行人過街場景下車輛避障路徑規劃與控制方法

李文禮，肖凱文，任勇鵬，李 超，易 帆

（重慶理工大學 汽車零部件先進制造技術教育部重點實驗室，重慶400054，中國）

行人違章過街導致行人傷亡的現象常年發生，世界衛生組織 (World Health Organization，WHO)指出，全世界每年約有75萬行人和自行車騎行者死于交通事故[1]；國家市場監督管理總局的統計數據顯示：我國的行人致命事故中，68 %是行人違章橫穿道路時發生的[2]。由于行人的運動具有突變性和復雜性，導致駕駛員難以在短時間內正確操控車輛避讓違規過街的行人，因此自動駕駛車輛在行人過街場景下的安全避障控制受到很大挑戰。

自動駕駛車輛安全避障控制分為路徑規劃和跟蹤控制。現有路徑規劃方法主要包括人工勢場法、基于圖搜索、基于采樣和基于離散優化的方法[3]：目前應用比較廣泛且成熟的圖搜索方法主要有文獻[4-5]及其各種相關變體算法，此類算法在小地圖場景下有較高的搜索效率，但隨著地圖增大、場景復雜化，使其難以在動態環境中規劃出良好的路徑，甚至陷入局部最小值；基于隨機采樣的快速擴展隨機樹 (rapidly exploring random tree，RRT)算法[6]適用于復雜場景下的路徑規劃，但存在路徑規劃結果曲折、抖動大等不足；基于離散優化[7]的規劃方法通常將Frenet 坐標系下的參數空間離散化，同時考慮車輛動力學、道路等約束，規劃出多條待選軌跡，由于每個規劃周期都須對軌跡進行采樣計算，導致計算時間較長，對動態障礙物的避障規劃軌跡不佳。人工勢場法[8](artificial potential field，APF)由于模型簡單、實時性高等優點，早期被廣泛應用于機器人路徑規劃領域，隨著研究不斷深入，許多學者將其應用到智能駕駛領域，取得了較好的成果。文獻[9]較早地用行車風險場描述主車周圍環境中的潛在風險，提出一種考慮人-車-路相互作用的行車安全場模型，設計一種基于安全場模型的車輛碰撞預警算法并應用于實車試驗，驗證了碰撞預警算法的有效性。文獻[10]基于自車與周車運動狀態、位置和速度建立虛擬力模型，實現了車輛軌跡、速度規劃，解決了傳統勢能場的規劃路徑振蕩問題。文獻[11]建立基于人工勢場的動、靜態風險場以對主車周圍進行風險評估，基于評估結果實現了個性化的換道觸發。文獻[12]提出一種動態駕駛風險場模型，很好地描述了車輛跟馳行為以及解釋駕駛員類型與換道安全之間的影響因素。文獻[13]使用人工勢場法對交通環境和駕駛風格進行建模并集成到模型預測控制設計過程中以優化軌跡和控制輸出。

現有車輛跟蹤控制方法主要包括比例—積分—微分(proportion-integral-differential,PID)控制、最優控制、魯棒控制、自適應控制、滑模變結構控制、模型預測控制(model predictive control,MPC)等經典控制方法和模糊控制、神經網絡控制等智能控制方法[14]。其中模型預測控制(MPC)能在多約束下對車輛進行控制，具有較高的控制精度。文獻[15]考慮到傳統MPC適應動態工況較差的問題，提出基于模糊控制的權重自適應MPC 控制器，提高了舒適性和控制性能。文獻[16]將智能車輛控制器設計為分層結構，利用粒子群算法在線優化控制器參數，提高了控制器的魯棒性和實時性，減小了車輛跟蹤誤差。文獻[17]設計自適應雙時域MPC 路徑跟蹤器得到了最優預測、控制時域參數，基于綜合性能評價指標，提高了行駛穩定性和跟蹤精確度。文獻[18]設計雙層模型預測控制器，對低、中、高速下的主車避障性能進行實驗，建立多個典型車車交互場景，驗證了控制器的控制穩定性。

為解決車輛對動態行人的避障問題，本文選擇行人違規橫穿過街的場景，設計一種基于行車風險場的車輛避障控制模型，考慮行人加速時的潛在風險，提出一種基于行人斥力場重心的新型避障函數以優化人車橫向避障距離?；谛熊囷L險場理論構建全局路徑規劃層，并利用MPC 控制方法建立局部路徑規劃和軌跡跟蹤層進行仿真研究。

1 基于行車風險場的全局路徑規劃層

本文描述的行車風險場由解釋行人、道路邊界風險和目的地前進傾向的行人斥力勢場、道路邊界斥力勢場和道路引力勢場疊加構成。行車風險場主要用于衡量道路環境中影響駕駛安全的潛在危險分布情況，并沿著潛在危險較低區域為主車規劃一條駛向目標位置附近的參考路徑。如圖1是車輛面對違規橫穿的行人時，利用行車風險場規劃參考路徑的示意圖。

圖1 行車風險場示意圖

1.1 行人斥力勢場

行人勢場是由行人位置向四周均勻發散的一種“虛擬勢力場”，用于衡量行人作為障礙物時，對主車的行車風險威脅程度，該勢力場在道路環境中表現出“近大遠小”的特征，本文使用近似二元Gauss 分布來描述行人勢場。設行人作為障礙物時的坐標為（x0，y0），行人中心位置周圍任意坐標為（x，y），記行人勢場周圍任意位置（x，y）與行人位置（x0，y0）的距離為｜P｜，則主車在行人勢場周圍任意位置的勢場方向向量為eP，如式(1)所示，其中e是單位向量。

行人作為交互場景中的障礙物時具有運動狀態突變性、復雜性和不確定性，要建立合理的行人勢場需要研究行人運動時的諸多因素。因此，本文設計的行人勢場模型考慮到行人運動和靜止時勢場分布的差異，以及其速度、加速度和航向角因素對勢場分布的影響。設主車在行人周圍任意位置（x，y）處的行人斥力勢場為UP，如式(2)所示。

式中：kP為行人勢場因數；α為行人加速度的數值(α=a/(m·s-2))；v為行人速度(m·s-2)；θ為行人航向角(rad)，以y軸正向為起始位置，值域為[-π/2,π/2]，逆時針為正；xmax、ymax、vmax分別是縱、橫向距離及速度的最大正值，其中λ1=vmax/xmax，λ2=vmax/ymax。圖2 展示了行人航向角θ為0 時，沿y軸負方向加速行走的行人斥力場三維圖。

圖2 行人斥力勢場三維圖

對于行人航向角θ，當時θ≠ 0，行人斥力勢場UP應當隨著航向角θ偏轉。設偏轉后的行人斥力勢場周圍任意位置（x'，y'）處的勢場為偏轉過程如式(3)所示。

圖3 展示了行人在不同運動狀態下的斥力勢場映射圖。在圖3a 中，行人以1 m·s-1的速度，從(10,10)位置勻速向y軸正方向移動，斥力場向y軸正負兩端延伸；圖3b 中的行人速度比3(a)中的速度更快，斥力勢場在y軸正負兩端延伸程度更大；圖3c 中的行人在3a 中的基礎上做勻加速運動，此時的斥力勢場更傾向于往y軸正向延伸；圖3d 中的行人在3c 的基礎上改變了運動航向角，行人在x軸方向獲得速度，使斥力場分布變寬且整體逆時針旋轉30°。

圖3 不同狀態下的行人斥力勢場xoy 平面映射圖

1.2 道路引力勢場

道路引力勢場的作用是“吸引”主車前往目標位置附近，通常認為當前時刻主車所要前往的目的地位置附近引力勢場值最低。設主車欲前往的目的地坐標為（xa，yb），與(1)式同理，記主車在坐標系任意位置（x，y）處的道路引力勢場方向向量為ea，則主車的道路引力勢場Ua定義如下：

式(4)中：ka為道路引力勢場因數，該因數值越大則勢場下降梯度越大，道路引力勢場越強；圖4 描述了主車目的地位置為(50,20)時的道路引力勢場分布。

圖4 道路引力勢場三維圖

1.3 道路邊界斥力勢場

道路邊界斥力勢場的作用是引導主車行駛在規定的道路范圍內，避免其駛出道路邊界。設主車在任意位置（x，y）處的道路邊界斥力勢場為Ur，斥力勢場方向向量為er，由于本文選擇的道路類型為直行道，則er始終沿豎直方向(y軸)垂直于x軸，故er=(0,±1)。Ur的定義如下：

式中：kr為道路斥力勢場因數，該數值越大，則道路邊界對主車的排斥程度越強；y1和yr是左右車道邊界線的橫向位置；L是道路橫向寬度；圖5 是道路邊界斥力勢場Ur的三維圖，道路中間位置勢場大小為0，越靠近道路兩側邊界的勢場值越大。

圖5 道路邊界斥力勢場三維圖

定義行車風險場U為行人斥力勢場UP、道路引力勢場Ua和道路邊界斥力勢場Ur的疊加：

圖6和圖7分別是行車風險場U的三維圖和映射圖。

圖6 行車風險場U 三維圖

圖7 行車風險場U 映射圖

利用行車風險場U和目的地坐標（xa，yb）就可以計算主車在任意位置到（xa，yb）的全局路徑：將U、（xa，yb）和τ(主車與目的地位置的距離閾值)作為函數輸入；初始化全局路徑變量Path、主車初始位置（x0，y0）、主車當前位置、搜索步長step、迭代次數k；隨后進行搜索迭代，若主車當前位置與目的地位置距離超過閾值τ且當前位置的風險場梯度存在且不等于0，則主車在當前位置基礎上的移動矢量為將每次循環更新后的當前位置保存到Path 中，最后便求得了主車在（x0，y0）位置時，欲前往（xa，yb）的全局路徑。圖8是主車位置在(10,10)、目的地位置為(100,10)、行人位置為(60,15)時的全局參考路徑結果圖，行人以0.25 m·s-2的加速度沿軸負方向運動，此時行人速度為1.25 m·s-1，τ為0.5 m。

圖8 全局參考路徑仿真結果

2 基于模型預測控制的局部路徑規劃層

基于行車風險場U規劃出的全局路徑能夠避開行人到達預定位置，為主車行駛起到了一定的引導作用，但全局路徑在規劃時并未考慮車輛動力學約束，當規劃出的全局路徑出現局部曲率突變時，主車便無法根據全局路徑行駛，因此，需要在全局路徑的基礎上再規劃出一條滿足車輛動力學和道路約束的局部路徑。本文在車輛點質量模型基礎上，構建基于模型預測控制的局部路徑規劃層。

2.1 車輛點質量模型

模型預測控制(MPC)應用到非線性的車輛動力學模型時，計算量較大且難以保障實時性，因此，為了向控制層預留更多計算空間，提高計算速度，選擇點質量模型作為局部路徑規劃層的主體。如圖10 所示，設x、y為車輛縱橫向位移；為車輛縱橫向速度；φ為車輛航向角；v為車輛質心速度。

圖9 車輛點質量模型

設縱向為勻速，車輛點質量運動模型[19]為：

設局部路徑規劃層的預測時域和控制時域分別為Np和Nc且Np＞Nc，對式(8)作前向Euler 離散化，得t時刻下的離散狀態方程[17]和輸出為：

式(9)中：Tp為規劃層的采樣周期。

2.2 基于行人斥力場重心的避障功能函數

傳統避障功能函數以主車與障礙物間的質心距離來確定目標函數值，距離越近則避障函數值越大。當主車面對加速穿行的行人時，避障功能函數還應當考慮動態障礙物的運動趨勢，在行人質心位置基礎上將避障點朝行人加速方向前移，使主車避障時機提前，避障橫向距離增大，確保避障安全。通過行人斥力場(圖3)可以清楚地看出行人此時刻的運動趨勢，因此，本文提出一種基于行人斥力場的新型避障函數。如圖10 是行人以航向角θ加速運動的行人斥力場映射圖，設行人的大地坐標位置為P=（x0，y0），記行人斥力場在XOY平面上的映射區域為A，高度為h，寬度為w。若映射區域內存在一點P'=（xP，yP）滿足

圖10 行人斥力場重心示意圖

則P'為在XOY平面上的映射重心位置，且有dy=yp-y0，dx=xP-x0，θ=arctan(dx/dy)。因此，當行人加速時，行人斥力場重心P'主要分布在加速度方向的前端，主車應當以行人斥力場重心位置P'作為新的障礙物質點，得到改進后的避障功能函數為

式中：Sobs為避障權重因數；（xc，yc）為主車質心位置；σ是一個極小的正數，防止分母為零。

2.3 局部路徑規劃層的目標函數和約束設計

局部路徑規劃層的作用是規劃出可以安全避開障礙物、滿足車輛動力學和道路邊界等約束條件的可行駛軌跡，同時還應保證局部路徑與全局參考路徑的偏差較小。對于規劃層控制量u=[ay]，考慮其對車輛的動力學約束：由于式(7)中已假設點質量模型縱向為勻速，則摩擦圓約束可以化簡為｜ay｜≤μg，μ為路面附著因數，g為重力加速度。因此，考慮控制量、控制增量約束和摩擦圓約束，設計規劃層目標函數和優化過程的約束條件為：

將式(12)求得的預測時域內最優控制序列輸入(9)式中，得到預測時域內局部(local,L)路徑規劃的離散點i=1,2,…,Np。最后采用四次多項式擬合離散的局部路徑避障點，獲得局部路徑規劃層輸出的局部避障路徑。

3 基于模型預測的軌跡跟蹤控制器

3.1 車輛動力學模型

車輛作為非線性系統，其運動狀態下的動力學過程極其復雜，考慮到過于復雜的模型系統不利于仿真模型的建立以及提高算法控制的實時性，因此，本文在盡可能充分描述動力學特性的條件下采用簡化的整車非線性二自由度動力學模型，并進行了線性化處理。假定前輪偏角足夠小且車輛直接用前輪轉角控制車輛轉向，構建如圖11 所示的車身橫擺與橫向二自由度動力學模型，圖中：δf為前輪轉角；Fcf(Fcr)和Flf(Flr)為前(后)輪受到的側向與縱向力；la(lb)為前(后)輪中心位置到車輛質心的距離；ω為橫擺角速率；v為質心速度。

圖11 車輛二自由度動力學模型

根據文獻[20]，當主車前輪偏角δf和輪胎側偏角足夠小時，車輛動力學非線性模型如下：

式中：m為車身質量；Sf(Sr)為前(后)輪滑移率；Ccf(Ccr)和Clf(Clr)分別為前(后)輪的縱向和橫向側偏剛度；Iz為整車繞軸的轉動慣量；分別為整車質心的橫縱向速度；φ為橫擺角；Y和X是大地坐標系下的縱橫向坐標。

式中：A(t)和B(t)分別為線性化過程中對t時刻的狀態量和控制量求得的Jacobi 矩陣。

設T為控制層采樣周期，I為單位矩陣。對式(15)第2 行作前向Euler 離散化：

其中：

式(18)中：

3.2 軌跡跟蹤層的目標函數和約束設計

軌跡跟蹤層的作用是控制主車參考全局路徑重規劃后的局部路徑行駛，為保證主車實際行駛路徑與局部路徑規劃層輸出的重規劃路徑偏差盡可能小，設計軌跡跟蹤層的優化目標函數為

式中：ΔU(t)為每一控制周期下所求的控制增量序列，Q和R皆為權重矩陣，分別用于控制輸出量偏差和控制量大小；ρ是松弛因子權重矩陣；ε為松弛因子。

為使主車行駛穩定，需要在設置控制器軟約束(控制量約束和控制增量約束)的基礎上考慮車輛的動力學約束：對于影響行駛穩定性的質心側偏角約束β，極限范圍設置為 ±12°[20]；對于影響舒適性的車輛附著條件約束：本文設路面附著因數μ=0.8，縱向速度恒定，在橫向上應滿足[20]：

同時，為滿足控制器求解過程和舒適性指標，在式(21)添加軟約束ε以動態調整附著條件約束：

其中：ay,min和ay,max為橫向加速度的極限范圍；對于車輛行駛安全性，在3.1 節的小角度假設前提下，對前輪側偏角αf的約束范圍設置為±12°[20]。

結合式(19)-(21)，軌跡跟蹤控制問題即為如下優化問題：

式 中：Umax(Umin)為最大(小)控制量集合；ΔUmax(ΔUmin)為最大(小)控制增量集合；ηmin、ηmax為輸出量上下極限約束；yhc(ysc)為硬(軟)約束輸出，yhc,max(min)為硬約束輸出的極限值，ysc,max(min)為軟約束的極限值；約束條件的第2 行中A=D?Im，D為Nc行的下三角單位矩陣，?為Kronecker 積，Im為m維單位矩陣。

將式(19)中的目標函數轉化為標準二次型后，結合約束條件求解控制時域內每一控制周期下的控制增量序列ΔU(t)，再將該控制序列首個元素作為控制增量輸入，每個控制周期都重復此步驟，從而實現主車的軌跡跟蹤。

4 路徑規劃跟蹤算法仿真實驗

本文設計雙規劃層生成參考軌跡，對于全局路徑規劃層，將傳統靜態全局路徑設計為行車風險場實時規劃的動態路徑供局部路徑規劃層參考；對于局部路徑規劃層，設計基于行人斥力場重心的新型避障功能函數來優化局部路徑；采用模型預測控制算法跟蹤局部路徑，實現主車對動態行人的避障?？紤]到Carsim建立車輛動力學模型和PreScan 構建場景、傳感器的優勢，本文在PreScan-Carsim 聯合仿真平臺上進行仿真實驗，驗證算法的有效性，仿真實驗平臺結構原理如圖12 所示。

圖12 聯合仿真控制原理結構圖

4.1 動態風險場全局路徑規劃層下的主車跟蹤避障仿真

為了測試行車風險場下主車對加速橫穿行人的避撞效果，設計如圖13 所示的場景。

圖13 試驗仿真場景

主車與行人的坐標分別為(0,5)、(23,2)；人行道寬3 m，車道為兩車道，單車道寬3.8 m，長度100 m；主車車速為恒定值，分別設為30、45、60 km·h-1，沿縱向直線行駛；行人初始速度為0.75 m·s-1，沿橫向直線加速運動，加速度為0.25 m·s-2；另外，在車輛頂部質心位置設置PreScan 自帶的AIR 傳感器，用于檢測主車與行人的相對位置關系，檢測距離最大為50 m，掃描角度為180°，即車輛質心橫坐標位置大于行人時(主車在行人面前駛過)，行人不再被檢測到。仿真實驗中的主車參數如表1 所示，基于動態風險場的全局參考路徑規劃層參數如表2 所示，局部路徑規劃層和軌跡跟蹤層的參數分別如表3 所示。

表1 主車參數

表2 基于行車風險場的全局參考路徑規劃層參數

表3 模型預測控制器參數

圖14 展示了動態風險場全局參考路徑下的主車在不同車速下的仿真對比結果。數據表明：主車在不同車速下完成行人避障的同時，其前輪轉角(｜δf｜＜4.82°)、橫擺角(｜φ｜＜7.98°)、橫擺角速率(｜ω｜＜12.88 (°)/s)、橫向加速度(｜ay｜＜0.26g)、質心側偏角(｜β｜＜1.5°)、前輪側偏角(｜αf｜＜2.88°)、前輪轉角增量(｜Δδf｜＜0.35°)皆在約束范圍內，不同車速下各參數的最大值參考表4。

從圖14a 可以看出，主車在各車速下均能完成對行人的避障并逐漸返回原始車道，由于避障函數與車速成正比，當主車速度越快，避障函數值越大，局部路徑規劃層輸出的避障路徑越早呈現出避障趨勢。在圖14b中，主車速度越大則局部路徑規劃層中的避障函數會反饋較大的函數值，使局部路徑較早顯現出避障形態，因此，由于高速車輛能夠提前按照避障姿態下的局部路徑行駛，當逐漸接近行人時，主車不再需要像低速下行駛那樣，需要在短時間內獲得較大的前輪轉角。

圖14b-f 中所有車速為45、60 km·h-1的數據曲線在仿真開始時刻附近都呈現出較大的梯度，這是由于該場景設計的主車初始位置與行人間的縱向距離較近且車速較高導致的避障函數初始值在一開始就處于較大的區間，一旦開始仿真，局部路徑規劃層輸出的局部路徑就有了避障趨勢，從而使軌跡跟蹤層輸出的前輪轉角增量一開始就具備避障功能，促使橫擺角、橫擺角速率、橫向加速度和質心側偏角在仿真起始位置急劇上升，但根據圖14a 顯示，此種情況并不影響后續主車對行人的避障，且根據表4 數據統計結果，各項參數均在在合理的約束范圍內。

從圖14g 中可以看出隨著車速的增大，前輪側偏角｜αf｜的最大值依次減小，這是由于主車車速V的增大導致避障功能函數(式(11))值變大，從而讓局部規劃層輸出的避障軌跡較早地呈現出避障趨勢，使得主車提前做出避障行為，因此，主車車速越大則避障時的前輪轉角峰值越小(圖14b)，前輪側偏角｜αf｜峰值越小(圖14g)，前輪轉角增量｜Δδf｜峰值越小(圖14h)。

圖14 主車在不同車速下跟蹤動態風險場全局路徑的仿真結果

表4 為主車在道路附著因數為0.8 時，各車速下的避障仿真數據最大值統計，從表中結果可知：在動態風險場全局路徑下，主車能夠實現動態行人避障功能，各項參數的最大值皆處于合理的約束范圍內。

表4 μ 為0.8 下的各車速行車風險場避障仿真數據最大值

4.2 動態行車風險場全局路徑與靜態全局路徑避障仿真對比

基于圖13 的場景參數，控制主車速度變量為30 km·h-1，將全局路徑規劃層輸入分別設置為傳統靜態全局參考路徑(y=5 m)與基于動態行車風險場的全局參考路徑，對比主車參考2 種不同全局路徑時的避撞橫向安全性與穩定性。

圖15a 是2 種全局參考路徑下的行人距主車輪廓最短橫向距離對比結果：主車在仿真前1.4 s 與行人的橫向距離不斷接近，且靜態全局參考路徑下的主車在橫向上更快地靠近行人；1.5 s 后，靜態全局參考路徑下的人車橫向距離減小幅度變緩，而動態風險場全局參考路徑下的主車為避免與行人在橫向上距離過近，緩慢地增加與行人之間的橫向間距，直到2.6 s 左右，車輛駛過，行人消失在傳感器的檢測范圍內，傳感器數值置為零。在圖15a 中，計算2 條曲線在0～2.6 s 之間的積分結果，其中靜態全局路徑方法下的最短人車橫向距離曲線積分結果為2.611，而動態風險場全局路徑方法的曲線積分結果為2.732，與前者相比提升了4.63%，因此，利用動態風險場全局路徑作為主車避障輸入提高了人車之間的橫向安全性。

圖15b 是主車分別在2 種全局參考路徑下駛過的前40 m 實際路徑，從圖中可以看出：主車在動態風險場全局路徑下做出避讓的行為早于靜態全局路徑且在橫向上具有更大的偏移量。

圖15c 是主車在2 種全局參考路徑下前50 m 的避障函數值變化對比結果。從圖15c 可知：當主車在動態風險場全局路徑中，其避障函數值增長速度和峰值皆低于靜態全局路徑，這是由于在動態風險場全局路徑規劃層下的局部路徑規劃層中構建了基于行人斥力場重心的新型避障函數，當行人加速時，車輛對行人的避障點并非在行人質點位置，而是在行人加速方向的前一段位置(行人斥力場重心位置)，因此，車輛避障時機和避障距離都會相應地提前和增加，從而導致Jobs值減小。

圖15d 是主車在2 種全局路徑下的質心側偏角β對比數據，根據表4 的約束條件，結果表明：2 種方法皆滿足車輛行駛穩定性約束條件，其中靜態全局參考路徑下的質心側偏角最大絕對值為1.34°，而動態風險場全局參考路徑下為1.08°，因此，車輛在動態風險場全局路徑下的避障穩定性更高。

圖15e 是隨仿真時間推移下的軌跡跟蹤控制器迭代時間，可以看出，控制器在2 種全局參考路徑下的計算時間處于40～50 ms 的區間內。

圖15 靜態全局路徑與動態行車風險場全局路徑仿真結果

圖16 為前3 s 內主車對加速橫穿的行人避撞過程。由圖16 可知：2 種全局參考路徑下的主車都可以避讓加速橫穿的行人，而主車在靜態全局路徑下避讓行人的同時更看重車道的保持，相反，在動態風險場全局路徑下的主車更看重與行人在橫向上保持安全距離。

圖16 靜態全局路徑與動態風險場全局路徑仿真過程對比

5 結論

本文將動態行人作為主車在交通場景的避障對象，建立基于動態行車風險場的全局參考路徑規劃層，設計基于模型預測控制的局部路徑規劃層和軌跡跟蹤層，實現行人障礙物加速橫穿場景下的主車路徑實時規劃與避障。提出基于行人斥力場重心的新型避障函數，保證主車與行人避障過程中的安全橫向距離。搭建PreScan-Carsim 聯合仿真平臺，設計多車速避障場景對提出的方法進行驗證。

結果表明：主車能在合理的橫向位移下對加速橫穿的行人完成避障，且能保持行駛穩定性(｜β｜＜1.5°)，在一定范圍內，車速越高，局部參考路徑越早呈現出避障姿態，主車避障行為越早，符合現實場景下的避障安全性；設計靜態全局參考路徑與基于動態行車風險場的全局參考路徑對比實驗，結果表明：將全局路徑規劃層替換為本文設計的動態行車風險場規劃層，主車仍能夠完成對動態行人的避障，且避障穩定性提高了7.21%，橫向安全性提高了4.63%。