基于隨機森林算法的轎車碰撞損傷預測研究

中圖分類號：TN911.7-34；TP181 文獻標識碼：A 文章編號：1004-373X（2025）16-0139-07

Research onvehicle collision damage prediction based on random forest algorithm

LIU Xin， LIU Conghao，LI Gang，AN Xunan，TONG Shiyu， SUN Yilong （SchoolofAutomotiveandTransportationEngineering，LiaoningUnversityofTechnology，Jinzhouooo，China）

Abstract：Inorder tominimize thedegreeofdamage suferedbyvehiclesinunavoidablecollsionscenariosand improve roadtrafficsafety，avehiclecollsiondamageprediction modelbasedonthecollsionsimulationdatasetandtherandomforest algorithmisproposed.Thefiniteelementmodelofvehiclecolionsimulationisestablished，andthevehicledamagedataset under16Osetsofwokingcondiionsisobaindbyangingtheollier，collisonangle，collisonoffet，collisonsdetc. This datasetisused toestablishanavehiclecolision damage prediction model basedontherandom forest algorithm，nd the damagepredictionforautomobilecollisionsisprformed.Themultipletestingresultsshowthatthecollsiondamageprediction modelhas an averageabsolute percentage errorof20.09%androot meansquareerorof 3394.Incomparison withthe support vectormachinepredictionmodel，therandomforestcollsiondamagepredictionmodelhasbeterfitingeffect，andthedegreeof dispersion between the predictedandreal values islower，whichcan more acuratelypredict the specificdamagevaluesof the keypointsofthevehicleafteracollsion.Itcanprovideamoredetailedandaccuratereferenceforintelligentdrivingvehicle trajectory planning systems and adaptive constraints，so as to improve road safety.

Keywords：vehiclecollisiondamageprediction；randomforestalgorithm；collisionsimulationdataset;collsioncondition setting;trajectoryplanning;adaptive constraint

0 引言

目前，車輛智能化技術快速發展，已經在汽車領域取得顯著成果。車輛智能化主要依賴于先進的駕駛輔助系統2和自動駕駛技術的集成，而自動駕駛已經成為當前備受矚目的研究熱點。在實現自動駕駛的過程中，確保安全性能尤為重要。準確、實時地預測不可避免的碰撞場景中的車輛損傷程度是提高道路交通安全的先決條件，可以影響自動駕駛車輛在發生碰撞時受到損傷的安全系統，包括碰撞前階段的軌跡規劃系統和碰撞中階段的自適應約束。損傷預測能夠為軌跡規劃系統和自適應約束提供決策數據參考[4]。

現有的結構損傷預測模型數據集通常利用PC-Crash進行多工況數據制作，通過PC-Crash進行仿真計算時，利用軟件涵蓋的數學模型模塊以及物理模型模塊，對道路交通事故過程中各車輛之間的相對運動以及它們之間運動狀態的關聯進行建模和數據分析。借助這些可以對交通事故進行較為準確的模擬仿真，但通常輸出為損傷程度的等級，無法輸出車輛具體工況下特定位置損傷的具體數據，從而無法準確地提供決策數據參考[5-6]。

因此，本文提出一種基于碰撞仿真數據集和隨機森林算法的碰撞損傷預測模型，能更為準確地預測當前工況下與車輛相撞時，己方車輛乘員艙關鍵區域（包括頭部、胸部及下肢保護區）的具體損傷程度，以便為軌跡規劃系統和自適應約束提供決策數據參考。對該模型的展開研究可以有效提高決策數據的準確性，為不可避免地碰撞場景中的自動駕駛系統提供參考，降低在汽車碰撞事故中乘員艙關鍵區域的損傷風險，從而提升道路安全水平。

1碰撞仿真有限元模型建立及可靠性驗證

1.1碰撞仿真模型建立

本文使用的車輛模型為福特金牛汽車（Taurus）模型，該模型全長 4 350mm ，最大寬度為 1720mm ，高度為 1610mm 。為了使碰撞仿真模型更加貼合實際碰撞情況，首先將獲取的汽車模型導入HyperMesh進行幾何前處理，如刪除重疊面、創建缺失面、對模型中不承力小孔等不重要位置進行簡化修補；然后進行網格劃分，各部件的材料參數設置，以及約束、載荷、接觸模式設置等；最后生成該模型工況下的K文件，將輸出的K文件導入LS_DYNA進行計算。在LS_DYNA界面可以選擇計算形式和計算時的算力參數。經過計算后，得到d3plot、binout等文件。使用Hyperview模塊運行上述文件觀看碰撞過程，提取損傷數據，同時在Hypergraph模塊中獲取能量、質量對比曲線等。至此碰撞仿真模型建立完畢。

1.2 可靠性驗證

為了確保上述建立的碰撞仿真模型貼合實際碰撞情況，需要對仿真結果進行可靠性驗證，包括質量縮放造成的整車質量變化、縮減積分單元導致的沙漏能占比變化以及總能量變化情況等。

在整個碰撞仿真過程中應遵守質量守恒定律。由于Ls-dyna計算求解的方法為顯式積分法，為保證計算程序的正常運行，會對Ls-dyna進行質量縮放，即改變車輛某些部件的質量，但如果對部件的質量改變過大則會導致計算結果的精確度下降，進而較為嚴重地影響仿真的準確性。同時，在獨立系統中，整個系統應遵守能量守恒定律，由于存在沙漏等現象，在碰撞過程中會產生一定的能量波動，但能量整體變化應不能太大。

在Hypergraph模塊中生成的質量增長百分比曲線以及能量變化曲線如圖1和圖2所示。

圖1質量增長百分比曲線

圖2能量變化曲線

由圖1可以發現，質量增長百分比為 0.8404% ，小于 5% ，符合規定的整車質量變化要求。由圖2可知，碰撞初始時刻總能量為 1.35×10⁸ J，碰撞終止時刻的總能量為 1.37×10⁸J ，總能量產生了 2% 左右的變化，該變化幅度小于可信任的上限值。同時可以得到沙漏能的占比同樣小于上限值，并且碰撞過程中模型動能減少、內能增加，兩者的變化幅度剛好互補。因此，可以認定該碰撞模型合格。

2碰撞損傷數據集構建

2.1 碰撞工況設定

2.1.1汽車與剛性墻 100% 正面碰撞

設置 100% 重疊的汽車與剛性墻正面碰撞工況，設置初始速度分別為 5km/h，10km/h，…，100km/h 共20組不同數值的汽車碰撞模型，如圖3所示，并生成其K文件。

2.1.2汽車與汽車 100% 正面碰撞

設置 100% 重疊的汽車與汽車正面碰撞工況，初始速度分別設置為 5km/h，10km/h，…，100km/h ，共20組不同數值的汽車碰撞模型見圖4，并生成其K文件。

圖3與剛性墻正面碰撞

圖4與汽車的正面碰撞

2.1.3汽車與汽車 50% 正面碰撞

設置 50% 重疊的汽車與汽車正面碰撞工況，初始速度分別設置為 5km/h，10km/h，…，100km/h ，共20組不同數值的汽車碰撞模型，如圖5所示，并生成其K文件。

圖5與汽車的正面偏置碰撞

2.1.4汽車與汽車側面碰撞

設置汽車與汽車側面碰撞工況，初始速度分別設置為 5km/h，10km/h，…，100km/h ，共20組不同數值的汽車碰撞模型，如圖6所示，并生成其K文件。

圖6與汽車的側面碰撞

2.2數據集點位選擇

通過設置不同碰撞物、碰撞角度、碰撞偏置、碰撞速度等，共建立了160組不同工況的汽車碰撞模型，但為了得到車輛具體位置的損傷情況，需要選取車身一些關系乘員安全部位的點作為數據集的基礎點位。

2.2.1吸能部件的損傷點位

汽車碰撞時為減輕駕駛員受到的傷害，汽車頭部有大量吸能部件，即通過變形等方式吸收分散碰撞的能量，如前縱梁總成等，可作為汽車碰撞變形的主要觀測位置，選取其上點位作為汽車碰撞損傷數據的基礎點位，如圖7所示。

圖7前縱梁所在位置

2.2.2 駕駛室相關部件損傷點位

駕駛室的變形直接影響駕駛員的安全性，故選擇前立柱、前立柱與上邊梁夾角、中立柱、后立柱、前圍板等部件上部分點位作為汽車碰撞損傷數據的基礎點位，如圖8所示。

2.3碰撞損傷數據集提取

通過選取車上24個關鍵點位作為本次建立數據集的基礎點位，可以得到碰撞后車輛在系統坐標系下的位移情況，如圖9所示。

圖8部件位置示意圖

圖9整車相對位移

由于該位移數據是通過系統坐標系得到的，不能直接體現汽車本身損傷程度，因此需要對位移數據進行坐標變換。設一個點碰撞前后相對于整車的空間位移，即通過 Δx，Δy，Δz 來表示該點在碰撞中產生的位移，以此呈現碰撞損傷數據。選取碰撞分析時非碰撞面中變形影響較小的點位作為基準點位 P ，記錄其碰撞前空間位置 和碰撞后空間位置 ，記錄被選擇的損傷數據基礎點位 R 的碰撞前初始位置 和碰撞后位置 初始狀態下基礎點位相對于基準點位的空間位置為 R₀-P₀ ，若碰撞過程使車輛沿 x 軸偏轉了 α ，則將 R₁ 恢復至相對 P₁ 空間上未進行偏轉時位置 R₁^* ，其 x₁^* 應為：

其 y₁^* 為：

最終該點在整車上相對于車身的相對位移分別為：

Δy=（y₁^*-Y₁）-（y₀-Y₀）

Δz=z_i-z₀

運行上述160種不同工況的碰撞仿真模型，經過計算和坐標變換之后得到各點位相對于車身的位移數據，即碰撞損傷數據集。由于篇幅限制，本文僅顯示一部分數據集。表1為部分工況輸入值，其中碰撞對象1表示車與剛性墻相碰，0表示車與車相碰；碰撞角度為碰撞時目標車輛中線方向與碰撞物軸線的夾角；碰撞偏置為碰撞時目標車輛中心與碰撞物軸線的法向距離，左側為負，右側為正。表2為對應表1的部分輸出值。

表1輸入值

3碰撞損傷預測模型

3.1隨機森林算法

隨機森林（RandomForest，RF）是一種集成學習方法，通過組合多個決策樹來提高預測精度]。它也是一種從Bagging算法的基礎上改進而來的基于分類樹的組合算法。該算法由眾多沒有經過剪枝的決策樹組合而成，其基本思想是通過自助法（Boot-Strap）重采樣技術，從原始樣本集中有放回地重復隨機抽取k個樣本集組成新的訓練集合，將這k個新的訓練集合分別生成k個決策樹，使之組成隨機森林，用于測試集數據的分類或回歸。

本文通過使用Python庫及Scikit-learn工具包來構建決策樹隨機森林回歸預測模型，并使用該模型對前文制作的碰撞損傷數據集進行訓練、驗證和預測。隨機森林回歸預測模型基本步驟如圖10所示。

圖10隨機森林回歸預測模型基本步驟

3.2隨機森林預測模型

3.2.1 異常數據修正

當進行數據量較大的數據采集時，會不可避免地出現異常數據，而對存在異常數據的基礎數據進行預測運算會導致結果精度的下降。為保證運算的準確性，對異常數據的處理必不可少。大多數情況下異常數據的表現形式包括連續數據中缺少了部分、平滑數據中出現了突然的峰值、數據突然產生波動并表現為尖銳的浪狀等。以只有速度不同狀態下7號點位的位移數據為例，在第9組速度工況下明顯出現了數據異常，如圖11所示。

處理異常數據時，若數據量偏大則較為好處理，因為少量的異常數據基本不會對運算結果產生影響，可直接忽略少量的異常數據。在數據量較小的數據集中，各數據對結果的影響都較高，故需要重點關注異常數據。常使用水平法[2處理異常數據，該方法通過工況近似的兩個模型的結果來推斷該數據異常點的正常結果。本文通過使用該方法對數據集中異常數據進行修正。

3.2.2 數據歸一化

雖然隨機森林算法對數據的容錯性和容差異性很高，但可能因為數據不統一導致誤差增加。而進行數據歸一化可以降低計算難度，簡化計算，加速模型收斂速度。一般情況會將數據大小歸一到0～1之間。下面對碰撞角度、碰撞速度、碰撞偏置進行歸一化。

汽車碰撞可能發生在任何方向上，其角度可取值為0^°～360^° 的圓形區域，對于可對稱的角度取值范圍，一般用正弦及余弦函數進行歸一化，公式如下：

碰撞速度和碰撞偏置可以使用最大最小值方法做歸一化：

式中： χ_t 表示歸一化前某時刻的偏置距離； t^′ 表示歸一化后的偏置距離； t_max 表示偏置距離的最大值； t_min 表示偏置距離的最小值； v 表示所在工況下碰撞的初始速度； v^′ 表示所在工況下歸一化后的碰撞速度； v_max 表示初始碰撞速度的最大值； v_min 表示初始碰撞速度的最小值。

3.2.3 訓練集與測試集

將碰撞損傷數據集 D 劃分為訓練數據集 D₁ 和測試數據集 D₂ ，除了保留10組用于測試的數據外，將其余150組數據按 80% 訓練集， 20% 測試集進行劃分。

3.2.4隨機森林預測模型構建

設置隨機森林中樹的數量為 N_tree ，分裂節點特征變量數為 M_try ，最小節點大小為 N_min 。從訓練數據集 D₁ 中獲取大小為 K 的Boot-Strap樣本 D_i ；使用被抽取出的數據集合生成樹 T_i， 樹的分裂行為依據 M_try 指數進行，達到底端節點后停止，即最小節點 N_min 的閾值。給定一個新的輸入變量 x ，若 y_i（x） 為隨機森林第 N_tree（i） 棵樹的預測結果，則生成整個隨機森林的模型預測結果，如下：

圖11位移數據異常

圖12隨機森林真實值與誤差值對比

圖13支持向量機回歸真實值與誤差值對比

至此，基于碰撞數據集和隨機森林算法的汽車碰撞損傷預測模型構建完成。

3.3 預測結果分析

為了分析該模型的優劣，以 25km/h 速度工況下與剛性墻發生正面碰撞的碰撞損傷數據進行計算，同時使用支持向量機回歸（SVMR）[3模型進行預測對比，模型所需條件、輸入變量與隨機森林算法基本相同，其懲罰函數以及核函數參數按照網格搜索法14選取，分別為5和0.25。圖12和圖13分別為預測模型的計算結果和實際結果的曲線。

該工況下碰撞仿真、隨機森林（RF）預測模型、支持向量機回歸（SVMR）模型計算得出的各點位位移值如表3所示。

表3各點位位移值 mm

預測模型得出的結果是預測值，與仿真實驗得到的結果之間必然存在差異，預測模型的預測效果優劣需要這個差異來進行評估。本文主要采用平均絕對百分比誤差（MAPE）和均方根誤差（RMSE）兩個指標對預測模型的計算結果進行評估。平均絕對百分比誤差公式為：

式中： N 表示碰撞損傷數據預測數據集的個數； P_i 為第 i 時刻的碰撞損傷仿真值； P_i^′ 為第 i 時刻的碰撞損傷預測值。MAPE是用來評價模型擬合效果的，當MAPE越小時，表示該模型的預測準確率就越高，擬合效果也越好，反之則表示模型擬合效果不佳[15]。

均方根誤差公式為：

式中： N 表示碰撞損傷預測數據集的個數； P_i 是第 i 個點位的碰撞損傷仿真值； P_i^′ 是第 i 個點位的碰撞損傷預測值；RMSE是用來評估碰撞損傷預測值與仿真值的離散程度，當RMSE越小，表示該模型的預測值與仿真值離散程度越低，反之則表示越高。

利用平均絕對百分比誤差（MAPE）將表3內容代入式（9）進行計算，可得該隨機森林模型的MAPE為20.09% ，支持向量機回歸模型的MAPE為 33.18% ;利用均方根誤差（RMSE）將表3內容代入式（10）進行計算，可得該隨機森林模型的RMSE為33.94，支持向量機回歸模型的RMSE為 68.16 。可以說明，隨機森林算法預測模型可以較為準確地預測碰撞損傷的數值，有較好的適應性，且隨機森林模型結構簡單、計算速度快，需要設置的關鍵參數較少，預測效果穩定。

4結語

通過與支持向量機回歸模型對比，隨機森林碰撞損傷預測模型可以依據碰撞時車速、碰撞時偏置、碰撞時角度及碰撞對象更為準確地預測出發生碰撞后車輛關鍵點位的具體損傷數值，從而為車輛各安全系統提供詳細、準確的決策參考數據，對于降低必然發生碰撞車輛的損傷和提升自動駕駛安全性具有重要的理論意義及應用價值。

參考文獻

[1]李川鵬，郭宇辰.淺析自動駕駛技術發展現狀、趨勢及挑戰[J].時代汽車，2022（14）：4-6.

[2]吳光珩.基于電子信息技術的智能汽車駕駛輔助系統設計與優化[J].時代汽車，2024（12）：28-30.

[3]顧俊，張乃斯，李勝飛，等.結構化道路下強化學習自動駕駛技術研究綜述[J].無人系統技術，2024，7（3）：1-13.

[4]WANGQF，GANS，CHENWT，et al.Adata-driven，kinematic feature -based，near real- time algorithm for injuryseverityprediction ofvehicleoccupants[J].Accidentanalysisandprevention，2021，156：106149.

[5]湯蘇敏，范凡.PC-Crash中主動安全系統的應用[J].時代汽車，2021（19）：189-190.

[6]郭道一.基于深度學習和仿真的汽車碰撞損傷預測方法[D].大連：大連理工大學，2019.

[7]李昊泉.基于高精度地圖的自動駕駛汽車路徑規劃算法研究和系統開發[D].長春：吉林大學，2023.

[8]胡銀龍，彭佳薇.考慮輸入和輸出約束的主動懸架系統自適應容錯控制[J].控制與決策，2025，40（2）：693-698.

[9]王天博，田國富，王濤.某乘用車側面碰撞安全性仿真分析[J].汽車科技，2021（1）：82-86.

[10]崔慧瑩.基于極端隨機森林算法的改進與二手房價預測的研究[D].大連：大連交通大學，2023.

[11]龐楓.隨機森林模型在二手房批量評估中的應用研究[D].重慶：重慶交通大學，2017.

[12]國家市場監督管理總局，國家標準化管理委員會.水平法砷化鎵單晶及切割片：GB/T11094—2020[S].北京：國家標準化管理局，2020.

[13]李向海，楊玲，魏靜.基于優化多維支持向量機回歸模型的土體參數反演[J].公路交通科技，2024，41（5）：27-34.

[14]王迪.網格搜索法下區域地震定位研究[D].西安：長安大學，2019.

[15]董進軍.考慮風光出力和負荷不確定性的綜合能源系統柔性調度研究[D].長沙：長沙理工大學，2017.

[16]劉起.基于深度學習的自動駕駛汽車近實時乘員損傷預測研究[D].哈爾濱：哈爾濱工業大學，2023

[17]李成雙.側面碰撞交通事故駕駛員損傷預測技術[D].重慶：重慶理工大學，2024.

[18]陳貞，李京泰，郭煌，等.應用人工智能技術的自動駕駛系統安全測評方法研究[J].汽車工程學報，2025，15（4）：457-467.