王豪　陳良　黃志晨

摘 要：兩輪車作為弱勢道路使用者，具有速度快、靈活的特點，在嚴重交通事故中占比較高。自動緊急制動（AEB）系統(tǒng)越來越多的作為輔助駕駛系統(tǒng)應用于車輛，用以提升汽車行駛的安全性，減少交通事故的發(fā)生。文章從面向二輪車輛的汽車AEB系統(tǒng)的測試規(guī)程、測試場景及AEB系統(tǒng)控制策略方面梳理分析了該方向的研究進展，肯定了AEB系統(tǒng)技術可以有效降低車與二輪車輛的避撞率，并提出引入車輛協(xié)同是解決特定場景避撞的重要技術手段。

關鍵詞：二輪車輛 自動緊急制動（AEB） 測試規(guī)程 測試場景

1 引言

近年來，我國的機動車數(shù)量突飛猛進，但是伴隨著車輛數(shù)量的增長引起的相關問題也不容小視。特別是隨著外賣行業(yè)和快遞行業(yè)的蓬勃發(fā)展，兩輪車輛的數(shù)量急劇攀升，然而由于兩輪車輛具有速度快、運動靈活的特點，導致了兩輪車輛在交通事故中的占比不斷提升。而且，缺乏安全保護的兩輪車在道路交通中屬于弱勢參與方，一旦發(fā)生事故，碰撞事故中騎行者的傷亡率更高。我國統(tǒng)計局數(shù)據(jù)顯示，2020 年交通事故死亡人數(shù)總計61703 起，其中二輪車騎車人死亡事故數(shù)15347 起，占比超過24%[1]。

自動緊急制動系統(tǒng)（AEB）能夠對車輛前方潛在的碰撞危險進行識別，并給予駕駛員相應的警告提示，緊急情況下還能對車輛自主施加制動以避免或減輕碰撞危險。該技術能夠很大程度上避免或緩解追尾事故的發(fā)生， 保護駕乘人員安全，因此AEB已經(jīng)成為主動安全領域研究的熱點[2]。近年來歐盟新車安全評鑒協(xié)會（Euro NCAP）、美國高速公路安全管理局（NHTSA）、日本新車安全評價協(xié)會（J-NCAP）、中國新車安全評價協(xié)會（C-NCAP） 等汽車測評機構開始關注自動緊急制動（AEB） 系統(tǒng)在汽車上的應用， 并相繼將AEB系統(tǒng)納人新車主動安全評價規(guī)程[3]。Euro NCAP研究表明，AEB可以避免27％的碰撞事故[4]。 2017 年，美國交通安全管理局（NHTSA）和美國公路安全保險協(xié)會聯(lián)合發(fā)布報告稱，按照各汽車企業(yè)承諾的AEB 裝車率，到2025 年美國將避免2.8 萬起事故和1.2 萬人員受傷[5]。

當前針對AEB系統(tǒng)的測試、場景等方面的研究主要集中于車對車以及車對行人，汽車對二輪車的AEB系統(tǒng)測試規(guī)程、場景等研究的研究較少。本文對面向二輪車輛的AEB測試規(guī)程、測試場景及控制策略等方面進行了詳細的綜述，以期為汽車AEB技術的進一步研究和場景應用提供技術和理論參考。

2 面向二輪車輛的汽車AEB測試規(guī)程

目前，我國已經(jīng)發(fā)布了多項關于AEB 系統(tǒng)的法規(guī)，包括國家標準GB/T 38186-2019 《商用車輛自動緊急制動系統(tǒng)（AEBS）性能要求及試驗方法》和交通運輸部發(fā)布的JT/T 1242-2019《營運車輛自動緊急制動系統(tǒng)性能要求和試驗規(guī)程》。但當前的法規(guī)更多關注的是測試車對車和車對人之間的測試要求，而沒有關于二輪車輛的測試規(guī)程和性能要求。目前，國內只有新版的C-NCAP測試規(guī)程和i-VISTA的測試規(guī)程提出了面向二輪車輛的測試場景和測試方法。

2.1 C-NCAP測試規(guī)程

C-NCAP工作組通過對2011至2017年的交通事故進行研究分析，發(fā)現(xiàn)兩輪車輛的占比有所提高。針對這個問題，C-NCAP工作組制定了針對兩輪車輛的測試規(guī)程，包括兩輪自車目標物和具有中國特色的踏板式摩托車目標物，使其更符合中國的國情。C-NCAP 2021年版本中二輪車自動緊急制動系統(tǒng)（AEB VRU_TW）的測試場景包括：車輛碰撞近端自行車（CBNA-50）、車輛碰撞遠端踏板式摩托車（CSFA-50）、車輛碰撞縱向行駛自行車（CBLA-50），具體測試方法如表1所示[6]。

2.2 i-VISTA測試規(guī)程

i-VISTA 在2020版本的智能汽車指數(shù)中提出了針對AEB 自行車騎行者功能的評價規(guī)程，包括對于車輛前方橫穿自行車騎行者（CBNA-50）和縱向同向行駛自行車騎行者（CBLA-50）的識別和自動制動的能力[7]。詳細測試如表2所示。

3 面向二輪車輛的汽車AEB測試場景

由于面向二輪車輛AEB的控制策略起步較晚，當前已發(fā)布的二輪車AEB測試規(guī)程場景較為單一，無法充分體現(xiàn)實際道路事故中汽車與兩輪車輛發(fā)生碰撞的真實場景，因此車輛與二輪車碰撞場景的研究是當前AEB技術的一個重要方向。目前國內對車輛與二輪車碰撞場景的研究主要基于中國交通事故深入研究（CIDAS）、國家車輛事故深度調查體系（NAIS）等數(shù)據(jù)庫的真實碰撞案例，通過對碰撞場景進行信息融合，分析出車輛與二輪車事故發(fā)生率較高、事故發(fā)生程度較為嚴重的碰撞場景。

胥峰等通過對中國交通事故深入研究（CIDAS） 統(tǒng)計的150 例汽車與二輪車碰撞事故工況樣本參數(shù)信息進行系統(tǒng)聚類分析， 提取出了用于評價面向騎行者的 AEB 的測試場景，根據(jù)是否碰撞和TTC（碰撞時間）， 制動減速度等為評價參數(shù)，建立了面向騎行者的自動緊急制動系統(tǒng)測試評價方法[8]。

范天賜等人基于上海聯(lián)合道路交通安全科學研究中心（SHUFO）的數(shù)據(jù)庫，篩選了160起汽車與兩輪車輛的碰撞案例，對樣本進行聚類分析后，提出了6中典型的測試場景，包括4種直行碰撞和2種左轉碰撞。并進一步對比了中國和歐中兩種碰撞情況，得出了中國兩輪車輛發(fā)生事故時的車速更高[9]。

胡林等人對419起汽車與兩輪車碰撞事故進行了聚類分析，創(chuàng)新性地根據(jù)事故傷亡程度提取了11類典型的汽車與兩輪車輛碰撞事故，并準確分析了汽車的車速、兩輪車的車速及兩輪車運動狀態(tài)參數(shù)，進而提出了一種可以兼顧測試次數(shù)和事故場景的主場景加次場景的測試方法[10]。

B. Sui 等提取CIDAS數(shù)據(jù)庫中2011年至2016年672起汽車碰撞兩輪車的數(shù)據(jù)， 通過基于漢明距離矩陣的K-medoid聚類方法， 最后得到 6 種車碰兩輪車的典型碰撞場景，其中包括兩種夜間場景和一種視覺盲區(qū)場景[11]。

毛攀基于國家車輛事故深度調查體系（NAIS）數(shù)據(jù)庫中汽車與兩輪車的碰撞事故數(shù)據(jù)，利用斯皮爾曼相關性提取了汽車與兩輪車碰撞事故場景元素表，采用貝葉斯網(wǎng)絡分析得出 6 種危險等級的汽車與兩輪車碰撞場景[12]。

李霖等對上海地區(qū)發(fā)生的152例涉及二輪車輛的事故通過聚類分析和卡方檢驗得到了能覆蓋85%工況的7類典型的危險場景，并利用Prescan建立了相應的場景庫[13]。

當前中國的快遞行業(yè)和外賣行業(yè)蓬勃發(fā)展，通過對車-二輪車交通事故場景的研究可以發(fā)現(xiàn)兩輪車存在類型多、行駛軌跡復雜、速度較快的特點。因此歸納總結出具有中國兩輪車交通事故特征的碰撞場景對 AEB 系統(tǒng)避撞性能的完善具有重要意義。

4 面向二輪車輛的汽車AEB系統(tǒng)控制策略

目前兩輪車輛的道路實際測試正處于起步階段，國內目前已發(fā)表的文章更多的集中于利用PC-Crash、Prescan、carsim等場景軟件及MATLAB/simulink等控制策略軟件進行仿真，研究分析適合于二輪車輛的AEB系統(tǒng)控制策略。

易平基于PC-Crash軟件對226起實際道路發(fā)生的汽車與兩輪車碰撞事故進行再現(xiàn)仿真，研究得出當制動減速度為6m/s2、制動提前時間為1s、探測角度為120°、探測距離為30m時，可以避免27.9%的碰撞，其余發(fā)生碰撞的事故中碰撞時的車速相比原車速平均下降了42%[14]。

郭風虎等分析了65起轎車-兩輪車輛碰撞事故工況，得出主要事故場景為十字路口轎車與電動兩輪車輛的側面碰撞，并對65起事故基于PC-Crash進行了雷達探測角度和探測距離的多輪仿真驗證，得到當探測角度為 50°和探測距離為120m時，事故避免率可達到93.6%[15]。

錢宇彬等人基于NAIS的86起汽車與電動兩輪車碰撞的事故設計了4種汽車與電動兩輪車的碰撞場景，包括接近前方靜止車輛、接近前方勻速車輛、接近前方制動車輛、接近前方橫穿車輛，并利用Prescan軟件對裝備了毫米波雷達的車輛在四種場景進行了模擬，得到車輛在配備AEB系統(tǒng)下相同場景可以避免85%的碰撞，而在碰撞無法避免的事故中，汽車的平均碰撞速度降低了51.5%[16]。

徐向陽等通過建立Prescan 模型和數(shù)學模型的方式對典型AEB 系統(tǒng)在相關場景下的效用及改進方向進行定性和定量分析，總結出在兩輪車輛對向左轉-測試車輛直行的場景中，將AEB的視場角從60°提升至90°有助于改善AEB的觸發(fā)效果；而在兩輪車輛對向直行-測試車輛左轉的場景中，單純地增加觸發(fā)寬度并不能有效改善AEB的觸發(fā)效果且會增加AEB 誤觸發(fā)的可能[17]。

張道文等運用PreScan和Matlab/Simulink 聯(lián)合仿真，當觸發(fā)寬度為3.75m、一級全力制動TTC 為1.6s，避障率達到77.3%，避撞效果優(yōu)于兩級制動。當汽車速度低于40km/h，事故均可避免。二輪車車速是事故無法避免的最大影響因素，當汽車速度與二輪車車速均高于40km/h 時，碰撞事故無法避免[18]。

侯彥巧利用PreScan和MATLAB/Simulink對40個案例進行了仿真分析，研究表明AEB系統(tǒng)可以有效降低騎車人的事故風險，AEB系統(tǒng)參數(shù)中觸發(fā)寬度的影響優(yōu)于制動提前時間和制動減速度，騎車人橫穿工況中車速越快需要的最小視場角和最小觸發(fā)寬度就越大[19]。

5 總結與展望

二輪車輛作為道路上的弱勢群體，騎車人在交通事故中的受傷害程度高于車與車交通事故中人員的受傷害程度。因此，本文從面向二輪車輛的AEB測試規(guī)程、測試場景及控制策略三方面入手，梳理分析了當前AEB系統(tǒng)針對這一細分領域的發(fā)展進程，進一步肯定了AEB系統(tǒng)在降低車-二輪車輛道路交通事故發(fā)生率及人員傷亡程度中的重要性。

同時，通過對當前研究成果的梳理分析可以發(fā)現(xiàn)在部分特定場景下，依靠單車感知方案的AEB系統(tǒng)無法進行有效避障。因此，依靠車路網(wǎng)協(xié)同的智能網(wǎng)聯(lián)方案是AEB系統(tǒng)未來發(fā)展的重要方向，車路協(xié)同技術可以有效彌補車輛本身的視野局限，豐富車輛對周圍環(huán)境的感知范圍和信息粒度[20]，降低“鬼探頭”等類型事故，協(xié)助駕駛輔助系統(tǒng)更準確地識別碰撞風險。

基金項目：廈門市市場監(jiān)督管理局科技計劃資助（營運車輛危險區(qū)域自動緊急制動系統(tǒng)測試方法研究XMSJ202110）。

參考文獻：

[1]國家統(tǒng)計局. 交通事故年度數(shù)據(jù)[DB/OL].[2021-12-27]. https：//data.stats.gov.cn/easyquery.htm？cn=C01&zb=A0S0D01&sjNational Bureau of Statistics. Annual traffic accident data[DB/OL]. [2021-12-27].

[2]王戡， 劉昌仁， 曹飛，等. 客車自動緊急制動系統(tǒng)性能測試[J]. 客車技術與研究， 2017， 39（2）：4.

[3]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(jié)能學報， 2019.

[4]EURO NCAP．Test Protocol- AEB systems Version1.1[EB/OL]. （2015-7-6），https：//www.euroncap．com/en/for-engineers/protocols/safety-assist/].

[5]NHTSA. Manufacturers make progress on voluntary commitment to include automatic emergency braking on all new vehicles [EB/OL]. （2017-12-21）. https：//www.nhtsa.gov/press-releases/nhtsa-iihs-announcement-aeb.

[6]中國汽車技術研究中心.C-NCAP 管理規(guī)則（2021 年版）[S]，中國汽車技術研究中心，2020.

[7]中國汽車工程研究院股份有限公司.智能安全 行人與騎行者自動緊急制動系統(tǒng)試驗規(guī)程（2020版）[S]，

[8]胥峰， 周建光， 李兵，等. 面向騎行者的AEB測試方法研究[J]. 汽車實用技術， 2020（3）：5.

[9]范天賜， 王宏雁， 楊震，等. 基于中國兩輪車事故的典型場景提取與分析[J]. 交通與運輸， 2019（2）：5.

[10]胡林， 易平， 黃晶，等. 基于真實事故案例的自動緊急制動系統(tǒng)兩輪車測試場景研究[J]. 汽車工程， 2018， 40（12）：63-74+81.

[11]SUI B， ZHOU S， ZHAO X， et al. An Overview of Car-To-Two-Wheeler Accidents in China： Guidance for AEB Assessment[C]. The 25th International Technical Conference on the Enhanced Safety of Vehicles （ESV）. 2017.

[12]毛攀. 汽車與兩輪車碰撞事故場景分析及AEB避撞研究[D]. 西華大學.

[13]李霖， 朱西產， 劉穎，等. 涉及騎車人的典型交通危險場景[J]. 同濟大學學報：自然科學版， 2014， 42（7）：6.

[14]易平. 基于汽車與兩輪車碰撞事故的自動緊急制動系統(tǒng)性能研究[D]. 長沙理工大學.

[15]郭風虎， 錢宇彬， 湯蘇敏. 轎車-電動兩輪車事故中AEB系統(tǒng)關鍵參數(shù)優(yōu)化[J]. 農業(yè)裝備與車輛工程， 2020.

[16]錢宇彬， 張進杰， 常飛，等. 面向電動兩輪車的汽車AEB系統(tǒng)研究[J]. 汽車技術， 2022（009）：000.

[17]徐向陽，胡文浩，張友，王書翰，等.

車輛與二輪車預碰撞場景分析及其AEB 優(yōu)化研究[J].北京航空航天大學學報， 2021.0184.

[18]張道文， 李嘵艷， 金思雨，等. 汽車與二輪車十字路口垂向行駛工況的AEB系統(tǒng)優(yōu)化.

[19]侯彥巧. 基于典型場景的自動緊急制動系統(tǒng)對騎車人保護效果研究[D]. 西華大學.

[20]曾奕欣. 面向車路協(xié)同感知的行人重識別算法研究[D].哈爾濱工業(yè)大學.