面向自动驾驶的典型汽车与行人事故冲突场景研究

为了从交通事故数据中提取典型汽车与行人冲突场景,应用于自动驾驶汽车研发测试,首先将行人事故冲突场景的组成变量按主车、行人、道路、环境4个类别进行划分,利用群决策理论分析了各类别下属变量的重要性,提取重要变量并根据其取值定义了汽车与行人冲突的基础场景。结合国家车辆事故深度调查体系(NAIS)中行人事故数据,统计得到46类基础场景,分析了中国行人冲突基础场景的特征,并提取了7种典型的基础场景,就其中2类最典型场景进行聚类分析,对后5类典型场景进行统计分析,获得了16类典型汽车与行人冲突场景的详细描述。研究结果可为系统全面地研究我国自动驾驶汽车行人自动紧急制动(AEB)测试场景提供参考。

基于行人横穿场景的AEB触发宽度优化研究

为研究自动紧急制动(AEB)系统控制策略中触发宽度对行人横穿场景结果的影响,利用自动驾驶仿真软件PreScan建立道路及车辆模型,在Matlab模型控制平台Simulink中设计AEB纵向控制算法,模拟行人横穿危险场景,不断调整触发宽度,观察碰撞结果。结果表明:当汽车速度处于30~50 km/h时,系统触发宽度为1.75 m,能够起到很好的避撞效果;当汽车速度处于50~80 km/h时,触发宽度需随行人速度增加而增加;触发宽度越宽,汽车接收信息越多,AEB误作用概率增大,故将最大触发宽度设置为3.5 m;当汽车速度处于60~80 km/h时,需同时优化触发宽度值和全力制动提前时间的长短,才能避免碰撞。

用于自动驾驶仿真测试的车——车事故场景复杂度评价

为解决自动驾驶仿真测试场景选取依据缺乏问题,进行了车车事故场景复杂度评价。从中国国家车辆事故深度调查体系(NAIS)数据库中,筛选出670例车车事故;根据场景不同维度,提取13项变量;基于信息熵理论,建立了车车事故场景复杂度评价模型。用逻辑回归得到变量水平优势比,来计算水平复杂度;使用反向传播(BP)神经网络算法,获取场景各维度及变量权重。用该模型计算各个事故案例的场景复杂度,通过K-means聚类将场景复杂度分为4个等级,得到各场景具有优势占比的特征及死亡情况。结果表明:4级复杂度场景占比1.6%,但死亡率高达90.9%,此类场景值得重点关注。

汽车VS二轮车十字路口事故场景研究

为研究十字路口发生的汽车与二轮车事故场景,基于NAIS事故数据库中发生在十字路口的汽车与二轮车事故数据开展研究。选择描述十字路口事故关键参数,依据事故发生时环境照明、十字路口信号灯、汽车所在道路车道数、道路限速、汽车种类、汽车速度、汽车运动方式、第一碰撞点、二轮车种类、二轮车运动方式等参数,对事故数据进行聚类分析,得到5类主要危险场景。基于发生频率最大和骑车人死亡风险最高的场景具有危险场景代表性,最终得到2类十字路口汽车与二轮车的典型事故场景。为十字路口汽车与二轮车的冲突消解、避撞策略研究提供参考。

基于车-车事故的道路测试场景风险评价方法

为建立适用于中国自动驾驶车辆测试场景库的风险评价体系,统计分析国家车辆事故深度调查体系数据库的车-车事故数据,得到6类典型车-车事故场景;根据事故造成的损失提出车-车事故致损模型,并利用信息熵理论构建包含静态和动态场景要素的综合复杂度模型;结合致损和复杂度2个维度建立自动驾驶测试场景的风险评价模型,依据风险指数的分布,为车-车事故场景风险等级界定阈值.以6类典型事故场景为例,采用提出的评价方法评价其风险等级.研究表明:该方法综合考虑了经济损失及场景复杂程度,能合理划分其风险程度,有助于为自动驾驶车辆测试选取合适的场景、推进自动驾驶道路测试场景评价进程.

SUV-载人摩托车事故中摩托车驾乘人员的损伤研究

为研究载人摩托车与运动型多功能车(SUV)迎面碰撞时,不同碰撞条件对摩托车驾驶人与乘客的头部损伤的影响,基于国家车辆事故深度调查体系(NAIS)中的一起案例,利用Pc-Crash软件建立摩托车、驾驶人、乘客与SUV的碰撞模型,并利用案例中的相关数据验证模型的有效性.在此基础上以摩托车车速、SUV车速、碰撞位置角为试验变量,进行摩托车事故仿真试验.结果表明:摩托车驾乘人员头部HIC值随碰撞速度增大而增加,驾驶人的头部损伤受碰撞速度、碰撞位置角影响远大于乘客,在相同的碰撞条件下驾驶人头部损伤大于乘客.