電動兩輪車事故場景下自動緊急制動系統性能提升方法研究

【摘要】為提高自動緊急制動（AEB）系統的性能，通過道路交通事故數據分析得出機動車左轉條件下電動兩輪車迎面行駛發生碰撞事故的頻率和傷亡率較高，將該場景歸納為AEB系統的典型應用場景，使用實車參數和傳感器自身技術參數搭建PreScan-MATLAB-CarSim主動安全仿真測試模型，通過仿真確定所需傳感器及攝像頭類型、數量以及合理的緊急制動參數范圍，最后，使用駕駛機器人及小型超平承載機器人搭建實車測試場景，完成AEB參數匹配及仿真參數驗證，結果表明，該參數滿足開發要求。

關鍵詞：緊急制動 事故場景 仿真測試 實車驗證

中圖分類號：U467.1" "文獻標志碼：A" "DOI： 10.20104/j.cnki.1674-6546.20230439

Research on AEB Performance Improvement Method of Electric Two-Wheelers in Accident Scene

Yan Longwei， Wu Zhiguo， Lin Song， Jiang Zhishuang， Zhao Wenbo， Hu Ruinan

（FAW-Volkswagen Automotive Co.， Ltd.， Changchun 13001）

【Abstract】In order to improve performance of automatic emergency braking （AEB） system， this article firstly analyzes the data from road traffic accidents， and concludes that the collision frequency and accident fatality rate are higher when the electric two-wheeler drives head-on when the motor vehicle turns left， then summarizes this accident scene as a typical application scenario of AEB system. The PreScan-MATLAB-CarSim active safety simulation test model is built using real vehicle parameters and the technical parameters of the sensor， and the type， number of the sensors and cameras needed and reasonable range of emergency braking parameters are determined by simulation. Finally， driving robot and small-sized bearing robot are employed to build an accident test scene， and the AEB parameter matching and simulation parameter verification are completed. The results show that the parameters can satisfy the requirement of development.

Key words： Emergency braking， Accident scenario， Simulation test， Real vehicle verification

1 前言

自動緊急制動（Autonomous Emergency Braking，AEB）系統是最早的主動安全功能之一。在AEB系統功能測試中，需重點關注測試目標物、測試場景以及駕駛員在危險狀態下對車輛的輸入[1-3]。整車制造商大多基于歐洲新車安全評鑒協會（European New Car Assessment Programme，Euro NCAP）的評價標準進行主動安全功能算法開發，導致算法在中國的部分道路場景中會出現場景不識別或反應遲滯的問題。因此，需要改進相關算法并提升對我國道路目標物的識別能力。例如，從中國交通事故深度調查（China In-Depth Accident Study，CIDAS）事故案例中提取典型的開發場景，提升車輛在該類場景中的性能表現。

在各事故類型中，電動兩輪車與摩托車參與的事故數量約占事故總數量的43%[4]，自2016年起，電動汽車事故數量已占據各事故類型的榜首，并呈現快速上升趨勢[5]。由于AEB功能開發過程中電動汽車目標物場景較少且相對單一[6-8]，主動安全功能在電動汽車事故中很難發揮作用。同時，很多整車制造商按照法規將目標物為車輛和行人的危險場景作為主要開發場景，也是該類事故多發的原因之一。

本文以電動兩輪車的典型事故為例，進行主動安全事故場景開發。首先，歸納整理事故發生時的環境、照明情況、電動兩輪車駕駛員受傷情況、車輛運動軌跡、兩輪車運動軌跡等數據，得到發生頻率較高及碰撞傷害較嚴重的事故場景作為工況開發基礎。其次，使用車輛及傳感器自身技術參數搭建PreScan-MATLAB-CarSim主動安全仿真測試模型，測試傳感器探測范圍，確認傳感器配置需求[9-10]，通過仿真測試得到制動參數的合理范圍。最后，利用駕駛機器人及小型超平承載機器人搭建實車測試場景，驗證AEB系統的性能。

2 電動汽車典型事故場景搭建

典型事故類型的篩選需要從事故發生頻率高、參與者重傷率及死亡率高的類型中選取。根據2020年至2023年中國乘用車事故數據統計[11]，電動汽車事故發生概率最高的前10種事故類型及其傷亡率如圖1、圖2所示。

在十字路口中，機動車左轉時電動兩輪車對向直行（221）和機動車直行時電動兩輪車右側橫穿（321）的事故占電動兩輪車事故總量的37%。機動車左轉時電動兩輪車右側直行（322）和機動車追尾電動兩輪車（601）的事故數量雖然不多，但人員傷亡率很高。

在圖2中，上述4類典型場景發生的事故數量占全部電動汽車事故數量的49%，且在事故過程中人員傷亡率超過35%。本文選取321事故類型作為搭建AEB功能開發場景的基礎，通過對關鍵參數仿真測試及實車驗證提升車輛AEB系統性能。

確定電動汽車典型事故類型后，仍需獲得更多參數以搭建AEB系統開發所需場景，從試驗場地環境和試驗可重復性角度分析，所需參數可分為環境參數、本車參數、目標車參數。環境參數包含光照情況及主要道路特征，主車、目標車參數包含相應車速、車輛運動軌跡以及碰撞時的相對姿態。

十字路口作為機動車左轉時電動汽車迎面行駛事故的主要道路特征，需要清晰定義其參數。如圖3所示，十字路口的主要參數為車輛與目標物側向距離a、轉彎車輛路徑到路邊的橫向距離b、中央綠化隔離帶寬度ca、cb以及非機動車道綠化帶寬度d。

根據有、無道路中央綠化帶，可將路口分為2類，共16種[12]，如圖4所示，可覆蓋約95%的中國路口特征。

將電動兩輪車十字路口事故中的道路特征與上述16種路口對應后發現，電動兩輪車事故發生頻率較高的前5種路口分別為W0、W1、W2、W2T及B2，如表1所示，此類路口平均寬度為4.8 m。

W0路口事故類型為主車在左轉時與相鄰直行車道電動兩輪車相撞，此類事故發生頻率最高，故本文選取W0類型路口的道路特征進行研究。

主車的運動參數可分解為車速和十字路口左轉時的轉彎半徑。如圖5所示，定義當主車轉向角速率大于5 （°）/s時車輛對應的位置坐標為轉彎弧線起點P1，碰撞時車輛對應的位置坐標為轉彎弧線終點P2，中間時刻車輛對應的位置坐標為轉彎弧線中點P3。根據CIDAS數據庫中記錄的事故類型及事故相關車輛及人員信息等，通過數據篩選處理得到101起乘用車撞擊電動兩輪車事故，對數據進行分析后，重建案例得出車輛轉彎半徑的平均值為20 m，事故車輛左轉平均車速為20 km/h。由于車輛左轉速度不會高于30 km/h，本場景3個速度點處主車車速分別設置為10 km/h、20 km/h、30 km/h，其他速度點的參數通過線性插值得出，使該功能可滿足10～30 km/h的所有速度點。

由于電動兩輪車騎行者運動狀態十分復雜，事故數據中無法體現騎行者的初始速度和碰撞速度。但交通法規要求電動自行車車速不得超過25 km/h，故設定騎行者的速度為20 km/h，分別分析騎行者前方有遮擋和無遮擋的場景[13]。

3 傳感器仿真測試

在主動安全系統開發前期，通過虛擬仿真對場景識別、算法邏輯進行測試和優化，可提高開發效率，節約開發成本。本文利用主動安全場景仿真軟件PreScan搭建電動汽車典型事故場景，并通過攝像頭角度及雷達探測范圍仿真，得出所需傳感器類型及數量[14-15]。

利用PreScan建立十字路口機動車左轉時電動汽車迎面直行無遮擋場景，場景運動模型和主車駕駛員視覺模型如圖6、圖7所示。在主車整個運動過程中，駕駛員雖然可以裸眼觀測到目標物的行駛情況，但仍需要獲得傳感器探測的精確距離信息，才能保證目標物始終在傳感器的探測范圍內。建模過程中通常需要設置傳感器類型、數量以及不同類型傳感器的探測角度。

AEB功能主要依靠前主雷達和前視攝像頭實現。首先對1個主雷達和1個主攝像頭進行仿真，需要在仿真過程中確認是否可以探測到目標物以及探測到的時機是否滿足功能要求。若仿真過程中傳感器在碰撞前3 s內不能持續探測到目標物，則需要增加更多傳感器進行目標物的探測。

主車配置1顆77 Hz毫米波主雷達和1個探測角度為52°的主攝像頭作為AEB的傳感器，在仿真過程中，電動兩輪車始終在主雷達和主攝像頭探測范圍內，如圖8所示，因此當前配置可以滿足該事故場景的需求。

4 參數匹配仿真測試

確定AEB功能所需傳感器數量及角度后，需要通過仿真確定該功能在電動兩輪車十字路口場景中的關鍵參數。場景的測試仿真需要根據車輛參數及測試數據建立車輛動力學模型，在車輛緊急制動過程中，準確的動力學模型是保證車輛狀態和仿真測試的功能觸發時刻準確的前提。本文使用CarSim進行參數方式建模[16]。

在電動汽車十字路口場事故景中，主要通過緊急制動功能避免碰撞。在緊急制動場景仿真測試過程中，通過控制車輛建壓時間來控制車輛的制動性能。參數包含制動遲滯時間、制動建壓時間以及前、后制動卡鉗壓力，該參數會影響AEB控制器制動請求的響應時間。通過控制輪胎參數和簧上質量來控制車輛響應的減速度。通過修改輪胎型號、輪胎側偏特性、輪胎縱滑特性、輪胎側傾特性來控制車輛制動過程中的性能。車輛的質量、尺寸需要與實車一致，否則在仿真過程中會影響車輛減速的計算。

在確定車輛參數后，通過仿真觸發車輛制動，減速度分別為-9 m/s2、-6 m/s2、-3 m/s2，觀察仿真響應曲線與實車響應曲線是否一致，從而確認制動參數是否準確，調試制動參數使2條曲線高度擬合后，即完成了緊急制動車輛動力學模型的基本搭建，如圖9所示。

在電動兩輪車十字路口場景中，影響車輛AEB功能的主要參數是虛擬車道寬度和主車緊急制動觸發時刻。行業內主要使用碰撞時間（Time To Collision，TTC）作為緊急制動觸發參數。若在各種場景下，不同觸發時間車輛能夠避免碰撞，則認為功能參數匹配。

觸發時刻和減速度需相互配合，以滿足不同場景下緊急制動的性能要求。目前，根據目標物的不同，車輛減速度分為-3 m/s2、-6 m/s2和-9 m/s2 3個等級。當目標物為車輛時，根據目標車與主車的相對速度觸發不同的減速度。當目標物為行人、自行車時，為保護弱勢群體，車輛緊急制動減速度為一級減速度，即-9 m/s2。

通過毫米波雷達可得到主車與目標車的相對距離和偏移角度，計算可得兩車的橫向和縱向偏移量，從而判斷目標車輛是否在主車虛擬車道范圍內。在得到兩者某時刻的相對位置后，根據航偏角將速度分解成X向、Y向速度，其中X向為正東方，Y向為正北方，以此為標準建立直角坐標系，根據Y向相對速度ΔVy與相對距離可得碰撞時間Δtl，根據碰撞時間計算兩車的橫向偏移量dl，偏移量達到閾值后則將目標鎖定為預制動目標并進行實時計算，判斷在AEB制動過程中兩車是否會碰撞，如圖10所示。

相對橫向速度、相對縱向速度、縱向碰撞時間、橫向偏移量計算如下：

[ΔVx=V1cosθ1+V2cosθ2] （1）

[ΔVy=V1sinθ1-V2sinθ2] （2）

[Δtl=YdisΔVy] （3）

[dl=ΔtlΔVx] （4）

式中：ΔVx為相對橫向速度，V1為主車速度，θ1為主車與X方向的夾角，V2為目標車速度，θ2為目標車與X方向的夾角，ΔVy為相對縱向速度，Ydis為兩車縱向距離，Δtl為縱向碰撞時間，dl為橫向偏移量。

通過MATLAB/Simulink搭建仿真數據測試模塊。虛擬車道寬度分別設置為3.6 m、3.7 m、3.8 m，在預計碰撞時間為0.8 s、0.9 s、1.0 s條件下檢測車輛是否碰撞以及車輛停車時與目標物的距離。仿真測試結果如表2所示，根據場景要求，以制動時刻為1.0 s、虛擬車道寬度為3.8 m作為實車測試匹配的基礎。后續通過實車測試驗證參數是否正確，如果測試結果不理想，可在此基礎上修改，以提高匹配試驗的效率。

5 實車匹配驗證測試

為保證測試過程中主車行駛軌跡與仿真場景一致，使用駕駛機器人駕駛車輛，如圖11所示。

測試過程中的車輛速度、路徑均由駕駛機器人控制，如圖12所示。測試過程中，首先通過衛星慣性導航設備建立測試場地坐標系，然后通過設置車輛行駛路徑、車速、駕駛機器人控制及退出閾值，控制測試車輛在預定路徑上行駛[17]。

在電動自行車十字路口實車測試場景中，測試車輛車速分別為10 km/h、20 km/h、30 km/h。車輛行駛路徑分別為直線、定半徑曲線、直線，其中定半徑曲線由3個部分組成，如圖13所示，參數如表3所示。將測試路徑及速度輸入駕駛機器人，由駕駛機器人駕駛車輛完成測試。

測試使用定制的電動兩輪車作為目標物，電動兩輪車安裝在小型超平承載機器人上，由機器人完成目標物的速度和路徑控制。在電動自行車十字路口實車測試場景中，目標電動汽車的速度為20 km/h，路徑為直線。測試前需要在機器人控制軟件中建立相同坐標系，并在目標物控制端輸入測試車輛行駛軌跡和目標物行駛軌跡以及碰撞點，由軟件計算出目標物的出發時刻。目標物的運動軌跡以及目標物與主車的碰撞點如圖14所示。

測試電動兩輪車十字路口典型工況如圖15所示，在實車測試過程中，首先測試仿真基本參數。將車輛緊急制動功能在該場景中的參數修改為當碰撞時間為1.2 s時開始報警，當碰撞時間為1 s時開始制動，虛擬車道寬修改為3.8 m。測試結果顯示，車輛通過緊急制動功能避免碰撞，車輛制動后與目標物最近距離為0.45 m，滿足該場景開發要求。

6 結束語

為提升車輛緊急制動系統的性能，本文通過分析2020年至2023年道路交通事故的數據，以機動車左轉時電動兩輪車迎面行駛為典型事故類型，并根據環境、主車及目標車參數搭建了AEB系統開發測試場景矩陣。使用PreScan仿真測試軟件搭建雷達、攝像頭模型，通過仿真得出單攝像頭單雷達方案可滿足電動汽車該場景的傳感器需求。

建立PreScan-Simulink-CarSim參數仿真模型，針對關鍵參數進行仿真分析，得出當虛擬車道寬度閾值為3.8 m、碰撞時間為1 s時車輛全力制動滿足要求調試要求。最后利用駕駛機器人及小型超平承載機器人完成實車調試驗證測試，證明該參數滿足開發要求。

參考文獻

[1]" "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.

HE R， FENG H P. Research and Progress on Automatic Emergency Braking （AEB） Technology[J]. Journal of Automotive Safety and Energy Conservation， 2019， 10（1）： 1-15.

[2]" "鮑星錢. 基于CIDAS數據庫的危險駕駛行為研究[D]. 長沙： 長沙理工大學， 2020.

BAO X Q. Research on Dangerous Driving Behavior Based on CIDAS Database[D]. Changsha： Changsha University of Technology， 2020.

[3]" "鈕建偉， 張雪梅， 孫一品， 等. 險情中駕駛人接管自動駕駛車輛的駕駛行為研究[J]. 中國公路學報， 2018， 31（6）： 272-280.

NIU J W， ZHANG X M， SUN Y P， et al. Research on the Driving Behavior of Drivers Taking over Autonomous Vehicles in Dangerous Situations[J]. Chinese Journal of Highways， 2018， 31（6）： 272-280.

[4]" "祝琳. 典型人車事故場景重建及AEB優化研究[D]. 上海： 上海工程技術大學， 2021.

ZHU L. Research on Reconstruction of Typical Human Vehicle Accident Scenarios and AEB Optimization[D]. Shanghai： Shanghai University of Engineering and Technology， 2021.

[5]" "孫航， 孫悅， 解瀚光. 基于CIDAS數據庫的先進駕駛輔助系統安全效果研究[J]. 中國汽車， 2019（11）： 46-51.

SUN H， SUN Y， XIE H G. Research on the Safety Effects of Advanced Driving Assistance Systems Based on CIDAS Database[J]. China Automotive， 2019（11）： 46-51.

[6] NAJM W， SMITH J D， YANAGISAWA M. Pre-Crash Scenario Typology for Crash Avoidance Research： DOT HS 810 767[R]. Washington， DC： U.S. Department of Transportation， National Highway Traffic Safety Administration， 2007.

[7]" CARA I， GELDER E D. Classification for Safety-Critical Car-Cyclist Scenarios Using Machine Learning[C]// IEEE International Conference on Intelligent Transportation Systems. Gran Canaria， Spain： IEEE， 2015.

[8]" KUEHN M， HUMMEL T， LANG A. Cyclist-Car Accidents： Their Consequences for Cyclists and Typical Accident Scenarios[C]// 24th International Technical Conference on the Enhanced Safety of Vehicles （ESV）. Gothenburg， Sweden： U.S. Department of Transportation， National Highway Traffic Safety Administration， 2015.

[9]" "陳強， 代兵. 基于CIDAS五年內數據的中國兩輪車事故特征分析[C]// 第十四屆國際汽車交通安全論壇論文集. 長沙： 湖南大學汽車車身先進設計制造國家重點實驗室， 2017.

CHEN Q， DAI B. Analysis of the Characteristics of Two Wheeled Vehicle Accidents in China Based on CIDAS Data over the Past Five Years[C]// Proceedings of the 14th International Forum on Automotive Traffic Safety. Changsha： State Key Laboratory of Advanced Design and Manufacturing for Vehicle Body， 2017.

[10] 王宏雁， 南日光， 朱西產. 摩托車事故特征分析[J]. 汽車工程， 2008（11）： 1009-1012.

WANG H Y， NAN R G， ZHU X C. Analysis of Motorcycle Accident Characteristics[J]. Automotive Engineering， 2008（11）： 1009-1012.

[11] 胡林， 李根， 王方， 等. 基于CIDAS事故數據的路口乘用車-兩輪車測試場景研究[J]. 汽車工程， 2023， 45（8）： 1417-1427.

HU L， LI G， WANG F， et al. Study on Intersection Passenger Car-Bicycle Test Scenarios Based on CIDAS Accident Data[J]. Automotive Engineering， 2023， 45（8）： 1417-1427.

[12] 孫娟. 城市十字路口交通附屬設施環境設計研究[D]. 上海： 東華大學， 2014.

SUN J. Research on Environmental Design of Traffic Ancillary Facilities at Urban Crossroads[D]. Shanghai： Donghua University， 2014.

[13] 朱文婷， 許聰， 石劍榮， 等. 電動自行車交通風險與車載、車速的關系研究[J]. 交通信息與安全， 2011， 29（5）： 92-95.

ZHU W T， XU C， SHI J R， et al. Research on the Relationship between Traffic Risk of Electric Bicycles and Vehicle Load and Speed[J]. Traffic Information and Safety， 2011， 29（5）： 92-95.

[14] 胡延平， 王曉靜， 徐鵬， 等. 基于PreScan的交叉軌跡工況AEB控制[J]. 機械工程與自動化， 2019（5）： 29-31.

HU Y P， WANG X J， XU P， et al. AEB Control for Cross Trajectory Operating Conditions Based on PreScan[J]. Mechanical Engineering and Automation， 2019（5）： 29-31.

[15] 段順昌， 白先旭， 石琴， 等. 汽車自動緊急制動系統控制策略的預期功能安全設計[J]. 汽車工程， 2022， 44（9）： 1305-1317+1338.

DUAN S C， BAI X X， SHI Q， et al. Expected Functional Safety Design of Control Strategy for Automotive Automatic Emergency Braking System[J]. Automotive Engineering， 2022， 44（9）： 1305-1317+1338.

[16] 馮海鵬. 汽車自動緊急制動系統建模及控制策略研究[D]. 鎮江： 江蘇大學， 2019.

FENG H P. Research on Modeling and Control Strategy of Automotive Automatic Emergency Braking System[D]. Zhenjiang： Jiangsu University， 2019.

[17] 季中豪， 周景巖， 楊天棟， 等. 基于實車測試的AEB系統測試評價方法研究[J]. 汽車技術， 2020（5）： 13-20.

JI Z H， ZHOU J Y， YANG T D， et al. Research on AEB System Testing and Evaluation Method Based on Actual Vehicle Testing[J]. Automotive Technology， 2020（5）： 13-20.

（責任編輯 弦 歌）

【引用格式】 閆龍威， 吳志國， 林松， 等. 電動兩輪車事故場景下自動緊急制動系統性能提升方法研究[J]. 汽車工程師， 2025（4）： 29-35.

YAN L W， WU Z G， LIN S， et al. Research on AEB Performance Improvement Method of Electric Two-Wheelers in Accident Scene[J]. Automotive Engineer， 2025（4）： 39-35.