具有弱勢交通參與者響應功能的AEB系統測試方法研究

中圖分類號：U467.5 收稿日期：2025-02-20 DOI： 10.19999/j.cnki.1004-0226.2025.05.016

Research on Testing Method of AEB System with Response Function for Vulnerable Road Users

Yan MenghualZhang Lu2Liu Jiajie2Duan Benyi2 Zhang Cheng2Wang Botong2 1.Tianjin University of Technologyand Education，Tianjin 3oo222，China 2.CATARC Automotive Research and Inspection Center（Tianjin）Co.，Ltd.，Tianjin ，China

Abstract：AcordingtoCIDASdata，ininvestigatedaccdentsinvolvingcasualties，incidentsrelatedtovulnerableroadusers （VRU）accountforoverhalfofthetotal.Toestablishanautomaticemergencybrakingsystemwith VRUresponsecapabities（AEBSVRU）testing methodology，thispaper proposes anevaluationframework，performance thresholds，andtestprocedures basedonChina-specificacidntcharacteristics，techicalprciples，anddomestic/inteatioalregulatorystandards.stesultsindicatethatu rentvehiclesystemsdemonstratesatisfactoryrsponsiveness topedestranandbicyletrgetsbutexhibitpoorperformanceindetecting motor-scooter target.Furtheranalysisshosthatheinabilitytoquicklyperceivehig-spdtargetsandprovidestabledeelerationis the main reason for poor response capability.

KeyWords：Vulnerable road users;AEBS;Test method;China's transportation environment.

1前言

近年來，隨著城市化進程的加速和交通系統的快速發展，道路交通安全問題日益突出，尤其是弱勢交通參與者（如行人、自行車騎行者、電動自行車使用者等）在交通事故中的占比居高不下，成為全球范圍內亟待解決的公共安全問題。據世界衛生組織（WHO）的數據顯示，全球每年約有135萬人死于道路交通事故，其中超過一半的受害者是弱勢交通參與者。我國交通事故發生率遠超發達國家，事故死亡率相對較高，目前駕駛員二次用腦現象愈加嚴重，由此引發的交通事故量逐年攀升[1]。根據中國交通事故深入研究（China in-depthacci-dentstudy，CIDAS）事故數據顯示，在9126件事故中，41.8% 與二輪車有關， 15.2% 與行人相關。因此針對弱勢交通參與者的保護是智能網聯汽車技術發展的重點。

自動緊急制動系統（advancedemergencybraking，AEBS）可以實時監測車輛前方行駛環境，并在可能發生碰撞危險時自動啟動車輛制動系統使車輛減速，以避免碰撞或減輕碰撞后果[2]，因此成為車企避免交通參與者事故的首要選擇。聯合國發布關于AEBS的國際法規UNR152，其中包括對行人和自行車目標的識別與響應。

自動緊急制動系統在保護弱勢交通參與者（VRUs）方面發揮著關鍵作用。近年來，相關研究主要集中在感知模型、風險評估算法和制動決策優化以下三個層面。

a.在感知模型方面，多傳感器融合技術成為主流解決方案。Nabati等3]提出的CenterFusion框架通過結合攝像頭和雷達數據，顯著提升了行人檢測的準確率，在KITTI數據集上達到 89.3% 的召回率。針對VRUs的復雜運動模式，Alahi等[4]開發的Social-LSTM模型能夠有效預測行人軌跡，其預測誤差較傳統方法降低 35%.

b.風險評估算法研究重點在于碰撞概率的精確計算。Mohan等[5]提出的貝葉斯網絡模型整合了環境因素和行人行為特征，使誤報率降低至 2.1% 。Chen等[6]將強化學習引入風險評估，在CARLA仿真平臺上實現了比傳統TTC算法更優的制動時機判斷。

c.制動決策算法方面，模型預測控制（MPC）展現出顯著優勢。Katrakazas等7]的研究表明，MPC算法在保證安全距離的同時，可將不必要的緊急制動減少 40% 。EuroNCAP[8]測試數據顯示，采用分級制動策略的AEBS系統能有效平衡安全性和乘坐舒適性。

事故安全需求引發了AEBS-VRU研究和應用的需求，進而引發了對AEBS-VRU測試技術的需要，當前國內該功能的測試方法仍處于起步階段，存在測試場景種類不一、場景測試方法不一、測試的系統性和規范性較差等不足之處。本文首先介紹了AEBS-VRU的工作原理，基于其工作原理、事故特征和國內外標準法規要求，提出AEBS-VRU典型測試場景和指標限值，然后自研中國特色二輪車目標物、ABD測試等硬件設備實現AEBS-VRU實車測試試驗，并通過RC9.0等數據采集軟件二次開發實現關鍵指標的記錄和提取，提出符合中國測試需求的AEBS-VRU測試方法。

2AEBS-VRU工作原理和安全需求分析

AEBS-VRU通過多傳感器融合技術實時監測車輛周圍環境，在檢測到潛在碰撞風險時自動啟動制動程序。系統工作流程主要分為三個階段：感知、決策和執行。

a.感知階段利用毫米波雷達、單目/立體攝像頭和激光雷達等多種傳感器采集環境數據。這些傳感器各有優勢：雷達提供精確距離和相對速度測量;攝像頭負責目標分類與姿態識別；激光雷達則提供高精度三維點云數據。傳感器數據經過濾波處理后進入融合算法，構建周圍環境的動態模型

b.決策階段首先進行目標識別與跟蹤，采用深度學習算法（如YOLO、FasterR-CNN）實時分析弱勢交通參與者的位置、速度和行為特征。系統隨后進行風險評估，計算時間碰撞量（TTC）和碰撞概率，同時考慮VRU的意圖預測。基于風險等級，系統決定是否激活警告或進行制動干預。

c.執行階段根據決策層輸出調控制動力度。輕微風險時，系統先發出視聽警告；中等風險時，進行部分制動預充壓；高風險情況下，執行全力自動制動。整個過程考慮制動力學特性，確保在最短距離內安全停車。

系統還具備自適應能力，通過機器學習不斷優化識別算法和決策策略，針對不同天氣、光線和交通條件調整參數，提高系統可靠性。工作原理如圖1所示。

根據CIDAS關于行人和踏板式摩托車的事故數據分析，從交通事故形態可知，交通事故主要的事故形態為行人或者踏板式摩托車橫穿與車輛軌跡沖突事故，對于車輛主要速度區間為 10～60km/h ，對于行人為 5km/h 對于踏板式摩托車為 20～30km/h ，踏板式摩托車的事故數據分析如圖2所示。

3AEBS-VRU測試方法

3.1AEBS-VRU典型測試場景和關鍵指標

基于上述事故數據、AEB-VRU工作原理、國內外法規標準要求，設計以下測試場景和關鍵指標。

3.1.1行人目標測試場景示意

試驗車輛以 20～60km/h 速度依次測試，速度步長為 10km/h ，試驗車輛中心線與預計碰撞點的橫向偏差不超過 0.1m 。當試驗車輛與兒童行人目標的TTC不小于4s 時，試驗開始，此時兒童行人目標以 5km/h 的速度沿垂直于試驗車輛行駛方向的直線行走。當試驗車輛與目標發生碰撞或者本次試驗碰撞危險消失時試驗結束。圖3為行人目標測試場景示意圖。

3.1.2自行車目標橫穿的碰撞預警和緊急制動試驗

試驗車輛以 20～60km/h 速度依次測試，速度步長為 10km/h ，試驗車輛中心線與預計碰撞點的橫向偏差不超過 0.1m 。當試驗車輛與兒童行人目標的TTC不小于4s時，試驗開始，此時兒童行人目標以 15km/h 的速度沿垂直于試驗車輛行駛方向的直線行走。當試驗車輛與目標發生碰撞或者本次試驗碰撞危險消失時試驗結束。圖4為自行車目標測試場景示意圖。

3.1.3踏板式摩托車橫穿的碰撞預警和緊急制動試驗

試驗車輛以 20～60km/h 速度依次測試，速度步長為 10km/h ，試驗車輛中心線與預計碰撞點的橫向偏差不超過 0.1m 。當試驗車輛與兒童行人目標的TTC不小于4s時，試驗開始，此時兒童行人目標以 20km/h 的速度沿垂直于試驗車輛行駛方向的直線行走。當試驗車輛與目標發生碰撞或者本次試驗碰撞危險消失時試驗結束。圖5為行人目標測試場景示意圖。

3.1.4弱勢交通參與者的通過要求

由于GB/T24550—2021《汽車對行人的碰撞保護》的測試速度為 35km/h ，因此要求試驗車輛對弱勢交通參與者的相對最大碰撞速度 ?35km/h 。當AEBS-VRU由于技術能力限制無法實現避免碰撞，則至少實現相對最大碰撞速度 ?35km/h ，由車輛自身的行人保護裝置實現對弱勢交通參與者的保護。

3.2AEBS-VRU測試軟硬件開發

基于上述典型場景和指標限值，進行AEBS-VRU軟件和硬件設計。

測試設備：自動駕駛測量系統（油門及轉向機器人、車輛通信系統），慣性GPS組合測試系統（RT-3002G陀螺儀）、弱勢交通參與者牽引系統、聲光數據采集系統和弱勢交通參與者目標物，如圖6所示。

數據采集：為實現測試設備的控制、數據采集和數據同步，通過搭建的軟件環境，可實時采集和存儲所需數據，如車輛橫縱向速度、橫縱向加速度、與碰撞點TTC和縱向距離、AEBS-VRU聲覺及視覺報警時刻等。軟件開發界面如圖7所示。

4AEBS-VRU性能驗證試驗結果分析

選用4款乘用車作為測試車輛，根據上文的設計的測試方法進行測試。測試整體結果如圖8所示。

由圖8可知，AEBS-VRU目前車輛對行人、自行車目標響應能力較好，對踏板式摩托車響應能力較差。

選擇試驗車速 60km/h ，測試目標為踏板式摩托車的測試場景進行進一步分析，結果如表1所示。A車和D車的制動曲線如圖9和圖10所示。

由表1和圖9可知，A車開始制動較早，制動距離充足從而避免碰撞。A車開始制動時 TTC=1.05s ，在所有試驗車中為最早制動，同時制動力響應迅速，在開始剎車后的 0.08s 便達到 5.00m/s² ，其響應速度在所有試驗車中為最快制動，且最大減速度為 9.75m/s² ，對車速的降低可以起到顯著的效果。

由表1和圖10可知，D車開始制動較晚，同時制動減速度不能保持穩定，從而未通過試驗要求。D車開始制動時 TTC=0.74s ，雖然其最大制動減速度 10.21m/s² 在所有車型中是最大減速度，但其未能在后續持續保持穩定，因此導致發生碰撞。

5結語

本文結合中國事故特征、AEBS-VRU運行原理、國內外標準法規測試試驗等制定了適用于中國特殊交通環境下的AEBS-VRU測試方案，并選用4臺車進行實車測試。結果表明：

a.AEBS-VRU目前車輛對行人、自行車目標響應能力較好，對踏板式摩托車響應能力較差。

b.響應較差的主要原因為AEBS-VRU未能實現對高速目標物的快速感知和無法提供穩定的制動減速度。

在實際交通運行過程中，裝配的主動安全功能通過整體協作實現車輛安全性能提升。因此，在下一步測試過程中，AEBS-VRU與緊急轉向輔助（ESA）協同測試，高速通過緊急轉向避讓，中低速通過AEB-VRU避讓。AEBS-VRU與駕駛員狀態監測（DMS）協同測試，在駕駛員注意力分散時，AEBS-VRU的靈敏度更高，可以在更早時間內進行弱勢交通參與者的感知和響應。

參考文獻：

[1]董真昊，湯蘇敏，薛建文，等.轎車-電動兩輪車事故中AEB仿真技 術研究[J].專用汽車，2023（3）：81-83.

[2]GB/T39263—2020道路車輛先進駕駛輔助系統（ADAS）術語及定 義[s].

[3]Nabati R，Qi H.CenterFusion：Center-based radar and camera fusion for3Dobject detection[C].WACV，2021.

[4]Alahi A.Social LSTM：Human trajectory predictionin crowded spaces [C].CVPR，2016.

[5]Mohan P.Bayesian network based VRU collision risk assessment[J]. IEEET-ITS，2020（5）：17-19.

[6]Chen J.RL-based adaptive AEB in mixed traffic[J].IEEE T-IV， 2022（9）：125-127.

[7]Katrakazas C，Quddus M，Chen WH，et al.（2019）.Real-time motion planning methods for autonomous on-road driving：State-of-the-art and future research directions[J].Transportation Research Part C： EmergingTechnologies，2019，101：96-113..

[8]Euro NCAP.Test Protocol-AEB systems[R].2022.

作者簡介：

燕孟華，女，1992年生，講師，研究方向為智能網聯汽車測試及交通組織優化。

王博通（通訊作者），男，1994年生，工程師，研究方向為智能網聯汽車測試。