新能源汽車行人警示系統與被動防護裝置的協同優化研究

Research on Collaborative Optimization of Pedestrian Warning System and Passive Protection Device for New Energy Vehicles

Li KuikuilWang Tao2 1.Henan CAERI Vehicle Testing and Certification Center Co.，Ltd.，Jiaozuo 45400o，China 2.Zhumadian Dali Tianjun Special Vehicle Manufacturing Co.，Ltd.，Zhumadian 463ooo，China

Abstract：Withthepopularizationofnewenergyvehicles，theirsilentcharactersticsduringlow-speeddrivinghaveincreasedthe riskofpedestriancollsions.hecordinatedoptimiationofpedestrianwaingsstems（AVAS）andpassiveprotectivedeviceshasecomethekeytoimprovingroadtraficsafety.isstudyintegratesthecollsionitigationfunctiosofVAS'sactivewaingndpassiveprotectiondevics troughmulti-bjectiveoptimizationmethods，stablishesahumanvehicleoadcolaborativemodeldoptimizes thesystemresponse trategandtructuraldesig.Simulationandrealveicleexperimentshaveshowthatcollborativeoptiizationcanreducethriskofpedestrianijuryanddecrease1alarmrates，providingtheoreticalsupportforthedesignofintellgent safety systems.

Keywords：Newenergyvehicles;Pedestrian warningsystem;Passiveprotectivedevices;Colaborativeoptimization;Multiobjective optimization

1前言

隨著新能源汽車快速發展，相關安全問題也應運而生，由于新能源汽車本身的動力特性，導致其在低速工況下無法達到傳統內燃機車型的噪聲特性[1]。新能源汽車的靜音特性導致行人事故率顯著上升，傳統單一安全系統難以兼顧預警與碰撞防護效能。現有研究多聚焦于主動或被動系統的獨立改進[2]，忽視了二者協同機制，導致系統響應沖突或防護冗余。本文提出聲學車輛警報系統（AVAS）與被動防護裝置的協同優化框架，通過動態耦合預警閾值與吸能結構參數，解決復雜交通場景下的行人保護難題。研究結合虛擬試驗與生物力學模型，量化系統協同效能，解決新能源汽車靜音化帶來的新型安全挑戰，為智能安全技術發展提供新范式。

2AVAS與被動防護裝置的動態耦合機理

2.1聲學預警信號與碰撞時序的匹配模型

AVAS的聲學預警需與碰撞發生的時間窗口精確匹配，避免過早或過晚觸發導致的誤判或防護失效[3]。匹配模型需解決以下關鍵問題：

a.動態時序預測。基于車輛速度、加速度及行人相對位置等，構建碰撞時間（Time-to-Collision，TTC）預測算法。當車輛以 10km/h 低速行駛時，需在距離行人3～5m 范圍內啟動預警，確保行人有足夠反應時間（約1～2s）。引入機器學習模型（LSTM神經網絡）預測行人運動意圖，動態調整預警閾值。

b.聲學信號參數優化。預警頻率需符合人耳敏感范圍（ 200～5000Hz ，且與車輛行駛狀態（加速、減速）強關聯[4]。聲壓級需滿足法規要求（歐盟UNR138標準），同時避免在嘈雜環境中被淹沒。通過環境噪聲傳感器實時調節信號強度，確保在60～80dB的噪聲范圍內均可感知。

c.時序匹配策略。建立“預警-防護\"時間鏈。預警信號觸發后，若行人未避讓且TTC小于閾值，則立即激活被動防護裝置。通過仿真驗證，時序誤差需控制在 ± 50ms 以內，以避免系統沖突。

2.2基于行人運動軌跡的吸能結構觸發閾值

2.2.1行人運動預測的貝葉斯網絡模型

行人保護是汽車安全領域的研究重點。采用YO-LOv7與LSTM融合算法[5]，實時預測行人未來1s內的運動軌跡，位置誤差 ?0.3m 。碰撞概率 P_c 計算為：

式中， d_min 為最小距離； σ_d 為預測不確定性。當 P_cgt;0.8 時，預緊安全帶并降低制動液壓延遲。

2.2.2吸能結構的動態觸發策略

被動防護裝置（如主動式引擎蓋）的觸發閾值隨碰撞能量 E_k 動態調整：

當 E_kgt;150J 時，觸發兩級緩沖機構：首級通過形狀 記憶合金（SMA）快速拾升引擎蓋 50mm ，次級通過蜂窩 鋁吸能降低頭部傷害指標（HIC）至800以下。

2.2.3行人姿態自適應的防護優化

針對兒童（身高 lt;1.2m 與成人（身高 ?1.5m. 的不同碰撞點[6]，采用毫米波雷達識別行人關鍵骨骼點，調整引擎蓋抬升高度（ 30～70mm 與保險杠潰縮速率，確保WAD1ooo（WrapAroundDistance）測試達標。

2.3多傳感器信息融合的協同決策架構

2.3.1異構傳感器的時空對齊算法

攝像頭（ 30fps ）、毫米波雷達（ 100Hz 和激光雷達（ 10Hz ）的數據通過擴展卡爾曼濾波（EKF）同步[7]，時間戳誤差 lt;10ms 。空間配準采用ICP（IterativeClosestPoint）算法，點云匹配精度達 ±2cm 。

2.3.2基于D-S證據理論的沖突消解

定義傳感器可信度權重：激光雷達（0.6）毫米波雷達（0.3）攝像頭（0.1）。當各傳感器對行人存在的置信度沖突時，采用Dempster組合規則：

式中， K 為沖突因子， Klt;0.2 時輸出融合結果，否則啟動冗余傳感器校驗。

2.3.3構建三級響應機制

Level 1 （P_clt;0.3） ：僅AVAS工作，聲壓級 55dB 。

Level 2（0.3?P_clt;0.6） ：AVAS增強至 65dB ，預加壓制動系統。

Level3（ P_c?0.6） ：觸發被動防護，同時AEB（自動緊急制動）介入。

通過ROS2中間件實現決策周期 ?20ms ，滿足ASIL-B功能安全要求。

3面向協同優化的多目標參數設計方法

3.1預警強度與保險杠剛度的Pareto前沿分析

預警強度和保險杠剛度是影響行人保護效果的兩個關鍵參數，但二者之間存在復雜的權衡關系。預警強度過高可能導致行人產生恐慌或誤判，而預警強度過低則可能無法及時引起行人注意。保險杠剛度過高會增加對行人的沖擊力，導致傷害加重；剛度過低則可能無法有效吸收碰撞能量，降低防護效果[8]。

為解決這一問題，本研究采用Pareto前沿分析方法。首先，通過仿真實驗建立預警強度（聲壓級、頻率等）和保險杠剛度（彈性模量、屈服強度等）的多目標優化模型。以行人傷害指標（頭部傷害指標HIC、腿部傷害指標等）和系統誤報警率為優化目標，利用遺傳算法等優化算法在參數空間內進行搜索，得到一系列非支配解，即Pareto最優解集。通過對Pareto前沿的分析，可以清晰地看到預警強度和保險杠剛度對行人保護效果的影響趨勢。當預警強度較低時，需要適當提高保險杠剛度以保證防護效果；而當預警強度較高時，可適當降低保險杠剛度以減少對行人的沖擊。在實際設計中，可根據具體需求和約束條件，從Pareto前沿中選擇最合適的參數組合，實現預警強度和保險杠剛度的協同優化。

3.2考慮行人姿態不確定性的魯棒優化模型

3.2.1行人姿態隨機性建模

為量化行人姿態的不確定性，本研究采用高斯混合模型（GaussianMixtureModel，GMM）對行人關鍵運動參數進行概率化建模。該模型通過融合多源歷史碰撞數據（如EuroNCAP數據庫），將行人高度 h 速度 v_p 及與車輛的相對夾角 θ 等關鍵參數描述為多個高斯分布的線性組合，其概率密度函數為：

式中， x=[h，v_p，θ]^T 為行人狀態向量； K 為混合分量數量；π_k 為第 k 個分量的權重系數： ?_：μk 和 分別為對應的均值向量和協方差矩陣。該模型能夠精準捕捉不同年齡、步態行人參數的多元概率分布，為后續魯棒優化提供了表征不確定性來源的數學基礎。

3.2.2魯棒優化目標函數

定義最壞場景下的優化問題：

min_xmax_θ∈Θf（x，θ）

式中， θ 為不確定性參數（如碰撞角度 ±15^° ）； Θ 為可行域。采用隨機梯度下降（SGD）求解，確保在 80% 置信度下 HIClt;950 。

3.2.3自適應魯棒控制策略

本策略通過構建行人狀態觀測器與參數自適應律，實現防護參數的實時動態調整，其核心是基于實時傳感器數據（行人高度 h_t， 姿態角 θ_t，. 相對速度 v_rel） 在線估計碰撞類型與能量，并據此調整執行機構參數。

狀態估計與分類：采用基于毫米波雷達點云特征的輕量化卷積神經網絡（CNN）實時識別行人姿態，輸出為成人直立、兒童彎腰等類別的概率分布 P=[_{p1，p2，…，pn}]

參數映射與決策：將識別結果映射為最優控制參數。以保險杠觸發剛度 K_bumper 為例，其調整公式為：

式中，Ko為基準剛度，α=O.1為調整系數，IIadult 和IIupright為對應狀態的指示函數（概率大于閾值時取1，否則為0）。

執行控制：將計算得到的參數 （K_bumper） 引擎蓋作動器目標速度 v_hood） 下發至對應的ECU，通過閉環控制確保執行精度。

3.3輕量化約束下的材料-結構協同設計準則

在新能源汽車設計中，輕量化是一個重要的目標，以降低能耗、提高續航里程9，然而它也可能會對行人保護系統的性能產生影響[10]。為實現輕量化與行人保護性能的協同優化，本研究制定了材料-結構協同設計準則。

首先，對現有的輕量化材料（鋁合金、碳纖維復合材料等）進行性能評估，包括強度、剛度、吸能特性等。然后，結合被動防護裝置的結構特點，采用拓撲優化、形狀優化等方法對結構進行設計，在滿足輕量化要求的前提下，提高結構的吸能效率。在材料選擇方面，根據不同部位的受力情況和性能需求，合理選用輕量化材料。在碰撞吸能區域采用吸能性能較好的材料，而在非關鍵部位采用輕質材料以減輕重量。同時，通過優化材料的分布和連接方式，進一步提高系統的整體性能。

4復雜場景下的系統效能驗證與評價

4.1基于EuroNCAP的協同防護性能測試矩陣

本研究構建了包含4類測試場景、12項評價指標的標準化測試體系（表1）。通過VTD/PreScan聯合仿真平臺，在1000次蒙特卡洛實驗中驗證系統魯棒性。

表1協同防護系統EuroNCAP測試矩陣

注：**表示 plt;0.01 顯著性差異。

在標準成人碰撞工況（ 40km/h 下，協同系統通過動態調整引擎蓋抬升高度（ 70mm 與保險杠潰縮量0 （30mm） ，使HIC15值降低 23.2% ；針對兒童目標，基于骨骼識別算法將WAD1000達標率提升15.8個百分點；在 85dB 背景噪聲下，自適應聲學預警系統仍保持83.7% 的有效預警率。

4.2極端工況下的失效模式與容錯機制

通過故障樹分析（FTA）識別出系統主要失效模式，并建立分級容錯策略

傳感器失效工況：單傳感器失效時，采用基于卡爾曼濾波的補償算法，定位誤差控制在 ±0.5m 內；多傳感器失效時，激活基于V2X的路側單元協同感知模式，響應時間延長至 120ms 。

執行機構延遲：建立液壓備用通道，當主制動管路失效時，可在 150ms 內切換至電子機械制動（EMB）系統。

極端環境干擾：在暴雨工況（降雨量 gt;50mm/h ）下，毫米波雷達信噪比下降 40% ，此時融合攝像頭光學流特征，保持 80% 以上的行人檢測率。

極端工況測試結果如表2所示。

表2極端工況測試結果

4.3人機交互體驗對系統效能的權重影響

人機交互體驗對系統效能的影響體現在用戶感知與系統響應的動態匹配程度上。研究表明，當預警系統的聲學特性、觸發時機與人類認知習慣相契合時，可顯著提升整體防護效果。通過駕駛模擬器實驗發現，67dB聲壓級配合 500～2000Hz 頻段的間歇式預警音一 200ms 開啟 /100ms 關閉），能使駕駛員制動反應時間縮短至1.2s，較連續音方案提升0.3s響應速度。

同時，多模態反饋機制的設計尤為關鍵，實驗數據顯示，當觸覺振動（方向盤 50Hz 與視覺HUD提示協同作用時，系統誤操作率可降低 17% 。用戶調研揭示，駕駛員對預警提前量的心理預期（1.5～2.5s）顯著早于法規要求，且對誤報率的容忍閾值呈現非線性特征一當系統誤報超過5次 /100km 時，用戶滿意度會驟降 37% 。這種心理閾值的突破將直接導致用戶傾向于關閉主動安全功能，從而造成系統效能的理論值與實際使用值之間產生顯著差異。因此，優化人機交互不僅需要滿足技術指標，更需要建立符合人類認知模型的心理適配機制。

5結語

本研究通過多目標協同優化方法，實現了新能源汽車行人警示系統與被動防護裝置的動態耦合，顯著提升了行人碰撞防護效能。仿真與實車試驗表明，該系統在降低行人傷害風險的同時，減少了誤報警率，驗證了主動預警與被動防護協同優化的可行性。研究提出的動態時序匹配模型、行人姿態自適應策略及多傳感器融合架構，為智能安全系統的設計提供了新范式。未來可結合V2X技術進一步優化復雜場景下的系統響應，推動新能源汽車安全性能的持續升級。

參考文獻：

[1]徐逸誠，嚴榮，王小剛，等.電動汽車行人警示音系統設計及開發[J].汽車電器，2022（9）：18-20+24.

[2]鞠成曉，肖慧君，沈圣倫.新能源汽車智能化趨勢下消費者對ADAS認知程度研究——基于粵港澳大灣區的調查[J].特區經濟，2025（5）：41-46.

[3]于佳，王得天.基于卷積神經網絡的汽車行人警示音評價系統設計[J].時代汽車，2024（13）：122-124.

[4]ZhaoW，Gong S，ZhaoD，etal.Effects of collision warning characteris-ticsondrivingbehaviorsand safetyinconnected vehicle environments[J].AccidentAnalysisamp;Prevention，2023，186：107053.

[5]李金陽，李俚，宋海濤，等.面向港區安防的集裝箱堆場作業人員與車輛檢測算法研究[J].中國安全生產科學技術，2025，21（4）：158-164.

[6]劉穎，賀錦鵬，劉衛國，等.自動緊急制動系統行人測試場景的研究[J].汽車技術，2014（3）：35-39.

[7]王明潔.虛擬現實與電子信息處理技術的融合分析[J].電子技術，2025，54（2）：306-307.

[8]蘇宏博.磁流變脂汽車碰撞緩沖器設計及吸能特性研究[D].蕪湖：安徽工程大學，2022.

[9]李永海.機電一體化技術在新能源汽車驅動系統優化中的研究[J].汽車維修技師，2025（12）：19-20.

[10]羅榮華.基于中國人體特征的AEB假人開發研究[D].長沙：湖南大學，2020.

作者簡介：

李奎奎，男，1993年生，工程師，研究方向為交通部安全達標檢測和工信部強制性檢驗檢測。