摘要：在車輛遇到危險時，自動緊急制動（AEB）系統(tǒng)的介入會使碰撞事故發(fā)生時刻駕駛員處于前傾離位姿態(tài)?；谡Ｗ嗽O(shè)計的約束系統(tǒng)對不同前傾程度下的駕駛員可能會降低保護效果。為此，進行緊急制動志愿者實車試驗，依此構(gòu)建包含4種坐姿的離位坐姿約束系統(tǒng)模型，全面考慮不同坐姿，利用modeFRONTIER軟件與MADYMO軟件搭建聯(lián)合仿真優(yōu)化平臺。選取拉丁超立方試驗設(shè)計方法進行初始采樣，運用徑向基函數(shù)法構(gòu)建響應(yīng)面近似模型，利用第二代非支配遺傳算法（NSGA-Ⅱ）得到最優(yōu)匹配。結(jié)果表明：4種坐姿下中國新車評價規(guī)程（C-NCAP）得分均有所提高，總得分提高3.8分；優(yōu)化后的約束系統(tǒng)參數(shù)合理有效，對于正常坐姿與不同離位坐姿下的駕駛員均具備較好的保護效果。

關(guān)鍵詞：駕駛員損傷；自動緊急制動系統(tǒng)；離位坐姿；約束系統(tǒng)；參數(shù)優(yōu)化

0 前言

隨著自動緊急制動（AEB）系統(tǒng)在國產(chǎn)車輛的普及率不斷提高，相關(guān)研究顯示，在AEB系統(tǒng)達到100%的市場滲透率時，中國每年交通事故死亡人數(shù)可減少13.2%，受傷人數(shù)可減少9.1%。同時，中國配備AEB系統(tǒng)的智能汽車市場滲透率預(yù)計在2025年達到34.0%，在 2030年達到60.3%[1]。然而，在事故無法避免的工況中，AEB系統(tǒng)的介入會使車內(nèi)駕乘人員的姿態(tài)發(fā)生不同程度的前傾，即處于離位狀態(tài)[2]，如圖1所示。鑒于此，基于正常坐姿設(shè)計的乘員約束系統(tǒng)能否為前傾離位駕乘人員提供足夠的保護效果，以及是否需要考慮不同離位坐姿下的約束系統(tǒng)優(yōu)化，均需加以研究。

1 離位坐姿約束系統(tǒng)模型構(gòu)建

首先，設(shè)計并開展了車輛緊急制動志愿者實車試驗。在試驗過程中，利用駕駛機器人輸入不同制動減速度曲線，借助車載高清高速攝像機采集志愿者的動態(tài)響應(yīng)。最終，利用計算機視頻處理軟件提取志愿者頭部、肩部等部位的離位數(shù)據(jù)。

本研究從志愿者實車試驗中選取最小程度離位、中等程度離位與最大程度離位3種典型離位姿態(tài)，定義為輕度前傾坐姿、中度前傾坐姿與嚴(yán)重前傾坐姿，見表1。依據(jù)選取的3種典型離位姿態(tài)，采用MADYMO軟件建立并驗證正面碰撞約束系統(tǒng)模型，并對于模型中Hybrid Ⅲ假人進行重新定位，建立了包括正常坐姿（NP）、輕度前傾坐姿（OOP90）、中度前傾坐姿（OOP187）、嚴(yán)重前傾坐姿（OOP260）在內(nèi)的4種坐姿下駕駛員前傾離位正面碰撞約束系統(tǒng)模型，如圖2所示。

對于表1中的4種坐姿進行仿真運算，按照中國新車評價規(guī)程（C-NCAP）進行評估，得分見表2。

由表2可以看出：正常坐姿、輕度前傾坐姿和中度前傾坐姿下，頭部得分為滿分（5分）；但在嚴(yán)重前傾坐姿下，由于發(fā)生氣囊掃臉而扣1分。在4種坐姿下，頸部失分均較多。胸部失分隨著前傾坐姿的增大而增加。輕度與中度前傾姿態(tài)下的得分與正常坐姿得分相比略有減小，而嚴(yán)重前傾坐姿下的扣分相對更多。

2 優(yōu)化平臺設(shè)計與建立

約束系統(tǒng)的優(yōu)化設(shè)計具備強非線性特點，且涵蓋多維度的設(shè)計參數(shù)及人體多個部位的損傷值。如果對假人各部位的損傷值都進行優(yōu)化，工作量較大，且可能因優(yōu)化目的不明確而導(dǎo)致突出傷害值的優(yōu)化效果不佳。同時，數(shù)個損傷值的多目標(biāo)優(yōu)化由于收斂速度慢、可觀測性差等原因并不適用于本研究。通過為假人各部位合理分配適當(dāng)權(quán)重值進行單目標(biāo)優(yōu)化，能夠迅速、有效地獲取直觀的約束系統(tǒng)匹配參數(shù)。本文在modeFRONTIER軟件中搭建聯(lián)合仿真優(yōu)化模型，將優(yōu)化目標(biāo)選定為4種坐姿下C-NCAP 2024版中正面碰撞對前排Hybrid Ⅲ假人的評分之和。

在正常坐姿、輕度前傾坐姿、中度前傾坐姿下，頭部得分為5分；在嚴(yán)重前傾坐姿下，頭部損傷值雖在高性能限值之下，但因氣囊掃臉罰分1分，最終得分為4分，且嚴(yán)重前傾導(dǎo)致的氣囊掃臉情況無法通過約束系統(tǒng)參數(shù)的優(yōu)化避免。各種坐姿下大腿部位得分為滿分（2分），而頸部、胸部、小腿部位存在不同程度的扣分。對于扣分項，根據(jù)插值計算系數(shù)以設(shè)計目標(biāo)函數(shù)，并將其極限值作為約束條件。同時，為防止優(yōu)化某些參數(shù)減小部分損傷值時，使其他原本未失分項損傷上升過多，將C-NCAP評分中未扣分項損傷值的高性能限值作為優(yōu)化過程的約束，以防止導(dǎo)致其他項目扣分。最終優(yōu)化約束條件見表3，設(shè)計參數(shù)及其取值范圍定義見表4。

3 試驗設(shè)計

目前，在約束系統(tǒng)仿真優(yōu)化中較為常用的試驗設(shè)計方法有全因子法、正交法、均勻試驗法、拉丁超立方法等。拉丁超立方試驗設(shè)計的基本原理是先將設(shè)計空間進行均勻等分劃分，然后在每一個劃分空間中隨機選取采樣點，最后將各個空間中選取的采樣點集合起來作為最終的初始探索參數(shù)組合。該方法可以保證樣本點的均勻性和隨機性。相較于其他幾種方法，拉丁超立方法具備以下顯著優(yōu)勢：① 拉丁超立方法能夠在有限的采樣點下將空間進行有效填充；② 拉丁超立方法具備擬合二階甚至更高階的非線性響應(yīng)；③ 拉丁超立方試驗設(shè)計可以研究更多設(shè)計水平的組合。

拉丁超立方法與本研究中約束系統(tǒng)參數(shù)優(yōu)化的特征較為吻合，因此本研究采用拉丁超立方法進行試驗設(shè)計，并確定樣本點數(shù)目為30個。該方法下各參數(shù)的試驗設(shè)計（DoE）值見表5。

4 響應(yīng)面代理模型與智能優(yōu)化

4. 1 響應(yīng)面代理模型的構(gòu)建

目前，在科學(xué)研究與工程應(yīng)用中常用的響應(yīng)面代理模型有多項式擬合法、神經(jīng)網(wǎng)絡(luò)算法、支持向量回歸法、Kriging代理模型法、徑向基函數(shù)法等[3]。其中，多項式擬合法在擬合高度非線性函數(shù)時具有局限性，神經(jīng)網(wǎng)絡(luò)算法需要大規(guī)模的訓(xùn)練數(shù)據(jù)集和大量計算資源，并且自身學(xué)習(xí)速度較低。因此，初步選取支持向量回歸法、Kriging代理模型法、徑向基函數(shù)法作為本研究中近似模型代理的方法，并根據(jù)三者的擬合程度高低選取最終近似代理模型方法?；跇?gòu)建的30組拉丁超立方采樣點（見表5），將其中70%設(shè)置為訓(xùn)練集，30%設(shè)置為驗證集。以4種坐姿下C-NCAP總得分為目標(biāo)，選取上述3種方式構(gòu)建響應(yīng)面并進行擬合程度的驗證，得到的擬合系數(shù)（R2）對比見表6。

由表6可以看出：對于4種坐姿下的總得分，徑向基函數(shù)法的擬合系數(shù)最高。因此，本文最終采用徑向基函數(shù)法來構(gòu)建設(shè)計變量的響應(yīng)面代理模型。

由假人C-NCAP總得分與各設(shè)計參數(shù)之間的響應(yīng)面分析可知，總得分隨著各參數(shù)之間的改變而變化較為復(fù)雜，但研究中依然可以憑借響應(yīng)面曲線判斷不同變量之間的交互影響作用以及對假人4種坐姿下總得分的影響趨勢。因此，本文選用恰當(dāng)?shù)膬?yōu)化算法，針對優(yōu)化目標(biāo)對約束系統(tǒng)設(shè)計參數(shù)進行進一步優(yōu)化與匹配。

4. 2 智能優(yōu)化算法設(shè)計優(yōu)化

目前，許多智能算法在學(xué)術(shù)研究與工程應(yīng)用界得到應(yīng)用，其中常用的算法有粒子群算法（PSO）、模擬退火算法（SA）、遺傳算法（GA）等。PSO的搜索能力有限，最終解可能只是局部最優(yōu)而并非全局最優(yōu)。SA的缺點是退火速率較難控制，退火速率設(shè)置快則難以找到最優(yōu)解，退火速率設(shè)置慢則計算收斂用時過長。而第二代非支配遺傳算法（NSGA-Ⅱ）不僅保留了全局搜索能力，與非線性、高維度問題相適配[4]，而且降低了算法的計算復(fù)雜度，提高了傳統(tǒng)算法的魯棒性[5]，與本研究較匹配。因此，選取該方法，其主要思路與步驟如圖3所示，優(yōu)化后約束系統(tǒng)各參數(shù)取值見表7。其中，Gen為遺傳代數(shù)，Gen，max為最大遺傳代數(shù)，P為父代種群，Q為子代種群，R為合并后種群。

在各種坐姿的最優(yōu)約束系統(tǒng)參數(shù)組合下，氣囊點火時刻提前了約1.81 ms，肩帶預(yù)緊時刻提前了約4.22 ms，泄氣孔CDEX值取1.867 06，代表泄氣孔尺寸半徑由30 mm增大至40.99 mm，增大幅度為36.64%，一級限力減少約493 N。肩帶預(yù)緊時刻提前能夠更好地約束假人上半身，防止其產(chǎn)生更嚴(yán)重的前傾姿態(tài)，一級限力降低能夠有效減少胸部壓縮量。而安全氣囊點火時刻提前與泄氣孔尺寸增大均能降低安全氣囊對于胸部、頭部的接觸力，使得各種坐姿下頸部與胸部損傷得到減輕。

5 各種坐姿下優(yōu)化效果驗證

將NSGA-Ⅱ優(yōu)化后的約束系統(tǒng)參數(shù)代入MADYMO軟件中進行4種坐姿下的仿真。4種坐姿下部分損傷優(yōu)化前后曲線對比如圖4～圖8所示。

由圖可知，經(jīng)過NSGA-Ⅱ優(yōu)化后，不同坐姿下各扣分項損傷值整體均得到降低，優(yōu)化效果較好。4種坐姿在約束系統(tǒng)參數(shù)優(yōu)化后各部位C-NCAP得分見表8。

對比表2和表8可知：經(jīng)過NSGA-Ⅱ優(yōu)化得到的約束系統(tǒng)最優(yōu)參數(shù)對胸部得分與頸部得分的優(yōu)化效果較好，而對小腿部位得分的改善則一般；4種坐姿下得分分別增加了0.34分、0.68分、0.71分、2.07分，提升幅度分別為2.38%、4.89%、5.00%、16.77%；4種坐姿下C-NCAP總得分由54.72分提升至了58.52分，增加了3.8分，提升幅度為6.94%。這說明優(yōu)化后的約束系統(tǒng)參數(shù)合理有效，對不同坐姿下的駕駛員均具備較好的保護效果。

6 結(jié)語

全面考慮4種坐姿，利用modeFRONTIER軟件與MADYMO軟件搭建了聯(lián)合仿真優(yōu)化平臺。初步選取支持向量回歸、Kriging近似代理模型法、徑向基函數(shù)法3種方法構(gòu)建近似模型，最終根據(jù)擬合系數(shù)的大小選取徑向基函數(shù)法作為本研究中的響應(yīng)面代理模型，其對于4種坐姿下C-NCAP總得分的擬合系數(shù)為0.853 062，擬合程度較好。選取NSGA-Ⅱ作為本研究中的優(yōu)化算法，最終得到4種坐姿下約束系統(tǒng)參數(shù)的最優(yōu)匹配。

相比于原有參數(shù)，氣囊點火時刻提前了約1.81 ms，肩帶預(yù)緊時刻提前了約4.22 ms，泄氣孔尺寸半徑由30 mm增大至40.99 mm，一級限力減少約493 N。在該參數(shù)組合下，4種坐姿下得分分別增加0.34分、0.68分、0.71分、2.07分，說明優(yōu)化效果較好。優(yōu)化后的約束系統(tǒng)參數(shù)合理有效，對不同坐姿下的駕駛員均具備較好保護效果。同時也表明了針對現(xiàn)有約束系統(tǒng)參數(shù)進行優(yōu)化與匹配對于提升AEB系統(tǒng)介入的各種坐姿下汽車的安全性具備可行性。

參考文獻

[1] 中華人民共和國國家統(tǒng)計局.交通事故數(shù)據(jù)[EB/OL].[2023-12-26].https：//data.stats.gov. cn/easyquery.htm？cn=C01.

[2] 李月明，王鵬翔，張毅，等.自動緊急制動對約束系統(tǒng)保護功能影響的研究[J].汽車技術(shù)，2022（10）： 16-23.

[3] 王珂.基于AEB信號的集成式約束系統(tǒng)仿真與優(yōu)化分析[D].重慶：重慶理工大學(xué)，2018.

[4] 王達.針對多目標(biāo)優(yōu)化的精英保留非劣排序遺傳算法[J].河南化工，2005（4）：9-11.

[5] 高媛.非支配排序遺傳算法（NSGA）的研究與應(yīng)用[D].杭州：浙江大學(xué)，2006.