基于NAIS 數(shù)據(jù)庫中電動兩輪車—車事故特征分析

朱雪靜

（201620 上海市 上海工程技術(shù)大學(xué) 機(jī)械與汽車工程學(xué)院）

0 引言

近年來，行人交通安全成為不可忽視的社會熱點(diǎn)問題，我國汽車—電動自行車交通事故死傷人數(shù)同樣一直居高不下，中國國家統(tǒng)計(jì)局的統(tǒng)計(jì)數(shù)據(jù)表明，含有電動兩輪車參與的道路交通事故占非機(jī)動車事故的59%以上，且弱勢群體死亡率達(dá)14.6%以上[1]。汽車主、被動安全的研究與發(fā)展在很大程度緩解了道路交通事故的傷害，對道路弱勢群體保護(hù)設(shè)計(jì)成為汽車安全領(lǐng)域研發(fā)的熱點(diǎn)。

文獻(xiàn)[2]使用司法鑒定中心的交通事故數(shù)據(jù)，對導(dǎo)致道路交叉口駕駛員死亡的9 個因素進(jìn)行綜合分析，通過主成分分析得到4 個主要因子以分析兩輪車駕駛員在交叉路口致命傷害的主要因素；文獻(xiàn)[3]為調(diào)查兩輪車碰撞中影響兩輪車運(yùn)動和頭部損傷風(fēng)險(xiǎn)的因素，對兩輪車車輛類型及騎手狀態(tài)進(jìn)行多體建模并對兩輪車車手頭部受傷風(fēng)險(xiǎn)進(jìn)行分析；文獻(xiàn)[4-5]基于德國交通事故深度調(diào)查研究數(shù)據(jù)庫，通過對典型事故案例深入分析進(jìn)一步研究AEB 系統(tǒng)對人員的保護(hù)作用；文獻(xiàn)[6]基于49 個人—車事故案例，探究了人—車事故中道路、初始碰撞位置、碰撞車速、傷情等特征；文獻(xiàn)[7]通過對中國道路交通事故深入研究（CIDAS）數(shù)據(jù)庫中469 起汽車與電動兩輪車的碰撞事故數(shù)據(jù)進(jìn)行了整理，并結(jié)合PC—Crash軟件的事故重建結(jié)果，對事故規(guī)律進(jìn)行了描述；文獻(xiàn)[8]采集了上海道路中典型的行人危險(xiǎn)場景，統(tǒng)計(jì)了各種危險(xiǎn)工況，利用聚類分析建立典型危險(xiǎn)場景。

本文對國家車輛事故深度調(diào)查體系（National Automobile Accidennt In_Depth Investigation System，NAIS）中上海松江地區(qū)的電動自行車—車碰撞典型事故案例的數(shù)據(jù)展開分析研究，從NAIS 數(shù)據(jù)庫中選取200 例包含視頻及交警資料的典型十字路口電動兩輪車—車碰撞事故案例，分析了碰撞事故機(jī)動車車型、電動兩輪車—車碰撞危險(xiǎn)場景、碰撞前兩車相對位置、騎車人在碰撞中易受傷部位及碰撞后運(yùn)動軌跡等。本文采用錄用事故發(fā)生視頻及交警資料，可較準(zhǔn)確地還原事故發(fā)生場景，確定碰撞前電動自行車—車相對位置，從而提取出典型危險(xiǎn)場景，為汽車自動緊急制動系統(tǒng)（Autonomous Emergency Braking）中傳感器的選型提供有價(jià)值的參考。通過對典型碰撞事故中騎車人受傷的特點(diǎn)等一些客觀規(guī)律特征的分析，研究結(jié)果為車輛弱勢群體保護(hù)技術(shù)的研發(fā)和應(yīng)用提供參考依據(jù)。

1 事故樣本的選取及碰撞事故數(shù)據(jù)分析

NAIS 主要采集中國嚴(yán)重道路交通事故。為提高對事故特征分析的準(zhǔn)確性，事故案例的錄入要求滿足重傷或死亡1 人及以上，每個事故案例均包括人、車、路及相關(guān)環(huán)境信息，包含高達(dá)2 200 以上的參數(shù)，以NAIS 中事故數(shù)據(jù)案例為基礎(chǔ)，研究我國實(shí)際交通事故中電動自行車—車碰撞形態(tài)與位置，總結(jié)該類事故中電動兩輪車騎車人碰撞后的運(yùn)動狀態(tài)與損傷特點(diǎn)。

1.1 事故樣本的選取

本文選取的真實(shí)事故案例來源于NAIS 上海松江站點(diǎn)，事故數(shù)據(jù)從2019 年1 月截至2020 年7 月底445 起機(jī)動車碰撞事故案例。機(jī)動車與電動兩輪車碰撞事故200 起，占總體機(jī)動車交通事故數(shù)量的44.9%。統(tǒng)計(jì)圖如圖1 所示。

圖1 事故案例統(tǒng)計(jì)圖Fig.1 Statistical chart of accident cases

在選取的200 起典型電動兩輪車—車碰撞事故案例中，包含乘用車與電動兩輪車的碰撞事故，也包括卡車及商用車與電動兩輪車的碰撞事故，本著提高事故特征分析準(zhǔn)確性的原則，提出了下列篩選條件：

（1）機(jī)動車輛為轎車、多用途車（Multi-Porpose Vehicles，MPV），以及運(yùn)動型多功能車（Sports Utility Vehicle）3 種的乘用車；

（2）僅涉及一輛中型電動兩輪車；

（3）案例中具備事故發(fā)生時的視頻及交警資料。

基于以上篩選條件，選取了15 例典型的電動兩輪車—車碰撞事故樣本，通過事故照片、碰撞視頻及交警資料的描述對事故發(fā)生前兩車的運(yùn)動狀態(tài)及方位、碰撞時電動自行車駕駛員的運(yùn)動響應(yīng)等事故特征的分析具有較大的幫助。事故數(shù)據(jù)樣本如表1 所示。碰撞位置為碰撞點(diǎn)與車頭正中間的橫向距離，碰撞點(diǎn)處向左為正值，向右為負(fù)值。碰撞角度為兩車在速度方向的矢量夾角。

表1 車輛碰撞參數(shù)Tab.1 Vehicle collision parameters

在選取的事故案例中，3 種車型與電動自行車發(fā)生碰撞事故的比例分別為64.8%，21.3%，13.9%。車速按照基于視頻圖像的車輛行駛速度技術(shù)鑒定[9]，采用視頻計(jì)算方法計(jì)算碰撞車速，通過幀數(shù)精確定位，可獲得準(zhǔn)確的車輛碰撞車速。計(jì)算碰撞車速后進(jìn)行概率分布統(tǒng)計(jì)，結(jié)果如圖2所示?？梢钥闯?，80%的車輛碰撞速度都不大于75 km/h。為汽車主動安全AEB 控制策略的設(shè)計(jì)提供了依據(jù)。

圖2 碰撞車速區(qū)間概率分布Fig.2 Probability distribution of collision speed interval

1.2 行人與車輛碰撞時的位置特征

電動兩輪車騎行者與車輛第一碰撞位置如圖3 所示。由圖3 可知，電動兩輪車—車碰撞事故中，騎車人與車輛的第一碰撞點(diǎn)位于車頭兩側(cè)的碰撞案例約占55.5%，20.5%發(fā)生在車頭中間區(qū)域。其中有34 個案例發(fā)生在車頭兩側(cè)的翼子板。通過查閱資料，中國人體的膝關(guān)節(jié)高度平均在470～490 mm 之間，電動自行車坐墊高度在600～800 mm 之間，騎車人坐在電動自行車上的膝關(guān)節(jié)高度在610～810 mm 之間，車頭最突出部分的高度在530～550 mm 之間。由此可得，大部分車輛對電動兩輪車騎車人的第一碰撞點(diǎn)是小腿位置。這為研發(fā)保護(hù)弱勢群體的汽車頭部造型提供了參考依據(jù)。

圖3 騎行者碰撞區(qū)域位置統(tǒng)計(jì)Fig.3 Location statistics of cyclist collision area

1.3 碰撞事故基本數(shù)據(jù)分析

通過事故發(fā)生時的道路監(jiān)控視頻及交警資料等信息的描述，可還原碰撞整個過程和碰撞發(fā)生后車輛及人員的運(yùn)動情況。本文通過結(jié)合200 例電動自行車—車碰撞事故深度數(shù)據(jù)，對碰撞危險(xiǎn)場景、行人損傷及車輛碰撞速度進(jìn)行分析，為后續(xù)電動兩輪車—車碰撞事故特征分析提供參考依據(jù)。

騎車人受到碰撞后其運(yùn)動姿態(tài)各異，由于碰撞受力的大小角度不同，騎車人在碰撞后也會呈現(xiàn)不同的運(yùn)動形態(tài)。本文選取PC—Crash 軟件對事故進(jìn)行重建，通過對不同碰撞類型事故的分析，對十字路口典型的電動自行車駕駛員碰撞類型及碰撞后的運(yùn)動軌跡分為5 類，如表2 所示。兩車碰撞角度為兩車行駛方向矢量夾角，以其中一輛車的速度矢量為參考方向，逆時針為正，碰撞角度0°及360°即兩車追尾。碰撞角度對應(yīng)的碰撞類型如圖4 所示。本文將碰撞類別1，2，3 歸結(jié)為正碰；碰撞類別4 歸結(jié)為側(cè)碰；迎面碰撞相對于側(cè)碰而言為騎行者面向汽車的一種碰撞類型；碰撞類別5 歸結(jié)為追尾碰撞。

表2 騎車人的6 類運(yùn)動學(xué)軌跡Tab.2 Six kinds of kinematic trajectories of cyclists

圖4 碰撞角度對應(yīng)的碰撞類型Fig.4 Collision type corresponding to collision angle

1.4 電動自行車騎行者—車碰撞損傷分析

目前對騎車人發(fā)生碰撞后的損傷評價(jià)標(biāo)準(zhǔn)較多，研究的側(cè)重點(diǎn)也有所偏差，簡明損傷定級法（Abbreviated injury scale，AIS）是對人體器官、組織的損傷進(jìn)行量化的手段，一共分為6 個等級，由低到高代表損傷程度逐漸增加，便于統(tǒng)計(jì)，記0 ≤AIS ≤2 為損傷程度為中度及以下；記3 ≤AIS ≤5 為損傷嚴(yán)重；AIS=6 表示致命傷。將選取的事故案例中行人損傷AIS 值分為3 組，如表3 所示。

表3 行人損傷程度分類Tab.3 Pedestrian damage classification

通過對200 起電動自行車—車碰撞事故樣本的分析，選取了交通事故中最容易造成傷害的部位，即頭部、上臂、胸部、腿部。損傷占比如圖5 所示。

圖5 碰撞角度對應(yīng)的碰撞類型Fig.5 Collision type corresponding to collision angle

由圖5 知，導(dǎo)致人員死亡占比最大的部位是頭部，其次是胸部，由于在事故碰撞過程中第一接觸部位是腿部，因此腿部受中輕度傷的占比較大。

2 電動自行車騎行者的二次碰撞損傷分析及動力學(xué)響應(yīng)

車與電動自行車碰撞過程中產(chǎn)生的能量傳遞、散失過程是造成電動自行車騎行者傷亡的根本原因。事故調(diào)查統(tǒng)計(jì)表明，電動自行車騎行者與車輛碰撞拋出后與地面間的二次碰撞所引起的傷亡遠(yuǎn)高于一次碰撞，且騎車者與地面的第一接觸點(diǎn)時，往往更容易致命[9]。

2.1 頭部及下肢損傷評價(jià)

電動自行車騎車人在碰撞過程中，當(dāng)碰撞沖擊強(qiáng)度過高，達(dá)到顱腦承受極限，就會造成頭骨破裂或頭骨位移，從而損傷大腦。頭部損傷程度值由頭部傷害指數(shù)HIC（Head Injury Criterion）來描述，HIC 計(jì)算公式如下：

式中:t1——碰撞過程中加速度作用時間點(diǎn)；t2——相對于t1使指數(shù)HIC 達(dá)到最大值的時間點(diǎn)；a——人體頭部中心加速度。

下肢是電動自行車—車碰撞事故中僅次于頭部的易受傷部位，當(dāng)電動兩輪車騎車人與汽車碰撞時，腿部直接與汽車前部保險(xiǎn)杠接觸；此外，在騎行者碰撞拋出后，下肢與地面的第2 次接觸碰撞更加提高了下肢受傷概率和程度。歐洲行人保護(hù)法規(guī)將小腿加速度作為下肢損傷的評價(jià)指標(biāo)，且小腿加速度的人體耐受極限值為150 g[10]。

2.2 騎行者拋距及與地面接觸點(diǎn)統(tǒng)計(jì)分析

不同的車型對電動兩輪車騎車人碰撞后的拋出距離有影響。如圖6 所示，當(dāng)碰撞角度為90°時，騎行者的拋距與車速成正比，在相同的車速下，MPV 車對騎行者碰撞后的拋距明顯大于SUV 及轎車，隨著車速的增加，車型對拋距的影響更加顯著。

圖6 碰撞角度對應(yīng)的碰撞類型Fig.6 Collision type corresponding to collision angle

本文統(tǒng)計(jì)了200 例電動自行車騎行者碰撞后跌落與地面第一接觸點(diǎn)位置及二次碰撞直接導(dǎo)致騎行者死傷的概率，如圖7 所示。

圖7 騎行者與地面第一接觸點(diǎn)位置統(tǒng)計(jì)Fig.7 Statistics of the first contact position point between the rider and the ground

在汽車與電動兩輪車的碰撞事故中，電動兩輪車騎車人的頭部是最容易受重傷的部位，第1次碰撞導(dǎo)致的頭部損傷是由于碰撞過程中頭部與汽車發(fā)動機(jī)罩或前擋風(fēng)玻璃的接觸所造成的，第2 次碰撞受傷是由于騎行者與車輛碰撞后跌落地面，頭部為與地面的第一接觸點(diǎn)所造成的。其次，電動自行車騎車人的腿部也是碰撞過程中易受傷的部位，案例中電動自行車騎車人與車輛第一次碰撞中，由于與車輛的接觸點(diǎn)在電動車上，騎行者并未受傷，最終導(dǎo)致騎行者受傷的原因?yàn)轵T行者被碰撞拋出后，腿部與地面直接碰撞。

2.3 仿真參數(shù)設(shè)置

車輛類型、碰撞速度（汽車瞬時速度）、碰撞角度對電動自行車騎車人的損傷影響最大，而騎車人頭部損傷往往為致命損傷。根據(jù)實(shí)際事故中采集的車輛信息建立模型，由典型事故車輛參數(shù)對車輛模型的前部幾何參數(shù)進(jìn)行調(diào)整，主要分為轎車、SUV、MPV 三種車輛模型，結(jié)果表4 所示。

電動自行車—騎車人模型選用多剛體組合模型，多缸體組合模型由20 個剛體和19 個鉸鏈組成，不同部分的剛體代表人體不同部位。每個剛體的幾何參數(shù)及特征都可在PC——Crash 軟件中根據(jù)真實(shí)測量數(shù)據(jù)進(jìn)行設(shè)定，如圖8 所示。

2.4 騎車人動力學(xué)響應(yīng)分析

運(yùn)用PC-Crash 軟件中的汽車模型和電動自行車騎車人組合模型對真實(shí)事故數(shù)據(jù)進(jìn)行仿真重建分析，進(jìn)行了多組試驗(yàn)。通過改變運(yùn)動學(xué)參數(shù)，可分析不同運(yùn)動狀態(tài)、不同因素對模型的影響。以轎車為例，分析在不同碰撞類型及不同車速的情況下，對騎車人的動力學(xué)響應(yīng)的影響規(guī)律。如圖9 與圖10 所示，在不同的碰撞類型下，騎車人頭部加速度與左小腿加速度隨著汽車的碰撞車速的增大而增大，但不同碰撞類型的變化趨勢有所差異。相同碰撞車速下，騎車人頭部響應(yīng)在側(cè)碰情況下表現(xiàn)更明顯，其次是正碰，迎面碰撞和追尾碰撞對騎車人頭部響應(yīng)的影響類似，是由于在追尾碰撞和迎面碰撞中，電動車首先與汽車接觸，騎車人頭部及腿部加速度相對較小，但汽車對電動二輪車的沖擊力使騎車人頭部及腿部加速度變幅大于正碰和側(cè)碰。而加速度的大小直接影響騎車人碰撞后與地面的接觸速度。由此可以看出，在汽車與電動二輪車的不同碰撞類型中，側(cè)面碰撞是對騎車人損傷影響最為嚴(yán)重的一種類型，迎面碰撞和追尾碰撞時損傷較輕。

圖9 汽車碰撞車速與騎車人頭部加速度關(guān)系Fig.9 Relationship between vehicle crash speed and rider's head acceleration

圖10 汽車碰撞車速與騎車人腿部加速度關(guān)系Fig.10 Relationship between speed of a car crash and acceleration of rider's legs

以樣本中39 起真實(shí)碰撞事故案例，結(jié)合汽車碰撞速度和碰撞角度，分析對騎車人損傷的影響，可以得出3 種影響因素與騎車人AIS 之間的關(guān)系。如圖11 所示，相同速度下，MPV 車對騎車人的影響最大，AIS 等級最高，其次是SUV 車，最后是轎車。是由于3 種車型前部結(jié)構(gòu)的差異，導(dǎo)致騎車人碰撞時身體部位與汽車接觸位置與響應(yīng)時間有所區(qū)別，轎車前部相對較低，使騎車人頭部撞上汽車前部的響應(yīng)時間相對延長。

圖11 碰撞位置與碰撞車速與AIS 關(guān)系Fig.11 Relationship between collision location and collision speed with AIS

不同的碰撞類型對騎車人動力學(xué)相應(yīng)的影響有所不同，但騎車人損傷均隨著碰撞車速的增加而增大，轎車和SUV 車型與電動二輪車發(fā)生側(cè)碰時，騎車人頭部損傷較為嚴(yán)重，追尾碰撞（碰撞角度為0°和360°時）對騎行者造成的損傷最輕。而對于MPV 車型，在正面碰撞時，騎車人頭部損傷最嚴(yán)重。

3 結(jié)輪

本文基于NAIS 數(shù)據(jù)庫松江站點(diǎn)采集的典型十字路口電動自行車—汽車碰撞事故案例，對事故特征進(jìn)行深度分析，選取了事故重建所需的事故采集信息，運(yùn)用仿真軟件PC-Crash 對事故案例進(jìn)行重建，根據(jù)事故碰撞視頻與交警資料的描述可獲得更為準(zhǔn)確的事故發(fā)生整個過程，研究結(jié)果對車身設(shè)計(jì)、電動自行車騎車人保護(hù)設(shè)計(jì)、AEB 避撞策略設(shè)計(jì)等具有更直觀的參考價(jià)值。所得到的結(jié)論如下：

（1）在十字路口電動自行車—車碰撞事故中，大部分車輛與行人的第一碰撞點(diǎn)在車頭兩側(cè)，其中行人從車輛左側(cè)穿行的概率占59.7%，從車輛右側(cè)穿行的概率為31.5%。該結(jié)論為道路交通管理及車輛的主動安全系統(tǒng)的設(shè)計(jì)提供了重要參考依據(jù)。

（2）事故造成電動自行車騎車人損傷部位的特征，受傷害最多的部位是頭部，其次是大腿、臀部。因此，在車頭部設(shè)計(jì)時，有必要考慮到騎行人的腿部和臀部的保護(hù)。

（3）騎車人動力學(xué)響應(yīng)與汽車碰撞速度有關(guān)，碰撞速度越大，人頭部加速度越大。車型對騎車人的拋出距離有一定影響，其中MPV 車影響最大。

（4）不同的碰撞類型對騎車人動力學(xué)相應(yīng)的影響有所不同，整體來說側(cè)碰和正碰對騎車人的損傷較嚴(yán)重，追尾和迎面碰撞次之，但騎車人的損傷均隨著碰撞車速的增加而增大。