用于统计与分析的汽车碰撞行人事故深入数据源

结合近年来积累的交通事故调研经验,以北京市汽车碰撞行人事故分析案例为基础,构建了行人事故的深入数据源。该数据源以计算机电子数据表存储和分析与事故相关的人、车、路、环境的数据信息,可用于事故统计、事故再现和深入数据分析等方面的研究。基本数据源中包含事故的基本数据、车辆数据和行人数据3个部分,另外还存储了中国人体相关参数和车辆相关参数供分析时使用。目前,该数据源已收录了近200例行人事故中的深入数据,已用于有关人车碰撞特点分析及辅助事故再现等方面的研究,为汽车被动安全及交通安全研究提供必要的数据基础。

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。

基于真实事故形态分析的行人探测模型研究

以长沙市汽车碰撞行人事故形态分析为基础,研究在汽车主动避撞系统的响应时间内,行人被感应器及时探测到的概率。具体地,从长沙IVAC数据库的389起车辆碰撞行人事故中,挑选出F1和F2两种最常见的事故形态类型,且能估算其行驶速度的案例分别为65和64起。结合车辆和行人运动轨迹、运动速度等参数,对F1和F2事故案例建立了行人探测模型。针对给定的感应器探测半角(15°、30°和45°),分别计算出了行人的探测概率。结果显示,当探测半角≥30°时,94%以上的行人能被及时探测。