基于ANFIS的小重疊碰撞安全氣囊算法研究?

白中浩，張林偉，白芳華，顏長征，覃禎員，張永春

(1.湖南大學，汽車車身先進設計制造國家重點實驗室，長沙 410082；2.重慶車輛檢測研究院，國家客車質量監督檢驗中心，重慶 401122)

基于ANFIS的小重疊碰撞安全氣囊算法研究?

白中浩1，張林偉1，白芳華2，顏長征2，覃禎員2，張永春2

(1.湖南大學，汽車車身先進設計制造國家重點實驗室，長沙 410082；2.重慶車輛檢測研究院，國家客車質量監督檢驗中心，重慶 401122)

為提高小重疊碰撞事故中安全氣囊對乘員的保護作用，分析了小重疊碰撞事故類型并獲得識別小重疊碰撞的3個特征參數：速度變化量、加速度曲線長度比值和汽車主要受力方向。基于特征參數變量，結合自適應神經模糊推理系統開發了新型二級模糊安全氣囊控制算法，來識別小重疊碰撞類型，并根據碰撞類型展開安全氣囊。通過訓練合適的模糊隸屬度函數和模糊規則，該算法的性能得以提高。最后，經臺車試驗對新型安全氣囊算法進行了驗證。結果表明：在發生小重疊碰撞事故時，基于ANFIS的新型安全氣囊控制算法能準確識別小重疊碰撞類型，及時展開前安全氣囊和側氣簾，改善了其對乘員的保護作用。

乘員保護；小重疊碰撞；自適應神經模糊推理系統；安全氣囊算法

前言

安全氣囊是乘員在碰撞事故中重要的保護裝置，根據美國統計報告，當汽車發生正面碰撞時，單獨使用安全氣囊可降低23%的重傷率，同時使用安全帶和安全氣囊可減少50%的重傷率[1-2]。然而，現實碰撞事故較為復雜，包括斜碰撞、偏置碰撞、小____重疊碰撞和柱碰撞等多種類型，如果這些事故被安全氣囊算法誤判為100%正面碰撞或其他碰撞類型，則會低估或高估碰撞的嚴重性，對乘員起不到最佳保護作用，甚至對小體型乘員造成致命傷害。

近年來，很多學者致力于開發能識別碰撞類型的安全氣囊算法。文獻[3]中用速度變化量Δv和加速度長度兩個特征參數來識別柱碰撞、斜碰撞、偏置碰撞和正面100%重疊碰撞，該算法的識別變量較少，識別結果的可靠性較差。文獻[4]和文獻[5]中結合雷達和多種傳感器信息，提出預測碰撞形式的預碰撞算法，同時結合速度變化量和加速度絕對值兩個特征參數預測最終碰撞類型，但多種傳感器的使用和數據融合技術，大大增加了汽車成本。文獻[6]～文獻[9]中用主要受力方向(principal direction of force，PDOF)判斷汽車側面碰撞時碰撞接觸側和碰撞角度，但沒有考慮多種正面碰撞類型的識別，從而識別的碰撞類型較為局限。隨著神經網絡和模糊推理的廣泛應用[10-12]，文獻[11]中用汽車位移和加加速度等特征變量開發了基于自適應神經模糊推理系統(adaptive network based fuzzy inference system，ANFIS)的判斷碰撞嚴重程度的安全氣囊算法，但沒有對碰撞類型進行識別。小重疊碰撞是正面碰撞的一種，因其比較常見且對乘員有致命損傷而越來越受到關注[12-13]。小重疊碰撞中正面沖擊力完全由縱梁外側的結構承受，車身侵入量極大，乘員頭部因發生斜向位移而嚴重受傷[13]。小重疊碰撞兼有小角度碰撞和正面碰撞的特點，傳統安全氣囊算法對該種碰撞類型的識別魯棒性不高。另外，由于小重疊碰撞過程中乘員頭部發生斜向位移，在最佳時間同時展開前排乘員氣囊和側氣簾，才能對乘員起到最佳的保護效果。

本文中在前人學者研究的基礎上，分析小重疊碰撞數據得到判別該碰撞類型的Δv，PDOF和加速度曲線長度比值(acceleration curve length ratio，ACLR)3個特征參數，結合Δv抗干擾能力強、ACLR靈敏性高和PDOF可合理識別汽車碰撞接觸側的優點，設計了一種基于ANFIS的二級模糊安全氣囊算法，以期在發生小重疊碰撞事故時，安全氣囊控制單元識別出該碰撞類型并在最佳時間確定是否同時展開前氣囊和側氣簾，以達到乘員的最佳保護效果。

1 小重疊碰撞特征參數研究

采用美國國家碰撞分析中心建立的某款整車有限元模型，參照IIHS 25%重疊偏置碰撞評價體系相關要求建立小重疊碰撞有限元模型，進行仿真試驗，該整車模型已經通過有效性驗證[14]。

1.1 速度變化量Δv

目前，安全氣囊參數運用較多的是速度變化量Δv，其優點在于抗干擾能力強，可很好地反映碰撞能量變化，但是發生小重疊碰撞事故時，正面沖擊力完全由縱梁外側的結構承受，在相同的沖擊力情況下，小重疊碰撞速度降低較慢，Δv較小。因此在小重疊碰撞中不能單獨運用Δv作為識別碰撞類型特征參數，需要引入其他變量。

1.2 加速度曲線長度比值ACLR

在小重疊碰撞中，當壁障碰撞到車輪、懸架系統、前擋板和儀表臺等較硬實體時，減速度會迅速增大，當再次碰到其他實體時會再次增加，因此小重疊碰撞的加速度曲線有更多的震蕩，長度更長。

發生小重疊碰撞時，車輛只有一側受力，因此左右加速度曲線長度差異較大。對比分析仿真試驗數據，采用安裝在前車燈架處的前置傳感器采集的車身右側與左側x向加速度曲線長度比值ACLR作為安全氣囊算法的第2個特征變量，加速度曲線長度La和ACLR計算公式為

式中：LaRx為車輛右側x向加速度曲線長度；LaLx為車輛左側x向加速度曲線長度。

計算得到ACLR曲線如圖1和圖2所示。結果表明：正面100%重疊碰撞的ACLR范圍為0.70～1.3，小重疊碰撞的比值范圍為0～0.40。正面100%重疊碰撞中，車輛兩側的x向沖擊力相似，加速度值相差不大，因此ACLR值在1左右浮動。小重疊碰撞只有一側受到沖擊，該側的加速度值較未受沖擊的一側大，因此ACLR值在碰撞前期在0.15左右浮動，后期由于受到汽車側移等因素影響，碰撞側ax相對減小，ACLR增大，但始終在0.5以內。

圖1 正面100%重疊碰撞加速度曲線長度比值

圖2 小重疊碰撞加速度曲線長度比值

1.3 主要受力方向PDOF

PDOF是汽車合成碰撞力的方向，在很多事故中可合理地確定汽車碰撞的接觸側。在給定時間點，分別計算汽車縱向和橫向速度變化量Δvx和Δvy，合成速度變化量的方向即為PDOF[15]。傳統PDOF算法用式(3)計算。PDOF角度范圍為180°～-180°，代表前、后、左、右4種碰撞類型。傳統算法計算得到的PDOF是瞬時值。研究表明，當加速度曲線有一個主導方向時，Δv在另外一個方向軸上的輕微變化都會對PDOF產生影響。因此傳統的PDOF算法在計算正面100%重疊碰撞時，PDOF值相對穩定，在識別其他正面碰撞類型時有較大誤差[16]，不適用于小重疊碰撞。本文中采用位移變化量Δs算法來計算PDOF，見式(4)，該算法運用完整的Δv時間曲線代替傳統算法中運用的兩軸上最大Δv，因此對上述現象不敏感，避免了較大誤差的產生。

為確保采集加速度數據的可靠性，采用不直接接觸碰撞的安全氣囊中央傳感器采集的加速度信號計算PDOF，計算所得PDOF曲線如圖3和圖4所示。結果表明：在正面100%重疊碰撞下，PDOF隨速度的升高而先增后減，總體范圍為0.5°～1.5°，這也說明正面100%重疊碰撞的PDOF角度接近于0°，驗證了算法的準確性。小重疊碰撞中，PDOF隨著初速度的升高而增大，角度范圍為8°～18°。綜上所述，小重疊碰撞與正面100%重疊碰撞的PDOF角度范圍存在較大差異，因此將PDOF作為識別小重疊碰撞的參數指標。

圖3 正面100%重疊碰撞PDOF角度值

圖4 小重疊碰撞PDOF角度值

2 安全氣囊算法的設計

小重疊碰撞同時擁有正面100%重疊碰撞、斜碰撞和偏置碰撞的特點，識別碰撞類型時沒有清楚的界限，存在模糊區域。ANFIS完美地結合了模糊推理系統在評估模糊復雜對象時的廣泛適用能力和人工神經網絡在處理推理等問題時的自主學習能力。本文中提出一種基于ANFIS的兩級模糊算法，以期在發生小重疊碰撞事故時，安全氣囊控制單元能識別出該碰撞類型并在最佳時間確定是否同時展開前氣囊和側氣簾，達到乘員的最佳保護。

2.1 兩級模糊算法設計

為能精確識別小重疊碰撞類型，新型安全氣囊碰撞類型識別算法使用兩級模糊算法，流程如圖5所示。

圖5 兩級模糊算法流程圖

該兩級模糊算法采用3個輸入信號：Δv，PDOF和ACLR。當加速度信號超過預定閾值，則開始第一階段，計算0～10ms內的Δv，如果Δv超過閾值則識別為正面碰撞并立即根據相應展開閾值展開安全氣囊，若不是則進入第二階段，即根據輸入變量為PDOF和ACLR的ANFIS系統識別碰撞類型。

2.2 ANFIS設計與訓練

ANFIS結構采用T-S型模糊推理規則，共有6層節點，兩個輸入(PDOF，ACLR)一個輸出(碰撞類型)，各層節點數為：2-6-9-9-9-1，同一層的每個節點具有相似的功能。

(1)ANFIS輸入輸出層節點

選取的PDOF和ACLR兩種特征參數作為模糊神經網絡的輸入節點。輸出層描述的是碰撞類型，將網絡的輸出節點數設為1，期望輸出為小重疊碰撞記為“1”，正面碰撞類型為“0”，在輸出值基礎上，利用四舍五入的方法確定分類結果。

(2)ANFIS輸入變量論域

ANFIS的輸入變量的論域不同，為方便計算需將2個輸入變量的論域根據式(5)進行變換，將實際論域變換為[0，1]，并將變換后的值作為ANFIS的輸入。

式中：x0max和x0min分別為PDOF和ACLR特征變量的最大、最小值；x為論域變換后的值。

(3)隸屬度函數

分別用L(大)、M(中)、S(小)3個語言變量來表示各個特征量的模糊空間，即每個輸入變量都有3個模糊化神經元。

分析大量的碰撞事故類型，又因高斯型隸屬函數曲線較平滑，系統準確簡潔，確定選取高斯型隸屬函數為

式中：c表示隸屬函數的中心；δ決定隸屬函數的寬度。

ANFIS有9條模糊推理規則，如表1所示。通過對兩種碰撞事故類型的分析，選擇靈敏度較高的ACLR為主影響變量。其中，規則1表示如果PDOF和ACLR都較大，則碰撞類型為正面碰撞。

表1 模糊規則組合表

利用MATLAB的模糊工具箱ANFIS仿真實現命令Anfis訓練網絡模型，選取正面碰撞和小重疊碰撞20，30，40，50和60km/h 5組速度下共20個車輛仿真碰撞數據和碰撞類型作為輸入-輸出的訓練數據trnData，其每一行代表一個模擬目標系統所需的輸入-輸出對。ANFIS采用誤差反傳與最小二乘相結合的混合算法訓練相應參數，設置訓練目標誤差為0.001，步長為100，經過19步訓練，訓練結果誤差為0.000 923 53，達到了目標誤差要求。

3 仿真結果對比分析

安全氣囊能否及時展開是安全氣囊算法設計的關鍵之一，為對比基于PDOF和ACLR兩種特征參數的ANFIS自適應安全氣囊算法的魯棒性和實時性，對比分析了單獨使用兩個特征參數對自適應安全氣囊算法識別碰撞類型和識別時間的影響，采取了3種試驗方案：

(1)輸入特征參數為PDOF和ACLR 2種；

(2)輸入特征參數為PDOF；

(3)輸入特征參數為ACLR。

每次試驗都載入兩種碰撞類型5個共10組測試樣本進行測試，ANFIS的仿真識別結果見表2。由表2可知，基于PDOF和ACLR兩種特征參數的ANFIS控制實現了正確識別碰撞類型，而且該種ANFIS控制系統識別碰撞類型的時間較早。輸入變量為PDOF時系統的識別時間最晚，輸入變量為ACLR時較早，這主要由于采集PDOF數據的中央傳感器比前置傳感器較晚接觸碰撞和采集碰撞信息的緣故，輸入變量為PDOF和ACLR兩個特征參數時較好地結合了兩個輸入變量的優點，識別時間較早。

表2 ANFIS仿真識別結果

當發生60km/h正面碰撞類型時，△v在10ms之前超過閾值，碰撞類型在第一階段識別。ANFIS輸入變量為PDOF和ACLR兩種特征參數時，50km/ h正面碰撞類型在第二階段識別，識別時間是13ms，兩種碰撞符合在10-20ms內觸發安全氣囊的要求[17]；30與40km/h正面碰撞的識別是在第二階段完成，識別時間分別是15與16ms，較40-60ms內觸發安全氣囊的要求時間提前[18]，小重疊碰撞的識別均是在第二階段完成，識別時間分別是21，18，17，15和12ms，符合在規定時間內觸發安全氣囊的要求。

基于單個輸入變量PDOF的ANFIS控制系統，將50km/h速度下的小重疊碰撞錯誤地識別為正面碰撞，且識別時間較長，這主要是由于PDOF曲線前期發生震蕩的緣故。另外，基于單個輸入變量ACLR的ANFIS控制系統將20km/h的正面碰撞錯誤識別為小重疊碰撞，這主要因為前置傳感器的加速度數據可靠性差，魯棒性不高。

4 試驗驗證

為驗證開發的新型安全氣囊控制器在現實碰撞中的準確性，進行了驗證試驗。考慮到本算法是基于碰撞加速度信號開發的，因此采用可模擬不同碰撞加速度曲線的臺車代替實車進行驗證試驗[18]。所用臺車質量為1 660kg，碰撞加速度曲線通過仿真得到的吸能筒組合，共進行了12與35km/h的正面100%重疊碰撞和27與64km/h的小重疊碰撞4組試驗。64km/h小重疊碰撞臺車試驗后假人和氣囊起爆狀態如圖6所示。

臺車碰撞中安全氣囊的展開時間可由控制器的輸出電壓信息確定，當發生64km/h小重疊碰撞時，該智能安全氣囊控制器起爆時刻如圖7所示。由圖7可知，安全氣囊展開時間為碰撞發生后的32ms。根據高速攝像數據和127mm-30ms準則分析，確定安全氣囊的最佳展開時間為34ms。經過對比可知安全氣囊的最佳點火時間與實際點火時間相差2ms，點火誤差為5.8%，而35km/h正面100%重疊碰撞點火時間為22ms，最佳點火時間為23ms，點火誤差為4.3%。兩次起爆試驗的點火誤差均在允許誤差范圍之內。在低速碰撞情況下安全氣囊均未起爆，符合預期要求。因此，通過臺車試驗，驗證了提出的安全氣囊控制算法的有效性。

圖6 臺車碰撞后狀態圖

圖7 智能安全氣囊控制器起爆時刻圖

5 結論

提出一種基于ANFIS的二級模糊安全氣囊控制算法，能夠正確識別小重疊碰撞事故類型和乘員類型坐姿，并在最佳時間展開前排乘員氣囊和側氣簾，對乘員起到最佳保護。

(1)分析小重疊和正面碰撞仿真模型，得到識別小重疊碰撞類型的3個特征參數：速度變化量△v、加速度曲線長度比值ACLR和汽車主要受力方向PDOF。

(2)在ANFIS的相關理論基礎上，基于小重疊碰撞的3個特征參數，設計了二級模糊碰撞類型識別算法。

(3)針對開發的基于ANFIS系統的二級模糊碰撞類型識別算法，對比分析了單個和多個特征參數為輸入變量的控制算法在識別碰撞類型方面的優缺點，初步驗證了提出的基于ANFIS系統的二級模糊安全氣囊碰撞類型識別算法的實時性。

(4)為更好地驗證所開發安全氣囊算法的有效性，進行了4次臺車驗證試驗。在4組驗證試驗過程中，安全氣囊均能按照預期準確識別碰撞類型和起爆條件，起爆誤差分別為5.8%和4.3%，均在允許誤差范圍內，給乘員提供了最佳保護，從而很好地驗證了該安全氣囊算法的有效性和可靠性。

新型安全氣囊控制算法的研究更符合交通事故的現狀，提高了小重疊碰撞中乘員的安全性，有利于降低交通事故乘員損傷，具有明顯的社會價值。后續研究可結合多種碰撞類型如斜碰撞、柱碰撞等進行研究，使其適用性更廣。

[1] United States General Accounting Office.Vehicle safety technologies，challenges，and research and development expenditures for advanced air bags，GAO-01-596[R].Report to the Chairman and Ranking Minority Member，Committee on Commerce，Science，and Transportation，United States：U.S.Senate，June 2001.

[2] 葛如海，藍善斌，陳曉東，等.安全氣囊對離位乘員損傷影響的仿真研究[J].汽車工程，2007，29(9)：766-770.

[3] PARK TW，JEONGH Y，PARK SW.A crash severity algorithm for all frontal crashmodes using compensation factors[J].Proceedings of the Institution of Mechanical Engineers，Part D：Journal of Automobile Engineering，2006，220(5)：531-541.

[4] CHO K，CHOISB，LEEH.Design of an airbag deployment algorithm based on precrash information[J].IEEE Transactions on Vehicular Technology，2011，60(4)：1438-1452.

[5] CHO K，CHOIS B，SHIN K，et al.A pre-crash discrimination system for an airbag deployment algorithm[C].American Control Conference.Baltimore，2010，6949-6954.

[6] CHO K，CHOIS B，WEE S，et al.Design of an airbag deployment algorithm using a radar sensor[C].Proc.IFAC Symp.Adv. Automot.Control.2010，47-52.

[7] KUSANO K D，GABLER H C.Automated crash notification：evaluation of in-vehicle principal direction of force estimations[J]. Transportation Research Part C：Emerging Technologies，2013，32：116-128.

[8] GEISLER S，MICHELINIM.A study of crash rates for vehicles with advanced crash avoidance features[C].SAE Paper2011-01-0587.

[9] NIEHOFF P，GABLER H C，BROPHY J，et al.Evaluation of event data recorders in full systems crash tests[C].Proceedings of the 19th International Conference on the Enhanced Safety of Vehicles，2005.

[10] 曹立波，張萍，顏凌波，等.在車對車碰撞條件下轎車斜角碰撞及小重疊碰撞的駕駛員損傷研究[J].汽車工程，2016，38(2)：174-180.

[11] MON Y J.Airbag controller designed by adaptive-network-based fuzzy inference system(ANFIS)[J].Fuzzy Sets and Systems，2007，158(24)：2706-2714.

[12] SHERWOOD C P，NOLAN JM，ZUBY D S.Characteristics of small overlap crashes[C].Proc 21th Int'l Tech Confon Enhanced Safety of Vehicles，Germany，2009：9-13.

[13] 陳可明，胡麗娟，胡晏殊.國內某車型小偏置正面碰撞的全面評估[J].汽車安全與節能學報，2013，4(1)：27-34.

[14] FE Model of Ford Taurus Report of Test.National crash analysis center[R].The GeorgeWashington University，2001：2-18.

[15] KUSANO K D，GABLER H C.Automated crash notification：evaluation of in-vehicle principal direction of force estimations[J]. Transportation Research Part C：Emerging Technologies，2013， 32：116-128.

[16] 陳望，干金鵬，史雪林，等.車輛緊急呼救系統中碰撞類型識別的新算法[J].汽車工程學報，2015，5(3)：215-221.

[17] MON Y J.Airbag controller designed by adaptive-network-based fuzzy inference system[J].Fuzzy Sets and Systems，2007，158 (24)：2706-2714.

[18] BEEMAN SM，KEMPER A R，MADIGAN M L，et al.Kinetic and kinematic responses of postmortem human surrogates and the hybrid IIIATD in high-speedfrontal sled tests[J].Accident Analysis＆Prevention，2013，55：34-47.

A Study on Airbag Algorithm for Small-overlap Crash Based on ANFIS

Bai Zhonghao1，Zhang Linwei1，Bai Fanghua2，Yan Changzheng2，Qin Zhenyuan2＆Zhang Yongchun2
1.Hunan University，State Key Laboratory ofAdvanced Design and Manufacturing for Vehicle Body，Changsha 410082；2.Chongqing Vehicle Test＆Research Institute National Quality Control＆Inspection Center for Buses，Chongqing 401122

In order to enhance the protection effects of safety airbag for occupant in small-overlap crash，the accident types of small-overlap crash are analyzed with three characteristic parameters obtained for identifying small-overlap crash，i.e.speed change，acceleration curve length ratio and the principal direction of force.Based on characteristic parameters，combined with adaptive neural fuzzy inference system(ANFIS)，a novel two stage fuzzy airbag control algorithm is developed to identify the type of small-overlap crash，accordingwhich the safety airbag is deployed.The performance of the algorithm can be enhanced by training appropriate fuzzymembership functions and fuzzy rules.Finally，the new airbag algorithm is validated by sled test.The results show that in the event of small-overlap crashes，the new airbag algorithm based on ANFIS can accurately identify the type of small-overlap crash and timely deploy front airbag and side air-curtain，improving their protection effects for occupant.

occupant protection；small-overlap crash；ANFIS；airbag algorithm

10.19562/j.chinasae.qcgc.2017.05.006

?國家自然科學基金(51475153)資助。

原稿收到日期為2016年5月25日，修改稿收到日期為2016年7月13日。

白芳華，碩士，E-mail：baifanghua＠cmhk.com。