面向骑行者的AEB测试方法研究

文章通过对CIDAS统计的150例汽车与二轮车碰撞事故工况样本参数信息进行系统聚类分析,提取出了用于评价面向骑行者的自动紧急制动系统(AEB)的测试场景,建立了面向骑行者的自动紧急制动系统测试评价方法,并利用Prescan和Simulink软件搭建了典型场景的虚拟交通模型以及自动紧急制动系统(AEB)算法控制模型,通过联合仿真分析验证了AEB控制算法的具体实施过程,进一步说明了典型场景和测试方法的有效性。     

基于实车测试的AEB系统测试评价方法研究

基于对实车自动紧急制动和前向碰撞预警功能的测试数据,研究了自动紧急制动(AEB)系统的测试评价方法。通过在碰撞点偏置、夜间环境、儿童和骑车人目标物、弯道等不同的测试场景中对AEB系统进行测试,分析各场景对AEB系统的自动紧急制动功能、前向碰撞预警功能和漏识别率的影响,并根据试验中AEB系统的碰撞时间(TTC)、制动减速度峰值、制动停止后距离等参数的变化情况,研究了使用各参数评价AEB系统的合理性和必要性。     

商用车AEB系统测试场景构建及仿真研究

随着车辆智能化的发展,提高商用车主动安全水平的必要性增强,自动紧急制动(AEB)系统成为车辆主动安全领域的研究热点。文中从商用车自动紧急制动功能测试评价技术着手,基于场景元素分类构建商用车自动驾驶测试场景,建立自动紧急制动典型场景与控制模型,并通过仿真验证商用车AEB测试场景搭建与测试评价方法的有效性。     

雨雾天气下的自动紧急制动系统测试评价方法研究

针对当前自动紧急制动系统评价中,存在雨雾等危险复杂气象状况的测试场景考虑不足,和评价结果难以客观反映 AEB系统实际性能的问题,研究了包含雨雾天气的 AEB系统测试场景和综合评价方法。根据国家车辆事故深度调查体系 （National Automobile Accident in-Depth Investigation System,NAIS） 的事故数据,参考中国新车评价规程,构建了雨雾天气下的AEB系统测试场景;基于层次分析法,建立了AEB系统评价层次模型,提出了AEB系统综合评价方法。在 PreScan-Simulink平台上搭建了仿真测试场景,进行测试评价,验证了方法的效果,与传统单一评价指标方法进行对比,结果显示被测车辆得分为 6.610 7分,小于单一速度减少量评价方法的 9.015 0分,偏差分析表明该方法评价结果更客观,能更准确地反映AEB系统性能。     

基于场景的自动驾驶汽车虚拟测试研究进展

随着自动驾驶等级的提高，面向传统汽车的测试工具与测试方法已不能满足自动驾驶汽车测试的需要。基于场景的虚拟测试方法在测试效率、测试成本等方面具有巨大的技术优势，是未来自动驾驶汽车测试验证的重要手段，已成为当前的研究热点。通过对大量相关文献的系统梳理，综述了基于场景的自动驾驶汽车虚拟测试研究进展。对比分析了自动驾驶测试场景的不同定义方式，明确了测试场景的内涵，归纳了测试场景的要素种类，概述了测试场景的数据来源，总结了场景数据的处理方法。在此基础上，对自动驾驶汽车虚拟测试方法进行了总结，分析了典型的测试方式、测试平台和虚拟测试的技术要点，梳理了软件在环、硬件在环和车辆在环测试方案及其关键技术。针对自动驾驶汽车测试效率问题，研究了基于场景的加速测试技术，概述了典型的测试场景随机生成方法和危险场景强化生成方法。最后，对基于场景的自动驾驶汽车虚拟测试所面临的问题及未来发展趋势进行了分析和展望。研究结果表明：基于场景的虚拟测试是推动自动驾驶技术发展和产业落地的必由之路，未来研究应着力突破基于解构与自动重构的测试场景数据库、人-车-环境系统一体化高置信度建模、自动驾驶汽车虚拟测试标准工具链、不同自动驾驶汽车渗透率下的混合交通模拟与测试、测试案例动态自适应随机生成机制等核心共性技术，建立自动驾驶汽车虚拟测试标准体系。     

2018版C-NCAP及对汽车电子系统的新要求

介绍2018版的新车评价规程(C-NCAP)对主动安全系统的电子控制系统提出的新要求。基于智能交通的汽车自动紧急制动系统是先进安全技术的一项重要内容,本文着重介绍自动紧急制动系统的功能、分层架构前端传感系、底层执行系统、系统架构、AEB控制策略及AEB与ABS协调控制。最后还介绍新版规则对纯电动汽车/混合动力汽车(EV/HEV)的测试项。     

自动紧急制动系统控制模块的SOTIF量化评价

建立智能汽车的预期功能安全（SOTIF）评价体系，进行SOTIF设计是实现智能驾驶汽车规模应用的必由之路。为完善自动紧急制动（AEB）系统的SOTIF理论，实现AEB系统的SOTIF设计，本文采用系统理论过程分析（STPA）的方法对AEB系统控制模块进行安全分析。根据安全分析的结果提出AEB系统控制模块的SOTIF评价指标，并基于CRITIC法和优劣解距离（TOPSIS）法对提出的评价指标进行综合量化评价。进一步地，使用提出的评价方法对某型智能汽车的AEB系统控制模块进行了基于实车试验的SOTIF评价，评价结果验证了所提出的AEB系统控制模块的SOTIF评价方法的合理性和实用性。最后，对评价结果进行分析，并根据提出的SOTIF评价指标给出AEB系统的SOTIF改进建议。     

客车自动紧急制动系统性能测试

介绍国内外客车采用的自动紧急制动系统(AEB)测试方法,提出AEB试验所需的测试系统,选取两项试验项目对某客车的AEB进行性能测试。     

主动安全评价引领技术变革,上汽大通D90直面挑战2018版C-NCAP测试

正2018第四届中国汽车安全日活动期间,汽车自动紧急制动AEB现场演示试验及交流活动在中汽中心ADAS测试场顺利开展,上汽大通D90按照2018版C-NCAP规则中的AEB测试标准进行了试验演示,全球NCAP体系代表、国内外汽车安全技术专家和媒体代表共300余人观摩了本次试验。历时四年研究,AEB测试评价正式实施按照2018版规则,车辆自动紧急制动系统(AEB)试验,主要由两大板块构成:(1)自动紧急制动系统(AEB CCR)试验,该部分占11分;(2)行人自动紧急制动系     

轿车-电动两轮车事故中AEB仿真技术研究

道路弱势群体的保护一直以来都是交通事故研究的重点，随着汽车主动安全的发展，行人AEB系统处于快速发展的巅峰时期。针对骑车人的AEB系统的研究还处于起步阶段，特别是基于中国本土交通特点的主动安全设备是目前的研究热点。据此，基于采集真实的事故案例，对事故进行特征分析，以事故特征为基础分析中国道路环境下的事故工况，同时选取事故重建所需的事故采集信息，并运用PC-Crash对事故案例进行重建，将重建后的各运动参数输出建立事故前危险工况数据库作为AEB仿真的数据基础。接着建立车辆动力学模型作为AEB仿真依托的对象，用于计算各参数设置下的运动响应。最后设计一种基于GUI的AEB仿真技术开发平台，对AEB系统参与下的事故过程及结果进行展示，并建立AEB系统评价指标和评价方法，对系统效用进行评估，为探测目标为电动两轮车骑车人的AEB系统的测试场景及适应性设计的改进提供了相关的参考依据。     

基于典型非机动车事故的自动驾驶汽车测试场景构建方法研究

基于交通事故卷宗、交通事故视频信息数据,研究机非混行交通环境下典型交通事故形态,构建了面向机非混行交通环境下的自动驾驶汽车测试场景,旨在针对我国较为特殊的机非混行环境下的自动驾驶汽车的测试场景及测试评价方法提供参考。本文首先分析了自动驾驶测试场景的构建需求,建立交通事故数据筛选标准,得到133例可用于构建自动驾驶汽车测试场景的机动车与非机动车交通事故数据集;其次基于《中华人民共和国道路交通安全法》行驶要求,对133例交通事故的发生地点、车辆行为、道路类型、环境光线等方面进行解构分析;最后通过聚类分析,建立了5类典型的自动驾驶测试场景模型,并分析了不同场景模型的关键要素,为实际道路测试提供理论指导。     

基于场景元素的智能网联汽车场景构建研究

在智能网联汽车测试评价中,场景库搭建与道路测试一直都是其难点。文中对智能网联汽车功能的典型测试场景搭建及测试方法进行分析与研究,首先分析智能网联汽车驾驶场景的来源,从典型驾驶场景中归纳出基本场景元素库,以场景元素库为基础实现测试场景库搭建;然后在PreScan中进行场景虚拟重构,进行自动驾驶功能模拟仿真;最后基于真实道路场景搭建对车辆自动驾驶功能进行实车测试。     

基于JT/T 1242-2019的AEB测试研究

自动紧急制动(AEB)系统对于车辆的主动安全具有重要意义。文中介绍国内外标准法规对于AEB系统的配置要求,分析AEB的工作原理,研究JT/T 1242-2019规定的典型测试场景,并搭建AEB测试系统及测试场景对某客车进行AEB道路性能测试。结果表明,该车辆搭载的AEB系统满足JT/T 1242-2019的限值要求。     

考虑前车制动意图的自动紧急制动策略及其测试评价方法

为提高车辆自动紧急制动（AEB）系统的避撞性能,提出了一种考虑前车制动意图的AEB策略及其测试评价方法。通过搭建“PreScan+Simulink+驾驶模拟器”联合仿真平台采集驾驶人制动数据,基于K-均值（K-Means）聚类方法对制动意图进行分类,采用滑动时间窗口提取了意图识别模型训练数据集;通过双层隐马尔可夫模型识别前车制动意图,主车根据不同制动意图计算临界安全距离阈值并制定避撞控制策略;建立PreScan+Simulink虚拟仿真测试环境,提出了基于层次分析法的AEB策略综合评价方法,通过与4种典型AEB控制模型进行对比,验证了所提出方法在不同制动程度场景下均可及时触发制动以避免碰撞,同时可减少过早制动造成的驾驶不适感。     

自动紧急制动系统行人测试场景的研究

为建立适用于我国交通状况的AEB行人测试场景,参考国际上已有的研究成果,首先采集了上海道路中的典型行人危险工况,并筛选出52例车与行人冲突的工况样本,然后利用聚类分析的多元统计学方法对这些样本进行分析,得到了5类具有典型特征的危险场景;根据这些典型危险场景设计了兼容我国交通工况的AEB行人测试场景,并建立相应的PreScan仿真模型。通过PreScan仿真测试可在未进行实际场地测试前对AEB系统进行初步评价,进而降低开发成本。     

智能汽车自主泊车系统测试方法

自主泊车系统是智能汽车领域的研究热点，但其缺少系统性测试评价方法的研究。针对这一问题：首先，提出了基于ALFUS（Autonomy Levels for Unmanned System）框架思想的测试用例构建体系，结合对由泊车事故数据、实际泊车场景数据构成的实际数据以及包含传感器工作原理和泊车过程的自主泊车系统工作原理的分析，生成了自主泊车系统测试环境元素集合、测试任务元素集合、两级测试时空顺序，并通过对三者进行整合得到了自主泊车系统测试用例集；其次，提出了以环境类型、任务类型进行划分的自主泊车系统三级四类分级测试方法，并在此基础上结合模糊综合评价法得到了基于自主泊车系统测试用例集的测试评价方法；然后，利用乔哈里视窗理论建立了自主泊车系统测试评价结果分析矩阵，实现了从智能汽车自主泊车系统性能局限、测试方法局限两方面对测试评价结果的分析；最后，考虑现有自主泊车系统技术条件，选用不同型号的具备自主泊车系统的智能汽车进行实车试验，对上述测试方法进行了实践，并分析获得了自主泊车系统功能及性能方面的改进意见。试验结果表明：所提智能汽车自主泊车系统测试方法不仅可对测试对象的性能提出改进建议，也能验证测试方法本身的完善性，并证明了该测试方法对于现阶段自主泊车系统的有效性。     

自动紧急制动系统测试场景研究

根据国外已提出的自动紧急制动系统(AEB)测试场景,对适用于我国汽车行驶工况的AEB测试场景进行了研究。采用行驶记录仪采集了汽车实际行驶危险工况并进行了统计分析,利用驾驶员反映时间确定了危险开始时刻,从而获得相应的AEB测试场景参数,并依此建立完整的测试场景仿真模型,得到了符合我国城市道路交通情况的AEB测试场景。     

自动驾驶系统并行加速测试方法研究

为提高作为自动驾驶系统安全性验证手段的场景测试的效率,本文中提出了一种自动驾驶系统并行加速测试方法.首先根据自动驾驶系统测试需求,构建了由顶层管理层、中层协调层和底层执行层构成的3层加速测试架构.然后确定不同层级的具体任务:顶层管理单元流动,中层协调参数计算,底层执行试验运行.最后以前车切入场景为例,对某黑盒自动驾驶算...     

基于层次分析法的AEB评价指标优化

自动紧急制动(AEB)功能已成为国内外各汽车安全权威认证机构的重要评估点,但Euro NCAP、NHTSA、IIHS等认证机构发布的评估规程中涉及AEB的评价指标单一,无法对评估结果进行多维度解读。文章提出的基于层次分析法的AEB评价指标优化方法结合各认证机构建立的评价体系,分别采用定性分析与定量分析构建AEB评价指标优化模型,将安全性与舒适性作为评价准则,并以速度减量、最大减速度、碰撞时间(TTC)和减速度变化率作为评价参数,实现客观安全与主观驾乘体验相结合的多维度评估方案,优化了AEB评价体系。以CCRs某测试场景为例进行实际试验,验证了该基于层次分析法的AEB评价指标优化方案的可行性。     

高等级自动驾驶汽车虚拟测试：研究进展与前沿

安全性测试是高等级自动驾驶汽车（Highly Automated Vehicles，HAV，指具备L3级及以上能力的自动驾驶汽车）规模化应用的基本保障。鉴于HAV测试对象与测试标准的变革，传统基于里程的车辆测试方法论不再适用，场景化虚拟测试正成为验证HAV安全性的核心方法。基于与国内外多家HAV研发机构开展虚拟测试合作的基础上，针对测试场景、测试工具和测试方法等方面的技术难点和学术问题进行汇总、归纳和分析。测试场景方面，围绕场景覆盖度的要求，需重点关注测试场景自主划分、自动化仿真生成和未知高风险场景搜寻等理论方法。测试工具方面，在构建HAV自动驾驶系统“环境感知-规划决策-运动执行”一体化仿真工具的基础上，需研究支撑测试场景生成、驾驶行为双向交互和多传感器物理模型融合的高可信仿真技术。测试方法方面，针对海量测试场景、HAV驾驶能力非单调变化等特征，亟待开展覆盖度驱动型测试方法、加速测试方法和多目标测试与评估等的研究。此外，在上述研究挑战的基础上，面向HAV虚拟测试自动化、快速化、一体化和协同化的应用需求，提出HAV虚拟测试仿真即服务（Simulation as a Service，SAAS）的系统架构，并进一步明确HAV安全性诊断分析、系统自主优化训练和面向系统快速迭代升级的测试方法等SAAS重点研究需求。