基于不确定度理论与遗传算法的机动车事故分析方法与流程

本发明属于数据分析和仿真技术，具体的涉及一种基于不确定度理论与遗传算法的机动车事故分析方法。

背景技术：

因电动自行车同时具备传统脚踏自行车轻便灵活以及摩托车经济快捷的优点，其需求逐年增加，伴随电动自行车产业的蓬勃发展，我国电动自行车产业规模已跃居世界第一。与此同时，汽车与电动自行车交通事故日益突出，涉及电动自行车事故发生数以及伤亡人数均呈逐年上升趋势，严重影响交通秩序，引起了强烈的社会影响。汽车与电动自行车碰撞事故频发，涉及到汽车与电动自行车、骑车人间的相互碰撞。目前在处理无道路监控覆盖路段的电动自行车事故时，鉴定方法较为单一，并且就责任划分等方面存在诸多困难和主观性影响，囿于事故现场数据采集存在误差，在车速鉴定时往往存在较大的误差，责任划分常存在较大争议。

因此对事故过程进行分析，适当运用典型公式，探究科学的车速计算方法，客观真实地再现事故过程，对事故责任判定以及交通事故预防有着重要意义，同时也可以为汽车与电动自行车厂商在安全性设计时提供理论基础、为道路交通安全相关法规的建立健全提供参考依据。

技术实现要素：

发明目的：针对上述现有技术在处理交通事故上的不足，本发明旨在提供一种基于不确定度理论与遗传算法的机动车事故分析方法，实现交通事故现场的数据采集和验证，提高车速预测的精准性。

技术方案：一种基于不确定度理论与遗传算法的机动车事故分析方法，包括如下步骤：

(1)采集交通事故现场数据，包括骑车人抛距lp、人体与路面间摩擦系数μ、等效质心高度hp、碰撞抛射角度θ；

(2)基于事故现场数据，建立车速预估模型，计算事故发生时的机动车速度值；

(3)车速的不确定度评定，包括划分a类评定和b类评定，计算机动车发生事故的最佳碰撞车速取值区间；

(4)将机动车发生事故的速度区间作为约束条件，通过遗传算法求解最佳碰撞车速；

(5)根据最佳碰撞车速值进行模拟仿真，包括通过有限元法和多刚体法验证事故现场数据，得出事故原因及结论。

进一步的，步骤(2)中通过电动自行车及其骑车人抛距的初步估算汽车碰撞速度的计算公式如下：

式中，mp为骑车人质量，mc为汽车质量，me为电动自行车质量，hp、he分别为骑车人与电动自行车等效质心高度，μ、f分别为骑车人、电动自行车与路面间的摩擦系数，θ、θe分别为骑车人、电动自行车抛出角度。

步骤(3)所述的不确定度评定计算如下：

测量获取车辆和人员质量，g为重力加速度，基于骑车人抛距lp、人体与路面间摩擦系数μ、等效质心高度hp、碰撞抛射角度θ作为不确定因子进行不确定度评定，碰撞速度表达式为：

vc＝f(μ、θ、hp、lp)

上式中各不确定因子的传播系数如下：

步骤(4)包括如下计算过程：

设目标函数为f(l,v)，其中l为事故发生后电动自行车或骑车人抛距值的集合，v为碰撞速度的集合，通过不确定度评定得到的汽车碰撞速度最佳取值区间；碰撞后电动自行车及汽车人抛距与实际最为吻合的碰撞速度模型如下所示：

上式为求解基于遗传算法求解得到的电动自行车抛距和骑车人抛距与实际测量结果间误差的数学模型，对于求解最接近真实事故的汽车碰撞速度问题，其目标函数的数学模型如下所示：

式中：vc、μ、f、θ、θe、hp、he均为变量。

步骤(5)通过pc-crash仿真进行仿真，包括根据事故现场数据进行建模和碰撞过程骑车人的运动姿态信息、电动车骑车人头部损伤hic值计算。

有益效果：与现有技术相比，其显著的效果在，本发明在汽车与电动自行车事故再现中可提高计算精度和可靠性，对事故责任判定以及交通事故预防有着重要意义，同时也可以为汽车与电动自行车厂商在安全性设计时提供理论基础、为道路交通安全相关法规的建立健全提供参考依据。

附图说明

图1是本发明所述方法的分析流程图；

图2是本发明中汽车与电动自行车事故特征性分析流程图；

图3是本发明中汽车与电动自行车事故的计算方法结构图；

图4是本发明中事故车速计算流程图；

图5是本发明在事故数据仿真时的流程图；

图6是本发明所述有限元法求解事故数据的流程图；

图7是本发明所述多刚体法求解事故数据的流程图。

具体实施方式

为了详细的说明本发明所公开的技术方案，下面结合具体实施例和说明书附图做进一步的阐述。

本发明所提供的是一种基于不确定度理论与遗传算法的机动车事故分析方法，方法包括：通过事故现场采集到的数据建立车速预估模型，针对输入参数的不确定性进行车速不确定度评定，得到汽车碰撞车速的取值区间，为准确判断汽车是否超速，运用遗传优化算法求解最佳碰撞车速，最后结合计算机仿真与人体损伤对比验证。

本实施例以汽车和电动自行车事故为例，主要的步骤如下：

步骤一、事故现场数据采集

包括车辆最终停止位置、车窗玻璃碎片散落情况、车辆制动痕迹、涉事车辆相关参数、人体相关参数、路面种类及道路类型、天气状况等；

具体的，步骤一包括根据事故特性进行分析，如图2所示，主要包括根据事故现场采集到的数据判断事故成因，并对事故进行分类；对碰撞过程做出相应的假设，并分析骑车人的运动过程；结合人体的损伤部位，研究骑车人的损伤机理。

步骤二、建立车速预估模型

根据事故类型以及事故现场是否有道路监控覆盖，建立汽车碰撞速度预估模型，如图3所示，主要包括在有道路监控的路段运用如帧间差法等方法进行车速计算；在无道路监控覆盖的情况下，通过冲量原理建立车速计算模型、基于路面制动痕迹以及碰撞抛距等信息建立车速计算模型等；

步骤三、车速不确定度评定

针对车速预估模型中输入参数的不确定性，分别进行不确定度评估，通过不确定度合成、扩展，得到汽车最佳碰撞速度取值区间，如图4所示。

步骤四、遗传算法求解最佳碰撞车速

将通过不确定度评定得到的最佳碰撞车速取值区间作为约束条件，利用遗传算法进行最佳车速求解，如图5所示，主要包括建立车速优化目标函数，并进行编码，创建初始种群，计算种群的适应度，通过遗传操作，如选择、交叉、变异等以满足终止条件，从而得到最佳碰撞车速；若不满足终止条件，则重复上述步骤直到吻合；

步骤五、计算机仿真

将通过遗传算法求解得到的最佳汽车碰撞车速作为输入参数进行计算机仿真。主要分为有限元法和多刚体法，如图6和图7所示。主要包括建立汽车、骑车人、电动自行车碰撞模型，设置对应仿真参数并进行求解。

有限元法，主要包括建立汽车与电动自行车几何模型，并进行网格划分，随后对划分完成的模型进行零部件定位、材料和属性设置、连接设置、载荷设置、约束设置、计算和输出设置等，并提交相应求解器进行计算。提取计算结果并导入后处理软件，分析计算结果，若与实际吻合则完成事故再现，若不吻合，则调整参数重复上述操作；

多刚体法，主要包括根据事故现场及其他途径采集到的事故信息，建立汽车与电动自行车及骑车人多刚体模型，设置相应参数，如车辆的初速度、碰撞角度等并运用pc-crash进行仿真计算。分析计算结果，若与实际吻合则完成事故再现，若不吻合，则调整参数重复上述操作；

步骤六、人体损伤情况对比分析,包括头部损伤分析、胸部损伤分析、下肢损伤分析等。

步骤七、车辆损伤情况对比分析，包括汽车后视镜、引擎盖、挡风玻璃、保险杠等位置损伤情况以及电动自行车车体损伤情况。

步骤八、人车最终停止位置对比分析,事故结束后，汽车、电动自行车、骑车人之间相对位置分析。

步骤九、多次试验直到得到与实际事故最为吻合的仿真结果。

步骤十、输出最终汽车碰撞速度，完成汽车与电动自行车事故再现。

具体的，综合图1-图7所示的内容，本发明所述方法的处理和分析过程如下：

1.1汽车碰撞速度初步估算

城市郊区或乡村道路往往没有覆盖监控设备，无法利用视频图像求解汽车碰撞前车速。此时，可以通过分析事故现场遗留下的痕迹，找出其与汽车碰撞速度的关系，建立相应数学模型求解汽车碰撞速度。

当现场汽车制动痕迹无法准确测量时，可以通过电动自行车或骑车人的抛距建立汽车碰撞车速求解模型。汽车与电动自行车碰撞事故过程复杂，但如果将电动自行车及其骑车人简化为质点，再根据抛物运动学公式便可以建立质点的抛物运动模型，这样就可以较为简便的计算出碰撞前车速。

利用电动自行车及其骑车人抛距初步估算汽车碰撞速度的方法如下：

式中，mp为骑车人质量，mc为汽车质量，me为电动自行车质量，hp、he分别为骑车人与电动自行车等效质心高度，μ、f分别为骑车人、电动自行车与路面间的摩擦系数，θ、θe分别为骑车人、电动自行车抛出角度。

1.2汽车碰撞速度不确定度评定

在建立汽车与电动自行车事故车速估算模型过程中，为降低模型复杂度作出了若干假设，模型中相关输入参数(如车辆轮胎与路面之间附着系数、碰撞位置等)的取值仅通过测量或经验估算而来，而这些参数对求解汽车碰撞车速的准确度存在一定影响，求解出的汽车碰撞速度必将存在一定误差。因此有必要对相关参数进行不确定度评定，使得在输入参数存在不确定性的情况下，仍能保持较高的求解精度，从而提高汽车与电动自行车碰撞事故的再现可靠性。

标准不确定度的常用评定方法有两种，即a类评定和b类评定。

1.3基于遗传算法的车速计算方法

利用不确定度理论能够较好地求出各不确定因子引起的误差，对汽车碰撞速度进行不确定度评定可以得到碰撞车速的最佳取值区间，但是当事故发生路段限速处于该取值区间内时，往往难以判断汽车是否超速行驶。

遗传算法(geneticalgorithm)是一种借鉴自然选择和进化的自适应概率优化技术，简称ga,它是一种全局随机搜索和优化的方法，可以同时大规模地搜索多个目标的最优解，无论在建模还是解决实际问题方面都有广泛的应用，可以利用遗产算法在该取值区间内求解出最佳碰撞车速。

1.4电动自行车及骑车人模型

在最佳碰撞车速求解完成后，可通过分析电动自行车和骑车人在事故中的运动及损伤情况验证车速计算方法的可靠性。在pc-crash中建立电动自行车及其骑车人的多刚体模型。将人身体各部分看作形状大小各异的刚体，相互之间通过旋转关节连接，本文采用已经通过开发人员假人试验得到的验证模型，包含头部、躯干、骨盆、上肢、下肢和脚等24个刚体；电动自行车主要包含把手、车架、前后轮、座椅、电池等部位，各部位通过铰链连接，通过测量可以得到电动自行车各部分几何参数。

实施例2

驾驶员甲驾驶某型轿车沿104乡道由东向西行驶，至附近乡村道路交叉口时，与驾驶电动自行车由南向北的乙发生碰撞，事故中，电动自行车骑车人颅脑死亡，汽车与电动自行车均存在不同程度损坏，事发区域未覆盖道路监控。根据警方调查信息、事故现场照片、以及事故现场图可知，该事故发生路段为干燥混凝土路面，轿车上另载有一名乘客，电动自行车未载有其他人。

事故发生后，轿车头西尾东停止于104乡道道路中央偏西位置，现场地面留下其长2m的制动痕迹，痕迹起点距离其静止后左后轮约12m。涉事电动车头北尾南卡在轿车车头前，现场地面留下其倒地划痕，划痕起点距离轿车停车后尾部约9m，骑车人被抛至轿车车头右前方，最终停止位置距电动自行车划痕起点约18.5m，根据事故车辆过磅信息可知轿车整备质量1380kg，电动自行车质量74.5kg。通过在事故路段试验可以获得汽车、电动自行车与路面间附着系数，涉事车辆基本信息见表1。

表1汽车与电动自行车基本信息

将上述信息带入骑车人抛距—碰撞速度模型，解得汽车等效碰撞速度vc1＝52.82km/h。

2.2不确定度评定

观察模型(1)，式中车辆和人员质量均能通过测量得到，重力加速度为常数，取值为9.8m/s²，共包含4个不确定参数，分别为骑车人抛距lp、人体与路面间摩擦系数μ、等效质心高度hp、碰撞抛射角度θ。为探究这些参数对碰撞速度的影响，可将这些参数均看作不确定因子并进行不确定度评定，模型(1)可改写为：

vc＝f(μ、θ、hp、lp)(3)

式(3)中各不确定因子的传播系数如下：

取其在正态分布值0.9544下的包含因子kp为2，对各不确定度因素评定结果进行汇总，如表2所示：

表2汽车碰撞车速不确定度评定表

根据误差合成理论，等效碰撞速度vc的相对合成标准不确定度为:

则汽车等效碰撞速度的相对扩展不确定度为：

u′＝kpu′(v)＝2.48％

根据骑车人抛距—碰撞速度模型所求最佳车速取值范围为：

从计算结果中可以看出，骑车人与路面间摩擦系数μ的不确定度传播系数最大，为11.075，说明该参数对汽车与电动自行车事故碰撞车速的求解精度有着重要影响。汽车等效碰撞速度的相对扩展不确定度为2.48％，远小于5％，说明不确定度评定方法对碰撞车速计算误差起到了很好的控制作用。

2.3遗传算法优化求解最佳汽车碰撞速度

经过对各不确定参数进行评定得到了汽车等效碰撞速度的最佳取值范围，为进一步提高事故再现精度，准确判定汽车是否超速，将汽车等效碰撞车速看作变量，当变量确定后，还需确定约束条件。

汽车与电动自行车碰撞事故中，由于电动自行车车身结构的不稳定性，在巨大撞击力的作用下运动状态将瞬间改变，电动自行车将会触地滑移并在路面产生划痕。将倒地后的电动自行车移至划痕起点进行定位，再扶正车体，碰撞接触点必将投影于电动自行车前后轮连线上，结合汽车与电动自行车损伤位置及形状便可定位碰撞发生位置，进而便可较为准确的测得电动自行车及其骑车人抛距。

可以将碰撞速度最优化问题描述为：给定一个目标函数f(l,v)，其中l为事故发生后电动自行车或骑车人抛距值的集合，v为碰撞速度的集合，即通过不确定度评定得到的汽车碰撞速度最佳取值区间。

为求解出能够使得碰撞后电动自行车及汽车人抛距与实际最为吻合的碰撞速度，模型(1)、(2)可变形为：

式(8)为求解基于遗传算法求解得到的电动自行车抛距和骑车人抛距与实际测量结果间误差的数学模型，对于求解最接近真实事故的汽车碰撞速度问题，其目标函数可以用如下数学模型描述：

式中vc、μ、f、θ、θe、hp、he均为变量。定义目标种群大小为100，迭代80次，其收敛过程。

可以看出，在利用遗传算法优化后的碰撞速度下，电动自行车及骑车人抛距与实际误差最小，误差控制在0.05m左右，说明遗传算法起到了很好的优化效果。

利用遗传算法计算所得最优解见表3：

表3遗传算法最优解

3pc-crash仿真及对比验证

3.1pc-crash仿真

为验证上述方法可靠性，本节将运用pc-crash软件对该事故发生过程进行仿真模拟。根据事故现场照片、事故现场图以及卫星地图建立事故路段道路模型。道路模型基本信息见表4：

表4事故道路参数

涉事车辆为2013款buickexcellegt，对实车进行测量得到其几何参数，载入pc-crash数据库中近似车型并设置相应参数(如汽车外观、质量、乘员情况等)，建立车辆模型。为使仿真结果与实际吻合，在车辆基本参数设定完成后，还需对车辆驾驶方案、行驶速度、减速度、制动因素等驾驶动态进行设置。

事故道路、汽车、电动自行车及其骑车人模型搭建完成后，将车辆、电动自行车及其骑车人放置合适位置，不断调整各模型间相对位置、运动速度、碰撞角度、汽车轮胎与地面附着系数、电动自行车及其骑车人与地面间摩擦系数等参数，使得误差尽量降低，最终要求仿真结果与事故现场痕迹相吻合，能够准确再现事故发生过程。

观察涉事车辆受损情况，可以发现引擎盖受损位置约位于汽车纵轴线处，且电动自行车纵轴与汽车纵轴近似垂直，因此可以大致确定汽车前端与电动自行车右侧面发生垂直碰撞。用pc-crash进行了50次模拟试验，当仿真参数如表5设定时，可以发现仿真所得结果与真实事故现场最为吻合。

表5仿真参数设置

3.2碰撞过程骑车人运动姿态分析

通过分析碰撞过程中骑车人损伤情况，结合骑车人碰撞过程中的运动姿态，可以还原汽车与电动自行车碰撞事故发生过程。提取骑车人右下肢综合加速度曲线，可以发现在t＝0.099s时骑车人右侧小腿所受加速度急剧上升至最大峰值3351.99m/s²，可以推断此时电动自行车骑车人第一次与汽车发生碰撞。

在惯性作用下骑车人继续撞向汽车，提取骑车人右股骨综合加速度曲线，可以发现紧接着在t＝0.102s，骑车人右侧股骨所受加速度急剧增长到较高峰值1195.59m/s2，可以推断此时骑车人右侧股骨与汽车相撞。

提取骑车人头部综合加速度曲线，可以发现t＝0.15s时骑车人头部综合加速度急剧上升达到峰值1472.03m/s2，可以推断此时电动自行车骑车人头部第一次与汽车发生碰撞。

3.3电动自行车骑车人头部损伤评价

选择头部损伤(hic)值作为电动自行车骑车人损伤评价指标，计算hic可以发现，在t＝0.165s时，骑车人hic达到最大峰值3183.36，见表6。

表6最高峰值时hic值

当t＝1.719s时骑车人头部所受撞击达到第二峰值，hic＝551.12，见表7。

表7第二峰值时hic值

由此可知最大峰值时，即骑车人头部与汽车挡风玻璃碰撞时的hic值(hic＝3183.86)远远大于人体能够承受冲击伤害的安全界限值(hic＝1000)，是造成骑车人死亡的主要原因，也与司法鉴定结果中骑车人死于颅脑损伤相吻合，验证了仿真结果的可靠性。

3.4车体损伤及人车最终停止相对位置对比验证

通过仿真可以看出：碰撞发生后，骑车人小腿先与汽车前端接触，瞬间产生巨大的冲击力，在惯性作用下，骑车人上半身做绕卷运动并倒向汽车引擎盖，随后股盆、右侧大腿及手臂与汽车引擎盖碰撞，撞击力使得汽车进气格栅上端偏右位置凹陷。

在t＝0.15s时，骑车人头部与汽车挡风玻璃相撞，随后背部与挡风玻璃接触并继续向后滑移。

同样，挡风玻璃损伤位置也完全吻合，充分验证了仿真结果的有效性。

碰撞结束后，电动自行车卡在汽车正前方，与汽车前端轮廓线平行，与现场照片中两车最终停止位置吻合。用度量工具测得仿真中电动自行车最终停止位置距碰撞发生位置约14.38m，从事故现场测得电动自行车倒地划痕长度为13.671m；仿真中骑车人最终停止于汽车右前方，距碰撞发生位置18.98m，从事故现场测得骑车人最终位置距碰撞位置18.5m。

为体现利用遗传算法进行汽车与电动自行车事故再现方法的优越性，使用未经不确定度评定及遗传算法优化处理的碰撞车速进行相同条件下仿真，仿真结果如表8所示。

表8仿真结果对比

将仿真结果与现场测量数据对比可以发现，输入优化后碰撞车速得到的仿真结果中，骑车人碰撞抛距与实际测得抛距误差为2.59％，电动自行车碰撞抛距误差为1.91％；而输入未经优化的碰撞车速进行仿真时，骑车人抛距与实际误差为6.59％，电动自行车抛距与实际误差为7.47％，远远高于车速优化后的仿真结果。因此，本发明提出了汽车与电动自行车事故再现方法有着更高的精度以及更好的可靠性。

通过以上实施例表明，本发明所提出的不确定度评定方法对碰撞车速计算误差起到了很好的控制作用。并且，基于不确定度理论和遗传算法的汽车与电动自行车事故再现方法，能够在预估车速区间内求得最佳碰撞车速。最后试验表明，相对于未经优化的传统车速计算方法，本发明所述方法能提高再现精度4％～6％。能够更加准确的进行事故再现，对汽车与电动自行车事故车速鉴定以及责任划分具有重要意义。