基于行人橫穿事故的AEB 系統關鍵參數研究

姚禹城，祝琳

（201620 上海市 上海工程技術大學 機械與汽車工程學院）

0 引言

隨著我國經濟的快速發展，汽車保有量也隨之增加，汽車在提供便利的同時，也帶來了嚴重的安全問題。據統計，在我國道路交通事故中，行人作為交通參與弱勢方的死亡占比率最高[1]。研究適合我國道路交通環境的汽車主動安全系統已成為各大高校和車企重點關注的問題，其中自動緊急制動（Automatic Emergency Braking，AEB）系統能有效避免或減輕事故的發生[2]。

國內學者胡文浩[3]等對全球事故協調計劃（Initiative for the Global harmonization of Accident Data,IGIAD）數據庫進行挖掘，對交通參與方、事故形態等進行了分析，并聚類構建了典型預碰場景；曹毅[4]等基于國家車輛事故深度調查體系（National Vehicle Accident In-depth Investigation System，NAIS）數據庫中人車碰撞視頻，對人車事故進行特征分析，得出在行人AEB 中傳感器探測角度比探測距離對行人的保護更重要；郭風虎[5]等利用轎車-電動兩輪車事故，對AEB 系統傳感器探測角度和探測距離進行了優化；何霞[6]等采用PreScan 和Simulink 聯合仿真平臺，討論了行人AEB 觸發寬度與車輛速度之間的關系。國外學者ANDERSON[7]等人基于真實交通事故數據，分析AEB 系統在追尾、右轉和行人碰撞中的表現；歐洲新車評價規程（Euro-NCAP）在2014 年正式將AEB 系統納入測試規范，并在2025 遠景技術路線圖中重點提出了對道路弱勢群體的保護性[8]。

筆者對篩選的108 起人-車橫穿碰撞事故進行重建，得出事故發生的整個過程，然后對事故發生時間、行人碰撞位置、人車速度進行特征分析，并結合中國新車評價測試規程（C-NCAP）[9]聚類得出3 類行人橫穿事故場景。基于主流傳感器參數和事故數據，通過聯合仿真平臺，得出在行人橫穿場景下AEB 系統傳感器探測范圍和分級制動策略的最優值，為設計符合我國道路交通環境的AEB系統提供參考。

1 事故篩選與重建

1.1 案例篩選

本文基于NAIS 松江站點數據庫進行乘用車對橫穿行人事故案例（簡稱行人橫穿事故）的篩選，篩選標準為：事故參與行人只有1 人且運動方式為橫穿馬路；事故參與車輛只有1 輛，且為轎車、面包車、SUV；案例需采集到汽車事故資料記錄器（Event Data Recorder，EDR）數據或行車記錄儀數據或道路監控視頻。基于以上標準，從NAIS 松江站點篩選出108 起行人橫穿事故。

1.2 事故重建

事故重建是對事故發生過程進行再現的一種技術，目前PC-Crash 是事故重建中應用較多的軟件。行人橫穿事故重建主要依據事故現場航拍圖、與參與方相關的各種痕跡、車輛損壞位置、人員傷情、汽車EDR 數據、事故視頻、參與方及目擊證人的自述信息，然后在PC-Crash 軟件中再現事故發生全過程，為后文AEB 系統優化研究提供參考。

重建底圖選用分層CAD 事故過程圖和事故地點道路航拍圖融合的方法，做到1∶1 還原真實事故場景，提高重建過程準確率。圖1 為事故現場航拍圖，圖2 為事故過程圖。

圖1 事故地點道路航拍圖Fig.1 Aerial photo of road at accident site

圖2 分層CAD 事故過程圖Fig.2 Layered CAD accident process diagram

在PC-Crash 對108 例行人橫穿事故進行重建，并通過視頻和汽車EDR 數據進行校準，還原碰撞過程，可以得到車輛與行人的運動軌跡、運動速度、車輛制動減速、碰撞點位置等相關信息。三維可視化碰撞過程如圖3 所示。

圖3 仿真碰撞過程圖Fig.3 Simulation collision process diagram

2 行人橫穿事故分析

2.1 行人橫穿事故總體信息

事故發生時間分布如圖4 所示。事故主要發生時間在5:00—8:00 和19:00—23:00，此時為上下班時間，交通參與者較多，沖突相應增多，人車碰撞事故概率相應增大。在午間13:00-15:00，人車事故數也較多，這應該與午休期間人們比較疲勞有一定的關系；在18:00-20:00 也會有人車事故發生，這應該與黃昏時光線轉換有關；在23:00—次日2:00，此時交通參與者少，道路空曠，汽車容易超速行駛。在篩選的行人橫穿事故中，行人從左側橫穿馬路與從右側橫穿馬路的事故數占比為44%和56%。統計發現，左側橫穿事故多發生在白天，事發時光線較好；右側橫穿事故大部分發生在夜間和晨昏，事發時光線較差。

圖4 事故時間分布Fig.4 Accident time distribution

2.2 碰撞位置與速度特征分析

在對行人橫穿事故進行分析時，將事故車輛前部分為4 個部分，從右向左依此是F1、F2、F3、F4。行人橫穿事故第一碰撞點分布如圖5 所示。發生在車輛兩側的事故較多，占比為74.4%，由于發生在兩側的近端碰撞給予傳感器的反應時間較少，因此最為危險。

圖5 行人碰撞位置分布Fig.5 Pedestrian collision location distribution

碰撞前車輛行駛速度與行人橫穿道路速度對AEB 系統參數的選取有著直接影響,本文對事故中車輛與行人的速度進行特征分析，結果如圖6、圖7 所示。車輛速度大部分在40～60 km/h，占比62.1%，均值為56.2 km/h。行人橫穿速度主要分布在0～10 km/h，速度均值為5.83 km/h，考慮行人緩慢行走速度接近步行速度，因此把行人分為步行和奔跑2 種狀態。

圖6 車輛運動速度Fig.6 Vehicle moving speed

圖7 行人運動速度Fig.7 Pedestrian moving speed

2.3 測試場景

在對事故數據進行分析時，因與事故發生的相關因素較多，不利于AEB 系統關鍵參數的確定，因此結合C-NCAP 行人AEB 測試規范與事故發生時間、車輛碰撞前速度、行人橫穿道路速度等關鍵信息的特征分析進行聚類，構建了3 類典型行人橫穿測試場景，如表1 所示。

表1 行人橫穿測試場景Tab.1 Pedestrian crossing test scene

（續表）

3 傳感器探測角優化

3.1 控制算法

目前車輛行駛的安全狀態判別方法主要有基于車距和基于時距判別法[10]，本文采用后一種算法，即碰撞時間（Time to Collision，TTC）模型算法。AEB 系統依據時間指標TTC 來判別與行人發生碰撞的可能性，然后控制車輛采取相應動作，以達到避免碰撞事故發生。

TTC 模型算法公式為

式中：d——車輛與行人的縱向距離，m；vrel——車輛與行人縱向相對速度，m/s。

在針對傳感器探測角進行優化時，選用PreScan軟件中AEB系統自帶的一級全力制動策略。

3.2 基于測試場景優化探測角

傳感器探測范圍由探測距離R和探測角θ表示，文獻[4]認為，在行人AEB 系統中，傳感器探測角比探測距離更為重要。基于PreScan 軟件搭建測試場景，在場景中設置行人步行速度為5 km/h、奔跑速度為9 km/h,調整時間改變光照條件，設置R為60 m，θ選用50°，60°，80°三種主流傳感器探測角進行仿真，3 種測試場景仿真結果如圖8 所示。

圖8 不同探測角下的碰撞速度Fig.8 Collision velocity at different detection angles

在測試場景1 中，探測角為50°和60°時，車速在40 km/h 以下均可避免碰撞，探測角為80°時，車速在50 km/h 以下可避免碰撞；當3 種探測角均發生碰撞，對比可看出探測角為80°時，車輛與行人的碰撞速度最低。同樣的方法應用于其他2 種測試場景，在場景2 中，探測角為80°效果最好；場景3 中，探測角為50°效果最好。對3 種測試場景下每個探測角避免碰撞時，車輛與行人的避撞停止距離進行累加，得出探測角度為80°時距離最小，所以傳感器最優探測角為80°。

4 AEB 控制策略優化

系統自帶的制動策略無法滿足駕駛舒適性及制動效率，因此對AEB 制動策略進行優化，考慮采用分級制動原理對車輛進行控制。

4.1 分級制動策略

在事故發生時，汽車EDR 會記錄碰撞前5 s車輛速度變化數據，在篩選的108 例案例中有51例含有EDR 數據。對車輛EDR 觸發數據進行分析，得到碰撞前各時刻相應的制動減速度，求出事故發生前車輛的平均制動減速度，如圖9 所示，平均制動減速度的均值為4.3 m/s2。

圖9 事故平均制動減速度Fig.9 Average braking deceleration of accidents

在真實的交通環境下，AEB 系統主動制動需要一個合適的時間閾值，才能給駕駛員帶來安全和舒適的雙重保障。文獻[11]表明，事故避撞率整體趨勢隨著制動減速度的增大而增大，但增大有一定限度，在制動減速度達到7.8 m/s2時，避撞率基本不再增加。

考慮駕駛舒適性及制動效率，本文中AEB 系統采用分級制動原理對車輛進行控制。控制原理設計：當TTC=3.6 時，AEB 系統進入預警模式，提醒駕駛員有潛在危險出現。若駕駛員沒有采取動作解除預警，在TTC=1.6 時，AEB 系統進入預制動環節，對汽車輸入4.3 m/s2的制動減速度進行避撞；如預制動沒有使汽車停下且駕駛員無立即制動汽車的動作，在TTC=0.6 時，AEB 系統則進入全力制動環節，即對汽車輸入7.8 m/s2的制動減速度，直到汽車停止或者與行人發生碰撞。

4.2 驗證分析

采用控制變量法對AEB 控制策略進行驗證，即利用Simulink 搭建控制策略，其他參數設定為固定值，然后與搭建的場景進行聯合仿真。2 種策略下得出碰撞速度結果如表2 所示。

表2 3 種測試場景下不同策略的碰撞速度Tab.2 Collision speed of different strategies in three test scenarios

從表2 中可看出，在3 種場景測試時，采用分級制動策略可以避免低速工況避撞，在速度較高時仍然不能完全避免人車碰撞事故的發生，但是相較采用一級全力制動策略，可明顯看出分級制動策略的碰撞速度普遍降低，說明采用分級制動策略可以更好地避免人車碰撞事故的發生或者降低碰撞發生的嚴重程度。

5 結語

本文基于108 起行人橫穿案例并對事故進行特征分析，得出3 類典型測試場景，通過聯合仿真，對AEB 關鍵參數進行研究，得出如下結論：

（1）行人從左側橫穿事故基本發生在日間，右側橫穿的事故大部分發生在夜間和晨昏，說明右側橫穿事故受光線影響較大；

（2）在行人橫穿事故中，統計發現車輛速度在30～85 km/h，相較C-NCAP 測試法規，在真實交通環境中，車輛在事故發生前的行駛速度更高；

（3）典型試場景下，行人AEB 系統關鍵參數最優組合為：采取分級制動控制策略，預警TTC=3.6 s；預制動TTC=1.6 s，制動減速度a=4.3 m/s2；完全制動TTC=0.6 s，制動減速度a=7.8 m/s2；傳感器探測距離R=60 m，雷達探測角θ=80°。

本文建立的3 類測試場景不能完全代表行人橫穿時的事故場景，且未考慮障礙物對行人AEB 系統的影響。在后續研究中將對轉向車輛與行人橫穿的場景進行研究，并重點考慮障礙物對傳感器探測范圍和控制策略的影響。