基于CART决策树的车辆与行人碰撞中头部损伤风险预测

为快速预测汽车碰撞行人头部损伤风险,建立了一种基于多刚体系统动力学仿真方法和分类回归决策树(CART)的预测模型。参考欧洲新车评价规程(Euro-NCAP),开发了具有精细化刚度特征的车辆前部结构多体模型;以行人尺寸、初始车辆速度和行人速度、人车碰撞位置、相对角度为变量,通过全因子设计试验方法,建立了4500组多体仿真模型;采用CART模型,挖掘变量与动力学响应参数的关联性。结果表明:车辆初始碰撞速度是影响行人头部动力学响应的关键因素;该模型对于碰撞速度和头部损伤准则(HIC15)值的预测精度分别为87.5%和86.8%,平均预测耗时为42.7ms,两者均具有较高的预测精度和决策能力。该结果可为制定行人头部损伤风险评估实验和损伤防护研究提供理论参考依据。

典型汽车碰撞事故场景中行人运动轨迹预测方法

为提高未来自动驾驶车辆对弱势道路使用群体的感知和决策融合的可靠性,本文提出一种基于目标检测算法(YOLOv5)、多目标跟踪算法(Deep-Sort)和社交长短时记忆神经网络(social-long short-term memory,Social-LSTM)的行人未来运动轨迹预测方法。结合YOLOv5检测和Deep-Sort跟踪算法,有效解决行人检测跟踪过程中目标丢失问题。提取特定行人目标历史轨迹作为预测框架的输入边界条件,并采用Social-LSTM预测行人未来运动轨迹。并对未来运动轨迹进行透视变换和直接线性变换,转换为世界坐标系中的位置信息,预测车辆与行人的可能未来碰撞位置。结果显示目标检测精度达到93.889%,平均精度均值达96.753%,基于高精度的检测模型最终轨迹预测算法结果显示,预测损失随着训练步长的增加呈递减趋势,最终损失值均小于1%,其中平均位移误差降低了18.30%,最终位移误差降低了51.90%,本研究可为智能车辆避撞策略开发提供理论依据和参考。