加裝傳統AEB后的未避免事故典型碰撞場景與事故特征 *

鄒鐵方，劉前程，魏 亮

（1. 長沙理工大學汽車與機械工程學院，長沙 410114； 2. 云南云通司法鑒定中心，昆明 650255）

前言

據世界衛生組織（world health organization，WHO）統計，全球每年因道路交通事故死亡人數約為135 萬，其中行人死亡人數占比在22%左右［1］。而國家統計局數據顯示，2014—2019 年我國交通事故總死亡人數達369467，其中行人死亡人數占比為25%左右［2］，表明我國行人交通安全亟需關注。

自動緊急制動系統（automatic emergency braking， AEB）被視為有效降低行人事故傷害的主動安全系統。美國公路安全保險協會指出，AEB 可以減少27%的交通事故［3］。因此，AEB 受到各國政府和研究人員的重視，歐盟新車評價規程（Euronew car assessment program， Euro-NCAP）、中國新車評價規程（China new car assessment program， CNCAP）均將AEB測試納入規程［4-5］。Anderson等［6］通過對澳大利亞深度碰撞數據庫中的案例進行碰撞模擬以評估AEB 系統的有效性，發現AEB 系統不僅可以減少20%～25%的死亡率和25%～35%的受傷率，且能大幅降低事故風險。Rosén 等［7］通過研究AEB系統對減輕行人傷害的影響，發現在40°視角范圍內，能減少40%的行人死亡率和27%的行人受傷率。 Liu 等［8］通過分析CIDAS（China in-depth accident study）數據庫中的真實事故案例，發現AEB系統的碰撞時間（time to collision， TTC）為1 s、制動減速度為0.9g時可以避免57.5%的重傷及死亡事故。

但AEB 的影響并非總是正面的。Páez等［9］通過對馬德里的50 起汽車與行人碰撞事故進行再現并加裝AEB 系統，發現AEB 可以避免42%的汽車與行人碰撞事故，但隨著碰撞速度的降低，有10%的事故中行人頭部損傷會增加。韓勇等［10］通過對事故視頻進行再現并加裝AEB 系統，發現在碰撞時間為1 s的工況下，車速降低效果最顯著，但AEB 會增加人體頭地碰撞損傷風險。

已有研究表明，AEB 能不同程度地降低事故發生率，但不能完全避免事故［11］。通過對少量未避免事故的分析發現，此類事故中人體損傷可能增加。在車輛智能化大背景下，AEB 技術必將全面推廣應用，到時絕大多數汽車均將裝備AEB 系統。此種條件下，未避免事故具有哪些基本特征、特別是現有AEB技術在實踐中將會引入哪些風險，亟需探索。

事故場景是測評智能車技術的有效手段，也是事故特征的重要組成，因而構建不同狀態下的危險場景已成為當前的研究熱點。比如，Chen 等［12］再現CIDAS數據庫中汽車-行人事故，并提取典型事故場景以研究我國的人車碰撞事故特征；歐洲高級保護系統（advanced protection systems， APROSYS）項目對德國事故數據庫進行挖掘后獲得3 種典型車輛碰撞行人的事故場景以評估AEB 性能［13］；劉穎等［14］對上海道路上發生的典型車輛與行人碰撞的危險工況進行篩選，利用聚類分析獲得5 種典型車輛碰撞行人的危險場景；蘇江平等［15］通過車載診斷系統對中國5 個城市的11 輛乘用車進行駕駛數據采集，獲得65 個車輛與行人發生碰撞的工況，并提取了典型危險場景。由此可知，為了解加裝AEB 后的汽車撞人事故特征及AEB 可能帶來的風險，先建立未避免事故的典型場景可行且極具價值。

為此，本研究將先基于Pc-Crash 軟件再現187例真實事故，并結合事故視頻、再現結果采集人車碰撞前相關參數，進而對事故車輛加裝AEB 系統，并通過Carsim 與Simulink 聯合仿真以獲得不能避免碰撞的案例，接著再用Pc-Crash 軟件仿真未避免案例以獲得人體損傷信息，然后用統計分析等方法獲得未避免事故的典型場景及總體特征，最后再在場景基礎上研究未避免事故的損傷特征并揭示其規律。

1 研究方法

1.1 數據來源

研究所選視頻主要來源于課題組前期服務于CIDAS、NAIS等橫向項目及國家重點研發、國家自然科學基金等縱向項目所積累的案例，并按照以下的原則對事故視頻進行嚴格篩選，最終得到187 例符合本研究的事故視頻案例，并對其逐個進行事故再現。

（1）事故視頻須能觀察到事故全過程。

（2）事故車僅為Sedan/SUV，不包括公共汽車等，一輛車至少須與一個行人發生碰撞。

1.2 事故再現、碰前參數與數據采集

1.2.1 事故再現

Pc-Crash 作為事故再現領域廣泛應用的軟件，其精度已被諸多學者驗證［16-18］。本研究嚴格按照文獻［17］～文獻［19］中所述流程再現事故，并在事故再現前按照文獻［20］中所述方法估算車輛與行人速度。接下來通過一例真實案例對事故再現過程進行演示，以說明事故再現結果的可靠性。

（1）事故介紹

由監控拍攝的一段視頻顯示，在我國某城市轉彎路口處，一位中年女性步行穿過馬路，與左側黑色小轎車發生碰撞，碰撞發生時事故車輛立即制動，行人在車輛發動機蓋上翻轉一周后落地。

（2）事故現場再現

通過視頻提取事故現場重要信息，利用仿真軟件搭建與事故現場同類型的T 字型路口。并依據實際事故車輛的各項基本參數（軸距、輪距、車輛長寬高及質量等）對仿真軟件中的車輛模型進行修改。行人模型則依據視頻及我國人體實際參數［21］對假人模型的身高、體質量及姿態進行修改后獲得。

（3）仿真與驗證

仿真開始前對車速及行人速度進行估算。根據車身長度L和一段時間內行駛過的車位數N，計算出在此段時間內車輛行駛距離為

通過逐幀播放事故視頻，記錄車輛行駛距離S所需的幀數，從而計算出行駛時間為

式中：T為車輛行駛距離S所需的時間，s；n為車輛行駛距離S需要的幀數；ne為視頻里1 s 內需要的幀數（不同視頻格式的幀率也不同）。

由距離S和時間T可得到車速為

式中v為碰撞速度，km/h。

本案例中，先預估車輛和行人速度的區間，分別為25～26.5 和5～6.5 km/h。然后仿真再現，要求仿真中人體運動學響應與實際事故中一致，經多次迭代優化后發現車速取26 km/h、行人速度取6 km/h、車輛制動協調時間取0.2 s時，仿真與事故視頻最吻合（見圖1）。可以看出，仿真中車輛的行駛軌跡、行人運動軌跡、行人姿態、最終停止位置等信息都與視頻高度一致。最后對人體損傷進行驗證，發現仿真中車輛所致15 ms 頭部損傷準則HIC15（head injury criterion）為176.5，地面所致HIC15為160.6，根據行人頭部損傷耐受極限（<700），可推斷該案例中行人受輕傷，這與警方提供信息一致。其它186 例案例均按照這一方法嚴謹再現，以保證仿真最大限度地客觀反映真實事故情況。

1.2.2 碰前參數與數據采集（1）碰前參數

為實現后續聯合仿真實驗，須對人車碰撞前1 s（或大于1 s）的相關參數進行采集，包括碰撞前的車速、車輛運動狀態、行人速度、行人行走方向、行人姿態、人車相對位置、道路特征、路面狀況、照明狀況和駕駛員視野情況。

（2）數據采集

基于1.2.1 節中事故再現的結果，先采集碰撞時的車速、行人速度、人車相對位置等信息，再參考文獻［10］中的方法再現碰撞前事故過程，即將碰撞時的人車相對位置作為起點，通過反向計算找出碰撞前1 s（或大于1 s）車輛和行人的運動軌跡，并采集碰前參數。再現碰撞前事故過程中，同樣要求仿真中行人軌跡與事故視頻中行人軌跡最大程度吻合，以保證采集的碰前相關參數最大限度地接近真實事故情況。其它186 例事故中相關數據采集中均采用此統一標準，以保證數據的可靠和一致性。

1.3 AEB系統與仿真

1.3.1 AEB系統參數選取

TTC 模型是現有模型中較為傳統且經典的避撞算法［22］，是指同一路徑上行駛的兩車保持當前速度直到發生碰撞所需要的時間，即

式中：D為相距距離；vr為相對車速。

AEB的原理是利用雷達攝像頭探測與前車或障礙物的距離，然后對車輛進行制動，以避免事故發生。但其核心問題是確定制動系統恰當的介入時刻，介入過早會導致車輛過早停止，駕駛體驗感變差及對行人造成恐慌，過晚會導致事故無法避免，故TTC 閾值的選取尤為重要。Hamdane 等［23］研究發現在碰撞前1 s（TTC=1 s），大多數行人與車輛之間的橫向距離小于3 m，此結論對主動安全系統研究方面意義重大。韓勇等［10］研究發現，在碰撞時間TTC為1 s的工況下，車速降低效果最為明顯。本研究綜合以上TTC的取值范圍，最終將TTC取值為1 s。同時，本研究在滿足研究需要的前提下選用成本低［24］的毫米波雷達作為 AEB 探測傳感器，探測距離為50 m。根據Chen 等［25］和楊娜等［26］研究結果，將探測器角度設置為40°，不僅能夠在碰撞前1.0 s 檢測到“障礙物上”93%的行人，且兼顧探測器的成本和系統控制算法的復雜性，故本文探測角度取40°。

1.3.2 聯合仿真實驗

通過使用Carsim 與Simulink 軟件搭建聯合仿真模型，以對AEB 的效能進行研究，此實驗方法在該研究領域已被廣泛應用。本研究為實現Carsim 與Simulink 的數據傳輸，對車輛動力學模型的輸入輸出接口進行定義。輸入信號為主缸壓力，輸出信號包括本車車速、相對速度、前方目標距離。同時根據1.2.2 節中碰前參數采集結果，利用Carsim 搭建與事故中相同的車型、行人步態和路面類型，并對人車相對位置、車速、行人速度等參數進行設置，結合Simulink 搭建的AEB 算法模型，將其添加到事故車輛中進行聯合仿真。本研究僅考慮AEB 自身的作用，暫不考慮駕駛員和行人存在的應急反應。

1.4 統計分析

研究將采用SPSS 軟件中Kruskal-Wallis H 和Mann-Whitney U 檢驗方法［27］，分別對加裝AEB 后6類場景中的行人頭部/胸部/臀部損傷差異和6 類場景中加裝AEB 前后行人頭部/胸部/臀部的人車碰撞損傷與人地碰撞損傷差異進行顯著性檢驗，檢驗水準α=0.05，根據導入SPSS 軟件的損傷數據得出的P值來判斷不同場景下的行人頭部/胸部/臀部損傷是否具有差異。通常P<0.01 時，有極顯著統計學差異；當0.01≤P<0.05 時，有顯著統計學差異；當P≥0.05時，不具有顯著統計學差異。

采用層次聚類分析法［28］提取未避免事故的人車碰撞典型場景。參照文獻［29］和文獻［30］，選取3類9個參數為名義尺度變量（nominal），分別為：照明情況、道路特征、路面狀況3 個環境參數，車速、車輛運動狀態、視野是否遮擋3 個車輛參數以及行人速度、行人運動狀態、行人行走方向3 個行人參數。各變量的取值見表1。

表1 人車事故的場景參數與參數特征

1.5 損傷評價指標

（1）頭部損傷指標 采用1971 年美國運輸部提出的頭部損傷標準HIC進行評價，HIC定義為

式中：t2-t1表示HIC達到最大值的時間間隔；a（t）表示頭部質心合成加速度。在實際應用中最大時間間隔取15 ms，HIC15的安全界限值為700［31］。利用PC-Crash 將仿真后的人體頭部減速曲線數據輸出，再依據式（5）運用Matlab編程計算獲得HIC15。

（2）胸部損傷指標 采用胸部3 ms 合成加速度作為胸部損傷指標，其安全界限值為60g［31］。與獲得HIC15的計算方式類似，根據輸出的胸部減速度曲線，運用Matlab編程計算獲得胸部損傷指標。

（3）臀部損傷指標 采用碰撞力作為臀部損傷指標，文獻［32］中給出的盆骨耐受極限為10 kN。碰撞力可從Pc-Crash仿真結果中直接獲取。

2 結果

2.1 未避免事故總體特征

聯合仿真結果顯示，187 例事故中有114 例（61%）事故在AEB 的作用下避免了碰撞，但仍有73例（39%）事故未避免，未避免事故的總體特征如下。

2.1.1 事故環境特征

統計發現，在道路類型分布中，有44例（60.27%）發生在非路口，29 例（39.73%）發生在T 字路口或十字路口。在路面狀況分布中，有48 例（65.75%）發生在干燥路面，14 例（19.18%）發生在雨天濕滑路面，11例（15.07%）發生在積雪路面。在照明情況分布中，有64 例（87.67%）發生在照明條件良好環境下，9例（12.33%）發生在照明條件差的環境下。

2.1.2 碰撞前事故特征

在碰撞發生前1 s 的汽車速度分布中（圖2），有9 例（12.33%）車速在［20，30）km/h 區間內，20 例（27.4%）車速在［30，40）km/h 區間內，22 例（30.13%）車速在［40，50）km/h 區間內，16 例（21.92%）車速在［50，60）km/h 區間內，6 例（8.22%）車速 ≥60 km/h。

圖2 碰撞前1 s車速分布

在行人行走方向分布中，有48 例（65.75%）行人從右側過馬路，有25 例（34.25%）行人從左側過馬路。在車輛運動狀態分布中，有72 例（98.6%）是直行狀態，有1 例（1.4%）是轉彎狀態。在碰撞車型中，有48 例（65.75%）是轎車，25 例（34.25%）是SUV。在視野遮擋情況分布中，有38例（52.05%）駕駛員視野被遮擋，35 例（47.95%）駕駛員視野無遮擋。在行人運動狀態分布中，有40 例（54.79%）行人處于奔跑狀態，31例（42.47%）行人為行走狀態，2例（2.74%）行人為靜止狀態。

2.1.3 碰撞時事故特征

在加裝AEB 的汽車碰撞速度分布中，有18 例（24.66%）車速在（0，10］km/h 區間內，28 例（38.35%）車速在（10，20］km/h 區間內，14 例（19.18%）車速在（20，30］km/h 區間內，10 例（13.69%）車速在（30，40］km/h 區間內，3 例（4.12%）車速 >40 km/h（見圖3）。在行人碰撞速度分布中，有11 例（15.07%）行人速度在（0，3］km/h 區間內，31例（42.46%）行人速度在（3，6］km/h 區間內，14 例（19.18%）行人速度在（6，9］km/h 區間內，12 例（16.44%）行人速度在（9，12］km/h 區間內，5 例（6.85%）行人速度 >12 km/h（見圖4）。

圖3 汽車碰撞速度分布

圖4 行人碰撞速度分布

可知碰撞車速主要集中在（0，10］、（10，20］、（20，30］和（30，40］ km/h 這4 個區間內，占比95.88%， 即AEB 能夠使絕大多數事故中汽車碰撞車速降低到40 km/h 以下的中低速區間。行人碰撞速度則主要集中在（0，3］、（3，6］、（6，9］和（9，12］km/h這4個區間內，占比93.15%。

2.2 未避免事故典型碰撞場景

利用SPSS 軟件對73 例未避免事故進行聚類分析，共得7 類場景。但第4 類場景中行人運動狀態、路面狀況、視野是否遮擋、道路和行人行走方向等特征均不明顯，無法提取特定的人-車事故碰撞場景。加之除第4 類（10 個案例）場景外，其它場景案例占總樣本的86.3%［33］，具有足夠的代表性。因此，在研究中剔除第4類場景，得6 類未避免事故典型碰撞場景，參數特征見表2。

表2 各類典型事故場景下的參數特征

為對聚類場景中的不明顯特征（如表2 中的道路特征，路口案例4個，非路口案例4個，無法提取典型特征）做進一步分析，參照文獻［33］中根據事故傷亡程度對不明顯特征進行分析的方法，將事故傷亡程度劃分為3 個等級： 中輕度（AIS1-AIS2）、嚴重（AIS3-AIS5） 和致命（AIS6）。根據Li［34］研究HIC 與AIS 的關系，對事故中行人損傷等級進行劃分。同時根據胡林等［33］選用參數特征的方法，即選取事故傷亡程度為“嚴重”和“致命”樣本數量較多的和事故樣本總數量高于傷亡嚴重參數特征下的樣本數量的參數特征作為場景中對應的參數特征，最終得6 類未避免事故典型場景（表3），示意圖見圖5。

表3 事故傷亡程度分析后的各類典型事故場景的參數特征

圖5 6類未避免事故典型碰撞場景示意圖

6 類未避免事故典型碰撞場景中人車碰撞胸部損傷有極顯著統計學差異（P<0.01），頭部和臀部損傷存在統計學差異（P<0.05）；人地碰撞中胸部損傷存在統計學差異（P<0.05），但頭部和臀部損傷均不存在統計學差異（P>0.05）。不同場景中的人車碰撞損傷均有統計學差異的結論進一步說明2.2 節中所得6類場景具有代表性。

2.3 相同場景中加裝AEB前后人體損傷差異

在人車碰撞損傷方面，相同場景中加裝AEB 后的行人頭部損傷均顯著低于加裝AEB 前的頭部損傷，見圖6，這與韓勇等［10］研究結果一致。在行人胸部和臀部損傷方面均觀察到類似現象，表明加裝AEB后可顯著降低人車碰撞損傷。

圖6 6類場景下加裝AEB前后人車碰撞頭部損傷對比箱型圖

在人地碰撞損傷方面，加裝AEB 前后的人地碰撞頭部損傷見圖7。總體上人地碰撞損傷有降低趨勢。但在場景5 和場景7 中，加裝AEB 前后頭部損傷之間不具有顯著統計學差異（P>0.05），表明這兩類場景中加裝AEB 未顯著降低頭地碰撞損傷；其它場景中，人地碰撞頭部損傷均顯著降低。在胸部-地面碰撞損傷方面總體有降低趨勢，但場景2、5、6和7均未能顯著降低胸部-地面碰撞損傷。臀部損傷方面則有所不同，場景2、7 中臀部-地面碰撞損傷有增高的趨勢，其它場景中有降低的趨勢但僅場景3 有顯著性差異，見圖8。

圖7 6類場景下加裝AEB前后人地碰撞頭部損傷對比箱型圖

圖8 6類場景下加裝AEB前后人地碰撞臀部損傷對比箱型圖

由上可知，6 類典型場景中，AEB 系統可以顯著降低行人頭部、胸部和臀部的人車碰撞損傷，但人地碰撞損傷降低方面存在不確定性。

3 討論

上述分析發現，加裝AEB 后可以避免114 例事故（61%），但仍有73 例事故（39%）不能避免。未避免事故的總體特征揭示了未來人車碰撞的可能形態，特別是碰撞車速條件，可指導設計智能車防護人體損傷研究中的實驗邊界條件，能為后續智能車主、被動安全研究提供有力支持。研究結果顯示，未避免事故中有95.88%的碰撞車速均低于40 km/h，已有的大量研究均指出在該中低速區間內人地碰撞損傷風險不能忽視［35-38］，這意味著智能車可能更須關注人地碰撞損傷。現有少量研究已經顯現出這種趨勢，韓勇等在文獻［10］中指出，AEB可能會增加80%案例（5例中有4例）中人地碰撞損傷；而本研究中也發現很多場景中AEB 的人地碰撞損傷降低效果不確定。

6 類場景中加裝AEB 后人地碰撞損傷均有增加案例，場景1～場景7 中人地碰撞損傷增加的案例百分比分別達37.5%、63.6%、62.5%、70%、66.7%與66.7%。其中，場景1 中人地碰撞損傷增加比率相對較低為37.5%，表明在此場景下，AEB增加人地碰撞損傷的風險相對較低；場景5 中人地碰撞損傷增加的比率最為突出，高達70%，表明在此場景下，AEB 增加人地碰撞損傷的風險較高；其余4 種場景中人地碰撞損傷增加的比率均大于60%。

進一步分析發現，人地碰撞損傷增加原因如下。

（1）23 個案例（58.97%）中，加裝AEB 后碰撞車速降低，車速變化導致碰撞后行人落地順序發生改變。其中，有10 例行人頭部先觸地，增大了頭部損傷。這與文獻［39］中的表述相符，行人下落過程中頭部先觸地，此刻的頭部落地速度最大，進而損傷也增大。如圖9 所示，圖中A 為加裝前，B 為加裝后。該仿真案例中車輛加裝AEB 后，碰撞車速由48降低為29 km/h，行人落地順序由臀部先觸地變為頭部先觸地，頭部與地面的垂直碰撞速度由-3.34 變為-4.45 m/s，導致頭部損傷增大。

圖9 加裝AEB前后的仿真過程與頭部接觸地面時的垂直碰撞速度對比

其余13 例行人落地順序由下肢或臀部先觸地變為胸部先觸地，增大了胸部損傷。這與文獻［10］中的表述相似，當車輛加裝AEB 后，車速降低導致行人落地順序發生變化，從而導致落地時的旋轉角速度增大，進而導致損傷增加，如圖10 所示。車輛加裝AEB 后，碰撞車速由50 降低為27.4 km/h，行人落地順序由下肢先觸地變為胸部先觸地，使胸部落地時的角速度由14.29增加至24.48 rad/s，導致胸部損傷增加。

圖10 加裝AEB前后的仿真過程與胸部接觸地面時的角速度對比

（2）9 個案例（23.08%）中，加裝AEB 前由于車速較高行人被撞飛，整個過程行人與車輛只接觸一次，加裝AEB 后車速降低，與行人發生碰撞后，人體下肢與車輛前端發動機蓋再次進行接觸，產生一順時針的加速度，使旋轉速度轉變為人體頭部與地面的垂直撞擊速度，加重了人地碰撞損傷，如圖11 所示。車速由55 降低為32 km/h，但由于行人下肢與車輛前端接觸導致行人下落時順時針旋轉，頭部與地面接觸的垂直速度由-3.34 變為-7.44 m/s，故而增大了人地碰撞損傷風險，這與文獻[40]中的發現一致。針對此種情況，在AEB 的研究中可考慮當車輛撞飛行人后，系統自動檢測周圍交通環境，在不影響周圍車輛正常行駛前提下可進行適量轉向，以避免發動機蓋再次接觸行人下肢造成更嚴重的傷害。

圖11 加裝AEB前后的仿真過程與行人落地時頭部的垂直速度對比

（3）7 個案例（17.95%）中，行人從路邊突然沖出，駕駛員視野被遮擋，加裝AEB 后車速降低，但由于行人速度并未改變，導致人車碰撞位置由側面碰撞變為正面碰撞，增大了車輛撞擊行人的能量，從而增加了行人損傷風險。圖12 給出加裝AEB 前后的碰撞過程對比。該案例中加裝AEB 車速由40 降低為19.78 km/h，人車碰撞位置由側面的剮蹭變為前風窗玻璃的碰撞，增大了車輛碰撞行人的能量，導致人地碰撞過程中臀部損傷增大。表明在后續的研究中AEB 系統應選用角度更大的攝像頭，增大預警范圍，以更好地預測周邊行人的動向，避免事故的發生。

圖12 加裝AEB前后車輛與行人碰撞位置的變化

4 結論

通過再現187 例真實事故案例、采集碰撞前事故數據，然后對事故車輛加裝AEB 系統，聯合仿真后再用統計學手段分析人車碰撞典型場景與事故特征，獲得以下結論。

（1）加裝AEB 系統后可以避免61%的事故，未避免事故（39%）主要發生在照明條件良好、路面干燥的非路口。碰撞前1 s車輛大都處于直行狀態，車速主要集中在30～60 km/h 區間內，駕駛員視野被遮擋，行人從右側過馬路且處于奔跑狀態，事故車型主要為轎車。碰撞時車速主要集中在40 km/h 以下的中低速區間內（95.88%），行人速度主要集中在12 km/h 以下的區間內（93.15%）。

（2）以人車事故發生所涉及的環境（照明情況、道路特征、路面狀況）、車輛（車速、車輛運動狀態、視野是否遮擋）、行人（行人速度、行人運動狀態、行走方向）3 個方面9 個變量為基礎，并結合行人損傷程度準確選取道路、行人運動狀態、行人行走方向和路面狀況等較復雜變量的參數特征，最終獲得6 類典型事故場景，樣本覆蓋率為86.3%。

（3）未避免事故中車輛加裝AEB 后，AEB 系統在降低人地碰撞損傷方面存在不確定性。6 類未避免事故典型場景中，有39 例（61.9%）事故中行人頭部/胸部/臀部損傷增加。分析發現，人地碰撞損傷增加的主要原因有AEB 降低車速導致行人落地順序改變、人體下肢與車輛前端再次接觸、人車碰撞位置發生變化等。

（4）研究的局限在于事故案例有限，可能會對分析結果的可靠性產生一定影響，后續研究中須補充更多案例，以進一步證實相關結果及結論。