雨霧天氣下的自動緊急制動系統測試評價方法研究

張新鋒， 李浩， 宋瑞， 楊凱凱

（1. 長安大學 汽車學院，西安 710064；2. 長安大學 信息學院，西安 710064；3. 中國汽車技術研究中心有限公司，天津 300300）

自動緊急制動（Autonomous Emergency Braking，AEB） 系統屬于高級駕駛輔助系統（Advanced Driving Assistant System，ADAS）范疇中的一種主動安全技術。當發生緊急情況時，通過預警機制和自動制動可以避免車輛發生碰撞或者降低碰撞概率，減小碰撞后的損失，提高行車安全性［1-2］。根據美國高速公路安全保險協會（Insurance Institution of Highway Safety，IIHS）的研究，AEB 系統可以減少27%的交通事故［3］。ROSéN 等［4］研究顯示AEB系統可將死亡人數減少40%，重傷人數減少27%。因此，AEB系統在提高車輛行駛安全性方面作用顯著。如何測試AEB 系統的性能，需要構建科學完善的AEB系統測試評價體系。

AEB系統的測試評價過程主要包括構建測試場景、建立評價方法和進行綜合測試評價。在測試場景構建方面，根據歐洲新車評價協會（European New Car Assessment Program，Euro-NCAP）和中國新車評價規程（China- New Car Assessment Program，C-NCAP），將AEB 系統測試場景按照事故碰撞對象劃分為3 類，分別為車對車測試場景、車對兩輪車測試場景和車對行人測試場景，并據此開展了大量的場景測試研究。季中豪等［5］針對實車開展AEB 系統測試，在測試場景中增加了碰撞點偏置、彎道測試、自行車與行人測試和夜間測試，以突出測試AEB 系統的感知與制動能力。GELDER 等［6］和LENARD 等［7］將深度調查事故數據和自然駕駛數據結合，采用聚類分析方法，將靜態（道路、環境）與動態元素（交通參與者）融合，構建測試場景。李霖等［8］依據中國交通事故數據中騎行者的事故數據，采用聚類分析方法，根據危險工況搭建了車-騎行者的危險工況測試場景。胡林等［9］利用兩輪車事故數據，采用聚類算法，分析不同參數特征下事故傷亡程度，得到速度等運動參數，構建了車-兩輪車的AEB 系統測試場景，提出針對我國道路特征的面向兩輪車的AEB 系統測試方法。在測試評價方法方面，現有研究主要以某一單指標對AEB 系統進行評價。EDWARDS 等［10］基于交通事故數據庫，通過分析車與行人碰撞數據，得到3 種不同車速下行人直行與橫穿的測試場景，采用以是否發生碰撞作為AEB 系統評價的唯一指標。吳斌等［11-12］基于自然駕駛數據集和車輛的運動參數，篩選危險場景，根據發生780 例事故的危險場景，設計了測試場景，以最大制動減速度和緊急制動反應時間作為評價指標，對AEB 系統進行評價。胡遠志等［13］搭建了前車靜止（Car to Car Stationary，CCRs）與前車制動（Car to Car Braking，CCRb）場景，采用基于安全距離的控制策略與基于碰撞時間的控制策略，以制動距離作為評價指標，評價了不同AEB 系統控制策略在不同場景下的表現。彭憶強等［14］依據我國事故類型、傷亡人數和財產損失等數據，提出我國城市道路的AEB 系統不同測試工況，并以速度減少量作為評價指標，通過實車測試驗證評價方法。以上研究豐富和完善了AEB 系統測試評價理論和技術，但也存在著不足之處，主要表現為：測試場景均未反映雨霧等危險復雜天氣情況；評價方法采用單一指標，導致評價結果與實際情況存在較大偏差。

綜上所述，為了提高AEB 系統測試評價結果的客觀性和準確性，完善AEB 系統的測試評價體系，本文考慮復雜氣象條件，采用NAIS 的事故數據，參考C-NCAP 測試規程［15］，構建多個測試場景；引入層次分析法（Analytic Hierarchy Process，AHP）搭建AEB 系統層次結構模型，以碰撞時間（Time to Collision，TTC）、速度減少量百分比、相對距離和最大減速度等4 個與車輛制動相關因素作為評價指標，提出了AEB 系統綜合評價方法；在PreScan-Simulink 平臺上搭建了仿真測試場景，應用所提方法進行了測試評價，并與傳統的單一指標評價方法進行對比驗證。

1 AEB系統測試場景構建

研究AEB 系統測試場景，需要基于交通事故的具體情況，構建AEB 系統測試方法［14］。根據NAIS的499例機動車碰撞事故數據，按天氣類型和事故對象統計的結果見表1。

表1 NAIS事故統計數據

根據天氣類型，可以分為晴天、陰天和惡劣天氣3 類，由表1 可知，晴朗天氣下事故占比為70.25%，雨霧天氣下事故占比為14.10%，這說明雨霧等復雜氣象條件是車輛測試場景不可回避的。根據車輛事故對象可分為與機動車、與兩輪車、與行人和與單車4 類，分別占比為40.17%、19.10%、15.76%和24.97%。根據中國交通事故深入調查（China In-Depth Traffic Accident Study，CIDAS）報告［16］，制動不及時導致交通事故的占比約為15%。根據公安部交通管理局公布的數據［17］，約50%是由前車過慢行駛而引起追尾，此外，前車突然變道引發追尾事故，也占有一定比重。因此，在設計測試場景時，還需要考慮車輛偏置碰撞的情況［5］。由于機動車在良好天氣下和對機動車碰撞事故占比最大，構建良好天氣下對機動車測試的場景更符合實際情況。而機動車在雨霧天氣和對兩輪車以及對行人也占有一定比例，且被測對象的體積大小會影響傳感器的識別效果，因此，考慮到霧天能見度比雨天更低，且行人體積相對于兩輪車更小，為了更客觀地反映AEB 系統在雨霧天氣下的性能，需要設置雨天機動車對兩輪車碰撞和霧天機動車對行人碰撞的測試場景。

綜合考慮天氣類型、事故對象和偏置碰撞因素，參考C-NCAP 的AEB 系統試驗方法［15］，針對機動車、自行車、摩托車和行人在良好天氣、雨天和霧天3 種天氣下，以及25%、50%和75%偏置碰撞情況下，構建了前車靜止、前車制動、前車低勻速、騎行者橫穿馬路、騎行者沿路、行人橫穿馬路和行人沿路等7類，共計17個AEB系統測試場景。

2 AEB系統綜合評價方法

2.1 AEB評價層次模型

AHP是一種常用的多準則決策方法，可以對定性問題進行定量分析，在眾多領域評價方面有著廣泛的應用，本文考慮應用該方法對AEB 系統在不同測試場景下進行評價。

AHP包括目標層、準則層和方案層，可分別用M、Z和F表示。根據構建的測試場景與AHP原理，將天氣類型作為準則層Z1，事故對象作為準則層Z2，各種偏置工況作為方案層F，對應上述7 類共17 個測試場景，建立AEB 系統評價層次模型，如圖1所示。

圖1 AEB評價層次模型

2.2 判斷矩陣確定

在AEB 系統評價模型中，層間元素的相對重要性，可用判斷矩陣來表示。先對同層元素進行兩兩比較，再利用九分位比率將重要程度數值量化，則目標層M相對準則層Z1的判斷矩陣A可表示為：

根據3 類天氣條件，可建立3 個準則層Z1與準則層Z2之間的判斷矩陣。以圖1 的雨天場景為例，該準則層Z2（雨天）對方案層F（騎行者橫穿與騎行者沿路場景）的判斷矩陣B可表示為：

根據事故對象，可建立7 個準則層Z2與方案層F 的判斷矩陣。以圖1 的行人橫穿馬路場景為例，該準則層Z2對方案層F的判斷矩陣C可表示為：

按照AHP 方法原理，為了比較元素的重要性，判斷矩陣中元素的取值一般有1、3、5、7、9、1/3、1/5、1/7 和1/9 一共9 個標度，這9 個標度的具體含義見表2［18］，且對角線元素互為倒數。

表2 判斷矩陣取值含義

為了得到目標層M 相對準則層Z1的判斷矩陣A，這里選取了公安部全國道路交通事故統計年報［17］公布的2017 年全國不同天氣類型下道路交通事故數據，和文獻［19］中的2005～2014 年全國不同天氣類型交通事故數據，進行計算確定。

按照良好天氣、雨天和霧天統計事故頻率，可以得到不同類型天氣下的事故比例，結果如圖2所示。

圖2 不同類型天氣下事故比例

由圖2 可知，良好天氣、雨天與霧天的事故統計結果形態基本保持一致，據此可確定判斷矩陣A的參數取值。由于良好天氣的事故比例遠遠大于雨天與霧天，可認為該因素非常重要；雨天的事故比例稍大于霧天，可認為雨天比霧天稍微更重要。結合表2 中判斷矩陣的取值含義，可確定判斷矩陣A為：

經計算可得判斷矩陣A的最大特征值為3.080 3，其對應的特征向量為（3.979 1，0.753 9，0.333 3），則歸一化后向量為（0.785 4，0.148 8，0.065 8）。

為了計算準則層Z1與準則層Z2之間的判斷矩陣，以圖1 中的雨天場景為例，在參考文獻［9］中469 起汽車與兩輪車碰撞事故數據中，因騎行者橫穿馬路事故比例大于騎行者沿路場景比例，可認為騎行者橫穿馬路場景相對騎行者沿路場景的重要性更顯著，因此準則層Z1與準則層Z2之間的判斷矩陣B可表示為：

同理，可求得判斷矩陣B最大特征值為2.00，最大特征值對應的特征向量為（2.236 0，0.447 2），則歸一化特征向量為（0.833 3，0.167 7）。其中的元素分別對應騎行者橫穿馬路和騎行者沿路場景的權重系數。

為了計算準則層Z2對方案層F 的判斷矩陣，以圖1 中的霧天行人橫穿馬路場景為例，在參考文獻［20］基于CIDAS 的198 起直行車輛，且速度不超過80 km/h 的碰撞事故數據中，統計了行人近端與遠端橫穿馬路場景的事故占比，結果見表3。

表3 行人橫穿馬路事故比例

據此建立準則層Z2與方案中F 的判斷矩陣C為：

同理，求解可得C的最大特征值為4.010 3，對應的特征向量為（2.059 8，0.638 9，1.189 2，0.638 9），則歸一化特征向量為（0.455 0，0.141 1，0.262 7，0.141 1）。

以此類推，可構建其余各層次判斷矩陣，得到對應的權重系數。經過計算，良好天氣場景下的權重為：0.097 7，0.715 3 和0.187 0。霧天場景下的權重為：0.750 0 和0.250 0；前車靜止場景下的權重為：0.192 9，0.701 0 和0.106 1；前車低勻速工況的權重為：0.131 1，0.660 8 和0.208 1；前車制動工況的權重為：0.091 9，0.215 1，0.238 1 和0.454 9；騎行者橫穿工況的權重為：0.333 3 和0.666 7；騎行者沿路工況的權重為：0.500 0 和0.500 0；行人沿路場景的權重為：0.500 0 和0.500 0。

2.3 一致性檢驗

由于判斷矩陣是通過同層元素兩兩比較得到的，難免帶有一定程度的主觀性，為了保證對多因素問題評價的一致性，減小主觀判斷帶來的影響，使評價結果更可靠，還需要對判斷矩陣進行一致性檢驗。

根據AHP 方法可知，一致性指標計算公式為CI =(λmax-n)/(n- 1)，其中λmax為判斷矩陣的最大特征值，n為判斷矩陣階數；平均隨機一致性指標RI，可用來判別不同階數判斷矩陣的一致性，RI值的確定可參考表4［21］。進一步可得到一致性比率CR = CI/RI，如果CR＜ 0.10，則表明判斷矩陣具有良好的一致性。

表4 平均隨機一致性指標RI值

根據前面的計算，已知判斷矩陣A的最大特征值為3.080 3，n= 3，計算得CI=0.040 15，查表4可得RI=0.520 0，則CR=0.077 0，由于CR＜ 0.10，可判斷矩陣A具有良好的一致性。判斷矩陣B的最大特征值為2.00，n=2，得CI=0，查表4 可得RI=0，則CR=0，由于CR＜0.10，可判斷矩陣B具有良好的一致性。判斷矩陣C的最大特征值為4.010 3，n=4，得CI=0.003 5，查表4可得RI=0.89，則CR=0.003 9，由于CR＜ 0.10，可判斷矩陣C具有良好的一致性。同理，可求得其他判斷矩陣的一致性比率CR，結果均小于0.10，均具有良好的一致性。

2.4 評價指標

現有的AEB 系統評價標準和規程多以是否避免碰撞作為評價依據，按照打分要求進行評價。評價指標常采用單一參數，如相對距離或者速度減少量，所以存在片面性，難以全面評價安全性，甚至可能導致錯誤評價。例如，選取速度減少量作為評價指標，雖然兩輛測試車輛制動時刻可能不同，導致制動后的相對距離也不同，但都能避免碰撞，因此最終的評價結果是相同的。如果開始制動時刻較早，制動后的相對距離較遠，這種情況可能會影響交通通行效率，導致AEB 系統決策錯誤，引起頻繁制動，因此為了避免類似情況發生，需要考慮多指標的評價方法，全面評價AEB性能。

由于碰撞時間可以判斷車輛制動時刻，采用速度減少量可以評價車輛制動效率，采用相對距離可以評價車輛制動安全性，采用最大制動減速度可以評價乘員的舒適性和緊急制動時車輛安全性。因此，本文引入以上4個評價指標對AEB 系統進行綜合評價。

1）碰撞時間TTC。TTC 指車輛以當前車速行駛時與前車發生碰撞所需要的時間。TTC 較大時，AEB系統介入早，制動效果好，不易發生碰撞，但會影響車輛的行駛狀態，出現頻繁制動，降低駕駛員駕駛體驗；AEB系統起作用過遲會導致相對距離變短，容易發生碰撞。TTC的計算如式（7）所示。

式中：Drel為兩車相對車速；Vrel為兩車相對距離。

2）相對距離d。d為被測車輛制動減速停止時與前方目標的縱向距離，一般車輛停止后與前車保持距離為0.50～3.00 m。相對距離越大，制動安全性越好，但是制動時刻過早可能會影響交通通行效率。

3）速度減少量百分比η。車速能直接影響汽車制動安全性， 不同車速造成的傷害不同，SEARSON 等［22］的研究表明，車輛速度減少5%，事故致死率降低30%。為了統一不同車速對安全性的評價，采用速度減少量百分比作為評價指標。η越小，碰撞發生的概率越大，安全性越低。η的計算如式（8）所示。

式中：V0為制動初速度；V1為碰撞速度。

4）最大制動減速度a。a為車輛制動到停止過程中的減速度最大值，反映制動效能。如果緊急情況下制動減速度過小，難以保證車輛的安全性；如果減速度過大，可能導致車輛失控，影響乘員舒適性。

以上4 個評價指標存在相關性，可在使用時根據實際需求賦予不同的權重系數。

2.5 綜合評價

評價指標的評分過程可參考相關AEB 評價規程，如速度減少量百分比指標評分可參考C-NCAP管理規范［15］和智能汽車集成系統試驗區的AEB 評價規程［23］，具體見表5。相對距離評價得分參考中國汽車工程研究院股份有限公司的自動緊急制動系統評分規則［23］，具體見表6。其他指標得分可采用類似方法得到。

表5 速度減少量百分比得分表

表6 相對距離得分表

單個場景i的測試分數Ti可按式（9） 計算得到。

式中：S為評價所用總分制數值；k為測試場景i的測試車速數量；m為測試車速編號，m=(1，2，…，k)；λm，ηm，δm和σm分別對應第m個車速測試時的評價指標TTC、d、η和a的評分；ω1，ω2，ω3和ω4分別對應4個評價指標的權重。

設Total 為綜合得分，可按照式（10）對不同場景加權求和得到。

式中：n為測試場景總數；αi為不同場景的權重。

最后，根據綜合得分按照表7 對AEB 系統進行等級評定。

表7 評價等級表

3 AEB系統測試方案仿真應用和評價

為了驗證AEB 系統綜合評價方法，以圖1 中的部分場景為例，設計AEB 系統仿真測試方案進行評價。

3.1 AEB系統測試方案

AEB系統通過傳感器感知自車周圍環境，根據算法判斷是否會發生碰撞，當檢測有碰撞危險發生時，系統自動制動避免碰撞或者減少碰撞時的車速。這里測試車輛選用PreScan 中的Audi_A8 Sedan，搭載的AEB 系統采用基于TTC 的控制策略，其控制邏輯為：TTTC＞ 3.00 s，系統不制動，但會有聲音警告；當0.75 s ＜TTTC≤ 3.00 s時，系統持續發出制動警告并進行部分制動；當TTTC≤ 0.75 s時，AEB系統完全制動。

被測車輛裝有毫米波雷達，可以測量前后兩車的車速、距離等信息，并被傳遞給AEB 系統。毫米波雷達在雨霧等不同環境中性能會有衰退，導致汽車的環境感知能力降低，如雨會吸收毫米波，且隨著雨速、雨滴大小、分布、溫度頻率和路徑的變化而變化，因此本文參考PreScan 中大雨天氣的衰減強度，設置傳感器衰減強度為3.835 dB/km，大雨天氣雨滴垂直速度4.70 m/s，直徑1.23 mm，密度為452.00 particles/m3。同樣霧也可使毫米波衰減，但通常衰減量比雨小，這里設置為3.000 dB/km，霧天能見距離200 m。

這里按照天氣類型，選取了3 個典型測試場景，參考C-NCAP 管理規程，確定不同場景下被測車輛的車速范圍和大小與兩輪車、行人的速度，給出雨霧天氣下的AEB 系統測試方案，其他場景與此類似。

3.1.1 前車靜止場景測試

良好天氣下，前車靜止場景50%偏置，車速為20、30、40、50 km/h的測試結果如圖3所示。TTC的變化可由式（7）計算，由圖3 中可知，各個測試車速下的TTC 和相對距離d的最小值都隨著測試車速的增加而減小；在相對距離d保持之后，車速趨近于0 時，TTC 瞬間增大。在該場景下測試車輛均未發生碰撞，且測試車輛停止后與前車保持了一定的安全距離。

圖3 前車靜止場景測試結果

3.1.2 騎行者沿路場景測試

雨天騎行者沿路場景25%偏置，車速為30、40、50、60 km/h 的測試結果如圖4 所示。由圖4可知，各個測試車速下TTC 和相對距離d的最小值也都隨著測試車速的增加而減小，測試車輛在30、40、50 km/h的車速下均能避免與騎行者發生碰撞，相對距離分別為1.60、1.12、0.65 m；在60 km/h 的測試車速下，車輛已經無法避免碰撞，此時速度減少了60%，可有效減輕碰撞帶來的危害。此外，圖4b的相對距離會有所上升，這主要是由于騎行者在被測車輛停止時，仍然會保持當前的速度繼續行駛所致。

圖4 騎行者沿路場景測試結果

3.1.3 霧天行人遠端橫穿場景測試

霧天行人遠端橫穿25%偏置場景，車速為20、30、40、50、60 km/h的測試結果如圖5所示。由圖5可知，在0～2 s 內，由于霧天能見度低以及行人體積相對較小，AEB系統的傳感器未能檢測到橫穿行人，所以TTC 保持在默認值20 s。由測試結果圖5b可知，車輛在20、30、40、50 km/h 的車速下能安全制動，避免與橫穿行人發生碰撞。當車速超過60 km/h 時，此時相對距離已經為0，表明發生碰撞；由圖5c 可知，碰撞時刻車速為6 m/s，但是速度減少了60%，能有效減輕碰撞對行人的傷害。

圖5 行人橫穿場景測試結果

3.2 AEB系統測試綜合評價

AEB 系統綜合評價方法綜合了不同天氣類型、場景和指標相互之間的重要程度，可以系統地評價AEB系統。為了說明測試評價過程，根據構建測試場景時考慮的天氣類型，事故對象與偏置情況等因素，選取良好天氣下的前車靜止場景CCRs-50（場景A）、雨天騎行者橫穿馬路CBNA-50（場景B）、騎行者沿路CBLA-25（場景C）、霧天行人橫穿CPFA-25（場景D）和行人沿路CPLA-50（場景E）等5個測試場景進行綜合評價。

按照AEB 系統綜合評價方法，根據2.2 節構建判斷矩陣，計算各個場景的權重，得到αi分別為0.39、0.30、0.09、0.16 和0.06；分場景進行測試，可得到5 種場景下的碰撞時間、相對距離、速度減少量百分比和最大制動減速度；按照2.5 節進行綜合評分。

由于主要考慮制動安全性，所以速度減少量指標最重要，最大制動減速度重要度最小，而相對距離與TTC同等重要，介于中間程度。據此可構建評價指標的判斷矩陣E為：

經計算，可得ω1= 0.23，ω2= 0.23，ω3= 0.45和ω4= 0.09。這里采用十分制，按照2.5 節評分方法，參考相關AEB 系統評價規程，分別按4個指標進行評分，然后根據式（9）可得到場景i的測試分數Ti，見表8。

根據式（10）得到綜合評分STotal=6.610 7，根據表7可得到評價結果為良好。

而按照采用單一指標進行評價，如速度減少量，經計算最終得分為9.015 0分，由表7可知，屬于優秀水平。

這種偏差是由于單一指標評價AEB 系統的不足導致的。由于僅考慮一個速度減少量指標時，只要速度減少量相同，則相同場景下的評價得分就會相同。此外，在本次測試中，發現雨天霧天場景中多次發生碰撞，難以支撐AEB 系統為優秀的評級，因此，采用單一指標得到的評價結果難以客觀地反映AEB系統的實際性能。

因為本文所提出的AEB 系統綜合評價方法，不僅考慮了評價車輛制動效率的速度減少量，而且考慮了判斷車輛制動時刻的碰撞時間，評價車輛制動安全性的相對距離，以及評價乘員的舒適性和緊急制動時車輛安全性的最大制動減速度，同時該方法也考慮了測試場景的權重，避免了簡單測試場景得分偏高而復雜測試場景得分偏低的問題，所以評價結果更準確、更客觀。

4 結論

針對當前AEB 系統測試評價存在復雜氣象因素考慮不足和評價結果難以客觀反映AEB 系統實際性能的問題，構建了AEB 系統測試場景，提出AEB系統綜合評價方法，研究了測試方案的仿真應用和評價，具體結論如下。

1） 根據NAIS 數據并參考C-NCAP（2021），綜合考慮天氣因素對AEB 系統的影響，給出了良好天氣、雨天和霧天的7類共17個AEB測試場景。

2）利用AHP 建立AEB 系統評價層次模型，確定判斷矩陣，計算權重系數，引入碰撞時間、相對距離、最大制動減速度和速度減少量百分比等4 個評價指標，提出了AEB系統綜合評價方法。

3）在PreScan 平臺上搭建了測試場景，應用AEB系統綜合評價方法對被測車輛進行評價，與單一的速度減少量百分比評價結果進行對比，驗證了方法的有效性，并剖析了其評價結果更客觀和更準確的原因。

上述結論是在理論分析和仿真試驗的基礎上得到的，基于構建的測試場景，開展實車測試驗證AEB系統綜合評價方法，是后續研究的主要工作。