汽車自動緊急制動系統控制策略分析

摘要：為降低交通事故的發生概率，減小碰撞損失，對比分析傳統自動緊急制動（autonomous emergency braking，AEB）系統控制策略及專用AEB系統控制策略的研究現狀，并從駕駛員特性、路面附著因數、天氣環境、傳感器技術、控制策略5個方面進行優化分析，展望AEB系統未來發展趨勢為：結合真實交通事故數據，開發適用于中國交通行車場景的專用AEB系統；采集真實行車場景下油門、制動踏板等數據，針對駕駛員行為特性設計個性化和自適應化AEB系統控制策略；通過建立高精地圖與交通事故信息結合的數據集，實現AEB系統控制策略根據歷史駕駛數據的自適應調整。

關鍵詞：自動緊急制動系統；控制策略；分層控制；道路弱勢使用者；駕駛員特性

中圖分類號：TK401文獻標志碼：A文章編號：1673-6397（2024）05-0070-11

引用格式：劉冬影，黃萬友，褚瑞霞，等.汽車自動緊急制動系統控制策略分析［J］.內燃機與動力裝置，2024，41（5）：70-80.

LIU Dongying，HUANG Wanyou，CHU Ruixia，et al.Analysis of control strategies for autonomous emergency braking systems［J］.Internal Combustion Engine amp; Powerplant， 2024，41（5）：70-80.

0 引言

2022年全國交通事故共發生256 409起，導致60 676人死亡，263 621人受傷，直接財產損失約為123 926萬元，其中，機動車交通事故導致的傷亡人數為270 982人，占總事故傷亡人數的83.65%^[1]。交通事故相關數據顯示，大多數交通事故是由于駕駛員疲勞駕駛、超速行駛、酒后駕駛等違法行為，以及其他道路參與者闖紅燈、不走人行道等未遵守交通規則行為導致的^[2]。

車輛自動緊急制動（autonomous emergency braking，AEB）系統可在汽車出現緊急狀況且駕駛員未能及時做出反應時，通過預警及主動介入實現車輛制動，減緩或避免與前方障礙物的碰撞，減小交通事故發生概率，降低財產損失，在主動安全駕駛技術中具有重要地位，對保障行車安全具有重大作用，成為國內外研究熱點^[3]。2002年，某公司發布了碰撞預警系統并于2003年應用于某車型上，2006年，該公司發布的AEB系統有效檢測距離為200 m，適用車速為30～200 km/h^[4]。2003年，某公司裝配的碰撞預警系統兼具自動制動功能，成為AEB系統商業應用的開端^[5]。2009年，歐盟頒布了關于高級輔助駕駛的規定，并對AEB系統提出了一系列準則，如車輛生產過程中，某些型號和類型的車輛必須安裝AEB系統保障行車安全^[6]；2012年，歐盟發布新標準，詳細規定了配備AEB系統車輛的測試方法^[7]。美國公路安全保險協會研究數據顯示，車輛應用AEB系統后，交通事故發生數量可減少27%^[6]。2015年，歐盟新車安全評定委員會（Euro new car assessment programme，E-NCAP）和澳大利亞新車安全評價組織研究結果表明，車速小于50 km/h時，安裝AEB系統的車輛意外追尾事故可減少38%^[8]。2024年1月，中國新車評價規程（China new car assessment programme，C-NCAP）發布，完善了碰撞安全測試、行人保護測試和智能駕駛輔助測試，提高了對車輛整體安全性能的要求，開啟了主動安全技術研究的新領域^[9]。本文中通過系統分析AEB系統組成機構及控制策略，介紹了AEB系統優化方式，并對未來發展方向提出展望。

1 AEB系統

1.1 組成機構

AEB系統是一種通過主動提醒和制動避免碰撞風險或者緩解碰撞速度的主動安全技術，屬于高級駕駛輔助系統（advanced driving assistant system，ADAS）的一種^[10]。

AEB系統主要包括環境感知機構、控制決策機構及執行機構，環境感知機構通過車載傳感器探測、采集車輛工況及前方目標信息后，通過AEB系統控制模型根據采集信息進行危險等級分類，當前方障礙物狀態達到設定的安全閾值（相對安全距離或安全時間）時，控制決策機構發出指令，執行機構依次進行警告、部分制動和完全制動操作^[11-15]。AEB系統識別周圍障礙物如圖1所示。

1.2 傳統AEB系統控制策略

傳統AEB系統控制策略主要有基于碰撞時間（time-to-collision，TTC）和基于安全距離2種^[16]。基于TTC的AEB系統模型計算自車與前方障礙物發生碰撞所需要的時間，并與模型設置的介入時間閾值（臨界時間）進行對比，判斷車輛是否存在碰撞風險，AEB系統根據控制邏輯做出反應，基于TTC的AEB系統工作示意圖如圖2所示。

車輛車載傳感器在t₀時刻檢測到目標障礙物，當到達臨界避撞時間t₁時，系統發出警告，AEB系統激活預制動，此時駕駛員需根據提醒作出合理的避撞反應；當到達臨界制動時間t₂時，系統主動介入，進行部分制動；當到達臨界完全制動時間t₃時，若此時駕駛員未作出合理反應，系統開啟完全制動，實現避撞或降低碰撞速度。

基于TTC的AEB系統控制模型僅考慮相對速度與距離，TTC模型碰撞時間^[17]

t_z1=d_rel/v_rel，（1）

式中：d_rel為自車與目標障礙物的距離，m；v_rel為自車與目標障礙物的相對速度，m/s。

v_rel接近0時，TTC算法使計算結果趨向無窮大，t_z1計算誤差增大，導致AEB系統出現誤報漏報；同時真實道路交通狀況及行駛環境較為復雜，如前方障礙物的運動狀態、具體道路狀況及環境狀況的變化等都影響AEB系統預設性能及行車安全。為提高車輛安全性，解決TTC算法在相對速度接近0時的系統誤報漏報問題，Jiménez等^[18]改進了基于TTC控制算法的計算公式，考慮了自車與目標障礙物的相對加速度對t_z1的影響，提出了二階TTC模型，相對加速度為定值時，計算結果更加準確，二階TTC模型碰撞時間

式中：a_rel為自車與目標障礙物的相對加速度，m/s²。

基于安全距離的AEB系統控制模型通過對比d_rel和報警制動距離d_w、危險制動距離d_br，判斷當前狀態下車輛是否存在碰撞風險，當d_rel=d_w時系統發出警告，提醒駕駛員存在碰撞風險，若駕駛員未作出合理反應，d_rel=d_br時系統主動介入制動，基于安全距離的AEB系統工作示意如圖3所示。

基于安全距離的AEB避撞模型主要有Honda^[19]、Mazda^[20]、Berkeley^[21]、SeungwukMoon^[22-23]及Nhtsa^[24]，Honda系統報警制動距離

dw=2.2v_rel+6.2，

式中：｛d_w｝為以m為單位的d_w的數值；{v_rel}為以m/s為單位的v_rel的數值。

Honda模型中，

d_br=tbv_rel+tatbab－0.5abta²，vf/af≥tbtbvb－0.5tb－ta²ab－vf²/（2af），vf/aflt;tb，（3）

式中：v_b為自車車速，m/s；v_f為目標車輛車速，m/s；a_b、a_f分別為自車和目標車輛最大制動減速度，m/s²；t_a為AEB系統延遲時間，s；t_b為制動延遲時間，s。

Mazda模型中，

d_br=12vb²ab－vb－v_rel²af+vbtj+v_reltb+dz，（4）

式中：t_j為駕駛員反應制動時間，s；d_z為自車與目標車輛間的最小停車間距，m。

Berkeley模型中，

d_br=12vb²ab－vb－v_rel²af+vb（tj+tb）+dz。（5）

SeungwukMoon模型中，

d_br=v_relta+fμ2vb－v_relv_rel2ab，（6）

式中f（μ）為與制動因數μ相關的函數。

不同模型算法的特點如表1所示^[25]。

由表1可知：Honda模型和Mazda模型應用較廣泛，但未考慮外界影響因素及駕駛員特性；Berkeley、SeungwukMoon及Nhtsa模型與先進的傳感器技術及控制算法相結合，解決了使用場景少、控制精確度低等問題。

1.3 專用AEB系統控制策略

美國國家公路交通安全管理局（National highway traffic safety administration，NHTSA）調查結果顯示，因車輛故障導致的道路交通事故占事故總數的3%，因駕駛員操作失誤導致的道路交通事故占事故總數的90%；追尾事故中駕駛員沒有采取制動行為的約占31%，駕駛員進行制動但制動力不足的約占49%，駕駛員進行制動但制動時間過晚的約占20%^[26-27]。專用AEB系統主要分為道路弱勢使用者（vulnerable road users，VRU）、城市及高速專用AEB系統，可針對不同場景輔助車輛制動，降低交通事故發生概率。

1.3.1 VRU專用AEB系統

VRU主要包括行人和騎兩輪車（自行車、電動車及摩托車）者，全球每年因道路交通事故導致行人、騎兩輪車者的死亡人數超60萬人，主要受傷害人群年齡為5～29歲，交通事故中行人及騎兩輪車者受傷害最大，并對乘用車駕駛員及乘員的身心造成巨大傷害^[28]。

為降低VRU在碰撞中受到的傷害，Rosén等^[29-30]分析相關數據發現：當車輛與騎自行車者（vehicel cyclist，V-C）發生沖突，車速不大于30 km/h時，人員重傷概率小于21%，人員死亡概率不大于1%；若車輛與行人（vehicle pedestrian，V-P）發生沖突時的車速從50 km/h降到25 km/h時，行人死亡概率降低85%^[31]。

為切實保護VRU中行人的出行安全，行人專用自動緊急制動（pedestrian autonomous emergency braking，P-AEB）系統通過車載傳感器識別并跟蹤交通環境中的行人，計算行人相對車輛的運動軌跡，判斷是否存在碰撞的危險，并采取相應措施，避免與行人碰撞，可在復雜交通場景下，優先保護行人的安全。P-AEB系統工作場景圖如圖4所示。

國內外P-AEB系統主要控制策略有碰撞預警和完全自動制動系統^[32-33]、轉向避撞系統^[34]、基于碰撞速度的新型風險量化AEB系統^[35]、自動緊急制動輔助系統（ABA4）^[36]、P-AEB系統風險評估模型^[37]、P-AEB系統分層預警模型^[38-39]6種，不同P-AEB系統的特點如表2所示。

目前有關P-AEB系統控制策略的研究較少，大多是基于事故數據庫或自然駕駛數據分析典型碰撞類型及典型測試場景。研究數據表明，“鬼探頭”屬于V-P碰撞事故中較為典型、常見的事故場景之一，此類事故突發性強，駕駛員往往沒有足夠的時間做出有效反應，尤其是在有其他遮擋物（如灌木叢、建筑物等）時，車載傳感器存在視野盲區，無法準確探測潛在危險。文獻[40-43]通過智能網聯技術（主要是車聯網和智能交通系統）解決“鬼探頭”問題，但因該技術尚處于理論和仿真階段，且實施時間長、難度大，因此主要從傳感器融合、駕駛員駕駛特性及自適應控制策略等方向進行研究。吳子祥等^[44]提出了一種基于碰撞時間比和安全制動距離的AEB系統避撞策略，在不同緊急工況時采用不同制動減速度，相比傳統的基于TTC的AEB系統控制策略，此模型可有效降低碰撞速度，減少對VRU的傷害程度。

相比行人，騎兩輪車者年齡廣泛，道路交通復雜，騎行過程中存在碰撞風險^[45]。Ohlin等^[46]通過仿真試驗對比發現，相同碰撞事故場景下，裝有AEB系統的車輛比普通車輛對騎兩輪車者造成傷害的人數減少約70%。Li等^[47]分析國內乘用車撞擊兩輪車事故數據，發現車載傳感器檢測范圍為90 m、檢測角度為45°時可使日間碰撞事故識別率提高17.7%，夜間碰撞事故識別率提高21.5%，縱向碰撞事故識別率提高38.8%。Lian等^[48]考慮駕駛員制動行為的自適應性，設計了不同運動模式下騎自行車者專用自動緊急制動系統（cyclist autonomous emergency braking，C-AEB）控制策略并進行仿真驗證，結果表明該策略提高了駕駛員對AEB系統的接受程度，為其他主動安全技術的改進提供參考。

相比行人，騎兩輪車者速度更快，車道行駛也有相對的規定，因此P-AEB系統不可完全取代C-AEB系統。目前關于C-AEB系統控制策略的研究較少，在后續的研究中應結合典型事故場景，充分結合我國交通狀況，如兩輪車行駛特點、城市道路交通狀況、事故多發地信息等，提高危險預警準確度，減少交通事故。

1.3.2 城市專用

城市交通具有車流量大、路口多、人群密集及遮擋物較多等特點，駕駛員往往因為視野受限、注意力不集中或制動不及時導致碰撞事故發生。為解決上述問題，各車輛生產企業研發了城市專用AEB系統，如菲亞特的城市制動控制、福特的主動城市停車、大眾的城市緊急制動、沃爾沃的城市安全等，這類AEB系統可在車速小于30 km/h時短距離發揮制動作用^[49]。Shimizu^[35]及Cicchino^[49]根據實際碰撞經驗，評估了城市專用AEB系統在乘用車中的有效性，研究發現，城市專用AEB系統可以使低速碰撞追尾事故發生數量減小約43%，低速碰撞追尾傷害損失降低約50%。

舒紅等^[50]從汽車安全性和乘客舒適性的角度出發，建立一種基于模型預測控制（model predictive control，MPC）的汽車AEB系統控制算法，通過CarSim和Simulink聯合仿真進行驗證，結果表明，MPC方法更適用于行車環境復雜及道路參與者較多的城市交通環境。

城市專用AEB系統對環境感知技術要求較高，且城市道路交通車流量極大，兩輪車種類廣泛，道路環境復雜，目前主要基于傳統AEB系統控制策略進行優化研究，且大多處于仿真驗證階段，在后期AEB系統控制策略研究中，應充分考慮天氣及光線因素、某些街區人行道和機動車道劃分不明顯、城市交通車型復雜、人流量多、紅綠燈較多及十字路口較多等各種自然因素及外界環境因素的干擾，提高識別精度及反應速度，有效達到緊急工況下避撞或降低VRU受傷害程度的目的，保障出行者安全。

1.3.3 高速專用

高速公路行車具有車速高、某段時間車流量大及事故危險系數高等特點，一旦發生碰撞，會引起一系列事故的發生。2021年全國交通事故發生數量總計273 098起，其中，高速公路交通事故發生數量為7 878起，死亡人數為1 855人，受傷人數為6 589人，高速公路交通事故發生數占總事故數的2.88%^[1]。

Kusano等^[3]分析了1 396起追尾事故，并在AEB系統中采用預碰撞安全（pre-crash safety，PCS）算法，結果表明，采用PCS算法的AEB系統可以將碰撞的嚴重程度降低14%～34%。吳子祥等^[44]和Wang等^[51]優化AEB系統控制策略，降低了高速公路追尾事件發生率，其中Wang等^[51]提出了一種結合反向神經網絡（back propagation neural network，BPNN）算法的比例積分微分（proportion integration differentiation，PID）控制器，增強了AEB系統的學習性和自適應能力，解決了傳統PID控制器無法有效控制非線性特征較強的AEB系統的問題，在車速大于70 km/h時，該控制策略避撞效果明顯。

高速環境下視野寬闊，不需考慮VRU因素，但高速環境碰撞風險系數更高、突發性更強、反應時間更短，高速專用AEB系統控制策略不僅要求較高的精確性及可靠性，還需考慮模型制動閾值、駕駛員反應特性、道路狀況、外界環境等綜合因素，確保AEB系統發揮最優性能，不干擾駕駛員正常操作。

2 控制策略優化方式

經統計，道路使用者的類別、年齡、路面狀況、事故地點和時間等因素都會影響車輛碰撞事故的嚴重程度^[52]，僅考慮自車與目標車之間的運動狀態參數無法準確獲得全部信息，智能全面的優化主動安全技術控制策略成為現階段研究熱點。目前主動安全技術控制策略優化方式主要包括5方面：駕駛員特性、路面附著因數因素、環境因素、傳感器技術及控制策略。

2.1 駕駛員特性

AEB技術作為高級輔助駕駛技術之一，獲取駕駛員信任是AEB技術的一大難題，主要技術難點有：介入閾值（臨界避撞時間或臨界安全距離）較大而導致系統頻繁介入影響駕駛員操作和交通運行等、系統漏報誤報、突然制動使舒適性降低等問題。

邊明遠^[53]通過重建事故現場，發現不同特性的駕駛員對報警安全車距概念不同。為增強AEB系統的智能性和可靠性，解決無法智能化識別駕駛員特性導致系統介入影響正常操作的問題，增加駕駛員對AEB系統的信任度，Duan 等^[54]和Lian等^[48]通過駕駛模擬器重建沖突現場，分析不同駕駛員在各沖突場景下的制動行為，將駕駛員特性加入C-AEB系統控制模型激活條件，提出了更加符合駕駛員駕駛習慣的自適應C-AEB控制策略；為解決漏報誤報問題，王維強等^[55]考慮真實道路車輛間相對運動信息，建立了基于TTC和Mazda算法融合的安全邏輯控制模型；李迎弟^[56]通過分析駕駛員對不同類型預警信號的反應時間，提出基于TTC模型和安全距離模型相結合的分級制動策略，建立了基于制動器減速度響應特性的安全距離預測模型，增強了模型的可靠性。以上研究從AEB系統的安全性及智能性出發，解決了因介入閾值不精確造成的系統漏報誤報等問題。

目前AEB系統智能性不足，頻繁介入車輛運行，導致該系統不被車主信任和接受，結合駕駛員特性的AEB系統控制策略有效解決了該問題，是未來的研究方向之一。

姜順明等^[57]將駕駛員分為激進型、標準型和保守型3類，唐陽山等^[58]等著重分析男青年沖動型、女青年謹慎性、男中年普通型和男老年謹慎性4種典型駕駛員類型，針對不同駕駛類型設計防撞安全距離閾值，仿真試驗表明，對比傳統AEB系統控制策略，考慮駕駛員分類特性后的策略更符合駕駛員的操作習慣，增加了駕駛員對輔助駕駛系統的信任度，提高了駕駛舒適性。

影響駕駛員緊急制動時間的因素不僅和駕駛員性格有關，還包括駕駛員心情、年齡、駕駛時間以及是否被外界干擾等因素，僅依靠駕駛模擬器模擬緊急場景無法還原駕駛員當時的真實反應特性，影響試驗數據的準確性。為優化控制策略，后續研究中可提取自然駕駛數據中制動、油門踏板位置，結合行車記錄儀中行車場景分析駕駛特性，使試驗數據更加客觀、真實，結合駕駛員反應特性，根據不同駕駛習慣智能選擇AEB控制策略，提高危險預警識別準確度，增強AEB系統的安全性。

2.2 路面附著因數

Aust等^[59]、B?rgman等^[60]和Itoh等^[61]研究了人為因素對追尾事故風險的影響，發現駕駛員在一定程度上低估了路面坡度或制動時路面摩擦力的影響，發生危險時，車輛并未能按照駕駛員設想的制動距離進行制動，導致交通事故發生。現今大多AEB系統控制策略忽略了路面附著因數及坡度變化的影響，導致在冰雪濕滑及有坡度變化的路面上，裝有AEB系統的車輛無法完成避撞。

為解決上述問題，研究者考慮路面附著因數對AEB系統制動閾值的影響，優化現有AEB系統控制策略^[62-64]。Han等^[64]通過組合打滑輪胎模型估算路面最大摩擦力，開發了一種可實時根據路面附著因數調節碰撞時間閾值的AEB系統控制策略，適應不同附著因數的行駛路面，但上述研究只考慮直道及無坡度的良好道路；Jeon等^[65]、Kim等^[66]及吳鎮平等^[67]作了進一步研究，綜合考慮道路坡度和路面低附著因數對制動效果的影響，提出了一種可以補償道路坡度和道路摩擦系數影響的AEB控制策略，仿真結果表明，該策略可有效解決低速工況下傳統AEB系統無法避撞的問題。上述研究考慮了不同路面附著因數及坡度對控制策略的影響，增加了AEB系統適用場景，提高了安全性和自適應能力。

2.3 天氣環境

AEB系統在良好天氣環境和干燥平坦路面下性能較為穩定，如果出現降雨、降雪、大霧及其它惡劣天氣，環境感知系統的探測精度、距離及畫質受到極大影響，嚴重影響控制策略的控制精度，導致漏報誤報、可靠性及安全性差等狀況，影響AEB系統的預期功能。

Winkle等^[68]深入分析了薩克森州地區2004—2014年374起因雨、雪、霧、眩光及視覺障礙造成的感知受限引發的交通事故，發現機器感知和人類感知類似，在低能見度環境下感知能力受限，AEB系統在弱光下性能降低^[69]。2018年NHTSA調查了一起因環境因素導致的避撞系統不作為案例，發現AEB系統存在假陽性現象，如將漂浮在路上的塑料袋識別為障礙物，采取了不必要的緊急制動導致交通事故^[70]。

為解決惡劣天氣下傳感器精度低、AEB系統漏報誤報的問題，Lee等^[71]提出了一種基于生成對抗網絡的激光雷達平移算法，該方法收集不同天氣環境數據并拓展數據集，基于經驗方法優化激光雷達在不同天氣環境下的數據，提高了傳感器識別精度。

惡劣天氣下能見度低，道路使用者視線受阻，為提高復雜路況下緊急制動的方向穩定性，劉哲等^[72]運用BPNN優化增量式PID控制器參數，提出了一種考慮側向穩定性的AEB系統控制策略，并采用對開路面測試場景進行仿真驗證，結果表明該控制策略在避撞的同時可避免側向失穩。

真實道路交通行車復雜、車流量大，部分VRU不遵守交通規則，惡劣天氣下駕駛員及VRU視線受阻、心情變化等均可能增大事故發生概率。隨著環境感知技術發展的逐漸完善，AEB系統控制策略朝精準化及自適應化方向發展，不僅考慮駕駛員行為特性，還需考慮各目標物行為特性，如行人“鬼探頭”行為、騎二輪車者橫穿馬路、不同天氣環境下VRU心情變化等，并結合真實交通事故數據提取復雜真實道路場景，提高控制策略的有效性及可靠性。

2.4 傳感器技術

現有ADAS正朝著智能化、網聯化方向發展，環境感知技術作為AEB系統的重要組成部分，車載傳感器識別精度及范圍直接影響系統性能，目前主要利用車對外界的信息交換（vehicle to everything，V2X）通信技術與主動安全技術相結合的方式提高行車安全。

徐澤^[73]在車輛對車輛（vehicle to vehicle，V2V）通信技術的基礎上建立了適用于直道和定曲率彎道的AEB系統控制模型，利用CarSim軟件和Simulink軟件聯合仿真搭建車輛逆動力學模型和車輛模擬控制器，仿真驗證了模型的正確性和實用性。周涂強等^[74]針對傳統車載傳感器存在盲區的問題，以商用車為被試對象，提出了基于毫米波雷達和攝像頭數據融合的乘用車多層AEB系統控制策略，根據實際交通狀況實時修正制動閾值，搭建測試場景進行聯合仿真，仿真結果驗證了控制模型的有效可靠性。

現有AEB系統采用多傳感器融合的方式增加識別精度和范圍，但車載傳感器穩定性差、易受環境干擾，無法保障在真實道路行車環境下完全智能識別和傳達信號。智能網聯技術融合現代通信與網絡技術，實現V2X智能信息共享，有效解決因環境感知技術導致的AEB系統誤報漏報及制動不及時等問題。

2.5 控制策略

控制策略作為AEB系統的大腦，接收環境感知系統識別的障礙物信號，通過算法邏輯判斷碰撞風險并決定是否介入制動行為，環境感知系統正常運行時，控制模型直接決定車輛是否避撞。不同AEB系統控制策略下，駕乘人員的乘坐舒適性不同。為提高AEB系統的可靠性、安全性及駕乘舒適性，許多文獻提出分層控制理念，以目標車或被試車輛運動狀態及駕駛員特性為研究對象，優化改進傳統AEB系統控制策略，提高了AEB系統控制策略的可靠性及自適應能力^[75-77]。雍加望等^[63]提出了一種以路面附著因數為變量的AEB系統分層控制策略，實車測試結果表明，該策略可適應不同附著條件路面，自適應調整AEB系統介入時間，在相對車速低于70 km/h時可成功避撞；賴宣淇^[76]發現AEB系統與電子穩定控制（electronic stability control，ESC）系統進行信號通信時，ESC系統存在響應延遲問題，因此將車輛縱向動力學前饋控制和基于PID算法的反饋控制減速度策略相結合，提出了一種基于ESC系統響應特性的汽車AEB系統控制策略，仿真驗證結果表明該策略提高了系統的魯棒性。

為提高駕乘舒適性，增強駕駛員信任度，石博^[77]提出了分層控制及狀態機控制理論，對不同車速分配不同期望減速度，提高駕乘人員舒適性；劉永濤等^[78]引入模糊控制算法計算各測試場景下危險系數，提出了一種基于自適應采樣時間的模型預測控制AEB系統的控制策略，仿真及實車驗證結果表明，該策略在成功避撞的前提下，加速度變化率保持在駕乘人員舒適區間；Fu等^[79]提出了一種基于深度強化學習的自主制動控制策略，該策略在緊急工況下自動采取最優制動行為，提高了算法控制效率、準確性和乘客舒適性，滿足了控制策略的智能性和可靠性要求；Zhang^[80]等基于非奇異快速終端滑動模式控制理論設計了一種AEB電子制動控制器并進行仿真驗證，結果表明該算法可降低碰撞風險，提高駕乘舒適性及燃油經濟性。

通過分層控制理論優化AEB控制策略，可提高系統控制精度、車輛舒適性、車主信任度及燃油經濟性。在后續的研究中，應結合復雜行車環境，考慮綜合影響因素，縮短算法決策時間，提高行車安全。

3 結束語

AEB系統可在緊急工況下自主制動實現避撞或降低碰撞速度，增強汽車安全性和智能性。但目前AEB系統存在漏報、誤報、控制模型自適應能力差等問題，為進一步提高AEB系統的綜合性能，未來研究和發展的趨勢如下。

1）由于目前雷達、攝像頭等傳統車載傳感器存在視野盲區較大、易受天氣及光線影響等缺點，且V2X通信技術還未廣泛應用，現有控制策略的優化及驗證大多處于理論及仿真階段，而AEB系統控制策略對傳感器檢測精度及探測范圍要求高，對模型的算力、精確度及自適應能力有較高要求，未來中國AEB系統應基于智能網聯技術及多傳感器融合技術發展的基礎，結合真實交通事故數據，分析復雜典型測試場景，對AEB系統模型進行優化及測試，開發適用于中國交通行車場景的專用AEB系統。

2）目前增強駕駛員信任的方式主要是通過駕駛模擬器還原碰撞場景，提取駕駛員反應特性，優化AEB系統控制策略，但該方法駕駛員主觀能動性較強，無法還原真實狀態，未來發展趨勢應在真實行車場景下，采集油門、制動踏板等數據創建駕駛員駕駛特性數據集，以便分析駕駛員行為特性、監視駕駛員疲勞程度等，更好地提高AEB系統控制策略的個性化和自適應化。

3）為增強AEB系統前瞻性及智能性，結合智能網聯技術的發展，建立高精地圖與交通事故信息結合的數據集，在事故多發路段增大AEB系統介入閾值，實現AEB系統根據歷史駕駛數據的自適應調整。

參考文獻：

[1] 國家統計局.（2023）交通事故統計[EB/OL].（發布日期）[2024-05-30].https：//data.stats.gov.cn/search.htm？s=%E4%BA%A4%E9%80%9A%E4%BA%8B%E6%95%85%E6%95%B0%E6%8D%AE.

[2] 張詩波，何治劍，廖靜倩，等.基于NAIS的AEB系統路口測試場景研究[J].交通信息與安全，2021，39（1）：87-96.

[3] KUSANO K D， GABLER H C.Safety benefits of forward collision warning， brake assist， and autonomous braking systems in rear-end collisions[J].IEEE Transactions on Intelligent Transportation Systems，2012，13（4）： 1546-1555.

[4] 左培文，張立淼，李育賢.自動緊急制動系統發展現狀與未來趨勢[J].汽車工業研究，2017（2）：25-29.

[5] SIVARAMAN S， TRIVEDI M M.Active learning based robust monocular vehicle detection for on-road safety systems[C]//Proceedings of 2009 IEEE Intelligent Vehicles Symposium.New York，USA：ITSS，2009：399-404.

[6] 王旭光，侯林.歐盟一般安全法規（EC）661/2009解讀分析[J].汽車實用技術，2014（6）：4-6.

[7] European New Car Assessment Programme（Euro NCAP）. Test protocol：AEB systems： version 1.0[Z].Brussels，Belgium：Euro NCAP，2013.

[8] FILDES B，KEALL M，BOS N， et al.Effectiveness of low speed autonomous emergency braking in real-world rear-end crashes[J].Accident Analysis and Prevention，2015，81：24-29.

[9] 中國汽車技術研究中心有限公司.C-NCAP 管理規則（2024年版）[Z].天津：中國汽車技術研究中心有限公司，2024.

[10] 何仁，馮海鵬.自動緊急制動（AEB）技術的研究與進展[J].汽車安全與節能學報，2019，10（1）：1-15.

[11] 程川，宋春華，王鵬.車載激光雷達發展研究綜述[J].裝備制造技術，2022（5）：247-251.

[12] 劉煒，陸存豪.自動駕駛汽車環境感知傳感器研究[J].汽車實用技術，2023，48（10）：197-203.

[13] 楊仕清.智能網聯汽車毫米波雷達技術分析[J].裝備維修技術，2022（4）：41-45.

[14] 宋琪.基于多源傳感器融合的無人車環境感知算法研究[D].長春：吉林大學，2021.

[15] 謝志萍，雷莉萍.智能網聯汽車環境感知技術的發展和研究現狀[J].成都工業學院學報，2016，19（4）：87-92.

[16] 方若愚.惡劣天氣環境下基于多層感知機的自動緊急制動模型研究[D].長春：長春工業大學，2023.

[17] BALAS V E， BALAS M M. Driverassisting by inverse time to collision[C]//Proceedings of 2006 World Automation Congress.Budapest，Hungary：World Automation Congress，2006：1-6.

[18] JIMéNEZ F，NARANJO J E，GARCíA F.An improved method to calculate the time-to-collision of two vehicles[J].International Journal of Intelligent Transportation Systems Research，2013，11（1）：1-9.

[19] FUJITA Y.Radar brake system[J].JSAE Review，1995，16（1）：113.

[20] DOI A，BUTSUEN T，NIIBE T，et al.Development of a rear-end collision avoidance system with automatic brake control[J]JSAE Review，1994，15（4）：335-340.

[21] SEILER P， SONG B， HEDRICK J K.Development of a collision avoidance system[J].Journal of Passenger Cars，1998（107）：1334-1340.

[22] MOON S，YI K.Human driving data-based design of a vehicle adaptive cruise control algorithm[J].Vehicle System Dynamics，2008，46（8）：661-690.

[23] 裴曉飛，劉昭度，馬國成，等.汽車主動避撞系統的安全距離模型和目標檢測算法[J].汽車安全與節能學報，2012，3（1）：26-33.

[24] BURGETT A，CARTER A，PREZIOTTI G.An algorithm for rear-end collision avoidance warning systems[C]//Proceedings of 17th International Technical Conference on the Enhanced Safety of Vehicles.Amsterdam， Netherlands：ESV， 2001.

[25] YANG L， YANG Y P， WU G Y， et al.A systematic review of autonomous emergency braking system：impact factor， technology，and performance evaluation[J].Journal of Advanced Transportation，2022（4）：1-13.

[26] 鄭杰.車輛自動緊急制動系統建模與仿真研究[D].武漢：武漢理工大學，2015.

[27] ASCONE D， TONJA LINDSEY T， VARGHESE C.Traffic safety facts research note：an examination of driver distraction as recorded in NHTSA databases[R].Washington，USA：National Highway Traffic Safety Administration，2009.

[28] World Health Organization.Global status report on road safety：time for action[R].Geneva，Switzerland：World Health Organization，2009.

[29] ROSéN E，KALLHAMMER J E，ERIKSSON D，et al.Pedestrian injury mitigation by autonomous braking[J].Accident Analysis and Prevention， 2010，42（6）： 1949-1957.

[30] ROSéN E， SANDER U.Pedestrian fatality risk as a function of car impact speed[J].Accident Analysis and Prevention， 2009，41（3）：536-542.

[31] KRAFFT M，KULLGREN A，LIE A，et al.The effects of automatic emergency braking on fatal and serious injuries[C]//Proceedings of International Conference on the Enhanced Safety Vehicles.Stuttgart， Germany：ESV，2009.

[32] COELINGH E，EIDEHALL A，BENGTSSON M.Collision warning with full auto brake and pedestrian detection：a practical example of automatic emergency braking[C]//Proceedings of 13th International IEEE Conference on Intelligent Transportation Systems.New York，USA：IEEE，2010.

[33] HAMDANE H，SERRE T，MASSON C，et al.Issues and challenges for pedestrian active safety systems based on real worldaccidents[J].Accident Analysis amp; Prevention， 2015（82）：53-60.

[34] LLORCA D F，MILANES V，ALONSO I P，et al.Autonomous pedestrian collision avoidance using a fuzzy steering controller[J].IEEE Transactions on Intelligent Transportation Systems，2011，12（2）：390-401.

[35] SHIMIZU T，RAKSINCHAROENSAK P.Motion planning via optimization of risk quantified by collision velocity accompanied with AEB activation[C]//Proceedings of 2017 IEEE International Conference on Vehicular Electronics and Safety （ICVES）.New York，USA：IEEE，2017.

[36] 戴朝典.戴姆勒推出用于旅游車的具有行人檢測的主動緊急制動輔助系統[J].汽車電器，2017（12）：43.

[37] 賀藝斌.基于DETR的行人檢測及AEB-P系統研究[D].西安：長安大學，2022.

[38] YANG W，ZHANG X ，LEI Q，et al.Research on longitudinal active collision avoidance of autonomous emergency braking pedestrian system（AEB-P）[J].Sensors，2019，19（21）：4671.

[39] 楊為，趙胡屹，舒紅.自動緊急制動系統行人避撞策略及仿真驗證[J].重慶大學學報，2019，42（2）：1-10.

[40] SUN L， LI Y M， GAO J.Architecture and application research of cooperative intelligent transport systems[J].Procedia Engineering，2016（137）：747-753.

[41] TUOHY S，GLAVIN M，JONES E，et al.Hybrid testbed for simulating in-vehicle automotive networks[J].Simulation Modelling Practice and Theory，2016（66）：193-211.

[42] KORYAGIN S， KLACHEK P.Innovative development of intelligent transport systems based on biocybernetical vehicle control systems[J].Transportation Research Procedia，2017（20）： 326-333.

[43] YAN G J， RAWAT D B.Vehicle-to-vehicle connectivity analysis for vehicular ad-hoc networks[J].Ad Hoc Networks，2017（58）：25-35.

[44] 吳子祥，黃合來，陳吉光，等.視線遮擋條件下面向弱勢道路使用者的避撞策略研究[J].交通信息與安全，2021，39（4）：9-15.

[45] AMOROS E， LARDY A， WU D，et al.Projet VOIESUR-Livrable L3-Méthodologie：redressement et extrapolation：projet VOIESUR-ANR[R].Paris，France：Institut Fran?ais des Sciences et Technologies des Transports（IFSTTAR），2015.

[46] OHLIN M，STRANDROTH J， TINGVALL C.The combined effect of vehicle frontal design，speed reduction，autonomous emergency braking and helmet use in reducing real life bicycle injuries[J].Safety Science， 2017（92）： 338-344.

[47] LI X D，LIAN X W，WANG X C.Influence analysis of AEB two-wheeler on passenger car impact two-wheelertraffic accidents in China[C]//Proceedings of SAE 2019 Intelligent and Connected Vehicles Symposium.Detroit，USA：SAE International，2020.

[48] LIAN H，DUAN J L，WANG W J，et al.Drivers′ braking behaviors in different motion patterns of vehicle-bicycle conflicts[J].Journal of Advanced Transportation，2019（3）：1-17.

[49] CICCHINO J B.Effectiveness of forward collision warning and autonomous emergency braking systems in reducing front-to-rear crash rates[J].Accident Analysis and Prevention，2017，99：142-152.

[50] 舒紅，張光琛，何杉，等.汽車自動緊急制動系統控制研究[J].公路交通科技，2023，40（7）：216-223.

[51] WANG L H， ZHAN Z F， YANG X，et al.Development of BP neural network PID controller and its application on autonomous emergency braking system[C]//Proceedings of 2018 IEEE Intelligent Vehicles Symposium（IV）.New Jersey，USA：IEEE，2018.

[52] MARKOVI? N， PE?I? D R， ANTI? B，et al.The analysis of influence of individual and environmental factors on 2-wheeled users′ injuries[J].Traffic Injury Prevention，2016，17（6）：610-617.

[53] 邊明遠.考慮駕駛員個體特性的汽車安全行駛間距模型[J].中國機械工程，2010，21（12）：1502-1506.

[54] DUAN J L，LI R J，HOU L，et al.Driver braking behavior analysis to improve autonomous emergency braking systems in typical Chinese vehicle-bicycle conflicts[J].Accident Analysis and Prevention，2017（108）：74-82.

[55] 王維強，錢慈航，嚴運兵.多算法融合控制的自動緊急制動系統仿真研究[J].機械設計與制造，2023（6）：162-166.

[56] 李迎弟.汽車自動緊急制動系統控制策略研究[D].西安：長安大學，2019.

[57] 姜順明，楊晗，吳陶然，等.基于駕駛狀態識別的自動緊急制動控制策略[J].汽車技術，2019（10）：53-57.

[58] 唐陽山，夏道華.不同駕駛員反應時間對汽車防撞安全距離的影響研究[J].科學技術與工程，2016，16（1）：250-254.

[59] AUST M L， ENGSTRM J， VISTRM M.Effects of forward collision warning and repeated event exposure on emergency braking[J].Transportation Research Part F：Traffic Psychology and Behaviour，2013（18）：34-46.

[60] B?RGMAN J，BODA C N，DOZZA M.Counterfactual simulations applied to SHRP2 crashes：the effect of driver behavior models on safety benefit estimations of intelligent safety systems[J].Accident Analysis amp; Prevention， 2017，102：165-180.

[61] ITOH M，HORIKOME T，INAGAKI T.Effectiveness and driver acceptance of a semi-autonomous forward obstacle collision avoidance system[J].Applied Ergonomics，2013，44（5）：756-763.

[62] YI J，ALVAREZ L，HOROWITZ R.Adaptive emergency braking control with underestimation of friction coefficient[J].IEEE Transactions on Control Systems Technology，2002，10（3）：381-392.

[63] 雍加望，李巖松，馮能蓮，等.基于ESHB系統的自適應自動緊急制動控制策略[J].汽車安全與節能學報，2022，13（2）：300-308.

[64] HAN I C，LUAN B C，HSIEH F C.Development of autonomous emergency braking control system based on road friction[C]//Proceedings of 2014 IEEE International Conference on Automation Science and Engineering（CASE）.New Jersey，USA：IEEE，2014.

[65] JEON S，LEE J，KIM B.Study on performance analysis of V2V communication based AEB system considering road friction at slopes[J].International Journal of Future Generation Communication and Networking，2016，9（11）：71-80.

[66] KIM H，SHIN K，CHANG I，et al.Autonomous emergency braking considering road slope and friction coefficient[J].International Journal of Automotive Technology，2018，19（6）：1013-1022.

[67] 吳鎮平，向鐵明，吳武和.考慮路面坡度和摩擦系數的自動緊急制動系統設計[J].九江學院學報（自然科學版），2022，37（1）：69-75.

[68] WINKLE T，ERBSMEHL C，BENGLER K.Area-wide real-world test scenarios of poor visibility for safe development of automated vehicles[J].European Transport Research Review，2018（10）：1-15.

[69] DOECKE S D，ANDERSON R W G，MACKENZIE J R R，et al.The potential of autonomous emergency braking systems to mitigate passenger vehiclecrashes[C]//Proceedings of Australasian Road Safety Research， Policing and Education Conference.Wellington，New Zealand：Australasian College of Road Safety（ACRS），2012.

[70] National Highway Traffic Safety Administration.Preliminary statement of policy concerning automated vehicles[Z].Washington DC，USA：National Highway Traffic Safety Administration，2016.

[71] LEE J，SHIOTSUKA D，NISHIMORI T，et al.GAN-Based LiDAR translation between sunny and adverse weather for autonomous driving and driving simulation[J].Sensors，2022，22（14）：5287.

[72] 劉哲，程碩，王樹鳳.復雜路況下自動緊急制動系統控制策略[J].中國科技論文，2022，17（2）：221-227.

[73] 徐澤.V2V條件下自動緊急制動方法研究[D].重慶：重慶理工大學，2021.

[74] 周涂強，劉偉，李浩然，等.基于不安全控制行為分析的商用車AEB決策系統優化[J].清華大學學報（自然科學版），2023，63（9）：1415-1427.

[75] 蘭鳳崇，余蒙，李詩成，等.考慮預碰撞時間的自動緊急制動系統分層控制策略研究[J].汽車工程，2020，42（2）：206-214.

[76] 賴宣淇.考慮ESC響應特性的汽車AEB控制策略研究[D].長春：吉林大學，2023.

[77] 石博.乘用車自動緊急制動系統研究[D].長春：吉林大學，2019.

[78] 劉永濤，劉傳攀，劉湘安，等.基于自適應采樣時間MPC的自動緊急制動系統[J].汽車工程，2023，45（1）：32-41.

[79] FU Y C，LI C L，YU F R，et al.A decision-making strategy for vehicle autonomous braking in emergency via deep reinforcement learning[J].IEEE Transactions on Vehicular Technology，2020，69（6）：5876-5888.

[80] ZHANG R H，LI K N，HE Z C，et al.Advanced emergency braking control based on a nonlinear model predictive algorithm for intelligent vehicles[J].Applied Sciences， 2017，7（5）：504.

Analysis of control strategies for autonomous emergency braking systems

LIU Dongying， HUANG Wanyou， CHU Ruixia^*， JIN Xiaoyue， LI Zhenyu， QIU Fangyuan

School of Automotive Engineering， Shandong Jiaotong University， Jinan 250357， China

Abstract：In order to reduce the probability of traffic accidents and minimize collision losses， the research status of traditional autonomous emergency braking（AEB） system control strategies and dedicated AEB system control strategies are compared and analyzed，and optimization analysis is conducted from driver characteristics， road"adhesion factors， weather conditions， sensor technology， and control strategies. The future development trend of AEB systems is predicted to be developing dedicated AEB systems for Chinese traffic scenarios by combining real traffic accident data，designing personalized and adaptive AEB system control strategies based on driver behavior characteristics by collecting data from driving scenes such as throttle and brake pedals， achieving adaptive adjustment of AEB system control strategies based on historical driving data by establishing a dataset combining high-maps with traffic accident information.

Keywords：AEB system; control strategy;layered control;vulnerable road user; driver characteristic

（責任編輯：胡曉燕）