視覺障礙條件下行人碰撞事故場景自動緊急制動觸發策略分析

【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生，針對存在視覺障礙的典型車輛-行人自動緊急制動（AEB）測試場景，提出了3種具有不同碰撞時間（TTC）和制動減速度的AEB觸發策略（保守型、法規型、激進型），在2起典型視覺障礙事故場景條件下，基于PreScan、MATLAB/Simulink、CarSim等仿真平臺建立事故場景和車輛動力學模型，并搭建AEB策略模型，對比分析3種AEB觸發策略的制動有效性。結果表明：所搭建的AEB模型均能在典型行人碰撞場景中實現避撞，其中法規型制動策略規避效果最佳。

主題詞：弱勢道路使用者 視覺障礙 典型場景 自動緊急制動

中圖分類號：U461.91" "文獻標志碼：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景自動緊急制動觸發策略分析[J]. 汽車技術， 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重性[1-2]促進了汽車主動安全技術的快速發展，自動緊急制動（Autonomous Emergency Braking，AEB）系統作為典型的汽車主動安全技術，可以輔助駕駛員規避碰撞事故，進而減少交通事故造成的人員傷亡[3]。為了加速AEB系統的普及，歐洲經濟委員會制定了AEB系統的法規草案。自2015年起，歐洲新車評價規程（European New Car Assessment Programme，Euro-NCAP）和中國新車評價規程（China New Car Assessment Program，C-NCAP）開始著力研究應用于AEB測試的典型場景[4-7]。研究人員在典型交通事故場景開發過程中，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準將目標群體分組，進而統計獲得真實事故場景發生頻率[8-11]。譚正平等通過群決策理論從交通事故數據中分析提取了16類典型的汽車與行人沖突場景[12]。金錢錢等基于弱勢道路使用者交通事故視頻數據庫（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-車輛典型碰撞場景[13]。韓勇等采用具有完整視頻信息和弱勢道路使用者（Vulnerable Road User，VRU）損傷信息的深度事故數據分析了AEB系統的傳感器視場角（Field Of View，FOV）對事故規避率的影響，結果表明，事故規避率隨著FOV的增大而提高[14]。劉福聚等基于中國道路交通事故深入研究（China In-Depth Accident Study，CIDAS）數據庫建立測試場景，發現AEB系統的碰撞時間（Time To Collision，TTC）設置為1 s、探測角度為40°和制動減速度為0.9 g條件下，可減少58.4%行人事故的發生[15]。

綜上，學者們主要關注汽車與行人碰撞場景的聚類研究和汽車AEB系統參數優化研究。然而，AEB系統在汽車和行人典型危險場景中的適應性研究更是AEB預期功能研究的關鍵。傳統AEB感知系統在普通場景下能夠滿足預期的功能需求，但在典型危險場景下能否滿足預期的功能需求還有待驗證。目前，學者對AEB感知系統的預期功能研究較少，缺乏針對中國道路環境下汽車和行人典型危險場景的AEB系統參數的適用性研究。本文結合前期提取的典型碰撞前場景[13]，基于VRU-TRAVi數據庫篩選了2起符合典型碰撞前場景的車輛碰撞行人事故，利用PreScan、MATLAB/Simulink、CarSim等軟件，仿真驗證3種不同AEB策略的預期功能，作為后續AEB感知系統參數優化研究的基礎。

2 AEB系統參數

為了解AEB系統介入過程中的車輛運動狀態和行人狀態，有必要進一步研究車輛制動過程中的制動距離。車載傳感器探測行人的過程如圖1所示，其中車輛在機動車道上行駛，行人切入機動車道。

圖2所示為AEB系統介入后制動過程的不同階段，其中tBPT為消除制動間隙所需時間，tBBT為制動力從0增大到峰值所需時間，tSTOP為車輛以最大減速度恒定制動直到停車所需時間。TTC是AEB系統中觸發車輛減速指令的重要指標。在以往的研究中，TTC閾值是AEB系統激活的基礎，極大地影響事故規避程度。考慮到TTC對VRU的適用性，根據車輛與VRU間的相對距離設置不同的制動減速度，并結合法規定義TTC在制動觸發中的優先級。此外，在AEB系統干預的過程中，從AEB系統發出制動指令到制動間隙被清除的時間通常約為0.1 s，制動力從0開始增大到最大值所需時間tBBT通常為0.15 s[16]。

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

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

式中：dBBT為制動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為制動強度。

考慮到AEB系統在實際應用中的有效性，參考不同級別典型車輛的制動效能數據，計算相應制動強度，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系統需介入時的碰撞時間tTTC和AEB系統介入期間行人移動的距離（目標行人與碰撞點的距離）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為行人移動速度。

觸發AEB系統的TTC閾值tTTCT包含消除制動間隙時間和制動力達到峰值時間：

tTTCT=tBBT+tBPT （4）

本文設定TTC的最大值為1.4 s，最小值為0.8 s[18]。對于制動減速度a，當AEB系統干預時，激進型策略的特點是制動力更大，而保守型策略則以較小的減速度緩慢制動，兩者最大制動減速度均與制動器及地面的摩擦因數有關[19]。參考學者對AEB系統制動減速度的研究，本文將最大制動減速度設置為0.9 g，最小制動減速度設置為0.5 g[20]。要確定傳感器的FOV，應考慮車輛的最低行駛速度。結合Euro-NCAP AEB-VRU測試中最低速度所需的FOV，設置FOV為75°[19]。此外，考慮到實車毫米波雷達傳感器的檢測性能，本文使用的傳感器探測距離設定為60 m。因此，基于目前AEB系統的現狀和其他研究人員對不同參數的研究結果，設定如表2所示的參數特征。

3 AEB控制模型

文獻[21]對目前幾種典型AEB模型（Mazda模型、Honda模型、Berkeley模型、SeungwukMoon模型、TTC模型[22-25]）進行對比分析后認為，縱向避撞過程中AEB避撞模型應滿足“能實現避免碰撞”和“不對駕駛員正常駕駛產生干擾”兩個要求，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為保守型和激進型兩種。因此，在考慮輸入參數少、對駕駛員干擾小、參數可調性層面以及兩輪車目標較小的情況下，本文所設計的AEB模塊首先對輸入的傳感器測量數據進行分析計算，得到預碰撞時間TTC。

直線行駛時汽車與目標位置的關系如圖3所示，目標質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為車輛與目標的直線距離，θ為汽車行駛方向和車輛質心與目標行人質心連線的夾角。

將切向速度vt和徑向速度vr進行轉化得到目標相對于自車的縱向速度vx和橫向速度vy：

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

碰撞時間模型即TTC模型，指直線行駛的自車與前方目標發生碰撞的時間：

tTTC=-x/v （7）

式中：v為自車行駛速度。

綜上，可得縱向碰撞時間tTTCx與橫向碰撞時間tTTCy：

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

ΔtTTCy為上一時刻tTTCy與下一刻的差值，通過ΔtTTCy的值對傳感器識別到的目標進行判斷，若ΔtTTCy恒等于0，則可判定目標對自車不存在威脅。

對于tTTCx，結合不同AEB系統的需求判定車輛何時開始制動，即判定目標存在威脅且滿足如下不等式時車輛開始制動：

ΔtTTCx=tTTCx-tTTCT≤0 （9）

根據上述數學模型搭建如圖4所示的基于TTC的AEB控制策略的仿真模型。

首先利用PreScan搭建事故場景并在車輛上設置傳感器，同時在CarSim中設置車輛動力學模型，最后在MATLAB/Simulink中連接搭建的TTC距離模型、危險狀況判斷模塊以及節氣門/制動器判斷模塊。當TTC滿足AEB觸發條件時，AEB模塊輸出期望的制動減速度至CarSim動力學模塊進行車輛制動控制，過程如圖5所示。

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

4 仿真結果及分析

4.1 事故仿真結果

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

進一步從VRU-TRAVi中篩選出2起典型場景下行人與車輛碰撞的深度事故案例[26]。

案例1：事故編號為XMUTP161221.1，事故草圖如圖8所示，事故發生在北側第一條機動車道上，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景2的對比結果，案例1符合圖7中的典型場景2。

圖9顯示了基于PreScan重建的車輛和行人碰撞位置與真實事故視頻的對比結果，PreScan中行人和車輛的碰撞點與真實事故基本匹配。

結合案例1對3種制動策略的AEB參數進行有效性驗證，結果如圖10所示。

在保守型、法規型、激進型制動策略下，車輛分別在距離行人17.02 m、12.58 m、9.35 m時開始由13.3 m/s的速度進行制動，制動結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制動策略均規避了碰撞，行人典型事故碰撞前場景1驗證有效。

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

圖12所示為基于PreScan重建的車輛和行人碰撞位置與真實事故視頻的對比結果，PreScan中車輛和行人碰撞時刻的相對位置與真實事故基本匹配。

結合案例2對3種制動策略的AEB參數進行有效性驗證，結果如圖13所示。

在保守型、法規型、激進型制動策略下，車輛分別在距離行人15.48 m、13.87 m、10.27 m時開始從11.59 m/s的速度進行制動，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制動策略均規避了碰撞，行人典型事故碰撞前場景3驗證有效。

4.2 結果分析

傳感器能識別的橫向寬度隨著行人與車輛縱向相對距離的減小而減小。在行人與車輛距離較近時，車輛前方的行人不在傳感器的檢測范圍，但本文設置了制動器延遲時間，行人離開檢測范圍后，制動器仍會保持制動狀態0.1 s。

聯系案例1與案例2可知：激進型與法規型制動策略由于制動減速度相同，故速度減小的速率相似，保守型制動策略速度變化相對平緩；激進型、法規型和保守型制動策略下制動開始時刻的相對距離依次增大，制動時間的減小導致制動結束時激進型制動策略的仿真結果中車輛與目標行人的相對距離最小，且案例1中3種制動策略制動結束時車輛與目標行人的相對距離均小于案例2。

圖14所示為3種AEB策略在傳感器探測到行人后的TTC變化情況，2例事故中TTC在開始的幾秒均出現降低趨勢，隨著車輛與行人的距離不斷減小，TTC一旦達到閾值，車輛即開始制動，TTC變化趨勢變小，當速度趨于零時，TTC趨近于無窮大，表示碰撞不會發生。

對比案例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性較大，所以案例1中TTC的變化過程時長較案例2短。

案例1在激進型制動策略下，由于行人在車輛前端離開了傳感器的檢測范圍，所以在制動還未停止時，傳感器已經識別不到行人，故案例1激進型制動策略的TTC沒有出現劇增的情況。

5 結束語

本文基于VRU-TRAVi已建立的7類行人-車輛事故的碰撞前場景，選取具有視覺障礙且占比最高的碰撞前典型場景2，以及具有對照關系的碰撞前典型場景6，再從事故數據庫中篩選出符合以上場景的2起事故，通過仿真平臺建立的車輛動力學模型以及AEB算法對篩選的2起真實事故進行3種不同制動策略下的AEB系統有效性分析，結果表明，3種AEB系統制動策略在篩選的2起真實事故案例中均能實現避撞，故在保證安全性的前提下，可以有效實現不同類型的避撞需求。

2個案例中，車速和行人速度不同，結束制動時目標行人與自車的相對距離也不相同，故后續可以針對真實事故中行人速度和車輛速度對AEB系統作用下事故規避率的影響展開研究。同時，本文局限于車輛直線行駛工況，后續將考慮結合轉向措施對避撞策略進行優化，以及如何使避撞策略用于車輛轉向行駛的情況。

參 考 文 獻

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

[2] 中華人民共和國國家統計局. 中國統計年鑒[M]. 北京： 中國統計出版社， 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、路和環境的AEB控制策略發展研究綜述[J]. 汽車技術， 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] 中國汽車技術研究中心有限公司. C-NCAP管理規則（2018年版）[S/OL]. 天津： 中國汽車技術研究中心有限公司， 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] 中國汽車技術研究中心有限公司. C-NCAP管理規則（2021年版 ）[S/OL]. 天津： 中國汽車技術研究中心有限公司， 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. 面向自動駕駛的典型汽車與行人事故沖突場景研究[J]. 安全與環境學報， 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景提取及虛擬驗證[D]. 廈門： 廈門理工學院， 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， 許永虹， 等. 基于VRUs深度事故重建的AEB效能對頭部損傷風險的影響[J]. 汽車安全與節能學報， 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系統參數研究[J]. 中國汽車， 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. 基于駕駛風格識別的AEB控制策略[J]. 汽車技術， 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] 胡遠志， 呂章潔， 劉西. 基于PreScan的AEB系統縱向避撞算法及仿真驗證[J]. 汽車安全與節能學報， 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.

（責任編輯 斛 畔）

修改稿收到日期為2024年2月16日。