行人保护aPLI腿型吸能空间

为提高行人保护aPLI腿型的安全性能得分,以在整车开发预研阶段预留合理的吸能空间为目的,对aPLI腿型安全碰撞进行仿真,计算碰撞得分情况。基于简化仿真模型,使用优化软件计算得到针对轿车的行人保护aPLI腿部保护所需吸能空间,指导新车型行人保护开发设计。     

面向行人保护的车辆主动弹起式发动机罩数值仿真

为研究在车辆碰撞过程中主动弹起式发动机罩对行人头部的保护作用,考查行人头部损伤指标HIC值,比较接触式和非接触式发动机罩抬升传感器的动作时序,仿真BUCK标准车模型撞击6岁儿童假人的冲击过程,得到传感器的最小反应时间,据此判断主动弹起式发动机罩的作用效果。采用LS DYNA显式分析算法对某型轿车以45 km/h的初始速度撞击6岁儿童假人进行仿真分析,对比主动弹起式和非主动弹起式发动机罩的行人保护性能及其星级评定结果,由行人头部保护得分占比可知主动弹起式发动机罩可大幅提高行人头部碰撞保护性能。     

基于Euro NCAP 8.0行人上腿部评价规程的车辆前端结构设计与优化

欧盟新车评价规程（Euro NCAP）8.0版本对行人上腿部碰撞测试方法进行了修改,新的测试方法减小行人上腿部对车辆前端空间的要求,但是对其结构设计和硬点的布置等提出新的要求.从行人上腿部的碰撞位置、碰撞角度及能量等方面对比Euro NCAP新旧版本的不同.根据Euro NCAP 8.0行人上腿部的碰撞要求,对车辆前端结构设计进行分析,并针对某车进行试验,用CAE技术进行优化设计,使其满足Euro NCAP 8.0对行人上腿部碰撞的要求.     

基于行人头部保护的车辆吸能空间

对2018版C NCAP行人保护的头部保护法规进行研究,针对某现有车型,对发动机罩不同的位置进行区域划分,结合仿真与试验数据得到不同区域的典型头部碰撞加速度曲线。以此为依据仿真计算满足行人头部保护要求的吸能空间,可在整车开发的预研阶段对总体布置提出更准确的空间要求,为新车型行人保护的开发提供参考。     

汽车与行人碰撞的动力学响应仿真研究

行人保护是汽车安全研究领域的重要问题之一。该文旨在研究真实事故中汽车前碰撞行人的动态响应。基于这一点，使用了一个经过验证的行人数学模型，模拟真实碰撞事故中行人的动态响应。文中对行人模型的运动学响应以及真实事故记录进行了比较，并且计算了头、胸、骨盆、下肢等人体各部分与损伤相关的参数。基于模拟研究的结果，提出了减少行人损伤风险的城区限行时速和通过改进汽车前部结构减少行人碰撞损伤严重程度的可行措施。     

某国产汽车行人保护欧洲星级安全性能开发

本文借助在乘用车行人保护碰撞安全开发中累积的经验、阐述行人保护开发的一般过程。通过造型可行性分析、参数化设计等手段,结合仿真与试验对比分析、有限元分析对行人保护进行分析和优化,提升安全性能,最终达到欧洲星级评估目标要求。旨在探讨开发注意事项及关键点、为项目开发提供指导意见、从而提升效率、节省开发时间、为基于行人安全性的车辆安全设计提供参考。     

某国产汽车行人保护欧洲星级安全性能开发

正本文借助在乘用车行人保护碰撞安全开发中累积的经验,阐述行人保护开发的一般过程。通过造型可行性分析、参数化设计等手段,结合仿真与试验对比分析、有限元分析对行人保护进行分析和优化,提升安全性能,最终达到欧洲星级评估目标要求。旨在探讨开发注意事项及关键点,为项目开发提供指导意见,从而提升效率、节省开发时间,为基于行人安全性的车辆安全设计提供参考。     

行人保护仿真分析中的新型头部模型建模方法

为更精确地评价新车型行人保护头部碰撞的性能,提出一种新型头部碰撞模型构建方法.该方法基于传统头部模型,根据摩擦理论和试验经验,推导接触压力和接触面相对速度与摩擦因数的复合关系式,通过头部模型跌落冲击试验标定复合摩擦曲线参数,得到与真实行人头部吻合度更高的新型头部模型.某车型行人保护头部碰撞仿真计算表明,使用新型头部模型可极大地提高仿真的准确性.新型头部模型建模方法适用于不同法规对头部模型的要求,可提高新车研发效率.     

C-NCAP（2018）行人保护对汽车设计开发的影响

C-NCAP将从2018年开始引入对行人保护的评价。与Eruo NCAP相比,C-NCAP（2018）虽然取消WAD 775 mm的上腿部碰撞测试,但是行人保护总得分率要求却明显提高,对行人保护的要求更加严格。根据行人保护的基本要求,从汽车前端造型、总布置以及结构设计3方面,阐述C-NCAP（2018）行人保护测试规程对汽车设计的影响,为旧车型的改造以及新车型的开发提供借鉴与参考。     

智能轿车荣威550全时数字化

此次上市的荣威5501.8LDVVT自动挡车型延续了荣威550家族的“高性能数字智能轿车”的产品基因,在安全性能上,荣威550设计标准达到标准（NCAP）和中国标准（CNACP）五星级碰撞要求,主被动安全配备都非常齐全,甚至还将欧美市场推广的行人保护系统也应用到荣威550的军身设计中,充分延续了英系车的价值观。     

基于HPLF的行人再识别

为了更好的挖掘局部特征,提升行人再识别的精度,本文提出了一种利用水平池化提取局部特征的HPLF(Horizontal Pooling for Local Feature)算法,在ResNet-50网络中对输入的联合数据集进行预处理,提取特征,对ResNet-50网络生成的特征图进行水平切割,通过分割的特征图计算两两特征之间的距离,再用难样本三元组损失(Triplet loss with Hard example mining, TriHard loss)来作为局部特征损失函数训练,通过特征图计算全局距离,通过难样本三元组损失来训练,将这两个损失函数加上一个Softmax交叉熵损失函数,联合起来作为总的损失函数进行参数修正.实验结果表明:在Market1501数据集中, mAP (mean Average Precision), Rank-1, Rank-5, Rank-10等性能指标上, HPLF算法比其他算法有3%左右的提升.     

初始分布非均匀的行人流疏散仿真研究

为了有效模拟研究初始分布非均匀的行人流疏散问题,通过定义行人方向模糊可视域,改进了场域元胞自动机模型。模型中,行人的目标位置选择受到方向模糊可视域内行人之间的排斥力和吸引力、出口处行人分布、距可选位置相对距离三种因素共同作用。研究表明,改进模型能够有效地实现初始分布非均匀的行人流在疏散过程中的动态平衡;改进模型不依赖于各因素的影响系数,从而避免了影响系数量化过程的主观性和疏散系统的限制性;在疏散过程中,如果行人保持一个较大的视野半径,疏散系统能够实时提供出口处行人分布状态,就可以有效地提高行人流疏散效率。该研究有助于相关行人流疏散策略和方案的制定。     

基于AdaBoost-SVM级联分类器的行人检测

针对实时行人检测中AdaBoost级联分类算法存在的问题,改进AdaBoost级联分类器的训练算法,提出了Ada-Boost-SVM级联分类算法,它结合了AdaBoost和SVM两种算法的优点.对自定义样本集和PET图像库进行行人检测实验,实验中选择固定大小的窗口作为候选区域并利用类Haar矩形特征进行特征提取,通过AdaBoost-SVM级联分类器进行分类.实验结果表明AdaBoost-SVM级联分类器的分类器准确率达到99.5％,误报率低于0.05％,优于AdaBoost级联分类器,训练时间要远远小于SVM分类器.     

联合特征在行人检测中的应用

提出一种基于动态和静态联合特征的行人检测方法,用于运动背景下的行人检测。运动背景的检测难度在于背景与目标的分离,该方法采用一种改进的Nagel二阶梯度光流算法生成图像的光流场,从中提取行人运动特征(MBH)和IMH(internal motion histograms),增强特征重复性以提高鉴别能力。实验中使用Libsvm训练线性SVM(support vector machine)分类器,使用Mean Shift算法优化分类结果。实验在1 093组图像上获得98%的识别率,证明该方法可以在运动背景下的图像序列上获得较出色的检测效果。     

基于深度学习的行人数量统计方法

为了实现对视频中的行人进行实时、准确的人数统计,提出了一种基于深度学习的计数方法。首先,通过K-means聚类方法优化检测模型的先验框;其次,使用实际场景下获取的行人图像对深度学习模型YOLO-v3进行训练;然后利用Deepsort在线多目标跟踪算法跟踪多个行人并分别获取其轨迹;最后通过计数线法判断行人数量。该方法计数准确率可达89.2%,每帧检测时间可达65ms,且场景适应性强,鲁棒性好,可满足实时行人计数要求。     

基于多特征的行人检测算法

针对单特征辨识度较低的问题,提出一种基于多特征的行人检测方法.首先构造二维对数Gabor函数,利用此函数提取样本的相位一致性特征,将样本的相位一致性特征和样本的局部二值模式算子(LBP)特征相结合,得到新的行人检测方法.使用支持向量机(SVM)进行分类,并与基于HOG特征的检测方法进行比较,在INRIA行人数据库上的实验证明,基于多特征的检测方法提高了行人检测精度、降低了误检率,检测率高达99.4824％.     

基于Kinect的行人检测方法研究

行人检测技术是车辆辅助驾驶系统的基础技术,在车辆辅助驾驶系统中起着举足轻重的作用。笔者在国内行人检测技术研究基础上,在视觉传感器上找到突破,利用Kinect能获取行人关节的特点,创新性地采用Kinect对实际道路上的行人进行实时检测。实际道路检测表明,Kinect在开阔的道路上可准确实时地检测出行人,漏检率较低,满足实时性要求,但易受光照、遮挡以及行人姿态的影响。     

基于显著区域的行人检测算法

针对经典行人检测算法(HOG+SVM algorithm)因滑动窗口滑动次数过多引起的计算量过大问题,提出一种基于显著区域的行人检测算法。把提取的显著度和原图结合得出有效图,实现由整张图像行人检测到局部有效图行人检测的转变;用贝叶斯准则将有效区域和基于协方差的行人检测有机结合,达到在降低计算量的同时提高检测准确率的效果。在公开数据集INRIA上的实验结果表明,该算法降低了计算量,明显改善了误检率。     

基于R-FCN的行人检测方法研究

行人检测是计算机视觉中的研究热点,为了实现复杂场景下的行人检测,将基于区域的全卷积网络（Region-based Fully Convolutional Networks,R-FCN）引入行人检测中。针对行人检测中的遮挡、背景混淆干扰、小目标这三个难点,修改了R-FCN的搜索机制,引入目标行人的区域划分（上下半身）和背景混淆干扰行人的强化学习策略,加强了对遮挡行人和背景相似行人的学习。并在此基础上,对R-FCN的输出进行二次分类学习。实验结果表明,通过对R-FCN的改进,可有效地缓解行人遮挡、背景混淆干扰和小目标条件下,传统R-FCN网络的漏报和误判问题。     

基于激光雷达数据的行人检测

在自动驾驶领域涉及的众多任务中,行人识别是必不可少的技术之一。针对基于图像数据的行人检测算法无法获得行人深度的问题,提出了基于激光雷达数据的行人检测算法。该算法结合传统基于激光雷达数据的运动目标识别算法和基于深度学习的点云识别算法,可以在不依赖图像数据的条件下感知和检测行人,进而获取行人的准确三维位置,辅助自动驾驶控制系统作出合理决策。该算法在KITTI三维目标检测任务数据集上进行性能测试,中等难度测试达到33.37%的平均准确度,其表现领先于其他基于激光雷达的算法,充分证明了该方法的有效性。