張碩

摘要：根據汽車緊急制動系統的相關原理，通過BP神經網絡建立剎車距離預測與優(yōu)化模型，提高車輛的制動性能和駕駛安全性。通過分析制動力、剎車距離與速度、車輛質量等因素的關系，將其轉化為數學模型，進而優(yōu)化緊急制動系統設計和制動控制策略。通過實驗驗證和計算仿真，評估模型的準確性和實用性，并提出相應的優(yōu)化建議。

關鍵詞：BP神經網絡；AEB；剎車距離；距離預測

自動緊急制動系統（AEB）是一種重要的汽車被動安全技術[1]，用于在發(fā)生緊急情況時自動減速或停止車輛，以避免碰撞或減少碰撞傷害[2]。主要由三大模

塊構成：環(huán)境感知模塊、數據分析決策模塊和制動模塊[3]。其中測距模塊的核心包括微波雷達、人臉識別技術和視頻系統等，它可以提供前方道路安全、準確的圖像和路況信息。

汽車AEB系統利用測距傳感器測出與前車或者障礙物的距離，然后利用電子控制單元將測出的距離與報警距離、安全距離等進行比較，小于報警距離時就進行報警提示。而小于安全距離時即使在駕駛員沒來得及踩制動踏板的情況下，系統也會啟動，使汽車自動制動，從而為安全出行保駕護航，圖1所示是汽車AEB系統的工作過程。

仿真平臺搭建

CarSim是專門針對車輛動力學的仿真軟件，主要用來預測和仿真汽車整車的操縱穩(wěn)定性、制動性、平順性、動力性和經濟性[4]，同時被廣泛地應用于現代汽車控制系統的開發(fā)。CarSim可以方便靈活地定義試驗環(huán)境和試驗過程，詳細地定義整車各系統的特性參數。

CarSim軟件主要包含三個部分，即前處理、求解器設置和后處理[5]，如圖2所示。

1）在前處理部分，用戶可以設置車輛的整車參數，包括空氣動力學參數、傳動系參數、懸架參數、車體質量、路況和最大附著系數等。同時，用戶還可以設置傳感器的安裝位置和角度等參數。

2）在求解器設置部分，用戶可以設置仿真時間、仿真步長等參數，并可以改變仿真接口以及與Simulink的聯合仿真。

3）在后處理部分，用戶可以觀察車輛的運動狀態(tài)以及其運動過程中各參數的變化曲線，例如車輛速度、距離前車的距離和加速度等參數。

1.虛擬場景建立

為了建立車輛AEB緊急制動系統的有效性應用，選擇了三種不同工況進行測試，分別為改變本車質量（1270kg、1170kg、1070kg及1000kg）、改變本車駕駛速度（40km/h、50km/h、60km/h及70km/h）和改變前車速度形態(tài)（靜止、持續(xù)加速、持續(xù)減速、先加速后減速及先減速后加速）。將以上三種條件進行自由組合，共80種模擬工況，傳感器感知距離50m，考慮路面狀況良好，設置路面摩擦系數為0.85?；贑arSim搭建上述虛擬測試場景，如圖3所示。

2.控制模型

本節(jié)研究的主要重點是不同工況下車輛對前方車輛的制動情況。

為了簡化分析，只需要關注車輛的制動功能，而不需要詳細分析其他功能。在CarSim軟件中，將本車的速度設置為恒定速度，而前方車輛的速度設置為不同的速度變化。通過輸入接口，可以輸出CarSim所需的制動壓力。感知模塊將車輛行駛信息傳遞給上層控制。當車輛處于危險工況時，期望的制動減速度會轉換為制動壓力。

仿真結果分析

通過上述仿真平臺的搭建，對相關的仿真結果進行如下分析。圖4～圖7中ABCD分別代表車速設置為40km/h、50km/h、60km/h和70km/h。

1.前方車輛靜止

前方靜止場景主要出現在交叉路口、路邊臨時停車及車輛發(fā)生故障后沒有及時發(fā)現等場景，因此在該場景下將本車車速設置為40km/h、50km/h、60km/h和70km/h四種不同速度的測試情況，分別對應著圖4所示中的A、B、C和D。

通過仿真測試可以看出，同樣的測試工況，當車體質量越大時，在制動壓力一定的情況下，車體質量較大的車輛具有更大的慣性，制動的時間越長，其制動距離也會越長。

通過圖4可以發(fā)現：當車速為40km/h，本車制動未觸發(fā)二級制動（15MPa），當本車車速大于40km/h時，本車與前方車輛之間的距離小于預設的20m，因此觸發(fā)了二級制動，對車輛進行緊急制動。當車速達到

70km/h時，需要更長距離的傳感器和制動時間，以防止AEB系統不能完全的制動，從而發(fā)生事故。

當車體質量為1270kg時，發(fā)現本車車速維持在70km/h時，車輛減速到0km/h時，車輛距離前車位置為1.13m，未與前車發(fā)生碰撞行為。

2.前方車輛減速

從圖5中可以看出，由于前方車輛車速從40km/h緩慢減速到20km/h，因此不同速度情況下傳感器檢測到前方車輛的時間不同。檢測到前方車輛時，由于本車速度大于前車速度，因此與前車之間的距離逐步減少，AEB系統開始制動減速，制動壓力為3MPa，防止與前車進行相撞。從圖5可以看出，與前車靜止狀態(tài)不同的是與前車之間的距離永遠保持在20m以上，未采用15MPa的制動壓力進行制動，車輛在制動結束后，速度變慢，因此與前方車輛的距離繼續(xù)增加，從而車輛繼續(xù)按照70km/h的速度行駛，呈現如圖5所示的波浪狀距離圖形。后續(xù)與前方最大距離相對于上次制動距離呈現減少趨勢，最小距離呈現出增大趨勢。

3.前方車輛加速

當前車速度從20km/h逐步增加到50km/h，而本車車速為40km/h時，可以看出汽車的制動距離相對于其余速度值較少，制動距離為17m，并隨著前方車輛的不斷加速，其制動距離變化越來越小，在20s后，前車速度達到40km/h時，可以發(fā)現本車與前車之間的距離逐漸增加，傳感器感測不到前方車輛。

當本車行駛速度大于前車加速狀態(tài)最大速度時，其相對距離變化曲線呈現為非線性，當本車持續(xù)速度越大時，其制動距離越長。當其處于同一種速度時，可以看出，雖然設定的持續(xù)速度一致，但由于車體質量不一樣，其遇到前車時的速度狀態(tài)和時間不一樣，與前方車輛的相對距離會有所差別。

圖6所示中本車質量為1270kg，設置車體速度保持不變，但由于車體質量增加，其相較于其余三種情況遇到前車的時間更長，前車速度處于不斷加速狀態(tài)，因此其相對距離縮小較慢，最小相對距離也會相應的增大，最小相對距離為27m。如圖6中c和d所示，當速度增大時，其制動效果相較于速度較慢時，相對距離波浪狀圖形更加明顯，表明AEB系統正在反復進行運行，從而可以提醒駕駛員進行手動車輛控制，以防止AEB系統的過度使用。

4.前方車輛變速

變速狀態(tài)是指前方車輛在行駛過程中的加速度和減速度。這個變速狀態(tài)會影響車輛與前方車輛之間的相對速度和距離。變速狀態(tài)主要分為以下兩種情況：先加速后減速和先減速后加速。

（1）先加速后減速 本車速度為40km/h時，與前車的距離未低于30m以下，且只有一個波浪階段，由于前車從10km/h開始加速，15s后加速至40km/h，可以看出本車與前車之間的距離在減少，當其前車速度增大，傳感器檢測不到前方車輛，因此在20s后，相對距離大于50m，圖7a中并未顯示相對距離。

由圖7b、c中可以看出，在前方車輛先加速后減速的狀態(tài)下，16～28s階段的相對距離會呈現出一個大波浪狀形狀，是因為本車車速與前車加速后的最大速度近似，傳感器仍然能夠檢測到前方車輛，且由于車速變化不大，因此相對距離變化幅度相較于前后兩段較少。

從圖7d可以看出，當本車速度較大時，在16～28s之間，由于16s之前車速較快，汽車制動壓力升高，因此與前車之間的相對距離較短，后續(xù)前車加速行駛，本車車速逐漸緩慢提高，相對距離逐步增加到50m以外，但由于前車最大加速未超過本車的設置速度，因此在一段距離之后，兩者之間的又在逐步縮小，并利用制動進行減速。

（2）先減速后加速 從圖8a可以發(fā)現：車輛在駕駛過程中，幾種不同車輛質量遇到前車相對距離幾乎重合，由8b、c、d三個圖形可以看出，本車速度增大后，車體質量對于剎車距離存在影響，并且當車速達到70km/h、車體質量為1270kg時，剎車距離大幅度增加，發(fā)生碰撞的危險程度從而加大。并且當本車速度增大時，遇到前車的次數增加，AEB系統多次工作，從而多次提醒駕駛員進行減速，防止事故的發(fā)生。

BP神經網絡分析

1.BP神經網絡建模

BP神經網絡中，是由輸入層神經元負責接收外界信息，然后將其傳給中間各層神經元。中間層神經元對信息進行處理和變換，根據最終結果的需求，中間層可設計為單隱層或者多隱層結構；最后一層隱層將信息傳遞到輸出層，后輸出信息處理結果。若結果并不符合期望，再進行反向傳播。誤差通過梯度下降的方式不斷調整各層權值，重新重復前面的過程，該過程一直持續(xù)到神經網絡誤差減少到期望值時方可停止，也可單獨設置學習次數[6]。

網絡結構為5個輸入單元，多個隱含層，一個輸出單元，輸出單元為汽車在自動緊急制動系統下的汽車剎車距離，本文的BP神經網絡結構如圖9所示。

在BP神經網絡中，首先有數據集，本文主要通過選擇“前車速度”“本車最大速度”“本車減速速度”“剎車時間”和“車體質量”五要素作為車輛剎車距離預測模型，即該神經網絡的輸入層神經元要有這五個要素。

本文在進行模型構建時，著重選擇與剎車距離相關的因素作為輸入神經元，這樣才能有效的使模型反映出車輛行駛過程中的剎車距離。同時，該模型通過一組驗證數據樣本提高了其泛化能力，從而防止了訓練樣本的過擬合。

2.BP神經網絡的訓練

選用MATLAB中的BP神經網絡工具箱進行訓練，訓練算法采用Levenberg-Marquardt函數，訓練集、驗證集、測試集分別為總訓練集的70%、15%和15%，隱藏層層數從1到20，分別進行訓練，訓練結果如圖10所示。

最終發(fā)現，當隱藏層層數為10時，訓練結果最為理想，BP神經網絡在12次迭代過程中不斷的收斂，對訓練樣本和驗證樣本進行擬合誤差檢驗的性能損失函數不斷減小。在第6次迭代時，驗證樣本的最佳性能為0.001 280 4，該模型的性能損失函數與迭代次數之間的關系圖線如圖11所示。

通過圖12中R系數（預測輸出與目標輸出之間的相關性）可以看出：該模型訓練集的R值為0.999 02，總體的R值為0.991 99。其預測與輸出數據之間的關系密切，符合測試精度要求，對其進行保存，方便后續(xù)的驗證分析。

從表1可知，預測值與測試真實值之間的誤差在0.6m以內，相較于回歸分析，更加精確的對本車剎車距離進行了預測。

結語

本文通過CarSim軟件建立了車輛AEB系統虛擬測試場景，選擇了三種不同工況進行測試，建立主車雷達模型，然后利用CarSim建立了車輛動力學模型，利用MATLAB/Simulink對車輛AEB系統進行節(jié)氣門制動壓力控制，搭建了CarSim/Simulink聯合仿真平臺，基于以上不同場景對AEB系統進行了仿真模擬和結果分析。對仿真過程的相對距離、速度、節(jié)氣門開度進行仿真結果分析。并對剎車距離、本車速度、前車速度、本車質量及剎車時間進行了BP神經網絡分析，得出剎車距離與其余幾者之間的關系，其誤差在允許誤差之內，為0～1.5m。

參考文獻：

[1] 舒紅，張光琛，何杉，等.汽車自動緊急制動系統控制研究[J].公路交通科技，2023，40（7）：216-223，230.

[2] 李月明，商恩義，王鵬翔，等.碰撞試驗中自動緊急制動過程模擬方法的探討[J].汽車零部件，2023（5）：13-17.

[3] 齊偉.淺析AEB自動緊急制動系統[J].汽車維修，2023（1）：13-20.

[4] 孟育博，趙科，郭鵬，等.基于CarSim的垂直泊車系統仿真研究[J].河南工程學院學報（自然科學版），2023，35（3）：41-46.

[5] 張馳皓，施衛(wèi)，秦憶南，等.基于模型預測控制的智能車輛縱向控制研究[J].專用汽車，2023（5）：20-22.

[6] Wang Q， Wu B， Zhu P，et al. ECA-Net： Efficient Channel Attention for Deep Convolutional Neural Networks[C]// 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. IEEE，2020.