Development of hip joint and eye location prediction models by incorporating driving posture strategies

Abstract

디지털 휴먼 모델(Digital human models: DHMs)은 설계 초기 단계에서부터 적은 비용으로 다양한 설계와 평가를 가능케 하여 자동차 산업에서 널리 사용되고 있다. DHMs의 활용에는 필수적으로 예측 모델의 정확성이 수반되어야 한다. 기존 연구들은 동일한 입력변수에 대하여 모두 동일한 영향을 받는다는 가정 하에 하나의 모델로 운전 자세를 예측해왔다. 그러나 이는 많은 기존 연구의 결과와 상충되며, 예측 모델의 정확성을 낮추는 요인이 된다. 본 연구에서는 운전 자세 전략 별로 엉덩 관절과 눈의 위치를 예측하는 모델을 개발하였으며, 이를 위해 대형버스에서의 운전 자세 전략을 도출하고 인체치수를 기반으로 이를 예측하는 모델을 개발하였다. 다양한 차종 중 대형버스를 대상으로 한정하였으며, 실제 사용 상황을 반영하여 모든 조절 인자를 조절할 수 있는 상황을 대상으로 예측 모델을 개발하였다. 일상생활에서의 자연스러운 운전 자세 특성을 실험 설계에 반영하기 위해, 현장 조사를 통해 대형버스 운전자들의 운전 자세를 수집하였다. 이를 통해, 평소 운전 자세에서 운전자들이 스티어링 휠을 지지하는 위치가 전반적으로 상이한 것을 확인하였다. 따라서, 예비 실험 및 본 실험에서 스티어링 휠의 지지 위치에 대한 지시사항을 주지 않는 것으로 결정하였다. 또한, 시내 주행 시에 고속도로 주행 시 보다 좀 더 경직된 자세를 취하는 것이 확인되었다. 따라서, 예비 실험 및 본 실험에서 주행 상황을 고속도로 주행으로 한정하였다. 본 실험의 세부 실험 설계를 결정 짓기 위해 예비 실험을 수행하였다. 총 16명의 피실험자를 대상으로 두 가지 실험을 수행하였다. 첫 번째 실험으로, 20분간 5분 간격으로 총 5회 엉덩 관절의 위치를 측정하였다. 실험 결과, 모의 주행 시간의 영향이 측정 오차와 유사한 수준이었기 때문에 모의 주행을 하지 않는 것으로 결정하였다. 두 번째로 최소, 중간, 최대의 세 가지 운전석 초기 설정 유형에 따라 시트 및 스티어링 휠 조절 상태를 측정하였다. 실험 결과, 초기 설정에 따라 조절 상태가 유의미한 영향을 미치는 것이 확인되었다. 이를 기반으로, 본 실험에서의 초기 설정 유형을 중간 유형으로 결정하였다. 현장 조사와 예비 실험을 통해 결정된 실험 설계를 기반으로 본 실험을 수행하여 운전 자세를 수집하였다. 총 56명의 피실험자를 대상으로 운전 자세를 수집하였다. 예비 실험에 참여한 16명과 본 실험에 참여한 56명의 운전 자세를 대상으로 이후 분석을 수행하였다. 총 72명의 운전 자세를 대상으로 군집 분석을 수행하여 운전 자세 전략을 도출하였다. 72명의 운전 자세는 상지에 대해 두 전략, 하지에 대해 두 전략, 총 네 가지 전략으로 나누어졌다. 이를 통해, ‘extended’, ‘UL-flexed and LL-extended’, ‘flexed’, ‘UL-extended and LL-flexed’의 네 가지 운전 자세 전략을 도출하였다. 도출된 각 자세 전략의 비율은 34.7%, 38.9%, 15.3%, 11.1% 였다. 인체치수를 사용하여 상기 네 가지 운전 자세 전략을 예측하는 모델을 logistic regression을 이용하여 개발하였다. 입력변수로는 총 15개의 인체치수가 사용되었다. 기존의 연구에서 주로 사용되어오던 신장(S), 앉은키(SH), 신장 대비 앉은키(SH/S), 로그 체질량지수(LogBMI)에 더불어, 팔길이(AL), 윗팔길이(UAL), 다리 길이(LL), 윗 다리 길이(ULL), 머리 깊이(HD), 목 길이(NL), 발 높이(FH)와 같은 여섯 세부 인체치수를 사용하였다. 또한, 신장 대비 팔길이(AL/S), 팔길이 대비 윗팔 길이(UAL/AL), 신장 대비 다리 길이(LL/S), 다리 길이 대비 윗다리 길이(ULL/LL)와 같은 네 가지 비율치수가 사용되었다. ‘UAL, LL’, ‘LogBMI, LL’와 같이 두 개의 입력변수를 사용한 모델과 ‘LL/S’, ‘LL’, ‘NL’과 같이 하나의 입력변수를 사용한 모델이 최종 모델로 선정되었으며 그 정확도는 50%에서 59.7% 사이였다. 앞선 15개의 인체치수를 사용하여 엉덩 관절과 눈의 위치를 예측하는 모델을 개발하였다. 운전 자세 전략 별로 예측 모델을 개발함을 통해 모델이 개선되는지를 확인하기 위해, 72개의 운전 자세 전체에 대해서와 4개의 운전 자세 전략 각각 에 대해 예측 모델을 개발하였다. 먼저 기존의 연구들과 같이 엉덩 관절의 x, z성분과 눈의 위치 x, z성분 총 4개의 성분에 대해 multiple linear regression을 통해 예측 모델을 개발하였으며, partial least squares regression을 통해 네 성분을 동시에 예측하는 모델도 개발하였다. 그 결과, 전반적으로 운전 자세 전략 별로 예측 모델을 개발할 때, 설명력이 최대 28.7%까지 향상되는 것을 확인할 수 있었다. 본 연구는 처음으로 대형버스에서의 운전 자세 전략을 제시하였으며, 인체치수 만을 사용하여 이를 예측하는 모델을 제시하였다. 최종적으로 운전 자세 전략 별로 엉덩 관절과 눈 위치를 예측하는 모델을 개발하였으며, 전반적으로 기존의 방식 보다 높은 설명력을 보이는 것을 확인하였다. 따라서 운전 자세 예측 모델을 운전 자세 전략 별로 개발하여 DHMs에 적용한다면, 운전 자세를 보다 정확하게 예측할 수 있을 것이라 기대된다. 또한, 본 연구와 같이 인체치수를 세분화하여 예측 모델에 사용한다면 예측 모델의 성능이 개선될 것이다.

Digital human models (DHMs) have been widely used in automotive design because they enable easy and convenient evaluation of early designs at low cost. However, applications of DHMs are unreliable if the prediction model is invalid. Previous studies used a single model to predict driving posture under the assumption that driving postures of drivers are homogeneous and thus can be explained by a single function, but this assumption has been seemed to be invalid. The goal of this study was to develop hip joint and eye location prediction model for coach by incorporating driving posture strategies. To achieve this goal, driving posture strategies were identified and then predicted using anthropometric dimensions. This study focused on coach and allowed adjustment of all possible components of seats and steering wheels by considering real driving situations. Field research was conducted to investigate natural driving posture in real life and to determine instruction about driving posture in the pilot test and main test based on this. As a result, preferred grip locations of steering wheel were diverse; thus participants were allowed to grip any location on the steering wheel. Some of participants took more erected driving posture in downtown than in highway; thus driving situation was fixed at driving in highway. The pilot test was conducted to determine experimental design of main test. Total 16 participants conducted two types of experiments. First, the hip joint location was measured in 5min intervals. As a result, effect of simulation driving time was similar with measurement error; thus, simulation driving time of main test was determined to 0min. Second, the seat and steering wheel adjustment and driving posture were measured by three types of initial setting types, respectively: minimum, intermediate, and maximum. As a result, initial setting type significantly influence on driving posture and adjustment of seat and steering wheel. Based on this, initial setting of seat and steering wheel in main test was fixed at intermediate setting. Main test was conducted to collect driving postures. Total 56 drivers participated in the main test. Further analyses were conducted using driving postures of 72 participants from pilot test and main test. Driving postures were divided into a total of four strategies by clustering analysis: two strategies for the upper limb (UL) and two for the lower limb (LL): ‘extended’, ‘UL-flexed and LL-extended’, ‘flexed’, ‘UL-extended and LL-flexed’ strategies. Ratios of each strategies were 34.7%, 38.9%, 15.3%, and 11.1%, respectively. Driving posture strategy prediction models were developed by logistic regression using anthropometric dimensions. Fifteen anthropometric factors were used as input variables; five factors from previous studies were stature (S), erect sitting height (SH), ratio of erect sitting height to stature (SH/S), stature minus erect sitting height (SSH), natural logarithm of body mass index (LogBMI); six dimensions introduced by this study were arm length (AL), upper arm length (UAL), lower arm length (LAL), leg length (LL), upper leg length (ULL), lower leg length (LLL), head depth (HD), neck length (NL), and foot height (FH); and four ratios introduced by this study were AL/S, UAL/AL, LL/S, and ULL/LL. Three models were finally selected when one input variable was used: ‘LL/S’, ‘LL’, and ‘NL’. Two models were selected when two input variables were used: ‘UAL, LL’ and ‘LogBMI, LL’. Accuracy of these models were ranged from 50.0% to 59.7%. Hip joint and eye location prediction model were developed based on the entire dataset and each of four driving posture strategies, and the improvement according to develop prediction model by strategies was quantified. Similarly with previous studies, x-/z-coordinates of hip joint and eye locations were predicted independently using multiple linear regression. Those four locations were also predicted simultaneously using partial least squares regression due to correlations among dependent variables. As a result, R2adj of models were improved by up to 0.287 when developing prediction models by strategies. This study firstly identified driving posture strategies for coach, and predicted these strategies by only one or two anthropometric dimensions. Also, this study developed hip joint and eye locations prediction models by strategies, and this methodology improved the prediction accuracy. Prediction models will be improved if detailed anthropometric dimensions are included as input variables, as in this study.