Детальная информация

С быстрым развитием технологий интеллектуальных подключенных автомобилей системы распознавания окружающей обстановки на основе зрительного восприятия стали ключевым компонентом активной безопасности транспортных средств. Однако традиционные системы пассивной безопасности — в особенности контроллеры подушек безопасности — по-прежнему полагаются на логику обнаружения столкновения с помощью чисто физических датчиков, что приводит к двум неотъемлемым недостаткам: «задержке восприятия» и «риску ложного срабатывания». В данной статье предлагается оптимизация контроллера подушек безопасности на основе входных сигналов визуального восприятия с целью построения системы предварительного срабатывания подушек безопасности. Система использует 360° обзор вокруг автомобиля (в основном с помощью передней и боковых камер) в качестве входных данных, применяет алгоритм обнаружения объектов YOLOv8 для распознавания пешеходов в реальном времени, а также объединяет алгоритмы DeepSORT и ByteTrack для отслеживания нескольких объектов и оценки их движения. На основе монокулярной геометрической модели система точно вычисляет относительное расстояние, относительную скорость и относительное ускорение между автомобилем и окружающими препятствиями, а затем на основе модели времени до столкновения (TTC) строит механизм прогнозирования столкновения. Основные инновационные моменты данной статьи заключаются в следующем: когда система вычисляет, что вероятность столкновения и степень достоверности превышают заданный порог — то есть определяет столкновение как «неизбежное», — с момента TTC=0 начинается моделирование сигналов кривых ускорения от двух передних датчиков ускорения, и традиционный порог срабатывания ACU понижается в определенной пропорции; когда условия порога выполняются, ACU подает сигнал на срабатывание подушек безопасности и ремней безопасности, что позволяет выиграть ценное окно реагирования в миллисекундах по сравнению с традиционными методами. Одновременно система использует результаты визуального восприятия для определения наличия пешехода перед капотом при предстоящем лобовом столкновении: если камера обнаруживает пешехода и степень достоверности не ниже определенного значения, а передний трубчатый датчик давления одновременно получает сигнал о достижении порогового значения, активный капот открывается в обычном режиме; если камера не обнаружила пешехода, а уровень достоверности не ниже определенного значения, и передний трубчатый датчик давления получает сигнал о достижении порогового значения, активный капот не открывается, что эффективно предотвращает высокие затраты на ремонт, вызванные ложным срабатыванием; если камера не обнаружила пешехода, но уровень достоверности ниже определенного значения, то в качестве определяющего фактора используется сигнал трубчатого датчика давления, и активный капот открывается в обычном режиме. Эксперимент был проверен на основе набора данных о столкновениях, полученных с реальных видеорегистраторов. Результаты показали: средняя точность обнаружения объектов (mAP@0.5) достигает 91,6%, показатель MOTA (отслеживание нескольких объектов) — 87,3%; погрешность оценки TTC (время до столкновения) удерживается в пределах ±0,08 секунды; точность определения неизбежности столкновения достигает 94,2%; механизм предварительного срабатывания подушек безопасности позволяет эффективно снизить показатели травматизма пассажиров; частота ложных срабатываний активного капота снизилась с примерно 18,8% в традиционных решениях до 1,2%. Система демонстрирует хорошую оперативность и отказоустойчивость в сложных дорожных условиях, предлагая эффективное техническое решение для повышения безопасности пассажиров и снижения затрат на ремонт, связанных с ложными срабатываниями активного капота.

With the rapid development of intelligent connected vehicle technology, vision-based environmental perception systems have become a core component of vehicle active safety. However, traditional passive safety systems—particularly airbag controllers—still rely on post-collision detection logic based solely on physical sensors, which suffer from two inherent flaws: “perception lag” and “risk of false triggering.” This paper proposes an optimization of the airbag controller based on visual perception signals to construct an airbag pre-triggering system. The system utilizes 360° surround-view imagery (primarily from front-facing and side-facing cameras) as input, employs the YOLOv8 object detection algorithm for real-time pedestrian recognition, and integrates the DeepSORT and ByteTrack algorithms to achieve multi-object tracking and motion state estimation. Based on a monocular visual geometry model, the system accurately calculates the relative distance, relative velocity, and relative acceleration between the vehicle and surrounding obstacles, thereby establishing a collision prediction mechanism based on the Time-to-Collision (TTC) model. The core innovation of this paper lies in: When the system calculates that the collision probability and confidence exceed a preset threshold—i.e., when a collision is deemed “inevitable”—it simulates the collision waveform signals of the front two accelerometers starting from TTC=0, and proportionally reduces the traditional ignition threshold of the Airbag Control Unit (ACU). When the threshold conditions are met, the ACU issues airbag and seatbelt activation signals, thereby securing a valuable millisecond-level response window compared to conventional methods. Simultaneously, the system uses visual perception results to identify whether a pedestrian is present in front of the hood during an impending frontal collision: When the camera detects a pedestrian with a confidence level no lower than a certain value, and if the front tubular pressure sensor simultaneously receives a threshold signal, the active hood opens normally; when the camera does not detect a pedestrian but the confidence level is not lower than a certain threshold, and the front tubular pressure sensor receives a threshold signal, the active hood does not deploy, effectively preventing the high repair costs associated with false triggers; when the camera does not detect a pedestrian but the confidence level is lower than a certain threshold, the tubular pressure sensor signal takes precedence, and the active hood deploys normally. The experiment was validated using a real-world dashcam collision video dataset. The results show that the average mAP@0.5 (AP) for object detection reached 91.6%, and the Multi-Object Tracking Accuracy (MOTA) reached 87.3%; the Time-to-Collision (TTC) estimation error was controlled within ±0.08 seconds; the accuracy of collision inevitability determination reached 94.2%; the airbag pre-trigger mechanism effectively reduced occupant injury metrics; the false trigger rate of the active hood was reduced from approximately 18.8% in traditional solutions to 1.2%. The system demonstrates excellent real-time performance and robustness in complex traffic scenarios, providing an effective technical solution for enhancing occupant safety and reducing maintenance costs associated with false triggers of the active hood.

• INTRODUCTION
• 1 Literature Review
  • 1.1 Historical Development of Research
    • 1.1.1 Evolution of Passive Safety Technology
    • 1.1.2 Development of Active Safety Technology
    • 1.1.3 Emergence of Active-Passive Safety Integrati
  • 1.2 Main Theories of Research
    • 1.2.1 Object Detection Theory
    • 1.2.2 Multi-Object Tracking Theory
    • 1.2.3 Time-to-Collision (TTC) Theory
    • 1.2.4 Airbag Firing Control Theory
    • 1.2.5 Kalman Filter Theory
    • 1.2.6 Pedestrian Protection and Active Hood Theory
  • 1.3 Main Research Methods
    • 1.3.1 Literature Survey Method
    • 1.3.2 Algorithm Design and Simulation Method
    • 1.3.3 Real-World Data Validation Method
    • 1.3.4 Comparative Analysis Method
• 2 Introduction to Research Methods
  • 2.1 Overall Research Framework
  • 2.2 Experimental Platform and Tools
  • 2.3 Experimental Data Description
  • 2.4 Evaluation Metrics
    • 2.4.1 Object Detection Metrics
    • 2.4.2 Multi-Object Tracking Metrics
    • 2.4.3 Collision Prediction Metrics
    • 2.4.4 Airbag Triggering Effectiveness Metrics
• 3 System Architecture Design
  • 3.1 Overall Architecture
  • 3.2 Vision Perception Module
    • 3.2.1 YOLOv8 Object Detector
    • 3.2.2 Multi-Object Tracker
    • 3.2.3 Monocular Vision Ranging Model
    • 3.2.4 Relative Velocity Estimation
  • 3.3 Collision Prediction and Decision Module
    • 3.3.1 Time-to-Collision (TTC) Model
    • 3.3.2 Inevitable Collision Judgment Criteria
    • 3.3.3 Crash Waveform Simulation
    • 3.3.4 Adaptive ACU Firing Threshold Reduction Mech
    • 3.3.5 Sequence Diagram
  • 3.4 Pedestrian Protection Hood Suppression Logic
  • 3.5 Data Flow and System Integration
    • 3.5.1 Timestamp Synchronization Mechanism
    • 3.5.2 EDR Data Recording
• 4 Model Performance Evaluation and Analysis
  • 4.1 Object Detection and Tracking Performance Eval
    • 4.1.1 Object Detection Results
    • 4.1.2 Multi-Object Tracking Results
  • 4.2 Collision Prediction and Judgment Performance
    • 4.2.1 TTC Estimation Accuracy
    • 4.2.2 Inevitable Collision Judgment Accuracy
    • 4.2.3 Comparison with Existing Research Results
  • 4.3 Airbag Pre-Triggering Effectiveness Validation
    • 4.3.1 Firing Timing Analysis
    • 4.3.2 Threshold Reduction Effect Analysis
  • 4.4 Pedestrian Protection Hood Suppression Functio
  • 4.5 Comprehensive Performance Comparison
• 5 Introduction to Related Technologies
  • 5.1 YOLO Series Object Detection Technology
  • 5.2 DeepSORT and ByteTrack Multi-Object Tracking T
  • 5.3 Moving Window Integration Firing Algorithm
  • 5.4 Active Hood Pedestrian Protection System
  • 5.5 Monocular Vision Ranging and TTC Calculation P
  • 5.6 Event Data Recorder (EDR)
• 6 Model Results
  • 6.1 Overall System Performance Summary
  • 6.2 Typical Case Analysis
  • 6.3 Key parameters or image output
• CONCLUSION
• REFERENCES
• APPENDIX A
• APPENDIX B
• APPENDIX C