考慮主客觀因素的自動緊急制動系統綜述

馬寬旺

（重慶交通大學 機電與車輛工程學院，重慶 400074）

主題詞：自動緊急制動（AEB）控制策略智能底盤駕駛風格車輛屬性道路附著系數中圖分類號：U461.3 文獻標識碼：A

縮略語

ADAS Advanced Driver Assistance System

Euro NCAP The European New Car Assessment Program

AEB Autonomous Emergency Breaking

HMI Human Machine Interface

NHTSA National Highway Traffic Safety Administration

TTC Time To Collision

EMB Electrical Mechanical Brake

EHB Electrical Hydraulic Brake

V2V Vehicle to Vehicle

ESC Electronic Stability Control

1 引言

近年來隨著國民經濟和汽車產業的蓬勃發展，中國汽車市場保有量正在穩步上升，截止到2021年底，中國汽車保有量已經達到3.95億。由于汽車保有量的不斷提升，交通中車輛追尾事故造成的人員傷亡量也在逐年增加，據世界衛生組織的報道，道路安全事故已經成為人類第三大殺手。為了保護駕駛員和乘員安全，減少追尾事故的發生，作為高級輔助駕駛系統（Advanced Driver Aissitance System,ADAS）主動安全功能之一的自動緊急制動系統（Autonomous Emergency Breaking,AEB）日益受到各國政府和汽車安全評價機構的高度重視。Euro NCAP的樣本研究表明，搭載AEB系統的車輛能夠避免約38%的碰撞事故，最大程度上減少事故的發生并保護駕駛員、乘員全和行人安全。

AEB系統由3部分組成：外部感知、決策控制和執行單元。AEB通過外部雷達或者攝像頭傳感器來對前方目標車和行人進行檢測，當系統識別出目標車和行人處于程序設定的碰撞等級臨界點時，人機交互界面（Human Machine Interface,HMI）會發出聲音和圖像信號預警信號，然后緊急制動來避免追尾。

本文將從影響AEB的4個主要因素：駕駛風格、車輛屬性、道路條件和行駛環境，分析AEB控制策略技術發展歷程和目前技術應用現狀。為更好地推動AEB在汽車新產品上應用，提出未來AEB系統控制策略應增加主、客觀因素協同，結合高精地圖、V2X和智能底盤先進技術，提升整個AEB系統的適用性，來應對日益復雜的交通環境，進一步提升駕乘人員和行人安全性。

2 AEB控制策略發展

2.1 典型控制策略

AEB功能能夠在實際交通條件下發揮最大的作用主要取決于AEB系統所采用的控制策略。在AEB發展和應用初期，零部件供應商和主機廠主要應用安全車間距控制策略和碰撞時間控制策略，這2種控制方式主要從“距離”和“時間”2個維度對車輛行駛時所面對的碰撞工況進行判斷。

馬自達（Mazda）、本田（Honda）和美國高速公路管理局（NHTSA）都提出了自己的AEB控制策略，這些公司和機構都是以“距離”一個維度來判斷車輛的安全狀態，建立簡單的運動學模型進行分析得出理想化的AEB控制策略和碰撞狀態。在建立運動學模型時忽略了主要的主、客觀影響因素，如駕駛員的駕駛風格、車輛屬性、道路條件和行駛環境這4個主要影響因素。針對4個影響因素的諸多參數，車企和汽車評測機構通過大量的反復試驗得了出大量的經驗數據。一般駕駛員從發現要發生碰撞到踩制動踏板的反應時間通常在0.2 s到2.0 s，制動管路的增壓延遲時間為0.2 s。盡管各評測機構都做出了大量的參數量化標準，但未考慮到駕駛風格、車輛屬性、道路附著系數和行駛環境之間的協同關系，導致AEB功能在實際的行駛工況中表現不佳。

大量駕駛試驗表明駕駛員對碰撞時間最為敏感，于是將碰撞時間作為AEB的評價指標。美國賓夕法尼亞運輸與交通安全中心的Hayward首次提出了碰撞發生時間（Time To Collision,TTC）的概念，將碰撞時間（相對距離除以相對車速）作為AEB評價指標。當本車和目標車的距離較小，相對車速為0時，則碰撞時間趨近無窮大，此時本車的AEB則不會起作用。Goelingh對原有的碰撞策略進行了修正，提出了二階控制策略。Fancher提出了碰撞時間倒數策略，采用了漸近效應算法。

Lee基于真實駕駛員經驗數據對Mazda、Honda和NHTSA提出的安全距離避撞策略和碰撞行車安全性2個方面進行評價，從數據分析得出的安全距離模型在行車安全性方面具有優良表現。典型控制策略特點如表1所示。

表1 典型控制策略

2.2 融合算法控制策略

為了改善AEB典型控制策略，克服AEB典型控制策略不足，幸佳庚提出了考慮道路附著系數的安全距離算法和時間碰撞算法的融合，并進行了融合算法優化，使本車與目標車輛保持在安全范圍之內，同時能夠對駕駛員進行分級預警，在預警時段采用典型控制策略的算法，當車輛進行制動階段時，則用安全距離算法和進行融合，融合過程如圖1所示。在安全距離結合的算法中二者進行先后判斷，當2車的相對距離大于2車的最小安全距離時，啟用時間碰撞算法，在感知信息處理之后，通過值來進行判斷是本車繼續行車，還是進行分級預警再進行緊急制動。

圖1 融合算法制動過程

AEB控制策略和融合算法控制策略應用較為廣泛，但是也未考慮駕駛風格、車輛屬性、道路條件和行駛環境因素對AEB功能的影響，所以AEB控制策略仍然有待改進和優化。

3 駕駛風格的個性化

由于駕駛員的駕駛風格各異，使駕駛風格在人、車、路環境中處于最主觀和最復雜的地位，因此駕駛風格對于改善AEB控制策略具有至關重要的意義。張永剛認為未考慮駕駛員個體差異，控制策略為理想狀態模型，可能會導致AEB系統的誤預警和誤制動。何仁提出目前的AEB控制策略較為保守，著重于安全性，卻犧牲了縱向平順性。權衡二者之間的關系，需要更加靈活的主動制動方式來提高駕駛時的行車安全性和車輛的縱向平順性。劉永濤提出了駕駛員特性，包括駕駛員的生理特性、經驗屬性相對穩定的靜態特性和相對不穩定的動態特性。其中靜態特性是指駕駛員長期的車輛操縱習慣，動態特性是指駕駛員的駕駛意圖與不規范操作，駕駛員特性會對駕駛員采取制動反應時間造成極大的影響，同時也會影響AEB在緊急情況的介入時機。通常駕駛員自身的靜態特性會對駕駛風格起著決定性作用，不同駕駛員的靜態特性也不同，這會對AEB控制策略的可靠性和安全性提出了極大的挑戰。WANG等提出一種基于不同的駕駛員反應時間和操縱習慣的碰撞預警算法，能夠滿足了大部分駕駛員的駕駛風格。姜順明提出了駕駛狀態識別系數，并對駕駛員進行了分類，分別是激進型、標準型和保守型，并且將駕駛狀態識別系數用于修正AEB控制策略的最小安全距離。通常駕駛員的駕駛狀態也會隨著時間發生變化，AEB的控制策略也要做出相應的自適應調整，這樣有利于改善AEB控制策略自適應性和可靠性。

駕駛員的動態特性通常表現為駕駛員本身的制動反應與判斷能力。駕駛員的操縱熟練程度不同，制動反應時間也會不同。駕駛員的駕駛經驗會影響駕駛員本身對復雜道路交通狀況的判斷和決策。Khashbat提出了駕駛員制動反應時間與駕駛經驗和年齡相關，通過數據的統計與分析完成了相應的模型建立，提出了駕駛員的反應時間與駕駛經驗和年齡之間的相關關系，即若駕駛員年輕且經驗豐富，則制動反應時間越短（表2），駕駛員的駕駛風格個性化影響AEB控制策略的制定，同濟大學的李霖等對駕駛員進行緊急制動的行為進行了分析，并采用相應的擬合方法提出了時間倒數碰撞法的行車危險估計等級算法。對于駕駛員的動態特性，大多數的研究者都是從制動反應時間來入手，對于駕駛員的駕駛狀態研究較少。駕駛員行為若存在酒駕和疲勞駕駛以及其它一些不規范操作的話，不僅會影響駕駛員本身的制動反應時間，還會對AEB控制策略的介入造成一定的干預。因此，未來可以使用機器學習的方法對駕駛員的制動時間和制動力，進行大量的數據統計和機器自學習和修正，計算出相對合理的AEB介入時刻。全面分析駕駛員的駕駛風格，選擇合適AEB控制策略對降低道路安全事故有著重要的意義。

表2 不同駕駛經驗和年齡的制動反應時間 ms

4 車輛屬性的差異化

4.1 外部感知特性

車輛屬性是指車輛的外部感知特性和結構特性，感知特性和結構特性為車輛AEB系統中的軟件和硬件部分。感知特性與雷達、攝像頭的種類及傳感器相互間的感知融合算法有著極大的關聯性，同時也和雷達或攝像頭的布置位置和設置的檢測角度息息相關，這些都會對AEB控制策略產生一定的影響。當前的攝像頭與雷達融合的感知仍然面對著許多的難題，為了進一步突破感知融合的限制，使用高精度地圖結合雷達與攝像頭進行高度融合來達到精準識別目標物體，更好發揮AEB的作用。隨著智能網聯技術與車輛AEB控制系統交互，本車可以獲得前方目標車的位置信息，大幅度提高了車輛的感知水平，并突破了傳感器自身的局限性，同時也增進了AEB功能的可靠性和安全性。

4.2 結構特性

車輛的結構特性由自身的機械結構所決定，包括車身的總尺寸、整備質量、軸距、前懸、后懸、離地間隙、質心位置結構參數。通常商用車設計上總體尺寸大、整備質量大、質心高度高，車輛在緊急制動時容易發生側滑和側翻的危險狀況。因此對于商用車而言，應用AEB功能的意義遠大于乘用車。影響車輛結構特性的結構參數對車輛的制動特性也有著非常重要的影響，一般情況商用車和乘用車會采用不同的制動器形式和制動方式，乘用車的質量較小，則采用液壓制動，而商用車的質量較大，需要采用氣壓制動的方式。商用車和乘用車的結構特性不同，制動時的延遲性也會有差異，商用車和乘用車采用AEB控制策略也會有所區別。隨著線控制動技術的發展，有效地解決了制動延遲性的問題，線控制動系統使用電信號來替代液壓或者氣動制動管路系統，對控制器進行信號輸入，來操縱電控元件，改變制動力。線控制動的實現方式主要有2種，分別是電子機械制動系統（Electrical Mechanical Brake,EMB）與電子液壓制動系統（Electrical Hydraulic Brake,EHB），如圖2所示。隨著線控制動技術逐漸成熟，會大幅度提高AEB的響應速度與策略的控制精度，更加能夠提高商用車與乘用車的主動安全性。朱恩利等提出線控制動系統在車輛上的應用方案，驗證了基于線控制動系統AEB系統比傳統ESC系統的制動壓力控制與響應能力更強。未來隨著更加先進的制動系統出現，基于先進制動系統的AEB能達到低延時、快響應，最大程度提高AEB的整體性能。

圖2 EMB與EHB的結構

5 道路條件及行駛環境的時變性

5.1 道路條件時變性

道路附著系數和制動減速度都會隨著路面條件的變化而產生相應變化，車輛在行駛的過程中所接觸的路面類型不同，車輛在路面最大附著力也會隨之改變，圖3是不同路面的路面附著系數。在AEB控制策略中，通過雷達和攝像頭的感知融合算法，計算出兩車的相對車距與相對車速，但系統無法計算出本車和目標車輛的最大制動減速度。在當前的AEB控制策略中，沒有將道路附著系數考慮到整個控制策略之中，在AEB的算法中將路面附著系數一般設置為常數值，未考慮道路條件的時變性，這就造成AEB在某些道路上會發生失效，如車輛在低附著路面上會發生滑轉，加大制動距離，在高附著路面上制動次數頻繁，影響了車輛的縱向行駛平順性。為改進AEB功能的可靠性，常群等提出了使用無跡卡爾曼方法，對路面附著系數進行估算，模仿多類型道路安全距離模型。朱冰等提出基于最小二乘法與斜率法對路面附著系數進行估算，制定出基于路面附著系數估計的自適應汽車縱向碰撞預警策略。Kyongsu等提出輪胎路面模型估算道路附著系數，能夠適應車輛在不同路面的最大制動減速度。Sevil等在考慮不同坡度道路條件，提出了輪胎-路面附著系數來適應碰撞預警和緊急制動適應算法。Pyun等提出道路特征、道路狀況和天氣狀況控制參數子集，并用神經網絡識別道路條件來確定路面附著系數。路面附著系數估計的精確程度影響AEB系統的安全距離評價指標，通過車輛動力學建模的間接計算、神經網絡識別、修正算法獲得的道路附著系數都具有局限性，AEB系統的實時性和精準性亟待提高。

圖3 常見路面附著系數分布

5.2 行駛環境時變性

行駛環境對AEB系統的檢驗是AEB評價標準的重要組成部分。典型AEB系統主要針對車輛在水平道路行駛時的追尾狀況進行響應，而在真正的行駛環境中會面對很多交通狀況，包括十字路口、坡道、彎道、直線巡航跟車的交通工況。此外，目前AEB系統對于目標車輛突然換道行駛和有非機動車和行人突然插入車輛前方這種行駛環境，進行緊急制動的效果欠佳。Kim等通過搭建車輛模型和輪胎模型來對坡度進行預測，并提出根據不同坡度來制定AEB控制策略，進行自適應調整。當車輛行駛至彎道或者環島時會出現目標識別錯誤，從而導致AEB的誤報警和誤啟動。馬玉喆等為了解決彎道行駛時AEB系統的非正常響應，提出對目標車輛進行位置補償，判斷目標車輛是否與本車處于同一彎道，并基于制動過程與危險系數來設計多級預警，實現了彎道行駛環境下有效避撞。胡延平針對十字路口這種行駛工況，分析了本車與目標車的位置關系，進行碰撞域等級劃分，通過分析本車自動緊急制動后的停車位置與碰撞域的位置關系，來檢測避撞效果。在實際水平道路的跟車巡航的行駛環境下，制動系統具有延遲性，本車與目標車很容易發生追尾。Shin等在常規駕駛員模型下，通過對前、后方目標車輛進行預測，提出了一種兼顧前、后方目標車輛的AEB碰撞策略。在整個AEB系統中，感知信息一般只能靠雷達或者攝像頭獲取，目標信息捕捉不完整，未來隨著5G通信技術結合車聯網和高精度地圖發展，能夠獲得更多目標信息，使車輛在復雜的行駛環境中能夠識別目標更加精準，進一步提高AEB系統的有效性。

6 結論

本文分別分析了AEB系統的典型控制策略在實際駕駛環境中的優缺點，提出未來AEB系統的控制策略應考慮多項主客觀因素協同。在以上基礎上，得出如下結論：

（1）駕駛風格、車輛屬性、道路條件和行駛環境的時變性對AEB控制策略產生明顯影響，只考慮單個因素不能適應當前AEB系統多樣性的場景需求。

（2）考慮多項主客觀因素協同的AEB控制策略，更能適應不同的交通場景變化，大大地提高了AEB系統的行車安全性和縱向舒適性。

（3）結合V2V、智能底盤、高精度地圖技術，提升整個AEB系統的適用性，來應對日益復雜的駕駛環境，并保護駕駛員和乘客具有重要的作用。