吳子祥 黃合來▲ 陳吉光 鄭德紅 查武平

（1.中南大學交通運輸工程學院 長沙410075；2.中南大學智慧交通湖南省重點實驗室 長沙410075；3.湖南省公安廳交警總隊 長沙410100）

0 引言

世界衛(wèi)生組織（World Health Organization）在2015年出版的《道路安全全球現(xiàn)狀報告》[1]中指出，在2013年全球死亡人數(shù)為125萬人，而其中近50%死亡者是弱勢道路使用者，即摩托車駕乘人員（23%）、行人（22%）和自行車駕乘人員（4%）。而在我國，近70%的交通死亡事故的參與方含有弱勢道路使用者，其中2輪車近40%，行人25%[2]。

研究表明：約93%的道路交通事故是由人為因素造成的[3]。為了減少由于駕駛員錯誤操作造成的交通事故，以先進駕駛輔助系統(tǒng)為代表的智能駕駛技術引起Euro NCAP、J-NCAP、C-NCAP等汽車測評機構的廣泛重視并相繼將其納入相關評價規(guī)程。自動緊急制動（autonomous emergency braking，AEB）系統(tǒng)是通過雷達、攝像頭等傳感器獲得目標信息，結合自車運動信息實時計算碰撞危險程度的駕駛輔助系統(tǒng)，當危險程度達到預先設置的閾值時，系統(tǒng)首先會發(fā)出預警提醒駕駛員采取操作，如果駕駛員沒有采取措施，則系統(tǒng)會根據(jù)實際情況采取合適的制動減速度避免碰撞的發(fā)生或減小碰撞的嚴重度。Euro NCAP研究表明，AEB能夠避免27%的交通事故，且能有效降低事故參與方的受傷嚴重程度[4]。

國內外研究機構與汽車廠商對于AEB避撞控制策略多圍繞安全距離與碰撞發(fā)生時間（time to collision，TTC）展開研究?；诎踩嚯x的避撞策略是將自車與目標對象的相對距離作為衡量安全與否的指標，根據(jù)傳感器獲得雙方的實時相對距離并與預警安全車距、制動安全車距進行比較，在不同危險等級情況下做出預警、部分制動、全力制動等避撞操作?；谂鲎舶l(fā)生時間的避撞策略是將自車與目標車輛的碰撞發(fā)生時間作為衡量安全與否的指標，根據(jù)剩余碰撞發(fā)生時間與系統(tǒng)設定的預警時間、制動時間進行比較，從而指導系統(tǒng)做出正確的避撞操作[5]。

在20世紀，馬自達、本田、美國高速公路安全管理局等分別提出了Mazda、Honda、NHTSA等經(jīng)典安全距離避撞模型。這些制動避撞策略應用場景廣泛，但與此同時也降低了其可信度。美國密歇根大學的Lee等[6]利用自然駕駛數(shù)據(jù)集對Mazda、Honda、NHTSA等經(jīng)典安全距離避撞策略進行比較，發(fā)現(xiàn)基于碰撞發(fā)生時間的避撞策略比經(jīng)典安全距離避撞策略能更好地適用不同嚴重程度的危險場景。美國密歇根大學的Fancher等[7]提出的碰撞時間倒數(shù)TTC-1算法能更好地反映駕駛員的避撞特性。同濟大學的李霖等[8]通過對我國真實道路交通場景進行采集分析，從中提取了駕駛員在緊急情況下的特征行為參數(shù)，基于碰撞時間倒數(shù)TTC-1提出了符合我國駕駛員駕駛習慣的AEB算法模型。這些AEB系統(tǒng)在2車跟馳的場景下已經(jīng)得到了廣泛的商業(yè)應用，利用車載傳感器檢測出前后車的行駛狀態(tài)，通過避撞系統(tǒng)能有效規(guī)避碰撞風險，降低事故嚴重程度，然而對于車輛與弱勢道路使用者（vulnerable road users，VRU）之間的沖突事故，AEB的研究和應用才處于起步階段[9]。

車輛與橫穿的弱勢道路使用者碰撞是1種典型事故場景。張立存等[10]對2016—2018年的CIDAS汽車與2輪車事故數(shù)據(jù)進行統(tǒng)計分析，發(fā)現(xiàn)騎行人橫穿事故數(shù)量最多。這與Sui等[11]的研究結果相同。Cao等[12]對NAIS事故數(shù)據(jù)庫中的汽車與2輪車事故場景進行分析，在得出的4種典型場景中有1種即為2輪車橫穿場景。劉穎等[13]通過采集行人危險工況進行聚類分析，發(fā)現(xiàn)存在視線遮擋的橫穿事故是1種典型事故場景。Sui等[14]利用K中心點聚類方法對CIDAS數(shù)據(jù)庫中672起汽車與2輪車事故進行聚類分析，得出6種典型事故場景，其中包含存在視線遮擋的橫穿事故場景。而在2020版Euro NCAP的測試規(guī)范中提出了在視線遮擋條件下的對VRU保護測試工況CPNC（car-to-pedestri-an nearside child）和cbnao（car-to-bicyclist nearside adult obstructed）[15]。橫穿事故與跟車事故相比，其突然發(fā)性更強，駕駛員應對時間、制動距離更短，尤其在路側停車、路邊灌木叢及建筑物造成的視線遮擋的情況下，汽車駕駛員往往不能極短時間內做出正確的操作。駐車、灌木叢及建筑物不僅給駕駛員造成視線遮擋，同時使得智能車輛的感知系統(tǒng)無法識別遮擋物后的行人與車輛。雷達、攝像頭等傳感器首先識別探測范圍內的遮擋物，遮擋物后的行人與車輛駛離遮擋范圍后才能被傳感器感知，但沒有行駛至AEB系統(tǒng)的觸發(fā)邊界范圍內則不能立即觸發(fā)AEB系統(tǒng)。因此，由于傳感器無法提早識別到目標，可靠性大大降低，傳統(tǒng)的避撞策略已經(jīng)不能有效應對。國內外研究人員嘗試利用智能交通系統(tǒng)[16-17]或者車聯(lián)網(wǎng)[18-19]解決這一問題，但建設成本高，進度緩慢。對此，為有效避免視線遮擋條件下的“鬼探頭”事故的發(fā)生，筆者通過對縱向避撞安全距離分析，研究了基于碰撞時間與安全距離的制動避撞策略。

1 制動避撞臨界距離分析

假定汽車實際輸出加速度與理論期望加速度一致，引入制動加速度變化率，汽車開始制動后以最大加速度變化率jmax=21 m/s3達到期望制動加速度直至車輛停止[20]。汽車在駕駛員開始制動后在一定時間內仍然以原速度運動，為制動器的延遲時間，但目前市場上的汽車一般都有輔助剎車功能如EBS、ABS、BAS等，在緊急情況時能將制動延遲時間減小至0，故本文不考慮制動延遲時間。

見圖1，以地面為坐標系，O為坐標原點，汽車行駛方向為x軸，VRU行駛方向為y軸。考慮汽車與VRU的長寬，將其視為矩形。設汽車和VRU的中心坐標分別為(xego，yego)和(xvru，yvru)。

圖1“鬼探頭”場景示意圖Fig.1 Obscured VRU-vehicle crashes

圖1中l(wèi)1，l2分別為汽車的長度與寬度，m；a′，b′分別為VRU的長度與寬度，m；D為汽車前部中心到VRU前部中心的距離，m；θ為汽車探測到VRU時的探測角度，（°）。

設在自車探測到VRU時為零時刻，為描述此時自車和VRU的狀態(tài)，引入變量

式中：Rego和Rvru分別為自車和VRU的零時刻的狀態(tài)；vego和aego為自車的行駛速度，m/s，和加速度，m/s2；vvru和avru分別為VRU的行駛速度，m/s，和加速度，m/s2。假設VRU為勻速直線運動，故avru=0。則此時自車與VRU的相對狀態(tài)為

考慮到路面附著系數(shù)與制動強度相關，干燥路面和雨雪路面的附著系數(shù)差異很大，為充分發(fā)揮AEB系統(tǒng)性能及提高其可靠性，根據(jù)天氣狀況將路面分為干燥、潮濕、冰面和積雪這4種情況，其相應的摩擦系數(shù)范圍見表1。

表1 不同路面狀況摩擦系數(shù)取值Tab.1 Values of friction coefficients under different road conditions

自車避撞系統(tǒng)輸入的制動減速度為avm/s2（av≤μg），汽車在探測到零時刻開始制動，經(jīng)過t時刻（單位：s）后，汽車完成避撞，汽車和VRU的中心坐標分別為則t時后自車與VRU的相對狀態(tài)為

則在t時后，車輛在到達碰撞點之前停止，應該滿足

在普通的追尾事故工況中，AEB控制略通常會選取兼顧駕乘體驗的剩余碰撞時間閾值作為觸發(fā)預警和制動操作的邊界條件。但是在復雜的城市道路交通環(huán)境下，由于停放車輛、建筑物或者綠植的遮擋，智能汽車的傳感器可能無法識別目標對象。所以在“鬼探頭”這種有限的避撞空間工況下，在感知到目標對象時應立即采取避撞措施，結合目標運動狀態(tài)采取制動避撞。

2 基于碰撞時間比和安全距離的避撞策略

自動制動的介入時刻和制動強度決定AEB控制算法的優(yōu)劣?！肮硖筋^”事故是1種突發(fā)緊急工況，一般采用最大制動減速度，而本文研究該工況下的避撞，選擇合適的制動減速度，在滿足縱向制動安全距離的同時提高駕駛員駕駛的舒適性。

NHTSA對83名駕駛員在緊急制動過程中的加速度值進行分析，結果表明：95%的駕駛員采取的加速度小于等于0.55 g，平均為0.38 g[21]。李霖等[22]利用高斯擬合的方法分析了在危險工況中駕駛員的平均減速度，發(fā)現(xiàn)95%的駕駛員在緊急制時平均制動減速度絕對值小于4.43 m/s2。

在跟車場景中前后2車的相對速度、相對加速度能很好的表征2車的相對關系，基于剩余碰撞時間與安全距離的避撞模型均能有效評估二者之間的安全性。而在視線遮擋條件下的橫穿場景中，由于自車速度、加速度方向與目標對象速度、加速度方向基本垂直，其相對速度、相對加速度即為單車速度與加速度，此時利用剩余碰撞時間與制動安全距離已無法準確衡量二者的安全性。利用自車碰撞時間與目標對象碰撞時間構建碰撞時間比函數(shù)能很好的表征自車和目標對象相對位置關系以及到達碰撞點的快慢。

圖2為“鬼探頭”場景示意圖，自車和目標對象分別以速度v1，v2m/s行駛，二者之間的距離為Dm，自車探測到目標對象時的探測角度為θ°。

圖2“鬼探頭”場景示意圖Fig.2 Obscured VRU-vehicle crashes

汽車需要最短的制動距離（單位：m）為

將汽車能夠完成避撞的場景分為以下3種工況。

1）自車和目標對象“同時”到達碰撞點，即自車的碰撞發(fā)生時間等于目標的碰撞發(fā)生時間。此時自車需要在目標對象駛離Q點前完成制動避撞。

2）自車比目標對象先到達碰撞點，即自車的碰撞發(fā)生時間小于目標的碰撞發(fā)生時間。此時自車需要在目標到達碰撞點前完成制動避撞。

3）目標對象比自車先到達碰撞點，即自車的碰撞發(fā)生時間大于目標的碰撞發(fā)生時間。此時若自車行駛至M點時，目標對象已駛離Q點，則自車只需輕微制動；否則自車應當在探測到目標時的碰撞發(fā)生時間內完成制動避撞。

自車碰撞發(fā)生時間為TTC1=D·cosθv1，目標對象碰撞發(fā)生時間為TTC2=D·sinθv2，構建自車與目標對象的碰撞時間比函數(shù)為

緊急工況下自車完成制動避撞的安全裕量距離設置為0.1 m[15]，結合自車與VRU相對狀態(tài)關系，由式（4）～（7）可得3種工況。

通過應用程序APP可以幫助學生對日常體育基本知識作出一個基本的檢測，學生通過自己的賬號登錄相關的平臺，進入相應的網(wǎng)上考試窗口，進行學識自檢。

1）自車與目標同時到達碰撞點，即f(v1，v2，θ)=1，自車完成制動避撞需要滿足

式中：S2為自車在t4時間內以制動減速度a1完成的位移

2）自車比目標對象先到達碰撞點，即f(v1，v2，θ)＜1，自車完成制動避撞需要滿足

式中：S3為自車在TTC2時間內以制動減速度a2完成位移

3）目標對象比自車先到達碰撞點，即f(v1，v2，θ)＞1，若自車行駛至M點時，目標已駛過Q點即t1＞t4，此時為更符合駕駛員制動習慣則采取輕微制動的方式避免自車與目標間的碰撞，取a3=-3 m/s2。否則自車完成制動避撞需要滿足

式中：S4為自車在TTC1時間內以制動減速度a4行駛位移為

基于碰撞時間比與安全距離的縱向制動模型，能夠兼顧駕駛員的安全性與舒適性，系統(tǒng)首先根據(jù)自車能否完成避撞確定是否采取全力制動，其次在能夠避撞的情況下根據(jù)碰撞時間比確定合適的制動減速度。避撞策略邏輯見圖3。

圖3 制動避撞的控制邏輯Fig.3 Control logic of collision avoidance by braking

自動緊急制動系統(tǒng)的作用是建立在智能汽車感知設備的基礎上，目前商用的汽車雷達傳感器可以分為短距雷達、中距雷達及長距雷達；攝像頭傳感器單目、立體、3目及紅外攝像頭等類型。不同類型的傳感器組合能夠應對不同的場景，在識別條件、識別有效率，以及識別反應時間能夠滿足城市AEB、城際AEB以及行人AEB的需求。隨著激光雷達技術的發(fā)展及其成本的降低，“激光雷達+攝像頭+毫米波雷達”的組合方案能夠傳感器對障礙物的識別精度以及準確率，使得AEB系統(tǒng)應對更加復雜的交通場景[5]。

3 制動避撞策略的比較分析

為了驗證避撞策略的可靠性，選取Euro NCAP行人測試工況中CPNC行人測試場景，以晴天干燥路面為例對該避撞策略與傳統(tǒng)TTC制動算法進行比較分析。

CPNC行人測試場景見圖4。其中L點為50%偏置碰撞點，行人與碰撞點的距離為4 m，與造成視線遮擋的路邊駐車的距離為1 m，路邊駐車與自車的距離為1 m，距碰撞點2 m，行人步行速度為5 km/h，即剩余碰撞發(fā)生時間為1.44 s。本文假設在行人步行至RP點時，汽車通過傳感器探測到行人，此時汽車距離碰撞點距離為SL=1.44·v1，即剩余碰撞距離為SL=1.44·v1。通過設定在該場景下自車的初速度值，可以比較在不同制動算法下自車所需的最短距離以及在自車不能避免碰撞的情況下的碰撞速度。汽車需要最短的制動距離為在PreScan軟件自帶的TTC制動算法中，設定TTC預警閾值為2.6 s，當TTC=1.6 s時汽車采取40%部分制動；當TTC=0.6 s時汽車采取全力制動。在CPNC行人測試場景使用傳統(tǒng)TTC進行制動，汽車探測到行人時TTC=1.44 s，則此時汽車采取40%部分制動；當TTC=0.6 s時汽車采取全力制動。則自車利用不同制動算法所需的最短制動距離與剩余碰撞距離關系見圖5。

圖4 CPNC行人測試場景Fig.4 CPNC pedestrian test scenario

圖5 縱向避撞距離Fig.5 Required longitudinal distance for collision avoidance

由圖5可知：在CPNC行人測試場景中，筆者提出的制動算法需要的最短制動距離曲線、傳統(tǒng)TTC制動算法所需最短制動距離曲線與剩余碰撞距離曲線分別在汽車初速度為70.88 km/h和47.12 km/h時相交。表明在CPNC行人測試場景中所提出的制動策略在理想情況下能夠在汽車速度小于70.88 km/h時成功避撞，在車速大于70.88 km/h時雖然不能避免碰撞但是能夠降低碰撞速度。同樣情況下，傳統(tǒng)TTC制動算法在車速大于47.12 km/h時已經(jīng)無法避免碰撞。在同一車速時，傳統(tǒng)TTC制動算法所需制動距離比所提出的算法所需制動距離大，即無法避免碰撞時，利用傳統(tǒng)TTC制動算法避撞時碰撞速度大于利用所提出的算法避撞的碰撞速度。

利用所提出的制動算法進行制動避撞，在無法避免碰撞的情況下自車行駛到碰撞點的時間為tc，則有

式中：t′=0.373 3 s，為自車達到最大制動減速度所需的時間。傳統(tǒng)TTC制動算法在無法避免碰撞時，以40%制動減速度進行制動的時間為tb，則有

式中：ap=0.4amax。由此可以得到利用2種制動避撞算法下的碰撞速度，見圖6。由圖6可知：即使在不能避免碰撞的情況下，所提出的制動算法相對于傳統(tǒng)TTC制動避撞算法更能有效降低碰撞速度。

圖6 不同制動算法下的碰撞速度Fig.6 Impact speeds with different braking algorithms

Erik Rosén等[23]通過對GIDAS 1999—2007年的行人事故數(shù)據(jù)利用邏輯回歸得到事故風險曲線，量化了事故死亡風險和事故嚴重傷害風險。事故死亡風險為Pfatal=1[1+exp(6.9-0.09vp)]，事故重傷風險為Psevere=1[1+exp(4.6-0.078vp)]，其中vp為碰撞速度，則利用不同制動算法進行避撞的風險曲線見圖7～8。通過風險曲線可知，在汽車初速度為100 km/h時，2種算法都無法避免碰撞，利用傳統(tǒng)TTC制動死亡風險達到了0.36，重傷風險為0.71，而利用本文提出的制動策略事故死亡風險為0.12，重傷風險為0.4，顯然后者能夠更加有效降低事故風險。

圖7 不同制動算法下的重傷風險曲線Fig.7 Severe injury-risk curves with different braking algorithms

圖8 不同制動算法下的死亡風險曲線Fig.8 Fatal injury-risk curves with different braking algorithms

4 結束語

本文針對在視線遮擋條件下面向行人與2輪車橫穿的行車場景，根據(jù)碰撞時間比與安全距離提出1種自動緊急制動避撞控制策略，該模型相較于利用單一TTC能夠更加有效評估自車與視線遮擋下的弱勢道路使用者之間的安全性。根據(jù)自車與橫穿目標到達碰撞點的快慢以及安全距離選擇合適的制動加速度完成避撞，即使剩余距離不能滿足自車所需的最短制動距離也能采取最大制動加速度有效降低自車與橫穿目標的碰撞速度。

基于Euro NCAP中CPNC行人測試場景對本文提出的制動避撞控制策略與傳統(tǒng)TTC制動避撞策略進行比較分析，發(fā)現(xiàn)本文提出的制動策略能應對更高的初速度，且在無法避免碰撞的情況下能更有效降低碰撞速度，降低弱勢道路使用者的死亡、受傷風險。在一定程度上提高了自車在視線遮擋條件下面向橫穿行人與2輪車的制動安全性，對設計開發(fā)在視線遮擋條件下面向橫穿的弱勢道路使用者的AEB系統(tǒng)具有一定參考意義。