汽車自動緊急制動系統行人測試與評價方法

林國慶，逯 超，韓龍飛，王睿希

（長安大學汽車學院，西安710064，中國）

自動緊急制動系統(autonomous emergency braking system，AEB)是高級駕駛輔助系統(advanced driving assistant system，ADAS)的重要功能之一，是一種重要的主動安全技術。哥德堡大學Rosen等[1]進行的一項前瞻性研究結果表明：AEB系統可以避免交通事故所致的40%死亡人數和27%重傷人數；2010年，Lindman[1]等的研究表明AEB可以降低24%的行人死亡人數; 2011年，Hannawald[1]進行的研究表明：具有行人保護功能的AEB可以減少14.3%的重傷人數和11.1%的死亡人數。可見，AEB具有大幅度提高行人保護的能力，因此，全面開發、測試和推廣AEB顯得十分重要。

目前國內外學者對AEB的研究主要集中在控制策略和目標檢測（車輛、行人等）上，但作為AEB重要功能的行人自動緊急制動系統（pedestrians autonomous emergency braking system，AEB-P）的法規或標準、測試與評價方法卻比較匱乏。由于各國的交通狀況和駕駛員駕駛特性存在差異，國外的測試方法并不能完全應用于中國，因此，建立符合中國國情和駕駛員行為的AEB-P測試與評價體系顯得格外重要。目前，國外一些安全評價機構如美國高速公路安全管理局（National Highway Traffic Safety Administration，NHTSA）、歐洲新車安全評鑒協會（European New Car Assessment Programme，Euro-NCAP）等已針對AEB的行人避撞系統功能發布了測試與評價方法。歐洲先進前瞻性安全系統（advanced forward - looking safety systems，VFSS）對GIDAS、DEKRA等數據庫進行研究，設計了4類AEB-P測試場景[2]；AEB Group[3]對STATS9、OTS等數據庫進行聚類分析，設計了5類AEB-P測試場景；歐洲的APROSYS（advanced protection systems）利用德國交通事故數據庫建立了3類AEB-P測試場景[4]；英格蘭伯克郡交通研究室M. Edwards等[5]結合Euro-NCAP被動安全測試設計了一種基于“利益”的方法，對AEB行人保護系統性能進行綜合評估。同濟大學的劉穎、賀錦鵬等[6]通過采集并篩選上海地區車與行人的危險場景，用聚類分析方法設計了5類典型的危險場景；蘇江平、陳君毅等[7]通過對中國5個典型城市乘用車的自然駕駛數據的研究，得到基于中國危險工況的行人交通沖突特征，利用聚類分析方法提取出4類典型危險場景；湖南師范大學、湖南大學的吳俊、向國梁等[8]基于2018版中國新車評價規程（China new car assessment programme, C-NCAP） AEB行人測試場景開發了一種汽車緊急制動行人檢測系統，實驗結果表明該系統一次成功率可達90%以上。

2018版C-NCAP發布了AEB-P的一些測試方法與評價標準，將測試場景分為近端和遠端，彌補了中國在AEB行人測試與評價上的空缺。但是測試場景單一，不能全面反映中國行人典型危險場景。

鑒于以上情況，本文利用中國交通事故深入研究(China in-depth accident study, CIDAS)乘用車事故數據，借鑒國內外研究成果，參考Euro-NCAP的AEB行人測試方法，制定出符合中國國情的AEB-P多種不同測試場景。其中，引入層次分析法（analytical hierarchy process，AHP）搭建AEB-P層次模型；根據模型得到判斷矩陣，計算各工況權重系數，綜合獲得AEB-P測試與評價方法；最后，利用PreScan對上述方法進行仿真測試，驗證了上述方法的有效性和實用性。

1 行人自動緊急制動系統 (AEB-P)測試場景研究

根據中國CIDAS乘用車事故場景排序靠前的統計[9]，如表1所示，車輛與兩輪車發生碰撞的場景中，車輛直行與左/右側穿行的兩輪車發生碰撞的事故數量最多，分別排第1和第2位；車輛行駛與左側和右側盲區內的兩輪車發生碰撞的事故數量分為排第6和第7位；夜間和白天，車輛直行與前方縱向行駛的兩輪車發生碰撞的事故數量分別排在第10和第13位；車輛左轉(右轉）與右側 (左側）穿行的兩輪車發生碰撞的事故數量分別排在第16和第17位。車輛與行人發生碰撞的場景中，事故數量排序靠前的場景有：車輛直行與右側穿出的行人發生碰撞的事故數量排第9位，車輛直行與左側穿出的行人發生碰撞的事故數量排第14位。以上統計表明，車輛與兩輪車發生碰撞的概率大于與行人發生碰撞的概率。

表1 CIDAS乘用車事故數據分析

根據瑞典真實車禍記錄數據（包含警方數據記錄和醫院數據記錄）[10]， 2 297名受傷者中有1 184名行人，占比約50%，3 651名受傷者中有2 029名騎自行車的人，占比約56%，且男性占大多數。

根據上述中國發生道路交通事故的統計，借鑒國外已有的研究成果，本文制定了如圖1 AEB-P測試場景。

2 行人自動緊急制動系統（AEB-P）評價方法

2.1 建立AEB-P評價模型

根據圖1所示測試場景，利用層次分析法（analytic hierarchy process , AHP），本文建立了如圖2所示的層次模型。

基于AHP法的基本原理，同層元素間的相對重要性的比較可用判斷矩陣表示，矩陣中各元素表示同層元素之間相對重要程度的直觀數值。若用M、Z、F分別表示圖2所示AHP模型的目標層、約束層、方案層，則M層相對于Z層的判斷矩陣A可表示為

在行人橫穿測試場景下，Z層相對于F層的判斷矩陣B為

矩陣元素bij代表元素i、j相對重要性比較，且bij與bji互為倒數，即：

按照AHP法的原理，矩陣元素bij需取1、3、5、7、9，取值含義如表2所示。

表2 矩陣元素取值含義

上海交通大學郭磊及其課題組[11]調查了上海市一定范圍內所發生的兩輪車交通碰撞事故，在調查中將交通方式分為行人、自行車、摩托車、助動車和其他，對死亡人員進行分類分析，得到不同交通方式死亡人數統計。調查結果表明，兩輪車發生事故所致死亡人數所占比例明顯大于行人死亡人數。根據交通事故形態分析統計（圖3），碰撞兩輪車（摩托車、自行車等）發生的事故占比49%，而碰撞行人僅占20%。他們的調查結果與CIDAS交通事故形態分析統計結果基本一致。

綜合以上信息，并參考文獻[9]和文獻[13-15]，本文構建出M層 （AEB行人測試評價系統） 相對于Z層6種場景（行人橫穿馬路、行人沿路、騎行者橫穿馬路、騎行者沿路行駛、交叉路口、夜間行人測試）的判斷矩陣為

解得C的最大特征值為6.533 9，對應的特征向量為α =（0.165 7，0.082 3，0.887 5，0.413 0，0.072 8，0.048 5），歸一化后β =（0.072 1，0.024 0，0.504 8，0.360 6，0.024 0，0.0144） ,則β中各元素分別為Z層6種場景的權重系數。

獲取到M層相對于Z層的權重系數后，還需對Z層相對于F層的權重系數逐一計算。以騎行者橫穿場景為例，Z層相對于F層的判斷矩陣為

根據CIDAS乘用車事故數據分析（表1），車輛直行與左側盲區和右側盲區二輪車發生碰撞的事故數量排名相近，因此認為在有視野遮擋下，騎行者左向右橫穿比右向左橫穿介于稍微重要與相等之間（取值為2）。無遮擋場景比有視野遮擋發生碰撞事故數量多，故認為騎行者右向左橫穿場景比左向右橫穿（遮擋）場景稍微重要（取值為3），騎行者右向左橫穿場景比左向右橫穿（遮擋）場景介于稍微重要與重要之間（取值為4）。結合以上分析，制定騎行者橫穿馬路場景下Z層相對于F層的判斷矩陣為

解得D的最大特征值為3.02，其所對應的特征向量為n= (0.35，0.20，0.91)，歸一化后n= (0.24，0.14，0.62)，則0.24、0.14、0.62分別為騎行者橫穿場景下各工況的權重。同理，可分別計算出其他幾種工況下Z層相對于F層的權重系數。計算可得，行人橫穿測試場景下各工況的權重為：0.30、0.28、0.16、0.22、0.14；行人沿路場景下各工況的權重為：0.68、0.32；騎行者沿路場景下各工況的權重為：0.71、0.29；交叉路口場景下各工況的權重為：0.82、0.18；夜間測試場景下各工況下權重為：0.5、0.15、0.1、0.25。

分別對M層相對于Z層的判斷矩陣C，Z層相對于F層的判斷矩陣D進行一致性檢驗，

一致性指標為

一致性比率為

其中：λmax表示矩陣的最大特征根；n表示矩陣（方陣）維數；RI表示隨機一致性指標，可根據n的大小查表獲取。本文判斷矩陣C的最大特征根λmax= 6.533 9，n= 6，查表得RI = 1.24，帶入式（8）和式（9），得CR= 0.086 ＜ 0.1，說明判斷矩陣C具有良好的一致性。同理可求得矩陣D得一致性比率為0.008 9 ＜ 0.1，因此，判斷矩陣D也具有良好的一致性。

2.2 評價指標及規則的制定

AEB系統的主要作用是避免或減輕碰撞，與此同時也應考慮到車內乘員的舒適性，過大的制動減速度或頻繁制動會降低人們的乘坐舒適性，因此有必要從安全性和舒適性2個維度進行綜合評價。影響AEB系統的安全性與舒適性的因素主要分為2類：直接因素和間接因素，如圖4所示。

根據影響AEB系統的安全性與舒適性的因素（見圖4），本文制定了圖5所示的AEB評價指標層次模型圖，根據圖2（AEB-P評價層次模型）中的6種場景18種測試工況，對于每種不同的工況分別從安全性和舒適性兩方面進行評價，給予安全性與舒適性不同的權重。由于預碰撞時間（time to collosion，TTC）與相對距離能夠間接反映最大制動減速度，且難以對最大制動減速度進行限制，因此，本文使用AEB起作用時間TTC、相對距離（車輛停止時與目標物的距離）、速度減少量3個指標分別對AEB的安全性與舒適性進行評價，最后根據安全性與舒適性的權重對AEB進行綜合評價。

AEB的評價主要考慮其安全性，根據層次分析法，安全性與舒適性之間的判斷矩陣為E，計算可得安全性與舒適性的權重分別為0.83、0.17。1） AEB起作用時間TTC，TTC廣泛用于評價AEB系統的性能，其計算方法如式（10）所示，Srel表示車輛與目標物的相對距離，vrel表示相對速度。通常認為在視野被遮擋的場景下規定系統應至少在TTC = 1.5 s時開始制動；對于視野沒有遮擋的場景，規定系統應至少在TTC = 1.2 s時開始制動。TTC能夠間接影響AEB系統的安全性與舒適性，TTC越大，說明AEB系統需要較早地以較小制動減速度緩慢制動，則舒適性較好；反之，舒適性差。

2） 相對距離d，指車輛停止時與目標物的距離，根據大多數駕駛員的駕駛特性，車輛停止時，前后兩車之間的距離通常為0.5 ～ 3.0 m。通常，距離愈大，制動時間越早，制動減速度也較大，舒適性較差，安全性越好。

3） 速度減少量η，它是影響汽車安全性的重要的直接因素，隨車速的不同而變化，因此采用百分比的形式定義速度減少量，如式（11）所示，vinit表示汽車的初始測試速度，vcoll表示汽車碰撞時的速度。速度減少量越大，碰撞嚴重程度越低，安全性越高。當速度減少量為100%時，代表無碰撞。

綜合以上分析，3個指標相互影響，難以明確區分，本文認為TTC與相對距離的重要程度相等，更多地考慮到安全性，認為速度減少量的重要性大于TTC和相對距離，因此制定3個評價指標之間的判斷矩陣F，計算可得3個評價指標的權重分別為：0.25、0.25、0.50。

最終根據安全性與舒適性的權重得到總分，按照總分對AEB-P進行綜合評價，評價規則如表3所示。

表3 星級評價規則表

2.3 測試得分的計算

式(13)給出了測試結束時最終所得分數H的計算式：

其中：S為測試所用總分制（如5分、10分等），m為測試車速數量，αi為不同場景的權重，βj為不同場景下不同測試工況的權重，Aw，Bw，Cw分別為3個評價指標所占的權重，λk、ηk、δk依次表示3個評價指標在m個車速下的測試分數。

3 虛擬測試與評價

目前，國內外學者對智能網聯汽車技術研究較多，而對智能網聯汽車測試與評價方法的研究相對比較匱乏。智能網聯汽車測試主要分為虛擬測試、封閉道路測試以及開放道路測試，由于當前中國相關法規、規章制度、測試方法、標準等還不夠完善，因此虛擬測試仍是智能網聯汽車常用的測試方法，具有簡單、快速、成本低的優點。PreScan是由荷蘭國家應用科學研究院(Netherlands Organisation for Applied Scientific Research, TNO）開發的一款能夠快速建立交通場景的仿真軟件，可以與Simulink、CarSim等進行聯合仿真，被廣泛應用于無人駕駛汽車、高級駕駛輔助系統（advanced driver assistance system，ADAS）的開發。本文利用PreScan軟件，搭建典型測試場景對本文所提出的測試與評價方法進行仿真測試，所選測試車輛為PreScan軟件里的奧迪A8，車輛參數如表4所示。

AEB控制邏輯為：當TTC ＞ 2.6 s時，系統不制動；當1.6 s ＜ TTC ＜ 2.6 s時系統進行部分制動（50%的制動強度）；當TTC ＜ 0.6 s時，系統以最大制動強度全力制動（制動強度為100%）。

表4 車輛基本參數配置

3.1 行人沿路（50%偏移）測試

該場景的測試結果如圖6所示。測試時.分別對車輛進行30、40、和50 km/h的速度進行測試。測試結果表明，在當前場景下，車輛能夠在30、40 km/h的速度避免與行人碰撞，并與行人保持了一定的安全距離。車輛停止時，由于行人繼續保持當前的速度向前行走，因此在仿真結束前TTC和相對距離d曲線會有短暫的變化（距離達到最小后稍微增大，TTC瞬間增大）。雖然在50 km/h的速度下不能避免碰撞，但速度能夠降低大約64%，起到了減輕碰撞的作用。

3.2 行人右向左橫穿（25%偏移）測試

該場景下測試結果如圖7所示。測試時，分別對車輛進行30、40、50 km/h的速度進行測試。測試結果表明，汽車能夠在30、40 km/h的速度避免與橫穿馬路的行人發生碰撞，在30 km/h的速度下相對距離約為1 m，在40 km/h的速度下相對距離約為0.69 m。由此可知，隨著車速的增加，相對距離逐漸較小，碰撞風險增加，當速度達到50 km/h時，汽車無法與行人避免碰撞，速度減少約43%，能夠有效減輕碰撞。

選取部分場景進行仿真測試，根據AHP方法，分別計算行人右向左橫穿25%偏移（A-場景）、行人沿路25%偏移 （B-場景）、騎行者右向左橫穿50%偏移（C-場景）、騎行者沿路50%偏移（D-場景）以及車輛左轉（E-場景）共5種場景進行虛擬仿真測試，各場景所占權重分別為[0.15 0.15 0.3 0.3 0.1]。測試時，行人速度設為5 km/h，騎行者速度設為15 km/h，車輛速度分別為30、40、50 km/h。以車速v= 30 km/h為例，給出不同場景下的碰撞時間（TTC）、車輛相對距離d及速度減少量η進行計算，根據本文所提評價方法，以10分制為例，計算出上述5種場景下的安全性和舒適性得分（表5列出了該車速下的仿真測試結果）。以此方法再進行40、50 km/h下的仿真，得到各車速下不同場景的安全性和舒適性所占比重(得分)，最后再根據所有仿真條件下安全性和舒適性的得分，計算得到評價總分。在這3個速度下的評價總分 =（每個車速下安全性得分 + 每個車速下舒適性得分） / 3 = 5.5分，按照本文評分規則(見表3)：4～6分為一般，因此本次測試結果為一般（★★）。

表5 v = 30 km/h時的測試與評價結果

4 結 論

本文根據中國交通事故深入研究（CIDAS）乘用車事故數據，借鑒國內外研究成果，主要參考中國新車評價規程（C-NCAP）中的汽車自動緊急制動系統（AEB）行人測試方法，并借鑒歐洲新車安全評鑒協會（Euro-NCAP），制定出符合中國國情的多種行人自動緊急制動系統（AEB-P）測試場景。利用層次分析法（AHP）搭建各個場景下的層次模型，確定出各層次間的判斷矩陣，計算獲得各層次的權重系數。結果表明：通過引入碰撞時間TTC、相對距離和速度減少量作為AEB-P的評價指標并給予不同的權重，在PreScan中對提出的測試場景建模，提出的AEB-P測試與評價方法的合理性和實用性得到驗證，避免了單一評價指標在評價AEB-P時的不合理性，可以為中國的AEB-P測試與評價提供參考。由于本文采用虛擬仿真測試，因此與實車測試還存在一定的差距。