CN105808857B - 基于碰撞变形深度的汽车主动安全系统有效性的预测方法 - Google Patents
基于碰撞变形深度的汽车主动安全系统有效性的预测方法 Download PDFInfo
- Publication number
- CN105808857B CN105808857B CN201610134695.1A CN201610134695A CN105808857B CN 105808857 B CN105808857 B CN 105808857B CN 201610134695 A CN201610134695 A CN 201610134695A CN 105808857 B CN105808857 B CN 105808857B
- Authority
- CN
- China
- Prior art keywords
- depth
- vehicle
- safety system
- active safety
- damage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000006378 damage Effects 0.000 claims abstract description 62
- 238000004088 simulation Methods 0.000 claims abstract description 17
- 208000027418 Wounds and injury Diseases 0.000 claims abstract description 12
- 208000014674 injury Diseases 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000000611 regression analysis Methods 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 abstract description 4
- 241001269238 Data Species 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- FXNSVEQMUYPYJS-UHFFFAOYSA-N 4-(2-aminoethyl)benzenesulfonamide Chemical compound NCCC1=CC=C(S(N)(=O)=O)C=C1 FXNSVEQMUYPYJS-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于碰撞变形深度的汽车主动安全系统有效性的预测方法,包括如下步骤:1.确定相似刚度的车辆组;2.确定EES与变形深度的关系以及变形深度与损伤风险的关系;3.建立事故再现数据库,搭建控制系统,进行事故仿真,结合EES与变形深度的关系和变形深度与损伤风险的关系,计算并对比有无该安全系统在事故场景中的损伤风险;通过对比结果,得知该安全系统对提高汽车安全性是否有效。该预测方法仅依靠事故数据库中准确的变形程度信息,探讨和展望如何利用变形程度来预测汽车主动安全系统对减少乘员损伤风险方面有效性,相比传统利用速度信息的方法,能够获得更多的事故数据支持,更全面的评价汽车主动安全系统。
Description
技术领域
本发明涉及车辆安全技术领域,具体是涉及一种基于碰撞变形深度的汽车主动安全系统有效性的预测方法,是对尚未市场化的汽车主动安全系统在减少乘员损伤风险方面进行有效预测。
背景技术
近年来,随着电子控制技术的发展,汽车的主动安全系统日益多样化,例如自动紧急制动系统(Autonomous Emergence Braking System,简称AEBS)和紧急转向辅助系统(Emergence Steering Assistant,简称ESA)被大量引入,这些系统的目的是试图通过介入来降低事故危害,在未来车辆中,这些主动安全系统将被广泛应用。
在系统开发过程中,汽车企业的技术部门会首先对所采用的安全系统所能带来的安全性能进行预测,并根据预测结果进行调整系统的相关参数,使得系统总体性能最高。对于汽车安全系统的预测,国外研究人员通常采集事故数据库中的速度变化量信息和乘员损伤信息,通过建立两者之间的函数关系,仿真有无该系统时的事故,得到仿真的速度变化量,对比在不同速度变化量下乘员损伤的减少程度。该方法依赖于大量的事故数据库速度信息,因此只有拥有完善的深入调查事故数据库才可能使预测具有准确性,如果数据库中的事故速度样本不足,该方法则不适用。
但是,相关学者阐述车辆碰撞变形深度类似于速度变化量同样可以表征事故严重程度,且变形深度可以简单且准确的获得,方便于事故数据的记录和快速积累。因此可以尝试利用变形深度预测汽车安全系统在减少乘员损伤方面的有效性。
发明内容
因此,为了解决基于事故数据库中速度信息难以获取,致使汽车安全系统预测不准确的问题,本发明提供一种基于碰撞变形深度的汽车主动安全系统有效性的预测方法。该预测方法仅依靠事故数据库中准确的车辆变形深度信息,探讨和展望如何利用变形深度来预测未来汽车主动安全系统对减少乘员损伤风险方面的有效性,相比于传统利用速度信息的方法,能够获得更多的事故数据支持,更全面的评价汽车主动安全系统。该方法还可以定量预测出未来某项驾驶安全系统技术应用后带来的汽车安全性改善程度。
为实现上述目的,本发明采取以下技术方案:一种基于碰撞变形深度的汽车主动安全系统有效性的预测方法,包括如下步骤:
1)以损伤风险概率和平均变形深度为自变量,确定相似刚度的车辆组;
2)确定同一相似刚度车辆组中EES与变形深度的关系,以及变形深度与损伤风险的关系;
3)挑选出属于同一相似刚度车辆的事故数据,以此为依据建立以EES为基准的事故再现仿真数据库,搭建需要评价的主动安全系统,进行事故仿真,仿真时利用2)中的关系,分别计算有主动安全系统和无主动安全系统情况下的两种损伤风险程度,通过对比两种损伤风险程度,判断主动安全系统对提高汽车安全性是否有效。
进一步讲,确定相似刚度的车辆组的方法是:
①首先将既是相近生产年份又是相近级别的车辆划分为一组,每组中包含两个数据变量:损伤风险概率和平均变形深度,定义如下:
式中,P(MAISx+)表示损伤程度达到x级以上的风险概率,表示每组中所有事故的综合变形深度的总和,k表示每组中的事故总数;
车辆综合变形深度C通过如下方法确定:
将车身前端或后端沿着侧向等分为六个部分,每个部分测量一个变形深度值,分别记录为C1~C6,1~6代表六个部分的位置,则综合变形深度C定义为:
式中Cm和Cn对应于C1~C6中不为零的变形起始点和变形终止点的变形深度值,m表示变形起始点所在的位置值,n表示变形终止点所在的位置值;
②将每组中的损伤风险概率和平均变形深度这两个数据变量作为聚类分析的一个元素,进行聚类分析,从聚类分析结果中选取包含所研究车型所在的类,作为分析对象,该类内所有的事故车辆则认为是与所研究的车辆具有相似性的相似刚度的车辆组。
再进一步讲,确定同一相似刚度车辆组中EES与变形深度的关系,以及变形深度与损伤风险关系的方法是:
①以同一相似刚度车辆组中综合变形深度C和重合长度Overlap作为自变量,EES作为因变量,通过事故拟合建立三者的回归关系:
EES=a0+a1C+a2Overlap (4)
式中系数a0、a1、a2是利用可实现公式拟合的方法或者工具,进行回归分析得到;
②取得了综合变形深度C的值后,将综合变形深度C与重合长度Overlap作为自变量,损伤风险作为因变量,通过拟合方法建立同一相似刚度车辆组中三者的回归关系:
P(MAISx+)=b0+b1C+b2Overlap+b3(C×Overlap)+
b4C2+b5(C2×Overlap)+b6C3 (5)
式中P(MAISx+)表示同一相似刚度车辆组中损伤风险达到x级以上的概率;系数b0-b6为常量,利用可实现公式拟合的方法或者工具进行回归分析得到。
再进一步讲,在进行事故仿真时,将主动安全系统集成到事故仿真数据库文件中的车辆中,并调用PC Crash软件运行事故文件,利用仿真事故文件中已知的EES和Overlap,利用式(4)计算得到这些事故文件新的综合变形深度C;
在新的综合变形深度下,再利用式(5)分别计算有主动安全系统下获得的损伤风险概率和无系统下获得的损伤风险概率,然后利用下式评价有主动安全系统车辆的有效性:
其中,P[MAISx+有系统]表示有主动安全系统下的损伤达到x级以上的风险概率,P[MAISx+无系统]表示无主动安全系统下的损伤达到x级以上的风险概率;
如果计算结果为正,说明该主动安全系统对提高汽车安全性有良好效果,如果结果为负,说明该主动安全系统对提高汽车安全性无良好效果。
本发明提出的是一种对尚未市场化的汽车主动安全系统对减少乘员损伤风险方面有效性的预测方法,通过建立EES与变形深度的关系和变形深度与损伤风险的关系,来预测未来汽车主动安全系统的应用对于汽车安全效能的整体改善程度。该预测方法仅依靠事故数据库中准确的变形程度信息,探讨和展望如何利用变形程度来预测驾驶主动安全系统有效性,相比传统利用速度信息的方法,能够获得更多的事故数据支持,更全面的评价驾驶员主动安全系统。
附图说明
图1为本发明基于碰撞变形深度的汽车主动安全系统有效性的预测方法实施例的流程图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述,其中附图与本发明的实施例一起用于阐释本发明,但本领域的技术人员应该知道,以下实施例并不是对本发明技术方案作的唯一限定,凡是在本发明技术方案精神实质下所做的任何等同变换或改动,均应视为属于本发明的保护范围。
在下面,将概述一种基于车辆变形深度的汽车主动安全系统对减少乘员损伤风险方面有效性的预测方法。该方法是一种基于车辆变形深度的预测方法,在实施例中,采用综合变形深度C来表征车辆的各部分变形深度。在事故调查过程中,记录车身变形,包括前端变形、后端变形均可以,一般记录变形主要将车身前端或后端沿着侧向等分为六个部分,每个部分测量一个变形深度值,即有六个值,分别记录为C1、C2、C3、C4、C5、C6。则综合变形深度C定义为下式:
式中Cm和Cn对应于C1~C6中不为零的变形起始点和变形终止点的变形值(因为虽然每个事故会记录六个位置的变形值,但是有的位置变形值可能为0,则该处并无变形,Cm和Cn不能取该处的值,也就是Cm和Cn的值不能为0),式中的m表示变形起始点的位置值,n表示变形终止点的位置值。
本方法将在没有速度信息的条件下实现估计主动安全系统的安全效能。这项研究将根据综合车辆变形深度C的数据进行开展,该方法实施步骤概括如下:
1)基于车辆变形深度确定相似刚度的车辆组;
2)确定同一相似刚度车辆组中EES(energy equivalent speed,能量等效速度)与变形深度的关系,以及变形深度与损伤风险的关系;
3)建立事故再现数据库;
4)搭建主动安全系统;
5)仿真事故,结合EES与变形深度的关系以及变形深度与损伤风险的关系,计算并对比有、无主动安全系统情况下在事故场景中的损伤风险;通过对比两种结果,得知该主动安全系统对提高汽车安全性是否有效。
下面一一叙述各步骤的实现:
1.基于车辆变形深度确定相似刚度的车辆组
由于事故数据库中存在着大量追尾碰撞等记录,如果针对每个个体记录进行聚类分析,计算量较大且不容易得到可应用的结果,因此有必要先对原始数据进行预处理。车辆的刚度受生产的年份和车辆的级别影响较大。所以参照这两个影响因素,本发明先将所有数据分为多个组,这些组大概是以既是相近生产年份又是相近级别的车辆为一组划分。每组中包含了两个数据变量:损伤风险概率和平均变形深度,定义如下:
P(MAISx+)表示损伤程度达到x级以上的风险概率,一般选取为MAIS2+,表示每组中所有事故的综合变形深度的总和,k表示每组中的事故总数。
每个组这两个变量又可作为聚类分析的一个元素,各组的元素形式一样,但值可能不一样。对各组的所有元素利用聚类分析进行分类,聚类分析可通过现有相关统计分析软件进行,推荐选择的方法为重心聚类分析方法。参照分类数确定准则,分类时既要保证各类中所包含的元素都不应过少,同时任何类间的重心距离又必须大。
聚类分析结果出来后,从所有类中选取包含所研究车型所在的类,作为接下来的分析对象。该类内所有的事故车辆刚度可认为与所研究的车辆具有相似性,那么所确定的这个类中的所有车辆就组成一个相似刚度的车辆组。
2.确定同一相似刚度的车辆组中EES与变形深度的关系,以及变形深度与损伤风险的关系
参照目前的研究方法,本发明以综合变形深度C和重合长度Overlap(重合长度:碰撞时两车的重合部分的长度,可以理解为变形起始点和变形终止点间的距离,是事故数据库中保存的数据,可在事故发生后测量得到)作为自变量,EES作为因变量,通过事故拟合建立三者的回归关系,可以以下列形式表示,但不唯一:
EES=a0+a1C+a2Overlap (4)
式中系数a0、a1、a2为常量,利用可实现公式拟合的方法或者工具,对上式进行回归分析,得到其中三个常量的取值,如利用MATLAB软件中的“Regress”的功能对上式进行回归分析,得到其中三个常量的取值。
但是由于仿真过程中并无法获知变形深度的数据,只能拥有EES数据和重合长度的数据,所以可以通过确定了a0、a1、a2的式(4)中EES和重合长度的值,算出综合变形深度C的值,由此仿真的综合变形深度可确定。
基于变形深度的汽车主动安全系统有效性预测方法的核心技术就是通过计算变形深度的变化来估计出乘员损伤风险的降低程度。那么实现这一计算过程的基础就是建立变形深度与损伤风险的回归关系。损伤风险即在一定事故严重程度下,达到某种损伤级别以上的可能性,国际上较为常用的指标是P(MAISx+)。选取综合变形深度和重合长度作为自变量,损伤风险作为因变量,同样可通过拟合建立同一相似刚度的车辆组中三者的回归关系,以下形式不唯一:
P(MAISx+)=b0+b1C+b2Overlap+b3(C×Overlap)+
b4C2+b5(C2×Overlap)+b6C3 (5)
式中P(MAISx+)表示同一相似刚度车辆组中损伤风险达到x级以上的概率,系数b0-b6为常量,同样利用可实现公式拟合的方法或者工具,对上式进行回归分析,得到其中七个常量的取值,如利用MATLAB软件中的“Regress”的功能对上式进行回归分析,得到其中七个常量的取值。
如此,通过同一相似刚度组中的事故数据中的综合变形深度和重合长度作为自变量,就可以获得了基于综合变形深度下的损伤风险。一般情况下,损伤风险级别也是取2级以上。
3.建立事故再现仿真数据库
挑选上述事故数据中包含全面数据信息的事件进行重建数据库。重建过程中需要碰撞时刻前的速度、不同车辆驾驶员操作情况或车辆制动减速度、制动起始时刻的相对距离等(事故数据库中包含有这些数据)。结合这些数据,利用事故再现软件如PCCrash进行再现,再现的仿真数据库中保证仿真再现的EES信息与真实的EES信息(式(4)获得的)要一致。
4.搭建待评价的主动安全系统
基于仿真数据库,利用任何可以实时改变事故仿真过程的软件,如基于PC Crash的开发软件,搭建待评价的主动安全系统。搭建过程需包含如下步骤:
ⅰ.搭建该系统传感器的模块,包含其对周围物体识别跟踪、感知距离与角度,能输出跟踪目标的数目和各目标的速度、相对速度、位置等信息;
ⅱ.搭建该系统的控制算法,该算法能够根据传感器的输出量,决定执行器的执行目标值;
ⅲ.搭建该系统执行器,该算法能够控制算法的输出量,响应出具体动作,将相关的力施加到车辆模型上。
也就是说搭建的系统包括建立了基于算法下的传感器和执行器件的关系。
5.基于主动安全系统的事故仿真
主动安全系统搭建后,利用任何可以实时改变事故仿真过程的软件,将主动安全系统集成到所有事故重现数据库文件中的车辆中,并调用PC Crash软件,运行新的事故文件,这样PC Crash可以自动计算得到这些事故文件新的EES和重合长度。手动或通过计算软件将所有新的EES和重合长度收集起来,根据式(4)中EES和综合变形深度的关系,可得到对应的新的综合变形深度,在这新的综合变形深度下,又能确定新的损伤风险,利用式(5)进行。
再利用式(5)分别得到有主动安全系统下获得的损伤风险,和无系统下获得的损伤风险后,利用下式就可评价有主动安全系统车辆的有效性:
其中,P[MAISx+有系统]表示有主动安全系统下的损伤达到x级以上的风险概率,P[MAISx+无系统]表示无主动安全系统下的损伤达到x级以上的风险概率。
如果所述计算式的结果为正,说明该主动安全系统对提高汽车安全性有良好效果,结果为负,说明该系统对提高汽车安全性无良好效果。
Claims (1)
1.一种基于碰撞变形深度的汽车主动安全系统有效性的预测方法,其特征在于,包括如下步骤:
1)以损伤风险概率和平均变形深度为自变量,确定相似刚度的车辆组;
2)确定同一相似刚度车辆组中EES与综合变形深度的关系,以及综合变形深度与损伤风险概率的关系;
3)挑选出属于同一相似刚度车辆的事故数据,以此为依据建立以EES为基准的事故再现仿真数据库,搭建需要评价的主动安全系统,进行事故仿真,仿真时利用2)中的关系,分别计算有主动安全系统和无主动安全系统情况下的两种损伤风险概率,通过对比两种损伤风险概率,判断主动安全系统对提高汽车安全性是否有效;
其中,确定相似刚度的车辆组的方法是:
①首先将既是相近生产年份又是相近级别的车辆划分为一组,每组中包含两个数据变量:损伤风险概率和平均变形深度,定义如下:
损伤风险概率:
平均变形深度:
式中,P(MAISx+)表示损伤程度达到x级以上的风险概率,表示每组中所有事故的综合变形深度的总和,k表示每组中的事故总数;
车辆综合变形深度C通过如下方法确定:
将车身前端或后端沿着侧向等分为六个部分,每个部分测量一个变形深度值,分别记录为C1~C6,1~6代表六个部分的位置,则综合变形深度C定义为:
式中Cm和Cn对应于C1~C6中不为零的变形起始点和变形终止点的变形深度值,m表示变形起始点所在的位置值,n表示变形终止点所在的位置值;
②将每组中的损伤风险概率和平均变形深度这两个数据变量作为聚类分析的一个元素,进行聚类分析,从聚类分析结果中选取包含所研究车型所在的类,作为分析对象,该类内所有的事故车辆则认为是与所研究的车辆具有相似性的相似刚度的车辆组;
其中,确定同一相似刚度车辆组中EES与综合变形深度的关系,以及综合变形深度与损伤风险概率关系的方法是:
①以同一相似刚度车辆组中综合变形深度C和重合长度Overlap作为自变量,EES作为因变量,通过事故拟合建立三者的回归关系:
EES=a0+a1C+a2Overlap (4)
式中系数a0、a1、a2是利用可实现公式拟合的方法或者工具,进行回归分析得到;
②取得了综合变形深度C的值后,将综合变形深度C与重合长度Overlap作为自变量,损伤风险概率作为因变量,通过拟合方法建立同一相似刚度车辆组中三者的回归关系:
式中P(MAISx+)表示同一相似刚度车辆组中损伤风险达到x级以上的概率;系数b0-b6为常量,利用可实现公式拟合的方法或者工具进行回归分析得到;
其中,在进行事故仿真时,将主动安全系统集成到事故仿真数据库文件中的车辆中,并调用软件运行事故文件,利用仿真事故文件中已知的EES和Overlap,再利用式(4)计算得到这些事故文件新的综合变形深度C;
在新的综合变形深度下,再利用式(5)分别计算有主动安全系统下获得的损伤风险概率和无系统下获得的损伤风险概率,然后利用下式评价有主动安全系统车辆的有效性:
其中,P[MAISx+有系统]表示有主动安全系统下的损伤达到x级以上的风险概率,P[MAISx+无系统]表示无主动安全系统下的损伤达到x级以上的风险概率;
如果计算结果为正,说明该主动安全系统对提高汽车安全性有良好效果,如果结果为负,说明该主动安全系统对提高汽车安全性无良好效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610134695.1A CN105808857B (zh) | 2016-03-10 | 2016-03-10 | 基于碰撞变形深度的汽车主动安全系统有效性的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610134695.1A CN105808857B (zh) | 2016-03-10 | 2016-03-10 | 基于碰撞变形深度的汽车主动安全系统有效性的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105808857A CN105808857A (zh) | 2016-07-27 |
CN105808857B true CN105808857B (zh) | 2019-01-04 |
Family
ID=56467082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610134695.1A Active CN105808857B (zh) | 2016-03-10 | 2016-03-10 | 基于碰撞变形深度的汽车主动安全系统有效性的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105808857B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250637B (zh) * | 2016-08-04 | 2019-04-16 | 清华大学 | 基于微交通仿真模型的汽车安全系统参数优化方法 |
CN107291972B (zh) * | 2017-03-10 | 2019-10-18 | 清华大学 | 基于多源数据挖掘的汽车智能驾驶系统有效性评价方法 |
CN111199083B (zh) * | 2018-10-31 | 2023-12-15 | 阿波罗智能技术(北京)有限公司 | 复现无人驾驶车辆事故数据的方法和装置 |
CN112308330B (zh) * | 2020-11-09 | 2021-07-09 | 清华大学 | 数字化事故数据库构建方法、装置和计算机设备 |
CN112382820B (zh) * | 2020-11-12 | 2021-08-17 | 上海理工大学 | 一种主动控制电池保护装置及其控制方法 |
CN112580201B (zh) * | 2020-12-11 | 2022-11-08 | 东风汽车集团有限公司 | 车辆紧急转向辅助系统的仿真测试评价方法和评价系统 |
CN115017649A (zh) * | 2021-03-10 | 2022-09-06 | 西华大学 | 基于细胞单元法的交通事故中车辆变形碰撞能量计算方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8892303B2 (en) * | 2011-09-28 | 2014-11-18 | Denso Corporation | Vehicle control device |
CN105160431A (zh) * | 2015-09-10 | 2015-12-16 | 清华大学 | 一种对未来车辆汽车驾驶员辅助系统的安全效能预测方法 |
CN105205235A (zh) * | 2015-09-10 | 2015-12-30 | 清华大学 | 基于变形程度的汽车安全性改善程度的评价方法 |
-
2016
- 2016-03-10 CN CN201610134695.1A patent/CN105808857B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8892303B2 (en) * | 2011-09-28 | 2014-11-18 | Denso Corporation | Vehicle control device |
CN105160431A (zh) * | 2015-09-10 | 2015-12-16 | 清华大学 | 一种对未来车辆汽车驾驶员辅助系统的安全效能预测方法 |
CN105205235A (zh) * | 2015-09-10 | 2015-12-30 | 清华大学 | 基于变形程度的汽车安全性改善程度的评价方法 |
Non-Patent Citations (2)
Title |
---|
基于车辆变形深度的汽车安全有效性的评价与预测方法;陈龙 等;《清华大学学报(自然科学版)》;20160229;第56卷(第2期);第124-129页 |
汽车智能安全电子技术发展现状与展望;李克强;《汽车工程学报》;20110330;第1卷(第1期);第4-17页 |
Also Published As
Publication number | Publication date |
---|---|
CN105808857A (zh) | 2016-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105808857B (zh) | 基于碰撞变形深度的汽车主动安全系统有效性的预测方法 | |
Augenstein et al. | Characteristics of crashes that increase the risk of serious injuries | |
CN102292754B (zh) | 用于合并传感器数据的方法和系统 | |
WO2018103313A1 (zh) | 发生交通事故的风险预测方法、装置及系统 | |
Bagdadi | Estimation of the severity of safety critical events | |
Castignani et al. | An evaluation study of driver profiling fuzzy algorithms using smartphones | |
KR101473957B1 (ko) | 운전 패턴 인식에 기반하여 보험료를 결정하는 장치 및 방법 | |
CN115195713A (zh) | 用于确定至少部分受辅助地运行的机动车辆的轨迹的方法 | |
CN115588310A (zh) | 一种基于轨迹数据的车辆碰撞风险预测方法 | |
CN111582368A (zh) | 基于事故统计数据的乘用车辆安全性能综合评价方法 | |
CN110033617A (zh) | 一种面向自然驾驶数据的跟驰状态评估系统及方法 | |
CN112749210A (zh) | 基于深度学习的车辆碰撞识别方法和系统 | |
Aoki et al. | Safety impact methodology (SIM) for effectiveness estimation of a pre-collision system (PCS) by utilizing driving simulator test and EDR data analysis | |
Abdelrahman et al. | Driver behavior classification in crash and near-crash events using 100-CAR naturalistic data set | |
CN114037015A (zh) | 基于驾驶模式原语的驾驶行为安全性分析方法 | |
CN113849971B (zh) | 驾驶系统评估方法、装置、计算机设备和存储介质 | |
CN114943750A (zh) | 目标跟踪方法、装置及电子设备 | |
Zardosht et al. | Identifying Driver Behavior in Preturning Maneuvers Using In‐Vehicle CANbus Signals | |
CN106651133B (zh) | 一种使用手机实现基于adas的用户驾驶行为评分方法 | |
Nishiwaki et al. | Generation of pedal operation patterns of individual drivers in car-following for personalized cruise control | |
CN108268678A (zh) | 驾驶行为分析方法、装置及系统 | |
Derbel et al. | Driver behavior assessment in case of critical driving situations | |
Lee et al. | Real-time associative memory–based rear-end collision warning system | |
Ruan et al. | A novel scoring method for pedestrian automatic emergency braking systems | |
Shahdah et al. | Integrating observational and traffic simulation models for priority ranking of unsafe intersections |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |