基于智駕高階算力平臺的AEB功能優化設計

中圖分類號：U463.526 文獻標識碼：A 文章編號：1003-8639（2025）10-0053-03

【Abstract】The Automatic Emergency Braking （AEB）is acore active safety function of intellgent driving and is widelyused in intellgent vehicles.However，the traditionalAEB system has deficiencies in sensordependence，scene adaptabilityand1 trigercontrol，andisdifficult tomeetthesafetyrequirements incomplexenvironments.This article，relying on the high-end computing power platform for inteligent driving of Great Wall Motor（equipped with NVIDIA Orin-Ymain control SoC，featuring 2OoTOPS AIcomputing power and 27 high-precision intelligent sensors）， analyzes thedesign key points of AEB interms of regulatory compliance，user experience，functional boundaries，and adaptation todificult scenarios.Through amulti-sensorfusion architecture，areasonablescoring strategy，a generalization test system，and acloud platform data closed-loop mechanism，the perception acuracyand trigger robustness of the AEB system are significantly enhanced.Research shows that high-levelcomputing power platforms provide key technical support forAEBfunctions，enabling them to transform from \"rulecontrol\"to \"data-driven intelligent decision-making\". Theycan notonly pass regulatory tests but also adapt to complex environments，serving as the foundation for promoting the intelligent upgrade and large-scale application of AEB.

【Key words】automatic emergency braking；inteligent driving;advanced computing power platform;multisensor fusion; function optimization

隨著汽車技術的發展，自動緊急制動系統AEB作為核心主動安全功能，能自動識別碰撞風險并觸發制動，有效避免或減輕事故后果。但現有AEB系統仍面臨挑戰：一是過度依賴單一傳感器，如僅依靠視覺傳感器時，在暴雨、濃霧、強光直射等惡劣天氣或建筑物遮擋、樹木陰影等遮擋環境中易出現感知失效[1-2]；二是算法場景適應性差，面對城市道路中行人突然橫穿、非機動車隨意變道等隨機目標，識別率普遍低于 90% ，易出現誤觸發或漏觸發問題；三是算力支撐不足，AEB需實時融合視覺、激光雷達、毫米波雷達等多源數據，并結合深度學習算法進行碰撞風險評估與制動決策，傳統ECU架構的算力通常不足50TOPS，難以支撐其高頻數據處理與快速決策需求。而具備200TOPS以上AI算力的高性能平臺和多傳感融合控制器，可通過并行計算提升數據處理效率，為AEB提供更精準的環境感知與更快速的制動響應能力[4。本文以長城汽車高階算力平臺為基礎，深入探討AEB功能在架構重構、感知能力提升、控制策略優化和特殊場景適應等方面的優化設計方案，為AEB系統的智能化升級提供兼具理論價值與工程可行性的參考依據。

1AEB功能在智能駕駛系統中的重要性

隨著智能駕駛技術的發展，自動緊急制動系統AEB作為核心主動安全功能，已成為整車研發與評測體系中的關鍵一環。AEB的重要性日益增加，涉及法規、行業標準、市場需求和消費者體驗等多個因素。

從法規與認證測試角度看，已被廣泛納入國內外主流車輛安全評估體系，且權重持續提高。在中國新車評價規程（China-New Car AssessmentProgram，C-NCAP2025版測試中，AEB不僅出現在“主動安全”和“行人保護”兩大評分模塊，還新增了“非機動車保護”專項測試，整體權重占主動安全部分的 65% 以上，直接影響整車星級評定結果。此外，中國智能汽車指數（IntelligentVehicleIntegratedSystemsTestArea，IVISTA）、中國保險汽車安全指數（ChinaInsuranceAutomotiveSafetyIndex，CIASI）等測試體系，也重點考核AEB在高速跟車、城市擁堵、夜間照明不良和復雜交叉口等典型場景中的表現，其測試結果不僅影響消費者購車決策，還與車輛保險費率掛鉤，間接反映車企的技術競爭力。

從終端使用角度看，AEB是用戶在實際駕駛中使用頻率最高的安全功能之一，特別是在日常通勤、高速巡航和城市擁堵等復雜交通環境中，能有效減少駕駛者操作負擔，預防或緩解前向碰撞事故。AEB在典型行車場景下的觸發概率高于其他輔助駕駛功能，成為用戶體驗中最直觀的安全模塊之一[2]。AEB在行人保護方面也至關重要，尤其在城市交通中，能識別橫穿的行人和非機動車，顯著降低碰撞傷害率[3。而在弱光照、視覺遮擋、多目標交織等復雜環境中，AEB通過多模態傳感器信息的融合，能彌補單一傳感器的感知盲區，可提升系統的可靠性[4]。

此外，AEB并非獨立工作，而是與ESC、EBS等形成協同控制體系。在高速緊急制動場景中，三者可實現毫秒級的響應協同，ESC實時調整車輛姿態防止側滑，EBS精準控制制動壓力，AEB則負責碰撞風險判斷與觸發指令下達，共同最大限度降低事故發生概率，形成完整的主動安全防護鏈條。

2智駕高階算力平臺簡介

長城智能駕駛高階算力平臺基于“多傳感器融合+ 域控制器”的一體化架構設計，算力輸出、全方位環境感知、高等級功能安全和快速軟件迭代的核心優勢，專為 L2+ 及以上等級智能駕駛功能開發打造。

平臺核心控制單元搭載英偉達Orin-Y主控SoC，該芯片采用 7nm 制程工藝，具備200TOPSAI算力，可支持大規模神經網絡模型實時推理運算，同時實現多任務并行處理一一例如在運行AEB功能的同時，還能同步處理自適應巡航、車道居中控制等其他輔助駕駛功能的數據需求，滿足復雜駕駛場景下AEB對實時性、準確性的雙重要求。

為實現全方位環境感知，整車配備27個高精度智能傳感器，包括攝像頭、激光雷達、毫米波雷達、超聲波雷達等，構建全面的環境感知系統。該系統可實現車前 50m 范圍內障礙物的精準識別，識別類型涵蓋車輛、行人、非機動車、護欄、交通標志等12類目標，大幅減少因目標誤判導致的AEB誤觸發。

平臺基于SEE感知大模型，進一步擴展了BEV（鳥瞰視角）感知能力，其感知范圍覆蓋前向 250m 、側向 120m 、后向 150m ，可通過多傳感器數據的深度融合，消除單一視角的感知偏差，實現對遠距離、小目標（如散落路面的障礙物）的早期識別。依托算力平臺與智能算法，CPUItra系統已實現30項L2+ 級智能駕駛輔助功能，如高速自動導航輔助駕駛（NavigationonAutopilot，NOA）、城市NOA、循跡倒車等。平臺能夠在智駕狀態下實現對車輛和行人高效制動響應，并具備最小風險處理機制。平臺強化了AEB功能，在雨霧等復雜環境中通過雷達穩定感知自標，提高緊急制動策略的可靠性，為AEB在多場景應用中提供支撐。

3AEB設計基本流程

AEB作為智能駕駛系統中的核心主動安全功能，其開發過程涵蓋需求定義、功能交付與量產后的持續迭代。基于高階智能駕駛算力平臺，AEB設計流程需兼顧法規合規性、場景多樣性、功能安全性與平臺擴展性，構建系統化開發路徑。立項階段通過多維度需求收集明確開發方向，參考C-NCAP、CIASI、IVISTA等標準，確保設計符合法規要求，并整合后向AEB、行人識別等新增需求。重點關注誤觸發、漏觸發頻發場景，如夜間干擾與非機動車斜穿等，為平臺優化提供依據[3。功能規范階段明確系統架構，包括傳感器選型、安裝位置與感知精度，定義功能生效條件并制定故障降級策略[4-5]。功能開發階段結合仿真與實車測試，借助高精地圖與臺架模擬優化識別邏輯與控制策略，確保制動響應準確可靠[。在功能驗收與泛化測試階段，平臺開展多場景實車驗證，采集數據進行回歸分析與策略優化，確保大規模部署下系統性能一致性與魯棒性。量產后，通過量產啟動（StartofProduction，SOP）后軟件迭代機制，持續采集用戶數據優化模型與參數，推動策略更新[。

依托云平臺，AEB實現數據驅動的持續演進，可擴展靜態障礙物響應、復雜交互預測等功能，進一步提升性能。AEB開發流程已由傳統閉環轉向“感知－驗證－迭代”的動態機制，融合多源數據與強算力支撐，構建更可靠的主動安全體系。

4 AEB設計要點

AEB系統作為智能駕駛中最關鍵的主動安全功能之一，其性能優化和部署實施必須兼顧法規測試得分與終端用戶體驗。在高階智能駕駛算力平臺的支持下，如何平衡安全性與實用性，處理復雜泛化場景、提升算法魯棒性、依托云平臺進行模型演進，成為設計要點的核心內容。

面對法規高得分需求與復雜市場環境的矛盾，需建立平衡機制。C-NCAP、CIASI、IVISTA等評估體系中，AEB功能占整車主動安全測試 60% 以上[1，要求具備“早發現、快制動、高得分”能力。然而，現實中如塑料袋等干擾源眾多，若觸發策略過于敏感，易引發誤觸發，影響用戶體驗[2]。

為此，平臺在設計初期需制定合理的得分策略，主張在法規規定的常規測試場景中力爭滿分，而對邊緣復雜場景適當控制得分預期，以避免過度優化導致誤觸發率升高。在功能測試中，如試驗場驗證中真陽性率（TruePositive，TP）與實車泛化數據中的假陽性率（FalsePositive，FP）產生沖突，應優先控制FP，確保功能實用性優先于理論最優。同時，可針對高誤觸發場景加強樣本采集與模型訓練，從數據層面優化系統響應的選擇性與敏感度。

在AEB的大規模泛化驗證中，高階算力平臺需發揮仿真與實車協同測試優勢。考慮項目周期緊、資源有限，平臺應構建統一的臺架與實車協同體系：臺架覆蓋基礎工況與功能邊界，實車測試聚焦區域、道路與天氣變量[5。具體實施上，可按華北、華南、西南等區域劃分，選取代表城市進行驗證；道路類型涵蓋高速、快速路等，按比例分配測試。氣象條件方面，應覆蓋白天、夜間雨雪等典型場景，形成多維泛化矩陣。

為提升泛化測試閉環效率，平臺設計需具備數據快速回傳能力，確保場景數據采集后48h內傳送至開發團隊，便于快速分析與模型更新，實現“泛化驗證－數據分析－模型調整 －泛化再驗證”的高效閉環，持續提升AEB算法的實用性與魯棒性。

借助智能駕駛云平臺能力，AEB功能可實現數據驅動下的模型迭代與功能演進。平臺可從售后與實際運行數據中提取AEB觸發事件，統計各類場景下的誤觸發與漏觸發情況，識別問題場景并形成風險標簽[。同時，云平臺可根據統計數據自動擴充場景庫，指導開發團隊優化策略邊界與模型結構。對于新設計方案與參數更新，可通過中控平臺推送至車輛影子模式運行，在不干擾用戶實際駕駛的前提下，采集功能表現數據，驗證設計可行性。最終，這些數據通過在線學習機制持續參與模型訓練，使AEB功能具備“越開越聰明”的自學習能力，提升感知精度與規劃可靠性[2.7]。

平臺在應對特殊與疑難場景時需設定專項策略。后向AEB已成為關注重點，針對倒車中靜態障礙物或行人目標的識別與干預，平臺融合后視攝像頭與超聲波雷達，結合車速與油門信號判斷駕駛意圖，確保制動準確可靠[8。在雪地場景中，通過氣象模型與ESP反饋判斷附著系數，限制低附著條件下AEB觸發，并進行專屬標定，避免誤動作[4]。在誤踩油門等緊急場景中，AEB識別踩踏意圖與制動沖突，及時接管保障安全[5]。

5結束語

在智能駕駛快速發展的背景下，自動緊急制動系統（AEB）已成為衡量整車智能化與安全性的關鍵指標。本文基于長城汽車高階算力平臺，分析AEB的核心作用，探討傳統系統在感知冗余、場景適應、誤觸發等方面的不足，并提出涵蓋需求定義、功能開發與量產迭代的優化流程。

實踐表明，基于高階算力平臺的AEB系統，不僅能在法規測試中取得優異成績，還能在雨霧等真實場景中保持穩定性能，能有效降低誤觸發率，顯著增強系統穩定性與用戶信任度。

參考文獻

[1]呂曉嬌，李方媛，徐月云，等.基于PreScan的AEB系統控制策略[J].山東交通學院學報，2025，33（2）：1-9.

[2]李思琪，俞琨，陳宇皓.基于ARIMA和LSTM的高性能計算平臺資源使用的預測研究[J].計算機科學，2025，52（9）：178-185.

[3]齊云鵬，李凱，趙士舒，等.行人橫穿場景AEB測試數據分析[J].汽車周刊，2025（3）：221-222，217.

[4]黃志偉，徐海璐.高精度高速AEB系統的實現策略研究[J].科學技術創新，2025（5）：72-75.

[5]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，2025（2）：1-8.

[6]趙振東，劉國慶，吳金國，等.汽車AEB系統動態安全距離模型仿真測試[J].機械設計與制造，2025（6）：50-54.

[7]毋智軍，劉宇飛，王潤波，等.一種智能網聯汽車AEB系統建模及控制策略[J].中國科技信息，2025（2）：108-111，115.

[8]陳杰，石亮亮，崔淑娟，等.基于典型人-車事故場景重建的AEB系統對行人損傷影響研究[C]//2024年車輛安全與智能交通國際學術會議論文集，2024：44-54.

（編輯 林子衿）