基于VRUs深度事故重建的AEB效能對頭部損傷風險的影響

韓 勇，李永強，許永虹，王丙雨,2，高秀晶,2，黃紅武,2，聶冰冰

（1. 廈門理工學院機械與汽車工程學院，廈門 361024，中國；2. 福建省客車及特種車輛研發協同創新中心，廈門 361024，中國；3. 汽車安全與節能國家重點實驗室，清華大學，北京 100084，中國）

2013年至2016年間，汽車與弱勢道路使用者（vulnerable road users, VRUs）碰撞事故頻發，據世界衛生組織（World Health Organization，WHO）統計，每年因道路交通事故造成的傷亡人數VRUs占50%以上[1]，對VRUs保護有重大作用的汽車自動緊急制動系統（automatic emergency braking， AEB）正受到廣泛關注，歐盟新車評價規程（Euro-New Car Assessment Program，Euro-NCAP）、中國新車評價規程（China New Car Assessment Program, C-NCAP）也相繼將AEB測試納入規程[2-3]。

2018年的美國國家道路交通管理局（National Highway Traffic Safety Administration，NHTSA）統計結果顯示：奔馳、沃爾沃、特斯拉等在售車中汽車自動緊急制動系統(AEB)安裝率均超過93%[4]。學者也對AEB在降低事故發生率及傷亡率中有深入研究。Robert Anderson[5]對澳大利亞深度交通事故數據庫進行事故重建并加裝AEB，發現AEB可降低20%～25%致死率和25% ～ 35%傷害率。陳強等[6]對中國交通事故深入研究（China In-Depth Accident Study，CIDAS）數據庫進行事故重建，采用PC-Crash加裝AEB方法研究其對降低行人事故發生率的影響，發現超過20%的事故可規避。不同的傳感器參數配置會影響AEB功效，導致研究其有效性比較復雜。學者們通常采用場景建模及多體方法研究AEB系統響應。比如：HUANG Sunan等[7]建立最常見的十字路口汽車與過街行人碰撞場景，發現傳感器不小于60°才能有效探測到行人。劉福聚等[8]基于CIDAS數據庫建立測試場景，發現AEB探測角度為40°、即碰時間 （time to collision，TTC）為1 s和制動減速度為0.9g參數下，能減少58.4%行人事故。Erik Rosén[9]通過研究AEB對行人事故的作用時，得出傳感器探測角（field of view in sensor detection，FOV）為40°時，行人死亡人數減少40%，重傷人數減少27%。趙雨晴等[10]基于車載視頻信息利用PC-Crash對自行車騎車人從障礙物后出現此類場景作為分析對象，研究不同探測角度下AEB對二輪車事故的規避性能。隨著道路監控和行車記錄儀的使用，基于視頻信息的深度事故重建對AEB的研究有重要的意義。吳賀等[11]采用多體系統與有限元相結合的方法對兩起具有清晰視頻信息的VRUs事故案例進行重建，驗證并提出了一種高精度事故重建方法。石亮亮等[12]在行人與車輛碰撞（一次碰撞）基礎上，研究行人與地面碰撞（二次碰撞），發現二次碰撞中會增加行人頭頸部的損傷風險。聶進等[13]通過事故重建研究了行人與自行車騎車人頭部動力學響應。

據國際協調研究活動（International Harmonized Research Activities，IHRA）統計，在與車輛碰撞中，行人頭部與下肢是最易受傷害的身體部位，且頭部損傷是VRUs致死的主要原因[14]。AEB的介入，既會影響事故發生率，又會影響VRU碰撞中的損傷；因此在研究AEB有效性時，應綜合考慮其對規避率和傷亡率的影響，可利用頭部損傷風險更直觀反應AEB的積極作用，使研究結果更具理論依據。

本研究在交通事故視頻數據庫中選取具有清晰完整視頻信息、詳細傷情報告的20起真實VRUs事故案例，利用Madymo和PC-Crash分別對案件進行事故重建和碰前場景還原，在此基礎上為事故車輛添加AEB，研究不同FOV下以及減速度大小對其規避能力的影響，隨后對在AEB介入后仍未規避的事故進行頭部損傷分析，通過對比原始事故損傷參數，研究AEB對VRUs頭部損傷的影響。

1 方法

1.1 事故篩選

事故數據來自于交通事故視頻數據庫VRUTRAVi[15]，事故篩選遵循以下原則：

1） 事故案件具有清晰完整的視頻信息（行車記錄儀或道路監控視頻）；

2） 案件中除事故車輛外，至少包含一位行人（或二輪車騎車人）；

3） 事故中VRUs有明顯損傷，案件包含相對完整的傷者損傷報告。

本文共選取行人案件6例、自行車案件3例、電動車案件11例，共計20例VRUs事故（編號C1-C20）進行研究。事故基本信息如表1所示。其中：v為車輛碰撞速度，MAIS為頭部損傷嚴重等級。

表1 事故信息

1.2 基于視頻信息的深度事故重建

利用Madymo進行深度事故重建。在建模過程中，車輛幾何參數、質量根據實際事故車輛信息進行搭建；車輛前部結構剛度系數依據Euro-NCAP中公布的同款或同類車型剛度分布進行具體數值設置[16]；假人模型采用瑞典查爾莫斯理工大學的CPM模型[17]（身高175 cm，體重78 kg）。同時根據真實案例中假人信息，調用Madymo中的Gebod模塊對標準的CPM模型進行等比例縮放，并參照事故視頻信息中碰撞位置調整碰撞姿態。二輪車模型的幾何參數按照事故原始車輛信息進行建模，結構力學特性參照文獻[18-19]。最后定義汽車與地面、行人與地面、汽車與行人等各接觸面之間的摩擦系數[20]。通過視頻分析法（video frame）和直接線型轉換（direct linear transformation，DLT）[21]，可限定汽車及VRUs的碰撞速度范圍。事故重建的結果和碰撞運動學與事故視頻精確對比一致后（圖1為C4事故重建結果驗證示例），車輛與VRUs最終位置（如圖2所示）和事故現場測量的尺寸誤差在10%以內[22-23]，認為重建結果有效，可輸出頭部損傷值。

1.3 碰前事故場景重建

在PC-Crash中調用事故同款車輛或同類型車輛，行人及車輛尺寸、質量等參數，均按真實事故信息定義；路面信息按國標GB 5768.7-2018進行搭建；事故重建得到的車輛碰撞速度及VRUs速度信息作為事故碰撞前場景建模的參照速度，同時以該速度點的車輛及VRUs位置為起點，倒推碰撞前1 s（或大于1 s）時車輛和VRUs的運動軌跡。當仿真動畫中車輛與VRUs發生碰撞時，二者速度與真實事故相同，碰撞位置與事故現場圖一致，二者與周圍參照物相對位置和事故視頻一致；且當仿真動畫采用與原始事故視頻幀率播放時，80%以上畫面可以相對應。此時認為該碰前事故場景模型有效。圖3是C4案例碰前場景還原，碰前840 ms到碰撞0 ms時刻與原事故視頻一一對應，即碰前場景重建有效。

1.4 基于AEB有效性分析的損傷指標選取

以往分析VRUs頭部損傷，僅使用頭部損傷指標（head injury criterion，HIC）[24]，然而HIC這一指標只考慮了頭部的線性運動，由頭部旋轉運動導致的頭部損傷無法評估。王方等[25]提出在基于頭部運動學響應中，頭部碰撞能量（head impact power，HIP）能有效評價由于頭部線性運動和旋轉運動造成的頭部損傷。此外，有學者在HIC、HIP基礎上又引入了頭部最大角速度、最大角加速度[11，26]。基于此，本文采用HIC、HIP、最大角速度及最大角加速度等指標綜合評估VRUs的頭部損傷風險。

2 AEB有效性分析

2.1 理論模型

AEB系統在縱向避撞算法中以即碰時間（time to collision，TTC）算法的性能最優[27]，因此本文采用TTC模型，從當前時刻開始，兩車以目前速度行駛至碰撞點所剩余的時間為式中：D為相對距離；vr為相對車速。在實際建模過程中，當車輛的TTC小于設定的閾值時，AEB便以一恒定的減速度制動。

2.2 參數設定

TTC閾值過大會造成車輛與VRUs相對距離過大，影響駕駛體驗；取值過小可能無法起規避作用。Hamdane等[28]在2015年對真實交通事故重建及碰撞前事故還原發現，在碰撞前1/s，行人相對車輛的位置較分散，而在0.5～1.0 s時，行人在車輛前方會相對集中。結合目前市場上大多數AEB系統的TTC設置，在參數分析時，TTC取值1 s。綜合傳感器的應用場景及造價，本研究選用毫米波雷達作為AEB探測傳感器，探測角度取30°、40°、50°、90°。傳感器探測距離參考市面上雷達傳感器廠家，本研究取60 m；考慮路面附著系統實際情況，AEB制動減速度取0.8g，做參數分析時取0.5g，以對比模擬車輛遇到雨天或行駛在濕滑路面上時AEB的制動效果。

2.3 仿真流程

圖5 為研究AEB對VRUs頭部損傷影響流程圖。在搭建碰前場景基礎上，將PC-Crash中的AEB模塊添加到事故車輛中，同時去除事故車輛及VRUs的應急反應（緊急轉向及緊急制動），本研究僅考慮AEB自身的作用，暫不考慮駕駛員和VRUs存在應急反應。最后按表2仿真矩陣進行不同參數設置下的仿真分析。

表2 仿真矩陣

目前企業研發的多數傳感器探測角度在30°以內，因此僅研究AEB參數在FOV為30°、TTC為1 s、減速度為0.8g情況下案件未規避原因。對于AEB觸發但仍未規避的事故，將此時PC-Crash中輸出的車速、兩者相對位置信息等作為碰撞邊界條件加載到Madymo中，輸出頭部損傷參數值，包括VRUs與車輛前部碰撞時刻及VRUs頭部落地時刻的HIC、HIP、頭部最大角速度和最大角加速度，并將此數據與原始事故Madymo損傷參數對比，分析損傷參數值的變化情況。

3 結果及分析

3.1 事故規避情況

通過統計并繪制碰撞前事故場景，得到碰前1 s時車輛與VRUs的相對位置關系如圖6所示。在碰前1 s，行人及自行車事故只有2起處于探測角度為30°的區域之外。有1起行人事故由于未在傳感器探測范圍內事故不能避免。電動車事故規避案例集中在90°的探測范圍內，表明電動車較行人、自行車需要更大探測角度。

本文采用事故規避率η作為AEB有效性的評價指標之一，其計算公式如下：

式中：NAEB為AEB介入后事故規避數量；Ntot為所選事故總量。

圖7 為不同FOV下AEB規避情況。當FOV為30°時事故規避率為45%，隨著探測角度增大，當FOV為40°、50°和90°時，較FOV為30°規避率分別增加5%、10%和20%。而AEB未響應及AEB響應后僅使車速降低并未規避的案件均隨著探測角度增大而減少。

為研究干燥路面與雨雪路面上AEB有效性差異，選取干燥路面摩擦因數為0.8，雨雪天氣的路面摩擦系數為0.5進行仿真[28]。如圖8所示，減速度為0.8g時規避率比減速度為0.5g時提高10%。因此，在雨雪天氣等惡劣條件下行車，AEB系統的有效性不及干燥路面。

3.2 碰撞車速影響

通過對圖9分析發現：未加AEB時篩選的20起事故初始平均碰撞車速為43.04 km·h-1，在AEB介入后平均碰撞車速降低至25 km·h-1以下，平均降速比率達到66.17%，5種工況中工況4的降速效果最明顯，高達81.13%，工況5的降速最差，僅為46.28%，其余工況降速比達60%以上。

3.3 VRUs頭部損傷影響

VRUs與車輛前部碰撞損傷變化見圖10。

如圖10所示：20起事故在五種不同AEB工況下，VRUs與車輛前部碰撞損傷都有降低。HIC平均下降了73.2%，工況4最優，能使VRUs的HIC值降低89.5%。HIP平均下降了72.7%，最大降低88.6%。最大角速度和最大角加速度分別平均下降了68.58%、49.14%。表明AEB的介入能一定程度上降低VRUs與車輛前部碰撞造成的損傷。

3.4 未規避原因分析

AEB能減少事故發生，但仍有25%的事故無法避免（不考慮VRUs未被識別的事故）。在這5起事故 （C5、C10、C12、C15、C20）配置AEB后，事故車輛車速均降低但碰撞仍然發生。圖11為車輛探測到VRUs開始制動時刻示意圖。其中S1指此時車輛與VRUs間距離，S2指車輛從當前車速減速到0所需的制動距離。

通過PC-Crash導出AEB開始制動時刻的TTC，我們定義為TTCb；利用公式3、4得出車輛制動時刻到VRUs的距離S1及初始車速減速至零所需停車距離S2，其中v表示車輛初始速度。當S1＜S2時，車輛與VRUs便會發生碰撞。

計算結果如表3所示。

表3 車輛避撞所需距離

這些事故不能規避的原因有：1） VRUs出現在AEB探測區域內時過晚；2）事故車輛初始速度過快；3）VRUs來不及緊急制動或轉向，與靜止車輛發生碰撞。

在C12案件的仿真初始階段，電動兩輪車騎車人不在傳感器探測范圍內，隨著仿真時間推進，由于電動兩輪車和車輛存在速度差，騎車人較晚進入傳感器探測范圍，待傳感器探測到騎車人時留給車輛制動的時間非常短，車輛在啟動AEB的TTC只有0.39 s，制動時間不足。

C10、C20案件中，電動兩輪車騎車人在AEB制動閾值時刻均處在探測范圍內，車輛在接受到制動信號后均按照7.85 m/s2的減速度進行減速，但通過計算當前車速減速至零所需路程S2，與車輛當前距VRU間距離S1發現，S2＞S1，因此事故不能避免。

C15案件中，在車輛加入AEB后，車輛在發生碰撞前成功將車速減至零，但由于電動兩輪車與事故車輛相距過近，兩者在0.12 s后會發生碰撞，在如此短的時間內騎車人無法做出應急反應，車輛與電動車仍會發生碰撞。

3.5 AEB對頭部損傷風險的影響

圖12 為5種案例的頭部損傷參數對比。

在案例C5中，在行人與車輛前部碰撞中，自動緊急制動系統（AEB）介入后使行人頭部碰撞位置由擋風玻璃變為發動機罩，HIC、HIP均大幅降低，頭部損傷風險降低；而在頭部與地面碰撞時，HIC和角加速度ω’相比于原始事故明顯增大，表明該案例中如加裝AEB可導致行人頭部落地碰撞損傷風險增加。

在案例C10中，AEB介入后，騎車人與汽車初始碰撞位置發生較大變化，騎車人頭部與車輛未發生直接接觸而倒地，落地時刻最大角速度ω提高了9.6倍，頭部損傷風險增加。

類似在案例C12中，碰撞初始位置的不同，使得騎車人頭部與車輛前部的碰撞位置由左側后視鏡與發動機罩夾角處變為發動機罩，導致頭部ω增大，同時與地面碰撞中損傷明顯增大。

在案例C15中，AEB響應后電動車與靜止車輛發生的碰撞，損傷小于原始事故中車輛撞擊電動車造成的傷害。案例C20在AEB介入后騎車人損傷降低顯著，騎車人頭部與車輛無碰撞，損傷風險降為零，而在地面碰撞中HIC、HIP、ω’、ω均明顯降低。

對這些事故加AEB前后VRUs頭部與車輛碰撞及地面碰撞所造成的損傷統計得到表4。

表4 加AEB前后頭部損傷參數的對比

由表4可知：VRUs與車輛前部碰撞，有3起（C5、C10、和C20）事故在加入AEB后損傷降低明顯。其中C10和C20在AEB介入后，騎車人與車輛碰撞初始位置及碰撞速度發生變化，導致騎車人頭部與車輛無接觸，因此與車輛碰撞導致的頭部損傷風險消失。而C5在有AEB條件下，行人頭部與車輛仍碰撞，但是此時汽車速度已大幅降低，且頭部碰撞位置發生變化，行人的頭部損傷相比原始損傷明顯降低。C12的HIC和最大角速度有些許增大，但與原始事故損傷相差不大；C15中最大角加速度增大4.05倍，是此時電動二輪車與靜止車輛發生碰撞，騎車人頭部有較大旋轉。

AEB對降低VRU與車輛前部碰撞產生的頭部損傷效果顯著，而在對VRUs與地面碰撞造成的損傷則大相徑庭。五起事故中僅C20的落地損傷明顯降低，其余4起事故頭部落地損傷參數均不同程度增大，主要是AEB介入后對VRUs頭部落地姿態產生影響，導致頭部損傷存在不確定性。

4 結 論

本研究基于詳實的道路弱勢使用者（VRU）事故信息，利用多體仿真分析軟件，對自動緊急制動系統（AEB）的有效性及VRUs頭部損傷風險進行了研究，可以得出以下結論：

1） 傳感器探測角FOV為90°時，AEB對VRU的規避率最大；FOV為30°時，傳感器能滿足多數行人和自行車事故的探測，而電動車需要更大的探測范圍才能有效識別。

2） 在最優的傳感器配置下仍有35%的事故無法避免，主要原因有VRUs不在AEB探測范圍內；車輛行駛速度過大，超出AEB制動能力；以及VRUs出現在AEB范圍內時間過遲，導致制動時長過短。

3） AEB能使碰撞車速平均降低66.17%，最大降速比可達到81.13%；在VRUs頭部與車輛前部碰撞中，AEB介入后頭部損傷指標HIC、頭部碰撞能量HIP、最大角速度ω和最大角加速度ω’分別平均降低73.2%、72.7%、68.58%、49.14%，最優可分別達到89.5%、88.6%、85.6%、63.5%，能有效降低VRUs頭部與車輛前部碰撞的損傷風險；但在落地運動中受多種變量影響，與地面造成的頭部損傷存在不確定性。