智軌電車AEB控制系統研究

中圖分類號：U469 收稿日期：2025-04-18 DOI： 10.19999/j.cnki.1004-0226.2025.06.026

Abstract：Fortheoperatingenvironmentandvehiclecharacteristicsofautonomous-railrapidtram，traditionalAEB（automatic emergencybraking）systemscannotadapttothebrakingcharacteristicsofvehicle.Therefore，researchonAEBcontrolforautonomousrailrapidtrammustbeconducted.BysudyingdierentAEBcontrolalgoriths，afusiocontroltrategybasedonbothTTC（Tieto Collsion）andetyistacegoritsisevelopdtaloedfoutonomosralaidtaistrtegombineultiorfu sionsolutionstacevelongitudinalsfetyprotection.Iteectivelyvodscolisionsihothrbsacles，ancngthecle'sc tive safety.

Keywords：Autonomous-rail rapid tram;Active security;AEB acomtral system

1前言

隨著我國經濟快速發展，以及城鎮化進程及人民生活水平的不斷提高，交通擁堵問題越來越影響人們的出行效率。智軌電車作為一種新型的城市軌道交通工具，兼具軌道交通準時、運量大、節能環保、地面公交運營靈活，以及綜合成本低的優勢[1]，能夠極大地提高人們的出行效率及舒適安全性。

AEB（Automatic Emergency Braking）自動緊急制動系統是當傳感器檢測到前方存在潛在碰撞障礙物時，系統自動預警并施加緊急制動。避免碰撞或在無法避免碰撞時，降低碰撞時速度，減小碰撞時傷害程度[2]。智軌電車作為新型城市軌道交通工具，傳統AEB系統無法適配列車制動特性，需結合智軌電車運營場景及車輛性能，開發適用于智軌電車的AEB自動緊急制動系統。

2AEB控制算法設計

AEB控制算法設計核心思想是如何設計預警、制動觸發時機，以及制動力的大小。預警觸發時機過早，會影響司機正常駕駛，觸發時機過晚則無法有效降低碰撞風險，影響司機對系統的信任度。AEB控制一般采用保守預警與激進制動方式，降低錯誤干預的同時保證制動效果。但是智軌電車運營特征與軌道交通類似，過大過急制動容易導致乘客受傷，因此結合智軌電車車輛及運營特性，設計合適的AEB控制算法及策略尤為重要[3]。

AEB控制策略主要有基于碰撞時間的TTC（timetocollision）和基于安全距離（safetydistance）兩種算法，TTC值較大無碰撞時，按照車頭時距THW（timehead-way）來報警；在TTC不滿足計算要求時，按照安全距離來報警；在TTC滿足觸發制動要求時，按照制動距離公式觸發制動力。

TTC是根據本車與障礙物的相對距離、相對速度等信息，計算出與障礙物即將發生碰撞的時間，按照實時TTC 值，與TTC閥值進行比較，從而施加相應的碰撞預警與制動，TTC碰撞時間模型更加符合司機的駕駛習慣，自動緊急制動系統相關標準也大多是依照碰撞時間制定[4]。

基于安全距離策略，則是根據兩車的實時速度，計算兩車的安全距離，通過比較判斷兩車的相對速度與安全距離值，觸發預警與制動等級。常用的安全距離模型有Honda模型、Mazda模型、SeungwukMoon模型及Berkeley模型[5]。Mazda模型偏保守，報警時機較早；Honda模型比較激進，報警時機晚；Berkeley模型與

SeungwukMoon模型相對其他安全距離模型比較適中。

2.1TTC碰撞時間模型

碰撞時間TTC為本車與目標障礙物發生碰撞時所需的時間，具體計算公式如下：

式中， ?_Xc（t） 為相對距離， m;v_r（t） 為相對速度， m/s 。

TTC模型直觀反映了碰撞發生的緊急程度，但是因為沒有考慮本車與前車加減速趨勢，不能完全真實反映碰撞時間，因此推導增強型碰撞時間模型ETTC（enhancedtimetocollision），充分考慮本車與前方障礙物的縱向加速度，具體計算公式如下所示：

在 （v_?TV-v_?SV）²-2（a_?TV-a_?SV）x_cgt;0 時，計算方法如下：

式中， a_TV 為目標車輛的加速度， m/s²;a_sV 為自車的加速度， m/s² 。

2.2安全距離模型

因為碰撞時間模型僅存在碰撞風險時才會有具體值，模型過于理想化，在實際應用中存在很大的應用風險，所以需結合安全距離模型進行補充使用。針對上面提到的4種安全距離模型，結合智軌電車運營特性，采用較保守的Mazda模型作為碰撞時間模型的補充，具體公式如下：

式中， σ_v 為自車速度； v_rel 為相對速度； a₁ 為自車最大減速度； a₂ 為前車最大減速度； t₁ 為駕駛員反應延遲時間； t₂ 為制動器延遲時間； d₀ 為最小停車距離。

3智軌電車AEB控制平臺設計

3.1感知傳感器方案設計

目前主流的傳感布置方案主要包括毫米波雷達、單/雙攝像頭、激光雷達、超聲波雷達等，結合智軌電車城市公共道路交通運行場景（面向智軌混合的路權條件下）及AEB控制需求，智軌電車采用以激光雷達為主、攝像頭及毫米波雷達為輔的傳感器布置方案，在車頂布置一個高線束激光雷達，同時在車前方布置一個視角攝像頭和一個毫米波雷達，實現車輛運行前方障礙物檢測、識別與跟蹤功能。

激光雷達、攝像頭等傳感器完成障礙物識別后，按照特征級后融合的方式進行多傳感器感知融合；通過空間標定、時間同步實現激光雷達、攝像頭、毫米波雷達時空同步[6]。采用深度學習算法進行障礙物檢測，采用傳統算法進行障礙物跟蹤與融合，基于航跡信息進行多目標跟蹤[7]，實現多傳感器融合的障礙物檢測功能。圖1為感知方案示意圖。

3.2AEB控制方案

AEB控制方案主要包括前端的智軌電車需檢測目標物及環境，中間的車載感知及決策執行系統，以及后端的人機交互部分。AEB控制系統的環境感知單元對車輛前方的障礙物進行檢測，并將檢測結果輸出給列車縱向安全防護與控制單元，經列車縱向安全防護與控制單元計算，輸出AEB目標減速度給牽引制動系統執行，自動控制車輛剎車，列車縱向安全防護與控制單元同時輸出系統狀態與報警信息，與司機進行人機交互[8]。圖2給出了AEB控制框圖。

3.3AEB算法試驗驗證

為了測試智軌電車AEB控制算法的實際裝車效果，本文采用假車障礙物對AEB算法進行試驗驗證。測試用假車放置在智軌電車前方，智軌電車加速到固定速度后，AEB系統自動施加制動，進行算法測試。

在前方障礙物靜止的情況下，分別進行 70km/h /40km/h，15km/h 三種車速下的測試實驗，并對實驗結果進行分析。測試結果如圖3＼～圖5所示。

測試結果匯總如表1所示。

3.4結果分析

通過制動結束時本車與障礙物的距離來衡量AEB避障效果，如果最后距離值大于0，說明成功避障。如果最后距離值大于 3m ，說明制動觸發時間過早；如果最后距離值小于 3m ，說明制動觸發時機過晚，太過激進。

根據上文的測試結果，可以看出車速在 40km/h 及15km/h 時，車輛停止時與前車距離 3m ，距離合適；本車速度在 70km/h 時，與目標障礙物發生碰撞。高速工況下，無法避免與前方障礙物發生碰撞，主要是考慮到智軌電車車輛制動特殊性，智軌電車制動力相較乘用車制動力小，同時考慮到車輛運營工況，車輛大部分乘客處于站立狀態，避免因大制動沖擊導致乘客摔倒事故。因此在高速工況下要對車輛制動力大小及制動沖擊進行限制，共同實現減緩碰撞的效果。

4結語

本文研究了一種針對智軌電車特性的AEB控制方案，設計基于碰撞時間的TTC和基于安全距離兩種算法的融合控制方法，并結合多傳感融器合障礙物檢測，實現了智軌電車列車縱向安全防護與控制功能。試驗結果表明，此AEB控制策略在車輛低速時能避免碰撞，高速時能減緩碰撞，可有效降低碰撞風險。

參考文獻：

[1]馮江華，肖磊，胡云卿.智能軌道快運系統[J].控制與信息技術，2020（1）：1-12.

[2]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（2）：136-142.

[3]周文帥，李妍，王潤民，等.自動緊急制動系統（AEB）測試評價方法研究進展綜述[J].汽車實用技術，2020（18）：34-40+49

[4]沈亮屹，奚瑞軒，孔令名，等.面向車輛后方緊急制動系統的測試及評價技術研究[J].專用汽車，2024（11）：74-77.

[5]于廣鵬，譚德榮，田厚杰，等.基于縱向避撞時間的預警/制動算法[J].河南科技大學學報，自然科學版，2015（2）：30-34

[6]唐亮，沈夢玉，肖磊.智軌電車縱向智能控制算法研究與應用[J].控制與信息技術，2023（1）：11-18.

[7]潘文波，袁希文，林軍，等.智軌電車多傳感融合檢測與跟蹤研究[J].機車電傳動，2022（4）：157-165

[8]馮江華，胡云卿，肖磊，等.智軌電車智能駕駛技術展望[J].控制與信息技術，2020（1）：113-120.

作者簡介：沈夢玉，女，1993年生，工程師，研究方向為軌道交通車輛控制。