視覺障礙條件下行人碰撞事故場(chǎng)景自動(dòng)緊急制動(dòng)觸發(fā)策略分析

【摘要】為了避免在視覺障礙緊急工況下車輛碰撞行人事故的發(fā)生，針對(duì)存在視覺障礙的典型車輛-行人自動(dòng)緊急制動(dòng)（AEB）測(cè)試場(chǎng)景，提出了3種具有不同碰撞時(shí)間（TTC）和制動(dòng)減速度的AEB觸發(fā)策略（保守型、法規(guī)型、激進(jìn)型），在2起典型視覺障礙事故場(chǎng)景條件下，基于PreScan、MATLAB/Simulink、CarSim等仿真平臺(tái)建立事故場(chǎng)景和車輛動(dòng)力學(xué)模型，并搭建AEB策略模型，對(duì)比分析3種AEB觸發(fā)策略的制動(dòng)有效性。結(jié)果表明：所搭建的AEB模型均能在典型行人碰撞場(chǎng)景中實(shí)現(xiàn)避撞，其中法規(guī)型制動(dòng)策略規(guī)避效果最佳。

主題詞：弱勢(shì)道路使用者 視覺障礙 典型場(chǎng)景 自動(dòng)緊急制動(dòng)

中圖分類號(hào)：U461.91" "文獻(xiàn)標(biāo)志碼：A" "DOI： 10.19620/j.cnki.1000-3703.20221098

Analysis of AEB Triggering Strategies for Pedestrian Collision Scenarios Based on Visual Obstacle Conditions

Cai Hongyu1， Han Yong1，2， He Yong3， Meng Xin1

（1. Xiamen University of Technology， Xiamen 361024; 2. Fujian Key Laboratory of Advanced Design and Manufacturing of Buses， Xiamen 361024; 3. Xiamen Huaxia University， Xiamen 361024）

【Abstract】To avoid the incidence of vehicle - pedestrian collision accidents under emergency scenarios involving visual impairments， this study focuses on typical vehicle-pedestrian Automatic Emergency Braking （AEB） test scenarios with visual impediments. Three AEB triggering strategies， namely the conservative， regulatory， and aggressive strategies， are proposed， each characterized by distinct Time to Collision （TTC） values and braking deceleration profiles. Under the circumstances of two prototypical accident scenarios with visual impairments， accident scenarios and vehicle dynamics models are constructed using simulation platforms such as PreScan， MATLAB/Simulink， and CarSim. Subsequently， an AEB strategy model is developed. A comparative analysis is then conducted to evaluate the braking effectiveness of the three AEB triggering strategies. The results show that all the AEB models in this study can achieve collision avoidance in typical vehicle-pedestrian accident scenarios， with the regulatory braking strategy having the best avoidance effect.

Key words： Vulnerable Road User （VRU）， Visual obstacle， Typical scenarios， Autonomous Emergency Braking （AEB）

【引用格式】 蔡鴻瑜， 韓勇， 何勇， 等. 視覺障礙條件下行人碰撞事故場(chǎng)景自動(dòng)緊急制動(dòng)觸發(fā)策略分析[J]. 汽車技術(shù)， 202X（XX）： XX-XX.

CAI H Y， HAN Y， HE Y， et al. Analysis of AEB Triggering Strategies for Pedestrian Collision Scenarios Based on Visual Obstacles[J]. Automobile Technology， 202X（XX）： XX-XX.

1 前言

道路交通安全問題的嚴(yán)重性[1-2]促進(jìn)了汽車主動(dòng)安全技術(shù)的快速發(fā)展，自動(dòng)緊急制動(dòng)（Autonomous Emergency Braking，AEB）系統(tǒng)作為典型的汽車主動(dòng)安全技術(shù)，可以輔助駕駛員規(guī)避碰撞事故，進(jìn)而減少交通事故造成的人員傷亡[3]。為了加速AEB系統(tǒng)的普及，歐洲經(jīng)濟(jì)委員會(huì)制定了AEB系統(tǒng)的法規(guī)草案。自2015年起，歐洲新車評(píng)價(jià)規(guī)程（European New Car Assessment Programme，Euro-NCAP）和中國(guó)新車評(píng)價(jià)規(guī)程（China New Car Assessment Program，C-NCAP）開始著力研究應(yīng)用于AEB測(cè)試的典型場(chǎng)景[4-7]。研究人員在典型交通事故場(chǎng)景開發(fā)過程中，基于提取的道路使用者信息、車輛信息和影響交通事故的因素等特征，采用聚類分析方法，以相似性或差異性為標(biāo)準(zhǔn)將目標(biāo)群體分組，進(jìn)而統(tǒng)計(jì)獲得真實(shí)事故場(chǎng)景發(fā)生頻率[8-11]。譚正平等通過群決策理論從交通事故數(shù)據(jù)中分析提取了16類典型的汽車與行人沖突場(chǎng)景[12]。金錢錢等基于弱勢(shì)道路使用者交通事故視頻數(shù)據(jù)庫（VRU TRaffic Accident database with Video，VRU-TRAVi）提取事故視頻特征，采用聚類分析方法得到7類行人-車輛典型碰撞場(chǎng)景[13]。韓勇等采用具有完整視頻信息和弱勢(shì)道路使用者（Vulnerable Road User，VRU）損傷信息的深度事故數(shù)據(jù)分析了AEB系統(tǒng)的傳感器視場(chǎng)角（Field Of View，F(xiàn)OV）對(duì)事故規(guī)避率的影響，結(jié)果表明，事故規(guī)避率隨著FOV的增大而提高[14]。劉福聚等基于中國(guó)道路交通事故深入研究（China In-Depth Accident Study，CIDAS）數(shù)據(jù)庫建立測(cè)試場(chǎng)景，發(fā)現(xiàn)AEB系統(tǒng)的碰撞時(shí)間（Time To Collision，TTC）設(shè)置為1 s、探測(cè)角度為40°和制動(dòng)減速度為0.9 g條件下，可減少58.4%行人事故的發(fā)生[15]。

綜上，學(xué)者們主要關(guān)注汽車與行人碰撞場(chǎng)景的聚類研究和汽車AEB系統(tǒng)參數(shù)優(yōu)化研究。然而，AEB系統(tǒng)在汽車和行人典型危險(xiǎn)場(chǎng)景中的適應(yīng)性研究更是AEB預(yù)期功能研究的關(guān)鍵。傳統(tǒng)AEB感知系統(tǒng)在普通場(chǎng)景下能夠滿足預(yù)期的功能需求，但在典型危險(xiǎn)場(chǎng)景下能否滿足預(yù)期的功能需求還有待驗(yàn)證。目前，學(xué)者對(duì)AEB感知系統(tǒng)的預(yù)期功能研究較少，缺乏針對(duì)中國(guó)道路環(huán)境下汽車和行人典型危險(xiǎn)場(chǎng)景的AEB系統(tǒng)參數(shù)的適用性研究。本文結(jié)合前期提取的典型碰撞前場(chǎng)景[13]，基于VRU-TRAVi數(shù)據(jù)庫篩選了2起符合典型碰撞前場(chǎng)景的車輛碰撞行人事故，利用PreScan、MATLAB/Simulink、CarSim等軟件，仿真驗(yàn)證3種不同AEB策略的預(yù)期功能，作為后續(xù)AEB感知系統(tǒng)參數(shù)優(yōu)化研究的基礎(chǔ)。

2 AEB系統(tǒng)參數(shù)

為了解AEB系統(tǒng)介入過程中的車輛運(yùn)動(dòng)狀態(tài)和行人狀態(tài)，有必要進(jìn)一步研究車輛制動(dòng)過程中的制動(dòng)距離。車載傳感器探測(cè)行人的過程如圖1所示，其中車輛在機(jī)動(dòng)車道上行駛，行人切入機(jī)動(dòng)車道。

圖2所示為AEB系統(tǒng)介入后制動(dòng)過程的不同階段，其中tBPT為消除制動(dòng)間隙所需時(shí)間，tBBT為制動(dòng)力從0增大到峰值所需時(shí)間，tSTOP為車輛以最大減速度恒定制動(dòng)直到停車所需時(shí)間。TTC是AEB系統(tǒng)中觸發(fā)車輛減速指令的重要指標(biāo)。在以往的研究中，TTC閾值是AEB系統(tǒng)激活的基礎(chǔ)，極大地影響事故規(guī)避程度。考慮到TTC對(duì)VRU的適用性，根據(jù)車輛與VRU間的相對(duì)距離設(shè)置不同的制動(dòng)減速度，并結(jié)合法規(guī)定義TTC在制動(dòng)觸發(fā)中的優(yōu)先級(jí)。此外，在AEB系統(tǒng)干預(yù)的過程中，從AEB系統(tǒng)發(fā)出制動(dòng)指令到制動(dòng)間隙被清除的時(shí)間通常約為0.1 s，制動(dòng)力從0開始增大到最大值所需時(shí)間tBBT通常為0.15 s[16]。

車輛完全停止的距離dvehicle可用制動(dòng)梯度提升和最大恒定減速度兩個(gè)階段的行駛距離計(jì)算得出[17]：

dvehicle=dBBT+dSTOP[=v202amax+v0tBBT2-amaxt2BBT24] （1）

式中：dBBT為制動(dòng)力從零增大到峰值所行駛的距離，dSTOP為車輛以最大減速度恒定制動(dòng)直到停車所行駛的距離，v0為車輛初始速度，amax=μg為車輛最大減速度，μ為制動(dòng)強(qiáng)度。

考慮到AEB系統(tǒng)在實(shí)際應(yīng)用中的有效性，參考不同級(jí)別典型車輛的制動(dòng)效能數(shù)據(jù)，計(jì)算相應(yīng)制動(dòng)強(qiáng)度，如表1所示，得到μ的范圍為0.95～1.10，將其作為本文減速度a的參考。

AEB系統(tǒng)需介入時(shí)的碰撞時(shí)間tTTC和AEB系統(tǒng)介入期間行人移動(dòng)的距離（目標(biāo)行人與碰撞點(diǎn)的距離）dPed分別為：

tTTC=-dvel/v0 （2）

dPed=tTTCvPed （3）

式中：dvel為行人與車輛的縱向距離，vPed為行人移動(dòng)速度。

觸發(fā)AEB系統(tǒng)的TTC閾值tTTCT包含消除制動(dòng)間隙時(shí)間和制動(dòng)力達(dá)到峰值時(shí)間：

tTTCT=tBBT+tBPT （4）

本文設(shè)定TTC的最大值為1.4 s，最小值為0.8 s[18]。對(duì)于制動(dòng)減速度a，當(dāng)AEB系統(tǒng)干預(yù)時(shí)，激進(jìn)型策略的特點(diǎn)是制動(dòng)力更大，而保守型策略則以較小的減速度緩慢制動(dòng)，兩者最大制動(dòng)減速度均與制動(dòng)器及地面的摩擦因數(shù)有關(guān)[19]。參考學(xué)者對(duì)AEB系統(tǒng)制動(dòng)減速度的研究，本文將最大制動(dòng)減速度設(shè)置為0.9 g，最小制動(dòng)減速度設(shè)置為0.5 g[20]。要確定傳感器的FOV，應(yīng)考慮車輛的最低行駛速度。結(jié)合Euro-NCAP AEB-VRU測(cè)試中最低速度所需的FOV，設(shè)置FOV為75°[19]。此外，考慮到實(shí)車毫米波雷達(dá)傳感器的檢測(cè)性能，本文使用的傳感器探測(cè)距離設(shè)定為60 m。因此，基于目前AEB系統(tǒng)的現(xiàn)狀和其他研究人員對(duì)不同參數(shù)的研究結(jié)果，設(shè)定如表2所示的參數(shù)特征。

3 AEB控制模型

文獻(xiàn)[21]對(duì)目前幾種典型AEB模型（Mazda模型、Honda模型、Berkeley模型、SeungwukMoon模型、TTC模型[22-25]）進(jìn)行對(duì)比分析后認(rèn)為，縱向避撞過程中AEB避撞模型應(yīng)滿足“能實(shí)現(xiàn)避免碰撞”和“不對(duì)駕駛員正常駕駛產(chǎn)生干擾”兩個(gè)要求，在不干擾駕駛員正常駕駛層面，TTC模型效果最好，而在縱向避撞過程中，以上幾種模型主要表現(xiàn)為保守型和激進(jìn)型兩種。因此，在考慮輸入?yún)?shù)少、對(duì)駕駛員干擾小、參數(shù)可調(diào)性層面以及兩輪車目標(biāo)較小的情況下，本文所設(shè)計(jì)的AEB模塊首先對(duì)輸入的傳感器測(cè)量數(shù)據(jù)進(jìn)行分析計(jì)算，得到預(yù)碰撞時(shí)間TTC。

直線行駛時(shí)汽車與目標(biāo)位置的關(guān)系如圖3所示，目標(biāo)質(zhì)心與自車的縱向距離x和橫向距離y分別為：

[x=ρr·cosθy=ρr·sinθ] （5）

式中：ρr為車輛與目標(biāo)的直線距離，θ為汽車行駛方向和車輛質(zhì)心與目標(biāo)行人質(zhì)心連線的夾角。

將切向速度vt和徑向速度vr進(jìn)行轉(zhuǎn)化得到目標(biāo)相對(duì)于自車的縱向速度vx和橫向速度vy：

[vx=vrcosθ-vtsinθvy=vrsinθ+vtcosθ] （6）

碰撞時(shí)間模型即TTC模型，指直線行駛的自車與前方目標(biāo)發(fā)生碰撞的時(shí)間：

tTTC=-x/v （7）

式中：v為自車行駛速度。

綜上，可得縱向碰撞時(shí)間tTTCx與橫向碰撞時(shí)間tTTCy：

[tTTCx=-ρr?cosθvrcosθ-vtsinθ-vtTTCy=-ρr?sinθvrcosθ-vtsinθ] （8）

ΔtTTCy為上一時(shí)刻tTTCy與下一刻的差值，通過ΔtTTCy的值對(duì)傳感器識(shí)別到的目標(biāo)進(jìn)行判斷，若ΔtTTCy恒等于0，則可判定目標(biāo)對(duì)自車不存在威脅。

對(duì)于tTTCx，結(jié)合不同AEB系統(tǒng)的需求判定車輛何時(shí)開始制動(dòng)，即判定目標(biāo)存在威脅且滿足如下不等式時(shí)車輛開始制動(dòng)：

ΔtTTCx=tTTCx-tTTCT≤0 （9）

根據(jù)上述數(shù)學(xué)模型搭建如圖4所示的基于TTC的AEB控制策略的仿真模型。

首先利用PreScan搭建事故場(chǎng)景并在車輛上設(shè)置傳感器，同時(shí)在CarSim中設(shè)置車輛動(dòng)力學(xué)模型，最后在MATLAB/Simulink中連接搭建的TTC距離模型、危險(xiǎn)狀況判斷模塊以及節(jié)氣門/制動(dòng)器判斷模塊。當(dāng)TTC滿足AEB觸發(fā)條件時(shí)，AEB模塊輸出期望的制動(dòng)減速度至CarSim動(dòng)力學(xué)模塊進(jìn)行車輛制動(dòng)控制，過程如圖5所示。

圖6所示為3種不同觸發(fā)策略下的實(shí)際制動(dòng)減速度和期望制動(dòng)減速度。可以看出，實(shí)際制動(dòng)減速度與期望制動(dòng)減速度非常接近，誤差控制在4.5%以內(nèi)，符合制動(dòng)減速度的要求。

4 仿真結(jié)果及分析

4.1 事故仿真結(jié)果

為了驗(yàn)證不同觸發(fā)策略下AEB系統(tǒng)制動(dòng)控制的有效性，結(jié)合前期基于聚類得到的7類行人-車輛碰撞前典型場(chǎng)景，如圖7所示[13]，選擇占比高的場(chǎng)景2（占比20.67%）開展仿真，考慮到該場(chǎng)景下行人自近端橫穿道路，另選取行人自遠(yuǎn)端橫穿道路的場(chǎng)景6作為對(duì)照。

進(jìn)一步從VRU-TRAVi中篩選出2起典型場(chǎng)景下行人與車輛碰撞的深度事故案例[26]。

案例1：事故編號(hào)為XMUTP161221.1，事故草圖如圖8所示，事故發(fā)生在北側(cè)第一條機(jī)動(dòng)車道上，一輛由東向西行駛的轎車與一名從綠化帶由北向南穿行的行人相撞。表3所示為事故特征與典型場(chǎng)景2的對(duì)比結(jié)果，案例1符合圖7中的典型場(chǎng)景2。

圖9顯示了基于PreScan重建的車輛和行人碰撞位置與真實(shí)事故視頻的對(duì)比結(jié)果，PreScan中行人和車輛的碰撞點(diǎn)與真實(shí)事故基本匹配。

結(jié)合案例1對(duì)3種制動(dòng)策略的AEB參數(shù)進(jìn)行有效性驗(yàn)證，結(jié)果如圖10所示。

在保守型、法規(guī)型、激進(jìn)型制動(dòng)策略下，車輛分別在距離行人17.02 m、12.58 m、9.35 m時(shí)開始由13.3 m/s的速度進(jìn)行制動(dòng)，制動(dòng)結(jié)束后車輛最終分別在距離行人1.61 m、4.30 m、1.02 m的位置停止。案例1中3種AEB制動(dòng)策略均規(guī)避了碰撞，行人典型事故碰撞前場(chǎng)景1驗(yàn)證有效。

案例2：事故編號(hào)為XMUT06190027.1，事故草圖如圖11所示，該事故發(fā)生在某交叉路口，一輛由西向東行駛的轎車與一名由北向南移動(dòng)的行人相撞，該行人行進(jìn)路線被等待的車輛遮擋。表4所示為事故特征與典型場(chǎng)景6的對(duì)比結(jié)果，案例2符合圖7所示的典型場(chǎng)景6。

圖12所示為基于PreScan重建的車輛和行人碰撞位置與真實(shí)事故視頻的對(duì)比結(jié)果，PreScan中車輛和行人碰撞時(shí)刻的相對(duì)位置與真實(shí)事故基本匹配。

結(jié)合案例2對(duì)3種制動(dòng)策略的AEB參數(shù)進(jìn)行有效性驗(yàn)證，結(jié)果如圖13所示。

在保守型、法規(guī)型、激進(jìn)型制動(dòng)策略下，車輛分別在距離行人15.48 m、13.87 m、10.27 m時(shí)開始從11.59 m/s的速度進(jìn)行制動(dòng)，最終分別在距離行人6.40 m、9.23 m、5.43 m的位置停止。案例2中3種AEB制動(dòng)策略均規(guī)避了碰撞，行人典型事故碰撞前場(chǎng)景3驗(yàn)證有效。

4.2 結(jié)果分析

傳感器能識(shí)別的橫向?qū)挾入S著行人與車輛縱向相對(duì)距離的減小而減小。在行人與車輛距離較近時(shí)，車輛前方的行人不在傳感器的檢測(cè)范圍，但本文設(shè)置了制動(dòng)器延遲時(shí)間，行人離開檢測(cè)范圍后，制動(dòng)器仍會(huì)保持制動(dòng)狀態(tài)0.1 s。

聯(lián)系案例1與案例2可知：激進(jìn)型與法規(guī)型制動(dòng)策略由于制動(dòng)減速度相同，故速度減小的速率相似，保守型制動(dòng)策略速度變化相對(duì)平緩；激進(jìn)型、法規(guī)型和保守型制動(dòng)策略下制動(dòng)開始時(shí)刻的相對(duì)距離依次增大，制動(dòng)時(shí)間的減小導(dǎo)致制動(dòng)結(jié)束時(shí)激進(jìn)型制動(dòng)策略的仿真結(jié)果中車輛與目標(biāo)行人的相對(duì)距離最小，且案例1中3種制動(dòng)策略制動(dòng)結(jié)束時(shí)車輛與目標(biāo)行人的相對(duì)距離均小于案例2。

圖14所示為3種AEB策略在傳感器探測(cè)到行人后的TTC變化情況，2例事故中TTC在開始的幾秒均出現(xiàn)降低趨勢(shì)，隨著車輛與行人的距離不斷減小，TTC一旦達(dá)到閾值，車輛即開始制動(dòng)，TTC變化趨勢(shì)變小，當(dāng)速度趨于零時(shí)，TTC趨近于無窮大，表示碰撞不會(huì)發(fā)生。

對(duì)比案例1與案例2的TTC，一方面，案例1的車速較案例2高，另一方面，由于傳感器輸出的TTC為縱向TTC，與車輛自身的速度相關(guān)性較大，所以案例1中TTC的變化過程時(shí)長(zhǎng)較案例2短。

案例1在激進(jìn)型制動(dòng)策略下，由于行人在車輛前端離開了傳感器的檢測(cè)范圍，所以在制動(dòng)還未停止時(shí)，傳感器已經(jīng)識(shí)別不到行人，故案例1激進(jìn)型制動(dòng)策略的TTC沒有出現(xiàn)劇增的情況。

5 結(jié)束語

本文基于VRU-TRAVi已建立的7類行人-車輛事故的碰撞前場(chǎng)景，選取具有視覺障礙且占比最高的碰撞前典型場(chǎng)景2，以及具有對(duì)照關(guān)系的碰撞前典型場(chǎng)景6，再?gòu)氖鹿蕯?shù)據(jù)庫中篩選出符合以上場(chǎng)景的2起事故，通過仿真平臺(tái)建立的車輛動(dòng)力學(xué)模型以及AEB算法對(duì)篩選的2起真實(shí)事故進(jìn)行3種不同制動(dòng)策略下的AEB系統(tǒng)有效性分析，結(jié)果表明，3種AEB系統(tǒng)制動(dòng)策略在篩選的2起真實(shí)事故案例中均能實(shí)現(xiàn)避撞，故在保證安全性的前提下，可以有效實(shí)現(xiàn)不同類型的避撞需求。

2個(gè)案例中，車速和行人速度不同，結(jié)束制動(dòng)時(shí)目標(biāo)行人與自車的相對(duì)距離也不相同，故后續(xù)可以針對(duì)真實(shí)事故中行人速度和車輛速度對(duì)AEB系統(tǒng)作用下事故規(guī)避率的影響展開研究。同時(shí)，本文局限于車輛直線行駛工況，后續(xù)將考慮結(jié)合轉(zhuǎn)向措施對(duì)避撞策略進(jìn)行優(yōu)化，以及如何使避撞策略用于車輛轉(zhuǎn)向行駛的情況。

參 考 文 獻(xiàn)

[1] World Health Organization. Global Status Report on Road Safety 2018[R]. Geneva， Switzerland： World Health Organization， 2018.

[2] 中華人民共和國(guó)國(guó)家統(tǒng)計(jì)局. 中國(guó)統(tǒng)計(jì)年鑒[M]. 北京： 中國(guó)統(tǒng)計(jì)出版社， 2020.

National Bureau of Statistics. Chinese Statistical Yearbook[M]. Beijing， China： Chinese Statistical Press， 2020.

[3] 劉永濤， 呂凱光， 趙俊瑋， 等. 基于人、車、路和環(huán)境的AEB控制策略發(fā)展研究綜述[J]. 汽車技術(shù)， 2021（5）： 1-8.

LIU Y T， Lü K G， ZHAO J W， et al. Research Review on Development of AEB Control Strategy Based on Human， Vehicle， Road and Environment[J]. Automobile Technology， 2021（5）： 1-8.

[4] Euro NCAP. Test Protocol -AEB VRU Systems （Version 1.0.1） [S/OL]. Leuven， Belgium： Euro NCAP， 2015. https：//cdn.euroncap.com/media/21509/euro-ncap-aeb-vru-test-protocol-v101.pdf.

[5] Euro NCAP. Euro NCAP Test Protocol-AEB VRU Systems （Version 3.0.4） [S/OL]. Leuven， Belgium： Euro NCAP， 2021. https：//cdn.euroncap.com/media/62795/euro-ncap-aeb-vru-test-protocol-v304.pdf.

[6] 中國(guó)汽車技術(shù)研究中心有限公司. C-NCAP管理規(guī)則（2018年版）[S/OL]. 天津： 中國(guó)汽車技術(shù)研究中心有限公司， 2018. http：//www.c-ncap.org/cms/files/cncap-regulation-2018.pdf.

China Automotive Technology and Research Center Co.， Ltd.. C-NCAP Management Regulation （2018 Edition）[S/OL]. Tianjin： China Automotive Technology and Research Center Co.， Ltd.， 2018. http：//www.c-ncap.org/cms/files/cncap-regulation-2018.pdf.

[7] 中國(guó)汽車技術(shù)研究中心有限公司. C-NCAP管理規(guī)則（2021年版 ）[S/OL]. 天津： 中國(guó)汽車技術(shù)研究中心有限公司， 2021. http：//www.cncap.org.cn/cms/picture/3573800030 76288512.pdf.

China Automotive Technology and Research Center Co.， Ltd.. C-NCAP Management Regulation （2021 Edition）[S/OL]. Tianjin： China Automotive Technology and Research Center Co.， Ltd.， 2021. http：//www.cncap.org.cn/cms/picture/357380003076288512.pdf.

[8] SUN M， SUN X D， SHAN D H. Pedestrian Crash Analysis with Latent Class Clustering Method[J]. Accident Analysis and Prevention， 2019， 124： 50-57.

[9] PAN D， HAN Y， JIN Q Q， et al. Study of Typical Electric Two-Wheelers Pre-Crash Scenarios Using K-Medoids Clustering Methodology Based on Video Recordings in China[J]. Accident Analysis and Prevention， 2021， 160.

[10] ROUSSEEUW P J. Silhouettes： A Graphical Aid to the Interpretation and Validation of Cluster Analysis[J]. Journal of Computational and Applied Mathematics， 1987， 20： 53-65.

[11] BATOOL F. Optimum Average Silhouette Width Clustering Methods[D]. London， UK： University College London， 2019.

[12] 譚正平， 車瑤櫟， 肖凌云， 等. 面向自動(dòng)駕駛的典型汽車與行人事故沖突場(chǎng)景研究[J]. 安全與環(huán)境學(xué)報(bào)， 2021， 21（4）： 1573-1582.

TAN Z P， CHE Y Y， XIAO L Y， et al. Trace Analysis for the Typical Precrash Scenario between Car Vehicle and Pedestrian Caused by the Automatic Driving[J]. Journal of Safety and Environment， 2021， 21（4）： 1573-1582.

[13] 金錢錢. 基于視頻信息的行人與自行車典型場(chǎng)景提取及虛擬驗(yàn)證[D]. 廈門： 廈門理工學(xué)院， 2020.

JIN Q. Extraction and Virtual Verification of Typical Scenarios of Traffic Accidents for VRU Based on Video Information[D]. Xiamen： Xiamen University of Technology， 2020.

[14] 韓勇， 李永強(qiáng)， 許永虹， 等. 基于VRUs深度事故重建的AEB效能對(duì)頭部損傷風(fēng)險(xiǎn)的影響[J]. 汽車安全與節(jié)能學(xué)報(bào)， 2021， 12（4）： 490-498.

HAN Y， LI Y Q， XU Y H， et al. Effectiveness of AEB System for Head Injury Risk Based on VRUs in-Depth Accident Reconstruction[J]. Journal of Automotive Safety and Energy， 2021， 12（4）： 490-498.

[15] 劉福聚， 王鵬， 陳吉光. 基于CIDAS乘用車行人事故的AEB系統(tǒng)參數(shù)研究[J]. 中國(guó)汽車， 2018（9）： 26-29.

LIU F J， WANG P， CHEN J G. Research on the AEB System Parameters Based on Passenger Car-Pedestrian Accidents in CIDAS[J]. China Auto， 2018（9）： 26-29.

[16] HAUS S H， SHERONY R， GABLER H C. Estimated Benefit of Automated Emergency Braking Systems for Vehicle-Pedestrian Crashes in the United States[J]. Traffic Injury Prevention， 2019， 20（S1）： S171-S176.

[17] JEPPSSON H， LUBBE N. Simulating Automated Emergency Braking with and without Torricelli Vacuum Emergency Braking for Cyclists： Effect of Brake Deceleration and Sensor Field-of-View on Accidents， Injuries and Fatalities[J]. Accident Analysis and Prevention， 2020， 142.

[18] ROSEN E. Autonomous Emergency Braking for Vulnerable Road Users[C]// 2013 IRCOBI Conference. Gothenburg， Sweden： International Research Council on the Biomechanics of Injury， 2013： 618-627.

[19] TANAKA S， TERAOKA E Y M. Benefit Estimation of Active Safety Systems for Crossing-Pedestrian Scenarios[C]// FISITA World Automotive Congress. Maastricht， Netherlands： FISITA， 2014.

[20] HAMDANE H， SERRE T， MASSON C， et al. Issues and Challenges for Pedestrian Active Safety Systems Based on Real World Accidents[J]. Accident Analysis and Prevention， 2015， 82： 53-60.

[21] 呂凱光， 李旋， 韓天園， 等. 基于駕駛風(fēng)格識(shí)別的AEB控制策略[J]. 汽車技術(shù)， 2021（5）： 16-21.

Lü K G， LI X， HAN T Y， et al. AEB Control Strategy Based on Driving Style Recognition[J]. Automobile Technology， 2021（5）： 16-21.

[22] 胡遠(yuǎn)志， 呂章潔， 劉西. 基于PreScan的AEB系統(tǒng)縱向避撞算法及仿真驗(yàn)證[J]. 汽車安全與節(jié)能學(xué)報(bào)， 2017， 8（2）： 136-142.

HU Y Z， Lü Z J， LIU X. Algorithm and Simulation Verification of Longitudinal Collision Avoidance for Autonomous Emergency Break （AEB） System Based on PreScan[J]. Journal of Automotive Safety and Energy， 2017（2）： 136-142.

[23] YOSHIDA H， AWANO S， NAGAI M， et al. Target Following Brake Control for Collision Avoidance Assist of Active Interface Vehicle[C]// 2006 SICE-ICASE International Joint Conference. Busan， South Korea： IEEE， 2006： 4436-4439.

[24] LIN M， YOON J， KIM B. Study of AEB System Algorithm Using GPS-Based Real-Time Measured Gradient[J]. Advanced Science and Technology Letters， 2015， 118： 37-41.

[25] KUSANO K D， GABLER H C. Method for Estimating Time to Collision at Braking in Real-World， Lead Vehicle Stopped Rear-End Crashes for Use in Pre-Crash System Design[J]. SAE International Journal of Passenger Cars-Mechanical Systems， 2011， 4（1）： 435-443.

[26] LI Q， HAN Y， MIZUNO K， et al. Ground Landing Mechanisms in Vehicle to Pedestrian Impact Base on Accident Video Records[J]. SAE Technical Paper 2018-01-1044， 2018.

（責(zé)任編輯 斛 畔）

修改稿收到日期為2024年2月16日。