汽車防碰撞預警/碰撞算法研究現狀及分析

于廣鵬， 譚德榮， 馬福霞

(山東理工大學交通與車輛工程學院， 山東淄博 255091)

汽車防碰撞預警/碰撞(CW/CA)算法是汽車防碰撞系統的核心，該算法的準確與否直接影響到車輛的行駛安全，對預防汽車碰撞，減少交通事故有著重要的意義[1].

預警/碰撞算法的作用是確定系統的啟動邏輯和啟動時機，一個好的避撞算法對整個系統的性能有著重要的影響，因此，其準確性、實時性一直是研究的重點.現有的預警/碰撞算法主要分為安全時間邏輯算法和安全距離邏輯算法兩類[2].安全時間邏輯算法主要以TTC(Time to collision)為研究對象，日本東京農工大學首創了這一研究方法，即TTC模型[2-3].后來一些學者根據這一研究方法相繼作出了一系列的研究，例如，清華大學的王建強博士提出了基于碰撞時間TTC的適應駕駛員特性的報警避撞算法；北京理工大學的裴曉飛以碰撞時間倒數(TTC-1)為研究思路，提出了基于危險系數ε的分級報警與主動制動的安全距離模型[4].安全距離邏輯算法主要以車間實距為研究對象，按研究思路不同又可以分為固定車距模型、運動學模型和駕駛員模型等.固定車距模型以固定的車間實距為判斷閾值，比較經典的有Mazda模型、Honda模型、Berkeley模型和NHTSA模型以及伯克利大學在MZADA模型和HONDA模型基礎上改進的安全車距模型等[4-5]；運動學模型是利用GPS、DSRC(短程通訊)等技術實時獲取自車和周圍車輛的相關信息，然后通過對駕駛員的研究，使預警系統對車輛的控制與駕駛員的操作基本一致[6-8]，例如清華大學的高鋒在對汽車油門、制動執行器重新改進的基礎上，設計的基于CAN總線的安全車距保持系統[9]；駕駛員模型是通過實驗獲取駕駛員特征數據并利用數學方法對表征駕駛員特征的因素進行綜合評判，然后建立符合駕駛員駕駛特征的車距模型，例如，清華大學的張磊在實車實驗基礎上提出的符合駕駛員跟車習慣的報警避撞算法[10]；清華大學的邊明遠利用綜合加權評判方法法提出的考慮駕駛員個體特性的汽車安全車距模型[11].

1 基于駕駛特征的預警算法研究

1.1經典安全車距模型分析

Mazda模型、Honda模型以及Berkeley模型是比較經典的安全車距模型，后續的很多模型都是在其基礎上進行改進的.本文通過對比不同相對車速下，三種模型所確定的安全制動距離來分析各自的優缺點.表1為三種經典算法的模型公式.

表1 各類算法對應的模型公式

圖1為Mazda模型、Honda模型以及Berkeley模型的制動距離對比圖，通過圖1可看出：Mazda模型確定的制動時機比較晚，相對比較保守，原因是該模型將所有能考慮的碰撞情況都考慮了進去，甚至包括一些出現概率很小的極端危險情況，因此在汽車實際行駛中，系統會頻繁報警，這樣便會干擾駕駛員的正常駕駛，使得駕駛員對該系統的信任度降低，甚至有可能會主動關掉預警系統[12-13]；Honda模型確定的主動制動距離比較短，制動時機比較晚，在汽車實際行駛中，車輛有可能出現碰撞危險；相對而言，Berkeley模型制動時機比較適中，算法實時性、準確性相對比較好.

圖1 三種經典算法的制動距離對比

1.2 考慮駕駛模式的預警算法分析

當前很多學者在建立安全預警算法時，按照駕駛員駕駛風格的不同建立了三種駕駛模式，即外傾型、中傾型和內傾型駕駛模式[14].這種算法實質上就是對預警算法中的駕駛員反應時間按照駕駛風格的不同進行了相應的取值，表2為三種不同駕駛風格的駕駛員所對應的平均反應時間.

表2 不同駕駛風格駕駛員平均反應時間

由上述分析可知，駕駛員不同的駕駛風格可以通過反應時間來表示，因此本文通過改變Berkeley預警算法中的駕駛員反應時間對上述駕駛風格進行仿真分析，結果如圖2所示.由圖2可以看出，考慮駕駛員駕駛風格的預警算法在一定程度上能夠適應不同駕駛員的駕駛需求，并且在車輛行駛過程中，駕駛員可以根據自身的身體狀況以及駕駛環境進行不同駕駛模式的變換，因此這種預警算法能夠較好地體現駕駛員的駕駛特征[15].但這種算法在對駕駛員反應時間的處理上只是粗略的進行了分類，要使算法能夠滿足駕駛員的個體需求，須綜合考慮駕駛員的駕駛特征.

圖2 三種駕駛風格所對應的預警距離

1.3 基于駕駛特征的預警算法分析

本文將利用Berkeley模型分析在綜合考慮駕駛員駕駛特征時的預警距離的優越性，利用綜合加權平均法[16-17]分別對兩名駕駛員的駕駛經驗X1(權重ω1)、年齡X2(權重ω2)、身體狀況X3(權重ω3)、精神狀況X4(權重ω4)以及視野狀況X5(ω5)進行綜合評判打分，然后利用公式

(1)

(2)

對反應時間進行修正.兩名駕駛員的5項指標的評估分值以及綜合評估分值如表3所示.

表3 兩名駕駛員評估指標表

圖3為考慮了駕駛員駕駛特征的車距模型的仿真結果.由圖3可以看出，不同的駕駛員在不同的駕駛狀態(駕駛環境以及身體狀態)下，利用綜合加權平均法所確定的預警距離是不同的，相對于上述的按照駕駛風格劃分的預警算法而言，該方法是以單個駕駛員為研究對象，對其反應時間進行的修正，因此該方法更加適合駕駛員的個體需求.

圖3 Berkeley算法修正前后對比

2 駕駛員駕駛特征相關因素分析

通過上述分析可以看出，綜合考慮駕駛員駕駛特征時確定的安全車距要比其他模型更適合駕駛員的個體需求.下面將具體分析影響駕駛員駕駛特征的相關因素.當前人們一般用駕駛員的駕駛傾向來刻畫駕駛員的駕駛特征.山東理工大學的王曉原[14]教授對駕駛員駕駛傾向進行的大量理論和實驗研究表明，影響駕駛員駕駛傾向的因素主要有：(1)駕駛員自身的因素，包括生理特征(性別、年齡、身體健康等)、心理特征(能力、性格、情緒等)以及其他的例如駕駛員的職業，道德、文化程度、家庭背景等因素；(2)環境因素，包括天氣、交通流密度、道路狀況、交通干擾等；(3)車輛因素，包括車輛的屬性、車輛的性能、車輛的設施等.另外，不同駕駛傾向的駕駛員其表現的駕駛行為是不一樣的，具體表現為駕駛操縱力度(油門踏板力度、剎車踏板制動力、方向盤握力)，駕駛員操縱頻率(加油頻率、換道頻率、制動頻率)以及反映判斷指標(反應時間、速度估計、復雜反映判斷)的不同，其中駕駛員駕駛傾向與駕駛員反應時間關系如表4所示.可以看出，外傾型駕駛員其反應時間比較短，反映比較迅速，中傾型駕駛員次之，內傾型駕駛員反映時間比較長，反映比較遲鈍.

即使判斷出駕駛員的駕駛傾向，也只能代表駕駛員在某一時刻的駕駛特征，因為車輛行駛過程中所有的影響因素都是一個動態的過程，隨著駕駛時間的變化，駕駛員駕駛環境以及自身的生理心理狀況等都時刻在變化.經過統計分析發現，連續駕駛 3h后，大腦就會出現疲勞狀況，事故率開始增加，連續駕駛 4h后事故率是連續駕駛3h的1.5倍[18]；天氣也會影響駕駛員的反應能力，災害性天氣下，由于外界的能見度變小，駕駛員的感知閾值相應的會提高，只有車輛之間相互關系發生很大的變化時，駕駛員才能做出相應的反應，也就是說在災害性天氣中駕駛員需要花費更多的時間對前車運動狀況進行判斷，因此反應時間會相應的變長，也容易產生駕駛疲勞[19-20].另外，駕駛員自身的生理心理的變化，交通流密度的變化以及性別和年齡都會對駕駛員的反應能力有一定的影響.

表4 駕駛傾向與反應時間之間的關系 s

通過上述分析可知，理想的安全車距確定過程應該如圖4所示，首先利用離線測試方法對駕駛員在一般情況下的駕駛傾向進行一個初始判斷，給出駕駛員的一般反應時間，然后在車輛行駛過程中，實時采集影響駕駛員反映狀態的各個指標，對駕駛員的反映狀態進行實時判斷，進而對反應時間進行修正，最終得出一個比較理想的安全車距.

圖4 理想安全車距的確定過程

3 算法存在的問題

通過以上分析，當前預警/制動算法主要存在以下幾個問題：

(1)算法存在一定的誤警率和虛警率.系統的報警必須最小限度地減少對駕駛員注意力的干擾，報警頻率過高會使駕駛員失去對報警信號的信任，當車輛真的存在碰撞危險時，駕駛員容易忽略報警信號.

(2)算法的主動控制時機不準確.系統的主動控制不能影響駕駛員的正常操作，當緊急情況下車輛進行主動制動時應該先判斷駕駛員的操作，當駕駛員正在進行避撞操作時，系統如果主動制動，駕駛員就有可能被車輛的突然制動干擾，失去對車輛的控制.

(3)算法沒有充分考慮駕駛員的駕駛特征.通過上文分析可知，不同的駕駛員擁有不同的駕駛風格，如果一個報警算法過于保守，那么對于外傾型駕駛員就會造成干擾，容易使其忽略系統的報警，甚至關掉報警系統；相反，如果一個算法過于激進，內傾型駕駛員就會感到不適應.

(4)表征駕駛員駕駛特征的相關信息難以實時獲取.首先不同的駕駛員由于個體需求不同，其駕駛特征也不同，即使同一駕駛員，在不同駕駛時間段和駕駛環境下，其個體需求也不相同.因此，要想充分地考慮駕駛員的駕駛特征，安全預警算法必須實時采集駕駛員的相關狀態信息.

汽車預警/制動算法的理論研究已經取得了很大的成就，現階段應該將駕駛員作為研究的核心，研究目的定位在充分體現駕駛員個體駕駛特征上，研究方向可分為駕駛員駕駛特征的研究和影響駕駛員駕駛特征的相關信息的實時采集，最終利用硬件作為技術支持實時采集駕駛員的狀態信息，建立滿足駕駛員個體駕駛需求的預警算法.

[1] 宋曉琳,馮廣剛,楊濟匡.汽車主動避撞系統的發展現狀及趨勢[J].汽車工程, 2009, 30(4): 285-290.

[2] 王建強,遲瑞娟,張磊,等.適應駕駛員特性的汽車追尾報警-避撞算法研究[J].公路交通科技, 2009, 26(1)：7-12.

[3] Yoshida H, Awano S, Nagai M,etal. Target following brake control for collision avoidance assist of active interface vehicle[C]//SICE-ICASE.2006 International Joint Conference. IEEE, 2006: 4436-4439.

[4] 裴曉飛,劉昭度,馬國成,等.汽車主動避撞系統的安全距離模型和目標檢測算法[J].汽車安全與節能學報, 2012, 3(1): 26-33.

[5]劉剛，侯德藻，李克強，等.汽車主動避撞系統安全預警算法[J].清華大學學報：自然科學版，2004，44(5)：697-700.

[6] Doi A, Bustuent T, Niibe T,etal.Development of a rea end collision avoidance system with automatic braking control [J].JSAE Review, 1994, 15 (4): 335-340.

[7] Miller R, Huang Q. An adaptive peer-to-peer collision warning system[C]//Vehicular Technology Conference. IEEE, 2002: 317-321.

[8] 李克強,王躍建,高鋒,等.基于 ITS技術的汽車駕駛安全輔助系統[J].汽車技術, 2006 (z1): 32-35.

[9] 高鋒,張磊,王建強,等.基于 CAN總線的安全車距保持系統[J].汽車工程, 2007, 28(12): 1 090-1 093.

[10] 張磊,王建強,李克強,等.基于駕駛員跟車習慣的報警/避撞算法研究[J].汽車工程, 2006, 28(4): 351-355.

[11] 邊明遠.考慮駕駛員個體特性的汽車安全行駛間距模型[J].中國機械工程, 2010, 21(12):1 502-1 506.

[12] Jansson J, Johansson J, Gustafsson F. Decision making for collision avoidance systems[J]. Society of Automotive Engineering SAE, 2002,4(3):231-236.

[13] 張廣祥.基于駕駛行為的汽車主動防撞預警系統的安全車距研究 [D].長春:吉林大學, 2011.

[14] 王曉原,張敬磊，Ban X G.基于動態人車環境協同推演的汽車駕駛傾向性辨識[M]. 北京:科學出版社, 2013:129-131.

[15] Nakaoka M, Raksincharoensak P, Nagai M. Study on forward collision warning system adapted to driver characteristics and road environment[C]//Control, Automation and Systems, 2008. ICCAS 2008. International Conference on. IEEE, 2008: 2 890-2 895.

[16] Van Winsum W. The human element in car following models[J]. Transportation research part F: traffic psychology and behaviour, 1999, 2(4): 207-211.

[17] Naja R. A survey of communications for intelligent transportation systems[M]. New York:Springer 2013: 3-35.

[18] 郭孜政,陳崇雙,成澤亮,等.合理連續駕駛時長量化確定方法研究[J].北京工業大學學報, 2011, 37(6): 863-868.

[19] 徐濟宣,吳紀生.惡劣環境對駕駛員反應時間的影響研究[J].交通標準化, 2009 (23): 103-106.

[20] 張寶貴,崔粉蛾,葛紅萍.冰凍雨雪天氣與交通安全[C]//中國科學技術協會.沈陽：第六屆雨雪冰凍 (霜凍)災害論壇論文集，2012：256-262.