıda sunulan hesaplama çerçevesi, görsel değerlendirme kullanılarak daha önce kullanılan manuel yöntemlere kıyasla patlama silahı eğitim sahnelerinin oluşturulmasını önemli ölçüde hızlandırır. Bu yaklaşım, çerçevenin çeşitli askeri duruşları hızla ele geçirme ve yeniden inşa etme yeteneğini göstermektedir.
Mevcut yaklaşımın avantajları
Belirli duruşlarda ve pozisyonlarda sanal insan vücudu modellerinin oluşturulması, bu amaç için sınırlı araçların mevcut olduğu zorlu bir iştir. Eski yaklaşımda, özellikle BOP aracı için kullanılan geleneksel yöntem, CoBi-DYN14,15,16,17'yi kullandı. Bu yöntem, giysi, kask, koruyucu zırh ve botlarla manuel olarak sanal insan vücudu modelleri oluşturmayı içeriyordu. Modeller, sistematik bir yaklaşımdan yoksun olan yaklaşık görsel yaklaşım yoluyla oluşturulmuştur. Eski BOP aracında, Senaryo Yapılandırma adımı sırasında erişilebilen insan vücudu modellerinden oluşan bir veritabanı oluşturmak için CoBi-DYN kullanılıyordu. Kullanıcılar, yaklaşık bir postüral konfigürasyonu manuel olarak seçer ve bunları BOP senaryosunu çalıştırmak için belirli bir silah sistemi için yaklaşık olarak konumlandırır. Mevcut hizmet üyesi veritabanından (BOP Aracı'ndaki açılır menüden erişilen) patlama sahnesi yeniden yapılandırması nispeten hızlı olsa da, sanal hizmet üyesi modeli veritabanının ilk oluşturulması zaman alıcıydı ve sürecin manuel ve yaklaşık doğası nedeniyle sahne başına yaklaşık 16-24 saat sürüyordu. Buna karşılık, yeni yaklaşım, sanal insan vücudu modellerinin daha otomatik ve hızlı bir şekilde oluşturulması için iyi kurulmuş poz tahmin araçlarından yararlanıyor. Bu araçlar, sanal hizmet üyesi avatarlarıyla patlama sahnelerini hızla yeniden oluşturmak için video ve görüntü verilerini otomatik olarak kullanır. Bu, insan vücudu veritabanını oluşturmak için gereken süreyi önemli ölçüde azaltır. Yeni yaklaşım, ek yazılıma ihtiyaç duymadan görüntüleme verilerinden tam sanal sahneyi oluşturmak veya yeniden oluşturmak için tek bir düğme tıklamasını içerir. Tüm süreç artık sahne başına yaklaşık 5-6 saniye sürüyor (videoda gösterileceği gibi görüntü verilerini okuduktan sonra), bu da eski yönteme göre verimlilikte önemli bir gelişme olduğunu gösteriyor. Bu yöntemin orijinal yaklaşımın yerini alması amaçlanmamıştır, bunun yerine sanal hizmet üyesi modellerinin (gelecekte hizmet üyesi gövde modeli veritabanına eklenebilir) oluşturulmasını hızlandırarak onu tamamlaması amaçlanmıştır. Farklı karmaşıklıklara sahip yeni konfigürasyonların eklenmesini basitleştirir ve gelecekte yeni silah sistemlerinin entegrasyonunu kolaylaştırır, böylece BOP Aracının genişletilebilirliğini artırır. Eski yaklaşımla karşılaştırıldığında, sunulan yöntemin daha akıcı ve otomatik bir çözüm sunduğu, sanal insan vücudu modeli oluşturmanın doğruluğunu ve sistematik doğasını geliştirirken manuel çabayı ve zamanı azalttığı açıktır. Bu, açıklanan yöntemin alandaki gücünü ve yeniliğini vurgulamaktadır.
Otomatik sahne oluşturmanın doğrulanması
Yaklaşımın niteliksel bir doğrulaması, yeniden yapılandırılmış senaryoların görüntü verileri üzerine bindirilmesiyle gerçekleştirilmiştir. Bununla birlikte, bu görüntüler için konumlandırma ve duruş hakkında mevcut verilerin bulunmaması nedeniyle nicel doğrulama mümkün değildi. Yazarlar daha kapsamlı bir doğrulamanın önemini kabul etmekte ve bunu gelecekteki çalışmalarda ele almayı planlamaktadır. Bunu başarmak için yazarlar, hassas konumlandırma ve duruş bilgileri elde etmek için kapsamlı bir veri toplama çabası öngörmektedir. Bu, ayrıntılı bir nicel doğrulama yapmamızı sağlayacak ve sonuçta yaklaşımın sağlamlığını ve doğruluğunu artıracaktır.
Patlama maruziyet simülasyonlarının doğrulanması
Silah patlama çekirdekleri, silah ateşlemesi sırasında toplanan kalem probu verileri kullanılarak geliştirildi ve doğrulandı. Silah patlama çekirdeği ve ilgili maruziyetler hakkında daha fazla ayrıntı, yaklaşan bir yayına dahil edilecektir. Bu konudaki bazı bilgiler geçmiş yayınlarda da mevcuttur11,12. Devam eden bu çaba, patlama aşırı basınç simülasyonlarının hassasiyetinin ve etkinliğinin geliştirilmesine katkıda bulunarak aletin geçerliliğini güçlendirecektir.
Burada sunulan yaklaşım, daha sonra BOP aracı kullanılarak seçim için veritabanına dahil edilebilecek hizmet üyelerinin sanal avatarlarını oluşturmak için de kullanılabilir. Mevcut işlem modelleri otomatik olarak veritabanına kaydetmese de, yazarlar bu özelliği BOP aracının gelecekteki sürümlerine dahil etmeyi planlamaktadır. Ek olarak, yazarlar, görüntü verilerinden otomatik duruş ve 3B model oluşturulduktan sonra duruşun manuel olarak değiştirilmesine izin veren şirket içi araçlara sahiptir. Şu anda, bu yetenek bağımsız olarak mevcuttur ve kullanıcı arayüzünde daha fazla geliştirme gerektiğinden BOP aracına entegre edilmemiştir. Bununla birlikte, bu devam eden bir çalışmadır ve yazarlar bunu BOP aracının gelecekteki sürümlerine dahil etmeyi amaçlamaktadır.
Patlama yükü verileri ayrıca bir ASCII metin dosyası biçiminde dışa aktarılabilir ve farklı silah sistemleri için patlama dozu modellerini daha ayrıntılı olarak araştırmak için daha fazla işlem sonrası adım uygulanabilir. Şu anda, kullanıcıların bu senaryolar sırasında daha karmaşık tekrarlanan patlatma yüklemesini anlamalarına ve araştırmalarına yardımcı olabilecek dürtü, yoğunluk ve diğerleri gibi çıktı ölçümleri için gelişmiş işlem sonrası araçlar geliştirme çalışmaları devam etmektedir. Ayrıca, araçlar hesaplama verimliliği için geliştirilmiştir ve yüksek simülasyon hızları sağlar. Bu nedenle, bu araçlar, bir silah ateşleme senaryosu sırasında en uygun duruşu ve konumu belirlemek için ters optimizasyon çalışmaları yapmamıza izin verir. Bu tür iyileştirmeler, farklı silah eğitim aralıklarında eğitim protokollerini optimize etmek için aracın uygulanabilirliğini artırır. Patlama dozu tahminleri, beyin, akciğerler ve diğerleri gibi farklı hassas anatomik bölgeler için daha rafine yüksek çözünürlüklü makro ölçekli hesaplama modelleri geliştirmek için de kullanılabilir 18,19,20 ve mikro ölçekli yaralanma modelleri20,21. Burada, modellere dahil edilen kask ve zırh yalnızca görsel temsil amaçlıdır ve bu simülasyonlardaki patlama dozunu etkilemez. Bunun nedeni, modellerin rijit yapılar olarak kabul edilmesidir, bu da bunların dahil edilmesinin patlama aşırı basınç simülasyonlarının sonuçlarını değiştirmediği veya etkilemediği anlamına gelir.
Bu makale, silah eğitimi senaryolarında insan duruşunu tahmin etmek için mevcut bir açık kaynaklı poz tahmin aracından yararlanmaktadır. Lütfen burada geliştirilen ve tartışılan çerçevenin poz verme aracından bağımsız olduğunu, yani yazarların daha fazla ilerleme kaydedildikçe mevcut bir aracı yeni bir araçla değiştirebileceğini unutmayın. Genel olarak testler, modern yazılım araçlarının son derece güçlü olmasına rağmen, görüntü tabanlı poz algılamanın zorlu bir görev olduğunu gösterdi. Bununla birlikte, poz algılama performansını artırmak için kullanılabilecek birkaç öneri vardır. Bu araçlar, ilgili kişi kamerayı net bir şekilde görebildiğinde en iyi performansı gösterir. Silah eğitimi tatbikatları sırasında bu her zaman mümkün olmasa da, kamerayı yerleştirirken bunu göz önünde bulundurmak poz algılama sonuçlarını iyileştirebilir. Ayrıca, eğitim tatbikatları yapan servis üyeleri sıklıkla çevrelerine uyum sağlayan kamufle edilmiş yorgunluklar giyerler. Bu, hem insan gözü hem de makine öğrenimi (ML) algoritmaları tarafından tespit edilmelerini zorlaştırır. Makine öğrenimi algoritmalarının kamuflaj23 giyen insanları tespit etme yeteneğini geliştirmek için yöntemler mevcuttur, ancak bunların uygulanması önemsiz değildir. Mümkün olduğunda, yüksek kontrastlı bir arka plana sahip bir yerde silah eğitiminin görüntülerini toplamak, poz algılamayı iyileştirebilir.
Ek olarak, görüntülerden 3B büyüklükleri tahmin etmeye yönelik geleneksel yaklaşım, birden fazla kamera açısıyla fotogrametri tekniklerini kullanmaktır. Görüntüleri/videoları birden fazla açıdan kaydetmek, poz tahminini iyileştirmek için de kullanılabilir. Birden fazla kameradan alınan poz tahminlerini birleştirmek nispeten basittir24. Sonuçları iyileştirebilecek başka bir fotogrametri tekniği, her kamera için ortak bir referans noktası olarak bir dama tahtası veya bilinen boyutlara sahip başka bir nesne kullanmaktır. Birden fazla kamera kullanmanın zorluğu, onları zamanla senkronize etmektir. Yüz yerine kask gibi özellikleri tespit etmek veya orduya özgü giysi ve ekipman (ör. botlar, yelekler, vücut zırhı) giyen kişileri tespit etmek için özel olarak eğitilmiş makine öğrenimi modelleri geliştirilebilir. Mevcut poz tahmin araçları, özel olarak eğitilmiş makine öğrenimi modelleri kullanılarak artırılabilir. Bu zaman alıcı ve sıkıcı olsa da, poz tahmin modelinin performansını önemli ölçüde artırabilir.
Özetle, bu makale, geliştirilmiş patlama aşırı basınç çerçevesinin çeşitli bileşenlerini etkili bir şekilde özetlemektedir. Burada yazarlar, boru hattının daha sorunsuz bir entegrasyonu ve tam otomasyonu yoluyla uygulanabilirliğini ve etkinliğini artırma potansiyelini de kabul ediyorlar. AMG aracıyla ölçeklendirilmiş bir 3D gövde ağının oluşturulması gibi unsurlar, manuel kullanıcı girdisini azaltmak için otomatikleştirilme sürecindedir. Şu anda, bu yetenekleri BOP aracı SCENE modülüne entegre etmek için devam eden çalışmalar vardır. Bu teknoloji geliştikçe, tüm Savunma Bakanlığı paydaşları ve laboratuvarları için erişilebilir hale getirilecektir. Ayrıca, devam eden çalışmalar, ek silah sistemleri için silah çekirdeklerinin karakterizasyonunu ve doğrulanmasını içerir. Metodolojileri iyileştirmeye ve doğrulamaya yönelik bu devam eden çaba, yazarların geliştirdiği araçların teknolojik ilerlemenin ön saflarında yer almasını ve askeri eğitim tatbikatlarının güvenliğine ve etkinliğine önemli ölçüde katkıda bulunmasını sağlar. Gelecekteki yayınlar, bu gelişmeler hakkında daha fazla ayrıntı sağlayacak ve daha geniş askeri eğitim ve güvenlik alanına katkıda bulunacaktır.
Açıklamalar
Yazarların ifşa edecek hiçbir şeyi yok.
Teşekkürler
Araştırma, MTEC Proje Çağrısı MTEC-22-02-MPAI-082 kapsamında Savunma Bakanlığı Patlama Yaralanması Araştırma Koordinasyon ofisi tarafından finanse edilmektedir. Yazarlar ayrıca Hamid Gharahi'nin silah patlama çekirdekleri için ve Zhijian J Chen'in silah ateşleme patlama aşırı basınç simülasyonları için modelleme yeteneklerini geliştirmek için katkılarını kabul ediyorlar. Bu sunumda ifade edilen görüşler, fikirler ve/veya bulgular yazarlara aittir ve Ordu Bakanlığı veya Savunma Bakanlığı'nın resmi politikasını veya konumunu yansıtmaz.
Malzemeler
| Ad | Şirket | Katalog numarası | Yorumlar |
|---|---|---|---|
| Antropometrik Model Üreteci (AMG) | CFD Araştırması | N/A | Farklı antropometrik özelliklere sahip 3B insan vücudu modellerini oluşturmak için. Araç DoD Açık Kaynak Kodludur. |
| BOP Aracı | CFD Araştırması | N/A | Patlama sahneleri ve aşırı basınç simülasyonları ayarlamak için. Araç DoD açık kaynak kodludur. |
| BOP Aracı SCENE Modülü | CFD Araştırması | N/A | Patlama sahneleri ve aşırı basınç simülasyonları ayarlamak için. Araç DoD açık kaynak kodludur. |
| Mediapipe | Sürüm 0.9 | Açık kaynaklı poz tahmin kitaplığı. | |
| MMPose | OpenMMLab | Sürüm 1.2 | Açık kaynaklı poz tahmin kitaplığı. |
| OpenSim | Stanford Üniversitesi | Sürüm 4.4 | Açık kaynaklı kas-iskelet sistemi modelleme ve simülasyon platformu. |
| Python 3 | Anaconda Inc | Sürüm 3.8 | Python 3.8 ve video işleme gerçekleştirmek ve poz tahmin araçlarını bağlamak için önceden yüklenmiş paketleri içeren açık kaynaklı Individual Edition. |
Kaynaklar
- LaValle, C. R., et al. Neurocognitive performance deficits related to immediate and acute blast overpressure exposure. Front Neurol. 10, (2019).
- Kamimori, G. H., et al. Longitudinal investigation of neurotrauma serum biomarkers, behavioral characterization, and brain imaging in soldiers following repeated low-level blast exposure (New Zealand Breacher Study). Military Med. 183 (suppl_1), 28-33 (2018).
- Wang, Z., et al. Acute and chronic molecular signatures and associated symptoms of blast exposure in military breachers. J Neurotrauma. 37 (10), 1221-1232 (2020).
- Gill, J., et al. Moderate blast exposure results in increased IL-6 and TNFα in peripheral blood. Brain Behavior Immunity. 65, 90-94 (2017).
- Carr, W., et al. Ubiquitin carboxy-terminal hydrolase-L1 as a serum neurotrauma biomarker for exposure to occupational low-Level blast. Front Neurol. 6, (2015).
- Boutté, A. M., et al. Brain-related proteins as serum biomarkers of acute, subconcussive blast overpressure exposure: A cohort study of military personnel. PLoS One. 14 (8), e0221036(2019).
- Skotak, M., et al. Occupational blast wave exposure during multiday 0.50 caliber rifle course. Front Neurol. 10, (2019).
- Kamimori, G. H., Reilly, L. A., LaValle, C. R., Silva, U. B. O. D. Occupational overpressure exposure of breachers and military personnel. Shock Waves. 27 (6), 837-847 (2017).
- Misistia, A., et al. Sensor orientation and other factors which increase the blast overpressure reporting errors. PLoS One. 15 (10), e0240262(2020).
- 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).
- Przekwas, A., et al. Fast-running tools for personalized monitoring of blast exposure in military training and operations. Military Med. 186 (Supplement_1), 529-536 (2021).
- Spencer, R. W., et al. 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. Military Med. 188 (Supplement_6), 536-544 (2023).
- Delp, S. L., et al. OpenSim: open-source software to create and analyze dynamic simulations of movement. IEEE Trans Biomed Eng. 54 (11), 1940-1950 (2007).
- Zhou, X., Sun, K., Roos, P. E., Li, P., Corner, B. Anthropometry model generation based on ANSUR II database. Int J Digital Human. 1 (4), 321(2016).
- Zhou, X., Przekwas, A. A fast and robust whole-body control algorithm for running. Int J Human Factors Modell Simulat. 2 (1-2), 127-148 (2011).
- Zhou, X., Whitley, P., Przekwas, A. A musculoskeletal fatigue model for prediction of aviator neck manoeuvring loadings. Int J Human Factors Modell Simulat. 4 (3-4), 191-219 (2014).
- Roos, P. E., Vasavada, A., Zheng, L., Zhou, X. Neck musculoskeletal model generation through anthropometric scaling. PLoS One. 15 (1), e0219954(2020).
- Garimella, H. T., Kraft, R. H. Modeling the mechanics of axonal fiber tracts using the embedded finite element method. Int J Numer Method Biomed Eng. 33 (5), (2017).
- Garimella, H. T., Kraft, R. H., Przekwas, A. J. Do blast induced skull flexures result in axonal deformation. PLoS One. 13 (3), e0190881(2018).
- Przekwas, A., et al. Biomechanics of blast TBI with time-resolved consecutive primary, secondary, and tertiary loads. Military Med. 184 (Suppl 1), 195-205 (2019).
- Gharahi, H., Garimella, H. T., Chen, Z. J., Gupta, R. K., Przekwas, A. Mathematical model of mechanobiology of acute and repeated synaptic injury and systemic biomarker kinetics. Front Cell Neurosci. 17, 1007062(2023).
- Przekwas, A., Somayaji, M. R., Gupta, R. K. Synaptic mechanisms of blast-induced brain injury. Front Neurol. 7, 2(2016).
- Liu, Y., Wang, C., Zhou, Y. Camouflaged people detection based on a semi-supervised search identification network. Def Technol. 21, 176-183 (2023).
- Batpurev, T. Real time 3D body pose estimation using MediaPipe. , Available from: https://temugeb.github.io/python/computer_vision/2021/09/14/bodypose3d.html (2021).
Yeniden basım ve izinler
