基于正交实验的汽车-两轮车碰撞事故再现的参数影响研究

汽车-两轮车碰撞事故再现的关键是确定碰撞速度。本文在动力学分析的基础上建立了汽车与两轮车相互侧面碰撞的模型,得到了两车碰撞速度的表达式;筛选出影响汽车、两轮车碰撞速度推算和事故再现结果准确性的主要参数;通过具体的事故案例设定正交实验,分别获得了对汽车、两轮车的参数影响权重顺序;据此指导PC-Crash对一起真实的汽车-两轮车碰撞案例进行模拟重建。结果表明,按参数权重顺序辅助汽车-两轮车碰撞事故的再现仿真,可用较短时间再现与实际事故情况相吻合的结果。

货车-两轮车碰撞事故典型场景提取及关联规则分析

基于视频信息提取了货车-两轮车碰撞典型事故场景,对事故场景中不同事故因素间的相关性进行了挖掘以补充代表事故遗漏的事故特征。应用210例带视频信息的货车-两轮车碰撞事故案例获取相关事故信息,采用K-modes聚类方法对事故案例进行聚类得到典型事故场景,采用关联规则方法对每个事故场景中事故因素之间的关联度进行分析。结果表明:货车-两轮车事故可分为4种典型场景,即2种十字路口事故,1种直行道路事故以及1种丁字路口事故。十字路口事故场景中事故特征与存在视觉障碍关联度较高,且在十字路口事故中“货车左转”所带来的风险也比较高;直行道路事故中货车制动规避与道路上是否有信号灯存在关联性;丁字路口事故中型货车转向规避与骑车人遭到碾压之间存在关联性。该研究结果可以为两轮车骑车人安全对策和安全测试场景提供参考。

汽车-动力两轮车碰撞前驾驶员风险感知研究

人机共驾阶段人类驾驶员对驾驶环境保持较高的风险感知水平是保证及时有效、稳定安全接管的核心。本研究通过开展风险感知模拟驾驶试验,获取了驾驶员在典型汽车-动力两轮车碰撞场景下的驾驶行为及脑电响应数据。从驾驶行为层面以制动TTC(time to collision)和平均加速度为评价指标,利用分位数回归构建了驾驶员风险感知量化模型,通过独立样本检验发现驾驶经验、碰撞场景类型对驾驶员风险感知存在显著影响。在脑电响应层面,通过双独立样本检验及FDR校正发现Alpha频段与驾驶员风险感知显著相关。此外,提出了驾驶员风险感知神经机理,包括视觉感知与认知加工两个阶段。研究结果有助于提升人机共驾汽车的安全性。

基于CIDAS事故数据的路口乘用车-两轮车测试场景研究

现有两轮车事故场景研究由于不区分事发地点,故对路口两轮车事故场景的提取还远远不足。据此,本文对来自CIDAS数据库的1 239起路口乘用车-两轮车事故案例进行了聚类分析,提取10个典型路口两轮车事故场景。针对强相关变量组,对比了单层聚类和双层聚类两种方法,发现双层聚类在样本划分和结果可解释性方面性能更优。从场景频率和致伤风险两个角度分析了聚类结果,进一步挖掘了速度与场景致伤风险指数之间的相关性。通过事故致因分析,发现了一些特色场景,例如未让行、两轮车逆行、交通灯冲突(包括闯红灯和交通灯切换间隙)以及视觉障碍。提取的路口两轮车事故场景能为智能车及主动安全系统测试提供场景参考依据。

汽车-两轮车事故中抛距与速度的关系判定研究

通过对汽车碰撞两轮车事故的力学分析,运用动力学与运动学定律得到汽车碰撞时速的计算公式,从中确定影响车速计算精度的参数。结合149起真实事故案例,使用SPSS软件对影响参数与碰撞车速的相关性进行分析,同时,使用PC-Crash软件将事故再现,分析确定参数对碰撞车速的影响度。从149起事故案例中获得相应的影响参数取值,以影响参数为输入,以汽车碰撞车速为输出,使用SPSS回归拟合出车速的计算模型。最终,对该模型进行误差分析,并与国内外其它的类似汽车碰撞车速预测模型进行比较,以验证模型的可靠性及准确度。

汽车与电动两轮车碰撞典型场景下的AEB纵横向触发策略研究

在汽车与电动两轮车碰撞事故中,自动紧急制动(autonomous emergency breaking,AEB)系统的横向触发固定宽度是避撞失效的重要因素之一。为了提高汽车AEB系统的避撞可靠性,本文在分析了汽车与电动两轮车碰撞临界工况的纵横向TTC(time to collision)差值范围的基础上,建立了AEB纵横向触发TTC差值模型。基于PreScan、Matlab/Simulink和CarSim仿真平台建立2种典型的汽车碰撞电动两轮车事故场景,并与横向触发宽度固定为1.75和3.75 m的AEB策略对比。结果表明:提出的AEB纵横向触发TTC差值模型在避撞率中表现更优,在汽车速度低于54 km/h时均能实现避撞。在典型场景1中避撞率为88.9%(45例),未避撞事故碰撞平均速度从70.6下降到29.7 km/h;在典型场景2中避撞率为80%(30例),未避撞事故汽车平均碰撞速度从66降低为18.2 km/h。AEB纵横向触发TTC差值模型具有良好的可靠性和鲁棒性,提高了汽车与电动两轮车道路安全性,为汽车主动安全系统开发提供重要理论参考。

基于信息融合的轿车碰撞两轮车事故车速分析

在对北京市轿车与两轮车碰撞事故调研分析的基础上,深入分析车辆、路面遗留痕迹特征与汽车碰撞特点之间的联系,选择与轿车碰撞速度相关的人体-风窗玻璃接触、人体及车辆与路面接触的痕迹特征参数,运用人工神经网络方法建立了轿车与两轮车碰撞事故的车辆碰撞速度分类预测模型。该模型融合了人-车-路相互作用的痕迹特征信息,采用实际事故案例提取的可靠样本对其进行训练并应用于车速估算。

小汽车与两轮车碰撞运动轨迹模型构建

应用碰撞动力学理论对小汽车与两轮车碰撞过程进行分析,分别构建了小汽车与两轮车碰撞后各自的运动轨迹模型,并运用自编软件实现车辆碰撞运动轨迹的再现仿真;选取碰撞事故案例,将求解结果与PC-Crash软件再现数据对比分析,结果表明模型可信度较高。

视觉障碍下十字路口电动两轮车事故特征和典型场景分析

视觉障碍是导致汽车与电动两轮车在十字路口发生碰撞的主要原因之一。为了厘清其事故特征以促进适用于中国道路的电动两轮车自动紧急制动(AEB)测试场景的开发,该文统计分析了道路弱势群体交通事故(VRU-TRAVi)数据库510例电动两轮车案例中具有视觉障碍的交通违规情况、障碍物类型和事故场景和等事故特征。采用逐帧分析法和直接线性理论估算不同事故场景下的碰撞速度和碰撞时间(TTC),获得不同事故场景下碰撞速度与TTC的分布关系并分析了障碍物对事故规避的影响。结果表明:将事故特征场景统计结果与前人研究结果对比得出4种典型场景,即固定障碍物场景、相邻车道反向行驶中车辆或同向等待车辆为障碍物场景、非相邻车道可移动障碍物场景,4种场景下TTC均值分别为1.12、1.02、0.96、1.27 s,汽车速度分别为24~47、27~46、27~46、18~45 km/h,电动两轮车速度分别为15~27、15~24、15~24、16~24 km/h。研究结果可为存在视觉障碍的电动两轮车碰前事故场景测试的关键技术提供参考。

基于潜类别Logit模型的两轮车骑行者头部损伤影响因素研究

为研究汽车-两轮车碰撞事故中骑行者头部伤害的影响机理,探究头部损伤致因关系中存在的模式差异与异质性,基于中国交通事故深入研究(CIDAS)数据库中的2 806起两轮车事故,建立潜类别Logit模型。以骑行者头部伤害严重程度为因变量,将驾驶人、车辆、道路、环境和事故碰撞特征的相关因素作为自变量,取显著水平为0.05,建立多项式Logit模型,在此基础上根据拟合优度指标确定最优分组数并构建出潜类别Logit模型。研究结果表明:模型将事故样本划分为2个类别群体,2个群体在参数、变量分布特征和预测概率上存在显著差异,当事故样本具有“两轮车初始速度>30 km/h”、“骑行者碰撞后抛出距离>10 m”等特征时易被归类到类别1,且类别1对应于更严重的头部伤害;骑行者年龄>50岁、汽车类型为商用货车、两轮车类型为摩托车、事故发生在市区外、两轮车初始速度>30 km/h、头部碰撞玻璃和抛出距离>5 m都会增加头部损伤的严重程度;汽车驾驶人行驶意图为停车或变道时,存在造成严重两轮车事故的风险;佩戴头盔会减弱骑行者头部受到的伤害。

轿车-电动两轮车事故再现的参数敏感性研究

为确定轿车-电动两轮车事故再现系统对各参数的敏感性,根据一起实例,确定影响参数,设计并开展正交试验,通过方差分析,分别获得影响轿车、电动两轮车和骑车人停止位置的参数敏感性排序;按是否使用敏感性排序结论,利用PC-Crash对另一起实例进行2次过程重建,以验证试验结果的可信性和可靠性。结果表明：影响轿车最终位置的敏感性参数仅为轿车的减速度;影响电动两轮车、骑车人最终位置的敏感参数排序分别为：2车碰撞时的纵向夹角〉碰撞点〉驾驶员反应时间〉轿车车速〉碰撞时电动两轮车的质心高度〉轿车方向盘转角、轿车车速〉电动两轮车的速度〉2车碰撞时的纵向夹角〉碰撞点;根据敏感性排序指导此类事故仿真重建,能明显减小车速误差及各参与方的最终位置误差。

电动两轮车及自行车与汽车碰撞损伤对比分析

为研究不同条件下与汽车碰撞时电动两轮车骑行者与自行车骑行者的碰撞损伤差异,以车速和碰撞位置为变量,利用有限元分析软件对THUMS人体模型进行了16组仿真,分析了骑行者头部、胸部和下肢的动态响应参数。结果表明:位置一定,汽车车速分别为30 km/h、40 km/h、50 km/h,两轮车车速分别为5 km/h、15 km/h时,自行车骑行者伤害值较电动两轮车骑行者大;反映人体损伤特性的6项评价指标均与汽车车速呈正相关,与电动两轮车和自行车车速相关性较弱;车速一定时,起始碰撞位置影响最终碰撞位置,且发动机罩边缘与A柱附近更易造成应力集中。

电动两轮车事故中不同头盔对地面碰撞防护性能研究

在电动两轮车碰撞事故中,地面碰撞是导致骑车人头部产生致命伤的重要因素之一。头盔作为重要的头部损伤防护部件,其对骑车人头部-地面碰撞的防护性能是设计的重要评价指标之一。首先根据真实头盔几何尺寸建立3款头盔有限元模型(全盔a,b,半盔),结合物理跌落试验进行模型验证。通过3起电动两轮车事故的深度重建,分析3款头盔在落地冲击中对头部颅骨骨折损伤指标(HIC)及重度脑损伤指标(峰值合角加速度、头部碰撞能量、最大主应变、累积应变损伤测量准则等)的影响。结果表明:案例1中,全盔a和全盔b将颅骨骨折风险由100%均降低到了10%以内;半盔在与地面碰撞中,帽檐受到的冲击力使径向接地的泡沫发生偏移,泡沫过早触底导致其对颅骨骨折风险仅降低至98%。案例2和案例3中,3款头盔均将颅骨骨折风险降低90%以上。3起案例中,无论全盔a,b还是半盔,对PAA和MPS的保护作用并不明显。尽管在CSDM0.25预测的重度脑损伤风险下,全盔a,b防护效果优于半盔,仍需进一步优化头盔对旋转载荷的防护性能。该结果对电动两轮车骑车人头部保护和头盔防护性能研究具有重要的指导意义。

基于真实事故案例的自动紧急制动系统两轮车测试场景研究

两轮车事故是我国道路一种重要的交通事故类型,但我国在自动紧急制动(AEB)系统研究中还缺乏合适的两轮车测试场景。据此,本文中参考国际上已有的研究成果,建立适用于我国道路交通环境的AEB系统两轮车测试场景。首先,对419起汽车与两轮车碰撞事故案例进行了聚类分析,获得了11类典型的汽车与两轮车碰撞事故场景;接着,根据11类场景在不同参数特征下的事故伤亡程度和事故样本数,准确地获得了各类场景中两轮车运动状态、汽车车速和两轮车车速的详细参数特征;最后,设计了汽车在照明良好的情况下直行通过路口的主要测试场景,通过改变主要测试场景得到了其它5类次要测试场景,且因而最终获得汽车与3种不同两轮车类型(电动两轮车、摩托车和自行车)碰撞下6类AEB系统两轮车测试场景的具体参数特征。本研究结果可为研究我国AEB系统两轮车测试提供参考依据。

汽车与两轮车辆相撞事故的特征和预防

在交通事故中 ,汽车与摩托车、自行车相撞导致人员伤亡占有很大比例。文中介绍了汽车与两轮车相撞的类型 ,提出了如何防止这类交通事故。

基于事故重建的骑车人头部碰撞测评工况研究

为了研究交通事故中两轮车骑车人头部碰撞工况,通过事故重建对汽车-两轮车碰撞模型进行验证,针对轿车和SUV车型分析了头部碰撞区域、速度和角度的差异,结合现有行人保护测评要求提出了测评建议。结果表明:骑车人头部碰撞速度与行人头部碰撞速度差别不大;对于发动机罩前缘高度不高于850 mm的车辆,头部碰撞区域建议将包络线(WAD)范围从2 100 mm扩大至2 300 mm,碰撞角度为45°;对于发动机罩前缘高度高于850 mm的车辆,无需扩大头部碰撞区域。

面向电动两轮车的汽车AEB系统研究

根据所选取的86起汽车与电动两轮车碰撞的事故案例和事故发生前电动两轮车的运动状态,设计接近前方的静止、匀速、减速和横穿车辆4种测试场景,并以此为基础分别对自动紧急制动(AEB)系统整体仿真模型进行仿真验证,结果表明,在车辆配备AEB系统的条件下,事故避免率达到了85%以上,其中,在不能避免碰撞的事故中,汽车的平均碰撞速度由29.3 km/h下降到13.2 km/h,验证了所设计的AEB系统控制策略的有效性。

基于NAIS数据库中电动两轮车-车事故特征分析

为研究十字路口电动自行车—车碰撞事故的碰撞特征,选取中国国家车辆事故深度调查体系(NAIS)数据库中200例包含视频及交警资料的十字路口电动自行车—车碰撞事故案例,分析了碰撞机动车车型、电动自行车—车碰撞危险场景、碰撞前电动自行车—车相对位置、骑车人在碰撞中易受伤部位等。利用计算机仿真软件对真实事故案例进行重建,从而获得骑车人的6类运动学轨迹及人体运动学响应。基于真实案例碰撞信息可提高电动自行车—车碰撞事故特征分析的准确性,为道路交通管理决策提供可靠性依据。

碰撞形态对两轮车及骑车人运动响应的影响研究

为研究轿车与两轮车碰撞时碰撞速度和碰撞部位对其碰撞后运动响应的影响,对171例汽车—两轮车碰撞事故案例进行统计分析,并利用控制变量法,运用多刚体动力学仿真软件PC-Crash进行仿真试验。仿真中,轿车分别以2种不同的车速与两轮车发生侧面碰撞,碰撞发生时两轮车分别以3种不同的初始速度从轿车左侧横穿至右侧,且参与双方以9种不同的接触部位发生碰撞。结果表明,两轮车及骑车人抛距、骑车人下肢最大加速度随轿车车速增大而增大;两轮车碰撞速度的改变对骑车人头部与轿车撞击点的纵向位移影响较大;当参与双方相对碰撞速度较高时,碰撞后骑车人与两轮车分别从轿车左右两侧抛出,此轨迹下骑车人头部加速度更大,损伤风险更高。研究结果可为事故再现及鉴定提供参考,也可为汽车主动安全产品研发等提供数据支持。

驾驶人风险感知时间与骑车人损伤风险模型研究

该文通过事故调查得到事故人员的基本生理信息和损伤信息,事故车辆基本参数、运动参数和损伤参数,道路、交通环境、天气等信息等,通过问卷调查、PC-crash及Madymo事故重建等方法,获得了30起汽车-两轮车碰撞事故案例的驾驶人感知、决策、操控等应急行为信息。分析结果表明,驾驶人制动反应时间平均值同样为0.75s,标准偏差0.07,驾驶人风险感知时间平均值为1.25s,标准差0.35。然后,通过最小二乘法拟合得到了驾驶人风险感知时间与AIS损伤级别的定量关系式,并对驾驶人风险感知时间的影响因素进行了分析。