楊賀博 張小俊 羅耿耿 奚敬哲,3

（1.河北工業(yè)大學，天津 300401；2.長城汽車股份有限公司，保定 071000；3.中國汽車技術研究中心汽車工程研究院，天津 300300）

主題詞：自動緊急制動 碰撞時間 主動安全 硬件在環(huán)

1 前言

自動緊急制動（Automated Emergency Braking，AEB）系統(tǒng)作為汽車主動安全系統(tǒng)的重要組成部分，可以有效避免人為失誤造成的追尾碰撞事故[1-2]，已經成為國內外汽車制造商及研究機構在主動安全領域的研究熱點。目前，對AEB 系統(tǒng)的研究主要圍繞基于安全距離和碰撞時間的控制策略展開。基于安全距離的AEB 控制策略以自車與前車的距離作為觸發(fā)條件，主要有Mazda 模型、Honda 模型、Berkely 模型和SeungwukMoon 模型等[3-4]。此外，為保證制動過程的舒適性，黃城等[5]設計了滿足舒適性條件的減速度曲線并對安全距離模型進行了優(yōu)化；呂凱光等[6]通過引入駕駛風格識別系數(shù)，從時間尺度和距離尺度修正了安全距離模型，提高了AEB 系統(tǒng)的接受程度和駕駛舒適性，可滿足不同駕駛員的個性化需求；趙林峰等[7]針對車輛縱向跟馳過程中的避撞問題，通過分析制動減速度與平穩(wěn)性的相關性，提出了一種考慮車輛運動狀態(tài)和路面附著系數(shù)等因素的改進安全距離模型，并通過聯(lián)合仿真和硬件在環(huán)仿真驗證了該策略可以在保證行駛安全性的前提下改善車輛制動平穩(wěn)性和舒適性。

基于碰撞時間的AEB控制策略以自車和前車在當前運動狀態(tài)下發(fā)生碰撞所需的時間（Time To Collision，TTC）作為觸發(fā)條件。在此基礎上，李霖等[8]采用碰撞時間倒數(shù)和期望減速度設計了行車風險估計算法，對設計適用于中國用戶的AEB系統(tǒng)具有重要意義。Han等[9]將路面附著系數(shù)與TTC 相結合，提出了自適應TTC 閾值，提高了AEB 系統(tǒng)在不同路面下的性能。蘭鳳崇等[10]使用兩層控制思想對AEB 控制策略進行設計，仿真結果表明，在保證舒適性的前提下可以避免碰撞或減輕碰撞傷害。

在真實行車過程中，以固定標準判斷制動時機，可能會導致車輛在低速工況下過早制動，干擾駕駛員正常駕駛，在高速工況下過晚制動，致使碰撞發(fā)生。針對上述問題，本文提出考慮自車車速的動態(tài)碰撞時間模型，根據(jù)車速確定TTC閾值，形成不同車速下的動態(tài)制動策略，在下層控制器使用PI 控制對車輛減速度進行精準控制。最后，采用硬件在環(huán)仿真對所提出的AEB 控制策略進行驗證。

2 AEB控制策略設計

2.1 上層決策模塊設計

基于TTC 的AEB 控制策略在車輛行駛過程中根據(jù)前方障礙物位置、速度等信息和自車狀態(tài)實時計算并判斷TTC是否小于算法所設定的閾值，當TTC小于閾值且駕駛員未采取避撞行為時，AEB 系統(tǒng)介入，觸發(fā)車輛制動。TTC的計算公式為：

式中：dr為兩車間的相對距離，vr為前車相對于自車的車速。

該TTC 模型所需參數(shù)少、計算簡單，但在兩車車速接近時，即使兩車距離較近，TTC 也會較大，不會觸發(fā)AEB制動。因此有學者對其進行改進，提出了改進TTC模型[11]：

式中：Δ=vr2-2drar，Δ≥0表示此時兩車存在碰撞風險；ar為兩車間的相對加速度；“未定義”表示車輛此時處于安全狀態(tài)，TTC模型無需進行計算。

本文基于改進TTC 模型設計行車過程中的預警和制動策略，改進TTC模型所需參數(shù)由各傳感器提供。傳統(tǒng)AEB 系統(tǒng)在觸發(fā)制動時采取單級制動策略，即以最大制動強度進行制動，但是在高速工況下，該制動方式易發(fā)生追尾且影響車輛穩(wěn)定性。因此，為保證行車安全性與舒適性，在低速工況下，AEB 系統(tǒng)應以大減速度較晚介入，高速工況下，AEB系統(tǒng)應采用兩級制動策略，即優(yōu)先采用小減速度制動，仍不能避免碰撞時再采用全力制動，從而使得AEB系統(tǒng)的介入方式更舒適、平順[12]。

此外，若AEB 系統(tǒng)預警/制動過程中駕駛員進行制動且制動強度大于AEB系統(tǒng)當前制動強度或駕駛員進行轉向避撞（轉向盤轉角變化率>90(°)/s）時，AEB 系統(tǒng)退出，將車輛控制權交還給駕駛員。

綜合以上考慮，本文AEB控制策略設計如下：在低速（自車車速v<25 km/h）工況下采用單級制動方式，tTTC小于預警閾值tTTCW時觸發(fā)聲光報警，提醒駕駛員制動，若駕駛員未采取制動動作且tTTC小于全力制動閾值tTTCF時，AEB系統(tǒng)輸出全力制動信號（Brake_Act=2），車輛進行全力制動；在高速工況下采用兩級制動的方式，其預警過程與低速工況相同，tTTC

圖1 AEB系統(tǒng)決策流程

美國國家公路交通安全管理局（National Highway Traffic Safety Administration，NHTSA）統(tǒng)計了83 名駕駛員緊急制動時的平均減速度與最大減速度規(guī)律，如表1所示[13]，其中η為駕駛員數(shù)據(jù)累計百分比。

表1 緊急制動規(guī)律

結合表1與文獻[8]的研究，參考絕大多數(shù)駕駛員緊急制動時的平均減速度，選取-4 m/s2作為部分制動減速度。

2.2 下層控制器設計

根據(jù)AEB 控制決策模塊輸出的制動決策信號，下層控制器輸出制動踏板開度、節(jié)氣門開度、制動燈狀態(tài)，完成對車輛狀態(tài)的實時控制。

2.2.1 車輛模型搭建

使用CarMaker 搭建車輛動力學模型，其可對車輛動力形式、懸架、制動、轉向、車身、傳感器模型等進行方便快捷的設置，本文所搭建的車輛動力學模型主要參數(shù)如表2所示。

表2 車輛主要參數(shù)

2.2.2 制動過程控制

根據(jù)控制決策模塊輸出的減速度請求，PI 控制器以期望減速度與車輛當前減速度之差為輸入，輸出節(jié)氣門與制動踏板開度信號實現(xiàn)車輛減速度的精準快速控制。通過試湊法確定下層PI 控制器參數(shù)為P=0.01、I=0.003 5，其結構如圖2所示。

為保證制動過程舒適性，AEB 系統(tǒng)制動時，采取制動力緩升的方式。由于滿足乘員駕乘舒適性的最大減速度變化率為10 m/s3[14]，故設計AEB 系統(tǒng)制動介入時，減速度在0.4 s 內達到-4 m/s2，使用PI 控制實際減速度曲線如圖3所示。

圖3 PI控制減速度曲線

為避免TTC 處于制動閾值臨界點時制動力波動導致的車輛抖動問題，當觸發(fā)部分制動時，制動壓力維持至少0.6 s，避免制動信號反復觸發(fā)，觸發(fā)全力制動時，維持制動壓力直到車輛制動至停車。

3 考慮自車車速的TTC閾值設計

3.1 固定TTC閾值AEB系統(tǒng)分析

由TTC 模型可知，當兩車相對速度不變時，TTC 只與dr有關，而與自車車速無關，但在實際行車過程中，高速跟車時兩車距離應較大，低速跟車時兩車距離應適當減小，若在不同速度工況下采用固定TTC閾值作為AEB觸發(fā)標準，可能會導致中高車速下制動不及時而發(fā)生碰撞，低速工況下雖然能避免碰撞，但是會干擾駕駛員正常駕駛，影響行車舒適性。因此，采用固定TTC 閾值的AEB控制策略無法兼顧行車安全性與駕駛舒適性，需要結合自車車速確定不同工況下的TTC閾值。

3.2 TTC閾值策略優(yōu)化

3.2.1 各車速下TTC閾值確定

根據(jù)上述分析，AEB控制策略TTC閾值的確定應考慮自車車速，因此設計試驗確定不同車速下合適的TTC閾值。

選取兩車相對車速差距最大的前車靜止（Car to Car Rear stationary，CCRs）工況，在不同車速條件下進行多組仿真。為保證仿真精度，將車速劃分為低速（5～25 km/h）、中速（>25～70 km/h）、高速（>70～120 km/h）3種范圍，在每種車速范圍內設置車速以5 km/h遞增進行仿真。為保證行車安全性與通行效率，一般選取1.0～2.0 m 作為理想最小安全跟車距離[15]，因此，選取低速、中速、高速條件下最小跟車距離dmin分別為1.0 m、1.5 m、2.0 m。調整TTC 閾值進行多次仿真，使得自車在不同車速下完成制動后與前車的距離滿足最小跟車距離要求，確定不同車速下合適的制動閾值。最終確定的TTC閾值如表3～表5 所示，其中dmin由相應閾值下進行多次仿真所得到結果取平均值獲得。

表3 低速工況下不同車速TTC閾值

表4 中速工況下不同車速TTC閾值

表5 高速工況下不同車速TTC閾值

3.2.2 TTC閾值與車速關系擬合

使用最小二乘法對TTC 閾值與車速的關系進行擬合：對于低速工況，采取二維平面最小二乘法擬合的方式；對于中、高速工況，使用基于最小二乘法的三維空間點直線擬合方法[16]進行擬合，編寫Python程序輸出擬合方程參數(shù)。各工況下擬合方程效果如圖4所示。

圖4 擬合方程效果

3.2.3 TTC閾值模型確定

已有研究表明，采用聲光聯(lián)合報警時，駕駛員平均反應時間為0.9 s，制動器延時一般為0.2 s[17]，為保證駕駛員有充足的反應時間，選取預警時長為1.25 s。故tTTCW選取為由自車車速確定的tTTCF（低速工況）或tTTCP（中、高速工況）增加1.25 s。最終確定TTC閾值模型如表6所示。

表6 TTC閾值模型

4 AEB系統(tǒng)仿真驗證

為驗證所設計的AEB 控制策略的有效性，本文使用感知系統(tǒng)硬件在環(huán)臺架對其進行仿真驗證，如圖5所示，其中CarMaker 軟件提供仿真場景和車輛動力學模型，感知模塊獲取視頻暗箱內的虛擬場景信息并通過CAN 信號將前車距離等傳遞給Simulink 中AEB 控制策略，AEB上層決策模塊結合車輛當前狀態(tài)與所處環(huán)境信息作出決策，下層控制器完成車輛控制。

圖5 感知系統(tǒng)硬件在環(huán)測試

仿真場景方面，選取歐洲新車安全評鑒協(xié)會（The European New Car Assessment Programme，E-NCAP）針對AEB 功能所規(guī)定的CCRs、前車運動（Car to Car Rear moving，CCRm）、前車制動（Car to Car Rear braking，CCRb）3種典型工況進行仿真驗證。為測試所設計AEB策略（策略1）在不同工況下的性能，拓展車速范圍到15～100 km/h，設置重疊率范圍為-50%～50%，并與采用固定TTC閾值的典型AEB控制策略（策略2）進行對比，策略2的TTC閾值設置為tTTCW=2.6 s、tTTCP=1.6 s、tTTCF=0.6 s。搭建仿真場景并使用CarMaker/Test Manager完成自動化測試。

4.1 CCRs工況

前車靜止，自車以不同車速勻速接近前車，兩車重疊率范圍為-50%～50%，仿真結果如表7所示。

以自車車速為60 km/h，兩車重疊率為50%的CCRs（CCRs_60_50%）工況為例，2種控制策略的制動過程曲線如圖6所示。

圖6 CCRs_60_50%工況制動過程

由圖6可以看出，兩車距離120 m時，攝像頭探測到前方車輛，此時AEB 系統(tǒng)判斷無碰撞風險，并未介入。隨著兩車距離不斷接近，tTTC

4.2 CCRm工況

前車以20 km/h 勻速運動，自車以不同車速接近前車，兩車重疊率范圍為-50%～50%，仿真結果如表8所示。

自車車速為90 km/h，兩車重疊率為-25%的CCRm（CCRm_90_-25%）工況制動過程如圖7所示。

圖7 CCRm_90_-25%工況制動過程

CCRm_90_-25%工況下，由于本文AEB 策略動態(tài)TTC 閾值的設計，高速工況下tTTCP與tTTCF分別為2.573 s、1.298 s，相比于固定TTC閾值的傳統(tǒng)AEB策略，制動系統(tǒng)可以更早介入以避免碰撞，且最終跟車距離為3.842 m，符合舒適性與安全性要求。

4.3 CCRb工況

自車與前車均以50 km/h 勻速運動，兩車車距分別為12 m 和40 m，一段時間后，前車分別以-2 m/s2和-6 m/s2的減速度制動，仿真結果如表9所示。

表9 CCRb工況仿真結果

兩車車距為40 m，前車制動減速度為-6 m/s2的CCRb（CCRb_40_-6）工況制動過程如圖8所示。

圖8 CCRb_40_-6工況制動過程

CCRb_40_-6 工況下，兩車均以50 km/h 運動，車距保持40 m不變，一段時間后前車以-6 m/s2制動，兩車間距縮減，在第7.79 s、第7.96 s 時，傳統(tǒng)AEB 控制策略與本文AEB 控制策略觸發(fā)部分制動，第9.39 s 與第9.44 s時，兩系統(tǒng)分別觸發(fā)全力制動，但由于傳統(tǒng)AEB 制動觸發(fā)時機較晚，未能避免碰撞，碰撞時相對速度為4.979 km/h。

5 結束語

針對現(xiàn)有基于碰撞時間的AEB控制策略未考慮自身車速的局限性，本文設計了動態(tài)TTC 閾值AEB 控制策略，并對制動減速度變化率進行限制，使其滿足舒適性要求，通過大量仿真確定了不同車速下的TTC 閾值，建立了考慮車速的動態(tài)TTC 閾值模型。為驗證所設計AEB 控制策略的有效性，利用攝像頭在環(huán)仿真在ENCAP 規(guī)定的不同工況下進行驗證，結果表明：本文所設計的AEB 控制策略在3 種工況下安全制動停車的成功率達到95.2%，采用固定TTC閾值的AEB控制策略成功率僅為47.6%；在兩車車距為12 m，前車制動減速度為-6 m/s2的CCRb 極端危險工況下，兩系統(tǒng)均發(fā)生碰撞，但本文所設計的AEB 控制策略相對碰撞車速較傳統(tǒng)AEB 控制策略碰撞車速降低70.23%，達到了減輕碰撞的目的。此外，本文所設計的AEB 控制策略最小跟車距離也更為穩(wěn)定，不會干擾正常駕駛行為，在保證行車安全性的前提下兼顧了駕駛舒適性。

本文對所提出的AEB控制策略只進行了硬件在環(huán)仿真驗證，并未開展實車測試，算法的實車表現(xiàn)與實際推廣仍需結合實車試驗開展進一步研究。