典型汽车碰撞事故场景中行人运动轨迹预测方法

为提高未来自动驾驶车辆对弱势道路使用群体的感知和决策融合的可靠性，本文提出一种基于目标检测算法（YOLOv5）、多目标跟踪算法（Deep-Sort）和社交长短时记忆神经网络（social-long short-term memory,Social-LSTM）的行人未来运动轨迹预测方法。结合YOLOv5检测和Deep-Sort跟踪算法，有效解决行人检测跟踪过程中目标丢失问题。提取特定行人目标历史轨迹作为预测框架的输入边界条件，并采用Social-LSTM预测行人未来运动轨迹。并对未来运动轨迹进行透视变换和直接线性变换，转换为世界坐标系中的位置信息，预测车辆与行人的可能未来碰撞位置。结果显示目标检测精度达到93.889%，平均精度均值达96.753%，基于高精度的检测模型最终轨迹预测算法结果显示，预测损失随着训练步长的增加呈递减趋势，最终损失值均小于1%，其中平均位移误差降低了18.30%，最终位移误差降低了51.90%，本研究可为智能车辆避撞策略开发提供理论依据和参考。     

电动两轮车骑车人紧急避让姿态对损伤风险的影响研究

为研究不同紧急避让姿态下骑车人运动学响应及损伤差异，采用 THUMS 人体有限元模型开发 1类正常驾驶姿态和 3 种典型紧急避让姿态：被撞侧脚着地（SFL）、非被撞侧脚着地（NSFL）和双脚着地（LBF）。建立了汽车碰撞电动两轮车和骑车人的仿真模型，进行了8组仿真（20和40 km/h两种碰撞速度和4种驾驶姿态的组合），以对比分析头部损伤参数(峰值角加速度、峰值线性加速度、HIC₁₅、颅内正压力、CSDM_0.15和最大主应变)和下肢的 Vonmises 应力分布，评估两轮车骑车人撞地损伤风险。结果表明：当车速为 20 km/h 时，正常姿态骑车人头部撞地损伤超过 AIS 4+，各姿态下肢损伤均未超过骨折阈值；当车速为 40 km/h 时，各姿态骑车人头部撞地损伤均超过 AIS 4+，紧急避让姿态 LBF 时头部损伤风险最高。正常姿态骑车人的下肢损伤风险最低，紧急避让姿态 SFL 骑车人下肢有骨折风险。该研究结果厘清了紧急避让姿态对骑车人撞地损伤的影响，为汽车安全技术研究提供重要参考依据。